Komplexní management jakosti
Transkript
Komplexní management jakosti
Komplexní management jakosti Doc. Ing. Pavel Mach, CSc. [email protected] Katedra elektrotechnologie místnost: blok B3, 446/447 tel.: 2214 Požadavky: 1. 2. 3. 4. Účast na cvičeních je povinná. Nejprve je třeba získat zápočet, pak je možné jít ke zkoušce. Bude zadán semestrální projekt. Obhajování formou konference. V 7. týdnu bude psán test z přednášek. Hodnocení testu je z 20% započteno do výsledné známky z předmětu. 5. Zkouška: odpřednášená látka plus zadané kapitoly z doporučené literatury. Komplexní management jakosti Pavel Mach Doporučená literatura [1] [2] [3] [4] [5] Kupka, K.: Statistické řízení jakosti. TriloByte, 2001 Sauer, W., Oppermann, M. et al.: Electronics Process Technology. Springer Verlag. 2006 Montgomery, D. G.: Introduction to Statistical Quality Control. John Wiley and Sons, 4. vydání. 2001 Meloun, M., Militký, J.: Statistické zpracování experimentálních dat. Plus 1994 Meloun, M., Militký, J.: Kompendium statistického zpracování experimentálních dat. 2000 Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Data – soubor naměřených nebo jinak získaných hodnot zatížený chybou. Je to realizace náhodné proměnné nebo náhodný výběr. Data z oblasti řízení jakosti umožňují hodnotit jakost procesů nezávisle na typu procesu. Protože zpravidla není možné kontrolovat nebo měřit všechny výrobky, dělá se náhodný výběr. Závěry hodnocení náhodného výběru platí vždy s určitou pravděpodobností. Pro závěry hodnocení kvality procesu je nutné vždy akceptovat nejistoty měření. Měřené charakteristiky mají vždy nějaký rozptyl. Náhodná proměnná charakterizuje náhodnou událost. Např. počet vadných kusů výrobků v náhodném výběru je náhodnou proměnnou. Skutečná hodnota náhodné veličiny (počet vadných výrobků v daném náhodném výběru) je pak nazývána realizací náhodné veličiny. Dohoda: náhodné proměnné jsou vždy psány velkými písmeny, jejich realizace malými písmeny. Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Výskyt náhodné události je vždy nejistý. Náhodné události mají různou frekvenci výskytu popsanou pravděpodobností. Zápis P(X=xi) popisuje pravděpodobnost, že náhodná veličina X nabude hodnoty xi (že realizace náhodné veličiny X bude mít hodnotu xi). Jiný zápis téhož je P(xi) nebo také pi. Charakteristika náhodných událostí Pro náhodné události mohou platit následující relace: Sjednocení událostí (Union of events) y = xi ∪ x j Náhodná událost y nastane když nastane alespoň jedna z událostí xi nebo xj. xi xj xi A B Propojení míst A a B nastane, když alespoň jedna z diod není přerušená xj Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Průnik událostí (Intersection of events) y = xi ∩ x j Náhodná událost y nastane, když nastanou obě události xi a xj současně. Propojení míst A a B nastane, když ani jedna z diod není přerušená Jistá událost Ω (Certain event) je událost, která nastane s pravděpodobností 1, tedy nastane vždy. Nemožná událost Φ (Impossible event) je událost, která nenastane nikdy, nastane tedy s pravděpodobností 0. Komplementární událost x i (Complementary event) je událost, která nastane, nenastane-li událost xi Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Disjunktní události (Disjoint events) y = xi ∩ x j = Φ Nastane-li událost xi, nemůže nastat událost xj. Základní soubor (Population) Je soubor všech součástek, dílů, produktů ap. vyrobených daným výrobním procesem. Náhodný výběr (Random sample, random selection) Je výběr omezeného počtu prvků ze základního souboru s podmínkou, že každý prvek má stejnou pravděpodobnost, že bude vybrán. Základní vztahy v pravděpodobnosti P(Φ ) = 0 Pravděpodobnost nemožné události je 0 P(Ω ) = 1 Pravděpodobnost jisté události je 1 Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Základní vztahy v pravděpodobnosti P (xi ∪ x j ) = P ( x i ) + P (x j ) Pokud jsou xi a xj disjunktní P (xi ∪ x j ) = P ( xi ) + P (x j ) − P (xi ∩ x j ) Pokud nejsou xi a xj disjunktní Diskrétní proměnná kvality V procesu, kdy je realizováno N prvků, z nichž je X chybových (může to být např. počet řídicích pulzů, počet výrobků apod.), hovoříme o diskrétní proměnné kvality. Přitom proměnná X pak charakterizuje počet chybových pulzů = sledovanou proměnnou kvality (quality characteristic variable). Je-li rozsah základního souboru N, pak diskrétní proměnná kvality může nabývat následujících hodnoty 0, 1, ... , n: Je-li počet chybových pulzů 0, x0 = 0 ... žádný pulz nebyl chybový Je-li počet chybových pulzů 1, x1 = 1 ... jeden pulz byl chybový Je-li počet chybových pulzů n, xn = N ... všechny pulzy byly chybové Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Základní vztahy v pravděpodobnosti DISKRÉTNÍ NÁHODNÁ PROMĚNNÁ (kvality) Diskrétní proměnná kvality je užívána méně často než spojitá proměnná. Tato proměnná vychází z hodnocení porovnáním a hodnotí prvky binárně, tedy dobrý - špatný. Výhodou tohoto přístupu je, že je rychlý, má menší nároky na testovací zařízení a je zpravidla levnější, než měření spojité proměnné. Každá realizace xi parametru kvality proměnné X nastává s určitou pravděpodobností pi. P ( xi ) = P ( X = xi ) = pi Mají-li jednotlivé realizace pravděpodobnosti pi, pak platí: n ∑p i =1 i =1 Komplexní management jakosti n respektive ∑p i =0 i =1 Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Základní vztahy v pravděpodobnosti Grafická reprezentace pravděpodobnostní funkce Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Základní vztahy v pravděpodobnosti Distribuční funkce Distribuční funkce vyjadřuje pravděpodobnost, že realizace náhodné proměnné X (charakteristika kvality, parametr kvality) je menší (někdy je uváděno menší nebo rovna) než (předem zvolená) hodnota x. Distribuční funkce je neklesající a blíží se hodnotě 1. F ( x) = P( X < x) Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Základní vztahy v pravděpodobnosti Vlastnosti distribuční funkce F (∞ ) = 1 F (−∞ ) = 0 k F ( x) = ∑ pi pro xk < x i =1 Parametry distribuční funkce diskrétní veličiny Předpokládaná hodnota náhodné veličiny X, často označovaná µ, je dána vztahem: n E{X } = µ = ∑ xi pi i =1 Další významnou veličinou je variance (rozptyl) D2{X}. Ta je dána vztahem: Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti { } n n D {X } = σ = E ( X − µ ) = ∑ ( xi − µ ) . p i =∑ xi p i − µ 2 2 2 2 2 i =1 2 i =1 Směrodatná odchylka je pak dána vztahem: σ = σ 2 = D 2 {X } Další významnou veličinou je variační koeficient: ν= σ µ Základními typy rozdělení diskrétní náhodné proměnné jsou binomické rozdělení, hypergeometrické rozdělení a Poissonovo rozdělení. Těmito rozděleními se budeme blíže zabývat v problematice spolehlivosti. Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Základní vztahy v pravděpodobnosti SPOJITÁ NÁHODNÁ PROMĚNNÁ (kvality) Parametr kvality je spojitou náhodnou proměnnou jestliže může v daném intervalu nabývat libovolné hodnoty. Typickými spojitými náhodnými proměnnými jsou např. hodnoty izolačního odporu nebo průrazného napětí izolačního systému stroje, hodnota kapacity kondenzátoru, hodnota sycení magnetického obvodu atd. Spojitá náhodná proměnná je získávana měřením. Jsou-li stanoveny toleranční meze, je možné konvertovat spojitou náhodnou proměnnou na diskrétní náhodnou proměnnou (uvnitř a na hranici tolerančního pole „dobrá“, vně „špatná“). Distribuční funkce je definována stejně jako u diskrétní náhodné proměnné: F {X } = F (a ) = P ( X < a ) = a ∫ f ( x)dx −∞ b P( xab ) = P(a ≤ X < b) = ∫ f ( x)dx a Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Základní vztahy v pravděpodobnosti SPOJITÁ NÁHODNÁ PROMĚNNÁ (kvality) P( X > a) = 1 − F ( x) Hustota pravděpodobnosti je definována jako derivace distribuční funkce: f ( x) = dF ( x) dx Distribuční funkce spojité náhodné proměnné ∞ ∫ f ( x)dx = 1 −∞ Hustota pravděpodobnosti spojité náhodné proměnné (normální rozdělení) Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti b P( xab ) = P(a ≤ X < b) = ∫ f ( x)dx = F (b) − F (a) a Parametry distribuční funkce spojité náhodné veličiny Předpokládaná hodnota náhodné veličiny X, často označovaná µ, je dána vztahem: µ = E{X } = ∞ ∫ x. f ( x).dx −∞ Rozptyl D2(X) , je dán vztahem: ∞ σ = D {X } = ∫ ( x − µ ) f ( x )dx = 2 2 2 −∞ ∞ 2 2 x f ( x ) dx − µ ∫ −∞ Zde σ je směrodatná odchylka Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti A směrodatná odchylka se pak vypočte z rovnice: σ = D 2 {X } Základními typy spojitých rozdělení užívanými v oblasti jakosti jsou rovnoměrné rozdělení a Gaussovo (normální) rozdělení. Rovnoměrné rozdělení Funkce hustoty pravděpodobnosti je zde dána vztahem: f (x) = 1 b−a Pro a ≤ x ≤ b Pro všechny ostatní hodnoty x. Při využití rovnoměrného rozdělení parametru kvality je vždy předpokládáno, že tento parametr je v intervalu <a, b> Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Pro očekávanou hodnotu a rozptyl zde platí: a+b µ= 2 (b − a ) 2 σ = 12 2 Rovnoměrné rozdělení je často užíváno tehdy, když není dostupná absolutně žádná informace o proměnné, která charakterizuje kvalitu. Jiný případ užití rovnoměrného rozdělení je tehdy, když je prováděno „sortování“ výrobků. Populace s širokým rozptylem je skenována a jsou z ní vybírány třídy výrobků, u kterých sledovaný parametr kvality splňuje podmínku, že jeho realizace je v intervalu <a,b>. Normální rozdělení Přibližně 80 – 90 % náhodných proměnných, které charakterizují kvalitu, má náhodné rozdělení. Příčinu lze vidět v centrální limitní větě, která říká, že jestliže z realizací náhodné proměnné vytvoříme logické podskupiny, pak statistické charakteristiky těchto podskupin se blíží normálně rozděleným datům více, než data původní. Centrální limitní věta se běžně užívá pro zpracování dat při konstrukci např. regulačních diagramů. Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Hustota pravděpodobnosti normálního rozdělení náhodné proměnné X s parametry µ a σ má tvar: f ( x) = 1 e σ 2π − ( x−µ )2 2σ 2 Předpokládaná hodnota a variance (rozptyl) jsou popsány vztahy: E{X } = µ σ 2 = D 2 {X } Distribuční funkce je pak, v souladu s definicí, popsána vztahem: 1 F ( x) = P ( X < x) = σ 2π x ∫e − (ξ − µ ) 2 2σ 2 dξ −∞ Tento integrál je možné řešit jen numericky. V některých případech je výhodné užívat normovaného (standardizovaného) normálního rozdělení. Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Normované (standardizované) normální rozdělení V tomto rozdělení je náhodná veličina X nahrazena náhodnou veličinou U zavedenou vztahem: X −µ U = σ Normované normální rozdělení má očekávanou hodnotu 0 a rozptyl (varianci), a tedy i směrodatnou odchylku, rovnou 1. Označuje se N(0,1). Hustota pravděpodobnosti standardizovaného normálního rozdělení je označována ϕ(u) a distribuční funkce Φ(u). Funkce Φ(u) bývá tabelována. Pro hustotu pravděpodobnosti a distribuční funkci tohoto rozdělení platí následující vztahy. ϕ (u) Hustota pravděpodobnosti: ϕ (u ) = u2 1 − 2 dΦ (u ) e = du 2π Distribuční funkce: Φ (u ) = P(U < u ) = Komplexní management jakosti 1 2π u ∫e − z2 2 dz −∞ Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Další vlastnosti: −∞ <u < ∞ Φ (−u ) = 1 − Φ (u ) ϕ ( −u ) = ϕ (u ) Příklad 1 Předpokládejme, že máme interval [-1, 2] standardizovaného normálního rozdělení. Hledáme pravděpodobnost, s jakou realizace náhodné veličiny padne do tohoto intervalu. P(−1 ≤ U < 2) = Φ(2) − Φ(−1) = Φ(2) − 1 + Φ(1) = = 0.97725 − 1 + 0.841345 = = 0.818595 Komplexní management jakosti Pavel Mach Charakteristika proměnných užívaných v řízení jakosti Příklad 2 Předpokládejme, že vyrábíme odpory se střední hodnotou µ = 990 Ω a že směrodatná odchylka zjištěná z náhodného výběru je σ = 50 Ω. Určete procento odporů (defect rate p), které budou ležet mimo povolený toleranční interval [900 Ω, 1100 Ω ]. Předpokládáme zavedenou výrobu. U zavedené výroby součástek lze předpokládat normální rozdělení. p = P([X < TD ] ∪ [X > TH ] = P( X < TD) + P( X > TH ) Provedeme-li transformaci na standardizované normální rozdělení nové náhodné proměnné U vztahem: U = X −µ σ je možné psát: T − µ T − µ 900 − 990 1100 − 990 p = Φ D + 1 − Φ H = Φ + 1 − Φ = σ σ 50 50 = Φ (−1.8) + 1 − Φ (2.2) = 1 − 0.96407 + 1 − 0.986097 = 0.049833 Procento vadných odporů je 4,98 %. Komplexní management jakosti Pavel Mach Ověřování normality výběru Testy normality Existují dva základní typy testů normality: Je-li typ odchylek při testování předem specifikován, užívají se tzv. „směrové testy“. Není-li předem známo, jaké odchylky od normality se v datech vyskytují, užívají se tzv. „omnibus testy“. Jestliže výsledkem testu je závěr, že data nejsou normálně rozdělena, je třeba test doplnit některými nástroji exploratorní analýzy. Test kombinace výběrové šikmosti a špičatosti Testové kritérium je definováno vztahem: [g − E ( g 2 )] g C1 = 1 + 2 D ( g1 ) D( g 2 ) 2 Komplexní management jakosti 2 Pavel Mach Ověřování normality výběru Test kombinace výběrové šikmosti a špičatosti Zde g1 je výběrový odhad třetího centrálního statistického momentu rozdělení. Šikmostí rozumíme právě třetí centrální statistický moment rozdělení. Šikmost patří spolu se špičatostí mezi parametry tvaru a je mírou asymetrie rozdělení. Pro symetrická rozdělení je rovna nule Komplexní management jakosti Pavel Mach Ověřování normality výběru Test kombinace výběrové šikmosti a špičatosti Zde g2 je výběrový odhad čtvrtého centrálního statistického momentu rozdělení. Špičatostí rozumíme právě čtvrtý centrální statistický moment rozdělení. Špičatost patří spolu se šikmostí mezi parametry tvaru. Pro symetrická rozdělení je rovna třem. Komplexní management jakosti Pavel Mach Ověřování normality výběru Zde g1 je výběrová šikmost (výběrový odhad třetího centrálního statistického momentu rozdělení), D(g1) je její rozptyl, Pro tyto charakteristiky platí následující vztahy: g1 = n n n 2 ( x − x ) ∑ i i =1 3 ∑ ( xi − x ) 3 2 i =1 D( g1 ) ≈ 6(n − 2) (n + 1)(n + 3) E ( g1 ) = 0 s( g1 ) ≈ 6 n Dále g2 je výběrová špičatost (výběrový odhad čtvrtého centrálního statistického momentu rozdělení) , D(g2) je její rozptyl. Pro tyto charakteristiky platí následující vztahy: g2 = n n n 2 ( x − x ) ∑ i i =1 2 ∑ (x i =1 i − x) 4 D( g 2 ) ≈ 24n(n − 2)(n − 3) (n + 1) 2 (n + 3)(n + 5) s( g 2 ) ≈ Komplexní management jakosti E(g 2 ) = 3 − 6 n +1 24 n Pavel Mach Ověřování normality výběru Test kombinace výběrové šikmosti a špičatosti Pro reálné velikosti výběrů je možné namísto C1 (výběrové charakteristiky) použít testovací kritérium C2 dané vztahem: C 2 = Z 2 ( g1 ) + Z 2 ( g 2 ) kde Z(g1), Z(g2) jsou normální aproximace náhodných veličin g1 a g2. Při výpočtu Z(g1) a Z(g2) se postupuje následovně: nejprve se vypočtou pomocné veličiny a z nich požadované aproximace. Výpočet Z(g1): 2 Y 1 Y Z ( g1 ) = ln + +1 A ln w A Y = g1 (n + 1)(n + 2) 6(n − 2) 3(n 2 + 27n − 70)(n + 1)(n + 3) G= (n − 2)(n + 5)(n + 7)(n + 9) w = −1 + 2G − 1 A= 2 w −1 2 Pokud data pocházejí z normalizovaného normálního rozdělení, má Z(g1) také normalizované normální rozdělení. Komplexní management jakosti Pavel Mach Ověřování normality výběru Test kombinace výběrové šikmosti a špičatosti Výpočet Z(g2) Nejprve se vypočte střední hodnota E(g2) a rozptyl D(g2). Dále se vypočtou parametry: g − E(g 2 ) S= 2 D( g 2 ) 6( n 2 − 5n + 2) 6(n + 3)(n + 5) g1 ( S ) = ( n + 7)(n + 9) n( n − 2)(n − 3) 2 1 − − 9 A Z (g 2 ) = Komplexní management jakosti 1− 1+ S 8 2 4 A=6+ + 1+ 2 g1 ( S ) g1 ( S ) g 1 ( S ) 2 A 2 A−4 2 9A Pavel Mach Ověřování normality výběru Test kombinace výběrové šikmosti a špičatosti Prokáže-li se, že pro C1 (resp. C2) platí: C1 > Χ 12−α C 2 > Χ 12−α je nutné hypotézu o normalitě rozdělení výběru zamítnout. Kvantily Je každá možná hodnota měřené veličiny, ke které umíme přiřadit jisté procento pravděpodobnosti 100.