Выборочный контроль, его виды. 
Моделирование. 
Контрольные карты

Министерство образования и науки Российской Федерации Уфимский филиал государственного образовательного учреждения высшего профессионального образования

" Оренбургский государственный университет"

Кафедра «Пищевая биотехнология и управление качеством»

Курсовая работа по Статистическим методам в управлении качеством на тему: «Выборочный контроль, его виды. Моделирование. Контрольные карты»

выборочный контроль биномиальный качество Уфа 2011

ТЕОРЕТИЧЕСКАЯ ЧАСТЬ

1. Выборочный контроль, его виды

2. Моделирование

2.1 Модель Фейгенбаума

2.2 Модель Эттингера-Ситтига

2.3 Модель Джурана

2.4 Петля качества

3. Контрольные карты ПРАКТИЧЕСКАЯ ЧАСТЬ Предприятие МУП «Уфаводоканал» центральная лаборатория ЦАККВ Литература

ТЕОРЕТИЧЕСКАЯ ЧАСТЬ

1. Выборочный контроль, его виды

Выборочный контроль — контроль, при котором решение о контролируемой совокупности или процессе принимают по результатам проверки одной или нескольких выборок. Следует отметить особенность выборочного контроля, которая заключается в колебании выборочных оценок. Это значит, что в любой выборке (одинакового размера) из одной и той же партии может иметь место разное количество дефектных изделий, а значит, по результатам контроля одной выборки можно принять партию, а по другой ту же партию — забраковать.

Выборочный контроль осуществляется по плану, в основу которого заложены не только экономические соображения, но и соответствующие статистические методы, обусловливающие объем выборки и критерии оценок. На многих российских предприятиях выборочный контроль, к сожалению, редко бывает подкреплен такого рода обоснованиями.

Для применения выборочного контроля необходимо выполнить следующие условия:

· выборочный контроль не может гарантировать, что все оставшиеся внутри партии изделия (после выборки) удовлетворяют техническим требованиям;

· выборка должна формироваться случайным образом;

· при выборочном контроле есть вероятность риска как поставщика, так и потребителя.

Как правило, планы выборочного приемочного контроля проектируют таким образом, чтобы вероятность отбраковки годной продукции была мала. Эту ситуацию называют риском поставщика — вероятность ошибки, при которой годную партию изделий могут в результате колебаний выборочной оценки признать не соответствующей техническим требованиям.

В большинстве планов выборочного контроля предусмотрено, чтобы риск поставщика (б) составлял не более 5%. На практике, как правило, принимают б = 0,05.

Важно также, чтобы план приемочного выборочного контроля учитывал бы и интересы потребителя (заказчика) таким образом, чтобы вероятность приемки продукции низкого качества была также мала.

Такая ситуация называется риском потребителя — вероятность ошибки, при которой негодную партию изделий в результате колебаний выборочной оценки ошибочно признать годной. На практике обычно принимают риск потребителя в = 0,10. Вдвое меньший риск поставщика по сравнению с риском потребителя объясняется возможными экономическими потерями при возникновении в процессе приемочного контроля таких ситуаций. При установленных величинах рисков вероятные издержки поставщика и потребителя примерно одинаковы.

Наиболее распространенными являются две вероятностные модели—биномиальная и гипергеометрическая. В биномиальной модели предполагается, что результаты контроля n единиц можно рассматривать как совокупность n независимых одинаково распределенных случайных величин Х₁, Х₂,…, Хn, где Хi = 1, если i? ое измерение показывает, что есть нарушение, т. е. превышено ПДК (предельная норма концентрации) или i? ое изделие дефектно, и Хi= 0, если это не так. Тогда число Х превышений ПДК или дефектных единиц продукции в партии равно Х= Х₁+ Х₂+…+ Х_n (1)

Из формулы (1) и Центральной Предельной Теоремы теории вероятностей вытекает, что при увеличении объема выборки n распределение Х сближается с нормальным распределением. Известно, что распределение Х имеет вид Р (Х= k) = Cn^k p^k (1—p)^n-k, (2)

где Cn^k — число сочетаний из n элементов по k, а p —уровень дефектности (в другой предметной области — доля превышений ПДК в генеральной совокупности), т. е.

p = Р (Хi= 1). Формула (2) задает так называемое биномиальное распределение.

Гипергеометрическое распределение соответствует случайному отбору единиц в выборку. Пусть среди N единиц, составляющих генеральную совокупность, имеется D дефектных. Случайность отбора означает, что каждая единица имеет одинаковые шансы попасть в выборку. Мало того, ни одна пара единиц не должна иметь при отборе в выборку преимущества перед любой другой парой. То же самое — для троек, четверок и т. д. Это условие выполнено тогда и только тогда, когда каждое из сочетаний по n единиц из N имеет одинаковые шансы быть отобранным в качестве выборки. Вероятность того, что будет отобрано заранее заданное сочетание, равна, очевидно, 1/.

Отбор случайной выборки согласно описанным правилам организуют при проведении различных лотерей. Пусть Y —число дефектных единиц в случайной выборке, организованной таким образом. Известно, что тогда P (Y = k) — гипергеометрическое распределение, т. е.

