14

APUNTES DE SISTEMAS DE CALIDAD

Control de Calidad

es un sistema de medidas tomadas para fabricar artculos econmicos, cuya calidad corresponda con los requerimientos del comprador. En otras palabras, la produccin de artculos en corto tiempo y a un bajo costo es el objetivo del control de calidad. No obstante la fabricacin de productos convincentes y de bajo costo requiere un gran esfuerzo por parte de los fabricantes, ya que stos tienen que persuadir al usuario de que su producto es el mejor para l. Cuando varios productos del mismo tipo producidos por diferentes fabricantes se presentan delante del usuario, l escoger el producto no solamente por su precio y apariencia sino tambin por su funcionamiento, su durabilidad. Consecuentemente, las personas que entran en contacto con sus clientes, tales como comerciantes, vendedores y los que prestan servicios, deben estar atentos a demostrar a los usuarios que ellos son proveedores confiables. Cuando haya un reclamo o haya surgido un problema, una accin pronta y apropiada es muy importante para obtener la confianza del cliente. Por otra parte, nunca se deben tomar medidas que sean falsas o en detrimento del cliente, pues las malas acciones desacreditarn al vendedor. Se debe prestar una gran atencin a los problemas de los clientes y estar prestos a suministrar soluciones rpidas y correctas.

Control de Calidad Total

Cuando se van a manufacturar productos, no basta solamente con aplicar la tecnologa especializada a la produccin. Tambin es necesaria la tecnologa de manejo, la cual distribuye los trabajos a cada departamento y organiza los trabajos de tal manera que puedan ser ejecutados sin contratiempos. La tecnologa de manejo necesaria para elaborar productos calificados es precisamente el control de calidad. Todos los departamentos de una compaa deben cooperar juntos en la fabricacin de los productos para que sta sea rpida y se logre un producto de bajo costo, fcil de vender y que satisfaga a los clientes. En consecuencia, los esfuerzos aunados de toda la compaa son esenciales para alcanzar el objetivo antes mencionado. As, el conjunto de actividades que se efectan dentro de la compaa para alcanzar dicho objetivo, se denomina control de calidad total.

14

CONTROL ESTADSTICO DE PROCESO

ENTENDIENDO EL USO DEL SPC Usar la estadstica pudiera parecernos algo muy difcil de lograr, pero la estadstica no es ms que una manera astuta de utilizar los nmeros para ayudarnos a tomar decisiones en la operacin de la planta y reducir el nmero de problemas de fabricacin. Antes de abordar operaciones especficas de una planta, veamos cmo trabaja el SPC. Variacin De la misma manera en que dos personas no son exactamente iguales, dos partes manufacturadas no son exactamente iguales. Siempre habr una pequea variacin en el tamao, peso, o ajuste de una parte o ensamble. La diferencia puede ser muy pequea, pero existir una diferencia. La variacin es algo normal en nuestro mundo: a).- Personas de diferentes estaturas y pesos b).- Temperaturas en diferentes regiones Las variaciones anteriores son ejemplos de cosas medidas. Esto es, cosas o datos que pueden medirse en pulgadas, libras, grados, etc. Las variaciones que tienen que ver con cosas tanto contadas como medidas, no solamente existen en la vida diaria, sino en cualquier parte de toda la industria en general. La variacin excesiva es la causa de una gran cantidad de nuestros problemas de calidad. Nos referiremos a la variacin una y otra vez al avanzar en el aprendizaje de cmo hacer que los nmeros trabajen para nosotros. Hacer que los nmeros trabajen para nosotros significa que usaremos los nmeros para: mostrar variaciones controlar variaciones y reaccionar a variaciones excesivas

Veamos algunos nmeros que muestran variacin; los nmeros que estaremos utilizando vienen de las funciones de inspeccin o de auditora y generalmente tendrn que ser organizados antes de que puedan significar mucho para nosotros.