α . Pak hovoříme o α-kvantilu. Máme-li N naměřených hodnot seřazených vzestupně (tzv. setříděných dat), pak α-kvantil dělí tento interval na 2 části, z nichž levá obsahuje přibližně 100.α % hodnot a pravá obsahuje zbytek. Komplexní management jakosti Procento (pravděpodobnosti) Název kvantilu Označení 12,5 % kvantil Dolní oktil E 25 % kvantil Dolní kvartil F 50 % kvantil Medián M 75 % kvantil Horní kvartil F 87,5 % kvantil Horní oktil E Pavel Mach Ověřování normality výběru Medián Máme-li N setříděných dat a N je liché, pak mediánem rozumíme prostřední ze setříděných dat. Jestliže počet naměřených dat je sudý, pak to může být kterákoli hodnota mezi dvěma prostředními daty včetně těchto dat, obvykle se však uvádí střed mezi oběma prostředními daty. Uřezaný průměr (trimmed mean) Jedna nejvyšší a jedna nejnižší (dvě nejvyšší a dvě nejnižší, tři nejvyšší a tři nejvyšší atd.) naměřené hodnoty se škrtají a ze zbytku se vypočte aritmetický průměr . Podle toho, kolik % z celkového počtu naměřených hodnot se škrtá hovoříme o např. 10 % uřezaném průměru, 25 % uřezaném průměru atd. Uřezávání je nejjednodušší formou matematického vyrovnání. Komplexní management jakosti Pavel Mach Ověřování normality výběru Předpoklady o datech Většina postupů analýzy dat vychází z určitých předpokladů o datech. Nejsou-li tyto předpoklady splněny, mohou být závěry učiněné nad uvedenými daty zcela chybné. Ty jsou zpravidla následující. • Data mají normální rozdělení (testy normality, různé techniky exploratorní analýzy). • Data jsou nezávislá. • Data jsou homogenní. Nezávislost dat Data jsou nezávislá tehdy, jestliže každou naměřenou hodnotu určuje pouze čistě náhodná nezávislá složka ei s nějakým rozdělením. Jestliže naměřená hodnota závisí v nějaké míře na předcházející naměřené hodnotě, hovoříme o závislých datech. Obecně: závislost je ovlivnění naměřené hodnoty předchozími hodnotami, např. dle vztahu: xi = kF ( x1 , x2 ,...., xi −1 ) + ei Jestliže k = 0, jedná se o nezávislá data. Komplexní management jakosti Pavel Mach Ověřování normality výběru Předpoklady o datech Jedná-li se o lineární závislost dat, hovoříme o autokorelaci. Autokorelace je popsána vztahem: xi = ρ1 xi −1 + ei Je-li ρ1 kladné, hovoříme o pozitivní autokorelaci, je-li ρ1 záporné, jedná se o negativní autokorelaci. Autokorelace je častá hlavně u spojitých procesů, kdy data se měří v čase. Data mají tendenci zachovávat svou původní hodnotu, mají „paměť“. Korelaci snadno poznáme, vytvoříme-li tabulku dat posunutých proti sobě o jednu pozici x y x1 x2 x3 x4 x5 x6 x7 x8 x9 x1 x2 x3 x4 x5 x6 x7 x8 Komplexní management jakosti x9 Pavel Mach Ověřování normality výběru Předpoklady o datech Koeficient ρi se odhaduje podle tzv. korelačního koeficientu, který se určuje ze vztahu: ρ x, y = cov( x, y ) var(x) var( y ) Zde kovariance x (cov(x)) je dána vztahem: cov( X , Y ) = E ( X − EX )(Y − EY ) Platí: cov( X , Y ) = cov(Y , X ) cov( X ,X ) = σ 2 Hodnota korelačního koeficientu je v intervalu <-1, 1>. Jsou-li data nekorelovaná, je hodnota korelačního koeficientu blízká 0. Ale pozor! To, že korelační koeficient je blízký 0 neznamená, že mezi daty není závislost. Znamená to pouze, že mezi nimi není lineární závislost. Komplexní management jakosti Pavel Mach Ověřování normality výběru Předpoklady o datech Pro výpočet autokorelace je nutné pracovat s daty tak, jak byla naměřena. Přerovnání, setřídění, nebo vypouštění dat analýzu znehodnotí. Znaménkový test patří k jednoduchým metodám indikace přítomnosti systematického kolísání v datech. Je založen na posuzování délky sekvencí dat pod, resp. nad průměrem. • Pravděpodobnost výskytu symetricky rozdělené nezávislé náhodné veličiny pod, resp. nad střední hodnotou, je 0,5. • Pravděpodobnost výskytu n-hodnot za sebou na stejné straně je 0,5n (je-li n = 9, je to např. 0,2 %). Jsou-li takové sekvence dlouhé, svědčí to o nenáhodném kolísání dat. Pro znaménkový test vypočteme: • Počet hodnot nad průměrem, n+ • Počet hodnot pod průměrem, n• Celkový počet sekvencí na obou stranách průměru nU. Dále určíme statistiky nT, DT a U z rovnic: Komplexní management jakosti Pavel Mach Závislost výběru Znaménkový test nT = 1 + DT = U= 2n + n − n+ + n− 2n+ n− (2n+ n− − n+ − n− ) Veličina U má pro dostatečný počet dat přibližně normované normální rozdělení N(0,1). Bude-li U < 1.96, data se považují za závislá, resp. vykazující nenáhodné kolísání nebo trend. (n+ + n− )2 (n+ + n− − 1) nU − nT + 0.5 DT Komplexní management jakosti Pavel Mach Ověřování normality výběru Předpoklady o datech Pro výpočet autokorelace je nutné pracovat s daty tak, jak byla naměřena. Přerovnání, setřídění, nebo vypouštění dat analýzu znehodnotí. Vybočující měření (outliers) Za vybočující měření považujeme hodnotu, která se značně liší od ostatních. Prokázaná vybočující měření se ze souboru vypouštějí, pokud je poznána a odstraněna příčina vybočení. Vybočující měření jsou následujících typů: Vzniklá hrubou chybou. Důsledek poruch, chybného měření, čtení apod. Sledujeme proces s nekonstantním rozptylem. Data pocházejí ze systematicky zešikmeného rozdělení, nebo z rozdělení s vysokou špičatostí. Komplexní management jakosti Pavel Mach Exploratorní analýza Exploratorní (průzkumová) analýza Je zaměřena na grafickou reprezentaci dat s cílem rychle posoudit povahu dat. Cílem exploratorní analýzy je posoudit: normalitu, rozptyl, outliers, homogenitu a nezávislost dat. Exploratotní analýza by měla být užívána společně s testy (např. normality) k efektivnímu získání správných závěrů. Hlavní nástroje exploratorní analýzy jsou: Krabicový graf (box and whisker plot) popisuje polohu středu dat, reprezentovanou mediánem, dále dolní a horní kvartil a zpravidla 5 % a 95 % percentil. Jeho reprezentace však může být různá. Komplexní management jakosti 95 % percentil horní kvartil inteval spolehlivosti mediánu medián dolní kvartil 5 % percentil Krabicový graf Pavel Mach Exploratorní analýza Q-Q graf (kvantilkvantil) f(x) šikmost > 0 je jedním z nejúčinnějších a nejpoužívanějších nástrojů exploratorní analýzy. x f(x) Na osu x vynášíme teoretrické kvantily normálního rozdělení, na osu y výběrové kvantily konstruované přímo z dat (data se setřídí a určují se příslušné kvantily). šikmost < 0 x Z Q-Q grafu lze spolehlivě určit symetrii, normalitu, špičatost, outliers a homogenitu. Komplexní management jakosti Pavel Mach Exploratorní analýza Q-Q graf (kvantil-kvantil) f(x) f(x) špičatost > 3 špičatost < 3 x Komplexní management jakosti x Pavel Mach Exploratorní analýza Graf hustoty pravděpodobnosti je velice názorný, ale jeho sestrojení je obtížnější, než sestrojení Q-Q grafu. Pro sestrojeni grafu hustoty pravděpodobnosti se často užívá tzv. „jádrového odhadu hustoty“. Princip je tento: Pro každou z N naměřených hodnot se sestrojí elementární křivka hustoty s plochou 1/N (tzv. jádro). Součtem uvedených křivek pak dostáváme výsledný průběh hustoty pravděpodobnosti. Nevýhody tohoto přístupu jsou tyto: Tvar výsledné hustoty závisí na tvaru jádra, většinou se používá Gaussovský průběh, ale lze použít i jiný, např. parabolu, cosinus a další. Tvar výsledné hustoty závisí na šířce jádra, tu zpravidla volí uživatel. Příliš malá šířka vede ke členité obalové křivce (výsledné křivce hustoty), příliš velká šířka vede k „vyhlazenému průběhu“ – analogická situace – nastavení časové konstanty u lock-in amplifieru (zesilovač s fázovým závěsem) při měření malých signálů. Výsledná křivka je subjektivní. Komplexní management jakosti Pavel Mach Exploratorní analýza Graf hustoty pravděpodobnosti Existují iterativní postupy, jak nalézt nejvhodnější šířku jádra, případně lze použít i nekonstantní šířku jádra. Jestliže při dostatečném počtu naměřených hodnot (min. 50) bude obalová křivka vícevrcholová, lze usuzovat na rozdělení naměřených hodnot na dvě části s tím, že každá část bude popsána rozdělením s odlišnými parametry. h(x) Výskyt více maxim bývá zpravidla způsoben příliš malou zvolenou šířkou jádra. 0 Komplexní management jakosti x Často se jádrový odhad konstruuje společně s grafem hustoty normálního rozdělení získaným z vypočtené střední hodnoty a směrodatné odchylky dat. Výpočet těchto statistik ale již předjímá normální rozdělení. Pavel Mach Exploratorní analýza Graf polosum Užívá se k posouzení zešikmení rozdělení dat. Postup je následující: 1. Data se setřídí podle velikosti od nejmenší hodnoty do největší. 2. Vypočtou se průměry největší a nejmenší hodnoty, druhé a předposlední hodnoty atd. V případě lichého počtu dat je poslední hodnota rovna prostřední hodnotě (výběrovému mediánu). p i = ( xi + x ( N −i +1) ) / 2 3. Medián se zpravidla vynáší jako první. V případě symetrických rozdělení jsou body rozptýleny v okolí mediánu, v případě asymetrických rozdělení mají výrazný trend. Komplexní management jakosti Pavel Mach Transformace dat Transformace dat Transformace dat se užívá k odstranění nesymetrie dat. Postup je následující: 1. Testem normality zjistíme sešikmení hustoty pravděpodobnosti a potvrdíme ho některou z metod exploratorní analýzy, např. Q-Q grafem nebo grafem hustoty pravděpodobnosti. 2. Zvolíme vhodnou nelineární funkci F(x). 3. Data přepočítáme (promítneme, transformujeme) pomocí této nelineární funkce na nová data. xi' = F ( xi ) 1. Funkce F(x) musí být taková, aby přepočtená data byla více symetrická, než data původní (aby byla blíže normalitě). 2. Na hodnoty xi’ aplikujeme statistické nástroje (např. nástroje SPC), z hodnot xi’ můžeme známým postupem určit střední hodnotu, směrodatnou odchylku, můžeme vypočíst kvantily a další statistiky. 3. Hodnoty vypočtené pro data xi’ retransformujeme zpět do původní souřadnice x pomocí funkce F-1, která je inverzní k funkci F. Komplexní management jakosti Pavel Mach Transformace dat Transformace dat Transformační funkce musí být nelineární, musí být monotonní, aby nedošlo k záměně pořadí dat. To znamená, že je-li, xi < x j musí být také xi < x j ' ' Velmi často užívaná funkce ze třídy mocninných transformací je funkce Box – Coxova. F (x) = xr −1 r ln(x) Parametr r určuje tvar této funkce a umožňuje nalezení takového tvaru F(x), které vyhovuje podmínce normality, tedy také podmínce symetrie. Komplexní management jakosti Pavel Mach Transformace dat Transformace dat Tvar Box-Coxovy funkce pro různá r je uveden na následujícím obrázku. F (x ) = xr −1 r ln(x) pro r = 0 pro r = 0 Cílem je nalézt takovou hodnotu r, pro kterou budou data co nejvíce „normální“. Komplexní management jakosti Pavel Mach Základy teorie odhadu Základy teorie odhadu Důvod: základní soubor zpravidla neznáme, proto musíme jeho charakteristiky odhadovat. Odhad se provádí pomocí výběrového souboru. Odhad je buď jedno číslo, pak hovoříme o bodovém odhadu, nebo interval, pak hovoříme o intervalovém odhadu. Bodový odhad Bodový odhad parametru β je funkce ϕ(X1, X2, ..., Xn) náhodných proměnných X1, X2, ..., Xn. Je to tedy náhodná veličina. Bude-li β parametrem základního souboru, pak odhad se označuje zpravidla β . Požadavky na odhad jsou: 1. nestrannost – statistika je nestranným bodovým odhadem β, jestliže E( β ) = β Jestliže lim E( β ) = β pro n → ∞, říkáme, že β je asymptoticky nestranný odhad. 2. konsistence - β je konsistentní odhad β, jestliže pro n → ∞ platí: P(lim β = β) = 1 tedy s rostoucím n se β blíží β. Komplexní management jakosti Pavel Mach Základy teorie odhadu Základy teorie odhadu 3. eficience ( β je eficientní (nejlepší) odhad β, jestliže D( β ) ≤ D( β *) pro každé β *. Bodový odhad µ a σ Bodový odhad µ, který splňuje výše uvedené požadavky, má tvar: µ= 1 ∑ Xi n i Bodový odhad σ2, který splňuje výše uvedené požadavky, má tvar: σ2 = 1 (X i − X )2 ∑ n −1 i Intervalový odhad Při intervalovém odhadu parametrů základního souboru se nalezne interval <β1, β2> o kterém se předpokládá, že s pravděpodobností 1 - α obsahuje odhadovaný parametr. Dvojici ϕ1(X1, X2, ..., Xn) = β1 a ϕ2(X1, X2, ..., Xn) = β2 nazýváme intervalovým odhadem parametru β o spolehlivosti 1 - α jestliže: Komplexní management jakosti Pavel Mach Základy teorie odhadu P[ϕ1 ( X 1 ,..., X n ) ≤ β ≤ ϕ 2 ( X 1 ,..., X n ) = 1 − α ] jinak také napsáno: P( β1 ≤ β ≤ β 2 ) = 1 − α Zde α je hladina významnosti, zpravidla se její hodnota volí 0.01, 0.05 nebo 0.1 . Intervalový odhad parametrů µ a σ2 normálního rozdělení Mějme náhodný výběr X1, X2, ... , Xn z rozdělení N(µ, σ2). Při intervalovém odhadu je třeba rozlišovat, zda známe µ při odhadu σ2 a σ2 při odhadu µ. 1. Interval spolehlivosti pro parametr σ2 za předpokladu, že není známo µ Pro intervalový odhad platí (zde n .... rozsah náhodného výběru, α ... zvolená hladina významnosti): (n − 1) S 2 (n − 1) S 2 2 P 2 ≤σ ≤ 2 ( ) ( ) Χ n − 1 Χ n − 1 1−α / 2 α /2 Komplexní management jakosti Pavel Mach Základy teorie odhadu Za S2 dosadíme: 1 (xi − x )2 ∑ n −1 i Hodnoty χα/22(n-1) a χ1-α/2 2(n-1) nalezneme v tabulkách kritických hodnot rozdělení χ2 pro příslušnou hladinu významnosti a n-1 stupňů volnosti. 