INOM
EXAMENSARBETE TEKNIK, GRUNDNIVÅ, 15 HP
STOCKHOLM SVERIGE 2021,
Implementering av digitalt mätsystem &
statistisk processtyrning
Fallstudie på ett tillverkande SMF inom fordonsindustri
GANS, JESPER
EKSTRÖM, KENNETH
KTH
SKOLAN FÖR INDUSTRIELL TEKNIK OCH MANAGEMENT
Sammanfattning
Fordonsindustrin är en av de industrier med höst standarder och lägst toleranser för fel. För att produktion ska kunna uppfylla de högt ställda kraven krävs det ett bra och effektivt system som snabbt återkopplar produktionen och förhindrar att den hamnar utom uppsatta styrgränser eller toleranser för artikeln. Genom att använda statistisk processtyrning (SPC) och mätsystemanalys (MSA) tillsammans med Gage R&R kan produktionsprocessen styras upp och minimera fel till några enstaka få per miljon producerade detaljer.
För att kunna göra det arbetet mer effektivt så är det fördelaktigt att använda sig av digitala mät- och analyssystem. I det här kandidatexamensarbetet undersöks i ett tekniskt uppdrag hur ett digitalt system från Mitutoyo kan användas i små- och medelstora företag (SMF) för att styra upp och förenkla det dagliga kvalitets- och processystemsarbetet samt göra det mer konkurrenskraftigt. Projektets uppdragsgivare var Marcus Komponenter AB där arbetet utfördes 1–3 gånger i veckan, i stort sett varje vecka under första halvåret av 2021. Marcus Komponenter är leverantör till bland annat Scania och Volvo Lastvagnar.
Teoridelen av rapporten tar upp aspekter om produktion som kvalitet och kvalitetsstyrning men även hur metoderna SPC och MSA fungerar matematiskt och i praktiken samt används på ett effektivt sätt. Digitalisering och Industri 4.0 i företag tas upp och hur det kan appliceras.
Slutligen avslutas teorikapitlet med sammanfattningar av samtida studier kring ämnena som den här rapporten tar upp för att ha en grund att bygga vidare på.
Det finns goda möjligheter till att börja implementera digitala teknologier men att vägen dit kräver mycket engagemang, kunskap och en del investeringar. Det rekommenderas i flera fall att det finns en mättekniker eller person ansvarig för implementeringen av statistisk processtyrning då ämnet är så stort och föga anpassat till att genomföras på deltid eller vid behov. Om inte aktivt arbete sker med SPC blir inte processen återkopplad och arbetet saknar mening.
Markus komponenter jobbar ständigt med digitalisering utifrån sina förutsättningar. Att implementera statistisk processkontroll bör vara ett naturligt nästa steg inom digitaliseringen.
Av detta tekniska uppdrag framgår att det är fullt möjligt för Marcus komponenter att fortsätta sin digitalisering och implementera statistisk processkontroll i en större utsträckning. Statistisk processkontroll i kombination mätsystemsanalyser och andra digitala teknologier förhöjer värden i kärnprocessen genom högre kvalitet och reducerade reklamationer. För SMF:er kan detta spara in stora kostnader i längden och följaktligen öka konkurrenskraften men det kräver att de kan arbeta med lean och använda sina resurser på ett smart och flitigt vis.
Abstract
The automotive industry is possibly one of the ones with the highest standards and lowest tolerances for errors. To have a production that fulfils the high demands from customers, OEMs must work diligently with reducing errors, not just in-house but across the whole value chain including suppliers to make sure their products can raise to the high demands set out.
By using methods such as Statistical Process Control (SPC) and Measurement System Analysis (MSA) along with Gage R&R, it is possible to create products and parts with errors less than four per million manufactured parts.
To help with improving the measurement taking and analytics, modern digital systems are recommended. In this report, a case study is created to study how small- and medium sized enterprises (SMEs) can implement digital systems for measurement and production analytics from Mitutoyo, MeasurLink and QuickImage. The report also studies how digitalisation can simplify daily quality and process improvement processes while simultaneously making companies more competitive. This case study is performed on a SME, Marcus Komponenter AB, in Järna, Sweden who manufactures fasteners and custom ordered parts, and is a supplier to companies such as Scania and Volvo Trucks. Supervising the project is the Swedish Royal Institute of Technology (KTH) in Södertälje.
The report is researching previous studies regarding quality and quality management among the main subjects, SPC and MSA. Complementing the studies, some background on digitalisation is given and an attempt at defining what digitalisation and Industry 4.0 is and how it can be applied to SMEs. The final part of the theory chapter goes over contemporary studies regarding digitalization, SPC as well as previous studies at Marcus Komponenter.
For the analysis and discussion parts of the report, the findings that were found at Marcus Komponenter are combined with what was learned in the theory chapter. The conclusions were that there are good possibilities to start working with digitalisation now, at least regarding measurement and production analytics. However, the road there will require a lot of work and time as well as some investments but can increase competitiveness. To help implement digital technologies and manage the system, it is recommended to hire a measurement technician/supervisor or an SPC consultant to help guide companies. If technologies are simply bought but not used proactively, the investment will not make sense as SPC relies on continuous feedback to be useful.
Markus Komponenter is constantly working on digitization based on their conditions.
Implementing statistical process control should be a natural next step in digitization. This technical assignment shows that it is entirely possible for Marcus komponenter to continue their digitization and implement statistical process control to a greater extent, but it will require them as well as other SME:s to work lean and use their resources in a clever way.
Förord
Detta är ett examensarbete på kandidatnivå som är en del av civilingenjörsprogrammet industriell teknik och hållbarhet på Kungliga Tekniska Högskolan i Södertälje. Under detta examensarbete har vi fått spendera mycket tid att arbeta med de kunskaper och färdigheter vi har fått lära oss under vår studieperiod, men även mycket nytt som när vi började med projektet var okänt för oss.
Det här arbetet gav oss vår första inblick i hur det är att arbeta i en riktig produktion med skarpa processer där det inte finns några säkra rätt eller fel som ingenjörer. Att tillämpa teori och tidigare arbeten var en otroligt rolig och intressant process att få arbeta med.
För att utföra det här arbetet vill vi först och främst tacka Andrejs Sokolovs, VD för Marcus Komponenter AB och de anställda där för att vi fick komma och utföra arbetet. Anna Holten och Mats Fredriksson på Mitutoyo som hjälpte till med arbetet och utbildning kring olika delar av statistisk produktionsstyrning. Jafar Mahmoudi, vår handledare som hjälpte till med strukturen i arbetet och gav oss bra respons varje gång vi hördes. Vi vill även tacka Zuhara Chavez Lopez som sammanförde oss med Marcus Komponenter. Slutligen vill vi också tacka Erik Flores Garcia och Monica Bellgran som varit bra lärare och examinatorer.
Tack för allt stöd!
