Het ggQC pakket is een uitbreiding voor kwaliteitscontrole voor ggplot. Gebruik het om XmR, XbarR, C en vele andere zeer aanpasbare controlediagrammen te maken. Bijkomende statistische procescontrole functies omvatten Shewart overtreding controles en capaciteitsanalyse. Als uw proces goed loopt, visualiseer dan de potentiële gevolgen van uw volgende procesverbetering met een Pareto-diagram. Lees verder voor meer informatie!
Om met ggQC aan de slag te gaan, installeert u het vanaf CRAN door de volgende code uit te voeren:
1 |
install.packages("ggQC")
|
ggQC-controlediagrammen
Controlediagrammen zijn een geweldige manier om procesoutputs te bewaken, verbeteringen door te voeren en meetsystemen te evalueren. De soorten controlediagrammen die door ggQC worden ondersteund zijn:
- Individuele diagrammen: mR, XmR
- Attribuutdiagrammen: c, np, p, u
- Gestudeerde diagrammen: xBar.rBar, xBar.rMedian, xBar.sBar, xMedian.rBar, xMedian.rMedian
- Spreidingsdiagrammen: rBar, rMedian, sBar
Het proces voor het bouwen van controlediagrammen met ggQC is eenvoudig. Laad eerst de ggQC en ggplot2 bibliotheken. Laad vervolgens uw gegevens in R. Uw gegevens moeten in long-form zijn. De dataset hieronder geeft een voorbeeld van long-form data als u niet bekend bent met de term.
Maak ten slotte uw controlediagram met behulp van de standaard ggplot syntaxis voor laag-voor-laag en het stat_QC() commando. De voorbeeldcode hieronder laat zien hoe al deze stappen samenkomen om een XmR-plot te maken.
1234567891011121314151617181920212223242526 |
## Laad de benodigde bibliothekenlibrary(ggplot2)library(ggQC) ### Verzin wat demo data (laad uw bestand hier in plaats daarvan)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 Willekeurige gegevens ) ### Maak de plotXmR_Plot <- ggplot(Process_Data, aes(x = Run_Number, y = Value)) + #init ggplot geom_point() + geom_line() + # voeg de punten en lijnen toe stat_QC(method = "XmR", # specificeer QC-grafiekmethode auto.label = T, # gebruik autolabels label.digits = 2, # gebruik twee cijfers in het label show.1n2.sigma = T # toon 1 en twee sigma lijnen ) + scale_x_continuous(expand = expand_scale(mult = .15)) # Opvullen van de x-as ### Teken de plot - DoneXmR_Plot
|
Door voort te bouwen op het ggplot raamwerk, krijg je een hoog niveau van controle over de plot details zoals punten en lijnen etc. Als u bovendien XmR- en mR-gegevens op dezelfde plot wilt zetten, kan dat. Doe gewoon meerdere aanroepen naar het stat_QC() commando, zoals hieronder getoond.
1234567891011121314 |
## Twee stat_QC-oproepenXmR_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)) # Opvullen van de x-as ### Teken de plot - DoneXmR_Plot |
Voor meer voorbeelden van controlediagrammen, bekijk de docs, HOWTO’s, en Vignettes op rcontrolcharts.com.
Overtredingsanalyse
Om te controleren of uw proces gegevens bevat die buiten de controle vallen, gebruikt u het commando stat_qc_violations(). Wanneer u dit commando uitvoert, worden uw gegevens gecontroleerd aan de hand van de volgende 4 Shewart-overtredingsregels:
- Zelfde kant: 8 of meer opeenvolgende punten aan dezelfde kant
- 1 Sigma: 4 of meer opeenvolgende punten aan dezelfde kant die groter zijn dan 1 sigma
- 2 Sigma: 2 of meer opeenvolgende punten aan dezelfde zijde die meer dan 2 sigma bedragen
- 3 Sigma: alle punten die meer dan 3 sigma bedragen
Het volgende stukje code demonstreert een overtredingsanalyse met het stat_qc_violation() commando met gebruikmaking van procesgegevens uit de vorige sectie.
12345678 |
#Gebruikt dezelfde gegevens als het vorige voorbeeld. QC_Violations <- ggplot(Process_Data, aes(x = Run_Number, y = Value)) + #init ggplot stat_qc_violations(method = "XmR" #show.facets = 4 #als u alleen facet 4 wilt )QC_Violations |
Na het uitvoeren van de code zou u een plot met 4 facetten moeten zien – één voor elke Shewart-regel. Indien u alleen het 4e facet wilt zien, stel dan show.facets = 4 in. Andere instellingen zoals show.facets = c(2, 4) zullen alleen 1 en 3 sigma schendingen tonen.
