СЕМЬ ЯПОНСКИХ ИНСТРУМЕНТОВ КОНТРОЛЯКАЧЕСТВА

СТАТИСТИЧЕСКИЕ МЕТОДЫ КОНТРОЛЯ И РЕГУЛИРОВАНИЯ

Статистический контроль качества зародился в 30-х годах прошлого столетия в связи с промышленным применением контрольных карт¹, изобретенных доктором У. А. Шухартом. Родиной современной статистики можно считать Великобри- танию, о чем свидетельствует принятие в 1935 г. британских стандартов серии 600, основанных на статистическом анализе Э. С. Пирсона.

В промышленности статистические методы контроля ка- чества применяются уже не первый десяток лет. Вместе с тем нельзя сказать, что эти методы стали неотъемлемой, органи- ческой частью работ по улучшению качества, повседневным инструментом выявления причин ошибок при изготовлении продукции. Так в чем же дело? А дело в том, что предлага- лись слишком сложные методы, рассчитанные только на ин- женерно-технических работников, использовался математи- ческий язык, трудный для понимания простыми людьми. В результате люди стали относиться к статистическим методам контроля качества как к чему-то непомерно трудному и даже у некоторой части специалистов сложилось представление о том, что эти методы стали чем-то давноотжившим.

Кардинальные перемены наступили после того как в Япо- нии после 50-х годов прошлого столетия поняли, что незави- симо от того, насколько хороши британские, американские или другие методы, их нельзя импортировать в Японию в том виде, как они есть; что для того, чтобы добиться успехов, нужно создавать свои методы. Всемирно известный японский специалист в области управления качеством Каоро Исикава считал: ”мы предлагали людям слишком сложные методы, тог-

1 Контрольная карта – это карта, на которой для наглядности отображения состояния технологического процесса отмечаются значения соответствую- щей выборочной характеристики смежных выборок во временной после- довательности.

да как на том этапе хватило бы и простых”. Японцы адапти- ровали к реальным условиям простые статистические методы, почерпнутые из литературы, обучили этим методам в специ- ально созданных кружках качества весь персонал фирм начи- ная от руководителей и заканчивая производственными рабо- чими, всячески поощряли решение конкретных проблем, воз- никающих на рабочем месте, либо самостоятельно, либо с помощью других рабочих этими методами.

В Японии в 50-х годах были даже учреждены две премии Деминга²: для отдельного лица и предприятия. Премия Де- минга для отдельного лица присуждалась одному или нес- кольким лицам, которые способствовали распространению и развитию теоретических принципов статистических методов контроля качества. Существует несколько различных катего- рий премии предприятию, но в первую очередь это премия, присуждаемая фирме, которая в данном году добилась исклю- чительно больших успехов в области применения статисти- ческих методов контроля качества. Эти премии являются вы- сочайшими наградами в Японии, относящимися к статисти- ческому контролю качества и комплексному управлению ка- чеством.

Внимательное рассмотрение японской практики свиде- тельствует о том, что широкое внедрение автоматизирован- ных производственных процессов, робототехники, гибких ав- томатизированных комплексов в принципе невозможно без использования статистических методов контроля качества. Актуальность этих методов контроля качества не только утра- чена, но стала еще более злободневной, еще более необходи- мой для современного производства.

Результат не заставил себя долго ждать. Уже к концу 70-х годов прошлого столетия Япония стала мировым лидером по качеству таких товаров массового спроса, как автомобили, те- левизоры, копировальная, фото- и кинотехника, интегральные

2 Доктор У.Э. Деминг из США - общепризнанный авторитет в области выборочного контроля – приобщил Японию к управлению качеством.

схемы, бытовая электроника. Японские товары и сейчас про- должают теснить на мировых рынках американские товары и товары заподноевропейских стран.

В настоящее время по степени трудности статистические методы можно подразделить на следующие три категории:

I. Элементарные статистические методы (семь японских инструментов контроля качества);

II. Промежуточные статистическиеметоды;

III. Передовые статистическиеметоды.

Без овладения семью простыми методами применение бо- лее сложных методов не представляется возможным.

СЕМЬ ЯПОНСКИХ ИНСТРУМЕНТОВ КОНТРОЛЯКАЧЕСТВА

Все вышеизложенные методы должны применятся всеми без ислючения – от главы формы до простого рабочего. Ими

моут пользоваться не только в производственном отделе, но и в таких отделах, как отделы планирования, маркетинга, мате- иально-технического снабжения и технологии. Рабочие долж- ны мыслить статистическими категориями, знать о разбросе данных и применять их при определении статистической оценки, принимать решения о проведении необходимых меро- приятий и определять действенные статистические критерии.