Södertälje, juni 2021
_____________________ _____________________
Jesper Gans Kenneth Ekström
Innehållsförteckning
1. Introduktion ... 7
1.1 Bakgrund och problembeskrivning ... 7
1.2 Syfte ... 7
1.3 Mål ... 8
1.4 Avgränsningar ... 8
2. Metod ... 9
2.1 Företagsbeskrivning ... 9
2.2 Val av metod ... 9
2.3 Datainsamling ... 9
2.3.1 Studiebesök på företaget ... 10
2.3.2 Konsultation och utbildning med Mitutoyo ... 10
2.3.3 Litteratursökning/-studie ... 11
3. Teoretiskt ramverk ... 12
3.1 Kvalitet ... 12
3.1.1 6σ (Sex sigma) ... 12
3.1.2 DMAIC ... 13
3.1.3 Total kvalitetsledning (TQM) ... 14
3.1.4 Orsaker till variation - Ishikawa ... 14
3.2 Mätsystemanalys (MSA) och Gage R&R ... 15
3.2.1 Repeterbarhet och reproducerbarhet ... 15
3.2.2. Teori bakom MSA och Gage R&R ... 17
3.3 Statistisk processtyrning (SPC) ... 19
3.3.1 Processer som reglersystem ... 19
3.3.2 Varför SPC? ... 20
3.3.3 Styrdiagram ... 21
3.3.4 Typer av styrdiagram ... 23
3.3.5 Börja använda styrdiagram ... 26
3.3.6 Duglighet och prestanda för maskiner och processer ... 30
3.3.7 Använda styrdiagram och duglighets- och prestandaindex ... 32
3.3.8 Implementera in SPC i tillverkande företag ... 34
3.4 Mätteknik ... 36
3.4.1 Översikt av mätteknik ... 36
3.4.2 Digital visuell mätning/Visionmätsystem ... 37
3.5 Industri 4.0 och digitalisering ... 38
3.6 Förändringsledning ... 39
4. Nulägesbeskrivning av Marcus Komponenter ... 41
4.1 MSA och SPC på företaget ... 41
4.2 Nuvarande användning av MeasurLink och QuickImage ... 42
5. Resultat ... 43
5.1 Implementering av MeasurLink och QuickImage ... 43
5.1.1 Mäta detaljer och skapa program i QuickImage... 43
5.1.2 Statistisk processtyrning i MeasurLink ... 45
5.1.3 Mätsystemanalys och Gage R&R i MeasurLink... 48
6. Analys ... 49
6.1 Införandet av MeasurLink och QuickImage till operatörer ... 49
6.2 Utmaningar kring implementationsprocessen för MeasurLink och QuickImage ... 49
6.3 Allmänna kvalitetsförbättringar och -säkringar ... 50
6.3.1 Ny mätstandard ... 50
6.3.2 Utbildning av operatörer kring styrdiagram och duglighetsindex ... 50
6.3.3 Ledarskap och ansvarsfördelning ... 51
6.3.4 Ökad spårning ... 51
6.3.5 Använda programvarorna till fullo ... 51
7. Diskussion ... 53
8. Slutsats ... 55
8.1 Implementering av datorstödd statistisk processtyrning ... 55
8.2 Egenvärdering av projektet... 56
8.3 Framtida studier ... 56
10. Referenser ... 58
11. Bilagor ... 61
1. Introduktion
1.1 Bakgrund och problembeskrivning
En viktig del av den moderna industriella tillverkningen handlar till stor del om kvalitet och att kunna tillverka samma detalj lika varje gång. Alla funktioner, beståndsdelar och mått på en produkt eller detalj ska vara precis som den föregående och matcha ritningen med alla dess specifikationer, krav och toleranser1. Vid tillverkning av stora serier på tiotusentals detaljer av varje artikel så kan inte SMF:er ofta av ekonomiska eller praktiska anledningar mäta och kontrollera alla detaljer som kommer ur maskinerna. I början av dagen justeras maskinen så den tillverkar enligt rätt toleranser och sedan ta flera stickprov under dagen för att kontrollera att maskinen fortfarande tillverkar inom toleranserna är mer praktiskt och realistiskt2. Företag, både tillverkaren såväl som dess kunder, vill också ha en redovisning över hur väl toleranser uppfylls över tid enligt Andrejs Sokolovs, VD Marcus Komponenter. I nuläget så genomförs manuella mätningar med främst manuella mätverktyg och resultaten skrivs ner på papper för att sedan föras in i Microsoft Excel för analys. Detta är en relativt lång process och sårbar för följdfel varje gång datan förs vidare då mätningarna kan uppgå i hundratal men också att Excel kan vara programmerat fel. Den data som mäts upp samlas större delen av tiden inte heller upp, det vill säga varje mätning skrivs inte ned. Det är i början av tillverkningen av nya artiklar eller batcher som en kort SPC-analys görs i form av en förstudie för att kontrollera att maskinerna är rätt inställda och att de går inom rätt toleransgränser kring målvärdena. Under tillverkningens gång sker flera mätningar för att kontrollera att processen är rätt inställd men endast ett fåtal skrivs ned och analys görs efter behov.
I slutet av 2018 införskaffade Marcus Komponenter ett digitalt Real-Time Standard-system, Mitutoyo MeasurLink, som fungerar med det på Marcus Komponenter redan existerande digitala visionmätverktyget, Mitutoyo Quick Image (inköpt 2016 för att ta svårare mått som vinklar, utvändiga radier och komplexa former), som kan förenkla och korta ned mät- och analysprocessen, öka kvalitén, och förenkla vardagen i kvalitetsarbetet. Den här rapporten utforskar implementering och resultatet av det tillsammans med statistisk processkontroll (SPC) och mätsystemanalys (MSA) som finns inbyggt i MeasurLink.
1.2 Syfte
Syftet med arbetet var att utveckla och införa rutiner för hur operatörer på Marcus Komponenter effektivt, noga och enkelt kan utföra digitala mätningar på olika artiklar som tillverkas samt öka kvaliteten på dessa. Det fanns inga standardiserade arbetssätt för att göra
1 Bellgran och Säfsten, ”1.2.3. Andra industriella revolutionen”.
2 Brown, Lowe, och Benham, ”Process Control and Process Capability”.
detta. Målet med arbetet var att bygga vidare på ett tidigare examensarbete3 som började bygga program i Mitutoyo QuickImage där operatören enbart behövde placera artikeln på mätstationen och genom några knapptryckningar (som framgår av en enkel lathund) starta mätningen som sedan automatiskt förs in i MeasurLink där processen analyseras och redovisas.
1.3 Mål
Frågeställningar
1. Ta reda på hur kan digitala mät- och analyssystem hjälpa och säkra kvaliteten för SMF:er genom att fånga upp fler mätningar och analysera dem över tid.
2. Ta reda på hur ett digitalt mät- och analyssystem (QuickImage och MeasurLink) kan implementeras för att bäst kunna hjälpa SMF:er och operatörers vardag i dessa.
3. Ta reda på vilka utmaningar som finns för att implementera digitala mät- och analyssystem på SMF:er.
Leverabler
1. Implementera 2–3 artiklar från Marcus Komponenter i QuickImage som mäter detaljen som sedan automatiskt för vidare datan till MeasurLink som analyserar den.
2. Skriva en lathund för hur en ny artikel implementeras och kan analyseras i QuickImage och MeasurLink (lathund för mättekniker).
3. Skriva en lathund för hur en artikel i systemet mäts och förs in i SPC för kontinuerlig uppföljning och analys (lathund för operatörer).
1.4 Avgränsningar
Projektet implementerade endast ett fåtal (2–3) artiklar från Marcus Komponenters produktportfölj, anledningen är att företaget tillverkar massvis med olika artiklar och många är specialbeställda av kunder. Mätsystemet som analyserades är endast Mitutoyo QuickImage och Mitutoyo MeasurLink. Mitutoyo, såväl som andra företag, har andra system men de analyseras inte i det här projektet eller rapporten. När det gäller lathundarna för operatörer och tekniker som använder systemen så handlar de endast om att hantera hur en artikel implementeras i systemet, hur en mätning av artikel genomförs, samt hur användbara data fås ut och behandlas med SPC och MSA.
3 Kapsalis och Khazzaka, ”Införande av digitalt mätsystem i tillverkande SME företag”.
2. Metod
2.1 Företagsbeskrivning
Företaget Marcus Komponenter AB har i snart 80 år tillverkat komponenter till främst bilindustri men även andra industrier med höga krav på kvalitet. De vanligaste komponenterna som tillverkas är olika typer av pinnar, bussningar och specialbeställda artiklar från kunder. Det är just de kundspecifika komponenterna som står för Marcus Komponenters främsta konkurrenskraft4. Marcus Komponenter AB faller enligt Europeiska Kommissionens definition inom ramen för små och medelstora företag (SMF)5.
2.2 Val av metod
För att kunna lära om systemen och implementera mätverktygen på ett bra sätt för att sedan kunna lämna över lathundar om hur en ny artikel läggs in i systemet, hur systemet används för att mäta och utföra MSA- och SPC-analyser så valdes fallstudie-likande metodik för det tekniska uppdraget då en fallstudie är bäst lämpad för att utforska någonting samtidigt som existerande teori byggs på. Endast några enstaka artiklar undersöktes för implementation som ett koncepttest att systemet fungerar som tänkt.
