W tym dziale przedstawiamy główne narzędzia jakości oraz szereg dodatkowych metod doskonalenia jakości.

Narzędzia jakości są stosowane w wielu systemach (ISO-9001, ISO/TS 16949, AS-9100, TQM, SixSigma) do rozwiązywania problemów i doskonalenia procesów oraz wyrobów. Mapowanie procesów Analiza FMEA SPC Poka yoke Metoda 5-Why Kolejne artykuły w trakcie opracowania Zapraszamy do zapoznania się z artykułami.

Mapowanie procesów

Czym jest mapowanie procesów (FLOW CHART)?

Zalety:

Symbole graficzne

Istnieje wiele symboli graficznych opisujących poszczególne elementy w mapie procesu. W zależności od specyfiki danej organizacji w której jest dana mapa procesu stosowana można spotykać rożne symbole (np. przemysł samochodowy zazwyczaj stosuje nieco inne symbole niż branża IT). W tym artykule przedstawione są dwie grupy stosowanych symboli.

Poniższe symbole są zazwyczaj stosowane w opisywaniu procesów produkcyjnych:

	Pobranie materiału z magazynu, odbiór dostawy
	Magazynowanie, składowanie
	Operacja (np. frezowanie CNC)
	Kontrola (np. odczyt wskazań miernika, pomiar itp.)
	Operacja + kontrola
	Decyzja (kontrola, test itp.)
	Oczekiwanie, opóźnienie
	Transport (wewnętrzny, zewnętrzny itp.)

Poniższe symbole są zazwyczaj stosowane do opisów procesów biznesowych lub administracyjnych:

	Dana, infromacja, materiał wejściowy lub wyjściowy
	Proces, operacja, działanie
	Decyzja, test, inspekcja
	Operacja ręczna
	Dokument, zapis do bazy
	Konektor (pomiędzy poszczególnymi stronami mapy procesu)
	Terminator (początek lub koniec mapy)

Wykonanie mapy procesu

Granice mapy

Rysowanie mapy procesów

Przykładowa mapa:

Sprawdzenie

Podsumowanie

Diagram rybia ość - wykres przyczynowo skutkowy

Wstęp

Diagram rybia ość określany także jako wykres przyczynowo skutkowy lub diagram Ishikawy jest jednym z siedmiu podstawowych narzędzi doskonalenia jakości. W terminologii anglojęzycznej spotykamy określenia: Ishikawa diagram, Fish bone diagram, Cause and effect diagram

Do czego służy wykres przyczynowo skutkowy?

Wykres przyczynowo-skutkowy pozwala na identyfikację różnych możliwych przyczyn danego problemu (lub efektu) i przez to ułatwia znalezienie przyczyny źródłowej problemu (ang. "root-cause").

Wykres przyczynowo skutkowy może być stosowany jako jedna z metod identyfikacji przyczyny problemu podczas realizacji działań korygujących (a także zapobiegawczych) oraz podczas analiz FMEA.

Historia

Wykres przyczynowo skutkowy został opracowany przez japońskiego inżyniera Kaoru Ishikawa (1915-1989) w latach 60-tych XX wieku i pierwszy raz zastosowany w stoczni firmy Kawasaki. Kaoru Ishikawa rozpowszechnił to narzędzie w Japonii w czasach, gdy przenosił na japoński grunt filozofię TQM oraz promował wymyślone przez siebie słynne koła jakości. W następnych latach wykres przyczynowo-skutowy został uznany za jeden z siedmiu podstawowych narzędzi doskonalenia jakości.

Jak zastosować wykres przyczynowo-skutkowy?

Ustal jaki problem będzie analizowany

W tym etapie ustalamy, jaki w zasadzie mamy problem do rozważenia. Należy upewnić się, że jest on dla nas zrozumiały. Należy zebrać maksimum informacji o problemie i okolicznościach jego wystąpienia. Warto odpowiedzieć sobie na następujące pytania:

• Kto zgłosił problem?
• Co to za problem?
• Gdzie problem wystąpił?
• Kiedy problem wystąpił?
• W jakich okolicznościach problem wystąpił?
• Jak duży jest to problem?

Jeżeli ma to zastosowanie, to należy przykładowe wady (problemy) zaprezentować podczas opracowania wykresu przyczynowo-skutowego (próbki wadliwych wyrobów, dokumentów itp.)

Wybierz odpowiedni format

Dobrze wykonany wykres przyczynowo-skutkowy często jest na tyle duży, że trudno go zmieścić na małej kartce A4. Dlatego na początku musimy zadbać o to aby nam nie brakło miejsca. Można wykorzystać:

• Dużą kartkę papieru. Najlepiej formatu A2 lub bristol / papier śniadaniowy.
• Dużą białą tablice.
• Odpowiednie oprogramowanie komputerowe, pozwalające na łatwe generowanie i edytowanie wykresu.