3.1 .Контрольныйлисток

Контрольный листок (или лист) – инструмент для сбора данныхи автоматического их упорядочения для облегчения дальнейшего использования собранной информации. На рис.4.1 контрольный листок расположен в центре семи японских ин- струментов контроля качества. Только после сбора исходных данных возможно применение любого из шести остальных инструментов контроля качества.

Контрольный листок – бумажный бланк, на котором зара- нее напечатаны контролируемые параметры, соответственно которым можно заносить данные с помощью пометок или простых символов. При составлении контрольных листков следует обратить внимание на то, чтобы было указано, кто, на каком этапе процесса и в течение какого времени собирал данные, а также чтобы форма листка была простой и понят- ной без дополнительных пояснений.

В качестве примера приведем контрольный листок, при- меняемый для фиксирования отказавших деталей в телеви- зорах (рис.4.2).

Рис.4.2. Контрольный листок

На основании собранных с помощю контрольного листка данных легко составить таблицу суммарных отказов (табл. 4.1.)

Таблица 4.1.

Суммарное число отказавших деталей телевизоров

3.2 .Гистограмма

Гистограмма (Histogram) – инструмент контроля качества, позволяющий визуально оценить закон распределения статис- тических данных.

Рассмотрим построение гистограммы на конкретном при- мере, В таблице 4.2 даны результаты измерений пробивного напряжения диэлектрических слоев 60 однотипных МОП-струк- тур, значения которых фиксировались в порядке поступления на измерительную установку.

Таблица4.2

Пробивные напряжения в вольтах диэлектрических слоев60

однотипных МОП-структур

Для построения гистограммы среди приведенных в табли- це данных найдем минимальное значение y_min (в нашем при- мере y_min=150) и максимальное значение (в нашем примере

y_max=173). Затем, для группирования статистического матери- ала необходимо выбрать количество классов (интервалов). Число классов не должно быть слишком большим (ряд расп- ределения при этом становится невыразительным и частоты в нем подвержены незакономерным колебаниям), но не должно быть и слишком малым (свойства распределения описывают- ся статистическим рядом слишком грубо). Практикой уста- новлено, что если количество данных в пределах 40-100, целе- сообразно выбирать 7-9 классов, когда в пределах 100-500, то – 8-12 классов, когда в пределах 500-1000, то – 10-16 классов. В нашем примере n=60, поэтому можно выбрать от 7 до 9 клас- сов. Остановимся на количестве классов L=8. Далее вычисля- ется ширина класса (длина интервала) по формуле

h=ymax-ymin.

L

В нашем случае

h=173 - 150

8

=23 = 2 ,875 .

8

Значение ширины класса можно округлить до h=3. для классов получим следующие границы

ymin                                                                                                 ymax

150 153 156 159 162 165 168 171 174 y, В

Затем находим количество наблюдений, попавших в каж- дый класс. Рекомендовано придерживаться следующего пра- вила: в каждый класс попадают только те наблюдения числен- ные значения которых больше или равны нижней границы класса и меньше верхней границы. В соответствии с этим пра- вилом в первый класс от 150 до 153 попало m₁=3 результатов наблюдений, во второй класс от 153 до 156 попало m₂=5 результатов наблюдений, в третий класс – m₃=8 результатов наблюдений и т. д. Эти данные целесообразно занести в сле- дующую таблицу.

Таблица4.3

Интервальный ряд пробивного напряжения диэлектрическихслоев

60 однотипных МОП-структур

По частотам можно построить гистограмму. Для этого на каждом интервале нужно построить столбик (прямоугольник), высота которого равна (пропорциональна) частоте попадания наблюдений в данный интервал.

Частота

m

16

14

12

10 

8

6   

4   

2   

 . . .

150 153 156 159 162 165 168 171 174 Параметр

Рис.4.3. Гистограмма пробивного напряжения

y, В

Как видим, гистограмма представляет собой столбиковый график. Нанося на график допустимые значения параметра

можем определить, как часто попадает этот параметр в допус- тимый диапазон.

