Jeff(ASQ_CQE)談統計品質工程Statistical Quality Engineering

過度調整Over Adjustment 過度調整是造成SPC出現特殊原因的原因之一，過度調整指的是根據單次偏離規格中心的變異而進行的調整。談到過度調整就不能不談到 漏斗實驗 ，這個實驗充分藉由調整漏斗的位置顯示出越是進行調整，鋼珠整體的位置分佈越是擴散。漏斗實驗有四種情境，請參考【 品質工程】轉危為安 Out of the Crisis (5) 漏斗實驗 Funnel Experiment 的說明。

公司的財務報表裡面向來不會納入產品的失效成本，這些成本被隱藏在各種流程裡面並且被人們忽略。財務報表裡面會有採購物料的單價以及數量折扣所「獲得」的利潤，例如我們採購物料A的單價是$5，採購100pcs是$500，但採購1000pcs則是$4000；單價從$5折扣到$4，採購單位獲得了20%的cost reduction績效。另一方面，採購可以從甲供應商採購到物料A，也可以從乙供應商採購到物料A，乙供應商可以用比較低劣的生產條件製作出只要$4的物料A，那麼採購也可以用$400買到100pcs的物料A；採購單位同樣獲得20%的cost reduction績效。

簡單記錄一下自己閱讀這本書的重點摘錄 張先生細數他少時的顛沛流離 又詳記他在美國求學的經歷 文字雖然輕描淡寫卻看得出他自小用功頗深 對於文字、語言、數理、藝術及科學均有深厚底蘊 當然也是他家學淵源 自幼受了長輩正面影響所致 希凡尼亞半導體的敗因出在領導階層 領導階層都是外面聘僱別的行業的半導體外行人  偶爾開發出好產品卻無法在開發、生產、行銷互相搭配 五零年代的德州儀器卻是不同的光景 領導階層出身自技術背景 非常了解並講究半導體的相關技術與發展 除專業領域外 也很要求聘雇的員工必須了解半導體知識的背景及能力 此外又非常講究職級間開放平等的態度 讓橫向與縱向的交流均較其他公司為高 就張先生的角度而言這都是德州儀器比希凡尼亞半導體好上數倍的優點 另一方面他也認為德州儀器在半導體失敗的地方同樣也是高階領導者的技術 原本是半導體專家的夏伯特在張忠謀先生入職德儀之時已經逐漸與半導體技術脫節 更糟糕的是 後來他自己本身並不知道自己已經脫節 這讓德儀在半導體陷入了險境 德州儀器還有一點與希凡尼亞半導體有很大不同 那就是德州儀器的組織架構採用以業務單位為主體 下面編列工程、生產、行銷 這使得張先生所處的研發單位時常受到業務的霸凌 但他自己認為這卻是好事 原因是這樣使研發單位受限的環境反而有助於研發與行銷的緊密結合 那種「理想中的尖端研發單位」應該在校園內比較多 在企業內部不應佔比太多 張忠謀先生還有一項特點在自傳中完全展現出來 那就是他靜下來讀書的本領高得驚人 這似乎是他天生由於不善運動而發展出的特殊技能 例如他在顛沛流離的年代少讀了幾年書 卻總能迎頭趕上並且準時高中畢業 在哈佛大學的一年則是博覽群書 麻省理工學院則是每週花費50小時看書 到史丹佛讀電機博士之前則花了五個月的時間 每天從八點讀到晚上十一點 這時數算起來將近每天13小時的苦讀持續五個月  也就是13hours/day *150days = 1950 hours 真是十分驚人的閱讀時數

今天回過頭來談一下SPC手冊裡面的附件A的內容，標題是「抽樣問題的探討」，其中花了五頁的篇幅討論Auto-correlated Data(自相關資料)。 特別挑這個議題討論當然是因為自相關資料會造成SPC管制圖的錯誤判斷，一般來說，現代高速自動化生產的製程模式比較容易出現自相關資料。 什麼是自相關資料?

紅珠實驗 戴明博士在著作「轉危為安」及「新經濟學」裡面多次提到紅珠實驗，並且使用np-chart進行紅珠實驗的分析及闡述其管理意涵，這給我們至少兩個啟發： 1. 管制圖可以做為管理的有效工具 2. 其分析結果可以協助管理者分辨問題是否為系統性問題 應用管制圖於客運傷亡人數分析 Jeff對於台灣客運每年的傷亡人數深感興趣，於是套用這套工具進行分析，在「 中華民國交通部公路總局 」裡面可以找到我們想要的資料，其類別進一步分類為「遊覽車客運類」及「公路汽車客運類」。 我們在此僅選擇「公路汽車客運類」 並且將資料繪製成管制圖 以下是該管制圖的說明： 1. 該管制圖為np-chart 並假設n=每年該客運車次 = 每天100班*365天 = 36500班/年 2. 第一項的假設係源於每家客運公司的每年總車次資料不易取得因此有低估之虞 3. 第一項假設每家客運公司每年的車次相同 這會造成管制界限的估計錯誤 4. 更好的方式是取得每家客運每年的總班次及傷亡人數 並用p-chart重新分析 5. 這幾家客運均有跑新竹---台北路線 是這次的分析重點 無論如何，我們從管制圖中可以發現某些客運在傷亡人數上名列前茅，這六年來(2011至2016) 傷亡總人數累計排名依序為： 1. 國光客運 *136人 2. 統聯客運 *52人 3. 三重客運 *41人 4. 阿羅哈客運 *36人 5. 豪泰客運 *30人 這些數字不僅驚人，而且在管制圖上形成了頗為穩定的分布狀況，讓這幾年來的平均傷亡人數來到了9.833人 無條件進位則是10人。在30筆數據當中有5筆數據超出了管制界限，分別是： 1. 國光客運 *49人 2. 三重客運 *29人 3. 國光客運 *25人 4. 豪泰客運 *21人 5. 統聯客運 *20人 一般來說，如果數據超出管制界線，我們會認為這是由於特殊原因所造成的異常現象，然而如同我先前提到的管制圖假設，我們之所以在這張管制圖看到5個點超出管制界線是因為np chart須符合每組樣本均相同，但這與實際狀況並不相同，每家客運的每條路線的班次會有大幅度的差異，Jeff推測若使用精準的數據搭配p-chart分析應可...

