Balíček ggQC je rozšíření pro kontrolu kvality pro ggplot. Pomocí něj můžete vytvářet XmR, XbarR, C a mnoho dalších vysoce přizpůsobitelných kontrolních grafů. Mezi další funkce statistické kontroly procesu patří kontrola Shewartova porušení a také analýza způsobilosti. Pokud váš proces probíhá hladce, vizualizujte potenciální dopady dalšího zlepšení procesu pomocí Paretova grafu. Chcete-li se dozvědět více, čtěte dále!
Chcete-li začít používat ggQC, nainstalujte jej ze sítě CRAN spuštěním následujícího kódu:
1 |
install.packages("ggQC")
|
ggQC Control Charts
Kontrolní grafy jsou skvělým způsobem, jak sledovat výstupy procesu, řídit zlepšování a vyhodnocovat systémy měření. Mezi typy regulačních diagramů, které podporuje ggQC, patří:
- Individuální diagramy : mR, XmR
- Atributové diagramy : c, np, p, u
- Studované diagramy: xBar.rBar, xBar.rMedian, xBar.sBar, xMedian.rBar, xMedian.rMedian
- Disperzní grafy: rBar, rMedian, sBar
Postup sestavování regulačních grafů pomocí ggQC je jednoduchý. Nejprve načtěte knihovny ggQC a ggplot2. Poté načtěte data do programu R. Vaše data by měla být v dlouhém tvaru. Níže uvedená datová sada poskytuje příklad dat v dlouhém tvaru, pokud tento termín neznáte.
Nakonec vytvořte kontrolní graf pomocí standardní syntaxe ggplot layer-by-layer a příkazu stat_QC(). Níže uvedený příklad kódu ukazuje, jak všechny tyto kroky dohromady vytvoří graf XmR.
1234567891011121314151617181920212223242526 |
### Načtení potřebných knihovenlibrary(ggplot2)library(ggQC) ### Vytvoření nějakých ukázkových dat (místo toho sem načtěte svůj soubor)set.seed(5555)Process_Data <- data.frame( Process=rep(c("A"), each = 30), #Process A Run_Number=c(1:30), #Run Order Value = c(rnorm(n = 30, mean = 30.5, sd = 1)) #Process A Random Data ) ### Vytvořte grafXmR_Plot <- ggplot(Process_Data, aes(x = Run_Number, y = Value)) + #init ggplot geom_point() + geom_line() + # přidejte body a čáry stat_QC(method = "XmR", # zadejte metodu tvorby QC grafů auto.label = T, # použijte automatické štítky label.digits = 2, # použijte dvě číslice v popisku show.1n2.sigma = T # zobrazte 1 a dvě sigma čáry ) + scale_x_continuous(expand = expand_scale(mult = .15)) # Vycpávka osy x ### Vykreslení grafu - DoneXmR_Plot
|
Díky tomu, že stavíte na frameworku ggplot, získáte vysokou úroveň kontroly nad detaily grafu, jako jsou body a čáry atd. Pokud navíc chcete umístit data XmR a mR na stejný graf, můžete to udělat. Stačí několikrát zavolat příkaz stat_QC(), jak je uvedeno níže.
1234567891011121314 |
### Dvě volání stat_QCXmR_Plot <- ggplot(Process_Data, aes(x = Run_Number, y = Value)). + #init ggplot geom_point() + geom_line() + #přidat body a čáry stat_QC(method = "XmR", #určit metodu tvorby QC grafů auto.label = T, #použít automatické štítky label.digits = 2, #použít dvě číslice v popisku show.1n2.sigma = T #zobrazit 1 a dvě sigma čáry ) + stat_QC(method="mR") + scale_x_continuous(expand = expand_scale(mult = .15)) # Vyplňte osu x ### Nakreslete graf - DoneXmR_Plot |
Další příklady regulačních grafů najdete v dokumentech, návodech a vinětách na rcontrolcharts.com.
Analýza narušení
Chcete-li v procesu zkontrolovat údaje mimo kontrolu, použijte příkaz stat_qc_violations(). Po spuštění tohoto příkazu se vaše data zkontrolují podle následujících 4 Shewartových pravidel porušení:
- Stejná strana: 8 nebo více po sobě jdoucích bodů stejné strany
- 1 sigma: 4 nebo více po sobě jdoucích bodů stejné strany přesahujících 1 sigma
- 2 sigma:
- 3 Sigma: všechny body přesahující 3 sigma
Další část kódu demonstruje analýzu porušení pomocí příkazu stat_qc_violation() s použitím dat procesu z předchozí části.
12345678 |
#Používá stejná data jako předchozí příklad. QC_Violations <- ggplot(Process_Data, aes(x = Run_Number, y = Value)) + #init ggplot stat_qc_violations(method = "XmR" #show.facets = 4 #pokud chcete jen facet 4 )QC_Violations |
Po provedení kódu byste měli vidět graf se 4 facety – jedním pro každé Shewartovo pravidlo. Pokud chcete zobrazit pouze 4. fasetu, nastavte show.facets = 4. Jiné nastavení, například show.facets = c(2, 4), zobrazí pouze porušení 1 a 3 sigma.
