Guía completa: control estadístico de procesos en la línea de montaje

El Control Estadístico de Procesos (CEP) es una metodología que se utiliza en la industria para medir y controlar la calidad durante el proceso de fabricación. Los datos de calidad en forma de mediciones de productos o procesos se obtienen en tiempo real durante la fabricación. Estos datos se trazan en un gráfico con límites de control predeterminados. Los límites de control  están determinados por la capacidad del proceso, mientras que  los límites de especificación  están determinados por las necesidades del cliente.

• Centro Estadístico de Procesos

• Orígenes

• Por qué utilizarlo en la fabricación

• Implementación

• Utilidad de un software

• Tipos de variación

• Las reglas de Deming

• Medidas de tendencia central

Centro estadístico de procesos

Es decir, en su forma más básica, el CEP es un enfoque sistemático de recopilación y análisis de datos de procesos con fines de predicción y mejora. CEP se trata de comprender el comportamiento del proceso para que pueda mejorar continuamente los resultados. 

A medida que aprendas sobre CEP, encontrarás términos que describen la tendencia central:

• Media (el promedio aritmético)
• Mediana (el punto medio)
• Modo (el más frecuente)

Por otro lado, también encontrarás términos que describen el ancho o la difusión de los datos:

• Variación: un término utilizado para describir la cantidad de dispersión en un conjunto de datos.
• Rango: una medida de dispersión que es igual al valor máximo menos el valor mínimo de un conjunto de datos dados.
• Desviación estándar: una medida utilizada para cuantificar la dispersión de un conjunto de datos de su valor medio 

Orígenes del Control Estadístico de Procesos:

Gráficos de control estadístico de procesos (CEP) de Shewhart

El Dr. Walter A. Shewhart (1891–1967), físico de Bell Labs que se especializó en el uso de métodos estadísticos para analizar el comportamiento aleatorio de partículas pequeñas, fue responsable de la aplicación de métodos estadísticos para el control del proceso. Hasta Shewhart, los métodos de control de calidad se centraron en la inspección de productos terminados y en la clasificación del producto no conforme. 

Como alternativa a la inspección, Shewhart introdujo el concepto de inspección continua durante la producción y trazó los resultados en un gráfico ordenado por tiempo que ahora conocemos como un cuadro de control. Al estudiar los patrones de puntos de la trama, Shewhart se dio cuenta de que algunos niveles de variación son normales, mientras que otros son anomalías.

Utilizando conocimientos conocidos de la distribución normal, Shewhart estableció límites a trazar en los gráficos que separarían los niveles esperados de variación de lo inesperado. Más tarde acuñó los términos causa común y variación de causa asignable.

El Dr. Shewhart concluyó que cada proceso exhibe variación: variación controlada (causa común) o variación no controlada (causa asignable). Definió un proceso como controlado cuando "a través del uso de la experiencia pasada, podemos predecir, al menos dentro de los límites, cómo se puede esperar que el proceso varíe en el futuro".

Luego pasó a desarrollar estadísticas descriptivas para ayudar a la fabricación, incluido el Cuadro de control estadístico de procesos, ahora conocido como el Gráfico de barra X y rango (Xbar-R). El propósito del Cuadro de control estadístico de procesos de Shewhart es presentar distribuciones de datos a lo largo del tiempo para permitir que los procesos mejoren durante la producción. Este gráfico cambia el enfoque del control de calidad desde la detección de defectos después de la producción hasta la prevención de defectos durante la producción.

¿Por qué usar Control Estadístico de Procesos en la fabricación?

Los consumidores de hoy esperan productos de la mejor calidad al precio más bajo. ¿Por qué los fabricantes usan CEP? Porque el control estadístico del proceso puede ayudarte a satisfacer ambas demandas.

