Mục tiêu của việc ứng dụng AI vào đánh giá hiệu quả hành động khắc phục trong sản xuất là xác nhận biện pháp đã được thực hiện, tỷ lệ lỗi giảm trong điều kiện có thể so sánh và kết quả duy trì đủ lâu để đóng hồ sơ. AI có thể nối nhật ký hành động với sản phẩm, lô, máy và dữ liệu kiểm tra; chỉ ra thay đổi điều kiện; cảnh báo khi lỗi tái diễn. AI không có thẩm quyền phê duyệt kết luận nhân quả hoặc tự đóng hồ sơ CAPA. Bài viết này trình bày quy trình từ xác minh nguyên nhân, thực hiện biện pháp, đo hiệu quả đến RFP, FAT và SAT cho nhà máy tại Thái Lan và khu vực.
Đánh giá hiệu quả là bước sau phát hiện lỗi, điều tra nguyên nhân và lập báo cáo
AI kiểm tra ngoại quan có thể đánh dấu vết xước. Hệ thống phát hiện bất thường có thể báo tín hiệu máy khác bình thường. Cả hai chưa chứng minh vết xước do vật liệu, đồ gá, vận chuyển hay phương pháp kiểm tra. Phân tích nguyên nhân gốc (RCA) cần xem bằng chứng về vật liệu, máy móc, phương pháp, đo lường, con người và môi trường. Sau khi nhóm kỹ thuật xác minh nguyên nhân và phê duyệt biện pháp, câu hỏi tiếp theo là: biện pháp đó có thực sự ngăn lỗi quay lại không?
Việc ghép dữ liệu kiểm tra với điều kiện sản xuất và phân tích tỷ lệ thành phẩm đã được trình bày trong bài về AI cải thiện yield. Việc soạn thảo tài liệu 8D hoặc báo cáo khắc phục được trình bày trong bài về AI lập báo cáo hành động khắc phục. Bài này tập trung vào bằng chứng chứng minh hiệu quả và quyền phê duyệt. ASQ mô tả giải quyết vấn đề gồm xác định vấn đề, chẩn đoán nguyên nhân, triển khai giải pháp và duy trì kết quả. Hướng dẫn tiếp cận theo quá trình của ISO cũng đưa đánh giá hiệu quả hành động khắc phục vào hoạt động cải tiến. Ký tên “đã thực hiện” là thời điểm bắt đầu đánh giá, không phải bằng chứng đã thành công.
Cần tách xử lý trước mắt như phân loại, cách ly, sửa lại lô lỗi với hành động khắc phục nguyên nhân nhằm tránh tái diễn. Hai việc có mục tiêu, người chịu trách nhiệm và tiêu chí hoàn thành khác nhau.
AI cần đánh giá kết quả thay đổi, không chỉ trạng thái hoàn thành công việc
Phiếu bảo trì ghi “đã thay đồ gá” không chứng minh tỷ lệ lỗi đã giảm. Hãy lưu mã máy, thời điểm thay và chạy lại, mã sản phẩm, kết quả kiểm tra công việc và người xác nhận. Sau đó liên kết sản phẩm làm ra sau biện pháp với kết quả kiểm tra trên cùng trục thời gian. AI có thể lập nhóm dữ liệu trước–sau, hiển thị dữ liệu thiếu hoặc điều kiện thay đổi và báo khi vượt ngưỡng đã thống nhất. Chủ sở hữu chất lượng quyết định “hiệu quả”, “không hiệu quả” hoặc “tiếp tục theo dõi”.
Lập kế hoạch đánh giá *trước* khi triển khai biện pháp. Nếu không, người phân tích dễ chọn đoạn thời gian tình cờ ít lỗi sau khi đã nhìn số liệu. Kế hoạch nêu loại lỗi, mẫu số tính tỷ lệ, sản phẩm và thiết bị áp dụng, khoảng trước và sau, số lô hoặc sản lượng tối thiểu, cách xử lý dữ liệu thiếu, người đánh giá và ngày xem lại. Không có một số ngày cố định phù hợp mọi trường hợp: lỗi hiếm hoặc sản phẩm chỉ chạy mỗi tuần cần kỳ quan sát khác lỗi phát sinh mỗi ca. Bài viết của ASQ về đánh giá hiệu quả nhấn mạnh việc chọn thước đo và thời gian quan sát có ý nghĩa.
