在不违反规则的情况下打破SPC限制

没有人喜欢满是灰尘的桌面。理想情况下，桌子上根本没有灰尘。然而，在某些情况下，表无法变得更干净。考虑到灰尘，除了做好工作以外的任何事情都是神经质的。然而，如果这种除尘与许多制造商的数控加工过程遵循同样的质量控制标准，即使是最彻底的清洁也可能被认为是不够的。

这主要是由于统计过程控制（SPC）规则的局限性，数据分析软件开发人员总裁Tom Stewart说Q-DAS.．尽管有这些限制，几乎所有主要的oem都采用SPC来确定零部件供应商的质量报告应该是什么样的，他们这样做有很好的理由。进化从Walter Shewhart的第一个控制图表在20世纪20年代早期，SPC一直是最有效的手段，确保大量生产的零件是值得的汽车和飞机，我们通常和不思虑地信任我们的生命。尽管如此，对机加工零件的质量要求往往相当于期望桌子上的灰尘小于零——这是一种不可能的条件。因此，供应商必须花费时间和资源，而不是制造零件，而是篡改数字，使数据不再代表过程的实际情况。同时，供应商和他们的客户都错失了提高和降低产品上市总成本的机会。

斯图尔特说，传统的SPC分析不适合数控加工，因为它假定所有数据都是正态分布的。正态分布数据形成一个钟形曲线，其中大多数点聚集在均值附近，越来越少的点落在接近或超出任何一边的标准偏差标记。回到斯图尔特的灰尘表的类比，灰尘厚度的测量都在曲线的右侧。毕竟，桌子上的灰尘不可能少于零。然而，传统的SPC分析这种扭曲的数据集可能导致结论，流程是不充分的或需要改进，即使表始终是干净的。从表面光洁度到刀具磨损，同样的基本概念适用于大多数与精密加工相关的测量。

尽管如此，OEM通常不会要求其他选项，而不是要求评估所有质量数据，因为它通常是分布式。斯图尔特先生说，替代 - 做正确评估不同数据分布所需的数学才能是一项静脉任务。典型的引擎块呈现数千个加工特征来评估，其中许多与多个数据点相关联。例如，一个孔可能需要计算直径，真实位置和轮廓。“这是三种不同的GD＆T（几何尺寸和公差）呼出，这可能导致三种不同的非正常分布模型，可以通过12种不同的数学因素分析，”他说。“相反，OEM希望保持简单。在计算所需的质量指标之前，供应商被迫将数据转换为正常模式。这需要时间，并且当数据模型发生变化时，它不再代表过程。“

他补充说，这个问题是足够普遍的，足以让对SPC的讽刺参考SPC以优选格式呈现数据的透明示意，而是相当于用于评估质量或能力的严肃工具的习惯引用。例如，说换刀导致机加工孔中的同心问题。“如果您按照数据进行数据，您将能够看到直方图中的过程变化，”他解释道。相比之下，他表示将数据转换为正常可能“数学上擦除”转变。“数字可能很好，但如果你看原始数据，你可以清楚地看到有问题。在其他情况下，你可能会得到差的数量，但结果很大。“

自1988年成立以来，Q-DAS的业务在很大程度上是建立在解决这个“桌上的灰尘”问题上的(该公司现在是Hexagon Manufacturing Intelligence的一部分)。它的SPC软件支持几乎每一个分析技术允许ISO和其他标准。它还支持特定于oem的报告规则(一个基本的例子是，一个客户需要过程能力(Cpk)计算，而另一个客户需要过程性能(Pp)或过程性能指数(Ppk)数字))。这使得切换到不同的质量报告标准变得简单。

同样重要的是，该软件可以确定用于执行必要的计算的最佳拟合方法，而无需对人工强加的正态分布混淆。即使应用程序不允许该方法，将一个数据模型与另一个数据模型进行比较，使得软件成为一种教育工具作为一种容易生成控制图和其他复杂质量文档的手段。“供应商可以看看顾客and say, ‘We did what you asked us to do, and here are the results, but we’d also like to show you another way of looking at things that we think makes a lot more sense,’” Mr. Stewart explains.

他说，增加机器学习将使这条消息传达。随着时间的推移，使用足够的数据，学习算法将执行相关的大部分沉重精神举措，以相关的过程变化可能看起来不相关或微不足道。正确分析技术的好处将更容易识别。

作为一个例子，他引用了一座枪钻石的汽车轴，在热处理期间变得翘曲，促使可能的原因进行调查。通过分析技术，不扭曲该过程的现实，Q-DAS用户可以在枪钻过程中追溯到从芯片清除困难中的额外热量。但是，这需要时间和精力。相比之下，机器学习算法将自动进行必要的相关性。预计将在一年内进行现场测试，这种能力不仅可以作为分析工具更有效，而且作为智能对话的促进者，也是关于桌子上的灰尘等问题的智能谈话。