2. Interval spolehlivosti pro parametr σ2 za předpokladu, že je známo µ Nejprve vypočteme rozptyl podle vztahu: S2 = 1 (xi − µ )2 ∑ n i Pak vypočteme interval spolehlivosti: nS 2 nS 2 2 P 2 ≤σ ≤ 2 = 1−α ( ) ( ) Χ n − 1 Χ n − 1 1−α / 2 α /2 To znamená, že v intervalu: Komplexní management jakosti nS 2 nS 2 2 ≤σ ≤ 2 2 Χα / 2 (n − 1) Χ1−α / 2 (n − 1) Pavel Mach Základy teorie odhadu se nachází parametr σ2 s pravděpodobností 1 - α . 3. Interval spolehlivosti pro parametr µ za předpokladu, že není známo σ 2 Platí: t (n − 1) S t (n − 1) S Px − α ≤ µ ≤ x+ α = 1−α n n Zde tα(n-1) je kritická hodnota Studentova rozdělení. 4. Interval spolehlivosti pro parametr µ za předpokladu, že je známo σ 2 Platí: .σ .σ u u P x − 1−α / 2 ≤ µ ≤ x + 1−α / 2 = 1 − α n n To znamená, že v intervalu < x − pravděpodobností 1 - α. Komplexní management jakosti u1−α / 2 .σ u .σ > se nachází parametr µ s ≤ µ ≤ x + 1−α / 2 n n Pavel Mach Lineární regrese se nachází parametr σ2 s pravděpodobností 1 - α . Lineární regrese Lineární regrese je proces, kdy soubor naměřených bodů prokládáme funkcí zvoleného typu tak, aby zvolená odchylka uvedených bodů od prokladové funkce byla minimální. Jako odchylka se zpravidla volí střední kvadratická odchylka, pro výpočet koeficientů prokladové funkce se pak užívá metody nejmenších čtverců. Obecná prokladová funkce má tvar: y = β 0 + β 1 f 1 ( x ) + β 2 f 2 ( x ) + ... + β k f k (x ) Nejjednodušší prokladovou čárou je polynom tvaru: y = β 0 + β1 x1 + β 2 x 2 + ... + β k x k Komplexní management jakosti Pavel Mach Lineární regrese Pro náhodnou veličinu Yi platí: Yi = yi + ε i Přitom náhodná veličina εi musí splňovat následující podmínky: Střední hodnota je nula : E(εi) = 0. Rozptyl je konstantní a nezávislý na i: D (εi) = σ2. Veličiny εi a εj jsou nezávislé. Veličiny εi mají normální rozdělení. Regrese se nazývá lineární regresí, protože je lineární v koeficientech ! Postup výpočtu koeficientů prokladového polynomu. Předpokládejme, že prokladovým polynomem je polynom tvaru: y = β 0 + β1 x + β 2 x2 + ... + β k xk Nejprve vyjádříme čtverec odchylky mezi naměřenými body a prokladovým polynomem D = ∑ ( xi − β 0 − β1 x1 − β 2 x 2 − ... − β k x k ) 2 k Komplexní management jakosti Pavel Mach Lineární regrese Nyní musíme naléz koeficienty β tak, aby tento čtverec byl minimální: D → min To provedeme parciálním derivováním podle hledaných koeficientů, derivaci položíme vždy rovnou nule. ∂D =0 ∂β 0 ∂D =0 ∂β 1 .............................. ∂D =0 ∂β k Uvedené derivace představují tzv. „normální rovnice“. Tímto postupem získám n+1 rovnic pro n+1 neznámých β0, β1, ... , βn. Dosazením uvedených koeficientů do prokladového polynomu získáme jeho tvar takový, že při prokladu naměřených hodnot tímto polynomem bude kvadratická odchylka mezi naměřenými hodnotami a polynomem minimální. Komplexní management jakosti Pavel Mach Statistická přejímka Statistická přejímka Statistická přejímka je výběrová kontrola, při které se rozhoduje o přijetí či nepřijetí dávky produktů - výrobků, dílů, surovin, polotovarů, hotových výrobků ap. Rozhodnutí o přijetí či nepřijetí dodávky vychází z výsledků získaných z náhodného výběru. Při náhodném výběru musí mít každý subjekt dodávky stejnou pravděpodobnost, že bude vybrán. Kontrola výběru namísto celé dávky je hospodárnější. Pokud při kontrole dochází nutně k poškození zboží (destruktivní zkoušky, např. měření rázové pevnosti, měření korozní odolnosti ap.), je výhoda výběrů nesporná. Nevýhodou statistické přejímky je, že neznáme úroveň kvality celé dodávky (dávky), ale pouze výběru, a tím se vystavujeme při rozhodování o přijetí nebo nepřijetí dodávky riziku chyb dvou typů. Může dojít k zamítnutí dodávky, která měla být přijata – v tom případě hovoříme o riziku dodavatele (výrobce). Může dojít k přijetí dodávky, která měla být zamítnuta – v tom případě hovoříme o riziku odběratele. Tato rizika jsou měřitelná a jejich velikost umíme vyjádřit a ovlivnit. Komplexní management jakosti Pavel Mach Statistická přejímka Členění statistických přejímek V závislosti na sledovaném znaku jakosti členíme statistické přejímky na: statistickou přejímku srovnáváním statistickou přejímku měřením Jiné členění je toto: přejímka jedním výběrem přejímka dvojím a několikanásobným výběrem přejímka postupným výběrem Členění vycházející z toho, jak se zachází se zamítnutou dodávkou: přejímka nerektifikační (bezopravná) – nepřijatá dodávka se celá vrací dodavateli přejímka rektifikační (opravná) – provede se 100 % kontrola a vadné kusy se nahradí dobrými Členění podle charakteru zpracovávané veličiny přejímka měřením (variable) – výhody, nevýhody přejímka srovnáváním (attribute) – výhody, nevýhody Komplexní management jakosti Pavel Mach Statistická přejímka Rizika spojená se statisticku přejímkou Přípustný podíl neshodných jednotek pA – dodávky, které mají podíl neshodných jednotek pA nebo menší, jsou považovány za vyhovující Nepřípustný podíl neshodných jednotek pR – dodávky, které mají podíl neshodných jednotek pR nebo větší jsou považovány za nevyhovující. Riziko dodavatele α - s pravděpodobností α budou dodavateli zamítnuty i dodávky, jejichž podíl vadných je menší nebo roven pA (kde bude přípustný podíl vadných, a proto dodávka bude vyhovující). Riziko odběratele β - s pravděpodobností β převezme odběratel jako dobré i dodávky, kde podíl vadných bude pR nebo větší (kde bude nepřípustný podíl vadných). Riziko α se zpravidla volí 5 %, riziko β zpravidla 10 %. Další charakeristiky: AQL – Acceptance Quality Level – udává přípustné procento neshodných jednotek v dávce, pA= AQL/100 Komplexní management jakosti Pavel Mach Statistická přejímka LQ – Limited Quality – udává nepřípustné procento neshodných jednotek v dávce, pR = LQ/100 PLQ – Probability of Acceptance at the Limiting Quality – pravděpodobnost přijetí dodávky, která má jakost právě LQ (odpovídá riziku β). Přejímací plán je jednoznačné pravidlo pro přijetí nebo nepřijetí dodávky. Skládá se ze dvou čísel, z rozsahu výběru n a z přejímacího kritéria Ac. Plán se zapisuje jako (n, Ac). Rozsah výběru n je počet náhodně vybraných jednotek z dodávky, každá jednotka dodávky musí mít stejnou pravděpodobnost, že bude vybrána. Přejímací kritérium Ac (přejímací číslo, Ac, Acceptance Number) informuje o nejvýše přípustném počtu neshodných jednotek v náhodném výběru o rozsahu n. Zamítací kritérium Re (zamítací číslo, Re, Rejectance Number) informuje o minimálním nepřípustném počtu neshodných jednotek v náhodném výběru o rozsahu n. z = c +1 Komplexní management jakosti Pavel Mach Statistická přejímka Operativní charakteristika Operativní charakteristika přejímacího plánu L(p, n, c), případně pouze L(p) je grafickým vyjádřením pravděpodobnosti, že bude přijata dodávka s podílem p neshodných jednotek dle přejímacího plánu (n, c). Každý přejímací plán má vlastní operativní charakteristiku. α = 1 − L( p1 ) β = 1 − L( p 2 ) Pro nulový podíl neshodných jednotek v dodávce má funkce L(p) hodnotu 1 – to znamená, že dodávka s nulovým počtem neshod bude přijata určitě. S rostoucím podílem p pravděpodobnost přijetí dodávky klesá až pro dodávku složenou ze samých neshodných jednotek bude pravděpodobnost přijetí dodávky rovna 0 – takováto dodávka nebude nikdy převzata. Komplexní management jakosti Pavel Mach Statistická přejímka Stanovení parametrů přejímacího plánu Úlohu výběrové přejímky je možné popsat takto: kontroluje se dodávka velkého rozsahu N jednotek, z nichž M je neshodných. Kontrola je provedena náhodným výběrem n jednotek. V tomto výběru bude zjištěno celkem x neshodných jednotek. Počet neshodných jednotek zahrnutých do výběru je náhodná veličina X, jejíž realizace má hodnotu x. Tato náhodná veličina má hypergeometrické rozdělení H(N, M, p), kde p je podíl neshodných jednotek v dodávce, p = N/M. Pro výpočet parametrů přejímacího plánu n (rozsah náhodného výběru) a Ac (přejímací kritérium, tedy nejvýše přípustný počet neshodných výrobků v náhodném výběru o rozsahu n), lze odvodit vztahy: 2np A = Χ α2 [2( Ac + 1)] 2np R = Χ12− β [2( Ac + 1)] 2 p R Χ 1− β [2( Ac + 1)] = 2 pA Χ α [2( Ac + 1)] Komplexní management jakosti Postup při řešení je následující: Uděláme tabulku, kde zadáme c = 0, 1, 2, ... Vyčíslujeme pravou stranu rovnice a hledáme takové c, pro které je pravá strana rovnice co nejblíže levé straně Po nalezení vhodné hodnoty c dosadíme do vztahu pro 2np1 nebo pro 2np2 a vypočteme hodnotu n. Hodnoty rozdělení χ2 nalezneme ve statistických tabulkách. Pavel Mach Statistická přejímka Sestrojení operativní charakteristiky pro přejímací plán (n, Ac) Máme-li přejímací plán, tedy známe hodnoty pA, pR, n a Ac, můžeme sestrojit operativní charakteristiku takto: vyjdeme ze vztahu pro náhodnou veličinu Pa: Ac Pa = P( X ≤ Ac ) = ∑ p ( x) x =0 zde Pa je pravděpodobnost přijetí dodávky mající podíl p(x) neshodných jednotek, p(x) je pravděpodobnost, že ve výběru o rozsahu n je právě x neshodných jednotek. Počet neshodných ve výběru je náhodná veličina, která má hypergeometrické rozdělení. Pravděpodobnost přijetí dodávky Pa pak vyjadřujeme následovně: M N − M X n − x Pa = ∑ N n Komplexní management jakosti zde N ... rozsah dodávky, M ... počet neshodných jednotek v celé dodávce, n ... rozsah náhodného výběru, Ac ... přejímací číslo dané přejímacím plánem. Je-li N dostatečně veliké, (n/N < 0,1), je možné hypergeometrické rozdělení aproximovat binomickým rozdělením s parametrem p= M/N. Pavel Mach Statistická přejímka Sestrojení operativní charakteristiky Pak pravděpodobnost přijetí dodávky s poměrem p neshodných jednotek vyjádříme ze vztahu: n Pa = ∑ p x (1 − p ) n − x x =0 x Ac Jestliže n > 30 a p < 0,1, pak lze binomické rozdělení nahradit Poissonovým s parametrem λ = np. Pak lze tento vztah přepsat do tvaru: e − np (np) x Pa = ∑ x! x =0 Ac Body o souřadnicích p, Pa pak proložíme operativní charakteristiku. Komplexní management jakosti Pavel Mach Statistická přejímka Účinnost a hospodárnost statistické přejímky Komplexní management jakosti Pavel Mach Statistická přejímka Účinnost a hospodárnost statistické přejímky Hodnoty α, β, pA a pR ovlivňují účinnost přejímacího plánu, tedy jeho schopnost rozlišovat mezi dobrými a špatnými dodávkami. Současně ale nelze zanedbávat hospodárnost přejímky. Je zřejmé, že při zvoleném způsobu přejímky bude její účinnost tím větší, čím větší bude rozsah náhodného výběru n. Platí: Čím je přejímací plán přísnější, tím strmější je jeho operativní charakteristika. Zavedeme proměnnou: přejímací poměr Ac/n. Nyní se sleduje, jaká je účinnost přejímacích plánů na velikosti tohoto poměru současně s hodnocením ekonomičnosti statistické přejímky. Komplexní management jakosti Pavel Mach Statistická přejímka Účinnost a hospodárnost statistické přejímky Změny přejímacího plánu Ac/n konst. konst. roste klesá Komplexní management jakosti n roste klesá konst. konst. Ac roste klesá roste klesá Změny parametrů operativní charakteristiky α β klesá klesá roste roste klesá roste roste klesá Pavel Mach Statistická přejímka Příklad Pro dodávku byly mezi dodavatelem a odběratelem dohodnuty následující parametry přejímacího plánu: pA = 0,01, pR = 0.06, riziko dodavatele α = 0.09 a riziko odběratele β = 0.2. Určete přejímací plán (n a Ac). Je zřejmé, že při zvoleném způsobu přejímky bude její účinnost tím větší, čím větší bude rozsah náhodného výběru n. Platí: 2 p R Χ 1− β [2( Ac + 1)] = 2 pA Χ α [2( Ac + 1)] Hodnota pR/pa = 0,06/0,01 = 6 Nyní do pravé strany rovnice dosazujeme za Ac hodnoty 0, 1, 2, ... Výsledky zapisujeme do tabulky Ac 0 1 2 3 4 Pravá strana rovnice 17.06 5.997 4.07 3.29 2.86 Komplexní management jakosti Pavel Mach Statistická přejímka Příklad Nyní musíme najít takovou hodnotu pravé strany, která je nejblíže hodnotě levé strany. Tou je v našem případě hodnota 5,997. Tato hodnota odpovídá hodnotě Ac = 1. Tuto hodnotu použijeme pro výpočet hodnoty n s použitím jedné z následujících rovnic: 2np R = Χ12− β [2( Ac + 1)] 2np A = Χ α2 [2( Ac + 1)] Vypočteme n ≅ 50 Řešením dané úlohy je tedy přejímací plán (50, 1) Komplexní management jakosti Pavel Mach Statistická přejímka Přejímka jedním, dvojím a několikanásobným výběrem Správná volba typu přejímky má významný vliv na hospodárnost výběrové kontroly. Začátek Provedení výběru o rozsahu n z dávky o velikosti N Nejnáročnější na přípravu je přejímka postupným výběrem, pak několikerým výběrem a pak dvojím výběrem. Všechny jsou ale hospodárnější než přejímka jedním výběrem, to znamená, že se při nich kontroluje menší počet výrobků, než při přejímce jedním výběrem. Blokový diagram přejímky jedním výběrem (přejímka srovnáváním) Zjištění počtu neshodných jednotek x x Ac Přijetí celé dávky velikosti N Zamítnutí celé dávky velikosti N Konec Komplexní management jakosti Pavel Mach Statistická přejímka Začátek Provedení výběru o rozsahu n1 z dávky o velikosti N Blokový diagram přejímky dvojím výběrem Zjištění počtu neshodných jednotek x1 v prvním výběru x1 (přejímka srovnáváním) Ac1 ne x1 Re1 ano Provedení výběru o rozsahu n2 Zjištění počtu neshodných jednotek x2 ve druhém výběru ano Přijetí celé dávky o velikosti N ne x1 + x2 Ac2 Zamítnutí celé dávky o velikosti N Konec Komplexní management jakosti Pavel Mach Statistická přejímka Systémy statistických přejímacích plánů Statistická přejímka je součástí mnoha norem, ve kterých lze zpravidla nalézt přejímací plány pro různé případy. Plány zohledňují různé způsoby výroby u dodavatele a různé způsoby spotřeby u odběratele (např. výrobky jsou vyráběny plynule na páse, dávky jsou chápány jako izolované ap.). V další části se zaměříme na dva takovéto případy. Přejímka opakujících se dávek stejného produktu od stejného dodavatele Přepokládejme dlouhodobě opakované dodávky stejného produktu od jednoho dodavatele. V tomto případě se při přejímce vychází z AQL (Acceptance Quality Level) – mezní přijatelná hodnota průměrného procenta neshodných jednotek ve výrobním procesu. Toto procento nesmí být, v určité sérii dodaných dodávek, překročeno. Riziko dodavatele se v tomto případě bere v rozmezí 0,02 – 0,16. Další specifikou tohoto systému je, že rozsah náhodného výběru a velikosti dávky N závisí na volbě tzv. „kontrolní úrovně“. V normách jsou dány 3 kontrolní úrovně: I, II a III a další 4 speciální kontrolní úrovně S1, ... , S4. Většinou se používá kontrolní úroveň II (I ... nejmenší rozsah výběru, ... , III .... největší rozsah výběru). Speciální úrovně se užívají v případech, kdy je třeba rozsah zkoušek maximálně omezit (např. jsou-li zkoušky destruktivní nebo časově velmi náročné). Komplexní management jakosti Pavel Mach Statistická přejímka Přejímka opakujících