OPTIMALIZACE INFORMAČNÍHO SYSTÉMU KVALITY

OPTIMALIZACE INFORMAČNÍHO SYSTÉMU KVALITY

Diplomová práce

Studijní program: N6209 – Systémové inženýrství a informatika Studijní obor: 6209T021 – Manažerská informatika

Autor práce: Bc. Jan Vlačiha

Vedoucí práce: Ing. Vladimíra Zádová, Ph.D.

Liberec 2015

OPTIMIZATION OF INFORMATION SYSTEM OF QUALITY

Diploma thesis

Study programme: N6209 – System Engineering and Informatics Study branch: 6209T021 – Managerial Informatics

Author: Bc. Jan Vlačiha

Supervisor: Ing. Vladimíra Zádová, Ph.D.

Liberec 2015

Prohlášení

Byl jsem seznámen s tím, že na mou diplomovou práci se plně vzta- huje zákon č. 121/2000 Sb., o právu autorském, zejména § 60 – školní dílo.

Beru na vědomí, že Technická univerzita v Liberci (TUL) nezasahuje do mých autorských práv užitím mé diplomové práce pro vnitřní potřebu TUL.

Užiji-li diplomovou práci nebo poskytnu-li licenci k jejímu využití, jsem si vědom povinnosti informovat o této skutečnosti TUL; v tom- to případě má TUL právo ode mne požadovat úhradu nákladů, které vynaložila na vytvoření díla, až do jejich skutečné výše.

Diplomovou práci jsem vypracoval samostatně s použitím uvedené literatury a na základě konzultací s vedoucím mé diplomové práce a konzultantem.

Současně čestně prohlašuji, že tištěná verze práce se shoduje s elek- tronickou verzí, vloženou do IS STAG.

Datum:

Podpis:

Poděkování

Rád bych touto cestou poděkoval Ing. Vladimíře Zádové, Ph.D. za odbornou koordinaci a věcné rady i připomínky při psaní této diplomové práce. Mezi mé další poděkování patří velké díky Dr. Lidmile Fuskové, Ing. Adrianovi Šulovi a celému kolektivu firmy Q-DAS, s r.o. za spolupráci na projektu. Nakonec bych také rád poděkoval Bc. Jindřichovi Erlebachovi a Ing. Antonínu Sůvovi za odborné vedení a možnost podílet se na implementaci informačního systému kvality.

ANOTACE

Diplomová práce je zaměřena na optimalizaci informačního systému kvality v oddělení technické kontroly. Cílem diplomové práce je implementovat nový informační systém a tím zefektivnit statistickou regulaci procesů, zrychlit vnitřní regulační cyklus a zvýšit transparentnost výrobních procesů ve firmě D2Q, s.r.o.¹

V teoretické části práce je řešena problematika metod statistického řízení procesů a nástrojů pro zefektivnění procesů spolu s metodou analýz měřících systémů. Dále je řešena problematika Business Intelligence z pohledu využití pro výrobní procesy. Jsou řešeny základní komponenty a aplikace pro výrobní oblasti s využitím dashboardů.

V praktické části diplomové práce je uvedena analýza současného stavu v oddělení technické kontroly firmy D2Q, s.r.o. Poté je navržen model nového informačního systému spolu s jeho prvky a nakonec je popsána implementace tohoto řešení s technickým a ekonomickým zhodnocením.

Klíčová slova

Statistické metody řízení jakosti, kvalita, statistická regulace procesů, Business Intelligence, Dashboard, Scorecard, Technická kontrola

1Jméno firmy bylo změněno.

ANNOTATION

This diploma thesis is focused on optimization of Information Quality System of the technical control department. The main aim of this thesis is to implement a new Information System and thereby improve Statistical Process Control, accelerate internal control cycle and enhance the transparency of manufacturing processes in D2Q, s.r.o.² Company.

The theoretical part of this diploma thesis deals with issues of Statistical Process Control method and its tools for improving processes, together with Measurement System Analysis method. Furthermore, thesis deals with issues of Business Intelligence in view of utilization in production processes. In this part, thesis deals with the basic components of Business Intelligence and apps for production with utilization of dashboards.

In the practical part of this thesis is solved analysis of the current state in the department of the technical control in the D2Q, s.r.o. Company. Later on, thesis deals with designing of the model of the new Information System with its parts and finally is described an implementation of this solution with technical and economical evaluation.

Keywords

Statistical methods for Quality Control, Quality, Statistical Process Control, Business Intelligence, Dashboard, Scorecard, Technical control

2The name of the Company was changed.

7

Obsah

Seznam ilustrací (obrázků) ... 10

Seznam tabulek ... 12

Seznam zkratek a symbolů ... 13

Úvod ... 14

1 Zhodnocení současného stavu ... 15

1.1 Metody řízení kvality ... 15

1.1.1 Design of Experiments ... 16

1.1.2 Failure Mode and Effect Analysis ... 17

1.1.3 Production Part Approval Process ... 17

1.1.4 Ishikawův diagram ... 17

1.1.1 Statistická regulace procesu ... 18

1.2 Srovnání metod řízení kvality ... 19

2 Metoda statistické regulace procesu ... 20

2.1 Měření způsobilosti procesu ... 20

2.1.1 Problematika měření ... 21

2.1.2 Variabilita polohy procesu měření ... 22

2.1.3 Variabilita šíře ... 23

2.1.4 Analýza výsledků ... 24

2.2 Kvalita, procesy a systém SPC ... 26

2.2.1 Kvalita ... 26

2.2.2 Proces ... 28

2.3 Systém SPC ... 31

2.3.1 Nástroje ... 34

2.3.2 Sběr dat ... 34

2.3.3 Důležité statistické veličiny dat ... 36

2.3.4 Regulační diagramy ... 39

2.3.5 Základní grafy ... 40

2.4 Hodnocení způsobilosti procesů ... 44

3 Business Intelligence ... 45

3.1 Základní principy ... 45

3.1.1 Organizace dat ... 46

8

3.1.2 Dimenze ... 46

3.2 Komponenty Business Intelligence ... 46

3.2.1 Zdrojové databáze ... 47

3.2.2 Extract, Transform and Load ... 48

3.2.3 Datový sklad ... 48

3.2.4 Datová tržiště ... 49

3.3 Aplikace BI pro výrobní proces ... 50

3.3.1 Aplikace BI pro podporu řízení výroby ... 51

3.3.2 Corporate Performance Management ... 51

3.3.3 Charakteristika a členění dashboardů ... 53

4 Praktická část ... 56

4.1 Analýza současného stavu ... 56

4.1.1 Standardní úkoly technické kontroly pro řízení kvality ... 56

4.1.2 Ověřování kvalitativní způsobilosti výrobních a měřících procesů ... 57

4.1.3 Proces měrové zakázky ... 57

4.1.4 Technické vybavení ... 59

4.1.5 Sběr a formát dat ... 59

4.1.6 Vyhodnocení záznamů o kvalitě ... 60

4.2 Návrh optimalizace IS kvality ... 62

4.2.1 Cíl optimalizace ... 62

4.2.2 Model návrhu IS ... 63

4.2.3 Sběrná místa ... 64

4.2.4 Monitoring ... 67

4.2.5 Analýza kvalitativních dat ... 68

4.2.6 Uživatelské rozhraní ... 69

4.3 Implementace IS ... 70

4.3.1 Hodnocení měřících systémů ... 70

4.3.2 Zasíťování měřících systémů ... 71

4.3.3 Konfigurace tenkých klientů a infrastruktura ... 73

4.3.4 Konfigurace BI aplikace ... 74

4.4 Zhodnocení implementace IS ... 79

4.4.1 Technické zhodnocení implementace ... 79

9

4.4.2 Ekonomické zhodnocení implementace ... 80

5 Závěr ... 83

Seznam použité literatury ... 85

Seznam příloh ... 87

10

Seznam ilustrací (obrázků)