(3)

Замечательный математический результат состоит в том, что биномиальная и гипергеометрическая модели весьма близки, когда объем генеральной совокупности (партии) по крайней мере в 10 раз превышает объем выборки. Другими словами, можно принять, что Р (Х = k) = P (Y = k), (4)

если объем выборки мал по сравнению с объемом партии. При этом в качестве p в формуле (4) берут D/N. Близость результатов, получаемых с помощью биномиальной и гипергеометрической моделей, весьма важна с философской точки зрения. Дело в том, что эти модели исходят из принципиально различных философских предпосылок. В биномиальной модели случайность присуща каждой единице — она с какой-то вероятностью дефектна, а с какой-то — годна. В то же время в гипергеометрической модели качество определенной единицы детерминировано, задано, а случайность проявляется лишь в отборе, вносится экологом или экономистом при составлении выборки.

В науках о человеке противоречие между аналогичными моделями выборки еще более выражено. Биномиальная модель предполагает, что поведение человека, в частности, выбор им определенного варианта при ответе на вопрос, определяется с участием случайных причин. Например, человек может случайно сказать «да», случайно — «нет». Некоторые философы отрицают присущую человеку случайность. Они верят в причинность и считают поведение конкретного человека практически полностью детерминированным. Поэтому они принимают гипергеометрическую модель и считают, что случайность отличия ответов в выборке от ответов во всей генеральной совокупности определяется всецело случайностью, вносимой при отборе единиц наблюдения в выборку.

Соотношение (4) показывают, что во многих случаях нет необходимости принимать чью-либо сторону в этом споре, поскольку обе модели дают близкие численные результаты. Отличия проявляются при обсуждении вопроса о том, какую выборку считать представительной. Является ли таковой выборка, составленная из 20 изделий, лежащих сверху в первом вскрытом ящике? В биномиальной модели — да, в гипергеометрической — нет.

Биномиальная модель легче для теоретического изучения, поэтому будем её рассматривать в дальнейшем. Однако при реальном контроле лучше формировать выборку, исходя из гипергеометрической модели. Это делают, выбирая номера изделий (для включения в выборку) с помощью датчиков псевдослучайных чисел на ЭВМ или с помощью таблиц псевдослучайных чисел. Алгоритмы формирования выборки встраивают в современные программные продукты по статистическому контролю.

2. Моделирование Понятие «модель» означает аналог (схема, структура, знаковая система) определенного фрагмента природной или социальной реальности, порождения человеческой культуры, который является оригиналом. Этот аналог служит для хранения и расширения знания (информации) об оригинале, конструирования оригинала, его преобразования или управления им. Модель — это упрощенное отражение сложных реалий, создаваемых для каждой конкретной цели. Она выполняет познавательную роль, выступая средством объяснения через моделирование образа абстрактного или реального объекта.

Моделирование — метод исследования объектов познания на их моделях, построение и изучение моделей объектов для определения или улучшения их характеристик, рационализация способов их построения, управления ими. Возможности моделирования, т. е. переноса в ходе построения и исследования модели на оригинал, основаны на том, что модель в определенном смысле отображает какие—либо его черты, выступая при этом как некоторый абстрактный, идеализированный объект. Формы моделирования разнообразны и зависят от используемых моделей и сферы применения. Классификация видов моделирования затруднена ввиду многозначности понятия «модель» в науке, технике, экономике и других сферах.

Моделирование в управлении качеством имеет свои особенности. Это объясняется спецификой моделей в данной сфере деятельности, которые можно рассматривать как организационные модели специального назначения, используемые для достижения целей организации и ее непрерывного совершенствования. Это рабочие гипотезы, которые следует использовать до тех пор, пока они помогают описанию сложной реальности, являются пригодными для практики. Они должны учить видеть все в более широком плане и помогать выбирать направление развития. После этого должны использоваться все подходы, методы и средства для достижения поставленных целей.

Рабочая гипотеза представляет собой вероятностное предположение относительно сущности и путей решения чего-либо (например, задачи).

Существуют модели, нацеленные на определение уровня качества организации, которые следует считать стандартными (международные стандарты ИСО серии 9000), а также модели управления на основе качества делового совершенства (в том числе модели премий по качеству).

Среди моделей управления на основе качества свое место занимают общие модели, в которых отразились концепции, созданные признанными авторитетами в управлении качеством. Эти модели характеризуют определенные этапы развития системного подхода к управлению качеством. Рассмотрим некоторые известные общие модели, каждая из которых имеет свои особенности.

Модель Фейгенбаума (рис. 3.1) изображается в виде треугольника, который состоит из пяти частей, содержащих 17 участков (функций). В основе этой модели лежит комплексный (тотальный) контроль качества. Наряду с положительными моментами реализация этой концепции привела к резкому росту затрат на осуществление контроля качества.

На рис. 3.1 цифрами обозначены следующие функции.

Рис. 3.1. Модель качества Фейгенбаума

1-й уровень — подготовка к проектированию:

* выбор методов контроля качества;

* оценка качества продукции различных поставщиков;

* разработка планов приема материалов и оборудования;

* контроль измерительных приборов;

* планирование системы обеспечения качества.

