Excel Tips och tricks I denna artikel visar we8217ll dig hur man konstruerar ett Excel-kontrollschema för att analysera data och förbättra effektiviteten. Kontrollscheman är användbara för övervakning av alla processer som har en nivå av variation 8211 till exempel fyllning av behållare med ett visst antal objekt. De kan enkelt illustrera om din process fungerar inom dess avsedda parametrar. 1. Samla in och formatera dina data När du har hämtat data från din process är det första steget att skapa ett Excel-kontrollschema att se till att det är korrekt formaterat. Din dataset ska organiseras längs en genomsnittlig (genomsnittlig) 8211, dvs en målpunkt som datapunkterna är kluster runt. Om it8217s inte, kommer ditt kontrollschema inte vara användbart. 2. Organisera datakolumner För det andra, skapa kolumner för att organisera dina data. Märka dem Räckvidd, Nummer, Data, Lägre, Övre och Medel. Fyll i datakolonnen med dina organiserade datapunkter och fyll i kolumnen Nummer med värden som stiger i numerisk ordning, börja med 1. 3. Ta dina övre och nedre gränser här8217s där din formel kommer in. I den första cellen i kolumnen Räckvidd, ange formeln Abs (C2-C3). Markera cellen och dra ner den för att kopiera formeln till slutet av dina data. I nedre kolumnen gör du samma med formeln Medelvärde (C: C) -2.66Average (A: A). och i övre kolumnen använd Average (C: C) 2.66Average (A: A). 4. Få dina data genomsnittliga Slutligen, sätt upp formeln för din genomsnittliga kolumn. I F2, skriv Average (C: C). När du har skrivit in fyller du i formuläret ner till slutet av dina data. Detta skapar målmedlet. 5. Skapa din Excel-kontrollkarta Nu när du har ramverket för ditt Excel-kontrollschema, och dina data importeras, välj data i kolumnerna B till F och navigera till fliken Infoga och leta i diagramgruppen på menyn. Välj en Scatter-diagramstyp. För det sista steget måste du fastställa fältområden för din avvikelse. Diagrammet kan se komplett, men det finns inte i rätt format ännu. Högerklicka på en datapunkt på din nedre gränslinje och välj Ändra serie kartortyp. När menyn öppnas, välj ett linjediagram. Upprepa denna åtgärd för dina 8220Upper8221 och 8220Average8221 dataset. Klicka på OK för att bekräfta och ditt Excel-kontrollschema kommer att vara komplett. I det här Fred PryorseminarietExcel Control ChartPractice-provet spelar du om med siffrorna för att se hur de genomsnittliga och andra gränslinjerna ändras när data skiftar eller försök att utföra processen själv. Har du en process - eller provgruppsdata som passar för denna typ av diagram Vad kan du använda ett kontrollschema för Skriven av Excel Tips och tricks från Pryor Excel Tips amp Tricks är skrivet av Microsoft Excel-experterna på Fred Pryor Seminarier och CareerTrack. Känd för vår omfattande Excel-utbildning erbjuder vi några av de bästa i branschen. Slösa inte dyrbar tid på att försöka hitta saker på egen hand. Delta i ett av våra utmärkta Excel-kurser och få den kunskap du behöver för att använda Excel mer effektivt och effektivt. Kolla in en Excel-kurs som kommer till en plats nära dig när du klickar här. Lämna ett svar Avbryt svarI-MR-diagram Personer - Flyttningskartor I-MR-diagrammen visar enskilda observationer på ett diagram som åtföljs av ett annat diagram över intervallet för de enskilda observationerna - normalt från varje sammanhängande datapunkt. Detta diagram används för att plotta fortlöpande data. Individuellt (I) Diagrammet kartlägger varje mätning (ibland kallad en observation) som en separat datapunkt. Varje datapunkt står på egen hand och medlen är att det inte finns någon rationell undergrupp och undergruppstorlek 1. Ett par andra vanliga diagram som används med undergrupper gt1 är: Ett typiskt rörelseområde (MR) - diagram använder ett standardvärde på 2, vilket innebär att varje datapunkt anger skillnaden (intervallet) mellan två på varandra följande datapunkter som de kommer från processen i sekventiell ordning. Därför kommer det att finnas en mindre datapunkt i MR-diagrammet än Individualschemat. Detta värde kan dock justeras i de flesta statistiska program. I-MR-diagram bör vara i kontroll enligt de kontrolltest som du väljer att använda. Det finns många typer av tester som kan avgöra kontrollen och poäng inom