Statistisk processtyring (SPC): Definition, værktøjer og kvalitetsfordele

Statistisk processtyring blev lanceret af Walter A. Shewhart i begyndelsen af 1920'erne. Shewhart skabte grundlaget for kontrolkortet og konceptet om statistisk kontrol ved hjælp af omhyggeligt tilrettelagte eksperimenter. Selv om Shewhart tog udgangspunkt i rent matematiske statistiske teorier, forstod han, at data fra fysiske processer sjældent giver en "normalfordelingskurve" (en gaussisk fordeling, også almindeligvis omtalt som en "klokkekurve"). Han opdagede, at den observerede variation i produktionsdata ikke altid opførte sig på samme måde som data i naturen (f.eks. partikelers Brownskebevægelse). Dr. Shewhart konkluderede, at selv om alle processer udviser variation, udviser nogle processer kontrolleret variation, som er naturlig for processen (almindelige årsager til variation), mens andre udviser ukontrolleret variation, som ikke er til stede i processens årsagssystem til enhver tid (særlige årsager til variation). Ukontrolleret variation er ofte forbundet med defekte produkter, hvilket giver et datadrevet middel til at identificere problemer og forbedre kvaliteten.

W. Edwards Deming anvendte senere SPC-metoderne i USA under Anden Verdenskrig og forbedrede derved med succes kvaliteten i fremstillingen af ammunition og andre strategisk vigtige produkter. Efter krigens afslutning var han medvirkende til at indføre SPC-metoderne i den japanske industri. Demings metode med SPC og beslægtede ledelsesmetoder blev kendt som et kvalitetsstyringssystem.

Den følgende beskrivelse vedrører snarere fremstillingsindustrien end serviceindustrien, selv om SPC-principperne med succes kan anvendes i begge sektorer. For en beskrivelse og et eksempel på, hvordan SPC kan anvendes i et servicemiljø, henvises til Roberts (2005). Selden beskriver, hvordan SPC kan anvendes inden for salg, markedsføring og kundeservice, idet han bruger Demings berømte Red Bead Experiment som en letforståelig demonstration.

Ved masseproduktion blev kvaliteten af den færdige vare traditionelt opnået ved at inspicere produktet efter fremstillingen; hver enkelt vare (eller prøver fra et produktionsparti) blev accepteret eller afvist på grundlag af, hvor godt den opfyldte konstruktionsspecifikationerne. Statistisk processtyring anvender derimod statistiske værktøjer til at observere produktionsprocessens ydeevne med henblik på at forudsige væsentlige afvigelser, som senere kan resultere i et kasseret produkt.

Der forekommer to former for variation i alle fremstillingsprocesser: begge disse typer af procesvariation forårsager efterfølgende variation i det endelige produkt. Den første type er kendt som naturlig variation eller variation af almindelig årsag og består af den variation, der er indbygget i processen, som den er designet. Variation af almindelig årsag kan omfatte variationer i temperatur, råmaterialernes egenskaber, styrken af en elektrisk strøm osv. Den anden form for variation kaldes variation af særlig årsag eller variation af tilregnelig årsag og forekommer mindre hyppigt end den første. Ved tilstrækkelig undersøgelse kan man finde en specifik årsag til variationer af særlig årsag, f.eks. unormale råmaterialer eller forkerte opsætningsparametre.

F.eks. kan en emballagelinje til morgenmadsprodukter være designet til at fylde hver kornkasse med 500 gram produkt, men nogle kasser vil indeholde lidt mere end 500 gram, og nogle vil indeholde lidt mindre, i overensstemmelse med en fordeling af nettovægtene. Hvis produktionsprocessen, dens input eller dens omgivelser ændres (f.eks. hvis de maskiner, der fremstiller produktet, begynder at blive slidt), kan denne fordeling ændres. F.eks. kan kornfyldningsmaskinen begynde at putte mere korn i hver æske end angivet, efterhånden som dens knapper og remskiver slides. Hvis denne ændring får lov til at fortsætte ukontrolleret, vil der blive fremstillet flere og flere produkter, som falder uden for producentens eller forbrugerens tolerancer, hvilket resulterer i spild. Selv om affaldet i dette tilfælde er i form af "gratis" produkt for forbrugeren, består affaldet typisk af efterarbejde eller skrot.