在「轉危為安」、「新經濟學」這兩本戴明博士的著作中 反覆提到以下這張圖的概念 並由此延伸成所謂的"系統觀點" The knowledge of System 並且在日本傳授統計品質管制課程中 提醒各領導人要有系統觀念 在圖中的每一個單位都是互相關聯並且互相影響的 假若RD設計圖面有累積公差 則供應商就會根據此公差再加上它的製程變異 造成生產單位在製造過程中的異常或者不易組配 製程漏檢的產品則成為客戶的抱怨 在上述過程中 沒有一個人是贏家 但每個人都認為自己才是唯一的倒楣鬼 請問上述問題是誰的問題? 是客戶的規格太嚴?客戶太龜毛? 還是生產單位不夠聰明?只會照SOP做事?公差多一點就不會裝? 還是IQC都死光了?沒有發現供應商做的產品有累積公差? 還是VQM沒有確認供應商的製程能力? 還是採購是一群只會喝下午茶買網拍的OL?都沒跑供應商? 還是RD你們都是混帳 連累積公差都不會消除 SPC也不會算 還虧你讀了四中四大台清交 還是上述沒出現的主管們 你們才是數字管理的災厄的始作俑者 在眾多KPI的數字管理中 在採購成本越來越低的壓力中 在交期越來越趕的無力中 在RD製圖趕趕趕的時程中 在沒有人在意的變異逐漸擴大的時候 沒有人理解我們其實是一個系統 彼此互相影響 你長期忽略良好品質的舉動 就會造成每個環節的負面影響 你為了增加設計開發的時程拼命壓RD 圖面公差變異就累積在你身上 你為了降低採購成本拼命換供應商 供應商的變異就會累積在你身上 你為了降低生產Cycle time拼命叫人加班 作業員的變異就跑出來了 你做的每件事都在傷害品質 讓客戶生氣 卻在牆上寫滿「品質優先」、「零缺點」、「第一次就把事做對」 你這不是傷害員工自尊是什麼? 這不是沒有系統觀念又是什麼? 【品質工程】新經濟學 The New Economics for Industry, Government, Education_Profound Knowledge深厚知識 【品質工程】轉危為安 Out of the Crisis (1) 14項管理原則(上)

【閱讀筆記】Quality Without Tears 不流淚的品管 Crosby在不流淚的品管提到零缺點計畫 Jeff的品質管理課程有提到他 後來我也找出這本書 在三年前寫了不流淚的品管讀後心得 然而後世卻鮮少聽到這計畫的實行 這是為什麼呢? 現代品質管理的概念基本上已在蕭華特以及戴明博士的理論基礎上完備了 意思就是 如果你要你的產品品質好 你該做的事情就是找出影響產品特性的關鍵因子 並且找出影響這些關鍵因子的控制方法 以求降低它們的變異 一般說的「變異」有兩種 一種是「特殊原因」造成的變異 一種是「共同原因」造成的變異 識別的方法也很簡單 只要透過繪製管制圖就能一眼看出來該變異的種類 為什麼我們要區別變異的種類呢? 變異就是變異 全部一起降低就好啦 ! 要區分特殊原因以及共同原因的變異的原因也很簡單 因為特殊原因的變異很容易可以透過工程跟管理方法消除 也很容易可以點出是哪一位同仁、作業員或者工程師犯的錯誤 然而共同原因的變異卻往往難以消除 需要花費大量經費嚴密管控 也是因為共同原因可以指出同仁們、作業員們或工程師們有著系統性的錯誤 透過區分變異的種類 我們可以避免錯誤的措施 打個比方 我們工作上常常聽到某品質保證處處長治軍十分嚴謹 要求部門底下的經理、副理、課長、工程師必須嚴格追查每一件異常的原因 務必達到「滴水不漏」、「鍥而不捨」的零缺點目標 在這種要求底下 由於未去區分造成異常的變異種類 往往會造成資源的錯置 使得Type1型態的錯誤產生 Type 1錯誤：將共同原因視為特殊原因處置 原本屬於共同原因的變異 例如SMT製程長期以來都有的損件、掉件問題 因為某個重要客戶的產品出現損件現象 而視為一種特殊案件追查 而忽略掉件損件其實是系統問題 長期以來的發生率呈現統計穩定狀態 這恐怕只有更換生產設備或者搬運設備才能改善整體問題 這就是為什麼我們現在這麼少聽到零缺點計畫的原因 零缺點計畫無論在不流淚的品管一書裡面 甚或實際的品質改善方面 對於「變異」的控制展現出一種無力感 它缺乏實際的、可操作的、有成效的方式展現它改善品質的能力 又由於上述的Type1問題的陳述 零缺點計畫基本上忽視共同原因的可能性 而勢必造成Type1錯誤...

