Nous effectuons une inspection manuelle et supprimons les rejets trouvés (par exemple, les fils endommagés) à chaque étape du processus de fabrication. Étant donné que l'inspection manuelle n'est pas efficace à 100 %, quelles méthodes statistiques peuvent être utilisées pour les données ATTRIBUT pour prédire le nombre de rejets qu'un client pourrait obtenir ?
Il n'est pas si facile de répondre à cette question puisque vous déclarez que "...l'inspection manuelle n'est pas efficace à 100 %.' vous reconnaissez que certains rejets sont transmis aux clients. Et vous voulez prédire ce nombre. La seule façon que je connaisse de le faire est d'avoir une sorte de plan d'échantillonnage des clients AT... soit vous le faites... soit ils le font et vous font rapport. Ensuite, une simple carte de contrôle est un moyen de « prédire » le nombre de rejets que les clients « pourraient voir ». Aucune de ces méthodes ne vous donnera la vérité... mais elles peuvent vous donner des informations et des données sur lesquelles évaluer le volume de rejets et la stabilité de ce volume dans le temps.
Tout d'abord, bienvenue dans la communauté.
En plus des commentaires de Pete, voici mes réflexions :
1. Pourquoi obtenez-vous des rebuts à chaque étape du processus de fabrication ? Vos efforts ne seraient-ils pas mieux servis pour comprendre ce qui cause les rejets et travailler pour gérer ces entrées afin d'éviter les rejets.
2. Je crois que vous parlez d'inspection visuelle plutôt que manuelle (bien que vous vouliez dire qu'il ne s'agit pas d'une inspection visuelle automatisée). Il serait avantageux (à la fois d'efficience et d'efficacité) de pouvoir quantifier les défauts avec une mesure continue plutôt que des critères de réussite-échec. Vous devrez peut-être faire preuve de créativité (par exemple, demandez-vous comment mesurer les dommages au fil, les mesures de localisation peuvent également être utiles, parfois les densités de défauts peuvent éclairer). Les défauts ou les défectueux comme réponse posent de multiples problèmes. Non seulement l'inspection visuelle présente des défis d'efficacité, mais elle peut également être facilement biaisée et regrouper les mécanismes de défaillance possibles, ce qui rend les relations causales difficiles à établir.
3. Vous pouvez utiliser des graphiques P/NP (défectueux) ou des graphiques C/U (défauts) pour évaluer la cohérence, mais encore une fois, vous ne voulez vraiment pas créer de défauts de manière cohérente.
