فهرست بستن

مبانی کنترل فرآیند در تولید نساجی بخش دوم

ادامه مبانی کنترل فرآیند در تولید نساجی بخش اول

1.4 کنترل فرآیند تولید.

مسائل پیچیده تر در کلینیک های با کیفیت حل می شود. هدف از اینها، اطمینان از انجام اقدامات اصلاحی بادوام و بی اشتباه است. از جمله ابزارهای مورد استفاده در کلینیک های با کیفیت، تحلیل علل ریشه ای است. فرآیندهایی که بیشترین تأثیر را بر کیفیت دارند، شناسایی و به تفصیل مورد مطالعه قرار می‌گیرند تا ارزیابی شود که چگونه می‌توان آنها را ارتقا داد. پس از اجرا، فرآیند تجدید نظر شده آزمایش می شود. سپس تیم کنترل کیفیت با انتخاب نمونه ها طبق یک طرح استاندارد، بازرسی نهایی را انجام خواهد داد.

برگه بررسی، ابزاری برای کمک به جمع‌آوری داده‌ها به شیوه‌ای کارآمد و سازمان‌یافته است. داده ها به منظور ساده کردن کار تجزیه و تحلیل طبقه بندی می شوند.  داده ها با افزودن علامت بررسی (چک مارک)، جمع آوری و مرتب می شوند. یک مثال ساده در جدول 1.1 آورده شده است. نمودارهای کنترلی برای نظارت بر فرآیندها با کمک معیارهایی مانند میانگین های حسابی و دامنه های دیگر استفاده می شوند. نمودارهای کنترل حدود بالاتر و پایین تر از میانگین را اندازه گیری می کنند. به این حدود کنترلی بالا و پایین می‌گویند. این نمودارهای کنترلی ، اطلاعات زمان واقعی را در مورد فرآیند ارائه می دهند و در تشخیص و پیش بینی تغییرات در هنگام استفاده با SPC بسیار مفید هستند. یک نمودار کنترل معمولی از یک خط مرکزی و دو حد کنترل (بالا و پایین) تشکیل شده است. حدود کنترل معمولاً در±3s از این آماره قرار دارند و خط مرکزی به سطح میانگین ​​فرآیند کنترل شده آماری اشاره دارد. نمودار(حد) X bar و R  رایج ترین نمودارها برای نظارت بر تغییرات و اندازه گیری ویژگی های کیفیت متغیر هستند. اگر تغییر خاصی در فرآیند مشاهده شود، لازم است یک علت معین برای این تغییر شناسایی شود.

1.5    نمودار X bar و محدوده (R)

اگر مشاهدات نوسانات خارج از محدوده کنترل را نشان دهد، فرآیند به عنوان خارج از کنترل تعریف می شود و علل معین باید حذف شوند تا دوباره تحت کنترل قرار گیرند. با این حال، ممکن است فرآیندی، حتی اگر تمام نقاط مشاهده شده در محدوده کنترل باشند ، خارج از کنترل تعریف شود. (مونتگومری، 1996). این زمانی اتفاق می افتد که یک الگوی غیر طبیعی نمایش داده شود. سرنخ هایی از این الگوی مشاهده  شده، اطلاعاتی را در مورد فرآیند در اختیار کاربر قرار می دهد و به از بین بردن علل تغییرات کمک می کند.

در شکل 1.5، نمودار X و R مشاهدات ثبت شده در فواصل زمانی مختلف برای ارتفاع لحیم کاری را نشان می دهد. حد مرکزی (CL)، حد کنترل بالایی (UCL) و پایینی (LCL) با توجه به الزامات فرآیند تنظیم می شود. در نمودار R، همه مشاهدات در محدوده کنترل هستند، در حالی که در نمودار X، مشاهداتی که با (*) مشخص شده اند، زیر LCL هستند، که نشان دهنده یک فرآیند خارج از کنترل است. این نشان می دهد که میانگین فرآیند تحت تأثیر برخی عوامل خارجی است و اقدامات اصلاحی برای حذف علت ها مورد نیاز است.

