आपल्या सीएमएम मापन यंत्राचे डेटा कसे सातत्याने सुधारणा करण्यासाठी वापरले जाऊ शकते?

तुमचे CMM मापन यंत्र कधीही काम करणे थांबवत नाही. प्रत्येक दिवशी, ते डेटाच्या प्रवाहांचे उत्पादन करते. प्रत्येक दिवशी, ते मापने, सहनशीलता (टॉलरन्सेस) आणि 'पास' किंवा 'फेल' या निकालांची नोंद करते. बहुतेक कारखाने, जर नाही तर सर्व, ह्या नोंदींचा वापर भागांचे उत्पादन करण्यासाठी आणि 'चांगले' किंवा 'वाईट' या स्थितीचे मूल्यांकन करण्यासाठी करतात. बहुतेक कारखाने ह्या नोंदी भविष्यातील ग्राहकांच्या संदर्भातील चौकशींना प्रतिसाद देण्यासाठी साठवतातही. ही सामान्य पद्धत आहे; परंतु यामुळे मोठ्या प्रमाणात अप्रत्यक्ष आणि अवघडलेल्या संधींचे निर्माण होते.

तुमची मापन यंत्रे डेटा संग्रहित करतात जो तुमच्या संपूर्ण दुकानाचे द्वार उघडू शकतो. सामान्यतः, डेटा संग्रहण यंत्रांचा वापर केवळ गुणवत्ता लॉक किंवा पास करण्यासाठी केला जातो. आणि तो एक महत्त्वाचा आणि उपयुक्त कार्य असला तरी, जेव्हा मापन यंत्रांचा पुरेसा काळ वापर केला जातो, तेव्हा ते संभाव्यता लॉक करू लागतात आणि भविष्यातील गुणवत्ता समस्यांचे सूचक असलेल्या ड्रिफ्टच्या जवळच्या प्रवृत्तींची ओळख करू लागतात. हे सतत सुधारणेचे ध्येय आहे.

सोप्या पास किंवा फेलपासच्या पलीकडे जाणे

मापन यंत्रे भागांचे मापन करण्यासाठी वरच्या आणि खालच्या सहनसीमा मर्यादांच्या तुलनेत सर्वात साध्या पातळीवर डेटा संग्रहित करतात. जर भागाचे मापन आणि कार्यक्षमता या निश्चित सीमांच्या आत असेल, तर तो चांगला मानला जातो. जर भागाचे मापन आणि कार्यक्षमता या निश्चित सीमांच्या बाहेर असेल, तर तो वाईट मानला जातो. हे ही मापन यंत्रांचे उच्चतम क्रमाचे, प्राथमिक कार्य आहे. आणि ते मूल्यवान असले तरी, सहनसीमा मर्यादांच्या आत गोळा केलेल्या डेटामध्ये अत्यंत मोठ्या प्रमाणात माहिती समाविष्ट असते.

एका भागाचा वैशिष्ट्य मापन वरच्या सहनसीमेजवळ असल्याचे विचारात घ्या. त्या क्षणी तो भाग तपासणी पास करतो. तथापि, जर ते वैशिष्ट्य प्रत्येक बॅचमध्ये वरच्या दिशेने हलत राहिले, तर तो शेवटी विशिष्टतेबाहेर पडेल. सीएमएम (CMM) यंत्र त्या लहान बदलांवर लक्ष ठेवेल. पुरेशी वेळ आणि पुरेशी नोंदवलेली माहिती असल्यास, ती समस्या निर्माण होण्यापूर्वीच तुम्हाला त्या प्रवृत्तीचा अंदाज येईल. यामुळे तुम्ही एका अपयशानंतर त्रुटी शोधण्याऐवजी आधीच प्रक्रियेत बदल करू शकता.

