{{ $pt['date'] }} · {{ $spcValueLabel }} {{ number_format($pt['de'], 3) }} · {{ $pt['batch'] }}{{ $pt['violation'] ? ' ⚠ '.$pt['violation'] : '' }}

{{-- ── Page Header ──────────────────────────────────────────────── --}}

Lean Six Sigma — Análisis de Calidad

SPC · Cpk · Pareto · DPMO · FPY — últimos {{ $days }} días

{{-- ── Tab Navigation ───────────────────────────────────────────── --}}

@foreach([ 'spc' => '📈 Control SPC', 'capability' => '⚙️ Capacidad Cpk', 'pareto' => '📊 Pareto Defectos', 'dpmo' => '🎯 DPMO / Sigma', 'lean' => '🔄 FPY / Lean', ] as $tab => $label) @endforeach

{{-- ══════════════════════════════════════════════════════════════ --}} {{-- TAB 1 — SPC Control Chart (I-MR for ΔE) --}} {{-- ══════════════════════════════════════════════════════════════ --}} @if($activeTab === 'spc')

Carta de Control Individual-Rango Móvil (I-MR)

@if($spcMetric === 'color_de') @endif

@php $activeSpc = $spcMetric === 'gsm' ? $spcGsm : ($spcMetric === 'width' ? $spcWidth : $spcData); $spcValueLabel = $spcMetric === 'gsm' ? 'GSM' : ($spcMetric === 'width' ? 'Ancho' : 'ΔE'); @endphp @if($activeSpc['empty'])

📈

Sin datos suficientes

Se necesitan al menos 2 mediciones en el período seleccionado.

@else {{-- KPI strip --}}

n Mediciones

X̄ ({{ $spcValueLabel }})

σ̂ estimada

UCL

LCL

Violaciones

reglas Western Electric

📉 Carta I — Valores Individuales ({{ $spcValueLabel }})

@if(!empty($activeSpc['svg'])) @php $svg = $activeSpc['svg']; @endphp

@endif

{{-- MR Chart --}} @if(!empty($activeSpc['svg_mr']))

📊 Carta MR — Rango Móvil

@php $smr = $activeSpc['svg_mr']; @endphp

@endif {{-- Violations detail --}} @if(count($activeSpc['violations']) > 0)

⚠️ Señales de Proceso Fuera de Control

@foreach($activeSpc['points'] as $pt) @if($pt['violation']) Punto {{ $pt['i'] + 1 }} ({{ $pt['date'] }}) — {{ $pt['batch'] }} — Regla {{ $pt['violation'] }} @endif @endforeach

@endif {{-- Rules legend --}}

ℹ️ Reglas Western Electric aplicadas

R1 1 punto más allá de ±3σ (UCL/LCL) R2 8 puntos consecutivos del mismo lado de la línea central R3 6 puntos consecutivos en tendencia (↑ o ↓) R4 2 de 3 puntos consecutivos más allá de ±2σ en el mismo lado

UCL = X̄ + 2.66 × MR̄ | LCL = X̄ − 2.66 × MR̄ | σ̂ = MR̄ / 1.128 (constantes de control para n=2, distribución de rango móvil)

@endif @endif {{-- ══════════════════════════════════════════════════════════════ --}} {{-- TAB 2 — Process Capability (Cpk) --}} {{-- ══════════════════════════════════════════════════════════════ --}} @if($activeTab === 'capability')

⚙️ Capacidad del Proceso por Color (ΔE vs. Tolerancia Cliente)

@if(empty($capabilityRows))

⚙️

Sin datos de capacidad

Se necesitan al menos 2 mediciones por color con tolerancia configurada.

@else @foreach($capabilityRows as $row) @endforeach

Color	n	X̄ (ΔE)	σ	USL	Cp	Cpk	% en spec	Nivel σ	Estado
{{ $row['code'] }} @if($row['name']) {{ $row['name'] }} @endif	{{ $row['n'] }}	{{ $row['mean'] }}	{{ $row['sigma'] }}	{{ $row['usl'] }}	{{ $row['cp'] }}	{{ $row['cpk'] }}	{{ $row['pct_in_spec'] }}%	{{ $row['sigma_level'] }}σ	@if($row['status'] === 'capable') ✅ Capaz @elseif($row['status'] === 'marginal') ⚠️ Marginal @else ❌ No Capaz @endif

@endif

⚖️ Capacidad del Proceso — Pruebas Físicas (GSM / Ancho)

Cpk bilateral: LSL/USL derivados de target ± tolerancia configurada por artículo.

@if(empty($physCapRows))

⚖️

Sin pruebas físicas con targets configurados

Registre pruebas con GSM/Ancho target para calcular Cpk.

