‫‪5/3/2020‬‬

‫فصل هفتم‬
‫نمودارهاي كنترل براي مشخصه هاي وصفي‬
‫مدرس ‪ :‬عليرضا شادمان‬

‫‪Chapter 7‬‬ ‫‪1‬‬

‫فهرست عناوين‬
‫– روشهاي طبقه بندي نقصها‬ ‫مﻘدمﻪ‬ ‫•‬

‫– تابع مشخصه عملكرد‬ ‫نمودار كنترل براي نسبت اقﻼم معيوب‬ ‫•‬

‫– فرآيندهايي با ميزان نقص خيلي كم‬ ‫– روش تهيه و استفاده از نمودار كنترل‬

‫– كاربردهاي غير توليدي‬ ‫– اندازه نمونه متغير‬

‫انتخاب بين نمودارهاي كنترل براي مشخصﻪ‬ ‫•‬ ‫– كاربردهاي غيرتوليدي‬

‫هاي كيفي وصفي و متغير‬ ‫– تابع مشخصه عملكرد و محاسبات متوسط طول‬
‫خطوط راهنما براي پياده سازي نمودارهاي كنترل‬ ‫•‬ ‫دنباله‬

‫نمودار كنترل براي عدم انطباقها )نﻘصها(‬ ‫•‬

‫– روشهايي براي اندازه نمونه ثابت‬

‫– روشهايي براي اندازه نمونه متغير‬

‫‪Chapter 7‬‬ ‫‪2‬‬

‫‪1‬‬
 ‫‪5/3/2020‬‬

‫مﻘﺪمه‬

‫اغلب مشخصه هاي كيفي را نميتوان به سادگي اندازه گيري و در قالب عدد گزارش كرد‪ .‬در اينگونه موارد هر محصـول بازرسـي شـده بـه دو گـروه منطبـق و نـامنطبق‬ ‫•‬
‫)معيوب و نامعيوب( با مشخصات كيفي مورد نظر تقسيم ميشود‪ .‬مشخصه هاي كيفي كه با چنين روشي تقسيم بندي ميشـوند را مشخصﻪ هاي كيفـي وصـفي مـي‬
‫نامند‪.‬‬

‫– تعداد شاتونهاي تابدار موتور اتومبيل در يك روز توليد‬

‫– نسبت تراشه هاي نيمه هادي معيوب در يك بار توليد‬

‫سه نمودار كنترل متداول براي مشخصه هاي كيفي وصفي‪:‬‬ ‫•‬

‫– نمودار ‪ p‬براي كنترل نسبت اقﻼم معيوب‬

‫– نمودار ‪ c‬براي كنترل تعداد نقصها‬

‫– نمودار ‪ u‬براي كنترل تعداد متوسط نقصها در هر محصول‬

‫‪3‬‬

‫نمودار كنترل براي نسبت اقﻼم معيوب‬

‫نسبت اقﻼم معيوب عبارتست از نسبت تعداد اقﻼم معيوب جامعه به تعداد كل اقﻼم جامعه‬ ‫•‬

‫زماني كه يك يا چند مشخصه كيفي محصولي با استاندارد مورد نظر انطباق نداشته باشد محصول معيوب شناخته ميشود‪.‬‬ ‫•‬

‫نسبت اقﻼم سالم را نيز ميتوان به همين رويه مورد تجزيه و تحليل قرار داد كه به آن نمودار بازده فرآيند ميگويند‪.‬‬ ‫•‬

‫اصول آماري نمودار كنترل نسبت اقﻼم معيوب بر توزيع دوجمله اي )بينم( استوار است‪.‬‬ ‫•‬

‫فرض كنيد فرآيند توليدي در حالت تحت كنترل و پايدار به سر ميبرد و احتمال معيوب بودن هر محصول ‪ p‬است‪ .‬همچنين فرض كنيد محصـوﻻت متـوالي توليـد شـده‬ ‫•‬
‫مستقل از يكديگر هستند‪) .‬فرضيات مهم( تحت اين شرايط هر محصول توليد شده به عنوان يك متغير تصادفي برنولي با پارامتر ‪ p‬عمل ميكند‪ .‬اگر يك نمونه تصادفي‬
‫‪ n‬تايي انتخاب شود و اگر ‪ D‬تعداد محصوﻻت معيوب باشد‪ ،‬انگاه ‪ D‬از يك توزيع بينم با پارامترهاي ‪ n‬و ‪ p‬پيروي ميكند و يا به عبارت ديگر‪:‬‬
‫𝑛‬
‫= 𝑥=𝐷 𝑃‬ ‫𝑝‪𝑝 1−‬‬ ‫𝑛 ‪𝑥 = 0,1,2, , … ,‬‬
‫𝑥‬
‫ميدانيم ميانگين و واريانس متغير تصادفي ‪ D‬به ترتيب عبارتند از‪ np :‬و )‪np(1-p‬‬ ‫•‬

‫‪4‬‬

‫‪2‬‬
 ‫‪5/3/2020‬‬

‫نمودار كنترل براي نسبت اقﻼم معيوب‬

‫نسبت اقﻼم معيوب نمونه با تقسيم تعداد اقﻼم معيوب نمونه ‪ D‬بر اندازه نمونه حاصل ميشود‪:‬‬ ‫•‬

