Taguciho metody. Řízení jakosti

Podobné dokumenty
Statistické řízení jakosti - regulace procesu měřením a srovnáváním

Tošenovský J. Katedra řízení jakosti, Fakulta metalurgie a materiálového inženýrství, VŠB-TU Ostrava, Česká republika

Regulační diagramy (RD)

ŘÍZENÍ JAKOSTI. Ing. Eva Šlaichová, Ph.D. Budova H 6. patro Tel.: Konzultační hodiny: ST 10:40 12:10 nebo dle dohody

Test z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY

Test z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY

VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA METALURGIE A MATERIÁLOVÉHO INŽENÝRSTVÍ KATEDRA KONTROLY A ŘÍZENÍ JAKOSTI

Statistické řízení jakosti. Deming: Klíč k jakosti je v pochopení variability procesu.

Střední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49. Výukový materiál zpracovaný v rámci projektu Výuka moderně

Národní informační středisko pro podporu kvality

Biostatistika Cvičení 7

Tématické okruhy pro státní závěrečné zkoušky. Navazující magisterské studium. studijní obor "Management jakosti"

Střední průmyslová škola strojnická Olomouc, tř. 17. listopadu 49. Výukový materiál zpracovaný v rámci projektu Výuka moderně

Náhodná veličina a rozdělení pravděpodobnosti

Různé metody manažerství kvality. Práce č.12: Výpočet PPM a způsobilost procesů

ZÁKLADNÍ NÁSTROJE ŘÍZENÍ JAKOSTI

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM

Tématické okruhy pro státní závěrečné zkoušky. Navazující magisterské studium. studijní obor "Management kvality"

Detailní porozumění podstatě měření

PRINCIPY ZABEZPEČENÍ KVALITY

k DUM 08. pdf ze šablony 1_šablona_automatizační_technika_I 03 tematický okruh sady: regulátor

Zápočtová práce STATISTIKA I

Sedm základních nástrojů řízení jakosti

Fyzikální praktikum I

zení jakosti Doc. Ing. Pavel Mach, CSc. katedra elektrotechnologie místnost 141

1 Analytické metody durace a konvexita aktiva (dluhopisu) $)*

5. Odhady parametrů. KGG/STG Zimní semestr

MATEMATIKA III V PŘÍKLADECH

Časové rezervy. Celková rezerva činnosti

Národní informační středisko pro podporu kvality

5. Jev B je částí jebu A. Co můžeme říct o podmíněné pravděpodobnosti? (1b)

Oběžný majetek. Peníze Materiál Nedokončená výroba Hotové výrobky Pohledávky Peníze. Plánování a normování materiálových zásob.

Použitý rezistor (jmenovitá hodnota): R1 = 270 kω je přesný metalizovaný rezistor s přesností ± 0,1%.

Národní informační středisko pro podporu kvality

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Tématické okruhy pro státní závěrečné zkoušky. magisterské studium

Fluktuace termodynamických veličin

LEKCE 5 STATISTICKÁ INFERENCE ANEB ZOBECŇOVÁNÍ VÝSLEDKŮ Z VÝBĚROVÉHO NA ZÁKLADNÍ SOUBOR

Rozdíl rizik zbytečného signálu v regulačním diagramu (I,MR) a (xbar,r)

PRAVDĚPODOBNOST A STATISTIKA

Odhady parametrů základního souboru. Cvičení 6 Statistické metody a zpracování dat 1 (podzim 2016) Brno, říjen listopad 2016 Ambrožová Klára

Metodické listy pro kombinované studium předmětu MANAGEMENT JAKOSTI Metodický list č. l

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ

X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní

Vzorová písemka č. 1 (rok 2015/2016) - řešení

Národní informační středisko pro podporu jakosti

Sigma Metric: yes or no?

Úvod do problematiky měření

SW podpora při řešení projektů s aplikací statistických metod

Aplikace při posuzování inv. projektů

Pravděpodobnost a matematická statistika

Regulační diagramy (Control charts, Shewhart s diagrams)

SPECIFIKACE KVALITY NÁPRAVNÁ A PREVENTIVNÍ OPATŘENÍ ING. PETRA ŠOTOLOVÁ

tazatel Průměr ve Počet respondentů Rozptyl ve

4. ZÁKLADNÍ TYPY ROZDĚLENÍ PRAVDĚPODOBNOSTI DISKRÉTNÍ NÁHODNÉ VELIČINY

III. STRUKTURA A VLASTNOSTI PLYNŮ

Náhodné (statistické) chyby přímých měření

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

ÚSTAV MATEMATIKY A DESKRIPTIVNÍ GEOMETRIE. Matematika 0A4. Cvičení, letní semestr DOMÁCÍ ÚLOHY. Jan Šafařík

Inferenční statistika - úvod. z-skóry normální rozdělení pravděpodobnost rozdělení výběrových průměrů

Řešení. Označme po řadě F (z) Odtud plyne, že

Někdy lze výsledek pokusu popsat jediným číslem, které označíme X (nebo jiným velkým písmenem). Hodíme dvěma kostkami jaký padl součet?