14 Organizando datos Si recolectamos resultados diarios de inspeccin en una planta de ensamble automotriz, como los que presentamos a continuacin, ser difcil tratar de visualizar cmo usar la informacin con solo mirarla. PROBLEMAS ALTAMENTE REPETITIVOS EN LNEA FINAL: ensamble de seguro de puerta flojo (26) cerradura forzada de cofre (13) unidad de control de velocidad floja (35) pernos de la unidad de manejo de retrovisores (28) moldura daada (69) cremallera de ventanilla (17) rejilla del cofre sin ajustar (18) palanca de luces altas no funciona (29)

Ahora organizamos y asignamos un rango a estos datos de acuerdo al nmero de defectos, con la tcnica rango de frecuencia de defectos 1.- moldura daada.69 2.- unidad de control de velocidad floja ...35 3.- palanca de luces altas no funciona.29 4.- pernos de la unidad de manejo de retrovisores ...28 5.- ensamble de seguro de puerta flojo26 6.- rejilla del cofre sin ajustar.18 7.- cremallera de ventanilla no gira...17 8.- cerradura forzada de cofre13 Se pueden concluir dos cosas acerca de los defectos del acabado: Sabemos cules partes o cules operaciones nos estn ocasionando mayores problemas y qu fue lo que estuvo incorrecto. Este simple arreglo nos dice dnde aplicar nuestros esfuerzos para una accin correctiva, de tal manera que stos sean ms efectivos. Los datos de cualquier rea de la planta pueden manejarse de la misma manera, para tomar acciones inmediatas cuando se juzgue conveniente. Otra manera de organizar datos de una forma simple y directa, es colocarlos en un diagrama de Grafica de Barras o Diagrama de Pareto

14

Defectos:

La Grfica de Barras o Diagrama de Pareto puede ser usada para datos contados (atributos), como se muestra en la grfica anterior, o puede usarse para datos medibles. Ahora se registran 80 datos de la caracterstica TORQUE para la tuerca del ensamble de ruedas en una planta automotriz: Especificacin normal 100 libras-pi; lmite inferior: 85 y lmite superior: 115 libras-pi. 1 2 3 4 5 6 7 8 9 1 0 102 1 1 105 1 2 108 1 3 110 1 4 112 1 5 112 1 6 120 1 7 109 1 8 118 1 9 111 2 0 109 2 1 122 2 2 107 2 3 108 2 4 105 2 5 115 2 6 110 2 7 112 2 8 100 2 9 106 3 0 106 3 1 106 3 2 115 3 3 102 3 4 104 3 5 100 3 6 102 3 7 106 3 8 107 3 9 97 4 0 95 110 111 103 116 125 110 118 116 117 4 1 4 2 4 3 4 4 4 5 4 6 4 7 4 8 4 7 5 0 109 5 1 111 5 2 111 5 3 111 5 4 119 5 5 121 5 6 101 5 7 106 5 8 116 5 9 112 6 0 110 6 1 105 6 2 111 6 3 109 6 4 112 6 5 120 6 6 105 6 7 110 6 8 112 6 9 117 7 0 110 7 1 119 7 2 108 7 3 115 7 4 112 7 5 116 7 6 116 7 7 110 7 8 119 7 9 116 8 0 120 109 112 120 112 114 110 112 124 112

14 A manera de ejemplo usando datos medidos, veamos el Registro de Datos de Calidad de la tabla anterior. Esta muestra de 80 mediciones de TORQUE no nos dice mucho en esta forma, pero si organizamos los nmeros dentro de una grfica llamada Histograma, podemos empezar a ver lo que est sucediendo:

a).- Aqu, frecuencia significa cuntas veces se registr cada grupo de valores de torque. Por ejemplo, 24 lecturas estuvieron entre 106 y 110 libras-pi. b).- Cada columna representa lecturas de la llave de tensin (torqumetro) en grupos de cuatro. La primera columna significativa es para las lecturas de 9195. Una vez que los datos son agrupados, podemos dar una segunda mirada al patrn de distribucin y sacar algunas conclusiones de l. Interpretando datos Podemos sacar las siguientes conclusiones basadas en nuestra interpretacin del Histograma: 1.- La accin del torque, a juzgar por la muestra, est centrado alrededor de 106-110 libras-pi. 2.- La muestra de esta accin vara entre la columna 91-95 y 121-125. An puede aprenderse ms acerca de esta grfica, si le agregamos los lmites de especificacin (Lie: 85 y Lse: 115). Ahora podemos ver que un nmero de lecturas ocurren arriba del lmite superior de especificacin. 17 lecturas estn entre 116-120 libras-pi 4 lecturas estn entre 121-125 libras-pi

El nmero total fuera de especificacin es 21 (17 + 4). Esto, obviamente, no es aceptable y podemos concluir que: 1.- El proceso (torque) debe ser centrado ms hacia el punto medio de la especificacin. 2.- Existe demasiada variacin en el proceso y debemos tratar de reducirla.