‫توزيع متغير تصادفي فوق را ميتوان بر اساس توزيع بينم تعيين كرد‪ .‬به عﻼوه‪ ،‬ميانگين و واريانس آن به ترتيب برابر خواهند بود با‪:‬‬ ‫•‬

‫نمودار كنترل ‪ p‬در فاز دو‪:‬‬ ‫•‬

‫‪5‬‬

‫فاز يك نمودار ‪) p‬حﺪود كنترل آزمايشي(‬

‫زماني كه نسبت اقﻼم معيوب فرآيند ‪ p‬معلوم نباشد‪ ،‬بايد مقدار آن را با توجه به داده هاي جمع آوري شده تخمين زد‪ .‬در چنين شرايطي‪ ،‬روش متداول انتخاب ‪ m‬نمونـه‬ ‫•‬
‫اوليه به اندازه ‪ n‬است‪ .‬به طور كلي‪ ،‬مقدار ‪ m‬بين ‪ ٢٠‬تا ‪ ٢٥‬در نظر گرفته ميشود‪ .‬سپس اگر در نمونه ‪ i‬تعداد ‪ Di‬محصول معيوب مشـاهده شـود‪ ،‬ميتـوان نسـبت اقـﻼم‬

‫= ̂𝑝‬ ‫𝑚‪𝑖 = 1,2, … ,‬‬ ‫معيوب نمونه ‪i‬ام را به صورت زير تعيين نمود‪:‬‬

‫∑‬ ‫∑‬
‫= ̅𝑝‬ ‫=‬ ‫همچنين ميانگين نسبت اقﻼم معيوب اين نمونه ها از رابطه زير محاسبه ميگردد‪:‬‬ ‫•‬

‫‪6‬‬

‫‪3‬‬
 ‫‪5/3/2020‬‬

‫آب پرتقال تغليظ شده در قوطي هاي ‪ ٦‬اونسي بسته بندي ميشود‪ .‬اين قوطي ها با دوخت مقوا و نصب يك صفحه فلزي در كف آنها توسـط يـك دسـتگاه‬
‫شكل ميگيرند‪ .‬با بازرسي هر قوطي ميتوان پي برد كه آيا قوطي پس از پر شدن از سمت اتصال صفحه زير يا محل دوخت مقوا نشت ميكند يا خير‪ .‬قـوطي‬
‫هاي نامنطبق داراي اتصال صفحه و يا دوخت نامناسب هستند‪ .‬يك نمودار كنترل مناسب براي بهبود نسبت قوطي هاي نامنطبق توليـد شـده بوسـيله ايـن‬
‫دستگاه تهيه كنيد‪.‬‬

‫‪7‬‬

‫‪8‬‬

‫‪4‬‬
 5/3/2020

Chapter 7 10

5
 5/3/2020

Chapter 7 11

12

6
 ‫‪5/3/2020‬‬

‫طراحي نمودار كنترل نسبت اقﻼم معيوب‬

‫نمودار كنترل نسبت اقﻼم معيوب داراي سه پارامتر است كه بايد مشخص گردند‪:‬‬ ‫•‬

‫– اندازه نمونه‬

‫– فراواني نمونه گيري‬

‫– فاصله حدود كنترل‬

‫معمول آنست كه يك نمودار كنترل نسبت اقﻼم معيوب بر اساس بازرسي صد در صد تمام محصوﻻت توليد شده در يك مدت زمان مناسـب نظيـر يـك‬ ‫•‬
‫شيفت كاري يا يك روز تهيه گردد‪.‬‬

‫زيرگروههاي منطقي نيز ميتواند در تعيين فراواني نمونه گيري نقش داشته باشند‪.‬‬ ‫•‬

‫‪13‬‬

‫طراحي نمودار كنترل نسبت اقﻼم معيوب‬

‫اگر قرار باشد كه نمونه اي از محصوﻻت توليد شده فرآيند تهيه گردد بايد اندازه نمونه ‪ n‬مشخص شود‪ .‬قانونهاي مختلفي بـراي تعيـين انـدازه‬
‫نمونه پيشنهاد شده است‪:‬‬

‫‪ .1‬اگر ‪ p‬خيلي كوچك باشد بايد اندازه نمونه را آنقدر بزرگ انتخاب كرد تا با احتمال زياد )حداقل ‪ (γ‬بتوان حداقل يك محصول معيـوب در‬
‫نمونه مشاهده كرد‪.‬‬

‫‪ .2‬دانكن )‪ (١٩٧٤‬پيشنهاد ميكند كه اندازه نمونه به اندازه كافي بزرگ باشد تا تقريباً بتوان با احتمال ‪ ٥٠‬درصد بـه وجـود تغييـر خاصـي در‬
‫فرآيند پي برد‪.‬‬

‫‪ .3‬اگر نسبت اقﻼم معيوب در حالت تحت كنترل كوچك باشد‪ ،‬ميتوان از طريق معيار مناسب ديگري اندازه نمونه را به گونه اي انتخاب كرد‬
‫كه حد كنترل پايين مثبت باشد‪ .‬اين مكانيزم باعث ميشود تا يك يا چند نمونه كه تعداد اقﻼم معيوب در آنها بيش از حـد كوچـك اسـت‬
‫مورد بازرسي قرار گيرند‪.‬‬
‫‪14‬‬