Obrázek 1: Historie řízení kvality ... 16

Obrázek 2: Ishikawův diagram... 18

Obrázek 3:Strannost ... 22

Obrázek 4: Nesprávné pochopení měřených znaků kvality ... 26

Obrázek 5: Ztrátová funkce – Taguchiho model ... 27

Obrázek 6: Ztráta oproti variabilitě a poloze procesu ... 28

Obrázek 7: Statický model procesu ... 29

Obrázek 8: Statisticky stabilní proces ... 30

Obrázek 9: Zvláštní příčiny v kolísání procesu v regulačním diagramu ... 31

Obrázek 10: Postup krok za krokem ... 33

Obrázek 11: Schéma typů charakteristik ... 34

Obrázek 12: Pravidlo 3s, normální rozdělení ... 38

Obrázek 13: Regulační diagram ... 39

Obrázek 14: Histogram ... 41

Obrázek 15: Základní box-plot ... 42

Obrázek 16: Box-plot pro 12 charakteristik ... 42

Obrázek 17: Pareto diagram ... 43

Obrázek 18: Obecná architektura BI ... 47

Obrázek 19: Dashboard ... 52

Obrázek 20: Scorecard ... 53

Obrázek 21: Model dat AQDEF ... 60

Obrázek 22: Model návrhu IS ... 64

Obrázek 23: Tenký klient ... 65

Obrázek 24: Případy užití sběrného místa ... 65

Obrázek 25: Průvodka ... 66

Obrázek 26: Nevyhovující zakázka s komentářem ... 66

Obrázek 27: Modul Monitoring ... 68

Obrázek 28: Analýza dat ... 69

Obrázek 29:Vyhodnocení měřícího systému... 71

Obrázek 30: Fyzické schéma sítě... 72

Obrázek 31: Schéma připojení komunálních měřidel ... 73

11

Obrázek 32: Průvodka ... 75

Obrázek 33: Struktura měrové zakázky ... 76

Obrázek 34: Zobrazení výsledku měření ... 76

Obrázek 35: Vyhodnocení a komentář měrové zakázky ... 77

Obrázek 36: Monitoring měrových zakázek ... 78

Obrázek 37: Náhrada papírových SPC karet ... 80

Obrázek 38: Zhodnocení úspory času ... 81

12

Seznam tabulek

Tabulka 1: Kritéria GRR ... 25

Tabulka 2: Minimální počet tříd pro histogram ... 40

Tabulka 3: Datový sklad vs. datové tržiště ... 50

Tabulka 4: Druhy pracovních panelů ... 54

Tabulka 5: Analýza času podání zakázky ... 58

Tabulka 6: Odhad nákladů a příjmů ... 82

13

Seznam zkratek a symbolů

AQDEF Advanced Quality Data Exchange Format

BI Business Intelligence

CPM Corporate Performance Management

DoE Design of Experiments

DTM Dolní toleranční mez

ETL Extract, Transform, Load

FMEA Failure Mode and Effect Analysis

GRR Gauge Repeatability and Reproducibility

HTM Horní toleranční mez

ICT Information and Communication Technology

IS Informační systém

KPO Kontrolní Plán Operace

MSA Measurement System Analysis

PPAP Production Part Approval Process

ROI Return of Investments

SPC Statistical Proces Control

14

Úvod

V uplynulých několika letech se stalo zvykem, že podniky musí stále zlepšovat své procesy a kvalitu, aby docílily větší spolehlivosti svých výrobků (služeb). A důvod je jednoduchý, neboť pokud zákazník nedostane to, co požaduje a očekává, může se v dnešní době obrátit na spoustu konkurenčních firem, které by mohly jeho požadavky uspokojit. Automobilová firma, ve které autor této práce spolupracoval při optimalizaci a implementaci informačního systému kvality, si tato fakta velice dobře uvědomuje. Díky měření a vyhodnocování výkonnosti procesů a dle potřeby vytváření opatření na jejich zlepšení, je tak schopna dosahovat výborné kvality svých výrobků, neustále chytře zlepšovat své procesy a v neposlední řadě také zajišťovat ochranu dat a informací.

Záměr této diplomové práce je optimalizace využití statistické regulace procesů (SPC) a implementace nového řešení IS s podporou ICT, které využívá statistický software od dodavatelské firmy spolu s využitím Business Intelligence (BI).

Cíl diplomové práce pak spočívá v nasazení nového IS pro podporu řízení výrobního procesu, který je realizován ve třech základních krocích. Nejprve je provedena analýza současného stavu informačního systému a využití metody SPC, následně je navrženo nové technologické řešení spolu s technickými detaily a nakonec se tato práce zabývá implementací informačního systému spolu s jeho zhodnocením. Výsledkem je IS, který za využití BI řešení dokáže zajistit efektivní sledování výrobních ukazatelů v čase. Stane se tak flexibilním nástrojem pro podporu rozhodovacích aktivit řídících pracovníků podniku.

Tomuto cíli odpovídají teoretické kapitoly, kde v prvních dvou kapitolách je řešena problematika statistické regulace procesů spolu s problematikou samotného měření, která napomáhá k neustálé optimalizaci procesů. Dále je řešena problematika BI, tedy nástroji umožňujícímu efektivní vizualizaci a analýzu výrobních dat v čase. Další kapitoly pojednávají o analýze současného stavu IS ve firmě, implementaci nového řešení a jeho zhodnocení.

15

1 Zhodnocení současného stavu

Problematika optimalizace informačního systému, respektive využití metod řízení kvality s využitím BI není v současné době řešena v žádné publikaci či akademické práci. Tím, že není daná problematika řešena, zabývají se následující podkapitoly obecným předpokladem metod řízení kvality, které se nejčastěji využívají v automobilovém průmyslu. Následně je provedeno srovnání těchto metod z hlediska využití pro operativní sledování výrobních procesů a jejich regulaci. Výsledkem je zvolení odpovídající metody pro operativní regulaci procesů, pomocí které lze výrobní procesy stabilizovat a sledovat.

Toto hledisko vychází z požadavků na projekt, který je řešen v praktické části této diplomové práce.

1.1 Metody řízení kvality

Problematika metod řízení kvality vychází z obecného předpokladu řízení kvality, která je především o neustálé snaze zlepšovat procesy. Efektivnější procesy vedou ke snížení nákladů a zvýšení produktivity. Koncepce řízení kvality v organizacích jsou založeny na normách a standardech či na komplexních metodách, které pomáhají nastavit celkový systém řízení tak, aby se zabránilo špatné kvalitě, chybám, variabilitě výrobků. Obecně, cílem metod řízení kvality je zvyšování kvality výsledných produktů, snížení jejich chybovosti, snížení variability a zlepšování celkové organizace práce. Následující podkapitoly se zabývají shrnutím základních principů metod řízení kvality, které se využívají v automobilovém průmyslu. Pro uvedení klíčových milníků v historii řízení kvality je využit následující obrázek č. 1. [1]

16 Obrázek 1: Historie řízení kvality

Zdroj: [1]

1.1.1 Design of Experiments

Metoda Design of Experiments (DOE) je metoda, která se používá pro plánování experimentů, jejímž cílem je pomocí testování různých hodnot zkoumat a otestovat jakost výrobku. Tím, že se DOE používá pro plánování, je řazena mezi metody simulační.

V praxi se tato metoda využívá pro testování složitějších úloh, které vyžadují zkoumání a kombinaci různých faktorů ovlivňujících kvalitu konečného výrobku. Toto zkoumání má za cíl zaměřit se na ty podstatné zkoumané faktory z hlediska celkové kvality. Nejhojněji je tato metoda používána v oblasti výzkumu a vývoje v průběhu testování a validace nových výrobků. Přínosy pak jsou: [1]

 zvýšení kvality výrobku,

 snížení nákladů na pilotní sérii,

 snížení času a nákladů.

17

1.1.2 Failure Mode and Effect Analysis

Metoda Failure Mode and Effect Analysis (FMEA) je analytickou metodou, která má za cíl identifikovat místa pravděpodobného vzniku vad nebo poruch v systémech či u výrobků.