Параметр

Рис. 4.4. Гистограмма с допустимыми зонами

При анализе полученных данных применяют другие методы:

§ долю дефектных изделий и потери за счет брака исследу- ют с помощю диаграммыПарето;

§ причины дефектов определяют с помощью причинно-след- ственной диаграммы, методом расслоения и диаграммы рассеяния;

§ изменение показателей во времени определяют с помощьюконтрольныхкарт.

4.3. Диаграмма разброса (рассеивания)

Диаграмма разброса (Scatterdiagram – корреляционная ди- аграмма) строится как график зависимости между двумя па- раметрами (переменными). Эти две переменные могут отно- ситься к: а) характеристике качества и влияющему на нее фактору; б) двум различным характеристикам качества; в) двум факторам, влияющим на одну характеристику качества.

Диаграмма разброса инструмент, позволяющий определить вид и тесноту связи между парами (x, y) соответствующих пе- ременных. Если на плоскости xoyв качестве точек обозначим каждую пару (x_i,y_i), получим диаграмму разброса. Некоторые типичные варианты скоплений точек приведены на рис.4.5-4.10.

y                                          y

Рис.4.5.Прямая x

корреляция

x

Рис.4.6.Легкая прямая

корреляция

y                                          y

Рис.4.7.Обратная(отри- x

рицательная)корреляция

y

Рис.4.8.Легкая x

обратная корреляция

y

Рис.4.9.Отсутствие x

корреляции

Рис.4.10.Легкая криво-xлинейная корреляция

На рис.4.5 четко просматривается прямая корреляция меж- ду xи y. В этом случае при осуществлении контроля за при- чинным фактором xможно управлять значением параметра y.

На рис.4.6 приведен также пример прямой корреляции. При увеличении xувеличивается также y, но разброс yвелик

по отношению к определенному значению x. Поэтому такую корреляцию называют легкой. В этом случае с помощью кон- троля причинного фактора xможно до некоторой степени держать под контролем характеристику y, но необходимо так- же иметь в виду и другие факторы, оказывающие влияние наy. На рис.4.7 показан пример обратной (отрицательной) кор- реляции. При увеличении xхарактеристика yуменьшается. Ес- ли причинный фактор xнаходится под контролем, характе-

ристика yостается стабильной.

На рис.4.8 отражен случай легкой обратной корреляции, когда при увеличении xхарактеристика yуменьшается, но при этом велик разброс значений y, соответствующих фикси- рованному значениюx.

На рис.4.9 показан пример отсутствия корреляции, когда никакой выраженной зависимости между xи yне наблюда- ется. В этом случае необходимо продолжить поиск факторов, коррелирующих с y, исключив из этого поиска фактор x.

Между параметрами xи yвозможны также случаи криволинейной корреляции (рис.4.10). Если при этом диаг- рамму разброса можно разделить на участки, имеющие пря- молинейный характер, то проводят такое разделение и иссле- дуют каждый участок в отдельности, как прямолинейную кор- реляцию.

Построение диаграммы разброса осуществляется в следу- ющей последовательности:

1. Собирают не менее 25 – 30 пар данных (x, y), между ко- торыми должны исследовать зависимость; собранные данные помещают в таблицу.

2. Находятмаксимальныеиминимальныезначениядляxи

y. Выбирают шкалы на горизонтальной и вертикальной осях так, чтобы обе длины рабочих частей получились приблизи- тельно одинаковыми (для облегчения чтения диаграммы). Ес- ли одна переменная – фактор, а вторая – характеристика ка- чества, то для фактора выбирают горизонтальную ось x, а для характеристики качества – вертикальную ось y. На каждойоси

берут от 3 до 10 градаций и используют для облегчения чте- ния круглые числа.

3. На отдельном листе бумаги чертят график и наносят на него данные. Если в разных наблюдениях получаются одина- ковые значения, покажите эти точки либо рисуя концентри- ческие кружки( ) , либо нанося вторую точку рядом спервой.

4. Делают все необходимые обозначения: название диаг- раммы; интервал времени; число пар данных; названия и еди- ницы измерения для каждой оси; фамилию (и прочее) лица, строящего этудиаграмму.

Степень корреляционной связи xи yв случае прямоли- нейной корреляции (рис.4.5-4.8) может быть оценена простым методом – методом медиан. Для этого:

§ На диаграмме разброса проводятся вертикальная и гори- зонтальная линии медиан (рис.4.11). Выше и ниже горизон- тальной медианы, справа и слева от вертикальной медианы будет равное число точек. Если число точек окажется нечет- ным, следует провести линию через центральнуюточку.