@else @foreach($physCapRows as $row) @endforeach

Métrica	Artículo	n	X̄	σ	LSL	USL	Cp	Cpk	% en spec	Estado
{{ $row['metric'] }}	{{ $row['article'] }}	{{ $row['n'] }}	{{ $row['mean'] }}	{{ $row['sigma'] }}	{{ $row['lsl'] }}	{{ $row['usl'] }}	{{ $row['cp'] }}	{{ $row['cpk'] }}	{{ $row['pct_in_spec'] }}%	@if($row['status'] === 'capable') ✅ Capaz @elseif($row['status'] === 'marginal') ⚠️ Marginal @else ❌ No Capaz @endif

@endif

📌 Referencia Cpk

Cpk ≥ 1.67 — Clase mundial (6σ)

Cpk ≥ 1.33 — Capaz (estándar industria)

Cpk ≥ 1.00 — Marginal (mejorar)

Cpk < 1.00 — No capaz (acción inmediata)

@endif {{-- ══════════════════════════════════════════════════════════════ --}} {{-- TAB 3 — Pareto (Defect Analysis) --}} {{-- ══════════════════════════════════════════════════════════════ --}} @if($activeTab === 'pareto')

Total Defectos

Tipos distintos

@php $vitalItems = array_filter($paretoData['items'], fn($i) => $i['vital']); $vitalPct = count($vitalItems) > 0 && count($paretoData['items']) > 0 ? round(count($vitalItems) / count($paretoData['items']) * 100) : 0; @endphp

Vital few (80%)

tipo(s) = {{ $vitalPct }}% de tipos, ~80% de defectos

📊 Diagrama de Pareto — Tipos de Defecto (tela)

Barras rojas = "vital few" (contribuyen al 80% acumulado). Principio de Pareto: enfocar en estos tipos elimina la mayoría de defectos.

@if(empty($paretoData['items']))

📊

Sin defectos registrados en el período

@else @foreach($paretoData['items'] as $item) @php $barPct = $paretoData['max'] > 0 ? round($item['count'] / $paretoData['max'] * 100) : 0; $color = $item['vital'] ? '#ef4444' : '#94a3b8'; @endphp

{{ $item['cum_pct'] }}%

@endforeach @foreach($paretoData['items'] as $item) @endforeach

Tipo de Defecto	Cantidad	Puntos	%	% Acum.	Vital
{{ $item['type'] }}	{{ $item['count'] }}	{{ number_format($item['pts'], 1) }}	{{ $item['pct'] }}%	{{ $item['cum_pct'] }}%	{{ $item['vital'] ? '🔴' : '⚪' }}

@endif

🐟 Próximo paso: Diagrama de Ishikawa (Causa-Raíz)

Identificados los tipos "vital few", analizar causas raíz con el diagrama Ishikawa (6M): Máquina (desgaste, calibración) · Material (hilo, densidad) · Método (velocidad, tensión) · Mano de obra (operador, turno) · Medición (calibración fotoeléctrica) · Medio Ambiente (humedad, temperatura).

@endif {{-- ══════════════════════════════════════════════════════════════ --}} {{-- TAB 4 — DPMO & Sigma Level --}} {{-- ══════════════════════════════════════════════════════════════ --}} @if($activeTab === 'dpmo') @php $sigmaColor = fn(float $s) => match(true) { $s >= 6 => '#10b981', $s >= 5 => '#22c55e', $s >= 4 => '#84cc16', $s >= 3 => '#f59e0b', $s >= 2 => '#f97316', default => '#ef4444', }; $sigmaBg = fn(float $s) => match(true) { $s >= 6 => '#d1fae5', $s >= 5 => '#dcfce7', $s >= 4 => '#ecfccb', $s >= 3 => '#fef3c7', $s >= 2 => '#ffedd5', default => '#fee2e2', }; @endphp

🧵 Tela — Defectos Físicos

{{ $dpmoData['fabric']['sigma'] }}σ

{{ number_format($dpmoData['fabric']['dpmo']) }} DPMO

{{ number_format($dpmoData['fabric']['defects']) }} defectos / {{ number_format($dpmoData['fabric']['opps']) }} oportunidades
({{ $dpmoData['fabric']['insp'] }} inspecciones × 36 oportunidades)

🎨 Color — Mediciones ΔE

{{ $dpmoData['color']['sigma'] }}σ

{{ number_format($dpmoData['color']['dpmo']) }} DPMO

{{ number_format($dpmoData['color']['defects']) }} rechazos / {{ number_format($dpmoData['color']['opps']) }} mediciones totales

⚖️ Pruebas Físicas (GSM/Ancho/Estiramiento/Lavado)

{{ $dpmoData['physical']['sigma'] }}σ

{{ number_format($dpmoData['physical']['dpmo']) }} DPMO

{{ number_format($dpmoData['physical']['fails']) }} FAIL / {{ number_format($dpmoData['physical']['opps']) }} sub-pruebas
({{ $dpmoData['physical']['tests'] }} tests × hasta 4 oportunidades)

