Привет студент

10 Причинно — следственная диаграмма Исикавы

При управлении качеством нельзя просто поставить задачу и требовать ее безусловного выполнения. Необходимо понять смысл и рычаги управления процессом, овладеть им и создать в рамках этого процесса способы выпуска продукции более высокого качества, постановки более перспективных задач и достижения необходимых результатов. Чтобы облегчить этот процесс, Каору Исикава предложил особую диаграмму.

Количество причинных факторов бесконечно. В любой работе, в любом процессе можно сразу же выделить десять—двадцать причинных факторов. Проконтролировать все эти причинные факторы невозможно. Даже если бы это оказалось возможным, такая работа была бы нерентабельной.

Несмотря на большое количество причинных факторов, по-настоящему важных, т. е. таких, которые значительно влияют на результаты, не так уж много. Если следовать принципу В. Парето, требуется стандартизировать два-три наиболее важных фактора и управлять ими, но сначала нужно выявить эти главные причинные факторы.

Причинно — следственная диаграмма Исикавы — инструмент, который позволяет выявить наиболее существенные факторы (причины), влияющие на конечный результат (следствие). Причинно-следственную диаграмму иначе называют диаграммой «рыбий скелет».

Для составления причинно-следственной диаграммы необходимо подобрать максимальное число факторов, имеющих отношение к характеристике, которая вышла за пределы допустимых значений. При этом для исследования причин явления необходимо привлекать и третьих лиц, не имеющих непосредственного отношения к работе, так как у них может оказаться неожиданный подход к выявлению и анализу причин, которого могут не заметить лица, привычные к данной рабочей обстановке.

Наиболее эффективным считается групповой метод анализа причин, называемый «мозговым штурмом». В этом случае, если проблема возникла в цеху, к группе экспертов присоединяются лица, непосредственно работающие на производственном участке, на котором возник дефект, поскольку люди, ежедневно выполняющие производственные операции на своем рабочем месте, могут сообщить больше ценных фактов, чем кто-либо другой: они хорошо понимают изменения и отклонения в рабочем процессе. Даже просматривая документацию, относящуюся к контролю, или записи рабочих операций, можно пропустить запись (а оператор может сообщить важную для решения проблемы операцию), и если такую информацию упустить, это может обернуться большим ущербом.

При использовании метода «мозгового штурма» для выявления причин возникновения проблемы основное внимание обращают на следующие моменты:

— обеспечивается атмосфера, в которой каждый член группы свободно высказывает свои мысли, в отношении причин возникновения;

— в выступлениях не одобряются бесплодные разговоры, ценятся идеи и сознательное оперирование фактами;

— лица, относящиеся к руководящему составу, никогда не высказываются первыми, так как после выступления руководителей или ветерана простому рабочему трудно свободно высказывать мнение;

— при составлении причинно-следственной диаграммы последней стрелкой среди причин обязательно следует обозначить «и прочие», так как всегда могут остаться неучтенные факторы.

При анализе причин часто приходится пользоваться другими статистическими методами, и, прежде всего — методом расслоения.

Порядок построения причинно-следственной диаграммы условий и результатов следующий:

1. Определение цели.

2. Составление списка факторов — условий, которые влияют или могут влиять на рассматриваемую проблему.

3. Группировка факторов по их естественному родству в группы и подгруппы с различной степенью детализации.

4. Построение схемы.

На рисунке 17 показаны факторы, предположительно оказывающие влияние на точность размеров детали. Все факторы объединяются в большие принципиально различающиеся группы: люди, технология, оборудование, сырье, материалы, управление и среда. Каждая из групп состоит из нескольких подгрупп: обучение, климатический режим в цехе и т.д.

Схема позволяет наглядно показать множество факторов, систематизированных в определенном порядке, что существенно облегчает поиски правильных решений.

Рисунок 17 — Причинно — следственная диаграмма Исикавы

11 Анализ Парето

Анализ Парето — это инструмент, позволяющий: объективно представить и выявить основные факторы, влияющие на исследуемую проблему и распределить усилия для ее решения.

Анализ Парето применяется как для выявления проблем или острых вопросов, так и для анализа причин, вызывающих эти проблемы. Поэтому различают два вида диаграмм Парето:

1)по результатам деятельности и по причинам.

