Binomiale Prozessfähigkeit (Binomial Capability)

Die binomiale Prozessfähigkeitsanalyse misst, wie gut ein Prozess arbeitet, wenn jede geprüfte Einheit genau eines von zwei Ergebnissen hat, typischerweise konform oder nicht konform, gut oder schlecht, fehlerhaft oder fehlerfrei. Sie bewertet den Anteil fehlerhafter Einheiten des Prozesses und ermittelt, ob dieser Anteil niedrig genug ist, um ein festgelegtes Qualitätsziel oder eine Spezifikation zu erfüllen.

Zuletzt geprüft

Kernaussage

Die binomiale Prozessfähigkeitsanalyse misst, wie gut ein Prozess arbeitet, wenn jede geprüfte Einheit genau eines von zwei Ergebnissen hat, etwa konform oder nicht konform, und ob der Fehleranteil ein Qualitätsziel erfüllt.

Auf dieser Seite
  1. Was ist die binomiale Prozessfähigkeit?
  2. Wann wird die binomiale Prozessfähigkeit eingesetzt?
  3. Hinweise zur richtigen Anwendung der binomialen Prozessfähigkeit
  4. Alternativen: Wann Sie die binomiale Prozessfähigkeit nicht verwenden sollten
  5. Beispiel für die binomiale Prozessfähigkeit
  6. Anleitung: Binomiale Prozessfähigkeit berechnen

Was ist die binomiale Prozessfähigkeit?

Die binomiale Prozessfähigkeitsanalyse misst, wie gut ein Prozess arbeitet, wenn jede geprüfte Einheit genau eines von zwei Ergebnissen hat, typischerweise konform oder nicht konform, gut oder schlecht, fehlerhaft oder fehlerfrei. Sie bewertet den Anteil fehlerhafter Einheiten des Prozesses und ermittelt, ob dieser Anteil niedrig genug ist, um ein festgelegtes Qualitätsziel oder eine Spezifikation zu erfüllen.

Diese Art der Fähigkeitsanalyse beruht auf der Binomialverteilung, die mathematisch die Wahrscheinlichkeit einer festen Anzahl von Erfolgen (oder Misserfolgen) in einer Reihe unabhängiger Versuche modelliert. Die wichtigsten ausgegebenen Leistungskennzahlen sind der Fehleranteil, der Anteil fehlerhafter Einheiten in Parts Per Million (PPM) und das entsprechende Sigma-Niveau ; sie liefern ein klares, standardisiertes Maß dafür, wie weit der Prozess von null Fehlern entfernt ist.

Einfache Definition: Eine Fähigkeitsanalyse für Gut/Schlecht-Daten: Sie misst, welcher Anteil Ihrer Ausgabe fehlerhaft ist, und zeigt, ob diese Rate Ihren Qualitätsstandard erfüllt, ausgedrückt in PPM und Sigma-Niveau.

Wann wird die binomiale Prozessfähigkeit eingesetzt?

  • Wenn jede geprüfte Einheit in genau zwei Kategorien eingeteilt wird, etwa gut/schlecht, i. O./n. i. O., konform/nicht konform oder vorhanden/nicht vorhanden.
  • Wenn Sie den Anteil oder Prozentsatz fehlerhafter Einheiten eines Prozesses im zeitlichen Verlauf überwachen.
  • Wenn in jeder Teilgruppe eine feste Anzahl von Einheiten geprüft wird oder wenn die Teilgruppengröße schwankt und separat erfasst wird.
  • Wenn das Ergebnis jeder Einheit unabhängig von allen anderen Einheiten ist: Das Ergebnis einer Prüfung darf die nächste nicht beeinflussen.
  • Wenn Sie einen festgelegten maximal zulässigen Fehleranteil haben, an dem die Leistung gemessen wird.

