Nieparametryczne metody statystycznego sterowania procesami
Transkrypt
Nieparametryczne metody statystycznego sterowania procesami
NIEPARAMETRYCZNE METODY STATYSTYCZNEGO STEROWANIA PROCESAMI (SPC) OLGIERD HRYNIEWICZ ANNA SZEDIW Instytut Bada Systemowych PAN Streszczenie Celem statystycznego sterowania procesami (SPC) jest wykrywanie ich rozregulowa, co w konsekwencji powinno prowadzi do znajdowania i usuwania przyczyn rozregulowania, a wic do poprawy jakoci procesu. Od kilkudziesiciu ju lat stosowane s do tego celu proste metody statystyczne, a w tym niezwykle popularne karty kontrolne. W pracy zaproponowano oryginalne zastosowanie nieparametrycznej metody statystycznej – testu niezalenoci Kendalla - do wykrywania rozregulowa procesu. Własnoci procedury zbadano dla rozregulowa przejawiajcych si wystpowaniem zalenoci pomidzy kolejnymi obserwacjami procesu, które mona opisa przy pomocy dwuwymiarowego rozkładu normalnego oraz kopuł Farliego – Gumbela – Morgensterna. Słowa kluczowe: statystyczna sterowanie procesem (SPC), test Kendalla, wykrywanie rozregulowa 1. Wprowadzenie Wynikajca z presji rynku konieczno wprowadzania systemów zapewnienia jakoci zwróciła uwag praktyków zarzdzania na znane od ponad osiemdziesiciu lat narzdzie statystycznego sterowania jakoci, jakim jest wprowadzona przez Shewharta karta kontrolna. Idea konstrukcji karty kontrolnej jest niezwykle prosta: wyniki pomiarów procesu (mog to by zarówno wyniki pojedynczych pomiarów jak te uzyskane na podstawie analizy statystycznej odpowiednich próbek losowych oceny takich parametrów procesu jak np. jego warto oczekiwana, czy te odchylenie standardowe) zaznaczane s w porzdku chronologicznym na wykresie. Na wykresie karty kontrolnej zaznaczone s ponadto nastpujce linie: linia centralna odpowiadajca wartoci redniej (lub wartoci docelowej) kontrolowanej charakterystyki procesu, a take jedna lub dwie linie kontrolne, okrelajce obszary niedopuszczalnych wartoci tej charakterystyki. Przykładowa karta kontrolna, słuca do kontroli wartoci redniej procesu (tzw. poziomu procesu) z wykorzystaniem wartoci redniej z próbki, przedstawiona jest na rysunku 1. Sposób konstrukcji kart kontrolnych opisano m.in. w ksikach Thompsona, Koronackiego i Nieckuły [4] oraz Hryniewicza [1]. Podstawowym sygnałem alarmowym, wiadczcym o prawdopodobnym wystpieniu rozregulowania procesu, jest pojawienie si wyniku pomiaru poza liniami kontrolnymi. Sytuacje takie zaznaczone s na rysunku 1 znakiem „+”. Sygnał tego rodzaju jest szczególnie przydatny do sygnalizacji rozregulowania polegajcego na jednorazowym przesuniciu si poziomu procesu w stosunku do linii centralnej. Szybkie wykrycie rozregulowania warunkowane jest jednak jego wielkoci. Powinno ono by wiksze od dwu odchyle standardowych zaznaczanej na karcie statystycznej charakterystyki procesu. W przypadku stosunkowo małych rozregulowa , oczekiwa- 64 Olgierd Hryniewicz, Anna Szediw Nieparametryczne metody statystycznego sterowania procesami (SPC) ny czas do ich wykrycia moe by niedopuszczalnie duy. W takich przypadkach