se dávek stejného produktu od stejného dodavatele Další charakteristikou je možnost přechodu mezi normální, zpřísněnou a zmírněnou kontrolou a pevně stanovená přechodová pravidla mezi těmito kontrolami, kdy je zcela vyloučen subjektivní přístup. Pravidla poskytují odběrateli ochranu před zhoršením jakosti dodávek a současně mu umožňují, aby při dlouhodobě stabilní vysoké kvalitě dodávek přešel na zmírněnou kontrolu, která je ekonomicky efektivnější (např. rozsah výběru je redukován až na 2/5 rozsahu výběru pro normální kontrolu). Zpřísněná kontrola zpravidla neznamená zvýšení nákladů kontroly, ale pro stejné objemy výběrů se užívá nižších hodnot Ac. Tuto kontrolu lze aplikovat jen v případě, že dodavatel je schopen udržovat stabilně vysokou jakost a já s ním mám již tyto zkušenosti. Občasná přejímka Je nejekonomičtější statistickou přejímkou. Opět je možná jen v případech, kdy dodavatel je známý a zaručuje vysokou a stabilní jakost dodávek. Při občasné přejímce jsou některé dodávky přijaty od dodavatele bez kontroly tehdy, když určité počty předchozích dodávek byly přijaty, protože vyhovovaly stanoveným kritériím. Při občasné přejímce je třeba provádět vždy kvalifikaci dodavatele a kvalifikaci výrobků. Kvalifikace dodavatele: Komplexní management jakosti Pavel Mach Statistická přejímka Občasná přejímka má zavedený a udržovaný systém řízení jakosti provádí kontrolu každé dávky v systému AQL má zavedenou archivaci protokolů z výsledků vlastních přejímek. Kvalifikace výrobku výroba výrobku musí již být plynule realizována po dobu minimálně půl roku jakost výrobku musí již být plynule udržována minimálně na jakosti AQL. Komplexní management jakosti Pavel Mach Statistická přejímka Postupná (sekvenční) přejímka Je často užívanou alternativou jednorázové přejímky. Předpokládejme, že celá dodávka má N kusů, ze kterých je D vadných. Postup je následující: Provedeme náhodný výběr jednoho kusu a zjistíme, zda je vadný (nebo více kusů a zjistíme, kolik je mezi nimi vadných). Celkový počet doposud testovaných kusů n a počet doposud nalezených zmetků d zapisujeme, nebo vynášíme do grafu. Vypočteme hodnoty dR = nc + b a dA = nc + a podle rovnic: a= ln A p (1 − p1 ) ln 2 p1 (1 − p 2 ) Komplexní management jakosti b= ln B p (1 − p1 ) ln 2 ( − ) p 1 p 2 1 1 − p1 ln 1 p − 2 c= p (1 − p1 ) ln 2 p1 (1 − p 2 ) Pavel Mach Statistická přejímka Postupná (sekvenční) přejímka kde A=β/(1-α); B=(1-β)/α; p1=AQL a p2=RQL, α ... riziko dodavatele, β ... riziko odběratele. Je-li d ≥ dR, dodávku zamítneme jako nevyhovující. Je-li d ≤ dA, dodávku přijímáme. Je-li dA< d < dR provedeme další náhodný výběr jednoho nebo více kusů, vypočteme nové hodnoty dR a dA,, provedeme další porovnání ... až do přijetí nebo zamítnutí dodávky. Vztahy pro dR a dA jsou rovnicemi přímek. Jestliže vynášená závislost d = f(n) protne přímku dR , dodávka je zamítnuta, protne-li přímku dA, dodávka je přijata. Situace jsou uvedeny na obrázku. Statistická přejímka Počet vadných Postupná (sekvenční) přejímka Komplexní management jakosti Pavel Mach Statistická přejímka Počet vadných Postupná (sekvenční) přejímka Komplexní management jakosti Pavel Mach Statistická přejímka Počet vadných Postupná (sekvenční) přejímka Komplexní management jakosti Pavel Mach Statistická přejímka Statistické přejímky měřením V některých pramenech je uváděno, že tato přejímka je ekonomičtější než přejímka srovnáváním (a to i přes vyšší náklady na měřicí zařízení, na kvalifikaci obsluhy a čas kontroly), protože vyžaduje výrazně menší rozsahy náhodných výběrů. U přejímky měním je třeba splnit požadavek na rozdělení znaku jakosti (normální rozdělení) a je vyžadována také stabilní úroveň jakosti. Znak jakosti má charakter spojité náhodné proměnné. Je předpokládáno, že rozdělení znaku jakosti je normální (µ, σ2). Členění statistických přejímek měřením 1. Dle předpisu mezní hodnoty je předepsána jen jedna mezní hodnota, buď horní U, nebo dolní L (tzv. jednostranná mezní hodnota) jsou předepsány obě mezní hodnoty (oboustranné mezní hodnoty) je-li hodnota AQL předepsána pro obě mezní hodnoty společně, hovoříme o kombinovaných oboustranných mezích je-li hodnota AQL předepsána pro každou mezní hodnotu zvlášť, nazývají se oboustranné mezní hodnoty oddělené. Komplexní management jakosti Pavel Mach Statistická přejímka 2. Dle skutečnosti, zda je nebo není známá směrodatná odchylka výrobního procesu hodnota směrodatné odchylky σ znaku jakosti X není známá a je odhadována pomocí výběrové směrodatné odchylky s – v tomto případě hovoříme o s – přejímacích plánech 2 s= 1 n (xi − x ) ∑ n − 1 i =1 hodnota směrodatné odchylky σ znaku jakosti X je neznámá a je odhadnuta pomocí průměrného variačního rozpětí R – přejímací plány se označují jako R – plány. hodnota směrodatné odchylky σ znaku jakosti X je známá – v tomto případě hovoříme o σ - plánech Postup při statistické přejímce měřením Přejímka se opět realizuje na základě přejímacího plánu, jeho účinnosti je možné opět vyjádřit přejímací charakteristikou. Přejímací plán má tvar (n, k). Zde n ... rozsah náhodného výběru, k ... přejímací číslo. Při určení přejímacího čísla se postupuje takto: Komplexní management jakosti Pavel Mach Statistická přejímka Postup při statistické přejímce měřením Přejímka se opět realizuje na základě přejímacího plánu, jeho účinnosti je možné opět vyjádřit přejímací charakteristikou. Přejímací plán má tvar (n, k). Zde n ... rozsah náhodného výběru, k ... přejímací číslo. Při určení přejímacího čísla se postupuje takto: 1. určí se situace, kdy je výrobek považován za neshodný. Budou to následující situace: a) x > U b) x < L c) x > U nebo x < L zde x ... naměřená hodnota znaku jakosti (realizace náhodné veličiny X), U ... předepsaná horní mezní hodnota, L ... předepsaná dolní mezní hodnota. 2. úroveň hodnoty jakosti se vyjadřuje podílem neshodných jednotek v dávkách, stejně jako u přejímky srovnáváním. Pro výpočet je opět předpokládáno normální rozdělení. Dále je předpokládán stabilní kontinuální výrobní proces. Pak je možné určit podíl neshodných jednotek pod dolní mezí pL a nad horní mezí pU dle následujících vztahů: Komplexní management jakosti Pavel Mach Statistická přejímka Postup při statistické přejímce měřením L−µ pL = P (X < L ) = Φ σ U − µ pU = P ( X > U ) = 1 − Φ σ Zde L−µ U − µ Φ a Φ jsou hodnoty distribuční funkce normovaného normálního σ σ rozdělení v bodě L−µ a bodě σ U − µ . σ V další části si uvedeme řešení tzv. s-metodou při jednostranné mezní hodnotě U Tato metoda vychází z toho, že parametry základního souboru µ a σ se odhadují pomocí výběrového průměru x , resp. výběrové směrodatné odchylky s. Ukazatel jakosti se odhaduje pomocí ukazatele QU , pro který platí: Komplexní management jakosti Pavel Mach Statistická přejímka Postup při statistické přejímce měřením QU = U −x s Tato výběrová charakteristika je pro různé výběry různá. Určuje se taková hodnota k, při které platí, že odhad QU bude při určité hodnotě podílu p neshodných jednotek v dávce menší než hodnota k s velmi malou pravděpodobností, např. 0,05. Jinak řečeno, je-li dávka přijatelná, je QU s vysokou pravděpodobností roven, nebo je větší než k. Postup při použití s-metody je následující: 1) stanoví se parametry přejímacího plánu (n, k) 2) provede se výběr o rozsahu n 3) vypočtou se výběrové charakteristiky x a s 4) vypočte se odhad jednoho nebo obou ukazatelů jakosti Q , Q U L 5) Odhad Q se stanoví podle výše uvedeného vztahu, U odhad QL podle vztahu QL = Komplexní management jakosti x−L s Pavel Mach Statistická přejímka Postup při statistické přejímce měřením 6) Rozhodnutí o přijetí či zamítnutí dávky se provede takto: a) při jednostranné mezní hodnotě U QU ≥ k QU < k b) dávka se přijímá dávka se zamítá při jednostranné mezní hodnotě L Komplexní management jakosti QL ≥ k dávka se přijímá QL < k dávka se zamítá Pavel Mach Statistická přejímka Postup při statistické přejímce měřením c) při oddělených oboustranných mezních hodnotách Je-li QU ≥ k a QL ≥ k ....... dávka se přijímá Je-li jeden z ukazatelů jakosti menší než přejímací číslo k, dávka se zamítá. Grafické řešení statistické přejímky měřením Je jinou cestou je grafické řešení přejímacího kritéria. Postup je následující: – – – – vypočte se přejímací plán provede se výběr o rozsahu n vypočtou se hodnoty výběrových charakteristik x a s Sestrojí se graf, na jehož vodorovné ose se vynášejí hodnoty výběrové směrodatné odchylky s a na vertikální ose se vynášejí hodnoty výběrového průměru x . Přímka x = U − ks 5) tvoří hranici mezi přijetím a zamítnutím dávky. Zakreslíme bod o souřadnicích [s, x ] do grafu Komplexní management jakosti Pavel Mach QU Statistická přejímka Grafické řešení statistické přejímky měřením 6) Jestliže bod [s, x ] leží nad přímkou x = U − ks , dávka je zamítnuta 7) Jestliže bod [s, x ] leží pod přímkou x = U − ks , nebo na ní, dávka je přijata. x U x = U − ks [s, x ] 0 Komplexní management jakosti s Pavel Mach QU Statistická přejímka Grafické řešení statistické přejímky měřením Příklad Byly přejímány dodávky o rozsahu N = 800 kusů výrobků. Bylo užito s-metody jedním výběrem. Při zvolené hodnotě AQL = 4% byl stanoven přejímací plán (n, k) jako (35, 1.39). Pro výpočet bylo užito postupu stanoveného normou ČSN ISO 3951 – Přejímací postupy a grafy při kontrole měřením pro procento neshodných jednotek. Úkolem je ověřit, zda dávka vyhovuje kritériím jakosti nebo ne a to numericky a graficky. Numericky 1. Byl proveden náhodný výběr, z dávky 800 kusů bylo náhodně vybráno 35 kusů. Ty byly změřeny. Naměřené hodnoty ukazuje tabulka. Naměřené hodnoty Komplexní management jakosti 19 21 27 21 26 14 24 15 24 20 28 12 16 30 22 17 22 25 17 29 17 25 23 24 23 21 19 19 10 20 26 18 18 32 22 Pavel Mach Statistická přejímka Grafické řešení statistické přejímky měřením Příklad Numericky 2. Z výsledků výběrové kontroly vypočteme výběrový aritmetický průměr x = 21,314 a výběrovou směrodatnou odchylku s = 5,028 . 3. Vypočteme odhad hodnoty ukazatele jakosti QL : QL = 4. Protože x−L s QL >k = 1,495 můžeme dávku přijmout. Graficky 1. Sestrojíme graf, kde na ose x budeme vynášet hodnoty směrodatné odchylky s a na ose y x hodnoty x . 2. Do grafu nakreslíme přímku = L + ks . Ta protíná osu y v bodě L (dolní mezní hodnotě) a má směrnici k = 1.39 . 3. Z naměřených hodnot vypočtu výběrové charakteristiky x = 21,314 a s = 5,028 . 4. Do grafu vynesu bod p[5.028, 21.314]. 5. Protože bod leží nad přímkou, je dávka přijata. Komplexní management jakosti Pavel Mach Statistická přejímka Grafické řešení statistické přejímky měřením Příklad x Dodávka je přijata [s, x ] Komplexní management jakosti Pavel Mach Statistická přejímka Speciální regulační diagramy 1. Metoda kumulovaných součtů - CUSUM Příčiny variability je možné rozdělit do dvou základních typů: příčiny sporadické příčiny přetrvávající Sporadické příčiny působí na proces jen krátkou dobu, vznikají náhle, ale mohou se případně vyskytnout i znovu. Odchylky vyvolané těmito příčinami jsou zpravidla větší a mohou být indikovány klasickými Shewhartovými diagramy pro měření, nebo pro srovnávání. Přetrvávající příčiny vyvolávají náhlé odchylky v parametrech rozdělení procesu, které trvají jen určitou dobu. Klasické Shewhartovy diagramy je izolovanými výběry nepostihují, protože je snaha, aby výběry měly pokud možno malý rozsah. Proto je třeba konstruovat diagramy, které budou zahrnovat i historii. To splňuje metoda CUSUM (Cumulative Sum Control Charts). Srovnání klasického regulačního diagramu a CUSUM: CUSUM je citlivější na změny procesu a reaguje na ně asi 2x až 4x rychleji než klasický diagram Komplexní management jakosti Pavel Mach Statistická přejímka 1. Metoda kumulovaných součtů - CUSUM CUSUM je méně nákladná než standardní regulační diagram při stejném riziku α CUSUM umožňuje přesněji určit počátek změn parametrů rozdělení regulované veličiny, odhadnout její velikost a určit směr působení Nevýhodou CUSUM je vyšší pracnost konstrukce diagramu Nevýhodou CUSUM je vyšší pracnost vyhodnocení diagramu. Základní charakteristika metody CUSUM Diagram se konstruuje tak, že na x-ovou osu se vynáší pořadí výběru k a na y-ovou osu hodnota testovacího kritéria: [ ] y k = k .Y0 + ∑ f ( x j ) = ∑ f (x j ) − Y0 = y k −1 + [ f (x k ) − Y0 ] k j =1 Zde: Y0 ... cílová hodnota (target value) sledovaného parametru rozdělení náhodné veličiny Y xj ... vektor n-hodnot sledované regulované veličiny (sledovaného znaku jakosti zjištěných v j-tém výběru (j = 1, 2, ... , k) – pro sledovanou náhodnou veličinu se dělají výběry s rozsahem n f(xi) ... funkce hodnot regulované veličiny v j-tém výběru, t. j. hodnota zvolené výběrové charakteristiky v j-tém výběru (např. střední hodnota) Komplexní management jakosti Pavel Mach Statistická přejímka 1. Metoda kumulovaných součtů - CUSUM k ... pořadí výběru. Jestliže Y0 = µ0 a µ0 je požadovaní střední hodnota regulované veličiny a funkce f(x) je výběrový průměr x , jedná se o diagram CUSUM pro výběrový průměr. Jestliže je rozsah výběru n = 1, pak hovoříme o diagramu pro individuální hodnoty. Dalšími typy diagramů mohou být např. pro výběrové rozpětí, pro počet vadných prvků, pro variační koeficient, počet vad na jednotku a další. Vztah [ ] y k = k .Y0 + ∑ f ( x j ) = ∑ f (x j ) − Y0 = y k −1 + [ f ( x k ) − Y0 ] k j =1 vyjadřuje kumulativní součet odchylek zvolené výběrové charakteristiky od zvolené hodnoty. Proto se CUSUM zařazuje do skupiny diagramů s pamětí. Paměť je v diagramu reprezentována váhovými koeficienty přiřazovanými výsledkům hodnocení jednotlivých výběrů. V Shewhartově diagramu je rozhodnutí prováděno na základě výsledků posledního výběru → váhový koeficient je zde 100 %. U CUSUM je velikost váhových koeficientů jednotlivých výběrů volena, např. dle obr. Komplexní management jakosti Pavel Mach Statistická přejímka 1. Metoda kumulovaných součtů - CUSUM 100 100 80 80 60 60 40 40 20 20 0 0 0 1 2 3 4 5 6 7 dávka Shewhartův diagram Komplexní management jakosti 8 9 10 0 1 2 3 4 5 6 7 8 9 10 dávka CUSUM diagram Pavel Mach Statistická přejímka 1. Metoda kumulovaných součtů (CUSUM) pro výběrové průměry V tomto diagramu se cílová hodnota Y rovná požadované hodnotě (target value) µ0. Testové kritérium má tvar: k C k = ∑ ( x j − µ 0 ) = C k −1 + ( x − µ 0 ) j =1 Zde C0 = 0 k ... pořadí výběru (k = 1, 2, ...) x ... výběrový průměr z hodnot regulované veličiny v j-tém výběru (j=1, 2, ...) j Do diagramu CUSUM pro výběrové průměry se