Sei sulla pagina 1di 61

IL CONTROLLO STATISTICO DI QUALITA 1.

Introduzione
Realizzare un prodotto di qualit significa produrre rispettando certe specifiche e livelli di tolleranza prestabiliti, sulla base delle aspettative e preferenze dei clienti, che possono essere consumatori finali o le stesse aziende nel caso di prodotti industriali. Nell'accezione pi ampia, infatti, si definisce qualit di un prodotto l'adeguatezza del medesimo all'uso per il quale stato realizzato, ovvero la capacit del prodotto di possedere le propriet garantite dal produttore e di soddisfare le esigenze del mercato. Per produrre prodotti di alta qualit necessario quindi conoscere le esigenze e i desideri dei clienti; questo compito del dipartimento marketing di unazienda. Successivamente sar necessario tradurre tali esigenze in un progetto operativo, fino ad arrivare alla completa ingegnerizzazione del processo produttivo che condurr, finalmente, alla realizzazione del prodotto fisico. Infine, lorganizzazione commerciale e distributiva provveder alla consegna del prodotto al cliente. Da quanto appena detto si capisce che, nellottica di quella che viene definita qualit totale, produrre con alti livelli di qualit significa migliorare tutti i processi aziendali che contribuiscono alla produzione di prodotti o servizi, in vista della piena soddisfazione del cliente. Nello spirito della qualit totale, gestire per processi vuol dire curare al massimo grado i collegamenti fra le varie attivit attraverso lidea del cliente interno. Linsieme delle attivit che si svolgono nellazienda viene considerato come un insieme di scambi fra clienti e fornitori interni. Qualit totale significa non solo qualit esterna (verso il cliente finale) ma anche qualit interna, relativa a tutte le varie transazioni che avvengono allinterno dellazienda. La connotazione dinamica del mercato presuppone un continuo controllo e adeguamento del livello di qualit del prodotto. Diventa quindi necessario proporre un continuo miglioramento della qualit, che richiede un coinvolgimento di tutti i processi aziendali. In questo senso la strategia della qualit totale viene considerata come uno strumento per garantire la sopravvivenza e il successo dellazienda nel lungo periodo. Le esigenze del mercato, infatti, non sono statiche e vengono ad essere, in qualche modo, correlate col livello stesso di qualit. Ad esempio, se la garanzia per le auto di 3 anni per quasi tutte le marche, il mercato accetter questo valore come uno standard di qualit. Se un produttore porta la garanzia a 5 anni lo standard tender ad alzarsi . In tale quadro di riferimento trover una sua giustificazione l'applicazione di metodologie dirette al Controllo Statistico del Processo in quanto sono esse a rappresentare un primo valido strumento a sostegno dell'attivit di Decision Making ad ogni livello organizzativo per il

Controllo statistico di qualit

raggiungimento della qualit. Infatti, nella presentazione dei metodi statistici per il controllo di qualit, la nostra attenzione sar focalizzata sul processo di produzione e sul prodotto/servizio che ne esce. Tentiamo allora di esporre, in sintesi, le logiche che sottendono a questa metodologia. Cominciamo col definire il Controllo Statistico di Processo. Come universalmente riconosciuto esso pu essere definito come una metodologia che, in riferimento ad una determinata attivit, operazione, fase o processo caratterizzato da ripetitivit, fa ricorso a tecniche statistiche al fine di definire, analizzare e verificare le condizioni che determinano la variabilit dell'oggetto di analisi. In modo pi sintetico, rifacendoci alla definizione fornita da Juran potremmo definire l'SPCcome "l'applicazione di tecniche statistiche per comprendere ed analizzare le variabilit di un processo". Gli studi sull'SPC non sono certo temi nuovi alla Qualit. Gi nel 1924, infatti, il dott. W.A. Shewart inizi a sviluppare un approccio statistico al controllo di qualit, rilevando che il concetto di variabilit riferito ai fenomeni naturali era ugualmente adeguato all'analisi e alla descrizione dei processi produttivi. Con il contributo della statistica inferenziale e della statistica descrittiva, arriv allora alla descrizione sintetica di fenomeni pi ampi da impiegare come modelli di supporto alle attivit di Problem Solving. Nacquero cos le sue Carte di controllo uno degli strumenti statistici pi impiegati nell'analisi dei processi produttivi. Da allora i passi avanti compiuti sul tema sono stati molti. Primo fra tutti il riconoscimento circa la validit di questi strumenti e un loro pi vasto impiego. Il controllo Statistico della Qualit ha cessato di essere semplicemente un supporto al cosiddetto "Scientific Management" per divenire strumento diffuso da collocare all'interno di un vero e proprio approccio di gestione/organizzazione. In quest'ambito, le metodologie SPC seppur a livelli differenti di approfondimento sono divenute patrimonio aziendale comune e condiviso a tutti i livelli. Si , in pratica, andato diffondendo all'interno dell'organizzazi un orientamento one finalizzato a coniugare l'approccio tradizionale ai problemi con un approccio fondato sullo Statistical thinking come atteggiamento culturale. Va sottolineato, tuttavia, come ci valga non solo per ruoli tecnici piuttosto che manageriali, ma anche e soprattutto per coloro che, in quanto operatori, possono incidere direttamente sul proprio processo attraverso un'analisi che si configura come un vero e proprio Learning by doing. Il processo produttivo opera nel tempo realizzando una serie di prodotti che possono essere considerati elementi della popolazione di pezzi che il processo pu produrre. E tuttavia presente una variabilit delle prestazioni del processo in quanto nessun pezzo prodotto uguale ad un altro. Ovvero, misurando una medesima caratteristica X (che rappresenta lelemento di qualit che interessa) su ogni prodotto, si osserver una certa variabilit della stessa. La presenza di variabilit 2

Controllo statistico di qualit

giustifica pienamente lapproccio statistico. E infatti la modalit o valore della ca ratteristica X, rilevata sul singolo prodotto, viene vista come la determinazione di una variabile casuale con una data distribuzione di probabilit. In particolare, si deve tenere conto che: in ogni punto nel tempo (ricordiamo che una peculiarit del processo di produzione la dimensione temporale), la grandezza X pu essere descritta da un particolare modello distributivo. Qui faremo riferimento ad un modello parametrico: conoscendo i valori dei parametri siamo cio in grado di identificare perfettamente la distribuzione (ad esempio, nel modello normale, conoscendo i parametri media e varianza si identifica completamento la distribuzione); lo specifico valore osservato su un prodotto pu essere considerato come un valore generato dal quel particolare modello e cio pu essere visto come un campione casuale semplice di 1 unit, estratto dalla popolazione caratterizzata da quel modello distributivo; la distribuzione di X pu cambiare nel tempo ovvero possono cambiare nel tempo i valori dei parametri distributivi (es., nel modello normale, si viene a modificare il valore della media). Quando intervengono tali modifiche significa che ci sono state variazioni sistematiche ovvero la popolazione cambiata. Obiettivo ultimo quindi, nell'utilizzo di queste ecniche statistiche quello di dotare l'impresa di t strumenti adeguati per migliorare il livello dei prodotti/servizi offerti/erogati attraverso l'eliminazione di errori, difformit che causano ripetizioni di lavoro, controlli inutili e quindi rallentamenti nei cicli di lavorazione. Garanzia di simili risultati sar quindi, necessariamente una conoscenza chiara e approfondita dei processi, l'identificazione delle caratteristiche critiche del processo attraverso l'impiego di dati statisticamente significativ in quanto tali analizzabili, che i, consentano di determinare e interpretare performance e cause che determinano "cambiamenti indesiderati" rispetto al normale funzionamento del processo in analisi. Dopo queste premesse, il presente studio fornisce una sintetica descrizione delle principali metodologie statistiche utilizzate nellambito del controllo e del miglioramento della qualit di processo. Elenchiamo quindi tutte le principali tecniche statistiche impiegabili nella metodologia SPC, utili ad analizzare nel modo pi obiettivo il comportamento del processo:

Foglio raccolta dati Diagramma di Pareto Diagramma causa-effetto 3

Controllo statistico di qualit

Istogramma di frequenza Diagramma di correlazione Analisi della stratificazione Carte di controllo Analisi della capability

Accenniamo solo ad alcuni dei possibili impieghi di questi strumenti, la cui descrizione verr svolta nei paragrafi successivi:

la previsione della possibilit di raggiungere le tolleranze di progetto; la pianificazione di verifiche dei controlli di processo l'analisi di possibili interdipendenze tra i processi gli interventi correttivi durante la lavorazione la valutazione di nuove attrezzature l'elaborazione di specifiche

Molti altri evidentemente ve ne sono associabili alle differenti tecniche, che giustificano quindi l'impiego e la scelta di uno strumento piuttosto che dell'altro.

Controllo statistico di qualit

2. Fogli di raccolta dei dati


I fogli di raccolta dati sono semplicemente dei moduli organizzati in modo tale da rendere facile e rapida la raccolta dei dati, in funzione della loro successiva elaborazione. Risulta pertanto chiaro che tali schede debbano essere progettate in modo tale da favorire la raccolta dei dati e facilitare una loro interpretazione. Questo strumento di analisi molto utilizzato in fase di localizzazione ed analisi delle cause di dispersione dei processi produttivi e per lindividuazione di eventuali unit difettose. Il foglio di raccolta dati il supporto indispensabile sul quale riportare i dati di cui abbiamo bisogno; esso va costruito in funzione di obbiettivi e finalit che possono essere molto diversi da una situazione rispetto ad unaltra. Ad esempio: tipologia e numero di difetti; unit prodotte fuori specifica; rispetto di una sequenza di operazioni; valutazione complessiva di un problema; valutazione in dettaglio di un problema; grado di influenza sul problema di aspetti quali il turno, i materiali, le macchine; Per ognuno di questi casi andrebbe sviluppato un foglio raccolta dati specifico che per causerebbe difficolt alla persona incaricata di impostare la raccolta dati. Per rendere agevole questa operazione sono stati definiti alcuni fogli standard ai quali far riferimento. Questi fogli vengono di volta in volta adattati alle specifiche esigenze di raccolta dati. I principali fogli standard sono i seguenti: foglio di raccolta per dati numerabili; foglio di raccolta per dati misurabili; foglio di raccolta dati per posizione o concentrazione; foglio di sintesi; foglio impostato come lista di controllo; Ogni tipo di foglio di raccolta dati ha una parte comune che riguarda le informazioni che inquadrano la raccolta stessa, come ad esempio la data, la macchina o la procedura oggetto della raccolta e cos via. Poich i dati raccolti servono come base per prendere decisioni, per non vanificare la fase successiva di elaborazione, importante completare il foglio raccolta dati con le informazioni che inquadrano la raccolta stessa.

Controllo statistico di qualit


FOGLIO DI RACCOLTA PER DATI NUMERABILI

La progettazione del foglio vincolata a due decisioni:


come raccogliere i dati, per quanto tempo raccoglierli.