2020/09/12修改文章 1. 確立明確的客戶需求 2. 透過設計開發、製程管理降低產品風險 3. 設立SPC管制圖加以監控(或其他管制工具) 4. 在製程的上游使用管制圖 5. 管制圖識別共同原因或者特殊原因並即時改善 品質優良的產品取決於合適的設計以及嚴密控制的製程。所謂嚴密控制的製程，包含了監控產品所有零件供應鏈的製造流程及整機的製程。這也呼應了我們長期談論的議題，品質等於降低變異的說法。 確立明確的客戶需求 如何取決那些項目需要監控，那些項目不需要監控，這個問題的答案來自於更前段的客戶需求分析、市場分析。如果客戶需求比較明確，那我們就可以採用品質機能展開(Quality Function Deployment)將客戶的非量化需求轉換成實際的產品規格參數；唯一的問題是，很多時候就連客戶自己本身也不是很清楚自己的需求，這時候的客戶需求比較不明確，傳統上會採用顧客需求分析區隔顧客市場。但是這種分析模式已經被創新者的兩難作者否定，並且訂出更好的需求分析方式，也就是「顧客情境需求分析」詳情請見「 創新者的兩難 」相關書籍。 當需求被轉化成明確的設計規格時，我們該做的動作是評估哪些項目需要被監控。這是因為公司的資源是有限的，我們僅有有限的時間、有限的金錢、有限的空間；現代產品往往動輒數百項、數千項規格參數，勢必無法全數進入監控範圍，(即便有能力可以做到，也要反覆問為什麼要這樣做? 有其必要性嗎?)。這些規格參數就要採用80/20法則的概念進行篩選，找出影響鉅大的關鍵參數；為了要更有效率使用SPC，有一項原則也要掌握，這項原則就是在流程的越上游、越早期使用SPC其效果越好。 透過設計開發、製程管理降低產品風險 透過Design Review以Risk and process based thinking進行設計的討論是優良設計的前提，上述 設立SPC管制圖加以監控 在製程的上游使用管制圖 在實務輔導的經驗我們發現多數使用SPC的公司仍然有許多產品品質問題，其中一項關鍵就是運用SPC的時間點太晚，常常是產品成品階段才使用，這導致了受監控的下游製程仍然深受上游的不同因子變動而影響，造成變異仍然難以控制的結果。基於以上原因，在評估導入SPC管控品質特性時，必須思考品質特性是否有其上游特性，並盡早於上游架設SP...

以下是Factfulness真確一書內寫的實例 作者前往瑞士調查一家用極低價格標到合約的藥廠 試圖查出有什麼潛藏的不法利益勾當 結果發現該公司竟然利用付款日的落差進行套利 配合高度自動化產線達到低成本、高精度的生產規劃 快速、精準、高效、高品質的必然結果就是低成本、高水準 UNICEF runs competitive bids for pharmaceutical companies to provide it with medicines over a ten-year period. The length and size of the contracts make them attractive and bidders tend to offer very good prices. However, on this occasion, a small family business called Rivopharm, based in Lugano in the Swiss Alps, had put in an unbelievably low bid: in fact, the price they wanted per pill was lower than the cost of the raw materials. 聯合國兒童基金會採用競爭投標方式為製藥公司提供10年期的藥品 由於合約很大效期又長 因此極具吸引力 投標者也傾向提供好的價格 然而有一家位於瑞士盧加諾的小型家庭企業Rivopharm竟然投下不可思議的低標 此投標價格比原物料的成本還要低 A few years ago we saw that robotics was going to change this industry. We built this little factory, with the world’s fastest pill-making machine, which we invented. All our other processes are highly automated too. The big companies’ factories loo...

偏見就是一個人認知的情況與「實際」的狀況偏移的差距 「實際」的狀況是不可知的 無法完全陳述、理解與得知 但我們可以透過理性思考獲得樣貌 一個人的思維如果越是不科學、越沒有邏輯 則我們可以知道他的認知離實際狀況越遠 而他的偏見也就越深 由上可知任何一切人類使用的思維模式 只要是不理性、不科學的認知過程 都會形成偏見 於是我們可以推論這種偏見勢必會使得你只看得到你想看到的事物 因為你的推論模式已經失去邏輯判斷和科學資料分析 而只認定事物朝向你以為的方向發展

人們區分「你」、「我」的行為具有很好的特性 能讓人類很快搞清楚狀況 透過直覺式的二分法 我們馬上就能釐清世界上任何事物的兩種特性 例如： 西方國家以及非西方國家 有錢人和貧窮人 勤奮的人與懶惰的人 二分法幾乎佔據了所有人類的思考模式 二分法就是人類理解世界最常用的直覺方法 但是二分法也是最具有偏見的思考模式  這種思維就像在一張黑白均勻分布的紙上硬是劃上一刀將黑白兩塊切開一樣無法理解 眾多問題值得更多的類別、更多維的種類 以便我們看得更清楚 以人類的財富而言 以往的貧窮或者富有的區分方式已模糊了我們的思維 這本書提出了更好的分類方式 採用Level 1 ~ Level 4的四個類別

  Factfulness書名翻譯為「真確」 無論是中英文聽起來都有點奇怪  而這本書的副標題是 "Ten reasons we're wrong about the world and why things are better than you think" 「為何世界比你想的還要美好的十大原因」 這當然就是本書的重點論述 作者花了10個章節分別介紹這些原因