2- й уровень — проектирование системы обеспечения качества:

* испытание прототипов изделий, определение уровня их надежности;

* оценка эффективности различных методов контроля;

* анализ стоимости затрат на обеспечение качества.

3- й уровень — этап активизации системы:

* разработка технологии контроля качества;

* обратная связь и контроль качества;

* разработка системы информации о качестве продукции.

4- й уровень — этап реализации системы по стадиям:

* контроль новых проектов;

* входной контроль материалов и комплектующих изделий;

* контроль качества производственных процессов;

* анализ и улучшение производственных процессов.

5- й уровень — конечный:

* комплексный контроль качества.

Модель Эттингера-Ситтига представляет собой модель концепции, учитывающей необходимость управлять функциональным качеством (каждый сектор непрерывного круга отображает определенный состав функций) и влияние спроса на качество продукции (рис. 3.2). Этот спрос фиксировался самим производителем, что далеко не всегда правильно.

Рис. 3.2 Модель Эттингера—Ситтига Модель Джурана (рис. 3.3) представляет собой спираль, отображающую непрерывное формирование и улучшение качества. Каждый виток восходящей спирали обозначает процесс повышения качества. Идеи, заложенные в модель Джурана, нашли отражение в международных стандартах ИСО серии 9000.

Условные обозначения к модели качества Джурана:

1 — изучение рынка и исследование эксплуатационных показателей качества продукции;

2 — составление проектных заданий на изготовление продукции улучшенного качества;

3 — проектно—конструкторские работы;

4 — составление технических условий для процесса производства изделий;

5 — разработка технологии и подготовка производства;

6-приобретение материалов, комплектующих изделий и деталей, технологического оборудования и инструмента;

7-изготовление инструмента, приспособлений и контрольно—измерительных приборов;

8 — процесс изготовления продукции;

9 — технический контроль процесса производства;

10 — технический контроль готовой продукции;

11 — испытание продукции;

12 — сбыт;

13 — техническое обслуживание в период эксплуатации;

14 — изучение рынка и исследование эксплуатационных показателей качества. С — связь с поставщиками; Р — реклама и продажа;

H — наладка, техобслуживание при ремонте и пуске в эксплуатацию;

Рис. 3.3 Модель качества («Спираль качества»)

" Петля качества" (рис. 3.4) — фактически доработанная модель Джурана с учетом требований защиты окружающей среды. Но это уже не спираль, а замкнутый круг качества, включающий 11 этапов жизненного цикла продукции. «Петля качества» не отражает процесс повышения качества.

Жизненный цикл продукции в «Петле качества» включает в себя:

1 — маркетинг и изучение рынка;

2 — проектирование;

3 — поставки;

4 — планирование производства;

5 — производство;

6 — контроль и проверку;

7 — упаковку и складирование;

8 — распределение и сбыт;

9 — монтаж и эксплуатацию;

10 — текущий сервис и текущий ремонт;

11- утилизацию после использования по прямому назначению.

Рис. 3.4 «Петля качества»

Роль, место, взаимосвязь и взаимозависимость факторов обеспечения и управления качеством наглядно представлены в виде общей модели качества.

Рис. 3.5. Общая модель качества Основой обеспечения и повышения качества в организации являются материально-техническая база и квалифицированный персонал, соответствующим образом мотивированный на достижение требуемого качества. Они составляют базу качества, влияние которой характеризуется величиной вектора качества.

Если состояние и возможности материально-технической базы не соответствуют требованиям, необходимым для выпуска высококачественной продукции, или квалификация работников недостаточна, или не обеспечена их заинтересованность в качественном труде, то вектор качества будет приближаться к нулю. Тогда работа по управлению качеством будет проходить впустую, без повышения качества и может быть изображена в виде плоской петли (рис. 3.5, б).

Если состояние и возможности материально—технической базы, квалификация работников позволяют осуществлять выпуск высококачественной продукции, а сотрудники заинтересованы в высококачественном труде, то плоская петля при четком управлении качеством превращается в восходящую спираль и качество продукции повышается до требуемого уровня после каждого цикла управления (рис. 3.5, а).

Как дальше будет эволюционировать моделирование в области управления качеством, зависит от широты взглядов специалистов и организаторов данной сферы. Прогресс в управлении качеством требует преодоления искусственного противостояния моделей стандартов и моделей на основе качества. Несмотря на накопившийся опыт применения различных моделей в управлении качеством, не разработаны строгие правила перехода от сложной системы управления к модели.

В практической деятельности существует риск использования неверной модели управления качеством из-за модных увлечений, выбора неверной модели с точки зрения конкретной ситуации и потребностей организации. Не добившись требуемого результата, в организации могут разувериться в моделировании. Необходимо понимать, что в принципе лучшей модели не существует. Есть модели, пригодные для конкретных целей. Их не нужно воспринимать как догмы: завтра их можно будет заменить другими. Каждая организация должна сама определять, что для нее является главным при составлении модели — наглядной и отображающей характер деятельности организации.

