Gráficos de control XBar-R
Contenidos
Hemos considerado los gráficos de control sólo para un tipo de datos: las mediciones de una variable cuantitativa en alguna escala continua de unidades. Hemos descrito la distribución de las medidas por su centro y dispersión y utilizamos los gráficos y (o y ) para el control de procesos. En contraste con los datos continuos, los datos discretos suelen ser el resultado de un recuento. Ejemplos de recuento son el número (o la proporción) de piezas defectuosas en una tirada de producción, el número diario de pacientes en una clínica y el número de errores de facturación. En el ámbito de la calidad, los datos discretos se conocen como datos de atributos. Consideramos los dos gráficos de control más comunes dedicados a los datos de atributos: a saber, el gráfico para utilizar cuando los datos son proporciones y el gráfico para utilizar cuando los datos son recuentos de eventos que pueden ocurrir en algún intervalo de tiempo, área o volumen.
En el capítulo 5 estudiamos la distribución muestral de una proporción muestral. Cuando la distribución binomial subyacente a las proporciones muestrales se aproxima bien a la distribución Normal, entonces se puede aplicar el marco estándar de tres sigmas a los datos de la proporción muestral. Deberíamos llamar a estos gráficos “gráficos” porque representan las proporciones muestrales. Desgraciadamente, en la práctica empresarial siempre se han llamado gráficos. Mantendremos el nombre tradicional, pero también nuestra notación habitual: es una proporción de proceso y es una proporción de muestra.
Gráfico de control (Parte 1) | แผนภูมิควบคุม – Cómo crear
<strong>Chapter</strong> 5<strong>Control</strong> <strong>Charts</strong> <strong>For</strong> <strong>Variables</strong>We look at control charts for variables (as opposed to attributes).5.1 IntroductionWe look at three types of sets of control charts:• the ¯x (mean) and the R (range) charts. • the ¯x (mean) and the S (standard deviation) charts.• for individual observations and the R (range) charts.We will use these control charts to determine a variety of things, but mostly todetermine the probability of detecting outliers or not, of determining the capabilityof a process and of determining normality.5 .2 <strong>Control</strong> <strong>Charts</strong> <strong>For</strong> ¯x and RWe look at the use of the ¯x (mean) and R (range) charts in quality control processes.We also calculate process capability, C p , and two versions of average run length:1. ARL 0 : average run length, if the process actually is in control 12. ARL 1 : average run length, if the process actually is out of control 2Exercise 5.1 (<strong>Control</strong> <strong>Charts</strong> <strong>For</strong> ¯x and R)1 We want this to be big.2 We want this to be small.81
Visión general del control estadístico de procesos (SPC) para la alimentación
Resumen : En las últimas décadas, los gráficos de control, una de las herramientas esenciales del Control Estadístico de Procesos (CEP), se han implementado ampliamente en las industrias manufactureras como un enfoque eficaz para la Detección de Anomalías (DA). Gracias al desarrollo de tecnologías como el Internet de las cosas y la inteligencia artificial (IA), la fabricación inteligente (SM) se ha convertido en un concepto importante para expresar el objetivo final de la digitalización en la fabricación. Sin embargo, la fabricación inteligente requiere un procedimiento más automático con capacidad para tratar enormes datos del proceso continuo y simultáneo. Por lo tanto, los gráficos de control tradicionales del SPC encuentran ahora dificultades en las actividades de la realidad, incluyendo las etapas de diseño, reconocimiento de patrones e interpretación. Los algoritmos de aprendizaje automático (ML) han surgido como poderosas herramientas analíticas y de gran ayuda que pueden integrarse a los gráficos de control de SPC para resolver estos problemas. Por lo tanto, el propósito de este capítulo es, en primer lugar, presentar un estudio sobre las aplicaciones de las técnicas de ML en las etapas de diseño, reconocimiento de patrones e interpretación de los gráficos de control, respectivamente, en el SPC, especialmente en el contexto del SM para el AD. En segundo lugar, se discuten las dificultades y desafíos en estas áreas. En tercer lugar, se proponen las perspectivas de los gráficos de control basados en técnicas de ML para la EA en el SM. Por último, en este capítulo se presenta un estudio de caso de un gráfico de control basado en ML para la AD de fallos de rodamientos.
Infinite Campus – Creación y uso de diagramas de asientos
Tipos de gráficos de control (SPC) Existen varios tipos de gráficos de control que son ampliamente similares y se han desarrollado para adaptarse a las características particulares del atributo de calidad que se está analizando. Existen dos grandes categorías de gráficos, que se basan en si los datos que se controlan son de naturaleza “variable” o “por atributos”.
Gráficos de control de variables: Gráfico de control de barras X. Este tipo de gráfico representa las medias (o promedios) de un conjunto de muestras, trazadas con el fin de controlar la media de una variable, por ejemplo, la longitud de las barras de acero, el peso de los sacos de compuesto, la intensidad de los rayos láser, etc. Al construir este gráfico, se toman muestras de los resultados del proceso a intervalos regulares, se calculan las medias de cada conjunto de muestras y se grafican en el gráfico de control de barras X. Este gráfico se puede utilizar para determinar la media real del proceso, frente a la media nominal del proceso y demostrará si la salida media del proceso está cambiando con el tiempo.
Gráfico de control de rango “R”: Este tipo de gráfico demuestra la variabilidad dentro de un proceso. Es adecuado para procesos en los que el tamaño de las muestras es relativamente pequeño, por ejemplo <10. Se registran conjuntos de datos de muestras de un proceso para la característica de calidad concreta que se está controlando. Para cada conjunto de datos se registra la diferencia entre la lectura más pequeña y la más grande. Este es el rango “R” del conjunto de datos. Los rangos se registran ahora en un gráfico de control. La línea central es el promedio de todos los rangos.
