Arten von Daten für eine Prozessfähigkeitsanalyse

Bestimmen Sie die Art der vorliegenden Daten, um die geeignete Prozessfähigkeitsanalyse auszuwählen. Die zwei Hauptarten von Daten für die Prozessfähigkeitsanalyse sind stetige Daten und attributive Daten. Minitab bietet Analysen für normalverteilte und nicht normalverteilte Daten bei stetigen Daten sowie Analysen für binomial- und Poisson-verteilte Daten bei attributiven Daten an.

Wenn Sie die Auswahl zwischen der Erfassung von stetigen und attributiven Daten haben, versuchen Sie nach Möglichkeit, stetige Daten zu erfassen, da diese typischerweise mehr Informationen liefern und objektiver sind. Attributive Daten lassen sich leichter erfassen und werden daher häufig verwendet, wenn stetige Messwerte nur schwierig zu erhalten sind.

Stetige Daten

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.

Stetige Daten aus industriellen Prozessen folgen häufig einer Normalverteilung. Stetige Daten, die nicht normalverteilt sind, können einer speziellen Form von Nicht-Normalverteilung folgen, z. B. einer Weibull-Verteilung oder einer Exponentialverteilung. Gelegentlich können Sie nicht normalverteilte Daten transformieren, so dass Sie an eine Normalverteilung angepasst sind.

Attributive Daten

Mit attributiven Daten werden typischerweise die Häufigkeit von Merkmalen oder Bedingungen gezählt, z. B. eine physische Eigenschaft, ein Fehlertyp oder eine Bewertung wie „Bestanden/nicht bestanden“. Attributive Daten unterliegen meist einer subjektiven Bewertung und damit einer Interpretation des Prüfers. Es gibt zwei Haupttypen von attributiven Daten: Anzahl von Fehlern, bei denen es sich um Unzulänglichkeiten handelt, und Anzahl von fehlerhaften Einheiten, die auch als unzulängliche Einheiten bezeichnet werden.

Ein Fehler bezieht sich auf ein konkretes Qualitätsmerkmal einer Einheit, z. B. einen Riss, einen Kratzer oder eine Verfärbung. Jede Einheit kann mehrere Fehler aufweisen, und ein Fehler muss nicht unbedingt dazu führen, dass die Einheit unbrauchbar ist. Analytiker eines Textilherstellers untersuchen beispielsweise Handtücher auf Risse, gezogene Fäden und fehlerhafte Nähte. Sie erfassen die Anzahl der Fehler für jede Charge von 25 Handtüchern. Jedes Handtuch kann mehr als einen Fehler aufweisen, z. B. einen Riss und einen gezogenen Faden. Beim Überwachen auf Fehler erfassen Sie Poisson-verteilte Daten.

Eine fehlerhafte Einheit bezieht sich darauf, ob der Gesamtzustand einer kompletten Einheit akzeptabel oder inakzeptabel ist. Daher liegen die Daten häufig in der Form „Ja/Nein“, „Bestanden/nicht bestanden“ oder „Fehlerhaft/nicht fehlerhaft“ vor. Da sich eine Einheit durch viele Qualitätsmerkmale auszeichnen kann, kann sie auch viele Fehler aufweisen; die Einheit selbst ist jedoch entweder fehlerhaft oder nicht fehlerhaft. Ein Analytiker untersucht beispielsweise eine Stichprobe von Glühlampen von einem Lieferanten und zählt die zerbrochenen Glühlampen in jeder Stichprobe. Beim Überwachen auf fehlerhafte Einheiten erfassen Sie binomialverteilte Daten.