Tuomo Kaukonen Tilastollisen prosessinohjauksen ja menetelmien kehittäminen koneistuksessa Vaasa 2022 Tekniikan ja innovaatiojohtamisen akateeminen yksikkö Diplomityö Energiatekniikka 1 VAASAN YLIOPISTO Tekniikan ja innovaatiojohtamisen yksikkö Tekijä: Tuomo Kaukonen Tutkielman nimi: Tilastollisen prosessinohjauksen ja menetelmien kehittäminen ko- neistuksessa Tutkinto: Diplomi-insinööri Oppiaine: Energiatekniikka Työn ohjaaja: Ville Tuomi Valmistumisvuosi: 2022 Sivumäärä: 112 TIIVISTELMÄ: Tämä diplomityö käsittelee tilastollisen prosessinohjauksen teoriaa ja sen kehittämistä koh- deyrityksen koneistuksessa. Tilastollinen prosessinohjaus (engl. Statistical Process Control, SPC) tarkoittaa jatkuvaa seurantaa niin, että prosessi pysyisi hallinnassa. Sen avulla pystytään havait- semaan prosessissa tapahtuvat muutokset erilaisten kaavioiden ja histogrammien avulla. Työn tavoitteiksi asetettiin selvittää kohdeyrityksen tämänhetkinen tilanne SPC:n käytön suhteen ja tämän jälkeen pyrkiä löytämään keinoja parantaa sen käyttöä tuotannossa. Haastatteluita pidettiin työntekijöille, joiden avulla saatiin luotua selkeä kuva tuotannon tämän- hetkisestä tilanteesta. Tässä yhteydessä saatiin myös työntekijöiden mielipiteet parannuskoh- teista ja tunnistettiin tämänhetkiset kompastuskivet, jotka ovat vaikuttaneet SPC:n käyttöön tuotannossa. Keskustelujen perusteella huomattiin, että SPC:n käyttöä ei tuotannon puolella ole juuri ollenkaan. Yksi ongelmakohta tässä on käytettävän SPC-sovelluksen vähäiset lisenssit, jonka vuoksi työntekijöillä ei ole mahdollista käyttää SPC:tä jokapäiväisessä työssä tuotannon puolella. SPC:n dataa on käytetty suurimmaksi osaksi vain laatupalavereissa. Testikappaleelle suoritettiin toistotarkkuusmittauksia, jotta saatiin testattua mittausprosessin epävarmuus, joka vaikuttaa datan luotettavuuteen prosessin hallinnassa. Mittauksien perus- teella löydettiin kehitystä vaativia kohteita, mutta myös pystyttiin todentamaan, että suurin osa mittauksista on hyvällä tasolla. Erityisesti samankeskisyysmitoissa havaittiin liian suurta vaihte- lua. Kohdeyrityksen koneistusprosessia käytiin läpi SPC-ohjelmiston avulla, jotta saatiin selville pro- sessin tämänhetkinen tila. Kerätyn datan perusteella todettiin, että prosessi on pääpiirteittäin hallinnassa, mutta myös kohdennettiin mittoja, joissa havaittiin erityissyyn läsnäolo ja puutteel- linen prosessin kohdistus. Tutkimuksen perusteella voitiin todeta, että SPC:n käytöstä voisi olla hyötyä kohdeyrityksen ko- neistuksessa. Haastatteluista saatujen vastausten, suoritettujen mittausten sekä SPC- ohjelmistoon kerätyn datan avulla paikannettiin kohteita, joita tulisi tulevaisuudessa kehittää, kun halutaan hyödyntää tilastollista prosessinohjausta tuotannossa. AVAINSANAT: laaduntarkkailu, tilastollinen prosessin ohjaus, koneistus, jatkuva parantami- nen 2 UNIVERSITY OF VAASA School of Technology and Innovations Author: Tuomo Kaukonen Title: Developing Statistical Process Control and Process is Manufactur- ing Degree: Master of Science in Technology Programme: Energy and Information Technology Supervisor: Ville Tuomi Year: 2022 Pages: 112 SUMMARY: This Thesis studies the theory of statistical process control and its possible development in the machining of the target company. Statistical Process Control (SPC) means continuous monitoring so that the process remains under control. It makes it possible to detect changes in the process with the help of different charts and histograms. The objectives of the work were to find out the current situation of the target company with regards to the use of SPC and then to try to find ways to improve its use in the production. Interviews were conducted with employees to provide a clear picture of the current state of production with respect to the use of SPC. In this context, employees' opinions on areas for improvement were also obtained and the current stumbling blocks that have affected the use of SPC in production were identified. Based on the discussions, it was found that there is almost no use of SPC on the production side. One problem here is the limited licenses of the SPC appli- cation used, which makes it impossible for employees to use SPC in their day-to-day work on the production side. For the most part, SPC data has only been used in quality meetings. Repeatability measurement test was conducted in order to find out the uncertainty in the meas- urement process which affects the reliability of the data in process control. Based on the meas- urements, objects requiring development were found, but it was also possible to verify that most of the measurements are at a good level. Excessive variation in concentricity dimensions were observed in particular. The machining process of the target company was reviewed using SPC software to find out the current status of the process. Based on the data collected, it was found that the process was broadly under control, but measures were also targeted where the presence of a special cause and the lack of focus on the process were observed. Based on the study, it could be concluded that the use of SPC could be useful in the machining of the target company. With the help of the answers received from the interviews, the meas- urements performed, and the data collected in the SPC software, objects were identified that should be developed in the future when it is desired to utilize statistical process control in the production. KEYWORDS: quality control, statistical process control, machining, continuous improvement 3 Sisällys Kuvat 7 Kuviot 8 Taulukot 9 Lyhenteet ja symbolit 10 1 Johdanto 12 2 Tilastollinen prosessinohjaus 14 2.1 Prosessin määritelmä 14 2.2 Yleinen syy 15 2.3 Erityinen syy 15 2.4 Histogrammi 16 3 Tilastollisen prosessin ohjauksen keskeisiä käsitteitä 20 3.1 Vaihteluväli, 𝑹, 𝑴𝑹 20 3.2 Liukuva vaihteluväli 20 3.3 Keskihajonta 21 3.3.1 Koko perusjoukon hajonta, 𝝈 21 3.3.2 Näyte-erän keskihajonta, 𝒔 21 3.3.3 Mittaustulosten kokonaiskeskihajonta, 𝒔𝒕, 𝝈𝒕 22 3.3.4 Hajonnan laskettu estimaatti, 𝝈 22 3.4 Ohjauskortit 23 3.4.1 x/MR tai I-MR 24 3.4.2 Ohjausrajat 25 3.4.3 Toimenpidesäännöt 27 3.4.3.1 Toimenpidesääntö 1, havainnot ohjausrajojen ulkopuolella 27 3.4.3.2 Toimenpidesääntö 2, polut 28 3.4.3.3 Toimenpidesääntö 3, jaksottaisuus 30 3.4.3.4 Toimenpidesääntö 4, lähestyminen keskiarvoa 30 4 3.4.4 Varoitusrajat 31 3.5 Suorituskykyluvut 32 3.5.1 Maksimisuorituskykyluku, 𝑪𝒑 32 3.5.2 Suorituskykyluku, 𝑪𝒑𝒌 33 3.6 Asiakkaan ääni 34 3.7 Prosessin ääni 35 3.8 Entropia 38 3.9 Prosessin tilat 38 3.9.1 Ihanteellinen tila 38 3.9.2 Kynnystila 39 3.9.3 Kaaoksen partaalla 41 3.9.4 Kaaoksen tila 42 3.10 Tyypin 1 ja 2 virheet prosessissa 43 4 Mittaussysteemin analyysi 45 4.1 Tyypin 1 ja 2 virheet mittauksessa 46 4.2 Gage R&R 49 4.3 Tyypin 1 Gage -tutkimus 50 5 Koneistuksen kehitysmenetelmät 52 5.1 DMAIC 52 5.2 PDCA 54 5.3 Seitsemän laatutyökalua 56 6 Lähtötaso koneistuksessa 58 6.1 Prosessin kulku 58 6.2 Ongelmakohdat ja riskit prosessissa 60 6.2.1 Valu 60 6.2.2 Mittaus 61 6.2.3 SPC-ohjelmiston käyttö 62 6.3 Palaute ja havainnot 63 6.4 Toimintamalli 64 6.5 Laadunseuranta 64 5 7 Henkilökohtaiset haastattelut 66 7.1 Tulokset haastattelujen perusteella 66 7.1.1 SPC:n käyttö kohdeyrityksessä 66 7.1.2 Parannuskohteet ja niiden valinta 67 7.1.3 Jatkuva parantaminen ja ennaltaehkäisevä laadunvarmistus 68 7.1.4 Muutoksien dokumentointi 68 7.1.5 Informaation kulku koneistuksessa 68 7.1.6 Seitsemän laatutyökalua 69 7.1.7 Päätelmät haastatteluiden perusteella 69 8 Mittausepävarmuuden määrittäminen 71 8.1 Menetelmä 71 8.1.1 Vaihtelunaiheuttajat mittausprosessissa 72 8.2 Tulokset 73 8.2.1 Mitta 1 75 8.2.2 Mitta 2 77 8.2.3 Mitta 3 80 8.2.4 Mitta 4 83 9 Prosessin läpikäynti SPC:n avulla 87 9.1 Vaatimustenvastaisuudet mittausdatan perusteella 88 9.2 Prosessin suorituskyky 89 9.3 Vaatimustenvastaisuudet vikailmoitusdatan perusteella 96 10 Yhteenveto 97 Lähteet 100 Liitteet 102 Liite 1. Teemahaastattelun kysymykset 102 Liite 2. Suorituskykykäyrä 103 Liite 3. Mitta 2:n tulokset 104 Liite 4. Mitta 2:n tulokset koneelta yksi 105 Liite 5. Mitta 2:n tulokset koneelta kaksi 106 6 Liite 6. Mitta 6:n tulokset 107 Liite 7. Mitta 6:n tulokset koneelta yksi 108 Liite 8. Mitta 6:n tulokset koneelta kaksi 109 Liite 9. Mitta 20:n tulokset 110 Liite 10. Mitta 20:n tulokset koneelta yksi 111 Liite 11. Mitta 20:n tulokset koneelta kaksi 112 7 Kuvat Kuva 1. Prosessiin ja erään kohdistuva toiminta. (mukaillen Kume, 1989, s. 40) 17 Kuva 2. Tyypilliset histogrammimuodot (mukaillen Kume, 1989, s. 51) 18 Kuva 3. 3 sigman sääntö (mukaillen Kume, 1989, s. 64) 26 Kuva 4. Havaintoja ohjausrajojen ulkopuolella. 28 Kuva 5. Havainnot vain toisella puolella keskiarvoa. 29 Kuva 6. Seitsemän peräkkäisen havainnon nouseva trendi. 29 Kuva 7. Jaksottaisuus havainnoissa. 30 Kuva 8. Vain noin kolmasosa havainnoista lähestyy keskiarvoa. 31 Kuva 9. Valvontarajat. 32 Kuva 10. Asiakkaan ääni kolmella tavalla (mukaillen Scherkenbach, 1991, s. 13). 35 Kuva 11. Asiakkaan ja prosessin äänen sovitus (mukaillen Scherkenbach, 1991, s. 15). 36 Kuva 12. Vakaa prosessin ääni (mukaillen Scherkenbach, 1991, s. 175). 37 Kuva 13. Epävakaa prosessin ääni (mukaillen Scherkenbach, 1991, s. 176). 37 Kuva 14. Ihanteellinen tila (mukaillen Owen, 1989, s. 102). 39 Kuva 15. Kynnystila (mukaillen Owen, 1989, s. 102). 40 Kuva 16. Kaaoksen partaalla -tila (mukaillen Owen, 1989, s. 102). 41 Kuva 17. Kaaoksen tila (mukaillen Owen, 1989, s.102). 42 Kuva 18. Todellisen ja havaitun jakauman ero. (mukaillen Wetherill, 1991, s. 47). 45 Kuva 19. Tyypin 1 virhe esitettynä toleranssirajoilla (mukaillen AIAG, 2010, s. 19). 47 Kuva 20. Tyypin 2 virhe esitettynä toleranssirajoilla (mukaillen AIAG, 2010, s. 19). 47 Kuva 21. Päätöksenteko-alueet toleranssien mukaan. (mukaillen AIAG, 2010, s. 20). 48 Kuva 22. MAIC-prosessi (mukaillen Karjalainen & Karjalainen, 2002, s. 44). 52 Kuva 23. SIPOC- prosessi (mukaillen Karjalainen & Karjalainen, 2002, s. 47). 53 Kuva 24. Demingin ympyrä (mukaillen Salomäki, 2003, s. 45). 55 Kuva 25. Keskiarvoympyrä ja suurin sovitettu ympyrä. 74 8 Kuviot Kuvio 1. Mitta 1:n mittaustulokset. 75 Kuvio 2. Mitta 1:n histogrammi. 76 Kuvio 3. Mitta 1:n hajonta. 77 Kuvio 4. Mitta 2:n mittaustulokset. 78 Kuvio 5. Mitta 2:n histogrammi. 79 Kuvio 6. Mitta 2:n hajonta 80 Kuvio 7. Mitta 3:n mittaustulokset. 81 Kuvio 8. Mitta 3:n histogrammi. 82 Kuvio 9. Mitta 3:n hajonta. 83 Kuvio 10. Mitta 4:n mittaustulokset. 84 Kuvio 11. Mitta 4:n histogrammi. 85 Kuvio 12. Mitta 4:n hajonta. 86 Kuvio 13. Mitan 20 histogrammi ilman suodatusta. 93 Kuvio 14. Mitan 20 histogrammi koneelta yksi. 93 Kuvio 15. Mitan 20 histogrammi koneelta kaksi. 94 9 Taulukot Taulukko 1. Prosessin kolme yleisimmin havaittua vikaa. 88 Taulukko 2. Koneelta yksi havaitut kolme yleisintä vikaa. 89 Taulukko 3. Koneelta kaksi havaitut kolme yleisintä vikaa. 89 Taulukko 4. Prosessin maksimisuorituskyky ja todellinen suorituskyky. 