Problem Solving: statystyczne narzędzia metody DMAIC Six Sigma

Problem Solving: statystyczne narzędzia metody DMAIC Six Sigma

Metoda Shainina

Czas trwania szkolenia: 6 dni / 42 godziny

Szkolenie prowadzone może być w wariantach:

  • 2 zjazdy po 3 dni (21 godzin)
  • 3 zjazdy po 2 dni (14 godzin)

Podstawowe cele szkolenia

  • Przedstawienie TYLKO statystycznych narzędzi wykorzystywanych w metodzie DMAIC Six Sigma.
  • Nabycie przez uczestnika umiejętności doboru najlepszego narzędzia analizy statystycznej, wykorzystania jego potencjału i interpretacji wyniku obliczeń.
  • Przedstawienie efektywnych i zaawansowanych narzędzi z zakresu procesu rozwiązywania problemów w procesach produkcyjnych i usługowych.

Forma szkolenia

  • Prowadzone jest w formie wykładów i ćwiczeń.
  • Udział części teoretycznej (wykładowej) wynosi około 20%.
  • Obliczenia, analizy i interpretacje dokonywane mogą być na podstawie danych z procesu Klienta.

Program szkolenia

DEFINE

Faza definiowania problemu.

Wykres Pareto – Lorenza.

MEASURE

Faza analizy danych historycznych procesu i walidacja systemu pomiarowego zmiennej Y.

Statystyka opisowa

  • Identyfikacja skali pomiarowej.
  • Próbkowanie. Statystyczne metody próbkowania: wybór losowy, systematyczny, losowanie warstwowe.
  • Statystyki opisowe rozkładu danych, miary:
    • Położenia.
    • Zmienności.
    • Symetrii.
    • Spłaszczenia.
  • Analiza graficzna – wykorzystanie wykresów:
    • Kolumnowego.
    • Liniowego.
    • Kołowego.
    • Histogramu.
    • Box-Plotu (Skrzynka i wąsy).
    • Przedziałowego.
    • Wartości indywidualnej.
  • Transformacja zmiennej objaśnianej Y wyrażonej w skali nominalnej (dychotomicznej) do zmiennej Y wyrażonej w skali ilorazowej lub interwałowej. Miary skuteczności transformacji.

Analiza stabilności procesu

  • Graficzny test normalności rozkładu.
  • Analityczny test normalności rozkładu.
  • Karty kontrolne – analiza stabilności procesu z wykorzystaniem ośmiu testów do identyfikacji zmiennej specjalnej:
    • Xi – MR: wartości indywidualnej i ruchomego rozstępu.
    • Xbar – R: wartości średniej arytmetycznej i rozstępu.
    • Xbar – s: wartości średniej arytmetycznej i odchylenia standardowego.
    • p: frakcji jednostek niezgodnych.
    • u: liczby niezgodności na jednostkę.
    • c: liczby niezgodności.
  • Run Chart – wykres z testami przyczyn specjalnych: mieszanin, oscylacji, trendów i grupowania danych empirycznych.
  • Testy dla obserwacji odstających (Grubssa, Dixona).
  • Identyfikacja rozkładu danych pochodzących z populacji o rozkładzie innym niż normalny.
  • Transformacja Boxa-Coxa i Johnsona – przekształcenie danych o rozkładzie asymetrycznym do rozkładu normalnego.
  • Analiza zdolności i wydajności procesu dla danych o rozkładzie normalnym i asymetrycznym.
  • Miary jakości procesu:
    • Frakcja braków.
    • PPM
    • Poziom Sigma.
    • DPMO.

MSA analiza systemu pomiarowego

  • R&R Gage study – powtarzalność i odtwarzalność pomiarowa szacowana metodą ANOVA Krzyżowa.
  • Wykorzystanie wykresu dwupunktowego – powtarzalność dla pomiarów powtarzalnych.
  • Analiza dla pomiarów niepowtarzalnych – ANOVA Zagnieżdżona.

ANALYZE

Etap poszukiwania przyczyny źródłowej problemu. Zrozumienie i oszacowanie siły i charakteru zależności pomiędzy zmiennymi objaśniającymi X a zmienną objaśnianą Y. Testowanie hipotez statystycznych.