Wpisz sformułowanie problemu

Wpisujemy w prawym rogu problem do analizy (zostawiając dużo miejsca do wpisania przyczyn) i rysujemy poziomą linię od opisu problemu w lewo. To będzie "kręgosłup" naszej rybiej ości.

Określ poszczególne kategorie

Następnie nanosimy na wykres główne kategorie (główne ości). Kategorie różnią się w zależności od tego czy analizowany problem to wynik działania procesu produkcyjnego czy jest to usługa.
Typowe kategorie to:

W procesach usługowych czasami stosuje się także Pomiary i Środowisko, podobnie jak w procesach produkcyjnych.

Po wpisaniu kategorii łączymy je z "kręgosłupem" - i powstaje nam coś, co przypomina swoim wyglądem rybią ość.

Podane powyżej przykłady nie muszą być stosowane obligatoryjnie. Nie ma preferowanej ilości kategorii ani ich rodzajów. Można sobie samemu określić inne kategorie, bardziej odpowiadające analizowanemu problemowi.

Zidentyfikuj przyczyny i nanieś na wykres

Przyczyny identyfikujemy stosując typową burzę mózgów. Zidentyfikowane przyczyny nanosimy na wykres lub możemy wykorzystać dodatkową listę albo żółte samoprzylepne karteczki.

Finalnie opracowany wykres przyczynowo-skutkowy może być przerysowany na kartkę "na czysto" lub zapisany w odpowiednim oprogramowaniu komputerowym.

Określenie przyczyn źródłowych

Następnie przeglądamy wykres jeszcze raz i zaznaczamy przyczyny, które mogą być przyczynami źródłowymi (ang. "root-cause").

Przyczyny źródłowe to najczęściej takie, które dotyczą systemu zarządzania (procedur postępowania, metoda nadzorowania procesów, zarządzania procesami przez kierownictwo itp.). W naszym przykładzie (nie pełnym) możemy zauważyć dwa takie miejsca:

Podsumowanie

Wykres przyczynowo-skutkowy jest dobrym narzędziem do identyfikacji przyczyn niezgodności w trudnych, złożonych problemach. To właśnie "główne ości" przypominają nam, że należy na dany problem patrzeć z rożnych aspektów (np. personel, maszyna, pomiar itd.).

Warto też zaznaczyć, że czasami wiele na pozór trudnych do rozwiązania problemów jest wynikiem złożenia się kilku przyczyn na raz.

Przykładowo możemy mieć problem, który jest wynikiem złej metody pracy bazującej na dużym skupieniu pracownika (metoda) i jednoczesnego niedostatecznego oświetlenia (środowisko), które jeszcze bardziej utrudnia pracę i prowadzi do błędów.

Życzę udanych wykresów.. :-)

Histogram

Wstęp

Histogram jest uważany za jeden z siedmiu podstawowych narzędzi doskonalenia jakości, którego zastosowanie w statystyce jest bardzo szerokie. Dzięki histogramowi możemy graficznie przedstawić rozkład badanej cechy (np. wymiaru, wagi, temperatury itp.) i przez to lepiej zrozumieć analizowany proces lub jego wyroby.

Co to jest histogram?

Histogram jest to wykres przedstawiający rozkładu badanej cechy (np. szerokości wyrobu) w formie pewnej ilości prostokątów, umieszczonych na osi współrzędnych X-Y. Szerokość prostokąta (W) reprezentuje pewien zakres wartości badanej cechy, natomiast wysokość prostokąta (H) reprezentuje ilość przypadków (częstotliwość), gdy badana cecha zawiera się w danym zakresie. Poniższy rysunek przedstawia przykładowy histogram.

Powyższy histogram przedstawia wyniki pomiaru długości 53 metalowych prętów po procesie ich cięcia na wymiar 100mm +/- 3mm.

Jak rozumieć pojedynczy prostokąt?

Prostokąt zaznaczony na kolor żółty przedstawia 10 elementów (H) o długości zawierających się w zakresie od 99.75 do 100.25 natomiast prostokąt w kolorze zielonym reprezentuje 9 prętów o długości znajdującej się w zakresie 99.25 - 99.75.

Jak przygotować histogram?

Zebranie wyników pomiarowych

1. Należy zebrać minimum 50 pomiarów, aby histogram mógł w miarę dobrze odwzorować badaną cechę w całej populacji. Oczywiście im więcej wyników zostanie zebrane, tym bardziej histogram będzie podobny do badanej populacji, dlatego zalecam pobieranie większej liczny próbek o ile to tylko możliwe.
2. Pobierając próbki należy zadbać o to, aby pobierać próbki w sposób losowy.
3. Oczywiście należy upewnić się, czy metoda pomiaru danej cechy jest poprawna.

