“Tomas 10 partes y haces que 3 operadores midan cada una de esas partes, 2 veces”
Este enfoque estándar para un experimento Gage R&R (Repetibilidad y Reproducibilidad) es tan común, tan aceptado, tan ubicuo que pocas personas se preguntan si es efectivo. Obviamente, podríamos ver si 3 es un número adecuado de operadores o 2 un número adecuado de réplicas, pero en esta primera parte de una serie de publicaciones sobre “Gauging Gage” (Medir las Mediciones), queremos ver 10 como “ese número” de partes a medir en pruebas de aseguramiento del sistema de medición.
Sólo 10 partes. ¿Con qué precisión puede evaluar su sistema de medición con 10 partes?
Evaluación de un sistema de medición con 10 partes
Usaremos un escenario simple como ejemplo. Simularemos los resultados de 1,000 estudios de repetibilidad y reproducibilidad, con las siguientes características subyacentes:
1. No hay diferencias de operador a operador, y no hay interacción de parte a operador *.
2. La varianza del sistema de medición y la varianza de parte a parte utilizadas darían como resultado un % de contribución de 5.88%, esto para cumplir entre las pautas populares y especificaciones de contribución menor a <1% es excelente y mayor a >9% es deficiente.
Entonces, sobre la base de los 1.000 estudios simulados de R&R ¿cómo cree que se ve la distribución del % porcentaje de contribución en todos los estudios? Específicamente, ¿cree que está centrado cerca del valor real (5,88%), o cree que la distribución está sesgada y, de ser así, ¿cuánto cree que varían las estimaciones?
Aquí está la distribución, con las pautas y el valor verdadero indicado:
La buena noticia es que aproximadamente está promediando el valor real.
Sin embargo, la distribución es muy sesgada: ¡un número decente de observaciones estimó que el % porcentaje de contribución es al menos el doble del valor real, con una estimación de aproximadamente SEIS veces el valor verdadero! Y la variación es enorme. De hecho, aproximadamente 1 de cada 4 estudios de R&R habrían resultado en fracaso.
Ahora, un estudio de medición estándar no es una tarea pequeña: se debe recopilar un total de 60 puntos de datos, y una vez que se realiza la aleatorización y el “enmascaramiento” de las partes, puede ser bastante tedioso.
Entonces, ¿cuántas partes se necesitan para una evaluación más precisa del % porcentaje de contribución?
Evaluación de un sistema de medición con 30 piezas
Realizamos nuevamente 1,000 simulaciones, esta vez usando 30 partes (si estás anotando, eso es 180 puntos de datos). Y luego, seguimos adelante e hicimos 100 partes (eso es 600 puntos de datos). Así que ahora considere las mismas preguntas de antes para estos conteos: media, sesgo y variación.
La media es probablemente fácil: si estaba centrada antes, probablemente todavía esté centrada.
Así que echemos un vistazo a la asimetría y cuánto pudimos reducir la variación:
La asimetría y la variación han disminuido claramente, pero es probable que pensarán que la variación habría disminuido más de lo que lo hizo. Tenga en cuenta que el % porcentaje de contribución también se ve afectado por sus estimaciones de repetibilidad y reproducibilidad, por lo que solo se puede ajustar esta distribución al aumentar el número de piezas. Pero, aun así, incluso usando 30 partes, (un enorme experimento para llevar a cabo), ¡todavía resulta en que este medidor falla el 7% del tiempo!
Entonces, ¿qué puede hacer un profesional de la calidad?
Tenemos dos recomendaciones para ustedes:
Primero, hablemos del % Porcentaje de Proceso. Muchas veces el sistema de medición que estamos evaluando ha estado en vigor durante algún tiempo y simplemente estamos verificando su efectividad. En este caso, en lugar de confiar en su pequeño muestreo de partes para estimar la variación general, puede usar la desviación estándar histórica como su estimación y eliminar gran parte de la variación causada por el mismo tamaño de muestra de las partes. Simplemente ingrese su desviación estándar histórica en el subdialogo Opciones en Minitab:
Luego, su salida incluirá una columna adicional de información llamada % Porcentaje Process (% de Proceso). Esta columna es el equivalente de la columna % StudyVar (% Studio de Variación), pero utilizando la desviación estándar histórica (que proviene de una muestra mucho más grande) en lugar de la desviación estándar total estimada de los datos recopilados en su experimento:
La segunda recomendación que tenemos, es incluir intervalos de confianza en su salida. Esto se puede hacer en el subdialog Conf Int (del inglés Confidence Intervals):
La inclusión de intervalos de confianza en su producción no mejora inherentemente la amplia variación de estimaciones que proporciona el estudio de medición estándar, pero lo obliga a reconocer cuánta incertidumbre hay en su estimación. Por ejemplo, consideren esta salida del conjunto de datos de muestra gageaiag.mtw* en Minitab con los intervalos de confianza activados:
Para algunos procesos, es posible que acepten este indicador basado en que el % de contribución es inferior al 9%. Pero para la mayoría de los procesos, realmente necesita confiar en sus datos, y el IC del 95% de (2.14, 66.18) es una señal de advertencia de que realmente no deberían confiar en que tienen un sistema de medición aceptable.
¡Así que la próxima vez que ejecuten un estudio R&R, Gage R&R en inglés, piensen en cuántas partes usan y cuánta confianza tiene en sus resultados!
Original: Lunes 24 de Junio, 2019.
Leave a Reply