Ví dụ sau hoàn toàn giả định, không phải thành tích của một nhà máy. Trước khi thay đồ gá, 100 trong 10.000 sản phẩm được kiểm tra bị lỗi; sau khi thay là 40 trong 10.000. Tỷ lệ quan sát giảm từ 1,0% còn 0,4%. Nhưng nếu giai đoạn sau đồng thời chuyển sang cấp vật liệu mới và giảm một nửa tần suất kiểm tra, không thể quy kết mức giảm đó cho đồ gá. Màn hình AI phải cho thấy vật liệu và cách kiểm tra đã đổi, danh sách lô, định nghĩa mẫu số và giới hạn so sánh. Khi chưa so sánh được, hiển thị “chờ đánh giá” thay vì công bố “cải thiện 60%” như một hiệu ứng nhân quả đã xác minh.
Nếu có nhóm đối chứng phù hợp, so cùng mã sản phẩm, vật liệu và phương pháp kiểm tra trên dây chuyền hoặc thời kỳ chưa áp dụng biện pháp. Không được cố tình để một lỗi nguy hiểm tiếp diễn chỉ để tạo đối chứng. Khi so sánh song song không phù hợp, dùng giai đoạn trước ổn định, đủ lượng sản xuất sau hành động và liệt kê các thay đổi diễn ra đồng thời. Một phép kiểm định thống kê không đủ: phải xem cơ chế trong quy trình có hợp lý và biện pháp có được thực hiện đúng không.
Năm quyết định trước khi mua AI giám sát hành động khắc phục
1. Định nghĩa lỗi và bản ghi gốc
Chỉ tổng số lỗi là chưa đủ. Lưu loại lỗi, tiêu chí chấp nhận, trạm và thời gian kiểm, sản phẩm hoặc lô, số lượng, phương pháp và đơn vị đo. Nếu một bộ phận ghi “trầy” và bộ phận khác ghi “bề mặt NG”, hãy lập từ điển phân loại có kiểm soát. Khi kết luận kiểm tra thay đổi, giữ bản cũ, bản mới và lý do thay vì ghi đè. Nếu nhãn không thống nhất, AI có thể học cách ghi chép khác nhau thay vì học đặc điểm quá trình.
2. Chọn đơn vị truy xuất
Một sản phẩm, lô, mẻ, shot ép nhựa và pallet cho phép trả lời các câu hỏi khác nhau. Nếu kiểm tra theo từng sản phẩm nhưng vật liệu chỉ lưu theo lô, ảnh hưởng của vật liệu chỉ có thể đánh giá đến cấp lô. Nếu thông số máy đổi theo shot mà hệ thống chỉ lưu giá trị hằng ngày, không thể ghép riêng sản phẩm lỗi với thông số lúc nó được tạo ra. Bắt đầu với một loại lỗi rồi chọn độ phân giải phù hợp tốc độ thay đổi của quá trình; không cần thu mọi tín hiệu ở tần suất cao nhất.
3. Phân biệt nguyên nhân đề xuất và nguyên nhân đã xác minh
AI có thể xếp máy B, lô vật liệu M và lần đổi nhiệt độ lên đầu danh sách. Chúng chỉ là hướng điều tra dựa trên tương quan, thời điểm hoặc trường hợp tương tự. Muốn xác nhận nguyên nhân, nhóm phải kiểm tra cơ chế, các giải thích khác, sai số đo và thay đổi thực tế. Máy B có thể chỉ chạy mã sản phẩm khó nhất. Vì vậy nên hiển thị “liên quan máy B; cần so trong cùng mã sản phẩm”, thay vì “máy B gây lỗi”.
4. Xác định ranh giới tự động hóa
Giai đoạn đầu AI có thể truy xuất dữ liệu, phát hiện thiếu, lập tập so sánh và cảnh báo. Cách ly sản phẩm, đổi thông số máy, thông báo khách hàng và đóng hồ sơ CAPA cần người được phân quyền. Điểm xếp hạng cao của AI không được tự đổi tham số quan trọng về an toàn. Quyền và lịch sử phê duyệt cần được ghi trong RFP cùng yêu cầu phân tích.
5. Tách “đã thực hiện” khỏi “có hiệu quả”
“Đã thực hiện” nghĩa là hành động được duyệt đã áp dụng đúng máy và phạm vi sản phẩm, với bằng chứng được người phụ trách kiểm tra. “Có hiệu quả” đòi hỏi đủ thời gian và sản lượng quan sát đã thống nhất, dữ liệu có thể so sánh cho thấy cải thiện bền vững mà không có tác dụng phụ hay tái diễn không chấp nhận được, và chủ sở hữu chất lượng phê duyệt. Phải có trạng thái quan sát và chờ quyết định ở giữa; không tự động nhảy bước. Theo dõi khả năng ghép bằng chứng, mức thực hiện đúng, độ so sánh được của dữ liệu trước–sau, tái diễn, thời gian ra quyết định và công nhập liệu. Độ chính xác mô hình chỉ là chỉ số hỗ trợ.