Den data som samlats in är en blandning av kvalitativ och kvantitativ form. Då det är till stor del vara en implementeringsprocess för statistisk kontroll och mätsystemanalys så är insamling och tolkning av kvantitativa data viktig. Men samtidigt så ska det här projektets resultat lämnas över till ett företag som ska kunna använda sig av studiens slutsatser och resultat i sin vardag. Att inte ta med människor i sammanhanget är en nackdel, därför genomfördes intervjuer med personal för att hitta bra lösningar till människa-tekniksystemen.
2.3 Datainsamling
Tre typer av datainsamlingsmetoder har använts, dels dokumentsökning6, intervjuer7 och experimentering8 för att kunna utföra rapportens leverabler och svara på frågeställningarna som presenterades i avsnitt 1.3. Datainsamlingen skedde huvudsakligen på plats hos Marcus Komponenter. För Mitutoyo QuickImage (digital profilprojektor) fanns en manual/
snabbreferensguide om grundläggande funktioner i systemet. Intervjuer med Mitutoyo anordnades för att ta samla mer information. Samma sak gällde för Mitutoyo MeasurLink
4 ”Om Oss - Marcus Komponenter”.
5 ”SCADPlus Definition av mikroföretag, små och medelstora företag”.
6 Säfsten, avs. Document Studies.
7 Säfsten, avs. Interviews.
8 Säfsten, avs. Experiments.
(SPC-program), men i det här fallet fanns ingen manual att tillgå så även här valdes att ta kontakt med Mitutoyo.
När det gäller MSA och SPC så kommer dokument från Automotive Industry Action Group (AIGA)9 ligga till grund då det är vad Marcus Komponenter använder i dagsläget.
Supplementär information söktes för att nyansera och specificera då de dokumenten är väldigt generella.
För att hitta tidigare studier som passar projektet så söktes information på Digitala vetenskapliga arkivet (DiVA) och personer som kan ha arbetat med relevanta ämnen fråga de som de känner till studier, rapporter eller PM.
2.3.1 Studiebesök på företaget
I mitten av december 2020 gjordes ett första besök på företaget för att prata med dess VD, Andrejs Sokolovs, om hur ett då eventuellt projekt skulle se ut. Detaljer presenterades och en rundtur av produktionen i verkstaden genomfördes.
Första riktiga studiebesöket skedde först 10 februari, 2021 för en genomgång av hur arbetet skulle ske. Under besöket lades en preliminär tidsplan upp för hur arbetet skulle genomföras och vilka svårigheter som skulle kunna komma upp under tiden, samt avgränsningar. Det som mötet resulterade i var att 2–3 artiklar skulle bli implementerade till digitala profilprojektorn QuickImage som mäter artikeln och för över datan till MeasurLink som behandlar informationen och avgör om processen anses vara under kontroll med hjälp av SPC-analys.
Vid senare tillfällen utfördes tre MSA-studier med hjälp av operatörer i verkstaden för att få förståelse för hur MSA processen fungerar men också för att jämföra resultaten med det system som används idag i Excel, med MeasurLinks inbyggda system, Gage R&R. Under tiden som MSA-studien utfördes genomfördes informella, ostrukturerade intervjuer med operatörerna om hur systemet fungerar idag med mätverktygen och hur de tycker att de fungerar. Övriga studiebesök handlade om att förstå systemen och hur maskinerna fungerade för att uppfylla de krav som projektet ställde. Generellt skedde 2–3 besök per vecka till Marcus Komponenter.
2.3.2 Konsultation och utbildning med Mitutoyo
MeasurLink saknar skriftlig manual för annat än vissa inbyggda instruktioner i systemet. Det är därför som kontakt upprättades med Mitutoyo, som säljer mjukvaran, att anordna kortare intervjuer över TeamViewer så att de kunde berätta hur olika funktioner, verktyg och moduler fungerade samt hur de används och vad de används för. Många frågor besvarades också
9 Down m.fl., ”Statistical Process Control”; Automotive Industry Action Group (AIAG), Measurement System Analysis.
genom email för att spara tid och inte allt krävde att samtal att förklara problem eller funktioner.
Även till QuickImage genomfördes en utbildning av samma anledning som till MeasurLink. Här fanns dock en manual för att göra olika saker men samtidigt så var den lite för grundläggande och saknade instruktioner för program skapades och redigerades. För att faktiskt skapa program så anordnades några intervjuer där strategi för att mäta i QuickImage gicks igenom och vilka verktyg som var lämpliga var, när och hur. Intervjuer genomfördes också för att förstå hur teorin från AIGA10 fungerar kring SPC och MSA fungerar praktiskt i MeasurLink. Det finns många olika typer av scheman, diagram och nyckelvärden (KPI, eng. Key Performance Indicators) som är viktiga för olika delar produktionen, hur de används bäst är därmed viktigt.
2.3.3 Litteratursökning/-studie
För att ta reda på mer information som behövs till det teoretiska ramverket så har tidigare kursböcker från relevanta kurser i kandidatingenjörsutbildningen11 använts, liksom dokument och tidigare inlämningar. Annan information har sökts med hjälp av bland annat KTH bibliotekets resurser - Primo12 - men även genom att söka i Web of Science13 och DiVA14. DärutöverDärutöver har Google och Wikipedia använts för att hitta pålitliga källor med undantag förrekommenderade källor
Sökord och termer för arbetets litteratursökning
Följande begrepp användes vid projektets litteratursökning för att hitta information i olika databaser, sökmotorer, böcker och dokument;
MSA, measurement system analysis, mätsystemanalys, SPC, SPS, statistical process control, statistisk processtyrning, kvalite, TQM, total quality management, total kvalitetsstyrning, sex sigma, six sigma, processindex, performance index, duglighetsindex, kapabilitetsindex, capability index, digitalisering, digitalisation, industry 4.0, industri 4.0, mätteknik, measurement, mätmaskin, visuell mätning, visual measurement machine, CMM, meteorologi, meteorology, digital mätning, change management.
10 Down m.fl., ”Statistical Process Control”; Automotive Industry Action Group (AIAG), Measurement System Analysis.
11 ”Kurser och masterprogram”.
12 ”KTH Biblioteket”.
13 ”Web of Science Core Collection”.
14 ”Digitala vetenskapsarkivet, DiVA”.
3. Teoretiskt ramverk
3.1 Kvalitet
Det finns flera olika metoder att kvalitetssäkra processer inom tillverkande industri. Metoder som 6σ (sex sigma), Lean produktion och DMAIC (Define, Measure, Analyse, Improve, Control) är några exempel sådana metoder vilket diskuteras i det följandenedan.
3.1.1 6σ (Sex sigma)
Sex sigma uppfanns 1987 av Motorola som en metod för att öka kvaliteten i projekt och processer samtidigt som variation skulle minska och felkällor elimineras.15 Namnet kommer från matematikens sigma (σ) som är en standardavvikelse i en normalfördelningskurva. Av en miljon detaljer så faller endast 3–4 utanför toleranserna (-3σ till +3σ). Traditionellt så kunde företag acceptera 6 200–67 000 fel per miljon!16 Sex sigma vill kunna få ut mest värde genom minst spenderade resurser.
Filosofin bakom sex sigma är att använda den vetenskapliga metoden på en organisations olika delar; Design, ledarskap, affärsprocesser och dagliga styrningen17. Den vetenskapliga metoden fungerar i fem steg18:
1. Observera någon viktig aspekt inom organisationen eller marknaden.
2. Ställ upp en hypotes eller förklaring till varför observationerna ser ut som de gör.
3. Baserat på hypotesen, testa föreslå vad som kommer hända.
4. Testa om förutsägelserna stämmer genom fler observationer. Modifiera om nödvändigt hypotesen och gör nya observationer.
