plik Adobe PDF / Get full paper - Adobe PDF file
Transkrypt
plik Adobe PDF / Get full paper - Adobe PDF file
KOMISJA BUDOWY MASZYN PAN – ODDZIAŁ W POZNANIU Vol. 26 nr 2 Archiwum Technologii Maszyn i Automatyzacji 2006 ADAM HAMROL ∗ , AGNIESZKA KUJAWIŃSKA ∗∗ NOWA METODA ANALIZY KART KONTROLNYCH PROCESU Artykuł traktuje o metodach rozpoznawania statystycznej stabilności procesu z wykorzystaniem tzw. kart kontrolnych procesu. W pracy wskazano problemy związane z wykorzystaniem tradycyjnych kart kontrolnych bezpośrednio w procesie wytwarzania, na stanowisku roboczym. Zaprezentowano nowe, autorskie podejście do analizowania danych na kartach kontrolnych, oparte na traktowaniu tych danych jako liczbowego szeregu czasowego, tworzącego pewien obraz stanu procesu. Opisano propozycje metod klasyfikowania obrazów na karcie kontrolnej oraz krótką charakterystykę programu CCAUS (ang. Control Charts-Analysis Unnatural Symptoms), wspomagającego te metody. W publikacji zamieszczono także wyniki weryfikacji skuteczności opracowanych metod dla danych uzyskanych z dwóch operacji technologicznych: dogładzania i szlifowania. Słowa kluczowe: karta kontrolna, rozpoznawanie, stabilność procesu 1. ZMIENNOŚĆ PROCESU, STATYSTYCZNE STEROWANIE PROCESAMI, KARTY KONTROLNE PROCESU Nieodłączną cechą wszelkich procesów, w tym procesów wytwarzania, jest zmienność zarówno wielkości wejściowych, jak i wyjściowych (wyników procesu). Jest ona wynikiem oddziaływania na każdy proces zakłóceń, które można podzielić na zakłócenia naturalne (losowe) oraz specjalne (systematyczne bądź sporadyczne). Większość zakłóceń specjalnych może być rozpoznana i eliminowana. Zakłócenia naturalne są związane z naturą samego procesu i nie można ich całkowicie usunąć. W praktyce przemysłowej w sterowaniu procesami wytwarzania dąży się do zminimalizowania zmienności procesu m.in. przez wykorzystanie metod statystycznych. Zbiór narzędzi statystycznych, których zadaniem jest opisanie zmienności procesu, w wyniku czego możliwe jest podjęcie odpowiednich działań pozwalających utrzymać zmienność w dopuszczalnych granicach, a następnie – dzięki zasadzie ciągłego doskonalenia – sprowadzić je do minimum, okre∗ ∗∗ Prof. dr hab. inż. Mgr inż. Instytut Technologii Mechanicznej Politechniki Poznańskiej. 150 A. Hamrol, A. Kujawińska śla się mianem statystycznego sterowania procesami (ang. Statistical Process Control, ozn. SPC) [2]. Jednym z podstawowych narzędzi SPC są karty kontrolne procesu (KKP), czyli wykres określonych wcześniej miar statystycznych (statystyk 1 ). Są one wizualizacją położenia oraz rozrzutu procesu (wybranej miary procesu lub cechy wyrobu w tym procesie obrabianego, montowanego bądź przetwarzanego). Osią rzędnych na karcie są najczęściej: numer próby, czas pobierania próby, numer partii lub inna wielkość, a osią odciętych: wartości pomiarowe, wartość średnia, mediana, rozstęp itp. Na skutek oddziaływania na proces wielu czynników losowych wyniki obserwacji układają się w wykres typu „piła” (rys. 1). cykl: trend rosnący/malejący: przesunięcie GLK LC DLK Rys. 1. Przykładowe obrazy świadczące o utracie stabilności przez proces (opracowanie własne) Fig. 1. The pattern’s examples which show on unstability process Istota obserwacji wykresu powstającego na karcie kontrolnej procesu polega na umiejętności interpretowania go. Wykresy te lub ich fragmenty można traktować jako obrazy (rys. 1), kierując się spostrzeżeniem, że „jeden obraz bywa wart więcej niż tysiąc słów, a jeden wykres więcej niż tysiąc liczb”. Często zbudowanie jednego trafnego wykresu