3. Контрольные карты Одним из основных инструментов в обширном арсенале статистических методов контроля качества являются контрольные карты. Принято считать, что идея контрольной карты принадлежит известному американскому статистику Уолтеру Л. Шухарту. Она была высказана в 1924 г. и обстоятельно описана в 1931 г. Первоначально они использовались для регистрации результатов измерений требуемых свойств продукции. Выход параметра за границы поля допуска свидетельствовал о необходимости остановки производства и проведении корректировки процесса в соответствии со знаниями специалиста, управляющего производством.

Это давало информацию о том, когда кто, на каком оборудовании получал брак в прошлом.

Однако, в этом случае решение о корректировке принималось тогда, когда брак уже был получен. Поэтому важно было найти процедуру, которая бы накапливала информацию не только для ретроспективного исследования, но и для использования при принятии решений. Это предложение опубликовал американский статистик И. Пейдж в 1954 г. Карты, которые используются при принятии решений называются кумулятивными.

Контрольная карта (рис. 2) состоит из центральной линии, двух контрольных пределов (над и под центральной линией) и значений характеристики (показателя качества), нанесенных на карту для представления состояния процесса.

В определенные периоды времени отбирают (все подряд; выборочно; периодически из непрерывного потока и т. д.) n изготовленных изделий и измеряют контролируемый параметр.

Результаты измерений наносят на контрольную карту, и в зависимости от этого значения принимают решение о корректировке процесса или о продолжении процесса без корректировок.

Сигналом о возможной разналадке технологического процесса могут служить:

· выход точки за контрольные пределы (точка 6); (процесс вышел из-под контроля);

· расположение группы последовательных точек около одной контрольной границы, но не выход за нее (11, 12, 13, 14), что свидетельствует о нарушении уровня настройки оборудования;

· сильное рассеяние точек (15, 16, 17, 18, 19, 20) на контрольной карте относительно средней линии, что свидетельствует о снижении точности технологического процесса.

рис. 2. Контрольная карта При наличии сигнала о нарушении производственного процесса должна быть выявлена и устранена причина нарушения.

Таким образом, контрольные карты используются для выявления определенной причины, но не случайной.

Под определенной причиной следует понимать существование факторов, которые допускают изучение. Разумеется, что таких факторов следует избегать.

Вариация же, обусловленная случайными причинами необходима, она неизбежно встречается в любом процессе, даже если технологическая операция проводится с использованием стандартных методов и сырья. Исключение случайных причин вариации невозможно технически или экономически нецелесообразно.

Часто при определении факторов, влияющих на какой-либо результативный показатель, характеризующий качество используют схемы Исикава.

Они были предложены профессором Токийского университета Каору Исикава в 1953 г. при анализе различных мнений инженеров. Иначе схему Исикава называют диаграммой причин и результатов, диаграммой «рыбий скелет», деревом и т. д.

Она состоит из показателя качества, характеризующего результат и факторных показателей (рис. 3.).

рис. 3 Структура диаграммы причин и результатов Построение диаграмм включает следующие этапы:

· выбор результативного показателя, характеризующего качество изделия (процесса и т. д.);

· выбор главных причин, влияющих на показатель качества. Их необходимо поместить в прямоугольники («большие кости»);

· выбор вторичных причин («средние кости»), влияющих на главные;

· выбор (описание) причин третичного порядка («мелкие кости»), которые влияют на вторичные;

· ранжирование факторов по их значимости и выделение наиболее важных.

Диаграммы причин и результатов имеют универсальное применение. Так, они широко применяются при выделении наиболее значимых факторов, влияющих, например, на производительность труда.

Отмечается, что число существенных дефектов незначительно и вызываются они, как правило, небольшим количеством причин. Таким образом, выяснив причины появления немногочисленных существенно важных дефектов, можно устранить почти все потери.

Эта проблема может решаться с помощью диаграмм Парето.

Различают два вида диаграмм Парето:

1. По результатам деятельности. Они служат для выявления главной проблемы и отражают нежелательные результаты деятельности (дефекты, отказы и т. д.);

2. По причинам (факторам). Они отражают причины проблем, которые возникают в ходе производства.

Рекомендуется строить много диаграмм Парето, используя различные способы классификации как результатов, так и причин приводящим к этим результатам. Лучшей следует считать такую диаграмму, которая выявляет немногочисленные, существенно важные факторы, что и является целью анализа Парето.

Построение диаграмм Парето включает следующие этапы:

1. Выбор вида диаграммы (по результатам деятельности или по причинам (факторам).

2. Классификация результатов (причин). Разумеется, что любая классификация имеет элемент условности, однако, большинство наблюдаемых единиц какой-либо совокупности не должны попадать и строку «прочие» .

3. Определение метода и периода сбора данных.

4. Разработка контрольного листка для регистрации данных с перечислением видов собираемой информации. В нем необходимо предусмотреть свободное место для графической регистрации данных.

5. Ранжирование данных, полученных по каждому проверяемому признаку в порядке значимости. Группу «прочие» следует приводить в последней строке вне зависимости от того, насколько большим получилось число.

6. Построение столбиковой диаграммы (рис. 4).

рис 4. Связь между видами дефектов и числом дефектных изделий Значительный интерес представляет построение диаграмм ПАРЕТО в сочетании с диаграммой причин и следствий.

