Najważniejsze wnioski
Krótka odpowiedź: Dane atrybutowe mają charakter kategoryczny — zgodne lub niezgodne, go lub no‑go, zliczenie wad. Dane zmienne mierzy się na skali ciągłej — rzeczywisty wymiar, masa lub temperatura. Dane zmienne pokazują, jak blisko limitu pracujesz, co umożliwia wczesne ostrzeżenie zanim wystąpią wady, i przy tej samej mocy statystycznej wymagają znacznie mniejszych próbek. Dane atrybutowe są prostsze do zebrania, ale „ślepe” dopóki część nie zawiedzie. Zobacz także wykres kontrolny vs wykres przebiegu.
Dane atrybutowe odpowiadają na pytanie tak lub nie. Rejestrują, czy część przeszła czy nie, albo zliczają, ile wystąpiło wad. Są proste i szybkie do zebrania — zaznaczenie lub zliczenie — ale nie zawierają informacji o tym, jak dobra lub jak przygraniczna była każda część.
Dane zmienne to pomiar na skali ciągłej — rzeczywisty wymiar, masa lub temperatura. Pokazują dokładnie, gdzie każda część znajduje się względem specyfikacji, i to właśnie czyni je znacznie potężniejszymi do kontroli i wczesnego ostrzegania.
Wałek ma specyfikację średnicy 10,00 ± 0,05 mm. Dane atrybutowe rejestrują tylko „zgodne” aż do momentu, gdy część w końcu zmierzy 10,06 mm i zostanie uznana za niezgodną — w tym czasie proces driftował przez godzinę i wyprodukował partię bliską granicy. Dane zmienne mierzą rzeczywistą średnicę przy każdej kontroli: 10,01; 10,02; 10,03... trend w kierunku granicy jest oczywisty na długo zanim jakakolwiek część zawiedzie, więc operator koryguje proces, gdy wszystko jest jeszcze dobrze. Te same części, ale jedna metoda ostrzega, a druga jedynie raportuje awarię.
Kontrola zgodne/niezgodne nic nie mówi, dopóki część nie zawiedzie. Pomiar pokazuje narastający trend w kierunku granicy, gdy części są jeszcze dobre, więc można zareagować zanim pojawią się wady. Ponadto wykrywa przesunięcie przy znacznie mniejszych próbkach, co czyni go bardziej efektywnym i bardziej informacyjnym.
Dane atrybutowe mają sens, gdy pomiar jest niepraktyczny lub cecha jest naprawdę kategoryczna — obecna lub nieobecna, poprawna lub niepoprawna, defekt wizualny. W pozostałych przypadkach preferuj dane zmienne ze względu na ich zdolność do wczesnego ostrzegania i efektywność próbkowania.
1. Używanie danych atrybutowych tam, gdzie pomiar jest możliwy. Rezygnujesz z wczesnego ostrzegania i efektywności próbkowania.
2. Zwiększanie próbek atrybutowych, by to zrekompensować. Dane atrybutowe wymagają znacznie większych prób dla tej samej mocy.
3. Brak SPC dla danych zmiennych. Zbieranie pomiarów bez nigdy nierysowania trendu.
4. Zgodne/niezgodne dla krytycznego wymiaru. Proces driftuje niezauważony, aż część w końcu zawiedzie.
Dane zmienne umożliwiają prawdziwe SPC, które wychwytuje dryf wydajności i jakości zanim stanie się on przestojem lub złomem — poprawiając OEE „przed” wystąpieniem awarii zamiast jedynie zliczać ją po fakcie.
Fabrico rejestruje zmierzone dane jakościowe, dzięki czemu możesz rysować trendy i reagować zanim części zawiodą, a nie tylko zliczać odrzuty. Zarezerwuj demo, aby zobaczyć dane pomiarowe jakości w Twoim OEE.
Dane zmienne — znacznie mniej przy tej samej mocy statystycznej.
Dają wczesne ostrzeżenie zanim wystąpią wady, gdy części są jeszcze dobre.
Nie — sprawdzają się przy cechach naprawdę kategorycznych, gdy pomiar jest niepraktyczny.
Dane zmienne stanowią podstawę najbardziej użytecznej statystycznej kontroli procesu (SPC).
Gdy cecha jest rzeczywiście kategoryczna, jak obecne/nieobecne lub defekt wizualny.
Zaloguj
Blog