90 Taulukko 5. Tarkastellun prosessin kyvykkyysindeksit 95 10 Lyhenteet ja symbolit Lyhenteet LCL Alempi kontrolliraja (Lower Control Limit) LSL Alempi spesifikaatioraja (Lower Specification Limit) MR Liikkuva vaihteluväli (Moving range) SPC Tilastollinen prosessinohjaus (Statistical Process Control) UCL Ylempi kontrolliraja (Upper Control Limit) USL Ylempi spesifikaatioraja (Upper Specification Limit) Symbolit  Koko perusjoukon keskihajonta (standardipoikkeama) actual 2 Todellinen prosessin varianssi msa 2 Mittaussysteemin varianssi obs 2 Havaittu prosessin varianssi 𝜎̂𝑡 Prosessin hajonnan estimaatti Cg Mittalaitteen kyvykkyysindeksi Cp Prosessin pitkän ajan kyvykkyysindeksi Cpk Prosessin lyhyen ajan kyvykkyysindeksi (Cp)obs Havaittu prosessin kyvykkyysindeksi (Cp)actual Todellinen prosessin kyvykkyysindeksi (Cp)obs Mittaussysteemin kyvykkyysindeksi k Näyte-erän näytemäärä n Näytteen järjestysnumero N Perusjoukon koko R Vaihteluväli s Näyte-erän keskihajonta st Mittaustulosten kokonaiskeskihajonta T Prosessin tavoitearvo 11 xi Yksittäisen näytteen mittaustulos x̅ Mittaustulosten keskiarvo 12 1 Johdanto Jatkuvan parantamisen perustan voi selittää yksinkertaisesti kahdella sanalla – vaihtele- vuuden vähentäminen. Sama periaate toimii myös tilastolliselle prosessinohjaukselle (SPC), jossa tarkoituksena on vaihtelua vähentämällä saada prosessi pysymään tilassa, joka on hallittavissa ja ennakoitavissa. (Logothetis, 1992, s. 15) Tilastollinen prosessinoh- jaus on tehokas tapa muuttaa ajattelutapaa passiivisesta jälkikäteen tarkastamisesta ak- tiivisesti ennakoivaan toimintaan. Tämän avulla voidaan pyrkiä kehittämään prosessin tuottavuutta sekä vähentämään kustannuksia. (Li, 2021, s.1) Nykyään monet yritykset ovat pyrkineet implementoimaan tilastollisen prosessinohjauk- sen toimintamallia, mutta joidenkin tehtyjen tutkimuksien mukaan lopullinen käyttöön- otto yrityksissä on jäänyt hieman vajaaksi. Ruotsissa tehdyn tutkimuksen mukaan monet yritykset ovat aloittaneet tilastollisten metodien käyttöönoton, mutta vaihtelevien syi- den vuoksi lopullinen metodien käyttö on vain vähäistä (Lundkvist, 2018). Tähän vaikut- tavia syitä on esimerkiksi alhainen sitoutuminen käytäntöön sekä vähäinen tieto aiheesta. Roger Merrimanin (2018) suorittaman tutkimuksen mukaan kävi ilmi, että tutkimukseen osallistuvien suurten yritysten joukosta 28,5 % eivät käyttäneet SPC:tä ollenkaan. Loput tutkimukseen osallistuneet yritykset olivat implementoineet SPC:n toimintaansa jossain määrin, mutta käytön suuruutta ei tässä eroteltu. Tutkimuksessa pyrittiin löytämään myös mahdollisia esteitä käytölle ja tällaisia oli muun muassa resurssien vähäisyys, tek- niikan ja terminologian vähäinen ymmärrys sekä yrityksen johdon ymmärrys laadusta ja SPC:n hyödyistä yritykselle. (Merriman, 2018, s. 52–53) Sitoutuminen, tieto ja osallistu- minen ovat avain asemassa uusien toimintatapojen implementoinnissa ja erityisesti joh- toportaalla on merkittävä vaikutus kehityksessä (Logothetis, 1992, s. 2–3). Gejdoš (2015) suoritti kokeellisen tutkimuksen tilastollisen prosessinohjauksen hyö- dyistä jatkuvassa parantamisessa ja totesi, että SPC:llä, erityisesti DMAIC-kehitysmallin kanssa, on positiivisia vaikutuksia prosessin ja yrityksen toimintaan. Sousa ja muut (2017) suorittivat tutkimuksen, jossa tutkittiin SPC:n käytön vaikutusta tuotteen laadun paran- tamisessa. Tuotetta tutkittiin SPC:n avulla ennen varsinaista tuotteen tuotantovaihetta 13 sekä sen aikana. Tutkimuksessa pystyttiin osoittamaan tuotteen ongelmakohdat ja eh- dottamaan parannuskohteita käyttäen tilastollista prosessinohjausta. Tämän diplomityön tavoitteena on tutkia ja selvittää nykytilanne kohdeyrityksen tehtaan koneistuksessa tilastollisen prosessinohjauksen käytön suhteen ja etsiä mahdollisia pa- rannuskohteita. Tilastollinen prosessinohjaus on kohdeyrityksessä otettu aikaisemmin käyttöön, mutta tämän integroiminen tuotantoon on ollut puutteellista ja hyötyjä sen käytöstä on saatu vain vähän. Tutkimusta varten haastateltiin valikoituja henkilöitä, jotka ovat oleellisia tuotantoprosessille sekä suoritettiin testikappaleelle toistotarkkuusmit- taukset. Näiden tulosten perusteella saatiin laaja kuva tuotannon tämänhetkisestä tilan- teesta ja tunnistettiin kohdat, jotka vaatisivat mahdollisesti parannettavaa, jotta SPC:tä voitaisiin tulevaisuudessa käyttää sujuvasti. Tutkimuksen alussa käydään ensin läpi oleellista teoriaa ja käsitellään toimeksiantajan lähtötilannetta. Tilastollisesta prosessinohjauksesta kerrotaan kappaleessa 2 ja tälle työlle oleelliset käsitteet käsitellään kappaleessa 3, sekä muuta oleellista teoriaa kappa- leissa 4 ja 5. Toimeksiantajan tuotannon lähtötilannetta avataan ja selitetään tarkemmin kappaleessa 6. Työssä tehdyt haastattelut ja mittaukset tuli suunnitella selkeästi ja toteuttaa tämän mu- kaan. Näistä saatu data on suuressa roolissa, kun pyritään löytämään kehityskohteita toi- meksiantajalle. Työn eri vaiheista ja prosessista kerrotaan tarkemmin kappaleissa 7, 8 ja 9. Työn lopuksi laadittiin yhteenveto tutkimuksen tuloksista, jotka on selitetty tarkemmin kappaleessa 10. 14 2 Tilastollinen prosessinohjaus Tilastollisen prosessinohjauksen, toisin sanoen SPC:n (Statistical Process Control), avulla pyritään saavuttamaan hallittu prosessi, joka on ennustettavissa ja joka tuottaa tasalaa- tuista lopputuotetta. Tällaisen prosessin määrittämiseen tarvitaan dataa. (Owen, s. 16) Tilastollisen prosessinohjauksen juuret yltävät 1920-luvulle Walter Shewhartin to- teamukseen, jonka mukaan jokaisessa prosessissa ilmenee vaihtelua, jossa vaikuttavina tekijöinä on yleisiä ja erityisiä syitä. Nämä syyt vaikuttavat datan vaihtelevuuteen, mutta samalla myös prosessin ennustettavuuteen. (Wheeler s. 4–6) Tässä kappaleessa käsitellään tilastollisen prosessinohjauksen teoriaa. Kohdeyrityksen olemassa olevat prosessit huomioon ottaen, työssä on pyritty rajaamaan teoriaosuutta niin, että vain oleelliset aiheet käsitellään. 2.1 Prosessin määritelmä Prosessi on tapahtuma, missä syöte muutetaan tuotokseksi. Prosessi voidaan jakaa osa- tekijöihin (ihminen, materiaali, kone, menetelmä ja ympäristö), jotka ovat itsessään sekä syötteitä että tuotoksia. Pelkästään materiaali ei ole tuotos vaan myös muut osatekijät muuttuvat ajan saatossa. Muutokset osatekijöissä ovat luonnollista, normaalia vaihtelua ja vaikuttavat suoraan lopputuotteen laatuun. Vaihtelut voivat sekä vahvistaa että ku- mota toisiaan. Prosessin normaali kokonaisvaihtelu koostuu vaihtelujen yhteisvaikutuk- sesta. (Scherkenbach, 1991, s. 7–8; Salomäki, 2003, s. 117–118) On olemassa kahdenlaisia prosesseja. Niitä, joiden vaihtelu on tilastollisesti kontrollissa ja niitä, joiden ei ole. Vaikka laatu olisikin tilastollisesti kontrollissa se ei silti ole vakiota vaan vaihtelevaa. Kontrollissa olevaan vaihteluun vaikuttaa ainoastaan yleinen syy, kun taas ei-kontrollissa olevaan vaihteluun vaikuttaa yleisen syyn lisäksi erityinen syy. (Shew- hart, 1931, s. 6–14) 15 2.2 Yleinen syy Yleinen syy on prosessissa aina mukana oleva ja jatkuvasti siihen vaikuttava häiriö, joka aiheuttaa luonnollista vaihtelua, jota sanotaan myös kohinaksi. Se koostuu monista vaih- telun lähteistä, kuten vaihteluista materiaaleissa, kappaleiden toleransseissa tai ympä- ristöolosuhteissa, mitkä eivät välttämättä yksistään, vaan yhdessä aiheuttavat sattuman- varaisia tuloksia. Luonnollisen vaihtelun tulokset muodostavat normaalijakauman ja siksi sille pystytään matemaattisesti määrittelemään suhteellisen luotettavat rajat, jotka ku- vaavat kohinan suuruutta. (Logothetis, 1992, s. 16; Salomäki, 2003, s. 192–193) Rajojen avulla voidaan, ainakin suurin piirtein, määrittää todennäköisyys vaihtelun osumiselle ohjausrajojen sisäpuolelle. (Shewhart, 1931, s. 6) Yleisiä syitä ei pystytä kokonaan poistamaan prosessista, mutta niiden aiheuttamaa luon- nollista vaihtelua voidaan pienentää (Shewhart, 1931, s. 17–18, 131). Kohina on osa pro- sessia, joten sen pienentämiseen vaaditaan kehitystoimenpiteiden kohdistamista itse prosessiin. Täten yksittäisen mittaustuloksen perusteella ei voida pienentää luonnollista vaihtelua, vaan on tarkasteltava useampaa mittaustulosta pidemmältä aikaväliltä. Inves- toimalla ja muuttamalla toimintatapoja voidaan löytää parannuksia osatekijöihin ja täten pienentää kohinaa. Yleensä on johdon vastuulla pienentää yleisistä syistä johtuvaa vaih- telua, koska muutosta vaaditaan itse prosessiin, siihen kuinka se on suunniteltu ja raken- nettu. Prosessin luonnollisen hajonnan pienentäminen vähitellen tukee jatkuvan paran- tamisen toimintaperiaatetta. (Logothetis, 1992, s. 16; Salomäki, 2003, s. 192) 2.3 Erityinen syy Erityinen syy on prosessiin kuulumaton häiriö, joka voi ilmentyä äkillisesti ja joka yleensä pystytään havaitsemaan kohinasta erottuvana piikkinä. Havaitsemista helpottaa luon- nolliselle vaihtelulle lasketut rajat, jolloin erityissyy näkyy poikkeamana odotettavissa olevasta vaihtelusta. Havaitsemisen helppous riippuu prosessin luonnollisen kohina suu- ruudesta. Erityissyyt saattavat jonkin verran peittyä suuren kohinan sekaan. Täten pie- nemmän kohinan prosessista on helpompi löytää erityissyyt. (Salomäki, 2003, s. 193) 16 Prosessia ei saa säätää erityissyyn perusteella vaan täytyy etsiä sen aiheuttaja, poistaa sen vaikutus prosessiin ja pyrkiä varmistamaan, että sitä ei ole mahdollista enää tapah- tua tulevaisuudessa. Erityissyyn ilmaantuessa, muutosta ei vaadita itse prosessiin, vaan johonkin tiettyyn prosessin osaan. Tämän takia erityissyyn löytämisen ja poistamisen tu- lee normaalisti, mutta ei yksinomaan, hoitaa joku, joka on suoraan yhteydessä prosessiin, kuten esimerkiksi koneenkäyttäjä. (Logothetis, 1992, s. 16, 230: Salomäki, 2003, s. 193) 2.4 Histogrammi Prosessi koostuu osatekijöistä (ihmiset, koneet, materiaalit, menetelmät ja ympäristö), joissa tapahtuu aina jossain määrin vaihtelua. Jopa vakioiksi oletetut tekijät eivät todel- lisuudessa pysy täysin vakioina. Prosessista saaduille arvoille pätee tietyt säännöt ja nämä arvot noudattavat tiettyä jakaumaa. Näytetarkastuksessa erästä otetaan näyte ja sille tehdään mittaukset, joiden perusteella päätetään, hyväksytäänkö koko erä vai ei. Näytteen avulla ei tarkastella pelkästään näy- tettä, vaan koko erän ominaisuuksia. Näytteenottoon perustuvassa 𝑥̅ -R-kortissa tämä tarkoittaa prosessin tilan seuraamista eikä yksittäisen näytteen ominaisuuksien seuraa- mista. Perusjoukoksi kutsutaan kokonaisuutta, joka koostuu tarkastelun kohteena olevista yksi- löistä. Näytteenotossa erä ja 𝑥̅-R-kortissa prosessi ovat perusjoukkoja. Erä koostuu jou- kosta tiettyjä yksilöitä, kun taas prosessi koostuu osatekijöistä, jotka yhdessä valmistavat joukon tuotteita. Kun tarkoituksena on saada tietoja perusjoukosta, otetaan siitä yksi tai useampi yksilö tarkasteluun. Tällöin yksilöt muodostavat näytteen. Näyte tulisi valita si- ten, että se peilaa kaikkia perusjoukon ominaisuuksia, sillä sitä käytetään koko perusjou- kon ominaisuuksien arvioinnissa. Yleisesti käytetään satunnaisnäytteenottomenetelmää, jossa jokaisella yksilöllä on yhtä suuri todennäköisyys tulla valituksi. Tällä menetelmällä 17 otettua näytettä kutsutaan satunnaisotokseksi. Kuvassa 1 on havainnollistettu näytteen- ottoprosessi, josta ilmenee perusjoukon, näytteen ja datan välinen suhde. Kuva 1. Prosessiin ja erään kohdistuva toiminta. (mukaillen Kume, 1989, s. 40) Kuvasta 1 nähdään, että mittauksien avulla saatu data toimii perusjoukkoon tehtävien toimenpiteiden perustana. Kun tarkastellaan suurempaa näytettä, saadaan myös enem- män tietoa perusjoukosta. Tietomäärän kasvaessa, sen tulkinta vaikeutuu. Suuren tieto- määrän tulkitseminen nopeasti onnistuu graafisen histogrammin avulla. Analysoidessa prosessia, histogrammin muoto voi kertoa hyödyllistä tietoa perusjoukon tilasta. Alla olevassa kuvassa 2 on esitetty tyypillisiä histogrammimuotoja. (Kume, 1989, s. 39–65) 18 Kuva 2. Tyypilliset histogrammimuodot (mukaillen Kume, 1989, s. 51) a) Normaalimuoto on yleisin histogrammimuoto. b) Kampamuodossa joka toisen luokan esiintymistiheys on korkeampi. Muoto voi johtua arvojen pyöristyksistä. c) Vinossa muodossa korkein frekvenssi on histogrammin keskikohdasta hieman oi- kealla tai vasemmalla puolella. Muoto voi syntyä, kun prosessin joko ylä- tai ala- rajaa seurataan spesifikaatiorajojen avulla. d) Jyrkässä muodossa korkein frekvenssi on histogrammin keskikohdasta kaukana oikealla tai vasemmalla. Muoto voi syntyä, kun spesifikaatiorajan ylittävät arvot on jätetty pois tai kun matalampaa tai suurempaa arvoa ei voi esiintyä. e) Tasahuippuisessa muodossa ei ole havaittavissa selkeää korkeinta frekvenssiä. Muoto voi johtua usean eri keskiarvon omaavan jakauman sekoittumisesta. 19 f) Kaksoishuippuisessa muodossa on havaittavissa kaksi erillistä frekvenssihuippua. Muoto voi johtua kahden eri keskiarvon omaavan jakauman sekoittumisesta. g) Erillishuippuisessa muodossa on havaittavissa frekvenssihuipun lisäksi toinen paljon pienempi huippu etäällä frekvenssihuipusta. Muoto voi johtua virheestä mittauksessa tai häiriöstä prosessissa. 