naley stosowa pomiary próbek o wikszej licznoci, lub te inne karty kontrolne, takie jak karty sum skumulowanych (CUSUM), karty redniej ruchomej (MA) lub karty wykładniczo waonej redniej ruchomej (EWMA). Opis tych kart kontrolnych mona znale we wspomnianych ju ksikach [1] i [4]. Sterowanie procesem w przypadku wystpowania jego stosunkowo niewielkich rozregulowa równie komplikuje fakt, e w powszechnie stosowanych pakietach statystycznych, takich jak STATISTICA, SPSS oraz SAS, domyln opcj jest przeliczanie granic kontrolnych karty po pojawieniu si kadego nowego wyniku pomiaru. W tej sytuacji wyznaczana przez program komputerowy karta kontrolna „adaptuje si” do zmienionego poziomu procesu, uniemoliwiajc łatwe wykrycie jego rozregulowania. Podobny efekt moemy zauway, gdy parametry procesu wolno zmieniaj si w czasie, czyli gdy wystpuje efekt tzw. „płynicia parametrów”. + G ó rn a z ew n trz n a x - lin ia k o n tro ln a * * * * * * L in ia cen traln a * * * + * D o ln a z ew n trz n a lin ia k o n tro ln a N r p ró b k i Rys.1. Karta kontrolna X-rednia do kontroli poziomu procesu W celu umoliwienia szybszego wykrycia wspomnianych powyej typowych, a take innych, nietypowych (tzn. nie polegajcych na jednorazowym „załamaniu si” kontrolowanego procesu) rozregulowa , w latach pidziesitych zeszłego stulecia zaproponowano zestaw testów pomocniczych, znanych powszechnie jako metoda Western Electric. W jednym z testów tej metody sygnał alarmowy pojawia si w przypadku gdy sze kolejnych wyników pomiarów układa si albo w trendzie rosncym, albo w trendzie majcym. Mówimy w takim przypadku o wystpieniu sekwencyjnego sygnału alarmowego. Sytuacja ta jest przedstawiona na rysunku 2, gdzie moment pojawienia si sygnału alarmowego zaznaczono znakiem „+”. Przedstawiona powyej metoda wykrywania rozregulowania procesu, a take inne testy metody Western Electric, które opisane s m.in. w ksice Hryniewicza [1], s bardzo przydatne w wykrywaniu rozregulowa procesu o szczególnej postaci. Ich wielk zalet jest niezwykła wprost prostota, która moe jednak ogranicza efektywno testów w przypadku bardziej skomplikowanych typów rozregulowania procesu. W niniejszej pracy zaproponowano oryginalne zastosowanie znanej od wielu lat statystyki Kendalla do analizy sekwencji pomiarów prezentowanych na karcie kontrolnej. W zastosowaniu tym przyjto załoenie, e dla procesu znajdujcego si w stanie statystycznego uregulowania (tzn. w procesie stabilnym) kolejne jego pomiary powinny by wzajemnie niezalene o stałej wartoci oczekiwanej i wariancji. Wobec tego, pojawienie si pewnych zalenoci powinno wiadczy o moliwoci rozregulowania procesu. POLSKIE STOWARZYSZENIE ZARZDZANIA WIEDZ Seria: Studia i Materiały, nr 8, 2007 _ x 65 Górna zewntrzna * * + * * * A * * * * * linia kontrolna B * C * Linia centralna + C B A Dolna zewntrzna linia kontrolna Rys.2. Karta kontrolna z zaznaczonym sekwencyjnym sygnałem alarmowym Opis zaproponowanej metody przedstawiono w punkcie drugim niniejszej pracy, zwracajc szczególn uwag na jej własnoci statystyczne w przypadku