بلاگ

شرکت عصر کیفیت > بلاگ > IATF16949 > دوره آموزشی کنترل آماری فرآیندSPC در صنایع شیمیایی
راهنمای جامع کنترل آماری فرآیند (SPC) در صنایع شیمیایی: از مبانی نظری تا پروفایل مانیتورینگ با Minitab و Q-DAS

⚙️ کنترل آماری فرآیند (SPC) در صنایع شیمیایی: راهنمای عملیاتی با مبانی نظری، Minitab و استانداردهای VDA & AIAG

در این مقاله، ضمن پوشش مبانی ریاضی و آماری هر ابزار، به صورت عملی نحوه پیاده‌سازی در Minitab، تحلیل نمودارها و اقدامات اصلاحی را فرا خواهید گرفت. تمامی مطالب بر اساس مراجع معتبر AIAG (ویرایش دوم) و VDA Volume 4 & 5 تدوین شده است.

📐 مقدمه‌ای بر تئوری کنترل فرآیند در محیط‌های شیمیایی

در صنایع گسسته (مثل قطعات فلزی)، فرض بر استقلال مشاهدات و توزیع نرمال است. اما در فرآیندهای شیمیایی (رنگ، فوم، پلیمر) پدیده‌هایی مانند خودهمبستگی (Autocorrelation) و چندمتغیره بودن (Multivariate) نقض‌کننده‌ی این فروض هستند. بر اساس قضیه حد مرکزی و تعمیم‌های آن، روش‌هایی مانند میانگین‌های متحرک وزنی (EWMA) و مجموع تجمعی (CUSUM) برای غلبه بر این چالش‌ها توسعه یافته‌اند (Montgomery, 2009).

📈 ۱. نمودار EWMA (میانگین متحرک موزون نمایی)

AIAG VDA 4 Minitab

📐 مبانی نظری

نمودار EWMA بر اساس تئوری هموارسازی نمایی (Exponential Smoothing) بنا شده است. آماره Zt ترکیب خطی از مشاهدات فعلی و گذشته است. واریانس این آماره به صورت همگرا به σ²[λ/(2-λ)] میل می‌کند. انتخاب λ بهینه با توجه به اندازه شیفت مورد نظر تعیین می‌شود (مقدار کوچک λ برای تشخیص شیفت‌های کوچک). مبنای تئوریک این روش به تئوری تشخیص تغییر (Change Point Detection) و فیلتر کالمن نیز مرتبط است.

🔹 فرمول محاسباتی

Zt = λ·Xt + (1-λ)·Zt-1
حدود کنترل:   UCL/LCL = μ₀ ± L·σ·√(λ/(2-λ))
🧪 مثال صنعت رنگ (با Minitab)

ویسکوزیته هدف = ۱۰۰ واحد، σ=۲، λ=۰.۲. داده‌های ۱۰ بچ متوالی: ۱۰۲, ۱۰۱, ۹۹, ۹۸, ۹۷, ۹۶, ۹۸, ۱۰۰, ۹۹, ۹۷.

مسیر در Minitab: Stat → Control Charts → Time-Weighted Charts → EWMA

ورودی: داده‌ها در یک ستون. در پنجره EWMA، گزینه "Parameters" را انتخاب و میانگین هدف (۱۰۰) و انحراف معیار (۲) را وارد کنید. λ = ۰.۲ و L = ۳.

خروجی: Minitab حدود کنترل را محاسبه می‌کند: UCL ≈ ۱۰۰.۹ , LCL ≈ ۹۹.۱. نقاط ۵ (۹۷) و ۶ (۹۶) خارج از حد پایین هستند.

🧐 تحلیل آماری: با توجه به تئوری هموارسازی نمایی، Zt به تغییرات سطح فرآیند حساس است. خروج نقطه ششم از LCL نشان‌دهنده‌ی کاهش میانگین واقعی فرآیند است (با احتمال خطای نوع اول α=۰.۰۰۲۷).
🛠️ اقدام اصلاحی (وقتی نقطه خارج از کنترل است):
  1. توقف فوری خط یا بررسی بچ‌های بعدی با دقت بیشتر.
  2. بررسی دمای راکتور، نسبت مواد اولیه، کالیبراسیون سنسور ویسکوزیته.
  3. نمونه‌گیری مجدد و آزمون تعیین ویسکوزیته در آزمایشگاه مرجع.
  4. در صورت تأیید انحراف، بچ مردود اعلام و ریشه‌یابی کامل انجام شود.