20 3 Tilastollisen prosessin ohjauksen keskeisiä käsitteitä Tilastollisessa prosessin ohjauksessa käytetään erilaisia käsitteitä ja laskukaavoja, joiden tarkoitus on selventää ja auttaa tulkitsemaan saatuja tuloksia. Tässä kappaleessa selven- netään keskeisimpiä käsitteitä liittyen prosessin ohjaukseen ja näin pyritään luomaan selkeä mielikuva mitä apuvälineitä tilastolliseen prosessin ohjaukseen liittyy. 3.1 Vaihteluväli, 𝑹, 𝑴𝑹 Vaihteluväli (engl. range, R) tarkoittaa havaintoaineiston suurimman ja pienimmän ha- vainnon erotusta. Täten se on aina yhtä suuri tai suurempi luku kuin nolla. Näyte-erän vaihteluväli lasketaan kaavan 1 avulla. (Salomäki, 2003, s. 180) 𝑅𝑛 = max(𝑥𝑛1; 𝑥𝑛2; … ; 𝑥𝑛𝑘) − min (𝑥𝑛1; 𝑥𝑛2; … ; 𝑥𝑛𝑘), (1) missä 𝑛 näyte-erän järjestysnumero 𝑘 näyte-erän näytemäärä 3.2 Liukuva vaihteluväli Liukuva vaihteluväli (engl. moving range, MR) tarkoittaa näytteen ja edellisen näytteen erotuksen itseisarvoa ja se lasketaan kaavalla 2. Liukuva vaihteluväli voidaan myös laskea näyte-erän keskiarvon ja edellisen näyte-erän keskiarvon erotuksen itseisarvona, kaa- valla 3. (Salomäki, 2003, s. 180) 𝑀𝑅𝑛 = |𝑥𝑛 − 𝑥𝑛−1| (2) tai 𝑀𝑅𝑛 = |𝑥̅𝑛 − 𝑥̅𝑛−1|, (3) 21 missä 𝑛 näytteen tai näyte-erän järjestysnumero 3.3 Keskihajonta Keskihajonta kuvaa otoksen näytteiden leviämistä keskiarvonsa ympärille. Pieni keskiha- jonta tarkoittaa, että näytteet ovat jakautuneet lähelle toisiaan. (Salomäki, 2003, s. 180) Tässä kappaleessa on esitelty erilaisia keskihajonnan sovelluksia. 3.3.1 Koko perusjoukon hajonta, 𝝈 Kun tarkoitetaan koko perusjoukon hajontaa, käytetään keskihajonnan tunnuksena sig- maa (σ). Koko perusjoukon keskihajonta lasketaan kaavalla 4. (Salomäki, 2003, s. 180) 𝜎 = √∑ (𝑥𝑖−𝑥̅)2𝑁 𝑖=1 𝑁 , (4) missä 𝜎 perusjoukon keskihajonta 𝑁 perusjoukon koko 𝑥𝑖 yksittäisen näytteen mittaustulos 𝑥̅ mittaustulosten keskiarvo 3.3.2 Näyte-erän keskihajonta, 𝒔 Koko perusjoukkoa ei ole aina mahdollista tutkia. Tällaisessa tilanteessa joudutaan tyy- tymään perusjoukosta otettuun otokseen, jossa on rajallinen määrä mittauksia ja jonka avulla pystytään arvioimaan eli estimoimaan hajonta. Rajallisena ja tunnettuna tulos- joukkona voi toimia esimerkiksi yksi näyte-erä. Yksittäisen näyte-erän keskihajontaa ei voi käyttää sellaisenaan kuvaamaan huomattavasti tunnettua tulosjoukkoa suurempaa joukkoa. Näyte-erän keskihajonta lasketaan kaavalla 5. (Salomäki, 2003, s. 181) 22 𝑠 = √ ∑ (𝑥𝑖−𝑥̅)2𝑛 𝑖=1 𝑛−1 , (5) missä 𝑠 näyte-erän keskihajonta 𝑛 näyte-erän koko 𝑥𝑖 yksittäisen näytteen mittaustulos 𝑥̅ mittaustulosten keskiarvo 3.3.3 Mittaustulosten kokonaiskeskihajonta, 𝒔𝒕, 𝝈̂𝒕 Tulosjoukon muodostuessa kaikista käytettävissä olevista mittaustuloksista, voidaan las- kea mittaustulosten kokonaiskeskihajonta, st (engl. total process variation). Mikäli mit- taustuloksia on riittävästi eli mieluiten vähintään 150, voidaan mittaustulosten kokonais- keskihajontaa käyttää prosessin hajonnan parhaana estimaattina. Mittaustulosten koko- naiskeskihajonta lasketaan kaavalla 6. (Salomäki, 2003, s. 181) 𝑠𝑡 = √ ∑ (𝑋𝑖−𝑋̅)2𝑛 𝑖=1 𝑛−1 = 𝜎̂𝑡, (6) missä 𝑠𝑡 mittaustulosten kokonaiskeskihajonta 𝑛 kaikkien käytettävissä olevien näytteiden lukumäärä 𝑥𝑖 yksittäisen näytteen mittaustulos 𝑥̅ mittaustulosten keskiarvo 𝜎̂𝑡 prosessin hajonnan estimaatti 3.3.4 Hajonnan laskettu estimaatti, 𝝈̂ Prosessin keskihajontaa ei pystytä tarkasti laskemaan, vaan sitä pitää estimoida näyte- erien hajonnan (s) tai näyte-erien vaihteluvälin (R) perusteella. Sigmamerkin päällä oleva 23 hattu korostaa, että keskihajonta on arviointiin perustuva. Kun prosessi on hallinnassa ja se noudattaa suurin piirtein normaalijakaumaa, voidaan prosessin arvioimisessa käyttää apuna estimaattia. Estimaatin laskenta perustuu näyte-erien sisäisen ja näyte-erien välisen vaihtelun ennus- tettavuuteen. Näyte-erien välinen vaihtelu on nähtävillä x̅-kuvaajasta ja erien sisäinen vaihtelu MR, R tai s-kuvaajasta. Kaavat 7, 8 ja 9 ovat yleisimmät eri ohjauskorteissa käy- tetyt estimaatin laskentakaavat. (Salomäki, 2003, s. 180–183) 𝜎̂ = 𝑅̅ 𝑑2 ; x̅/R-kortti (7) 𝜎̂ = 𝑠̅ 𝑐4 ; x̅/s-kortti (8) 𝜎̂ = 𝑀𝑅̅̅ ̅̅ ̅ 𝑑2 ; x/MR-kortti (9) 3.4 Ohjauskortit Tärkeä apuväline prosessin hallittavuuden seuraamisessa ovat erilaiset ohjauskortit. Oh- jauskortista on tulkittavissa vaikuttaako prosessiin yleisten syiden lisäksi erityissyitä eli onko prosessi tilastollisesti hallinnassa. Prosessin aikana ohjauskortti lukee dataa, jonka perusteella lasketaan ominaisia tunnuslukuja. Tällaisia ovat esimerkiksi keskiarvo ja vaih- teluväli. Nämä merkitään pisteinä valvonta-alueelle, joista muodostuu kuvaaja. Ohjaus- kortin luoman kuvaajan avulla voidaan saada viitteitä erityissyiden läsnäolosta ja näin ollen niiden aiheuttama vaihtelu voidaan määritellä ja poistaa. (Logothetis, 1992, s. 266– 267: Järnefelt, 1990, s. 9). Prosessin, johon vaikuttaa ainoastaan yleiset syyt, tunnusmer- kit ovat seuraavat: 1. Kaikki pisteet ovat ohjausrajojen sisällä. 2. Keskiviivan molemmin puolin on suunnilleen saman verran pisteitä. 3. Pisteet eivät noudata mitään erityistä kaavaa. 24 4. Noin kolmasosa pisteistä lähentelee ohjausrajoja ja loput pisteistä on 1:n keski- hajonnan sisällä keskiviivasta. Kuvaajat, jotka eivät noudata kaikkia edellä mainittuja tunnusmerkkejä, indikoivat eri- tyissyiden vaikuttavan prosessiin, jolloin tilanne tulisi tutkia ja mahdollisesti poistaa ha- vaitut erityissyyt. 3.4.1 x/MR tai I-MR x/MR-kortissa käytetään yksittäisiä näytteitä näyte-erän sijaan. Yksittäisiä näytteitä käy- tetään muun muassa, kun mittauksien välinen aika on liian suuri, jolloin näyte-erän muo- dostamisesta syntyisi viivettä tai kun jokaista mittausta tarvitaan prosessin arviointiin. x/MR-kortti sisältää kaksi kuvaajaa, x-kuvaajan ja MR-kuvaajan. x-kuvaajassa yksittäiset arvot kuvaavat prosessin vaihtelua ja jakauman keskiarvoa. MR-kuvaajassa peräkkäisistä näytteistä lasketaan liukuva vaihteluväli kuvaamaan jakauman hajontaa. Liukuva vaihte- luväli on tavanomaisesti kahden peräkkäisen näytteen erotuksen itseisarvo. Tällöin käy- tetään taulukon kerrointa näyte-eräkoon kaksi mukaan. Jos liukuva vaihteluväli lasketaan yhden näytteen yli, käytetään kertoimena kolmea. (Salomäki, 2003, s. 240) x-kuvaajan keskiarvo lasketaan kaavalla 10 (Salomäki, 2003, s. 241). 𝑥̅ = 𝑥1+𝑥2+...+𝑥𝑘 𝑘 , (10) missä 𝑘 yksittäisten arvojen lukumäärä MR-kuvaajan keskiarvo lasketaan kaavalla 11 ja 12 (Salomäki, 2003, s. 241). 𝑀𝑅̅̅̅̅̅ = 𝑀𝑅1+𝑀𝑅2+...+𝑀𝑅𝑘−1 𝑘−1 (11) 25 𝑀𝑅𝑖 = |𝑥𝑖+1 − 𝑥𝑖|, (12) missä 𝑖 = 1 … 𝑘 − 1 x-kuvaajan valvontarajat laskenta suoritetaan kaavoilla 13 ja 14 (Salomäki, 2003, s. 241). 𝑈𝐶𝐿𝑥 = 𝑥̅ + 𝐸2𝑀𝑅̅̅̅̅̅ (13) 𝐿𝐶𝐿𝑥 = 𝑥̅ − 𝐸2𝑀𝑅̅̅̅̅̅, (14) missä 𝐸2 taulukosta valittava kerroin MR-kuvaajan valvontarajojen laskemiseen käytetään kaavaa 15 (Salomäki, 2003, s. 241). 𝑈𝐶𝐿𝑀𝑅 = 𝐷4𝑀𝑅̅̅̅̅̅, (15) missä 𝐷4 taulukosta valittava kerroin 3.4.2 Ohjausrajat Tilastollisen prosessinohjauksen apuna käytetään hajonnan estimaattiin perustuvia oh- jausrajoja. Normaalisti nämä määritetään symmetrisesti keskiarvon kummallekin puo- lelle kolminkertaisen hajonnan estimaatin etäisyydelle. 26 Kuva 3. 3 sigman sääntö (mukaillen Kume, 1989, s. 64) Tällöin ohjausrajojen väli kattaa 99,73 % havainnoista, eli lähes kaikki. Tätä kutsutaan myös 3 sigman säännöksi (Kume, 1989, s. 63). Kuvassa 3 on esitetty normaalijakauma, jolle on merkattu 3 rajat. Ohjausrajoja on ylä- ja alaohjausrajat, jotka lasketaan kaa- voilla 16 ja 17. (Salomäki, 2003, s. 206) 𝑈𝐶𝐿 = 𝜇 + 3𝜎̂ (16) LCL = 𝜇 − 3𝜎̂, (17) missä 𝑈𝐶𝐿 yläohjausraja (Upper Control Limit) 27 𝐿𝐶𝐿 alaohjausraja (Lower Control Limit) 𝜇 havaintojen keskiarvo 𝜎̂ prosessin keskihajonnan laskettu estimaatti Ohjausrajat ovat indikaattoreita sille, onko prosessi hallinnassa vai ei. Rajojen ylitys ker- too, että prosessiin on vaikuttanut jokin tekijä, jonka vuoksi tilastollisesta todennäköisyy- destä poikkeava havainto on tapahtunut. Tällaisessa tilanteessa tulee selvittää mistä poikkeama johtuu. (Salomäki, 2003, s. 207) 3.4.3 Toimenpidesäännöt Erityissyiden havaitsemista varten on luotu kaikille ohjauskorteille soveltuvia yleisiä toi- menpidesääntöjä. Toimenpiteitä, kuten selvittäminen, tutkiminen ja erityissyyn poista- minen, tulee tehdä, kun yksikin sääntö toteutuu. (Logothetis, 1992, s. 266–267) Seuraa- vissa kappaleissa on selitetty eri toimenpidesäännöt tarkemmin sekä varoitusrajat. 3.4.3.1 Toimenpidesääntö 1, havainnot ohjausrajojen ulkopuolella Ensimmäinen toimenpidesääntö on se, kun ohjausrajojen ulkopuolella on vähintään yksi piste. Mikäli prosessissa ei ole tapahtunut muutosta, todennäköisyys, että piste ylittää joko ylemmän tai alemman ohjausrajan sattumalta, on noin 1:1000. Ohjausrajat laske- taan uudelleen ilman ylittävää pistettä, mikäli erityissyy on löydetty ja pysyvästi poistettu. Muutoin ylittävä piste hyväksytään osaksi prosessia. Kuvassa 4 on graafin muodossa esi- tetty esimerkki tilanteesta, jossa yksi piste ylittää ohjausrajan. (Logothetis, 1992, s. 267– 268: Kume, 1985, s. 107–109: Owen, 1989, s. 115–118.) 28 Kuva 4. Havaintoja ohjausrajojen ulkopuolella. 3.4.3.2 Toimenpidesääntö 2, polut Kun vähintään seitsemän peräkkäistä pistettä muodostaa joko nousevan tai laskevan trendin tai sijoittuu vain toiselle puolen keskiviivaa muodostaen polun, tätä kutsutaan seitsemän säännöksi. Vastaavia tilanteita pidetään epänormaaleina, koska niiden tapah- tumisen todennäköisyys on 1:128. Myös alle seitsemän pisteen polut tulkitaan epänor- maaleiksi, mikäli vähintään 10/11, 12/14 tai 16/20 peräkkäisestä pisteestä sijoittuu vain keskiviivan toiselle puolen. Kuvissa 5 ja 6 on esitetty esimerkki tilanne, jossa seitsemän peräkkäistä pistettä muodostaa laskevan tai nousevan trendin. (Logothetis, 1992, s. 267– 268: Kume, 1985, s. 107–109: Owen, 1989, s. 115–118.) 29 Kuva 5. Havainnot vain toisella puolella keskiarvoa. Kuva 6. Seitsemän peräkkäisen havainnon nouseva trendi. 30 3.4.3.3 Toimenpidesääntö 3, jaksottaisuus Kolmas sääntö on tilanne, jossa pisteet muodostavat helposti havaittavissa olevia ei-sa- tunnaisia kuvioita tai jaksoittaisuutta. Kuvioiden aiheuttajan pitäisi olla helposti paikan- nettavissa. Muun muassa tietyn ajanjakson olosuhteet tai eri toimittajien materiaalien sekoittuminen voivat saada aikaan näitä. Vaikutus voi olla ei-toivottu, mutta se voi olla myös hyödyllinen. Kuvassa 7 on esitetty tällainen esimerkki tilanne. (Logothetis, 1992, s. 267–268: Kume, 1989, s. 107–109: Owen, 1989, s. 115–118.) Kuva 7. Jaksottaisuus havainnoissa. 3.4.3.4 Toimenpidesääntö 4, lähestyminen keskiarvoa Kun pisteistä reilusti alle tai yli kaksi kolmasosaa sijoittuu 1:n keskihajonnan sisälle kes- kiviivasta, on kyseessä toimenpidesääntö 4 (ks. kuva 8). Sääntö perustuu normaalija- kauman ominaisuuksiin. Normaalijakaumassa 1 keskihajontaa keskiviivasta rajaa noin 68,3 % jakaumasta. Tilanne voi johtua epätarkoituksenmukaisesta alaryhmiin jaosta. Ala- ryhmissä sekoittuvat eri perusjoukkojen arvot, aiheuttaen liian suuren etäisyyden val- vontarajoissa. Alaryhmiin jakotavan muutos on välttämätöntä tällaisessa tilanteessa. 31 Mikäli jakauma on vino, kuten vaihteluvälikuvaajassa, tulee tämän säännön kanssa olla varovainen. (Logothetis, 1992, s. 267–268: Kume, 1989, s. 107–109: Owen, 1989, s. 115– 118.) Kuva 8. Vain noin kolmasosa havainnoista lähestyy keskiarvoa. 3.4.4 Varoitusrajat Toimenpidesääntöjen lisäksi voidaan käyttää varoitusrajoja, jotka sijoitetaan 2:n keski- hajonnan päähän keskiviivasta (ks. kuva 9). Tällöin, kun kaksi kolmesta peräkkäisestä pis- teestä sijoittuu 2:n keskihajonnan ulkopuolelle keskiviivasta, katsotaan tämän olevan epänormaali tilanne. Epäsymmetrisen jakauman kanssa tulee olla varovainen. (Logothe- tis, 1992, s. 267–268: Kume, 1989, s. 107–109: Owen, 1989, s. 115–118.) 32 Kuva 9. Valvontarajat. 3.5 Suorituskykyluvut Prosesseille voidaan laskea suorituskykyluvut, joiden avulla nähdään prosessista tai tuot- teista mitattuja tuloksia tilastollisessa suhteessa tuotteen vaatimuksiin. Tällä tavoin saa- daan myös mitattua prosessin kykyä tuottaa vaatimustenmukaisia tuotteita. Jotta suori- tuskykyluvut voidaan laskea, tulee prosessin olla hallinnassa ja tulosten muodostaa tai lähes muodostaa normaalijakauman. (Salomäki, 2003, s. 184, s. 195) Seuraavissa kappa- leissa on esitelty suorituskykyluvut ja niiden laskentakaavat. 