Hinweise zur richtigen Anwendung der binomialen Prozessfähigkeit

  • Stellen Sie sicher, dass jede Einheit tatsächlich unabhängig als fehlerhaft oder fehlerfrei eingestuft wird. Korrelierte Einheiten aus derselben Charge oder vom selben Bediener verletzen die Binomialannahme und verfälschen die Fähigkeitsschätzungen nach oben oder unten.
  • Stellen Sie sicher, dass der Prozess stabil und statistisch beherrscht ist, bevor Sie die Fähigkeit interpretieren. Prüfen Sie die Stabilität zuerst mit einer P-Karte oder einer Laney-P'-Karte.
  • Erfassen Sie Daten aus mindestens 25 Teilgruppen , um eine zuverlässige und stabile Schätzung des Fehleranteils des Prozesses zu erhalten.
  • Die Teilgruppengröße sollte so groß sein, dass jede Teilgruppe voraussichtlich zumindest einige fehlerhafte Einheiten enthält. Sehr kleine Teilgruppen mit sehr niedriger Fehlerrate liefern instabile Schätzungen.
  • Zu den wichtigsten Ausgaben gehören Fehleranteil, PPM fehlerhaft und das Sigma-Niveau des Prozesses . Vergleichen Sie diese mit Ihrem Qualitätsziel oder der Kundenanforderung statt mit den üblichen Cp/Cpk-Richtwerten.
  • Wird Überdispersion festgestellt (mehr Streuung, als das Binomialmodell vorhersagt), sollten Sie die Laney-P'-Karte zur Stabilitätsüberwachung in Betracht ziehen und berücksichtigen, dass das Binomialmodell den Prozess möglicherweise nicht exakt beschreibt.

Alternativen: Wann Sie die binomiale Prozessfähigkeit nicht verwenden sollten

Situation

Stattdessen verwenden

Eine einzelne Einheit kann mehrere Fehler aufweisen (nicht nur gut/schlecht)

Poisson-Prozessfähigkeitsanalyse

Die Daten sind stetige Messwerte

Prozessfähigkeitsanalyse für normalverteilte, nicht normalverteilte Daten oder nichtparametrisch

Die Zielgröße hat mehr als zwei Kategorien

Nominale oder ordinale logistische Analyse

Die Teilgruppen sind sehr klein, die Fehlerrate liegt nahe null

Vor der Fähigkeitsanalyse größere Teilgruppen erfassen

Streuungsquellen innerhalb und zwischen den Teilgruppen sollen getrennt werden

Capability Six Pack (Between/Within)

Beispiel für die binomiale Prozessfähigkeit

Die Leiterin eines Callcenters möchte feststellen, ob der Prozess der Anrufannahme unter Kontrolle ist. Sie erfasst 21 Tage lang die Gesamtzahl eingehender Anrufe und die Anzahl unbeantworteter Anrufe. Sie ist in folgenden Schritten vorgegangen:

  1. Sie hat die erforderlichen Daten erfasst.
Binomial Capability — figure 1
  1. Nun analysiert sie die Daten in Zometric Statistical Software unter https://statsai.zometric.com/.
  2. Um die binomiale Prozessfähigkeit aufzurufen, wählen Sie Statistical module> Process Capability>Binomial Capability.
  3. Im Werkzeug gibt sie die Daten zusammen mit den weiteren Eingaben wie folgt ein:
Binomial Capability — figure 2
  1. Nach Ausführung des oben genannten Werkzeugs erhält sie folgende Ausgabe:
Binomial Capability — figure 3Binomial Capability — figure 4

Anleitung: Binomiale Prozessfähigkeit berechnen

So gehen Sie vor:

  1. Melden Sie sich bei Zometric Statistical Software an unter https://statsai.zometric.com/
  2. Wählen Sie auf der Startseite Statistical Tool> Process Capability >Binomial Capability .
  3. Geben Sie die Daten anschließend manuell ein, oder kopieren Sie die Daten vollständig (Strg+C) aus einer Excel-Tabelle und fügen Sie sie hier ein (Strg+V).
  4. Füllen Sie die erforderlichen Optionen aus.
  5. Klicken Sie abschließend unten auf der Seite auf calculate, um die gewünschten Ergebnisse zu erhalten.

Das Dashboard der binomialen Prozessfähigkeit ist in zwei Bereiche unterteilt.

