Enhancing Quality Control in the Indonesian Automotive Parts Industry: A Defect Reduction Approach Through the Integration of FMEA and MSA
Notice bibliographique
Résumé
This article presents the results of research related to measurement system improvement in the manufacturing process of part box 2ph (luggage box on a motorbike).The research used an integrated approach of Failure Mode and Effect Analysis (FMEA) and Measurement System Analysis (MSA) to identify and address critical measurement failures.Begin by identifying potential failure modes in the manufacturing process through FMEA, prioritizing high-risk failure modes, and then align these with critical measurements for subsequent evaluation.Implement MSA on the identified critical measurements, ensuring the measurement system's reliability and precision, and use the integrated results to guide corrective actions and improvements, creating a synchronized approach to enhance overall process quality.The limitation of integrating FMEA and MSA that focuses only on measurement involves limitations in addressing non-measurement aspects of potential failures, such as design issues, overall process variability, and qualitative aspects, so it may not provide a holistic picture related to the risk of failure in manufacturing processes.Key findings showed that errors in the measuring instruments, recorded on the measurement check sheets, were the focal point of urgent improvement.Root cause analysis implicated factors such as errors at the start of the project and lack of confirmation from the measurement department.In response, key initiatives involved full calibration of measuring instruments, control of the calibration schedule, appraiser training for consistency of skills and perceptions, and additional operators in quality checking and diameter sizing to reduce workload.Prior to improvement, MSA analysis revealed a significant level of uncertainty, with the Gage Repeatability and Reproducibility (GRR) value reaching 76.90%.Implementation of the improvements resulted in a dramatic reduction of GRR to 8.97%, signaling a positive transformation of the measurement system.The previously unacceptable system became reliable, with Number of Distinct Categories (ndc) values reaching 15, indicating consistency in providing information related to process changes.The results of this study provide valuable insights for further development in the manufacturing industry.By focusing on improvement strategies involving strengthening the calibration of measuring instruments, training appraisers, and adding operators, significant improvements in measurement quality and consistency can be achieved.The implications of these findings create a foundation for a proactive, datadriven approach to addressing and preventing measurement failures in manufacturing processes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».