3.5.1 Maksimisuorituskykyluku, 𝑪𝒑 𝐶𝑝 (engl. Capability index) kuvaa prosessin teoreettista maksimisuorituskykyä prosessin toleranssialueen ja nykyisen vaihtelun avulla. Toleranssialue jaetaan prosessin ohjausra- jojen rajaamalla alueella, joka vastaa kuutta prosessin estimoitua keskihajontaa eli 99,73 %:a vaihtelusta. Prosessin vaihtelu voi sijoittua toleranssialueen ulkopuolelle eikä sen sijaintia huomioida kaavassa. Koska kaava vaatii toleranssialueen, maksimisuoritus- kykylukua ei voida laskea prosessille, jossa on käytössä yksipuolinen toleranssi. Prosessin 33 teoreettinen maksimisuorituskykyluku lasketaan kaavalla 18. Mitä suurempi 𝐶𝑝 arvo on, sitä parempi on prosessin teoreettinen maksimisuorituskyky. (Salomäki, 2003, s. 195– 196) 𝐶𝑝 = 𝑈𝑆𝐿−𝐿𝑆𝐿 6𝜎̂ (18) 3.5.2 Suorituskykyluku, 𝑪𝒑𝒌 𝐶𝑝𝑘 (engl. Capability index) kuvaa hallinnassa olevan prosessin suorituskykyä prosessin ala- ja ylätoleranssin, nykyisen vaihtelun ja vaihtelun keskiarvon avulla. Kun prosessin tavoitearvo on toleranssin keskellä, voidaan suorituskykyluku laskea kaavalla 19. Suori- tuskykyluvun kaavassa lasketaan vaihtelun keskiarvon minimietäisyys toleranssirajoihin ja täten saadaan todellinen kuva prosessin nykyisestä suorituskyvystä. Mitä suurempi 𝐶𝑝𝑘 arvo on, sitä parempi on prosessin suorituskyky. Hyvä prosessin vaatimuksena pide- tään yleisesti 𝐶𝑝𝑘 arvoa, joka on suurempi kuin 1,33. (Salomäki, 2003, s. 196–198) 𝐶𝑝𝑘 = min ( 𝑈𝑆𝐿−𝑥̅ 3𝜎̂ ; 𝑥̅−𝐿𝑆𝐿 3𝜎̂ ) (19) Mikäli prosessin tavoitearvo ei ole toleranssialueen keskellä, täytyy suorituskykyluku las- kea epäkeskeisyyden korjauskertoimen 𝑘 avulla. Korjauskerroin lasketaan kaavalla 20 (Salomäki, 2003, s. 196). 𝑘 = 𝑇−𝑥̅ 1 2 (𝑈𝑆𝐿−𝐿𝑆𝐿) , (20) missä 𝑇 prosessin tavoitearvo 𝑥̅ prosessin mittaustulosten keskiarvo Kun korjauskerroin on laskettu, voidaan prosessin todellinen suorituskykyluku laskea kaavalla 21(Salomäki, 2003, s. 196). 34 𝐶𝑝𝑘 = (1 − 𝑘)𝐶𝑝 (21) 3.6 Asiakkaan ääni Asiakkaan haluista ja tarpeista sekä heidän havainnoista palveluissa tai tuotteissa käyte- tään termiä asiakkaan ääni. Palveluiden ja tuotteiden spesifikaatiot, kriittiset ominaisuu- det sekä kehityskohteet pystytään tunnistamaan sen avulla. Asiakkaan äänen avulla voi- daan mitata asiakastyytyväisyyttä ja havaita asiakastyytyväisyyteen vaikuttavat tekijät. (Karjalainen, 2002, s. 112) Asiakkaaksi ei luetella ainoastaan loppuasiakasta, vaan myös potentiaaliset asiakkaat, jonkun toisen asiakkaat sekä yhtiön sisäiset asiakkaat kuten esi- merkiksi asentajat (Scherkenbach, 1991, s. 12). Asiakkaan ääntä voidaan kuvailla monella tapaa. Tunnettuja kuvauksia ovat maalitolpik- sikin sanotut spesifikaatiorajat sekä tavoite. Vähemmän tunnettu, mutta hyödyllinen ku- vaus on paraabeli. Spesifikaatiorajoja käytettäessä asiakkaan ei koeta kärsivän minkään- laisista häviöstä, mikäli palvelu tai tuote pysyy maalitolppien sisäpuolella. Ulkopuolelle joutuessaan asiakas kärsii täyden häviön. Kuvassa 10 on esitetty erilaiset asiakkaan ää- nen kuvailu tavat. (Scherkenbach, 1991, s. 13: 250–251) 35 Kuva 10. Asiakkaan ääni kolmella tavalla (mukaillen Scherkenbach, 1991, s. 13). 3.7 Prosessin ääni Prosessin varsinaista tuotosta tai lopputulosta sanotaan prosessin ääneksi (Scherken- bach, 1991, s. 14). Matemaattisesti se voidaan ilmoittaa prosessin lasketuilla luonnolli- silla prosessirajoilla. Ne ilmoittavat onko prosessi tilastollisesti hallinnassa ja mikäli on, niin minkälaista tuotosta on tulevaisuudessa odotettavissa. (Wheeler & Chambers, 1992, s. 46: 120) Scherkenbach (1991, s. 14) kirjoittaa, että jokaisen prosessimanagerin tehtävänä on so- vittaa asiakkaan ääni prosessin äänen kanssa. Asiakkaan ääneen vaikuttamisen hän ker- too tapahtuvan muun muassa mainostamalla tai keskustelemalla asiakkaan kanssa, kun taas prosessin ääneen voidaan vaikuttaa säätämällä osatekijöitä (ihminen, materiaali, laitteet, menetelmä ja ympäristö). Kuvassa 11 on esitetty asiakkaan ja prosessin äänien sovitus yhteen. 36 Kuva 11. Asiakkaan ja prosessin äänen sovitus (mukaillen Scherkenbach, 1991, s. 15). Kun ajan kuluessa osatekijät pysyvät likimain muuttumattomina, on prosessin ääni vakaa ja voidaan olettaa näkevän samanlaisia tuloksia tulevaisuudessa. Kuvassa 12 on tämä esitettynä visuaalisesti. Prosesseissa tehdään päätöksiä, joiden vaikutukset näkyvät tu- levaisuudessa. Mahdollisuus vaikuttaa tulevaan odotetusti on parempi prosessin äänen ollessa vakaa kuin epävakaa. Tilastollisella vakaudella voidaan lisätä tietämystä proses- sista. 37 Kuva 12. Vakaa prosessin ääni (mukaillen Scherkenbach, 1991, s. 175). Kun ajan kuluessa osatekijät muuttuvat, on prosessin ääni epävakaa ja tulevaisuuden en- nustaminen haastavaa. Tulevaisuuden ennustaminen perustuu aiempaan tietämykseen aiheesta, mutta nykyisen datan osoittaessa epävakaata prosessin ääntä, myös usko tie- tämykseen vähenee. Kuvassa 13 on kuvattuna epävakaa prosessin ääni. (Scherkenbach, 1991, s. 175–176) Kuva 13. Epävakaa prosessin ääni (mukaillen Scherkenbach, 1991, s. 176). 38 3.8 Entropia Universaali voima, entropia, vaikuttaa jokaiseen prosessiin, aiheuttaen kulumista, heik- kenemistä, hajoamista, rikkoutumista ja epäonnistumista. Entropian takia prosessin tila ei pysy jatkuvasti vakiona, vaan muuttuu hiljalleen kohti kaaosta. Välttyäkseen kaaok- selta, entropian aiheuttamia vaikutuksia pitää jatkuvasti korjata. Jotta korjaukset on helppo suorittaa, täytyy entropian vaikutukset kyseiseen prosessiin olla tiedossa. On erit- täin vaikeaa korjata mitään, jos ei tiedetä, että jotain pitää korjata. Prosessi kuitenkin ajautuu väistämättömästi kaaokseen, mikäli entropian vaikutukset pääsevät hallitse- maan prosessia, koska niitä ei ole korjattu. (Wheeler & Chambers, 1992, s. 16) 3.9 Prosessin tilat Wheeler ja Chambers (1992, s. 12–17) kertovat, että prosessin jatkuvalla parantamisella voidaan saavuttaa ihanteellinen tilanne, jossa 100 % tuotteista ovat vaatimustenmukai- sia, kun samalla prosessi on tilastollisesti hallinnassa. Tilanne ei kuitenkaan ole pysyvä, vaan kummatkin saavutukset ovat alttiita huonontumaan. Yhdessä nämä muodostavat prosessin neljä mahdollista tilaa. Jokainen tuotantoprosessi kuuluu yhteen näistä tiloista. 3.9.1 Ihanteellinen tila Prosessin ollessa ihanteellisessa tilassa, se tuottaa 100 % vaatimustenmukaisia tuotteita ja se on tilastollisesti hallinnassa. Hyviä tuotteita tulee niin kauan, kun prosessi pysyy hallinnassa. Kuvassa 14 on esitettynä ihanteellinen tila visuaalisesti. Kuvassa nuolet esit- tävät ala- ja ylätoleranssirajoja, toleranssialueen keskiviivaa sekä ajan kulumista. Tila py- syy ihanteellisena, mikäli seuraavat neljä ehtoa toteutuvat: 1. Ajan kuluessa, prosessin täytyy olla luontaisesti vakaa. 2. Prosessia tulee käyttää johdonmukaisesti ja vakaasti, ei tehdä mielivaltaisia muu- toksia. 3. Prosessin keskiarvon tulee asettaa asianmukaiselle tasolle ja ylläpitää siinä. 39 4. Prosessin luonnollisen hajonnan tulee mahtua tuotteelle määritettyjen tolerans- sirajojen sisään. Kuva 14. Ihanteellinen tila (mukaillen Owen, 1989, s. 102). Prosessin ohjauskorttien käyttö on ainoa keino, jolla tiedetään, että nämä neljä ehtoa ovat voimassa ja jolla niitä pystytään ylläpitämään päivästä toiseen. Ohjauskorttien avulla pystytään havaitsemaan ongelmat, ennen kuin ne ovat liian vakavia aiheuttaak- seen vaatimustenvastaisia tuotteita. Prosessin pitäminen ihanteellisessa tilassa, valvon- takorttien aktiivisella käytöllä, johtaa prosessin jatkuvaan parantamiseen, mikä tekee tuotteista entistä yhteneväisempiä. Tämä lisää tuottavuutta ja pienentää kustannuksia. Kappaleessa 3.4 on kerrottu tarkemmin ohjauskorteista ja niihin liittyvistä käsitteistä. (Wheeler & Chambers, 1992, s. 12–17) 3.9.2 Kynnystila Kynnystilassa prosessi tuottaa muutamia vaatimustenvastaisia tuotteita, vaikka prosessi on tilastollisesti hallinnassa. Koska prosessi on tilastollisessa hallinnassa, pysyy tuotteen vaihtelu johdonmukaisena niin kauan kun prosessi on hallinnassa. Tällaisessa tilanteessa 40 vaatimustenvastaisia tuotteita tulee syntymään sama määrä aina, niin kauan, kunnes prosessia tai toleranssirajoja muutetaan. Osa vaatimustenvastaisista tuotteista päätyy aina asiakkaalle, mikäli prosessi niitä tekee. Perinteisellä 100 % tarkastuksella voidaan vähentää asiakkaalle päätyvien vaatimusten- vastaisten kappaleiden lukumäärää, mutta ei poistaa kokonaan. Vaatimustenvastaisten kappaleiden valmistuksen lopettaminen on tähän oikea ratkaisu. Koska prosessin vaih- telu on jo johdonmukaista, tulee kynnystilassa muokata itse prosessia. Vaatimustenvastaisien tuotteiden synty saattaa johtua siitä, että prosessin keskiarvoa ei ole kohdistettu tai se on kohdistettu väärin. Tässä tapauksessa selvitään suhteellisen yk- sinkertaisilla toimenpiteillä. Kuvan 15 vasemmalla on esitettynä prosessin kohdistuksen puutos. Jos taas prosessille ennalta määritellyt toleranssirajat ylittyvät prosessin luon- nollisen vaihtelun takia, tulee joko prosessin vaihtelua tai toleranssirajoja muuttaa. Kuva 15. Kynnystila (mukaillen Owen, 1989, s. 102). Kuvassa oikealla on esitettynä liian suuri prosessin luonnollinen vaihtelu. Toleranssirajo- jen muutokseen vaaditaan asiakkaan hyväksyntä, mikä voi olla haastavaa saada. Hyväk- synnän saamista voidaan helpottaa osoittamalla, että prosessi on vakaa ja 41 johdonmukainen. Tämä pystytään toteamaan ohjauskorttien avulla. (Wheeler & Cham- bers, 1992, s. 12–17) 3.9.3 Kaaoksen partaalla Tässä tilassa prosessi tuottaa 100 % vaatimuksenmukaisia tuotteita, mutta se ei ole tilas- tollisesti hallinnassa. Vaatimustenvastaisia tuotteita ei päädy asiakkaalle, niin kauan kun prosessi tuottaa 100 % hyviä tuotteita. Tällainen tilanne ei kuitenkaan jatku loputtomiin. Tuotteiden ominaisuudet muuttuvat jatkuvasti ja koska prosessi ei ole tilastollisesti hal- linnassa, prosessin vaihtelu on epäjohdonmukaista. Kun prosessi ei ole tilastollisessa hallinnassa, siihen satunnaisesti vaikuttaa jokin erityis- syy. Tuotteiden ollessa 100 % vaatimustenmukaisia, helposti ajatellaan, että prosessissa on kaikki kunnossa, vaikka erityissyyt muuttavatkin jatkuvasti prosessia. Tästä aiheutuu lopulta se, että aikanaan tulee myös vaatimustenvastaisia tuotteita. Tilanne tulee yllät- täen ja siksi voi olla vaikeaa tietää miksi siihen päädyttiin ja kuinka siitä päästään pois. Kuvassa 16 on esitettynä kaaoksen partaalla -tilan prosessin vaihtelu. Kuva 16. Kaaoksen partaalla -tila (mukaillen Owen, 1989, s. 102). Kaaoksen partaalla -tilassa luullaan, että prosessi on tuottajan hallinnassa, vaikka todel- lisuudessa erityissyyt hallitsevat sitä. Erityissyyt muuttavat prosessin jakaumaa ja 42 keskiarvoa, tehden tulevan ennustamisesta mahdotonta. Jo seuraava tuote saattaa olla vaatimustenvastainen, ilman minkäänlaista varoitusta, jolloin prosessin tila muuttuu kaaoksen partaalta kaaokseen. Erityissyiden poistaminen vaati ohjauskorttien käyttä- mistä ja se on ainoa keino kaaoksen partaalta pois pääsemiseksi. (Wheeler & Chambers, 1992, s. 12–17) 3.9.4 Kaaoksen tila Kaaoksessa prosessi tuottaa vaatimustenvastaisia tuotteita eikä se ole tilastollisesti hal- linnassa. Vaatimustenvastaisten tuotteiden määrä vaihtelee jatkuvasti, joten ei voida luotettavasti sanoa mikä osuus tuotteista tulevaisuudessa on huonoja. Yleensä ei tiedetä mitä prosessissa tulisi korjata, vaikka tiedetään, että on ongelmia. Erityissyyt saavat pro- sessissa aikaan satunnaisia muutoksia, mitkä tekevät ongelmien korjaamisesta erittäin haastavaa. Prosessiin tehdyn tarvittavan korjaavan toimenpiteen jälkeen erityissyyt jat- kavat prosessin muuttamista, johtaen vain lyhytaikaiseen helpotukseen. Prosessiin tehty tarpeeton muokkaus puolestaan saattaa virheellisesti näyttää onnistumiselta, johtuen satunnaisesta muutoksesta prosessissa. Kuvassa 17 on esitettynä kaaoksen tila. Kaaok- sesta pois pääsemiseksi, ainoa keino edistyä on ensiksi poistaa erityissyyt, joka onnistuu ainoastaan ohjauskortteja käyttämällä. (Wheeler & Chambers, 1992, s. 12–17) Kuva 17. Kaaoksen tila (mukaillen Owen, 1989, s.102). 