Публикации

М.И. Розно

Данная публикация Розно М.И. представляет собой отклик-реплику на статью директора по качеству завода. В статье утверждается, что на данном заводе применяется методология «6 сигм», и приведен пример построения гистограммы, построенной по одному параметру одной модели продукции за год (несколько сот изделий). Гистограмма показала далеко не блестящие результаты – несколько точек вылетели за пределы допуска. Однако было принято решение не проводить действий по улучшению, т.к. этот параметр не очень важен для потребителей.

В приведенной далее статье Розно М.И. поясняется, что же представляет собой методология «6 сигм», если предприятие всерьез намерено ее применять, какие возможности для предприятия при этом появляются. Но эти возможности будут реализованы только при серьезном обучении персонала статистическим методам и методам улучшений в сочетании с практикой проведения проектов по улучшениям на предприятии.

Скачать статью целиком

ОСНОВНОЕ СОДЕРЖАНИЕ И ЦЕЛЬ МЕТОДОЛОГИИ «ШЕСТЬ СИГМ»

Методология «Шесть сигм» была разработана в США в начале 1980-х гг. Ее цель — расширить возможности снижения дефектности и потерь на предприятиях, что позволяет улучшть качество продукции и результаты бизнеса в целом. Эта цель была изначально выдвинута корпорацией «Motorola» [1] как достойный ответ главным конкурентам — японским компаниям. Ведь последние (во многом благодаря знаниям, полученным от У.Э. Деминга и Дж.М. Джурана) к тому времени уже научились выпускать продукцию с близким к нулю разбросом параметров, что делало ее практически бездефектной и более дешевой. 

Уже из названия методологии следует, что основу «Шести сигм» составляют статистические методы, так как именно σ (среднее квадратическое отклонение) характеризует величину разброса конкретного параметра изделия на выходе производственного процесса. Набор таких статистических методов весьма широк: от простейших (диаграмма Парето, гистограмма, диаграмма рассеяния и др.) до более сложных (SPC1, MSA1, регрессионный и дисперсионный анализ и др.).

Вместе с тем в инструментарий «Шесть сигм» входят и такие методы, которые напрямую не связаны со статистическими моделями. В частности, к ним относятся DFMEA3 и PFMEA4, методы ранжирования параметров изделий по степени важности (как для потребителей, так и для потерь предприятия) и др. Наконец, в рамках «Шести сигм» применяются экономические методы, например, сравнительный анализ издержек («цены») высокого и низкого качества продукции [2].

Конечно, овладение этими методами требует многих дней обучения с обязательным практическим их применением на производственных объектах [3]. Компетентность, приобетенная сотрудниками в результате такого обучения, по аналогии с японскими единоборствами ранжируется по «поясам» (табл. 1).

Таблица 1

Организационно-практическую основу для выполнения проектов улучшений по методологии «Шесть сигм» составляет цикл из пяти шагов цикла DMAIC:

• • Define (D) — определите объект и проблему;
• Measure (M) — произведите необходимые измерения для количественного описания проблемы и возможных причин;
• Analyse (A) — проанализируйте причины вариаций и найдите корневые причины проблемы;
• Improve (I) — найдите конкретный способ улучшения объекта и опробуйте его;
• Control (C) — управляйте объектом на основе найденного нового способа.

Для практического выполнения каждого из пяти шагов как раз и нужны те самые методы-инструменты, которыми должны овладеть специалисты предприятия. Конечно, потребуются затраты на обучение персонала, а затем — на реализацию проектов улучшений. Но, как показала практика, уже на первых предприятиях, применивших методологию «Шесть сигм» (General Electric, Motorola, Honeywell), через один-два года экономический эффект составил миллиарды долларов.

Образно говоря, «Шесть сигм» — это большой «ящик» с разнообразными инструментами, которые позволяют диагностировать, ремонтировать и даже модернизировать разнообразные сложные «машины». К ним добавлена общая инструкция по циклу DMAIC с рекомендуемыми инструментами для каждого шага. Но главное — это обученные специалисты со знаниями и опытом правильного использования этих инструментов.

Если применить эту образную аналогию к рассматриваемой статье, то в ней продемонстрировано, как можно завинтить гайку простым рожковым ключом. Точнее, даже просто проверить, завинчена она или нет. Оказалось, что завинчена не очень хорошо. При этом автор приводит доводы (впрочем, разумные), что это не очень важная «гайка» для потребителя, и продукция признается «годной». А причины несоответствий и корректирующие действия по их устранению в статье не рассматриваются.

Есть ли уверенность, что в данной «мастерской» грамотно проведут диагностику и ремонт любой сложности? И даже улучшение, модернизацию сложной «машины»? Пусть читатели сами ответят на этот вопрос.

А ЕСЛИ СЕРЬЕЗНО, ЧТО ПОКАЗЫВАЕТ ГИСТОГРАММА?

Гистограмма — элементарный статистический инструмент анализа процесса, он входит в классический набор «семи простых» методов анализа качества [4, 5]. Сегодня существует немало компьютерных программ, которые построят вам гистограмму по собранным измерениям выбранного показателя (параметра) на многих изделиях. Но анализировать гистограмму и делать по ней выводы должен специалист. К сожалению, в этом вопросе нередки определенные заблуждения, в частности, заключения о стабильности или нестабильности наблюдаемого процесса далеко не всегда бывают достаточно обоснованы.