kontroli procesów ustabilizowanych. Ciekawsz rzecz jest jednak przeanalizowanie własnoci tej metody w przypadku wystpowania okrelonych typów rozregulowa . W punkcie trzecim pracy przedstawiono model procesu, w którym wiadczce o jego rozregulowaniu zalenoci opisane s rodzin dwuwymiarowych rozkładów prawdopodobie stwa. Rozpatrzono dwa przypadki: dwuwymiarowego rozkładu normalnego oraz dwuwymiarowego rozkładu prawdopodobie stwa opisanego kopuł Farliego - Gumbela – Morgensterna. Dla obu rozpatrywanych przypadków przeanalizowano metodami symulacji komputerowej własnoci zaproponowanej procedury. Wyniki tej analizy, a w tym porównanie własnoci nowej procedury z własnociami wspomnianego powyej klasycznego testu metody Western Electric, przedstawiono w punkcie pitym niniejszej pracy. W zako czeniu przedstawione zostały podsumowujce prac wnioski, a take wskazano na kierunki dalszych bada . 2. Wykorzystanie testu niezalenoci Kendalla do wykrywania rozregulowa procesu Wystpowanie zalenoci pomidzy kolejnymi obserwacjami zaznaczanymi na karcie kontrolnej procesu moe wskazywa na jego rozregulowanie. Naley tu jednak podkreli, e nie kady rodzaj takiej zalenoci naley traktowa jako niekorzystny. W naszej analizie ograniczymy si wyłcznie do przypadku, gdy kontrolowana cecha jakociowa procesu powinna przyjmowa wartoci znajdujce si wewntrz dwustronnych granic tolerancji [L,U]. W takim przypadku rozregulowanie procesu przejawia si w pojawieniu si tendencji do pojawiania si zarówno obserwacji o wartociach zbyt duych, jak te i o wartociach zbyt małych. Łatwo zauway, e z takim przypadkiem bdziemy mieli do czynienia w przypadku wystpowania dodatniej zalenoci stochastycznej pomidzy kolejnymi wartociami opisujcej kontrolowany proces cechy jakociowej. Wynika to z tego, e w przypadku wystpowania zalenoci typu dodatniego duym wartociom kontrolowanej cechy w danych momentach czasowych towarzysz due wartoci w kolejnych momentach czasowych. Symetrycznie, w przypadku wystpowania dodatniej zalenoci stochastycznej, małym wartociom kontrolowanej cechy w danych momentach czasowych towarzysz małe w kolejnych momentach czasowych. W rezultacie zwiksza si całkowita zmienno procesu przejawiajca si powstawaniem niekorzystnych trendów (rosncych lub malejcych), co w przypadku procesów, dla których okrelono dwustronne granice tolerancji jest zjawiskiem zdecydowa- 66 Olgierd Hryniewicz, Anna Szediw Nieparametryczne metody statystycznego sterowania procesami (SPC) nie negatywnym. Z kolei, wystpowanie ujemnej zalenoci stochastycznej pomidzy kolejnymi obserwacjami kontrolowanej cechy jest zjawiskiem podanym. W takim przypadku mamy do czynienia ze zmniejszeniem zmiennoci procesu przejawiajcym si znaczcym zmniejszeniem szans wystpienia niekorzystnych trendów. Z powyszych rozwaa wynika, e celowym jest kontrolowanie procesu z wykorzystaniem takich narzdzi statystycznych, które umoliwiaj wykrycie niekorzystnych trendów bdcych konsekwencj wystpowania dodatnich zalenoci stochastycznych pomidzy kolejnymi wartociami opisujcymi dany proces cech. Wspomniana