Ghép dữ liệu quá trình và kiểm tra để so sánh trước–sau
Nhiệm vụ tích hợp đầu tiên là chứng minh kết quả kiểm tra và lịch sử quá trình nói về cùng sản phẩm hoặc lô. Liên kết mã sản phẩm/lô, công đoạn, thiết bị, giờ bắt đầu–kết thúc, lô vật liệu và sự kiện kiểm tra. Thêm quan hệ lô cha–con và sự kiện vào–ra cho lô tách, hàng làm lại và công đoạn thuê ngoài. Ghép theo ngày đơn thuần có thể trộn sản phẩm từ các dây chuyền khác nhau.
Dữ liệu cảm biến theo thời gian, vật liệu theo lô, kiểm tra theo sản phẩm. Vì vậy phải viết rõ quy tắc ghép: ví dụ áp suất trong khoảng thời gian của một shot được gán cho các sản phẩm từ shot đó; một lô vật liệu áp dụng từ sự kiện đổi lô này đến lần đổi tiếp theo. Kiểm tra nguồn đồng hồ, múi giờ, sai lệch đồng bộ và nhập dữ liệu muộn giữa PLC, MES và thiết bị kiểm tra. Lưu hệ thống nguồn, mã bản ghi, thời gian lấy và phiên bản quy tắc chuyển đổi để sau này có thể tái hiện AI đã thấy gì khi đưa ra gợi ý.
Đo tỷ lệ sự kiện lỗi có thể ghép duy nhất và đầy đủ với sản phẩm, vật liệu, máy và khoảng thời gian cần thiết. Ở đây gọi là “tỷ lệ ghép được” theo định nghĩa vận hành của dự án, không phải thước đo chuẩn chung. Trường hợp ghép suy đoán hoặc mơ hồ phải để nhóm riêng. Nếu tỷ lệ thấp, sửa vị trí quét mã, ghi thời điểm đổi vật liệu hoặc đồng bộ đồng hồ trước khi tinh chỉnh mô hình. Siemens mô tả Opcenter Intelligence là công cụ đặt dữ liệu MOM, IoT và OT vào đúng bối cảnh để phân tích chất lượng và vận hành. Đây là mô tả sản phẩm, không bảo đảm hiệu quả giống nhau cho mọi nhà máy.
Quy trình từ xác minh nguyên nhân đến phê duyệt hiệu quả
Định nghĩa vấn đề hẹp: lỗi gì, trên sản phẩm và công đoạn nào, khi nào, bao nhiêu lỗi trên số được kiểm? Kiểm tra xem tiêu chí kiểm có đổi không. Dùng sơ đồ xương cá để xét vật liệu, máy, phương pháp, đo lường, con người và môi trường, kể cả yếu tố không có trong log. ASQ coi sơ đồ xương cá là công cụ sắp xếp nguyên nhân có thể có, không phải bằng chứng rằng một nhánh trên sơ đồ là nguyên nhân gốc.
AI cần đưa ra thứ tự kèm bằng chứng: khoảng thời gian, số sản phẩm tốt và lỗi, phân tầng theo sản phẩm và máy, tỷ lệ thiếu, phiên bản mô hình và liên kết nguồn. Nếu lô vật liệu M được xếp cao, hãy xem các máy khác dùng M, máy cũ dùng vật liệu khác và sự thay đổi thông số cùng lúc. Điểm tầm quan trọng của biến giúp ưu tiên điều tra; nó không chứng minh nhân quả.
Nhóm chất lượng kiểm tra phép đo và phương pháp kiểm. Sản xuất kiểm vật thực và chuyển đổi công đoạn. Bảo trì kiểm hiệu chuẩn, báo lỗi máy và hồ sơ thay thế. Khi an toàn và phù hợp, so hàng tốt–lỗi hoặc thử nghiệm có kiểm soát. Lưu cả giả thuyết bị bác bỏ và lý do. Vấn đề phức tạp có thể có hơn một nguyên nhân. Khi xác minh xong, phê duyệt hành động với người phụ trách, hạn và kế hoạch đo hiệu quả. Việc phân loại hàng lỗi trước mắt ở hồ sơ riêng. Sau khi thực hiện, có người xác nhận đúng máy và phạm vi sản phẩm đã được xử lý rồi mới bắt đầu thời gian quan sát.