Выявление главных факторов, влияющих на качество продукции позволяет увязать показатели производственного качества с каким-либо показателем, характеризующим потребительское качество.

Для такой увязки возможно применение регрессионного анализа.

Например, в результате специально организованных наблюдений за результатами носки обуви и последующей статистической обработки полученных данных, было установлено, что срок службы обуви (у), зависит от двух переменных: плотности материала подошвы в г/см3 (х1) и предела прочности сцепления подошвы с верхом обуви в кг/см2 (х2). Вариация этих факторов на 84,6% объясняет вариацию результативного признака (множественный коэффициент коррекции R = 0,92), а уравнение регрессии имеет вид:

у = 6,0 + 4,0 * х1 + 12 * х2

Таким образом, уже в процессе производства зная характеристики факторов х1 и х2 можно прогнозировать срок службы обуви. Улучшая вышеназванные параметры, можно увеличить срок носки обуви. Исходя из необходимого срока службы обуви, можно выбирать технологически допустимые и экономически оптимальные уровни признаков производственного качества.

Наибольшее практическое распространение имеет характеристика качества изучаемого процесса путем оценки качества результата этого процесса. В этом случае речь о контроле качества изделий, деталей, получаемых на той или иной операции. Наибольшее распространение имеют несплошные методы контроля, а наиболее эффективны те из них, которые базируются на теории выборочного метода наблюдения.

Обычно при статистическом контроле качества допустимый уровень качества, который определяется количеством изделий, прошедших контроль и имевших качество ниже минимально приемлемого, колеблется от 0,5% до 1% изделий. Однако, для компаний, которые стремятся выпускать продукцию только высшего качества этот уровень может быть недостаточным. Например, «Toyota» стремится свести уровень брака к нулю, имея в виду, что хотя и выпускаются миллионы автомобилей, но каждый покупатель приобретает лишь один из них. Поэтому наряду со статистическими методами контроля качества на фирме разработаны простые средства контроля качества всех изготавливаемых деталей (TQM). Статистический контроль качества в первую очередь применяется в отделениях фирмы, где продукция изготавливается партиями. Например, в лоток высокоскоростного автоматического процесса после обработки поступает 50 или 100 деталей, из которых контроль проходят только первая и последняя. Если обе детали не имеют дефектов, то все детали считаются хорошими. Однако, если последняя деталь окажется бракованной, то будет найдена и первая дефектная деталь в партии, а весь брак будет изъят. Для того, чтобы ни одна партия не избежала контроля, пресс автоматически отключается после обработки очередной партии заготовок. Применение выборочного статистического контроля имеет эффект всеобъемлющего тогда, когда каждая производственная операция выполняется стабильно благодаря тщательной отладке оборудования, использованию качественного сырья и т. д.

ПРАКТИЧЕСКАЯ ЧАСТЬ

ПРЕДПРИЯТИЕ МУП «УФАВОДОКАНАЛ» ЦЕНТРАЛЬНАЯ ЛАБОРАТОРИЯ ЦАККВ

МУП «Уфаводоканал» — огромное современное высокотехнологичное предприятие, снабжающее водой миллионный промышленный мегаполис, протяженность сетей водоснабжения которого составляет 1 470 км с возможностью подачи до 600 тыс. м3 воды в сутки — прямой наследник водопровода длиной всего 5 верст и суточной мощностью 110 тысяч ведер (1 300 м3).

Центр Аналитического контроля качества воды (ЦАККВ) предприятия «Уфаводоканал» осуществляет контроль качества питьевой воды (ГОСТ Р 51 232−98 «Вода питьевая»), воды водоисточников, сточных и очищенных сточных вод.

В состав ЦАККВ входят Центральная лаборатория и 6 химико-бактериологических лабораторий цехов водоподготовки и водоотведения.

Лаборатории цехов осуществляют круглосуточный технологический контроль подготовки воды и очистки стоков. Во всех объектовых лабораториях проведена оценка состояния измерений согласно МИ 2427−97.

Согласно плану лабораторно-производственного контроля исследуется вода водоисточников в местах водозаборов, питьевая вода перед поступлением в водопроводную сеть, питьевая вода в распределительной сети, поступающая к потребителям, вода по технологическим ступеням очистки. Объектовые лаборатории осуществляют круглосуточный технологический контроль подготовки воды и очистки стоков. Годовой объем производимых ЦАККВ анализов превышает 580 тысяч. Питьевая вода, выходящая с сооружений водоподготовки, и вода источников водоснабжения контролируется в 340 точках. Вода наружной разводящей сети контролируется в 600 точках.

Центральная лаборатория ЦАККВ оснащена современным оборудованием, позволяющим определять не только перечень показателей обязательной программы СанПиНа 2.1.4.1074−01, но и постоянно расширять его. Вода Уфимского водопровода контролируется по 105 обязательным показателям. Кроме того, в режиме мониторинга возможно контролировать до 300 органических веществ, благодаря чему есть информация о приоритетных загрязнителях региона и имеется возможность отслеживать качественный состав воды водоисточника.