📉 ۲. نمودار CUSUM (مجموع تجمعی)

AIAG VDA Minitab

📐 مبانی نظری

نمودار CUSUM ریشه در آزمون نسبت درستنمایی متوالی (SPRT) دارد که توسط پیج (Page) در دهه ۱۹۵۰ فرموله شد. ایده اصلی: جمع‌آوری انحرافات جزئی از هدف در طول زمان. اگر فرآیند در حالت کنترل باشد، مجموع انحرافات حول صفر نوسان می‌کند. اگر میانگین فرآیند به اندازه Δ جابجا شود، آماره CUSUM به صورت خطی رشد می‌کند. پارامتر K (مجاز) معمولاً نصف بزرگی شیفتی که می‌خواهیم سریع تشخیص دهیم انتخاب می‌شود (K = Δ/2). مقدار آستانه H (تصمیم) معمولاً ۴ یا ۵ برابر انحراف معیار فرآیند در نظر گرفته می‌شود.

🔹 فرمول محاسباتی (روش جدول‌بندی)

C⁺t = max[0, Xt - (μ₀ + K) + C⁺t-1]
C⁻t = max[0, (μ₀ - K) - Xt + C⁻t-1]
(آستانه H: معمولاً ۴σ یا ۵σ)
🧪 مثال صنعت فوم (Minitab)

دانسیته هدف فوم = ۳۰ kg/m³، σ=۱. داده‌های ۱۰ بچ: ۳۰.۲, ۳۰.۵, ۳۰.۹, ۳۱.۲, ۳۱.۶, ۳۱.۸, ۳۲.۱, ۳۲.۰, ۳۱.۷, ۳۲.۲.

مسیر در Minitab: Stat → Control Charts → Time-Weighted Charts → CUSUM

ورودی: در پنجره CUSUM، گزینه "Parameters" را انتخاب و μ₀=۳۰, σ=۱ وارد کنید. معمولاً Minitab K=۰.۵ و H=۵ را پیشنهاد می‌دهد.

خروجی: از بچ چهارم به بعد، آماره C⁺ از H=۵ عبور می‌کند و فرآیند خارج از کنترل اعلام می‌شود.

🧐 تحلیل آماری: عبور از حد H به معنای رد فرضیه کنترل (μ=μ₀) در سطح اطمینان بالا است. انحراف تجمعی مثبت نشان‌دهنده افزایش پایدار دانسیته است.
🛠️ اقدام اصلاحی:
  • بررسی نسبت ایزوسیانات/پلیال که ممکن است باعث افزایش دانسیته شده باشد.
  • کنترل دمای قالب و زمان پخت.
  • کالیبراسیون ترازوی اندازه‌گیری دانسیته.
  • در صورت تداوم، تنظیم مجدد نسبت‌ها.

🔬 ۳. نمودار Hotelling T² (کنترل چندمتغیره)

VDA (Q-DAS) Minitab

📐 مبانی نظری

آماره T² تعمیم چندمتغیره آماره t تک‌متغیره است. هتلینگ در دهه ۱۹۳۰ این آماره را بر اساس توزیع نرمال چندمتغیره معرفی کرد. آماره T² فاصله ماهالانوبیس بین میانگین نمونه و میانگین هدف را اندازه‌گیری می‌کند. حدود کنترل با استفاده از توزیع F به دست می‌آید. این آماره همبستگی بین متغیرها را در ماتریس کوواریانس لحاظ می‌کند و به تغییرات در ساختار همبستگی حساس است.