Từ hồ sơ thực hiện đến quyết định về hiệu quả
Các trạng thái đề xuất: xác minh nguyên nhân → duyệt kế hoạch → đang thực hiện → xác nhận thực hiện → quan sát hiệu quả → chờ quyết định chất lượng → hiệu quả/không hiệu quả/quan sát thêm. Đây là thiết kế ví dụ, không phải trạng thái bắt buộc của ngành. Mỗi lần chuyển lưu người phụ trách, thời điểm, bằng chứng và người duyệt. Không cho nhảy thẳng từ “đã thực hiện” sang “hiệu quả”. Nếu vật liệu, máy hoặc tiêu chí kiểm đổi trong giai đoạn quan sát, hãy gắn sự kiện và xem có cần bắt đầu phép so sánh mới không.
Nếu AI trích ngày hoàn thành từ email hay phiếu bảo trì, con người vẫn phải đối chiếu mã máy và giờ làm thực tế với bản ghi nguồn. Nhà máy đa ngôn ngữ nên giữ văn bản gốc cùng mã thiết bị và mã lỗi ổn định; không ghép bằng cụm từ dịch đơn thuần. Màn hình phê duyệt cần cho thấy biện pháp đã làm chưa, lượng sản xuất quan sát đủ chưa, kết quả đạt mục tiêu không, lỗi có trở lại không và có tác dụng phụ không. Giữ lịch sử sau khi đóng hồ sơ; nếu tái diễn thì mở lại hoặc tạo hồ sơ liên kết, không âm thầm ghi đè kết luận cũ.
Không nhầm tương quan với hiệu ứng của hành động
Mã sản phẩm, ca, máy, nhà cung cấp và nhiệt độ môi trường có thể đổi cùng lúc. Lỗi nhiều ở ca đêm có thể do chỉ ca đó dùng lô vật liệu khác. So trước–sau trong điều kiện sản phẩm, công đoạn và cách kiểm tương đương; hiển thị sự khác biệt chưa loại trừ. Chọn nhóm sản phẩm tốt cùng điều kiện khi có thể. Kết quả thống kê không thay bằng chứng kỹ thuật: xem hao mòn, hiệu chuẩn, thành phần vật liệu và thử nghiệm có kiểm soát trong phạm vi an toàn, không tự ý thử trên hàng khách.
Tránh rò rỉ dữ liệu vào đánh giá. “Lý do làm lại” nhập sau kiểm cuối không phải biến có sẵn trước quyết định. Nếu sản phẩm của cùng lô nằm cả tập huấn luyện và tập đánh giá, kết quả sẽ lạc quan quá mức. FAT nên dùng lô và thời kỳ mô hình chưa thấy, đồng thời cố định thời điểm biến thực sự xuất hiện. Nếu không có nhóm đối chứng bảo vệ được về mặt kỹ thuật, ghi rõ giới hạn và quan sát tiếp thay vì tuyên bố đã chứng minh.
PoC nhỏ và cơ sở đầu tư
Chọn một loại lỗi, một họ sản phẩm và một công đoạn chính. Thu kết quả kiểm, lô vật liệu, thông số máy, cảnh báo máy và hồ sơ thực hiện hành động. Vẽ luồng quá trình để tìm điểm mất mã. Xem lại một số hồ sơ cũ với người từng điều tra, kể cả hồ sơ thiếu dữ liệu. Trước khi thử nghiệm, quy định tỷ lệ ghép duy nhất, khả năng truy nguồn, thời gian tạo nhóm so sánh, thời gian bác bỏ gợi ý sai và khả năng ra quyết định theo kế hoạch. Đây là chỉ số đề xuất, không phải kết quả đo của một nhà máy cụ thể.
Tính lợi ích từ số lỗi, giờ điều tra, chi phí phế liệu, làm lại, phân loại và xử lý khách hàng của chính nhà máy. Tính cả kết nối thiết bị, đồng bộ đồng hồ, chuẩn hóa dữ liệu chủ, đào tạo, bảo trì, cập nhật mô hình và hỗ trợ kiểm toán. Không lấy tỷ lệ giảm lỗi công bố của doanh nghiệp khác làm ROI dự kiến. Phân tích chỉ giảm thiệt hại khi doanh nghiệp thực hiện được hành động đúng và xác minh kết quả duy trì.