chronologicky zaznamenávají body (k, Ck). V dalším se budeme zabývat dvoustrannou regulací. Interpretace průběhu diagramu CUSUM je-li proces udržován na cílové hodnotě µ0, pak body diagramu jsou umístěny přibližně rovnoběžně s osou x nastala-li náhlá změna střední hodnoty v době, kdy byl odebrán q-tý výběr a tato změna nadále přetrvává, pak body jsou umístěny kolem přímky, která není rovnoběžná s osou x počínaje bodem (q, Cq). Komplexní management jakosti Pavel Mach Statistická přejímka 1. Metoda kumulovaných součtů (CUSUM) pro výběrové průměry jestliže střední hodnota roste nebo klesá, pak body v diagramu tvoří rostoucí nebo klesající křivku. Důležitým faktorem je parametr měřítka diagramu CUSUM. Je-li parametr měřítka příliš malý, nelze odlišit významné změny od nevýznamných. Je-li příliš velký, je diagram příliš „rozkolísaný“ („zašuměný“). Je-li příliš malý, diagram je příliš utlumený viz obr. na následujícím listu. Parametr měřítka se bere zpravidla jako 2σ x , ale výsledná hodnota se zaokrouhlí na jedno z čísel 1, 2, 2.5, 4, 5, 10. Je-li vzdálenost v diagramu mezi dvěma sousedními čísly na ose x rovna např. 10, pak na ose y je to g mm, kde g je parametr měřítka. Pro určení, zda proces je či není statisticky zvládnutý, se užívá buď rozhodovací masky, nebo rozhodovacího intervalu. Komplexní management jakosti Pavel Mach Statistická přejímka 1. Metoda kumulovaných součtů (CUSUM) pro výběrové průměry Diagramy s příliš malým parametrem měřítka Tytéž diagramy s vhodným parametrem měřítka Komplexní management jakosti Pavel Mach Statistická přejímka 1. Metoda kumulovaných součtů (CUSUM) pro výběrové průměry Princip a aplikace rozhodovací masky Maska má zpravidla tvar V, proto se jí říká Vmaska. Na obr. je uvedena oboustranná V-maska. Základem je úhel AVB = 2 δ, tzv. určující úhel. Přímky AV a BV jsou rozhodovací přímky. Vzdálenost PV = d se nazývá určující vzdálenost. Vzdálenost CP = PD = h je rozhodovací interval. Maska je jednoznačně určena dvěma Diagram (k, Ck) parametry, zpravidla d a δ. Masku přiložíme na diagram CUSUM tak, aby se bod P ztotožnil s posledním bodem diagramu. Jestliže diagram (červená čára) někde překročí masku, není systém statisticky regulovaný. Je-li průsečík s přímkou BC, došlo k ↑ parametru rozdělení regulované veličiny, je-li průsečík s přímkou AP, došlo ke ↓ parametru rozdělení regulované veličiny. Komplexní management jakosti Pavel Mach Statistická přejímka 1. Metoda kumulovaných součtů (CUSUM) pro výběrové průměry Určení parametrů d a δ rozhodovací masky Mezi parametry masky platí vztah: tgδ = h d zde h ... rozhodovací interval, δ ... úhel masky. Maska se při určování skutečnosti, zda je proces pod statistickou kontrolou, umisťuje tak, aby osa s byla rovnoběžná s osou x diagramu (k, Ck). Hranice výřezu odpovídají zamítacím mezím. Parametr d se stanoví ze vztahu: 2.σ 0 1− β d= . ln α n.γ 2 2 2 Zde σ0 je požadovaná velikost směrodatné odchylky regulované veličiny, n ... rozsah výběru, α ... riziko zbytečného signálu, β ... riziko chybějícího signálu, γ ... změna střední hodnoty regulované veličiny. Pro malé hodnoty β přibližně platí: ln 1− β α = − ln α Komplexní management jakosti Pavel Mach Statistická přejímka 1. Metoda kumulovaných součtů (CUSUM) pro výběrové průměry Určení parametrů d a δ rozhodovací masky Pak se výchozí vztah změní na: 2σ 0 d= .(0,3 − ln α ) n.γ 2 2 Velikost střední hodnoty regulované veličiny určíme takto: 1. pro nepřípustnou úroveň střední hodnoty µ1 (µ1 > µ0) γ = µ1 − µ 0 případně ve tvaru normované diference: ϑ= 2. µ − µ0 γ = 1 σ0 σ0 pro nepřípustnou úroveň střední hodnoty µ-1 (µ-1< µ0) γ = µ 0 − µ −1 případně ve tvaru normované diference: Komplexní management jakosti Pavel Mach Statistická přejímka 1. Metoda kumulovaných součtů (CUSUM) pro výběrové průměry Určení parametrů d a δ rozhodovací masky ϑ= µ − µ −1 γ = 0 σ0 σ0 Pro úhel masky δ pak, jestliže je parametr měřítka CUSUM diagramu (k, Ck) g=1, platí: σ 0. γ ϑ = arctg 2 2 δ = arctg Jestliže je parametr měřítka CUSUM diagramu (k, Ck) g >1, pak se vztah mění na: σ0 γ ϑ = arctg 2g 2g δ = arctg Postup při sestrojení V-masky pro regulaci pro výběrové průměry 1. stanovení rozsahu logických podskupin. Rozsah se zpravidla volí mezi 3 až 5, je ale možné použít i individuálních hodnot. Data mají mít (alespoň přibližně) normální rozdělení Komplexní management jakosti Pavel Mach Statistická přejímka 1. Metoda kumulovaných součtů (CUSUM) pro výběrové průměry 1. stanovení rozsahu logických podskupin. Rozsah se zpravidla volí mezi 3 až 5, je ale možné použít i individuálních hodnot. Data mají mít (alespoň přibližně) normální rozdělení 2. stanovení kritické odchylky γ, případně její normované velikosti υ. Pro tento výpočet je třeba nejprve definovat: a. požadovanou hodnotu regulované veličiny µ0 b. nepřípustnou hodnotu regulované veličiny µ1, resp. µ-1. Za nepřípustnou hodnotu považujeme takovou, kdy proces produkuje nepřípustný podíl neshodných jednotek a je třeba vydat příkaz k zásahu do procesu 3. volba rizik α a β. Tato rizika se volí co nejnižší. Jestliže riziko β bude tak malé, že platí, 1− β ln = − ln α , pak je možné hovořit jen o riziku α. Riziko α je nazýváno také α hladinou významnosti nebo riziko zbytečného signálu (= pravděpodobnost chyby 1. druhu), riziko β je nazýváno rizikem chybějícího signálu (= pravděpodobnost chyby 2. druhu), hodnota 1- β je nazývána silofunkcí testu. 4. stanovení požadované úrovně směrodatné odchylky σ0. Zde bývá obvykle doporučeno, aby směrodatná odchylka byla stanovena následujícím postupem: a. určí se postupné diference Di = xi+1 – xi (zde xi je i-tá naměřená hodnota). Pak σ0 je: Komplexní management jakosti Pavel Mach Statistická přejímka 1. Metoda kumulovaných součtů (CUSUM) pro výběrové průměry σ= n −1 1 2 Di ∑ 2(n − 2) i =1 Doporučuje se, aby počet vybraných kusů byl celkem n ≥ 200. 5. stanovení parametru měřítka g – již bylo uvedeno 6. výpočet parametrů V-masky d a δ a její konstrukce – již bylo uvedeno. Vypočtou se parametry d a δ 7. sběr a záznam dat – provádějí se vý(od)běry n jednotek v pravidelných intervalech, vypočtou se výběrové průměry x j pro každý výběr 8. vypočte se testová charakteristika Ck a nakreslí se diagram CUSUM. 9. Aplikuje se V-maska k ověření, zda je proces pod statistickou kontrolou. Komplexní management jakosti Pavel Mach Statistická přejímka 2. Diagram EWMA EWMA znamená Exponentially Weighted Moving Average (exponenciálně vážený klouzavý průměr). Jiný název je exponenciální zapomínání. Testové kritérium digramu EWMA je: k y k = (1 − λ ) Y0 + λ ∑ (1 − λ ) k − j f ( x j ) k pro j = 1, 2, ... , k a 0 < λ <1 j =1 Zde f(xj) je zvolená hodnota výběrové charakteristiky v j-tém výběru, k ... pořadí výběru, Y0 ... požadovaná úroveň parametru rozdělení regulované veličiny. Jestliže bude platit Y0 = µ0 , kde µ0 je požadovaná úroveň střední hodnoty regulované veličiny a funkce f(xj) je výběrový průměr x j , pak jde o diagram EWMA pro výběrové průměry. Jestliže rozsah výběru n = 1, pak jde o diagram individuálních hodnot. Horní vztah lze upravit na zjednodušený tvar: y k = (1 − λ ). y k −1 + λ . f ( x k ) Komplexní management jakosti pro 0 < λ <1 a y0 = Y0 Pavel Mach Statistická přejímka 2. Metoda kumulovaných součtů - EWMA 100 80 60 40 20 0 0 1 2 3 4 5 6 7 8 9 10 dávka Shewhartův diagram Komplexní management jakosti EWMA diagram Pavel Mach Statistická přejímka 2. Diagram EWMA Diagramy EWMA patří mezi diagramy s nerovnoměrnou pamětí. To, do jaké míry se na hodnotě výběrové charakteristiky vynášené pro skupinu k podílí hodnoty předchozí, je dáno hodnotou parametru λ, kde 0 < λ < 1 . Je-li λ = 1, pak EWMA diagram přechází na diagam Shewhartův, protože váha výběrové charakteristiky poslední, k-té skupiny, je 100 %, zatímco váha předchozích hodnot je 0. Čím více se λ blíží nule, tím více se diagram EWMA blíží diagramu CUSUM. Diagram EWMA pro výběrové průměry Diagram EWMA je definován rozsahem výběru n a parametry λ a k. Tento diagram opět zohledňuje riziko zbytečného signálu α i riziko chybějícího signálu β. Opět je předpokládáno normální rozdělení regulované veličiny s konstantním rozptylem. Hodnota testového kritéria se určuje dle vztahu: k EWMAk = (1 − λ ) .µ 0 +λ ∑ (1 − λ ) .x j k k −1 pro j = 1, 2, ... , k a 0 < λ <1 j =1 Komplexní management jakosti Pavel Mach Statistická přejímka 2. Diagram EWMA Jiné vyjádření: EWMAk = (1 − λ ).EWMAk −1 .µ 0 +λ.x k EWMA0 = µ 0 0 < λ <1 Volbou parametru λ je ovlivňována míra zapomínání. Čím blíže bude λ hodnotě 1, tím více se EWMA bude blížit klasickému Shewhartovu diagramu, čím je λ blíže k nule, tím více se EWMA blíží diagramu CUSUM. Výpočet střední přímky (CL – central line) CL = µ 0 Regulační meze vypočteme ze vztahů: UCL = CL + K .σ EWMA = µ 0 + K .σ EWMA kde σ EWMA = σ0 n . [1 − (1 − λ ) ] 2−λ Komplexní management jakosti λ 2K LCL = CL − K .σ EWMA = µ 0 − K .σ EWMA Zde σ0 ... požadovaná úroveň směrodatné odchylky regulované veličiny, Pavel Mach Statistická přejímka 2. Diagram EWMA Na rozdíl od klasických Shewhartových diagramů závisí v diagramu EWMA regulační meze na okamžiku výběru, ale relativně rychle se blíží asymototickým hodnotám. UCLa = CL + K .σ a = µ 0 + K .σ a UCLa = CL − K .σ a = µ 0 − K .σ a Směrodatnou odchylku určíme z výrazu: σa = σ0 n . λ 2−λ Postup při sestrojení diagramu EWMA a jeho analýza 1. stanovení rozsahu výběru n – je třeba optimalizovat technická i ekonomická hlediska 2. určení rizika zbytečného signálu α - často se volí α = 0.027, takže počet výběrů mezi dvěma zbytečnými signály je 1/0.027 = 370, nebo se volí α = 0.01, pak počet výběrů mezi dvěma zbytečnými signály bude 100. 3. určení kritického posunu střední hodnoty pro regulovanou veličinu - nepřípustné úrovně regulované veličiny µ1, resp. µ-1. Za nepřípustnou hodnotu považujeme takovou, kdy proces produkuje nepřípustný podíl neshodných jednotek a je třeba vydat příkaz k zásahu do procesu. Z toho je třeba stanovit kritickou odchylku γ od požadované úrovně, nebo její Komplexní management jakosti Pavel Mach Statistická přejímka 2. Diagram EWMA normovaný tvar υ 4. volba optimálního parametru λ - k tomu slouží nomogram. Na jeho x-ové ose je veličina ∆= γ . n = δ. n σ0 Na y-ovou ose čteme λ, parametrem je hodnota 1/α. Nomogram je zpracován pro hodnoty 1/ α 50, 100, 250, 370. 5. nalezení parametru K – provede se opět pomocí nomogramu. Podle hodnoty λ nalezené v minulém kroku a podle parametru 1/ α určíme hodnotu K 6. sestrojení diagramu EWMA: a. z vypočtených výběrových průměrů se pro každý výběr vypočtou hodnoty testového kritéria EWMAk .Pro výpočet se použije optimální hodnota λ stanovená v kroku 4 b. vypočtou se hodnoty CL, UCL, LCL. Pro výpočet se použijí hodnoty λ a K stanovené v bodech 4 a 5 c. zkonstuuje se diagram a do něj se zakreslí vypočtené hodnoty EWMAk. 7. Analýza statistického zvládnutí procesu – interpretace diagramu EWMA je stejný jako interpretace klasického Shewhartova diagramu. Komplexní management jakosti Pavel Mach Statistická přejímka 2. Diagram EWMA UCLa CL LCLa Komplexní management jakosti Pavel Mach Postup při získání certifikace dle ČSN EN ISO 9000:2001 Průběh certifikace firmy V některých případech je vhodné, aby byla provedena tzv. „předcertifikační“ prověrka (je nepovinná). Ta zájemcům poukáže na slabiny jejich systému řízení jakosti a umožní mu hrubý odhad nákladů, které musí vynaložit na to, aby byl úspěšný ve vlastní certifikaci. Předcertifikační prověrka by měla být prováděna subjektem, který není v přímém spojení se subjektem, který bude provádět vlastní certifikaci. Komplexní management jakosti Pavel Mach Postup při získání certifikace dle ČSN EN ISO 9000:2001 Počátek certifikace Průběh certifikace firmy Moje firma Certifikující organizace Písemný požadavek CERTIFIKAČNÍ PROVĚRKA Pro certifikaci je vhodné, aby certifikujícím orgánem byla organizace ze země, kam předpokládám svůj export. Informační rozhovor (cena, problémy, šance) , , Předběžná prověrka Je zájem ano/ne Ne Výsledky prověrky Úprava, dopracování systému, dokumentace ap. Ano Vystavení objednávky Komplexní management jakosti na ceritifikující orgán Pavel Mach Postup při získání certifikace dle ČSN EN ISO 9000:2001 Průběh certifikace firmy Hlavními dokumenty pro certifikaci jsou: příručka jakosti směrnice předpisy Komplexní management jakosti Pavel Mach Postup při získání certifikace dle ČSN EN ISO 9000:2001 Průběh certifikace firmy V případě, že dojdou na certifikující orgán oznámení o nedostatečné kvalitě některých výrobků, pro jejichž výrobní proces certifikující orgán udělil ISO 9000:2000 (případně jiný certifikát o jakosti procesu), lze počítat s nepravidelnou inspekcí. Komplexní management jakosti Pavel Mach Postup při získání certifikace dle ČSN EN ISO 9000:2001 Průběh certifikace firmy Změny systému řízení jakosti souvisí se změnami ve výrobním procesu, nebo se změnami vlastního systému řízení jakosti. O změnách je nutné informovat certifikující orgán. Jsou-li významné, bude provedena dodatečná inspekce systému řízení jakosti. Ta se bude týkat, také kromě jiného, dokumentace ke změnám. Komplexní Komplexní management management jakosti jakosti Pavel Pavel Mach Mach Audity Cíle auditů Inspekční a kontrolní činnost – na střední úrovni řízení Audity – na vrcholové úrovni řízení. Cílem auditů je zjišťování faktů, nikoli chyb. Hlavními cíli auditů jsou: zjistit, zda systém jakosti odpovídá příslušným normám a směrnicím, které specifikují systém managementu jakosti zjistit, jak je systém jakosti uveden v život ověřit, zda dokumentace systému jakosti je pravdivá ověřit efektivitu systému jakosti ve vztahu k zákazníkovi jasně formulovat neshody, jejich příčiny a cesty, jak se jim vyhnout Na základě auditu musí vedení přistoupit k nezbytným opatřením vedoucím ke zlepšení fungování systému jakosti s cíli: zlepšit plnění požadavků zákazníka zajistit minimální spotřebu finančních fondů. Komplexní management jakosti Pavel Mach Audity Druhy auditů Audit jakosti výrobků je zaměřen na kvalitu výrobků (jak se výrobek v souladu s požadavky zákazníka). K tomu se provádějí různé testy, měření, zkoušky spolehlivosti, zkoušky odolnosti, ale i hodnocení vlivu výrobku na životní prostředí. Audit jakosti procesů prověřuje vhodnost procesů, jejich efektivitu, morální úroveň procesů (např. typ technologie, míru inovací procesů a postupů, ekologický dopad procesů. Audit pracovníků (personální audit) je zaměřen na oblast vzdělávání pracovníků, které by jim mělo umožnit co nejvyšší využití jejich schopností. Měly by být také odstraněny organizační překážky, které pracovníkům brání v plném využití jejich kvalifikace. Personální audity však také hodnotí efektivitu práce zaměstnanců z hlediska struktury procesu, objem práce požadovaný na pracovnících na různých úrovních a využití pracovní doby. Komplexní management jakosti Pavel Mach Audity Druhy auditů Audit systému jakosti hodnocení úrovně a účinnosti systému jakosti, etalonem je ČSN EN ISO 9001:2001 Typy auditů: Druh auditu Interní Auditorská strana Náš podnik prováděný první stranou Externí aktivní Auditovaná strana Rozsah auditu Náš podnik Úplný, dílčí, následný Náš dodavatel Úplný, dílčí, následný Náš podnik Úplný, dílčí, následný externí pracovník Náš podnik externí pracovník Externí pasivní prováděný druhou stranou náš zákazník prováděný třetí stranou externí nezávislá organizace Komplexní management jakosti Pavel Mach Audity Fáze auditů 1. Plánovací fáze přímo ovlivňuje kvality auditu. Plán může kombinovat všechny typy auditů včetně interních. Plá Plán musí musí odpově odpovědět na otá otázku, jaké jaké lidské lidské zdroje budou potř potřeba, jaké jaké finanč finanční prostř prostředky budou potř potřeba a jak dlouho audit potrvá potrvá. 