5. Repetera steg 3 och 4 tills att det inte finns några variationer kvar mellan hypotesen och resultatet.
Inom sex sigma finns det olika roller (ibland kallad bälten på samma sätt som finns i kampsporter) för hur hög kunskapsnivå någon har om eller inom sex sigma. Dessa representerar vilken utbildningsnivå som finns hos individer och vilka typer av roller de kan ha inom förbättringsarbetet.19
15 Bo Tonnquist, Project Management : A Guide to the Theory and Practice of Project, Program and Portfolio Management, and Organizational Change, kap. 10: Risks and quality; Six Sigma.
16 Pyzdek, The Six Sigma Handbook, kap. Introduction.
17 Pyzdek, del The Six Sigma Philosophy.
18 Pyzdek, The Six Sigma Handbook, avs. The Six Sigma Philosophy.
19 Bo Tonnquist, Project Management : A Guide to the Theory and Practice of Project, Program and Portfolio Management, and Organizational Change, kap. 10: Risks and quality; Six Sigma.
3.1.2 DMAIC
DMAIC är ett lättanvänt verktyg för att öka prestandan inom ett system. Det används ofta tillsammans med sex sigma.20 DMAIC är en akronym för Define, Measure, Analyse, Improve och Control. Genom att följa de olika faserna så kan förbättringsarbeten genomföras mer effektivt och med högre kvalitet. Systemet behöver först definieras och metoder hittas för att mäta nuvarande system så kan ett förbättringsarbete starta och kvantifieras. Vidare så behöver det definierade systemet och datan som samlats in om det analyseras för att förstå varför det finns en skillnad gentemot de mål som är uppställda. När analysen är genomförd så kan förbättringar införas. Slutligen krävs det metoder eller system för att kontrollera att förändringarna stannar kvar och inte försvinner när DMAIC-processen är slut.21
● Define (Definiera): Ställer upp målen för förbättringsarbetet, de viktigaste målen kommer från kunderna. Målen ska definieras i alla nivåer i organisationen.
● Measure (Mäta): Ta reda på vad det nuvarande systemet är kapabelt till och hitta nyckelvärden som kan följa och visa på förbättringar.
● Analyse (Analysera): Identifiera gapet mellan nuvarande systemet och målet.
Använda olika system och data för att motivera nuläget och hur den datan kommer att se ut vid uppnådda mål.
● Improve (Förbättra): Hitta sätt att förbättra systemet genom att göra det billigare, snabbare, effektivare eller bättre. Hur bör olika styrningsmodeller användas.
● Control (Kontrollera): Hitta sätt att behålla förändringarna så att saker inte går tillbaka till att vara som de var innan. Kan behöva justera policier, procedurer, kompensation, budget, et cetera. Hela tiden måste använda statistiska verktyg användas för att övervaka systemets stabilitet.
De här olika stegen brukar i praktiken kunna gå ihop här och var men det är användbart att försöka hålla de isär. Se tabell 3.1.
Tabell 3.1: DMAIC-verktyg22
20 Pyzdek, The Six Sigma Handbook, kap. 7: Introduction to DMAIC and Other Improvement Models.
21 Pyzdek, The Six Sigma Handbook, avs. Introduction to DMAIC and Other Improvement Models.
22 Magnusson m.fl., Six Sigma - The Pragmatic Approach.
3.1.3 Total kvalitetsledning (TQM)
Total kvalitetsledning (TQM, eng. Total Quality Management) är en strategi och ett tankesätt för att införa och hantera förbättringsarbeten när det gäller kvalitet.23 Konceptet TQM började 1980 med Juran och Demings filosofier kring kvalitet och arbete. Massor av idéer och koncept inom arbetskultur, leveranskedjor, kundfokus och mycket mer sammanfördes och har tillförts sedan dess.
TQM är ett väldigt stort koncept och att lyckas helt med det är svårt då det kräver att hela organisationen och deras leverantörer har ett strikt kundfokus som arbetar med kvalitet i fokus hela tiden.24 Till stor del handlar TQM om utbildning om vad kvalitet är för något och varför det är viktigt. Genom att använda TQM så kan fel i produktionen upptäckas tidigare då alla känner ett ansvar för att arbeta med kvalitet. Medan sex sigma metoden fokuserar på att eliminera fel så fokuserar TQM på att involvera organisationen och dess medarbetare att arbeta med kvalitet och göra det till en del av den dagliga rutinen. Genom att fördela en del av kvalitetsarbetet på medarbetarna så kan fel och brister upptäckas av de som arbetar närmast mycket tidigare än att en utsedd kvalitetsansvarig skulle hitta det. Detta kräver till viss del att organisationen kan få avdelningar och medarbetare att känna ansvar för sitt jobb.25
3.1.4 Orsaker till variation - Ishikawa
Det är i stort sett omöjligt att två tillverkade detaljer har exakt samma dimensioner.
Anledningen till det är att produktionsprocessen har flera aspekter som varierar och för att identifiera variationsorsakerna används ofta så kallade Ishikawa-diagram, orsak-verkan- diagram, fiskbensdiagram eller 7M-diagram efter de 7 aspekterna som orsakar kvalitetsvariation26:
● Management - Hur ledningen motiverar och stödjer personalen.
● Människa - Utbildning, motivation och erfarenhet påverkar processen.
● Metod - Orsaker kopplade till ritningsunderlag och styrbarhet
● Mätning - Rätt mätsystem, metod, rutiner och ordentligt kalibrerade verktyg
● Material - Variation i material från leverantör.
● Maskin - Maskinens skick, kalibrering, underhåll och kunskap om den.
● Miljö - Hur ser miljön som produktionen står i ut? Påverkar den resultatet?27
23 Montgomery, Introduction to Statistical Quality Control, avs. 1.4 Management Aspects of Quality Improvement: Total Quality Management.
24 Montgomery, avs. 1.4 Management Aspects of Quality Improvement: Total Quality Management.
25 Pyzdek, The Six Sigma Handbook, 25–26.
26 Ishikawa, Guide to Quality Control.
27 Glad och Ljung, Reglerteknik, 9.
Det kommer i stort sett alltid att komma fram variation. Det viktiga är att veta huruvida den är slumpmässig eller systematisk samt var variationen kommer ifrån för att kunna åtgärda den.
3.2 Mätsystemanalys (MSA) och Gage R&R
Idag används mätdata mer frekvent och över större användningsområden än tidigare.
Tillverkningsindustrin exemplifierar idag detta utmärkt. I samband med tillverkningsprocessen påverkas beslut i hög grad av uppmätta data. Data och statistik som insamlats under tillverkningsprocessen korreleras med de statistiska styrgränserna; denna jämförelse kan indikera om processen kräver en justering. För att dra nyttja datadrivna procedurer är det viktigt att mätdata som används är av hög kvalitet.
3.2.1 Repeterbarhet och reproducerbarhet
Enligt Down28 är Gage R&R (mätverktygets repeterbarhet och reproducerbarhet, eng. Gage Repetition and Reproducibility) en uppskattning av två variationsorsaker i mätsystemet, repeterbarhet och reproducerbarhet. Den totala Gage R&R-variansen är lika med normen av kvadratsumman av dessa två systemvariationer. Detta kan illustreras av ekvation 3.1 nedan.
𝜎𝐺𝑅𝑅2 = 𝜎𝑅𝑒𝑝𝑟𝑜𝑑𝑢𝑐𝑎𝑏𝑖𝑙𝑖𝑡𝑦2 + 𝜎2𝑥𝑅𝑒𝑝𝑒𝑎𝑡𝑎𝑏𝑖𝑙𝑖𝑡𝑦 Ekv.3.1
När ett mätsystem ska analyseras är Gage R&R en nyckelkomponent. Repeterbarhet representerar mätverktyget/-en och operatörens variation mellan mätningar av samma detalj. Med andra ord är det observerad variation av repeterbarhet som uppkommer när samma operatör använder samma mätutrustning och mäter samma detalj eller artikel flera gånger, också kallat bias eller väntevärdesfel29. Variation i reproducerbarhet uppkommer när artiklar eller delar mäts av olika operatörer men med samma mätutrustning. Därav omfattar Gage R&R två avvikelser; en variation som uppstår när olika operatörer använder samma mätanordning (variation från hur operatörer mäter artiklar) och en annan variation som uppstår när operatören upprepar samma mätning.