§ В каждом из четырех квадратов, получившихся в резуль- тате разделения диаграммы разброса вертикальной и горизон- тальной медианами, подсчитывают число точек и обозначают их n₁, n₂, n₃, и n₄ соответственно. Точки, через которые прош- ла медиана, неучитывают.

§ Отдельно складывают точки в положительных и отрица- тельныхквадратах:

n(+)=n1+n3, n(-)=n2+n4, n’=n(+)+n(-).

Так как некоторые точки находятся на медианах, поэтому n’

не равно n.

·Для определения наличия и степени корреляции по методу медиан используется специальная таблица (табл.4.4) кодовых значений n_т, соответствующих различным n’ при двух значе- ниях коэффициента риска b(0,01 и0,05).

Сравнивая меньшее из чисел n₍₊₎ и n_(-)c их кодовым значе- нием n_т из табл.4.4, соответствующим значению n’ (для выб-

ранного значения b), делают заключение о наличии и харак- тере корреляции. Если меньшее из чисел n₍₊₎ и n_(-) оказывается равным или меньше табличного кодового значения, то прямо- линейная корреляционная зависимость имеет место. Если подсчитанные значения окажутся больше соответствующего кодового значения – прямолинейная корреляция отсутствует,

Таблица 4.4

Таблица кодовых значений

однако это не значит, что не может быть криволинейной кор- реляционной зависимости. Для выяснения этого вопроса не- обходимо проводить регрессионный и корреляционный ана- лизы, которые вкратце будут нами рассмотрены далее.

Пример.Необходимо исследовать влияние температуры сушильной печи на прочность высушиваемого образца. Для проведения эксперимента было взято 25 образцов (n=25). При их раздельной сушке фиксировалась температура печи и из- меренное значение прочности. Данные внесены в таблицу 4.5.

Таблица 4. 5

Значения прочности образцов при различных значениях

температуры

Построенная по этим данным диаграмма разброса при- ведена на рис.4.11.

n₄=2

n₃=8

y,

-     + n=25                   +       -

40

30

20

n₁=10

n₂=2

10 60      70     80     90       x,⁰C

Рис.4.11. Диаграмма разброса

Разделим диаграмму разброса вертикальной и горизон- тальной медианами, подсчитаем количество точек, попавших в каждый из четырех квадратов (без учета тех точек, по кото- рым прошли медианы). Получим n₁=10, n₂=1, n₃=8, n₄=2. Раз- дельно сложим количество точек в положительных и отрица- тельныхквадратах:

n₍₊₎=n₁+n₃=10+8=18; n_(-)=n₂+n₄ = 1+2= 3; n'=n₍₊₎+n_(-)=18+3=21.

Ввиду того, что четыре точки попали на медианы, поэтому n’

не равно n=25.

Для случая коэффициента риска b=0,01 из таблицы 4.4 находим соответствующее n’=21 табличное кодовое значение n_т=4. Из чисел n₍₊₎=18 и n_(-)=3 наименьшим является n_(-) и оно к тому же меньше табличного кодового значения, равного 4, т. е. можно утверждать, что в данном случае между двумя па- раметрами существует прямолинейная корреляционная зави- симость.

4. 4. Метод расслаивания

Метод расслаивания (стратификации) исследуемых ста- тистических данных – инструмент, позволяющий произвести селекцию данных, отражающую требуемую информацию о процессе. В соответствии с этим методом производят расслаивание (разделение) статистических данных, т. е. группируют данные в зависимости от условий их получения и производят обработку каждой группы данных в отдельности. Разделен- ные на группы в соответствии с их особенностями данные на- зывают слоями (стратами), а сам процесс разделения на слои (страты) – расслаиванием (стратификацией).

Существуют различные методы расслаивания, примене- ние которых зависит от конкретных задач.

В производственных процессах часто используется метод 5М. Он учитывает факторы, зависящие: от человека (man), машины (machine), материала (meterial), метода (method), из- мерения (measurement). Расслаивание осуществляется при- мерно так: расслаивание по исполнителям – по квалификации, полу, стажу работы, и т. д.; расслаивание по машинам и обо- рудованию – по новому и старому оборудованию, марке, кон- струкции, выпускающей фирме и т. д.; расслаивание по мате- риалу – по месту производства, фирме-производителю, пар- тии, качеству сырья и т. д.; расслаивание по способу произ- водства – по температуре, технологическому приему, месту производства и т. д.; расслаивание по измерению – по методу измерения, типу средств измерения или их точности и т. д.