2. Přípravná fáze Cíle auditu Oznámení návštěvy zpracování vývojových diagramů Komplexní management jakosti získání předběžných informací zpracování programu auditu Prověření informací instruktáž auditorů stanovení týmu zajištění pružnosti auditu Pavel Mach Audity Fáze auditů 3. Fáze realizace auditu 1. krok 2. krok Vstupní jednání Sběr informací Návrh na nápravná opatření v případě neshody Doporučení ke změnám v dokumentaci Doporučení ke zlepšení 3. krok Závěrečná jednání a protokol o auditu Závěrečné jednání není ring. Komplexní management jakosti Pavel Mach Audity Fáze auditů 4. Fáze následné kontroly a zakončení Prověření, zda byla provedena předepsaná nápravná opatření: provedení následného auditu (nejspolehlivější, nejdražší) ověření formou vstupní přejímky ověření v průběhu plánovaného řádného auditu (pokud opatření nevyžadují okamžitou kontrolu ověření formou autoevaluace (vlastním auditem). Metody auditů Prověření, zda byla provedena předepsaná nápravná opatření: plánování auditu – auditor musí mít jasno, v jakém pořadí bude procházet jednotlivé útvary shromažďování informací – je třeba prověřit míru shody mezi dokumentací a procesem. Komplexní management jakosti Pavel Mach Audity nam y Zá z způsoby získávání informací – přímé pozorování, měření, testování, zkoušení, diskuze s pracovníky, přezkoumání dokumentace, přezkoumání záznamů o jakosti. způsob kladení otázek: jak, co, proč, kdy, kde, kdo, co když, ukaž! akt ne uál jsou ní Metody auditů Nástroje auditů vývojový diagram doplněný poznámkami auditora matice prvků činnosti kontrolní seznamy Komplexní management jakosti Pavel Mach Audity Předaudit Certifikačnímu auditu předchází „předaudit“, jehož cílem je posouzení, do jaké míry dokumentace systému odpovídá požadavkům certifikační normy. Je zpravidla zpracováván jedním auditorem („předcertifikační firmou). V případě drobných nedostatků je auditor zapíše do zprávy o auditu a dá svolení k certifikaci certifikační firmou. V případě větších neshod dá auditor tyto neshody do zápisu, dohodne nápravu a termín dalšího předauditu. Vlastní certifikační audit provádí auditorský tým. Cílem je prověření shody mezi dokumentací systému jakosti a prováděním dokumentovaných činností. Neshody musí být odstraněny. Platnost certifikátu se zpravidla udílí na 3 roky. Kontrolní audit – v době době mezi auditem a reauditem prová provádí certifikač certifikační orgá orgán namá namátkové tkové kontroly zda je systé systém jakosti udrž udržová ován a zda je funkč funkční. Reaudit – po uplynutí platnosti certifikátu provede certifikační orgán reaudit. Komplexní management jakosti Pavel Mach Audity Předaudit, audit, kontrolní audit, reaudit Certifikačnímu auditu předchází „předaudit“, jehož cílem je posouzení, do jaké míry dokumentace systému odpovídá požadavkům certifikační normy. Je zpravidla zpracováván jedním auditorem („předcertifikační firmou). V případě drobných nedostatků je auditor zapíše do zprávy o auditu a dá svolení k certifikaci certifikační firmou. V případě větších neshod dá auditor tyto neshody do zápisu, dohodne nápravu a termín dalšího předauditu. Vlastní certifikační audit provádí auditorský tým. Cílem je prověření shody mezi dokumentací systému jakosti a prováděním dokumentovaných činností. Neshody musí být odstraněny. Platnost certifikátu se zpravidla udílí na 3 roky. Kontrolní audit – v době době mezi auditem a reauditem prová provádí certifikač certifikační orgá orgán namá namátkové tkové kontroly zda je systé systém jakosti udrž udržová ován a zda je funkč funkční. Reaudit – po uplynutí platnosti certifikátu provede certifikační orgán reaudit. Komplexní management jakosti Pavel Mach ISO 9001:2000 ISO 9001:2000 Normalizační pyramida mezinárodní normy ISO, IEC ISO – International Organization for Standardization evropské normy CEN, CENELEC IEC – International Electrotechnical Commission národní normy ČSN CEN – European Comitee for Standardization podnikové normy CENELEC – European Committee for Electrotechnical Standardization Normy nejsou v současné době závazné, ale doporučené. Výhodou je akceptování norem v případě, že dojde k arbitráži. Komplexní management jakosti Pavel Mach ISO 9001:2000 Základní činnosti systému jakosti Tyto činnosti se dělí následovně: • • • • • činnosti průřezové činnosti v předvýrobní etapě činnosti ve výrobní etapě činnosti v povýrobní etapě činnosti kontrolní Jakost je rozhodujícím faktorem stabilního růstu podniku. Její projev je zejména v oblasti míry spokojenosti a loajality zákazníků. Management jakosti je nejdůležitějším faktorem před ztrátou trhů. Jakost je rozhodujícím faktorem úspor materiálů a energií. Komplexní management jakosti Předvýrobní průzkum trhu návrh vývoj konstrukce Průřezové zodpovědnost vedení zásady systému jakosti ekonomika personál dokumentace + statistické metody Výrobní mat.-tech. zabezp. výroba řízení výroby Povýrobní manipulace skladování označování balení montáž servis Kontrolní kontrola ověřování měřicí a zkušební zařízení nedostatky PLÁNY NORMY OPATŘENÍ Pavel Mach ISO 9001:2000 Účinek podnikových systémů jakosti Komplexní management jakosti Pavel Mach ISO 9001:2000 Jakost v EU Základní teze přístupu EU k jakosti: 1. Kvalitnímu zboží nesmí být bráněno ve vstupu na trhy EU 2. Všechny výrobky uváděné na trh jsou obecně začleněny do dvou skupin: • výrobky regulované sféry • výrobky neregulované sféry Výrobky regulované sféry jsou ty, při jejichž použití by mohlo dojít k poškození zdraví (např. tlakové nádoby a implantáty). Výrobky neregulované sféry jsou ty, u kterých při použití poškození zdraví nehrozí, zde jsou normy jen doporučené. 3. Všechny výrobky regulované sféry musí být od 1. 1. 1995 před uvedením na trh opatřeny známkou CE (Conformité Européenne – evropská shoda). Tato známka je udělována nostrifikovanými zkušebnami. U výrobků neregulované sféry není udělení CE povinné. 4. K posuzování shody s požadavky na jakost byl vypracován modulární přístup. Ten sestává ze 4 segmentů: Vnitřní kontrola výroby (výrobce udržuje technickou dokumentaci pro potřeby národních úřadů, prohlašuje shodu a umisťuje označení CE). Nostrifikační orgán zkouší výrobek podle specifických hledisek a provádí kontrolu v náhodných intervalech. Komplexní management jakosti Pavel Mach ISO 9001:2000 Jakost v EU Ověřování celků (výrobce předkládá technickou dokumentaci, předkládá vzorek, prohlašuje shodu a umisťuje označení CE). Nostrifikační orgán provádí dohled, ověřuje shodu, vystavuje certifikát o shodě. Komplexní zjišťování jakosti (výrobce dodržuje systém řízení jakosti, prohlašuje shodu a výrobek opatřuje známkou CE). Nostrifikační orgán provádí dohled. Typová zkouška (výrobce předkládá nostrifikačnímu orgánu technickou dokumentaci a typový vzorek). Nostrifikační orgán zjišťuje shodu výrobku s požadavky zákazníka, provádí zkoušky, je-li to nutné a vystavuje certifikát o ES typové zkoušce. 5. Harmonizace podmínek nezávislého posuzování shody bude základem vzájemného uznávání výsledků zkoušení výrobků a certifikace tak, aby byl umožněna vzájemná výměna zboží uvnitř trhu EU 6. Podmínkám stanoveným evropskými normami a direktivami EU se musí přizpůsobit i všichni neevropští dodavatelé výrobků na evropský trh. Pro naše podniky z toho plyne, že nemá-li být omezován jejich přístup na evropské trhy, musí být jejich systémy řízení jakosti harmonizovány s evropskými normami, v tomto případě ISO 9000:2000. Komplexní management jakosti Pavel Mach ISO 9001:2000 Koncepce managementu jakosti na bázi norem ISO Normy ISO mají univerzální charakter (jsou generické), tedy nezávisí ani na charakteru procesů, ani na povaze produktů Normy ISO řady 9000 nejsou závazné, ale doporučující. Závazné jsou v okamžiku, kdy se výrobce v obchodní smlouvě zaváže odběrateli, že aplikuje u sebe systém ISO 9001. V současnosti je tato praxe obvyklá. Proto ISO 9000 tvoří závažnou součást legislativy v obchodním styku. Normy ISO 9000 jsou pouze souborem minimálních požadavků, proto jsou podnikové normy zpravidla přísnější. Zkušenosti ukazují, že normy ISO 9000 nejsou zárukou prosperity podniku. Koncepce ISO musí být chápána jako začátek cesty ke špičkové jakosti. Struktura norem ISO 9000:2001 Základní soubor se skládá ze 4 standardů: 1. ČSN EN ISO 9000:2001 – Systémy managementu jakosti: Základy, zásady, slovník 2. ČSN EN ISO 9004:2001 – Systémy managementu jakosti: Směrnice pro zlepšování výkonnosti 3. ČSN EN ISO 9001:2001 – Systémy managementu jakosti: Požadavky Komplexní management jakosti Pavel Mach ISO 9001:2000 Struktura norem ISO 9000:2001 4. ISO 19011 – Směrnice pro auditování systému managementů jakosti a systémů environmentálního managementu (tato norma má být teprve vydána). Obsahem normy ČSN EN ISO 9000:2001 je výklad a definice pojmů souvisejících s jakostí, managementem, organizací, procesem, výrobkem, audity, procesy měření atd. Důležitou součástí této normy je i charakteristika hlavních zásad managementu jakosti. Obsahem normy ISO 9001:2000 a ISO 9004:2000 je skutečnost, že systémy jakosti už nejsou považovány za množinu prvků (jako tomu bylo v normách ISO 9000 z roku 1994), ale soustavu na sebe navazujících procesů. Tyto nové normy jsou tedy charakteristické procesním přístupem. Procesy jsou charakterizovány smyčkou jakosti a normy předepisují povinnost realizovat všechny procesy zahrnuté ve smyčce jakosti (počínaje návrhem a konče servisem) ve shodě s požadavky zákazníka. Normy citují tzv. „infrastrukturu“, kterou je míněn odpovědný management lidských zdrojů, finančních zdrojů a hmotných zdrojů. Klíčovým procesem je měření míry spokojenosti zákazníků. Toto měření spolu s dalšími měřeními a analýzami umožňuje trvalé zlepšování jakosti. Komplexní management jakosti Pavel Mach ISO 9001:2000 Struktura norem ISO 9000:2001 Komplexní management jakosti Zákazníci a jiné zainteresované strany Zákazníci a jiné zainteresované strany Procesní model systému managementu jakosti Pavel Mach ISO 9001:2000 Struktura norem ISO 9000:2001 ISO 9000:2000 - zásady • • • • • • • • Organizace orientovaná na zákazníka Zapojení vedení Zapojení pracovníků Procesní přístup Systémový přístup k managementu Neustálé zlepšování Rozhodování založené na faktech Vzájemně výhodné dodavatelsko-odběratelské vztahy Komplexní management jakosti Pavel Mach ISO 9001:2000 Příručka jakosti pro ISO 9000:2000 Příručka jakosti musí reagovat na strukturu normy. Její kapitoly kopírují strukturu normy. Obsah kapitol je následující: 1. 2. 3. 4. 5. 6. 7. 8. Předmět normy Normativní odkazy Termíny a definice Systém managementu jakosti Odpovědnost managementu Management zdrojů Realizace produktu Měření, analýza, zlepšování Zavedení systému jakosti je strategickým rozhodnutím organizace. Systém jakosti musí být pružný, struktura systémů jakosti může být pro různé organizace různá, také jednotnost dokumentace není požadována. Tato norma vyžaduje uplatňování procesního přístupu v systému managementu jakosti s cílem zvýšit spokojenost zákazníka plněním jeho požadavků. Komplexní management jakosti Pavel Mach ISO 9001:2000 Příručka jakosti pro ISO 9000:2000 Procesním přístupem se rozumí identifikace a aplikace systému procesů spolu s jejich vzájemným působením a řízením. Systém vychází z: pochopení požadavků a jejich plnění zvažování procesů z hlediska přidané hodnoty dosahování výkonnosti a efektivnosti procesů neustále zlepšování procesů na základě objektivního měření. V další části: červeně jsou uvedeny kapitoly normy, modře příslušné kapitoly vzorové příručky jakosti. 1. Předmět normy • • prokazuji, že jsem schopen trvale poskytovat produkt, který splňuje požadavky zákazníka a příslušné požadavky předpisů produkt zvyšuje spokojenost zákazníka a je ve shodě s požadavky zákazníka. Norma je generická, což znamená, že je aplikovatelná ve všech organizacích bez ohledu na velikost, produkt a typ organizace. Všeobecná ustanovení – účel a oblast použití, rozsah platnosti příručky, zrušující ustanovení, změnová řízení. Komplexní management jakosti Pavel Mach ISO 9001:2000 Příručka jakosti pro ISO 9000:2000 2. Normativní odkazy Základním normativním odkazem je norma ISO 9000:2000. Související dokumenty – Externí dokumenty, nadřazené dokumenty QMS, řídicí dokumentace QMS, prováděcí dokumentace 3. Termíny a definice Kdekoli se v textu vyskytuje slovo „produkt“, je tím míněna i „služba“. Definice a zkratky – konvence použité v maticích zodpovědnosti. 4. Systém managementu jakosti Organizace musí vytvořit, dokumentovat, uplatňovat a udržovat systém managementu jakosti a neustále zlepšovat jeho efektivnost. K tomu je třeba: identifikovat procesy potřebné pro systém managementu jakosti a pro jejich aplikaci v celé organizaci určovat posloupnost vzájemného působení určovat metody a kritéria pro řízení procesů zajišťovat zdroje a informace zlepšovat procesy, řídit je a kontrolovat. Komplexní management jakosti Pavel Mach ISO 9001:2000 Příručka jakosti pro ISO 9000:2000 Systém managementu jakosti – všeobecné požadavky, identifikace procesů v konkrétní firmě, požadavky na dokumentaci (struktura dokumentů, příručka jakosti, řízení dokumentů, řízení záznamů). 