نمودار میله ای یک ابزار نمایش بصری است که در آن اندازه نسبی داده های اندازه گیری شده با ارتفاع میله ها نمایش داده می شود. نوارها برای نشان دادن جایی که داده ها پیوسته نیستند، از هم جدا شده اند. نمودار میله ای به مقایسه انواع مختلف داده ها کمک می کند. نمودار پراکندگی ، یک نمایش گرافیکی از داده ها را ارائه می دهد. تغییرات یک متغیر را بین یک حالت و حالت دیگر نشان می دهد.

1.6 هیستوگرام به عنوان ابزاری برای تجزیه و تحلیل فرآیند.

این متغیرها در زوایای قائم با یکدیگر رسم می شوند و علائم پراکندگی بر این اساس ایجاد می شوند. این ابزار نشان می دهد که چگونه دو متغیر به هم مرتبط هستند، چگونه یک متغیر در صورت تغییر متغیر دیگر تغییر می کند و آیا رابطه ای بین آنها وجود دارد.بسته به محدوده داده های موجود می توان پیش بینی های زیادی انجام داد.

یک هیستوگرام احتمال وقوع یک مقدار خاص را نشان می دهد. در اینجا، داده ها در سلول ها گروه بندی می شوند و فرکانس نسبی در نوار نشان داده می شود. شکل 1.6 یک هیستوگرام را نشان می دهد که فرکانس (f) و زمان (t) (یا هر پارامتر دیگری) را به ترتیب در محورهای عمودی و افقی در نظر می گیرد. برای ارزیابی مقادیر زیاد داده با دامنه وسیع استفاده می شود.

1.3 . کنترل فرآیند آماری (SPC) و فرآیندهای بهبود تکنیک‌های آماری را می‌توان برای داده‌ها در سطوح مختلف سازمان‌ها به کار برد تا تشخیص داد که یک فرآیند چه زمانی رفتار غیرعادی دارد. علاوه بر این، هر سازمان دارای فرآیندها و متغیرهای متعددی است که می تواند بر نتایج محصول و خدمات مانند کیفیت، بهره وری و غیره تأثیر بگذارد. از این رو، همیشه زمینه ای برای بهبود وجود دارد. از آنجایی که بهبود فرآیندی مداوم است ، نیازمند تلاش های اساسی برای دستیابی به نتایج بهتر است.

مشروح بحث به شرح زیر است.

1.3.1. SPC

SPC یک جعبه ابزار برای مدیریت فرآیندها است. این روشی برای کنترل فرآیندهای تولید است تا اطمینان حاصل شود که خروجی ها با مشخصات مطابقت دارند.

یک فرآیند ممکن است به دلایل مختلفی از کنترل خارج شود، که ممکن است شامل تغییر در مواد و ماشین آلات، تغییر در پارامترهای فرآیند، یا ممکن است به دلیل برخی تغییرات شانسی باشد. فرآیندی که از کنترل خارج می شود، باعث نگرانی است و باید اقدامات فوری برای شناسایی علل انجام شود. SPC ابزار تجزیه و تحلیل چنین فرآیندی را فراهم می کند. SPC اولین بار در دهه 1940 در ایالات متحده آمریکا توسعه یافت.

در ابتدا، تا حد زیادی نادیده گرفته شد تا اینکه ژاپنی ها (که توسط دبلیو. ادواردز دمینگ در سال 1950 به SPC معرفی شدند) تلاش ملی برای بهبود کیفیت و بهره وری تولید را آغاز کردند (Ishikawa، 1985). در SPC، تصمیمات بر اساس اطلاعات یک فرآیند خاص در یک سیستم ثبت داده اتخاذ می شود. SPC دارای ابزارهای مختلفی مانند نمودارهای کنترل، هیستوگرام و برگه های بررسی است که برای ثبت و تجزیه و تحلیل داده ها استفاده می شود.