Montgomery教授所著的"Introduction to Statistical Quality Control"書中提到一個觀念，此觀念涉及到業界常常會遇到的品質系統及其相關活動，例如稽核、認證、訓練等等；Montgomery教授認為這些要求品質的活動與真正的品質改善關聯不大，甚至認為這些活動只是浪費金錢，做出一堆沒有貢獻的系統，而非真正改善品質。 他認為改善品質真正的關鍵在於降低變異(Reducing variability)，可想而知這觀念與我們現在常見的品質稽核、品質系統導入和品質文件有多大的不同。我們總是認為要改善品質就要導入ISO品質系統，先從品質目標開始做起，然後建立四階文件、設立流程、導入顧問公司、內部稽核外部稽核、取得認證；再不斷要求文件管理、變更管理、追朔性、風險管理、產品設計開發管制等文件證據。 但是真正改善品質並不是導入一個系統或者工具，反倒是在觀念上要能接受「品質就是降低變異」的先決條件，掌握住品質不良的根本原因在於變異過大，然後了解變異的來源有兩種：一種來自於可預料的、環境系統層面的共同原因，這要管理階層出面處理 佔了85%；一種來自於機遇性、無法預料的特殊原因，僅佔15%。 在擁有了這些變異知識、系統知識、知識體系以及心理學理論之後，整家公司才能藉由這些體系形成的架構，往下延伸到各個部門主管再持續扎根，否則我們對於品質就只是做些表面功夫，永遠不可能達到高水準的品質。 下列段落節錄於 Introduction to Statistical Quality Control 6th Edition 網路上便搜尋得到 應該沒有版權問題 Many organizations have required their suppliers to become certified under ISO 9000, or one of the standards that are more industry-specific. Examples of these industry-specific quality system standards are AS 9100 for the aerospace industry; ISO/TS 16949 and QS 9000 for the autom...

長久以來我們學習Gage R & R都是觀察其結論 也就是觀察量測儀器變異EV、量測人員變異AV及待測物本身的變異PV各自佔總變異的比例 %EV = EV/TV *100% %AV = AV/TV *100% %PV = PV/TV *100% %GRR = GRR/TV *100% Where TV^2 = EV^2 + AV^2 + PV^2 GRR^2 = EV^2 + AV^2 但在AIAG MSA手冊裡面有一段話是這麼說的 "THE SUM OF THE PERCENT CONSUMED BY EACH FACTOR WILL NOT EQUAL 100%." 「每一個項目相加總和不會等於100%」然後就沒了 意思是 %EV + %AV + % PV =/= 100% 可能會大於或小於100% 但怎麼會這樣呢? 原因是這些看起來像百分比的數值其實不是比例 而是三角函數 由於TV^2 = EV^2 + AV^2 + PV^2 所以透過畢氏定理我們知道它們的標準差不具有相加性 也就是 TV =/= EV + AV + PV 所以當兩邊同除TV時 自然也不會相等 也就是 %TV = 100 % =/= %EV + % AV + % PV 所以正確的算法該怎麼計算呢? %EV = EV^2/TV^2 %AV = AV^2/TV^2 %PV = PV^2/TV^2 %GRR = GRR^2/TV^2 這部分的知識取自於  EMP III (Evaluating the Measurement Process): Using Imperfect Data 是Donald J. Wheeler教授寫的書 他整理MSA相關文獻並且指出Gauge R & R發展過程中缺乏數理根據以及一致性 導致就連目前AIAG MSA手冊裡面寫的量測系統分析流程竟然都是錯的 他為了糾正此錯誤 特別提出一個Honest Gauge R&R Study流程 有興趣者可以自行到上方Amazon連結購買此書

這次在竹科集思會議中心舉辦的八月份SPC課程是場大災難 第一點 至少有三位學員沒有到場 但我以為他們會來上課 第二點 這個場地的固定成本是先前的場地的兩倍多 總結起來就是到課的人數為兩人 其實這種狀況應該在事前察覺並且停止上課的 因為課程的內容涉及到互動式教學 需要6人(可含講師)一起進行實驗 並且在課程中會相互問答 以達到即時回饋、即時了解學員學習狀況的效果 但Jeff還是硬著頭皮上完課了 第一是賠了不少錢 第二是自覺上課狀態不好 中間有些思緒很混亂 由於學員少 自然許多回饋及反應就不佳 這是滿令人不知所措的部分 這次開課算是滿失敗的 以下是避免重蹈覆轍的改善做法： 1. 開課通知將不在PTT新竹版上PO文 避免收費方式混亂 改採單一收費制    相關課程訊息將統一由FB及IG提供 2. 開課前一週將寄信給報名學員通知課程訊息 並且撥打電話告知課程訊息 3. 學員報名時須同時匯款繳交課程費用 若活動前一週內取消則扣除10%後退款 4. 課程內容將把紅珠實驗的比重拉高 並在每單元中間穿插問題以檢視學員學習狀況 5. 課程報名人數須大於等於7人

本文節錄翻譯自4 Days with Dr. Deming - A Strategy for Modern Methods of Management 這是一本文字化的影片 將戴明博士生前的四日講座編寫成書 書中的內容儘量貼近紀錄片的形式 所以會在書中看到許多(Laugh) 形容學員的笑聲 目前在台灣沒有翻譯本 所以你必須上網到美國Amazon網站購買 這本書提到了目前我們不知道的歷史：日本在戰後曾是品質低劣的生產國家 這件事不僅盛少人知道 也很少人進一步去理解更深入的問題 為什麼日本從品質低劣的生產國家 跳躍式的成為以品質為首的工業國家? 除了美國的支援和協助之外 難道真的都是努力得來的嗎? 這個問題當你讀完這些段落之後都能夠獲得解答

