М.И. Розно
Введение
Количество техногенных катастроф как в нашей стране, так и в мире в целом растет. Даже не обращаясь к официальной статистике, мы каждый раз вспоминаем об этом при очередной аварии в космосе, под водой, в воздухе, на земле. Однако помимо «громких» катастроф мы практически каждый день являемся свидетелями «сравнительно мелких» технических неприятностей: сломался замок входной двери, стал заедать один стеклоподъемник в автомобиле, «сошел с ума» светофор на перекрестке, «зажевал» пленку только что отремонтированный магнитофон и т.п. А ведь количество различных технических устройств вокруг нас и различных сервисных услуг с каждым годом растет. Так что же нас ожидает?
Но мы, специалисты, работающие в области качества продукции и услуг, должны понять причины таких неприятностей и сделать все от нас зависящее, чтобы устранить или хотя бы снизить частоту подобных явлений. А специалист – это тот, кто анализирует явление не просто в качественных категориях, а в цифрах. Давайте же посмотрим в цифрах, какое качество продукции (услуг) на уровне ее отдельных показателей, компонентов мы должны обеспечивать сегодня, чтобы не «увязнуть в неприятностях». И тогда поймем, что же нам следует предпринимать при производстве продукции и услуг, чтобы достичь этой цели.
Немного истории
Серийное и массовое изготовление продукции, сделав в 18 веке первые шаги в производстве стрелкового оружия, с 19 века стало захватывать все новые и новые области: паровые и электрические машины, часовая техника, швейные машины, телеграфные и телефонные аппараты, транспортные средства и т.д. Появилось понятие взаимозаменяемости, необходимой для соединения отдельных частей изделия между собой без подбора и доработки. Появилось связанное с этим понятие технического допуска (specification), соблюдение которого легко обеспечивалось повсеместным применением калибров и шаблонов. «Прежде чем приступить к массовому производству, тратят иногда долгое время на точную выработку и изготовление калибров» [1].
Массовость производства при высоком темпе обеспечивалась разделением труда, появилась профессия контролера, на которую возлагались большие надежды.
А в начале 20 века была образована «Bell Laboratories», начавшая изучать явления в массовом производстве и ставшая знаменитой. Стало очевидным и общепризнанным, что ни один из технологических процессов не может обеспечить на выходе абсолютно постоянное значение того показателя качества, которое он формирует, будь то геометрический размер детали, твердость, усилие затяжки болта или время обслуживания клиента. Всегда существует разброс по любому измеримому показателю качества. Его можно характеризовать величиной «среднего квадратического отклонения» σ), т.е. величиной среднего отклонения данного показателя для одной детали от фактического общего среднего по многим деталям (или по многим повторениям данной операции). Тогда же появилось понятие «удовлетворительно работающего технологического процесса».
Во времена Вальтера Шухарта (30-е годы 20-го века) считалось, что технологический процесс (ТП) вполне удовлетворителен, если в допуске помещается ±3σ, а центр настройки ТП находится в центре допуска. При этом, если распределение показателя нормальное, то такой процесс обеспечивает 99,73% годных изделий по данному показателю качества. Иначе говоря, такой процесс дает 0,27% несоответствий по данному показателю качества (вылетов за пределы допуска), что тогда считалось удовлетворительным. Технические устройства в то время были несложными, из относительно небольшого числа деталей, количество требований к каждой детали также было невелико. Но количество операций доработки, подгонки при сборке было весьма значительным.
Посмотрим, на что же можно было рассчитывать с такими ТП. Предположим, что несоответствие (вылет за пределы допуска) по определенным показателям качества для деталей или операций сборки приводит к каким-то «неприятностям» для изделия в целом. И предположим, что контроль за отдельными деталями (или сборкой) по этим показателям отсутствует.
