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

一月份的統計品質工程文章延續「量測系統分析」的主題，闡述了MSA與製程變異的關聯，這項觀察使得學習者可以明確了解為何量測系統分析會如此重要。 由於大腦的演化方式，使得人們並不擅長觀測細微的變動，這讓許多人犯下一個錯誤的認知：微小的量測誤差並不會對於整體的結果產生重大的影響。然而透過簡單的數學推算(又是一個人類演化不擅長的工具)，我們可以確認MSA GRR中的變異將會扭曲製程的變異，此將導致不正確的判定結果，容易做出錯誤的判斷。 能夠正確理解並掌握變異知識的人是這個社會上不可多得的人才。 一月份文章點閱數前十名 【品質工程】為什麼Cpk >= 1.33才算好 ?  1.33這數字怎麼來的？Why Cpk must be greater than or equal to 1.33? 【品質工程】從IATF16949車用五大核心工具PPAP和SPC手冊談Ppk與Cpk的差異 What's the difference between Ppk & Cpk? 【品質工程】IATF16949 量測系統分析Measurement System Analysis MSA GR&R 與Cp的關聯 【品質工程】統計製程管制SPC全系列文章 【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】ASQ Certificated Quality Engineer(CQE) 考試經驗分享 【品質工程】為什麼SPC Control Chart要先看R chart再看X-bar chart ?  Why should study R chart then X-bar chart? 【品質工程】IATF16949 Control Chart Special Cause Criteria 管制圖警示型態的統計意義 品質管理手冊 202006更新 【品質工程】統計製程管制Statistical Process Control SPC的架構與使用

量測系統的表現GR&R 量測系統分析Measurement System Analysis的一大重點在於量化量測系統的好壞，最為人所知的就是GR&R指標(Gauge Repeatability & Reproducibility/量測重複性與再生性)，量測重複性指的是單一量測設備多次量測的變異，而量測再生性指的是量測人員ABC之間的變異。 這邊Jeff建議大家記住英文Repeatability & Reproducibility就好，不要記憶中文，原因是中文常常出現許多相近的翻譯名詞，例如再現性、再生性、重複性、重現性...etc，諸多非常接近的名詞互相混用的結果就是溝通不良，這點大家在實務上須多加留意溝通的詞彙。

十分之一法則 學習量測系統分析MSA時有幾件事情非常重要，其中一件就是了解量測的解析度對於觀察Process Variation有甚麼影響。在所有客觀條件都一樣的狀況之下，量測解析度就會影響Control Chart的穩定程度了，這點大家千萬要留意。 每一種量測系統都有它的限制，量測系統只能觀察到某種程度的變異，若變異的變化量小於量測系統的解析度，則我們說這量測系統無法區分此變異。 如果要挑選適當解析度的量測設備，最好的方法是挑選該變異的1/10；這被稱為十分之一法則(One to ten rule)。 解析度0.001 V.S. 0.01 下面是兩個相同製程搭配不同的量測儀器解析度所觀察到的Control Chart，我們可以看到解析度0.01的儀器所量得的Control Chart呈現不穩定的狀態，有許多點都超出了管制界限，顯然在管控上出了問題。 但相同的數據若以量測解析度為0.001的量測儀器測量，則會出現截然不同的結果。原本不穩定的製程變得都在統計管制裡面，整體的趨勢十分穩定，看不出哪裡有太大問題。 如何識別問題出在量測解析度? 這問題問得好!答案就在R Chart裡頭。觀察Control Chart的趨勢可以看到，解析度0.01的量測系統所得到的R Chart呈現的折線十分彎折，起伏落差很大；細查之下更可以發現其數值變化僅在三個數字分佈：0、0.01、0.02。這讓我們歸納出一個原則：只要R Chart的數值個數在5以下，我們就說這個量測系統的解析度不足。 笨蛋!問題在量測系統! 許多製程工程師應用SPC常犯一個錯誤，只記得用Control Chart的異常型態去檢視是否符合統計穩定，卻忘記任何時候應用SPC都應該確認其量測系統的穩定度，我想這應該是統計工具的教學問題吧。 任何時候若觀察到R Chart出現了奇怪的趨勢，不要懷疑，先去確認量測系統的解析度；更棒的作法是：無論何時都先做量測系統的確認。 相關文章 【品質工程】量測系統分析Measurement System Analysis 量測位置變異Location Variation 【品質工程】量測系統分析Measurement System Analysis 量測寬度變異Width Variation

