Welche Art von Daten liegt vor?

Welche Regelkarte verwendet wird, hängt davon ab, ob Sie stetige Daten oder attributive Daten erfassen. Wenn Sie über mehrere stetige Variablen verfügen, überlegen Sie, ob multivariate Daten vorliegen. Attributive Daten können in zwei Untertypen unterteilt werden: binomialverteilte und Poisson-verteilte Daten.

Stetige Variablen können eine unendliche Anzahl von Werten annehmen, z. B. 234,8 oder 0,01. Die Werte für attributive Variablen sind auf angegebene Kategorien oder diskrete Werte beschränkt. Zu attributiven Werten können beispielsweise die Kategorien „Bestanden“ und „Nicht bestanden“ zählen. Die Anzahl der Fehler in einer Stichprobe kann ebenfalls eine attributive Variable sein.

Stetige Messwerte liefern in der Regel mehr Informationen als attributive Daten. Attributive Daten sind jedoch generell leichter zu erfassen. Daher werden attributive Daten häufig erfasst, wenn stetige Messwerte nur schwierig zu erhalten sind. Attributive Daten sind häufig subjektive Einstufungen, die von Prüfern oder Mitarbeitern der Qualitätskontrolle vorgenommen werden.

Stetige Prozessdaten

Mit stetigen Daten wird ein Merkmal eines Teils oder Prozesses gemessen, z. B. die Länge, das Gewicht oder die Temperatur. Die Daten enthalten häufig Dezimalwerte.

Bei einem Nahrungsmittelhersteller soll beispielsweise ermittelt werden, ob das Gewicht eines Frühstücksflockenprodukts über einen bestimmten Zeitraum gleich bleibt. Zum Erfassen der Daten zeichnet ein Qualitätstechniker die Gewichte in einer Stichprobe von Verpackungen auf.

Wenn Sie stetige Daten in Teilgruppen erfasst haben, verwenden Sie eine der Regelkarten in Statistik > Regelkarten > Regelkarten für Variablen (Teilgruppen).

Wenn Sie stetige Daten als Einzelbeobachtungen erfasst haben, verwenden Sie eine der Regelkarten in Statistik > Regelkarten > Regelkarten für Variablen (Einzelwerte).

Multivariate Prozessdaten

Multivariate Daten liegen vor, wenn Sie mehrere stetige Variablen aus demselben Prozess erfassen. Sie können mehrere Variablen in einer multivariaten Regelkarte überwachen, wenn die Variablen korreliert sind. Sie können beispielsweise sowohl die Temperatur als auch den Druck für einen Prozess überwachen, mit dem Kunststoffteile im Spritzguss gefertigt werden.

Erstellen Sie eine Korrelationsmatrix der Variablen, um zu ermitteln, ob eine univariate oder multivariate Regelkarte verwendet werden sollte. Wenn die Variablen korreliert sind, ziehen Sie eine multivariate Regelkarte in Betracht.

Wenn die Daten korrelierende Variablen umfassen, führen separate Regelkarten für die einzelnen Variablen zu irreführenden Schlussfolgerungen, weil die Variablen einen gemeinsamen Einfluss auf den Prozess ausüben. Wenn Sie univariate Regelkarten in einer Situation verwenden, in der eine multivariate Regelkarte angemessen ist, entsprechen folgende Größen nicht den erwarteten Werten:
  • Fehler 1. Art
  • Wahrscheinlichkeit, dass ein Punkt richtigerweise innerhalb der Eingriffsgrenzen liegt

Die Verzerrung dieser Werte erhöht sich mit der Anzahl der Messvariablen.

Wenn multivariate Daten vorliegen, bieten multivariate Regelkarten die folgenden Vorteile:
  • Sie stellen den tatsächlichen Kontrollbereich der verknüpften Variablen dar (ellipsoid für bivariate Fälle).
  • Die Wahrscheinlichkeit eines Fehlers 1. Art ändert sich nicht.
  • Sie ermöglichen es, alle korrelierenden Prozessvariablen in einer einzigen Regelkarte zu überwachen, häufig mit einer einzigen Eingriffsgrenze.