Pro naše testovací data nebylo pozorováno žádné ze standardních 4 Shewartových porušení. Úžasné! Dále se podíváme na provedení analýzy způsobilosti pomocí ggQC.
Analýza způsobilosti
V předchozích částech jste se naučili, jak vytvořit regulační diagram pomocí ggQC a zkontrolovat, zda nedošlo k porušení. Zde se dozvíte, jak provést základní analýzu způsobilosti (Cp, Cpk, Pp, Ppk atd.). Pro tento účel budeme předpokládat, že zákazník má dolní mez specifikace (LSL) a horní mez specifikace (USL) 25, resp. 37. S těmito specifikacemi a příkazem stat_QC_Capability() můžete provést grafickou analýzu způsobilosti na několika jednoduchých řádcích kódu:
12345678910111213 |
# Použije stejná data jako první příkladCapabilityAnaylsis <- ggplot(Process_Data, aes(x = Value)). + #init ggplot geom_histogram(binwidth = .75, color="purple") + #udělejte histogram stat_QC_Capability( LSL=25, USL=37, #Specifikujte LSL a USL show.cap.summary = c("Cp", "Cpk"), #vybraný souhrn digits = 2, #zveřejněte dvě číslice method="XmR") + #Použijte metody XmRcale_x_continuous(expand = expand_scale(mult = c(0.15,.65))) #podložení osy X #vykreslení grafuCapabilityAnaylsis
|
Chcete-li upravit metriky schopností zobrazené na grafu, zadejte argumentu show.cap.summary vektor požadovaných metrik. Mezi dostupné metriky patří:
- TOL: Tolerance v jednotkách sigma (USL-LSL)/sigma
- DNS: Vzdálenost od nejbližší meze specifikace v jednotkách sigma
- Cp: Cp (metrika loketního prostoru v rámci vzorku)
- Cpk: Cpk (metrika centrování v rámci vzorku)
- Pp: Pp (metrika prostoru mezi lokty vzorku)
- Ppk: Ppk (metrika centrování mezi vzorky)
- LCL: Dolní kontrolní mez
- X: UCL: Horní kontrolní mez
- Sig: Sigma z regulačních diagramů
Pořadí uvedené ve vektoru je pořadí zobrazené v grafu. V tomto případě byly vybrány pouze Cp a Cpk, jak je uvedeno níže.
Cool! Vypadá to, že proces je v dobré kondici. Chcete-li si prohlédnout další příklady analýzy způsobilosti, podívejte se do dokumentace a příkladů ggQC na stat_QC_Capability. stat_QC_Capability je také kompatibilní s fasetováním ggplot. Všimněte si, že grafy způsobilosti XbarR jsou specifikovány trochu jinak než XmR.
Paretní analýza
Pravda, takže vaše procesy jsou pod kontrolou. Víte však, že váš proces má úzká místa. Kde byste měli začít? Jedním ze způsobů, který vám pomůže naplánovat útok, je Paretova analýza. Předpokládejme, že máte následující údaje, které ukazují, jak dlouho trvá několik typických kroků procesu.
Chcete-li vytvořit Paretův graf, načtěte data, inicializujte ggplot a nechte příkaz stat_pareto(), aby se postaral o zbytek.
12345678910111213141516171819 |
#nahrajte dataData4Pareto <- data.frame( KPI = c("Doba obsluhy zákazníka", "Vyřízení objednávky", "Doba zpracování objednávky", "Doba výroby objednávky", "Doba kontroly kvality objednávky", "Doba přepracování", "Doprava"), Time = c(1.50, 38.50, 3.75, 23.08, 1.92, 3.58, 73.17)) #vytvořte grafggplot(Data4Pareto, aes(x=KPI, y=Time)) + stat_pareto(point.color = "red", point.size = 3, line.color = "black", bars.fill = c("blue", "orange") ) + theme(axis.text.x = element_text(angle = 90, hjust = 1, vjust=0.5)) #done
|
Vypadá to, že náš další projekt vylepšení se zaměří buď na dopravu, nebo na plnění objednávek. Hodně štěstí!
Shrnutí
Vytváření regulačních diagramů pomocí ggQC je rychlé a snadné, zejména pokud již znáte ggplot. Stejně jako ostatní grafy ggplot podporují kontrolní grafy ggQC fasetování a jsou sestavovány po vrstvách. Pokud potřebujete vytvořit složitý graf, směle do toho. Můžete přidat libovolný počet volání stat_QC (viz XbarR_Vignette). Kromě tvorby regulačních diagramů umožňuje ggQC provádět Paretovu analýzu, analýzu způsobilosti a analýzu Shewartova porušení. Chcete-li se dozvědět více, navštivte stránku rcontrolcharts.com
Další užitečné odkazy
- Vysvětlení konstant regulačních diagramů
.