Efektivnost této metody vychází ze zkoumání každé komponenty výrobku z hlediska jejího selhání. Jedná se tak o preventivní metodu umožňující včasnou identifikaci možné poruchy, která může zapříčinit špatnou funkci systému nebo výrobku. Pro metodu FMEA je stěžejní zkušenost týmu, který analyzuje daný výrobek či systém. Správná identifikace vad a jejich následků je založena právě na zkušenostech jednotlivých členů týmu. FMEA se stala metodou, která je velice rozšířená při tvorbě procesů, obzvláště pak v automobilovém průmyslu. Nicméně největší její nevýhodou je čas potřebný k zanalyzování vad a jejich následků. [2]

1.1.3 Production Part Approval Process

PPAP je metodou, která se používá pro schvalování dílů do sériové výroby. Dle [3, s. 1]:

„The PPAP is a group of reports that is documenting the proces and providing measurements to show the part is being produced and made to the required specifications.“ Tedy PPAP je soubor reportů, které dokumentují proces a poskytují informace o měření produkovaných dílů, aby se dokázalo, že je výrobek vyroben dle požadovaných specifikací. Metodou PPAP tedy firmy prokazují, že rozumí konstrukčním požadavkům a všem zákaznickým specifikacím, a že dle těchto specifikací dokáží vyrábět.

Pokud firmy aplikují metodu PPAP prokazují, že: [3]

 dodavatelé pochopili požadavky,

 firma pochopila požadavky zákazníků a vyrábí výrobek dle jejich požadavků,

 výrobní proces je způsobilý.

1.1.4 Ishikawův diagram

Ishikawův diagram je metodou, respektive analytickou technikou, používanou pro zobrazení a následnou analýzu příčin a následků. Princip vychází z toho, že každý problém má svou příčinu. Cílem je tedy analýza a určení nejpravděpodobnější příčiny řešeného

18

problému. Tato metoda se nejčastěji využívá při týmových technikách hledání řešení, např.: Brainstorming. Při analýze problému pomocí diskuze či jiné techniky se využívá diagram, na který se znázorňují příčiny daného problému. Tento diagram je taktéž nazýván jako rybí kost. Příčiny jsou do diagramu zapisovány dle 8 typických dimenzí, které jsou:

[1]

 lidé,

 metody,

 stroje,

 materiál,

 měření,

 prostředí,

 management,

 maintenance – údržba.

Ishikawův diagram je zobrazen na obrázku č. 2.

Obrázek 2: Ishikawův diagram Zdroj: [1]

1.1.1 Statistická regulace procesu

Statistická regulace procesu (SPC) je metodou, která je součástí nikdy nekončícího zlepšování procesů. Tato metoda pomocí svých nástrojů slouží k prevenci odchylek v procesu od předem stanovené jmenovité hodnoty s cílem minimalizovat variabilitu výsledných výrobků. Navíc umožňuje realizovat zásahy do procesu tak, aby byla dlouhodobě držena kvalita na požadované úrovni a dodržena minimální variabilita. Tato

19

regulace procesu je nejčastěji prováděna na základě operativního sledování charakteristik výrobního procesu. Pro sledování procesů, respektive sledování variability procesů, lze využít jeden ze statistických nástrojů a to regulační diagramy, které včas indikují k nutnosti zavést opatření či regulaci procesu pro snížení variability daného procesu. Tedy, hlavním cílem SPC je zlepšování kvality a uvedení výrobního procesu do stabilního stavu a jeho udržování v tomto stavu díky regulacím do procesu, jejichž potřeba vychází z operativního sledování procesu. [7]

1.2 Srovnání metod řízení kvality

Srovnání výše uvedených metod řízení kvality je provedeno na základě požadavků na projekt, který je řešen v praktické části této práce. Hlavním hlediskem pro výběr vhodné metody je využití této metody pro operativní sledování výrobních procesů a jejich regulaci.

Metoda DoE se využívá pro plánování experimentů a její využití je především ve zkoumání a testování jakosti výrobku. V praxi se tato metoda využívá pro testování složitějších úloh, které vyžadují zkoumání a kombinaci různých faktorů ovlivňujících kvalitu konečného výrobku. Využití této metody z hlediska sledování procesů pro snižování variability je však nemožné a to hlavně z důvodu využití ve výzkumu či u nových výrobků nebo technik. Podobný scénář je i u metody FMEA, která má za cíl identifikovat místa pravděpodobného vzniku závad. Tato metoda se využívá především při tvorbě procesů, a tudíž je tato metoda z hlediska kritérií nevyhovující. Kritériím se naopak blíží metoda PPAP, která slouží k prokázání, že je výrobek vyroben dle požadovaných specifikací. Nicméně se tato metoda využívá především před uvedením výrobku na trh a pro následné zlepšování procesů ji využít nelze. Ishikawův diagram lze z hlediska kritérií využít spíše pro řešení příčin variability sledovaných procesů než pro jejich sledování a regulaci. Tím se tato metoda řadí mezi ty, které je možné využít při týmových poradách z důvodu analýzy příčin nestability procesů. Tato práce se však těmito analýzami nezabývá. Nejvhodnější metoda, která vyhovuje daným kritériím, je metoda SPC. Autor práce soudí, že touto metodou bude možno operativně sledovat výrobní proces, popřípadě tento či tyto procesy regulovat a tím splnit požadavky, které jsou kladeny na projekt řešený v praktické části této práce. Následující kapitola se tedy zabývá metodou SPC detailněji.

20

2 Metoda statistické regulace procesu

Pokud chce v dnešní době výrobce na trhu uspět, musí se připravit na to, že musí neustále zlepšovat procesy a využívat účinnější metody na optimalizaci procesů. Statistická regulace procesu (SPC) je metodou, která je součástí nikdy nekončícího zlepšování procesů. Stěžejní pro všechny části procesu je používat technologicky proveditelné a ekonomicky oprávněné opatření se snahou vyrábět produkt s co nejmenším kolísáním od požadované cílové hodnoty. Tato potřeba vyplývá ze stále rostoucí touhy zákazníků po vysoce kvalitních produktech. Připravenost výrobce takto jednat a jeho závazek k výrobě co nejkvalitnějších výrobků, musí být silně zakořeněno v myšlenkách a v pochopení kvality všemi, kteří se na výrobě produktu podílí. Následující podkapitoly se týkají koncepcí metody SPC a jejího efektivního přístupu k řešení kvality a zlepšování procesů.

Následně jsou popsány statistické metody spolu s interpretací a vizualizací dat. Nejprve je však důležité se zmínit o problematice systému měření, neboli o tom, jaký vliv na variabilitu procesu má samotná variabilita systému měření. [4]

2.1 Měření způsobilosti procesu

Potřebu způsobilosti měřících systém vystihuje Dietrich a Schulze [4, s. 8] následovně:

„Every statistical evaluation is taken as an absurdum if the data basis is erroneous. Thus many standards (particularly DIN EN ISO 10012 – Measurement management systems) demand measurement process capability studies.” Tedy každé statistické vyhodnocení je bezvýznamné, pokud jsou základní data chybná. Tudíž mnoho norem (zejména DIN EN ISO 10012 – Systém managementu měření) vyžaduje studii způsobilosti procesu měření.

Záleží tedy na kvalitě naměřených dat, která je definována statistickými vlastnostmi po sobě jdoucích měření získaných z měřidla pracujícího za stabilních podmínek. Pokud jsou data seskupena těsně kolem skutečné hodnoty měřené charakteristiky, potom lze říci, že kvalita dat je vysoká a naopak. Statistické veličiny potřebné k tomuto hodnocení kvality jsou strannost a rozptyl, kde strannost je dána polohou dat vůči skutečné hodnotě a rozptyl popisuje rozptýlení dat. Nízká kvalita dat je taktéž dána příliš vysokou variabilitou, na kterou má velký podíl interakce mezi systémem měření a jeho prostředím. Například měřící systém může být citlivý na teplotu okolního prostředí, ve kterém se používá a to má

21

za následek složitější interpretaci dat a tedy menší vhodnost tohoto systému měření. Tato práce neklade za cíl osvětlit problematiku měření systémů měření. Nicméně je důležité pochopit základní problematiku způsobilosti měřících systémů, kterou se práce následně bude zabývat. [4]

2.1.1 Problematika měření

Při hodnocení měřícího systému musí být věnována pozornost těmto základním bodům:

 Systém měření musí prokázat požadovanou citlivost:

mírou této citlivosti je nejmenší hodnota dílku na stupnici přístroje nazývaná taktéž jako rozlišitelnost měřidla. Obecně by tato hodnota měla činit nejméně jednu desetinu z variability procesu, respektive měřeného rozsahu. Pokud by měřící systém nesplňoval tuto citlivost, tak nejsou měřené díly chápany jako díly s vlastní nebo odlišnou hodnotou měřené charakteristiky.