В сервисе для расслаивания используется метод 5Р. Он учитывает факторы, зависящие: от работников (peoples) сер- виса, процедур (procedures) сервиса; потребителей, являю- щихся фактическими покровителями (patrons) сервиса; места (place), где осуществляется сервис и определяется его окружа- ющая среда; поставщики, осуществляющие снабжение (provi- sions) необходимыми ресурсами, обеспечивающими выполне- ние сервиса.

При расслаивании по тому или иному фактору (например, по фактору “оборудование”) определяется влияние этого фак- тора (влияние использованного оборудования) на качество из- делия, что дает возможность провести необходимые меропри- ятия для исключения недопустимого разброса.

Пример. Из заказанных и изготовленных в цехе 1000 ва- лов 48 оказались дефектными. Часть заказа была выполнена

на новом, а другая часть – на старом оборудовании; часть вы- полнялась мужчинами, а часть – женщинами; часть заказа вы- полнялась из материала партии A, часть – из материала пар- тии B. Проведем анализ причин возникновения дефектной продукции.

Пример расслаивания по оборудованию приведен в таблице 4. 6.

Таблица 4.6

Результаты расслаивания по полу исполнителей приведе- ны в таблице4. 7.

Таблица 4.7

Результаты расслаивания по материалам приведены в таблице 4. 8.

Таблица 4.8

Таким образом, анализ данных по методу расслаивания в рассматриваемом нами примере приводит к выводу, что для решения проблемы (уменьшения количества дефектных изде- лий) следует предпринять следующие меры:

1. Не пользоваться материалом из партииA;

2. Использовать при производстве валов новое оборудо- вание.

Что же касается пола исполнителей, то причинойвозник- новения брака его считатьнельзя.

4. 5. ДиаграммаПарето

Диаграмма Парето – инструмент, позволяющий распреде- лить усилия для разрешения возникающих проблем и выя- вить основные причины, с которых нужно начинать действо- вать. Различают два вида диаграмм:

1. Диаграмма Парето по результатам деятельности, пред- назначенная для выявления главной проблемы и отражающая следующие нежелательные результаты деятельности:

§ с точки зрения качества – дефекты, поломки, ошибки, от- казы, рекламации, ремонты, возвратыпродукции;

§ с точки зрения себестоимости – объем потерь,затраты;

§ с точки зрения сроков поставок – нехватка запасов, ошиб- ки в составлении счетов, срыв сроковпоставок;

§ с точки зрения безопасности – несчастные случаи, траги- ческие ошибки, аварии.

2.Диаграмма Парето по причинам, отражающая причины проблем, возникающих в ходе производства и использую- щаяся для выявления главной из них, таких как:

§ в случае исполнителей работы – смена, бригада, опыт ра- боты, квалификация, индивидуальныехарактеристики;

§ в случае оборудования – станки, агрегаты, инструменты, оснастка, организация использования, модели,штампы;

§ в случае сырья – изготовитель сырья, вид сырья, фирма- поставщик, партия;

§ в случае методов работы – условия производства,заказы- наряды, приемы работы, последовательностьопераций;

§ в случае используемых средств измерений – точность, пов- торяемость, стабильность, тип измерительного прибора (ана- логовый или цифровой) и т.д.

Построение диаграммы Парето начинают с выбора иссле- дуемой проблемы (например, проблемы, связанные с браком; проблемы, связанные с работой оборудования или исполни- телей и т. д.) . Затем определяют, какие данные должны бытьсобраны и как должна быть проведена их классификация(например, по видам дефектов, по методу их появления, потехнологическим причинам, по оборудованию, по методам из- мерения и используемым средствам измерения). Если выбра- на, например, классификация по видам дефектов, выделяют наиболее часто встречающиеся дефекты (трещины, царапины, пятна, деформации, разрывы, раковины), остальные, не встре- чающиеся часто, объединяют под общим заголовком “прочие”. Затем производят сбор статистического материала покаждому признаку (дефекту). Для этого рекомендуется приме- нять контрольный листок, в котором производится регистра-

ция данных (таблица 4. 9).

Таблица 4.9

Контрольный листок регистрации данных

После заполнения листка регистрации данных подсчитывают итоги.