🔹 فرمول محاسباتی

T² = n (X̄ - μ₀)' Σ⁻¹ (X̄ - μ₀)
حدود کنترل: UCL = [p(m+1)(n-1)] / [m n - m - p + 1] · Fα, p, m n - m - p + 1
🧪 مثال صنعت رزین (Minitab)

سه ویژگی مهم: ویسکوزیته (هدف ۱۵۰۰ cP)، اسیدیته (هدف ۵ mgKOH/g)، و شفافیت (هدف ۹۵%). داده‌های ۱۰ بچ در سه ستون.

مسیر در Minitab: Stat → Control Charts → Multivariate Charts → T²

ورودی: هر سه ستون را انتخاب کنید. اگر زیرگروه ندارید، از "Single column" استفاده کنید.

خروجی: Minitab آماره T² را برای هر بچ رسم کرده و حد بالای کنترل (مثلاً UCL=۱۳.۵) را نمایش می‌دهد. بچ ۷ T²=۱۸ دارد (خارج از کنترل).

🧐 تحلیل آماری: T² بالا نشان می‌دهد که بردار میانگین متغیرها از مرکز فاصله گرفته است، حتی اگر تک‌متغیره‌ها در محدوده باشند. تحلیل Decomposition در Minitab مشخص می‌کند کدام متغیر بیشترین سهم را دارد.
🛠️ اقدام اصلاحی:
  • بررسی کیفیت مواد اولیه (مونومرها، حلال‌ها).
  • کنترل دقیق دما و فشار راکتور.
  • بررسی ماتریس همبستگی و شناسایی متغیر بحرانی.

🎯 ۴. نمودار انحراف از هدف (DNOM) برای تولیدات متنوع

AIAG Short Run Minitab

📐 مبانی نظری

در شرایطی که محصولات مختلف با اهداف متفاوت (Ti) داریم، نمی‌توان داده‌های خام را مستقیماً مقایسه کرد. روش DNOM (Deviation from Nominal) بر پایه استانداردسازی (Standardization) استوار است. با تعریف متغیر جدید Y = X - T، موقعیت هر محصول را نسبت به هدف خود می‌سنجیم. اگر فرض کنیم برای همه محصولات، پراکندگی حول هدف یکسان است (یا با استفاده از انحراف معیار تلفیقی Pooled)، آن‌گاه می‌توان یک نمودار کنترلی واحد با حدود ۳σ برای Y رسم کرد.

🔹 فرمول محاسباتی

DNOMi = Xi - Ti
حدود کنترل: 0 ± 3·σpooled
🧪 مثال صنعت چسب (Minitab)

سه نوع چسب با گرانروی هدف متفاوت: ۵۰۰, ۱۰۰۰, ۲۰۰۰ cP. داده‌ها در دو ستون: ستون اول گرانروی واقعی، ستون دوم مقدار هدف.

مسیر در Minitab: Stat → Control Charts → Variables Charts for Subgroups → DNOM

ورودی: در DNOM Chart، "Observations" را گرانروی واقعی و "Target" را ستون اهداف وارد کنید.

خروجی: یک نقطه DNOM=+۱۲۰ (هدف ۱۰۰۰، مقدار واقعی ۱۱۲۰) خارج از حدود (مثلاً ۳σ≈۹۰).

🧐 تحلیل آماری: این نقطه نشان می‌دهد برای آن محصول، گرانروی بیش از ۳σ از هدف فاصله دارد و فرآیند مختص آن محصول دچار مشکل شده است.
🛠️ اقدام اصلاحی:
  • بررسی دستورالعمل کاری مربوط به آن محصول.
  • بررسی دمای فرآیند و زمان اختلاط برای آن بچ خاص.
  • آزمایش مجدد نمونه و اطمینان از صحت اندازه‌گیری.