niesie więcej informacji niż zbiór miar statystycznych. Pewne obrazy na karcie kontrolnej świadczą o utracie przez proces stabilności 2 (świadczą o trwałej zmianie opisującego go modelu statystycznego). Postaci takich obrazów może być wiele [2, 4]. Podstawowym obrazem jest przekroczenie przez wartość kontrolowanej statystyki granic kontrolnych. Na potrzeby konkretnego procesu wytwarzania analizuje się także inne układy punktów, których prawdopodobieństwo pojawienia się jest równie małe jak prawdopodobieństwo przekroczenia granic kontroli. Stosowanie kart kontrolnych kojarzy się najczęściej z wykreślaniem punktów na papierze oraz interpretowaniem ich przez operatora maszyny na stanowisku 1 Przez termin „statystyka” rozumie się obliczoną wartość miary statystycznej z próby n-elementowej, np. wartość średnią, medianę, odchylenie standardowe, rozstęp, odchylenie przeciętne itd. 2 Przez pojęcie stabilności procesu rozumiana jest tutaj stabilność w sensie statystycznym. Proces jest stabilny, jeśli opisujące go parametry modelu statystycznego (przyjętego) nie ulegają istotnej (w sensie istotności statystycznej) zmianie. Jest tak wtedy, gdy zakłócenia działające na proces mają znaną i akceptowaną naturę losową. Wówczas np. zarówno miara położenia procesu, jak i wariancja procesu zmieniają się w czasie w określonych granicach. Nowa metoda analizy kart kontrolnych procesu 151 pomiarowym. Decyzje operatora wynikają z jego doświadczenia, a często intuicji. Słabą stroną takiego rozwiązania jest konieczność ciągłej obserwacji układu punktów na karcie kontrolnej oraz podejmowanie decyzji o stabilności procesu przez pracownika, którego uwaga jest skupiona przede wszystkim na obsłudze maszyny (stanowiska). Ograniczeniem jest również niewystarczająca często wiedza operatora o przyczynach zakłócenia (zakłóceń) oraz o adekwatnych do nich działań korygujących. Rozwiązaniem powyższych problemów jest stosowanie narzędzi wspomagających człowieka operatora w rozpoznawaniu pojawiających się na karcie kontrolnej obrazów. Wymaga to opracowania odpowiednich metod ich klasyfikowania oraz przygotowania oprogramowania. Powyższe spostrzeżenia przyczyniły się do podjęcia badań dotyczących interpretacji obrazów powstających na karcie kontrolnej. Prekursorami tych prac byli m.in. Cheng, Hubele, Hamrol, Kalka, Płaska [1, 3, 5]. 2. KOMPUTEROWE WSPOMAGANIE INTERPRETACJI KART KONTROLNYCH PROCESU Ostatnie dziesięciolecia to rozwój oprogramowania wspomagającego statystyczne sterowanie procesami [2, 3]. Na polskim rynku dostępne są pakiety umożliwiające wykonywanie prostych analiz statystycznych oraz programy przeznaczone do SPC. Poniżej przedstawiono tablicę klasyfikującą znane, dostępne oprogramowanie pod kątem wykorzystania modułu automatycznej oceny stabilności procesu na podstawie kart kontrolnych. Tablica 1 Charakterystyka programów wspomagających statystyczne sterowanie procesami przeznaczonych do SPC Characteristic of programs aided the statistical process control Nazwa programu Firma Podstawowe analizy statystyczne Moduł do tworzenia kart kontrolnych Moduł automatycznej analizy KKP Wykorzystana metoda Statistica KK qs-STAT, procella Q-PAK STAT9000 ATEST StatSoft tak tak tak 3 strefy QDAS TQMsoft OPTOSOFT MARCEL tak tak tak tak tak tak tak tak – – tak (3 typy) tak QI Analyst ISOFT Wonderware TRY tak tak tak tak tak – – – 3 strefy brak danych 3 strefy – 152 A. Hamrol, A. Kujawińska Wszystkie znane i dostępne programy wykazują pewne słabe strony. Jedną z nich jest brak mechanizmów podpowiedzi, często brak możliwości poprawienia błędu