Možnosti vyhledávání poskytují nové úrovně analýzy kvality.
Ve světě analýzy mikroskopických snímků jsme začali vytvářet více snímků, než jsme si kdy představovali. Při letošní návštěvě továrny na automobily jsem si například všiml, že prověřování svarů se provádí po celém vozidle, aby pomohlo zajistit, že automatizované svařovací stroje dělají svou práci správně. V tomto zařízení jsem viděl více než 50 snímků v jediném hlášení a začal jsem si uvědomovat, proč bylo nastavení databáze snímků tak zásadní pro využití snímků, jako jsou tyto.
Vraťme se tedy o kousek zpátky...
I dnes si mnoho lidí stále neuvědomuje hodnotu databáze snímků a význam, který pro ně může mít. Připadá nám, že k přehlednému uskladnění dat můžeme jednoduše využít operační systém našeho počítače a jeho schopnost práce se soubory a složkami. To nám však poskytuje pouze základní způsoby rozčlenění dat. V příkladu z automobilového průmyslu by nejvyšší složka mohla být pro model vozidla, na další úrovni by pak bylo umístění na vozidle a na poslední úrovni by bylo datum provedení testu. Pořízené klíčové měření by pak bylo překryto na snímku uloženém v daném umístění. Tato struktura je v pořádku, pokud se vždy chceme dívat na test specifických dat na známém místě vozidla. To se ale změní, když se chceme podívat na svary zavazadlového prostoru z března – pak musíme pro vyhledání snímků projít všechny složky s březnovým datem. Když poté potřebujeme detailní analýzu vadných svarů zavazadlového prostoru, může být kvůli odečtení naměřené hodnoty ze snímku zapotřebí otevřít všechny snímky ve všech datovaných složkách. To vše lze zjednodušit jediným databázovým štítkem vyhovující/nevyhovující měření.
Zpět k dnešku...
Při vytváření databáze snímků se hodí rozčlenit základní data tak, aby byla přehlednější. Například se hodí vytvořit strukturu pro modely vozidel a další úroveň pro umístění vozidel, ale tím by veškerá podobnost končila. Datum testu je zřejmé, protože jde o datum původního uložení snímku a je zaznamenáno zcela automaticky. Po provedení měření může operátor nastavit databázový štítek jako vyhovující/nevyhovující. Nyní je možné bez otevření jediné složky nastavit vyhledávací rozsah pro datum a databáze navrátí všechny snímky s odpovídajícím datem. V režimu analýzy poruch stačí nastavit databázový dotaz tak, aby byly vráceny všechny zavazadlové prostory, které mají v daném databázové poli nastavenu hodnotu „nevyhovující“. To je poměrně jednoduchý příklad, v dalším pokusu zkusme něco trochu pokročilejšího.
Zde je hypotetický příklad...
Management se dozví, že velké množství svarů zavazadlových prostorů je hodnoceno jako nevyhovující a navzdory konstantnímu seřizování svařovacích strojů stále dochází k vysokému výskytu nevyhovujících svarů. Jako supervizoři laboratoře pro kontrolu kvality jste zkontrolovali hlášení, a tak víte, že některé snímky, které vypadaly dobře, byly hodnoceny jako nevyhovující. Co můžete udělat? Pomocí databázového vyhledávání najdete všechny testy hodnocené jako nevyhovující. Databáze vám také ukázat i čas testování daného vzorku. Přidáním několika polí do databáze můžete sledovat čas, kdy bylo vozidlo odebráno z montážní linky, čas řezu součástí pro dané testování, kdo součásti na vozidlo nařezal, kdo provedl test, a dokonce, kdo se vrátil k montážní lince seřídit svařovací stroje. Se všemi těmito daty pak můžete přesně určit, kdy se věci pokazily, a zjistit, jak došlo k nápravě.
Následně mohou být odhaleny další situace: vozidlo mohlo den čekat, než byly jeho díly nařezány a poté otestovány. Jméno uživatele, který provedl nesprávná měření a identifikoval díly jako nevyhovující, bude také dostupné. Může být odhaleno ještě více odpovědí (např. po nesprávném postupu mohl uživatel nesprávně seřídit svařovací zařízení, které vykazovalo více nevyhovujících případů; vzorky nařezané určitým technikem mohly být poškozeny při řezu, což způsobilo špatné výsledky měření). Seznam možností, které by mohly být identifikovány, je limitovaný pouze zadanými daty.
Databáze snímků nemusí být děsivé...
Databáze mohou být poměrně jednoduché, počínaje něčím tak základním, jako jsou prosté (ploché) databázové soubory pro ukládání dokumentů. Tento typ databáze pracuje na jednom počítači na úrovni jedné složky s databázovými poli, která zaznamenávají nevyhovující vzorky, uživatele atd. a následně umožňují vyhledávat data.
Databáze pro pracovní skupiny nyní umožňují přístup k jedné databázi až pěti počítačům, což umožňuje několika stanicím pro pořizování a analýzu snímků přístup ke stejným snímkům. V takovémto případě může jeden uživatel vytvořit snímek a uložit ho v databázi, další uživatel jej může přetáhnout do jiného počítače a provést analýzu a třetí napsat konečné hlášení. Do databáze můžeme také uložit primární data měření a dokončené hlášení v souboru Word. Je možné vytvořit pokročilejší filtry pro vyhledávání komplexnějších scénářů dat a výsledků. Tyto typy databází vyžadují určitou míru IT odbornosti, ale interní zdroje vaší společnosti a specialista na aplikace od externího dodavatele by vám měli pomoci najít vaši cestu.
Podnikové databáze mohou být komplexní, pokud ale je bezpečnost dat klíčovou součástí vašich projektů, mohou představovat úroveň, na které se potřebujete pohybovat. Na této úrovni můžete provádět synchronizace adresáře uživatele z vaší společnosti a přidělovat zabezpečení databázi systému vašich mikroskopů. Můžete zabránit uživatelům, aby odstraňovali data, nebo dokonce jen prohlíželi data jiných uživatelů. Tato úroveň zahrnuje všechny již popsané funkce spolu s přidanou úrovní integrity. Ujistěte se, že jste připraveni na tento typ projektu, protože může být velkým závazkem pro vaše IT oddělení, ale jeho hodnota za to rozhodně může stát.