📊 ۵. پروفایل مانیتورینگ (Profile Monitoring) برای فرآیندهای بچ

VDA Minitab (ماکرو/PLS)

📐 مبانی نظری

در بسیاری از فرآیندهای شیمیایی (مثل پخت رزین، واکنش پلیمریزاسیون)، کیفیت نهایی به شکل منحنی دما-زمان یا فشار-زمان وابسته است. پروفایل مانیتورینگ از آنالیز رگرسیون تابعی (Functional Regression) و آماره T² چندمتغیره برای منحنی‌ها استفاده می‌کند. ابتدا یک منحنی مرجع (Reference Profile) با استفاده از داده‌های تاریخی برازش داده می‌شود. سپس برای هر منحنی جدید، بردار انحرافات محاسبه و آماره T² حاصل با حد کنترل مقایسه می‌شود.

🔹 فرمول پایه

T²profile = ∫ (Y(t)-f(t))' Σ⁻¹(t) (Y(t)-f(t)) dt
🧪 مثال صنعت فوم (Minitab با ماکرو)

منحنی استاندارد دما-زمان: t=1:25°C, t=5:80°C, t=10:120°C. یک بچ جدید: t=5:60°C (انحراف شدید).

مسیر در Minitab: ابزار دقیق نیاز به ماکرو نویسی یا استفاده از نرم‌افزار Q-DAS دارد. با ثبت نقاط کلیدی و محاسبه T² می‌توان انحراف را سنجید.

هشدار: انحراف از منحنی مرجع نشان‌دهنده کم‌فعالیتی کاتالیست یا افت دما است.

📈 راهنمای پروفایل مانیتورینگ (Profile Monitoring) در صنایع شیمیایی با نرم‌افزار Q-DAS

در فرآیندهای بچ شیمیایی (مانند پلیمریزاسیون، پخت رزین، تخمیر)، کیفیت نهایی به شدت به شکل منحنی دما-زمان، فشار-زمان یا سایر پروفایل‌های فرآیندی وابسته است. پروفایل مانیتورینگ تکنیکی پیشرفته برای کنترل آماری این منحنی‌ها است. در این بخش ضمن تشریح مبانی نظری، با یک مثال عملی در نرم‌افزار Q-DAS مراحل پیاده‌سازی را گام به گام یاد می‌گیرید.

📐 مبانی نظری پروفایل مانیتورینگ (تکمیل)

روش‌های متداول برای پروفایل مانیتورینگ عبارتند از:

  • روش‌های مبتنی بر کاهش ابعاد: مانند تحلیل مؤلفه‌های اصلی (PCA) که پروفایل را به چند مؤلفه اصلی تبدیل کرده و سپس آماره‌های T² و Q (SPE) را محاسبه می‌کنند.
  • روش‌های مبتنی بر آماره T² هتلینگ: با در نظر گرفتن هر نقطه زمانی به عنوان یک متغیر، ماتریس کوواریانس محاسبه و فاصله ماهالانوبیس هر پروفایل جدید از میانگین پروفایل‌های مرجع سنجیده می‌شود.
  • روش‌های رگرسیون تابعی: با برازش توابع صاف (مانند اسپلاین) به هر پروفایل و سپس مانیتورینگ ضرایب.

نرم‌افزار Q-DAS از روش‌های چندمتغیره پیشرفته (مانند تحلیل مؤلفه‌های اصلی تابعی) برای پروفایل مانیتورینگ استفاده می‌کند. خروجی اصلی شامل نمودار T² و نمودار Q (SPE) است.

🔹 فرمول محاسباتی (بر اساس PCA)

X = [x₁, x₂, ..., xₚ] (مقادیر پروفایل در p نقطه زمانی)
با انجام PCA روی ماتریس داده‌های مرجع: X = TP' + E
آماره T² برای نمونه جدید: T² = t_new' Λ⁻¹ t_new (t_new = نمرات مؤلفه‌های اصلی)
آماره Q (SPE): Q = e_new' e_new (e_new = باقیمانده)

🧪 مثال عملی: کنترل پروفایل دما در راکتور پلیمریزاسیون

فرض کنید در یک فرآیند تولید رزین، دمای راکتور در ۱۰ نقطه زمانی (هر ۵ دقیقه) ثبت می‌شود. پروفایل استاندارد (مرجع) از ۲۰ بچ خوب (تحت کنترل) به دست آمده است. اکنون یک بچ جدید (بچ شماره ۲۱) تولید شده و می‌خواهیم انحراف پروفایل آن را بررسی کنیم.

