Разработка AI-системы статистического управления качеством SPC с AI
Statistical Process Control (SPC) — математический инструмент мониторинга качества, разработанный Шухартом в 1920-х. AI-расширение SPC заменяет ручную интерпретацию контрольных карт автоматической детекцией всех 8 правил Western Electric, адаптирует контрольные границы к нестационарным процессам и строит мультивариатные карты для сложных производств.
Классические контрольные карты
Карты Шухарта для непрерывных данных:
import numpy as np
import pandas as pd
def compute_xbar_r_chart(data, subgroup_size=5):
"""
X-bar и R карта: среднее и размах по подгруппам
Стандарт для производственных измерений
"""
n_subgroups = len(data) // subgroup_size
subgroups = data[:n_subgroups * subgroup_size].reshape(n_subgroups, subgroup_size)
xbar = subgroups.mean(axis=1)
R = subgroups.max(axis=1) - subgroups.min(axis=1)
# Константы по стандарту ASTM (зависят от размера подгруппы)
d2 = {2: 1.128, 3: 1.693, 4: 2.059, 5: 2.326}[subgroup_size]
D3 = {2: 0, 3: 0, 4: 0, 5: 0}[subgroup_size]
D4 = {2: 3.267, 3: 2.574, 4: 2.282, 5: 2.114}[subgroup_size]
A2 = {2: 1.880, 3: 1.023, 4: 0.729, 5: 0.577}[subgroup_size]
# Центральная линия и контрольные пределы
xbar_cl = xbar.mean()
R_cl = R.mean()
xbar_ucl = xbar_cl + A2 * R_cl
xbar_lcl = xbar_cl - A2 * R_cl
R_ucl = D4 * R_cl
R_lcl = D3 * R_cl
return {
'xbar': xbar, 'R': R,
'xbar_cl': xbar_cl, 'xbar_ucl': xbar_ucl, 'xbar_lcl': xbar_lcl,
'R_cl': R_cl, 'R_ucl': R_ucl, 'R_lcl': R_lcl,
'sigma_hat': R_cl / d2
}
CUSUM и EWMA для малых смещений:
def ewma_control_chart(data, lambda_param=0.2, L=3.0):
"""
EWMA лучше X-bar для обнаружения малых (1-2σ) смещений
λ: скорость забывания (меньше = длиннее память)
L: ширина контрольных пределов (обычно 2.7-3.0)
"""
n = len(data)
mean = data[:20].mean() # baseline из первых 20 точек
std = data[:20].std()
z = np.zeros(n)
z[0] = lambda_param * data[0] + (1 - lambda_param) * mean
for i in range(1, n):
z[i] = lambda_param * data[i] + (1 - lambda_param) * z[i-1]
# Контрольные пределы (асимптотические)
sigma_z = std * np.sqrt(lambda_param / (2 - lambda_param))
ucl = mean + L * sigma_z
lcl = mean - L * sigma_z
out_of_control = (z > ucl) | (z < lcl)
return z, ucl, lcl, out_of_control
Автоматическая детекция правил Western Electric
8 правил нарушения стабильности:
def check_western_electric_rules(data, control_chart):
"""
Проверка всех 8 правил WECO
"""
cl = control_chart['cl']
sigma = control_chart['sigma']
ucl = cl + 3*sigma
lcl = cl - 3*sigma
violations = []
# Правило 1: 1 точка за 3σ
r1 = np.where((data > ucl) | (data < lcl))[0]
violations.extend([{'rule': 1, 'index': i, 'description': 'Point beyond 3σ'} for i in r1])
# Правило 2: 9 последовательных точек по одну сторону от CL
for i in range(8, len(data)):
window = data[i-8:i+1]
if all(window > cl) or all(window < cl):
violations.append({'rule': 2, 'index': i, 'description': '9 points same side of CL'})
# Правило 3: 6 последовательных точек с трендом (монотонный рост/спад)
for i in range(5, len(data)):
window = data[i-5:i+1]
diffs = np.diff(window)
if all(diffs > 0) or all(diffs < 0):
violations.append({'rule': 3, 'index': i, 'description': '6 points monotone trend'})
# Правило 4: 14 чередующихся точек (зигзаг)
for i in range(13, len(data)):
window = data[i-13:i+1]
alternating = all(
(window[j] - window[j-1]) * (window[j+1] - window[j]) < 0
for j in range(1, len(window)-1)
)
if alternating:
violations.append({'rule': 4, 'index': i, 'description': '14 alternating points'})
# Правило 5: 2 из 3 точек за 2σ
for i in range(2, len(data)):
window = data[i-2:i+1]
count_beyond_2sigma = sum(1 for x in window if abs(x - cl) > 2*sigma)
if count_beyond_2sigma >= 2:
violations.append({'rule': 5, 'index': i, 'description': '2 of 3 beyond 2σ'})
