El paquete ggQC es una extensión de control de calidad para ggplot. Se utiliza para crear XmR, XbarR, C y muchos otros gráficos de control altamente personalizables. Las funciones adicionales de control de procesos estadísticos incluyen las comprobaciones de violación de Shewart, así como el análisis de capacidad. Si su proceso está funcionando sin problemas, visualice el impacto potencial de su próxima mejora del proceso con un gráfico de Pareto. Para saber más, ¡siga leyendo!
Para empezar con ggQC, instálelo desde CRAN ejecutando el siguiente código:
1 |
install.packages("ggQC")
|
GgQC Control Charts
Los gráficos de control son una gran manera de supervisar los resultados del proceso, impulsar la mejora y evaluar los sistemas de medición. Los tipos de gráficos de control soportados por ggQC incluyen:
- Gráficos individuales : mR, XmR
- Gráficos de atributos : c, np, p, u
- Gráficos estudiados: xBar.rBar, xBar.rMedian, xBar.sBar, xMedian.rBar, xMedian.rMedian
- Gráficos de dispersión: rBar, rMedian, sBar
El proceso para construir gráficos de control con ggQC es sencillo. Primero, cargue las bibliotecas ggQC y ggplot2. A continuación, cargue sus datos en R. Sus datos deben estar en formato largo. El conjunto de datos a continuación proporciona un ejemplo de datos de forma larga si no está familiarizado con el término.
Por último, haga su gráfico de control utilizando la sintaxis estándar de ggplot capa por capa y el comando stat_QC(). El código de ejemplo a continuación, muestra cómo todos estos pasos se unen para hacer un gráfico XmR.
1234567891011121314151617181920212223242526 |
## Cargar las librerías necesariaslibrary(ggplot2)library(ggQC) ### Crear algunos datos de demostración (cargar su archivo aquí en su lugar)set.seed(5555)Process_Data <- data.frame( Process=rep(c("A"), each = 30), #Proceso A Run_Number=c(1:30), #Valor de orden de ejecución = c(rnorm(n = 30, mean = 30.5, sd = 1)) #Proceso A Datos aleatorios ) ### Hacer el plotXmR_Plot <- ggplot(Datos_Proceso, aes(x = Número_de_ejecución, y = Valor)) + #init ggplot geom_point() + geom_line() + # añadir los puntos y las líneas stat_QC(method = "XmR", # especificar el método de gráficos de control de calidad auto.label = T, # utilizar etiquetas automáticas label.digits = 2, # utilizar dos dígitos en la etiqueta show.1n2.sigma = T # mostrar 1 y dos líneas sigma ) + scale_x_continuous(expand = expand_scale(mult = .15)) # Acolchar el eje x ### Dibujar el gráfico - DoneXmR_Plot
|
Al basarse en el framework ggplot, se obtiene un alto nivel de control sobre los detalles del gráfico como puntos y líneas, etc. Además, si quieres poner datos XmR y mR en el mismo gráfico, puedes hacerlo. Sólo tiene que hacer varias llamadas al comando stat_QC(), como se muestra a continuación.
1234567891011121314 |
## Dos llamadas a stat_QCXmR_Plot <- ggplot(Process_Data, aes(x = Run_Number, y = Value)) + #init ggplot geom_point() + geom_line() + #añadir los puntos y las líneas stat_QC(method = "XmR", #especificar el método de graficación QC auto.label = T, #Utilizar etiquetas automáticas label.digits = 2, #Utilizar dos dígitos en la etiqueta show.1n2.sigma = T #Mostrar 1 y dos líneas sigma ) + stat_QC(method="mR") + scale_x_continuous(expand = expand_scale(mult = .15)) #Acomodar el eje x ### Dibujar el gráfico - DoneXmR_Plot |
Para más ejemplos de gráficos de control, revise los documentos, HOWTOs y Vignettes en rcontrolcharts.com.
Análisis de Violación
Para comprobar los datos fuera de control en su proceso, utilice el comando stat_qc_violations(). Cuando se ejecuta este comando, los datos se comprueban con las siguientes 4 reglas de violación de Shewart:
- Mismo lado: 8 o más puntos consecutivos del mismo lado
- 1 Sigma: 4 o más puntos consecutivos del mismo lado que exceden 1 sigma
- 2 Sigma: 2 o más puntos consecutivos, del mismo lado, que exceden 2 sigma
- 3 Sigma: cualquier punto que exceda 3 sigma
Este siguiente trozo de código demuestra un análisis de violación con el comando stat_qc_violation() usando los datos del proceso de la sección anterior.