RFP cần ghi gì
Nêu loại lỗi, sản phẩm, máy, đơn vị truy xuất và hệ thống nguồn. Quy định cách xử lý thiếu mã, lệch giờ, tách lô, làm lại, thay máy và sửa kết quả kiểm. Mọi so sánh và cảnh báo phải lần về bản ghi gốc. Tách các trạng thái “nguyên nhân đề xuất”, “nguyên nhân đã xác minh”, “hành động đã thực hiện” và “hành động hiệu quả”, có quyền chuyển trạng thái theo vai trò. Chủ sở hữu chất lượng phải duyệt kế hoạch và quyết định cuối. Nêu cách kết quả quay về hồ sơ QMS hoặc mã hành động khắc phục cũ.
Yêu cầu nhà cung cấp trình bày sơ đồ ghép, chỉ số chất lượng dữ liệu, màn hình trước–sau có mẫu số, cảnh báo thay đổi đồng thời, hàng đợi ngoại lệ, nhật ký phê duyệt và giám sát tái diễn. Bảng dữ liệu phải có chủ sở hữu, cách lấy, tần suất, thời hạn lưu, bảo vệ dữ liệu cá nhân và quyền truy cập. CSV một lần mỗi ngày không đủ cho quá trình thay đổi mỗi giây; thu mili giây ở mọi máy cũng có thể lãng phí nếu lỗi chỉ theo cấp lô.
Ví dụ câu RFP: “Với lỗi kích thước được chỉ định, hệ thống liên kết sự kiện kiểm tra với sản phẩm, lô sản xuất, lô vật liệu, máy, công đoạn và thời gian. Bản ghi không ghép được hoặc mơ hồ phải hiển thị rõ, không tự bịa liên kết. Ghi thời gian và phạm vi thực hiện hành động. So nhóm trước và sau theo kế hoạch, hiển thị thay đổi đồng thời và nguồn, giám sát tái diễn; người được phân quyền chất lượng phê duyệt hiệu quả.” Điều chỉnh ví dụ theo an toàn sản phẩm, khách hàng và quy định áp dụng.
Chất lượng chịu trách nhiệm định nghĩa lỗi, kế hoạch đánh giá và đóng hồ sơ. Sản xuất chịu trách nhiệm sự kiện quá trình và triển khai. Bảo trì chịu trách nhiệm thiết bị và hiệu chuẩn. IT/OT chịu trách nhiệm kết nối và quyền. Mua hàng kiểm điều khoản sở hữu dữ liệu. Ghi rõ ai cung cấp, kiểm và ký từng mục trước FAT.
Tiêu chí FAT và SAT
FAT kiểm cấu hình và hành vi trong môi trường nhà cung cấp; SAT kiểm trên máy, mạng, nhân viên và quyền thực tế. Trong FAT, đưa vào trường hợp đổi lô vật liệu giữa mẻ, kết quả kiểm được sửa, cùng mã hàng chạy hai dây chuyền, thiếu thời điểm hành động và lượng sản xuất sau hành động quá ít. Ghép mơ hồ phải hiển thị chờ xử lý, không tự điền. Kiểm người không có quyền không thể duyệt hiệu quả. Chọn hồ sơ đánh giá từ lô và thời kỳ nhà cung cấp chưa dùng để chỉnh hệ thống.
Trong SAT, đăng ký một lỗi tại thiết bị thật và theo dữ liệu qua MES, ERP, QMS và log máy. Thử ca đêm, mất kết nối, chỉnh đồng hồ, dữ liệu chủ đổi và phiếu bảo trì sửa. Cho nhân viên chất lượng bác gợi ý, yêu cầu quan sát thêm và ký quyết định cuối. Kiểm bằng chứng và lý do có thể kiểm toán. Thỏa thuận ngưỡng nghiệm thu riêng cho nhà máy; chỉ viết “chính xác 95%” mà không định nghĩa nhãn đúng, nhiều nguyên nhân và tập hồ sơ là chưa đủ.
Giám sát tái diễn sau khi đóng hồ sơ và khi điều kiện quá trình thay đổi
Xem số lỗi cùng sản lượng, cơ cấu mã sản phẩm, mức sử dụng máy, nguồn vật liệu và trạng thái thiết bị đo. NIST/SEMATECH Engineering Statistics Handbook trình bày phương pháp thống kê để giám sát quá trình và sản phẩm. Nếu dùng biểu đồ kiểm soát, ghi rõ kỳ làm chuẩn và đánh giá lại khi quá trình đổi, không áp ngưỡng cũ mãi. Cảnh báo bất thường từ AI mở đầu điều tra; nó không tự xác nhận lỗi tái diễn.