 Systém měření musí být stabilní:

v takovém případě je variabilita systému měření způsobena pouze náhodnými příčinami, a nikoliv zvláštními příčinami:

 Statistické chyby se shodují v očekávaném rozsahu a je s nimi počítáno pro daný účel měření či pro regulaci procesu

Nutno poznamenat, že jak se procesy mění a zlepšují, musí se také znovu provádět hodnocení systému měření z hlediska jeho způsobilosti a zamýšleného použití. Je důležité, aby vedení firmy a její pracovníci byli seznámeni s účelem měření a aplikovali odpovídající hodnocení. Často se totiž předpokládá, že jsou měření přesná, nicméně je podstatné si uvědomit, že v případě systému měření existuje variabilita, která ovlivňuje nejenom jednotlivá měření, ale i rozhodnutí založená na datech z těchto měřících systémů.

Jeden z hlavních cílů hodnocení systémů měření je tedy získat informace o rozsahu a druzích variability měření, protože pro výrobní proces je praktické zjistit zdroje chyb měření (náhodných a systematických) a poté zajistit mimořádně přesná měřidla s velmi vysokou opakovatelností. Pro plnění těchto cílů je použito studie, která poskytuje:

 kritérium pro přijetí nového měřicího zařízení,

22

 porovnání jednoho měřicího zařízení s druhým, respektive s nadřazeným měřidlem,

 požadovanou složku pro výpočet variability procesu a úroveň přijatelnosti výrobního procesu. [5]

2.1.2 Variabilita polohy procesu měření

Strannost je rozdíl mezi skutečnou (referenční) hodnotou a pozorovanou (změřenou) průměrnou hodnotou měření provedených u dané jedné charakteristiky na stejném dílu.

Strannost lze definovat taktéž jako míru systematické chyby systému měření.

Obrázek 3:Strannost Zdroj: [5, s. 87]

Pokud systém měření vykazuje vysokou míru strannosti, je nutné zjistit příčiny této strannosti. Možné příčiny nadměrné strannosti jsou:

 zastaralá kalibrace měřidla,

 opotřebený přístroj,

 poškozený hlavní etalon,

 špatná kvalita přístroje,

 špatné měřidlo pro danou aplikaci,

 prostředí – teplota, vlhkost, vibrace, čistota,

 aplikace – velikost dílu, poloha,

odbornost obsluhy.

Stabilita

Celková variabilita výsledů měření získaných z měření jedné charakteristiky v dostatečně dlouhém časovém úseku. Lze usuzovat, že stabilita je změnou strannosti v čase.

23 Linearita

Rozdíl strannosti v očekávaném provozním rozsahu měřicího zařízení. Respektive velikost chyby v návaznosti na rozsahu měřených dílů na daném měřicím zařízení. Možné příčiny chybné linearity jsou:

 nesprávná kalibrace, která nepokrývá provozní rozsah,

 přístroj postrádá robustnost,

 odlišná metoda měření nastavení, zatížení, upnutí, technika. [5]

2.1.3 Variabilita šíře

Běžně označovaná jako variabilita pracovníka neboli variabilita výsledků měření získaných jedním měřicím přístrojem, který byl použit několikrát jedním pracovníkem při měření identické charakteristiky na jednom díle. Opakovatelnost lze považovat za způsobilost daného zkoumaného zařízení a je to tedy variabilita uvnitř systému. Možné příčiny chybné opakovatelnosti jsou:

 uvnitř dílu – povrchová úprava, zkosení, poloha,

 uvnitř přístroje – opotřebení, špatná kvalita

 uvnitř etalonu

 uvnitř pracovníka – technika, zkušenosti, odbornost,

 uvnitř prostředí, krátkodobé výkyvy teploty, vlhkosti, vibrací, čistoty,

 nesprávné měřidlo pro dané měření.

Reprodukovatelnost

Definuje variabilitu mezi pracovníky neboli variabilita průměrů měření prováděných různými pracovníky za použití stejného měřidla při měření identické charakteristiky na stejném či stejných dílech. Neplatí však u měření, u nichž obsluha není hlavním zdrojem variability – může se jednat o automatizované měřicí systémy. Možné příčiny chybné reprodukovatelnosti jsou:

 mezi díly – rozdíl při měření typů dílů A, B, C za použití stejného přístroje,

 mezi metodami – rozdíl způsobený odlišným nulováním, způsobem upevnění, atd.,

24

 mezi pracovníky – rozdíl mezi výcvikem, technikou, odborností a zkušenostmi,

 mezi prostředím – rozdíl způsobený cykly prostředí,

 efektivnost výcviku obsluhy.

Opakovatelnost a reprodukovatelnost (GRR) je rozptyl, který se rovná součtu rozptylů uvnitř systému a mezi systémy, respektive odhad variability opakovatelnosti a reprodukovatelnosti.

Citlivost (Rozlišení)

Nejmenší vstup, který způsobí zjistitelný výstupní signál. Respektive odezva systému měření za změny měřené charakteristiky. Citlivost je dána návrhem měřidla (práh citlivosti). Faktory ovlivňující citlivost jsou:

 schopnost utlumit přístroj,

 odbornost obsluhy,

 opakovatelnost měřicího zařízení,

 schopnost zajistit provoz bez variability v případě elektronických či pneumatických měřidel

 podmínky, ve kterých se měřidlo používá. [5]

2.1.4 Analýza výsledků

Měřicí zařízení je považováno za akceptovatelné až po vyhodnocení kritérií přijatelnosti.

Chyba přípravku

První kritérium přijatelnosti se zabývá samotným měřidlem, které může způsobovat chybu měření. Chybu měření ovlivňuje nevhodně navržený přípravek nebo špatně sestavené měřidlo. Tato chyba je způsobena nadměrnou variabilitou měřidla nebo špatnou opakovatelností a špatnými hodnotami GRR. Seřízení a přezkoumání návodů k montáži je první věcí, která se musí udělat. Následně se měřidlo a přípravky resetují nebo opraví a provede se opakované hodnocení měření.

25 Chyba polohy

Chyba polohy se definuje pomocí strannosti a linearity, kde platí, že tato chyba je pro systém měření nepřijatelná, jestliže se významně odlišuje od nuly nebo převyšuje maximální dovolenou chybu. Musí se provést rekalibrace nebo se může využít vyrovnávacích korekcí pro minimalizaci chyby.

Chyba šíře

Variabilita systému měření je považována za vyhovující, pokud splní kritérium, které závisí na procentuálním podílu variability výrobního procesu. Respektive jakým podílem se systém měření podílí na celkové variabilitě procesu. Sběrem dat z procesu pomocí metody SPC lze ukázat, že je proces stabilní a celková variabilita je přijatelná. Tedy, systém měření může být považován za přijatelný a nevyžaduje opakované hodnocení.

Pokud SPC ukáže opak, hodnocení systému měření je první věcí, která by se měla udělat.

Pro přijatelnost systému měření platí obecná rovnice zobrazena v tabulce č. 1. [5]

Tabulka 1: Kritéria GRR

GRR Rozhodnutí Komentář Pod 10 % Obecně platí, že

se jedná o

přijatelný systém měření.

Doporučuje se, lze zejména využít v případě, že existuje snaha o třídění nebo klasifikování dílů, nebo požaduje-li se zpřísněná regulace procesu.

10 % až 30

%

Může být přijatelný pro některé aplikace

Rozhodnutí by mělo vycházet například z důležitosti měření aplikace, nákladů vynaložených na měřicí zařízení, z nákladů na přepracování nebo opravu.

Nad 30 % Považuje se za nepřijatelný.

