Das ggQC Paket ist eine Qualitätskontroll-Erweiterung für ggplot. Mit ihm lassen sich XmR, XbarR, C und viele andere hochgradig anpassbare Kontrollkarten erstellen. Zusätzliche Funktionen zur statistischen Prozesskontrolle umfassen Shewart-Verletzungsprüfungen sowie Fähigkeitsanalysen. Wenn Ihr Prozess reibungslos läuft, visualisieren Sie die möglichen Auswirkungen Ihrer nächsten Prozessverbesserung mit einem Pareto-Diagramm. Um mehr zu erfahren, lesen Sie weiter!
Um mit ggQC zu beginnen, installieren Sie es von CRAN, indem Sie den folgenden Code ausführen:
1 |
install.packages("ggQC")
|
ggQC-Regelkarten
Regelkarten sind ein hervorragendes Mittel zur Überwachung von Prozessleistungen, zur Förderung von Verbesserungen und zur Bewertung von Messsystemen. Zu den von ggQC unterstützten Regelkartentypen gehören:
- Einzelne Diagramme: mR, XmR
- Attributdiagramme: c, np, p, u
- Studentized Charts: xBar.rBar, xBar.rMedian, xBar.sBar, xMedian.rBar, xMedian.rMedian
- Streuungsdiagramme: rBar, rMedian, sBar
Das Verfahren zur Erstellung von Regelkarten mit ggQC ist einfach. Laden Sie zunächst die Bibliotheken ggQC und ggplot2. Als nächstes laden Sie Ihre Daten in R. Ihre Daten sollten in Langform vorliegen. Der nachstehende Datensatz ist ein Beispiel für Langformdaten, falls Sie mit diesem Begriff nicht vertraut sind.
Schließlich erstellen Sie Ihre Kontrollkarte mit der standardmäßigen ggplot-Syntax Schicht für Schicht und dem Befehl stat_QC(). Der folgende Beispielcode zeigt, wie all diese Schritte zusammenkommen, um ein XmR-Diagramm zu erstellen.
1234567891011121314151617181920212223242526 |
### Laden Sie die benötigten Bibliothekenlibrary(ggplot2)library(ggQC) ### Erstellen Sie einige Demodaten (laden Sie stattdessen Ihre Datei hier)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 Zufallsdaten ) ### Erstellen Sie den PlotXmR_Plot <- ggplot(Process_Data, aes(x = Run_Number, y = Value)) + #init ggplot geom_point() + geom_line() + # Hinzufügen der Punkte und Linien stat_QC(method = "XmR", # spezifizieren Sie die QC-Diagramm-Methode auto.label = T, # Verwenden Sie Autolabels label.digits = 2, # Verwenden Sie zwei Ziffern in der Beschriftung show.1n2.sigma = T # Zeigen Sie 1- und 2-Sigma-Linien ) + scale_x_continuous(expand = expand_scale(mult = .15)) # Pad the x-axis ### Draw the plot - DoneXmR_Plot
|
Durch die Verwendung des ggplot-Frameworks erhalten Sie ein hohes Maß an Kontrolle über die Plot-Details wie Punkte und Linien usw. Darüber hinaus können Sie XmR- und mR-Daten auf demselben Diagramm darstellen. Rufen Sie einfach mehrfach den Befehl stat_QC() auf, wie unten gezeigt.
1234567891011121314 |
### Zwei stat_QC-AufrufeXmR_Plot <- ggplot(Process_Data, aes(x = Run_Number, y = Value)) + #init ggplot geom_point() + geom_line() + #add the points and lines stat_QC(method = "XmR", #specify QC charting method auto.label = T, # Use Autolabels label.digits = 2, #Use two digit in the label show.1n2.sigma = T #Show 1 and two sigma lines ) + stat_QC(method="mR") + scale_x_continuous(expand = expand_scale(mult = .15)) # Pad the x-axis ### Draw the plot - DoneXmR_Plot |
Weitere Beispiele für Regelkarten finden Sie in den Docs, HOWTOs und Vignetten auf rcontrolcharts.com.
Verletzungsanalyse
Um zu prüfen, ob Daten in Ihrem Prozess außer Kontrolle geraten sind, verwenden Sie den Befehl stat_qc_violations(). Wenn Sie diesen Befehl ausführen, werden Ihre Daten anhand der folgenden 4 Shewart-Verletzungsregeln überprüft:
- Gleiche Seite: 8 oder mehr aufeinanderfolgende Punkte auf derselben Seite
- 1 Sigma: 4 oder mehr aufeinanderfolgende Punkte auf derselben Seite, die 1 Sigma überschreiten
- 2 Sigma: 2 oder mehr aufeinanderfolgende Punkte auf der gleichen Seite, die 2 Sigma überschreiten
- 3 Sigma: alle Punkte, die 3 Sigma überschreiten
Das nächste Stück Code demonstriert eine Verletzungsanalyse mit dem Befehl stat_qc_violation() unter Verwendung der Prozessdaten aus dem vorherigen Abschnitt.
12345678 |
#Verwendet die gleichen Daten wie im vorherigen Beispiel. QC_Violations <- ggplot(Process_Data, aes(x = Run_Number, y = Value)) + #init ggplot stat_qc_violations(method = "XmR" #show.facets = 4 #wenn Sie nur Facette 4 haben wollen )QC_Violations |
Nach Ausführung des Codes sollten Sie eine Darstellung mit 4 Facetten sehen – eine für jede Shewart-Regel. Wenn Sie nur die 4. Facette sehen wollen, setzen Sie show.facets = 4. Andere Einstellungen wie show.facets = c(2, 4) zeigen nur 1- und 3-Sigma-Verletzungen an.