SPC تلاش می کند تا متغیرهای حیاتی در هر دنباله ای از یک فرآیند تولید و همبستگی آنها قابل درک شود. از طریق نمونه گیری آماری و آزمایش، این روابط متقابل ممکن است فهمیده شود و در نتیجه قابل کنترل شوند (بوش، 1988). در کارخانه‌های ژاپنی، کارگران هنگام حرکت در فرآیندهای تولید با استفاده از نمودارهای کنترل، قطعات را نمونه‌برداری می‌کنند.در صورت مشاهده هرگونه انحراف از مشخصات، مجدداً تنظیم می شود. بنابراین تمام محصولات نهایی دارای مشخصات هستند. کشف محل انحرافات، حدود رواداری و قابلیت های فرآیندها را بهبود می بخشد و بهبود مستمر کیفیت و کارایی محصول را افزایش می دهد.

در درک و اجرای موفقیت آمیز SPC در محیط کار، مسائل فرهنگی مختلفی می تواند وجود داشته باشد. به عنوان مثال، کارخانه ها به ویژه، در ابعاد فنی، ساختاری، فرهنگی و سیاسی  تقسیم می شوند. کار نیز شدیدا تقسیم بندی شده است و تمایل به رسیدگی به هر مشکل به صورت جداگانه وجود دارد. با این حال، SPC رویکردی کل نگر دارد و نیازمند تفکر و کار چند متغیره است.

هوش مصنوعی (AI) پتانسیل زیادی در یک سیستم خودکار SPC دارد (مدسکر، 1995). در این سیستم،  کنترل و تشخیص به ترتیب توسط شبکه های عصبی و سیستم های کارآمد انجام می شود. شبکه های عصبی برای تشخیص الگوی نمودار کنترل و سیستم های کارآمد برای نظارت بر تغییرات در فرآیند استفاده می شوند. سیستم کارآمد حاوی دانش ویژه فرآیند است که به آن امکان می‌دهد یک فرآیند خارج از کنترل را تشخیص دهد و اقدامات اصلاحی را پیشنهاد دهد. سیستم های کارآمد مانند IntelliSPC با ترکیب فناوری شبیه سازی کیفیت-هزینه، قادر به نظارت و پیش بینی هزینه ها در طول زمان بوده اند (کو و هوانگ، 1997؛ گو و همکاران، 1999).

ثبات در کیفیت و استفاده از ماشین در سیستم تولید انعطاف پذیر (FMS) بسیار اهمیت دارد. FMS را می توان با شبکه های Petri مدل سازی کرد. با این حال، این مدل ها فاقد عملکرد SPC هستند و بنابراین یک FMS کامل را ممکن نمی کنند. برای غلبه بر این، از مدل SPC مبتنی بر شبکه Petri استفاده می‌شود که در آن داده‌های اندازه‌گیری شده از ماشین‌های بازرسی و داده‌های حسگر از دستگاه‌ها استفاده می‌شود. علت / معلولِ عیوب و کیفیت محصول را می توان با مدل SPC مبتنی بر شبکه Petri تجزیه و تحلیل کرد و تشخیص  به راحتی می تواند در مدل ادغام گردد.

1.7 اهداف طوفان فکری و طبقه بندی های بعدی آنها.

1.3.2. بهبود فرآیندها

ممکن است یک فرآیند طوفان فکری (BS) برای بحث در مورد برنامه های بهبود یک فرآیند ، فراخوان شود. به خلاصه کردن مسئله، توسط نقشه های فرآیند، کمک می شود. فرآیند BS بدون هیچ انتقاد یا مقایسه ای انجام می شود و همه ایده ها برای تجزیه و تحلیل بیشتر ثبت می شوند. BS یک ابزار موثر برای باز کردن افق تفکر و تمرکز روی یک مشکل برای تولید ایده می باشد که ممکن است برای بهبود فرآیند مورد استفاده قرار گیرد. همچنین می توان از ابزار علت و معلولی استفاده کرد. تعداد زیادی ایده تولید می شود که ممکن است در موقعیت های متعدد مورد استفاده قرار گیرد. برخی از اهداف BS و طبقه بندی آنها در شکل 1.7 ارائه شده است.