🔹 داده‌های ۵ بچ از مجموعه مرجع (به عنوان نمونه)

بچt=5t=10t=15t=20t=25t=30t=35t=40t=45t=50
۱۵۰۶۲۷۵۸۵۹۲۹۷۱۰۰۱۰۱۱۰۲۱۰۲
۲۴۹۶۱۷۴۸۴۹۱۹۶۹۹۱۰۰۱۰۱۱۰۱
۳۵۱۶۳۷۶۸۶۹۳۹۸۱۰۱۱۰۲۱۰۳۱۰۳
۴۵۰۶۲۷۵۸۵۹۲۹۷۱۰۰۱۰۱۱۰۲۱۰۲
۵۵۲۶۴۷۷۸۷۹۴۹۹۱۰۲۱۰۳۱۰۴۱۰۴

بچ جدید (۲۱): ۴۸, ۵۸, ۶۸, ۷۷, ۸۵, ۹۱, ۹۶, ۹۹, ۱۰۰, ۱۰۰

🖥️ پیاده‌سازی در نرم‌افزار Q-DAS

نرم‌افزار Q-DAS (ماژول CAMERA یا Profile Analysis) امکان پروفایل مانیتورینگ را به صورت یکپارچه فراهم می‌کند. مراحل زیر را دنبال کنید:

🔹 مرحله ۱: آماده‌سازی داده‌ها

داده‌ها را در یک فایل متنی یا Excel با ساختار زیر ذخیره کنید: هر ردیف = یک بچ، ستون اول شماره بچ (اختیاری)، ستون‌های بعدی مقادیر دما در زمان‌های متوالی.

🔹 مرحله ۲: وارد کردن داده به Q-DAS

File → Import → ASCII Import → انتخاب فایل

در ویزارد واردات، نوع داده را "Variables" و فرمت ستون‌ها را "Double" انتخاب کنید. زمان‌ها را به عنوان "Characteristic" تعریف کنید.

🔹 مرحله ۳: تعریف پروفایل

Analyze → Profile Analysis → Define Profile

  • متغیرهای مربوط به پروفایل (ستون‌های دما) را انتخاب کنید.
  • نوع پروفایل: "Temperature Profile"
  • واحد زمان: دقیقه
  • در قسمت "Reference", گزینه "Calculate from historical data" را انتخاب کنید و داده‌های بچ‌های ۱ تا ۲۰ را به عنوان مرجع مشخص کنید (در مثال ما فقط ۵ بچ داریم، اما در عمل ۲۰ بچ).

🔹 مرحله ۴: اجرای تحلیل

Analyze → Profile Analysis → Run Analysis

Q-DAS ابتدا یک مدل PCA بر روی داده‌های مرجع برازش می‌دهد. سپس برای هر بچ (از جمله بچ جدید) آماره‌های T² و Q محاسبه می‌شود.

🔹 مرحله ۵: تفسیر خروجی‌ها

نمودارهای کنترلی T² و Q نمایش داده می‌شوند. در مثال ما، برای بچ ۲۱:

  • نمودار T²: مقدار T² برای بچ ۲۱ برابر ۱۸.۵ محاسبه شده است، در حالی که حد کنترل بالایی (UCL) با سطح اطمینان ۹۹% برابر ۱۲.۳ است. → بچ خارج از کنترل
  • نمودار Q (SPE): مقدار Q برابر ۰.۸۵ و حد کنترل ۰.۶۵ است → خارج از کنترل.

Q-DAS همچنین نمودار "Contribution Plot" را نمایش می‌دهد که نشان می‌دهد کدام نقاط زمانی بیشترین سهم را در انحراف داشته‌اند.