I dati possono essere raccolti per tipo di difetto, per macchina, per operatore, per turno, in funzione delle cause che si sospettano essere pi probabili. Il tempo di raccolta dipende invece dalla quantit di dati che si possono raccogliere in ununit di tempo e quindi dal ritmo del processo produttivo. Si pu fare lesempio di unazienda automobilistica per rilevare la difettosit nei fari al termine della catena di montaggio. Si decide di raccogliere i dati per tipo di difetto e, supponendo che un campione per essere rappresentativo debba essere di 5000, se la produzione di 500 auto al giorno si adotta un periodo di osservazione di 10 giorni. Si deve quindi dividere il foglio in 11 colonne, una per ogni giorno pi i totali. Dopo aver identificato i tipi di difetto che si riscontrano maggiormente si divide il foglio in tante righe quanti sono i difetti pi una per i difetti non compresi nelle categorie individuate e uno per i totali. Loperatore, ogni qualvolta presente un difetto, segna un trattino sul foglio. Tipi di difetti individuati:

lampada fulminata lampada baionetta faro storto lampada sporca male faro

avvitata

difettosa

Tabella 1.1
FOGLIO DI RACCOLTA PER DATI MISURABILI

Un altro tipo di foglio di raccolta quello per dati misurabili; i dati vengono qui rappresentati sotto forma di una distribuzione delle frequenze. Ci richiede la definizione delle dimensioni delle classi nelle quali distribuire i dati raccolti. In questo modo si ottiene una rappresentazione grafica che consente di capire in maniera sintetica come si distribuiscono i prodotti esaminati in relazione alle dimensioni e di valutare il numero di prodotti che non soddisfano le caratteristiche richieste. 6

Controllo statistico di qualit

Un esempio pu essere dato dalla misurazione di una dimensione di un certo particolare meccanico:

Tabella 1.2
FOGLIO DI RACCOLTA DATI PER POSIZIONE DEL DIFETTO

Per evidenziare difetti che risultano visibili ad un esame esteriore si usano fogli per posizione del difetto. Nel foglio si rappresenta il prodotto che oggetto di indagine in modo che sia possibile identificare il tipo di difetto nella loro effettiva posizione e quindi evidenziare eventuali fenomeni di concentrazione per poi risalire alle cause.
FOGLIO DI SINTESI

Supponiamo di aver seguito un fenomeno complesso e di aver registrato i dati su diversi fogli di raccolta. Pu essere utile per la piena comprensione del fenomeno sintetizzare successivamente i dati raccolti in un unico foglio opportunamente costruito rispettando gli stessi criteri di classificazione impiegati nella raccolta. Un esempio pu essere un foglio di sintesi della difettosit in cui i dati sono divisi per tipo di difetto, macchina, giorno della settimana, turno (tabella 1.3):

Tabella 1.3

Controllo statistico di qualit

Una volta terminata la registrazione un foglio di questo tipo pu fornire numerose indicazioni: ad esempio se le macchine o gli operatori dei vari turni hanno lo stesso comportamento in termini di difettosit, se nel tempo si assiste o meno ad una concentrazione della difettosit.
FOGLIO IMPOSTATO COME LISTA DI CONTROLLO

La lista di controllo un tipo di rappresentazione molto semplice che viene usata come promemoria per controllare determinate caratteristiche o per verificare lavvenuta esecuzione di operazioni. Nella tabella 1.4 riportata un lista di controllo relativa a un pannello elettrico.

Tabella 1.4

Controllo statistico di qualit

3. Istogrammi
Nellambito del controllo di processo di capitale importanza interpretare i dati di output del processo produttivo analizzato, per fotografarne la dispersione (cio lintervallo tra il massimo ed il minimo dei valori) e capire la variabilit del fenomeno. Una volta che sono stati raccolti i dati (un esempio di dati potrebbero essere le misure dello spessore delle lamine prodotte) allora necessario uno strumento per interpretarli correttamente. Listog ramma, appunto, uno strumento grafico che consente di avere una visione completa e sintetica dei dati raccolti fornendo anche un indirizzo allanalisi delle cause. Pu essere allora utile monitorare, attraverso un istogramma, la dispersione delle variabili pi importanti e critiche del processo produttivo in modo da definire ipotesi e contromisure per la risoluzione del problema. L'istogramma, che non altro che un diagramma a colonne, presenta in ordinata il numero di osservazioni in ciascuna classe e in ascissa le classi (il centro di ogni colonna coincide con il valore centrale della classe). Dove per classe si intende la dimensione di un intervallo di variabilit dei dati che si preso come base per la rappresentazione dei dati stessi.

Figura 2.1

Alla base della costruzione di un istogramma sta la valutazione dellescursione dei dati, per differenza tra il valore massimo ed il valore minimo, e la successiva suddivisione di questa per il numero di classi, per ottenere lintervallo d i classe. La scelta del numero di classi non segue generalmente un criterio prestabilito ma spesso sta nellesperienza del progettista il segreto per una corretta decisione; comunque, in alcuni casi, pu essere utile adottare dei criteri che fanno uso di alcune formule empiriche (con K si indica il numero di classi e con N il numero dei dati in esame): K=3,3 log N + 1 K = N1/2 Ottenuto lintervallo di classe ( h ) a partire dalla classe pi bassa, con intervallo dato da X L (il valore minimo tra le misurazioni disponibili) e XL + h, le classi superiori saranno date per successiva somma dell'intervallo di classe. corrispondenza di ciascun intervallo verranno In 9

Controllo statistico di qualit

conteggiati il numero di valori, tra i dati raccolti, rientranti nell'intervallo di classe e riprtati come o barra verticale sull'asse delle ordinate. Considerare listogramma come uno strumento solo di rappresentazione e non di analisi fortemente sbagliato. Dopo avere costruito listogramma occorre infatti trarne informazioni utili; spesso possiamo rilevare lesistenza di problemi nel processo in esame a seconda dellaspetto della distribuzione. Importanti indicazioni sul comportamento del processo produttivo sono ottenibili con lanalisi di alcuni aspetti dellistogramma in esame:
FORMA DEL GRAFICO

: pu essere utile verificare se la distribuzione dei dati segue un andamento a

campana o al contrario siano presenti due o pi picchi di frequenza (distribuzione bimodale o multimodale) dovuti generalmente alla sovrapposizione di dati di origine diversa (due macchine, due operatori). Listogramma pu rilevare una asimmetria ( skewness) nella distribuzione dei dati, sintomatica di qualche errore nella raccolta dati o nella misurazione o nella sovrapposizione di dati non omogenei; il processo pu essere sbilanciato in senso positivo (pi valori a sinistra) o negativo (pi valori a destra). Vadere figura 2.2

Figura 2.2
POSIZIONE O TENDENZA CENTRALE

: listogramma evidenzia, anche,se la distribuzione de i dati

provenienti dalloutput di processo centrata sullobbiettivo (valore nominale) fornendo indicazioni sullaccuratezza del processo. Infatti dalla sovrapposizione dellistogramma con la retta del valore obbiettivo si pu verificare il posizionamento del valore centrale dei dati rispetto al target assegnato (figura 2.3).

10

Controllo statistico di qualit

PROCESSO CENTRATO

PROCESSO POSIZIONATO TROPPO IN BASSO

PROCESSO POSIZIONATO TROPPO IN ALTO

Figura 2.3
DISPERSIONE

: un istogramma consente inoltre di valutare la precisione del processo produttivo

tramite lanalisi di dispersione della distribuzione dei dati, anch e in relazione ai limiti di tolleranza. Si possono osservare diagrammi a campana fortemente appiattiti, che indicano una forte dispersione dei valori, e altri fortemente concentrati in corrispondenza del valore centrale. Importanti valutazioni si ottengono confrontando listogramma dei dati con i limiti di tolleranza imposti in fase di progetto ( figura 2.4).

Il processo entro i limiti di tolleranza

Il processo non ha margini va ridotta la variabilit

Processo spostato in basso. Il processo deve essere centrato sui limiti


Figura 2.4

Processo troppo variabile, va ridotta la variabilit

11

Controllo statistico di qualit

ESEMPIO

Una azienda farmaceutica decide di effettuare un controllo sul processo di iniezione di un farmaco, per le cure tumorali, allinterno di appositi flaconi. Lazienda assume come tollerabili un quantitativo minimo di medicinale nei flaconi pari a 82 ml e uno massimo di 118 ml e in fase di progetto stabilisce un quantitativo obbiettivo di 95 ml . Gli operatori addetti a tale compito hanno a disposizione le misure del contenuto dei flaconi del prodotto medicinale riportate nella tabella 2.1:

LUN MAR MER GIO VEN SAB LUN MAR MER GIO VEN SAB 8.00 94 97 118 97 96 103 100 92 99 115 104 92 94 106 109 93 94 108 92 99 92 80 85 95 92 85 99 95 105 97 108 98 111 91 94 93 100 98 111 109 99 101 109 99 99 101 100 111 95 95 106 104 95 84 94 85 109 96 103 91 88 95 103 97 115 93 105 89 113 91 113 110 97 88 96 83 93 97 102 91 109 9.00 108 10.00 105 11.00 12.00 85 93 92 100 101 102 93 95 90 108 86 84 84 93 96 110 108

99 101 98 110 89 103 96 110 89 110 86 109

13.00 111 14.00 109 15.00 102 16.00 17.00 99 93

87 114 100

Tabella 2.1

Per unimmediata valutazione sul processo si decide di costruire un istogramma dei dati di output. Dalla tabella dei dati sono stati ricavati il valore massimo (M) e quello minimo (m). In questo caso M=118 e m=80. Quindi calcolata lescursione (R) come differenza tra il valore massimo e quello minimo: R=M-m=38. Il numero delle classi, indicato con K, si sceglie in funzione del numero dei dati e viene usato il criterio della radice quadrata: K2=N. Nel qual caso, poich N=120 si ottiene K=10.95 e per approssimazione si ottiene K=10. Lampiezza di ogni singola classe (h) ottenuta dividendo lescursione di R per il numero delle classi K. Nel nostro caso si ottiene 3,8 arrotondato a 4 per comodit. A questo punto si definiscono i limiti delle classi iniziando dal valore minimo, che viene assunto come limite inferiore della prima classe. Il limite superiore sar dato da quello inferiore pi lampiezza di classe. I limiti delle classi successive si individuano sommando di volta in volta lampiezza di classe.

12

Controllo statistico di qualit

La tabella delle frequenze ed il relativo istogramma che si ottengono sono:


CLASSI 80/84 84/88 88/92 92/96 96/100 100/104 104/108 108/112 112/116 116/120 FREQUENZE 2 10 11 25 21 12 10 15 2 1

Figura 2.5

Dallistogramma di figura 2.5 si pu subito notare come i dati seguano approssimativamente una distribuzione normale, con una piuttosto accentuata variabilit dei dati. Rispetto al target aziendale il processo abbastanza centrato, mentre in termini dei limiti di tolleranza il processo sembra non avere margini per cui potrebbe essere necessaria una azione correttiva sulla variabilit del processo.

13

Controllo statistico di qualit

4. Diagramma di Pareto
Lanalisi di Pareto una potente tecnica di supporto allazione del problem solving frequentemente utilizzata nellambito del controllo statistico di processo. Questa una metodologia grafica che consente di individuare su basi oggettive, pi che su sensazioni dovute all'urgenza del momento, le priorit di intervento nella soluzione dei problemi evidenziando, tra una serie di cause, quelle che incidono maggiormente sul fenomeno in esame. L'obiettivo sviluppare una mentalit atta a comprendere quali siano le poche cose pi importanti, per concentrarsi solamente su esse. Il principio alla base di tale analisi stabilisce che tra tutte le possibili cause, poche di esse sono responsabili della maggior parte dei problemi riscontrati. Se registriamo i problemi che si verificano a seconda della tipologia o della causa che li ha provocati, possiamo presto scoprire che la maggior parte di essi (ed il conseguente costo) attribuibile solamente ad una o poche cause tra le molte individuate. Il diagramma di Pareto e' una semplice rappresentazione grafica del sopraesposto principio, solitamente rappresentato come diagramma a barre,nel quale in ascissa sono riportati i tipi di difetti ed in ordinata la loro incidenza percentuale.

Figura 3.1: Diagramma di pareto

Dal grafico 1 si nota come la particolare struttura del diagramma di Pareto, in cui le colonne dell istogramma sono ordinate in ordine decrescente di frequenza, consenta unindividuazione immediata degli aspetti prioritari da affrontare (su quanti e quali difetti concentrarci e quali tipologie di difetti conviene trascurare). Generalmente per una maggiore completezza e chiarezza grafica , accanto al diagramma a barre, viene tracciata la linea dei valori cumulati (la linea segnata in rosso nella figura 3.1). Un aspetto utile dellanalisi di Pareto, da tenere in considerazione se il nostro obiettivo ridurre i costi della qualit, quello relativo ai costi del difetto. Si tratta di analizzare i costi di riparazione per ogni tipo di difetto o in generale le perdite di denaro dovute ai difetti. Per fare questo 14

Controllo statistico di qualit

si parte dallanalisi di Pareto e si costruisce un nuovo grafico cartesiano con le tipologie dei difetti in ascisse e in ordinate il costo dei difetti, calcolato come il numero dei difetti moltiplicato il costo della riparazione di quel difetto. Lanalisi di questo nuovo diagramma ci permette di scopri re i reali punti di intervento e quelli di maggiore convenienza. La figura 3.3 riporta un tipico esempio di analisi dei costi in cui si pu notare, da un confronto con il grafico di figura 3.2, come il difetto pi frequente non corrisponda necessariamente con quello pi oneroso.