Если в изделие входят 2 таких независимых показателя с уровнями (шансами) несоответствий q1 и q2 (в долях единицы), то вероятности (шансы) «годных» показателей будут (1–q1) и (1–q2) соответственно. (Следует заметить, что «шанс определенного свойства» для единичного изделия превращается в «долю продукции» с данным свойством при массовом выпуске). Тогда вероятность PБH того, что готовое изделие будет «без неприятностей», т.е. будет годным по обоим показателям, равна:
PБH = (1–q1)(1–q2) ,
что для единичного изделия соответствует «шансу не иметь неприятности», а при массовом производстве соответствует доле продукции «без неприятностей» от общего объема выпуска.
Если в изделие входят k таких показателей, то:
PБH = (1–q1)(1–q2).....(1-qk) ,
что при (q1 + q2 + … + qk) < 0,1 приближенно равно:
PБH = 1 - (q1 + q2 + ... + qk)
Таким образом, уровни несоответствий по разным показателям складываются, и PБH уменьшается с ростом числа k.
Для упрощенного (грубого) анализа давайте предположим, что уровни несоответствий по всем k показателям одинаковы и равны q=0,0027=0,27%, что соответствует такой работе техпроцессов, при котором до границ соответствующих допусков помещается ±3σ. Тогда
PБH = (1-q)k
Посмотрим, что же может обеспечить такое производство на уровне готовой продукции. Зависимость PБH, а также процента продукции с несоответствиями от числа k приведена в табл.1.
Эта таблица, как и последующие, построена в предположении, что изготовленные детали с соответствующими показателями поступают на сборку без какой-либо селекции или доработки. Над таблицей указаны параметры: уровень несоответствий q для каждого из k показателей, что при наилучшей настройке процесса по центру допуска (центрированный процесс) соответствует ширине исходных допусков D=±3σ для нормального закона распределения, это соответствует индексам воспроизводимости процессов Ср=Срk=1 [2].
Таблица 1 q=0,27%, центрированный процесс: D=±3s, Ср=Срk=1
| Количество показателей K |
Шанс или доля продукции «без неприятностей» РБН |
Процент продукции |
| 1 | 0,9973 | 0,27% |
| 3 | 0,9919 | 0,81% |
| 10 | 0,9733 | 2,67% |
| 30 | 0,9221 | 7,79% |
| 100 | 0,7631 | 23,69% |
| 300 | 0,4444 | 55,56% |
| 1000 | 0,0670 | 93,30% |
Результаты этой таблицы можно трактовать так: если при указанном качестве процессов (в данном случае q=0,27%), например, 3 показателя по тем или иным причинам не контролируются и приводят к «неприятностям» готового изделия, то следует ожидать около 0,81% «неприятностей» в выпущенной продукции и т.д.
Положение тогда спасали контролеры: уровни несоответствий порядка единиц или десятых долей процента, хоть и с неизбежными ошибками, но были еще доступны контролеру. Но затраты на контроль доходили тогда до 5-10% от себестоимости продукции.
Тенденции второй половины 20 века
Развитие техники сопровождалось неизбежным ее усложнением, т.е. увеличением числа компонентов и их параметров, влияющих на функционирование готового изделия (включая показатели сборки). Там, где уровень несоответствий по ним оставался по-прежнему на уровне долей процента, продукция требовала все возрастающего числа операций индивидуальной подгонки компонентов и контроля деталей, узлов и изделий в целом. Но этот путь оказался чрезвычайно затратным и все равно не обеспечивал необходимых гарантий качества и надежности.
Поэтому начинают возрастать требования к качеству процессов, т.е. потребовалось, чтобы процессы обеспечивали более низкий уровень несоответствий по отдельным показателям качества деталей и сборки. «Процент» несоответствий стал уже очень большой величиной, и появилась новая единица – ppm (part per million); в числе ppm оценивается количество несоответствующих единиц на 1 млн. выпущенных; 1ppm=0,0001% или 1000ppm=0,1%.
Рассмотрим таблицу, аналогичную приведенной выше, но для уровня несоответствий q=0,02%=200ppm. Заметим кстати, что именно такой уровень несоответствий в качестве предельного требует АвтоВАЗ сегодня от своих поставщиков.