we Wprowadzeniu reguła Western Electric „szeciu kolejnych rosncych (malejcych)” jest najprostszym przykładem takiego narzdzia. Poniej zaproponujemy narzdzie bardziej skomplikowane, bdce uogólnieniem metody „szeciu kolejnych rosncych (malejcych)”, które powinno by bardziej efektywne w wykrywaniu wystpowania w procesie niekorzystnych dodatnich zalenoci stochastycznych. Niech Z1 , Z 2 , , Z n oznacza losow próbk składajc si z n kolejnych obserwacji kontrolowanego procesu. Wprowadmy teraz składajc si z n-1 elementów dwuwymiarow próbk losow ( X i , Yi ), i = 1, , n − 1 o elementach zdefiniowanych w nastpujcy sposób: X i = Z i , i = 1, , n − 1 oraz Yi = Z i +1 , i = 1, , n − 1 . Do opisu wzajemnej zalenoci zmiennych losowych X oraz Y wykorzystamy znan statystyk -Kendalla o postaci τ= gdzie 4 n −1 n −1 ¦ V − 1. i (1) i =1 {( ) Vi = card X j , Y j : X j < X i , Y j < Yi } (n − 2), i = 1,, n − 1 . (2) Rozkład prawdopodobie stwa statystyki τ jest znany dla przypadku wzajemnie niezalenych par obserwacji ( X i , Yi ), i = 1, , n − 1 . Niestety, w rozpatrywanym przez nas przypadku załoenie to nie jest spełnione, nawet wtedy, gdy oryginalne obserwacje Z1 , Z 2 , , Z n s wzajemnie niezalene. Na szczcie, dla niewielkich wartoci n oraz wzajemnej niezalenoci obserwacji Z1 , Z 2 , , Z n moliwe jest proste wyznaczenie prawdopodobie stw zaobserwowania skrajnych wartoci statystyki τ . Na przykład, w przypadku gdy mamy do czynienia z n kolejno rosncymi (malejcymi) wartociami obserwowanej cechy statystycznej statystyka τ przyjmuje zawsze warto równ 1, a prawdopodobie stwo zaobserwowania tej wartoci wynosi 2/n!. W Tabeli 1 dla wybranych wartoci n przedstawiono prawdopodobie stwa zaobserwowania wartoci τ ≥ τ kryt gdy kolejne obserwacje Z1 , Z 2 , , Z n s wzajemnie niezalene. POLSKIE STOWARZYSZENIE ZARZDZANIA WIEDZ Seria: Studia i Materiały, nr 8, 2007 67 Ta b e la 1 . Wartoci krytyczne statystyki n=6 ( τ kryt P τ ≥ τ kryt 1 0,8 0,6 0,00267 0,00834 0,03056 ) n=7 ( τ kryt P τ ≥ τ kryt 1 0,866 0,733 0,600 0,00042 0,00119 0,00477 0,01356 ) n=8 ( τ kryt P τ ≥ τ kryt 1 0,904 0,809 0,714 0,619 ) n=9 ( τ kryt P τ ≥ τ kryt 0,00006 0,00014 0,00069 0,00178 1 0,857 0,785 0,714 0,00001 0,00007 0,00021 0,00071 0,00565 0,642 0,571 0,00185 0,00514 ) ródło: opracowanie własne autorów W przypadku wikszych wartoci licznoci próbki n wartoci krytyczne statystyki τ , wraz z odpowiednimi prawdopodobie stwami zaobserwowania wartoci τ ≥ τ kryt mona wyznaczy metodami symulacyjnymi. Rozpatrzmy teraz moliwo wykorzystania wprowadzonej powyej statystyki τ do weryfikacji hipotezy o wzajemnej niezalenoci kolejnych obserwacji procesu. Jak łatwo zauway, zaobserwowanie duej wartoci statystyki τ jest w takim przypadku bardzo mało prawdopodobne i moe wiadczy o wystpowaniu dodatniej zalenoci pomidzy kolejnymi obserwacjami. Do wyboru parametrów testu n, τ kryt bdziemy wykorzystywa wan z praktycznego punktu wi- ( ) dzenia charakterystyk, jak jest oczekiwana liczba pomiarów (ARL) do pojawienia si takiej sekwencji obserwacji, dla których spełniona bdzie