Figura 3.2

Figura 3.3

Un altro aspetto da tenere in considerazione dellanalisi di Pareto, che permette di confrontare due rappresentazioni dello stesso fenomeno in tempi differenti, evidenziando quindi i risultati dellazione di miglioramento effettuata. Il diagramma viene ridisegnato dopo lintroduzione di cambiamenti ed affiancato a quello originario in modo da evidenziare leffetto delle modifiche. Nel grafico di figura 3.4 stato effettuato ad esempio un confronto tra due diagrammi in istanti di tempo successivi.

Figura 3.4

Vediamo quali sono le fasi principali da seguire per la stesura del diagramma di Pareto: a)
IDENTIFICAZIONE DELLE CARATTERISTICHE D' INTERESSE DEL PROCESSO

15

Controllo statistico di qualit

vengono individuate le cause principali di errore e non conformit riscontrabili nel processo produttivo b)
DEFINIZIONE DEL PERIODO DI OSSERVAZIONE DEL FENOMENO

viene stabilito quando e per quanto tempo raccogliere le informazioni secondo il tempo necessario per avere dati sufficienti allanalisi c)
RILEVAZIONE E RACCOLTA DATI

viene determinata la frequenza di non conformit (o di errori ) prodotte, nel periodo di tempo in questione, da ogni causa individuata. Successivamente i difetti, con le corrispondenti quantit rilevate, sono registrate allinterno di un foglio di raccolta ordinate in senso decrescente di quantit di errore. d)
COSTRUZIONE DEL DIAGRAMMA A BARRE

si calcola il valore percentuale per ogni causa e si costruisce il relativo istogramma, ponendo in ascissa le diverse tipologie di difetti o cause e in ordinata la loro incidenza percentuale.
ESEMPIO

Andiamo ad analizzare il processo di produzione di uno stabilimento che produce pezzi meccanici per automobili. Supponiamo che ogni giorno dallo stabilimento escano un certo numero di prodotti difettosi. Si vuole stabilire quale tipologia di difetti, riscontrati in produzione, incide maggiormente sulla difettosit dei prodotti. Attraverso una discussione con i diversi responsabili si individuano le cause che si suppone possano influire sulla difettosit del prodotto e si stabilisce un periodo di osservazione di quattro mesi per la raccolta delle informazioni.Una volta deciso come raccogliere i dati non resta che preparare il foglio di raccolta e rilevare le informazioni utili alla nostra analisi. Il foglio compilato risulta la base per la costruzione del diagramma di Pareto.
DIFETTI Guarnizione rotta Pezzi mancanti Pezzi sbagliati Montaggio errato Superficie rugosa Rivestimento graffiato Componente A difettoso Componente B difettoso Componente C difettoso Totale \ \\\\\\\\\\\\\ \\\\\\\\\\\\\\\\\\\\\\\\ \\\\\\\\\\\\\\\\\\\\ \\\\\\\\\\ \\\\\\\\\\\\\\\ \\ \\\\ \\\\\ 92 91 84 81 GEN \ \\\\\\\ \\\\\\\\\\\\\\\\\\ \\\\\\\\\\ \\\\\\ \\\\\\\\\\\\\\\\\\\\\\\\\ \ \ \ \\\\\\\\\\\\\\\\\\ \\\\\\\\\\\\\\\\ FEB \ \\ \\\\\\\\\\\\\\\\\\\ \\\\ \\\\\\\\\\\\\\\\\\\\\\\\\ MAR \\ APR TOT 5 22 147 34 16 112 3 6 5 350

Tabella 3.1

16

Controllo statistico di qualit

Riordiniamo i dati in una nuova tabella per ordine di importanza e raggruppiamo i tipi di difetto che appaiono un numero di volte trascurabile sotto la voce varie, quindi valutiamo il valore percentuale di ogni tipo di difetto.
DIFETTI Pezzi sbagliati Rivestimento graffiato Montaggio errato Pezzi mancanti Superficie rugosa Altre cause Totale N 147 112 34 22 16 19 350 % 42,0 32,0 9,7 6,3 4,6 5,4 100

Tabella 3.2

Sulla base dei dati ottenuti possiamo compilare il relativo diagramma di Pareto :

Figura 3.5

Nel nostro caso il primo difetto rappresenta il 42% della difettosit ed assieme al secondo difetto ricopre ben il 74% della difettosit globale; evidente come una azione correttiva sul processo debba rivolgersi, in maniera prioritaria, verso le prime due tipologie di difetti.

17

Controllo statistico di qualit

5. Diagramma causa-effetto
Messi a punto in Giappone da Kauru Ishikawa nel 1943, i diagrammi di causa effetto (detti per questo anche diagrammi di Ishikawa) sono tra gli strumenti pi usati per la soluzione dei problemi di qualit. Il diagramma causa-effetto un diagramma che mostra le relazioni tra una caratteristica e i suoi fattori o cause. Esso dunque la rappresentazione grafica di tutte le possibili cause relative ad un fenomeno. Pu essere inteso sia come mezzo per la rappresentazione sintetica delle cause di un problema, sia come strumento per l'individuazione delle cause stesse e quindi delle soluzioni del problema. Solitamente il diagramma prende una forma a lisca di pesce, da cui il nome alternativo di diagramma a lisca di pesce (vedi figura). Il problema di cui si vuole studiare la soluzione viene infatti disposto al termine di una linea, ai lati della quale si innestano altre linee che rappresentano le diramazioni principali, ovvero le cause primarie del problema; su queste si innestano a loro volta le cause secondarie, alle quali possono essere congiunte altre sottocause, e cos via. In questo modo sono rappresentate, in modo ordinato, tutte le possibili cause che potrebbero determinare un problema, fornendo unottima base di partenza p er lindagine delle vere cause che influenzano leffetto in esame

CAUSA 1

CAUSA 2

EFFETTO

CAUSA 3

CAUSA 4

CAUSE

EFFETTI

Figura 4.1 Lanalisi causa -effetto nel suo significato pi completo il processo che porta alla definizione precisa delleffetto che vogliam o studiare e, attraverso la fotografia della situazione ottenuta con la costruzione del diagramma, permette di fare una analisi delle vere cause che influenzano leffetto in esame. Possiamo individuare perci 3 momenti che costituiscono questa fase di analisi: 18

Controllo statistico di qualit

IDENTIFICAZIONE DELL EFFETTO CHE SI VUOLE STUDIARE

Lidentificazione delleffetto alla base di unefficace analisi, in quanto meglio sar definito leffetto in esame, tanto pi lanalisi sar mirata ed efficace.
COSTRUZIONE DEL DIAGRAMMA CAUSA EFFETTO

Per la costruzione del diagramma causa-effetto necessario individuare tutte le possibili cause delleffetto studiato; la ricerca delle cause pu seguire tre diversi metodi :

metodo della classificazione delle cause : si individuano prima di tutto le categorie principali di cause che serviranno per sviluppare in modo ordinato lanalisi di dettaglio (un criterio di suddivisione pu essere quello di individuare le seguenti categorie: macchine, manodopera, metodi, materiali) e successivamente si procede alla associazione delle cause specifiche (magari la ricerca pu essere fatta in gruppo con un procedimento di tipo brainstorming). Le cause suggerite vengono riportate sul diagramma come rametti dei quattro rami principali (le categorie principali). Le cause riportate possono poi successivamente venire ramificate a loro volta trattandole come effetti per trovarne le cause. Questo procedimento si porta avanti finch il livello di dettaglio non si ritiene sufficiente allanalisi.

metodo per elencazione delle cause : con questo metodo si parte da una semplice elencazione delle cause; lelenco deve essere il pi ampio e completo possibile e viene compilato attraverso unazione di brainstorming. In una seconda fase le cause devono essere strutturate evidenziando le relazione reciproche sotto forma di diagramma. La difficolt nella costruzione logica delle relazioni reciproche tra le cause quindi nella loro organizzazione nel diagramma causa-effetto.

metodo per fasi di processo : questo metodo particolarmente utile quando il fenomeno che vogliamo esaminare avviene attraverso fasi ben definite e separate, per esempio un processo produttivo composto dalle lavorazioni A,B,C (figura 4.2).

Figura 4.2

19

Controllo statistico di qualit

Un esempio pu essere dato dallo studio di un processo costituito da sgrassatura e cromatura.

Figura 4.3 Come si pu vedere il vantaggio del metodo per fasi di processo quello di potere esaminare singolarmente ogni fase di lavoro.
ANALISI DEL DIAGRAMMA COSTRUITO

Come detto la costruzione del diagramma d origine a uno schema molto ricco; scopo dellanalisi sar quindi esaminare criticamente le cause per individuare quelle pi importanti e probabili e verificare quelle che effettivamente influenzano il problema. Lindividuazione delle cause pi probabili avviene attraverso unanalisi critica, se non si possiedono dati si procede attraverso una discussione. Successivamente si procede alla definizione delle cause pi importanti valutando il peso che ognuna pu avere nei confronti delleffetto ( lesito dovrebbe essere un elenco ordinato per importanza delle cause probabili). Se le cause sono state individuate e ordinate in modo appropriato si riesce presto a determinare la vera causa che influenza il fenomeno in oggetto; ci si pu cos concentrare su come rimuoverla definitivamente. Il diagramma di causa-effetto indubbiamente un valido strumento di presentazione dei dati. Come metodo per la ricerca delle soluzioni di un problema, invece, non sempre risulta efficace. Il rischio pu in effetti essere costituito dalla eccessiva formalizzazione del processo che porta ad analizzare cause ritenute gi in partenza ininfluenti. Altro limite nel fatto che esaminando una causa alla volta, si possono facilmente perdere le interazioni tra le diverse cause.

20

Controllo statistico di qualit


ESEMPIO

In un industria manifatturiera vengono valutate le cause che producono delle cattive saldature durante il processo di produzione. I responsabili del controllo di processo decidono di costruire un diagramma causa effetto coinvolgendo tutti gli operatori interessati, in modo da rappresentare in modo ordinato tutte le possibili cause che potrebbero determinare le cattive saldature. Per lindividuazione delle cause viene adottato il metodo della loro classificazione in categorie gen erali (macchine,manodopera,metodi,materiali). Il diagramma che risulta dalla discussione tra i diversi responsabili sar di questo tipo (figura 4.4):

Figura 4.4

Individuate le cause pi probabili ed importanti, vengono poste a verifica per poter cos individuare quella che influisce in maniera decisiva sulleffetto in esame.

21

Controllo statistico di qualit

6. Analisi per stratificazione


Lanalisi per stratificazione consiste nella suddivisione dei dati raccolti in una serie di sottogruppi omogenei, che permettano una migliore comprensione del fenomeno che si sta analizzando. Attraverso lanalisi per stratificazione possibile far emergere tutta una serie di informazioni, gi contenute nei dati raccolti, ma che non sarebbero cos evidenti senza lapplicazion e di questo tipo di analisi. L'obiettivo della stratificazione quello di far parlare i dati, cio di individuare il fattore o i fattori pi significativi relativamente ai dati che rappresentano un certo fenomeno. La stratificazione un'operazione indis pensabile per un ottimale sviluppo risolutivo di un problema. Infatti, se i dati sono mescolati tra di loro, facile confonderli o non riuscire ad interpretarli, dunque basare le considerazioni successive su informazioni vaghe o addirittura errate. Per stratificare dunque necessario prima di tutto definire la caratteristica da analizzare; bisogna rappresentare poi i dati relativi al fenomeno in modo complessivo. Una volta individuati i fattori di stratificazione pi adeguati si classificano i dati in gruppi omogenei secondo i fattori prescelti per poi rappresentarli graficamente e confrontare i gruppi cos ottenuti. Se si rivelano differenze tra i vari gruppi, la stratificazione ha avuto successo. E bene poi tenere presente che la comprensione di un fe nomeno diventa pi completa con laumentare del numero dei fattori di classificazione, necessario quindi stratificare secondo tutti quei fattori che si ritiene possano essere utili alla definizione del fenomeno. Per individuare i fattori ci si pu domandare: Come incidesul fenomeno? La parola mancante il pi delle volte un fattore di stratificazione. Consideriamo ad esempio che in un certo reparto si stia studiando un difetto di produzione e si siano raccolti dei dati rappresentati con un istogramma generale dei difetti (figura 6.1).

