Il pacchetto ggQC è un’estensione di controllo qualità per ggplot. Usalo per creare XmR, XbarR, C e molti altri grafici di controllo altamente personalizzabili. Ulteriori funzioni di controllo statistico del processo includono i controlli delle violazioni di Shewart e l’analisi delle capacità. Se il tuo processo funziona bene, visualizza il potenziale impatto del tuo prossimo miglioramento del processo con un grafico di Pareto. Per saperne di più, continuate a leggere!
Per iniziare con ggQC, installatelo da CRAN eseguendo il seguente codice:
1 |
install.packages("ggQC")
|
ggQC Control Charts
Le carte di controllo sono un ottimo modo per monitorare i risultati del processo, guidare il miglioramento e valutare i sistemi di misurazione. I tipi di carte di controllo supportati da ggQC includono:
- Carte individuali: mR, XmR
- Carte di attributi: c, np, p, u
- Carte studiate: xBar.rBar, xBar.rMedian, xBar.sBar, xMedian.rBar, xMedian.rMedian
- Grafici a dispersione: rBar, rMedian, sBar
Il processo per costruire grafici di controllo con ggQC è semplice. Per prima cosa, caricare le librerie ggQC e ggplot2. Poi, caricate i vostri dati in R. I vostri dati dovrebbero essere in formato lungo. Il set di dati qui sotto fornisce un esempio di dati in forma lunga se non avete familiarità con il termine.
Finalmente, fate il vostro grafico di controllo usando la sintassi standard ggplot layer-by-layer e il comando stat_QC(). Il codice di esempio qui sotto, mostra come tutti questi passi si uniscono per fare un grafico XmR.
1234567891011121314151617181920212223242526 |
#### Carica le librerie necessarielibrary(ggplot2)library(ggQC) #### Crea dei dati demo (carica il tuo file qui invece)set.seed(5555)Process_Data <- data.frame( Process=rep(c("A"), each = 30), #Processo A Run_Number=c(1:30), #Run Order Value = c(rnorm(n = 30, mean = 30.5, sd = 1)) #Process A Dati casuali ) ### Fai il plotXmR_Plot <- ggplot(Process_Data, aes(x = Run_Number, y = Value)) + #init ggplot geom_point() + geom_line() + # aggiungi i punti e le linee stat_QC(method = "XmR", # specifica il metodo grafico QC auto.label = T, # usa etichette automatiche label.digits = 2, # usa due cifre nell'etichetta show.1n2.sigma = T # mostra 1 e due linee sigma ) + scale_x_continuous(expand = expand_scale(mult = .15)) # Imbottisci l'asse x ### Disegna il grafico - DoneXmR_Plot
|
Costruendo sul framework ggplot, si ottiene un alto livello di controllo sui dettagli del grafico come punti e linee, ecc. Inoltre, se volete mettere i dati XmR e mR sullo stesso grafico, potete farlo. Basta fare più chiamate al comando stat_QC(), come mostrato di seguito.
1234567891011121314 |
### Due chiamate stat_QCXmR_Plot <- ggplot(Process_Data, aes(x = Run_Number, y = Value)) + #init ggplot geom_point() + geom_line() + #aggiungere i punti e le linee stat_QC(method = "XmR", #specificare il metodo di graficizzazione QC auto.label = T, #utilizzare le etichette automatiche label.digits = 2, #utilizzare due cifre nell'etichetta show.1n2.sigma = T #mostrare 1 e due linee sigma) + stat_QC(metodo="mR") + scale_x_continuous(expand = expand_scale(mult = .15)) # Imbottisci l'asse x ### Disegna il grafico - DoneXmR_Plot |
Per altri esempi di carte di controllo, controlla la documentazione, gli HOWTO e le vignette su rcontrolcharts.com.
Analisi delle violazioni
Per controllare i dati fuori controllo nel tuo processo, usa il comando stat_qc_violations(). Quando esegui questo comando, i tuoi dati vengono controllati rispetto alle seguenti 4 regole di violazione di Shewart:
- Same Side: 8 o più punti consecutivi sullo stesso lato
- 1 Sigma: 4 o più punti consecutivi sullo stesso lato superiori a 1 sigma
- 2 Sigma: 2 o più punti consecutivi dello stesso lato che superano 2 sigma
- 3 Sigma: qualsiasi punto che supera 3 sigma
Il prossimo pezzo di codice dimostra un’analisi di violazione con il comando stat_qc_violation() usando i dati di processo della sezione precedente.