I grund och botten finns det tre typer av Gage R&R analyser. Den korsade Gage R&R analysen, den kapslade Gage R&R analysen och den utökade Gage R&R analysen. Den korsade Gage R&R analysen används när det är möjligt för olika operatörer att mäta en detalj flera gånger30.
28 Down m.fl., ”Statistical Process Control”, 56.
29 Down m.fl., ”Statistical Process Control”, 7.Down m.fl., ”Statistical Process Control”, 7; Shaozheng, ”Statistical Process Control (SPC) in a High Volume Machining Center: Gage Repeatability and Reproducibility Study”, 31..
30 Abduljaleel, ”Outlier Detection in the Analysis of Nested Gage R&R”, 34; Ahmed, Masood, och Bhowmik,
”Investigation of Dimensional Variation in Parts Manufactured by Fused Deposition Modeling Using Gauge Repeatability and Reproducibility.”, 2.
Jämfört med andra typer av Gage R&R-analyser är detta den mest använda metoden när det kommer till att utvärdera mätsystemets repeterbarhet och reproducerbarhet31 Hänvisa till figuren, se figur 3.1.
Figur 3.1: Korsad GRR-analys32
Däremot under utvärderingen av mätsystemets repeterbarhet och reproducerbarhet används så kallad kapslad Gage R&R-analys när mätningen av varje detalj endast görs en gång och av en operatör33Figurhänvisning..., figur 3.2.
Figur 3.2: Kapslad GRR-analys34
Utökad Gage R&R-analys (figur 3.3) används när behov finns att utvärdera flera faktorer som kan påverka ett mätsystem. Utöver de vanliga faktorerna (operatör och mätutrustning) så inkluderas även andra faktorer, de så kallade särskilda faktorerna (bland annat miljö och omgivning).
Abduljaleel, ”Outlier Detection in the Analysis of Nested Gage R&R”, 34; Ahmed, Masood, och Bhowmik, ”Investigation of Dimensional Variation in Parts Manufactured by Fused Deposition Modeling Using Gauge Repeatability and Reproducibility.”, 2. Här är en annan fontstorlek
31 Runje, Novak, och Razumic, ”Measurement System Analysis in Production Process”, 275–76.
32 Runje, Novak, och Razumic, 276.
33 Runje, Novak, och Razumic, 275–76.
34 Runje, Novak, och Razumic, 276.
Figur 3.3: Utökad GRR-analys35
3.2.2. Teori bakom MSA och Gage R&R
Traditionellt har industrin betraktat mät- och analysaktiviteter som en form av ”svart låda”
där utrustningen för mätningar har legat i huvudfokus, inte systemet för mätningar.
Mätutrustningens användbarhet samt miljö- och processkompabilitet sattes inte i huvudfokus. Resultatet var att Gage R&R inte användes i någon större utsträckning. Idag är så inte fallet tack vare introduktionen av begreppet analys av mätsystem. Mätsystemanalys är inte bara en matematisk teknik utan också en experimentell teknik som används med det grundläggande syftet att identifiera de variationer som finns i en given mätprocess. När det gäller mätsystemanalys så är mätningen och analysen en process som statistiska och processtyrande tekniker kan tillämpas på. Även mätutrustningen är en del av processen. Det är viktigt att operatören inte bara vet hur mätutrustningen används men även hur en resultatanalys utförs och tolkas.36
Operatören ansvarar för övervakning och kontroll av mätprocessen. Detta är avgörande för att säkerställa korrekta och stabila processresultat (inklusive analys av mätsystemet). Enligt mätsystemanalysen omfattas studien av mätning, procedur, operatör samt miljön kring mätningen (temperatur, luftfuktighet, kalibrering, et cetera)37. För att ett mätsystem ska kunna betraktas som ett idealt system bör det resultera i korrekta mätningar varje gång det används. Detta innebär att varje mätning som utförs med systemet ska överensstämma med faktiska, sanna mått, som avgör om mätutrustningen är överensstämmande eller undermålig38. Ett överensstämmande mätsystem är associerat med statistiska egenskaper med noll sannolikhet för felklassificering, noll varians och noll bias, ett sådant mätsystem existerar dock inte i verkligheten. Hade det gjort det hade inte mätsystemanalys behövts.
35 Runje, Novak, och Razumic, ”Measurement System Analysis in Production Process”, 277.
36 Down m.fl., ”Statistical Process Control”, 13–14.
37 Down m.fl., ”Statistical Process Control”, 14.
38 Baker, ”Signal Detection Theory Analysis of Quality Control Inspector Performance”, 62–71.
Därför har ingenjörer och mättekniker inget annat val än att använda system vars statistiska egenskaper faller inom olika konfidensnivåer, till exempel en mätning är 95% konfidensgrad med det mätsystem som används.
De typer av källor som kan påverka ett mätsystem inkluderar systematiska och slumpmässiga variationer. En systematisk variation innebär att hitta en källa till variationen i systemet medan en slumpmässig variation ofta beror på orsaker som inte kan styras eller uppstår slumpartat. För att kontrollera variationen i ett mätsystem bör potentiella variationskällor inte bara identifieras utan också övervakas, neutraliseras eller elimineras om möjligt.39 Eftersom olika variationskällor kan påverka mätsystemet resulterar inte flera mätningar på samma artikel i identiska resultat. Orsakerna till variationerna kan delas in i två kategorier, varav den ena består av särskilda orsaker och den andra av vanliga orsaker.
Konsekvensbedömning av de olika källorna till varians bör inte ignoreras. Kvantifieringen av felen görs genom repeterbarhet, reproducerbarhet, linjäritet och enhetlighet. Däremot definieras systemets prestanda av effekterna av alla variationskällor. Mätsystemets prestanda kan förutspås genom att bestämma om processen har någon bias, är statistiskt inom kontroll och huruvida variationen är acceptabelt inom intervallet för det förväntade resultatet. För att avgöra om processen är inom acceptabel variation görs enklast en Gage R&R-analys, som har beskrivits tidigare.
Varför mätsystemanalys och Gage R&R används
Mätsystemsanalys används för att få en bättre förståelse om processvariationer kommer från den faktiska mätprocessen eller från mätsystemet enligt Murphy40. Idealt sett innebär det att den används för att avgöra huruvida den insamlade datan är korrekt samt huruvida systemet som används under datainsamlingen är lämpligt för processen. Genom en sådan förstudie kan ett lämpligt beslut fattas i relation till processkontrollen. Gage R&R används för att bestämma hur mycket av den observerade processens variation som orsakas av mätsystemets variation41. Genom det kan ett mätsystem, eller snarare mätverktygens förmåga bedömas i förhållande till hur lämpligt det är i en förutbestämd applicering42.
Regressionsanalys och nollhypotestestning i MSA
I en mätsystemanalys används vanligtvis en regressionsanalys för att skapa en funktion som bäst passar observerade mätdata43. En särskild typ av regressionsanalysmodell, ANOVA (variationsanlys, eng. Analysis of Variance) är en standardiserad statistisk metod som används
39 Down m.fl., ”Statistical Process Control”, 13–15.
40 Murphy m.fl., Leveraging Measurement System Analysis (MSA) to Improve Library Assessment: The Attribute Gage R&R, 568–77.
41 Catelani m.fl., ”Repeatability and Reproducibility Techniques for Measurement System Analysis”, 377.
42 Sennaroglu och Yurtsever, ”Evaluating Measurement System by Gauge Repeatability and Reproducibility.”, 1611.
43 Morris, Measurement and Instrumentation Principles., 215.
för att analysera mätfel och andra typer av varians i data inom mätsystemsstudier44. ANOVA fungerar därav som ett utmärkt verktyg för att undersöka skillnaden mellan variansen och medelvärdet av data. Detta görs huvudsakligen när Gage R&R används som metod vid mätsystemanalys.
