Le paquet ggQC est une extension de contrôle de qualité pour ggplot. Utilisez-le pour créer des cartes de contrôle XmR, XbarR, C et bien d’autres hautement personnalisables. Les fonctions supplémentaires de contrôle statistique des processus incluent les vérifications de violation de Shewart ainsi que l’analyse de capacité. Si votre processus fonctionne sans problème, visualisez l’impact potentiel de votre prochaine amélioration de processus avec un diagramme de Pareto. Pour en savoir plus, lisez la suite !
Pour commencer à utiliser ggQC, installez-le à partir de CRAN en exécutant le code suivant :
1 |
install.packages("ggQC")
|
gQC Control Charts
Les cartes de contrôle sont un excellent moyen de surveiller les sorties de processus, de conduire l’amélioration et d’évaluer les systèmes de mesure. Les types de cartes de contrôle pris en charge par ggQC comprennent :
- Cartes individuelles : mR, XmR
- Cartes à attributs : c, np, p, u
- Cartes étudiées : xBar.rBar, xBar.rMedian, xBar.sBar, xMedian.rBar, xMedian.rMedian
- Cartes de dispersion : rBar, rMedian, sBar
Le processus de construction de cartes de contrôle avec ggQC est simple. Tout d’abord, chargez les bibliothèques ggQC et ggplot2. Ensuite, chargez vos données dans R. Vos données doivent être sous forme longue. L’ensemble de données ci-dessous fournit un exemple de données en format long si vous n’êtes pas familier avec ce terme.
Enfin, réalisez votre carte de contrôle en utilisant la syntaxe standard ggplot couche par couche et la commande stat_QC(). L’exemple de code ci-dessous, montre comment toutes ces étapes se rejoignent pour faire un graphique XmR.
1234567891011121314151617181920212223242526 |
### Charger les bibliothèques nécessaireslibrary(ggplot2)library(ggQC) ### Préparer des données de démonstration (chargez plutôt votre fichier ici)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 ) ### Faire le plotXmR_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 ) + scale_x_continuous(expand = expand_scale(mult = .15)) # Remplir l'axe des x ### Dessiner le graphique - DoneXmR_Plot
|
En vous basant sur le framework ggplot, vous obtenez un haut niveau de contrôle sur les détails du graphique tels que les points et les lignes, etc. De plus, si vous voulez mettre des données XmR et mR sur le même graphique, vous le pouvez. Il suffit de faire plusieurs appels à la commande stat_QC(), comme indiqué ci-dessous.
1234567891011121314 |
### Deux appels stat_QCXmR_Plot <- ggplot(Process_Data, aes(x = Run_Number, y = Value)) + #init ggplot geom_point() + geom_line() + #addition des points et des lignes stat_QC(method = "XmR", #specifie la méthode de graphique QC auto.label = T, #Utilise Autolabels label.digits = 2, #Utilise deux chiffres dans l'étiquette show.1n2.sigma = T #Show 1 and two sigma lines ) + stat_QC(method="mR") + scale_x_continuous(expand = expand_scale(mult = .15)) # Remplir l'axe des x ### Dessiner le graphique - DoneXmR_Plot |
Pour plus d’exemples de cartes de contrôle, consultez les docs, HOWTOs, et Vignettes à rcontrolcharts.com.
Analyse des violations
Pour vérifier les données hors contrôle dans votre processus, utilisez la commande stat_qc_violations(). Lorsque vous exécutez cette commande, vos données sont vérifiées par rapport aux 4 règles de violation de Shewart suivantes :
- Même côté : 8 points consécutifs ou plus, du même côté
- 1 Sigma : 4 points consécutifs ou plus, du même côté, dépassant 1 sigma
- 2 Sigma : 2 ou plus de points consécutifs du même côté dépassant 2 sigma
- 3 Sigma : tous les points dépassant 3 sigma
Le bout de code suivant démontre une analyse de violation avec la commande stat_qc_violation() en utilisant les données du processus de la section précédente.
12345678 |
#Utilise les mêmes données que l'exemple précédent. QC_Violations <- ggplot(Process_Data, aes(x = Run_Number, y = Value)) + #init ggplot stat_qc_violations(method = "XmR" #show.facets = 4 #if you just want facet 4 )QC_Violations |
Après avoir exécuté le code, vous devriez voir un graphe avec 4 facettes – une pour chaque règle de Shewart. Si vous ne voulez voir que la 4e facette, définissez show.facets = 4. D’autres paramètres tels que show.facets = c(2, 4) montreront les violations de 1 et 3 sigma, seulement.