Figura 6.1 Stratificando questi dati si possono ottenere delle informazioni utili; ad esempio, se questo reparto lavora a due turni, pu essere utile stratificare i dati stessi nei due turni ed osservare se vi sono delle differenze. 22

Controllo statistico di qualit

Nel caso in esame, come evidenziato negli altri due istogrammi riportati di seguito, osserviamo che la dispersione nel primo turno minore rispetto a quella del secondo. Istogramma dei difetti nel primo turno Istogramma dei difetti nel secondo turno

Figura 6.4

Figura 6.3

Questa osservazione ci da una chiave di lettura della situazione; ci dice infatti che il secondo turno ha una situazione meno positiva. Questa prima informazione ci fornisce la base per un'ulteriore analisi pi approfondita orientata al secondo turno. In modo analogo a quanto visto per listogramma, la stratificazione consente di ottenere degli utili risultati anche se applicata ai restanti strumenti della qualit, in particolare al diagramma di Pareto e a quello di correlazione. Le suddivisioni logiche in cui vengono raggruppati i dati sono dette fattori di stratificazione. Esempi tipici di fattori di stratificazioni sono:

tempo (turno, giorno, settimana) operatori (anzianit, esperienza, sesso) macchine e/o attrezzature (modello, tipo, et, tecnologia, utensile) materiale (fornitore, composizione, consegna) metodo di controllo di misura (tipo di strumento di controllo, addetto alle analisi)

23

Controllo statistico di qualit

7. Carte di controllo
Al fine di ottenere livelli di qualit accettabili pu essere determinante intraprendere una azione di monitoraggio della variabilit (la fluttuazione dei valori misurati attorno alla media) del processo produttivo; una eccessiva variabilit comporterebbe infatti una non rispondenza del prodotto alle sue caratteristiche funzionali. In ogni processo produttivo presente una variabilit intrinseca che non dipende da cause esterne detta variabilit naturale, originata da una serie di fluttuazioni interne al processo, risultato di numerose piccole cause che operano casualmente (dette cause comuni o casuali). Tali cause risiedono nel sistema di produzione e non possono essere attribuite ad esempio a macchine, dipendenti o fornitori particolari; in questo caso la causa ultima risiede e va ricercata nel sistema di produzione, che deve essere modificato, e non in un aspetto specifico del processo. Un processo produttivo la cui fonte di variabilit imputabile esclusivamente a questo tipo di cause un processo prevedibile, che pu essere descritto mediante leggi statistiche. Si parla in questo caso di processo sotto controllo statistico. Sulla variabilit del processo possono per intervenire fattori esterni che ne alterano la variabilit naturale e generano una variabilit non prevedibile che disturba il funzionamento del processo. Tali fattori, denominati cause speciali di variazione, determinano la quota eccezionale di variabilit del processo e rappresentano grosse fluttuazioni nei dati, che non sono imputabili al processo oggetto di analisi. Queste fluttuazioni sono il risultato di cambiamenti nel processo, che possono indicare il verificarsi di problemi oppure, al contrario, linsorgere di novit interessanti da esplorare. Esempi di fattori di variabilit speciali possono essere: scarsa esperienza e professionalit del personale, utilizzo di metodologie produttive non appropriate, sistemi di produzione non adeguati. Un processo la cui variabilit risente oltre che di cause comuni anche di cause speciali di variazione ha un andamento imprevedibile, per cui si parler di processo fuori controllo statistico. Saper distinguere fra le due cause di variabilit essenziale, in quanto mentre le cause speciali di variazione possono essere corrette (se necessario) senza modificare il processo, le cause ordinarie di variazione, essendo fluttuazioni intrinseche al processo produttivo, possono essere ridotte solo cambiando il processo medesimo. La carta di controllo, supportando lanalista nel riconoscimento della causa di variazione, consente di individuare un processo fuori controllo consentendo di evitare due errori tipici. Il primo consiste nellinterpretare una causa comune di variazione come una causa straordinaria; in questo caso si potrebbe esercitare unazione correttiva eccessiva che pu a sua volta aumentare la variabilit del processo. Il secondo lerrore speculare, e si commette quando una variazione straordinaria viene trattata come una variazione comune. In questo caso, si rischia di non intervenire prontamente e adeguatamente per correggere il sistema. 24

Controllo statistico di qualit

Le carte di controllo rappresentano uno dei metodi pi utilizzati per il controllo statistico di produzione. Messe a punto negli anni '30 da Walter Shewthard, il loro utilizzo si rapida mente diffuso negli Stati Uniti e poi in Giappone gi prima della seconda guerra mondiale. Negli anni successivi alla guerra la loro utilit stata messa in discussione per il fatto di non fornire alcuno strumento per la risoluzione dei problemi. Tuttavia ancora oggi le carte di controllo sono lo strumento principe nel controllo statistico di processo. Le carte di controllo sono essenzialmente rappresentazioni grafiche di un processo nel tempo che, basandosi su teorie statistiche, rimangono di facile interpretazione e utilizzo anche per utenti meno esperti. In letteratura esistono diversi tipi di carte di controllo, la cui forma generale riportata in figura.

Figura 7.1 Le tre linee orizzontali continue chiamate linea centrale (CL), limite superiore di controllo (UCL) e limite inferiore di controllo (LCL) definiscono la tendenza centrale e un range di variazione naturale per i valori riportati sul grafico. I limiti inferiori e superiori sono calcolati in base a una distribuzione di frequenza teorica che cambia in funzione del tipo di dati che vengono analizzati (gaussiana, Poisson, binomiale, ). Tipicamente una carta di controllo stabilisce dei limiti che si collocano a 3 scarti quadratici medi dalla misura statistica di interesse (media, proporzione, range, ecc.). Quindi in generale per costruire una carta possiamo seguire la seguente semplice regola (indicando con W una statistica campionaria generica) : CL = E[W] UCL = E[W] + 3 (Var[W] ) 1/2 LCL = E[W] 3 (Var[W]) 1/2

25

Controllo statistico di qualit

Data una distribuzione di frequenza teorica di riferimento, ad esempio la gaussiana, linterpretazione dei valori esterni alle linee di controllo inferiore e superiore simile a quella di un generico test statistico di ipotesi, indicando come statisticamente significativi i valori che sono fuori controllo, testimonianza questa di un processo non omogeneo o comunque di un processo che produce un output sensibilmente diverso da quello di riferimento. Dunque, indipendentemente dal tipo di carta di controllo utilizzata, la lettura pu considerarsi sempre la stessa. Una volta definiti i limiti di controllo, plottando i dati allinterno del grafico, la carta ci consente di individuare eventuali andamenti sistematici (pattern) dei valori che rappresentano il processo nel tempo e di stabilire se ciascun punto cade allinterno o allesterno dei limiti imposti. In questo modo si individua immediatamente un processo fuori controllo. Nella pratica raramente vengono considerate singole osservazioni, il pi delle volte i valori riportati nelle carte di controllo rappresentano a loro volta il risultato di una stima campionaria (pertanto il singolo valore riportato nella carta di controllo non rappresenta una singola misura, ma, ad esempio, la media di una serie di misure eseguite campionando vari elementi dallo stesso lotto). I vari campioni utilizzati (che possono essere pi o meno grandi in funzione della produzione presa in esame) vengono chiamati sottogruppi e si presume che al loro interno presentino la sola variabilit casuale, mentre le cause speciali di variazione (se presenti) possono determinare solamente la variabilit fra diversi sottogruppi. Il grafico 7.2 mostra un tipico esempio di carta di controllo in cui al diciannovesimo periodo si ha un fuori controllo (un punto fuoriesce dai limiti di controllo), questo sintomatico di un processo fuori controllo statistico sulla cui variabilit intervengono cause speciali di variazione.
ALLARM
UCL

LCL

Figura 7.2 La presenza di tutti i punti della carta allinterno dei limiti di contr ollo solo una condizione necessaria ma non sufficiente per poter dire che un processo in controllo. Si possono individuare sequenze temporali particolari che evidenziano che qualcosa di anomalo sta intervenendo nel processo. 26

Controllo statistico di qualit

UCL

LCL

Figura 7.3 Nella carta riportata in figura 7.3 la maggioranza dei punti collocata al di sotto del limite centrale, questo induce a pensare ad una anomalia nel processo, dovuta ad esempio ad un operatore inesperto o ad un difetto di macchina. Situazioni analoghe possono presentarsi anche nel caso in cui si evidenzia un andamento ciclico dei dati dovuto sicuramente a delle cause ricorrenti (un ambiente climaticamente non controllato durante le stagioni estreme pu essere un esempio di causa) o nel caso in cui i punti del tracciato tendano a cadere vicino ai due limiti di controllo con assenza di punti nel centro (si parla di mistura), creando un effetto come quello mostrato in figura 7.5 (questo evidenzia la presenza di due popolazioni distinte che possono essere, ad esempio, il risultato di due operatori che settano la macchina in modo diverso allinizio dei turni).
UCL

LCL

Figura 7.4

Figura 7.5

Un caso ancora pi evidente si verifica quando il tracciato dei valori segue un trend di crescita (o di decrescita) indicando una anomalia di processo dovuta ad esempio allusura dellutensile (si parla di tendenza) , ad una diminuzione dellabilit delloperatore o ad un peggioram ento dellomogeneit del materiale.

27

Controllo statistico di qualit

UCL

LCL

Figura 7.6 Lindividuazione di eventuali anomalie nel tracciato di dati di una carta di controllo non comunque compito semplice e necessita di esperienza e di una buona conoscenza del processo in esame. Esistono per delle semplici regole pratiche a supporto del lavoro dellanalista, come il test delle zone. Questo test costruito in base al presupposto che la probabilit che una serie successiva di punti cada, per effetto del caso, in una data zona della carta di controllo sia piccola: ci consente di concludere che siamo in presenza di una causa speciale e non di una causa comune di variazione. Allora un processo fuori controllo nei seguenti casi: 1) Uno o pi punti cadono fuori dei limiti di controllo 2) Nel caso in cui la carta di controllo sia divisa in zone, quando: a) 2 punti, tra 3 consecutivi, sono nella zona A, dalla stessa parte rispetto al valor medio b) 4 punti, tra 5 consecutivi, sono dalla stessa parte rispetto al valor medio e in zona B c) Nove punti consecutivi sono dalla stessa parte rispetto al valor medio d) Ci sono 6 punti consecutivi crescenti o decrescenti

+3 +2 + - -2 -3

Lim ite d i C o ntro llo S up erio re

Zo na A Zo na B

M ed ia

Zo na C Zo na C Zo na B

Lim ite d i C o ntro llo Inferio re

Zo na A

e) Ci sono 14 punti consecutivi che si alternano su e gi f) Ci sono 15 punti consecutivi in zona C (sopra e sotto il valor medio) Una volta riconosciuto il fuori controllo del processo, compito dellanalista di identificare le cause straordinarie di variazione. Se questi fattori determinano un peggioramento del prodotto, lesperto deve pianificare strategie volte a eliminarl i; se al contrario i fattori straordinari di variazione occorsi hanno portato a un miglioramento della qualit, il processo deve essere modificato in modo da incorporarli al suo interno. In questo modo, la causa straordinaria di variazione del vecchio processo diventa nel processo modificato una causa comune di variazione. I limiti di controllo andranno modificati ( necessario ricalcolare tutti gli simatori) quando sono state 28

Controllo statistico di qualit

trovate e rimosse le cause di fuori controllo, fino a quando il processo non viene cambiato. In questo caso, nel nuovo calcolo vanno tenuti in considerazione solo i dati del nuovo processo. Le carte di controllo comunemente utilizzate prendono il nome da Shewhart, il quale per primo utilizz i dati a sua disposizione formulando diversi modelli grafici che si differenziano in base alle caratteristiche stesse dei dati e che sostanzialmente si dividono in due gruppi: per variabili (utilizzano delle misure quantitative), per attributi (utilizzano delle misure qualitative). Esistono in letteratura anche altri tipi di Carte di controllo; tra queste, la Carta CuSum (Cumulative Sum) si dimostra molto utile in diverse occasioni.