Multivariate Regelkarten sind jedoch schwerer zu interpretieren als die klassische Shewhart-Regelkarte. So hat beispielsweise die Skala auf multivariaten Regelkarten keinen Bezug zur Skala der einzelnen Variablen. Aus den Signalen für eine fehlende Kontrolle auf multivariaten Regelkarten können Sie zudem nicht ersehen, welche Variable (bzw. welche Kombination von Variablen) zu diesen Signalen geführt hat.

Wenn Sie stetige Daten für zwei oder mehr korrelierenden Variablen erfasst haben, verwenden Sie eine der Regelkarten in Statistik > Regelkarten > Multivariate Regelkarten.

Attributive Prozessdaten

Für Regelkarten sind attributive Daten in der Regel die Anzahl von Unzulänglichkeiten (auch als Fehler bezeichnet) oder unzulänglichen Einheiten (auch als fehlerhafte Einheiten bezeichnet). Der Begriff „Unzulänglichkeit“ bezieht sich auf ein Qualitätsmerkmal, und „unzulängliche Einheit“ bezieht sich auf das gesamte Produkt. Eine Einheit kann viele Unzulänglichkeiten aufweisen, die Einheit selbst ist jedoch entweder fehlerfrei oder unzulänglich. Zum Beispiel stellt ein Kratzer auf einer Metallplatte eine Unzulänglichkeit dar. Wenn mehrere Kratzer vorhanden sind, kann die gesamte Platte als unzulänglich erachtet werden.

Poisson-verteilte Daten
Werte in Poisson-verteilten Daten sind häufig Anzahlen von Fehlern oder Ereignissen. Mit Poisson-verteilten Daten werden oft Ereignisraten modelliert, z. B. Fehler pro Einheit.
Prüfer ziehen beispielsweise stündlich eine Stichprobe von 5 Strandtüchern und untersuchen sie auf Verfärbungen, gezogene Fäden und unzulängliche Nähte. Sie zeichnen die Gesamtzahl der Fehler in der Stichprobe auf. Jedes Strandtuch kann mehrere Fehler aufweisen, beispielsweise 1 Verfärbung und 2 gezogene Fäden (3 Fehler).
Binomialverteilte Daten
Werte in binomialverteilten Daten sind in eine von zwei Kategorien eingestuft, z. B. Bestanden/nicht bestanden oder OK/Ausschuss. Binomialdaten werden häufig verwendet, um einen Anteil oder einen Prozentsatz zu berechnen, z. B. der Prozentsatz der fehlerhaften Teile in der Stichprobe.
In einem automatisierten Prüfvorgang werden beispielsweise Stichproben von Schrauben auf tiefe Risse untersucht, bei denen die Schrauben nicht mehr verwendet werden können. Für jede Stichprobe zeichnen Qualitätstechniker die Anzahl der untersuchten Schrauben und die Anzahl der zurückgewiesenen Schrauben auf.

Wenn attributive Daten vorliegen, verwenden Sie eine der Regelkarten in Statistik > Regelkarten > Regelkarten für attributive Daten.

Prozessdaten für seltene Ereignisse

Regelkarten für seltene Ereignisse zeigen den Zeitraum oder die Anzahl von Möglichkeiten zwischen Ereignissen. Diagrammpunkte, die auf einer Regelkarte für seltene Ereignisse höher liegen, zeigen einen längeren Zeitraum zwischen Ereignissen an. Diagrammpunkte, die auf der Regelkarte tiefer liegen, zeigen eine kürzere Zeit zwischen Ereignissen an.

Gewisse Ereignisse treten so selten auf, dass Sie Ihre Daten nicht mit einer herkömmlichen Regelkarte (wie einer X-quer-Karte oder einer p-Karte) überwachen können. Beispiele für seltene Ereignisse sind Krankenhausinfektionen, Medikationsfehler und Fertigungsprozesse mit einer niedrigen Fehlerrate.

Wenn Daten zu seltenen Ereignissen vorliegen, verwenden Sie eine der Regelkarten in Statistik > Regelkarten > Regelkarten für seltene Ereignisse.

Durch Ihre Nutzung dieser Website stimmen Sie zu, dass Cookies verwendet werden. Cookies dienen zu Analysezwecken und zum Bereitstellen personalisierter Inhalte.  Lesen Sie unsere Richtlinien