‫‪7‬‬
 ‫‪5/3/2020‬‬

‫نكات‬

‫تفسير نقاط بر روي نمودار نسبت اقﻼم معيوب )وجود نقاطي در زير حد كنترل پايين الزاماً به معناي بهبود واقعي در كيفيت فرآيند نيست(‬ ‫•‬

‫نمودار كنترل ‪ :np‬نمودار كنترلي كه به جاي نسبت اقﻼم معيوب بر اساس تعداد اقﻼم معيوب تهيه ميشود‪.‬‬ ‫•‬

‫مثال )نمودار كنترل ‪ np‬براي مثال قوطيهاي آب پرتقال(‪:‬‬ ‫•‬

‫‪15‬‬

‫انﺪازه نمونه متغير‬

‫• در برخي كاربردهاي نمودار كنترل نسبت اقﻼم معيوب‪ ،‬اندازه نمونه در بازرسي هاي ‪ %١٠٠‬برابر با كل محصوﻻت توليد شده در يك مدت‬
‫زمان خاص در نظر گرفته ميشود‪ .‬چون به عنوان مثال در هر شيفت كاري‪ ،‬تعداد محصوﻻت توليد شده ميتواند متفاوت باشد‪ ،‬نمودار كنترل‬
‫از اندازه نمونه متفاوتي برخوردار خواهد بود‪ .‬چندين روش براي تهيه و استفاده از نمودار كنترل با اندازه نمونه متغير وجود دارد‪:‬‬

‫– نمودار كنترل با حدود كنترلي متغير‬

‫– نمودار كنترل بر اساس اندازه نمونﻪ متوسط‬

‫– نمودار كنترل استاندارد شده‬

‫‪16‬‬

‫‪8‬‬
 ‫‪5/3/2020‬‬

‫انﺪازه نمونه متغير )نمودار كنترل با حﺪود كنترلي متغير(‬

‫در اين روش حدود كنترلي براي هر نمونه به صورت مجزا و بر اساس اندازه نمونه آن محاسبه ميشود‪ .‬بنابراين‪ ،‬براي نمونه ‪i‬ام با اندازه ‪ ni‬حدود كنترلـي‬ ‫•‬
‫برابر خواهد بود با‪:‬‬

‫𝑛‪𝑝̅ ± 3 𝑝̅(1 − 𝑝̅)/‬‬

‫بايد توجه داشت كه فاصله بين حدود كنترل با جذر اندازه نمونه رابطه معكوس دارد‪.‬‬ ‫•‬

‫تجزيه و تحليل دنباله ها يا ساير روندهاي غير عادي در نمودار كنترل با اندازه نمونه متغير بايد با توجه خاصي صورت گيرد‪ .‬كوچكتر بودن نسـبت اقـﻼم‬ ‫•‬
‫معيوب در نمودارها با اندازه نمونه متغير لزوماً نشاندهنده كيفيت بهتر نيست‪.‬‬

‫‪17‬‬

‫مثال‪ :‬واحد خريد يك شركت‪ ،‬سفارشات خريد خود‬

‫را بــراي تــامين كننــده ارســال مــي كنــد‪ .‬بررســي‬
‫اشتباهات در سفارشات خريد به صورت هفتگي مـد‬
‫نظر است و از آنجايي كه تعداد سفارشات خريـد در‬
‫هر هفته متغير است‪ ،‬اندازه نمونـه ثابـت نيسـت‪ .‬در‬
‫بين اشتباهات متداول در سفارشـات مـي تـوان بـه‬
‫شــماره قطعــه نادرســت‪ ،‬تــاريخ هــاي تحويــل و‬
‫اطﻼعات تامين كننده اشتباهي اشاره كرد‪ .‬هر يـك‬
‫از اين اشتباهات منجر به اصﻼح سفارش خريد مـي‬
‫شود كـه هـم زمـان و هـم مصـرف مـواد اوليـه را‬
‫افزايش مي دهد و هم برنامـه تحويـل را بـا تـاخير‬
‫مواجه مي سازد‪.‬‬

‫‪18‬‬

‫‪9‬‬
 ‫‪5/3/2020‬‬

‫‪Chapter 7‬‬ ‫‪19‬‬

‫انﺪازه نمونه متغير )نمودار كنترل بر اساس انﺪازه نمونه متوسط(‬

‫در اين روش نمودار كنترل بر اساس اندازه نمونه متوسط پايـه گـذاري‬ ‫•‬
‫شده و بنابراين داراي حدود كنترل تقريبي و ثابت خواهد بـود‪ .‬در ايـن‬
‫روش فرض ميشود كه نمونه هاي بعدي تفاوت چنداني با نمونه هـاي‬
‫فعلي ندارند‪.‬‬

‫اگر اندازه يك نمونه با ساير نمونه ها خيلي تفـاوت داشـته باشـد و يـا‬ ‫•‬
‫اينكه يك نقطه نزديك به حدود كنترلي تقريبي رسم شود‪ ،‬آنگاه بايـد‬
‫حدود كنترل دقيق براي آن نقطه محاسبه گردد تا مكان آن نسبت بـه‬
‫حدود دقيق بررسي شود‪.‬‬