Таблица 2 q=0,02% = 200 ppm, центрированный процесс: D=±3,72s, Ср=Срk=1,24
| Количество показателей K |
Шанс или доля продукции «без неприятностей» РБН |
Процент продукции |
| 10 | 0,9980 | 0,20% |
| 30 | 0,9940 | 0,60% |
| 100 | 0,9802 | 1,98% |
| 300 | 0,9418 | 5,82% |
| 1000 | 0,8187 | 18,13% |
| 3000 | 0,5488 | 45,12% |
Эти цифры выглядят совсем не оптимистично. Даже при таком относительно низком уровне несоответствий достаточно k =10 влияющих показателей, чтобы 0,2% неприятностей было уже «заложено» в готовой продукции. А при k =100 продукция с несоответствиями возрастает до 2%! Поэтому даже уровень несоответствий 200 ppm для отдельных показателей, кажущийся нам сегодня очень низким, может обернуться весьма внушительным процентом несоответствий для готовой продукции. Поэтому поставщики механических компонентов и материалов в Европе и Японии давно работают на уровнях единиц-десятков ppm, а поставщики электронных компонентов – на уровнях долей ppm.
Приведем аналогичные таблицы для более низких уровней несоответствий.
Таблица 3 q=60 ppm, центрированный процесс: D=±4s, Ср=Срk=1,33
| Количество показателей K |
Шанс или доля продукции «без неприятностей» РБН |
Процент продукции |
| 30 | 0,9982 | 0,18% |
| 100 | 0,9940 | 0,60% |
| 300 | 0,9822 | 1,78% |
| 1000 | 0,9418 | 5,82% |
| 3000 | 0,8353 | 16,47% |
| 10000 | 0,5488 | 45,12% |
Таблица 4 q=10 ppm, центрированный процесс: D=±4,4s, Ср=Срk=1,47
| Количество показателей K |
Шанс или доля продукции «без неприятностей» РБН |
Процент продукции |
| 100 | 0,9990 | 0,1% |
| 300 | 0,9970 | 0,3% |
| 1000 | 0,9900 | 1,00% |
| 3000 | 0,9704 | 2,96% |
| 10000 | 0,9048 | 9,52% |
| 30000 | 0,7408 | 25,92% |
| 100000 | 0,3679 | 63,21% |
Таблица 5 q=1 ppm, центрированный процесс: D=±4,9s, Ср=Срk=1,63
| Количество показателей K |
Шанс или доля продукции «без неприятностей» РБН |
Процент продукции |
| 100 | 0,9999 | 0,01% |
| 300 | 0,9997 | 0,03% |
| 1000 | 0,9990 | 0,1% |
| 3000 | 0,9970 | 0,3% |
| 10000 | 0,9900 | 1,0% |
| 30000 | 0,9704 | 2,96% |
| 100000 | 0,9048 | 9,52% |
| 300000 | 0,7408 | 25,92% |
| 1000000 | 0,3679 | 63,21% |
Конечно, не следует воспринимать эти цифры буквально. В реальных производствах уровни несоответствий по разным показателям – разные, да и влияние несоответствий по отдельным показателям на дефектность готовой продукции разное и не столь прямое. Но очевидно одно: с ростом числа k, характерным для развития техники, «неприятности» в готовой продукции «накапливаются». Выход один: следует снижать уровни несоответствий по отдельным показателям до единиц и даже до долей ppm. А это – требование к очень высокой технологической точности процессов и их стабильности. На это направлена, в частности, концепция «Шесть сигм» [3], ставшая популярной в последние 10 лет в США и других странах. Согласно этой концепции нужно стремиться к такой технологической точности процессов, при которой в допуске помещается 6σ, а величина отклонения «центра настройки» ТП от центра допуска не превышает 1-1,5σ.
С точки зрения надежности и проектирования
Приведенные таблицы пригодны также для трактовки отказов в сложных изделиях. Если q понимать как вероятность отказа элемента по какому-то показателю (за данный период времени), и если любой отказ элемента приводит к какому-то отказу изделия, то во втором столбике таблиц мы имеем вероятность безотказной работы всего изделия за этот же период.