Für unsere Testdaten wurde keine der üblichen 4 Shewart-Verletzungen beobachtet. Wahnsinn! Als nächstes werden wir eine Fähigkeitsanalyse mit ggQC durchführen.
Fähigkeitsanalyse
In den vorangegangenen Abschnitten haben Sie gelernt, wie man mit ggQC eine Regelkarte erstellt und auf Verstöße prüft. Hier lernen Sie, wie Sie eine grundlegende Fähigkeitsanalyse (Cp, Cpk, Pp, Ppk usw.) durchführen. Dazu nehmen wir an, dass der Kunde eine untere Spezifikationsgrenze (LSL) und eine obere Spezifikationsgrenze (USL) von 25 bzw. 37 hat. Mit diesen Spezifikationen und dem Befehl stat_QC_Capability() können Sie in wenigen einfachen Codezeilen eine grafische Fähigkeitsanalyse durchführen:
12345678910111213 |
# Verwendet die gleichen Daten wie im ersten BeispielCapabilityAnaylsis <- ggplot(Process_Data, aes(x = Value)) + #init ggplot geom_histogram(binwidth = .75, color="purple") + #Machen Sie das Histogramm stat_QC_Capability( LSL=25, USL=37, #Specify LSL and USL show.cap.summary = c("Cp", "Cpk"), #selected summary digits = 2, #report two digits method="XmR") + #Use the XmR methodscale_x_continuous(expand = expand_scale(mult = c(0.15,.65))) #pad the X-axis #plot the graphCapabilityAnaylsis
|
Um die im Diagramm angezeigten Fähigkeitsmetriken anzupassen, geben Sie das Argument show.cap.summary mit einem Vektor der gewünschten Metriken an. Folgende Metriken sind verfügbar:
- TOL: Toleranz in Sigma-Einheiten (USL-LSL)/sigma
- DNS: Abstand zur nächstgelegenen Spezifikationsgrenze in Sigma-Einheiten
- Cp: Cp (Metrik für den Spielraum innerhalb der Probe)
- Cpk: Cpk (Metrik zur Zentrierung innerhalb der Probe)
- Pp: Pp (Ellbogenfreiheit zwischen Proben)
- Ppk: Ppk (Zwischen Probenzentrierung metrisch)
- LCL: Lower Control Limit
- X: Prozesszentrum
- UCL: Obere Kontrollgrenze
- Sig: Sigma aus Regelkarten
Die im Vektor angegebene Reihenfolge ist die Reihenfolge, die in der Karte angezeigt wird. In diesem Fall wurden nur Cp und Cpk ausgewählt, wie unten gezeigt.
Cool! Sieht aus, als sei der Prozess in guter Verfassung. Weitere Beispiele für Fähigkeitsanalysen finden Sie in der ggQC-Dokumentation und in den Beispielen zu stat_QC_Capability. stat_QC_Capability ist auch mit ggplot faceting kompatibel. Beachten Sie, dass XbarR-Fähigkeitsdiagramme etwas anders spezifiziert sind als XmR.
Pareto-Analyse
In Ordnung, also haben Ihre Prozesse die Kontrolle. Sie wissen jedoch, dass Ihr Prozess Engpässe aufweist. Wo sollten Sie ansetzen? Eine Möglichkeit, Ihren Angriff zu planen, ist eine Pareto-Analyse. Angenommen, Sie haben die folgenden Daten, die zeigen, wie lange mehrere typische Prozessschritte dauern.
Um ein Pareto-Diagramm zu erstellen, laden Sie die Daten, initialisieren ggplot und lassen den Befehl stat_pareto() den Rest erledigen.
12345678910111213141516171819 |
#Laden Sie Ihre DatenData4Pareto <- data.frame( KPI = c("Customer Service Time", "Order Fulfillment", "Order Processing Time", "Order Production Time", "Order Quality Control Time", "Rework Time", "Shipping"), Time = c(1.50, 38.50, 3.75, 23.08, 1.92, 3.58, 73.17)) #Das Diagramm erstellenggplot(Data4Pareto, aes(x=KPI, y=Zeit)) + stat_pareto(point.color = "rot", point.size = 3, line.color = "schwarz", bars.fill = c("blau", "orange") ) + theme(axis.text.x = element_text(angle = 90, hjust = 1, vjust=0.5)) #done
|
Wie es aussieht, wird sich unser nächstes Verbesserungsprojekt entweder auf den Versand oder die Auftragsabwicklung konzentrieren. Good Luck!
Zusammenfassung
Die Erstellung von Kontrolldiagrammen mit ggQC ist schnell und einfach, besonders wenn Sie bereits mit ggplot vertraut sind. Wie andere ggplot-Diagramme unterstützen ggQC-Kontrollkarten Facetten und werden Schicht für Schicht aufgebaut. Wenn Sie ein kompliziertes Diagramm erstellen wollen, nur zu. Sie können so viele stat_QC-Aufrufe hinzufügen, wie Sie möchten (siehe XbarR_Vignette). Neben der Erstellung von Regelkarten ermöglicht ggQC auch die Durchführung von Pareto-, Fähigkeits- und Shewart-Verletzungsanalysen. Um mehr zu erfahren, besuchen Sie bitte rcontrolcharts.com
Weitere nützliche Links
- Eine Erläuterung der Regelkartenkonstanten