Veškeré úsilí se má vynaložit na zlepšení systému měření. Tento stav by měl být řešen použitím vhodné strategie měření; například použití průměrného výsledku několika odečtů u stejné charakteristiky dílu s cílem redukovat výslednou variabilitu měření.

Zdroj: [5]

26

2.2 Kvalita, procesy a systém SPC

Každá část organizace má své zákazníky, jak uvnitř organizace tak vně. Pojem celková kvalita tkví v uspokojení těchto zákazníků, respektive je třeba zjistit jejich potřeby. Pro zajištění této kvality je stěžejní využít systém řízení jakosti, nástrojů pro řízení kvality a týmovou spolupráci. Všechny tyto prvky jsou hnacím motorem pro použití SPC v organizaci, neboť SPC hraje jednu z hlavních rolí v úsilí mnoha firem s cílem optimalizovat a zlepšit své procesy a zvyšovat konkurenceschopnost a kvalitu svých produktů a služeb, aby dostáli závazkům svých zákazníků. Následující podkapitola se zabývá kvalitou, procesy a systémem SPC.

2.2.1 Kvalita

Kvalita je jednoduše definována jako splnění požadavků zákazníka. Oakland definuje kvalitu takto: [6, s. 4] „The totality of features and characteristics of a product or service that bear on its ability to satisfy stated or implied needs.” Tedy souhrn vlastností a charakteristik produktu či služby, které souvisí s jeho schopností uspokojit stanovené nebo implicitní potřeby. Pokud jsou průmyslové nebo komerční firmy schopny uspokojit kvalitou produktu zákazníka, stanou se tím životaschopné. Z toho vyplývá, že konkurenceschopnost firem v kvalitě jejich výrobku je nejenom klíčovým faktorem ziskovosti, ale také zásadní pro přežití firem. Je také stěžejní pochopit základy správného vnímání kvality našich výrobků či procesů. [6]

Pokud firmy nebudou rozlišovat hodnoty z měření znaků kvality jednotlivých výrobků naměřené ve středu tolerančního rozsahu s hodnotami, které leží u toleranční meze, budou jejich výsledky kvality velice diskutabilní. Tento stav je zobrazen na obrázku č. 4.

Obrázek 4: Nesprávné pochopení měřených znaků kvality Zdroj: [4, č. 1.5-1, s. 9]

27

Pokud tedy porovnáme část u toleranční meze s částí unvnitř je složité pochopit proč je jedna část klasifikována jako špatná kvalita a druhá jako dobrá, když je patrné, že rozdíl v jejich skutečných hodnotách bude minimální a nemůžou tedy vykazovat velké rozdíly pokud jde o jejich kvalitu. Za účelem lepšího a přesnějšího obrazu o výkonu kvality daného výrobku by měl být použít model, který lépe popisuje ztráty kvality způsobené odchylkami od jmenovité (požadované) hodnoty. Taguchiho model je ideální pro popis této situace. Dle tohoto modelu je vzniklá ztráta kontinuální proměnná, která má minimum při jmenovité hodnotě. Tato hodnota je pochopitelně dána očekáváním zákazníka a odpovídá jmenovité hodnotě daného výrobku. Čím více se bude výsledný výrobek oddalovat od této jmenovité hodnoty tím větší budou ztráty způsobené touto odchylkou.

Tento model je zobrazen na obrázku č. 5.

Obrázek 5: Ztrátová funkce – Taguchiho model Zdroj: [4, č. 1.5-2, s. 10]

Pokud do modelu zobrazíme navíc i normální rozdělení, respektive proces, který produkuje běžně produkované díly, bude patrn é, že proces způsobí daleko menší ztráty než proces s

„obdélníkovým“ tvarem produkce. Cílem je tedy snižování variability procesu, která by se měla pohybovat blízko jmenovité hodnoty. Na obrázku č. 6 je tato variabilita a velikost ztráty vůči poloze procesu zobrazena. [4]

28 Obrázek 6: Ztráta oproti variabilitě a poloze procesu Zdroj: [4, č. 1.5-3, s. 11]

2.2.2 Proces

Proces je transformace vstupů, které zahrnují materiál, akce, metody a operace do požadovaného výstupu ve formě výrobků, informací a služeb. Chce-li firma začít monitorovat a analyzovat proces je nejprve nutné vymezit rozsah procesu, což bude určovat i jeho vstupy a výstupy. Pokud firma zdokumentuje postupy procesu, bude schopna začít sbírat spolehlivé údaje o procesu (hlas procesu – SPC), provádět analýzy, a nasazovat opatření ke zlepšení a optimalizaci procesu, aby nedošlo k selhání nebo k výrobě neshodných výrobků. Základem je tedy zjistit samotnou variabilitu procesu, na kterou mají vliv charakteristiky procesu (př.: teplota, zpoždění, obchodní obrat, naměřené hodnoty,…).

Následný monitoring zdrojů variability procesu může upozornit na správnost respektive na nesprávnost procesu a nutnost zavést opatření v procesu, které by se mělo zaměřovat na prevenci vzniku této variability. Mezi takové opatření zejména patří: [6, s. 9]

 „Změny v operacích:

o výcvik pracovníka

o změny ve vstupním materiálu

 Změny v základních prvcích samotného procesu:

o zařízení

o komunikace lidí a jejich vztahy o návrh procesu jako celku“

29

Na obrázku č. 7 je znázorněn statický model procesu, zobrazující hranice procesu spolu s vymezením vstupů a výstupů. Také je zobrazena zpětnovazební filosofie pomocí SPC.

Obrázek 7: Statický model procesu Zdroj: [6, č. 1.1, s. 6]

Variabilita procesu

Pokud firmy využívají data získaná při regulaci procesu, je nutné vědět, co znamená variabilita. Variabilitou se myslí, že žádné dva výrobky nebo dvě naměřené hodnoty charakteristik dílu nejsou stejné. Velikost rozdílů může být různá, ale vždy existuje. Zdroje variability jsou jednak krátkodobé, které jsou od jednoho kusu ke druhému, nebo dlouhodobé, které se objevují postupně, jak se nástroj či zařízení opotřebovává. Jednotlivé naměřené hodnoty se tedy můžou měnit, ale jako celek se snaží tvořit určitý obrazec, který tvoří rozdělení. Jak je uvedeno v [7 s. 15], „ cílem by mělo být zachovat polohu procesu v cílové hodnotě při minimální variabilitě.“ K tomu, abychom mohli statisticky zvládnout proces a snížit jeho variabilitu, potřebujeme zjistit příčiny této variability. SPC vychází z členění variability vyvolanou náhodnými příčinami a variabilitou vyvolanou identifikovatelnými příčinami. Náhodné příčiny jsou například změny atmosférického

30

tlaku, změny teploty, vibrace způsobené dopravou, fluktuace vlhkosti či elektrického napětí a změny fyzického a psychického stavu obsluhy. Pokud variabilitu procesu vyvolávají pouze náhodné příčiny tak je proces ve statisticky zvládnutém stavu. Oakland definuje statisticky zvládnutý stav takto: [6, s. 68] “When only random causes of variations are present in a process, the process is considered to be ‘stable’, ‘in statistical control’ or

‘in control’. Tedy jsou-li v procesu přítomny pouze náhodné příčiny kolísání, proces je považován za stabilní, ve statistické kontrole nebo pod kontrolou. Tento stav procesu je zobrazen na obrázku číslo 8.

Obrázek 8:Statisticky stabilní proces Zdroj: [7, č. I. 2, s. 12 ]

31

Identifikovatelné příčiny představují variabilitu, která na proces za běžných podmínek obvykle nepůsobí. Jedná se především o takové příčiny, které vyvolávají reálné změny procesu. Pomocí nástroje SPC, kterým je regulační diagram lze tyto příčiny identifikovat, respektive regulační diagram na tyto příčiny jednoznačně upozorňuje. Je stěžejní tyto příčiny odstranit formou opatření v procesu (pracovník) nebo opatření v systému (management), protože mohou být v čase strůjci nestabilního procesu a jsou pro proces nežádoucí. Na obrázku číslo 9 je zobrazena ukázka regulačního diagramu, který zobrazuje zvláštní příčinu vyobrazenou červeným trojúhelníkem a její vliv na variabilitu procesu.