ANOVA-regressionen används företrädesvis inom mätsystemanalys när man vill mäta variationen associerad med operatören till detaljers interaktion45. Vanligtvis nyttjas då nollhypotesanalys vid utvärdering av mätsystemet för att bestämma förekomsten av bias. I regel innebär nollhypotesen att bias är lika med noll. Om p-värdet som är associerat med bias är litet bör nollhypotesen förkastas.46. P-värdet indikerar således hur sannolikt det är att en observation inträffar allena till följd av slumpmässighet. Ett ytterst lågt p-värde indikerar att observationen är av statistisk signifikans medan ett högre värde indikerar att observationen sannolikt sker under slumpmässiga omständigheter.
Betydelsen av mätsystemanalys och Gage R&R vid mätningar bör inte underskattas eftersom de spelar en avgörande roll i att säkerställa att lämpliga mätsystem används och att korrekta data erhålls från dem.
3.3 Statistisk processtyrning (SPC)
3.3.1 Processer som reglersystem
Enligt reglertekniken så handlar grundproblemet om att få system att bete sig som önskat47. Det innebär ofta att för att få systemet att göra som är tänkt så behöver det finnas en förståelse för hur det fungerar och vad som påverkar det, det vill säga vilka olika styrsignaler som påverkar systemet och hur de styrsignalerna kan användas för att reglera systemet till att bete som önskat.
Inom tillverkningsindustrin så sker produktionen styckvis där output är detaljerna som tillverkats och input är ämnen eller arbetsstycken. Operatören som ställer in maskinen (eller ibland en dator) är regulatorn som reagerar på systemets feedback48. Störningar kan vara slitage på maskineri och verktyg, temperatur, ämne eller materialvariation som korta exempel.
44 Down m.fl., ”Statistical Process Control”, 123–24.
45 Down m.fl., 101.
46 Down m.fl., 88–89.
47 Glad och Ljung, Reglerteknik, 9–21; Panda, Jurko, och Pandová, Monitoring and Evaluation of Production Processes, kap. 3 Analysis of the Current State of the Regulation of Manufacturing Processes.
48 Glad och Ljung, Reglerteknik, 13; Down m.fl., ”Statistical Process Control”, 152–53.
Figur 3.4: Återkopplat system49
En tillverkningsprocess bör ses som ett återkopplat system50, se figur 3.4 Om den inte regleras så kommer maskinen att spotta ur sig produkter av alla möjliga variationer. Det blir därför viktigt att ta reda på vilka delar som påverkar de olika aspekterna av maskinens output samt vilka aspekter som kan och behöver justeras kring den så att den fungerar optimalt.
För att ta reda på systemets prestanda så kan man studera hur systemet beter sig under olika förutsättningar som temperatur, cykeltider, störningar eller operatör, et cetera. Genom att se på skillnaderna jämfört med målvärdena kan det bestämmas vad som påverkar processen och varför processen beter sig som den gör under vissa omständigheter. Data kan avslöja vad felet kan vara och genom att tolka den datan kan åtgärder bestämmas för att reglera och åtgärda avvikelsen51.
För att åtgärda ett fel eller en avvikelse är det enklast och billigast att gå på processen först (systemförändringar), dessa fel brukar kunna stå för 85% av alla fel på processen52. Genom att stabilisera processen och minska variationer i hur processen genomförs kan produktionen komma ned till väldigt acceptabla styrgränser utan att behöva investera stora summor pengar53. Exempel på sådana förändringar kan vara utbilda operatörer eller förändra hur kommunikation sker i eller om processen.
Att göra förändringar på processens output (lokala förändringar) kan vara väldigt dyrt. Det innebär att produkter åtgärdas utan att lösa problemet som orsakar avvikelsen genom till exempel efterarbete eller sortering av godkända från underkända produkter. Tyvärr kan det här steget vara nödvändigt tills att åtgärder i processen har blivit implementerade54 och det är värt att återigen påminna om att det är bättre att arbeta preventivt i stället för reaktivt.
3.3.2 Varför SPC?
Statistisk processtyrning (SPC, eng. Statistical Process Control, ibland förkortat SPS på svenska) är en tillämpning av statistiska metoder för att bevaka och säkerställa att processer är i fas och producerar detaljer inom ramen för uppsatta toleransnivåer. I processer finns
49 x-engineer.org, ”Open Loop vs. Closed Loop Control Systems”.
50 Down m.fl., ”Statistical Process Control”, 9–10.
51 Down m.fl., 9.
52 Down m.fl., 16.
53 Down m.fl., 9.
54 Down m.fl., 10.
många källor som orsakar ovälkommen variation av produkters egenskaper, se avsnitt 3.1.4.
Varierande temperaturer, luftfuktighet, icke kalibrerade mätsystem och slitage på maskineri är ett fåtal exempel på sådana variationsorsaker. För stor variation är grund till bristande kvalitet. Kostnader för bristande kvalitet kan uppgå, för vissa tillverkande företag, till 10–30%
och missade intäkter på upp till 25–40%.55
Variation delas upp i två olika kategorier. Urskiljbar variation, där en orsak kan identifieras som källa till variationen och slumpmässig variation där grunden till variationen är svårare att identifiera. Genom att arbeta med SPC går det att tidigt upptäcka variation och ta åtgärder mot den. I stället för att vara reaktiv på förändringar så kan fel förebyggas och undvikas eller i alla fall kunna åtgärda felen eller variationen tidigare än vad som hade gått med en reaktiv strategi56. SPC syftar till att övervaka och samla information från processer för att identifiera orsaker till möjliga nya och befintliga urskiljbara variationer och likvidera dessa. Inom ramen för detta arbete används styrdiagram (eng. Control Charts) och duglighetsindex (𝐶𝑝, 𝐶𝑝,𝑘, eng.
Capability Index) som främsta metoder för statistisk processtyrning, men det är endast en liten del av SPC som omfattar mycket mer.
Processen för införandet av SPC bygger på sex punkter som är värda att gå igenom för att göra införandeprocessen mer effektiv och kan göras innan något praktiskt arbete påbörjats57:
● Endast samla och tolka data är inte nog för statistisk processtyrning. För att arbeta med förbättringar måste det finnas förståelse för processen.
● Mätsystem och mätsystemanalys (MSA) är grunden för att kunna ta noggranna mätningar och hitta variation i processerna och ta beslut.
● Att studera processer med hjälp av SPC så kan förbättringar införas i stort sett överallt bara det går att hitta lämpliga styrsignaler som talar om systemets prestanda.
● Oftast så används SPC på produkter och detaljer i stället för på processer (som namnet avser, statistisk process-kontroll) vilket endast bara är början av SPC. När ett jämnt, kontrollerat flöde av artiklar uppnåtts så ska processerna själva analyseras för att uppnå bra resultat.
● För att förstå hur teorin fungerar i praktiken så måste viss erfarenhet finnas.
● Det finns många delar av produktion där SPC fungerar och bör användas men det finns även delar av produktionen där det är slöseri av tid att använda metoderna.
3.3.3 Styrdiagram
Histogram är användbara för att dela in mätdata i olika grupper och få ut en fördelningskurva (oftast normalkurvor) för att se hur produktionen ligger till58 och hur stor del av den som kan komma att bli godkänd eller underkänd i framtiden. Detta kan göras genom ganska lätta och
55 Juran, Godfrey, och Gryna, ”Section 8. Quality and Costs”.
56 Does, Schippers, och Trip, ”A Framework for Implementation of Statistical Process Control”.
57 Down m.fl., ”Statistical Process Control”, 4–5.
58 Down m.fl., 29–36.
grundläggande statistikberäkningar som kan utföras med en miniräknare på verkstadsgolvet, även om datorprogram är att föredra då det är många beräkningar vilket kan leda till följdfel.59 Det negativa med histogram är att de inte säger någonting om hur processen ser ut över tid.