Далее для построения диаграммы Парето данные помеща- ют в специальную таблицу, где должны быть предусмотрены

графы для итогов по каждому проверяемому признаку в от- дельности, накопленной суммы числа дефектов, процентов к общему итогу и накопленных процентов (таблица 4.10). Полу- ченные по каждому проверяемому признаку данные вносят в эту таблицу в порядке значимости. Группу “прочие” нужно поместить в последнюю строку независимо от того, насколько большим получилось число – это совокупность неучтенных признаков, числовой результат по каждому из которых мень- ше, чем самое маленькое значение, полученное для признака, выделенного в отдельную строку.

Таблица 4.10

Таблица данных для построения диаграммы Парето

В прямоугольной системе координат на горизонтальной оси отмерим равные отрезки, соответствующие рассматривае- мым (контролируемым) признакам. Порядок расположения факторов должен быть таков, чтобы влияние каждого распо- ложенного на горизонтальной оси последующего фактора умень- шалось по сравнению с предыдущим. Начертим две верти- кальные оси. На левую вертикальную ось нанесем шкалу с интервалами от 0 до числа, соответствующего общему итогу.

На правую ось нанесем шкалу с интервалами от 0 до 100%. Вначале по данным второго столбца таблицы 4.10 в виде столбикового графика построим гистограмму распределения вклада дефектов различного типа в суммарное количество де- фектов (см. нижнюю часть на рис. 4.12). Затем по результатам пос- ледовательного суммирования высот столбиков этой гистог- раммы (фактически по данным третьего столбца таблицы 4.10) получим гистограмму накопленных дефектов. Соединив соот- ветствующие накопленным суммам точки правых концов каждого интервала отрезками прямых получим кумулятивную кривую, которую называют кривой Парето или диаграммой Парето (рис. 4.12).

Гистограмма 50 накопленных дефектов  40

30

20

10

100 %

Кривая Парето

0                                                                  0

Рис. 4.12. Построение диаграммы Парето

Применение кумулятивной кривой возможно для вычис- ления совокупного процента потерь, вызванного несколькими дефектами.

Для облегчения чтения диаграммы Парето в некоторых случаях не строят гистограмму распределения, а непосред- ственно по данным третьего столбца таблицы 4.10 строят на- копленную гистограмму и кривую Парето (рис.4.13, а); Иногдаудовлетворяются построением диаграммы распределения и по данным последнего столбца таблицы 4.10 строят кумулятив-

ную кривую (рис. 4.13,б). В некоторых случаях же по данным последнего столбца таблицы 4.10 строят только кумулятив- ную кривую (рис. 4.13, в).

40                                                                40

30                                                                30

20                                                                20

100 %

10                                                                10

0                                                                00

1  2  3   4 5  6   7

а)

50

40

30

20

1  2  3   4 5  6   7 0

б)

100 %

10

0                                                               0

1  2 3   4  5  6   7

в)

Рис. 4.13. Различные варианты изображения диаграммы Парето

На диаграмму Парето должны быть нанесены все обозна- чения и надписи. К надписям, касающимся диаграммы, отно- сятся: название, разметка числовых значений на осях; наиме- нование контролируемого изделия, фамилия составителя ди- аграммы. К надписям, касающимся данных, относятся: пери- од сбора информации, объект исследования и место его про- ведения, общее число объектов контроля.

Для контроля наиважнейших факторов при применении диаграммы Парето наиболее распространенным методом яв-

ляется так называемый метод ABC-анализа. Суть этого мето- да заключается в следующем. Диаграмма Парето делится на зоны (рис.4.14). Группе A (согласно доктору Джурану жиз-

90

80

70

60

50

40

30

20

10

0

1 2 3 4 5 6 7  8 9

Рис.4.14. Для пояснения АВС-анализа

ненно важная зона) соответствуют факторы, вносящие самый большой процентный вклад (суммарный вклад примерно 60%), группе B – факторы с меньшим процентным вкладом (суммарный вклад примерно 30%), группе C – факторы, име- ющие существенно меньший процентный вклад. Наиболее вни- мательно должно быть проанализировано влияние на качест- во продукции факторов группы A (иногда групп A и B) и раз- работан план улучшений.