43 3.10 Tyypin 1 ja 2 virheet prosessissa Tilastollista prosessinohjausta käytettäessä, prosessista otetuiden näytteiden avulla las- ketaan prosessin keskiarvo ja vaihteluväli. Tuloksena voimme päätellä, onko prosessi ti- lastollisesti hallinnassa. Prosessin jakauman leveyden muutos, keskiarvon muutos, tai tietyn ongelman esiintyminen tiettynä ajankohtana, voi olla syy miksi prosessi ei ole ti- lastollisesti hallinnassa. Prosessin todellinen jakauman leveys ja keskiarvo voivat olla va- kioita, vaikka näytteenotolle ominaisen vaihtelun vuoksi näytteiden osoittamat proses- sin jakauman leveys ja keskiarvo vaihtelevatkin näytteittäin. Kun näytehavainnot piirre- tään ohjauskorttiin, syntyy kaksi mahdollista riskiä. 1. Tyypin 1 riski: prosessiin tehdään korjaavia toimenpiteitä, vaikka todellista muu- tosta prosessissa ei ole tapahtunutkaan. 2. Tyypin 2 riski: prosessiin ei tehdä korjaavia toimenpiteitä, vaikka oikea muutos prosessissa on kuitenkin tapahtunut. Tyypin 1 riskissä, näyte indikoi jotain harvinaista trendiä tai, että ohjausrajat ovat ylitty- neet, vaikka muutosta ei ole tapahtunut. Täten syntyy väärä toimintapäätös. Tyypin 2 riski on tyypin 1 riskin vastakohta. Näyte ei viittaa mihinkään trendiin ja on ohjausrajojen sisällä. Tämän takia ei huomata, että prosessissa on tapahtunut muutoksia. Kun proses- sissa tapahtuneen muutoksen koko kasvaa, tyypin 2 riskin mahdollisuus pienenee. (Wet- herill & Brown, 1991, s. 86–87) Perusperiaatteena on, että kun ohjauskortit indikoivat, ettei prosessi ole hallinnassa, on ryhdyttävä jonkinlaisiin toimiin. Toimet eivät välttämättä ainoastaan tarkoita erityissyyn poistamista, vaan ne voivat myös olla yksinkertaisesti tutkimista tai ennaltaehkäisevää toimintaa. Tutkimalla voidaan löytää erityissyy, jonka vaikutus prosessiin voi olla jopa positiivinen ja jota kannattaa jäljitellä tulevaisuudessa. (Logothetis, 1992, s. 234) Näiden kahden vastakkaisen riskin vuoksi, ohjauskorttien suunnittelussa joudutaan te- kemään kompromissi. Tavanomaisesti ohjausrajat sijoitetaan 3:n keskihajonnan 44 päähän jakauman keskiarvosta, jolloin todennäköisyys, että näyte osuu rajojen ulkopuo- lelle, on noin 0,27 %. Myös 3,09:n keskihajonnan päähän jakauman keskiarvosta sijoi- tettavia ohjausrajoja käytetään. Tällöin todennäköisyys rajojen ylittymiselle on noin 0,2 %. Käytettäessä kumpia tahansa ohjausrajoja, todennäköisyys, että näyte osuu rajo- jen ulkopuolelle, on riittävän pieni, että voidaan olettaa sen johtuvan ennemmin erityis- syystä kuin sattumasta. Perusta erityissyyn läsnäolon määrittämiselle perustuukin siis siihen, että tapahtumalla on erityisen pieni todennäköisyys tapahtua sattumalta. Prosessiin tehtävät toimenpiteet täytyvätkin täten pohjautua epätodennäköisiin tapahtumiin. (Wetherill & Brown, 1991, s. 87; Logothetis, 1992, s. 234) Ohjausrajojen lisäksi yleinen käytäntö on käyttää varoitusrajoja. Yleisesti rajat sijoitetaan 2:n ja hieman harvemmin 1,96:n keskihajonnan päähän jakauman keskiarvosta. Näyt- teen osuminen 2:n keskihajonnan rajan ulkopuolelle, tapahtuu noin 4,6 % todennäköi- syydellä. Tapahtuma ei ole vielä riittävän epätodennäköinen erityissyyksi, mutta kahden perättäisen näytteen osuminen varoitusrajojen ulkopuolelle on. Sen todennäköisyys on noin 0,2 %. Jos kaksi peräkkäistä näytettä ylittää saman rajan, on todennäköisyys sille noin 0,05 %. Kun käytetään 1,96:n keskihajonnan varoitusrajoja, todennäköisyydet ovat vastaavasti noin 0,25 % ja 0,06 %. (Wetherill & Brown, 1991, s. 87–88) 45 4 Mittaussysteemin analyysi Mittaus on prosessin vaihe, joka antaa palautetta edellisistä prosessin vaiheista. Palaute koostuu mitatusta vaihtelusta, jonka avulla pitäisi pystyä kertomaan lopputuloksen kel- vollisuus. Mittaustulos ei kuitenkaan koskaan ole täysin oikea, vaan parhaimmassakin tapauksessa hyvä likiarvo (ks. kuva 18). Usein virheellisesti oletetaankin, että mittauk- sesta saadaan aina eksakti arvo (Karjalainen, 2002, s. 47). Mittaustulos koostuu kahdesta vaihtelusta, prosessin vaihtelusta ja mittausprosessin vaihtelusta. Kun mittauksella on tarkoitus mitata prosessin vaihtelua, päästään sitä parempiin tuloksiin mitä parempi mit- tausjärjestelmän suorituskyky on. Suorituskykyisellä mittausjärjestelmällä prosessin vaihtelusta saadaan todellisempi ja luotettavampi kuva. (Salomäki, 2003, s. 133) Kuva 18. Todellisen ja havaitun jakauman ero. (mukaillen Wetherill, 1991, s. 47). Mittausprosessin vaihtelu heijastuu suoraan prosessin laaduntuottokykyyn, tehden siitä todellista huonomman. Suuri vaihtelu saattaa aiheuttaa sen, että hyväksytään huonoja ja hylätään hyviä tuotteita ilman, että sitä tiedostetaan. Samalla saatetaan luulla, että vaihtelu johtuu prosessista ja täten investoidaan kalliisiin prosessin kehitystoimenpitei- siin, vaikka vaihtelu johtuukin oikeasti mittauksesta. (Salomäki, 2003, s.133) Ainoa keino olla varma mittausprosessin suorituskyvystä, eli mittausepävarmuudesta, on suorittaa testi sen selvittämiseksi (Wetherill, 1991, s.48). Mittaussysteemin luotettavuus täytyy 46 määrittää ennen kuin itse prosessin kyvykkyyttä voidaan määrittää (Karjalainen, 2002, s. 142). Luotettavin keino mittausepävarmuuden selvittämiseksi on mitata samaa kohdetta useita kertoja. Vaikka sama mittaaja mittaisi samaa kohdetta monta kertaa, mittausepä- varmuudesta johtuen hänen tuloksensa saattavat vaihdella eri kerroilla. Useiden mit- tauskertojen vaihtelusta syntyy hajonta, joka kuvaa mittausjärjestelmää. Mikäli mittaajia on useampi, pystytään määrittämään myös mittaajista johtuva vaihtelu. Testin tuloksen perusteella saadaan rajat, joiden sisällä todellisen tuloksen arvioidaan olevan valitulla todennäköisyydellä. Yleisesti käytössä on joko 95 %:n tai 99 %:n luotta- musrajat. Tällöin mittaustulos on esimerkiksi 95 %:n varmuudella määriteltyjen rajojen sisällä eli saatu mittaustulos ei siltikään ole eksakti. Mittausjärjestelmän suorituskyky il- moitetaan määritellyillä rajoilla. Luotettavan järjestelmän rajat ovat korkeintaan 10 % spesifikaatioalueesta. (Salomäki, 2003, s. 133–134) Mittaustuloksen ollessa spesifikaatiorajojen tuntumassa, ei voida saavuttaa täyttä var- muutta, onko mitta oikeasti toleranssialueella vai ei. Mittausepävarmuus huomioiden, prosessin vaihtelua tulee pienentää selvästi toleranssialueen sisäpuolelle, jotta vältytään rajojen tuntumassa olemiselta. Tilastollisten menetelmien käyttö on siihen ainoa rat- kaisu. (Salomäki, 2003, s. 135) 4.1 Tyypin 1 ja 2 virheet mittauksessa Mittausprosessin ollessa tilastollisesti hallinnassa, ilman kohdistusvirhettä, sen vaihtelu johtuu toistettavuudesta ja uusittavuudesta. Saman tuotteen samaa mittaa mitattaessa useita kertoja, muodostuu mittaustuloksista normaalijakauma. Mikäli jakauman joku osa menee päällekkäin mitan toleranssirajan kanssa, on olemassa riski, että tuotteelle teh- dään väärä käyttöpäätös. Päällekkäisyydestä seuraa kaksi tilannetta, joissa on mahdolli- suus virheeseen. 47 Ensimmäinen on tyypin 1 virhe, jossa vaatimustenmukaista tuotetta luullaan vaatimus- tenvastaiseksi. Tätä sanotaan myös tuottajan riskiksi, koska virheestä aiheutuneet tap- piot tulevat tuottajalle. Kuvassa 19 on esitetty tyypin 1 virhe. Nuolet esittävät tuotteen todellista mittaa ja harmaat alueet mittaa, jolla tuotteen virheellisesti luullaan olevan. Harmaat alueet ovat toleranssialueen ylityksiä. (AIAG, 2010, s. 19) Kuva 19. Tyypin 1 virhe esitettynä toleranssirajoilla (mukaillen AIAG, 2010, s. 19). Toinen on tyypin 2 virhe, jossa vaatimustenvastaista tuotetta luullaan vaatimustenmu- kaiseksi. Tätä sanotaan myös asiakkaan riskiksi, koska virheestä aiheutuneet tappiot kär- sii asiakas. Kuvassa 20 on esitetty tyypin 2 virhe. Nuolet esittävät tuotteen todellista mit- taa ja valkoiset alueet mittaa, jolla tuotteen virheellisesti luullaan olevan. Harmaat alu- eet ovat toleranssialueen ylityksiä. (AIAG, 2010, s. 19) Kuva 20. Tyypin 2 virhe esitettynä toleranssirajoilla (mukaillen AIAG, 2010, s. 19). Mittausjärjestelmän virheen leikatessa tuotteen toleranssirajan, on ainut tilanne, jolloin tuotteesta voidaan tehdä väärä käyttöpäätös, kun tarkastellaan käyttöpäätöksiä 48 toleranssirajojen suhteen. Tästä johtuen voidaan määrittää kolme erillistä aluetta. Ku- vassa 21 on esitetty kyseiset alueet. Alueella 1 vaatimustenvastaiset tuotteet ovat aina vaatimustenvastaisia. Alueella 2 on riski, että tehdään virheellinen päätös, joko tyypin 1 tai tyypin 2 virhe. Alueella 3 vaatimustenmukaiset tuotteet ovat aina vaatimustenmukai- sia. (AIAG, 2010, s. 19–20) Kuva 21. Päätöksenteko-alueet toleranssien mukaan. (mukaillen AIAG, 2010, s. 20). Tavoitteena tulisi olla väärien käyttöpäätösten lukumäärän pienentäminen mahdollisim- man pieneksi, jolloin maksimoidaan oikeat käyttöpäätökset. Tähän on olemassa kaksi ta- paa: 1. Mittausjärjestelmän parannus pienentämällä sen hajontaa eli kuvan 21 harmaita alueita, niin paljon, että kaikki valmistetut kappaleet kuuluvat alueelle 3. 2. Tuotantoprosessin parantaminen pienentämällä sen hajontaa niin paljon, ettei kappaleita valmisteta kuvan 21 harmailla alueilla. Mittausprosessin täytyy kuitenkin olla sekä tilastollisesti hallinnassa että ilman kohdis- tusvirhettä, jotta voidaan tehdä luotettavia käyttöpäätöksiä. Mikäli edes toinen näistä ei toteudu, mikä tahansa havaittu arvo voi johtaa väärään käyttöpäätökseen. (AIAG, 2010, s. 19–20) Mittausvirhe voi aiheuttaa vääriä käyttöpäätöksiä tuotteissa, mutta se voi vaikuttaa ne- gatiivisesti myös prosessipäätöksiin. Prosessipäätöksiin vaikutus voi olla seuraava: 1. Prosessiin saatetaan tehdä muutoksia, kun yleistä syytä luullaan erityissyyksi 49 2. Prosessiin ei tehdä muutoksia, kun erityissyytä luullaan yleiseksi syyksi. Päätöksentekoon voi vaikuttaa mittaussysteemin vaihtelu, jolla on suora vaikutus pro- sessin havaittuun vaihteluun, vakauteen ja odotusarvoon. Havaitun ja todellisen proses- sin vaihtelun suhde lasketaan kaavalla 22. (AIAG, 2010, s. 20–21) 𝜎𝑜𝑏𝑠 2 = 𝜎𝑎𝑐𝑡 2 + 𝜎𝑚𝑠𝑎 2 , (22) missä 𝜎𝑜𝑏𝑠 2 havaittu prosessin varianssi 𝜎𝑎𝑐𝑡 2 todellinen prosessin varianssi 𝜎𝑚𝑠𝑎 2 mittaussysteemin varianssi Havaitun kyvykkyysindeksin ja todellisen ja mittaussysteemin kyvykkyysindeksien väli- nen suhde johdetaan korvaamalla kyvykkyysindeksin yhtälö (ks. kaava 18) varianssiyhtä- löön (kaava 23) (AIAG, 2010, s. 21). (𝐶𝑝)𝑜𝑏𝑠 −2 = (𝐶𝑝)𝑎𝑐𝑡 −2 + (𝐶𝑝)𝑚𝑠𝑎 −2 (23) Todellista prosessin kyvykkyysindeksiä voidaan verrata graafisesti havaitun prosessin ky- vykkyysindeksiin, kun oletetaan, että mittausjärjestelmä on kalibroituna eli ilman koh- distusvirhettä ja tilastollisessa hallinnassa. Siksi voidaan sanoa, että todellisen prosessin kyvykkyyden ja mittausprosessista johtuvan vaihtelun yhdistelmä kuvaa havaittua pro- sessin kyvykkyyttä. Mittauksesta johtuva vaihtelu tulee täten ottaa huomioon, kun tavoi- tellaan tiettyä kyvykkyyttä prosessissa. (AIAG, 2010, s.21) 4.2 Gage R&R Mittaussysteemin tutkimiseen käytetään menetelmää Gage R&R (Gage Repeatability & Reproducibility), jonka avulla voidaan selvittää mittausprosessin toistettavuutta ja 50 uusittavuutta. Tulosten perusteella tiedetään, kuinka paljon tulosten vaihtelevuudesta johtuu itse mittausprosessista. Gage R&R -tutkimuksessa käytetään jotain työkalua, jolla saadaan tehtyä samanlaiset mittaukset monta kertaa. Tämä voi olla esimerkiksi viivoitin tai mittapää. Tutkimus koos- tuu kahdesta osasta, joista toisessa tutkitaan mittaussysteemin toistettavuutta. Tällä tar- koitetaan mittauksia, jotka suoritetaan samalle kappaleelle samalla tavalla monta kertaa. Mittauksien tulee suorittaa sama henkilö. Toisin sanoen, kun tarkastellaan toistetta- vuutta, pyritään löytämään vastaus siihen voiko vaihtelevuus johtua pelkästään mittaus- laitteista tai mittausprosessista. Toisessa osassa tutkitaan mittausten uusittavuutta. Tässä tarkastelun kohteena on mittausprosessi, joka suoritetaan samalle kappaleelle sa- malla tavalla monta kertaa, mutta mittaukset onkin suorittanut eri henkilö. Tuloksien pe- rusteella nähdään vaikuttaako mittausten suorittaja tuloksien vaihtelevuuteen. (Hessing, n.d.) Gage R&R on työkaluna tärkeä erityisesti sellaisissa tapauksissa, kun tuotannossa on ta- pahtunut jotain merkittäviä muutoksia kuten työkalujen vaihtoja. Myös uudet työnteki- jät voivat olla tekijä, joka vaikuttaa tulosten vaihtelevuuteen. Kun tuotannossa huoma- taan poikkeavuutta, on monesti järkevää tutkia ensin Gage R&R -menetelmällä mittaus- prosessi läpi. Näin voidaan löytää mahdolliset vaihtelevuudet itse prosessissa ennen kuin aletaan tutkia itse tuotetta ja koko tuotantolinjaa, joka voi käydä myös taloudellisesti kalliimmaksi. (Hessing, n.d.) 4.3 Tyypin 1 Gage -tutkimus Tyypin 1 Gage -tutkimuksessa arvioidaan mittalaitteen ja mittauksen vaihtelua, ja siinä ei oteta huomioon muita vaihtelun lähteitä. Tarkoituksena on arvioida poikkeamaa sekä mittauksen toistettavuutta. Toistettavuudella tarkoitetaan kykyä tehdä samanlainen mit- taus monta kertaa samalle osalle. Tyypin 1 Gage -tutkimus on tärkeä väline mittaussys- teemin analysoinnissa. (Karjalainen, 2014) 51 Tutkimuksen tempo on nopea, sillä siinä tutkitaan vain yhtä mittakohdetta. Toimenpide suoritetaan helposti ohjauskorteilla, kuten I-mR kortilla. Toistettavuutta voidaan mitata laskemalla mittalaitteelle kyvykkyysindeksi, jonka saa laskettua kaavalla 24. (Karjalainen, 2014) 𝐶𝑔 = 𝐾 100 ∗𝑡𝑜𝑙𝑒𝑟𝑎𝑛𝑠𝑠𝑖 𝐿∗𝑠 , (24) missä K osuus toleranssista (oletus 10) s mittausten standardipoikkeama L standardipoikkeamien lukumäärä (6 on oletus) 52 5 Koneistuksen kehitysmenetelmät Tässä kappaleessa käsitellään kahta hyvin yleistä kehitysmenetelmää. Nämä ovat DMAIC ja PDCA. Pääpiirteittäin menetelmät ovat hyvin samankaltaisia, mutta DMAIC- menetelmä sisältää hieman eri työvaiheita kuin PDCA. Näiden lisäksi tässä kappaleessa kerrotaan seitsemästä laatutyökalusta. 