Det går inte heller att se om det är något som påverkar systemet förrän långt senare då histogram har en viss tröghet i sig ju mer data det samlar på sig. Även när histogrammets fördelningskurva ändrat sig så går det inte att urskilja om det är systemet det är fel på (urskiljbar variation) eller om felet inte tillhör systemet (slumpmässig variation).60
För att kunna bestämma om variation är urskiljbar eller slumpmässig så behövs ett tidsbaserat system. Det mest användbara, robusta och vanligaste är styrdiagram (eng. Control Charts).
Med styrdiagram går det att se huruvida processen är “inom kontroll” eller “utom kontroll”.
När styrdiagrammet visar en jämn produktion utan för stora variationer eller trender så är produktionen inom kontroll och eventuella fel är då urskiljbara fel i systemet61. Även med styrdiagram så kan beräkningarna som behövs utföras med papper, penna och miniräknare på verkstadsgolvet men datorstödda program är att föredra för att minska följdfel, precis som för histogram. Slumpmässiga fel är då med andra ord motsatsen. När det är stor variation i styrdiagrammet så är produktionen utom kontroll och orsaken är med sannolikhet slumpmässiga fel. Skulle det vara massor med variation så går det inte att förutse hur processen kommer att se ut och systemets prestanda går inte att mäta62.
Figur 3.5: Exempel på utom kontroll63
59 Panda, Jurko, och Pandová, Monitoring and Evaluation of Production Processes, avs. 4.3 Combined Regulation of Location and Variability of the Production Process.
60 Down m.fl., ”Statistical Process Control”, 29.
61 Down m.fl., 30.
62 Down m.fl., 30.
63 ”Six Sigma DMAIC Process; Control Phase: Out of Control”.
Vad och när är “utom kontroll”?
Hittills har utom kontroll-mätningar definierats som att ligga utanför styrgränserna (det vill säga längre ut än 3 standardavvikelser från centerlinjen). Det betyder dock inte att orsaken inte uppkommit tidigare men att det då hamnat innanför styrgränserna64 och inte upptäckts.
En annan sak att titta på är om de genomsnittliga mätningarna hamnar nära varandra eller inte. Är det stor variation i omfånget och var mätningarna hamnar så går det att påstå att processen inte är inom kontroll. Det finns några huvudsakliga ”utom kontroll”-signaler som framgår av figur 3.5.
Efter en tid så kan olika mönster uppstå inom styrgränserna. Dessa kan vara av stort intresse då de kan vara tidiga varningsklockor för när någonting börjar gå fel eller när någonting går rätt. Båda fallen bör studeras för ständiga förbättring på processen.65 En intressant fråga är hur styrgränserna tas fram. För att göra det så undersöks processens histogram och 6 standardavvikelser tas ut (-3σ till +3σ, dessa blir undre respektive övre styrgränser) från medelvärdet efter att ha delat upp processen i 8 standardavvikelser (-4σ till +4σ) vilket i sin tur fås fram av en förstudie av processen66.
3.3.4 Typer av styrdiagram
Det finns två huvudsakliga typer av styrdiagram; Styrdiagram för variabler och styrdiagram för attribut67. Generellt så används styrdiagram med variabler då det går att se mycket mer data med dem. Exempel är att i stället för att säga om en artikel är inom toleranserna eller styrgränserna (“godkänd” eller “underkänd”) så går det att få ut dess exakta data (“detaljens diameter är 14,67 mm och därmed godkänd”) och det går att se hur det förändras över tid vilket kan visa på slitage på verktyg eller en felinställd maskin68.
Det tar dock mer tid att samla all variabla data i stället för bara använda godkänd/underkänd eller räkna antal attribut på en detalj, vilket kan göra att det tar mer tid eller kostar mer pengar att samla in den typen av data. Kostnaden i tid eller pengar kan dock sparas in av att mycket tidigare se tecken på “utom kontroll”-signaler när produktionen fortfarande är godkänd och inom kontroll69. Styrdiagram för attribut däremot kan vara väldigt användbara även där det finns sätt att mäta variabla data så är det ibland mer praktiskt att besvara frågor med ja/nej, godkänd/underkänd, låg/medel/hög, rätt/fel70. Det går även fort att samla in attributdata jämfört med variabeldata vilket gör att den typen av datainsamling går fortare och/eller
64 Down m.fl., ”Statistical Process Control”, 67–70.
65 Down m.fl., 70.
66 Fredrikson, SPC intervju.
67 ”Statistical Process Control”, 45–47.
68 Down m.fl., 45.
69 Down m.fl., 45.
70 Down m.fl., 46–47.
kostar mindre pengar. Att välja rätt typ av styrdiagram är viktigt för att ordentligt kunna övervaka processer.
Styrdiagram ska vara uppbyggda så att det lätt går att se hur processen förändras, det vill säga använder rätt skalor, och det ska gå att se över hur lång tid som data samlas in. Skulle utom kontroll-data finnas med så bör de finnas tydligt markerade och vara dokumenterat varför den kan ha uppstått i en loggbok. Loggboken ska för övrigt innehålla relevant information som kan komma att påverka styrdiagrammet som operatörsbyten, start på skift, nytt material, nya inställningar, et cetera. Även när det inte varit någon förändring i processen bör det rapporteras om det är start av nytt skift efter lunch till exempel71.
𝑋̅ − 𝑅-diagram
𝑋̅ − 𝑅-diagram är de vanligaste styrdiagrammen. Även fast att de inte passar till alla typer av processer så brukar de ändå göra ett bra nog jobb72. 𝑋̅ − 𝑅-diagram består av två diagram, ett för mätvärdenas medelvärde (𝑋̅) och ett för omfånget/variationsvidden för mätningarna (𝑅) som plottas på y-axlarna, på x-axeln sitter tidpunkten för mätningen.73 Både 𝑋̅ och 𝑅 är prov-/delgrupper av alla mätvärden där ett fast antal detaljer plockas varje gång för att minska den totala variationen. Styr- och centerlinje för 𝑋̅ − 𝑅-diagram beräknas fram med hjälp av ekvationerna 3.2–3.4.
𝑈𝐶𝐿 = 𝑋̿ + 𝐴2𝑅̅ Ekv. 3.2
𝐶𝐿 = 𝑋̿ Ekv. 3.3
𝐿𝐶𝐿 = 𝑋̿ − 𝐴2𝑅̅ Ekv 3.4
𝐼 − 𝑚𝑅-diagram
𝐼 − 𝑚𝑅-diagram står för individuellt glidande variationsvidd (eng. Individual Moving Range) och består av två diagram, ett 𝐼-diagram som är ett mätvärdes resultat och ett 𝑚𝑅-diagram där varje punkt är variationsvidden mellan senaste mätvärdet och det föregående mätvärdet.
Det betyder att det alltid finns en färre punkter i ett 𝑚𝑅-diagram än i ett individuals, 𝐼- diagram. Generellt så används 𝐼 − 𝑚𝑅-diagram till kortare batcher eller lågvolymsartiklar, då mätningarna kan vara dyra eller artikeln har en lång cykeltid.74
𝐼-diagrammets styr- och centerlinje byggs upp med hjälp av följande ekvationer (3.5–3.9):
𝑈𝐶𝐿 = 𝑋̿ +3𝑚𝑅
𝐷2 Ekv. 3.5
𝐶𝐿 = 𝑋̿ Ekv 3.6
𝐿𝐶𝐿 = 𝑋̿ −3𝑚𝑅̅̅̅̅̅
𝐷2 Ekv. 3.7
Där
71 Down m.fl., 48–50.
72 Down m.fl., 44–45.
73 Down m.fl., 48–50.
74 Montgomery, Introduction to Statistical Quality Control, avs. 6.4 The Shewhart Control Chart for Individual Measurements.