popełnionego przy wprowadzaniu i przetwarzaniu danych. W praktyce wspomaganie statystycznego sterowania procesami sprowadza się często do oprogramowania podstawowych procedur statystycznych. Przykładem mogą być rozwiązania, w których umożliwiono tworzenie kart kontrolnych, ale nie przewidziano możliwości ich analizy (m.in. q-stat, proceslla, SPCnet). Decyzje o tym, czy proces jest stabilny, podejmuje nadal operator maszyny. Jest to wynikiem braku skutecznej metody rozpoznawania obrazów na karcie kontrolnej, świadczących o utracie przez proces stabilności. Z analizy oprogramowania GLK Sterfa A wynika również, że jeżeli już są wbuSterfa B Sterfa C 1 dowane narzędzia analizy KKP, to LC Sterfa C wykorzystują one metodę tzw. 3 stref. Sterfa B Sterfa A Pozwala ona na zdefiniowanie i rozpoDLK znanie symptomów na KKP przez wyRys. 2. Podział obszaru karty na strefy ABC znaczenie prawdopodobieństwa wyFig. 2. The area’s division on ABC zone stąpienia punktów w kolejnych strefach karty kontrolnej oznaczonych jako: A, B, C. Metoda ta jest wykorzystywana w znanych systemach informatycznych [1, 4] i opiera się na standardach opracowanych dla procesów technologicznych AT&T, opisanych w 1959 r. Strefy zdefiniowane są dla rozkładu normalnego i są krotnością odchylenia standardowego (tzw. sigma) procesu (rys. 2). Powyższe ograniczenie sprawia, że zdefiniowanie rozpoznawania nietypowych sygnałów, jak np. cykli, grup punktów, mieszanin, jest niemożliwe. Metoda 3 stref, związana ściśle z założonym rozkładem cechy – rozkładem normalnym, nakłada ograniczenia na generowanie sygnałów niekonwencjonalnych, charakterystycznych dla określonej technologii. 3. OPRACOWANE METODY ROZPOZNAWANIA OBRAZÓW NA KKP 3.1. Uwagi ogólne Analiza dostępnych metod rozpoznawania obrazów doprowadziła autorów do opracowania założeń teoretycznych i implementacji programowej nowych rozwiązań. Autorskie metody nazwano odpowiednio: One Two Three (ozn. OTT), macierz wag (ozn. MW). Autorzy dokonali także próby wykorzystania do rozpoznawania na KKP obrazów sztucznych sieci neuronowych (ozn. SSN). Celem stosowania metod: OTT, MW oraz SSN jest zakwalifikowanie obrazu powstałego na KKP (ściślej: liczbowego szeregu czasowego tworzącego obraz) jako losowego lub jako jednego ze wzorców zapisanych w bazie utworzonej Nowa metoda analizy kart kontrolnych procesu 153 przez eksperta, a świadczącego o utracie przez proces stabilności statystycznej. W pierwszym wypadku nie jest konieczne podejmowanie w stosunku do nadzorowanego procesu żadnego działania, w drugim należy znaleźć przyczynę niestabilności i podjąć adekwatne działanie prowadzące do jej przywrócenia. 3.2. Metoda OTT Ideą metody OTT jest przypisanie odcinkom powstałym przez połączenie kolejnych n punktów (wartości kontrolowanych statystyk) na KKP określonych wartości związanych z ich nachyleniem w stosunku do osi rzędnych. Ciągowi (n – 1) odcinków przypisuje się wartości ze zbioru {1, 2, 3}, które odzwierciedlają kierunek ich nachylenia. Powstały w ten sposób szereg jedynek, dwójek i trójek porównywany jest ze wzorcami zapisanymi w bazie danych. Pierwszy krok metody polega na podziale karty kontrolnej na k obszarów. Polom przypisywane są wagi z przedziału <1, k/2>. Największą wagę otrzymują obszary wokół linii centralnej (na rys. 3 jest to obszar środkowy). Liczba obszarów oraz rozkład wag na karcie są determinowane przez założony model zmienności cechy. Rys. 3. Wyznaczanie miary S Obraz na karcie kontrolnej zapisywany Fig. 3. The determination of measure S jest jako wektor [Oi, Mi]. Składowa Oi jest