‫براي مثال قبلي‪،‬‬ ‫•‬

‫‪20‬‬

‫‪10‬‬
 ‫‪5/3/2020‬‬

‫انﺪازه نمونه متغير )نمودار كنترل استانﺪارد شﺪه(‬

‫نقاط بر روي اين نمودار بر حسب واحد انحراف معيار رسم ميشوند‪ .‬يك چنين نمودار كنترلي داراي حد مركز صفر و حدود كنترل بـاﻻ و پـايين ‪ +٣‬و ‪-٣‬‬ ‫•‬
‫است‪ .‬آماره اي كه بر روي اين نمودار رسم ميشود عبارتست از‪:‬‬

‫در رابطه فوق‪) p ،‬و يا در صورت معلوم نبودن آن ̅𝑝( برابر است با نسبت اقﻼم معيوب در يك فرآيند تحت كنترل‪.‬‬ ‫•‬

‫روشهاي تشخيص روند و يا دنباله را ميتوان با اطمينان خاطر در اين نمودار به كار برد‪ .‬زيرا تغييرات نسبي از يك نقطـه بـه نقطـه ديگـر در ايـن نمـودار‬ ‫•‬
‫همگي بر حسب يك واحد اندازه گيري مشترك بيان شده اند‪.‬‬

‫‪21‬‬

‫‪22‬‬

‫‪11‬‬
 ‫‪5/3/2020‬‬

‫تابع مشخصه عملكرد و محاسبات مربوط به متوسط طول دنباله‬

‫مثال‪ :‬رسم يك منحني ‪ OC‬براي يك نمودار كنترل نسبت اقﻼم معيوب با پارامترهاي ‪ CL =٠.٢ ،LCL=٠.٠٣٠٣ ،n =٥٠‬و ‪UCL =٠.٣٦٩٧‬‬ ‫•‬

‫‪23‬‬

‫محاسبات مربوط بﻪ متوسط طول دنبالﻪ‪:‬‬ ‫•‬

‫• حال فرض كنيد فرآيند به سطح خارج از كنترل‬

‫‪ p =٠.٣‬تغيير يابد‪:‬‬

‫‪24‬‬

‫‪12‬‬
 ‫‪5/3/2020‬‬

‫نمودار كنترل براي عﺪم انطباقها )نﻘصها(‬

‫با توجه به ماهيت نقص‪ ،‬ممكن است يك محصول چندين نقص داشته باشد ولي معيوب شناخته نشود‪ .‬تنها در صورتي كه تعداد اين نقصها به حدي زيـاد باشـد‬ ‫•‬
‫كه بر نظر مشتري و در نتيجه آن ميزان فروش تاثير گذار باشد‪ ،‬بايد محصول را معيوب تلقي نمود‪ .‬در برخي مواقع به جاي كار با نسـبت اقـﻼم معيـوب تـرجيح‬
‫داده ميشود كه با تعداد نقصها )‪ (Defects‬يا عدم انطباقها )‪ (nonconformity‬كار شود‪ .‬اين موارد ميتواند شامل تعداد جوشهاي ناقص در طـول ‪ ١٠٠‬متـر‬
‫يك خط لوله نفت‪ ،‬تعداد پرچهاي شكسته شده در يك بال هواپيما‪ ،‬تعداد نقصها در يك دستگاه الكترونيكي و از اين قبيل باشند‪.‬‬

‫اينگونه نمودارهاي كنترل را هم ميتوان براي تعداد كل نقصها در يك محصول و هم براي متوسط تعداد نقصها در هر محصول تهيـه كـرد‪ .‬در ايـن نمودارهـاي‬ ‫•‬
‫كنترل معموﻻً فرض ميشود كه مشاهده تعداد نقصها در اندازه نمونه هاي ثابت به خوبي از توزيع پوآسون پيروي ميكند‪ .‬اساساً ﻻزمـه ايـن فـرض آن اسـت كـه‬
‫تعداد مكانهاي بالقوه براي نقصها بينهايت زياد و احتمال مشاهده يك نقص در هر يك از اين مكانها كم و ثابت باشد‪ .‬به عﻼوه واحد بازرسـي بـراي هـر نمونـه‬
‫بايد يكسان باشد )هر واحد بازرسي بايد هميشه يك ناحيه يا سطح يكساني براي مشاهده نقصها باشد(‪ .‬همچنين در يك محصول ميتوان انواع مختلف نقصـها را‬
‫با در نظر گرفتن اين شرط كه براي هر گروه از نقصها شرايط فوق صحت داشته باشد شمارش كرد‪.‬‬

‫‪25‬‬

‫نمودار كنترل تعﺪاد نﻘصها )روشهايي براي انﺪازه نمونه ثابت(‬

‫مشاهده نقصها در يك واحد بازرسي را براي نوعي محصول در نظر بگيريد‪ .‬در اغلب مواقع‪ ،‬ولي نه هميشه‪ ،‬واحد بازرسي يك واحد از محصول مورد نظر‬ ‫•‬
‫است‪ .‬واحد بازرسي به طور ساده تعدادي محصول است كه حفظ سوابق و اطﻼعات در مورد آن ساده است كه ميتواند حتي يك گروه ‪ ٥‬تايي‪ ١٠ ،‬تـايي و‬
‫يا كمتر و يا بيشتر از محصول مورد نظر باشد‪ .‬فرض كنيد كه نقصها يا عدم انطباقها در واحد بازرسي بر اساس توزيع پوآسون به وقـوع مـي پيوندنـد‪ .‬بـه‬
‫عبارت ديگر‪،‬‬