Диаграмма Парето по результатам деятельности предназначена для выявления основной проблемы, которая вызывает следующие нежелательные результаты деятельности:

-Качество — несоответствия, ошибки, рекламации, ремонт, возврат продукции;

— Себестоимость — объем потерь, затраты;

— Сроки поставок — нехватка запасов, ошибки в составлении счетов, срыв сроков поставок;

-Безопасность — несчастные случаи, аварии.

Диаграмма Парето по причинам показывает причины проблем, возникающих в производстве, и используется для выявления главной из них:

-Исполнитель работы — смена, бригада, возраст, опыт работы, квалификация;

-Оборудование — станки, оснастка, инструменты, штампы и т.д.;

-Сырье — изготовитель, вид сырья, партия;

-Метод работы — условия производства, приемы работы, последовательность операций;

-Измерения — точность, воспроизводимость, стабильность, тип измерительного прибора.

Анализ Парето, включает следующие этапы:

1.Определение цели. Цель должна быть сформулирована точно и четко. Установите метод (как собирать и как классифицировать) и период сбора данных.

2. Организация и проведение наблюдений. Разработайте контрольный листок для регистрации данных с перечнем видов собираемой информации.

3. Анализ результатов наблюдений, выявление наиболее значимых факторов. Разработайте бланк таблицы для данных, предусмотрев в нем граф для итогов по каждому проверенному признаку в отдельности, накопленной суммы числа дефектов, процентов к общему итогу и накопленных процентов.

При этом необходимо расположить данные, полученные по каждому фактору, в порядке значимости и заполнить таблицу, учитывая группу «Прочие» всегда записываются в последнюю строку.

4. Построение диаграммы, наглядно показывающей относительную значимость каждого из факторов. Постройте столбчатый график, где каждому виду брака соответствует прямоугольник, вертикальная строка которого соответствует значению суммы потерь от этого вида брака (основания всех прямоугольников равны).

5. Построение графика Парето. Начертите кумулятивную кривую, соединяя правые концы каждого интервала между собой отрезками.

При построении диаграмм Парето необходимо обращать внимание на следующие моменты:

-диаграмма Парето оказывается наиболее эффективной, если число факторов, размещаемых по оси абсцисс, составляет 7-10;

-при обработке данных необходимо проводить их расслоение по отдельным

факторам, которые должны быть хорошо известны: время сбора данных, тип изделий, партия сырья материалов или комплектующих, процесс, руководитель, клиент, станок, оператор и т.д.;

-при построении диаграммы Парето для числа случаев (процента) в случае

возможности подсчета суммы затрат следует отражать на диаграмме Парето также и сумму затрат (потерь);

-в том случае, когда все столбики на диаграмме Парето оказываются одной высоты, т.е. разницы во вкладе отдельных факторов в появлении брака нет, то равномерность распределения вклада факторов в появлении брака может быть обусловлена неправильным подходом к расслоению, поэтому в таких случаях при расслоении следует проверить данные или собрать новые;

-в случае, когда фактор «Прочие» оказывается слишком большим по сравнению с другими факторами, следует повторить, анализ содержания фактора «Прочие», а также вновь проанализировать все факторы;

-если фактор стоящий первым по порядку, технически труден для анализа, следует начать с анализа следующего за ним;

-если обнаруживается фактор, в отношении которого легко провести улучшение, то его следует проводить, не обращая внимания на его место в порядке расположения факторов в диаграмме;

-при систематическом ежемесячном составлении диаграмм Парето для одного и того же процесса и сравнения этих диаграмм в некоторых случаях, несмотря на отсутствие заметных изменений общего количества брака, меняют порядок расположения факторов влияющих на появление брака. При нарушении стабильности процесса в этом случае нестабильность будет сразу замечена. Если удается уменьшить влияние этих факторов в одинаковой степени, проявится высокая эффективность улучшения. После проведения выработанных на основе анализа данных мероприятий обычно проводится повторный анализ с целью оценки эффективности принятых мер. При этом повторяется вся процедура построения диаграммы Парето, и новые результаты сравниваются

с данными, полученными ранее.

Рассмотрим проведение анализа Парето на примере.

Проблема: брак в деталях. Поставлены две цели исследования:

I. Определить наиболее часто встречающиеся виды брака.

2. Определить виды брака, приводящие к наибольшим потерям.

Рис.1 Диаграмма Парето, отображающая наиболее часто встречающиеся виды

дефектов

Таблица 1

Рис.2 Диаграмма Парето, отображающая потери от различных видов дефектов

Таблица 2

Типы дефектов	Число дефектов, d	Накопленная сумма числа дефектов	Процент числа дефектов в общей сумме	Накопленный процент
1.Трещины	155	155	31	31
2.Прогорание	205	360	41	72
3.Износ проточки под сухари	35	395	7	79
4.Зоны наибольшего износа	30	425	6	85
5.Износ рабочей фаски	25	450	5	90
6.Износ края тарелки	20	470	4	94
7.Прочие	30	500	6	100
ИТОГО:	500	-	100	-

Рис.3 Столбиковая диаграмма распределения вклада различных типов дефектов

Рис.4 Накопленная гистограмма дефектов и кривая Парето

Группа	Число дефектов	Процент числа дефектов по каждому признаку в общей сумме
А	360	72
В	110	22
С	30	6
Итого:	500	100

Рис.5 Диаграмма Парето

Теперь, ясно, что в первую очередь необходимо жестко контролировать появление дефектов, которые относятся к группе А. Необходимо подвергнуть тщательному анализу данные разновидности дефектов, чтобы определить причины их появления.

Диаграмму Парето целесообразно применять вместе с причинно-следственной диаграммой. После проведения корректирующих мероприятий диаграмму Парето можно вновь построить для изменившихся в результате коррекции условий и проверить эффективность проведения улучшений.

В основе любого мероприятия должна лежать достоверная информация. Именно такую информацию позволяет получить диаграмма Парето.

12 Стратификация

В Японии говорят: «Без расслоения нет прогресса контроля качества»

Стратификация (расслоение) — один из наиболее простых статистических методов. В соответствии с этим методом производят расслоение данных, то есть группируют данные в зависимости от условий их получения и производят обработку каждой группы данных в отдельности.

Стратификация или расслоение (группировка) данных — инструмент, позволяющий произвести селекцию данных в соответствии с различными факторами.

В производственных процессах часто используется метод расслоения «5М»: men, methods, materials, measure, machines (люди, методы, материалы, измерения, оборудование):

— по исполнителям — по квалификации, полу, стажу работы и т.д.;

— по способу производства — технологическому приему, месту производства, условиям производства;

— по материалу — по качеству сырья, партии, месту производства, сроку выпуска и т.д.

— по измерению — по методу измерения, типу измерительных средств или их точности;

— по оборудованию и машинам — по новому и старому оборудованию, марке, конструкции, сроку службы и т.д.

Если в результате анализа данных окажется, что строгое соблюдение воздействующих факторов приведет к значительному улучшению положения, как это видно из таблице 12.1, то решение проблемы можно считать найденным.

Таблица 12.1

Информационные ресурсы	Выполнение	Выполнение неполное	Всего случаев
Печатные источники	15	2	17
Интернет	6	10	16
Медиаресурсы	10	5	15
БД	3	32	35
Всего случаев	34	49	83

Однако, если при расслоении данные оказываются расположенными, как в таблице 12.2, то результат анализа не позволяет утверждать, что строгое соблюдение факторов окажется решающим фактором в решении проблемы. В этом случае необходимо провести более глубокий анализ данных.

Таблица 12.2

Информационные ресурсы	Выполнение	Выполнение неполное	Всего случаев
Печатные источники	2	15	17
Интернет	12	4	16
Медиаресурсы	5	10	15
БД	15	20	35
Всего случаев	34	49	83

Результат анализа данных показывают большое влияние на выполнение вторичных факторов выполнение первичных факторов.

Анализ данных по методу расслоения приводит к выводу, что для окончательного решения проблемы должны быть намечены следующие меры:

1. не допускать вторичных выполнения факторов, которые делаются без предварительной договоренности учреждением;

2.скорректировать объем знаний так, чтобы он был по силам учреждению, на котором размещается заказ, и не вынуждал его делать повторное выполнение факторов;

3. оказать помощь учреждению, на выполняются факторы, освоить принципы ведения дел с учреждением, на которых выполняются вторичные факторы.

Если в результате анализа данных окажется, что присутсвие характеистик сотрудников приведет к значительному улучшению положения, как это видно из таблице 12.3, то решение проблемы можно считать найденным.

Таблица 12.3

Сотрудники библиотеки	Присутствует	Не присутсвует	Всего случаев
Квалификация	11	6	17
Личностные качества	4	13	17
Всего случаев	15	19	34

Однако, если при расслоении данные оказываются расположенными, как в таблице 12.4, то результат анализа не позволяет утверждать, что строгое соблюдение присутствия характеистик окажется решающим фактором в решении проблемы. В этом случае необходимо провести более глубокий анализ данных.

Таблица 12.4

Сотрудники библиотеки	Присутствует	Не присутсвует	Всего случаев
Квалификация	3	10	13
Личностные качества	8	5	13
Всего случаев	11	15	26

Результат анализа данных показывают большое влияние на присутствие вторых характеристик присутствие первых характеристик.

Анализ данных по методу расслоения приводит к выводу, что для окончательного решения проблемы должны быть намечены следующие меры:

1. не допускать присутствие вторых факторов, которые делаются без предварительной договоренности учреждением;

4.скорректировать объем знаний так, чтобы он был по силам учреждению, на котором размещается заказ, и не вынуждал его делать повторное выполнение факторов;

5. оказать помощь учреждению, на выполняются факторы, освоить принципы ведения дел с учреждением, на которых выполняются вторичные факторы.

13 Диаграмма разброса

В процессе исследования часто приходится выяснять, существует ли зависимость между двумя различными параметрами процесса. Например, зависит ли качество готового изделия от качества исходных материалов, комплектующих деталей и узлов и т.д. Для выяснения зависимости между показателями качества и основными факторами производства, а также корреляционной зависимости между факторами используют диаграммы разброса (рассеивания), которые также называются полем корреляции.

Диаграмма разброса (рассеивания) — это инструмент, позволяющий определить вид и тесноту связи двух рассматриваемых параметров процесса.

Диаграмма разброса представляет собой график, получаемый путем нанесения в определенном масштабе экспериментальных, полученных в результате наблюдений точек. Координаты точек соответствуют значениям рассматриваемой величины и влияющего на него фактора. Расположение точек на графике показывает наличие и характер связи между случайными величинами. Таким образом, диаграмма разброса дает возможность выдвинуть гипотезу о наличии или отсутствии корреляционной связи между двумя случайными величинами, которые могут относиться к характеристике качества и влияющему на нее фактору либо к двум различным характеристикам качества, либо к двум факторам, влияющим на одну характеристику качества.

Рассмотрим пример построения диаграммы разброса.

1. Цель построения: определить наличие и характер связи между случайными величинами, одна из которых представляет собой параметр технологического процесса, а другая — параметр качества изделия. Анализ предварительных наблюдений не дает однозначного результата: одни склонны видеть влияние данного фактора, а другие такое влияние отрицают. Решено провести количественные измерения и объективно определить, есть ли связь между этими величинами или нет, а также приближенно определить ее характер.

2. Для сбора данных разработан листок регистрация, в котором предусмотрена таблица, имеющая графы:

— порядковые номер измерения i;

— значение технологического фактора x;

— значение показателя качества изделия у;

— значение фактора z , который по предварительным данным также оказывает влияние на показатель качества у.

3. Проведены наблюдения с измерениями значений x, z и у. Полученные результаты занесены в листок наблюдений (таблица 13.1).

Таблица 13.1

4. По полученным данным строится график, по одной оси которого — горизонтальной — откладываются значения x, по другой — вертикальной — значения у. Диапазон изменения x от 37 до 89, поэтому ось x можно разбить в диапазоне от 20 до 90.Диапазон изменения у от 40 до 180. Разбиваем ось в пределах от 30 до 200. На построенный таким образом график в масштабе наносим экспериментальные точки.

Рисунок 24 — Зависимость параметра качества изделия у от значения технологического фактора х

График с нанесенными точками приведен на рисунке 24. Облако точек вытянуто. В среднем при увеличении х происходит увеличение у. Следовательно, на основе полученных при наблюдениях результатов можно сделать вывод о наличии между данными величинами положительной корреляционной связи. То есть, технологический параметр х оказывает влияние на параметр качества изделия у.

Чтобы оценить влияние на показатель качества у параметра z, построим график зависимости z-y . Эти зависимость, приведена на рисунке 25. Видно, что между величинами x и z можно усмотреть слабую связь. Однако следует принять во внимание, что разброс точек очень велик, а самих наблюдений произведено не очень много, чтобы с уверенностью судить о наличии связи.

Рисунок 25 — Зависимость параметра качества изделия у от значения технологического фактора Z

В некоторых случаях вывод, полученный на основе визуального анализа диаграмм рассеяния, бывает достаточным для принятия решений о проведении нужных мероприятий. Но иногда желательно получить количественную оценку тесноты или силы связи между случайными величинами.

Существуют различные методы оценки степени корреляционной зависимости. Одним из них является метод вычисления коэффициента корреляции r по формуле:

Где:

S_xy — ковариация случайных величин х и у:

,

— выборочная дисперсия величин х и у:

Коэффициент корреляции характеризует тесноту связи случайных величин, связанных между собой линейной зависимостью. Для случая нелинейных зависимостей этот коэффициент неприменим.

Коэффициент корреляции может принимать значения от −1 до +1. Если его значение близко к 0 — это значит, что между двумя рассматриваемыми величинами связь отсутствует. Если значение коэффициента близко к +1, между величинами имеется тесная положительная корреляция: при увеличении одной из них увеличивается и другая. Если же коэффициент корреляции близок к −1, между величинами имеется отрицательная корреляционная связь.

Расчет коэффициента корреляции.

Определим коэффициент корреляции для примера, приведенного на рисунке 24. Для этого таблицу 13.1 дополняется необходимыми графами и проводятся соответствующие вычисления. Результаты их приведены в таблице 13.2.

Таблица 13.2

Последующие вычисления по формулам дают следующие значения:

Таким образом, значение коэффициента корреляции составляет 0,97, что указывает на существование между величинами X и y сильной положительной корреляции.

Если оказывается, что между двумя случайными величинами существует связь, то можно найти математическое выражение зависимости между ними, формулу в которой каждому значению одной случайной величины будет соответствовать среднее значение другой случайной величины. Такая зависимость называется регрессионной зависимостью.

Рассмотрим наиболее часто встречающуюся линейную функцию. Кроме того, что она часто встречается, она удобна тем, что может быть применена для представления изменений величин, описываемых другими законами, если рассматриваются их изменения в достаточно узком интервале.

Уравнение прямой линии имеет вид:

y= ax + b

где:

у — функция (зависимая переменная),

х — аргумент (независимая переменная),

b — значение функции при x =0,

a — угловой коэффициент прямой, равный изменению функции при изменении аргумента на одну единицу. Этот коэффициент положителен, если при увеличении аргумента увеличивается и значение функции, и отрицателен в противном случае.

В случае вероятностной (стохастической) зависимости между случайными величинами каждому значению аргумента соответствует целый диапазон изменения зависимой величины. Поэтому зависимую величину называют не функцией, а откликом. Между аргументом и откликом нет однозначной связи, а есть лишь вероятностная связь, связь в среднем, когда значению аргумента можно поставить в соответствие в качестве наиболее вероятного среднее значение другой случайной величины.

Линии регрессии определяют по экспериментальным точкам. Она должна проходить так, чтобы быть возможно ближе к этим точкам, но при этом оставаться прямой. Наиболее подходящая линия-это линия, у которой сумма отклонений от экспериментальных точек наименьшая. Желательно найти именно такую линию, то есть найти ее коэффициенты. Это можно сделать методом наименьших квадратов. При этом коэффициенты а и b линии регрессии определяются из следующих соотношений:

Для рассматриваемого примера расчеты коэффициентов линейной регрессии проводятся по данным той же таблицы с использованием результатов, полученных при определении коэффициента корреляции r_xy, при этом:

Следовательно, уравнение линии регрессии для данных экспериментальных результатов имеет вид:

у=2,47х-44,5

Эта линия показана на рисунке 26 вместе с экспериментальными точками, полученными при наблюдениях.

Рисунок 26 — Линия регрессии

Коэффициенты регрессии могут быть приближенно определены графически на основе построения на глаз прямой, проходящей через наиболее плотное расположение экспериментальных точек на диаграмме рассеяния. Следует отметить, что линия регрессии проходит через точку М с координатами (,), то есть через центр рассеяния экспериментальных точек.

Во многих случаях определение коэффициентов регрессии по прямой, проведенной, на глаз, оказывается, достаточно точным, учитывая, что и при расчете по формулам используются экспериментальные данные, являющиеся случайными величинами. Поэтому и коэффициенты регрессии также являются величинами случайными, и им нельзя придавать какого-то абсолютного значения. В любом случае при анализе экспериментальных результатов следует постоянно иметь в виду реальное физическое содержание наблюдаемого явления, чтобы не выйти за рамки здравого смысла.

Заключение

Контроль качества — это одна из основных функций в процессе управления качеством. Значение контроля заключается в том, что он позволяет вовремя выявить ошибки, чтобы затем оперативно исправить их с минимальными потерями.

Контроль качества осуществляется путем сравнения запланированного показателя качества с действительным его значением. Собственно контроль качества и состоит в том, что, проверяя показатели качества обнаружить их отклонение от запланированных значений. В случае обнаружения такого отклонения необходимо найти причину его появления, и после корректировки процесса вновь проверить соответствие скорректированных показателей качества их запланированным значениям. Именно по такому непрерывному циклу осуществляется управление и обеспечение требуемого качества, и дальнейшее его улучшение.

Требования к качеству устанавливаются и фиксируются в нормативных и нормативно-технических документах: государственных, отраслевых, фирменных стандартах, технических условиях на продукцию и т.п.

Отклонение качества продукции от заданных параметров происходит, как правило, в худшую сторону и имеет общие и частные проявления.

К числу общих относится моральный износ, физическое и моральное старение продукции, то есть потеря первоначальных свойств при эксплуатации и старении.

Частные отклонения качества от установленных требований чрезвычайно разнообразны и обусловлены уже не экономической и технологической природой, а условиями внешнего характера: нарушениями правил эксплуатации, ошибками разработчиков и изготовителей, нарушениями производственной дисциплины, дефектами оборудования, с помощью которого изготавливается и используется продукция и т.д.

Поэтому можно утверждать, что качество продукции находится в постоянном движении. Следовательно, качество определяет собой хронически неустойчивый объект, требующий контроля.

Научной основой современного технического контроля является математико-статистические методы. Управление качеством продукции может обеспечиваться двумя методами: посредством разбраковки изделий и путем повышения технологической точности. Издавна методы контроля сводились, как правило, к анализу брака путем сплошной проверки изделий на выходе. При массовом производстве такой контроль очень дорог: контрольный аппарат должен в пять — шесть раз превышать количество производственных рабочих, и даже при этом нет полной гарантии от брака. Поэтому от сплошного контроля переходят к выборочному с применением статистических методов обработки результатов.

Список использованных источников

1. Р  50-601-20-91. Рекомендации по оценке точности и стабильности технологических процессов (оборудования). — М.: ВНИИС, 1994

2. Ноулер Л. и др. Статистические методы контроля качества продукции. — М.: Изд-во стандартов,1989.

3. Миттаг Х.-Й. И др. Статистические методы обеспечения качества. Пер. с нем. — М.:Машиностроение, 1995.

4. Методическое пособие по статистическим методам управления качеством продукции. —М.: ВНИИС, 1995

5. Гиссин В.И. Управление качеством продукции: Учебное пособие. —Ростов н/Д: Феникс,2000.-256с.

6. Гмурман В.Е. Теория вероятностей и математическая статистика. Учеб.пособие для вузов. Изд.6-е, стер.-М.: Высш. шк., 1998.-479с.

7. Спицнадель В.Н. Системы качества (в соответствии с международными стандартами ISO семейства 9000): Учеб.пос.-СПб.: Издательский дом «Бизнес-пресса», 2000.-336с.

8. Волченко В.Н. Вероятность и достоверность оценки качества металлопродукции- М.:"Металлургия", 1979.-88с.

9. Рябенко В.В. Статистические методы сбора и анализа информации для управления производством и качеством продукции/ Промышленная академия. Кафедра систем качества.-Люберцы, 1992.-92с.

10. Статистические методы повышения качества. Под. ред. Хитоси Кумэ: Пер. с англ. —М.:Финансы и статистика, 1990.

11. Михайлова Н.В. Анализ технологического процесса // Надежность и контроль качества,1995, 2, с. 39-46.

12. Герасимова Г.Е., Стерьхов Ю.А. Статистическое управление технологическим процессом// Надежность и контроль качества,1995, 2, с. 46-57.

13. Серов М.Е. Современные принципы управления качеством как синтез восточного и западного подходов // Надежность и контроль качества,1998, 4, с. 24-29.

14. Парк С. Система статистического управления процессами и ее практическое применение в промышленности// Надежность и контроль качества,1996, 4, с. 56-61.

 

Скачать: kursovaya-po-SMK-i-UK.doc