nierówno τ ≥ τ kryt . W przypadku niezalenoci kolejnych obserwacji pojawienie si takiej sekwencji bdzie fałszywym alarmem sugerujcym rozregulowanie procesu. Niestety, wyznaczenie wartoci ARL w sposób analityczny jest niezwykle trudne ze wzgldu na wzajemn zaleno kolejnych wartoci statystyki τ . W rezultacie wartoci tej charakterystyki daj si wyznaczy wyłcznie metodami symulacyjnymi. W Tabeli 2 przedstawiono tak wyznaczone wartoci ARL dla testów n, τ kryt podanych w Tabeli 1. ( ) Wspomniana poprzednio reguła „szeciu kolejnych rosncych (malejcych)” metody Western Electric została wybrana w ten sposób by prawdopodobie stwo wygenerowania fałszywego alarmu było zblione do prawdopodobie stwa wygenerowania fałszywego alarmu przez klasyczn kart kontroln Shewharta. Z Tablicy 1 mona odczyta, e prawdopodobie stwo wystpienia takiego fałszywego alarmu (odpowiadajcego zaobserwowaniu wartoci τ = 1 dla n=6) wynosi 0,0027, a odpowiednia warto ARL wynosi 422. Dla podanych w powyszych tabelach wikszych wartoci licznoci próbki n nie wystpuj testy o zblionych wartociach tego prawdopodobie stwa. Mamy wic testy albo o wartoci ARL zdecydowanie wikszej, albo te wyranie mniejszej. Due wartoci ARL s oczywicie korzystniejsze, ale testy o takich własnociach maj jednoczenie due wartoci oczekiwanego czasu do wykrycia prawdziwych alarmów, co jest własnoci zdecydowania niekorzystn. W tej sytuacji wybór odpowiedniego testu, którego zadaniem bdzie wykrycie wystpowania dodatniej zalenoci pomidzy obserwacjami procesu, proponujemy ograniczy do zbioru {(n=6, τ kryt =1), (n=7, τ kryt =0,733), (n=8, τ kryt =0,619), (n=9, 68 Olgierd Hryniewicz, Anna Szediw Nieparametryczne metody statystycznego sterowania procesami (SPC) τ kryt =0,571)}. Własnoci tych testów w przypadku wystpowania zalenoci rónego rodzaju porównamy w punkcie 4 niniejszej pracy. Ta b e la 2 . Wartoci ARL dla niezalenych obserwacji n=6 n=7 n=8 n=9 τ kryt ARL τ kryt ARL τ kryt ARL τ kryt ARL 1 0,8 0,6 422,0 151,4 47,5 1 0,866 0,733 0,600 2885,8 1013,5 270,6 106,5 1 0,904 0,809 0,714 0,619 22586 7799 1891,2s 705,9 246,0 1 0,857 0,785 0,714 0,642 0,571 >150000 15395 5618 1784,7 724,9 291,4 ródło: opracowanie własne autorów 3. Modelowanie procesów z wykorzystaniem dwuwymiarowego rozkładu normalnego oraz kopuły Farliego – Gumbela – Morgensterna W poprzednim punkcie niniejszej pracy przeanalizowalimy najwaniejsze własnoci wybranych testów wykorzystywanych w zaproponowanej przez nas procedurze badania niezalenoci kolejnych obserwacji procesu. Z praktycznego punktu widzenia równie wane s własnoci proponowanej procedury w przypadku gdy midzy kolejnymi obserwacjami procesu wystpuje zaleno okrelonego rodzaju. W niniejszym punkcie zdefiniujemy dwa typy takiej zalenoci, dla których własnoci proponowanej procedury bd analizowane w nastpnym punkcie pracy. Najczciej spotykanym w praktyce wielowymiarowym rozkładem prawdopodobie stwa jest wielowymiarowy rozkład normalny. Oznaczmy przez X oraz Y zmienne losowe opisujce dwa kolejne pomiary cechy kontrolowanego procesu. W celu modelowania