Усугубляет картину то, что в таблицах 1-5 число k – это не количество компонентов, а число показателей всех компонентов и сборки, которые влияют на работу всего изделия. А это число может быть на порядок выше количества входящих деталей. Достаточно заметить, что даже у простой шайбы число показателей качества не менее 5, что же говорить о более сложных компонентах! Число же компонентов в современных технических устройствах очень велико. Например, только автомобильный двигатель ЗМЗ-406 содержит около 2000 деталей, поэтому число показателей с учетом сборки превышает 20000. Пусть всего 500 показателей (т.е. всего 2,5% от их общего числа) впрямую влияют на качество и надежность двигателя, и пусть уровень несоответствий по ним будет всего 10 ppm – и уже 0,5% «неприятностей» будет обеспечено в массе выпущенной продукции!
Спасает положение то, что не каждое несоответствие (отказ) по любому показателю детали или сборки приводит к дефекту (отказу) изделия в целом. Но это определяется конструкцией изделия. Очень желательным при проектировании конструкций является применение FMEA-методологии [4-7]. При конструировании сложных изделий, например, узлов автомобилей, этот метод является обязательным по стандартам QS-9000, ISO/TS-16949 и их российскому аналогу. Этот метод позволяет избежать ошибок, недоработок и потерь уже на ранних стадиях проектирования.
Так, при проектировании соответствующей доработкой конструкции можно при необходимости сильно снизить влияние несоответствия (отказа) детали по данному показателю. Можно, например, сделать, чтобы несоответствие в изделии появлялось только при одновременном появлении 2-х или даже 3-х несоответствий в компонентах. При этом, если, например, уровень несоответствий компонентов по каждому показателю q=1%, то для двух независимых несоответствий одновременно это уже q2=0,01%=100ppm, а для трех одновременно – это q3=1ppm.
Однако такие доработки конструкции, как правило, приводят к усложнению и удорожанию изделия. Так что основным естественным требованием к компонентам и сборке является снижение уровня несоответствий, т.е. повышение качества процессов. Здесь также помогает FMEA-методология в ее модификации для процессов (PFMEA). При этом на стадии проектирования процессов удается «заблокировать» те участки производственных процессов, которые могли бы дать в дальнейшем повышенный уровень несоответствий.
Таким образом, именно при проектировании конструкции и технологии изготовления продукции закладывается степень влияния тех или иных показателей на «неприятности» в будущей продукции. И неизбежно некоторые из множества показателей качества компонентов, процессов их изготовления и сборки будут сильно влиять на безопасность, экологию или функционирование готовой продукции. Такие показатели должны быть заранее выделены, классифицированы как «ключевые» и должны стать предметом особого внимания на предприятии-изготовителе. Так, компания Дженерал Моторс разработала специальное руководство [8] по определению ключевых характеристик. Определение этих характеристик осуществляется в ходе работы FMEA-команд.
Что же касается поставщиков и предприятий, не проводящих проектирование самостоятельно, то они, к сожалению, зачастую не знают степени важности выполнения того или иного требования к показателям качества. Здесь было бы полезным создание классификатора показателей качества или (и) балльного индикатора их важности. Так, например, американские производители грузовиков применяют систему значков, стандартизованных и известных для всех поставщиков [9] и ориентирующих их особое внимание к соответствующим компонентам и их показателям. Кроме того, этот же документ требует от поставщиков предварительного изучения указанных потребителем процессов с оценкой индексов Cpk или Ppk, которые связаны с уровнями несоответствий, см. [2].
Очевидно одно: в любом случае для сложной техники остается значительное число «ключевых» показателей, для которых требуется обеспечить очень малый уровень несоответствий, измеряемый в единицах ppm.
Очевидно также, что это требование «малых ppm» является не очередной выдумкой западных специалистов по качеству и не модной рекламной кампанией, а настоятельным требованием усложняющейся техники, процессов производства и сервиса.
А что же контроль?