विचरणाच्या कारणाचा शोध

कोणतीही उत्पादन प्रक्रिया पूर्णपणे पुनरावृत्त करता येत नाही, आणि असे म्हणता येईल की नेहमीच काही विचरण असते. मुख्य प्रश्न असा आहे की, हे विचरण नियंत्रित केले आहे का? तुमच्या मापनांपासून मिळालेली माहिती या प्रश्नाचे उत्तर देईल.

जेव्हा CMM मशीनमधून अनेक भागांवरून आणि अनेक उत्पादन चालविण्यांवरून माहिती गोळा केली जाते, तेव्हा आपण विविध प्रकारच्या चढ-उतारांचे ओळखणे आणि त्यांचे एकमेकांपासून विभाजन करणे अधिक कार्यक्षमपणे करू शकता. काही चढ-उतार कापणाऱ्या साधनांच्या घिसाडामुळे निर्माण होऊ शकतात, इतर काही चढ-उतार वर्कशॉपच्या तापमानामुळे निर्माण होऊ शकतात, तर इतर काही चढ-उतार ऑपरेटर्सद्वारे मशीन सेटअप करण्याच्या विविध पद्धतींमुळे निर्माण होऊ शकतात. ही माहिती आपल्या प्रश्नांची उत्तरे प्रदान करेल, आणि नंतर आपण चढ-उतार कमी करण्यासाठी सर्वात योग्य उपाय ठरवू शकता.

प्रक्रियेवर विश्वास निर्माण करणे

आपल्या प्रक्रियेवर विश्वास निर्माण करणे हे मापन डेटाचा वापर करून सुधारणा करण्याच्या एका कमी स्पष्ट, परंतु संभवतः अधिक महत्त्वाच्या फायद्यांपैकी एक आहे. आपल्या प्रक्रियेवरील विश्वास वाढविण्यामुळे तपासणीची वारंवारिता कमी करण्याची शक्यता निर्माण होते. जेव्हा वैशिष्ट्ये स्थिर असल्याचे आणि सतत टॉलरन्समध्ये असल्याचे सिद्ध झाले, तेव्हा त्या वैशिष्ट्यांसाठी तपासणीची वारंवारिता कमी करण्याच्या संधी उपलब्ध होतात. यामुळे इतर खालच्या प्रक्रियांसाठी, मशीन आणि ऑपरेटर वेळासाठी क्षमता उघडते, जी इतर कामांसाठी वापरली जाऊ शकते.

निर्णयाचे औचित्य सिद्ध करण्यासाठी डेटा नसल्यास आपण तपासणीची वारंवारिता कमी करू इच्छित नाही. तथापि, जेव्हा ऐतिहासिक कामगिरी स्थिर असते, तेव्हा गुणवत्ता तपासणीच्या संसाधनांचे प्रकल्पांमध्ये कमी स्थिर कामगिरी असलेल्या क्षेत्रांवर लक्ष केंद्रित करा. हे चालू सुधारणा आहे. हे केवळ प्रक्रियेतील भागांचे सुधारणे नाही; त्यापेक्षा महत्त्वाचे म्हणजे तपासणी प्रक्रियेचे सुधारणे.

साधनांच्या कामगिरीचे मापन करणे

मापन डेटा आपल्याला साधनाच्या कार्यक्षमतेबद्दल जे काही माहित आहे, ते सांगतो; म्हणून, तो साधनाच्या आयुष्यचक्राच्या मापनाबद्दल काय सांगू शकतो? एका चांगल्या अंदाजावर किंवा आधीच निश्चित केलेल्या वेळापत्रकावर आधारित साधनाच्या आयुष्यचक्रात साधन बदलणे हे कार्यक्षमतेचा अंदाज असतो. साधनाच्या अपयशाची वाट पाहणे हे डेटा संग्रहाचे बुद्धिमान किंवा प्रभावी साधन नाही. तथापि, डेटाला मार्गदर्शन करण्यासाठी स्वातंत्र्य देणे यामुळे साधन बदलाच्या अंदाजाचा त्रास टाळला जाईल. साधनाच्या कार्यक्षमतेचे मापन करणे हे उन्नत उत्पादन प्रक्रियेत एक महत्त्वाचे साधन आहे.