zalenoci stochastycznej pomidzy tymi pomiarami przyjmijmy, e rozkład łczny wektora losowego (X,Y) jest dwuwymiarowym rozkładem normalnym o funkcji gstoci 1 f ( x, y ) = exp(− Q ) (3) 2πσ X σ Y 1 − ρ 2 gdzie 2 1 ° ( x − mX ) ( x − m X )( y − mY ) ( y − mY ) 2 ½° Q= − 2ρ + (4) ¾ 2 ® 2 σ XσY °¿ 1 − ρ °̄ σ X σ Y2 za parametr jest współczynnikiem korelacji, przyjmujcym warto równ zeru w przypadku wystpowania niezalenoci zmiennych losowych X oraz Y. Warunkowy rozkład prawdopodobie stwa zmiennej losowej Y pod warunkiem X = x jest rozkładem normalnym o wartoci oczekiwanej mY + ρ (σ X σ Y )(x − m X ) i odchyleniu standardowym σ Y 1 − ρ 2 (patrz np. [2]). W szczególnym przypadku gdy m X = mY = 0 oraz σ X = σ Y = 1 rozkład ten jest rozkładem normalnym o wartoci oczekiwanej xρ i odchyleniu POLSKIE STOWARZYSZENIE ZARZDZANIA WIEDZ Seria: Studia i Materiały, nr 8, 2007 standardowym 69 1 − ρ 2 . Godnym uwagi jest, e powyej opisany model zalenoci wystpujcej pomidzy kolejnymi obserwacjami kontrolowanego procesu jest tzw. modelem autoregresyjnym. W bardziej ogólnym przypadku wektor losowy (X,Y) moe by opisany dowolnym dwuwymiarowym rozkładem prawdopodobie stwa. W niniejszej pracy ograniczymy si jednak do specyficznej rodziny dwuwymiarowych rozkładów prawdopodobie stwa opisanych tzw. kopuł Farliego – Gumbela – Morgensterna (FGM). Dwuwymiarowa dystrybuanta rozkładu prawdopodobie stwa opisanego kopuł FGM ma posta [3]: F12 ( x , y ) = F1 ( x )F2 ( y )[1 + α (1 − F1 ( x ))(1 − F2 ( y ))] (5) gdzie F1 (x ) jest dowolnym brzegowym rozkładem prawdopodobie stwa cigłej zmiennej losowej X, a F2 ( y ) jest dowolnym brzegowym rozkładem prawdopodobie stwa cigłej zmiennej losowej Y. Dystrybuanta rozkładu warunkowego zmiennej losowej Y pod warunkiem X = x jest dana wzorem [3]: FY | x ( y | x) = F2 ( y ) − α (2 F1 ( x) − 1)F2 ( y )(1 − F2 ( y ) ) (6) Wystpujcy we wzorach (5) – (6) parametr wskazuje na sił i kierunek zalenoci. W przypadku, gdy zmienne X oraz Y s wzajemnie niezalene zachodzi równo α = 0 . Dodatnie wartoci parametru wskazuj na wystpowanie dodatniej zalenoci stochastycznej pomidzy X oraz Y, za ujemne wartoci parametru wskazuj na wystpowanie zalenoci ujemnej. 4. Badanie efektywnoci zaproponowanej metody W celu zbadania efektywnoci proponowanej metody wykrywania zalenoci pomidzy kolejnymi obserwacjami kontrolowanego procesu przeprowadzono eksperymenty symulacyjne. W przypadku, gdy zaleno opisana jest dwuwymiarowym rozkładem normalnym zastosowan miar efektywnoci procedury jest oczekiwana liczba pomiarów do momentu wystpienia sygnału alarmowego, tzn. oczekiwana liczba pomiarów (ARL) potrzebnych do wykrycia rozregulowania, gdy ono istnieje lub oczekiwana liczba pomiarów do wystpienia fałszywego alarmu, gdy kolejne obserwacje s wzajemnie niezalene. W Tabeli 3 przedstawiono wyniki eksperymentu dla wybranych procedur testowych i rónych wartoci współczynnika korelacji . Ta b e la 3 . Oczekiwana liczba pomiarów do wystpienia sygnału alarmowego n: τ kryt : -0,5 -0,3 -0,1 -0,05 0 0,05 0,1 0,3 0,5 6 1. 