14 Hemos mostrado dos manera efectivas de estudiar un proceso, Rango de Frecuencia de Defectos e Histogramas, con las que podemos identificar el problema y saber dnde se debe tomar una accin correctiva. Despus de haber eliminado los problemas identificados por medio de estas tcnicas, debemos tener un modo de dar seguimiento continuo al proceso de tal manera que podamos detectar rpidamente cambios en el proceso. Debemos saber si la calidad del proceso es: A.- Mejorando B.- Empeorando C.- Permaneciendo igual Al llevar a cabo el aseguramiento de la calidad, los pasos a seguirse deben ser basados en hechos. Por ejemplo, al examinar lo que requieren los clientes, la conclusin no debe ser tomada teniendo en cuenta las opiniones parcializadas de una parte de los clientes o las preferencias o ideas personales de los encargados de la calidad. La falla y su causa deben ser tomadas checadas tambin por el Departamento de Produccin de la siguiente manera: No se debe determinar con prejuicios y malos entendidos Hay que analizar datos razonablemente y a cabalidad Efectuar un experimento si es necesario para llegar a una conclusin

Las acciones basadas en hechos comprenden lo siguiente: Adquirir datos que representen correctamente la caracterstica del problema. Analizar los datos apropiadamente.

Los datos se procesan estadsticamente por anlisis. La tcnica estadstica que se utiliza para producir artculos que satisfagan al cliente se llama Control Estadstico de Proceso. Hay muchas tcnicas estadsticas que se usan en las grficas y las que ms se usan son las siguientes: Diagrama de Barras o Diagrama de Pareto Histograma Diagrama de Causa - Efecto Diagrama de Dispersin Grficas de Control

Definicin del Diagrama Causa-Efecto. El Diagrama Causa-Efecto, conocida tambin como Lluvia de Ideas, o Espinas de Pescado Diagrama de Ishikawa, muestra cmo las causas estn relacionadas con el efecto. Se ilustra un ejemplo en la siguiente figura:

14

Uso del diagrama Causa-Efecto (1) Tomando datos estadsticos de las causas de reclamos y de artculos defectuosos. Cuando se producen reclamaciones y se encuentran artculos defectuosos, las causas deben ser discutidas y debe dibujarse un diagrama Causa-Efecto. Entonces cada causa se examina cuidadosamente para luego determinar qu acciones se van a tomar primeramente Uso del Diagrama de Dispersin (1) Examinando la correlacin entre los datos de un par de tems Un caso en el que el efecto A aumenta a medida que el efecto B aumenta se llama correlacin positiva. El otro caso en el cual el efecto A aumenta a medida que el efecto B disminuye se llama correlacin negativa. Si el efecto A no se relaciona con el incremento o decrecimiento del efecto B, el caso es denominado de no-correlacin. Si el efecto B aumenta y luego disminuye a medida que el efecto A aumenta, o viceversa, el punto de viraje representa la condicin ptima (2) Graficando Diagramas de Dispersin en base a parmetros para conocer el efecto de los mismos. Se grafica el Diagrama de Dispersin en base a parmetros tales como material, maquinaria y equipo. Mtodo de trabajo, trabajadores, etc., para conocer su influencia. Si se produce un diagrama con alguna peculiaridad en la dispersin, entonces se considera que el parmetro en cuestin tiene influencia en dicho efecto.