12345678 |
#Usa los mismos datos que el ejemplo anterior. QC_Violations <- ggplot(Process_Data, aes(x = Run_Number, y = Value)) + #init ggplot stat_qc_violations(method = "XmR" #show.facets = 4 #si sólo quieres la faceta 4 )QC_Violations |
Después de ejecutar el código, deberías ver un gráfico con 4 facetas – una para cada regla de Shewart. Si sólo quiere ver la cuarta faceta, establezca show.facets = 4. Otras configuraciones como show.facets = c(2, 4) mostrarán las violaciones de 1 y 3 sigmas, solamente.
Para nuestros datos de prueba, no se observó ninguna de las 4 violaciones estándar de Shewart. ¡Impresionante! A continuación, veremos cómo hacer un análisis de capacidad con ggQC.
Análisis de capacidad
En las secciones anteriores, usted aprendió cómo hacer un gráfico de control con ggQC y comprobar las violaciones. Aquí aprenderá cómo hacer un análisis de capacidad básico (Cp, Cpk, Pp, Ppk etc.). Para ello, suponemos que el cliente tiene un límite de especificación inferior (LSL) y un límite de especificación superior (USL) de 25 y 37, respectivamente. Con estas especificaciones y el comando stat_QC_Capability(), se puede hacer un análisis gráfico de la capacidad en unas pocas líneas de código:
12345678910111213 |
# Utiliza los mismos datos que el primer ejemploCapabilityAnaylsis <- ggplot(Process_Data, aes(x = Value)) + #init ggplot geom_histogram(binwidth = .75, color="purple") + #hacer el histograma stat_QC_Capability( LSL=25, USL=37, #Especificar LSL y USL show.cap.summary = c("Cp", "Cpk"), #resumen seleccionado digits = 2, #reportar dos dígitos method="XmR") + #Utilizar los métodos XmRcale_x_continuous(expand = expand_scale(mult = c(0.15,.65)) #escalar el eje X #trazar el gráficoCapabilityAnaylsis
|
Para ajustar las métricas de capacidad mostradas en el gráfico, proporcione el argumento show.cap.summary con un vector de métricas deseadas. Las métricas disponibles incluyen:
- TOL: Tolerancia en Unidades Sigma (USL-LSL)/sigma
- DNS: Distancia al límite de especificación más cercano en unidades sigma
- Cp: Cp (métrica de espacio para el codo dentro de la muestra)
- Cpk: Cpk (métrica de centrado dentro de la muestra)
- Pp: Pp (métrica de espacio en el codo entre muestras)
- Ppk: Ppk (métrica de centrado entre muestras)
- LCL: Límite inferior de control
- X: Centro del proceso
- UCL: Límite de control superior
- Sig: Sigma de los gráficos de control
El orden dado en el vector es el que se muestra en el gráfico. En este caso, sólo se han seleccionado Cp y Cpk, como se muestra a continuación.
¡Bien! Parece que el proceso está en buena forma. Para ver más ejemplos de análisis de capacidad, consulte la documentación y los ejemplos de ggQC en stat_QC_Capability. stat_QC_Capability también es compatible con ggplot faceting. Tenga en cuenta que los gráficos de capacidad de XbarR se especifican de forma ligeramente diferente a los de XmR.
Análisis de Pareto
Así que sus procesos tienen el control. Sin embargo, usted sabe que su proceso tiene cuellos de botella. ¿Por dónde debería empezar? Una forma de ayudar a planificar su ataque es con un análisis de Pareto. Supongamos que tiene los siguientes datos que muestran el tiempo que tardan varios pasos típicos del proceso.
Para generar un gráfico de Pareto, cargue los datos, inicialice ggplot y deje que el comando stat_pareto() haga el resto.
12345678910111213141516171819 |
#cargar los datosData4Pareto <- data.frame( KPI = c("Tiempo de atención al cliente", "Cumplimiento de pedidos", "Tiempo de procesamiento de pedidos", "Tiempo de producción de pedidos", "Tiempo de control de calidad de pedidos", "Tiempo de retrabajo", "Envío"), Time = c(1.50, 38.50, 3.75, 23.08, 1.92, 3.58, 73.17)) #hacer el gráficoggplot(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)) #hecho
|
Parece que nuestro próximo proyecto de mejora se centrará en el envío o en la realización de pedidos. Buena suerte.
Resumen
Construir gráficos de control con ggQC es rápido y fácil, especialmente si ya estás familiarizado con ggplot. Al igual que otros gráficos ggplot, los gráficos de control ggQC soportan facetas y se construyen capa por capa. Si necesita hacer un gráfico complicado, adelante. Puede añadir tantas llamadas a stat_QC como desee (véase XbarR_Vignette). Además de los gráficos de control, ggQC le permite ejecutar análisis de Pareto, de capacidad y de violación de Shewart. Para saber más, visite rcontrolcharts.com
Otros enlaces útiles
- Una explicación de las constantes de los gráficos de control