‫𝑒‬ ‫𝑐‬
‫= 𝑥 𝑝‬ ‫‪𝑥 = 0, 1, 2, … . .‬‬
‫!𝑥‬
‫كه ‪ x‬تعداد نقصها را مشخص ميكند و ‪ c > 0‬پارامتر توزيع پوآسون است‪ .‬ميدانيم كه ميانگين و واريانس توزيع پوآسون پارامتر ‪ c‬است‪.‬‬ ‫•‬

‫‪26‬‬

‫‪13‬‬
 ‫‪5/3/2020‬‬

‫اگر مقدار محاسبه شده براي ‪ LCL‬منفي باشد آن را برابر صفر قرار ميدهيم‪ .‬بايد توجه داشت كه ريسك ‪ α‬براي حدود كنترل سه انحراف معيار به علت‬ ‫•‬
‫نامتقارن بودن توزيع پوآسون به طور مساوي در باﻻي ‪ UCL‬و پايين ‪ LCL‬قرار ندارد‪ .‬بعضي از مولفان معتقدند كه حدود احتمال‪ ،‬مخصوصاً زماني كه‬
‫‪ c‬كوچك است‪ ،‬بايد براي اين نمودار استفاده شود‪.‬‬

‫اگر مقدار استانداردي براي ‪ c‬وجود نداشته باشد ميتوان آن را بوسيله متوسط تعداد نقصهاي مشاهده شده در واحدهاي بازرسي اوليه )فاز يك نمودارهـاي‬ ‫•‬
‫كنترل( تخمين زد‪ .‬گاهي اوقات نمودار كنترل نقصها را نمودار ‪ c‬مي نامند‪.‬‬

‫‪27‬‬

‫جدول زير تعداد عدم انطباق ها در ‪ ٢٦‬نمونه متوالي ‪ ١٠٠‬تايي از صفحات مدار چاپ شده را نشان مي دهد‪ .‬به منظور سهولت‪ ،‬يك واحـد بازرسـي برابـر ‪١٠٠‬‬
‫صفحه از مدارهاي چاپ شده تعريف شده است‪ .‬يك نمودار ‪ c‬براي اين داده ها تهيه كنيد‪.‬‬

‫‪28‬‬

‫‪14‬‬
 ‫‪5/3/2020‬‬

‫‪29‬‬

‫نكتﻪ‪ :‬داده هاي مربوط بـه نقصـها يـا عـدم انطباقهـا هميشـه‬
‫اطﻼعــات بيشــتري را در مقايســه بــا نســبت اقــﻼم نــامنطبق‬
‫منعكس ميكند‪ ،‬چرا كه معموﻻً چندين نوع مختلف عدم انطباق‬
‫در يك محصول وجود دارد و تحليل اين انواع مختلـف ميتوانـد‬
‫اطﻼعات بيشتري را در مورد علل ايجاد آنها فراهم سازد‪.‬‬

‫‪30‬‬

‫‪15‬‬
 ‫‪5/3/2020‬‬

‫انتخاب انﺪازه نمونه‪ :‬نمودار ‪u‬‬

‫دليلي وجود ندارد كه اندازه نمونه هميشه برابر با يك واحد بازرسي در نظر گرفته شود‪ .‬بلكه غالباً ترجيح داده ميشود كـه چنـدين واحـد بازرسـي در يـك‬ ‫•‬
‫نمونه استفاده شود و در نتيجه مكانهاي بالقوه براي مشاهده تعداد نقصها افزايش يابد‪ .‬انتخاب اندازه نمونه بايد با توجه به جنبه هاي آماري )ماننـد آنچـه‬
‫كه قبﻼً گفته شد( و يا جنبه هاي اقتصادي صورت گيرد‪.‬‬

‫وقتي كه اندازه نمونه تغيير كند‪ ،‬دو كار ميتوان جهت تجديد پارامترهاي نمودار كنترل انجام داد‪:‬‬ ‫•‬

‫در روش اول‪ ،‬واحد بازرسي جديد به صورت ‪ n‬برابر واحد بازرسي قديم تعريف ميشود و خط مركز و حدود كنترل در نمودار كنترل جديد به ترتيـب برابـر‬ ‫•‬
‫خواهند بود با ‪ 𝑛𝑐̅ :‬و ̅𝑐𝑛 ‪𝑛𝑐̅ ± 3‬‬

‫كه در اينجا ̅𝑐 برابر با متوسط تعداد نقصها در واحد بازرسي قديم تعريف شده است‪.‬‬

‫‪31‬‬

‫انتخاب انﺪازه نمونه‪ :‬نمودار ‪u‬‬

‫در روش دوم‪ ،‬نمودار كنترل بر اساس متوسط تعداد نقصها در هر واحد بازرسي طراحي ميشود‪ .‬اگر در يك نمونه كه شامل ‪ n‬واحـد بازرسـي اسـت تعـداد‬ ‫•‬
‫كل ‪ c‬نقص مشاهده شود‪ ،‬آنگاه متوسط تعداد نقصها در هر واحد بازرسي برابر خواهد بود با‪:‬‬
‫𝑐‬
‫=𝑢‬
‫𝑛‬

