Механическая выборка искажает среднее значение процесса. Доподлинно известно, что накопленное среднее для доли дефектных изделий, вычисленное по результатам контроля, как бы добросовестно он ни был проведен, может не дать хорошего приближения для среднего процесса. Добросовестный контролер может выбирать образцы для контроля с верха, низа и середины партии, пытаясь дать корректную характеристику партии, но нет гарантии, что такой выбор даст результаты, близкие к тем, которые могли быть получены с использованием случайных чисел. Единственный надежный способ – это использовать таблицы случайных чисел для отбора изделий из партии, однако следует признать, что применение данного метода во многих случаях оказывается непрактичным. Исключить возможное искажение, создаваемое механической выборкой, можно лишь путем 100 %-ного контроля случайно отбираемых партий, конечно, при 100 %-ном контроле всех партий. (Предложено м-ром Дейвом Уэстом на семинаре в Претории в июне 1982 г.)

Изменение метода отбора образцов, когда используется механическая выборка или выборка на основе суждений, вполне может привести к появлению точки, сигнализирующей о неуправляемости. Это артефакт, который следует иметь в виду при интерпретации карты (предложено также м-ром Дейвом Уэстом).

Статистическая управляемость не исключает наличия дефектных изделий. Статистическая управляемость – это состояние, в котором вариации случайны и стабильны в том смысле, что их пределы предсказуемы. Процесс может находиться в статистически управляемом состоянии, выдавая при этом дефектные изделия. На деле он может производить очень высокую долю дефектных изделий. Мы видели это в эксперименте с бусинами.

Сама по себе статистическая управляемость процесса не есть конечная цель. Как только процесс становится стабильным, становится возможна серьезная работа по совершенствованию качества и экономичности производства.

Вмешательство с целью изменения системы (устранение из системы красных бусин) может быть простым или сложным и длительным. Изменение среднего значения может быть несложным. Оно может потребовать и длительных экспериментов (вспомните пример с покрытием для бумаги из главы 1). Уменьшение разброса обычно представляет более трудную задачу, чем изменение точки настройки. Проблемы различны, и для них не существует общих правил. Это задача, над которой должны работать специалисты в данной области.

Эксперименты на смеси продуктов могут ухудшать шансы на улучшение. Рассмотрим три производственные линии, у которых одно выходное устройство. Я предпочитаю думать о трех рукавах, впадающих в реку (рис. 39). Конечный продукт представляет собой смесь. Если все три производственные линии находятся в статистически управляемом состоянии, тогда смесь в канале также будет статистически управляема, даже если средние значения для трех различных производственных линий будут значительно различаться.

Рис. 39. Продукция поступает из трех источников, все три находятся в статистически управляемом состоянии. Смесь из трех источников демонстрирует статистическую управляемость, но имеет широкий разброс значений

Первым делом следовало бы уменьшить дисперсию из источника А. Отдельно следует попытаться вывести все три потока на один уровень.

Однако узнать, приводит смешивание к проблемам или нет, можно, лишь изучив каждый источник. Необходимо привести их к одному уровню, уменьшить вариации в каждом из них, особенно в тех, что демонстрируют большую вариабельность. Начните изучение с приведения каждого источника в состояние статистической управляемости.

Поиск «выше по течению» – мощный рычаг в решении проблем смесей компонентов (Уильям Шеркенбах).

Даже если работа группы демонстрирует состояние статистической управляемости, индивидуальные контрольные карты могут показать, что один или два и более людей из группы нуждаются в дополнительном обучении или переводе на другую работу.

Девять шлифовальных станков выполняют финишную обработку передних осей. Из всех деталей, получаемых от девяти станков, содержится в среднем 3 % дефектных изделий. Данные по индивидуальным станкам показали, что только станки № 2 и 3 производили дефектные изделия, они нуждались в точной настройке. Когда эти станки были тщательно налажены, выход дефектных изделий от всех девяти станков упал до нуля. Без данных, характеризующих по отдельности все девять станков, улучшение процесса было бы невозможно.

На рис. 20 приведены данные для совокупных результатов работы 11 сварщиков. Анализ работы каждого из 11 сварщиков показал, что сварщик № 6 производит больше дефектов, чем предусмотрено для него.

В примере с петлями чулочных изделий, приведенном профессором Дэвидом Чамберсом, совокупный выход 47 петельщиц находился в хорошем статистически управляемом состоянии с уровнем продукции низкого сорта и брака 4,8 %. Индивидуальные карты для каждой работницы показали, что некоторые из них производили брака больше, чем было предусмотрено (подробнее в следующей главе).

Пример 1. Линия действий нанесена на карту на основе суждений, а не вычислений. Как мы узнали, пределы на контрольной карте говорят о том, чего ожидать от процесса, а не то, каким нам бы хотелось, чтоб он был. Предположим, что рабочий наносит на карту линию, показывающую долю дефектных изделий в день. Он чертит (например) линию на уровне 4 %, что, как ему представляется, будет разумной целью. Он показал мне точку, лежащую высоко над этой линией. Вот, сказал он, точка, вышедшая из управляемого состояния.

«Где ваши расчеты контрольных пределов?» – спросил я. «Мы не считаем; мы всего лишь наносим линию там, где, как мы думаем, она должна быть».

К сожалению, некоторые учебники вводят читателя в заблуждение, разрешая устанавливать контрольные пределы на основе допусков или иных требований. В одной книге советовали устанавливать контрольные пределы на основе рассмотрения оперативных характеристик плана выборочного контроля (здесь не рассматриваются). Все подобные заблуждения относительно контрольных пределов увеличивают затраты и не позволяют достигнуть качества.