ciągiem symboli odzwierciedlającym nachylenie odcinków w zależności od wartości granicznej skoku ϕ ustalanej przez eksperta. Nachylenia określono jako: – 1 (dodatnie nachylenie), jeśli ( x t – x t–1) > ϕ, – 2 (bez nachylenia), jeśli | x t – x t–1| < ϕ, – 3 (nachylenie ujemne), jeżeli ( x t – x t–1) < –ϕ. Składowa Mi odzwierciedla położenie obrazu w obszarze karty. Jest to iloczyn wag obszarów końca i początku odcinka i: Mi = wi * wi+1. Tak zapisany wektor porównywany jest kolejno ze wzorcami Pi zdefiniowanymi wcześniej w bazie danych. Wyznaczane są odległości pomiędzy obrazem Oi a wzorcem Pi według poniższego wzoru: Pi − Oi = 0 gdy ⎧ 0, ⎪ d i = ⎨0,5g i , gdy Pi − Oi = 1;−1 , gdzie g i = log M i ⎪ g, gdy Pi − Oi = 2;−2 ⎩ i (1) 154 A. Hamrol, A. Kujawińska Wygenerowanie sygnału o pojawieniu się w ciągu obrazów wzorca i następuwówczas, gdy miara podobieństwa S, wyznaczana z zależności S = 1 − ∑ d i L , przekracza wartość graniczną Sg (L – maksymalna wartość sumy odległości di). Miara S przyjmuje wartości z przedziału <0, 1>. Jeżeli wartość wskaźnika S jest równa lub bliska 1, analizowany obraz jest bardzo podobny do określonego wzorca. Dla wzorców typu przesunięcie i fluktuacje wyznaczana jest dodatkowo suma iloczynów Mi w celu poprawnej klasyfikacji obrazu. Jeżeli spełniona jest nierówność: je n −1 ∑M i ≤ ( n − 1)( wl wl −1 ) i =1 to sygnalizowane jest pojawienie się wzorca przesunięcie, w przeciwnym razie obraz jest szeregiem losowym (wl – waga obszaru l uznanego za granicę trwałego przesunięcia procesu). 3.3. Metoda MW 1 Punktem wyjścia opracowania metody macierzy wag jest spostrzeżenie, że trendy występujące na kartach kontrolnych mogą mieć różnorodną postać. W analitycznym podejściu poszukiwanie np. trendu rosnącego polega na porównywaniu kolejnych wartości n-elementowego ciągu. Jeżeli przez xi oznaczymy kolejne wartości przyjmowane przez zmienną X, to przykładowo sygnał typu run rosnący pojawi się, jeśli będzie spełniony warunek: x1 < x2 i x2 < x3, i … xn–1 < xn. Niestety, w przypadku trendów i innych obrazów (typu przesunięcie, cykle, grupy itd.) zadanie opisu analitycznego się komplikuje. Przykładowo, trend rosnący można zapisać także jako x1 < x2 i x2 > x3, i x3 < x4, i x4 > x5, i … xn–1 < xn. Relacje te nie niosą wystarczającej informacji o szeRys. 4. Macierz typu trend rosnący regu czasowym na karcie kontrolnej. Po Fig. 4. The matrix of the growing trend pierwsze, brakuje wiedzy o usytuowaniu punktów w granicach dozwolonej zmienności szeregu. Po drugie, istnieje nieskończenie wiele wzajemnych położeń kolejnych punktów w obszarze granic kontrolnych. Zauważono, że jakkolwiek punkty te będą względem siebie zorientowane, to znajdują się w określonym paśmie na karcie. 1 Metoda powstała w ramach projektu badawczego „System wspomagania decyzji w sterowaniu jakością procesów wytwarzania”, T07/D0/4511/98. Nowa metoda analizy kart kontrolnych procesu 155 Opracowana metoda polega na podzieleniu karty na macierz o wymiarach [k × n] (k kolumn, n wierszy), a następnie na przypisaniu polom macierzy wag wi ∈ <0, 1>. Dla każdego wzorca tworzona jest oddzielna macierz. Rozkład wag w macierzy odpowiada pasmom pojawiania się danego modelu. Dla każdego obrazu o długości n wyznaczana jest miara S, której wartość porównywana jest z wartością graniczną określoną przez eksperta. Miara S jest sumą wag obszarów, w których znajdują się punkty analizowanego szeregu. Jeżeli S ma wartość większą (lub równą) od wartości granicznej, to generowany jest sygnał o wystąpieniu wzorca. Ograniczeniem metody jest konieczność zdefiniowania macierzy dla każdej klasy wzorców oraz wybór wartości granicznej G, która determinuje uznanie obrazu za symptom. 