Перечень регламентируемых показателей контроля качества воды включает:

* обобщенные — 15 показателей

* неорганические вещества — 45 показателя

* органолептические — 5 показателя

* радиологические — 2 показателя

* органические вещества — 26 соединений

* микробиологические — 11 показателей

* паразитологические — 1 показатель

В рамках расширенных исследований качества воды, определяются:

* E. Coli

* Антигены вируса гепатита А, ротавирусов и энтеровирусов

* видовой состав водорослей, численность, биомасса водорослей, индекс сапробности

* общий органический фон

* галогенуксусные кислоты

* 15 полиароматических углеводородов

* 18 производных фенола

* 9 хлорированных бифенилов

* 8 алкилпроизводных бензола

* 5 хлорорганических пестицидов

* 11 галогенорганических соединений

Сточные воды контролируются по 35 показателям

В составе Центральной лаборатории 7 специализированных отделов

Отдел общехимических измерений выполняет определение органолептических и обобщенных показателей качества воды, ряда неорганических веществ

Отдел физико-химических измерений определяет содержание в воде металлов, некоторых элементов и выполняет радиологический контроль

Отдел хроматографического анализа выполняет определение содержания в воде органических примесей

Отдел мониторинга органических загрязнителей воды проводит исследования содержания органических микропримесей и компонентного состава воды

Отдел микробиологических исследований выполняет определение содержания в воде микробиологических, паразитарных, вирусологических и гидробиологических показателей

Отдел контроля промстоков выполняет определение общехимических показателей стоков и неорганических веществ, сбрасываемых в городскую канализацию промышленными предприятиями

Отдел контроля качества количественного химического анализа проводит

* аттестацию методик выполнения измерений

* готовит лаборатории Центра к аккредитации и аттестации

* актуализацию нормативных документов

* оперативный контроль качества анализов питьевой и сточной воды в ЦАККВ

* статистическую отчетность

Уровень квалификации персонала и оснащение оборудованием отечественных и зарубежных фирм дает право ЦАККВ МУП «Уфаводоканал» числиться в тройке лидеров среди водоканалов России.

Центральная лаборатория аккредитована:

— в Системе аккредитации аналитических лабораторий (СААЛ) на техническую компетентность и независимость КХА;

— в системе аккредитации лабораторий радиационного контроля (САРК);

— на право аттестации методик выполнения измерений и проведения метрологической экспертизы документов.

В ЦАККВ внедрена система менеджмента качества согласно ГОСТ ИСО 17 025−2006. Сотрудники ЦАККВ принимают участие в работе технического комитета по стандартизации ТК 343 «Качество воды» ВНИИ Стандарт (г.Москва), участвуют в Российской программе разработки методик, которые становятся государственными программами и используются в практике аналитического контроля многих водоканалов России.

Предприятие «Уфаводоканал» является головным разработчиком двух стандартов ГОСТ Р и одного ГОСТ Р проекта в области питьевого водоснабжения. ЦАККВ принял участие в разработке и внедрении двух методических рекомендаций по микробиологическим исследованиям воды с использованием импортных сред совместно с Федеральным Центром Госсанэпиднадзора.

Центр участвует в исследовательской работе: выполняет аналитическое сопровождение мероприятий по совершенствованию водоподготовки и очистки стоков, ведет углубленные исследования состава и качества воды, выявляет источники и факторы, определяющие содержание в воде глобально распространенных и стойких органических загрязнителей.

Основным для ВЛК (внутрилабораторный контроль) является контроль стабильности результатов анализа с применением контрольных карт (КК). Другие виды контроля, в том числе и рассматриваемые здесь периодическая проверка подконтрольности и выборочный статистический контроль, являются вспомогательными и должны применяться в особых ситуациях. В частности, основанием для применения ППП (периодическая проверка подконтрольности), в лаборатории может являться:

ь многообразие анализируемых объектов и определяемых компонентов;

ь частая сменяемость этих объектов и компонентов;

ь эпизодичность контроля объектов;

ь отсутствие стабильных во времени и по составу проб.

В этих условиях контрольные карты могут не дать желаемого результата, поскольку такой результат достигается здесь при длительном непрерывном наблюдении процесса, обладающего постоянными (что, собственно, и контролируется) с точки зрения статистики параметрами. В то же время оперативный контроль, основанный на однократной процедуре (если не считать повторных измерений), не может считаться слишком надёжным. Именно по этой причине предлагаются алгоритмы периодической проверки подконтрольности, в которых качества результатов анализа проверяется на основе фиксированного, но не очень большого числа контрольных измерений.

Как для ППП, так и для ВСК (выборочный статистический контроль) пробы должны выдаваться испытателю в шифрованном виде, как это имеет место в случае ВЛК с применением КК. Но в отличие от последнего, в рассматриваемых видах контроля измерения должны выполняться, с проведением оперативного контроля повторяемости. В большинстве случаев это приведёт к различию процедур контрольных и рутинных измерений, в результате чего неизбежно будет нивелировано шифрование. Видимо, следует прибегать к компромиссам, например следующему. Поскольку в нормативной документации (НД) на большинство аналитических измерений регламентирована проверка сходимости, которая хоть и отличается от оперативного контроля повторяемости, но, тем не менее, может рассматриваться как некоторая его замена. То есть и в ППП, и ВСК можно, в принципе, отказаться от контроля повторяемости. По мнение автора, это вполне обосновано и позволяет «исправить» ситуацию с шифрованием.