準備以及教授SPC的過程之中 不免要接觸到統計分配以及基礎的統計知識 這些統計分配實際上是用來形容「變異」的方式 這些變異則以分配的形式呈現在我們眼前 許多人害怕「統計分配」 這是容易理解的 因為人類的大腦本來就不是為了數學而設計 人們有許多種學習模式 一般課堂上的統計教學則充滿了數學公式 這是一種使用數學符號的學習模式 擅長這種學習模式的人會在腦中具象化這些公式 然後用簡單的敘述重現這些公式 變成簡易的數學概念 但更多人是以圖像、聲音的方式學習 所以要讓人們更容易接受這些分配 就勢必要用公式之外的方式學習 這就是戴明博士W. Edward. Deming的創見「 紅珠實驗 」的優點 他用紅色的珠子代表各式各樣的變異 讓學習者親自上場感受變異造成的體驗 整場實驗的結果會讓學習者感受到挫折、不滿 並且充滿無能為力 的限制 進而讓每個人都體會到變異知識、知識系統和心理學的重要性 人們會透過親身操作紅珠實驗 在扮演線上作業員的同時理解到當事人的無奈心境 也才能從這樣的心境提供人們對立角度的觀點 使之逐漸朝向系統面的角度觀察事物 也才能理解到許多問題是系統層面所造成的 而非一貫的責備作業員為何沒有盡力做好工作 紅珠實驗很容易執行 卻需要一些道具 這些道具Jeff在台灣從未見過 在 美國亞馬遜網站上可以找到一套道具 要價$249美金 約為台幣7600元 這樣的價錢可以讓人們了解變異知識、變異系統以及心理學的知識 相信還是相對划算、值得的選擇 免費的替代方案則是 網路版的紅珠實驗模擬器 可以讓初始的學習成本降低 但Jeff認為這樣的學習效果肯定不好 要劣於實體操作 但可以作為介紹紅珠實驗的替代品 畢竟講解者可能無法隨身攜帶 Jeff有感於身為工業工程本科系背景 同時又是統計及品質管理相關工作的從業者 但在台灣有限的學習管道中 無論是學校、工研院課程或者其他顧問公司課程 你都無法找到紅珠實驗的資訊 唯一你能看到紅珠實驗的管道是 經濟新潮社出版的轉危為安  但這本書的翻譯品質不佳 你當然還能從一些美國的網站 例如 戴明學院 Deming Institute 、ASQ美國品質學會 看到戴明博士的影響力以及相關觀念的流傳 這點是讓許多大企業與眾不同之處 ...

七月份Jeff發表了10篇文章 其中獲得最多點閱次數的是一篇Cpk/Ppk的澄清文章 這篇文章有透過粉絲團的FB廣告進行分享 所以點閱次數持續上升 【品質工程】針對工作狂人文章中提及Cpk/Ppk錯誤資訊的澄清 【品質工程】 8月份開課資訊  提升品質就是降低變異---Statistical Process Control統計製程管制 【品質工程】品質管理的數學工具_統計分配 【品質工程】APQP 2nd Edition與SPC 2nd Edition的連結 【品質工程】IATF16949 MSA manual 4th edition 過度調整對量測系統的影響 【品質工程】IATF16949 MAS manual 4th edition 待測物之間過多的變異 Within part Variation 這個月份仍然對於IATF16949的五大核心工具手冊進行統整 主要是延續SPC與APQP之間的關聯 說明這些手冊之間的連結 另外就是開啟新的議題 討論量測系統分析MSA手冊裡面的細節 量測系統分析是滿玄的議題 其實滿多論文在探討此問題時都省略許多細節 Jeff最近買了一本Wheeler教授寫的課本 裡面提到MSA手冊裡面的錯誤 這部分會另外發文章說明解釋 期待後續的討論 對於品質工程、品質管理的相關議題上 其實運用了滿多統計分配的工具 但這些分配是許多人在學習統計時很痛苦的部分 原因是不知道學來要幹嘛? 這個月特別闡述品質工程常用的統計分配 讓大家實際了解這些分配的用途 Jeff在準備SPC的課程時會參考許多資料 很容易就能搜尋到一些熱門網站 值得大家留意的是 這些熱門網站的統計相關資訊可能會有謬誤 大家在學習統計知識時一定要特別留意尋求專業師資的授課 以免發生學習偏誤 【品質工程】針對工作狂人文章中提及Cpk/Ppk錯誤資訊的澄清  這篇就是解釋錯誤的文章

Jeff服務的公司生產流程中 有一個測試項目始終被客戶進料檢驗驗出超出規格 Jeff是個富有統計背景並有實務經驗的品質主管 便想著如何協助公司解決此困難 我跟其他兩位同仁準備了10個待測物一起去產線將該測項量個幾遍 我們要做的是MSA量測系統分析 以便確認該測項是否為量測系統造成的變異 量測前都會找一台固定的標準機進行一次量測系統校驗 校驗之後再執行隨後的量測作業 量測過程中使用Excel協助做抽後不放回的亂數抽選 讓不同人員隨機量測不同待測物 而MSA的結果出來確實不好 GRR%大約在>30%的區間 顯示量測系統的變異確實很大 單純就測試項目而言 單一產品光是重新插拔連線測試就能出現頗大的變異

2020.09.26 編修文章內容 2019.11.27 編輯文章格式。 文章內容都是錯的SPC知識 工作狂人的網站寫過一篇文章討論Cpk及Ppk的計算演練「 管制圖Cpk、Cp與Ppk、Pp的計算實例演練 」，文章底下扣除我的留言總共有7篇留言，全都圍繞著作者文章提及的結論："Ppk值幾乎永遠都大於Cpk值" Jeff看到文章中的陳述以及各位讀者的討論，了解到在這部分的謬誤，因此開了一篇文章想澄清這部分的觀念以及完整陳述SPC應如何執行的細節，各位讀這篇文章時可以參照工作狂人原先的文章以及Jeff的這篇文章及參考文章。

推廣品質提升專案的時候很多人會唱反調：「這樣改善是會提升品質沒錯啦 但也會花更多錢啊。」像是如果要讓鏡片的厚度更穩定，你就要花錢買更多設備、找人顧機台、檢驗更多產品，Jeff你知道嗎？事情不是品保想的那麼簡單耶！你們品保啊 就只會出一張嘴！ 以前年輕剛出社會的時候我還真的無言以對，只能摸摸鼻子回頭找數據分析。當時的我還沒能體會品質工程的真實意涵，也就是預防的品質觀點。我雖然知道管制圖、ISO9001、TS16949(那時候還叫這名字)、FMEA，但缺乏一個最基礎且最核心的觀念 所以也做了一些錯誤的品質改善工作。