Eksperymenty jednoczynnikowe z wykorzystaniem testów:

  • Dla wariancji:
    • Fishera-Snedecora.
    • Bartletta.
    • Levenea.
    • Bonetta.
  • Dla wartości średniej arytmetycznej:
    • Wartości oczekiwanej (ang. One Sample t-test).
    • Dwóch prób niezależnych – dla jednorodnych i niejednorodnych wariancji.
    • Par obserwacji.
    • Jednoczynnikowa analiza wariancji (ang. One-Way ANOVA).
  • Dla mediany:
    • Jedno próbkowy test Wilcoxona (ang. 1-Sample Wilcoxon).
    • Manna-Whitneya.
    • Kruskala-Wallisa.
  • Analiza zależności pomiędzy zmiennymi:
    • Miary korelacji Pearsona i Spearmana.
    • Regresja liniowa, kwadratowa, logarytmiczna, potęgowa, wykładnicza.
    • Miary modelu:
      • Współczynnik determinacji.
      • Błąd standardowy składnika resztowego modelu.
      • Istotność statystyczna modelu, współczynnika kierunkowego, rzędnej początkowej.
      • Analiza reszt modelu: normalność, losowość, brak systematycznych wzorów.

Eksperymenty wieloczynnikowe – DoE projektowanie eksperymentów. Plany:

  • Pełno czynnikowe (ang. Full Factorial) – eksperymenty, w których czynniki ustawione są na dwóch poziomach.
  • Ułamkowe (ang. Fractorial plan) – pojęcie rozdzielczości planu, uwikłanie czynników głównych i interakcji.
  • Generalne (ang. General Full Factorial) – eksperymenty, w których czynniki ustawione są na więcej niż dwóch poziomach.
  • Eliminacyjne Placketta – Burmana – plany przesiewowe w przypadku dużej liczby analizowanych predyktorów.
  • Analiza regresji wielorakiej (wielokrotnej).
  • Miary modelu:
    • Skorygowany współczynnik determinacji.
    • Test Durbina-Watsona do oceny autokorelacji reszt modelu.
    • Współczynnik inflacji wariancji (ang. Variance Inflation Factor) – określenie współliniowości zmiennych objaśniających (X).
  • Regresja krokowa – zastosowanie metody w celu zoptymalizowania miar dopasowania modelu. Metoda postępująca (ang. Forward selection) i eliminacji wstecznej (ang. Backward elimination) – różnice, zalety i wady metod.
  • Wykresy Multi-Vari – specjalne narzędzia graficzne do analizy wielu zmiennych X.

IMPROVE

Faza optymalizacji procesu i wyznaczenia nowego zakresu specyfikacji dla zmiennych X (predyktorów).

  • Eksperymenty optymalizujące z wykorzystaniem planów powierzchni odpowiedzi (ang. Response Surface Design).
  • Tolerancja statystyczna – wyznaczanie dla danych pochodzących z populacji o rozkładzie normalnym i asymetrycznym jednomodalnym.
  • Równoległobok tolerancji.

CONTROL

Faza kontroli i monitorowania stabilności i wydajności zoptymalizowanego procesu.

  • Karty akceptacji procesu.
  • Dodatkowe zaawansowane karty kontrolne:
    • Ruchomej średniej – MA (ang. Moving Average).
    • Wykładniczo ważonej średniej ruchomej – EWMA (ang. Exponentially-Weighted Moving Average).
    • Karta regresji.
    • Karta kontrolna dla danych asymetrycznych.

Obliczenia wykonywane są na podstawie danych z przykładów praktycznych, sytuacji które miały miejsce w przeszłości.

Do obliczeń wykorzystywane są programy MS Excel oraz Minitab.

Przygotowane podczas szkolenia kalkulatory mogą zostać wykorzystane do statystycznej analizy danych pochodzących z procesów Klienta.

Ten sposób prowadzenia szkolenia, gwarantuje lepsze zrozumienie tematu, a także znacząco zwiększa prawdopodobieństwo poprawnego prowadzenia działań z zakresu rozwiązywania problemów przemysłowych.

Profil uczestników

Szkolenie skierowane jest do:

  • Osób z certyfikatami Green Belt i Black Belt metody Lean Six Sigma.
  • Inżynierów produkcji, jakości, technologów i techników.
  • Osób odpowiedzialnych za rozwiązywanie problemów w przedsiębiorstwie i optymalizację procesów produkcyjnych i usługowych.

Zdobyta wiedza / korzyści dla uczestnika

Uczestnik nauczy się:

  • Praktycznego wykorzystywania zaawansowanych narzędzi statystyki opisowej i matematycznej wykorzystywanych podczas doskonalących projektów metodą DMAIC Six Sigma.
  • Szukania rozwiązań i prawdziwych przyczyn problemów (nie „zamiatania pod dywan”).

Co mówią nasi zadowoleni Klienci: REKOMENDACJE

W przypadku pytań zapraszamy do KONTAKTU


    Zapisz się do newsletter'a

    Podając adres e-mail wyrażam zgodę na otrzymywanie informacji zwrotnych.
    Więcej na temat naszej Polityki Prywatności