kontrollgränserna kan också vara oanvända eller speciella orsaker. Exempel 1 Dataen nedan för mätningarna togs från den totala längden av 30 olika widgets. Beräkningen gäller kortsiktig uppskattning med icke-förspänningskonstant eftersom det mest sannolikt är en provtagning som representerar processens kortsiktiga prestanda. Tänk på att det finns flera uppskattningar för sigma (standardavvikelse) och varje användning bör överenskommas med kunden och resonemanget för valet. Den första datapunkten i RANGE-diagrammet sedan ett rörligt intervall på 2 valts absolutvärdet (eller den positiva skillnaden) på 5,77 - 4,57 1,20. En mätning per del, utan rationella undergrupper. Delar mäts i ordning från vilken de kom från processen. xa0 Det finns en mindre datapunkt än de uppmätta delarna. xa0 Använda MR-bard2 för uppskattning av sigma (korttidsberäkning för standardavvikelse). Båda diagrammen visar en process som är stabil och kontrollerad. Detta skulle räcka för stabilitetsdelen av en MSA. Om detta var den nya (AFTER) - data från en processförbättring och denna prestanda är bättre och mer önskvärd än FÖRE prestanda, skulle dessa kontrollgränser kunna sättas som de nya processkontrollgränserna. Om detta var tidigare (FÖRE) data för en process, och all variation förklaras av vanlig orsak, inneboende variation, kommer det att ta en grundläggande förändring (förhoppningsvis en förbättring) för att förändra och bibehålla denna prestanda. Målet med laget är att eliminera eller förklara all speciell orsaksvariation och göra grundläggande, oförutsedda förbättringar för att driva den befintliga nivån av vanliga orsakseffekter till en minskad variation och mer exakt prestanda kring ett mål. Exempel två FÖRE EFTER I-MR-diagram Nedan visas ett exempel på data som sammanställdes i slutet av IMPROVE-fasen från en tidsstudie före och efter att förbättringarna genomfördes under en inspektionsprocess. Tiderna kartlades med varje gång som representerar sin egen grupp (undergruppsstorlek 1). Tiden är en kontinuerlig datatyp som skulle du ha ett SPC-diagram som en I-MR. Du kan se från diagrammet, genomsnittet för de enskilda mättiderna gick ner till 9,79 minuter och. genom att undersöka det nedre diagrammet kan du se variationen mellan tiderna minskades också. För att statistiskt analysera huruvida medelvärdet har förändrats kan du använda 2 prov-t-test eller paired-t-testet (beroende på data och förutsatt att data normalt distribueras). Hypotestest Med hjälp av data i ovanstående diagram gjordes ett 2-prov-t-test med alfa-risk satt till 0,05 för att bestämma om det finns en signifikant skillnad i prestandan för medelvärdet FÖRE och AFTER. OBS! Även om 52 prov togs både före och efter, matchas inte paren på grund av att olika delar utvärderas och är en destruktiv studie. Om bedömningen gjordes med samma delar och icke-destruktiva delar, kan det parade t-testet användas. Xa0 Nullhypotes Ho: Mean FÖRE Medel AFTER Alternativ hypotes H A. xa0Mean AFTER lt Mean BEFORE Detta skapar ett enstansprov. Nollhypotesen avvisas. Det finns ett par sätt att avsluta detta. Teststatistik av 26,42 är större än kritiskt t-värde vid 0,05 och dF 76 vilket är 1,67 för ett tailed test. dF grader av frihet p-värdet är mindre än 0,05. Med de statistiska bevisen att ett skifte har uppstått i medelvärdet från 19,65 minuter till 9,79 minuter. AFTER-prestandan passerade också alla SPC-test så att de nya kontrollgränserna skulle användas framöver för att övervaka denna process. Detta är en viktig del av CONTROL-fasen och den reviderade FMEA. xa0. Den reviderade FMEA ska dokumentera de nya kontrollgränserna för processen och detta görs för att snabbt identifiera om den framtida processprestandan förblir i kontroll och håller sig kvar. Xa0 Använda den gamla övre och nedre kontrollgränser för att övervaka en beprövad förbättrad process utspelar inte troligt prestationsbeteende som återtar eller börjar falla tillbaka till gamla mönster. Och målet är inte att tillåta detta, visa problem snabbt och synligt så att de kan adresseras och få processen att ringas in igen. xa0 Test för variationsreduktion För att statistiskt kontrollera om variationen har förändrats innan du kan använda F-testet för lika avvikelser. Eftersom det här exemplet tillämpar en 95 