Алгоритмы процедур ВСК Метод выборочного статистического контроля — наиболее специфический вид внутрилабораторного контроля. Он основан не на сравнении результата отдельной контрольной процедуры (например, отклонения измеренного значения от аттестованного) или интегрального результата для группы таких процедур (например, рассчитанного показателя погрешности) с соответствующим контрольным пределом и выявлении случаев превышения этого предела, а на сравнении общего количества таких превышений со специальными контрольными (приёмочными и браковочными) числами. Это называется контролем по альтернативному признаку.

Если сравнить выборочный статистический контроль и контрольные карты, то образно ситуацию можно описать так. Признаком нарушения стабильности является частое появление подозрительных, с точки зрения статистики, ситуаций. И если в КК частота их возникновения проверяется с помощью решающих правил: «выход за предел действия», «две из трёх точек вне предела предупреждения» и т. д., — то в ВСК есть одно «глобальное» решающее правило, вычисляемое по всем контрольным измерениям, а точнее, по количеству их выходов за контрольные пределы.

Как и для контрольных пределов, для контрольных чисел статистика даёт вполне конкретные значения в зависимости от количества контрольных измерений, используемого контрольного предела и так называемого «приемлемого уровня качества — AQL (acceptable quality level (приемлемый уровень качества))». Этот параметр показывает, как много может быть несоответствий в предъявленной к анализу группе, чтобы применённая схема выборки «принимала» эту группу в «большинстве случаев». Уровень качества определяется схемой выборки. Для выборочного статистического контроля регламентировано две схемы выборки: обеспечивающая AQL 10% - для очень ответственных измерений, например экологических, — и 6,5% - для остальных измерений, в частности для промышленных. Заметим, что выбранный уровень качества задаёт не только контрольные числа, но и объём выборки. В нашем случае — это количество контрольных процедур, которые требуется распределить среди рутинных измерений, чтобы обеспечить нужную достоверность результатов ВСК.

Для получения результата контрольной процедуры в ВСК может использоваться контроль внутрилабораторной прецизионности, а также все методы контроля погрешности, применимые в случае контрольных карт, а именно: с образцами для контроля, с применением добавок, разбавления (по отдельности или вместе) и с другой (контрольной) МВИ. Кроме того, при получении результата каждого измерения требуется оперативный контроль повторяемости, как это описывалось для ППП и с теми же оговорками.

Традиционно для анализа результатов внутрилабораторного обеспечения качества испытаний используют статистические методы на основе контрольных карт Шухарта, которые дают возможность не только контролировать результаты, но и выявлять тенденции (тренды) данных результатов испытания. Эффективное внедрение контрольных карт Шухарта в лабораториях возможно только при наличии современного программного обеспечения, которое не только строит контрольную карту, но и автоматически (без участия оператора) анализирует ее, выявляет тенденции, отклонения результатов, и т. д. То есть, автоматически после введения очередного результата испытаний программа выдает оператору полную информацию про состояние результатов испытаний и тенденций.

Контрольные карты Шухарта (ГОСТ Р 50 779.40 — 96) предназначены для статистического анализа и управления качеством процесса. Контрольные карты используют для оценки того, находится или не находится исследуемый процесс в статистически управляемом состоянии. На одной карте может быть отображен только один показатель, изменяющийся во времени. Для одновременного анализа нескольких показателей их необходимо привести к одному параметру.

Для достаточно надежного статистического анализа, количество точек должно быть достаточно большим, от 30 и выше. Однако на практике для ориентировки используют и меньшие выборки, но не менее 12−15 значений.

Чем статистически стабильнее процесс, тем выше его качество и тем меньше различного рода издержек на исправление ошибок, брака, аварий, потерь времени и т. д. Например, сильные колебания давления воды в трубопроводе могут привести к его разрушению.

КК составляются с помощью программы «Контрольные карты» следующим образом. Берется некоторая временная выборка значений контролируемого процесса (это может быть и количество бракованных деталей в партии, и дебеторская задолженность, и т. д.). В таблицу заносятся по оси X — время (часы, дни, или месяцы) или последовательный порядок измерения данного параметра (формат произвольный), а по оси Y — откладываются значения контролируемого процесса (формат числовой). Нельзя вводить для неизвестных точек ноль! Если значение на данный момент не известно, то такие точки не вводятся вообще.

Программа автоматически строит на графике среднее значение и две контрольных границы: верхняя контрольная граница (ВКГ), равная среднему значению, плюс 3 среднеквадратичных отклонения (+ 3 Sigma), и нижняя контрольная граница (НКГ), равная среднему значению, минус 3 среднеквадратичных отклонения (- 3 Sigma). В том случае, если значения графика не выходят за рамки этих контрольных границ, то с вероятностью 99,73% можно считать контролируемый процесс статистически стабильным и управляемым.

Для более жесткого контроля иногда используют контрольные границы в 2 среднеквадратичных отклонения, вверх и вниз от среднего значения по всей выборке. Эти контрольные границы называют предупреждающими. Если график укладывается и в эти границы, то с вероятностью 95,46% можно говорить о еще более статистически стабильном и более управляемом процессе, иначе — о его более высоком качестве.