Nếu lỗi cũ giảm nhưng lỗi khác hoặc thời gian chu kỳ tăng, cần xét tác dụng phụ trước khi kết luận hiệu quả. Khi có mã hàng, đồ gá hay vật liệu thay thế mới, đánh giá lại phạm vi áp dụng. Kết quả được xác minh cho một họ sản phẩm không tự mở rộng sang tất cả họ khác. Trong họp chất lượng hằng tuần hoặc tháng, theo dõi hồ sơ chờ bằng chứng, ghép thiếu, thời gian đến phê duyệt và lỗi liên quan tái diễn. Lưu phiên bản mô hình, quy tắc chuyển đổi và điều kiện quá trình trong mỗi hồ sơ.
Không tự động coi mọi nhãn con người duyệt là “sự thật vĩnh viễn” để huấn luyện AI; kết luận có thể được sửa sau này. Cho phép trạng thái “chưa xác nhận” và dùng kết quả đã được kiểm tra, kể cả thông tin tái diễn, để đánh giá mô hình. Nếu không đạt mục tiêu, phân biệt thực hiện thiếu, biện pháp không phù hợp và giả thuyết nguyên nhân sai. ASQ đặt bước duy trì kết quả ở cuối chu trình vì hành động đã làm nhưng kết quả không bền vững vẫn chưa giải quyết vấn đề.
Câu hỏi thường gặp
AI có thể tự phê duyệt hiệu quả hành động khắc phục không?
Không. AI có thể tập hợp dữ liệu và cảnh báo sai lệch so với kế hoạch. Người phụ trách chất lượng phải đánh giá điều kiện so sánh, lượng sản xuất, tái diễn và tác dụng phụ, rồi lưu lý do duyệt, kéo dài quan sát hoặc mở lại.
Cần quan sát bao lâu?
Quy định trước khi thực hiện theo tần suất sản xuất và tần suất lỗi dự kiến. Số ngày cố định có thể chứa quá ít sản phẩm. Đặt mức tối thiểu cả về số sản phẩm hoặc lô lẫn thời gian; kéo dài khi bằng chứng chưa đủ.
Tỷ lệ lỗi giảm nhưng vật liệu hoặc phương pháp kiểm cũng đổi thì sao?
Tỷ lệ thô trước–sau chưa chứng minh hiệu quả hành động. Hiển thị thay đổi đồng thời, dùng nhóm so sánh hợp lệ nếu có hoặc tiếp tục theo dõi. Không gọi tương quan là nhân quả.
Dự toán chi phí gồm những gì?
Bao gồm tích hợp dữ liệu, đồng bộ giờ, dữ liệu chủ, lịch sử duyệt, đào tạo, giám sát liên tục, cập nhật mô hình và công sức xem xét của nhóm chất lượng. Ước lợi ích từ chi phí lỗi và điều tra của nhà máy, không từ con số quảng bá bên ngoài.
Tóm tắt
AI hỗ trợ đánh giá hiệu quả hành động khắc phục bằng cách nối nguyên nhân đã xác minh và hành động đã duyệt với nhật ký thực hiện, điều kiện sản xuất có thể so sánh và kết quả kiểm sau đó. Quyết định phải phân biệt “đã làm” với “hiệu quả”, chọn thời gian quan sát và phương pháp đối chứng từ trước, để người phụ trách chất lượng phê duyệt cuối. RFP, FAT và SAT cần thử dữ liệu mơ hồ, quyền và hoạt động hiện trường nghiêm túc như thử mô hình.
Ngay cả khi đang sắp xếp phiếu hành động và dữ liệu trước–sau, bạn có thể liên hệ TOMAS TECH để xác định phạm vi PoC, RFP và nghiệm thu cho một loại lỗi cụ thể cùng dữ liệu hiện có.
Tài liệu tham khảo
- ISO: The process approach in ISO 9001:2015
- ASQ: Essential Evaluation
- ASQ: Problem Solving
- ASQ: Fishbone Diagram
- ASQ: Root Cause Analysis
- NIST/SEMATECH: Engineering Statistics Handbook, Process or Product Monitoring
- AIAG: 8D Problem Solving
- Siemens: Opcenter Intelligence — product description of contextualized manufacturing data and quality analysis.