7 0,733 8 0,619 9 0,571 ARL 1599,6 928,8 546,7 478,3 422,0 369,6 323,0 187,8 108,1 ARL 1416,1 722,7 374,2 318,0 270,6 231,2 198,0 107,0 59,6 ARL 1697,7 775,3 362,9 302,5 246,0 205,8 172,3 87,4 47,8 ARL 2699,3 1083,8 455,5 368,0 298,4 235,6 192,2 87,0 45,9 ródło: opracowanie własne 70 Olgierd Hryniewicz, Anna Szediw Nieparametryczne metody statystycznego sterowania procesami (SPC) Z analizy wyników przedstawionych w Tabeli 3 wynika niezbicie, e zaproponowana procedura testowa właciwie reaguje na wystpowanie zalenoci pomidzy kolejnymi pomiarami procesu. W przypadku wystpowania zalenoci dodatniej, wiadczcej o moliwym rozregulowaniu procesu, oczekiwana liczba pomiarów potrzebnych do wykrycia takiej sytuacji szybko maleje wraz ze wzrostem siły takiej zalenoci. Z kolei, w przypadku wystpowania stabilizujcej proces zalenoci ujemnej oczekiwana liczba pomiarów do momentu wystpienia fałszywego alarmu o rozregulowaniu procesu szybko ronie wraz ze wzrostem (co do wartoci bezwzgldnej) siły zalenoci ujemnej. W obu przypadkach tempo zmian ronie wraz ze wzrostem liczby kolejnych analizowanych pomiarów (tzn. licznoci próbki n). W przypadku zalenoci opisywanej kopuł FGM dla normalnych rozkładów brzegowych porównywano prawdopodobie stwa wystpienia alarmu. Wyniki bada symulacyjnych przedstawiono w Tabeli 4. Równie i w tym przypadku zachowanie si zaproponowanej procedury testowej jest zgodne z oczekiwaniami. Podobnie jak w przypadku omawianym powyej, gdy wystpuje zaleno dodatnia, oczekiwana liczba pomiarów potrzebnych do wykrycia rozregulowania szybko maleje wraz ze wzrostem siły takiej zalenoci. Z kolei, w przypadku wystpowania zalenoci ujemnej oczekiwana liczba pomiarów do momentu wystpienia fałszywego alarmu o rozregulowaniu procesu szybko ronie wraz ze wzrostem (co do wartoci bezwzgldnej) siły zalenoci ujemnej. W obu przypadkach tempo zmian ronie wraz ze wzrostem liczby kolejnych analizowanych pomiarów (tzn. licznoci próbki n). Ta b e la 4 . Prawdopodobiestwo wystpienia sygnału alarmowego τ kryt : n: 6 1. P τ ≥ τ kryt -1,0 -0,75 -0,5 -0,25 0 0,25 0,5 0,75 1,0 0,00084 0,00110 0,00160 0,00219 0,00251 0,00351 0,00492 0,00593 0,00713 ( 7 0,733 ) ( P τ ≥ τ kryt 0,00096 0,00147 0,00224 0,00341 0,00479 0,00656 0,00855 0,01155 0,01445 8 0,619 ) ( P τ ≥ τ kryt ) 0,00094 0,00170 0,00242 0,00409 0,00558 0,00904 0,01059 0,01528 0,02080 ródło: opracowanie własne autorów 5. Podsumowanie Zaproponowana w niniejszej pracy procedura statystyczna słuca do wykrywania rozregulowa procesów jest naturalnym uogólnieniem znanej od lat reguły „szeciu kolejnych rosncych (malejcych)”. Pozwala ona wykrywa rozregulowania bdce konsekwencj wystpowania dodatniej zalenoci stochastycznej pomidzy wartociami kontrolowanej cechy statystycznej rozpatrywanego procesu. Z praktycznego punktu widzenia najkorzystniej jest stosowa procedury, których własnoci przedstawiono w Tabeli 3. Na szczególn uwag zasługuje tu test wykorzystujcy n=7 kolejnych pomiarów procesu. Okazuje si, e w przypadku przyjcia wartoci krytycznej POLSKIE STOWARZYSZENIE ZARZDZANIA WIEDZ Seria: Studia i