𝑚𝑅 = |𝑥𝑖− 𝑥𝑖−1|, 𝑖 = 2,3,4, . . . , 𝑘 Ekv.3.8 𝑚𝑅̅̅̅̅̅ = 1
𝑛−1∑𝑛𝑖=2𝑚𝑅 Ekv. 3.9 𝑚𝑅-diagrammet byggs i sin tur upp av följande ekvationer (3.10–3.12):
𝑈𝐶𝐿 = 𝐷4𝑚𝑅̅̅̅̅̅ Ekv. 3.10
𝐶𝐿 = 𝑚𝑅̅̅̅̅̅ Ekv. 3.11
𝐿𝐶𝐿 = 0 Ekv. 3.12
En annan typ av styrdiagram för korta batcher eller lågvolymsartiklar är normalavvielsediagram (DNOM, eng. Difference/Deviation from Nominal).75 Fungerar ungefär som 𝑋 − 𝑅-diagram men i stället för att ta skillnaderna inom provgrupper så tas skillnaden mellan de enskilda mätvärdena till målvärdet.
Förstudiediagram
När en förstudie genomförs så används inte av plottade diagram eller beräkningar. Syftet är att hitta parametrar i produktionsprocessen som är statistiskt anmärkningsvärda.76 Poängen med en förstudie är att hitta delar av och ändringar i processen som kan påverka ökad eller minskat antal feltillverkade artiklar.
Om 𝜇 är målvärdet för en artikel och 3𝜎 är den angivna toleransen (enligt ritning) så kommer 86,6% av alla tillverkade artiklar att hamna innanför specifikationen för artikeln (𝜇 ±
1
4𝑡𝑜𝑙𝑒𝑟𝑎𝑛𝑠, grön zon). 13,2% av alla artiklar kommer alltså att vara i varningszon (𝜇 ±
1
2𝑡𝑜𝑙𝑒𝑟𝑎𝑛𝑠, gul zon) och 0,2% kommer att vara oacceptabla (röd zon). Med den datan så är risken att två artiklar i följd hamnar utanför förstudiestyrgränsen (eng. Precontrol Specification Limit) 1
14× 1
14= 1
196≈ 1
200= 0.5% och skulle då vara ett tecken på att processen inte är inom kontroll.77 För att ha en process under kontroll i en förstudie så måste minst fem artiklar i följd efter varandra bli godkända.78
Procedur för en förstudie
● Två detaljer i följd är i grön zon - Fortsätt
● En detalj är i grön zon och en annan i gul zon - Fortsätt
● Två detaljer i följd är i samma gula zon - Justera processen
● Två detaljer i följd är i olika gula zoner - Avbryt och undersök
● En detalj är i röd zon - Avbryt och undersök
75 Down m.fl., ”Statistical Process Control”, 107–9; Montgomery, Introduction to Statistical Quality Control, avs.
10.1 Statistical Process Control for Short Production Runs.
76 Montgomery, Introduction to Statistical Quality Control, avs. 10.11.4 Precontrol.
77 Montgomery, avs. 10.11.4 Precontrol.
78 Down m.fl., ”Statistical Process Control”, 101–6.
Icke-normalfördelade styrdiagram
Ibland så fördelar sig mätningarna på ett sätt som inte är normalfördelade, även efter lång tid. För att ändå kunna analysera datan så går det att använda några olika tekniker.79
● Använd styrdiagram som vanligt. Fungerar när datan är nästan normalfördelad.
● Ändra upplösningen på datan eller använd en annan provgrupp.
● Transformera datan från en typ av fördelning (binomial, Weibull, Poisson, etc) till en normalfördelning.
● Använd justerande faktorer för att modifiera styrgränserna att bättre passa den icke- normalfördelade datan.
Den här rapporten går inte in på icke-normalfördelade styrdiagram utan rekommenderar att läsa en annan källa, exempelvis AIGA:s Statistical Process Controll, avsnitt “Non-Normal Charts”.
3.3.5 Börja använda styrdiagram
Innan det går att börja använda styrdiagram så finns det sex aspekter som bör tas hänsyn till först80:
● Hitta en lämplig miljö att börja införa styrdiagram i.
● Definiera processen.
● Bestäm vad som ska mätas. Inte allting behöver mätas.
● Hur, vad, när ska saker mätas? Nödvändigt att datan idag är likvärdig den som samlas in imorgon, nästa vecka eller nästa år.
● Definiera mätsystemet och mätverktygen. Styrdiagrammen kan bara så bra som mätsystemet och det krävs att mätsystemet är dugligt för processen.
● Minimera onödig variation. Variation som kan åtgärdas utan att behöva ett styrdiagram bör åtgärdas redan innan studien påbörjas. Bland annat standardisera processer och verktyg.
När ovan punkter är uppfyllda så kan styrdiagram börja införas. Stegen för att göra det är följande:
1. Samla data. Mer insamlade data i början kan vara bättre till att det kan börja byggas en förståelse kring processen, då kan mer infrekventa dataprov tas.
2. Ställa upp styrgränser och centerlinje baserat på den insamlade datan.
3. Tolka datan.
4. Beräkna om styrgränserna och centerlinje.
Steg 1: Samla data
79 Down m.fl., 113–17.
80 Down m.fl., 53–54; Does, Schippers, och Trip, ”A Framework for Implementation of Statistical Process Control”.
Att samla på sig mer data är mer användbart men det kan vara problematiskt att göra det på ett effektivt sätt. Det behövs metod. Genom att dela in datainsamlingen i provgrupper så blir det enklare att samla på sig data. En annan fördel med (större) provgrupper är att de bättre kan visa på förändringar i processen, se avsnitt 3.3.9. För att dela upp datainsamlingen i provgrupper så är målet att minimera fel av särskilda anledningar inom en provgrupp samtidigt som fel av särskilda anledningar maximeras mellan olika provgrupper, dessa typer av provgrupper kallas “rationella provgrupper”, (eng. rational subgroups)81. Det är just variationen som mäts mellan provgrupper och är den som ska minimeras inom vardera provgrupperna. Variationen uppstår alltså mellan olika detaljer under en viss tidsperiod.
Processägare (det vill säga operatörerna och linjechefer/linemanagers) är de som ska ta reda på och välja lämplig storlek på provgrupperna. Helst så bör en provgrupp vara så stor som möjligt men då det är svårt eller ibland omöjligt att mäta varje detalj så är stickprov på 5–10 detaljer det uppenbara valet.82 Det är dock viktigt att varje provgrupp är av samma storlek även om det finns situationer där provgruppens storlek kan variera. Beroende på processen så kan stickprov tas två gånger per skift, operatörsbyte, materialbyte eller var 15:e minut.
Syftet är att hitta variationer i processen som kommer från vanliga anledningar83 så det är viktigt att proven är slumpade, annars kan variationer slinka förbi84.
I början av införandet av styrdiagram är det viktigt att ha data som kan bestämma bra styrgränser. 25 provgrupper om 5 detaljer vardera brukar vara en god start. I många fall finns det även tidigare data som kan göra den här processen snabbare utan att behöva spendera veckor att samla in nya data85. Datan behöver dock samlas in slumpmässigt. För att göra någonting slumpmässigt behövs metod, tankearbete och planering. Redan innan data börjar samlas in så ska det finns scheman för hur data samlas in och om det finns vissa ställen eller tider där fel av särskilda anledningar kan uppstå så ska stickprovsschemat ta vara på den informationen. Att bara ta stickprov “när som passar bra” kan ge ett väldigt missvisande resultat.86
Det finns två huvudsakliga metoder att samla data och analysera den. Den så kallade
“pappersmetoden”87 (eng. Paper Method) där maskinoperatörer utför mätningar vid olika förutbestämda intervaller på ett förutbestämt antal detaljer ett förutbestämt antal gånger.
De uppmätta detaljernas mått skrivs ned på papper, ett kontrollkort eller
81 Down m.fl., ”Statistical Process Control”, 55–57.
82 Down m.fl., 55.
83 Down m.fl., 57.
84 Mitutoyo, ”Statistisk utvärdering ger konkurrensfördelar”.
85 Down m.fl., ”.,” Statistical Process Control”, 57.
86 Down m.fl., 57.
87 Panda, Jurko, och Pandová, Monitoring and Evaluation of Production Processes, kap. 3 Analysis of the Current State of the Regulation of Manufacturing Processes.