Pour nos données de test, aucune des 4 violations standard de Shewart n’a été observée. Génial ! Ensuite, nous allons voir comment faire une analyse de capacité avec ggQC.
Analyse de capabilité
Dans les sections précédentes, vous avez appris à faire une carte de contrôle avec ggQC et à vérifier les violations. Ici, vous apprendrez à faire une analyse de capacité de base (Cp, Cpk, Pp, Ppk etc.). Pour cela, nous supposons que le client a une limite inférieure de spécification (LSL) et une limite supérieure de spécification (USL) de 25 et 37, respectivement. Avec ces spécifications et la commande stat_QC_Capability(), vous pouvez faire une analyse de capabilité graphique en quelques lignes de code simples :
12345678910111213 |
# Utilise les mêmes données que le premier exempleCapabilityAnaylsis <- ggplot(Process_Data, aes(x = Value)). + #init ggplot geom_histogram(binwidth = .75, color="purple") + #faire l'histogramme stat_QC_Capability( LSL=25, USL=37, #Specifier LSL et USL show.cap.summary = c("Cp", "Cpk"), #sélection du résumé digits = 2, #signale deux chiffres method="XmR") + #Utiliser les méthodes XmR scale_x_continuous(expand = expand_scale(mult = c(0.15, .65))) #Pad l'axe des X #Plot le graphiqueCapabilityAnaylsis
|
Pour ajuster les métriques de capacité affichées sur le graphique, fournissez l’argument show.cap.summary avec un vecteur de métriques souhaitées. Les métriques disponibles incluent :
- TOL : Tolérance en unités Sigma (USL-LSL)/sigma
- DNS : Distance à la limite de spécification la plus proche en unités Sigma
- Cp : Cp (métrique de l’espace coude à l’intérieur de l’échantillon)
- Cpk : Cpk (Dans la métrique de centrage de l’échantillon)
- Pp : Pp (Entre l’échantillon et le coude métrique)
- Ppk : Ppk (Entre le centrage de l’échantillon métrique)
- LCL : Limite de contrôle inférieure
- X : Centre du processus
- UCL : Limite supérieure de contrôle
- Sig : Sigma des cartes de contrôle
L’ordre donné dans le vecteur est l’ordre affiché sur la carte. Dans ce cas, seuls Cp et Cpk ont été sélectionnés, comme indiqué ci-dessous.
Cool ! On dirait que le processus est en bonne forme. Pour voir plus d’exemples d’analyse de capabilité, consultez la documentation et les exemples de ggQC sur stat_QC_Capability. stat_QC_Capability est également compatible avec le facettage ggplot. Notez que les diagrammes de capabilité XbarR sont spécifiés de manière légèrement différente de ceux de XmR.
Analyse de Pareto
D’accord, donc vos processus sont sous contrôle. Cependant, vous savez que votre processus comporte des goulots d’étranglement. Par où devez-vous commencer ? Une façon d’aider à planifier votre attaque est de faire une analyse de Pareto. Supposons que vous ayez les données suivantes montrant la durée de plusieurs étapes typiques du processus.
Pour générer un diagramme de Pareto, chargez les données, initialisez ggplot, et laissez la commande stat_pareto() faire le reste.
12345678910111213141516171819 |
#chargez vos donnéesData4Pareto <- 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)) #faire le tracéggplot(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
|
Il semble que notre prochain projet d’amélioration portera sur l’expédition ou l’exécution des commandes. Bonne chance !
Summary
Construire des cartes de contrôle avec ggQC est rapide et facile, surtout si vous êtes déjà familier avec ggplot. Comme les autres graphiques de ggplot, les cartes de contrôle de ggQC supportent les facettes et sont construites couche par couche. Si vous avez besoin de réaliser un graphique compliqué, allez-y. Vous pouvez ajouter autant d’appels stat_QC que vous le souhaitez (voir XbarR_Vignette). En plus des cartes de contrôle, ggQC vous permet d’effectuer des analyses de Pareto, de capacité et de violation de Shewart. Pour en savoir plus, consultez le site rcontrolcharts.com
Autres liens utiles
- Une explication des constantes des cartes de contrôle
.