Materiały, nr 8, 2007 71 statystyki Kendalla równej 0,733 obserwowane sekwencje pomiarów, które generuj sygnały alarmowe maj posta analogiczn do przebiegów przedstawionych na Rysunku 3 8 8 7 7 6 6 5 5 4 4 3 3 2 2 1 1 0 0 0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8 Rys.3. Przykładowe sekwencje obserwacji bdce sygnałami alarmowymi Ogólnie rzecz ujmujc, sygnał alarmowy generowany jest wtedy, gdy w przypadku siedmiu kolejnych rosncych (malejcych) obserwacji dopuszcza si jedn „zamian miejsc” dwu ssiadujcych obserwacji. Jak łatwo zauway, do wykrycia tego typu sygnału alarmowego na karcie kontrolnej nie jest konieczne wyliczanie statystyki τ Kendalla, co znacznie upraszcza proces podejmowania decyzji. Niniejsza praca dotyczy istotnego problemu statystycznego sterowania procesami, jakim jest niewtpliwie poszukiwanie procedury mogcej by wykorzystan w sposób efektywny w przypadku rozregulowa majcych charakter losowych, czsto niewielkich, zmian charakterystyk kontrolowanego procesu. Dotyczy to zwłaszcza przypadku, gdy charakterystyki te nie s opisane rozkładem normalnym. W dalszych badaniach nad tym zagadnieniem nie mona ograniczy si do modeli zalenoci opisanych w niniejszej pracy i naley take wykorzysta modele matematyczne innych kopuł. Bibliografia 1. O. Hryniewicz, Nowoczesne metody statystycznego sterowania jakoci, Omnitech Press, Warszawa, 1996. 2. O.Hryniewicz, Wykłady ze statystyki dla studentów informatycznych technik zarzdzania. Wydawnictwo Wyszej Szkoły Informatyki Stosowanej i Zarzdzania, Warszawa 2004. 3. N.L.Johnson, S. Kotz, On some generalized Farlie-Gumbel-Morgenstern distributions – II regression, correlation and further generalizations, Commun. Statist. Vol.6 (1977), 485-496. 4. J. R. Thompson, J. Koronacki, J. Nieckuła, Techniki zarzdzania jakoci od Shewharta do metody „Six Sigma”. Akademicka Oficyna Wydawnicza Elit, Warszawa 2005. 72 Olgierd Hryniewicz, Anna Szediw Nieparametryczne metody statystycznego sterowania procesami (SPC) NONPARAMETRIC METHODS OF STATISTICAL PROCESS CONTROL (SPC) Summary The aim of statistical process control (SPC) is to reveal possible disorders of the process with the subsequent goal to find and eliminate their possible causes, and thus to improve quality. To achieve this goal simple statistical methods, including popular control charts, have been used for the last several dozen years. Original application of a nonparametric statistical method – Kendall’s test of independence – to detect the disorders of the process has been proposed. Properties of this procedure have been investigated for the cases where process disorders are manifested by the existence of positive dependence between consecutive observations of the process governed by the two-dimensional normal distribution and the Farlie – Gumbel – Morgenstern copula. Keywords: statistical process controlling (SPC), Kendall test, detection of irregularities OLGIERD HRYNIEWICZ e-mail: [email protected] ANNA SZEDIW e-mail: [email protected] Instytut Bada Systemowych PAN ul. Newelska 6, 01-447 Warszawa