Термин «стабильность» означает неизменность свойств (поведения) объекта во времени. Но стабильно — еще не значит хорошо и качественно. Например, один школьник может стабильно учиться на «пятерки», а другой — на «двойки», никакого противоречия здесь нет. Однако стабильность важна для уверенности в адежности статистического прогноза. Если мы знаем, что объект (процесс) ведет себя стабильно, то это означает, что в будущем он с большой вероятностью будет вести себя так же, как и в предыдущие периоды наблюдения. И для такого объекта (процесса) можно сделать достаточно точный прогноз уровня несоответствий, конечно, если он будет поддерживаться в том же стабильном состоянии. Основным и недорогим инструментом анализа стабильности процесса до сих пор является контрольная карта Шухарта [6], она — один из основных обязательных инструментов в наборе «Шесть сигм».

Почему по гистограмме, особенно с большим количеством исходных данных, нельзя ничего сказать о стабильности или нестабильности процесса? Проиллюстрируем это графически.

Образно говоря, «Шесть сигм» — это большой «ящик» с инструментами, которые позволяют диагностировать, ремонтировать и даже модернизировать разнообразные сложные «машины»

На рис. 1 показаны результаты измерений нескольких выборок выпускаемых изделий в виде галочек на числовой оси. Выборки во времени идут сверху вниз. А далее все они объединены в одну общую большую выборку, по которой построена гистограмма, показанная внизу. Как видим, она, хоть и «с трудом», но все же поместилась в поле допуска с заданными нижней (LSL) и верхней (USL) границами. Здесь отдельные выборки характеризуются широким разбросом значения измеряемого параметра. Но между собой все они схожи, поскольку существенно не различаются ни по величине разброса, ни по среднему значению. Это — пример статистически стабильного процесса.

Заметим, что с точки зрения уверенности (прогноза) попадания в допуск данный процесс — не очень качественный. Наблюдаемые в данных выборках изделия не дали ни одного вылета за пределы допуска, однако, если продолжать этот стабильный процесс далее, то ожидаемый уровень несоответствий может составить десятые доли и даже единицы процентов. Оценка уровня несоответствий здесь может быть сделана по нормальному закону распределения.

На рис. 2 показан случай иного поведения процесса, когда выборки существенно отличаются друг от друга по среднему значению. Это — пример статистически нестабильного процесса. Однако гистограмма, построенная по общей выборке того же объема, имеет вид, весьма схожий с первой гистограммой. Здесь также ни одно из изделий не показало вылетов за пределы границ допуска. Но в этом случае прогноз уровня несоответствий вообще сделать нельзя, поскольку процесс нестабилен, и что от него ожидать далее — непонятно.

Сам факт нестабильности свидетельствует о том, что персонал не умеет «обращаться» с данным процессом, поддерживать его в статистически стабильном состоянии. Такие процессы очень не любят грамотные заводы-потребители, особенно если речь идет о ключевых параметрах продукции. Ибо от такого поставщика можно в будущем ждать любых «сюрпризов» в виде очень высокого уровня несоответствий.

Итак, оба рассмотренных процесса не являются качественными с точки зрения уровня несоответствий. Но меры, которые нужно предпринимать в первом и втором случаях, — совершенно разные. И непонимание этого приводит к неправильным техническим решениям и значительным потерям денег и других ресурсов. А различить эти случаи на основании уже проведенных измерений, сгруппированных в выборки, очень легко. Для этого нужно построить контрольную карту Шухарта для анализа процесса. К тому же она даст много другой полезной информации, не требующей дополнительных затрат на выборочные измерения.

РЕЗЮМЕ

Таким образом, по гистограмме нельзя сделать однозначный вывод о стабильности или нестабильности процесса. Исключение могут составлять только случаи, когда гистограмма, построенная по большому объему выборки (нескольких сотен или даже тысяч измерений) имеет явно выраженные «провалы». Тогда можно с уверенностью сказать, что процесс нестабилен во времени или характеризуется какими-то другими видами неоднородности. И их следует тщательно изучать, применяя не отдельно взятый метод, а весь набор статистических и иных инструментов методологии «Шесть сигм».

ИСТОЧНИКИ

1. Панде П., Холп Л. Что такое «Шесть сигм»? Революционный метод управления качеством. М.: Альпина Бизнес Букс, 2006. 158 с.
2. Juran’s Quality Handbook. 5th ed. / Ed. by J.M. Juran, A.B. Godfrey. New York: McGraw-Hill, 1999. 1697 p.
3. ГОСТ Р ИСО 13053-1—2015. Статистические методы. Количественные методы улучшения процессов «Шесть сигм». Часть 1. Методология DMAIC.
4. Статистические методы повышения качества / Под ред. Х. Кумэ. М.: Финансы и статистика, 1990. 336 с. 
5. Шпер В.Л. Инструменты качества и не только! Часть 4. Анализ вариабельности данных с помощью гистограмм // Методы менеджмента качества. 2021. № 6. С. 50—55.
6. Розно М.И., Касторская Л.В. Пора заняться техпроцессом. 3-е изд. Н. Новгород: Приоритет, 2019. 119 с.