Koncepce řízení jakosti

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica

Charakteristika datového souboru

Cvičná bakalářská zkouška, 1. varianta

PRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA)

Statistika pro geografy

Vybrané praktické aplikace statistické regulace procesu

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ

Téma 1: Spolehlivost a bezpečnost stavebních nosných konstrukcí

1. Základy teorie přenosu informací

Tématické okruhy pro státní závěrečné zkoušky. bakalářské studium. studijní obor "Management jakosti"

Fyzikální korespondenční seminář MFF UK

Určete zákon rozložení náhodné veličiny, která značí součet ok při hodu a) jednou kostkou, b) dvěma kostkami, c) třemi kostkami.

1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.

Úvod do inženýrské geodézie

Náhodný pokus Náhodným pokusem (stručněji pokusem) rozumíme každé uskutečnění určitého systému podmínek resp. pravidel.

Téma 3 Metoda LHS, programový systém Atena-Sara-Freet

Číselné charakteristiky

Statistická analýza jednorozměrných dat

Výukový materiál zpracovaný v rámci projektu Výuka moderně

Environmentální management

Zápočtová písemka z Matematiky III (BA04) skupina A

LINEÁRNÍ REGRESE Komentované řešení pomocí programu Statistica

Osnova přednášky. Univerzita Jana Evangelisty Purkyně Základy automatizace Kvalita regulačního pochodu

Téma 22. Ondřej Nývlt

Ukázka závěrečného testu

Inovace bakalářského studijního oboru Aplikovaná chemie

Induktivní statistika. z-skóry pravděpodobnost

Národní informační středisko pro podporu kvality

Předpoklad o normalitě rozdělení je zamítnut, protože hodnota testovacího kritéria χ exp je vyšší než tabulkový 2

Půjčka 200,000 Kč Úrok 6% Rok

dx se nazývá diferenciál funkce f ( x )

VYUŽITÍ MATLAB WEB SERVERU PRO INTERNETOVOU VÝUKU ANALÝZY DAT A ŘÍZENÍ JAKOSTI

Simulace. Simulace dat. Parametry

Ekonomické aspekty statistické regulace pro vysoce způsobilé procesy. Kateřina Brodecká

7. Rozdělení pravděpodobnosti ve statistice

Transkript:

Taguciho metody Řízení jakosti

Genichi Taguchi (*194) Japonský inženýr, který se snažil najít cestu ke zlepšení kvality ve svém podniku vytvořením vlastních postupů. Pomocí tzv. ztrátové funkci vyjádřil náklady na nekvalitu. ŘÍZENÍ JAKOSTI..01

Taguciho nový přístup ke kvalitě Podle Taguchiho nejsou výrobky, které se pohybují v mezích tolerance, stejně kvalitní a bezeztrátové. Jakákoli odchylka od T je projevem nekvality a přináší odběrateli finanční ztráty. Ty jsou tím větší, čím větší je odchylka od T. Taguchi nazývá tuto ztrátu ztrátou za nekvalitu v rámci tolerance. Toto je zcela nový pohled na kvalitu a nekvalitu.

Předpoklady U každého výrobku je sledována určitá char. (rozměr, váha ), podle které posuzujeme jeho kvalitu Tato char. má stanovenou opt. hodnotu T Nekvalita se projevuje odchylkami od T Jakákoliv odchylka od T představuje určitou ztrátu, která se projeví u odběratele zvýšenými náklady na provoz, údržbu, ekologii apod.

Zadání příkladu č. 1 Nakreslete, popište a sestavte Taguciho ztrátovou funkci, pokud je ztráta při překročení tolerance 5 000,- Kč. Parametry výrobního procesu jsou: LSL = 150 USL = 00 T = 175 σ= 4 ŘÍZENÍ JAKOSTI 8..01

L(Y) ztráta L(y) = k.(y-t) A = k.d A k = A/d T-d T T+d Y d tolerance A ztráta, kterou přinese překročení tolerance T cílová hodnota L(y) ztráta způsobená odchylkou od T k konstanta Y-skutečně dosažená úroveň sledovaného parametru kvality UCL horní hranice LCL dolní hranice ČÍM VÍC SE ODCHYLUJEME (NAPRAVO ČI NALEVO) OD CÍLOVÉ HODNOTY, TÍM VĚTŠÍ JE ZTRÁTA Podle teorie pravděpodobnosti je Y náhodná proměnná, která má v zavedené výrobě obvykle normální rozdělení. Může mít ale i jiný typ rozdělení, např. rovnoměrné. To, jak jsou rozděleny hodnoty ztrátové funkce, významně ovlivňuje ztrátu u odběratele L(Y).