十一月份網誌新增了四篇文章，從人類心理偏誤談到量測系統分析。 人類心理偏誤一直是Jeff很想談的一個品質議題，由於坊間並沒有人整理心理偏誤導致的重大品質錯誤，因此我之後會規劃幾篇文章分別談論這些偏誤到底會對我們的品質產生什麼負面影響。 至於量測系統分析則是一直想寫的主題，長久以來大家似乎談論到量測儀器都會想到儀校，但儀器校驗跟所謂的MSA還是不太一樣。許多負責儀器校驗的人員對於量測系統分析也不熟，大家往往按照週期定期校驗，但總覺得是件浪費時間金錢的動作。然而事實上，量測系統分析是觀測變異的重要因素；大家可以想像眼前如果戴上了模糊的眼鏡會是怎樣的世界?量測系統之於製程變異就有如眼前的世界之於戴模糊眼鏡的世界，戴上模糊眼鏡的觀測提升了不確定性，讓精密製程的開發成了遙不可及的夢想。 十一月份文章點閱數前十名 【品質工程】為什麼Cpk >= 1.33才算好 ?  1.33這數字怎麼來的？Why Cpk must be greater than or equal to 1.33? 【品質工程】從IATF16949車用五大核心工具PPAP和SPC手冊談Ppk與Cpk的差異 What's the difference between Ppk & Cpk? 【品質工程】你一定要有的品質觀念：損失函數Loss Function 【品質工程】為什麼SPC Control Chart要先看R chart再看X-bar chart ?  Why should study R chart then X-bar chart? 【品質工程】量測系統分析Measurement System Analysis 量測位置變異Location Variation 【品質工程】心理偏誤在品質工程中的影響與危害 【品質工程】IATF16949 Control Chart Special Cause Criteria 管制圖警示型態的統計意義 【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】統計製程管制SPC全系列文章 【品質工程】ASQ Certificated Quality Engineer(CQE) 考試經驗分享

不同次量測數據彼此之間的差異就是量測的寬度變異，我們可以用Precision精密度這個用詞來表達。不同次的量測數據包含：同一個人不同次的量測，或者不同人之間不同次的量測都算精密度涵蓋的範疇。就概念上來說，精密度就是在量化量測數值的分佈有多廣，有多集中的意思。 Repeatability再現性 再現性指的是相同的操作人員以相同的設備量測同一個待測物相同的品質特性所得到的多個量測數值的分佈。 這就好像同一個阿兵哥手持同一把65K2對著同一個靶進行6發裝子彈射擊一樣，此時子彈在靶上的分佈就是再現性。我們認定在此條件下所產生的量測變異是來自於量測設備本身，因此再現性又被稱作E.V. (Equipment Variation)量測設備變異。

基於變異知識的理論，我們知道世界上沒有兩個相同的事物，這個道理在量測領域也同樣適用。量測的變異在巨觀世界下並不顯著，要等我們進入微觀的世界才顯得影響深遠。 為了客觀評估量測系統的變異，我們要先定義量測變異的種類。一般而言量測變異可以區分成兩大類，一是位置變異Location Variation，一是寬度變異Width Variation，我們先從位置變異開始說起；以下三項我們可以用Accuracy準確性來歸納這類的特性，翻譯成白話文就是「量測值的中心距離『真值』有多遠」。 真值True Value是理想狀態的數字，真實世界裡面人類無法做到或無法真正量測到的狀態。舉凡機械加工圖面上的尺寸公差、無塵室的環境溫度，或是光速都是真值；這些數值都被製造加工的精度及量測設備的精度所影響，因此無法達到理想值。一般而言，量測系統只會增加系統的變異，因此如何讓量測變異不致於影響我們取得正確的數據是一門很嚴謹的科學問題。 Bias偏誤 圖中的常態分配即為量測的變異，一般而言我們會使用常態分配描述量測變異，而常態分配的平均值與真值(True Value)的距離即為「偏誤」Bias。Bias與量測品質呈反比，Bias越大，則此量測系統的品質越不好。

  損失函數、田口博士與戴明博士 損失函數是品質工程發展中的一項極重要的觀念，最早是由田口博士( Genichi Taguchi )所提出，目的是協助工業界更好地掌握變異所帶來的品質成本問題，這些成本在短期內或許微不足道，但卻會累積成龐大的社會成本。由於產品偏移了客戶需求(Target)，這中間會有更多零件的磨損、難以組裝的問題、較低的產品可靠度等等。 但是損失函數Loss Function的概念令人匪夷所思，品質的損失不是來自於不合格品嗎?合規的產品何來損失之有?產品要嘛合格要嘛不合格，損失函數的概念根本多此一舉。 上述的觀念仍然廣泛出現在現今的製造業，多數人仍採用傳統的「符合規格」觀念，而缺乏「損失函數」的概念，這中間的差異到底在哪裡?戴明博士早就指出真正的原因出在大家沒有「變異知識」的觀念。變異知識Variation Knowledge指的是清楚認知到沒有兩個一樣的事物，事務彼此之間沒有一不一樣的問題，只有不一樣的程度問題。只有清楚了解變異知識並理解它的存在，我們才能進一步學習損失函數的概念。