Voor onze testgegevens werd geen enkele van de standaard 4 Shewart-overtredingen waargenomen. Geweldig. Nu gaan we kijken of we een capaciteitsanalyse kunnen uitvoeren met ggQC.
Capability Analysis
In de vorige secties hebt u geleerd hoe u met ggQC een controlediagram maakt en controleert op schendingen. Hier leert u hoe u een basiscapaciteitenanalyse (Cp, Cpk, Pp, Ppk enz.) kunt doen. Hiervoor nemen we aan dat de klant een onderste specificatiegrens (LSL) en een bovenste specificatiegrens (USL) heeft van respectievelijk 25 en 37. Met deze specificaties en het commando stat_QC_Capability() kunt u een grafische capaciteitsanalyse uitvoeren in slechts een paar eenvoudige regels code:
12345678910111213 |
#Gebruikt dezelfde gegevens als in het eerste voorbeeldCapabilityAnaylsis <- ggplot(Process_Data, aes(x = Value)) + #init ggplot geom_histogram(binwidth = .75, color="purple") + #maak het histogram stat_QC_Capability( LSL=25, USL=37, #Specifieer LSL en USL show.cap.summary = c("Cp", "Cpk"), #selected summary digits = 2, #rapporteer twee cijfers method="XmR") + #gebruik de XmR-methodescale_x_continuous(expand = expand_scale(mult = c(0.15,.65)) #pad de X-as #plot de grafiekCapabilityAnaylsis
|
Om de op de plot weergegeven capability-metrics aan te passen, voorziet u het show.cap.summary-argument van een vector met de gewenste metrics. Beschikbare meeteenheden zijn:
- TOL: Tolerantie in Sigma-eenheden (USL-LSL)/sigma
- DNS: Afstand tot dichtstbijzijnde specificatiegrens in Sigma-eenheden
- Cp: Cp (Binnen monster elleboog-ruimte metriek)
- Cpk: Cpk (Binnen monster centreringsmaatstaf)
- Pp: Pp (Tussen steekproef elleboogruimte metriek)
- Ppk: Ppk (Tussen monster centrering metriek)
- LCL: Onderste Regelgrens
- X: Process Center
- UCL: Upper Control Limit
- Sig: Sigma van controlediagrammen
De volgorde in de vector is de volgorde die op de grafiek wordt weergegeven. In dit geval werden alleen Cp en Cpk geselecteerd, zoals hieronder getoond.
Cool! Het lijkt erop dat het proces in goede vorm is. Om meer voorbeelden van capaciteitsanalyse te zien, bekijk de ggQC documentatie en voorbeelden op stat_QC_Capability. stat_QC_Capability is ook compatibel met ggplot faceting. Merk op dat XbarR capability charts iets anders gespecificeerd zijn dan XmR.
Pareto Analysis
In orde, dus uw processen zijn in controle. Maar u weet dat uw proces knelpunten heeft. Waar moet u beginnen? Een manier om uw aanval te plannen is met een Pareto-analyse. Stel dat u de volgende gegevens hebt, waaruit blijkt hoe lang een aantal typische processtappen duren.
Om een Paretodiagram te genereren, laadt u de gegevens, initialiseert u ggplot en laat u de opdracht stat_pareto() de rest doen.
12345678910111213141516171819 |
#laad uw gegevensData4Pareto <- data.frame( KPI = c("Klantenservicetijd", "Orderafhandeling", "Orderverwerkingstijd", "Orderproductietijd", "Orderkwaliteitscontroletijd", "Reworktijd", "Verzending"), Tijd = c(1,50, 38,50, 3,75, 23,08, 1,92, 3,58, 73,17)) #maak de plotggplot(Data4Pareto, aes(x=KPI, y=Tijd)) + stat_pareto(punt.color = "rood", punt.size = 3, line.color = "zwart", bars.fill = c("blauw", "oranje") ) + theme(as.text.x = element_text(hoek = 90, hjust = 1, vjust=0.5)) #done
|
Het ziet ernaar uit dat ons volgende verbeteringsproject zich zal richten op ofwel verzending ofwel het afhandelen van bestellingen. Veel succes!
Samenvatting
Het bouwen van controlediagrammen met ggQC is snel en eenvoudig, vooral als u al bekend bent met ggplot. Zoals andere ggplot grafieken, ondersteunen ggQC controlediagrammen faceting en worden ze laag-voor-laag opgebouwd. Als u een ingewikkelde grafiek moet maken, ga uw gang. U kunt zoveel stat_QC calls toevoegen als u wilt (zie XbarR_Vignette). Naast controlediagrammen kunt u met ggQC ook Pareto, capability en Shewart violation analyses uitvoeren. Ga voor meer informatie naar rcontrolcharts.com
Andere nuttige links
- Een uitleg van controlediagramconstanten