7.1

CARTE DI CONTROLLO PER VARIABILI Quando la rispondenza della caratteristica del prodotto, ottenuto con il processo oggetto del

controllo, espressa attraverso una misura, allora si dice cha la qualit espressa per variabili. . E questo il caso di misurazioni di grandezze quali: lunghezza, peso, ecc. che hanno, generalmente, una precisa unit di misura. Ad esempio si consideri di controllare un processo di tempra attraverso la rilevazione della misura di durezza dei pezzi in uscita. In questi casi vanno utilizzate le cosidette carte per variabili. I dati espressi per variabili hanno le seguenti propriet :

sono misurabili su una scala numerica tramite unit di lunghezza, diametro, peso, temperatura, ecc. ; sono continui. Laccuratezza della loro misura dipender perci dalla risoluzione dello strumento di misura ; se riferiti alla stessa unit di misura, possono essere confrontati numericamente, permettendo di ricavare informazioni come media e dispersione. Tipicamente, le carte di controllo per dati quantitativi vengono sviluppate in coppia: una ha lo

scopo di monitorare la variabilit del processo (carta X ) e laltra riguarda la media del processo (carta R o carta S). Perch un processo possa essere considerato sotto controllo necessario che entrambe le carte non presentino valori esterni ai limiti di controllo. La combinazione delle carte di controllo aumenta la possibilit di individuare un processo fuori controllo e, rispetto alla carta singola, fornisce una maggiore quantit di informazioni utili per eliminare le cause speciali di 29

Controllo statistico di qualit

variazione. La letteratura ha sviluppato diversi tipi di carte per dati quantitativi; fra queste si scelto di presentare le carte pi tipiche, per lo studio del range (o escursione) e della media del processo. In funzione della numerosit del campione e delle misure effettuate vengono definite le seguenti carte di controllo:

Statistica Media e escursione Media e deviazione standard Media e variazione mobile

Carta di controllo carta X e R carta X e S carta Moving Range R)

CARTA DELLESCURSIONE E CARTA DELLA MEDIA (CARTA X

Le Carte X medio e le Carte R sono le pi utilizzate nel controllo e nell'analisi delle variabili di un processo. Le misurazioni inerenti ad una specifica caratteristica del processo sono raccolte in sottogruppi di limitate dimensioni (n 10), generalmente da due a sei per ogni campione. La carta di controllo sul range del processo (dove per range si intende Ri = max(xj) - min(xj) per j=1,,n relativo al sottogruppo i-esimo di numerosit n) permette di effettuare unanalisi preliminare delle cause di variabilit: la presenza di valori esterni ai limiti di controllo in questa carta segnala lesistenza di fonti straordinarie di variabilit, le quali devono essere identificate ed eliminate prima di continuare nellanalisi. Per costruire i limiti di controllo intorno al range occorre stimare il range medio ( E[R] ) e lo scarto quadratico medio del range ( R). Un fuori controllo rilevato dalla carta del range corrisponder necessariamente ad un processo fuori controllo anche per la carta della media, mentre il viceversa non necessariamente si verifica. La carta di controllo per la media del processo (Carta X ), necessaria alla valutazione del processo dal punto di vista della media, costruita sulla base di k sottogruppi (ciascuno per ogni istante temporale), ognuno composto da n unit. Per calcolare i limiti di controllo della media, necessario determinare la media delle medie relative ai sottogruppi (che indicheremo con ( ) ) per la stima della media del processo ( ) ed effettuare la stima della deviazione standard del processo

30

Controllo statistico di qualit

Vediamo per pi in dettaglio come si costruiscono le carte di controllo della media e dellescursione per un processo produttivo; in pratica vediamo quali sono le formule che ci consentono di calcolare i limiti di controllo nei due diversi casi. Si supponga che una determinata caratteristica delloutput del processo produttivo a bbia media e deviazione standard note entrambe. Come noto la media di un campione di dimensione n, x = xi
n

, uno stimatore della media della popolazione ed distribuita


n.

normalmente con media e deviazione standard / carta della media sono: CL = UCL = 3 / + LCL = 3 / -
n n

In questo caso i limiti di controllo per la

Laver fissato i limiti a 3 volte la deviazione standard corrisponde ad assumere un rischio di prima specie = 0,0013. Ci vuol dire che i campioni la cui variabilit rientra nella normale variabilit del processo produttivo dovrebbero restare allinterno dei limiti di tolleranza, mentre dovrebbero uscire quei campioni la cui variabilit dovuta ad una causa di deriva del processo. Il problema che nei casi reali non sono noti n la media n la varianza del processo produttivo. In tal caso, per costruire la carta della media, occorre una stima della deviazione standard (la stima di questultima, a causa della piccola numerosit del campi one, non pu essere ottenuta con la stima della d.s. dei dati) e della media del processo produttivo. A tal proposito pu essere utilizzata lescursione relativa W=R/ per la quale, media e deviazione standard sono dati da E(W) = d2, D(W) = d3 (i valori d2 e d3 dipendono solo da n e sono tabulati). In questo modo la deviazione standard del processo viene stimata come:

= R / d2

= R / d2

( come stimatore di E[R] utilizziamo R )

Mentre lo stimatore della media sar ricavato come:


X =

x
i =1

Si hanno quindi i seguenti limiti di controllo per la carta della media : 31

Controllo statistico di qualit

UCL = X + 3 R / (d2 CL = X LCL = X - 3 R / (d2

n)

= X + AR

n)

= X - AR

dove A un parametro dipendente dalla numerosit di ciascun sottogruppo ottenibile con lausilio di apposite tabelle del tipo di quella riportata in seguito. Mentre con R si indica la media degli Ri di ciascun sottogruppo. Analogo discorso va fatto per la determinazione dei limiti di controllo della carta R. La carta di controllo teorica a 3 sigma per R ha i limiti teorici E(R) 3 R. Il valore stimato della deviazione standard del range R = W
R = d3 R d2
R

sar:

= d3

mentre la stima di E(R) ottenuta, come accennato, dalla media campionaria delle escursioni :

R=

R
i =1

Per cui i limiti di controllo della carta del range saranno: UCL = R (1 + 3 d3/d2) = B R CL = R LCL = R (1 - 3 d3/d2) = C R

anche in questo caso B e C sono dei parametri, introdotti per semplicit, dipendenti dalla numerosit dei sottogruppi, riportati in apposite tabelle. La tabella 7.1 contiene i valori dei parametri A,B,C utilizzati nella costruzione delle carte R ed X

32

Controllo statistico di qualit

N eleme A nti 1 2 3 4 5 6 7 8 9

2,660 0,000 3,267 1,880 0,000 3,267 1,023 0,000 2,575 0,729 0,000 2,282 0,577 0,000 2,115 0,483 0,000 2,004 0,419 0,076 1,924 0,373 0,136 1,864 0,337 0,184 1,816

10 0,308 0,223 1,777 Tabella 7.1 ESEMPIO : costruzione carta R e carta X Si richiede di porre sotto controllo statistico un processo automatico per la produzione di imbuti cilindrici. In particolare occorre controllare il diametro interno degli imbuti. A tal fine, si decide di estrarre 25 campioni o sottogruppi di numerosit 5 ciascuno ad intervalli regolari di una settimana : k = 25 n=5

E evidente come sia necessario utilizzare una carta di controllo per variabili in quanto la rispondenza della caratteristica del prodotto espressa attraverso una misura (diametro interno degli imbuti). I dati ottenuti per ciascun campione sono mostrati nella tabella 7.2, che oltre ai dati riporta la media ( x ) e il range ( Ri ) calcolati per ciascun campione.

Tabella 7.2

33

Controllo statistico di qualit

Si calcolano i valori di X e R ottenendo rispettivamente: X = 74,0014 R = 0,2268

Poich la numerosit di ciascun sottogruppo n = 5, dalla tabella 7.1 si evince come i valori dei parametri A,B,C siano rispettivamente : A = 0,577 B = 2,115 C=0 Si procede quindi alla valutazione della variabilit del processo tramite la costruzione della carta R (riportata in figura 7.7), ottenuta plottando i dati del range nella colonna verde, i cui limiti sono: UCL = 0,0479 CL = 0,02268 LCL = 0 e al monitoraggio della media del processo con la costruzione della carta X (riportata in figura 7.8), ottenuta invece riportando sulla carta i dati delle medie in colonna gialla, i cui limiti sono: UCL = 74,014 CL = 74,001 LCL = 73,988

Figura 7.7

Figura 7.8 La carta dellescursione mostra un allarme, cio un punto fuori dai limiti di controllo, relativo al sottogruppo 14. Come era facile attendersi anche la carta della media mostra un fuori controllo in 34

Controllo statistico di qualit

corrispondenza del campione 1. A seguito dellallarme rilevato si analizza quanto accaduto nella settimana in cui stato estratto il campione 14 e si evidenzia una causa speciale di variazione che viene prontamente rimossa. Al fine di procedere alla nuova costruzione delle carte di controllo, si rianalizzano i dati avendo cura di rimuovere quelli relativi al campione 14 (k diviene pari a 24). I dati sono riportati nella nuova tabella 7.3 in base alla quale i nuovi valori di X e R sono pari a : X = 74,0019 R = 0,0215

Tabella 7.2 Alla luce dei nuovi valori di X e R i limiti di controllo della carta R sono: UCL = 0,0456 CL = 0,2154 LCL = 0

mentre i nuovi limiti della carta X della media sono: UCL = 74,014 CL = 74,0019 LCL = 73,988

Figura 7.9 35

Controllo statistico di qualit

Figura 7.10 Le nuove carte, come facile notare, non evidenziano alcun allarme per quanto concerne la variabilit del processo produttivo (la carta dellescursione non presenta punti al di fuori dei limiti) mentre la carta della media denuncia un fuori controllo sul primo sottogruppo. Al fine di avere un processo in controllo statistico anche per quanto riguarda la carta della media si analizza quanto accaduto nella settimana in cui stato estratto il campione 1 e si individua la causa speciale di variazione che viene prontamente rimossa.
CARTA DELLA DEVIAZIONE STANDARD E CARTA DELLA MEDIA

(CARTA X S)

Quando il numero n dei componenti i sottogruppi maggiore di 10 alla Carta R si preferisce generalmente la Carta S : il range R infatti, calcola la variabilit di un campione semplicemente come la differenza tra il campione di valore pi alto e quello di valore pi basso. Quando il numero dei campioni diventa alto questo tipo di stima risulta impreciso, e si deve ricorrere al calcolo della deviazione standard S. La deviazione standard un indice che tiene conto di quanto i valori che costituiscono una certa popolazione o campione differiscono dal valore medio. Anche le carte X - medio e le carte s sono usate in congiunzione. Lo scarto campionario S un indicatore molto efficiente della variabilit di un processo, specialmente per campioni di grandi dimensioni, ma meno facile da calcolare e meno sensibile alle cause speciali di variabilit che determinano l'anomalia di un unico valore in un campione il range, infatti, definito come la ; differenza tra il valore massimo e il minimo dei valori allinterno di un campione, mette bene in evidenza valori che si allontanano eccessivamente dagli altri. Se consideriamo ciascun sottogruppo, per il calcolo della deviazione standard si preferisce utilizzare una forma del tipo:
Si =
2 1 n xi x n 1 i =1

