过程行为图(Process Behaivor Charts)在量具管理中的应用

我们先来看一个大家都可能会遇到的场景:

某公司在定期的(一年一次)测量系统校准中,发现测量系统不合格。

过程行为图(Process Behaivor Charts)在量具管理中的应用

然而,从上一个校准时间点至今已经过去了一年,期间生产了大量的产品。经调查分析,这些产品都存在质量风险,该如何处理?于是,启动《量具管理流程》:

  1. 将已生产的在制品隔离、标识、区分并进行复检,复检合格产品正常流转,不合格的产品按《不合格品控制程序》执行
  2. 对于已出货的产品,召回所有受影响产品,并按《不合格品控制程序》处理

这样的结果必然导致客户的不满意和高昂的质量成本。

过程行为图(Process Behaivor Charts)在量具管理中的应用

为了防止类似的问题再次发生,我们应当采取什么措施呢?

缩短校准周期行不行?以前是一年校准一次,现在改为半年一次,甚至三个月一次。

不行!

增加校准频率解决不了根本问题,一旦校准不合格,还是需要重复上述的筛选、召回措施,客户也不会因为以前召回1000台产品,这次召回500台产品而满意,只会更不满意(再次发生类似问题,说明改善措施无效)。

自己建个实验室,每次使用前都校准行不行?

还是不行!

过多的干预(每次测量结束后都调回零位),带来的结果是过程偏差的增大。因为测量系统的偏移是正常的波动,只有异常的波动出现时才需要介入调整。

只有异常的波动出现时才需要介入调整。

我们的问题解决思路便是及时识别出测量系统的异常波动。在测量系统不合格前就发现问题。那么,什么工具能够完成这个工作?我们标题中也已经提到 – 过程行为图。

过程行为图(Process Behavior Charts)也即大家很熟悉的I-MR(单值移动极差图)。过程行为图示例如下:

过程行为图(Process Behaivor Charts)在量具管理中的应用

过程行为图用于过滤普通原因(Common Cause)导致的过程噪音,侦测特殊原因(Assignable Cause)导致的异常变差信号(Signals of exceptional variation)。

如何识别出过程控制图中的异常,有以下三个基本规则,其中又以第一条为最根本。

  • 规则1:数据点超出了自然过程限
  • 规则2:连续四个点中有三个点的值距离某个自然过程限比距离中线更近
  • 规则3:连续八个点或更多个点在中线的同一侧

总结

在两次校准周期之间,我们可以使用过程行为图(I-mR)来做测量系统的运行检查,通过日常的运行检查,我们能够识别出测量系统是否处于良好的状态,当测量系统出现异常原因导致的偏移时,我们也能立即发现,避免文章开头提到的那种情况的发生。

最后一点请大家一起思考:

为什么我们量具或测量系统的校准要一年一次?这个周期是怎么确定的?大家是不是能利用过程行为图为自己使用的量具制定出更合理的校准周期?

精彩回复:

量具校验一年一次只是一个指导建议,不是强制性的。因为产品质量的好坏和管理成本是直接相关。高质量的产品过服务其成本必然高企,因为需要从5M1E全面管控,其中测量系统分析(MSA)就要事无巨细地执行。如对量具的建档,其使用场所跟踪,其测量数据的收集整理分析等等。量具校验周期长短规定也是一个风险与成本的话题,在合理的成本下确保风险发生的几率是可接受和可控即可。有博弈的味道。

IATF16949-2016版汽车行业质量管理体系程序文件标准培训全套资料

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

(0)
上一篇 2022年6月8日 上午10:06
下一篇 2022年6月8日 上午10:08

相关推荐