Ved at observere på det rigtige tidspunkt, hvad der skete i processen, som førte til en ændring, kan kvalitetsingeniøren eller et medlem af det team, der er ansvarlig for produktionslinjen, finde årsagen til den variation, der har sneget sig ind i processen, og rette op på problemet.

SPC angiver, hvornår der skal foretages en handling i en proces, men den angiver også, hvornår der IKKE skal foretages nogen handling. Et eksempel er en person, der gerne vil opretholde en konstant kropsvægt og foretager ugentlige vægtmålinger. En person, der ikke forstår SPC-begreberne, vil måske begynde at gå på slankekur, hver gang hans eller hendes vægt stiger, eller spise mere, hver gang hans eller hendes vægt falder. Denne type handling kan være skadelig og muligvis skabe endnu større variation i kropsvægten. SPC ville tage højde for normale vægtvariationer og bedre angive, hvornår personen faktisk tager på eller taber sig.

Statistisk processtyring kan groft sagt opdeles i tre sæt aktiviteter: forståelse af processen, forståelse af årsagerne til variation og eliminering af kilderne til variation af særlig årsag. Nøgleværktøjer i SPC er kontroldiagrammer, fokus på løbende forbedringer og planlagte eksperimenter.

Når man skal forstå en proces, kortlægges processen typisk, og processen overvåges ved hjælp af kontroldiagrammer. Kontroldiagrammer bruges til at identificere variation, der kan skyldes særlige årsager, og til at befri brugeren for bekymring over variation, der skyldes almindelige årsager. Dette er en kontinuerlig, løbende aktivitet. Når en proces er stabil og ikke udløser nogen af kontrolkortets påvisningsregler, kan der også foretages en proceskapacitetsanalyse for at forudsige, om den nuværende proces er i stand til at fremstille et overensstemmende (dvs. inden for specifikationerne) produkt i fremtiden.

Når der identificeres for store variationer ved hjælp af reglerne for kontrolkortdetektion, eller når proceskapaciteten findes mangelfuld, gøres der en ekstra indsats for at finde årsagerne til variationen. De anvendte værktøjer omfatter Ishikawa-diagrammer, designede eksperimenter og Pareto-diagrammer. Planlagte eksperimenter er afgørende for denne fase af SPC, da de er det eneste middel til objektivt at kvantificere den relative betydning af de mange potentielle årsager til variationen.

Når årsagerne til variationen er blevet kvantificeret, bruges der kræfter på at fjerne de årsager, der er både statistisk og praktisk signifikante (dvs. en årsag, der kun har en lille, men statistisk signifikant effekt, kan ikke anses for at være omkostningseffektiv at rette op på; en årsag, der ikke er statistisk signifikant, kan imidlertid aldrig anses for at være praktisk signifikant). Generelt omfatter dette udvikling af standardarbejde, fejlsikring og uddannelse. Der kan være behov for yderligere procesændringer for at reducere variationen eller tilpasse processen til det ønskede mål, især hvis der er et problem med proceskapaciteten.

I 1989 introducerede Software Engineering Institute i CMM-modellen (Capability Maturity Model) tanken om, at SPC med fordel kan anvendes på ikke-produktionsmæssige processer, såsom softwareudviklingsprocesser. Denne idé findes i dag i niveau 4- og niveau 5-praksis i Capability Maturity Model Integration (CMMI). Denne opfattelse af, at SPC er et nyttigt værktøj, når det anvendes på ikke-repetitive, videnintensive processer som f.eks. ingeniørprocesser, har imidlertid mødt stor skepsis og er stadig kontroversiel i dag. Problemet ligger i mange områder af software, som ikke er gentagende, men som i stedet er engangsaspekter eller engangsaspekter af kvalitet, i stedet for at blive observeret for gentagne præstationer over en langtidsbetragtning.

• Kvalitetssikring
• Kvalitetskontrol
• ANOVA
• Prøveudtagning (statistik)
• Six sigma