‫‪32‬‬

‫‪16‬‬
 ‫‪5/3/2020‬‬

‫يك گروه مهندسي زنجيره تامين محموله هاي مواد را در شبكه توزيع شركت پايش مي كند‪ .‬اشتباه در مواد تحويل شده يا مستندات پيوسـت آن بـه صـورت‬
‫هفتگي رديابي مي شود‪ .‬بدين منظور‪ ،‬هر بار ‪ ٥٠‬محموله به صورت تصادفي انتخاب و تعداد اشتباهات آن ثبت مي شود‪ .‬داده هـاي ‪ ٢٠‬هفتـه در جـدول ‪٧.١٠‬‬
‫نشان داده شده است‪ .‬يك نمودار كنترل ‪ u‬براي پايش اين فرآيند طراحي كنيد‪.‬‬

‫‪33‬‬

‫‪34‬‬

‫‪17‬‬
 ‫‪5/3/2020‬‬

‫نمودار كنترل تعﺪاد نﻘصها )روشهايي براي انﺪازه نمونه متغير(‬

‫گاهگاهي نمودارهاي كنترل بر اساس بازرسي ‪ %١٠٠‬محصوﻻت پايه گذاري ميشوند‪ .‬در چنين شرايطي معموﻻً تعداد واحـدهاي بازرسـي در يـك نمونـه‬ ‫•‬
‫ثابت نخواهد بود‪ .‬رويه درست در اين مواقع استفاده از نمودار ‪ u‬است‪.‬‬

‫در يك كارخانه نساجي‪ ،‬پارچه هاي رنگ شده بازرسي مي شود تا تعداد نقصها در هر ‪ ٥٠‬متر مربع تعيين شود‪ .‬جدول ‪ ٧.١١‬داده هاي مربوط به ‪ ١٠‬توپ پارچه‬
‫را نشان مي دهد‪ .‬با استفاده از اين داده ها يك نمودار كنترل تعداد عدم انطباق ها در هر محصول طراحي كنيد‪.‬‬

‫‪35‬‬

‫‪36‬‬

‫‪18‬‬
 ‫‪5/3/2020‬‬

‫نمودار كنترل تعﺪاد نﻘصها )روشهايي براي انﺪازه نمونه متغير(‬

‫عﻼوه بر روش ذكر شده بر مبناي حدود متغير‪ ،‬دو روش ديگر نيز براي تهيه نمودار ‪ u‬در زماني كه اندازه نمونه ثابت نيست وجود دارد‪:‬‬
‫‪ .1‬استفاده از يك نمودار كنترل كه حدود آن بر اساس اندازه نمونه متوسط محاسبه گرديده اند‪.‬‬

‫∑‬ ‫𝑛‬
‫=𝑛‬
‫𝑚‬
‫‪ .2‬استفاده از يك نمودار كنترل استاندارد شده كه در آن آماره استاندارد شده زير همراه با حدود كنترل ‪ LCL=-٣ ،UCL = +٣‬و ◦=‪ CL‬بـر روي نمـودار رسـم خواهنـد‬
‫شد‪.‬‬

‫𝑢‪𝑢 −‬‬
‫= 𝑧‬
‫𝑛‪𝑢 ⁄‬‬
‫استاندارد كردن اين نمودار كنترل ميتوان از آزمونهاي دنباله يا ساير روشهاي تشخيص روند استفاده كرد‪.‬‬

‫‪37‬‬

‫روشهاي طبﻘه بنﺪي نﻘصها )‪(Demerit Systems‬‬

‫در محصولهاي پيچيده نظير اتومبيل‪ ،‬رايانه يا لوازم خانگي معموﻻً تعداد نقصهاي متفاوتي وجود دارد كه لزوماً همه آنها از اهميت يكساني برخوردار نيستند‪ .‬ممكـن اسـت‬ ‫•‬
‫يك محصول كه داراي يك نقص خيلي مهم است معيوب شناخته شود‪ ،‬ولي يك محصول با چندين نقص معيوب شناخته نشود‪ .‬يك روش طبقه بندي نقصها ميتواند بـه‬
‫صورت زير باشد‪:‬‬

‫– نﻘصهاي گروه ‪ -A‬خيلي مهم‪ :‬محصول يا كامﻼً براي استفاده نامناسب است يا در زمان استفاده به نحوي از كار مي افتد كه نميتوان به سـادگي در محـل كـار تعميـر‬
‫نمود و يا اينكه باعث صدمه هاي جاني و مالي ميشود‪.‬‬

‫– نﻘصهاي گروه ‪ -B‬مهم‪ :‬محصول احياناً دچار از كار افتادگي گروه ‪ A‬خواهد شد يا حتماً با مشكﻼت از كار افتادگي كم اهميت تـري مواجـه خواهـد شـد و يـا مطمئنـاً‬
‫كاهش عمر يا افزايش هزينه تعميرات و نگهداري خواهد داشت‪.‬‬