5.1 DMAIC Mikel J. Harryn kehittämä DMAIC-menetelmä on ongelmanratkaisumalli, joka on luotu suorituskyvyn parantamista varten. Tässä menetelmässä haetaan erityissyitä, jotka vai- kuttavat prosessiin. DMAIC on lyhennetty sanoista define (määrittely), measurement (mittaus), analysis (analyysi), improvement (kehitys) ja control (ohjaus). Nämä voidaan jakaa kahteen vaiheeseen – karakterisointi- ja optimointivaiheeseen (ks. kuva 22). DMAIC kuuluu Lean Six Sigma laatutyökaluihin. Kuva 22. MAIC-prosessi (mukaillen Karjalainen & Karjalainen, 2002, s. 44). 53 DMAIC-menetelmän ensimmäisessä vaiheessa määritetään ongelmat ja mahdolliset asiakasvaatimukset. Näistä saadaan selville projektin tarkoitus ja tavoitteet sekä saadaan määritettyä sen laajuus. Siinä listataan tekijöitä, jotka ovat tärkeitä ja kriittisiä laadun, toimitusajan ja kustannusten osalta. Tässä vaiheessa tavoitteena on myös saada kuvaus tuotteen jalostusarvosta (SIPOC, supplier-input-process-output-customers). Kuvassa 23 on selvennetty SIPOC-prosessi ja sen mittarit. Kuva 23. SIPOC- prosessi (mukaillen Karjalainen & Karjalainen, 2002, s. 47). Ongelmien määrityksen jälkeen päästään karakterisointiin, joihin sisältyy mittaus- ja ana- lysointivaihe. Mittausvaiheessa valitaan yksi tai useampi syytekijä, joita tutkitaan. Tässä voidaan käyttää apuna tilastollista prosessinohjausta. Valitusta syytekijästä kerätään da- taa, jonka pohjalta määrittelyvaiheen tavoitteita voidaan tarvittaessa hienosäätää. Tässä vaiheessa on myös tärkeää varmistaa mittauksien luotettavuus Gage R&R -analyysillä. Mittausvaiheen tuloksena saadaan selville lähtötilanne sekä dataa, jonka avulla voidaan rajata ongelmaa. Tämä toimii karakterisoinnin toiseen vaiheeseen, analysointiin. Tässä tarkoituksena on ideoida ja paikallistaa ongelman aiheuttajat ja niiden ratkaisut. Näistä luodaan hypoteesi, joka myöhemmin joko vahvistetaan tai kumotaan dataa ja tilastollisia analyysejä apuna käyttäen. Optimointiin sisältyy loput kaksi vaihetta, jotka ovat kehitys ja ohjaus. Kun hypoteesi on saatu tehtyä analyysivaiheessa, voidaan siirtyä kehitysvaiheeseen. Tässä tarkoituksena 54 on testata ja soveltaa mahdollisia ratkaisuja, joiden tuloksena tulisi saada luotua suunni- telma ja testata kyseiset toimenpiteet, joiden tulisi ratkaista kyseiset ongelmat. Tällöin tulisi olla myös selvät sävelet siitä, kuinka tuloksia voidaan arvioida. Viimeinen vaihe DMAIC-parannusprosessissa on ohjaus. Tämä edellyttää sitä, että prosessi on stabiili. Oh- jausvaiheen tavoitteena on toimia proaktiivisesti ja arvioida luotuja ratkaisuja ja selvittää kuinka saatuja tuloksia voidaan ylläpitää tulevaisuudessa. Tässä apuvälineenä toimii SPC eli tilastollinen prosessinohjaus. Lopputuloksena saadaan selkeä kuva tilanteesta ennen ja jälkeen DMAIC-menetelmää. (Karjalainen & Karjalainen, 2002, s. 43–53) 5.2 PDCA PDCA-kehitysmenetelmä tulee sanoista Plan (suunnittele), Do (tee), Check (tarkista) ja Act (toteuta). Kyseessä on jatkuvan parannuksen kehitysmalli, joka tunnetaan myös ni- mellä Demingin ympyrä (Salomäki, 2003, s. 45). Tämä kehityksen kehä koostuu neljästä vaiheesta. Ensimmäinen menetelmän vaihe on tunnistaa ongelma tai kehityksen kohde. Tässä vaiheessa luodaan pohja koko tulevalle kehitysprosessille. Tärkeää on miettiä tar- kasti, onko kyseisen ongelman ratkaiseminen tai kehittäminen sen arvoista. Oleellinen vaikuttava tekijä on myös se, kehen ongelma kohdistuu ja kuinka ongelman ratkaisemi- nen voisi vaikuttaa. Hyvän suunnitelman pohja on tarkkaan mietityn hypoteesin luomi- nen, testausvaiheen suunnittelu sekä riittävän datan kerääminen tulevia vaiheita varten. Huonosti toteutettu suunnitteluvaihe voi olla taloudellisesti kallis ja epätehokas proses- sin seuraavissa vaiheissa. Kuvassa 24 on kuvattu Demingin ympyrä ja sen vaiheet. (De- ming, 2000, s. 132) 55 Kuva 24. Demingin ympyrä (mukaillen Salomäki, 2003, s. 45). Prosessin toisessa vaiheessa toteutetaan suunnitellut testaukset. Alussa voi olla järke- vämpää tehdä testit pienimuotoisena, sillä se on monesti halvempaa ja myös nopeam- paa toteuttaa. Testauksista tehdään tarvittavat raportit ja kirjataan saatu data tulevaa varten. Kolmannessa vaiheessa tarkastellaan testauksien tuloksia tarkemmin. On tärkeää, että tuloksiin voidaan luottaa ja, että testi suoritettiin annettujen speksien mukaan. Tässä vai- heessa otetaan huomioon suunnitteluvaiheessa asetetut hypoteesit ja suunnitelmat ja verrataan niitä testausten tuloksiin. Neljännessä ja viimeisessä vaiheessa testien tuloksien perusteella ratkaisu joko otetaan käyttöön taikka se hylätään. Tässä vaiheessa on myös mahdollisuus tehdä uudelleen tes- tauksia esimerkiksi isommalla testijoukolla. (Deming, 2000, s. 133) 56 5.3 Seitsemän laatutyökalua Laadun parantamisen apuna käytetään erilaisia laatutyökaluja. Näille työkaluille ei ole olemassa virallisia standardeja, mutta ajan saatossa on muodostunut lähes standardin kaltaisia käytäntöjä ja yrityskohtaisia ohjeita. Tässä kappaleessa esitetään yleisimpiä SPC:n apuna käytettyjä työkaluja. Näitä työkaluja ovat histogrammit, kalanruotokaaviot, tarkastuskortit, Pareto-kuvaajat, vuokaaviot, hajontakaaviot sekä ohjauskortit. (Salomäki, 2003, s. 337–338) Erityisesti valvontakorttien käytössä histogrammit soveltuvat tehtävään hyvin. Histo- grammin tarkka määritelmä on graafinen esitys frekvenssijakaumasta. Tarkoitus on ku- vata mittaustulosten määrää tietyllä asteikkovälillä. Histogrammit on selitetty tarkem- min kappaleessa 2.4. (Salomäki, 2003, s. 339) Kalanruotokaavio tai Ishikawa-kaavio on syy-seuraus-analyysi, jossa tavoitteena on löy- tää mahdollisimman monta syytä seuraukselle. Tällainen voi olla esimerkiksi joku on- gelma. Analyysissä otetaan huomioon prosessiajattelu ja oletetaan tuloksen olevan jon- kin prosessiin vaikuttavan tekijän tai ilmiön seuraus. Syy-seuraus-analyysin tuloksena muodostuu kaavio, josta tunnistetaan epäselvien häiriöiden perussyyt. Jotta prosessi saadaan hallintaan, tulee tuntea siihen liittyvät syy-seuraussuhteet. (Salomäki, 2003, s. 346) Tarkastuskortissa huomioitavat aiheet luokitellaan ja näihin merkitään kappalemäärinä, kuinka monta kertaa kyseistä aihetta on havaittu. Korttiin myös erotellaan erilaiset koh- teet mistä havaintoja on löydetty. Tätä yksinkertaista tiedon keräysmenetelmää voidaan soveltaa hyvin tulosten, havaintojen ja syiden alustavaan luokitteluun. (Salomäki, 2003, s. 348) Pareto-kuvaaja voi muistuttaa hyvinkin paljon histogrammia. Molemmissa on laadittu luokkajako, mutta Pareto-kuvaajassa näiden järjestystä ei ole sidottu keskenään. Nämä havainnot luokitellaan kuvaajassa suuruusjärjestykseen, jonka suunta on laskeva 57 vasemmalta katsottaessa. Pareto-kuvaajan aineisto on ennalta kerättyä dataa. Kuvaajaan voidaan myös lisätä oikeaan reunaan kumulatiivista kertymää kuvaava viiva, josta voi- daan helposti nähdä esimerkiksi viiden suurimman ryhmän osuus kaikista havainnoista. (Salomäki, 2003, s. 350) Erilaisten symbolien ja nuoliviivojen avulla voidaan osoittaa tuotteen, työn tai asian ete- nemistä ja näiden keskinäisiä riippuvuuksia. Tällaista kaaviota kutsutaan vuokaavioksi. Symboleilla on omat määrätyt tarkoituksensa ja nuoliviivat kertovat asian tai vaiheiden siirtymistä toiseen. Tällaista kaaviota voidaan hyödyntää esimerkiksi tapahtumaketjujen havainnollistamisessa sekä ongelma-alueiden ja turhien vaiheiden tunnistamisessa. Kaa- vion on tarkoitus olla selkeä, jotta sen lukeminen ja ymmärtäminen on helppoa. (Salo- mäki, 2003, s. 353) Kuvaajaa, johon x- ja y-asteikoille merkitään kahdesta muuttujasta mitatut havainnot, kutsutaan hajontakaavioksi. Kuvaajan avulla saadaan visuaalisesti näytettyä havainnot niin, että siitä pystyy helposti näkemään poikkeavat havainnot. (Salomäki, 2003, s. 356) Hajontakaavioiden tärkeä ominaisuus, datan analysoinnin lisäksi, on kyky kontrolloida prosessin hallittavuutta, jolloin prosessiin vaikuttavat tekijät pystytään huomaamaan ajoissa ilman suurempia vaikutuksia lopputuotteeseen (Li, 2021, s. 3). SPC:n tärkein työkalu on ohjauskortit, jonka perusajatuksena on havainnollistaa helppo ja tilastollisesti luotettava analyysi prosessin tilanteesta. Ohjauskorttien toiminta ja eri- laiset ohjauskortit on käsitelty tarkemmin kappaleessa 3.4. (Salomäki, 2003, s. 356) 58 6 Lähtötaso koneistuksessa 6.1 Prosessin kulku Kohdeyrityksessä valmistetaan valuista koneistuksen ja myöhemmässä vaiheessa asen- nuksen avulla valmiita kappaleita käyttökohteeseensa. Valuja on kolme eri mallia, mutta jokaisesta valusta on useampaa eri koneistusversiota, joissa mitat ja piirteet saattavat hieman poiketa toisistaan. Kohdeyritys ei itse valmista valuja, vaan niille on kaksi toimit- tajaa. Valujen design ja valamiseen tarvittavat mallivarusteet ovat kohdeyrityksen suun- nittelemia, mutta itse valamisprosessi puolestaan toimittajan oma, joskin kohdeyrityk- sen hyväksymä. Kohdeyrityksessä on käytössä kolme CNC-konetta, ja ne ovat kahdelta eri valmistajalta. Kulloisellekin koneelle on tietyt koneistusversiot mitä niillä ajetaan, mutta joitakin versi- oita voidaan ajaa myös kahdella eri koneella. Tavanomaisesti on käytössä tietyt kaksi eri kiinnitintä per koneistusversio, mutta joskus, esimerkiksi huoltotarpeen aikana, voidaan joutua käyttämään useampaa eri kiinnitintä. Koneistusversiosta riippuen kappaleet ko- neistetaan joko kahdessa tai kolmessa vaiheessa. Vaiheiden välillä kappaletta käänne- tään kiinnittimessä. Koneistuksessa työkaluja on erittäin monta erilaista ja tämän lisäksi joillakin on myös vä- hintään yksi varatyökalu. Jokaiselle työkalulle on määrätty koneistusaika, jonka täytyttyä työkalu tai sen teräpalat tulee vaihtaa uusiin. Työkalun tai sen teräpalojen päivityksen uusiin hoidetaan manuaalisesti, hyödyntäen kuitenkin esiasetuslaitetta. Koneen valmis- tajasta riippuen, käytetään varatyökaluja hieman toisistaan poikkeavilla tavoilla. Toisen valmistajan kone käyttää paikassa yksi olevan työkalun koneistusajan loppuun ennen kuin siirtyy varatyökaluun. Toisen valmistajan kone puolestaan vaihtaa jokaisen käyttö- kerran jälkeen seuraavaan varatyökaluun. Kun kappale on koneistettu, siirtyy se robotisoidun jäysteenpoiston ja pesun kautta au- tomatisoituun mittaukseen 3D-koordinaattimittauskoneelle. Mikäli mittauskoneelle on 59 jonossa kappaleita, siirtyy uusi kappale puskuriin, ja mittauskoneelle vasta, kun edellä olevat kappaleet on mitattu. Kohdeyrityksessä jokaiselle kappaleelle suoritetaan 100- prosenttinen mittaus. 