取自於 IATF16949 MSA manual 4th edition 第四章 SectionD 待測物之間過多的變異 Chapter 4 Section D, Quantifying the Effect of Excessive Within-Part Variation

大家學統計許多分配時都很痛苦，絕大多數是因為不知道學這些分配要做什麼用。其實要解決工作上的疑難雜症，很多時候要請出統計分配出來，這篇文章就簡單介紹一些分配。 大家又要問這些分配能有什麼實用性呢？發明出這些模型到底要幹嘛？其實大家就把統計的式子想成是形容群體或者形容事件的描述就行了；這些函式往往藉由參數的設定以及公式的推導，就能完整形容群體及事件的分布狀態。這些分配不僅很美觀，也帶來許多便利，我們以下就一一列舉：

「品質到底是什麼呢？」每個人都會被品質相關問題影響，卻不是每個人都會想問這個問題。在我們回答這個問題之前，先來看幾個生活上的例子。 餐點送錯桌次的餐廳 少給餐點的麥當勞 醫院注射錯誤的針劑、開錯部位的手術 高速公路固定路段的車禍 工地意外摔落、重機具壓傷 手機螢幕亮點、亮線、色斑(mura) 書本缺頁、漏印、錯字 愛車異音、變速箱卡死、氣囊無法順利充氣炸開 到站時間不穩定的公車 上述的問題都是品質不佳的現象，並且時常困擾著我們的生活。傳統上我們習慣認定這些品質問題是來自於「檢驗不良」造成的問題。例如： 餐點送錯桌次是因為那個服務人員沒有仔細確認餐點桌次 醫生開錯刀是因為那個醫生沒有仔細確認病人患病部位 高速公路車禍是因為那個駕駛沒有專心開車 工地意外摔落是因為那個工人沒有綁安全索 這種認知是對於品質問題最大的誤解，也就是期望透過個人的努力來克服問題；如果這個問題發生了，是你這個個人的問題，其他人只要足夠努力就不會發生相同問題。因為是個體產生的錯誤，所以透過小心確認、加強檢驗就能夠防堵。 然而上述這種認知完全是錯誤的、甚至完全與事實相反的論述。實情是個人的努力往往無法克服系統設立的障礙，個體表現只能隨著系統波動。餐點送錯桌次是因為點餐系統很簡陋，只能依賴服務生的短期記憶，既然都是依賴服務生的短期記憶，就代表每個人去做都可能發生送錯桌次的問題；醫生開錯刀是因為醫生忙著連續開多台刀，病患患處沒有經過謹慎的評估比對，既然都整間醫院都沒有評估比對流程，就代表每個醫生去做都可能發生送錯桌次的問題；高速公路車禍是因為駕駛無法立即識別路牌的標示，意即標示方式有問題、使用者介面不佳，既然都是標示方式的問題，就代表每個人開車經過都可能發生下錯交流道而車禍的狀況；工地意外摔落是因為整個國家的工人沒有綁安全索的習慣，沒有嚴謹的法規限制，既然法規、執行面貫徹不利，就代表每個人去工地做事都可能發生工地安全事件。 這些生活上的例子反應出品質很多時候是系統面、流程面的問題，管理階層是唯一有能力並且有義務提出解決方案的人。我們必須體認上述都是常見並且充滿變異的案例，並且急須能夠識別這些問題的人來管理，而這就跟我們一開始問到的問題「品質到底是什麼」汲汲相關。 所有的品質異常都源自於變異，也就是變動的環境、系統所造成的影響，我們...

7/7(六)的SPC課程結束了 很謝謝大家的參與 這次總共有8人報名 7人出席 這次是第三次正式授課 講義做了一些調整因此在授課時間上有些變動而沒有抓準 這點是我自己意識到要改進的部分 此次上課也新增了課後問卷 希望能藉由親自上課的學員提出切身的建議以得知改進之處 從課後問卷可以看到學員們一致反應希望可以得到業界改善的實例 這一點大家或許是因為工作上遇到種種困難 希望能看到其他人是如何透過SPC改善品質的 這樣的期望是可以預期的 Jeff的課程可以在之後增加相關的項目

《新竹班》 課程名稱：提升品質就是降低變異---Statistical Process Control統計製程管制 時間：2018 8/12 (日) 13:00 ~ 17:00 地點：新竹市集思竹科會議中心 牛頓廳 https://www.meeting.com.tw/index.php/contact-us/795-contact-hsp 教材： 報名成功繳款後提供超連結下載 課程費用：$1500 / 學員 講師：Jeff Lee  品保副理 講師專長：品質工程、工業統計、統計製程管控、流程改善 中央大學工業管理所碩士 報名網址： https://goo.gl/forms/o08NdrNXQIO8YM2H2