12345678 |
#Usa gli stessi dati dell'esempio precedente. QC_Violazioni <- ggplot(Process_Data, aes(x = Run_Number, y = Value)) + #init ggplot stat_qc_violations(method = "XmR" #show.facets = 4 #se vuoi solo la facet 4 )QC_Violations |
Dopo aver eseguito il codice, dovresti vedere un grafico con 4 facet – una per ogni regola di Shewart. Se vuoi vedere solo la quarta sfaccettatura, imposta show.facets = 4. Altre impostazioni come show.facets = c(2, 4) mostreranno solo le violazioni di 1 e 3 sigma.
Per i nostri dati di test, non è stata osservata nessuna delle 4 violazioni standard di Shewart. Fantastico! Successivamente, vedremo di fare un’analisi delle capacità con ggQC.
Analisi delle capacità
Nelle sezioni precedenti, hai imparato come fare una tabella di controllo con ggQC e controllare le violazioni. Qui imparerete come fare un’analisi di base delle capacità (Cp, Cpk, Pp, Ppk ecc.). Per questo, assumiamo che il cliente abbia un limite inferiore di specifica (LSL) e un limite superiore di specifica (USL) di 25 e 37, rispettivamente. Con queste specifiche e il comando stat_QC_Capability(), potete fare un’analisi grafica delle capacità in poche semplici righe di codice:
12345678910111213 |
# Usa gli stessi dati del primo esempioCapabilityAnaylsis <- ggplot(Process_Data, aes(x = Value)) + #init ggplot geom_histogram(binwidth = .75, color="purple") + #fare l'istogramma stat_QC_Capability( LSL=25, USL=37, #Specificare LSL e USL show.cap.summary = c("Cp", "Cpk"), #riassunto selezionato digits = 2, #riporta due cifre method="XmR") + #Usa il metodo XmR methodscale_x_continuous(expand = expand_scale(mult = c(0.15,.65)) #pad l'asse X #tracciare il graficoCapabilityAnaylsis
|
Per regolare le metriche di capacità visualizzate sul grafico, fornire l’argomento show.cap.summary con un vettore di metriche desiderato. Le metriche disponibili includono:
- TOL: Tolleranza in unità Sigma (USL-LSL)/sigma
- DNS: Distanza dal limite di specifica più vicino in unità Sigma
- Cp: Cp (All’interno della metrica del gomito del campione)
- Cpk: Cpk (Entro la metrica di centratura del campione)
- Pp: Pp (metrica di centratura tra campioni)
- Ppk: Ppk (tra campioni di centratura metrica)
- LCL: Limite di controllo inferiore
- X: Centro del processo
- UCL: Limite superiore di controllo
- Sig: Sigma dai grafici di controllo
L’ordine dato nel vettore è l’ordine visualizzato sul grafico. In questo caso, solo Cp e Cpk sono stati selezionati, come mostrato di seguito.
Fico! Sembra che il processo sia in buona forma. Per vedere altri esempi di analisi di capacità, controllate la documentazione di ggQC e gli esempi su stat_QC_Capability. stat_QC_Capability è anche compatibile con ggplot faceting. Si noti che i grafici di capacità di XbarR sono specificati in modo leggermente diverso rispetto a XmR.
Analisi di Pareto
Va bene, così i tuoi processi hanno il controllo. Tuttavia, sai che il tuo processo ha dei colli di bottiglia. Da dove dovreste iniziare? Un modo per pianificare il tuo attacco è un’analisi di Pareto. Supponiamo che tu abbia i seguenti dati che mostrano quanto tempo richiedono diversi passi tipici del processo.
Per generare un grafico di Pareto, caricate i dati, inizializzate ggplot e lasciate che il comando stat_pareto() faccia il resto.
12345678910111213141516171819 |
#caricare i datiData4Pareto <- 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)) #fare il plotggplot(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)) #fatto
|
Sembra che il nostro prossimo progetto di miglioramento si concentrerà sulla spedizione o sull’evasione degli ordini. Buona fortuna!
Sommario
Costruire grafici di controllo con ggQC è facile e veloce, specialmente se hai già familiarità con ggplot. Come altri grafici ggplot, i grafici di controllo ggQC supportano le sfaccettature e sono costruiti strato per strato. Se avete bisogno di fare un grafico complicato, fate pure. Puoi aggiungere tutte le chiamate stat_QC che vuoi (vedi XbarR_Vignette). Oltre ai grafici di controllo, ggQC permette di eseguire analisi di Pareto, di capacità e di violazione di Shewart. Per saperne di più, visita rcontrolcharts.com
Altri link utili
- Una spiegazione delle costanti delle carte di controllo