На первый взгляд кажется, что контроль, особенно тщательный для «опасных» показателей, может решить проблему. Но это не так. В тех случаях, когда контроль проводится с участием оператора, надеяться на него не стоит, если речь идет об уровнях несоответствий порядка долей процента и ниже. Традиционный контроль по альтернативному признаку становится здесь непригодным: оператор часто пропускает «по инерции» несоответствующее изделие среди сотен или даже тысяч контролируемых годных. Если же контроль проводится по количественному признаку, то из 100-300 записываемых измерений также часто происходит ошибка оператора. Это проявление «человеческого фактора» нельзя отменить распоряжением начальника ОТК или приказом генерального директора.
Пригодным оказывается только автоматический сплошной контроль, встроенный в ТП. Например, в электронной промышленности такие контрольные автоматы достаточно широко распространены и стоят относительно недорого. Что же касается, например, линейно-угловых измерений или измерений физико-химических свойств материалов, то соответствующие приборы редки и весьма дороги.
Следует отметить, что приемочный выборочный (статистический) контроль при требованиях низких уровней несоответствий вообще теряет смысл. Например, как понимать требование к уровню несоответствий в партии не более 0,05%, если объем партии N=1000 шт.? Ведь 0,05% от 1000 шт. – это 0,5, т.е. здесь это требование не имеет «физического смысла». «Абсолютные» границы применимости выборочного статистического контроля следующие: для q=0,1%=1000ppm требуется N ≥ 1000; для q=200ppm – N ≥ 5000; для q=50ppm – N ≥ 20000 и т.д. Но эти «абсолютные» границы соответствуют одному дефектному изделию в партии, что не проверяется при помощи выборочного статистического контроля с приемлемыми рисками. Поэтому эти «абсолютные» границы объемов партий должны быть увеличены в 3-10 раз для простой логики существования статконтроля. А возможно ли вообще формирование и поставка таких партий? Эти «тонкости» должны учитываться в документах по статистическому приемочному контролю, а также в контрактах на поставку партий продукции.
На что же тогда надеяться, как обеспечить столь низкие уровни несоответствий? Там где нет высокоскоростных контрольных автоматов, следует идти только по пути обеспечения качества самих технологических процессов. Как учил еще Деминг, качество должно быть «встроено в технологический процесс» [10].
Поэтому службам качества следует переключить свое внимание с задач контроля качества на задачи слежения за процессами, т.е. на задачи статистического управления процессами (SPC). Заметим, что в современных отраслевых системах методических документов, например, в автомобильной (по ISO/TS 16949) вообще нет документа по контролю качества, но есть обширный документ [11] по статистическому управлению процессами.
Его основной задачей является отыскание факторов («особых причин» по Вальтеру Шухарту), которые нарушают стабильное течение процесса. Такие факторы, если они будут обнаружены, в дальнейшем должны быть устранены или заблокированы в производстве. При этом улучшится стабильность ТП по выходу, т.е. будет снижен уровень несоответствий.
Предполагается, что такая работа должна вестись в производстве постоянно. Естественно, что при этом измерения по количественному признаку должны проводиться с соответствующей точностью [12].
В допуске – не в допуске
Руководители разных уровней на отечественных предприятиях, как правило, являются достаточно грамотными специалистами с технической точки зрения. Они хорошо знают, что такое допуск, и понимают, что требование к допуску должно быть выполнено. Но вот «в какой степени» это требование должно быть выполнено? Заметим кстати, что стандарт ISO 9000 дает следующее определение: «Качество – степень соответствия присущих характеристик требованиям».
Со времен Вальтера Шухарта многочисленными примерами практически доказано, что взгляд на любой ТП должен быть статистическим, соответствующие модели и методы давно доказали свою жизненную необходимость. А из статистического взгляда на процесс, в частности, следует:
- невозможно обеспечить «абсолютную уверенность» в выполнении требований допуска, но рассуждения должны вестись в категориях «степени уверенности» выполнения этих требований, т.е. в категориях «уровня несоответствий»;
- для обеспечения высокой «степени уверенности» необходимо изучить поведение, свойства ТП, его зависимость от влияющих факторов, для чего в производстве должны применяться статистические модели и методы описания ТП;
- абсолютно неприемлемыми являются рассуждения типа «если все измерения лежат в допуске, значит несоответствий нет, и мы спокойны за данный ТП».