Téma regulačních diagramů je řešeno v dalším obsahu této práce. [7]

Obrázek 9: Zvláštní příčiny v kolísání procesu v regulačním diagramu Zdroj: Vlastní

2.3 Systém SPC

SPC metoda v kombinaci s dobrou organizací a řízením poskytují objektivní prostředky pro řízení kvality v podstatě v každém transformačním procesu, ať už je využíván při výrobě produktů, poskytování služeb, nebo vytváření informací. SPC je tak metodou pro snížení variability, která je příčinou mnoha problémů v:

 kvalitě,

 změně produktů,

 čase dodávek,

 změně materiálu,

 zařízení a jeho použití,

 postupu údržby,

 postoji lidí.

32

Samotná kontrola však nestačí. Pokud firmy chtějí snižovat variabilitu procesů, metoda SPC vyžaduje, aby byly procesy zlepšovány kontinuálně. Tento fakt vychází z předpokladu studia všech aspektů procesů a dle Oaklanda položením otázky: [6, s. 16]

„Could we do the job more consistently and on target (i.e. better)?.“ Tedy lze dělat svou práci více důsledně a na cíl (tj. lepší)?. Tento významný rys SPC znamená, že cílem SPC je vést k zásahu do procesu, který funguje v rámci specifikace, aby se zajistila minimalizace jeho variability. Také musí existovat ochota provádět změny, dokonce i ve způsobu podnikání organizace, za účelem dosažení trvalého zlepšování. Řízení procesů a SPC by tedy mělo tvořit důležitou součást celkové podnikové strategie. Stěžejní pro SPC je učinit z neschopných a nekonzistentních procesů stabilní a konzistentní bez ohledu na to, jaký je to proces. Stejně je stěžejní klást důraz na zajištění dostatečné kvality dodavatelem.

K dosažení tohoto cíle lze využít právě SPC. [6]

Při použití SPC je často kladen větší důraz na techniky než na širší manažerské strategie.

Nicméně SPC není jenom o grafech, které visí na stěnách výrobních hal či kanceláří, SPC musí být přijato do složky celofiremního vnímání kvality a bude fungovat jako ústřední bod nikdy nekončícího zlepšování kvality, procesů a výkonnosti firem. Pro mnoho firem může SPC přinést nové přístupy, novou filozofii, ale význam statistických metod by samozřejmě neměl být opomíjen. Jednoduchá prezentace dat pomocí diagramů, grafů a tabulek by se měla stát prostředkem komunikace týkající se stavu řízení procesů. Tyto nástroje jsou stěžejní pro operátory procesů, protože odpovědnost za kvalitu jakéhokoliv procesu musí nést právě operátoři tohoto procesu. Aby se naplnila tato odpovědnost, lidé musí mít k dispozici nástroje, které jsou potřebné k zjištění zda:

 proces je způsobilý a schopen splnit požadavky,

 proces splňuje požadavky v jakémkoliv čase,

 je nutné do procesu vstoupit a popřípadě proces opravit nebo upravit jeho vstupy, pokud proces nesplňuje požadavky.

Tyto nástroje však jsou nepoužitelné pokud firmy nezajistí dostatečný výcvik v jejich používání, který by měl být k dispozici všem v rámci organizace, tak aby každý zaměstnanec mohl přispět ke zlepšení kvality jeho práce. Hlavní skupinou tohoto výcviku jsou však techničtí zaměstnanci se zaměřením na využití technických nástrojů jako jsou

33

regulační diagramy. Ostatní jednodušší nástroje jakož jsou diagramy, pareto schémata, diagram příčin a následků, graf průběhu měření, box-plot diagram, by měli být zahrnuty do kapacity všech zaměstnanců. Nicméně s mnoha dostupnými nástroji si zaměstnanec není často jist, který z nich použít, když jsou zjištěny problémy s kvalitou. K tomuto výběru slouží jednoduchý přístup, který krok za krokem vede k rozvoji či zlepšení procesu. Na následujícím obrázku č. 10 je tento přístup zobrazen.

Obrázek 10: Postup krok za krokem Zdroj: [6, č. 1.9, s. 22]

34

2.3.1 Nástroje

Regulační diagramy kvality jsou jádrem všech nástrojů SPC. Grafické znázornění naměřených hodnot umožňuje velice dobře prezentovat chování a výkon procesů.

Následné další analýzy založené na základě naměřených hodnot zaznamenaných v kontrolních grafech umožní smysluplné hodnocení kvality, kterou proces přináší. Pro sledování kontinuální výroby by měl být použit regulační diagram, který je nejvhodnější pro specifické podmínky procesu. Zejména se využívá regulační digram, který zobrazuje průběh procesu, tedy jeho umístění v rámci kontrolních mezí, a variabilitu procesu odděleně. Než se text práce dostane k problematice regulačních diagramů a dalším grafickým nástrojům SPC, je nutné začít s vysvětlením problematiky sběru dat a z dat vyplývajících základních statistických veličin. [4]

2.3.2 Sběr dat

Podkapitolu sběru dat je nutno začít rozdělením charakteristik daného produktu, které se sbírají a vyhodnocují. K rozdělení těchto charakteristik slouží obrázek č. 11.

Obrázek 11: Schéma typů charakteristik Zdroj: [4, č. 2.2-1, s. 25]

35 Spojité

Pozorování těchto charakteristik produkuje naměřené hodnoty. Umístěním těchto hodnot na stupnici, každý vybraný bod na stupnici může být charakterizován naměřenou hodnotou. Jedná se například o průměr výrobku, délku, atd.

Diskrétní

Diskrétní charakteristiky produkují celočíselné hodnoty. Hodnoty lze tudíž zobrazit jen postupně za sebou. Například počet neshodných dílů ve vzorku.

Ordinální

Ordinální charakteristiky vedou k výsledku, který je reprezentován binární stupnicí, respektive pořadím prvku v uspořádané množině. Typickým příkladem je kontrola pomocí iO nebo NiO, čili dobrý či špatný kus.

Nominální

Nominální charakteristiky se používají, pokud neexistuje žádný pořadový vztah k popisu výsledků. Například se jedná o pohlaví – muž/žena, status – zapnuto/vypnuto atd.

Pro komplexní statistické vyhodnocení je stěžejní uživatelsky příjemný, účinný a bezpečný záznam dat, který zajišťuje jednak lokální systém pro záznam dat nebo centrální databáze.

Poté je nutné z databáze otevřít příslušný kontrolní měřící program, který obsahuje charakteristiky měřeného produktu, které mají být měřeny spolu s četností a pořadím jejich sběru. [4]

Sběr dat spojitých charakteristik

Spojité charakteristiky by měly být zaznamenávány automaticky, aby se zabránilo chybným zadáním. Většina systémů může přenést naměřené hodnoty přímo do souboru nebo online do počítačového systému přes RS-232 či USB rozhraní. Při sběru dat je důležité také zaznamenávat doplňkové údaje, mezi které patří:

 datum a čas,

 jméno pracovníka,

 číslo výrobní dávky,

 název stroje,

 událost poruchy.

36

Při provádění analýz a v případě odchylek od požadované hodnoty lze díky doplňkovým údajům vyvodit závěry o příčinách odchylek. Právě doplňkové údaje přináší informaci o chování procesu a o vstupech do procesu, které je důležité dále analyzovat. Doplňkové údaje musí být uloženy v katalozích tak, aby mohly být jasně přiděleny dané měřené hodnotě. To je zajištěno jedinečným kódem, který obsahuje každá naměřená hodnota. Díky tomuto kódu lze najít odpovídající záznam v příslušném katalogu. V případě ručního sběru dat je nutné zajistit kontrolu takzvaných plausibilních mezí, tedy mezí, které kontrolují přijatelnost naměřené hodnoty. Pokud naměřená hodnota překračuje meze, mělo by se zobrazit chybové hlášení indikující špatně vloženou hodnotu. Například se jedná o překlepy, špatné nebo chybějící označení hodnoty či nesprávně umístěnou desetinnou čárku. [4]

Klasifikace charakteristik

Při sběru dat, popřípadě při analýzách dat z procesu, je stěžejní a v praxi smysluplné, klasifikovat měřené charakteristiky dle jejich důležitosti, aby se firmy při svých analýzách zaměřili nejprve na nejdůležitější charakteristiky, které mají na proces největší vliv.