Al utilizar el control estadístico del proceso, como fabricante puedes pasar de un enfoque de detección a un enfoque de prevención, reduciendo o eliminando la necesidad de confiar en la clasificación o inspección. El control estadístico del proceso en tu línea de montaje puede aumentar la productividad, reducir el desperdicio y reducir el riesgo de enviar productos poco satisfactorios. 

El control estadístico del proceso reduce la chatarra 

Durante muchos años, el término control de calidad significó inspeccionar para eliminar productos poco satisfactorios. Los productos se producen y luego se inspeccionan para determinar si son aptos o no para ser enviados al cliente. Aquellos que no son aceptables son desechados o reelaborados. La clasificación de productos no solo es costosa, (ya básicamente le estás pagando a un empleado para que fabrique el producto y a otro para asegurarse de que el producto sea correcto), tampoco es muy precisa. Los estudios han demostrado que una inspección del 100% es aproximadamente un 80% efectiva. 

El CEP ayuda a los fabricantes a escapar de este ciclo ineficiente. Conduce a un sistema de prevención de productos que no son óptimos durante el proceso de producción en lugar de esperar hasta que los productos estén completos para determinar si son aceptables. Esto reduce el desperdicio, aumenta la productividad, hace que la calidad del producto sea más consistente y reduce el riesgo de enviar productos no conformes.

Cuando el control estadístico del proceso se implementa adecuadamente, los fabricantes fomentan un entorno en el que los operadores están facultados para tomar decisiones sobre los procesos. De esta manera, los procesos y la calidad del producto pueden mejorarse continuamente.

CEP es una herramienta poderosa, pero el éxito depende de una aplicación regular y adecuada. La gerencia debe apoyar su implementación a través de la confianza y la educación de los empleados y el compromiso de suministrar los recursos necesarios.

Implementación de Control Estadístico de Procesos

El control estadístico de procesos ciertamente no es la única técnica utilizada para mejorar los procesos. Pero para nuestro propósitos aquí, nos centraremos en dos de las herramientas más utilizadas en SPC:

•         Histogramas
•         Gráficos de control

Histograma

Los histogramas pueden proporcionar una vista rápida de la variación del proceso y se utilizan para trazar distribuciones de frecuencia.

Gráficos de control

Los gráficos de control son las herramientas más conocidas asociadas con CEP.

Los gráficos de control se utilizan para determinar si un proceso es estable o inestable. Existen muchos tipos de gráficos de control que pueden usarse para adaptarse a la naturaleza de los diferentes tipos de flujos de datos y métodos de muestreo.

Aunque los gráficos de CEP son reveladores, los fabricantes actuales reconocen cada vez más los beneficios de alejarse del SPC manual, realizado registrando datos en papel y luego ejecutando análisis a través de hojas de cálculo fuera de línea o software estadístico, y en su lugar utilizando un software de CEP.

¿Sería útil un software del Control Estadístico de Procesos en la línea de montaje?

Un software de control de calidad para fabricación puede ofrecerte múltiples beneficios si lo instala en la línea de montaje: 

• Muestra información relevante más rápidamente
• Filtra los datos según el rol (p. Ej., Operador, gerente de calidad) y ubicación (p. Ej., Las líneas que se trabajaron ese día)
• Análisis más rápido, centrado y más detallado.
• Alertas y notificaciones dirigidas
• Visibilidad móvil en toda la empresa de las operaciones

Recuerde que usar el control estadístico del proceso solo para "apagar incendios" —encontrar un punto fuera de control en una tabla de control y luego determinar y eliminar la causa asignable— no es lo mismo que crear una mejora continua . El CEP puede realizarse completamente solo cuando lo usa para mejorar los procesos y reducir la variación. 

Tipos de variación del proceso

Hay dos tipos de variación del proceso:

• La variación de causa común es inherente al sistema. Esta variación solo se puede cambiar mejorando el equipo o cambiando los procedimientos de trabajo; El operador tiene poca influencia sobre él.
• La variación de causa asignable proviene de fuentes externas al sistema. Esta variación puede ocurrir debido a un error del operador, uso de herramientas inadecuadas, mal funcionamiento del equipo, problemas con la materia prima o cualquier otra entrada disruptiva anormal.