जेव्हा कोणतीही वैशिष्ट्ये एका दिशेकडे विस्थापित होण्याची प्रवृत्ती दाखवतात, तेव्हा एक संभाव्य स्पष्टीकरण म्हणजे साधनाचे घिसाड होत आहे. तथापि, हे आपल्यासाठी अचानक नसावे; आपली CMM मापन यंत्रणा ही आपल्याला हे सर्वप्रथम कळवणारी यंत्रणा असेल. यामुळे आपण भागांचे विशिष्टता मर्यादेबाहेर जाण्यापूर्वी साधनाचे बदल योजनाबद्धपणे करू शकता आणि भागांचे फेकणे किंवा पुन्हा काम करणे टाळू शकता. तसेच फिक्सचर्ससाठीही हेच लागू होते. जर आपण एखाद्या विशिष्ट फिक्सचर किंवा कॉन्फिगरेशनमुळे झालेल्या विशिष्ट विचलनावर लक्ष ठेवले, तर डेटा आपल्याला या समस्येकडे मार्गदर्शन करेल.

सातत्याने सुधारणा करण्याबरोबरच, यशाचे मापन करण्याची मानसिकता देखील आवश्यक आहे; आणि त्यासाठी बदलाचे यश मोजण्यासाठी एक स्पष्ट योजना असणे आवश्यक आहे. जर आपण कटिंग पॅरामीटर बदलला, काम पकडण्याची पद्धत सामायिक केली किंवा वेगळे साधन वापरायला सुरुवात केली, तर आपल्याला पहिला प्रश्न असा विचारावा लागेल की तो बदल फायदेशीर होता की नाही.

हे तिथे मापन डेटाची महत्त्वाची भूमिका आहे. सीएमएम मापन यंत्र बदलापूर्वी डेटा नोंदवेल आणि बदलानंतरही डेटा नोंदवेल. जर फरक कमी किंवा नष्ट केला गेला असेल, तर त्याचा अर्थ असा की हा बदल फायदेशीर ठरला. जर अजूनही मोठा फरक असेल, तर त्याचा अर्थ असा की हा बदल फायदेशीर नव्हता आणि तुम्हाला इतर काहीतरी प्रयत्न करावा लागेल. हे सर्व कामे सतत सुधारणेकडे धावत आहेत — तुमचे सुधारित आणि नवीन साधन लागू करा आणि त्या बदलाच्या यशाचे मापन करण्याचा विश्वास बाळगा.

सुधारणेची संस्कृती निर्माण करणे

जेव्हा ऑपरेटर्स आणि व्यवस्थापक यांच्या मनात मापन डेटाला सुधारणेचे साधन म्हणून विचार केला जातो, तेव्हा बदल घडतो; तो केवळ धनात्मक किंवा ऋणात्मक सूचक नसतो. लोक अधिक जिज्ञासू होतात. ते प्रश्न विचारतात: ही वैशिष्ट्य का वाढत आहे? शेवटच्या बॅचमध्ये काय वेगळे आहे? ही सहनसीमा कडक करून अॅसेम्बली सोपी करणे शक्य आहे का?

हे सुधारणेसाठीचे इंधन आहे, आणि हे सर्व सुसंगत आणि वापरायला सोप्या माहितीपासून सुरू होते. जेव्हा मापनाची माहिती वाईट प्रकारे व्यवस्थित केली जाते, तेव्हा लोक तिची दुर्लक्ष करतात. एकदा माहिती वापरकर्त्यासाठी सोपी झाली, तेव्हा ती दररोजच्या संभाषणाचा भाग बनते. संघ समस्या सोडवण्यासाठी एकत्रितपणे संधी घेतात.