# Правила 6-8 по аналогии...
return violations
Мультивариатный SPC (Hotelling T²)
Для коррелированных параметров качества:
from sklearn.decomposition import PCA
from scipy.stats import chi2
def hotelling_t2_chart(X, phase1_data):
"""
T² контрольная карта для многомерных данных
Учитывает корреляции между параметрами качества
"""
# Фаза I: оценка параметров на нормальных данных
mean = phase1_data.mean(axis=0)
cov = np.cov(phase1_data.T)
cov_inv = np.linalg.inv(cov)
# T² статистика для каждой новой точки
T2 = []
for x in X:
deviation = x - mean
t2 = deviation @ cov_inv @ deviation
T2.append(t2)
T2 = np.array(T2)
# Контрольный предел: chi2(p, alpha) или F-распределение
p = X.shape[1] # число переменных
alpha = 0.0027 # 3σ эквивалент
ucl = chi2.ppf(1 - alpha, df=p)
out_of_control = T2 > ucl
return T2, ucl, out_of_control
Decomposition нарушения T²: При срабатывании T² — нужно понять, какая переменная виновата:
def decompose_t2_violation(x_new, mean, cov_inv, p):
"""
Decomposition: вклад каждой переменной в общий T²
"""
contributions = []
for j in range(p):
# T² без j-й переменной
mask = [i for i in range(p) if i != j]
x_reduced = x_new[mask]
mean_reduced = mean[mask]
cov_inv_reduced = np.linalg.inv(np.linalg.inv(cov_inv)[np.ix_(mask, mask)])
t2_reduced = (x_reduced - mean_reduced) @ cov_inv_reduced @ (x_reduced - mean_reduced)
total_t2 = (x_new - mean) @ cov_inv @ (x_new - mean)
contribution = total_t2 - t2_reduced
contributions.append({'variable': j, 'contribution': contribution})
return sorted(contributions, key=lambda x: x['contribution'], reverse=True)
Adaptive Control Limits
Адаптация к нестационарным процессам:
class AdaptiveSPCChart:
"""
Динамические контрольные пределы для процессов с медленным дрейфом
(изменение сырья, деградация инструмента)
"""
def __init__(self, adaptation_rate=0.05, min_phase1_samples=50):
self.adaptation_rate = adaptation_rate # скорость адаптации границ
self.phase1_complete = False
self.history = []
def update(self, new_value):
self.history.append(new_value)
if len(self.history) < 50:
return None # накапливаем данные
if not self.phase1_complete:
self.mean = np.mean(self.history[-50:])
self.std = np.std(self.history[-50:])
self.phase1_complete = True
else:
# EWMA адаптация параметров (медленная — для нормального дрейфа)
self.mean = (1 - self.adaptation_rate) * self.mean + self.adaptation_rate * new_value
# Адаптация std по экспоненциальному скользящему среднему квадрата отклонения
self.std = np.sqrt(
(1 - self.adaptation_rate) * self.std**2 +
self.adaptation_rate * (new_value - self.mean)**2
)
ucl = self.mean + 3 * self.std
lcl = self.mean - 3 * self.std
return {
'value': new_value,
'cl': self.mean, 'ucl': ucl, 'lcl': lcl,
'out_of_control': new_value > ucl or new_value < lcl
}
Интеграция с производством
MES-интеграция: SPC система получает измерения онлайн из MES или напрямую от измерительного оборудования (CMM, спектрометры, тестовые стенды). При срабатывании сигнала:
- Автоматическая блокировка партии для инспекции
- Уведомление оператора и технолога
- Создание NCR (Non-Conformance Report) в QMS
Процессные возможности (Cp, Cpk):
def process_capability(data, lsl, usl):
"""
Cp: потенциальная возможность
Cpk: реальная (учитывает смещение среднего)
"""
mean = np.mean(data)
std = np.std(data, ddof=1)
cp = (usl - lsl) / (6 * std)
cpu = (usl - mean) / (3 * std)
cpl = (mean - lsl) / (3 * std)
cpk = min(cpu, cpl)
return {'cp': cp, 'cpk': cpk, 'mean': mean, 'std': std}
Сроки: X-bar/R карты + WECO правила + алерты + MES коннектор — 3-4 недели. EWMA/CUSUM, мультивариатный T², адаптивные границы, process capability, QMS-интеграция — 2-3 месяца.