36

Controllo statistico di qualit

Esistono poi due importanti relazioni che saranno utili per il calcolo dei limiti di controllo della carta S;
E [S ] = 2 (n / 2) = c4 n 1 ((n 1)/ 2)

s = 1 c4

La prima relazione indica che il valor medio E[S] della deviazione standard S dei campioni proporzionale alla deviazione standard della popolazione tramite il parametro c4, che dipende dalla numerosit dei campioni n ed tabulato. La seconda relazione pone invece in relazione la deviazione standard Sdelle deviazioni standard dei campioni, con quella della popolazione Alla luce di queste ultime considerazioni facile ricavare i limiti di controllo delle carte X -S. Infatti i limiti della carta S a tre sigma, in via teorica hanno la forma : E[S] 3

Siano,allora, S1, S2, . . . , Sk gli scarti quadratici medi calcolati sui k campioni di ampiezza n. Come stima di E(S) utilizziamo la media campionaria delle Si
k

S=

S
i =1

e come stima di S utilizziamo (data la stima della deviazione standard del processo = S / c 4 ):

2 S = S / c4 1 c4

I limiti di controllo a tre sigma per la carta S sono allora:

UCL = S + 3 S / c 4 1 c 4 2 = B2 S CL = S LCL = S 3 S / c 4 1 c 4 2 = C2 S

37

Controllo statistico di qualit

dove B2 e C2 sono sempre valori tabellati in funzione della numerosit del sottogruppo. I limiti della carta di controllo della media, in base alla nuova stima di Sattraverso la deviazione campionaria S, diventano: UCL = X + 3 S / c 4 n = X + A2 S CL = X LCL = X 3 S / c 4 n = X - A2 S

anche A2 un parametro opportunamente tabellato in funzione di n. Le regole di costruzione e di interpretazione della carta X medio - S sono le stesse della carta X medio - R.
CARTE PER MISURE SINGOLE

A differenza delle Carte precedenti che raggruppano e valutano campioni di dati composti da diversi individui, le Carte per misure singole (spesso indicate col nome di Carte per gli Individui), sono caratterizzate dall'analisi di quantit individua di misure. Ogni sottogruppo cio composto li di un unico elemento, situazione tipica di produzioni per le quali: il processo lavora con cadenza troppo lenta la misurazione da effettuare su ununit ne comporta la distruzione la produzione avviene in lotti allinterno dei quali la variabilit praticamente nulla per cui sono inutili misure ripetute su ciascun pezzo impostata unispezione automatica Un campione unitario non fornisce nessuna stima per quindi non possiamo utilizzare le carte X , R e S. Ecco allora la necessit di introdurre un nuovo tipo di carta di controllo. Per una Carta individuale lindice di dispersone viene calcolato utilizzando l escursione mobile (moving range), definita come il valore assoluto della differenza tra due osservazioni successive MRi = xi +1 xi dove xi+1 la misura presente e xi la misura precedente. 38

Controllo statistico di qualit

Ovviamente se i campioni sono k il numero dei moving range k -1 (MR1 non esiste). Per la compilazione di questo tipo di carta si seguono considerazioni analoghe a quelle fatte per la carta R e la carta X , tenendo conto che, nella determinazione dei diversi parametri statistici, al posto della semplice escursione Ri va utilizzato il valore calcolato di MRi. Per cui lo stimatore della E[R] ricavato come:
MR =
k 1 i =1

MR
k 1

Utilizzando i valori B e C per n = 2 della carta R si ottiene la carta di controllo per le escursioni campionarie per le osservazioni singole, i cui limiti sono:

UCL = B MR = 3,267 MR CL = MR LCL = C MR = 0

Mentre i limiti per la carta di controllo per la media, osservato che lo stimatore della deviazione standard dato da =
MR d2

(con d2 che vale 1,128) , sono:

UCL = x + 3 MR / d 2 = x + 2,66 MR CL = x LCL = x - 3 MR / d 2 = x - 2,66 MR Poich gli k-1 moving range sono correlati tra loro, si dovr fare particolare attenzione ai calcoli e allinterpretazione della carta ed inoltre lutilizzo di una carta Moving Range deve essere sempre accompagnato da uno studio della distribuzione di probabilit dei campioni, per valutare che sia di tipo gaussiano. Non calcolando medie, infatti, il Teorema del Limite Centrale non applicabile, a differenza delle carte precedenti.

39

Controllo statistico di qualit

ESEMPIO : costruzione carte di controllo per misure singole Consideriamo una azienda manifatturiera produttrice di bulloni. Il magement decide di effettuare un monitoraggio della media e della varianza del processo. Lazienda dispone, in uscita dalla catena di montaggio, un meccanismo di ispezione automatica di ciascuno dei pezzi prodotti. Il monitoraggio viene condotto sulla misura del diametro esterno dei pezzi in uscita. I dati a disposizione degli addetti al controllo sono riportati nella seguente tabella, in cui sono riportati i diametri interni dei primi 15 bulloni in uscita dal processo.

K = 15 n=1

Tabella 7.3 Per la costruzione della carta di controllo del range necessario il calcolo del moving range, come valore assoluto delle differenze tra due osservazioni successive. Nella tabella 7.3 sono riportati i 14 (15-1) valori del moving range, in colonna arancione. Alla luce dei dati ottenuti stato possibile determinare i valori di MR e di x : MR = 0,4429

= 10,02

Per cui i limiti di controllo della carta del range saranno: UCL = 1,4469 CL = 0,4429 LCL = 0

mentre i limiti della carta della media saranno del tipo: UCL = 11,198 CL = 10,02 LCL = 8,842

Le carte di controllo con i seguenti limiti sono costruite nelle figure seguenti. Per la carta del range vengono plottati i valori in colonna arancione (relativi ai MR) mentre nella carta della media sono riportati i dati relativi alla colonna in grigio (le singole misure). 40

Controllo statistico di qualit

Figura 7.11

Figura 7.12 Le carte non evidenziano alcun allarme sia per quanto concerne la variabilit del processo

produttivo che per quanto riguarda la media. Il processo pu essere ritenuto in controllo statistico.

7.2

CARTE DI CONTROLLO PER ATTRIBUTI Quando la qualit di un processo produttivo espressa da una variabile binaria che esprime la

conformit o la non conformit del prodotto alle specifiche progettuali, le carte per variabili sono sostituite dalle carte per attributi. Ad esempio, si consideri di controllare il diametro di un pezzo cilindrico in uscita da un processo di tornitura attraverso un calibro passa- non passa; quando il pezzo passa attraverso il calibro esso conforme, altrimenti non lo . I dati attributi vengono espressi come variabili di tipo dicotomico conformi/non conformi ma anche come variabili classificate per non conformit. La non conformit relativa ad un particolare attributo dell'oggetto prodotto, che non e' conforme alle specifiche, mentre un pezzo non conforme in riferimento alle sue propriet complessive. 41

Controllo statistico di qualit

Un pezzo non conforme potr dunque essere caratterizzato da una o pi non conformit. Le carte di controllo per attributi sono quelle per:

frazioni di non conformi numero di non conformi numero di non conformit numero di non conformit per unit

carta p carta np carta c carta u

CARTA P

Queste sono le carte per attributi pi diffuse ed utilizzate. Sono infatti impiegate per monitorare la qualit di un processo produttivo attraverso la determinazione della frazione (proporzione) di pezzi rigettati come non conformi. Tale frazione definita come il rapporto tra il numero di pezzi trovati non conformi e il numero totale di pezzi costituenti la popolazione. In questo caso la misura della qualit X sul singolo prodotto si limita ad una classificazione del tipo: pezzo conforme, pezzo non conforme (o pezzo difettoso). La v.c. X pu assumere solo due modalit o valori che possiamo codificare come:

X=1 X=0

non conformit del prodotto conformit del prodotto

La distribuzione adatta a rappresentare questo tipo di popolazione la Bernoulliana, che ha funzione di massa di probabilit:

p(x)= px (1-p)1-x dove p = P(X=1) la probabilit che il processo produca un pezzo non conforme. Da notare che

E(X) = p Var(X) = p(1-p); 42

Controllo statistico di qualit

sia la media sia la varianza sono funzioni del parametro p. In questo caso il monitoraggio attraverso la carta ha lo scopo di tenere sotto controllo il valore di p; poich V(X)=p(1p), accade che tenendo basso p si tiene bassa sia la media sia la varianza del processo. Anche in questo caso il sistema di monitoraggio opera mediante lestrazione di k sottogruppi estratti dal processo produttivo, ciascuno di dimensione n, sui quali viene stimata la proporzione di pezzi non conformi p= xi n

essendo xi il numero di pezzi non conformi nel campione;ciascun pi verr plottato sulla carta di controllo. In generale, necessario usare dimensioni campionarie abbastanza elevate, infatti gran parte dei processi produttivi ha una proporzione p di pezzi non conformi molto bassa (p<0.05) e, quindi, se scegliessimo ad esempio n=5 molti campioni non conterrebbero alcuna unit non conforme. Per lindividuazione dei limiti di cont rollo si usa generalmente lapprossimazione normale della v.c. Binomiale, per il teorema del limite centrale (questo procedimento giustificato dal fatto che n assume valori abbastanza alti). Quindi p distribuita approssimativamente come una gaussiana
p(1 p ) p N p, n

Si possono allora valutare i limiti di controllo indicando, comunque, una distinsione tra il caso in cui il livello di difettosit del processo p noto, perch un valore standard o in quanto definito dal management, dal caso in cui occorre una stima di p. Quando p noto i limiti saranno del tipo:

UCL = p + 3 ( p (1 p ))/ n CL = p LCL = p 3 ( p(1 p )) / n

mentre per un livello di difettosit del processo p incognito si adotta una stima del tipo:

43

Controllo statistico di qualit

p=

p
i =1 i

ed i limiti assumeranno la forma

UCL = p + 3 CL = p LCL = p 3

(p(1 p ))/ n (p(1 p ))/ n

E interessante notare che, in conseguenza del basso valore di p, una numerosit troppo ridotta pu determinare LCL<0. Un valore negativo per il limite di controllo inferiore non assolutamente informativo, in quanto la proporzione di pezzi non conformi su ogni campione , al minimo, 0. Se vogliamo LCL>0 allora dovr essere : p 3

( p(1 p ))/ n

n>9(1p)/p.

(ad esempio, con p=0.05 si avr n=171)

Si potr obiettare che, il monitoraggio di p ha lo scopo di individuare eventuali shift verso lalto (aumento della probabilit di produrre pezzi non co nformi e quindi peggioramento della qualit) e che il limite LCL abbia, in pratica, poca importanza. In realt utile verificare anche la presenza di eventuali shift verso il basso quali risultato di miglioramenti operati sul processo produttivo Spesso capita che la dimensione dei sottogruppi estratti dal processo sia diversa. In tal caso la costruzione della carta p si basa sulla determinazione di un valore medio di n (da sostituire ad n nella formula dei limiti di controllo), calcolato come segue:
n=
k

n
i =1

ed utilizzando come stima di p: p = xi / ni


i =1 i =1 k k

ESEMPIO : costruzione carta di controllo p

44

Controllo statistico di qualit

Unazienda manifatturiera vuole sottoporre a controllo statistico di qualit il processo di produzione di un cuscinetto metallico. Il management dellazienda decide di monitorare un campione, di numerosit variabile, di prodotti per un periodo di 32 giorni, valutando per ciascun cuscinetto la presenza o meno di oggetti difettosi. Ciascun cuscinetto definito non conforme nel momento in cui presenta almeno un difetto relativo alle caratteristiche che ne definiscono le specifiche di qualit. k = 32 Nella Tabella 7 sono riportati i numeri e le proporzioni di cuscinetti non conformi rilevati per ciascuno dei 28 giorni considerati.