Для того чтобы наглядно представить это, давайте рассмотрим несколько типовых примеров.
Пусть мы ведем слежение за процессом по нескольким выборочным измерениям. Такая ситуация бывает, например, в случае, когда рабочий предъявляет несколько первых изделий на контроль и получает «добро» на продолжение процесса. Или когда просто периодически с выхода ТП несколько изделий контролируется, и если «все в порядке», то процесс продолжается.
Пусть мы имеем 5 измеренных значений в предположении, что эта выборка является «представительной», т.е. она не является специально или случайно «хорошей» или «плохой», она является типовой, «средней» и как раз отражает истинное состояние процесса.
Рассмотрим такую представительную выборку, приведенную на рис.1. На этом рисунке, как и на последующих, допуск приведен в условных единицах и имеет нижнюю границу ТН=–10; верхнюю границу ТВ=10, а 5 выборочных значений помечены жирными точками. При таком рассмотрении всегда важны не абсолютные измеренные значения, а их расположение относительно границ поля допуска.
Рис. 1. Измерения лежат примерно в половине допуска, смещения почти нет
m=0,2 s=3,4205 qн=0,143% qв=0,209%
Оценка суммарного уровня несоответствий qS=0,35%.
На первый взгляд, такое расположение пяти выборочных точек говорит о вполне благополучном состоянии ТП. Однако, если предположить, что ТП стабилен и будет и далее вести себя «в том же духе», то по выборочным точкам легко сделать оценку «центра настройки ТП» m и оценку стандартного отклонения σ; тогда прогноз уровня несоответствий (доля нарушений нижней qн и верхней qв границ допуска) составит в сумме qS=0,35%, что, как мы убедились выше, совсем не является блестящим результатом. В самом деле, ведь это только 5 выборочных точек лежат в допуске, а если их будет очень много, то ожидаемое число нарушений допуска как раз и будет 0,35%.
Приведенные оценки легко сделать, например, по методике, приведенной в [13]. Обученный сотрудник предприятия, вооруженный микрокалькулятором со статистическими функциями и таблицей значений функции нормального распределения, легко делает такие расчеты «прямо у станка» за 1 мин. и даже меньше. На многих заводах сегодня такие оценки стали популярными.
Еще хуже обстоит дело, если выборочные значения ведут себя, как показано на рис.2.
Рис. 2. Измерения лежат почти по всему допуску, смещения почти нет
m=0,4 s=6,841 qн=6,43% qв=8,03%
Оценка суммарного уровня несоответствий qS»14,5%.
Здесь разброс ощутимо выше, и прогноз уровня несоответствий – 14,5%! Этот пример, в частности, показывает, что даже если все выборочные измерения лежат в допуске, то несоответствия по всей массе выпускаемых деталей, несмотря на честный периодический выборочный контроль по допуску, могут доходить до десятков процентов.
Рисунок 3 демонстрирует ситуацию, когда процесс, имеющий такой же разброс, как на рис.1, смещается по настройке, т.е. по фактическому среднему значению примерно на ¼ поля допуска. При этом несоответствия по прогнозу возрастают от 0,35% до 8%! Заметим, что здесь также выборочные точки не показывают нарушения границ допуска.
Рис. 3. Измерения занимают примерно половину допуска, но центр смещен примерно на четверть допуска
m=5,2 s=3,4205 qн=4,42ppm qв=8,03%
Оценка суммарного уровня несоответствий qS»8%.
И только если типовой разброс пяти выборочных точек не превышает 1/3-1/4 части допуска, как это показано на рис.4 и рис.5, можно при стабильном процессе ожидать уровней несоответствий порядка единиц-десятков ppm. Но здесь также любое смещение настройки процесса приводит к увеличению уровней несоответствий, как это показано для сравнения соответственно на рисунках 4а, 4б, 5а, 5б.
Рис. 4. Измерения занимают примерно треть допуска, смещения почти нет
m=0,2 s=2,387 qн=9,65ppm qв=20,14ppm
Оценка суммарного уровня несоответствий qS»30ppm.