konfidensnivå, skulle alla p-värden lt 0,05 vara statistiskt signifikanta och du skulle avvisa nollhypotesen och konstatera att det finns en skillnad. VISUELLA HJÄLPMEDEL . En annan visuell riktlinje är att undersöka de konfidensintervaller som visas i blått för FÖRE (1) och AFTER (2) data. Om intervallbandslinjerna överlappar varandra så finns det ingen statistisk skillnad mellan variationen före och efter. Om intervallbandslinjerna inte överlappar varandra, finns det en statistiskt signifikant skillnad mellan variationen före och efter. Ju längre linjerna är borta från överlappning desto lägre blir p-värdet och mer förtroende du har för att avsluta det finns en signifikant skillnad (verkar självklart). Om kanten på linjerna var nära varandra (till exempel den övre kanten av den övre linjen och den högra kanten på den nedre raden i vårt exempel), skulle p-värdet vara nära noll och F-statistiken skulle vara ungefär samma som F-kritiska värdet. RECALL: Målet med de flesta Six Sigma-projekt är att förbättra medelvärdet till ett mål (lägg till noggrannhet) och minska variationen (lägg till precision). Levenes test kan användas på icke-normala datamängder för att testa för lika avvikelser. Med den nya (AFTER) processen i kontroll kan du fortsätta att bedöma den slutliga processfunktionen och komma med den nya z-poängen eller använda ett kapacitetsindex. Envägs ANOVA Det finns också intresse för att avgöra om det finns en signifikant skillnad mellan de fyra bedömarna i AFTER-studien. Detta kan hjälpa till att identifiera en eller flera bedömare som kan dra nytta av mer träning och undersöka var den nya variationen kommer från (inom varje operatör, bland eller båda). Användning av en envägs ANOVA med alpha vid 0,05 resulterar i följande resultat av AFTER data genererades. xa0 Påminnelse var 52 läsningar så dF 51. Det slutsatsen att det inte fanns en statistisk skillnad mellan operatörerna. Det finns flera saker som stöder slutsatserna. P-värdet långt över 0,05 (med andra ord, avvisa inte nollhypotesen) F-statistiskt lt F-kritiskt värde på 2,81 Tunga överlappande konfidensintervaller. Jim och Dave hade nästan exakt samma resultat. Skillnaden mellan Paul och Dave är störst men ändå inte statistiskt signifikant vid en alfa-risk på 0,05. är alla bevis för att det inte finns någon skillnad bland några par eller kombinationer av dem. Det låga F-värdet på 0,27 säger att variationen inom bedömarna är större än variationen bland dem och inte inom avvisningsområdet. Navigering: En färdplan för användning av tidsvägda kontrollscheman Vishwajit Joshi 0 Att välja rätt typ av kontrollschema är en viktig startpunkt för statistisk processkontroll (SPC). Vilket diagram som ska användas beror huvudsakligen på klassificeringen av data, typen av underliggande distribution och avsiktet för ansökan. Val av fel typ kan resultera i många falska larm, vilket leder till dyra och fruktlösa sökningar efter tilldelningsbara orsaker. Med det stora utbudet av kontrollschemaalternativ finns det ett svårt uppdrag att välja det diagram som bäst passar en viss process. Förvirringen ökar med tillämplighet av två olika kontrolldiagram för samma data. Detta är särskilt fallet när man använder tidsvägda kontrollscheman. Till exempel kan samma dataset analyseras med hjälp av ett individuellt rörligt intervall (I-MR) diagram samt tidsvägda kontrolldiagram som ett exponentiellt vägat glidande medelvärde (EWMA) eller ett kumulativt summan (cusum) kontrollschema. Ändå är avsiktet och metoden för tillämpning för båda typerna av tidsvägda diagram mycket olika. Utövare fokuserar ofta inte tillräckligt på 8220intent8221 av att använda en viss typ av kontrollschema som kan leda till en felaktig tolkning av resultaten. När och hur man använder ett tidsviktat kontrollschema har det alltid varit ett förvirringsområde för kvalitetshandledare i produktionslinjer (operativ förståelse) samt SPC-utövare (jämförelse av statistisk prestanda). Exempel på olika kontrolldiagramresultat Följande datamängder ger ett exempel på de olika slutsatserna som nås med två olika kontrollscheman. Uppgifterna analyseras med hjälp av ett I-MR-diagram samt ett EWMA-diagram och de dragna slutsatserna är motsägelsefulla. Det är svårt att fatta ett beslut om syftet med analysen