Analiza zgodności atrybutów to metoda analizy systemów pomiarowych (MSA), która sprawdza, czy oceniający dokonujący ocen typu zaliczone/niezaliczone lub innych ocen kategorycznych zgadzają się sami ze sobą, między sobą oraz z ustalonym wzorcem odniesienia. Jest to odpowiednik dla danych atrybutowych badania Gauge R&R stosowanego do pomiarów ciągłych. Kontrole wzrokowe, przyrządy go/no-go i oceny kosmetyczne opierają się na ludzkim osądzie, który może dryfować i zawodzić tak jak zużyta suwmiarka. Zanim zaufasz danym zaliczone/niezaliczone na tyle, by na ich podstawie podejmować działania, potrzebujesz dowodu, że sama inspekcja jest powtarzalna i poprawna.
Badanie przyrządu zmiennego wyraża błąd pomiaru w tych samych jednostkach co cecha. Inspekcja atrybutowa daje kategorie, a nie liczby, więc powtarzalność i odtwarzalność trzeba wyrażać jako wskaźniki zgodności. Ma to znaczenie, ponieważ nieszczelna inspekcja cicho zafałszowuje wszystkie późniejsze decyzje. Karty SPC oparte na zliczeniach wad, raportowanie odpadów i akceptacja partii dziedziczą ten błąd. Inspekcja z 10-procentowym współczynnikiem pominięć wysyła jedną wadliwą sztukę na dziesięć z dołączonym wynikiem zaliczonym.
Komórka frezarska przeprowadza analizę zgodności atrybutów dla inspekcji wzrokowej zadziorów: 20 części zgodnych i 10 części wadliwych jako wzorce, trzech oceniających, z których każdy ocenia wszystkie 30 części dwukrotnie, ślepo i w losowej kolejności. Wyniki:
Analizując Oceniającego B: w 20 decyzjach dotyczących części wadliwych (10 części, 2 próby) B zaakceptował 3, co daje współczynnik pominięć 15%. W 40 decyzjach dotyczących części dobrych B odrzucił 3, co daje współczynnik fałszywych alarmów 7,5%. Skuteczność B to 54 z 60 decyzji, czyli 90%, co samo w sobie wydaje się akceptowalne. Jednak 15-procentowy współczynnik pominięć pokazuje prawdziwy problem, a 70-procentowy wynik zespołu wobec wzorca wskazuje, że do poprawy jest system, nie pojedyncza osoba.
Procent zgodności może mylić, bo nawet dwie osoby rzucające monetą czasem się zgodziłyby. Statystyka kappa koryguje to: kappa = (Po minus Pe) podzielone przez (1 minus Pe), gdzie Po to zaobserwowana zgodność, a Pe to zgodność przypadkowa. Dla Oceniającego B wobec wzorca Po = 0,90. B zaakceptował części w 40 z 60 decyzji, podczas gdy wzorzec mówi, że 40 z 60 jest dobrych, więc Pe = (0,667 x 0,667) + (0,333 x 0,333) = 0,556. Kappa = (0,90 minus 0,556) / (1 minus 0,556) = 0,78. Z grubsza przyjmuje się, że kappa powyżej 0,75 oznacza dobrą zgodność, poniżej 0,40 — słabą, a wielu klientów z branży motoryzacyjnej oczekuje 0,90 lub więcej dla cech związanych z bezpieczeństwem. Oceniający B znajduje się w strefie marginalnej.
Szeroko stosowane wytyczne w stylu AIAG: skuteczność 90% lub więcej jest akceptowalna, 80–90% jest marginalna; współczynnik pominięć do 2% jest akceptowalny, powyżej 5% jest nieakceptowalny; współczynnik fałszywych alarmów do 5% jest akceptowalny, powyżej 10% jest nieakceptowalny. Gdy badanie nie przejdzie, naprawy zwykle mają charakter proceduralny, nie personalny:
Jeśli sama definicja wady jest kwestionowana, przeprowadź uporządkowany projekt DMAIC, zamiast argumentować przy stanowisku inspekcyjnym.
Analiza zgodności atrybutów weryfikuje osąd; Fabrico dostarcza wiarygodne dane produkcyjne wokół tego procesu. Fabrico oferuje monitorowanie OEE i produkcji w czasie rzeczywistym, w tym wizję komputerową dla maszyn bez PLC, dzięki czemu liczby dotyczące wydajności i jakości odzwierciedlają to, co faktycznie działo się na linii. Jego gotowe do użycia CMMS obsługuje operacyjną stronę zdrowego systemu pomiarowego: cykliczne zlecenia pracy na kalibrację przyrządów, zaplanowane powtórzenia MSA, przeglądy próbek granicznych oraz pełna historia aktywów dla każdego stanowiska inspekcji. Fabrico jest zbudowane w UE z przechowywaniem danych na terenie UE, więc zapisy pozostają audytowalne pod kątem europejskich wymogów zgodności.
Typowe minimum to 30 części, 3 oceniających i 2 próby (180 decyzji). Użyj 50 części, gdy wady są subtelne. Próbka musi zawierać części graniczne blisko granicy akceptuj/odrzuć — to tam systemy inspekcyjne faktycznie zawodzą.
Kappa powyżej 0,75 jest zwykle uznawana za dobrą, a poniżej 0,40 za słabą. Wielu klientów z branży motoryzacyjnej i medycznej wymaga 0,90 lub wyżej dla krytycznych cech. Zawsze analizuj kappę razem z współczynnikiem pominięć, ponieważ przyzwoita kappa może ukrywać nieakceptowalne ryzyko ucieczki wad.
Ponów badanie, gdy zmienią się oceniający, gdy zmieni się definicja wady lub próbki graniczne, po ucieczce do klienta oraz w ustalonym cyklu (zwykle rocznie). Traktuj to jak kalibrację przyrządu: właściciel, termin i zapis.
Chcesz, aby wyniki inspekcji, odpady i OEE płynęły z jednego wiarygodnego źródła w czasie rzeczywistym? Umów demo Fabrico i zobacz swoje dane jakościowe tak, jak zobaczy je audytor.
Zaloguj
Blog