El objetivo del control estadístico del proceso es comprender la diferencia entre estos dos tipos de variación y reaccionar solo ante la variación de causa asignable. 

Cuando un proceso está centrado en el objetivo y está en estado de control estadístico, cualquier ajuste al proceso solo aumenta la variación. Ajustar un proceso que está bajo control se conoce como manipulación. 

El experimento del embudo y las cuatro reglas de Deming

El análisis clásico de los efectos de la manipulación es el Experimento del embudo de Deming . En este experimento, los participantes arrojan canicas a través de un embudo suspendido sobre un objetivo. El embudo representa el proceso, la ubicación de la gota de mármol es la característica que se produce y el objetivo es la especificación del cliente.

Deming describió cuatro enfoques, también conocidos como reglas , que abarcan las formas típicas en que los participantes del experimento manipulan el embudo ( Out of Crisis, 1986, p. 328).

Regla 1: sin ajuste

El enfoque óptimo es dejar el embudo fijo y dirigido al objetivo, sin hacer ningún ajuste. Cuando un proceso es estable, centrado y muestra solo la variación inherente, no hay razón para hacer un ajuste. 

Conclusión: antes de intentar cualquier ajuste del proceso, debes reunir suficientes datos para asegurarte de comprender el comportamiento normal del mismo. Utiliza un gráfico de control para rastrear variaciones y luego ajusta el proceso solo cuando ocurran variaciones especiales.

Regla 2: Ajuste desde la última posición

Algunas veces conocido como el enfoque de "naturaleza humana", algunos participantes mueven el embudo después de cada gota, para tratar de compensar la variación de la gota anterior. En este enfoque, el embudo se mueve la distancia negativa exacta de la caída. La compensación por el "error" de la caída, podría mejorar el promedio en el objetivo, pero duplica la variación. 

Conclusión: cuando los participantes compensan el error, la variación se duplica, y recuerda, la variación es el verdadero problema. Este problema prevalece en la calibración del medidor cuando los fabricantes ajustan un medidor después de tomar una medición estándar.

Regla 3: Ajuste desde el objetivo

Los participantes que intentan adoptar un enfoque "lógico" también mueven el embudo para tratar de compensar la caída anterior. Pero en este caso, el embudo no se mueve en función de su última ubicación, sino de su distancia del objetivo. Por ejemplo, si la medición de la caída anterior fue de 5 unidades por encima del objetivo, los participantes mueven el embudo 5 unidades por debajo del objetivo.

Conclusión: aunque este enfoque parece lógico, resulta en un proceso oscilante.

Regla 4: Ajuste desde la última gota

En este enfoque, los participantes mueven el embudo para señalar la caída anterior en lugar del objetivo. En otras palabras, en la caída “n”, establecen el embudo sobre la ubicación de la caída n-1. Como es de esperar, este enfoque crea un patrón que se aleja constantemente del objetivo.

Conclusión: Lo creas o no, este enfoque se produce en escenarios de calibración cuando se utiliza un producto para configurar la próxima producción. Este problema es típico en los lugares de trabajo donde prevalece la capacitación en el mismo.

Ubicación: Medida de tendencia central 

Como te contábamos al principio del artículo, hay tres medidas de la ubicación central o tendencia del histograma:

• Media: el promedio aritmético de un conjunto de valores recopilados
• Moda: el valor que ocurre con mayor frecuencia dentro de un conjunto de valores recopilados
• Mediana: el valor que define dónde la mitad de un conjunto de valores recopilados está por encima del valor y la mitad está por debajo

Cuando se comparan, estas medidas muestran cómo se agrupan los datos alrededor de un centro, describiendo así la tendencia central de los datos. Cuando una distribución es exactamente simétrica, la media, la moda y la mediana son iguales.