‫– نﻘصهاي گروه ‪ -C‬نسبتاً مهم‪ :‬محصول احياناً در زمان استفاده از كار خواهد افتاد‪ ،‬يا مشكﻼتي را حادث ميشود كه از ميزان اهميت كمتري نسبت بـه از كـار افتـادگي‬
‫برخوردار خواهند بود يا احياناً كاهش عمر يا افزايش هزينه تعميرات و نگهداري خواهد داشت و يا يك نقص اصلي در پرداخت‪ ،‬شكل ظاهري يا كيفيت كار مشـاهده خواهـد‬
‫شد‪.‬‬

‫– نﻘصهاي گروه ‪ -D‬جزيي‪ :‬محصول در زمان استفاده از كار نخواهد افتاد ولي نقصهاي جزيي در پرداخت‪ ،‬شكل ظاهري و يا كيفيت كار آن وجود خواهد داشت‪.‬‬

‫‪38‬‬

‫‪19‬‬
 ‫‪5/3/2020‬‬

‫فرض كنيد گروههاي مختلف نقصها مستقل از يكديگر هستند و تعداد نقصها در هر گروه بر اساس توزيع پوآسون مشاهده ميشوند‪ .‬حـال ميتـوان تعـداد نقصـها در هـر‬ ‫•‬
‫واحد بازرسي را به صورت زير تعريف نمود‪:‬‬
‫𝑐 ‪𝑑 = 100𝑐 + 50𝑐 + 10𝑐 +‬‬

‫و نهايتاً اگر نمونه اي شامل ‪ n‬واحد بازرسي تهيه گردد‪ ،‬تعداد نقصها در هر واحد بازرسي برابر خواهد بود با‪:‬‬ ‫•‬

‫𝑑 ∑ 𝐷‬
‫= 𝑢‬ ‫=‬
‫𝑛‬ ‫𝑛‬

‫‪39‬‬

‫تابع مشخصه عملكرد‬

‫منحني ‪ OC‬نمودار ‪ ،c‬احتمال خطاي نوع دوم را بر حسب متوسط تعداد نقصها يا ‪ c‬نشان ميدهد‪.‬‬ ‫•‬

‫براي مثال قبلي‪ ،‬نمودار ‪ c‬با حدود كنترل ‪ LCL = ٦.٤٨‬و ‪:UCL = ٣٣.٢٢‬‬ ‫•‬

‫‪40‬‬

‫‪20‬‬
 ‫‪5/3/2020‬‬

‫تابع مشخصه عملكرد‬

‫احتمال خطاي نوع دوم كه براي رسم منحني ‪ OC‬نمودار ‪ u‬مورد نياز است به صورت زير محاسبه ميگردد‪:‬‬ ‫•‬

‫‪41‬‬

‫فرآينﺪهايي با ميزان نﻘص كم‬

‫اگر ميزان نقصها در فرآيندي كم باشد مثﻼً كمتر از ‪ ١٠٠٠‬نقص در هر ميليون‪ ،‬آنگاه زمان بـين مشـاهده محصـوﻻت معيـوب طـوﻻني خواهـد بـود‪ .‬در چنـين‬ ‫•‬
‫شرايطي‪ ،‬اغلب نمونه ها عاري از نقص خواهند بود و نمودار كنترلي كه مرتباً آماره اي را در نقطه صفر رسم كند اطﻼعـات چنـدان مفيـدي بـه مـا نمـي دهـد‪.‬‬
‫بنابراين‪ ،‬زماني كه ميزان نقصها به صورت جزء در ميليون )‪ (PPM‬درآيند ديگر نمودارهاي معمول ‪ c‬و ‪ u‬كارآيي نخواهد داشت‪.‬‬
‫يك راه برطرف كردن مشكل‪ ،‬استفاده از يك متغير جديد نظير زمان بين مشاهده نقصهاي متوالي و استفاده از يك نمودار كنترل براي اين زمان بين مشـاهدات‬ ‫•‬
‫است‪ .‬اگر نقصها يا مشاهدات مورد نظر بر اساس توزيع پوآسون پديدار گردند‪ ،‬در اينصورت زمان بين مشاهدات داراي توزيع احتمال نمايي خواهـد بـود‪ .‬بـا ايـن‬
‫حال‪ ،‬توزيع نمايي از چولگي زيادي برخوردار است و نتيجتاً نمودار كنترل حاصل خيلي نامتقارن خواهد بود‪.‬‬

‫نلسن )‪ (١٩٩٤‬پيشنهاد كرد كه ابتدا متغير تصادفي نمايي به يك متغير تصادفي ويبل تبديل و سپس توزيع ويبل حاصل بوسيله يك توزيع نرمال مناسب تقريـب‬ ‫•‬
‫زده شود‪) .‬متغير ‪ x‬نهايتاً داراي توزيع نرمال خواهد بود(‬

‫‪42‬‬

‫‪21‬‬
 ‫‪5/3/2020‬‬

‫يك مهندس شيمي عﻼقمند است يك نمودار كنترل براي پايش رخداد شكست هاي يك شير مهم تهيه كند‪ .‬او تصميم گرفته است از زمان بين شكست هـا‬
‫)بر حسب ساعت( به عنوان متغيري كه بايد پايش شود استفاده كند‪ .‬جدول ‪ ٧.١٤‬زمان بين ‪ ٢٠‬شكست آخر اين شير را نشان مي دهـد‪ .‬يـك نمـودار كنتـرل‬
‫براي زمان بين پيشامدهاي اين فرآيند تهيه كنيد‪.‬‬

