El análisis de concordancia de atributos es un método de análisis de sistemas de medición (MSA) que prueba si los inspectores que toman decisiones de aceptación/rechazo u otros juicios categóricos concuerdan consigo mismos, entre ellos y con un estándar de referencia conocido. Es la contraparte para datos de atributos del estudio Gauge R&R usado para mediciones continuas. Las verificaciones visuales, los calibres go/no-go y la clasificación cosmética dependen del juicio humano, y ese juicio puede desviarse y fallar igual que un calibre desgastado. Antes de confiar lo suficiente en los datos de aceptación/rechazo para tomar acciones, necesitas evidencia de que la propia inspección es repetible y correcta.
Un estudio de gage variable expresa el error de medición en las mismas unidades que la característica. La inspección por atributos produce categorías, no números, por lo que la repetibilidad y la reproducibilidad deben expresarse como tasas de concordancia. Esto importa porque una inspección defectuosa corrompe silenciosamente cada decisión posterior. Los gráficos SPC basados en recuentos de defectos, los informes de chatarra y la aceptación de lotes heredan el error. Una inspección con una tasa de omisión del 10 por ciento envía una unidad defectuosa de cada diez con un registro de aprobada adjunto.
Una celda de mecanizado realiza un análisis de concordancia de atributos en una inspección visual de rebabas: 20 piezas conformes y 10 defectuosas de referencia, tres inspectores, cada uno calificando las 30 piezas dos veces, a ciegas y en orden aleatorio. Los resultados:
Analizando al Inspector B: en 20 decisiones sobre piezas defectuosas (10 piezas, 2 ensayos), B aceptó 3, una tasa de omisión del 15 por ciento. En 40 decisiones sobre piezas buenas, B rechazó 3, una tasa de falsas alarmas del 7.5 por ciento. La efectividad global de B es 54 de 60 decisiones, o 90 por ciento, lo que parece aceptable en aislamiento. La tasa de omisión del 15 por ciento cuenta la historia real, y la puntuación del equipo frente al estándar del 70 por ciento muestra que es el sistema, no una sola persona, lo que necesita trabajo.
El porcentaje de concordancia favorece al sistema porque dos personas lanzando monedas aún coincidirían a veces. La estadística kappa corrige eso: kappa = (Po menos Pe) dividido por (1 menos Pe), donde Po es la concordancia observada y Pe la concordancia por azar. Para el Inspector B frente al estándar, Po = 0.90. B aceptó piezas en 40 de 60 decisiones mientras que el estándar indica 40 de 60 buenas, por lo que Pe = (0.667 x 0.667) + (0.333 x 0.333) = 0.556. Kappa = (0.90 menos 0.556) / (1 menos 0.556) = 0.78. Como regla práctica, kappa por encima de 0.75 indica buena concordancia, por debajo de 0.40 indica mala concordancia, y muchos clientes del sector automotriz esperan 0.90 o mejor para características relacionadas con la seguridad. B se sitúa en la zona marginal.
Directrices estilo AIAG ampliamente usadas: efectividad del 90 por ciento o más es aceptable y 80 a 90 por ciento es marginal; tasa de omisión del 2 por ciento o menos es aceptable y por encima del 5 por ciento es inaceptable; tasa de falsas alarmas del 5 por ciento o menos es aceptable y por encima del 10 por ciento es inaceptable. Cuando un estudio falla, las correcciones suelen ser procedimentales, no personales:
Si la definición del defecto en sí es objeto de disputa, ejecuta un proyecto estructurado de DMAIC en lugar de discutir en el banco de inspección.
El análisis de concordancia de atributos valida el juicio; Fabrico suministra los datos de producción confiables que lo rodean. Fabrico entrega monitoreo de OEE y de producción en tiempo real, incluyendo visión por computador en máquinas sin PLC, de modo que los números de producción y calidad reflejen lo que realmente sucedió en la línea. Su CMMS listo para campo gestiona el lado operativo de un sistema de medición sano: órdenes de trabajo recurrentes para calibración de gages, re-estudios MSA programados, revisiones de muestras límite e historial completo de activos para cada estación de inspección. Fabrico está desarrollado en la UE con residencia de datos en la UE, por lo que el registro permanece auditable para los requisitos de cumplimiento europeos.
Un mínimo común es 30 piezas, 3 inspectores y 2 ensayos (180 decisiones). Usa 50 piezas cuando los defectos son sutiles. La muestra debe incluir piezas límite cercanas al umbral de aceptación/rechazo, donde los sistemas de inspección realmente fallan.
Kappa por encima de 0.75 se considera generalmente bueno y por debajo de 0.40 pobre. Muchos clientes automotrices y del sector médico requieren 0.90 o más para características críticas. Siempre interpreta kappa junto con la tasa de omisión, ya que un kappa decente puede ocultar un riesgo de escape inaceptable.
Repite el estudio cuando cambien los inspectores, cuando cambie la definición del defecto o las muestras límite, después de una fuga al cliente y con una cadencia fija (anual es típico). Trátalo como la calibración de un gage: un responsable, una fecha de vencimiento y un registro.
¿Quieres resultados de inspección, chatarra y OEE fluyendo desde una única fuente fiable en tiempo real? Solicita una demo de Fabrico y ve tus datos de calidad como lo haría un auditor.
Iniciar sesión
Blog