4. WERYFIKACJA OPRACOWANYCH METOD Opracowane metody zweryfikowano na danych uzyskanych z procesów szlifowania wałeczków łożysk tocznych (ozn. proces I) oraz dogładzania powierzchni ekranu odbiornika telewizyjnego (ozn. proces II). W celu weryfikacji skuteczności opracowanych metod oprogramowano je w języku Delphi 7.0. Program nazwano CCAUS 1 (ang. Control Charts-Analysis Unnatural Symptoms). Aplikacja umożliwia: wprowadzenie danych pomiarowych, wykonanie podstawowych analiz statystycznych danych (m.in. wyznaczenie miar położenia, rozproszenia, wykreślenie histogramów, wyznaczenie wskaźników zdolności jakościowej itd.), utworzenie kart kontrolnych, analizę szeregu czasowego w poszukiwaniu symptomów z wykorzystaniem metod OTT oraz MW na KKP, stworzenie bazy przyczyn niestabilności procesu, stworzenie bazy kroków korygujących. Głównym zadaniem CCAUS jest analiza szeregów czasowych powstających na kartach kontrolnych. Analiza wykonywana jest przez porównanie obrazów powstających na karcie ze wzorcami zdefiniowanymi przez eksperta w bazie danych. Weryfikacja przebiegała według następującego schematu: – Zdefiniowanie k-elementowego zbioru wzorców do procesu szlifowania wałków oraz obróbki wykańczającej ekranu odbiornika telewizyjnego (ozn. odpowiednio: WSZ, WDO). Wzorce zdefiniowano w oparciu o instrukcje prowadzenia karty kontrolnej wartości średniej i rozstępów, obowiązujące w przedsiębiorstwach, z których uzyskano dane do weryfikacji. W obu przypadkach brano pod uwagę wzorce 7-elementowe. 1 Program CCAUS jest przeznaczony do pracy na komputerach klasy PC z zainstalowanym systemem Microsoft® Windows™. Minimalne wymagania: procesor – 500 MHz, pamięć RAM 128 MB, twardy dysk 2 MB, oprogramowanie: Microsoft® Windows™ 9x/NT/2000/XP, Microsoft® Excel™ 97/2000/XP/2003. 156 A. Hamrol, A. Kujawińska – Zebranie danych z procesów wytwarzania (ozn. PSZ, PDO) oraz wyników rozpoznawania obrazów przez operatora OP. – Analiza zbiorów danych PSZ, PDO. Wyznaczenie wszystkich, zdaniem eksperta oraz osoby odpowiedzialnej za proces, obrazów świadczących o zmianie stanu procesu (zbiory: LSZ, LDO). – Rozpoznanie obrazów w zbiorach PSZ oraz PDO z wykorzystaniem: metody OTT, metody MW oraz sztucznych sieci neuronowych SSN. – Porównanie skuteczności rozpoznania za pomocą przyjętych miar: MPr = n r n oraz MB r = nbr N , gdzie: MPr – wskaźnik rozpoznań poprawnych, MBr – wskaźnik rozpoznań niepoprawnych, n – liczba wszystkich wzorców, nr – liczba wzorców rozpoznanych z wykorzystaniem metody r, N – liczba wszystkich wskazań, nbr – liczba błędnych wskazań metody r. Tablica 2 Wyniki weryfikacji skuteczności opracowanych metod The results of the methods verification Metoda/wartość miary MPr [%] Model proces szlifowania proces dogładzania Wzorzec OP OTT MW SSN OP OTT MW SSN Run rosnący – RR 100 100 100 100 100 100 100 100 Run malejący – RM 100 100 100 100 100 100 100 100 Trend rosnący – TR 93 99 100 99 97 99 100 99 Trend malejący – TM 91 98 100 98 92 97 99 98 Shift górny – SU 90 90 100 99 90 89 98 99 Shift dolny – SD 85 92 96 100 87 92 98 100 Grupa 2z3 – GR 48 90 80 96 53 96 93 96 Mieszanina – MIX – – – – 51 74 91 92 98,86 83,75 93,38 97,38 98,00 Średni poziom skuteczności 86,71 95,57 96,57 W tablicy przedstawiono średnie miary klasyfikacji w odniesieniu do poszczególnych wzorców. Nie podano wartości miary MB, ponieważ we wszystkich przypadkach przyjmowała ona wartości mniejsze od 1%. Najmniej skuteczna okazała