Необходимый коэффициент среднеквадратичных отклонений в программе можно задать, всё зависит от решаемых задач, по умолчанию предлагается равным 3.

Все отклонения показателя качества разделены на 2 класса: случайные и неслучайные. Случайные отклонения, являясь итогом действия большого числа несущественных дестабилизирующих причин, имеют место при нормальном ходе технологического процесса, как, например, колебания любых параметров механической обработки заготовки (размеров, твердости и т. д.). Такие причины называют обычными. На КК показатели такого статистически устойчивого процесса не выходят за рамки контрольных границ. Неслучайные отклонения являются итогом действия значительных дестабилизирующих причин, называемых особыми причинами. Действие особых причин отразится на графике выходом за контрольные границы. При этом теряется качество, и процесс характеризуется как нестабильный и неуправляемый. Особыми причинами могут быть наше собственное вмешательство в процесс, например, перенастройка станка. Причины могут быть и неизвестны заранее. Тогда они становятся объектом специального наблюдения. В период такого наблюдения никакие вмешательства в процесс со стороны его контролеров не допустимы.

Качество процесса можно дополнительно оценить (визуально) по форме кривой нормального распределения значений, в частности, по ее симметричности относительно среднего значения.

Описанный вариант анализа статистических данных — стандартный, предложенный Шухартом. При этом среднее значение вычисляется как «кривая» 0-порядка, т. е. прямая параллельная оси Х. Функция имеет вид:

Y = C, где С = (Х1 + Х2 + … + Хn) / n.

Среднеквадратичное отклонение от среднего вычисляется по формуле

Sigma = V (Х12 + Х22 + … + Хn2) / (n-1)

Можно использовать карту, как приемочную (ГОСТ Р 50 779.40 — 96). Для этого необходимо на графике указать верхний и нижний допуски для исследуемого процесса. Допуски являются либо технологическими границами (если они известны), выход за которые нежелателен (технологически, экономически, экологически и т. п.) или даже опасен (например, допустимые нормы концентрации вредных веществ), либо границами плана (например, освоенных денег на капитальный ремонт), выход за которые чреват рядом экономически нежелательных последствий.

Программа «Контрольные карты» позволяет интерпретировать введенные данные, как контрольную карту трендов (тренд — тенденция изменения процесса с течением времени). Такая карта предназначена для оценки уровня процесса по отклонениям от ожидаемого тренда, что позволяет иначе взглянуть на контролируемый процесс и выявить скрытые закономерности. В программе реализовано два вида трендов для среднего и один для контрольных границ.

Среднее значение, как линейный тренд Среднее значение рассматривается, как «кривая» 1-порядка, т. е. прямая, имеющая наклон относительно оси Х. Функция имеет вид:

Y = A * X + C

На рисунке приведен пример такого графика. Этот график позволяет легко оценить тенденцию процесса.

Важным моментом является то, что в этом случае контрольные границы строятся относительно меняющегося среднего, поэтому они проходят параллельно средней линии.

Среднее значение, как периодический тренд Среднее значение рассматривается, как «кривая» 1-порядка, т. е. прямая, имеющая наклон относительно оси Х плюс гармонические составляющие (ряд Фурье). Функция имеет вид:

Y = A * X + C +

A1 * Sin (w * X) + B1 * Cos (w * X) +

A2 * Sin (2 * w * X) + B2 * Cos (2 * w * X) + … +

An * Sin (n * w * X) + Bn * Cos (n * w * X)

На рисунке приведен пример такого графика. Этот график позволяет легко оценить периодичность процесса.

В этом случае программа также строит контрольные границы относительно меняющегося среднего.

Контрольные границы, как линейный тренд Каждая контрольная граница рассматривается, как «кривая» 1-порядка, т. е. прямая, имеющая наклон относительно оси Х. Функция имеет вид:

Y = A * X + C

На рисунке приведен пример такого графика. Этот график позволяет легко оценить тенденцию изменения качества процесса.

На таком графике отчетливо видно, что качество процесса ухудшается, т.к. контрольные границы расходятся.

Отображение относительно средней линии в процентах Позволяет исключить колебания средней линии (т.е. как бы «вытянуть» среднюю в горизонтальную прямую) и рассматривать относительные изменения для оценки качества. В этом случае, график будет выглядеть как стандартная контрольная карта, но отклонения указываются в процентах относительно среднего значения, а среднее значение принимается за ноль.

1. Игнатьева А. В., Максимцов М. М. Исследование систем управления, Москва, 2000

2. Ноулер Л. и др. Статистические методы контроля качества продукции. Пер. с англ. — 2-е русск. Изд. М.: Издательство стандартов, 1989

3. Окрепилов В. В. Швец В.Е. Рубцов Ю. Н. Служба управления качеством продукции. Л.: Лениздат, 1990

4. Советов Б. Я. Яковлев С. А. Моделирование систем. — М.: Высшая школа, 1985.

5. Советов Б. Я., Яковлев С. А. Моделирование систем (2-е изд.). — М.: Высшая школа, 1998.

6. http://www.statsoft.ru/