🧐 تحلیل آماری: مقادیر بالای T² و Q در بچ ۲۱ نشان می‌دهد که پروفایل دمایی این بچ به طور معناداری از پروفایل‌های مرجع فاصله دارد. بررسی Contribution Plot مشخص می‌کند که در زمان‌های ۱۵، ۲۰ و ۲۵ دقیقه، دما به میزان قابل توجهی پایین‌تر از میانگین است. این تأخیر در گرمایش می‌تواند ناشی از کاهش راندمان هیتر یا اشکال در سیستم همزدن باشد که منجر به واکنش ناقص و افت کیفیت رزین می‌شود.
🛠️ اقدام اصلاحی:
  1. بررسی فوری: بچ ۲۱ را قرنطینه کرده و نمونه‌گیری برای آزمون کیفیت (ویسکوزیته، درجه واکنش) انجام شود.
  2. بررسی تجهیزات: عملکرد هیترها، سنسورهای دما و سیستم همزن در راکتور بررسی و کالیبره شوند.
  3. بررسی مواد اولیه: احتمال کاهش فعالیت کاتالیست یا تغییر در خوراک ورودی بررسی گردد.
  4. تنظیم مجدد: در صورت رفع عیب، پارامترهای کنترلی برای بچ‌های بعدی اصلاح شوند.

🎓 دوره آموزشی تخصصی SPC در صنایع شیمیایی

شامل مبانی نظری، کار عملی با Minitab و Q-DAS، مطالعات موردی در صنایع رنگ، فوم، رزین، چسب و دارو

با تدریس تیم مشاوران عصر کیفیت (بیش از ۱۵ سال تجربه صنعتی)

📞 09125076715

مشاوره و ثبت‌نام رایگان - ظرفیت محدود

تمامی حقوق برای شرکت عصر کیفیت محفوظ است.
کلمات کلیدی: دوره آموزشی کنترل آماری فرآیند در صنایع دارویی، کنترل آماری فرآیند در صنایع شیمیایی، کنترل آماری فرآیند در صنایع فوم سازی، کنترل آماری فرآیند در چسب سازی، دوره آموزشی کنترل آماری فرآیند در رنگ سازی

منابع اصلی: Montgomery, D.C. (2009). Introduction to Statistical Quality Control (ویرایش هفتم)، Box, G. & Luceno, A. (1997). Statistical Control by Monitoring and Feedback Adjustment، استانداردهای AIAG SPC ویرایش دوم، VDA Volume 4 و 5، و مستندات نرم‌افزار Q-DAS (۲۰۲۴).

© ۲۰۲۵ - کلیه حقوق مادی و معنوی این محتوا متعلق به شرکت عصر کیفیت می‌باشد.

چرا SPC سنتی (مثل نمودارهای X̅ & R) در صنایع شیمیایی جواب نمی‌دهد؟

در صنایع فلزی، قطعات پشت سر هم تولید می‌شوند و ما به راحتی می‌توانیم ۵ قطعه متوالی را به عنوان یک زیرگروه (Subgroup) انتخاب کنیم. اما در صنایع شیمیایی:

  1. فرآیندهای پیوسته یا بطه‌ای (Batch): مواد شیمیایی معمولاً در تانک‌های بزرگ و به صورت پیوسته یا بچ تولید می‌شوند. مفهوم “قطعه پنجم” معنا ندارد.

  2. خودهمبستگی (Autocorrelation): در فرآیندهای شیمیایی، مقدار فعلی (مثلاً ویسکوزیته) به شدت به مقدار لحظه قبل وابسته است. این ویژگی باعث می‌شود نمودارهای سنتی خطاهای زیادی نشان دهند.

  3. تنظیم مکرر (Frequent Adjustments): اپراتورها مدام دما یا فشار را تنظیم می‌کنند. این کار باعث می‌شود فرآیند هرگز در حالت ایستا (Stable) قرار نگیرد که شرط اصلی استفاده از نمودارهای استاندارد است .

ابزارها و نمودارهای مناسب برای صنایع شیمیایی

خوشبختانه، هم مرجع AIAG (ویرایش دوم) و هم مراجع VDA روش‌های مدرن‌تری را معرفی می‌کنند. در اینجا چند مورد کلیدی را با ذکر مثال توضیح می‌دهم:

۱. نمودارهای پروفایل (Profile Monitoring) – مناسب برای فرآیندهای بچ

در فرآیندهای بچ، شما یک منحنی رشد دارید. برای مثال، در فرآیند هیدروژناسیون روغن برای تولید مارگارین، نقطه ذوب در طول زمان افزایش می‌یابد. بجای اینکه هر بار یک نقطه را چک کنیم، کل منحنی را مانیتور می‌کنیم .