3D-koordinaattimittauskone sijaitsee erillisessä huoneessa, jotta ilmankosteus saadaan pidettyä minimissään ja mittapäiden ja ympäristön mittauslämpötila likimain vakiona. Lämpötilan säätely hoidetaan ilmastointilaiteen avulla ja tavoitteena on pitää se +20 C:ssa. Mittaushuoneeseen kappale siirtyy, kun robotti lataa kappaleen rullaradalla si- jaitsevalle paletille, huoneen rullaovi aukeaa, kuljetin kuljettaa kappaleen mittaushuo- neeseen ja rullaovi sulkeutuu. Rajakytkimen avulla paletti ja kappale pysähtyy aina liki- main samaan kohtaan rullarataa. Kappaleen tarkka sijainti saadaan mittaamalla siitä x-, y- ja z-tasot. Tavanomaisesti kappaleen lämpötila on aina huoneen lämpötilaa korkeampi ja se huomioidaankin mittaamalla kappaleen lämpötila ja käyttämällä lämpötilakompen- saatiota. Mittauspäitä mittauskoneella on yhteensä viisi. Näistä yksi on lämpötilan, yksi pinnankarheuden ja loput kolme tasojen mittausta varten. Tasojen mittaukseen käytet- tävät mittauspäät sisältävät vielä seitsemän mittauskärkeä, joiden halkaisijat ja etäisyy- det mittauspään kiinnityskohdasta vaihtelevat. Kun kappale on mitattu, tulostuu siitä mittauspöytäkirja verkkokansioon ja kappaleen jäljitettävyystiedot ja kriittisten mittojen mittaustiedon laadunhallintajärjestelmään. Sa- malla tulostuu myös haluttujen mittojen mittausdata erilliseen tietokantaan. Kappaleista tyypillisesti mitataan yli kolmesataa mittaa, mutta koneistusversiosta riippuen lukema saattaa hieman vaihdella. Mitat sisältävät muun muassa halkaisija-, etäisyys-, kohtisuo- ruus-, ympyrämäisyys-, tasomaisuus-, muotovirhe- ja samankeskisyysmittauksia, mutta myös piirteiden paikkakoordinaattien sijainti kappaleen tai jonkin piirteen nollapistee- seen tulostetaan. Koko mittauksesta kriittisiä mittoja kappaleen toiminnan ja asennetta- vuuden kannalta on noin 50. Tietokantaan tyypillisesti viedään vain kappaleen kriittisten mittojen data, mutta mahdollisuus olisi myös viedä kaikki mittaustulokset. Tietokantaan vietävät mittaustulokset täytyy erikseen määrittää mittausohjelmaan. SPC-ohjelmiston avulla voidaan lukea tietokantaa, jolloin prosessin tilan seuraaminen on helpompaa kuin 60 pelkästään mittauspöytäkirjoja selaamalla. Mittauksen jälkeen kappale siirtyy jäysteen- poistoasemalle, jossa manuaalisesti tarkastetaan robotisoidun jäysteenpoiston jälki ja samalla myös mittauspöytäkirjasta mahdolliset toleranssialueiden ylitykset. Mikäli ylityk- siä on, merkataan kappale ja siirretään erilliselle alueelle, muutoin kappale jatkaa tuo- tannossa eteenpäin sisäiselle asiakkaalle. 6.2 Ongelmakohdat ja riskit prosessissa Tässä kappaleessa pyrkimyksenä on tunnistaa ja käsitellä mahdolliset ongelmakohdat ja riskit tuotannon prosessissa. Tutkimuksessa tunnistettiin mahdollisiksi ongelmakohdiksi valu, mittaus prosessi sekä SPC-ohjelmiston käyttö. 6.2.1 Valu Tutkimuksen aikana kävi ilmi, että eri valmistajien valut arvellaan poikkeavan enemmän tai vähemmän toisistaan. Valutoleranssit ovat kuitenkin melko suurehkoja, jolloin ongel- matilanteissa on vaikeaa osoittaa, että vika olisi itse valussa. Lisäksi ongelmana on se, että oletettu vika tulee ilmi vasta valmiin kappaleen mittauksessa, jolloin häiriötä aiheut- tavat tai erityissyytä indikoivat piirteet on mahdollisesti jo koneistettu pois. Valujen eroa- vaisuus on käynyt ilmi, kun kahden koneistetun sylinterimäisen reiän samanakselisuutta on mitattu ja siinä ei olla toisinaan päästy toleranssialueen sisälle. On arveltu, että valu- reiät ovat hieman sivussa tavoitellusta kohdasta, jolloin se aiheuttaa koneistuksissa pit- kien työkalujen vääntymistä ja näin ollen virhettä samanakselisuuteen. Tähän korjaava ja ennaltaehkäisevä toimenpide on muuttaa joko koneistusmenetelmää tai itse valua. Tutkimuksen aikana kuitenkin huomattiin, että valun muutosprosessi on yleensä paljon aikaa ja rahaa vaativa toimenpide, jonka lisäksi saattaa joskus ilmetä uusia valuvikoja ei- toivottuihin paikkoihin. Koneistusmenetelmän muutos puolestaan voi olla kallis, mutta onnistuvuus yleensä nopeammin todettavissa. Kohdeyrityksessä onkin ongelmapaik- kaan tilattu uusi työkalu, jolla ongelman oletetaan poistuvan. 61 6.2.2 Mittaus Mittauksessa havaittuja ongelmakohtia tai mahdollisia riskejä ovat kappaleen pitkä läpi- menoaika koneistuksen valmistumisesta mittaukseen, pitkä mittausohjelman kesto ja kappaleiden puhtaus mittauksessa. Kun kappale on koneistettu, kestää sillä minimissään yksi tunti, että sen mittaus alkaa mittauskoneella. Mikäli työkuorma on korkea, läpime- noaika on keskimäärin noin kolme tuntia. Mittausohjelmat puolestaan kestävät keski- määrin noin yhden tunnin, jolloin keskimääräinen kokonaisläpimenoaika on noin neljä tuntia. Tästä seuraa riski, että viallisia kappaleita ehtii valmistua useampia ennen kuin siihen keretään reagoimaan. Jotta vastaavalta tilanteelta vältyttäisiin, on kohdeyrityk- sessä käytössä työkalujen automaattinen rikkotarkistus, jonka tavoitteena on karsia yl- lättäen hajonneet työkalut ennen kuin niitä keretään käyttämään uudestaan. Mikäli kui- tenkin jokin prosessin osa ei ole hallinnassa, vaikka työkalut olisivatkin ehjiä, ei tarvita isoa muutosta, että vaatimustenvastaisia kappaleita syntyy ennen kuin siihen keretään reagoimaan. Kokonaisläpimenoajan lyhentäminen vaatisi nopeampaa kappaleiden pe- sua, jäysteenpoistoa ja mittausta ja täten kalliita muutoksia prosessiin. Tähän on kuiten- kin olemassa halvempi ja laatua parantava korjaava ja ennaltaehkäisevä toimenpide. Prosessista tulisi poistaa erityissyyn aiheuttajat, pienentää prosessin vaihtelu riittävälle tasolle ja ohjata prosessi spesifikaatioalueen keskelle tai yksipuoleisessa toleroinnissa miniarvoon ja valvoa, että siinä pysytään. Kun prosessi on saatu ihanteelliseen tilaan, voidaan mittausohjelmia mahdollisesti lyhentää ja siirtyä otantamittaukseen, jolloin tie- tyin väliajoin tehdään kappaleelle kokonaismittaus ja muulloin lyhennetty mittaus. Vaikka kappaleet käyvät koneistuksen jälkeen pesukoneella, niiden pintaan jää silti kerros grafiittipölyä, joka pystytään havaitsemaan pyyhkäisytestillä ja toistomittauksilla. Pesua ei voida tehdä kuumalla pesuliuoksella, koska se kuumentaisi kappaletta, joka vaikuttaisi mittaustuloksiin. Mikäli kappaleen annettaisiin jäähtyä ennen mittausta, pidentäisi se puolestaan läpimenoaikaa. Koordinaattimittauskoneella ei myöskään ole mahdollista suorittaa kappaleelle uusintamittausta, vaan se tulee lähettää yrityksen sisällä sijaitse- valle toiselle mittauskoneelle tarkistusmittaukseen. Tämä puolestaan epäsuorasti nostaa kappaleiden hintaa ja samalla vaikeuttaa reagoimista erityissyihin. Epäpuhtauden 62 tarkkaa vaikutusta mittaukseen on vaikea määrittää, koska esimerkiksi toistomittauk- sessa mittakärjen arvioidaan kulkevan likimmiten samoja reittejä pitkin, jolloin ensim- mäisellä mittauskerralla mittakärki pyyhkii osan grafiittipölystä pois ja samalla osa tart- tuu itse mittakärkeen. Täten jokaisella toistolla tilanne on yksilöllinen. Epäpuhtaus saat- taa parantaa joitakin mittaustuloksia ja huonontaa toisia, mutta seurauksena kuitenkin on mittausprosessin ja täten kokonaisprosessin havaitun hajonnan kasvaminen. Samalla tyypin 1 ja 2 virheiden todennäköisyys kasvaa. Korjaavana ja ennaltaehkäisevänä toimen- piteenä tässäkin ongelmassa toimii prosessin hajonnan pienentäminen, ohjaaminen ja valvonta. Täten, kun prosessin kyvykkyys indeksi, Cpk on riittävällä tasolla eli yli 1,33, ei nykyisestä puhtaustasosta aiheudu ongelmia. 6.2.3 SPC-ohjelmiston käyttö Kohdeyritys hankki mittausdatan ja prosessin seuraamista varten erään SPC-ohjelmiston vuonna 2018 ja siihen muutaman lisenssin. Ohjelmistosta on kahta eri versiota, jotka hieman poikkeavat toisistaan. Ensimmäisellä kerätään mittausdataa, luodaan siitä tieto- kantoja ja näitä hyödyntäen voidaan reaaliaikaisesti monitoroida ja analysoida prosessia. Tämä versio sijaitsee ainoastaan koordinaattimittauskoneen tietokoneella. Toinen versio puolestaan on hieman kevyempi verrattuna ensimmäiseen. Tällä voidaan lukea ensim- mäisen version luomia tietokantoja ja monitoroida, analysoida ja suodattaa niiden dataa etäältä esimerkiksi toimistosta. Vaikka ohjelmisto on ollut käytössä yrityksessä jo neljä vuotta, sen käyttö on kuitenkin puutteellista ja erittäin vähäistä. Tilastollisesta prosessinohjauksesta on järjestetty lyhyt koulutus, jolla on ollut tarkoituksena tarjota perustietoa tilastollisen prosessinohjauksen teoriasta, mutta mitään koulutuksia ei ole järjestetty itse ohjelmiston käytöstä. Tutki- muksen aikana kävi ilmi, että ohjelmiston käyttö on ollut hankalaa, koska ohjelmistosta on täytynyt erikseen valita monitoroitava koneistusversio ja samalla pitänyt tietää, mikä koneistusversio on mitattu viimeksi, jotta saadaan mahdollisimman tuore tieto prosessin tilasta. Ohjelmistosta saa kuitenkin valittua asetuksen, jonka avulla näkymä päivittyy re- aaliaikaisesti ja automaattisesti viimeiseksi valmistuneen mittauksen mukaan. Myös 63 lisenssien lukumäärä on ollut ongelmallinen. Ohjelmisto ei välttämättä ole ollut käytet- tävissä siellä missä sen on koettu olevan tarpeellinen, vaan lisenssejä on ollut käytössä vain muutamilla käyttäjillä. 6.3 Palaute ja havainnot Valmiit kappaleet toimitetaan sisäiselle asiakkaalle. Negatiivinen palaute asiakkaalta voi tulla suullisesti tai sähköpostin muodossa, mutta aina kuitenkin järjestelmän kautta vi- kailmoituksella. Viasta riippuen vikailmoituksella voidaan vaatia varaston tarkistusta, uu- den kappaleen toimittamista ja juurisyyn selvittämistä. Melko harvoin kuitenkin negatii- vinen palaute koskee itse koneistusta, koska vaatimustenvastaiset yksilöt ovat jo pyritty karsimaan pois mittaustulosten avulla. Asiakkaan äänenä toimii koneistuspiirustus, joka antaa tavoitellut arvot/piirteet koneis- tetulle kappaleelle, jotta asiakas pystyy siihen asentamaan halutut osat ongelmitta ja jotta kyseinen komponentti toimii käyttökohteessaan suunnitellusti. Käytössä on spesifi- kaatiorajat, ja tavoite nykyään on ollut, että koneistettu piirre on spesifikaatiorajojen si- sällä. Ei ole ollut erityisesti väliä onko mittaustulos spesifikaation ylä- vai alarajalla, kun- han se vaan on rajojen sisällä. Tämä aiheuttaa sen, että spesifikaatiorajojen lähellä olta- essa pienikin muutos prosessissa voi aiheuttaa vaatimustenvastaisen kappaleen. Kun tä- hän vielä lisätään huono toistotarkkuus mittauksessa, ei voida olla varmoja päätyykö asi- akkaalle vaatimustenvastaisia kappaleita. Tutkimuksen yhtenä tarkoituksena on pyrkiä tuomaan kohdeyritykseen uutta ajattelutapaa, jossa tavoitetta pidetään spesifikaatiora- jojen sijasta ylöspäin aukeavana paraabelina. Kun tavoitetta ajatellaan ylöspäin au- keavana paraabelina, sen matalimmassa kohdassa oltaessa tuottajan ja asiakkaan ei koeta kärsivän minkäänlaista tappiota, mutta kun siirrytään matalimmasta kohdasta poispäin, kumpaan suuntaan tahansa, kustannukset kasvavat eksponentiaalisesti. Spesi- fikaatiorajat antavat sitten lopullisen käyttöpäätöksen kuitenkin kyseiselle mitalle. Tällä ajattelutavalla pyritään painottamaan, että on tärkeää valvoa prosessia ja pyrkiä pitä- mään sen keskiarvo likimain paraabelin alimmassa kohdassa. 