Definiční rovnice L(y) = k.(y T) Řešení příkladu č. 1 L(y) = A/d.(Y-T) Rovnice pro výpočet konstanty k (známe A a d) A = k.d 5 000 = k. 5 k = 8 Taguciho ztrátová funkce pro tento příklad: L(y) = 8.(Y-175)

Zadání příkladu Za použití Taguciho standardizované funkce vypočítej ztrátu z nedodržení cílové hodnoty při parametrech: LSL = 150 USL = 00 T = 175 A = 5000 Y = 05 ŘÍZENÍ JAKOSTI

Standardizovaná ztrátová funkce Z důvodu odstranění konstanty k, lze upravit vzorec na standardizovaný tvar Konstanta A = 1 Pro Y = LSL SL(Y) = 1 Pro Y = USL SL(Y) = 1 SL( y) = x Y T USL LSL ( )

Řešení příkladu č. SL( y) = x Y T USL LSL ( ) SL(y) = 1,44 Pro Y>USL SL(Y) > 1 Byla překročena hranice tolerance USL, ztrátaz nedodržení cílové hodnoty je 5000 Kč.

Výpočet nákladů na nekvalitu Použití Taguchiho metod nevyžaduje splnění normality dat, ztráty za nekvalitu vyjadřuje navíc také finančně. Bylo vytvořeno velké množství různých aplikací: - pro kontrolu 100% výrobků, - pro kontrolu po n-výrobcích, - pro měření nákladů na jakost atributů. ŘÍZENÍ JAKOSTI..01

Kontrola všech výrobků L Q = + R A d s 0 L Celkové náklady na jakost na 1 ks Q (roční) náklady na 100 % kontrolu R (roční) produkce v kusech d funkční tolerance A ztráta při překročení tolerance d

Zadání příkladu č. 3 Náklady na 100 % automatickou kontrolu jsou 5 000 Kč ročně. Roční produkce činí 4 000 000 kusů, tolerance je 9 a její překročení stojí 5 Kč. Určete celkové náklady na jakost.

Řešení příkladu 1

L Kontrola po n-výrobcích B C A D A D n + 1 A = + +. +.. z. + + n u 3 u d d d A ztráta při překročení tolerance d B cena kontroly (jednoho) výrobku C cena opravy stroje (linky) n kontrolní interval u prům. počet výrobků mezi opravami d funkční tolerance D výrobní tolerance z počet výrobků zhotovených během kontroly (z=n/60*doba kontroly) s m

B C A D 1. A D.. n + + + + z A. + + s m n u 3 u d d d Cena kontroly za kus Cena opravy za kus Ztráty způsobené nepřesností výroby Ztráty za zmetky Ztráty způsobené nepřesností měření

Optimální hodnoty n. u. B A * 0 =. d D 0 Optimální kontrolní interval D 3. C.. * 4 0 = D u A. 0 d Optimální výrobní tolerance

Průměrný počet výrobků mezi dvěma poruchami (opravami) * u D. u = 0 D 0

Náklady na jakost při optimálních parametrech n * a D * L * * * B C A D A D n + 1 A = + +. +.. + z +. * u 3 u n d d d s m Jak často kontrolovat? S jakou přesností kontrolovat?

Snižování nákladů na jakost Nedá se obecně říci, jaké hodnoty parametrů jsou optimální: Např. snižováním B (cena kontroly) nemusí být přínosem Stejně tak prodloužení kontrolního intervalu a tedy snížení počtu kontrol, nevede automaticky k úsporám Rozhodující jsou celkové náklady na jakost!

Snižování nákladů na jakost A (ztráta při překročení tolerance), u (prům. počet výrobků mezi opravami) lze ovlivnit v přímé výrobě B (cena kontroly), z (počet výrobků zhotovených během kontroly), s m (nepřesnost měření) lze ovlivnit v procesu kontroly C (cena opravy) lze ovlivnit v průběhu oprav

Neměřitelné charakteristiky kvality Tzv. atribut Např. kontrola montáže čalounění do automobilů, lepení etiket na láhve atp. L B C n + 1 A z. A = + +. + n u u u

Zadání příkladu 4 S užitím Taguciho metod vypočítejte optimální kontrolní interval při těchto parametrech: cena za zmetek (A) = 5 Kč, cena kontroly (B) je 5 Kč, cena opravy (C) = 800 Kč, počet vyrobených jednotek označených jako vadných běhemkontroly (z) = 50 ks, kontrolní interval (n)= 1000 ks, průměrný interval mezi poruchami (u) = 10 000 ks. ŘÍZENÍ JAKOSTI n ( ) *. u + z. B = A C / u

Řešení příkladu č. 4 Jedná se o neměřitelné charakteristiky kvality, není stanovena d a D. n ( ) *. u + z. B = A C / u n = (10000 + 50) * 5 800 5 10000 30 Optimální kontrolní interval je po 30 ks A ztráta při překročení tolerance d B cena kontroly (jednoho) výrobku C cena opravy stroje (linky) n kontrolní interval u prům. počet výrobků mezi opravami z počet výrobků zhotovených během kontroly (z=n/60*doba kontroly)

Použitá literatura: Moderní management jakosti Nenadál, J. a spol. Management kvality, environmentu a bezpečnosti práce - Veber, J. a kol. Statistické metody pro zlepšování jakosti Tošenovský, J. Měření v systémech managementu jakosti Nenadál, J. Statistická regulace - Horálek V.