14

Ejemplos de Diagramas de Dispersin Grficas de Control Debido a que existe ms de una manera para medir, evaluar y reaccionar a cambios en la calidad del proceso, debemos usar ms de un tipo de grfica de control. Cuatro grficas comnmente usadas son: _ Grficas c , Grficas p, Grficas q y Grficas X-R. Cada una tiene su propio uso especial. Grfica c

Una manera de hablar acerca de defectos es referirse a ellos como condiciones. Por ejemplo, digamos que un auto fue auditado y se encontr que tena: 1.- Un desprendimiento de pintura 2.- un cojn de asiento arrugado 3.- Una manija depuesta sin ensamblar Podramos decir que el auto tuvo tres defectos o tres condiciones. Empecemos a acumular algunos datos sobre defectos totales por vehculo, en una planta ensambladora de autos mediante la inspeccin de 10 autos por hora. No. de autos Inspeccionados Hora 1 Hora 2 Hora 3 10 10 10 No. de defectos 7 3 2

14

COEFICIENTES PARA EL DIAGRAMA DE CONTROL X - R

DESVIACION ESTANDAR
Ejemplo de una manera precisa de calcular la dispersin de valores de una poblacin a travs de la varianza o su raz cuadrada, que es la desviacin estndar. Vamos a calcular la varianza y la desviacin estndar de un nmero pequeo de datos (promedios de 5 mediciones tomadas con el medidor de espesor de recubrimientos metlicos (dualscope) en una misma familia de piezas que ya fueron anodizadas. El rango de espesor de recubrimiento requerido por el cliente es de 10 a 15 micras, y se obtuvieron los valores siguientes: 10, 10, 10, 9, 11, 13, 15, 17, 8, 6, 6, 15, 15, 18, 19 y 21 El promedio de estas observaciones es x = 12.687 micras Si a cada una de las observaciones le restamos el promedio, obtenemos los residuos: X1 X1 x
_ _

10 10 10 9 11 13 15 17 -2.7 -2.7 -2.7 3.7 1.7 -0.3 -2.3 -4.3

X1 X1 x
_

8 6 6 15 15 18 19 21 4.7 6.7 6.7 -2.3 -2.3 -5.3 -6.3 -8.3

14

X1 X1 _

(X1 - x )2 Los residuos tambin nos dan una idea de la dispersin de las observaciones individuales alrededor del promedio. Si el valor absoluto (el valor numrico sin el signo) de los residuos es grande, es porque los valores estn muy dispersos. Si el valor absoluto de los residuos es pequeo, significa que las observaciones individuales estn muy cerca del promedio, y por lo tanto, hay poca dispersin. Pero nosotros necesitamos un solo nmero que nos provea informacin acerca de la dispersin de los valores. Si sumamos los residuos, como algunos son positivos y otros negativos, se cancelaran entre s, con lo cual perdemos la informacin acerca de la dispersin y entonces los elevamos al cuadrado.

10 10 10 9 11 13 15 17 -2.7 -2.7 -2.7 3.7 1.7 -0.3 -2.3 -4.3 7.29 7.29 7.29 13.69 2.89 .09 5.29 18.49

X1 X1 - x (X1 - x )2
_ _

8 4.7

6 6.7

6 6.7

15 -2.3

15 -2.3

18 -5.3

19 -6.3

21 -8.3

22.09 44.89 44.89 5.29 5.29 28.09 39.69 68.89

Si ahora sumamos los residuos elevados al cuadrado, tenemos un nmero donde se condensa toda la informacin de la dispersin de la poblacin: Suma de cuadrados (X1 - x )2 = 321.44 micras Este nmero, la suma de cuadrados, es dependiente del nmero de datos N, y por lo tanto no nos sirve para comparar poblaciones con distinto nmero de observaciones. Pero si dividimos la suma de cuadrados por N, tenemos un nmero que es Independiente del nmero de observaciones, que se denomina varianza. 10
_

14

VARIANZA =

suma

de cuadrados = ( x1 N

x) 2

En nuestro caso: VARIANZA =

321 .44 = 20 .09 16

Las frmulas anteriores son las que se aplican al clculo de la varianza y desviacin estndar de una poblacin de datos. Ms adelante veremos que las frmulas a aplicar en el caso de una muestra son ligeramente diferentes. La varianza es un nmero que nos permite comparar poblaciones. Cuando la dispersin de las observaciones es grande (datos que se alejan mucho por encima y por debajo del promedio), el valor de los residuos (distancia entre cada dato y el promedio) ser grande. Entonces aumenta la suma de cuadrados de los residuos y por lo tanto la varianza. Tambin se utiliza la raz cuadrada de la varianza: Desviacin estndar = Desviacin estndar =