翻閱「轉危為安」及「新經濟學」這兩本書 讀者們可以發現一件事 從1970年開始 日本及美國開始在工業界應用管制圖 那是一個電腦計算不發達的年代 也因為這個緣故 統計學者發展出使用全距R為基底的管制圖 也就是我們熟知的X-bar R chart 因為全距R的計算簡便 再加上查表得到的d2 我們就能得到一張簡易的管制圖 那時的工程師及統計學者無不積極運用管制圖 幾乎每個品質特性都能製成一張管制圖 也因此日本和美國在品質管理的深度及廣度上 得到了巨幅的提升 既然如此問題來了 為什麼現在電腦計算方便了 管制圖還是很難獲得整體的應用? 台灣的產業界除了半導體、面板、IC設計業買得起套裝軟體之外 其他產業遇到SPC就是一臉苦笑 彷彿沒有套裝軟體就什麼事都不能做一樣 往往提到管制圖或SPC 非得要IBM、中方科技、宇威科技等套裝軟體才能實現這功能 這個問題Jeff想了很久 直到我親自繪製出X-bar R Chart及X-bar S Chart管制圖之後才了解難處 回到文章的主題 如果沒有管制圖套裝軟體如何實現統計製程管控? 這個問題很簡單 如果1970年使用人員手動計算填表畫圖可以執行管制圖 那麼2018年就更沒有道理不能使用Excel進行管制圖的監控 我們利用Excel就能為你關注的產品品質特性加上管制圖 Jeff利用自行設計的VBA程式示範如何利用Excel建構美觀易懂的管制圖 這是因為Excel本身提供了很強大的運算功能 能夠快速簡易計算出我們所需的管制圖相關要項 這樣就夠一般非大量生產、非快速生產的產業進行品質監控了 你只需要一台電腦、Excel相關設計以及管制圖SPC的知識 我們就能實現統計製程管控

  APQP是Advanced Product Quality Plan的縮寫(Abbreviation) 翻譯是先期產品品質規劃 雖然稱作APQP 但要記住本手冊名稱全名叫做APQP and Control Plan 顯然Control Plan也是很重要的項目 涉及到許多品質特性的細節管控 但本篇文章不在此多所著墨 這篇文章關注的是APQP與SPC的關聯性

6月份Jeff發表了10篇文章 前五名依照瀏覽數排序分別為 【品質工程】 7月份開課資訊  提升品質就是降低變異---Statistical Process Control統計製程管制 【品質工程】品質工程專業人士在職場上的感觸 【品質工程】為什麼管制圖裡面不能畫上規格界限? 【品質工程】SPC課後分享 【品質工程】SPC對於量測解析度的要求 The requirement of measurement resolution of SPC 七月份開課資訊仰賴宣傳管道如PTT新竹版、自學版及FB廣告宣傳 以及更多來自於朋友的友情贊助分享及轉告 讓這篇文章的點閱次數突破1300次 品質工程專業人士在職場上的感觸這篇文章則最令Jeff意外 這篇當初有點像是發牢騷的文章 竟然意外得獲得將近200次的點閱次數 或許大家都有一點這樣的感受吧 Jeff身為作者就是真實寫出在品質領域的感受 管制圖裡面不能畫上規格界限則是Jeff在轉危為安這本書中看到戴明博士寫的一段話 他說管制圖裡面絕對不能有規格上下限 但他在書上其實沒有特別說明原因 其實這件事我們稍微推敲一下就可以了 所以特別寫出來成為一篇文章的主題 SPC課後分享來自於6月份在新竹火車站後站的課程教授過程及心得 這是Jeff第一次在比較正式的教室對一群品質相關領域的從業者進行授課 我認為這是很好的互動 也從課程及課後的學員問題中發現其實大家真的都不很了解 也就更加深我自行授課的動機 也才果斷決定每個月都要開課 並且進行收費 SPC對於量測解析度的要求也同樣來自於6月份的課程分享 其中一位學員他自己對SPC很有興趣 所以聽了第二次之後就嘗試自行練習執行 他做出來的結果在R chart的部分出現了量測解析度不足的現象 為了跟他說明 Jeff就獨立寫了這篇文章 這篇文章的內容出自於IATF16949 MSA手冊 大家有興趣可以自行翻閱

假設檢定是統計學學習過程之中很容易混淆的概念，今天針對這些概念做一個整理，這篇文章不談統計分配以及統計量，單純就邏輯提供思考方法。 法律的無罪推論 首先從法律常見的無罪推論來論述。我們都知道法律都會假設嫌疑人無罪，但是這是為什麼呢？我曾經看過許多講授假設檢定的文章都提及無罪推論，但我始終無法理解到底為什麼要假設無罪而不是假設有罪？許多文章從成本的觀點解釋，說明誤判死刑的成本極高，所以要假設人無罪；然而誤判成本極高並不是只有無罪的人判有罪的成本高，將有罪的人判成無罪的成本也非常高，所以我認為這樣的說明解釋是不夠充分的。 在Jeff研讀完管制圖的共同原因及特殊原因的相關邏輯之後總算明白了，原來假設檢定與管制圖的關聯性這麼大，在那一瞬間我也同時理解了無罪推論的問題。所謂的無罪推論，是在世界大部分的人都不會犯罪的前提下的產物。也就是當世界上99.73%的人都不會犯罪的時候，我們可以假設嫌疑人無罪，之後再透過收集犯罪證據的方式判定此人有無犯罪。 但是若今天的世界是窮凶惡極的地獄，99.73%的人都有犯罪紀錄，則無罪推論就失效了，顯然的我們要用「有罪推論」反過來證明一個人無罪才行。這個差異及前提卻在眾多文章中從未提及過，卻是極其重要的論述方式。也就是說，假設檢定的論點必須是這個環境、系統的多數群體的狀態列在虛無假設H0，而想要收集證據去反駁、舉證、證明的論點放在對立假設H1。 供應商的論述 依照上述的講述推論，一個光學面鏡的供應商宣稱其面鏡的平均厚度為10.0mm，且今天有一批來料量測32pcs，計算得到平均厚度為10.15mm，試問是否能相信供應商的論述？ 這問題是學習假設檢定很常見的題目，其假設檢定的列法如下： H0 : U = 10.0 H1 : U > 10.0 這個假設的列舉方式是在說明，假設供應商的論述是對的，則透過搜集證據的方式驗證其說法是否有誤；若證據顯著，則相信對立假設H1。多數狀況下我們認定供應商應該要做出與其論述的數值相符，只有在證據充分的狀況下才認定供應商說謊。 驗證藥劑是否有療效 學者欲驗證某藥劑是否具有療效，因此召集兩組醫師團隊A & A'及兩組受測團隊 B & B'。隨機分派之後，由醫師團隊A'持有實驗藥劑測試受測團隊B'，同時間由醫師團隊A持有對照藥劑...

