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

今年六月是個炎熱的初夏，據說打破了台北六月均溫的紀錄。Jeff談統計品質管理的月均瀏覽次數也連續4個月突破3000人次，從以往每月不到300人次的網站增長了10倍之多。月均3000人次從以往的「異常」，到現在成了「正常」，剛好體現了戴明博士所講的「特殊原因Speacial Cause」及「共同原因Common Cause」。對系統而言，我所投注的一切都是變因的一部分，因此改變了系統的表現；至於這個系統能夠爬升到多高，亦或僵滯不前，全取決於我是否能夠持續且穩定的投入。

在實務上，我們經常在製程中遇到一個難題：當SPC出現OOC時，我們要如何即時知道是哪一個變因造成這個特殊原因發生？畢竟製程中有多個因子，每一個因子又可能彼此不獨立，可能有相依的關係；這時如果有時間壓力，我們往往沒辦法有足夠的時間好好設計一個田口Taguchi Design of Experienment或者傳統的實驗設計，再用好幾倍的時間蒐集完整的實驗資料。 在這種時候我往往會建議製程負責人利用平時的空閒時間建立完整的製程因子mapping，透過完整的Fault Tree Analysis分析並建立製程的主要影響因子，並且利用FMEA進行因子的風險評估。在此階段要從客戶需求方面往回確認這些因子對製程的關鍵程度，才能藉此分析出製程真正的關鍵因子。舉例來說，面板廠的mura是非常常見的異常項目，而各種種類的mura其實並不難分析出真因；透過故障樹分析再搭配簡單的整理，就能完整羅列出常見mura的異常模式。很快的我們就能得出幾個製程上必須嚴加留意的監控點：Cell段Rubbing的下壓量、Rubbing毛布的原材進料狀況、CF段的設計...etc。

2020.10.18 修改文章 收到讀者來信詢問單向公差的Cpk如何提升? 我查看了一下他的Control Chart發現他的Cpk計算方式出錯了，導致算出來的Cpk僅有0.97，但其實他的Cpk應該是34，超級好的。 我們已經知道Cpk = min{ (USL-X-bar)/3*sigma,  (X-bar-LSL)/3*sigma}，這是適用於雙邊公差的計算方式；在多數狀況下，品質特性的規格公差都是雙邊公差。但是有一些時候我們會因為對手件的組配關係而使用到單邊公差，目的是希望該品質特性能各自保有向上或向下的裕度，同時設計的時候我們會期望某個品質特性儘量在製作過程時偏單邊，以符合我們的設計需求。另外像是機構件的真圓度、平整度、真直度也都是單邊公差的品質特性，此種品質特性只會定義一個上限，最小值都是零。 問題來了，此時我們怎麼計算Cpk呢?還是一樣用原來的公式計算嗎?其實單向公差的Cpk計算方式仍然與雙向公差的計算方式一樣，只是拿掉了取最小值min的計算。

塑膠成品量測要不要涵蓋毛邊? PPT Mechanical看板最近有人問了一個問題，想知道 塑膠成品量測到底要不要涵蓋毛邊(Flash) ？今天我們就來聊一聊這個話題。 要知道這個問題其實問錯方向了，因此多數人在推文裡面都直接回答要或不要，然而這卻掉入了錯誤的問題裡面。在量測系統分析MSA裡面有一個相當重要卻容易被忽略的觀念：零件之間的變異(Within-Part Variation)，這種存在於零件之間的變異很少被MSA的課程提及，卻是今天這個問題的關鍵因素。 零件之間的變異很容易存在於機構設計的形位公差Geometric Tolerance裡面，譬如真圓度、同心度、平整度...etc。儘管這些形狀、位置都有明確的操作型定義，但在量測的時候我們可以在同一個物件上同時量測到數個不同的量測值，因此同步納入了物件的變異在量測系統裡面。

當初這份工作具有挑戰的地方是：它完全沒有品質體系。沒有品質單位、沒有品質觀念、沒有品質系統、沒有品質技術也沒有具備適當品質意識的領導階層。 我一上任就直覺式建立進料檢驗的程序跟檢測能力，並且順手提供了幾個出貨包裝的Lean精實手法，解決了總經理長期以來頭痛的客戶抱怨：產品包裝錯誤。 現在回想起來，如果套用戴明博士的品質管理觀念，那我犯了兩個錯誤： 過度依賴檢驗，企圖從檢驗的結果分析出錯誤原因，再從原因改善品質。 急就章導入品質技術、品質工具，而忘記應該由高層建立正確的品質意識。