वास्तविक जगातील उत्पादन प्रक्रियेने मापनाच्या माहितीची विद्यमान मूल्ये वास्तविक आणि स्पष्ट रीतीने दर्शविली आहेत. एका वापरकर्त्याने सांगितले की, उच्च-परिशुद्धता व्हिडिओ मापन यंत्रासोबत घालवलेला वेळ ४० टक्क्यांनी कमी झाला. हे केवळ वेळेची बचत नाही, तर त्यामुळे लहान वेळात चांगली माहिती गोळा करता येते आणि कारखान्यातील प्रक्रियांचे स्पष्ट समजून घेता येते.

एका इतर वापरकर्त्याने टिप्पणी केली की, उपकरण जेव्हा कार्ये करत असते तेव्हा ते लहान तुकड्यांसह मोठ्या कामाच्या तुकड्यांवरही काम करू शकते आणि सातत्याने अचूकता राखू शकते. ही वैविध्यपूर्ण क्षमता प्रत्यक्षात व्यापक स्पेक्ट्रममध्ये सातत्याने आणि विश्वसनीय डेटामध्ये रूपांतरित होते; त्यामुळे विविध मापांच्या कामाच्या तुकड्यांमध्ये संक्रमण करताना लक्षात येणाऱ्या प्रवृत्तींचे ओळखणे सोपे होते.

डेटापासून कृती

नोकरीचा पचास टक्के भाग डेटा संग्रहण आहे. उर्वरित पचास टक्के भाग हा त्या संग्रहित डेटापासून मूल्य मिळविण्यासाठी घेतल्या जाणाऱ्या कृतींचा आहे. ही भूमिका CMM मापन यंत्राद्वारे पूर्ण केली जाते; जे आवश्यक मेट्रिक्स प्रदान करते. तथापि, त्या संख्या नियमितपणे विश्लेषित करणे आवश्यक आहे. याचा अर्थ वैयक्तिक परीक्षण परिणामांऐवजी मेट्रिक्स/संख्या आणि प्रवृत्तींचे मूल्यांकन करण्यासाठी वेळ देणे.

काही कार्यशाळा हे आठवड्यातून एकदा करतात. इतर काही महिन्यातून एकदा. जे वेळी असेल, तो चक्र तुमच्या कामाच्या प्रमाणावर आणि बदलाच्या प्रक्रियेच्या गतीवर अवलंबून असतो. हे पुनरावृत्तीच्या चक्राचे सार आहे; मापन डेटाची पुन्हा पुन्हा आढावा घेतला जातो. जेव्हा हे असते, तेव्हा कार्यशाळा मापन डेटाचे रूपरेषा तयार करतात, जे व्यक्तिगत तपासणीतून इतरथी गमावले जातील.

निष्कर्ष

तुमची CMM मापन यंत्रणा केवळ घटकांचे मापन करण्यासाठीच नव्हे, तर तुमच्या मापन प्रक्रियांच्या बाबतीत अधिक खोलवर अंतर्दृष्टी मिळविण्यासाठीही वापरली जाऊ शकते. निर्माण झालेल्या डेटाचे विश्लेषण करून जिथे विचरण घडत आहे, कधी औजाराचे घिसाड झाले आहे आणि सुधारणेसाठी केलेल्या प्रयत्नांनी कोणताही परिणाम केला आहे की नाही हे ओळखले जाऊ शकते. निर्णय घेण्यासाठी डेटा-आधारित दृष्टिकोन अंमलात आणल्यास तुमचा लक्ष फक्त समस्या शोधण्यापासून अधिक प्रोअॅक्टिव्ह समस्या टाळण्याकडे वळतो.

हे सतत सुधारणेचा सार आहे. हे कठोर परिश्रम करण्यापेक्षा बुद्धिमान परिश्रम करणे आणि तुमच्या निर्णयांना डेटाला मार्गदर्शन करण्याची परवानगी देणे यावर अधिक केंद्रित आहे. हे सर्व तुमच्या मापन यंत्रांद्वारे निर्माण केलेल्या डेटापासून सुरू होते.