Klasifikace jsou závislé na firmě nebo na příslušné úloze. Nicméně existují základní tři klasifikace charakteristik:

A. kritický,

B. velmi významný, C. významný. [4]

2.3.3 Důležité statistické veličiny dat

Nejdůležitějším měřítkem lokace dat je aritmetický průměr vypočtený z naměřených dat.

Předpis je dán:

𝒙 ̅ = 𝟏 𝒏 ∑ 𝒙_𝒊

𝒏

𝒊=𝟏

(1)

37 n = velikost vzorku

i = 1, 2, …, n xi = charakteristika

Medián (střední hodnota)

Střední hodnota neboli medián rozděluje naměřené hodnoty, které jsou seřazeny dle velikosti, na dvě stejné části. Pro sudý počet hodnot se medián vypočítá jako průměr obou hodnot ležících v polovině seřazených hodnot.

Předpis je dán:

𝒙 ̃ = 𝒙_𝒎 𝑚 = ^𝑛+1

2 (pro n – liché)

(2) 𝒙

̃ = ^𝟏

𝟐[𝒙_𝒎+ 𝒙_𝒎+𝟏] 𝑚 = ^𝑛

2 (pro n – sudé)

(3)

Výběrový rozptyl a směrodatná odchylka

Výběrový rozptyl je mírou rozpětí či kolísání naměřených hodnot kolem střední hodnoty.

Předpis je dán:

𝒔^𝟐= 𝟏

𝒏 − 𝟏∑(𝒙_𝒊− 𝒙)̅̅̅^𝟐

𝒏

𝒊=𝟏

(4) Odmocnina z výběrového rozptylu je pak definována jako směrodatná odchylka.

Směrodatná odchylka je mírou variability v souboru naměřených hodnot. Čím větší je směrodatná odchylka, tím větší variabilita je mezi jednotlivými naměřenými hodnotami.

Předpis je dán:

𝒔 = √𝒔^𝟐

(5)

38 Konfidenční interval

V případě, že odebrané vzorky slouží k vyvození závěru o celém souboru hodnot je připuštěn nepřímý závěr o tomto souboru. Cílem je využít statistického vzorku (aritmetický průměr) a učinit závěr o parametrech celého souboru hodnot (směrodatná odchylka).

Skutečná hodnota pro soubor bude tedy ležet v intervalu spolehlivosti s pravděpodobností 1 – α, respektive skutečný hodnota se bude v tomto intervalu nacházet právě s pravděpodobností 1 – α. Typické hodnoty pro tento konfidenční interval jsou 95%, 99% a 99,9%. [4]

Kritérium 3s

Pravidlo 3s definuje, že všechny relevantní hodnoty zahrnuté ve výběrovém souboru, respektive naměřené hodnot by se měly nacházet do velikosti šíře ±3s od průměru daného souboru, pokud se jedná o normální rozdělení. Pro velikost šíře jedné směrodatné odchylky je dáno přibližně 68,27%, pro dvě přibližně 95,45% a pro tři až 99,73%. V praxi má toto pravidlo význam například při sběru dat z měření, kde jsou zpočátku do výběru zahrnuty všechny hodnoty, tedy i ty, které jsou zatíženy velkou chybou (např. špatné měření, nečistota dílu, apod.). Po zjištění odchylky a nasazení pravidla ±3s se ze souboru vyřadí hodnoty nespadající do této šíře a poté se vytvoří nový soubor s novým průměrem, který již není touto chybou zatížen. Pravidlo ±3s je zobrazeno na obrázku č. 12. [4]

Obrázek 12: Pravidlo 3s, normální rozdělení Zdroj: Vlastní

39

2.3.4 Regulační diagramy

Definice regulačních diagramů je zmíněna na počátku podkapitoly 2.3. Regulační diagramy lze využít pro kontrolu měřením, kde procesy a jejich výstupy lze charakterizovat hodnotami měření dané charakteristiky. Nejčastěji se využívá dvojice diagramů, která zobrazuje průměr hodnot sesbíraných v rámci malých podskupin, a rozpětí hodnot uvnitř každé podskupiny. Následující obrázek č. 13 zobrazuje regulační diagram, který zobrazuje průměr v rámci podskupiny, která čítá tři hodnoty. Spodní regulační diagram zobrazuje variabilitu mezi hodnotami z podskupiny.

Obrázek 13: Regulační diagram Zdroj: Vlastní

V podstatě neexistuje schválený způsob, jak zobrazovat regulační diagramy, ale diagram je přijatelný, pokud obsahuje alespoň následující prvky:

 Odpovídající stupnice

Stupnice by měla být dostatečně široká, aby bylo možné znázornit přirozené kolísání procesu a provádět analýzy a regulaci procesu.

 HRM, DRM

Regulační diagram by měl zobrazovat horní a dolní regulační meze, které signalizují výskyt zvláštních příčin. Výpočet regulačních mezí je provedeno pomocí rozdělení výběrové charakteristiky, tedy pravidlem ±3s. Tímto se zobrazuje, že 99,73% všech

40

naměřených hodnot leží právě v dané šíři procesu, respektive proces produkuje 0,27%

zmetků.

 Centrální přímka

 Posloupnost podskupin

2.3.5 Základní grafy

Histogram zobrazuje četnosti naměřených dat na vertikální ose y. Naproti tomu horizontální osa x je rozdělena do jednotlivých tříd respektive intervalů těchto naměřených hodnot. Při konstrukci histogramu je zásadní určit vhodně začátek a počet tříd pro rozdělení dat. Pokud jsou třídy nevhodně určeny, může dojít k irelevantní interpretaci dat skrze histogram. Následující tabulka č. 2 zobrazuje minimální počet tříd dle počtu naměřených hodnot. Tabulka se řídí normou DIN 55302.

Tabulka 2: Minimální počet tříd pro histogram

Velikost podskupiny Tříd celkem

nad 50 bez klasifikace

nad 100 min. 10

nad 1000 min. 13

nad 10 000 min. 16

Zdroj: [4]

Mezi další postupy jak určit počet tříd patří norma CNOMO. Počet tříd, které jsou zaokrouhleny na nejbližší nejvyšší celé číslo, je dáno:

𝑘 = 1 +10 log(𝑁) 3

N = velikost podskupiny (6)

Šířka jednotlivé třídy je pak dána předpisem:

ω = 𝑅 𝑘

R = x_max - x_min (7)

41

S přibývajícím počtem hodnot je rozdělení tříd a jejich velikost méně citlivá na irelevantnost zobrazovaného histogramu. Nicméně v případech, kdy jsou definovány hranice tříd, respektive tolerance daného procesu či regulační meze, jsou histogramy méně citlivé na irelevantnost interpretace dat. Na následujícím obrázku č. 14 je zobrazen základní histogram s absolutní a relativní četností naměřených dat dle normy CNOMO.

Obrázek 14: Histogram Zdroj: Vlastní

Box-plot

Pro jasné zobrazení nejdůležitějších statistik a jejich vzájemného porovnání slouží grafický nástroj Box-plot, neboli krabicový graf. Výška box-plotu zobrazuje oblast, ve které leží 50% hodnot na základě předpokládaného modelu rozdělení, respektive oblast ±1s. Tato oblast je rozdělena horizontální přímkou, kterou charakterizuje medián, nebo průměr. Šířka grafiky zobrazuje relativní počet naměřených hodnot dané charakteristiky. Velikost zobrazovaného intervalu je rozsah 99.73%, který odpovídá ±3s a zároveň jsou zobrazeny také toleranční meze. Odlehlé hodnoty daného souboru jsou zobrazeny jako jednotlivé body nad či pod toleranční mezí. Na obrázku č. 15je zobrazen základní box-plot graf.

42

Obrázek 15: Základní box-plot Zdroj:Vlastní

V případě získání reprezentace, která je nezávislá na rozdílných tolerančních mezích jednotlivých zkoumaných charakteristik, lze zobrazení box-plotů standardizovat.