( x x) Por lo tanto: var ianza = 1 N 20 .09 m icras 2 = 4.5 micras

La desviacin estndar o desviacin tpica tiene las mismas unidades que la variable con la que estamos trabajando, en nuestro caso la micra. Tanto la varianza como la desviacin estndar nos permiten comparar el grado de dispersin de distintas poblaciones

11

14

SISTEMAS DE CALIDAD 1/3 CAPACIDAD Y HABILIDAD.- INTRODUCCIN

El propsito del anlisis de capacidad de un proceso, es determinar qu tan bien se comporta el mismo, en relacin a las especificaciones, siempre y cuando el proceso se encuentre bajo control. Este anlisis se hace estadsticamente con base en datos de muestreo, para predecir la variacin esperada del proceso. Cuando se tiene esta variacin establecida y confiable, se compara contra las tolerancias de las especificaciones. La relacin de estos valores se expresa usualmente como medida de la capacidad o habilidad de un proceso, como ndices Cp Cpk. Siempre existe una diferencia entre mquinas y procesos para fines de anlisis estadsticos: Mquinas: Operacin discreta (con mnimas influencias externas) Procesos: Combinacin de mano de obra, equipo, materiales, mtodos y facilidades. La capacidad o habilidad, es la medida de la siguiente relacin: 12

14

TOLERANCIA DE ESPECIFICA CIONES COMPORTAMI ENTO REAL DEL PROCESO O MAQUINA

Para datos medidos, la capacidad o habilidad de un proceso (tambin llamados capacidad potencial o capacidad real de un proceso) es una medida a largo tiempo, de las influencias que tienen sobre la variabilidad del producto todos y cada uno de los componentes del proceso. El requerimiento mnimo elemental es que el valor del promedio tres desviaciones estndar
( x 3 ) quede contenido dentro de las especificaciones. Esto cubrira

el 99.73% de la variacin esperada. Para atributos, la capacidad es una medida del grado de conformancia de una mquina o proceso. DESVIACION ESTNDAR.- Es la medida de la dispersin, de la variacin obtenida de un proceso ; tambin puede expresarse como la dispersin de una muestra estadstica del proceso (por ejemplo promedio de rangos de subgrupos) y se representa por la letra griega .

2/3 Cuando se usa estadsticamente en combinacin con una distribucin normal, La desviacin estndar permite predecir la variacin total del proceso, en base a datos de muestreo. Su valor se puede calcular por la frmula = R donde d2
_

R es el promedio de rangos y d2 es una constante que depende del tamao de la muestra.

Cp = TOLERANCIA DE ESPECIFICA CIONES 6

Cp INDICE DE CAPACIDAD POTENCIAL.- Este ndice compara la variacin del proceso contra las variaciones de ingeniera. El Cp no considera la ubicacin del proceso. Cuando un proceso est centrado a la especificacin nominal Cp = Cpk (el Cp no es suficiente para analizar un proceso).
X LIE Cpk = min. LSE X ( ) 3 3
__ __

Cpk =
Z m in 3

13

14 Cpk INDICE DE CAPACIDAD REAL O HABILIDAD DE UN PROCESO.- El Cpk compara la variacin y la localizacin del proceso contra las especificaciones. Las dos frmulas mostradas son equivalentes y en los dos casos se deben considerar los valores mnimos encontrados. El Cpk es el ndice de capacidad ms importante. ZLSE = LSE x
__

ZLIE = x LIE

__

Z es el nmero de desviaciones estndar que se tienen a partir del promedio del proceso hacia algn punto de inters de la distribucin; en este caso, las especificaciones de ingeniera. Cuando se usa este valor para clculos de habilidad, ZLSE es simplemente la distancia del promedio al lmite superior de especificacin; ZLIE es la distancia al lmite inferior de especificaciones y ZMIN ser la que represente el valor menor de las dos mencionadas y este valor ser el usado en la frmula del Cpk.

3/3

14

14

15