5. Odpovědnost managementu • stanovit cíle jakosti • získat pro systém řízení jakosti všechny pracovníky • stanovit politiku jakosti • zajišťovat zdroje. Povinnosti managementu – odpovědnost managementu, politika jakosti, plánování (cíle jakosti, plánování jakosti), odpovědnosti a pravomoci hlavních funkcí, přezkoumávání managementu (vstupy pro přezkoumávání, výstupy z přezkoumávání). 6. Management zdrojů • zdroje materiální • zdroje lidské • všeobecně Management zdrojů – poskytování zdrojů, lidské zdroje (odborná způsobilost a výcvik) Komplexní management jakosti Pavel Mach ISO 9001:2000 Příručka jakosti pro ISO 9000:2000 7. Realizace produktu plánování realizace produktu cíle jakosti a požadavky na produkt zdroje specifické pro produkt vhodné metody zkoušení a kontroly Plán jakosti – obsahuje procesy systému managementu jakosti včetně procesů realizace produktu, zdrojů, projektu a případných smluv Realizace produktu – plánování (plánování cílů jakosti, vstupy a výstupy plánování ve firmě), procesy týkající se zákazníka (tvorba smlouvy), návrh a vývoj, nakupování (proces nakupování, popis činnosti nakupování materiálu, popis činnosti nakupování služeb), výroba, řízení monitorovacích a měřicích zařízení (rozsah monitorování a měření). 8. Měření, analýza, zlepšování • • • všeobecně (organizace musí uplatňovat procesy potřebné pro prokázání shody produktu, pro efektivitu systému jakosti, pro růst efektivnosti) monitorování a měření (spokojenosti zákazníka, procesů, produktu, interní audity) řízení neshodného produktu Komplexní management jakosti Pavel Mach ISO 9001:2000 Příručka jakosti pro ISO 9000:2000 analýza zlepšování (neustálé, preventivní opatření) Měření, analýza, zlepšování – monitorování a měření (spokojenosti zákazníka, interní audit, monitorování a měření procesů, monitorování a měření produktu), řízení neshodného produktu (obecný postup při vystavení a vypořádání záznamu o neshodě), zlepšování (neustálé zlepšování, opatření k nápravě a preventivní opatření). Komplexní management jakosti Pavel Mach ISO 9001:2000 Aplikace systému ISO řady 9000:2000 Jestliže chce firma aplikovat systém ISO, je doporučen následující postup: 1. Rozhodnutí o přijetí ISO. Toto rozhodnutí je strategické a ovlivní život firmy na mnoho let. Firma si samozřejmě může zvolit jiný systém řízení jakosti, případně, je-li dodavatelem některé z významných firem, může přijmou systém jakosti uvedené firmy. 2. Analýza současného stavu. Tuto činnost může provést „předcertifikační“ firma, která zjistí, jak je z hlediska současného stavu systému jakosti firma kompatibilní s řadou ISO 9000:2000 a jaké náklady by byly spojené s přechodem na tento systém řízení jakosti. 3. Vzdělávání zaměstnanců. Záleží na úrovni firmy. Je rozdíl, jak musí být vzděláváni zaměstnanci firmy, kde již nějaký systém řízení jakosti existuje a přechází se na ISO, nebo zaměstnanci firmy, kde systém řízení jakosti dosud nebyl a je zaváděn jako zcela nový. Osvěta je důležitá také proto, protože aby byl systém řízení jakosti úspěšný, musí ho přijmout za svůj všichni zaměstnanci firmy. Osvěta ještě není vlastní školení k systému jakosti, měla by pouze informovat pracovníky o jeho struktuře, dopadu na pracovní postupy, na postavení firmy na trhu, na nutnost dodržování předpisů ap. Komplexní management jakosti Pavel Mach ISO 9001:2000 Aplikace systému ISO řady 9000:2000 4. Popis procesu a dokumentace systému řízení jakosti. Cílem je definovat: 1. 2. 3. 4. 5. kdo co jak kdy čím má v systému jakosti vykonávat. Struktura bývá pyramidová. Tato část přípravy bývá většinou nejobtížnější. 5. Prosazení dokumentovaných postupů do podnikové praxe. Toto je nejvýznamnější krok zavedení systému jakosti ve firmě. Lidé musí směrnice a pokyny akceptovat. Před zavedením systému jakosti musí projít všichni pracovníci školením, kde se každý dozví své postavení a své úkoly v tomto systému. Za kvalitu informovanosti zaměstnanců zodpovídá management firmy. 6. Běžné působení systému jakosti v podniku. Hovoříme již o době, kdy je systém jakosti zbaven dětských nemocí. Měly by již být zřejmé jeho dopady → snížení počtu neshodných výrobků, první ekonomické přínosy. Firma dospěla do stadia, kdy je možné požádat o certifikaci. Komplexní management jakosti Pavel Mach ISO 9001:2000 Aplikace systému ISO řady 9000:2000 6. V některé literatuře je uváděno, že pokud firma není tlačena svými odběrateli do získání certifikátu, je žádost o certifikaci mrhání penězi. Ve skutečnosti však, nabízí-li firma na trhu své výrobky či služby s tím, že má ISO, může jí tato skutečnost významně přispět k získání nových zákazníků. 7. Další rozvoj systému jakosti. Po získání certifikace je nutné věnovat nemenší úsilí zdokonalování systému jakosti. Normy ISO definují pouze minimální úroveň! Získání ISO tedy nemůže být cílem. Otázka „Co dělat se systémem jakosti, který byl právě certifikován?“ má následující odpověď: rozvoj směrem k systému TQM a k systémům environmentálního managementu. Komplexní management jakosti Pavel Mach TQM – Total Quality Management Koncepce managementu jakosti na bázi TQM Princip orientace na zákazníka Princip vedení lidí a týmová práce Princip partnerství s dodavateli Princip rozvoje a angažovanosti lidí Komplexní management jakosti Princip orientace na procesy Princip neustálého zlepšování a inovací Princip měřitelnosti výsledků Princip odpovědnosti vůči okolí Pavel Mach TQM – Total Quality Management Koncepce managementu jakosti na bázi TQM Principy TQM se začaly uplatňovat nejprve v některých japonských firmách, pak se tento systém přenesl do USA, kde dosáhl svého významného rozvoje. Koncepce TQM není svázána s normami či předpisy. Je to otevřený systém. Dle Corrigana: TQM je filosofie managementu formující zákazníkem řízený a učící se podnik k tomu, aby bylo dosaženo plné spokojenosti zákazníků v důsledku neustálého zlepšování podnikových procesů. Základní principy TQM jsou tyto: 1. Princip orientace na zákazníka Zákazníkem je každý subjekt, kterému odevzdáváme výsledky své práce. Finální spotřebitelé představují jen jednu skupinu zákazníků, tzv. „externí zákazníky“. Je třeba zkoumat: budoucí požadavky zákazníků spokojenost zákazníků 2. Princip vedení lidí a týmové práce Je preferován přístup ke konsensuálnímu vedení zaměstnanců a podpora jejich motivace k metodám práce v týmech (výrobní linky a výrobní hnízda). Řídicí pracovníci mají prosazovat principy orientace na zákazníka. Komplexní management jakosti Pavel Mach TQM – Total Quality Management Koncepce managementu jakosti na bázi TQM 3. Princip partnerství s dodavateli Je nutné vytvářet vzájemný vztah důvěry s dodavateli. Ten však lze budovat jen na základě opakovaně prokázané způsobilosti dodavatelů plnit požadavky odběratele. Tyto vztahy mohou být vytvářeny např. na základě poskytování technické pomoci dodavatelům, společné plánování jakosti, motivace dodavatelů ap. 4. Princip rozvoje a angažování lidí Největším bohatstvím organizace jsou způsobilí a vzdělaní zaměstnanci. Je nutné dbát o průběžné vzdělávání zaměstnanců, zaměstnanci musí mít v podniku perspektivu, zaměstnanci musí být zaangažováni na výsledcích organizace. 5. Princip orientace na procesy Každý proces musí mít svého „vlastníka“. Ten zodpovídá za kvalitu procesu a za kvalitu výstupů z procesu. Je třeba dokonale zvládnout řízení procesů, a to jak procesů technologických, tak ostatních (služby, tok informací, zpracování dat ap.). Každý proces probíhá při spotřebě některých zdrojů (energie, materiály, pracovní síla, stroje) a v nějakém rámci (např. daném normami nebo zásadami systému jakosti). 6. Princip neustálého zlepšování a inovací Tento princip je motorem všech pozitivních změn v organizaci. Procesy zlepšování jsou orientované zejména na: Komplexní management jakosti Pavel Mach TQM – Total Quality Management Koncepce managementu jakosti na bázi TQM výrazné snižování objemu neshod v dodávkách rozšiřování spektra nabízených výrobků a služeb snižování objemu vnitřních neefektivností v technických a organizačních systémech. 7. Princip měřitelnosti výsledků Je třeba, aby byla vyvinuta metrika, která umožní objektivní hodnocení výsledků organizace. Dále je nutné mít spolehlivou metodiku získávání dat a spolehlivou proceduru jejich vyhodnocování. K měření výkonnosti se užívá zpravidla vnějšího a vnitřního benchmarkingu. 8. Princip odpovědnosti vůči okolí Organizace nese zodpovědnost vůči přírodě, zaměstnanosti lidí v příslušné oblasti, dopravní zátěži a dalších faktorech. Většinu z výše zmíněných principů již převzaly normy ISO řady 9000. Systém TQM se zavádí pomocí různých modelů. V Evropě je nejobvyklejším modelem EFQM Model Excelence, jehož struktura je uvedena na následujícím obrázku. Komplexní management jakosti Pavel Mach TQM – Total Quality Management Koncepce managementu jakosti na bázi TQM Nástroje a prostředky Výsledky Výsledky vzhledem k zaměstnancům 90 bodů (9 %) Lidé 90 bodů (9 %) Vedení 100 bodů (10 %) Politika a strategie 80 bodů (8 %) Procesy 140 bodů (14 %) Partnerství a zdroje 90 bodů (9 %) Výsledky vzhledem k zákazníkům 200 bodů (20 %) Klíčové výsledky výkonnosti 150 bodů (15 %) Výsledky vzhledem ke společnosti 60 bodů (6 %) Inovace a učení se Komplexní management jakosti Pavel Mach TQM – Total Quality Management Koncepce managementu jakosti na bázi TQM Prvních šest kritérií je označováno jako „Nástroje a prostředky“, zbývající čtyři kritéria umožňují posuzování výsledků. Na základě dosahovaných výsledků je pak možné určovat směry dalšího učení a zlepšování. Uvedený model je aplikován pro dosažení následujících cílů: • • • je inspirativní pro organizace, které chtějí zdokonalovat své systémy řízení jakosti je vhodný pro oceňování firem, které se ucházejí o ceny za jakost (evropskou, národní) – tedy za nejlepší implementaci systému TQM) je vhodný pro autoevaluaci firem. V modelu jsou u jednotlivých položek uvedena procenta. Ta vyjadřují závažnost jednotlivých kritérií. Je zřejmé, že v části nástrojů je to zvládnutí procesů, v části výsledků spokojenost zákazníka. Porovnáme-li úroveň kvality, kde maximální hodnocení by bylo 1000 bodů, je možné provést přibližné porovnání jednotlivých systémů dle obrázku. Komplexní management jakosti Pavel Mach TQM – Total Quality Management Koncepce managementu jakosti na bázi TQM Prvních šest kritérií je označováno jako „Nástroje a prostředky“, zbývající čtyři kritéria umožňují posuzování výsledků. Na základě dosahovaných výsledků je pak možné určovat směry dalšího učení a zlepšování. Uvedený model je aplikován pro dosažení následujících cílů: • • • je inspirativní pro organizace, které chtějí zdokonalovat své systémy řízení jakosti je vhodný pro oceňování firem, které se ucházejí o ceny za jakost (evropskou, národní) – tedy za nejlepší implementaci systému TQM) je vhodný pro autoevaluaci firem. V modelu jsou u jednotlivých položek uvedena procenta. Ta vyjadřují závažnost jednotlivých kritérií. Je zřejmé, že v části nástrojů je to zvládnutí procesů, v části výsledků spokojenost zákazníka. Porovnáme-li úroveň kvality, kde maximální hodnocení by bylo 1000 bodů, je možné provést přibližné porovnání jednotlivých systémů dle obrázku. Komplexní management jakosti Pavel Mach TQM – Total Quality Management Koncepce managementu jakosti na bázi TQM Komplexní management jakosti Pavel Mach Principy systémů jakosti Principy, které by měly být obsaženy v každém systému jakosti Princip prevence – v systému jakosti a již v procesu jeho návrhu by měly být obsaženy některé mechanizmy, které signalizují, případně zabrání vzniku problémů. K nim patří např. uplatňování koncepce včasné výstrahy, hodnocení způsobilosti dodavatelů, analýza lidských zdrojů, možné logistické problémy a další. Princip všeobsažnosti – v procesu řízení jakosti se není možné zaměřit jen na výstupní produkt. Výsledky firmy ovlivňuje řada dalších skutečností, např. kvalita marketingu, úroveň servisu, úroveň technologie, cena a další parametry. Princip zpětné vazby – nemůže být realizován jen počtem a typem reklamací výrobků, ale měl by umožnit získávání informací z trvalého monitoringu spokojenosti (či nespokojenosti) zákazníků. Princip matematické podpory – řídicí pracovník musí být způsobilý užívat statistické i jiné matematické nástroje pro řízení a získávání informací. V současné době je již dostupná řada SW produktů, které tuto práci usnadňují. Princip transparentnosti – systém by měl být takový, aby byl srozumitelný všem pracovníkům na všech úrovních. Je nutné, aby pracovníci chápali filozofii systému, což se odrazí nejen v kvalitě procesů, ale také např. v úrovni dokumentace. Komplexní management jakosti Pavel Mach Principy systémů jakosti Principy, které by měly být obsaženy v každém systému jakosti Princip efektivity - je důležitý pro řídicí pracovníky, protože efektivita ukazuje přínos systému jakosti pro zisk organizace. Zpravidla se uvažuje, že přibližně 5 % hodnoty odbytu v prvních třech letech existence systému jakosti musí být do tohoto systému investováno. Princip týmové spolupráce – systém jakosti musí být zabezpečován týmově, individuální přístup zde nemá místo. Princip neustálého zlepšování – je základním rysem, již byl diskutován. Investice do jakosti Aby byl systém jakosti efektivní, musí být pro investice do tohoto systému uplatňováno pravidlo Q = 8M Zde 8M: Men – investice do lidí Material – investice do materiálu (dodávek) Machines – investice do strojního vybavení Methods – investice do zavádění nových metod Komplexní management jakosti Pavel Mach Organizační struktury v systému jakosti Measurement – investice do ověřování shody Money – finanční investování s cílem akumulace prostředků pro jiné oblasti Management – investice do rozvoje podnikového managementu Motivation – investice podporující vykonávání správných činností Organizační struktury v systémech jakosti • Představitel vedení – jeden z členů podnikového managementu je zodpovědný za systém jakosti v podniku. Je to funkce koordinační, nikoli výkonná. • Podniková rada jakosti – bývá ve větších firmách. Je poradním orgánem pro vrcholové vedení. Má funkci koordinační. • Útvar řízení jakosti – je výkonným článkem v systému řízení jakosti. Má funkci výkonnou. POZOR! Nemusí se vždy jednat o výrobní podnik, stejnou strukturu systému jakosti může mít organizace poskytující služby, podnik projekční, vzdělávací organizace ap. Je však samozřejmé, že konkrétní úkoly se v jednotlivých typech organizací budou lišit. Vždy však budou zaměřeny na splnění spokojenosti zákazníka. Komplexní management jakosti Pavel Mach Plány jakosti Plány jakosti • Vymezují, vzhledem k jakosti, specifické metody, zdroje a sled činností spojených s určitým výrobkem, projektem, úkolem ap. • Lze je považovat za jednodušší typ příručky jakosti, která se vztahuje pouze k jedné zakázce. • Plány jakosti se zpracovávají zpravidla tehdy, když se požadavky na zabezpečování jakosti zakázky liší od zavedených postupů. • Plány jakosti zpravidla jen doplňují zavedené postupy řízení jakosti. Komplexní management jakosti Pavel Mach Plány jakosti Fáze Metody Tvorba koncepce QFD, přezkoumání koncepce Návrh prototypu Přezkoumání návrhu, předpověď spolehlivosti, FMEA, hodnotové inženýrství, Taguchi-ho metody, testy Ověřovací série Pilotní vzorky, posuzování tolerancí, interní testování, testování na omezeném trhu Sériová výroba, užití Testování zaměstnanci, uživatelské testy, zpětná vazba Ve všech fázích Analýza neshod, sběr a vyhodnocování informací Komplexní management jakosti Pavel Mach Management jakosti návrhu Management jakosti návrhu – technika QFD Metoda QFD (Quality Function Deployment) je vhodná pro plánování jakosti (výrobků, dílů, procesů, služeb). Její výhodou je: méně změn při realizaci projektu zkrácení doby vývoje (uvádí se, že u japonských firem o 1/3 až ½) nižší náklady na realizaci méně problémů v distribuci. K tomu přistupují další aspekty jako lepší komunikace se zákazníkem, lepší vzájemná informovanost a lepší pochopení požadavků zákazníka. Metoda QFD využívá maticových diagramů. Nejčastěji se tato metoda užívá při převodu požadavku zákazníka do základních technických parametrů produktů. Marketingoví odborníci předloží seznam požadavků zákazníka (řádků maticového diagramu), pracovníci vývoje předloží seznam měřitelných znaků jakosti (sloupců maticového diagramu). Požadavkům se přiřadí váhy (body) dle významnosti. Další součástí je porovnání s konkurencí (hodnocení body 1... 