Рис. 4а. Измерения, как на рис. 4, но смещены на +1
m=1,2 s=2,387 qн=1,35ppm qв=113,5ppm
Оценка суммарного уровня несоответствий qS»115ppm.
Рис. 4б. Измерения, как на рис. 4, но смещены на +2
m=2,2 s=2,387 qн=0,16ppm qв=541,6ppm
Оценка суммарного уровня несоответствий qS»542ppm.
Рис. 5. Измерения занимают примерно четверть допуска, смещения почти нет
m= – 0,2 s=1,924 qн=0,18ppm qв=0,06ppm
Оценка суммарного уровня несоответствий qS»0,24ppm.
Рис. 5а. Измерения, как на рис.5, но смещены на –1
m= – 1,2 s=1,924 qн=2,44ppm qв=0,003ppm
Оценка суммарного уровня несоответствий qS»2,44ppm.
Рис. 5б. Измерения, как на рис.5, но смещены на –2
m= – 2,2 s=1,924 qн=25,2ppm qв=0,0001ppm
Оценка суммарного уровня несоответствий qS»25,2ppm.
Как следует из приведенных рисунков, поведение ТП должно быть таким, чтобы типовые, «средние» выборки не просто попадали в допуск, а располагались по центру допуска и имели небольшой разброс относительно ширины поля допуска.
А из этого следует, что работа с процессами на уровне «попал – не попал» в допуск, т.е. с альтернативными данными (например, при помощи традиционных калибров) явно недопустима. Альтернативные данные «не чувствуют» разницы между ситуациями, изображенными на рисунках 1 – 5б и «срабатывают» уже при свершившемся факте нарушения допуска. А все современные методы стремятся работать с предупреждениями несоответствий, а не с фактами их появления и устранения.
Поэтому работу с процессом при “малых ppm” следует вести при помощи количественных данных и соответствующих методов их обработки, например, [11], или методов регрессионного анализа [14] для оценки “силы” влияния разных факторов с последующим принятием организационно-технических мер, или других методов.
В тех случаях, когда данные с выхода ТП явно удобнее получать калибрами, можно использовать специальные калибры, «настроенные» на суженные границы допуска [15,16]. Сужение допуска делается здесь не для ужесточения исходных технических требований, а для повышения эффективности и простоты обработки исходных данных. По эффективности этот метод лишь немного уступает оптимальному с использованием количественных данных, но значительно проще его в применении.
А как насчет стабильности процесса?
Из приведенных выше рисунков и оценок под ними следует, что прогнозируемый уровень несоответствий (т.е. «выбросы» за пределы допуска) зависит от «центра настройки ТП» m и характеристики среднего разброса процесса s. Но если бы заранее была уверенность в постоянстве m и σ, т.е. в статистической стабильности процесса, то можно бы один раз «измерить» m и σ по выборке, подсчитать qå и, если это достаточно малая величина, спокойно работать дальше.
К сожалению, такой уверенности, как правило, нет. В реальных процессах m и σ могут значительно изменяться, а это, как мы видели из оценок под рисунками, сильно влияет на качество процесса, т.е. на величину qå. Особенно сильно влияет величина σ: ее увеличение в 1,5-2 раза приводит к увеличению qå в десятки и даже сотни раз при «малых ppm» (см. рисунки 5 и 4 в сравнении).
Сложность состоит в том, что даже для абсолютно стабильного ТП выборки далеко не всегда бывают такими «типовыми», и оценить m и σ не просто. Удовлетворительная точность этих оценок достигается при выборках объемом десятки и даже сотни единиц для стабильного процесса. Однако существуют хорошо отработанные приемы анализа процессов по нескольким небольшим выборкам [11,14].
Часто нестабильность или повышенный разброс показателя на выходе ТП объясняют недостаточной точностью оборудования, его износом. Но всегда ли это так? Разве “виноват”, например, шлифовальный станок, что на его вход подаются заготовки с большим разбросом по твердости или по припуску? Может быть, следует разобраться с условиями “вокруг” технологического оборудования? Тогда удастся поймать действительное “слабое звено”.
