Hoe te Analyseer je Six Sigma Measurement System

Het is belangrijk voor uw Six Sigma-initiatief om te weten of uw meetsysteem is effectief. Je moet solide gegevens om uw project te starten en met een stevige meetsysteem is de sleutel.

Een fabrikant van computer schijf in het midden van de jaren 1980 werd het ervaren van een zeurende probleem met slechte opbrengsten. Het principe zorg was dat de gevoelige magnetische medium coaten van de schijven was op een bepaalde manier defect. Dientengevolge, het bedrijf implementeerde een verzameling veeleisende normen en een batterij streng getest met de hoop opsporen en verwijderen media problemen uit het systeem.

Op een gegeven moment, design engineers van het bedrijf is er gebeurd met een aantal visuele gebreken en vlekken in de magnetische laag op de schijf te merken. Zij concludeerden dat deze kwestie was de lang gezochte oorzaak van hun aanhoudende yield problemen.

De engineeringafdeling onmiddellijk verzocht productie implementeren een laatste visuele inspectie van elke schijf worden gedaan aan het einde van de reeds vervelende testcyclus. Met de implementatie van deze nieuwe inspectie, de schijf uitvalpercentage sprong van 8 tot 10 procent. $ 30 een schijf, het schroot wetsvoorstel naderde $ 300.000 per maand!

Met geen echte verbetering zichtbaar, techniek voorgesteld om verder aan te scherpen de specificaties op de magnetische schijf medium. Met montage montage en schroot kosten, productie gevraagd dat een expert van engineering audit de test en inspectie proces een laatste keer voordat het aandraaien van de specs weer.

De technische expert beoordeeld de gehele test en inspectie proces. Hij besloot toen om een ​​aantal experimenten uitgevoerd om de laatste visuele inspectie te valideren op de schijven. Zijn eerste experiment was om een ​​bos van eerder afgewezen schijven terug door de eindcontrole proces te sturen, zonder medeweten van de inspecteurs.

De resultaten waren zo opzienbarend dat hij het experiment meerdere malen reran; telkens de eerder geïnspecteerde schijven werden geheim teruggestuurd door de laatste visuele inspectie, zou een additionele 10 procent van de schijven worden afgewezen!

Gewapend met deze nieuwe inzichten, de ingenieur probeerde een andere test. Deze keer nam hij een bos van schijven die al voorbij waren de eindcontrole stap en in het geheim weer teruggeplaatst ze terug in het inspectieproces. Zelfs met deze "geslaagd" schijven, de inspecteurs bleef tien procent van de eerder behaald schijven vinden visueel defect.

Als een definitieve bevestiging, de ingenieur stuurde een verzameling van gepasseerd schijven en een verzameling van defecte schijven in de laatste stadia van het assemblageproces. Aan het einde van het assemblageproces, de schijven met de geweigerde medium zelfs een iets hogere uiteindelijke capaciteitsrendement dan die schijven passeren van de visuele inspectie.

Het is duidelijk dat dit bedrijf was het leven in een meetsysteem illusie. De visuele inspectie systeem dat ze had toegevoegd mits er geen voordeel voor het bedrijf, maar kostte meer dan $ 300.000 per maand ten onrechte afgewezen schijf medium.

Overweeg een meetsysteem dat artikelen categoriseert - of het is een kenmerk of een proces - in categorieën van "pass" en Om de effectiviteit van dit type meetsysteem te bestuderen, de volgende stappen "mislukken.":

  1. Braaklegging 15 tot 30 monsters van wat wordt gemeten.

    U wilt deze monsters om het volledige scala van variatie die meestal wordt aangetroffen, met ongeveer de helft van de monsters die "passen" en de andere helft vertegenwoordigen "mislukt."

  2. Maak een meester standaard door de aanwijzing van elk van de monsters als een "pass" of een "fail."

    Gebruik een panel van deskundigen of een aantal standaard dat je weet is absoluut correct om dit onderscheid te maken.

  3. Kies twee of drie inspecteurs.

    Laat ze het monster items in een willekeurige volgorde bekijken en opnemen van hun conclusies - ". Fail" of elk item is een "pass" of een

  4. Laat elke inspecteur herhalen haar metingen van de monsters nadat u zich mengen de monsters in een nieuwe willekeurige volgorde en noteer de herhaalde metingen.

    Randomizing de monsters voor de tweede meting is van cruciaal belang; tweede meting elke inspecteur moet eerlijk te zijn, alsof ze er voor de eerste keer. Het kan nodig zijn om te wachten op een dag voor het uitvoeren van de tweede meting (of spin de inspecteurs rond in plaats totdat ze zijn erg duizelig - just kidding).

  5. Voor elke inspecteur, berekenen (als percentage) hoe vaak de eerste en tweede meting met elkaar eens.

    Dit percentage is de herhaalbaarheid voor elke inspecteur. U kunt ook berekenen een algemene meetsysteem herhaalbaarheid door het gemiddelde van de herhaalbaarheid van de individuele inspecteurs.

    De berekende herhaalbaarheid van de individuele inspecteurs moet zo dicht mogelijk bij 100 procent mogelijk zijn. Lagere berekende individuele herhaalbaarheid betekenen dat de inspecteurs niet consistent zijn in het onderscheid tussen goede en slechte punten. Training helpt inconsistent inspecteurs consistent in hun metingen te worden.

  6. Voor elk monster items Bereken het percentage van de geregistreerde metingen waarbij elk van de inspecteurs overeengekomen met zichzelf en alle inspecteurs eens met elkaar.

    Dit cijfer is de reproduceerbaarheid van het meetsysteem. De berekende meetsysteem reproduceerbaarheid vertelt u hoe nauwkeurig het meetsysteem is op de lange termijn - over verschillende inspecteurs, verschillende setups, en verschillende omgevingsfactoren.

    U kunt ook berekenen procent van de tijd individuele inspecteurs en de groep inspecteurs eens met zichzelf en ben het eens met de "master" standaard gemaakt in stap 2.

    Dit nummer vertelt je hoe consequent je meetsysteem detecteert wat uw experts echt hebben besloten is voorbij en falen.

    Als voorbeeld, een berekende 63 procent overeenkomst tussen alle controleurs voor alle monsters met de "master" standaard een meetsysteem studie betekent dat de waarschijnlijkheid dat het meetsysteem kunnen de items meet is 63 procent, en de kans op fouten 37 procent. Duidelijk is het doel om een ​​meetsysteem met een zo hoog mogelijke effectiviteit te bereiken.

Meer geavanceerde analyse-instrumenten beschikbaar voor situaties waarin een attribuut meetsysteem meer dan twee categorieën. Deze tools, zoals kappa analyse, kan gevonden worden in geavanceerde statistische analyse software zoals Minitab en JMP.