5) Cílem je analyzovat souvislost jednotlivých znaků jakosti výrobku a představ zákazníka o tomto výrobku. Komplexní management jakosti Pavel Mach Management jakosti návrhu Do buněk diagramu se zaznamenávají symboly charakterizující, zda závislost je silná, střední, nebo slabá. Znaky jakosti výrobku Diagram by měl dát odpověď na otázku, ve kterých technických parametrech výrobku se promítají požadavky zákazníků. Porovnání s konkurencí 1 2 3 4 Jestliže v některé buňce maticového diagramu chybí symbol, znamená to, že do tohoto znaku jakosti výrobku se nepromítá žádný požadavek zákazníka. Jestliže se vyskytnou některé požadavky zákazníka, které nejsou naplněny žádným znakem jakosti, je třeba tento znak doplnit. Je třeba identifikovat ty znaky jakosti, které jsou pro zákazníka nejvýznamnější. Komplexní management jakosti 5 4 3 2 1 Cílová hodnota Pavel Mach 5 Management jakosti návrhu Management jakosti návrhu – technika QFD Dále jsou zjišťovány závislosti mezi jednotlivými charakteristikami výrobku. Ty se zaznamenávají do střechy „domu jakosti“. K vyjádření se zpravidla užívá stejné symboliky jako pro hodnocení požadavků zákazníků a znaků jakosti. Porovnání s konkurencí se dělá z pohledu technických možností dosahování jednotlivých znaků jakosti výrobků. Po vyplnění všech údajů rozhodují členové týmu (techničtí a marketingoví odborníci) o cílových hodnotách jednotlivých znaků jakosti. Kvantitativní zpracování domu jakosti Míra závislosti mezi požadavky zákazníka a znakem jakosti se vyjadřuje číslem 1, 3 nebo 9 (čím vyšší koeficient, tím silnější závislost). Požadavky zákazníků se dále hodnotí podle koeficientu plánovaného zlepšení koeficientu prodejnosti Koeficient plánovaného zlepšení – je poměr plánovaného hodnocení plnění určitého požadavku (toho chce firma dosáhnout) k dosavadnímu hodnocení. Komplexní management jakosti Pavel Mach Hodnotová analýza Management jakosti návrhu – technika QFD Koeficient prodejnosti – jak se splnění daného požadavku zákazníků promítne do prodejnosti. Vynásobením stupně důležitosti, koeficientu plánovaného zlepšení a koeficientu vlivu na prodejnost se vypočtou absolutní váhy jednotlivých požadavků. Ty se pak přepočtou na relativní váhy. Pak se v buňkách, kde byla zjištěna souvislost s požadavky zákazníků a znaku jakosti vypočte součin číselného koeficientu (1, 3 nebo 9) a relativní váhy požadavku. Nakonec se tyto hodnoty po sloupcích sečtou. Hodnotová analýza Je založena na systémovém přístupu. Cílem je hledání zlepšení funkcí analyzovaného objektu tak, aby se zvýšila jeho efektivita. Princip je na obrázku. Provádí se v následujících etapách: • Výběr objektu – určení sféry aplikace, volba strategie (buď „odstranění neefektivnosti“, nebo „strategie inovace“), stanovení modelu, stanovení cílů – velice závažné, Komplexní management jakosti Pavel Mach Hodnotová analýza Hodnotová analýza postavení řešitelského týmu, vypracování harmonogramu. • Sběr a zpracování informací – metody sběru informací a jejich zpracování, verifikace informací • Funkční analýza – specifikace funkcí, jejich analýza, uspořádání dle důležitosti, vyhodnocení funkcí Tvorba námětů – volba hlavní nebo kritické funkce, posuzování námětů a jejich výběr Zpracování a hodnocení variant řešení – posouzení realizovatelnosti, finanční náročnosti, určení míry efektivnosti. Projekt optimální varianty – určení optimální varianty (s nejvyšší efektivitou, s nejsnazší realizovatelností), zpracování projektové dokumentace Projednání a schválení projektu – interní, externí, příprava podkladů, zapracování připomínek, schválení projektu. Komplexní management jakosti Pavel Mach Přezkoumání návrhu Hodnotová analýza se řadí k nejefektivnějším metodám snižování nákladů. Týmy pro hodnotovou analýzu bývají multidisciplinární. Již v roce 1991 bylo 20 – 40 % japonských výrobků vyvíjeno s použitím metod hodnotové analýzy, potenciál snížení vlastních nákladů se odhaduje na 20 %. Přezkoumání návrhu (Design Review) Cílem je ověření realizovatelnosti návrhu a jeho způsobilosti plnit požadavky na jakost. Součástí výsledku by měl být návrh případného řešení. Přezkoumání se musí týkat všech atributů jakosti výrobku a musí být prováděno týmem odborníků. Přezkoumání návrhu se provádí zejména v následujících oblastech: • Prvky, které se vztahují k potřebám a spokojenosti zákazníka – porovnání s konkurenčními návrhy, porovnání potřeb zákazníka s odpovídajícími atributy výrobku, validace prototypovými zkouškami atd. • Prvky, které se týkají specifikace výrobku – spolehlivost, obsluhovatelnost (ergonometrie), přejímací kritéria pro výrobek, schopnost diagnostikovat a napravovat problémy, rozbor možností vzniku vad ap. • Prvky, které se týkají specifikace procesů – schopnost vyrábět výrobek, způsobilost kontrolovat návrh, specifikace materiálů atd. Komplexní management jakosti Pavel Mach Přezkoumání návrhu Fáze vývoje Druh přezkoumání návrhu Koncepce a definice Předběžné přezkoumání návrhu Návrh a vývoj Zpřesnění přzkoumání návrhu Konečné přezkoumání návrhu Výroba a instalace Přezkoumání návrhu výroby Přezkoumání návrhu z hlediska instalace Provoz a údržba Přezkoumání návrhu z hlediska užití Komplexní management jakosti Pavel Mach Jakost v zásobování Jakost v zásobování Nedílnou součástí systémů jakosti jsou i vztahy dodavatel – odběratel Hodnota výrobku je přibližně ze 70% tvořena hodnotou vstupů Řada firem přechází na funkce montážní firmy, výroba je vytlačována do míst, kde je levná pracovní síla Stále více se prosazuje strategie JIT (Just-in-Time) – to však znamená vzrůst nároků na jakost dodávky. Výběr dodavatelů je strategickým rozhodnutím. Pro hodnocení dodavatelů se užívá tzv. Dodavatelské matice. Dle objemu dodávek a dle ztrát, které jsou jejich dodávkami odběrateli způsobovány, jsou dodavatelé zařazováni do matice. A, B, C … dodavatel Komplexní management jakosti Pavel Mach Jakost v zásobování Prvky zabezpečování jakosti dodávek v různých systémech jakosti (X … ano, O … slabě) Prvky programu ISO 9000 QS 9000 Deklarování politiky zabezpečování jakosti dodávek Definování požadavků na jakost dodávek Posuzování alternativních dodavatelů Výběr dodavatelů Společné plánování jakosti dodávek Spolupráce s dodavateli v průběhu plnění kontraktu Ověřování shody Certifikace dodavatelů Program zlepšování jakosti dodávek Průběžné hodnocení jakosti dodavatelů Motivace dodavatelů Spolupráce se subdodavateli Komplexní management jakosti TQM X X X O X X X O X X X X X X O O X X X X X X X Pavel Mach Jakost v zásobování Posuzování dodavatelů Odběratelské firmy si dělají u dodavatelů vlastní audity. Ty provádějí speciálně školení auditoři. Míra naplnění požadavků na jakost je kvantifikována. Jedna z metod kvantifikace je tato: Každému prvku je přiřazen koeficient Kpj. Jeho hodnota je 1, je-li prvek pro jakost dodávky nevýznamný, 2 … je-li průměrný a 3 … je-li hodně významný. Každý prvek je posuzován na základě až 200 kontrolních otázek KOT. Každá odpověď je hodnocena známkou Z, jejíž hodnota je od 1 …do 5. Hodnocení 1 znamená, že prvek vůbec neodpovídá požadavkům normy, hodnocení 5 … prvek je v souladu s normou. Míra zvládnutí jednotlivých prvků je kvantifikována vztahem: N HPj = ∑ ( KOT .Z ) i i =1 N 5.∑ KOTi i .100 i =1 Komplexní management jakosti Minimálně by mělo být dosaženo následujících hodnot: jedná-li se o prvek s koeficientem Kp1 … HPj ≥ 50% jedná-li se o prvek s koeficientem Kp2 … HPj ≥ 60% jedná-li se o prvek s koeficientem Kp3 … HPj ≥ 70% Pavel Mach Jakost ve výrobní etapě Jestliže pomocí předchozího vztahu vypočítáme činitele hodnocení HPj všech prvků, je možné určit i ukazatel hodnocení celého systému jakosti u dodavatel HQ: M ∑ ( KP .HP ) HQ = j j =1 j .100 M ∑ KP j =1 j Zde M … celkový počet hodnocených prvků. Při nižších hodnotách HQ než 60 % se spolupráce s dodavatelem nedoporučuje. Při hodnotě HQ 91 % a více je možná spolupráce bez jakýchkoli nápravných opatření. Jakost ve výrobní etapě V současné době jsou preferovány systémy JIT (Just-in-Time). Tyto systémy jsou charakteristické zejména velice nízkou úrovní zásob materiálu a nedokončené výroby. Systém JIT je založen na: harmonizovaném vytěžování všech zdrojů, na stabilní jakosti výroby na zapojení všech pracovníků do tohoto procesu na preventivní údržbě. Bez dostatečné jakosti výroby by systém nefungoval. Komplexní management jakosti Pavel Mach Jakost ve výrobní etapě Jakost ve výrobní etapě Významnou součástí udržování jakosti ve výrobě je TPM (Total Productive Maintenance – totální produktivní údržba). Základními cíli TPM jsou žádné poruchy (zařízení nesmí mít nikdy poruchu) žádné neshodné výrobky. Koncepce stojí na těchto zásadách: přenesení odpovědnosti za denní a běžnou údržbu na obsluhu stroje (zařízení, realizátora služby) výcvik a motivace obsluhy strojů a zařízení a vykonavatelů služeb vytváření malých pracovních týmů pro realizaci procesu neustálého zlepšování zlepšení funkce strojů a zařízení (služeb) cestou eliminace 6 velkých ztrát (6 Big Loses) důraz na preventivní a prediktivní údržbu. Míra efektivnosti procesu (zařízení) je dána indexem OEE (Overall Equipment Effectiveness) OEE = A.P.Q Zde A ... ukazatel pohotovosti P ... ukazatel účinnosti výkonu (performance efficiency) Q ... míra jakosti (podíl shodných výrobků na celkové produkci) Komplexní management jakosti Pavel Mach Jakost ve výrobní etapě Šest velkých ztrát Druh ztráty Cíle Ztráty spojené s poruchami strojů Redukovat časy prostojů v důsledku poruch na minimum Ztráty spojené s přípravou a seřízením Redukovat čas na přípravu a seřízení na méně než 10 minut Ztráty spojené se sníženou rychlostí Zvýšit projektované rychlosti spíše než je zvyšovat v průběhu procesu Malé prostoje Redukovat je na nulu Ztráty spojené s výrobou neshodných výrobků Stanovit velmi úzké toleranční meze (0,1 – 1%) Ztráty spojené s výrobou prvních kusů Minimalizovat na méně než 0.1 % dávky Komplexní management jakosti Pavel Mach Spolehlivost prvků a systémů Sériové a paralelní uspořádání Zálohování řetězce řetězcem Zálohování řetězce propojeným řetězcem (žebříček) Komplexní management jakosti Pavel Mach Spolehlivost prvků a systémů Sériové a paralelní uspořádání Metoda dekompozice systému – uspořádání, které je možné převést na jednoduché pomocí sérioparalelních kombinací Uspořádání, které není možné převést na jednoduché pomocí sérioparalelních kombinací Komplexní management jakosti Pavel Mach Spolehlivost prvků a systémů Sériové a paralelní uspořádání Metoda seznamu Počet jevů: 5 0 až 5 5 . Není-li v poruše ani jeden prvek: A10 = a b c d e Je-li v poruše jeden prvek A11 = a b c d e A21 = a b c d e ... atd. Komplexní management jakosti Pavel Mach Spolehlivost prvků a systémů Sériové a paralelní uspořádání Metoda seznamu Určí se počet možných poruchových stavů. Pravděpodobnost poruchy systému je dána součtem pravděpodobností možných poruchových stavů. Empirické zjišťování spolehlivostních charakteristik Konfidenční interval střední doby mezi poruchami 1. 2. 3. 4. Při sledování vyjdeme z formuláře (viz násl. strana) Určíme odhad střední hodnoty bezporuchového chodu T n Doby chodu ve sloupci 8 formuláře označíme jako posloupnost {t i }i =1 Je-li počet poruch za toto období m (počet znaků P ve sloupci 7 formuláře), pak odhad střední hodnoty bezporuchového chodu je dán vztahem: 1 n T = ∑ ti m i =1 Komplexní management jakosti Pavel Mach Spolehlivost prvků a systémů Záznam o spolehlivosti a využití zařízení Firma ... Název zařízení ... Zač. provozu ... Firma ... Rok výroby ... Číslo záznamu ... Dílna ... Ev. č. zařízení ... Pracovník ... ... ... 6:00 8:00 V 120 - Komplexní management jakosti 8:15 10:55 P 160 25 11:20 12:00 V 40 - 12:20 13:18 P 58 15 13:33 14:00 S 27 - 12 T Poznámka ... 11 Spotřeba mat. při opravě 14. 5. 10 Příčina poruchy Doba opravy poruchy (min) 9 Doba chodu (min) 8 Důvod zastavení 7 Kdy zastaveno 6 Kdy spuštěno (hod., min.) 5 Údržba (jméno) 4 Obsluha (jméno) 3 Výrobek 2 Datum 1 Vadný Měnič měnič Opotř. Nástroj nástroj Pavel Mach Spolehlivost prvků a systémů Empirické zjišťování spolehlivostních charakteristik Určení doby sledování 1. 2. 3. 4. Při sledování vyjdeme z formuláře (viz násl. strana) Určíme odhad střední hodnoty bezporuchového chodu Doby chodu ve sloupci 8 formuláře označíme jako posloupnost Je-li počet poruch za toto období m (počet znaků P ve sloupci 7 formuláře), pak odhad střední hodnoty bezporuchového chodu je dán vztahem: Komplexní management jakosti Pavel Mach