Ustalenie ilości przedziałów (ilości prostokątów)

1. Ustal rozstęp (ang. "range") dla całej pobranej próbki (wszystkich wyników). Rozstęp to wynik odejmowania najmniejszej wartości z próbki od wartości największej.
   
2. Określ liczbę potrzebnych przedziałów (ang. "bins"). Nie jest to łatwe zadanie gdyż, nie ma jednego sposobu na określenie ilości przedziałów. Stosuje się wiele różnych metod:
   1. Liczba przedziałów (k) to pierwiastek kwadratowy z ilości obserwacji zaokrąglony do najbliższej liczby całkowitej [1].
      
   2. Drugim rozwiązaniem jest dzielenie wg normy DIN 55302, korzystając z poniższej tabeli [2]:

      Ilość próbek n	Ilość przedziałów k
      do 50	nie możliwe
      do 100	nie mniej niż 10
      do 1000	nie mniej niż 13
      do 10000	nie mniej niż 16

   3. W literaturze amerykańskiej spotykana też jest taka tabela [1]:

      Ilość próbek n	Ilość przedziałów k
      do 50	5 - 7
      50 - 99	6 - 10
      100 - 250	7 - 12
      powyżej 250	10 - 20

   4. Norma CNOMO Norm E41.32.110N (PSA - Peugeot, Citröen, Renault) zaleca następujący sposób [2]:
      

Obliczenie szerokości przedziałów

Szerokość przedziału (W) możemy obliczyć na podstawie następującego wzoru:

gdzie k to uprzednio obliczona ilość przedziałów a R to także uprzednio obliczony rozstęp.

Szerokość przedziału (W) należy zaokrąglić w górę do takie samego miejsca po przecinku, co zebrane dane pomiarowe.

Określenie wartości dla poszczególnych przedziałów

Dolną granicę dla pierwszego przedziału możemy określić jako minimalną wartość z danych pomiarowych. Jego górna granica to początek kolejnego przedziału. Kolejne przedziały wyznaczamy kolejno dodając do siebie szerokości przedziałów (W).

Należy pamiętać, aby przedziały wzajemnie się wykluczały, czyli inaczej mówiąc obserwacje, które znajdują się "na granicy przedziałów" mogą należeć tylko do jednego z nich.

Poniższa tabela zawiera przykładowe zestawienie poszczególnych przedziałów dla k=7, w=0,8 i najmniejszej wartości w obserwacjach = 97,5

Określenie ilości obserwacji w danym przedziale

Po określeniu zakresów policz ile wyników pomiarów (obserwacji) należy do poszczególnych przedziałów. Każdą obserwacje zaznacza jedną pionową kreską I

To co otrzymaliśmy to właśnie histogram.

Histogram - jak analizować?

Średnia

Średnia (ang "mean") pozwala nam na oszacowanie, gdzie jest środek analizowanego zbioru obserwacji. Dzięki temu możemy lepiej zrozumieć, jaka jest średnia wartość cechy i ewentualnie porównać ją ze średnia w innych histogramach o podobnej lub nieco innej zmienności. Poniższy wykres przedstawia dwa histogramy o tej samej ilości obserwacji (53), podobnej zmienności lecz o innej średniej. Dla wykresu A średnia wynosi 100.1 natomiast dla wykresu B średnia wynosi 102.1

Zmienność

Szerokość histogramu odzwierciedla stopień zmienności badanej cechy. Im szerszy jest histogram tym większa jest zmienność, im węższy histogram tym zmienność jest mniejsza. Zmienność najczęściej jest opisywana za pomocą odchylenia standardowego oznaczonego literą s lub σ (grecka litera sigma). Czasami stosuje się też oznaczenie StDev (ang. "standard deviation").

Im większe jest odchylenie standardowe tym większa jest zmienność danej cechy.

Poniższy wykres przedstawia dwa histogramy o tej samej liczbie obserwacji i średniej ale o różnej zmienności. Wykres A jest szerszy od wykresu C. Odchylenie standardowe dla A wynosi σ = 1.078 natomiast wykres C ma odchylenie standardowe równe σ = 0.575.

Kształt

W naturze (w przyrodzie) większość cech, które chcielibyśmy opisać za pomocą histogramu ma rozkład normalny o ile nie występują jakieś zaburzenia, które zmieniają ten rozkład na inny niż normalny. Te zaburzenia określa się mianem "przyczyn specjalnych" (ang. "special cause").

Histogram pozwala nam na wykrycie takich zaburzeń, poprzez analizę kształtu wykresu.

Rozkład normalny ma kształt przypominający dzwon lub górę o jednym szczycie i dwóch podobnie nachylonych zboczach. Przykład rozkładu normalnego przedstawia wykres A (zielony). Rozkład normalny posiadają też wykresy przedstawiane powyżej.

Rozkład skośny (ang. "skewed"). To rozkład asymetryczny, ponieważ istnieją jakieś czynniki (naturalne lub zaburzenia), które ograniczają ilość obserwacji poniżej (lub powyżej) pewnej wartości. W zależności od czynnika ograniczającego lub zaburzającego taki wykres jest prawostronnie skośny (ang. "right skewed") jak pokazano na wykresie E (szary) lub w lewostronnie skośny (ang. "left skewed") jak pokazano na wykresie D (niebieski).

Rozkład dwumodalny (ang. "bi-modal"). Tego typu rozkład posiada dwa szczyty. Niekoniecznie muszą być one sobie równe. Wystarczy, że są widoczne. Taki wykres to najczęściej sygnał, że w badanej próbce mamy do czynienia sumą działania dwóch procesów (np. mamy dwóch dostawców tego samego wyrobu i te wyroby nieco się od siebie różnią). Sam wykres jest sumą dwóch lub więcej histogramów. Przykładem histogramu dwumodalnego jest wykres F (czerwony).

Rozkład wielomodalny (ang. "plateau" lub "multi-modal"). Podobnie jak w rozkładzie bimodlanym - tylko, że mamy więcej niż dwa czynniki (procesy) wpływające na zmienność. Histogram ma wtedy więcej niż dwa szczyty.

Histogram w ocenie jakości procesu

Histogram możemy wykorzystać do sprawdzenia, jaka jest relacja pomiędzy analizowaną cecha (procesem) a stawianymi wymogami. Wymogami mogą być wymagania technologii, klienta itp. Dzięki temu możemy ocenić czy badany proces spełnia wymagania czy nie.

W przypadku nie spełnienia wymagań, możemy sprawdzić następujące aspekty:

Przesunięcie średniej

Czy średnia jest w pobliżu wartości nominalnej (oczekiwanej)? Jeżeli mamy niewłaściwie ustawiony proces, wtedy zazwyczaj średnia histogramu jest przesunięta w pobliże lub poza granice tolerancji.

Zbyt duża zmienność

Czy zmienność procesu nie jest zbyt duża? Średnia procesu może być ustawiona poprawnie, ale zbyt duża zmienność powoduje powstawanie wad. Należy szukać przyczyn zbyt dużej zmienności oraz należy zastanowić się czy proces (sam z siebie) jest adekwatny do stawianych wymagań.

Niewłaściwy kształt

Jeżeli kształt histogramu powinien mieć rozkład normalny a ma inny to świadczy o tym, że w procesie jest zaburzenie (przyczyna specjalna). Tą przyczynę należy zidentyfikować i usunąć. Po usunięciu przyczyny proces powinien powrócić do stanu normalnego.

Podsumowanie

Dzięki histogramowi można łatwiej zrozumieć jak analizowany proces wygląda oraz jaki jest środek, zmienność i kształt analizowanych danych. Porównując histogram z limitami specyfikacji możemy szybko ocenić czy proces spełnia wymagania czy nie.

Na koniec chciałbym zwrócić uwagę na kilka rzeczy:

1. Histogram jak każde inne narzędzie statystyczne może też być źle wykorzystane. Manipulując ilością przedziałów lub ich szerokością można zmieniać kształt wykresu. Dlatego ważne jest, aby podczas analizy histogramu zwrócić uwagę na to ile mamy próbek (n), ile mamy przedziałów i jak szerokie one są.
2. Histogram będzie odzwierciedlał rzeczywistość tylko wtedy, gdy dane będą aktualne i zebrane w odpowiedni sposób (odpowiednią metodą pomiaru). Jeżeli analizowane dane to próbka z większej populacji to należy także upewnić się czy została ona pobrana w sposób losowy.
3. Do opracowania histogramu warto stosować dobre oprogramowanie po to, aby nie tracić czasu na obliczenia oraz co ważniejsze, aby nie popełnić błędów w obliczeniach, które mogą skutkować późniejszymi błędnymi decyzjami.

Histogram też może służyć jako efektywne narzędzie w komunikacji lub podejmowania decyzji biznesowych szczególnie wtedy, gdy mamy do czynienia z dużą ilością danych trudnych do przedstawienia w innej formie.

FMEA

Co to jest FMEA?

Rodzaje FMEA

FMEA projektu

FMEA procesu

Historia FMEA Jak się przygotować do analizy? (mapa procesów) Jak dobrać grupę roboczą i na co uważać? Analiza krok po kroku - na praktycznym przykładzie Szereg porad i nietypowych rozwiązań... Propozycje jak gromadzić wiedzę nt procesów ...i jak ją wykorzystywać w kolejnych analizach