Standardizace je stanovena převedením tolerančních mezí na jednotkové hodnoty a to tak, že dolní toleranční mez (DTM) je dána rovno -1 a horní toleranční mez (HTM) je dána rovno 1. V důsledku této standardizace lze porovnávat polohu a variabilitu dané měřené charakteristiky, potažmo celého procesu. Obrázek č. 16 zobrazuje 12 měřených charakteristik, jejichž toleranční meze jsou standardizovány. Tento postup poskytuje rychlý přehled o naměřených datech a zároveň indikuje, které charakteristiky obsahují hodnoty mimo toleranční meze. [4]

Obrázek 16: Box-plot pro 12 charakteristik Zdroj: Vlastní

43 Pareto analýza

Analýza vychází z pravidla 80/20, respektive z pravidla, které určuje, že 80% všech událostí je způsobeno pouze 20% příčin. Pareto analýzy se provádí pomocí speciálních diagramů, které zajistí oddělení několika málo zásadních událostí, od mnoha triviálních.

Události spojené se změnou procesu je nutné zaznamenávat a ukládat k datům z procesu.

Pro následné vyhodnocení musí být tyto události katalogizovány a jednoznačně určeny.

Obecně je zásadní umožnit spojení více události k jedné naměřené hodnotě a zároveň umožnit rozlišovat mezi samotnou událostí, její příčinou a přijatým opatřením. Pareto diagram lze zobrazovat ve formě sloupcového grafu, který zobrazuje jednotlivé frekvence daných událostí a zároveň rozděluje události do tří základních skupin. Na obrázku č. 15 je zobrazen pareto diagram spolu se zobrazením základních skupin. Skupina A zobrazuje ty události, které se nejvíce podílejí na celkovém času oprav (73%). [4]

Obrázek 17: Pareto diagram Zdroj: Vlastní

Pareto diagram tedy nabízí jednoduchý, ale velmi univerzální nástroj pro zobrazení prioritních procesních problémů jako jsou:

 vadné komponenty,

 časté změny procesů,

 rozdílné podmínky prostředí, atd.

44

2.4 Hodnocení způsobilosti procesů

Dle [7 s. 133] „Indexy způsobilosti procesu slouží k ohodnocení, zda a do jaké míry se daří dodržovat předepsané regulační meze a stanovenou úroveň spojitého znaku jakosti sledovaného například v regulačním diagramu.“ Jedná se o bezrozměrné číslo sloužící k ohodnocení, zda a do jaké míry se daří dodržovat předepsané nebo očekávané meze a střední hodnotu znaku. Indexy jsou založeny na porovnání variability skutečného procesu s ideální představou, nebo předpisem a čím větší je hodnota indexu, tím je proces lepší. [7]

Index C_p

Index způsobilosti Cp vyjadřuje míru dodržování regulačních mezí procesu, neboli popisuje potenciál procesu, kterého lze dosáhnout, když se podaří proces vycentrovat přesně na střed tolerance. Hodnotí variabilitu procesu vzhledem k předepsaným mezím a není ovlivňován polohou procesu. Můžeme tento index dát do vzorce:

𝑪_𝒑 = 𝐇𝐓𝐌 − 𝐃𝐓𝐌

𝟔𝐬 (𝐬𝐦𝐞𝐫𝐨𝐝𝐚𝐭𝐧𝐚 𝐨𝐝𝐜𝐡𝐲𝐥𝐤𝐚)

(8)

Index Cpk

Tento index již přihlíží i k poloze procesu. Platí, že Cpk je nejvýše rovno Cp, tedy platí Cp

≥Cpk . Index je logicky přísnější než Cp. Vypočítá se následovně:

𝐂_𝐩𝐤 =𝐦𝐢𝐧 (𝐇𝐓𝐌 − 𝐱̅ ; 𝐱̅ − 𝑫𝑻𝑴) 𝟑𝐬

(9)

Indexy C_p a C_pk se mají vyhodnocovat a analyzovat vždy současně. Obecně se dá říci, že čím je index větší, tím je to lepší. Samozřejmě každá firma může mít mezní hodnoty indexů rozdílné a záleží na strategii či přísnosti vyhodnocení. Je také vhodné, aby byly indexy sjednoceny v rámci odběratele a dodavatele. [7]

45

3 Business Intelligence

Business Intelligence (dále BI) se v současné době řadí mezi nejperspektivnější oblast podnikové informatiky. Tuto perspektivu identifikují možnosti BI, mezi které patří podpora řídících, analytických, plánovacích a rozhodovacích aktivit manažerů a specialistů podniku za využití rozsáhlého spektra softwarových a databázových nástrojů. Aplikace BI tím značnou měrou přispívají k efektivnějšímu řízení podniku a využití podnikové informatiky. Současně tak BI napomáhá k vyšší konkurenceschopnosti podniku. [8]

Business Intelligence je podle Poura a kol. [8, s. 16] vymezeno následujícím způsobem:

„Business intelligence je sada procesů, know-how, aplikací

a technologií, jejichž cílem je účinně a účelně podporovat řídící aktivity ve firmě.

Podporují analytické, plánovací a rozhodovací činnosti organizací na všech úrovních a ve všech oblastech podnikového řízení, tj. prodeje, nákupu, marketingu, finančního řízení, controllingu, majetku, řízení lidských zdrojů, výroby a dalších.“ Následující podkapitoly shrnují základní princip BI a jejich nástrojů za předpokladu využití BI aplikací pro oblast výroby ve spojení s řízením kvality ve výrobním procesu.

3.1 Základní principy

Principy Business Intelligence jsou orientovány na analytické a plánovací funkce podnikové informatiky a tudíž se na úlohy BI definují mimo jiné i tyto nároky:

 zajistit sledování a hodnocení podnikových ukazatelů, mezi které patří např. suma tržeb, počet pracovníků, procento podílu zmetků na celkové výrobě, atd.,

 zajistit možnost analyzovat a hodnotit ukazatele z různých hledisek, resp.

kombinací různých dimenzí, např. počet reklamací daného výrobku na daném trhu, objem tržeb podle zboží atd.,

 zajistit vysokou podporu pro flexibilní rozhodovací a řídící aktivity vedoucích pracovníků podniků,

 zajistit možnost analyzovat vývoj podnikových ukazatelů a jejich výkyvů v čase v různých úrovních detailu.

46

3.1.1 Organizace dat

BI jakožto analytická aplikace nevytváří nebo nepořizuje nová data, ale využívá podniková data, která jsou již vytvořena v databázích transakčních aplikací. BI však tato data transformují pro potřeby analytických a plánovacích aktivit. Proto se databáze transakčních aplikací jeví pro BI jako databáze zdrojové. K transformaci těchto dat z transakčních databází slouží Extract, Transform, Load (ETL), nebo také tzv. datová pumpa, což je software, který zajišťuje výběr dat ze zdrojových databází a jejich následnou transformaci do jiných datových struktur a fyzické uložení dat do analytických databází. [8]

3.1.2 Dimenze

Dimenze charakterizuje dané hledisko pro hodnocení sledovaných ukazatelů. Dimenze je struktura dat či databázová tabulka, která obsahuje jednotlivé prvky dané dimenze. Může se jednat např. o dimenzi výrobky, kde prvky dané dimenze (jednotlivé výrobky) jsou uspořádány v hierarchické struktuře, tzn., že se dále rozdělují na kategorie zboží (obráběná kolečka, hřídele atd.), skupiny zboží (kolečko prvního stupně, druhá hnací hřídel) a na jednotlivé položky. Počet těchto hierarchických úrovní (skupin, podskupin) je dán podnikovými potřebami. [8]

3.2 Komponenty Business Intelligence

Následující podkapitoly obsahují charakteristiku jednotlivých komponent BI, jejichž uspořádání se však může signifikantně měnit podle situace a velikosti podniku. Rozsahově to znamená od těch nejjednodušších až po nejkomplexnější řešení a to jak technologicky, finančně i pracovně. Obecná architektura BI řešení je popsána na následujícím obrázku č. 18.