Erottele kohina I-mr -kuvaajalla 

Erottele kohina I-mr -kuvaajalla – Videoapu kuinka tehdä I-mr -kortti Minitabilla

Ohjauskortit ovat keino ymmärtää prosessin tai minkä tahansa kiinnostavan ilmiön käyttäytymistä. Niissä sovellettava tilastollisen ohjauksen teoria jakaa luvuissa ja tapahtumissa havaittavan vaihtelun stabiiliin ja epästabiiliin tilaan laskettavien ohjausrajojen rajojen avulla. Tyypillisiä käyttökohteita ovat laadunvalvonta, laadunohjaus ja analyyttinen prosessien tutkimus.

Prosessin omistajaa tyypillisesti kiinnostaa pitää prosessinsa ennustettavassa ja stabiilissa tilassa niin, että sen käyttäytyminen on ennustettavaa. Eli asiat pysyisivät samanlaisena huomenna, kuten ne olivat tänään, eli kuvan 1 vihreällä alueella. Helposti päätöksiä tehdään kuitenkin vertailemalla tulosta vaatimuksiin, joka voi johtaa ongelmiin.

Kun tarkastellaan mitä tahansa numeroiden tai havaintojen joukkoa, havaitaan vaihtelua. Arvot tai havainnoit poikkeavat toisistaan ajan hetkestä toiseen. Koska pienempää vaihtelua tai pienempää virheiden määrää arvostetaan, on luontaista että ihminen tutkii näiden havaintojen eroja löytääkseen syitä tulevaisuuden parantamiseksi.

Kaikissa tämänkaltaisissa analyyseissä on kuitenkin aina mahdollisuus kahden tyyppisille virheille.

Voimme tehdä tyypin 1 virheen, jossa toteamme, että poikkeama on jollain tavalla erityinen ja selitämme satunnaista vaihtelua erityisenä. Tämä johtaa tyypillisesti ylisäätämiseen ja vaihtelun lisääntymiseen, vaikka tarkoitus on ollut päinvastainen.

Toisaalta voimme tehdä tyypin 2 virheen, jossa toteamme, että poikkeama on satunnainen, eikä se vaadi tarkempaa tutkimusta. Eli emme opi, kun meillä olisi informaatiota saatavilla. Tämä virhe johtaa yleensä aliohjaukseen ja epästabiilisuuden kasvuun, kun erityissyiden vaikutusta ei huomioida.

Tarkastellessa lukuja ja havaintoja voimme helposti minimoida toisen virheen ja samalla maksimoimme toisen. Jos haluamme minimoimme tyypin 1 virheen päätämme, että emme koskaan selitä vaihtelua erityiseksi, jolloin kaikki on satunnaista ja näin maksimoimme tyypin  2 virheen, emmekä koskaan opi mistään ja ajaudumme ongelmiin.

Toisaalta, voimme myös minimoida virheen 2 ja päättää, että emme koskaan selitä vaihtelua satunnaiseksi, jolloin maksimoimme virheen 1 mahdollisuuden. Näin kaikki on meille erityistä ja jokaiselle muutokselle on olemassa selitys. Taas ajaudumme ongelmiin, mutta eri kautta.

Koska nämä äärilaidat eivät ole kovin järkeviä tapoja toimia, tarvitaan päätöksenteolle kompromissi. Walter Shewhart huomasi aikanaan, että kolmen sigman etäisyys keskiarvosta toimi käytännössä hyvänä kompromissina näiden kahden virhetyypin tasapainottamisessa kun tarkastellaan poikkeavia havaintoja.

Hän huomasi, että kun ohjausrajat asetetaan kolmen sigman etäisyydelle keskiarvosta, teemme silloin tällöin tyypin 1 ja tyypin 2 virheet, mutta kumpiakin kohtuullisen vähän. Näin voimme ohjata prosessia energian käytön kannalta ekonomisesti ja voimme kohdistaa analyysit oikeisiin paikkoihin, toki ymmärtäen, että aika-ajoin saatamme tutkia virheellisiä signaaleja. Löydös ei perustunut mihinkään todennäköisyyksien korkeaan matematiikkaan, näin vain näytti käytännössä olevan.

Ohjauskorttien keskeinen tarkoitus on prosessien käyttäytymisen ymmärtäminen ja ohjauksen kehittäminen. Miten voisimme saavuttaa stabiilin ohjauksen tilan pienimmällä vaivalla ja siten saada kaikki hyöty irti nykyisestä prosessista.

Tarkoitus on löytää ne hetket, joissa on erityisiä muutoksia ja ymmärtää milloin itse prosessi tarvitsee muutoksia. Tässä ajatuksessa satunnaisvaihtelu syntyy useiden tekijöiden keskinäisestä vaikutuksesta, eikä näitä syitä ole itse vaihtelusta eroteltavissa, koska vaihtelu on satunnaista, ennustettavaa. Kohinaa, joka on muodoltaan aina samankaltaista. Tätä kohinan muotoa ei voi selittää yksittäisillä poikkeamilla, vaan sen muuttamiseen tarvitaan prosessin muutoksia. 

Kun havaitaan erityinen syy, on se jollain tavalla poikkeama tähän satunnaisten syiden muodostamaan ennustettavuuteen. Merkittävästi vaikuttava tekijä on prosessissa muuttunut tasoltaan tai jokin uusi merkittävä tekijä on päässyt vaikuttamaan saaden aikaan suuren muutoksen keskiarvossa tai vaihtelussa. Tämänkaltainen erityissyy on tietenkin mielenkiintoinen ja tutkittava asia, mikäli sen vaikutus voidaan tulevaisuudessa poistaa, jolloin prosessin ennustettavuus paranee ja vaihtelu pienenee.

Näiden tilanteiden erottamiseen tarvitaan rationaalisesti määritetyt rajat, joihin tuloksia tulee verrata.

Näitä kolmen sigman rajoja ei kuitenkaan lasketa suoraan kertomalla lukujoukon keskihajonta (sigma) kolmella, koska erityissyyvaihtelu datassa saa näin aikaan turhan leveät rajat ja signaalien hukkumisen. Tästä syystä on kehitetty omat tapansa rajojen laskentaan, kuten I-mr-kortin käyttämä tapa arvioida keskihajontaa pisteiden välisten keskimääräisen etäisyyden avulla.

Tämänkertaisessa Minitab videossa tarkastellaan I-mr kortin luomista Minitab-tilasto-ohjelmistolla, oman asteikon asettamista kuvaan, sekä vakiorajojen käyttöä ja kuvaajan pilkkomista prosessiin tehtyjen muutosten mukaan.

Katso YouTube-video: https://youtu.be/Of_du35MWh4

Et ole hyväksynyt markkinoinnin evästeitä nähdäksesi videon.

Muuta evästeasetuksia