تجزیه و تحلیل پارتو می تواند برای تجزیه و تحلیل ایده های تولید شده توسط BS استفاده شود. عللی که بیشترین تأثیر را دارند از طریق تجزیه و تحلیل شناسایی می شوند. این تجزیه و تحلیل به طور معمول نشان می دهد که 80٪ از اثر مربوط به 20٪ از علل است و بنابراین به عنوان قانون 80/20 شناخته می شود.

تجزیه و تحلیل پارتو برای بررسی سهم نسبی نقائص/ علل مختلف که منجر به رد شدن می گردد، استفاده می شود. فراوانی نسبی دسته های مختلف عیوب با استفاده از نمودار پارتو رتبه بندی می شود. سپس تیم کنترل کیفیت می تواند سهم عیوب مختلف را ارزیابی کرده و بر این اساس برای رفع آنها اولویت بندی کند. شکل 1.8 استفاده از تحلیل پارتو را برای تجزیه و تحلیل عیوب در یک برد مدار چاپی مربوط به لحیم کاری نشان می دهد. از شکل 1.8 مشخص است که سوراخ پین نقص اصلی است و به دنبال آن نقص مفصل باز و غیره است. اقدامات اصلاحی ممکن است بر این اساس اولویت بندی شوند.

1.8 نمودار پارتو که فراوانی عیوب را نشان می دهد.

1.4. روندهای آینده

SPC به یکی از پرکاربردترین ابزارها برای حفظ سطوح قابل قبول و پایدار کیفیت در تولید مدرن تبدیل شده است. محیط تولید مدرن بر تولید یکپارچه رایانه ای متمرکز است و چالش ها بر توسعه الگوریتم های رایانه ای پیشرفته و کنترل های فرآیند برای اجرای خودکار وظایف SPC نهفته است.

در حال حاضر، تمرکز بر روی روش‌های کنترل فرآیند واحد مانند run-2-run (R2R)، توسعه و انتقال فرآیند واحد و بهبود روش‌ها برای اطمینان از عملکرد و قابلیت اطمینان اجزا می باشد. پتانسیل قابل توجهی در ساخت سیستم های مرتبط با سلامت شناسایی شده است و سیستم های مختلف نظارت بر سلامت توسعه یافته و یا در مراحل توسعه هستند.

کار زیادی روی روند پیش بینی  و بهبود پارامترهای محصول و عملکرد، انجام می شود. روش های جدید که به بهبود فرآیند کمک می کند، مانند مترولوژی مجازی توسعه یافته است که شامل بهبود چگالی کنترل و کاهش عملیات اندازه گیری می باشد. مدل‌هایی برای تجسم و تجزیه و تحلیل داده‌ها در حال پیشرفت هستند و هنوز مدل‌های مؤثرتری مرتبط با بهبود فرآیند توسعه می یابند.

دنیای تولید مدرن خواستار روش‌های جامع و دقیق‌تر برای برآوردن انتظارات صنعتی است. روش های پیشرفته کنترل فرآیند همیشه در برنامه های مختلف ضروری است. بنابراین روش های پیچیده تری برای تشخیص عیب توسط محققان در حال توسعه است. پیاده سازی سنسور و ادغام با ماشین های کنترل عددی به سرعت در حال توسعه است. سرمایه گذاری در فناوری حسگر که اطلاعات بلادرنگ را برای تولید یکپارچه کامپیوتری مدرن ارائه می دهد در حال افزایش است و تحقیقات بیشتری برای برآورده کردن نیازهای صنایع در سراسر جهان در حال انجام است.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *