खरीद ब्रांडों को अनुकूलित करने, रखरखाव चक्रों को समायोजित करने और व्यापक स्पेयर पार्ट्स और हानि लागत को कम करने के लिए कार्यशालाओं को नियमित रूप से थर्मोकपल विफलता डेटा की गणना करने की आवश्यकता है। तीन मुख्यधारा के सांख्यिकीय विश्लेषण तरीकों का व्यापक रूप से उपयोग किया जाता है: विफलता आवृत्ति वर्गीकरण आँकड़े, सेवा जीवन लागत -लाभ तुलना, और उत्पादन भार विफलता सहसंबंध विश्लेषण। यह आलेख प्रत्येक विधि के लागू परिदृश्यों, डेटा अधिग्रहण की कठिनाई और निर्णय लेने के मूल्य की तुलना करता है।
विधि 1: विफलता आवृत्ति वर्गीकरण आँकड़े (बुनियादी दैनिक प्रबंधन विधि)
एकत्रित डेटा: मासिक कुल विफलता मात्रा, प्रत्येक दोष प्रकार का मात्रा अनुपात (बहाव, खुला सर्किट, शॉर्ट सर्किट, यांत्रिक क्षति, वायरिंग त्रुटि)।
ऑपरेशन चरण: प्रत्येक रखरखाव के दौरान गलती कोड रिकॉर्ड करें, महीने के अंत में प्रत्येक गलती श्रेणी का प्रतिशत सारांशित करें, गलती अनुपात पाई चार्ट बनाएं।
निर्णय अनुप्रयोग: यदि थर्मल ड्रिफ्ट 40% से अधिक दोषों के लिए जिम्मेदार है → एन - टाइप एंटी - ड्रिफ्ट थर्मोकपल में अपग्रेड करें और कार्बन सफाई चक्र को छोटा करें; यदि खुला है तो -सर्किट यांत्रिक क्षति हावी है → वायरिंग तनाव सुरक्षा और कंपन अलगाव उपायों को अनुकूलित करें।
लाभ: सरल डेटा संग्रह, कम सांख्यिकीय श्रम लागत, सीमित डेटा प्रबंधन कर्मियों के साथ छोटे और मध्यम आकार की कार्यशालाओं के लिए उपयुक्त।
नुकसान: विभिन्न दोषों से होने वाले आर्थिक नुकसान की मात्रा निर्धारित नहीं की जा सकती, लागत संख्यात्मक संदर्भ के बिना केवल गुणात्मक सुधार मार्गदर्शन।
विधि 2: सेवा जीवन लागत-लाभ तुलना (खरीद आपूर्तिकर्ता मूल्यांकन विधि)
एकत्रित डेटा: प्रत्येक ब्रांड थर्मोकपल यूनिट खरीद मूल्य, औसत सेवा जीवन, मासिक रखरखाव श्रम घंटे, विफलता के कारण औसत डाउनटाइम हानि, दोषपूर्ण उत्पाद स्क्रैप हानि।
गणना सूचकांक: प्रत्येक ब्रांड की व्यापक दैनिक लागत=(खरीद परिशोधन लागत + रखरखाव श्रम लागत + डाउनटाइम स्क्रैप हानि) ÷ वास्तविक सेवा दिन।
निर्णय अनुप्रयोग: K-प्रकार के घरेलू जेनेरिक, उच्च-अंत घरेलू विकल्प और आयातित N-प्रकार के थर्मोकपल की दैनिक व्यापक लागत की तुलना करें; सबसे कम दैनिक व्यापक लागत मिलान उत्पादन भार वाले ब्रांड का चयन करें।
लाभ: सभी छिपे हुए नुकसानों को संख्यात्मक लागत में मापें, खरीद बजट समायोजन और ब्रांड प्रतिस्थापन के लिए प्रत्यक्ष डेटा आधार प्रदान करें।
नुकसान: डेटा संग्रह कार्यभार बड़ा है, डाउनटाइम और स्क्रैप मात्रा को समकालिक रूप से रिकॉर्ड करने के लिए एमईएस प्रणाली की आवश्यकता होती है।
विधि 3: उत्पादन भार विफलता सहसंबंध विश्लेषण (रखरखाव चक्र अनुकूलन विधि)
एकत्र किया गया डेटा: उत्पादन लोड प्रकार (तीन {{0}शिफ्ट निरंतर / दो -शिफ्ट रुक-रुक कर / एकल-शिफ्ट परीक्षण), दैनिक औसत मोल्डिंग चक्र समय, प्रसंस्करण सामग्री संक्षारण, थर्मोकपल औसत विफलता अंतराल दिन।
ऑपरेशन चरण: उत्पादन लोड तीव्रता और विफलता चक्र के बीच सहसंबंध वक्र स्थापित करें, प्रत्येक लोड मोड के लिए इष्टतम विभेदित अंशांकन और सफाई चक्र की गणना करें।
निर्णय अनुप्रयोग: उच्च {{0}लोड तीन {{1}शिफ्ट संक्षारक सामग्री उत्पादन लाइन अंशांकन चक्र को 30 दिनों तक छोटा कर देती है; कम {{3} लोड सिंगल {{4} शिफ्ट ट्रायल मोल्ड अंशांकन चक्र को 180 दिनों तक बढ़ाते हैं, रखरखाव श्रम इनपुट और विफलता जोखिम नियंत्रण को संतुलित करते हैं।
लाभ: परिष्कृत विभेदित रखरखाव प्रबंधन को समझें, अधिक रखरखाव बर्बादी या कम रखरखाव गुणवत्ता जोखिम से बचें।
नुकसान: लंबा डेटा संचय चक्र, सटीक सहसंबंध वक्र बनाने के लिए कम से कम 3 महीने की निरंतर गलती रिकॉर्डिंग की आवश्यकता होती है।
कार्यशाला समग्र सांख्यिकीय अनुप्रयोग सुझाव
छोटी कार्यशालाएँ: विधि 1 मासिक दोष वर्गीकरण आँकड़ों को दैनिक प्रबंधन आधार के रूप में अपनाएँ।
मध्यम {{0}बड़े पैमाने पर उत्पादन कार्यशालाएँ: संयुक्त विधि 1 + विधि 2, मासिक दोष वर्गीकरण + त्रैमासिक ब्रांड लागत -खरीद और रखरखाव रणनीतियों को समायोजित करने के लिए लाभ मूल्यांकन।
संपूर्ण एमईएस डेटा संग्रह के साथ बुद्धिमान कार्यशालाएं: पूर्ण डिजिटल परिष्कृत थर्मोकपल लागत और जोखिम नियंत्रण का एहसास करने के लिए सुपरइम्पोज़ विधि 3 लोड सहसंबंध विश्लेषण।