مثال عملی (صنعت فوم):
فرض کنید در تولید فوم پلی‌یورتان، دما در طول ۱۰ دقیقه واکنش باید از ۲۵ درجه به ۱۲۰ درجه برسد. شما یک منحنی استاندارد دارید.

  • ابزار پیشنهادی: نمودار T² (هتلینگ) یا آماره AUGC.

  • کاربرد: اگر در یک بچ، شیب افزایش دما کندتر از حالت استاندارد باشد، سیستم هشدار می‌دهد که شاید کاتالیست به اندازه کافی موثر نیست .

۲. ادغام SPC با EPC (کنترل مهندسی فرآیند) – مناسب برای فرآیندهای پیوسته

در فرآیندهای پیوسته مانند تولید رنگ، شما نمی‌توانید منتظر بمانید تا ۲۰ نمونه ویسکوزیته بالا بیاید تا بگویید فرآیند از کنترل خارج شده است. شما باید هم‌زمان با کنترل فرآیند (توسط سیستم‌های کنترلی)، آمار هم بگیرید .

مثال عملی (صنعت رنگ):
در راکتور پلیمریزاسیون الکید (ماده پایه رنگ)، ویسکوزیته تحت تاثیر دما و فشار است.

  • روش پیشنهادی: Run-to-Run (RTR) Control.

  • کاربرد: شما بین دو بچ، بر اساس داده‌های بچ قبلی، پارامترهای بچ بعدی (مثلاً دمای پخت) را تنظیم می‌کنید، اما هم‌زمان با نمودارهای SPC ساده (مثل Moving Range) بررسی می‌کنید که آیا این تنظیمات خود باعث ایجاد تغییر خاصی (Special Cause) نشده است.

۳. نمودارهای چندمتغیره (Multivariate Charts) – مناسب برای کیفیت نهایی

رنگ دارای چند مشخصه کلیدی است: ویسکوزیته، وزن مخصوص، و شفافیت. اینها به هم وابسته هستند. اگر فقط ویسکوزیته را چک کنید، ممکن است متوجه نشوید که فرآیند در آستانه مشکل است .

ابزار پیشنهادی: نمودار χ² یا T² چندمتغیره.

۴. نمودارهای CUSUM و EWMA – مناسب برای تشخیص تغییرات کوچک

در فرآیندهای شیمیایی، ممکن است کیفیت کاتالیست به تدریج کاهش یابد. این تغییر کوچک است، اما اگر زود تشخیص داده نشود، کل بچ خراب می‌شود .

مثال عملی (صنعت چسب):
شما در حال تولید چسب هستید و چسبندگی هر ساعت یکبار تست می‌شود.

  • نمودار EWMA: این نمودار به داده‌های قدیمی وزن کمتری می‌دهد و به داده‌های جدید وزن بیشتری می‌دهد. به این ترتیب، به محض اینکه چسبندگی شروع به کاهش جزئی کند، نمودار زنگ خطر را به صدا در می‌آورد.

۵. نمودارهای کوتاه‌مدت (Short Run SPC – CQI-26) – مناسب برای تولید متنوع

اگر شرکت شما تنوع محصول بالا و تعداد تولید کم دارد (مثلاً هر بار یک تانکر رنگ متفاوت)، نمی‌توانید برای هر محصول یک نمودار جداگانه بکشید .

ابزار پیشنهادی: نمودار Z-MR (Z-Moving Range) یا نمودار انحراف از هدف (DNOM).

  • کاربرد: شما مقدار واقعی را منهای مقدار هدف (Target) می‌کنید. به این ترتیب، تمام محصولات مختلف را روی یک نمودار می‌آورید و تغییرات فرآیند را می‌بینید.