‫‪43‬‬

‫‪44‬‬

‫‪22‬‬
 ‫‪5/3/2020‬‬

‫انتخاب بين نمودارهاي كنترل‬

‫• در بسياري از موارد‪ ،‬تحليلگر بايد از بين نمودارهاي كنترل براي متغيرها و نمودارهاي كنترل براي وصفي ها نمودار مناسبي را انتخاب كند‪.‬‬

‫• مقايسه‪:‬‬
‫– در نمودارهاي كنترل براي مشخصه هاي وصفي ميتوان چند مشخصه كيفي را همزمان با هم در نظر گرفت‪.‬‬

‫– نمودارهاي كنترل براي مشخصه هاي متغير در مقايسه با نمودارهاي كنترل براي وصفي ها اطﻼعات بيشتري در مـورد عملكـرد فرآينـد )ماننـد ميـانگين و تغييـر‬
‫پذيري( فراهم ميسازند‪.‬‬

‫– همچنين در نمودارهاي كنترل براي مشخصه هاي متغير زماني كه نقاط خارج از حدود كنترل رسم ميشوند‪ ،‬اطﻼعات نسبتاً زيادي ميتوان در مورد علل بالقوه رسـم‬
‫آنها خارج از حدود كنترل بدست آورد‪.‬‬

‫– از لحاظ انجام تجزيه و تحليل كارآيي فرآيند‪ ،‬نمودارهاي كنترل براي مشخصه هاي متغير تقريباً هميشه بر نمودارهاي كنترل براي مشخصه هـاي وصـفي تـرجيح‬
‫داده ميشوند‪.‬‬

‫‪45‬‬

‫انتخاب بين نمودارهاي كنترل‬

‫مقايسه‪:‬‬ ‫•‬
‫– شايد مهمترين مزيت نمودارهاي كنترل براي مشخصه هاي متغير اين باشد كه آنها غالباً مشكﻼت محتمل الوقوعي را نشان ميدهند و اين امكان را بـراي پرسـنل‬
‫عمليات فراهم ميسازند تا قبل از اينكه تعداد محصوﻻت معيوب زيادي توليد شود اقدامات اصﻼحي اتخاذ گردد‪.‬‬

‫– به منظور پي بردن به وجود تغيير خاصي در سطح فرآيند‪ ،‬نمودارهاي كنترل براي مشخصه هاي متغير در مقايسه با نمودارهاي كنترل براي مشخصه هـاي وصـفي‬
‫مشابه نياز به اندازه نمونه كوچكتري دارند‪ .‬گرچه بازرسي مشخصه هاي متغير در مقايسه با مشخصه هاي وصفي نياز به هزينه و زمان بيشتري براي هـر محصـول‬
‫دارد‪ ،‬ولي در عوض تعداد خيلي كمتري محصول بايد بازرسي شود‪.‬‬
‫‪46‬‬

‫‪23‬‬
 ‫‪5/3/2020‬‬

‫يك مشخصه كيفي داراي ميانگين اسمي ‪ ٥٠‬و انحراف معيار ‪ ٢‬است‪ .‬حدود مشخصات فني پايين و باﻻ نيز بر روي حدود ‪ ٣‬برابر انحراف معيار فرآيند قـرار دارد‪ .‬فـرض‬
‫كنيد كه بتوان اين فرآيند را هم با استفاده از نمودارهاي كنترل براي مشخصه هاي كيفي متغير و هم با استفاده از نمودارهاي كنترل براي مشخصه هاي كيفـي وصـفي‬
‫نظارت كرد‪ .‬در واقع مساله اصلي انتخاب نوع نمودار كنترل با توجه به هزينه نمونه گيري است‪ .‬همچنين فرض كنيد هزينه هر واحد نمونه گيري براي مشخصـه كيفـي‬
‫متغير هفت برابر هزينه هر واحد نمونه گيري براي مشخصه كيفي وصفي است‪ .‬حال فرض كنيد ميانگين فرآيند به ‪ ٥٢‬تغيير پيدا ميكند‪ .‬با توجه بـه ايـن اطﻼعـات و در‬
‫صورتي كه بخواهيم با احتمال ‪ ٥٠‬درصد به وسيله اولين نمونه بعد از ايجاد تغيير‪ ،‬به وجود تغيير مورد نظر پي ببريم‪ ،‬استفاده از كدام نوع از نمودارهاي كنترل را پيشـنهاد‬
‫ميكنيد؟ متغير يا وصفي؟‬

‫‪47‬‬

‫خطوط راهنما براي طراحي نمودارهاي كنترل‬

‫• انتخاب نمودارهاي كنترل مناسب‬

‫• تعيين مشخصه هاي فرآيند كه بايد كنترل شوند‪.‬‬

‫• تعيين مكان استفاده از نمودارهاي كنترل در فرآيند‪.‬‬

‫• تصميم گيري در مورد بهبود فرآيند بر اساس نتايج حاصل از تحليلهاي ‪ SPC‬و نمودارهاي كنترل‪.‬‬

‫‪48‬‬

‫‪24‬‬