Binomial Capability — figure 5

Im linken Bereich befindet sich der Datenbereich (Data Pane). Im Data Pane bildet jede Zeile eine Teilgruppe. Die Daten können manuell eingegeben oder vollständig aus einer Excel-Tabelle kopiert (Strg+C) und hier eingefügt (Strg+V) werden.

Load example: Es werden Beispieldaten geladen.

Load File: Damit werden Excel-Daten direkt geladen.

Im rechten Bereich stehen folgende Optionen zur Verfügung:

  • Defectives Wählen Sie die Spalte mit der Anzahl fehlerhafter Einheiten , die in jeder Teilgruppe oder jedem Prüfzeitraum gefunden wurden, zum Beispiel die Anzahl unbeantworteter Anrufe, zurückgewiesener Teile oder ausgefallener Einheiten je Zeitraum. Jeder Wert in dieser Spalte gibt die Gesamtzahl der als fehlerhaft eingestuften Einheiten von allen geprüften Einheiten an. Dies ist die wichtigste Eingabe, mit der die Analyse den Fehleranteil des Prozesses schätzt.
  • Sample Size Wählen Sie die Spalte mit der Gesamtzahl der geprüften Einheiten in jeder Teilgruppe oder jedem Zeitraum, zum Beispiel die Gesamtzahl eingegangener Anrufe, gefertigter Teile oder untersuchter Einheiten je Zeitraum. Der Fehleranteil wird für jede Teilgruppe berechnet, indem die Anzahl fehlerhafter Einheiten durch den Stichprobenumfang geteilt wird. Ist der Stichprobenumfang für alle Teilgruppen gleich, kann statt einer Spalte direkt ein konstanter Wert eingegeben werden.
  • Historical p Optional. Der Buchstabe p steht für den bekannten oder historisch ermittelten Fehleranteil des Prozesses, zum Beispiel 0.05, d. h. 5 % der Einheiten sind üblicherweise fehlerhaft. Wurde ein zuverlässiger Basiswert für den Anteil aus einer früheren Langzeituntersuchung oder einer validierten Prozessaufzeichnung ermittelt, geben Sie ihn hier ein. Ist er angegeben, verwendet die Analyse diesen Wert direkt zur Berechnung der Fähigkeitskennzahlen und Eingriffsgrenzen, statt ihn nur aus den aktuellen Daten zu schätzen. Das liefert stabilere, konsistente Ergebnisse, die die tatsächliche langfristige Prozessleistung widerspiegeln. Lassen Sie das Feld leer, damit die Analyse p aus dem aktuellen Datensatz schätzt.
  • Target Der angestrebte oder ideale Fehleranteil , den der Prozess erreichen soll. Die Eingabe 0.02 legt zum Beispiel ein Ziel von höchstens 2 % fehlerhaften Einheiten fest. Ist der Wert angegeben, dient er in der Ausgabe als Leistungsmaßstab und wird als Referenzlinie in der Fähigkeitsgrafik angezeigt, sodass Sie leicht erkennen, wie weit die aktuelle Prozessleistung vom angestrebten Qualitätsziel entfernt ist.
  • Check Rule 1: 1 point > K Stdev from center line: Test 1 ist unverzichtbar, um Teilgruppen zu erkennen, die deutlich von den übrigen abweichen, und ist daher ein allgemein anerkanntes Werkzeug zur Erkennung von Zuständen außer Kontrolle. Um die Empfindlichkeit zu erhöhen und kleinere Prozessverschiebungen zu erkennen, kann Test 2 zusammen mit Test 1 verwendet werden; das steigert die Wirksamkeit der Regelkarten.
  • Check Rule 2: K points in a row on same side of center line: Test 2 erkennt Änderungen der Prozesslage oder der Streuung. Bei der Überwachung kleiner Prozessverschiebungen kann Test 2 zusammen mit Test 1 verwendet werden, um die Empfindlichkeit der Regelkarten zu erhöhen.
  • Check Rule 3: K points in a row, all increasing or all decreasing: Test 3 dient dazu, Trends in einem Prozess zu erkennen. Dieser Test sucht gezielt nach einer längeren Folge aufeinanderfolgender Datenpunkte, deren Werte stetig steigen oder fallen, was auf einen möglichen zugrunde liegenden Trend im Prozessverhalten hinweist.
  • Check Rule 4: K points in a row, alternating up and down: Test 4 dient dazu, systematische Schwankungen in einem Prozess zu erkennen. Idealerweise sollte das Streuungsmuster eines Prozesses zufällig sein. Schlägt ein Punkt bei Test 4 an, kann das darauf hindeuten, dass die Streuung nicht zufällig ist, sondern einem vorhersagbaren Muster folgt.
  • Check Rule 5: K out of K + 1 points > 2 standard deviation from center line (same side): Test 5 erkennt kleine Verschiebungen im Prozess.
  • Check Rule 6: K out of K + 1 points > 1 standard deviation from center line (same side):Test 6 erkennt kleine Verschiebungen im Prozess.
  • Check Rule 7: K points in a row within 1 standard deviation of center line (either side):Test 7 erkennt Streuungsmuster, die fälschlich als Beleg für eine gute Prozessbeherrschung gedeutet werden können. Dieser Test erkennt zu weite Eingriffsgrenzen, die häufig auf geschichtete Daten zurückgehen. Geschichtete Daten entstehen, wenn innerhalb jeder Teilgruppe eine systematische Streuungsquelle vorliegt, sodass die Eingriffsgrenzen weiter erscheinen, als sie sein sollten.
  • Check Rule 8: K points in a row > 1 standard deviation from center line (either side):Test 8 erkennt ein Mischungsmuster. Bei einem Mischungsmuster meiden die Punkte die Mittellinie und liegen stattdessen nahe den Eingriffsgrenzen.