się metoda tradycyjna (oceny operatorów, OP) (rys. 5). Procent prawidłowych rozpoznań z wykorzystaniem metod MW oraz SSN jest zbliżony, z lekką przewagą na korzyść sztucznych sieci neuronowych (zarówno dla procesu szlifowania wałków, jak i dogładzania ekranu). Nowa metoda analizy kart kontrolnych procesu a) MP 157 Średnia miara skuteczności M P klasyfikowania opracowanych metod w procesie szlifowania 100,00% 90,00% 80,00% 70,00% 60,00% 50,00% 40,00% Metoda Metoda OP (ocena operatora) Metoda OTT Metoda MW Metoda SSN Średnia miara skuteczności b) MP Średnia miara skuteczności M P klasyfikowania opracowanych metod w procesie dogładzania 100,00% 90,00% 80,00% 70,00% 60,00% 50,00% 40,00% Metoda Metoda OP (ocena operatora) Metoda OTT Metoda MW Metoda SSN Średnia miara skuteczności Rys. 5. Wykresy średniej miary skuteczności opracowanych metod: a) proces szlifowania, b) proces dogładzania Fig. 5. The graphs of the effectiveness measure for the methods Weryfikacja skuteczności metod potwierdziła przypuszczenia, że słabym ogniwem w analizie kart kontrolnych jest osoba operatora – najmniejszy procent poprawnych rozpoznań. Operator dobrze radzi sobie z układami typu trendy, run oraz shift. Wyjątkiem znacząco odbiegającym od tej reguły są wzorce typu mieszaniny oraz 2 z 3 punktów w strefie ostrzegania. Klasyfikowanie w oparciu o metodę OTT daje wynik na poziomie średnim, lecz znacznie lepszym niż rozpoznanie przez człowieka. Podobnie jak w przypadku operatora, klasyfikacja modeli typu mieszaniny tą metodą nie sprawdza się. Najlepsze wyniki osiągnięto metodami sztucznych sieci neuronowych oraz macierzy wag. 158 A. Hamrol, A. Kujawińska 5. WNIOSKI Nowe spojrzenie na kartę kontrolną procesu jako zbiór n-elementowych szeregów czasowych, będących swego rodzaju obrazami stanu procesu, pozwoliło autorom wykorzystać w analizie tych kart techniki rozpoznawania obrazów. Opracowane metody OTT i MW dały dobre wyniki rozpoznawania stanu procesu. Wykazały większą skuteczność niż operator człowiek. Opracowane metody pozwalają ekspertom tworzyć niekonwencjonalne wzorce stanów procesów, co w znaczącym stopniu rozszerza możliwość ich stosowania. LITERATURA [1] Cheng Ch. Hubele N., A pattern recognition algorithm for an x control chart, IIE Transaction, 1996, nr 28. [2] Hamrol A., Zarządzanie jakością z przykładami, Warszawa, Wydawnictwo Naukowe PWN 2005. [3] Hamrol A., Kalka R., Pakiet oprogramowania do wspomagania SPC z możliwością wyznaczania globalnych stanów jakości, in: Metrologia w technikach wytwarzania, Kielce, Zeszyty Naukowe Politechniki Świętokrzyskiej, 1997. [4] Parker J.R., Algorithms for Image Processing and Computer Vision, New York, Wiley 1996. [5] Płaska S., Wprowadzenie do statystycznego sterowania procesami technologicznymi, Lublin 2001. [6] Rutkowski L., Metody i techniki sztucznej inteligencji. Inteligencja obliczeniowa, Warszawa, Wydawnictwo Naukowe PWN 2005. Praca wpłynęła do Redakcji 12.04.2006 Recenzent: dr hab. inż. Bronisław Słowiński NEW METHOD OF CONTROL CHARTS ANALYSIS Summary The paper takes up some problems connected with the analysis of the process stability with the use of process control charts. An approach of pattern recognition idea and two applications, called OTT and MW, supporting these approach are described. Also an CCAUS software (Control Charts-Analysis Unnatural Symptoms) aided the use these applications is presented. Verification of the worked out methods was performed on the base of data taken from two machining operations. Key words: control charts, recognition, process stability