Quais são as técnicas estatísticas avançadas para melhorar os gráficos de CEP?

Alimentado por IA e pela comunidade do LinkedIn

Controle estatístico de processo (SPC) Os gráficos são ferramentas amplamente utilizadas para monitorar e melhorar a qualidade e consistência de processos e produtos. Eles ajudam a identificar e eliminar fontes de variação, reduzir desperdícios e defeitos e aumentar a satisfação do cliente. No entanto, os gráficos SPC tradicionais têm algumas limitações e desafios, como lidar com dados não normais, dados autocorrelacionados, dados multivariados e sistemas complexos. Felizmente, existem algumas técnicas estatísticas avançadas que podem ajudar a superar esses problemas e melhorar o desempenho e a interpretação dos gráficos SPC. Neste artigo, você aprenderá sobre quatro dessas técnicas e como elas podem beneficiar sua prática de SPC.

Principais especialistas neste artigo

Selecionados pela comunidade a partir de 4 contribuições. Saiba mais

Felipe Jardelino

Supervisor Administrativo e almoxarifado na Unifor/Gestão de equipes/Gestão de compras/Gestão de projetos/Melhoria…

1 Transformação Box-Cox

Uma das suposições da maioria dos gráficos de CEP é que os dados seguem uma distribuição normal, ou pelo menos simétrica e em forma de sino. No entanto, em muitas situações do mundo real, os dados podem ser distorcidos, pesados ou ter outras características não normais. Isso pode afetar a precisão e a confiabilidade dos limites de controle e a detecção de outliers. Uma solução possível é aplicar uma transformação Box-Cox, que é uma fórmula matemática que pode transformar dados não normais em uma forma mais normal. A transformação Box-Cox também pode estabilizar a variância dos dados, que é outra suposição de alguns gráficos SPC. Usando a transformação Box-Cox, você pode melhorar o ajuste e a sensibilidade de seus gráficos SPC e evitar alarmes falsos ou sinais perdidos.

Adicione sua opinião

Edgar Noe Orozco Aguilar

Lean Six Sigma Black Belt, Consultor, Agente Capacitador Externo & Docente
Denunciar contribuição
When faced with non-normally distributed data in professional settings, the common recourse of increasing sample size may not always be viable due to practical constraints. However, it's imperative to recognize that despite non-normality, the data remain valid and require analysis. The Box-Cox transformation offers a solution by adjusting the data to approximate a normal distribution. This is essential as many statistical techniques rely on normality assumptions for accurate estimation and prediction. In manufacturing, Statistical Process Control (SPC) hinges on such estimations to ensure product or service reliability, thereby fostering customer retention.

Traduzido

Gostei

2 Gráfico EWMA

Outro desafio dos gráficos SPC é como lidar com dados autocorrelacionados, o que significa que os pontos de dados não são independentes uns dos outros, mas influenciados por valores anteriores ou próximos. Por exemplo, em um processo de controle de temperatura, a temperatura atual pode depender da temperatura anterior, das condições ambientais e do sistema de aquecimento ou resfriamento. Dados autocorrelacionados podem violar a suposição de variação aleatória e causar padrões ou tendências enganosos nos gráficos SPC. Uma solução possível é usar uma média móvel exponencialmente ponderada (EWMA) gráfico, que é um tipo de gráfico SPC que dá mais peso aos dados recentes e menos peso aos dados mais antigos. O gráfico EWMA pode suavizar os efeitos da autocorrelação e detectar pequenas e graduais mudanças na média do processo de forma mais eficaz do que um gráfico de Shewhart padrão.

Adicione sua opinião

Edgar Noe Orozco Aguilar

Lean Six Sigma Black Belt, Consultor, Agente Capacitador Externo & Docente
Denunciar contribuição
EWMA charts are vital in non-normally distributed processes where individual sample measurements are taken. They offer flexibility by assigning greater weight to recent data based on the lambda parameter, typically set at 0.2. A lower lambda prioritizes historical data, while a higher one emphasizes recent data. This adaptability is crucial for identifying subtle process changes, enhancing quality control beyond traditional mean charts, ensuring proactive intervention for operational excellence.