Häufig gestellte Fragen

Was ist die binomiale Prozessfähigkeitsanalyse?

Die binomiale Prozessfähigkeitsanalyse misst, wie gut ein Prozess arbeitet, wenn jede geprüfte Einheit genau zwei mögliche Ergebnisse hat, etwa gut/schlecht oder fehlerhaft/fehlerfrei. Auf Grundlage der Binomialverteilung schätzt sie den Fehleranteil und gibt ihn als Fehleranteil, als fehlerhafte Einheiten in Parts Per Million (PPM) und als entsprechendes Sigma-Niveau aus, um ihn mit einem Qualitätsziel zu vergleichen.

Wann sollte man die binomiale statt der Poisson-Prozessfähigkeit verwenden?

Verwenden Sie die binomiale Prozessfähigkeit, wenn jede Einheit nur als fehlerhaft oder nicht fehlerhaft eingestuft wird. Kann eine einzelne Einheit mehrere Fehler aufweisen, verwenden Sie stattdessen die Poisson-Prozessfähigkeitsanalyse. Für stetige Messwerte verwenden Sie die Prozessfähigkeitsanalyse für normalverteilte oder nicht normalverteilte Daten bzw. die nichtparametrische Analyse, und für Zielgrößen mit mehr als zwei Kategorien die nominale oder ordinale logistische Analyse.

Welche Annahmen gelten für die binomiale Prozessfähigkeitsanalyse?

Das Ergebnis jeder Einheit muss unabhängig von den anderen sein; korrelierte Einheiten aus derselben Charge oder vom selben Bediener verletzen diese Annahme. Der Prozess sollte stabil und statistisch beherrscht sein, was zuerst mit einer P-Karte oder einer Laney-P'-Karte geprüft wird. Erfassen Sie mindestens 25 Teilgruppen, die so groß sind, dass jede voraussichtlich einige fehlerhafte Einheiten enthält.

Wie führt man die binomiale Prozessfähigkeit in Zometric Statistical Software durch?

Wählen Sie Statistical Tool > Process Capability > Binomial Capability und geben Sie die Daten ein oder fügen Sie sie ein. Wählen Sie die Spalte Defectives und die Spalte Sample Size oder geben Sie einen konstanten Stichprobenumfang ein, geben Sie optional einen Historical p und einen Target-Fehleranteil an, wählen Sie die zu prüfenden Regelkartentests und klicken Sie auf Calculate.