📏 Tabla de Referencia Sigma

@foreach([ [6, 3.4, '#10b981', 'Clase mundial'], [5, 233, '#22c55e', 'Excelente'], [4, 6210, '#84cc16', 'Industria avanzada'], [3, 66807, '#f59e0b', 'Promedio industria'], [2, 308537, '#f97316', 'Por debajo promedio'], [1, 691462, '#ef4444', 'Inaceptable'], ] as [$s, $dpmo, $col, $desc])

{{ $s }}σ

{{ number_format($dpmo) }} DPMO

@endforeach {{-- Current markers --}}

Posición actual: Tela {{ $dpmoData['fabric']['sigma'] }}σ ({{ number_format($dpmoData['fabric']['dpmo']) }} DPMO) · Color {{ $dpmoData['color']['sigma'] }}σ ({{ number_format($dpmoData['color']['dpmo']) }} DPMO) · Físicas {{ $dpmoData['physical']['sigma'] }}σ ({{ number_format($dpmoData['physical']['dpmo']) }} DPMO)

📅 Tendencia Mensual DPMO (Tela — últimos 6 meses)

@php $maxDpmoTrend = max(array_column($dpmoData['trend'], 'dpmo') ?: [1]); @endphp @if($maxDpmoTrend > 0)

@foreach($dpmoData['trend'] as $t) @php $barH = $maxDpmoTrend > 0 ? round($t['dpmo'] / $maxDpmoTrend * 70) : 0; @endphp

@endforeach

@foreach($dpmoData['trend'] as $t) @endforeach

Mes	Inspecciones	Defectos	DPMO	Nivel σ
{{ $t['month'] }}	{{ $t['insp'] }}	{{ $t['def'] }}	{{ number_format($t['dpmo']) }}	{{ $t['sigma'] }}σ

@else

📅

Sin datos de tendencia mensual

@endif

@endif {{-- ══════════════════════════════════════════════════════════════ --}} {{-- TAB 5 — Lean Metrics (FPY / RTY) --}} {{-- ══════════════════════════════════════════════════════════════ --}} @if($activeTab === 'lean') @if($leanData['total'] === 0)

🔄

Sin lotes en el período seleccionado

@else {{-- KPI cards --}}

FPY Color

{{ $leanData['fpy'] }}%

objetivo: ≥ 85%

@if($leanData['phys_fpy'] !== null)

FPY Físicas

{{ $leanData['phys_fpy'] }}%

{{ $leanData['phys_pass'] }}/{{ $leanData['phys_total'] }} aprobados

@endif @if($leanData['rty'] !== null)

RTY (Color×Físicas)

{{ $leanData['rty'] }}%

objetivo: ≥ 75%

@endif

Total Lotes

Tasa Retrabajo

{{ $leanData['rework_rate'] }}%

{{ $leanData['reworked'] }} lotes

Tasa Rechazo

{{ $leanData['reject_rate'] }}%

{{ $leanData['rejected'] }} lotes

Fuera Estándar

pendientes resolución

🔄 Waterfall de Yield (flujo de calidad de lotes)

Total lotes

→

1ª pasada OK

⤵

Retrabajados

⤵

Rechazados

⤵

Fuera estándar

FPY: {{ $leanData['fpy'] }}% Objetivo: 85%

📅 Tendencia Semanal FPY (últimas 8 semanas)

@php $maxWeekly = max(array_column($leanData['weekly'], 'total') ?: [1]); @endphp

@foreach($leanData['weekly'] as $w) @php $fpyH = $w['total'] > 0 ? round($w['fp'] / $maxWeekly * 75) : 0; $totalH= $w['total'] > 0 ? round($w['total'] / $maxWeekly * 75) : 0; $fpColor = $w['fpy'] === null ? '#e2e8f0' : ($w['fpy'] >= 85 ? '#10b981' : ($w['fpy'] >= 70 ? '#f59e0b' : '#ef4444')); @endphp

@endforeach

≥85% FPY 70-84% <70% Sin lotes

♻️ Waste Analysis (Lean — Muda de Defectos)

Muda identificado

Retrabajo excesivo ({{ $leanData['rework_rate'] }}%) — revisar fórmulas de teñido
Rechazos sobre umbral ({{ $leanData['reject_rate'] }}%) — análisis de causa raíz
{{ $leanData['oos'] }} lotes fuera estándar sin disposición
✅ Sin alertas Lean en período seleccionado

Definición de FPY / RTY

FPY Color = Lotes aprobados en 1ª pasada / Total lotes
FPY Físicas = Tests APPROVED / Total pruebas físicas
RTY = FPY Color × FPY Físicas
Meta industria textil: FPY ≥ 85%, RTY ≥ 75%

@endif @endif