После выявления проблемы путем построения диаграммы Парето по результатам деятельности важно определение при- чины появления проблемы. Это поможет решить проблему в дальнейшем. Поэтому, если мы хотим улучшения, необходи- мо построить диаграмму Парето по причинам. Например, на рис.4.15 показаны диаграммы Парето: а – на которой рас- смотрены конкретные детали; б – на которой отображены причины возникновения дефектов для детали первого наиме- нования; в – на которой отображены причины одного кон- кретного дефекта.

100

90

80

70

60

50

40

30

20

10

0

100

90

80

70

60

50

40

30

20

10

0

1 2 3 4 5 6Проч.

Наименование деталей

а)

90

80

70

60

50

40

30

20

10

0

б)                                                  в)

Рис.4.15. Диаграммы Парето

Применение диаграммы Парето целесообразно вместе с причинно-следственной диаграммой, так как для решения проблемы, связанной с низким качеством изделий, необходи- мо осознать сущность происхождения дефекта каждого кон- кретного вида.

После проведения корректирующих мероприятий жела- тельно заново построить диаграмму Парето для измененных

вследствие коррекции условий и проверить эффективность улучшения.

В сложной экономической жизни предприятия проблемы могут возникнуть в любой момент, в любой форме и в любом подразделении. Анализ этих проблем целесообразно начинать с построения диаграммы Парето. Решение каких проблем воз- можно наиболее эффективно с помощью диаграмм Парето:

В сфере производства: анализ качества раздельно в зави- симости от отдельных рабочих операций; анализ количества неисправностей раздельно по станкам; анализ количества пе- ределок по рабочим участкам; анализ процента брака раздель- но по дням недели; случаи остановки процесса раздельно по процессам и т. д.

В сфере материально – технического снабжения: анализ количества дней задержки поставок в зависимости от сырья и материалов; анализ денежных потерь из-за бесполезной задер- жки на складе в зависимости от сырья и материалов и др.

В сфере сбыта: анализ прогнозов потребителей раздельно по видам изделий; анализ прибыли, полученной продажей из- делий раздельно в зависимости от продавцов и материалов; случаи получения рекламаций раздельно по содержанию рек- ламаций и анализ суммарных потерь из-за рекламаций; анализ количества возвращенных изделий раздельно в зависимости от вида изделия; анализ выигрыша отдельно для суммарного выигрыша, отдельно в зависимости от вида продукции и т.д.

В финансовой сфере: анализ себестоимости изделий раз- дельно в зависимости от вида изделия, анализ продажи про- дукции; удельный анализ затрат на деятельность всфере кон- троля в зависимости от факторов контроля; анализ прибылираздельно по видам изделий; анализ процента выигрыша и др. В сфере делопроизводства: анализ количества предложе- нийраздельно по сотрудникам (по кружкам качества); анализзатраченных на разработку документа количества дней раз- дельно по предложениям; анализ количества ошибок в нак- ладной в зависимости от их вида; анализ процента выполне-

ния плана раздельно по подразделениям и др.

Диаграмма Парето успешно применяется и в таких случа- ях, когда положительный опыт отдельных подразделений дол- жен быть внедрен во всей фирме. С помощью диаграммы Па- рето выявляют основные причины успехов и пропагандируют эффективные методы работы.

4.6. Причинно-следственная диаграмма (диаграмма Исикава)

Причинно-следственная диаграмма – инструмент, позво- ляющий выявить наиболее существенные факторы (причины), влияющие на конечный результат (следствие).

Рис.4.16. Причинно-следственная диаграмма: 1 – система при чинных факторов; 2 – основные факторы производства; 3 – материалы; 4 – операторы; 5 – оборудование, включая инструменты; 6 – методы операций; 7 – измерения; 8 – процесс; 9 – следствие; 10 – параметры качества продукта; 11 – показатели качества; 12 – контроль процесса по фактору качества

На этой схеме полученный результат – показатели качес- тва (точность размеров, степень чистоты и т.д.) – выражается конкретными данными (одиннадцатая позиция на рис.4.16). Используя эти данные о факторе качества осуществляют конт- роль процесса (двенадцатая позиция на рис.4.16). Если в ре- зультате процесса качество изделия окажется неудовлетво- рительным, это значит, что в системе причин, т.е. в какой-то точке процесса, произошло отклонение от заданных условий. В этом случае проверяется система причинных факторов и путем соответствующего воздействия на конкретные факторы процесса процесс приводят в стабильное состояние.

В этом случае удобно использовать причинно-следст- венную диаграмму, приведенную на рис.4.17, которую из-за своего внешнего вида часто называют «рыбьей костью» или