inte förstås. Fall 1: Ett I-MR-diagram visar en out-of-control-process medan inga sådana tecken ses i de tidsvägda kontrolldiagrammen. Fall 2: Ett I-MR-diagram visar en in-control-process medan de tidsvägda diagrammen visar en tydlig uppåtgående trend i processdata. Jämförelse av statistisk prestanda En stor nackdel med kontrollschemaerna Shewhart-typ är att de bara använder information om processen i den sista plotta punkten och därför har dessa diagram inte något minne. Tidigare observationer påverkar inte sannolikheten för framtida out-of-control-signaler. Trendregler eller zonregler kan användas för att introducera lite minne vilket resulterar i snabbare detektering av små skift. Tidsvägda kontrollscheman är ett alternativ till Shewhart-diagram för att spåra små skift i en process. I motsats till Shewhart-kartor använder de historiska datapunkter och upptäcker snabbt små skift (av order mindre än 3 sigma). Vägkarta för tidsvägda kontrollscheman Även om tidsvägda kontrollscheman är mycket användbara, är de inte avsedda att helt ersätta Shewhart-diagrammen, som kan användas för att upptäcka ett bredare sortiment av effekter (skift på 3 sigma eller högre order) som är på grund av tilldelningsbara orsaker. Det rekommenderas ofta att Shewhart-gränserna används tillsammans med ett EWMA - eller cusum-diagram. Avsikten med att använda ett kontrollschema för analys måste förstås väl förstås. Två viktiga frågor som ska besvaras är: Är teamet specifikt ute efter detektering av relativt små skift i processen Hur litet ett skifte (i ordning med 1 eller 2 sigma) är betydande för processen Att svara på dessa frågor bidrar till att tydliggöra avsikt att använda tidsvägda kontrollscheman. Det bestämmer parametrar (vikt för EWMA-diagram och skift och släckning för cusum-diagram) av tidsvägda diagram och analyserar datasatsen i enlighet med detta. Projektlag bör börja med ett Shewhart-kontrollschema för uppenbar processinstabilitet, om någon, och använd sedan ett tidsvägd kontrollschema för att bestämma små skift i processen. Körplanen för användning av tidsvägda kontrolldiagram i samband med Shewhart kontrollscheman är nedan: Körbeskrivning för användning av tidsvägda kontrollscheman Konklusion: Två kontrollscheman Bättre än en tidsvägd styrschema är ett bra alternativ till Shewhart-kontrollscheman för att upptäcka små skiftar snabbt. Användaren måste dock vara tydlig om avsikt att använda dessa kontrollscheman. Körplanen, som utvecklades genom praktisk erfarenhet, hjälper till att uppnå bättre resultat genom att använda både Shewhart och tidsvägda kontrolldiagram. Lämna en CommentControl Chart Excel Download Mall Det här inlägget kommer att förklara och svara ldquoWhat is a Control Chartrdquo Längst ner på sidan kan du ta en serie av Excel-mallar som du kan ladda ner för första gången. Först: hela böcker och doktorsavhandlingar är skrivna om Control Charts ndash denna korta post wonrsquot gör det rättvisa. Så, lära dig själv vad jag troligen inte kommer att täcka i den här artikeln. Varje process varierar. Det finns en inneboende variation, men den varierar mellan förutsägbara gränser. Det finns två typer av variation: ldquocommon causerdquo och ldquospecial causerdquo. Om du skär diamanter, och någon stöter på armbågen, kan den speciella orsaken vara dyr. Men i diamantskärning och ingen armbåge var stötte, kommer själva processen i sig att ha variation ndash som kallas vanlig orsak. För många processer är det viktigt att märka speciella orsaker till variation så fort de uppstår och svara på lämpligt sätt. Alla kontrolldiagram har tre grundläggande komponenter: En mittlinje, vanligtvis det matematiska medelvärdet av alla proverna ritade. Övre och nedre statistiska kontrollgränser som definierar begränsningarna av vanliga orsaksvariationer. Prestationsdata ritad över tiden. Här är ett exempel på ett kontrollschema: Här är några populära kontrollscheman (ingår i nedladdningen nedan): Variable Data Individuella och Flyttande Räckvidd (X och MR eller I och MR) Genomsnittlig och Räckvidd eller Genomsnittlig och Standardavvikelse (X-bar och R eller X-bar och S) Beräknad viktad rörlig medelvärde (EWMA) Kumulativ summa (CUSUM) Attributdataförhållanden (P och NP) Felfel (C och U)
No comments:
Post a Comment