Так или иначе, все вопросы точности и стабильности технологических процессов связаны с пониманием и использованием статистических подходов, которые должны применяться, как минимум, для “ключевых” ТП. Благо, что эти подходы хорошо отработаны методически и достаточно легко осваиваются инженерами и специалистами предприятий: достаточно 5-10 дней занятий с тренингом на основе данных, взятых из действующих ТП.
Выводы
1. Современные технические устройства содержат десятки и даже сотни показателей (включая показатели сборки), которые существенно влияют на качество и надежность готовых изделий. Эти показатели должны быть выделены, классифицированы как “ключевые” и должны подлежать особому вниманию по всему технологическому циклу. Выделение “ключевых” показателей должно происходить в ходе работы FMEA-команд при проектировании продукции и разработке ТП.
2. Уровни несоответствий по всем “ключевым” показателям качества должны быть крайне низкими, порядка единиц, в крайнем случае – десятков ppm, иначе “неприятности” в готовой продукции будут “обеспечены”.
3. Контроль показателя качества с уровнями несоответствий порядка единиц–десятков ppm невозможен с участием оператора. Если отсутствует контрольный автомат, то единственный путь – улучшение процесса по точности и стабильности.
4. Работа с процессом на уровне “малых ppm” требует отказаться от применения данных по альтернативному признаку (традиционных предельных калибров, скоб и т.п.).
Следует применять статистическое слежение за процессом при помощи данных по количественному признаку или по альтернативному признаку, но для “суженного
допуска”.
5. Обеспечение “малых ppm” требует обеспечения стабильности процессов, а это требует их изучения при помощи статистических методов (контрольных карт Шухарта).
6. Применение статистических методов для процессов возможно только при соответствующей точности проведения измерений показателей качества.
Литература
- Промышленность и техника. Энциклопедия промышленных знаний. Том VI. Технология металлов. – С-Петербург, 1903. – с.91-114.
- ГОСТ Р 50779.44-2001 Статистические методы. Показатели возможностей процессов. Основные методы расчета.
- Mikel J.Harry, J.Roland Lawson. Six Sigma Producibility Analysis and Process Characterization // Motorola, Inc. – 1992.
- Анализ видов и последствий потенциальных отказов. FMEA. Справочное руководство. Пер. с англ. Н.Новгород, СМЦ “Приоритет”. – 2002, – 72 с.
- ГОСТ Р 51814.2-2001 Системы качества в автомобилестроении. Метод анализа видов и последствий потенциальных дефектов.
- Розно М.И. Как научиться смотреть вперед? Внедрение FMEA-методологии // Методы менеджмента качества. – 2000. – №6.
- Розно М.И. Проектирование: с FMEA или без? // Стандарты и качество. – 2001. – №9.
- GM 1805. Key Characteristics Designation System (KCDS).
- Процесс согласования производства части. PPAP. Пер. с англ. Н. Новгород: АО НИЦ КД, СМЦ “Приоритет”, 2002, – с.49.
- В.Едвардс Деминг. Выход из кризиса // Тверь, Альба. – 1994, – 498 с.
- Статистическое управление процессами. SPC. Пер. с англ. Н.Ногород: АО НИЦ КД, СМЦ “Приоритет”. – 2001, – 181 с.
- Анализ измерительных систем. MSA. Пер. с англ. Н.Новгород: АО НИЦ КД, СМЦ “Приоритет”. – 2002, – 138 с.
- Применение прикладных статистических методов при производстве продукции. Практическое руководство (для специалистов по управлению качеством и специалистов технических служб). – Н. Новгород: АО НИЦ КД, СМЦ “Приоритет”, 2001, – 54 с.
- Дрейпер Н., Смит Г. Прикладной регрессионный анализ.– 2-е изд. Пер. с англ. // М., Статистика, 1986.
- Розно М.И. Регулирование процессов на основе данных по альтернативному признаку по суженному допуску // Методы менеджмента качества. – 2001. – №12, с.27-33.
- Mark I.Rozno. Statistical Process Control Based on Attribute Data Obtained by a Narrowed Tolerance // Economic Quality Control, vol.16 (2001), №2, p.211-225.