不可以在管制圖裡面畫上規格界限 在管制圖裡面畫上規格界限就是錯誤的管制圖 ! 在管制圖裡面畫上規格界限就是錯誤的管制圖 ! 在管制圖裡面畫上規格界限就是錯誤的管制圖 ! 這句話很重要 所以講三遍 ! Do not draw specification lines in your control chart!  Do not draw specification lines in your control chart! Do not draw specification lines in your control chart! It's so important that leads me to mention it three times. 要了解為什麼不能在管制圖裡面畫上規格界限之前，我們必須明白管制圖到底想告訴我們什麼事情： Before we get started to understand why we can't draw specification lines in a control chart, firstly we need to know what does control chart tell us. 1.管制圖提供製程的觀景窗，讓觀察者能夠透過抽樣推估製程目前的變異。 Control chart provides a window of process to observers to estimate the process variation by sampling. 2.抽樣樣本提供品質特性在製程上99.73%分佈的資訊，並藉此判斷特殊原因及共同原因。 Sampling provides the information of normal distribution and makes us able to distinguish between Common cause and Special Caus 3.製程的變異，包括位置變異Location以及寬度變異Width，可分別由X-bar chart及R chart獲得。 The variation of process including Location and Width, can be obtained by X-bar chart and R ...

課程名稱 課程時間 課程地點 狀態 SPC統計製程管制 2018/4/15 新竹市關新路 開課 SPC統計製程管制 2018/6/3 新竹市在樓上共享空間 開課 SPC統計製程管制 2018/7/7 好野人 開課 SPC統計製程管制 2018/8/12 竹科集思會議中心 2F 牛頓廳 開課 SPC統計製程管制 2018/9/29 竹科集思會議中心 2F 牛頓廳 報名中 SPC統計製程管制 2018/10/13 未定 報名中 SPC統計製程管制 2018/11/17 竹科集思會議中心 2F 牛頓廳 報名中 SPC統計製程管制 2018/12/ 視場地狀況 視場地狀況 Jeff開課的主題是「SPC統計製程管制」 這是一門講解預防性品質概念的課程 目的是重建台灣產業界對品質的正確概念 避免使用錯誤的觀念 做出錯誤的決策 「SPC統計製程管制」是台灣科技業界廣泛被使用的應用工具 目的是減少變異 但目前業界有兩個現象： 1. 科技業廣泛使用，但諸多錯誤觀念和遺漏的教學項目，遺漏戴明博士的重要概念 2. 其他業界沒有使用這項管理工具的能力 Jeff教授的「SPC統計製程管制」課程  結合戴明博士的著作精華、IATF16949 SPC手冊及統計機率工具的應用 是自己研讀SPC的經驗 也是實際應用SPC改善品質的工作經驗 希望能補足上述兩項業界現有的缺失 提供產業升級的關鍵方法 2018年初Jeff開始此課程的規劃 並且在同年4月開立了第一次的課程 課程講解的內容包含品質的操作型定義、SPC的統計涵義以及SPC的管理目的 許多學員反應自己沒有學過統計 是否會聽不懂課程內容? Jeff以往只能回應SPC課程內容該有公式推導不會少 但還是會涉及到數學 而且每位學員需要了解變異知識的過程 一定會碰到統計分配 也一定會碰到統計跟機率 但Jeff現在會改成這種說詞：「變異知識的學習是很直觀的，即便數學不好也一定能學好。」 課程中會讓學員順過一遍公式的推導 讓大家認知到統計的廣泛應用 然後回到SPC的管理目的 採用骰子遊戲範例來降低變異 並且實際演示戴明博士創造的「紅珠實驗」、「漏斗實驗」說明變異的管理意涵 ...

2020.06.21 更新文章 2020.03.26 加入新文章連結 2019.03.03 更新 統計品質管理相關的文章越寫越多，文章之間搜尋的困難度也上升了。 由於Jeff從戴明博士的著作之中獲益匪淺，因此本篇文章從戴明博士的相關作品開始介紹起，讀者們將可以清楚地看到戴明博士的理論及其深厚知識影響深遠：現今常見的車用品質系統IATF16949五大核心工具手冊便經常引述他著作裡的字句，讀者若能從戴明博士的著作開始品質改善的職涯，一定能省去不少「無知的障礙」。 戴明博士品質觀念 深厚知識 【品質工程】深厚知識Profound Knowledge_Appreciation for a System 【品質工程】深厚知識Profound Knowledge_Knowledge of Variation 【品質工程】深厚知識Profound Knowledge_Psychology 戴明博士著作讀後心得 轉危為安 【品質工程】轉危為安 Out of the Crisis (1) 14項管理原則(上) 【品質工程】轉危為安 Out of the Crisis (1) 14項管理原則(下) 【品質工程】轉危為安 Out of the Crisis (2) 管理惡疾與障礙 Disease and Obstacles 【品質工程】轉危為安 Out of the Crisis (3) 紅珠實驗 Red Beads Experiment 【品質工程】轉危為安 Out of the Crisis (4) 共同原因及特殊原因 Common Cause & Special Cause  【品質工程】轉危為安 Out of the Crisis (5) 漏斗實驗 Funnel Experiment 戴明博士著作讀後心得 新經濟學 【品質工程】新經濟學 The New Economics for Industry, Government, Education_Profound Knowledge深厚知識 4 Days with Dr.Deming讀後心得 【品質工程】4 Days with Dr. Deming_ 戴明博士的管理哲學及日本品質重建之路 從車用電子品質手冊看SPC 【品質工程】從IATF16...