Tabella 7.4 E evidente come per questo tipo di dati il monitoraggio del processo deve essere condotto attraverso la stesura di una carta p per la frazione di non conformi. Inoltre poich la dimensione di ciascun sottogruppo variabile sar necessaria la valutazione di un valore medio della numerosit n. Il valore delln medio in questione sar:

n = 19926/32 =622,69
Il livello di difettosit del processo incognito e quindi va stimato con il calcolo di p che in questo caso vale:
p = 666/19926 = 0,0334

Per cui i limiti di controllo della carta p di monitoraggio del processo in questione, avr i seguenti limiti di controllo:

45

Controllo statistico di qualit

UCL= 0,0334 + 3 CL= 0,0334 LCL= 0,0334 3

(0,0334 (1 0,0334)) / 622,69 = 0,055 (0,0334 (1 0,0334)) / 622,69 = 0,0118

Plottando sulla carta p, con i seguenti limiti, i valori delle proporzioni segnati nella colonna in verde, otteniamo:

Figura 7.13 Osserviamo che la carta descrive un sistema in stato di controllo statistico (nessun valore esterno ai limiti di controllo) e non evidenzia nessun andamento sistematico delle osservazioni, le quali sembrano oscillare casualmente intorno alla media p . In questo caso, come si visto, non serve agire sui singoli valori: se le oscillazioni sembrano comunque eccessive, il management dovr intervenire sullintero processo modificandolo radicalmente.
CARTA NP

Invece che costruire la carta per la frazione di non conformi p possiamo costruire direttamente la carta per il numero di non conformit. Infatti se p la frazione di pezzi non conformi, np rappresenta il numero di pezzi non conformi. Lutilizzo della carta del numero di difettosi indicata quando la numerosit di ciascun sottogruppo estratto dal processo costante. Si rammenta che utilizzando il numero di eventi e non la frequenza (come nel caso precedente) il valore della media e della varianza in una distribuzione binomiale sono pari rispettivamente a np ed a np(1-p).

46

Controllo statistico di qualit

Pertanto i parametri della CC, nel caso sia richiesta la stima della difettosit del processo, sono:

UCL = n p + 3 n p 1 p CL = n p LCL = n p 3 n p 1 p

Da questa carta di controllo, quando utilizzabile, si ottengono informazioni simili a quelle ottenibili con la carta p. ESEMPIO : costruzione carta di controllo np Consideriamo sempre il caso di unazienda manifatturiera questa volta dedicata alla produzione di pezzi metallici. Il monitoraggio del processo viene questa volta condotto mediante una carta np per numero di pezzi difettosi. Consideriamo la tabella 7.5 in cui sono riportati i dati necessari allanalisi.

Tabella 7.5

Poich abbiamo che la numerosit totale dei prodotti campionati : N= 10000

ed il numero di sottogruppi e di pezzi che li compongono sono: k=10 47

Controllo statistico di qualit

n=1000 i valori del parametro p e di conseguenza di n p saranno: p = x i / (k n ) = 78/10000 = 0,078


i =1 k

n p = 7,8

Per cui i limiti di controllo della carta di controllo saranno: UCL = 15,845 CL = 7,8 LCL = -0,245 LCL = 0

(il limite di controllo inferiore stato annullato per le stesse considerazioni fatte per la carta p) Riportando i dati in colonna arancione relativi al numero di pezzi difettosi, la carta di controllo assumer il seguente aspetto :

Figura 7.14 La carta evidenzia un processo in controllo statistico, visto che nessun punto oltrepassa i limiti.
CARTA C

In determinate circostanze, la misura di qualit consiste, non nel monitoraggio di prodotti non conformi in output dal processo, ma nella enumerazione dei difetti (non conformit) presenti sul prodotto. Questo pu esser il caso di prodotti complessi come unautomobile dove importante la valutazione di diverse difformit per causare la classificazione del prodotto come non conforme.

48

Controllo statistico di qualit

In tal caso, la misura di qualit X pu assumere tutti i valori interi 0,1,2,,T dove T il massimo numero di difetti che il prodotto pu possedere. Sotto certe condizioni (la probabilit di presentarsi di un difetto non dipende dal presentarsi o meno di nessuno degli altri difetti; ogni difetto ha la stessa importanza, ai fini della valutazione della qualit del prodotto) la X pu essere adeguatamente descritta da un processo di tipo Poisson, con funzione di massa di probabilit:

p ( x) =

c x e c x!

,c > 0

per cui si scriver: X~Poisson(c).

Si ricorda che, per la distribuzione Poisson, vale E(X)=Var(X)=c, e quindi c indica il numero atteso di difetti presenti sul prodotto ma anche una misura di variabilit. Per lindividuazione dei limiti di controllo si usa generalmente lapprossimazione della della Poisson alla Gaussiana N(c, c). Questo procedimento richiede una numerosit n adeguata. Quindi noto il numero medio di difetti prodotti dal processo oggetto di analisi (perch indicato dal management) o stimato attraverso il calcolo di:
k

c=

c
i =1

essendo ci il numero di difetti nellunit i

i limiti di controllo della carta c a tre sigma saranno del tipo:

UCL = c + 3 c CL = c LCL = c 3 c Attraverso questi limiti di controllo quindi possibile effettuare il monitoraggio dei difetti presenti per ciascun prodotto, in modo da stabilire se il processo in controllo o meno.

ESEMPIO : costruzione carta di controllo c 49

Controllo statistico di qualit

Consideriamo una societ rivolta allassembla ggio di moto. Uno dei processi quello di spruzzare le moto con una verniciatura finale. Recentemente si sono avuti per dei problemi con i clienti che protestano su difetti della verniciatura del modello 700D. Il management del reparto verniciatura, ha deciso di registrare dati sul numero di difetti riscontrati sulle moto per monitorare e migliorare il processo di verniciatura. Sono stati registrati i dati presenti nella tabella 7.6, cos come le moto uscivano dal processo di verniciatura.

k = 40

Tabella 7.6 Per il monitoraggio del processo utilizziamo una carta di controllo c per numero di difetti, come chiaro capire dal tipo di dati a disposizione. Il valore stimato del numero medio di difetti prodotti dal processo sar:
c = 448/40 = 11,2

ed i limiti della carta allora saranno: UCL = 21,23 CL = 11,2

LCL= 1,16

Plottando i dati relativi al numero di difetti per ciascuna moto allinterno dei seguenti limiti si ottiene un processo in controllo statistico come indicato nella figura 7.15:

Figura 7.15 50

Controllo statistico di qualit


CARTA U

Questo tipo di carta di controllo per attributi sostanzialmente analoga alla carta c presentata in precedenza, anche se si basa sul calcolo del numero medio di non conformit per unit di riferimento. Se vengono rilevate c difformit in n unit di riferimento di un sottogruppo, avremo che il numero medio di tali difformit per unit di riferimento : u =c/n Anche u la assumiamo distribuita secondo una una v.c. Poisson (n u ). Da questo si ricava che la media di difetti su un campione di numerosit n ha valore atteso u e varianza u /n. La media campionaria anche in questo caso la statistica test. Infatti il valore stimato del parametro della distribuzione di poisson :
k

u=

u
i =1

I limiti di controllo a tre sigma, operando sempre una approssimazione della distribuzione ad una normale, saranno allora:

UCL = u + 3 u / n CL = u LCL = u 3 u / n Il monitoraggio per questa carta di controllo avviene quindi monitorando i diversi valori del numero medio di difetti per campione (ui), in relazione ai predetti limiti. ESEMPIO : costruzione carta di controllo u Unazienda manifatturiera vuole sottoporre al controllo statistico di qualit un certo prodotto. Viene rilevato il numero di elementi difettosi di un campione composto da 15 lotti, ognuno dei quali formato da 50 elementi del prodotto in esame. I dati sono riportati in tabella 7.7 k=15 n=50 Tabella 7.7 51

Controllo statistico di qualit

Per costruire la carta di controllo u sar quindi necessario in primis calcolare per ciascun lotto il numero medio di difformit ui .I valori ottenuti sono riportati nella tabella 7.8

Tabella 7.8 Il valore medio delle ui allora sar pari a: u = 0,2226 e la carta di controllo allora avr i seguenti limiti di controllo: UCL = 0,4228 CL =0,2226 LCL =0,02247 Allora la carta di controllo del processo che si ottiene riportando i dati nella colonna gialla allinterno dei limiti prefissati sar :

Figura 7.16 Osserviamo che il processo non perfettamente sotto controllo, poich, in corrispondenza del lotto 15, il valore eccede il limite superiore di controllo. Compito del management in questo caso sar quello di indagare le cause di variazione straordinaria che hanno determinato il fuori controllo del

52

Controllo statistico di qualit

sistema e introdurre delle azioni correttive per modificare i risultati nel caso che la causa straordinaria di variazione si verifichi unaltra volta. 7.3 CARTE DI CONTROLLO CUSUM Nel caso di monitoraggio del processo attraverso le carte di controllo, la carta CUSUM (CUmulative SUM) unefficace alternativa alla carta di controllo di Shewhart, analizzate fin ora, per individuare piccoli shift nei parametri. Nel monitoraggio della media, per esempio, a causa della ridotta dimensione campionaria, pu accadere che la carta della media X non riesca ad individuare piccoli shift del valore della media. Valori bassi di n comportano, infatti, intervalli di accettazione pi ampi e, di conseguenza, una maggiore probabilit di accettare lipotesi nulla quando falsa . La carta CUSUM risolve questo problema in quanto incorpora tutta linformazione della sequenza dei campioni estratti. Questo tipo di carta di controllo pu trovare utile impiego nei casi in cui n assume valori bassi (anche n=1). Le carte Shewart, infatti, utilizzano le informazioni solo dellultimo campione osservato; allistante t non tengono conto dellinformazione contenuta nelle osservazioni effettuate agli istanti t - 1, t - 2, . . . Le carte CUSUM si basano, invece, sullidea di sommare gli scostamenti (positivi o negativi) dal valore centrale e quindi risultano pi sensibili ad un aumento o ad una diminuzione della caratteristica che si sta monitorando. Con riferimento al monitoraggio della media, la pi semplice forma di carta CUSUM quella basata sulla grandezza S i . Questa per una determinata serie di osservazioni x1,x2,, , xi definita come:

S i = ( xl 0 )
l =1

nella quale 0 rappresenta il parametro del processo sotto controllo. Ogni valore della S i viene riportato sulla carta di controllo in corrispondenza del campione i-esimo. Si pu facilmente osservare che E(Si)=0 e quindi, se il processo rimane sotto controllo, Si fluttuer casualmente intorno allo 0. Se c uno shift verso lalto (>0) Si presenter un trend verso lalto. Nel caso di piccoli spostamenti della media, questi vengono ad essere cumulati e quindi evidenziati nel grafico del CUSUM. Al contrario, un forte shift pu non essere immediatamente riconosciuto perch, proprio a causa della sommatoria estesa alla sequenza dei campioni, accade che tale variazione pu rimanere nascosta dai dati dei campioni precedenti. Quindi, per individuare forti shift preferibile la carta di controllo di Shewhart. 53

Controllo statistico di qualit

Il grafico 7.17 rappresenta un tipico esempio di carta CUSUM per la media in cui evidenziato un trend di crescita dei dati, sintomatico di una deriva del processo dai suoi standard.

0.6 0.5 0.4 Si (Diametro) 0.3 0.2 0.1 0 -0.1 0 5 10 15 Campioni 20 25 30

Figura 7.17 Per verificare se i dati rappresentati su una carta CUSUM sono sotto controllo, a volte, si utilizza una procedura grafica proposta da Barnard nel 1959 conosciuta come maschera a V. Il suo nome deriva dalla sua particolare forma a V e viene adoperata sovrapponendola alla classica carta CUSUM. La Fig. 7.18 mostra un diagramma della maschera a V.

Figura 7.18 Il punto di origine della maschera a V posto in corrispondenza dellultimo punto del tracciato delle somme cumulate ed il vertice che unisce i due rami collocato ad una distanza d da lorigine I limiti di c . ontrollo sono de finiti da lunghezza di d e da ngolo , c possono e lla lla he ssere 54

Controllo statistico di qualit

scelti in modo che la maschera offra la stessa probabilit statistica di controllo dei limiti di intervento/guardia tradizionali, conferendo al grafico di CUSUM una corrispondenza con la carta Shewhart. I limiti della maschera a V possono essere definiti anche mediante lausilio di altri due parametri: h e k (vedere figura 7) I dati sulla carta CUSUM vengono esaminati appoggiando la maschera sui dati, con lestremit sinistra del segmento di lunghezza d allineata di volta in volta a ciascun punto. La linea d sempre mantenuta parallela allasse x. Se i punti corrispondenti ai dati precedenti rientrano nei bracci della maschera, il sistema sotto controllo. Quando essi cadono esternamente ai bracci della maschera, il sistema fuori controllo. La Fig. 7.19 illustra luso di una maschera a V, posizionata su due posizioni diverse, su dati CUSUM soggetti a deriva. Al punto A della Figura 7.19 tutti i dati precedenti rientrano visibilmente nei bracci della maschera ed il sistema sotto controllo, mentre al punto B alcuni i dati precedenti si trovano al di sotto del braccio inferiore della maschera, indicando che il sistema fuori controllo.