Traduzido

Gostei

3 Gráfico T2 de Hotelling

Outro desafio dos gráficos de CEP é como monitorar múltiplas variáveis ou características de qualidade simultaneamente. Por exemplo, em um processo químico, você pode querer controlar a temperatura, pressão, pH e concentração do produto. O uso de gráficos SPC separados para cada variável pode não capturar as interações ou correlações entre elas, e pode aumentar o risco de alarmes falsos ou sinais perdidos. Uma solução possível é usar um gráfico SPC multivariado, como o gráfico T2 de Hotelling, que é um tipo de gráfico SPC que combina várias variáveis em uma única estatística e a compara com um limite de controle. O gráfico T2 do Hotelling pode detectar mudanças no vetor de média do processo de forma mais eficiente e abrangente do que gráficos univariados separados.

Adicione sua opinião

4 Gráfico de redes neurais

Outro desafio dos gráficos SPC é como modelar sistemas complexos e não lineares que possuem múltiplas entradas e saídas, e onde a relação entre eles não é facilmente definida por uma equação simples. Por exemplo, em um processo de fabricação, convém controlar a qualidade do produto com base em vários fatores, como matérias-primas, configurações da máquina, condições ambientais e fatores humanos. O uso de um modelo de regressão linear ou de um gráfico SPC padrão pode não capturar a complexidade e a não-linearidade do sistema e pode resultar em previsões ou controle ruins. Uma possível solução é usar um gráfico de rede neural, que é um tipo de gráfico de SPC que usa uma rede neural artificial (ANN) para modelar o sistema e gerar previsões e limites de controle. O gráfico de rede neural pode aprender com os dados e adaptar-se à dinâmica do sistema de forma mais eficaz e precisa do que um gráfico SPC convencional.

Adicione sua opinião

Felipe Jardelino

Supervisor Administrativo e almoxarifado na Unifor/Gestão de equipes/Gestão de compras/Gestão de projetos/Melhoria contínua/Metodologia 5S/Ciclo PDCA/Industria 4.0/WMS/Oracle E-Business Suite/Logística reversa.
Denunciar contribuição
O CEP tem o objetivo de garantir a estabilidade e a melhoria contínua de um processo, reduzindo sistematicamente a variabilidade das suas características da qualidade de interesse. O conjunto de ferramentas do CEP monitoram a qualidade em tempo real, permitindo uma descrição detalhada do comportamento do processo e seu controle ao longo do tempo, por meio da coleta continuada de dados, de sua interpretação e de análises das possíveis causas responsáveis pelas instabilidades. As principais ferramentas utilizadas são: histograma; folha de controle; gráfico de Pareto; diagrama de causa e efeito (Ishikawa); diagrama de concentração de defeitos; diagrama de dispersão e gráfico de controle.

Gostei

5 Veja o que mais considerar

Este é um espaço para compartilhar exemplos, histórias ou insights que não se encaixam em nenhuma das seções anteriores. O que mais gostaria de acrescentar?

Adicione sua opinião

Estatística

+ Siga

Classificar este artigo

Criamos este artigo com a ajuda da IA. O que você achou?

É ótimo Não é muito bom

Denunciar este artigo

Ver todos

Quais são as técnicas estatísticas avançadas para melhorar os gráficos de CEP?

1

2

3

4

5

1 Transformação Box-Cox

2 Gráfico EWMA

3 Gráfico T2 de Hotelling

4 Gráfico de redes neurais

5 Veja o que mais considerar

Estatística

Classificar este artigo

Agradecemos seu feedback

Outros artigos sobre Estatística

Leitura mais relevante

Quais são as técnicas estatísticas avançadas para melhorar os gráficos de CEP?

1

2

3

4

5

1 Transformação Box-Cox

2 Gráfico EWMA

3 Gráfico T2 de Hotelling

4 Gráfico de redes neurais

5 Veja o que mais considerar

Estatística

Classificar este artigo

Agradecemos seu feedback

Conhecer outras competências