Правило 4 применяет оператор, который старается достичь однородности, пытаясь изготавливать каждое изделие так же, как предшествующее. Система взрывается.
Другой пример правила 4 – это человек, который принимает партии материала по цвету путем сравнения с образцом из предшествующей партии, не обращаясь к исходному образцу. (Предложено Айвором Френсисом.)
Пугающий пример применения правила 4 связан с обучением нового сотрудника. Этот новичок через несколько дней сам обучает следующего вновь пришедшего. При этом методы, которым обучают, деградируют беспредельно. Но кто об этом знает?
Примеры применения правил 2 и 3 уже рассматривались в тексте, ниже будут приведены дополнительные примеры.
Хорошим упражнением для читателя было бы составление перечня потерь своей организации, возникающих из-за применения правил 2, 3 и 4, с попыткой оценить их величину.
Изложенный выше эксперимент протекал в двумерном пространстве. Его легко провести и в одном измерении. Надо просто сконструировать горизонтальный желоб с высокими стенками, где шарик мог бы свободно кататься.
Теория и выводы, вытекающие из этого эксперимента и из эксперимента с красными бусинами (см. ниже), могли бы служить прекрасным введением в курс статистики.
Замечание 1. Мы уже отмечали в главе 3, что механическая или электронная обратная связь с целью поддержания размеров и других характеристик качества внутри допусков, осуществляемая, по сути дела, путем чрезмерного регулирования, приводит к потерям на всех последующих стадиях. Таким образом, эти действия увеличивают затраты. Они не помогают улучшать процесс.
Замечание 2. Реплика участника семинара: «Мой сын служит на подводной лодке. Там принято первым делом утром выстрелить по цели, чтобы потом подстроить фокусировку, скомпенсировав ошибку. Теперь я понимаю, что эта регулировка почти наверняка гарантирует более плохую стрельбу весь оставшийся день, чем если бы они оставили прицел в покое». Разумное наблюдение.
Замечание 3. Настройка инструмента на основной эталон (калибровка) как только расхождение становится критическим, почти всегда оказывается излишней, лишающей инструмент присущей ему точности. Нужно установить правило, когда производить регулировку. Надо, чтобы обе системы измерений (основной эталон и метод испытаний) находились в состоянии статистической управляемости. Тогда на основе инженерных и экономических доводов можно решить, желательна ли вообще регулировка.
Пример 1. Изготовитель карбюраторов для автомобилей использует два метода испытаний. Метод А: дешевый метод с негорючим газом, применяемый к каждому карбюратору. Метод Б: дорогой метод с горючим газом, применяемый к выборке из 10 карбюраторов, извлеченной из партии (инструкция, как производить выборку из 10 штук, отсутствует).
Каждый карбюратор в выборке из 10 штук испытывается с помощью обоих методов. Правило: вычисляйте среднее А и Б по 10 карбюраторам для обоих методов в каждой партии. Если А меньше Б в трех последовательных партиях, то отрегулируйте испытание А, с тем чтобы оно соответствовало испытанию Б, и продолжайте проверку. Аналогичный алгоритм действий, если в трех последовательных партиях А больше Б.
Чем плохо это правило? Предположим, что испытание А дает результаты, распределение которых то выше, то ниже результатов испытания Б. Тогда одна четвертая в длинной серии последовательных испытаний из трех партий будет давать А < Б и одна четвертая показала бы А > Б. Сформулированное таким образом правило ведет к вопиющей зарегулированности, платой за которую будут дополнительные затраты, вызванные искусственным ростом расхождения между двумя видами испытаний. Хуже того, это правило не дает возможности привести процесс испытаний в статистически управляемое состояние, так же как не позволит привести в состояние статистического управления разницу между двумя испытаниями.
Более подходящий способ сравнить два метода испытаний, при условии, что они дают реальные результаты измерений (сантиметры, миллиграммы и т. д.), – нанести результаты этих двух испытаний на график в соответствии с теми, что предложены на рис. 50 (глава 15).
Пример 2. Одно из офисных подразделений автомобильной компании отвечает за составление ежемесячных прогнозов продаж. Выполняющий эту функцию сотрудник работает со множеством источников. При сравнении с фактическим объемом продаж прогноз из месяца в месяц то приближается к нему, то удаляется от него. Прогноз на следующий месяц предусматривал подстройку методики на основе данного сравнения. Читатель может понять: то, чем занимались эти люди, гарантировало им, что их метод никогда не улучшится.
Статистическая управляемость инструментов и калибров. Как мы узнали из главы 8, записанное измерение – это конечный продукт длинной серии операций от получения исходного сырья до самой записи, включая операцию измерения на одной из стадий процесса. Как подчеркивалось множество раз в этой книге, статистическая управляемость процесса измерений жизненно важна; в противном случае измерения бессмысленны.
Покажет ли этот инструмент через неделю такие же результаты, как для сегодняшних 100 изделий? Что, если мы заменим операторов? Этот вопрос появляется в главе 8 о контроле и вновь возникает в главе 15 в связи с затратами на инспекцию. Читатель может получить совет из книги Гарри Кью и великолепной книги Western Electric Company (части B, стр. 84ff), обе ссылки приведены в конце данной главы. Стандарт 177 A. S. T M., относящийся к точности и систематическим ошибкам измерений, также будет полезен читателям (American Society for Testing and Materials – Американское общество по испытаниям и материалам).
Другая важная проблема использования инструментов – создать условия для хорошей работы. Пример (предоставленный моим другом д-ром Ллойдом Нельсоном) – образец жидкости, транспортируемый в лабораторию для измерения вязкости. По дороге он «стареет». Если бы измерительный инструмент можно было разместить там, где находится источник жидкости, результаты лучше бы характеризовали анализируемый материал.
Ложные сигналы измерительных инструментов. Неуправляемый измерительный прибор может дать сигнал о наличии особой причины, когда ее нет, или, наоборот, не обнаружить особую причину, когда она действительно существует. Недостаточно точный прибор даст ложный сигнал независимо от того, находится он в управляемом состоянии или нет. Теперь вы понимаете, насколько важно уделять внимание точности и статистической управляемости приборов. (Предложено Уильямом Шеркенбахом, Ford Motor Company.)
Оператор делал только одно измерение расстояния между двумя вспышками. Я попросил его сделать восемь замеров. Он согласился. Размах между восемью значениями оказался в четыре раза больше поля допуска. (Пример Джеффри Люфтига.)
Прежде чем делать выводы (относительно причины данного бедствия), я решил ознакомиться получше с системой измерений. Менеджер заверил меня, что измерения точны, ведь он сам их делал.