0.6 0.5 0.4 Si (Diametro) 0.3 0.2 0.1 0 -0.1 0 5 10 15 Campioni

B
20 25 30

Figura 7.19 Pertanto, i limiti di controllo possono essere definiti dalla lunghezza di h e di k, e devono quindi essere scelti con attenzione. In linea teorica possiamo definire delle formule che permettono il calcolo dei due coefficienti, appena menzionati, sulla base della conoscenza dei valori di (e rrore di primo tipo) , di (errore di secondo tipo) e di (lammontare dello shift dalla media del processo che vogliamo investigare):

55

Controllo statistico di qualit

Se ad esempio scegliessimo un = 0,0027 (equivalente al criterio del 3 usato per le carte di Shewhart ), un =0,01 e decidiamo di voler investigare uno schift dalla media di 1, cio otterremo un k=0,5 ed un h compreso allincirca tra 2 e 3.

56

Controllo statistico di qualit

8. ANALISI DELLA CAPACITA DI PROCESSO Le carte di controllo, viste in precedenza, sono un potente mezzo per mantenere un processo sotto controllo statistico, indicando le azioni correttive che devono essere intraprese al fine di eliminare le cause di variabilit indesiderata, le cause speciali di variazione. Le carte di controllo non tengono conto, per, delle specifiche a cui il processo deve attenersi, come ad esempio le tolleranze di lavorazione o altre caratteristiche richieste al prodotto in output al processo. Il loro utilizzo non dunque sufficiente a comprendere la reale capacit di un processo, n come questo pu essere migliorato. Si gi detto come nellattuale scenario economico il c liente a stabilire la qualit di un servizio o di un prodotto. Il management di unazienda deve prestare ascolto al cliente per poterne tradurre i bisogni e le aspettative in caratteristiche facilmente misurabili. Il management determina poi i limiti della specificazione di queste caratteristiche. I limiti di specificazione rappresentano, dunque, le specificazioni tecniche che il management fissa in risposta ai bisogni e alle aspettative dei consumatori. Il limite di specificazione superiore (USL) il pi grande dei valori che una caratteristica, oggetto di analisi, pu assumere conformemente alle aspettative del consumatore. Il limite di specificazione inferiore (LSL) il pi piccolo dei valori che una caratteristica di interesse pu assumere conformemente alle aspettative del consumatore. Ad esempio, se consideriamo la produzione di palline da golf, secondo gli standard delle caratteristiche fisiche, tre elementi caratterizzano la qualit della pallina: il diametro, il peso, la distanza massima raggiungibile in situazioni prestabilite. Ci limitiamo a considerare il diametro che deve essere allincirca 4 cm e, supponiamo, non inferiore a 3.5 n superiore a 4.5 cm. I valori 3.5 e 4.5 rappresentano, rispettivamente, i limiti di specificazione inferiore (LSL: lower specification limit) e superiore (USL: upper specification limit), 4 cm rappresenta il valore target A, che, in presenza di due limiti di specificazione, generalmente centrato rispetto a USL e LSL: A =(LSL+USL)/2 Vale la pena notare che i limiti di specificazione non dipendono dalla popolazione ovvero non dipendono dal modello distributivo (e cio dai suoi parametri) ma sono stabiliti allesterno del processo. Nel caso della pallina da golf, tali specifiche saranno stabilite dalle organizzazioni internazionali che regolamentano le competizioni sportive. Se un processo soddisfa i limiti superiori e inferiori ed centrato rispetto al valore target assegnato, si dice che capace di soddisfare il cliente. La capacit del processo si riferisce, allora, alla capacit che lo stesso ha di soddisfare le richieste dei clienti.

57

Controllo statistico di qualit

In pratica la capacit del processo va valutata monitorando due aspetti caratteristici del processo : 1) VARIABILIT DEL PROCESSO IN CONTROLLO 2) CENTRATURA DEL PROCESSO RISPETTO AD UN TARGET DI RIFERIMENTO Dalle due figure 8.1 e 8.2 siamo in grado di apprezzare le due possibili cause che influenzano la probabilit di pezzi non conformi alle specifiche progettuali.

3 2.5 2 1.5 1 0.5 0 3 4 5

3 2.5 2 1.5 1 0.5


LSL=3.5 USL=4.5

3.5 LSL=3.5

4.2

USL=4.5 4.5

Fig. 8.1 Caso di eccessiva variabilit X~N(4;0.04)

Fig. 8.2 Processo non centrato sul target X~N(4.2;0.0225)

Leccessiva variabilit (Fig. 8.1) determina unampia porzione di area al di fuori dei limiti di specificazione, nelle due direzioni. Nellesempio della figura (consultando le tabelle della distribuzione normale ) si ha una probabilit pari a 0.0124 di produrre pezzi non conformi (in media 1.24 pezzi su 100). Nel caso di variabilit molto bassa, la distanza fra media e il valore target (Fig. 8.2) pu determinare unampia porzione di area, in questo caso, per, al di fuori di uno solo dei due limiti di specificazione. Nellesempio della figura si ha una probabilit pari a 0.0228 di avere pezzi non conformi (2.28 pezzi su 100). Certamente le due situazioni di eccessiva variabilit e non centratura della distribuzione rispetto al target possono agire anche simultaneamente. E pertanto importante definire misure di process capability in grado di evidenziare leffetto delle due possibili cause responsabili di uneventuale cattiva prestazione del processo. Per questo motivo sono state introdotte specifiche misure di process capability. Lutilizzo di queste misure risulta spesso particolarmente comodo se fatto in congiunzione con le carte di controllo, poich in questo modo, oltre a non dover raccogliere appositamente i dati, 58

Controllo statistico di qualit

la capacit del processo pu essere analizzata indipendentemente dalla presenza di cause speciali di variazione (opportunamente individuate dalle carte) la cui influenza incide su variabilit e centratura del processo. Un semplice strumento impiegato per lanalisi di capacit di processo listogramma di frequenze di cui abbiamo gi parlato in precedenza. Utile alla valutazione della centratura e della rispondenza del processo ai limiti di specifica anche limpiego di particolari grafici chiamati
CARTE DI TOLLERANZA.

In figura 8.3 riportato un esempio di carta di tolleranza relativa ad un

processo in cui sono stati campionati 25 sottogruppi di numerosit 5.

USL

LSL

Figura 8.3 Questo semplice strumento grafico riporta in corrispondenza di ciascun sottogruppo i dati relativi a ciascun elemento ispezionato al suo interno, uniti da una linea verticale. Quindi un confronto delle linee, cos ottenute, con i limiti di specifica e il valore target, fornisce un immediata visualizzazione della centratura e della dispersione naturale del processo. Ma la misura della capacit di un processo produttivo viene pi spesso effettuata mediante lausilio di particola ri indici statistici, in grado di relazionare le prestazioni o il potenziale del processo con il soddisfacimento a specifiche imposte. Il diffuso impiego di tali indici di capacit imputabile alla possibilit di riassumere in modo molto conciso i dati di un processo produttivo, con il vantaggio, rispetto ad altri strumenti statisti, di essere quantit adimensionali, e quindi facilmente interpretabili e paragonabili tra loro; si prestano a confrontare infatti la capacit di processo rispetto a dimensioni differenti di qualit nonch a confrontare processi diversi. Tornando allesempio delle palline da golf, possibile confrontare la capacit di processo rispetto al peso con quella relativa al diametro (diversa unit di misura: grammi, cm.) oppure quella 59

Controllo statistico di qualit

rispetto al diametro con quella relativa alla distanza massima di lancio (si tratta di due misure di lunghezza ma con diversa scala: cm. e metri). Descriviamo, a questo punto, gli indici di process capability usualmente impiegati nel controllo statistico di qualit. Il primo definito come:
USL LSL 6

Cp =

Lindice Cp confronta lampiezza dellintervallo di conformit, cio la dispersione ammissibile per il processo (numeratore) con la variabilit naturale del processo rappresentata dal valore 6 , detta anche Tolleranza Naturale (denominatore). A questo proposito importante dire che, la grandezza 6 considerata una misura della cosiddetta variabilit naturale del processo in stato di sotto controllo. Per una distribuzione normale, lint ervallo compreso fra i due estremi 3 lude il inc 99.73% dei valori di X e, in corrispondenza, si ha il 0.27% di valori esterni. Questa misura di variabilit naturale si dimostrata, nella pratica, particolarmente efficace nella costruzione di indici e misure per il monitoraggio del processo. Infatti processi che sono inferiori alla soglia di conformit del 99.73%, sono da ritenersi poco capaci. Per cui, se lintervallo di specificazione maggiore di 6 (ovvero se lindice Cp>1) significa che, mediamente, si producono meno del 2.7% di pezzi non conformi e cio che il processo capable. Un valore superiore a 1 un segnale positivo anche se, attualmente, le aziende tendono a porsi obiettivi pi ambiziosi come lottenimento di un valore di Cp pari a 2 (si tratta dellobiettivo della strategia 6-SIGMA, introdotta dalla Motorola). Si pu facilmente notare, per, che lindice Cp funzione solo della variabilit del processo e non tiene conto della posizione della media rispetto ai limiti di specificazione. Con riferimento alle figure 8.1 e 8.2, ad esempio, vediamo che il secondo processo (2.28 pezzi non conformi su 100) ha una capacit inferiore al primo (1.24 pezzi non conformi su 100) ma ci non viene segnalato da Cp che, addirittura, ci fa apparire migliore il processo di Fig. 8.2: USL=4.5, LSL=3.5; target 4 Cp=0,83 Cp=1,11 relativo a relativo a X~N(4;0.04) X~N(4.2;0.0225)

60

Controllo statistico di qualit

Quindi poich Cp controlla solo la dispersione del processo, senza fornire alcuna informazione sulla sua centratura, si introduce lindice Cp,k , che tiene conto anche del grado di centratura del processo rispetto al target:
min{ LSL ;USL } 3

C p ,k =

E interessante notare che Cp e Cp,k sono legati dalla seguente relazione: Cp,k= (1-k) Cp, dove k= | 0.5( USL + LSL ) | 0.5( USL LSL ) 0 k 1

Come si pu facilmente verificare, se A=(LSL+USL)/2 e cio se la media centrata rispetto ai limiti di specificazione allora k=0 e i due indici coincidono. Se ci non accade da preferire il calcolo di Cp,k che tiene conto anche della distanza della media dal valore target (che, ripetiamo, centrato rispetto ai limiti di specificazione). Anche per Cp,k il valore 1 separa situazioni di cattiva prestazione (inferiori a 1) da quelle di buona prestazione del processo. Calcolando questo indice per i casi in figua 8.1 e 8.2 vediamo che Cp,k in grado di segnalare il peggiore rendimento del processo : USL=4.5, LSL=3.5; target 4 Cp,k =0,83 Cp,k =0,67 relativo a relativo a X~N(4;0.04) X~N(4.2;0.0225)

In generale, consigliabile utilizzare tutti e due gli indici. Con riferimento al caso X~N(4.2;0.0225), ad esempio, il valore Cp,k<1 ci segnalerebbe una cattiva capacit del processo, mentre il valore Cp >1 indica una situazione buona relativamente alla variabilit del processo. Si conclude che, nel complesso, il processo non capace (Cp,k<1), ma ci da attribuire soprattutto al fatto che la media non centrata rispetto allintervallo di conformit (ovvero la media lontana dal valore target), mentre la varianza appare adeguatamente bassa (Cp>1). Un miglioramento potr essere pertanto realizzato abbassando il valore in modo da avvicinarlo al valore target.

61