64 6.4 Toimintamalli Mikäli yrityksen koneistuksesta valmistuu vaatimustenvastainen kappale, on heidän toi- mintamallinsa seuraava. Koneistuksen operaattorit merkkaavat vaatimustenvastaisen kappaleen ja siirtävät sen sivuun erilliselle alueelle odottamaan käyttöpäätöstä. Mikäli he kuitenkin epäilevät, että on tapahtunut mittausvirhe esimerkiksi liasta johtuen, siirtä- vät he kappaleen uudelleenmittaukseen erilliselle koordinaattimittauskoneelle. Samalla koneistajat tarkastavat viasta riippuen työkalun kunnon ja vaihtavat uuteen, mikäli koke- vat tarpeelliseksi. Tarkastaja tutkii kappaleen mittauspöytäkirjan, toteaa voiko kappaleen mahdollisesti korjata ja antaa kappaleelle käyttöpäätöksen. Käyttöpäätöksen tueksi hän myös voi lait- taa kappaleen uusintamittaukseen, mikäli sitä ei olla vielä tehty. Uusintamittauksen jäl- keen, jos vika vielä ilmenee ja sitä ei tarkastajan mielestä voida hyväksyä, avaa hän vikail- moituksen, jolloin tieto menee myös työnjohdolle. Laadunhallintajärjestelmä estää mit- taylityksellisen kappaleen pääsyn tuotannossa eteenpäin ja vaatii tarkastajalta hyväksyn- nän. Jos vika on systemaattinen ja sen aiheuttajan poistamiseksi arvellaan tarvitsevan mene- telmään muutoksia, menetelmänkehittäjä tutkii tapausta koneistajien kanssa. Mikäli me- netelmän muutos vaatii investointeja, on niistä vastuussa työnjohto ja johtoporras. Vian poistuminen todetaan seuraamalla uuden kappaleen mittaustuloksia. Mittaustulok- set tarkastetaan mittauspöytäkirjoista, vaikka SPC-ohjelmisto olisi käytettävissä. Jos vika vielä ilmenee, jatketaan juurisyyn tutkimista ja tehdään uusia korjaavia toimenpiteitä, kunnes kappale on vaatimustenmukainen. 6.5 Laadunseuranta Kohdeyrityksessä tuotannon laatua seurataan pääosin säännöllisissä laatupalavereissa. Näiden tarkoituksena on käydä läpi saatua dataa mittauksista, huomata mahdollisia 65 ongelmakohtia sekä ideoida näille parantavia toimenpiteitä. SPC:n käyttö onkin ollut pääosin läsnä kyseisissä palavereissa erilaisten kaavioiden muodossa, jotka on saatu SPC- ohjelmistosta. Tutkimuksessa suoritettujen haastattelujen tarkoituksena oli saada käsitys laadunseu- rannan käyttötavoista kohdeyrityksessä ja näitä käsitellään tarkemmin kappaleessa 8. 66 7 Henkilökohtaiset haastattelut Jotta kohdeyrityksen tämänhetkisestä tilanteesta saataisiin mahdollisimman laaja kuva, päätettiin valmistella kysymyksiä ja suorittaa henkilökohtaisesti haastatteluja henkilöi- den kanssa, jotka ovat tai olisivat tekemisissä SPC:n kanssa. Henkilöt haastatteluihin va- littiin itse ottaen huomioon työntekijän asema tuotannossa. Mukaan valikoituivat kysei- sen koneistuspajan johtaja, työnjohtaja ja menetelmäkehittäjä. Haastattelut toteutettiin teemahaastattelun ja puolistrukturoidun haastattelun sekoituk- sena, jolloin ennen haastatteluja laadittiin valmiiksi kysymykset liittyen valittuihin tee- moihin. Keskustelu kysymysten pohjalta haluttiin kuitenkin pitää avoimena, jotta saatai- siin luontevasti esiin työntekijöiden mielipiteitä ja ajatuksia SPC:stä ja sen käytöstä. Haas- tattelut järjestettiin etäyhteyksiä hyödyntäen Teams-sovelluksen kautta. Kysymysten teemoiksi valittiin tilastollisen prosessin nykytilanne koneistuksessa ja kuinka sitä olisi tulevaisuudessa hyvä käyttää. Kysymykset haastatteluihin pyrittiin vali- koimaan niin, että vastauksista kävisi selkeästi ilmi, kuinka SPC:tä käytetään tällä hetkellä vai käytetäänkö sitä ollenkaan. Näiden lisäksi haluttiin selvittää, onko kohdeyrityksessä otettu käyttöön mitään tukitoimintoja SPC:n rinnalle. Tällaisia voisi olla esimerkiksi eri- laiset lokit tai päiväkirjat menneistä korjaustoimenpiteistä. 7.1 Tulokset haastattelujen perusteella 7.1.1 SPC:n käyttö kohdeyrityksessä Haastatteluista kävi ilmi hyvin selkeästi, että tilastollinen prosessinohjaus on otettu ai- koinaan kohdeyrityksessä käyttöön, mutta sen jokapäiväinen käyttö on loppujen lopuksi vähäistä. Yksi iso syytekijä tässä on käytettävän ohjelmiston vähäinen lisenssimäärä. Li- senssejä on aikoinaan saatu tietty määrä ja näitä on jaettu tietyille henkilöille. Kohdeyri- tyksessä kuitenkin vaihdetaan työkonetta tasaisella syklillä, joka tarkoittaa sitä, että mää- rätty lisenssi SPC-ohjelmistoon häviää vanhan työkoneen mukana, ellei lisenssiä muista 67 siirtää. Tästä syystä lisenssejä voi niin sanotusti hävitä ajan saatossa inhimillisten erhei- den vuoksi. Tällä hetkellä SPC-ohjelmisto on pääsääntöisesti käytössä vain mittausohjel- mien tekijällä, joka sitten tarvittaessa jakaa sieltä saatuja graafeja ja dataa johtajille. Täl- löin siis työntekijät, jotka voisivat hyötyä SPC:stä jokapäiväisessä työssä, eivät ole pääs- seet helposti käsiksi ohjelmiston dataan. Mahdolliset mittaylitykset nähdään ainoastaan mittapöytäkirjoja selailemalla, joka on taas manuaalista työtä ja vaatii paljon aikaa. SPC-ohjelmiston käytöstä, ei haastattelujen mukaan ole saatu koulutusta juuri ollenkaan. Käyttöönoton aikaan on ollut pienimuotoinen palaveri, jossa on hieman selitetty ohjel- mistoa. Yleinen mielipide oli haastatteluissa, että koulutusta tulisi saada enemmän var- sinkin siinä vaiheessa, jos SPC tulee käyttöön enemmän tuotannon puolella. 7.1.2 Parannuskohteet ja niiden valinta SPC:n käyttöön liittyy mittaustulosten perusteella tehtävät parannustoimenpiteet ja jat- kuva kehittäminen. Haastatteluissa pyrittiin saamaan vastauksia siihen, kuinka parannus- kohteita, toisin sanoen vikoja, paikannetaan nykyään ja millä periaatteella valitaan pa- rannettavat kohteet. Menetelmänkehittäjän ja työnjohtajan vastaukset erosivat siinä mielessä verstaan johtajan vastauksesta, sillä tuotannon puolella ei ole SPC:tä käytössä jatkuvasti. Mittapöytäkirjat toimivat tällä hetkellä lähteenä löytää vikoja ja parannettavia kohteita, kun taas verstaan johtaja seuraa SPC:n dataa laatupalavereissa ja näkee sieltä samat ongelmakohdat. Parannettavat kohteet valitaan sitten sen mukaan, kuinka kriitti- nen ongelma on kyseessä, toisin sanoen kuinka suuri ylitys ja kuinka kriittinen mitta on kyseessä. Tästä toimintamallista oli yhtenäinen mielipide kaikkien haastateltavien kes- kuudessa. Kun tuotannossa tulee vastaan parannettavaa, voivat koneistajat ensin tutkia asiaa ja miettiä kuinka prosessia voidaan kehittää. Tässä vaiheessa kuitenkin myös me- netelmäkehittäjä astuu kuvioon mukaan. Kehitysprosessin jälkeen kappaleiden koneis- tusta jatketaan ja seurataan mihin suuntaan mittaustulokset menevät. Isompien sekä toistuvien vikojen tutkimiseksi saatetaan järjestää problem solving -pala- veri, jonka periaatteena on saada mielikuva ongelmasta ja päästä lopputulokseen, kuinka 68 ongelma ratkaistaan. Haastatteluiden perusteella voidaan todeta, että tällaisia ongelman ratkomisiin liittyviä palavereja järjestetään kohdeyrityksessä, joskin ei usein. 7.1.3 Jatkuva parantaminen ja ennaltaehkäisevä laadunvarmistus Haastatteluiden perusteella kävi ilmi, että jatkuvaa parantamista ei ole juuri ollenkaan. Prosessi on enemmän niin sanotusti tulipalojen sammuttelua. Tämä tarkoittaa sitä, että kun tuotannossa tulee vastaan joku mittaylitys, aletaan vasta siinä vaiheessa tutkimaan mistä ylitys johtuu. SPC:tä apuna käyttäen ylitys voitaisiin ehkä ennakoida, jolloin sitä ei mahdollisesti tapahtuisi ollenkaan. Tällaiseen ehkäisevään laadunvarmistukseen tulee myös ottaa huomioon koneistuksen pitkät ajoajat. Koneistuksen alkamisesta mittauksen loppuun voi kulua jopa kahdeksan tuntia, jonka aikana on saatu ajettua muita kappaleita. Tämä tarkoittaa sitä, että reaaliaikaista dataa on lähes mahdoton saada. Uudessa tuo- tantolaitoksessa kyseinen aika koneistuksesta mittausdatan saantiin tulee mahdollisesti vielä pitenemään. Jatkuvan parantamisen puutteeseen vaikuttaa omalta osin myös re- surssit koneistusverstaalla. Haastatteluista saatiin sellainen käsitys, että olisi hyvä olla oma henkilö nimitettynä vain kehitystyöhön, jonka osa-alueeseen kuuluisi jatkuva pa- rantaminen. 7.1.4 Muutoksien dokumentointi Kun tuotannossa tehdään kehitystoimenpiteitä ja prosessia parannetaan, olisi hyvä do- kumentoida menneet muutokset tulevaisuutta varten. Haastatteluissa kävi ilmi, että täl- laista käytäntöä ei ole implementoitu ollenkaan. Yleinen mielipide oli kuitenkin, että loki tai päiväkirja muutoksista olisi vain positiivinen asia. Sitä seuraamalla voisi nähdä hel- posti, koska ja mitä muutoksia on tehty. Loki olisi myös hyvä sijoittaa niin, että kaikki pääsisivät lukemaan lokia. 7.1.5 Informaation kulku koneistuksessa Pääsääntöisesti haastatteluista sai mielikuvan, että informaatio koneistuksessa kulkee suhteellisen hyvin. Koneistajat ovat tietoisia mahdollisista mittaylityksistä keskenään ja 69 tieto kulkeutuu työnjohtajalle ja menetelmämiehille. Johdossa seurataan SPC:n dataa ja saadaan sitä kautta tieto mittaylityksistä. Huomioitava asia on kuitenkin se, että johtoon ei aina välttämättä kulkeudu tieto siitä, mihin on korjaustoimenpiteissä päädytty. Infor- maation kulkuun voisi olla myös hyödyksi edellä mainitut lokit ja päiväkirjat. Koneistusverstaalla on otettu käyttöön WhatsApp-keskusteluryhmä, johon jokainen saa laittaa ilmoitusluonteisia asioita liittyen esimerkiksi koneistusprosessiin tai mittaylityk- siin. Keskusteluryhmään on liitetty kaikki koneistajat, menetelmämiehet, työnjohtaja sekä verstaan johtaja. Oletuksena on, että jokainen lukee kyseiseen ryhmään laitetun informaation, mutta varmuutta ei kuitenkaan ole, että kaikki informaatio kulkeutuu jo- kaiselle. 7.1.6 Seitsemän laatutyökalua Haastatteluiden perusteella haluttiin myös selvittää, käytetäänkö kohdeyrityksessä seit- semää laatutyökalua ja mitä näistä käytetään. Yksiselitteistä vastausta tähän ei pysty an- tamaan, sillä eri asemassa työskentelevät henkilöt olivat tietoisia eri työkaluista. Koko- naisuudessaan lähes kaikkia seitsemää työkalua käytetään jossain määrin kohdeyrityk- sessä. Ainut poikkeus tähän on hajontakaaviot, joita ei haastatteluiden perusteella ole tällä hetkellä aktiivisessa käytössä ollenkaan. Näitä kohdeyrityksessä käytettyjä laatutyökaluja on sovellettu erilaisiin käyttötarkoituk- siin ja kävikin selväksi, että montaa työkalua ei käytetä samaan käyttötarkoitukseen. Poikkeuksena tähän on toki ohjauskaaviot ja histogrammit, joita kumpaakin hyödynne- tään lähinnä SPC:n käytön apuna. 7.1.7 Päätelmät haastatteluiden perusteella Yleinen mielipide haastattelujen perusteella oli, että SPC on tai olisi hyvä työkalu koneis- tuksessa. Keskusteluista sai hyvän mielikuvan siitä, kuinka prosessi toimii tällä hetkellä 70 koneistuksessa ja mitä siellä voisi mahdollisesti kehittää, jotta se luonnistuisi vielä pa- remmin. SPC tulisi saada käyttöön myös tuotannon puolelle. Sitä seuraamalla näkee nopeasti ja helposti halutut mitat ja onko näissä ollut ongelmia. Näin ollen viatkin voitaisiin huomata nopeammin, kun ei tarvitsisi alkaa selailemaan mittapöytäkirjoja. Jotta SPC ja sen ohjel- misto voitaisiin ottaa luontevasti käyttöön, tulisi saada järjestettyä kattava koulutus kai- kille työntekijöille, jotka SPC:tä käyttäisi jokapäiväisessä työssään. On ymmärrettävää, että jos työntekijät eivät tiedä kuinka ohjelmistoa käytetään ja kuinka sitä luetaan, jää helposti sen käyttäminen vähäiseksi. Ohjelmiston käytöstä voisi myös kirjoittaa ytimek- käät ohjeet, josta saisi tarkistettua tarvittaessa, kuinka sitä käytetään. Ohjeet tulisi sijoit- taa samaan paikkaan SPC-ohjelmiston kanssa, jolloin ne ovat helposti saatavilla. Lokien tai päiväkirjojen käyttöönotto auttaisi informaation kulussa, kun ne olisi sijoitettu paikkaan, johon kaikki pääsisivät käsiksi, esimerkiksi verkkokansioon. Tämä voisi olla tal- lennettuna jollekin serverille kohdeyrityksessä, jolloin tieto päivittyisi kaikille yhtenäi- sesti. Tuotannonpuolella loki tai päiväkirja voisi olla sijoitettuna työkaluhuoneeseen, jol- loin esimerkiksi työkalujen numerot olisivat helposti saatavilla. Samassa paikassa voisi olla saatavana myös SPC-ohjelmisto, jolloin mahdollisiin mittaylityksiin pystyttäisiin rea- goimaan nopeasti. Tällöin kaikki tarvittava tieto olisi samassa paikassa. Samalla pystyisi näkemään mahdolliset ongelmakohdat ja lokista pystyisi katsomaan onko samassa mi- tassa ollut aikaisemmin ongelmia ja myös onko kyseiselle mitalle tehty jotain korjaustoi- menpiteitä. Lokissa tulisi olla lyhyt ja ytimekäs selitys kyseisestä ongelmakohdasta, mitä mittaa ja työkalua se mahdollisesti koskee ja mitä korjaustoimenpiteitä ongelman kor- jaamiseksi on tehty. Samoin päivämäärä koska vika on huomattu ja koska korjaustoimen- piteet on suoritettu. Näin ollen osataan myös tarkkailla kyseisiä mittoja tulevaisuudessa ja nähdään, onko korjaustoimenpiteet onnistuneet odotetusti. 71 8 Mittausepävarmuuden määrittäminen Prosessiin tehtävien mittausten tarkkuus tulee olla riittävän hyvä, että tuotteiden laadun toteaminen ja varmistus on luotet