十幾年前,當我還是PE 工程師,開始接觸DOE(design of experiment),原本還以為就是設定不同參數或更換OK,NG的零件來尋找導致不良品的原因,如此這般就叫作DOE...哪知道,當報告一丟出 去,結果被review的淒慘無比,隱約記得當時被主管challenge的項目有:
(1)試驗規劃不完整,欠缺某些不同製程條件組合所需驗證的項目
(2)沒有執行變異分析便下結論
(3)沒有執行replication test,不能確保"疑似"真因是否為真
當時,也剛認識公司品保部門內的六標準差黑帶(SSBB),同樣身為機械系的我,當時對那位大師的知識領域之深與廣,可真是佩服的五體投地...,也深深感嘆,年紀不過輸人家2~3歲,怎麼知識程度差這麼多.,尤其是談到統計學,更是讓我聞之怯步.
就這樣,十多年也混過去了,當時不到30歲的我,如今也拿到SSBB,CQM,PMP和ISO主導稽核員的證照.但是,DOE此課題對我來說,還是一門既有趣又傷腦筋的學問..
有趣的方面是它用科學方式引領我們以邏輯驗證方式將問題根因,或諸多主因找出,然後求解,並驗證其效果...
傷腦筋的是,在沒有成為SSBB前,我自學的範圍多是在田口博士直交表(有點複雜,還是令我怯步),損失函數,LTB,NTB,STB.等.不過,在實務運用上,我用的觀念最多的只有LTB(望大),NTB(望目)與STB(望小)的觀念.
接下來,便是進入到討論DOE的內容:
壹. 首先,要先瞭解DOE(試驗設計)的三個基本原理:重覆，隨機化，以及阻絕化。(由英國人費雪先生(1890~1962)所提出)
> 重覆，意思是基本試驗的重覆進行。(Replicate，非Repeat)：同樣的實驗作數次，而非重做一次，需有時間間隔，實驗條件重新設定；目的要確認實驗之隨機誤差。
> 隨機，是指試驗材料的分配和試驗的各個試驗進行的次序，都是隨機地確定的。統計方法要求觀察值（或誤差）是獨立分佈的隨機變數。隨機化通常能使這一假定有效。把試驗進行適當的隨機化亦有助於“均勻”可能出現的外來因素的效應。
> 阻絕是用來提高試驗的精確度的一種方法。一個阻絕就是試驗材料的一個部分，相比於試驗材料全體它們本身的性質應該更為類似。
貳.在討論DOE的試驗手法,我常用Shainin一派,主要手法簡介如下:
先利用各種多變異圖（層別法等）客觀診斷出「製程之聲」的各種暗示﹐Shainin法採用逐次約五因子一齊改變各因子之水平﹐以有效而經濟的方式找出根本原因﹐控制變數（含交互作用）
(1) 多變異圖
(1.1)降低多數不相關,不可管理的原因到少數而相關的原因﹐如Time之間,零件之間,測試位置之間
(1.2)缺點之非隨機趨勢
(2) 組件尋找
(2.1) 從眾多組件/次裝配中﹐找出Red X﹐找出主效應及交互作用
(3) 變數尋找
(3.1)確定指出Red X, Pink X...等
(3.2)找出重要主效應及交互作用
(3.3)放寬不重要變數的Tolerance來降低成本
(4) 配對比較
(4.1) 決定一對性能（績效）不同的產品的不同重複性以找出隱藏的Red X
(5) 全因子
(5.1) 確定指出Red X, Pink X..等
(5.2)找出重要主效應及交互作用
(5.3)放寬不重要變數的Tolerance來降低成本
(6) B vs.C(Better vs Current)
(6.1)使用統計信賴區間（通常為95％）確認某較佳參數（B）比現行者（C）更好
(6.2)評價工程變更
(7) Operation window definition
(7.1) 決定Red X, Pink..變數的最佳值及其允許的最大容差
(8) Response Surface Methodology(RSM): To optimize interactions
(參考資料來源: http://hanchingchung.myweb.hinet.net/deming/4/41998122.htm)
參. 其他應該瞭解的基本知識
A. 變異來源:製程變異可分「隨機性」與「非隨機性」兩類。
A-1 : 非隨機性變因大多由管理性和偶發變異(事故性要因)造成，只要做好日常管理及預防措施等改善(kaizen) ，可望將它們悉數消除；
A-2 : 隨機性變因則有賴技術創新、設備更新、人力提升…等努力或巨額投資才可望降低。
B. 組裝手法與測試”過程”均可視為變異的一種
C. 機台設定的操作規格一定是最佳的嗎?(對應於 (7) Operation window definition)
C-1: 如果是,那全部由中心值當設定值,其結果會如何?
C-2: 同樣的條件換成另外一台機台,結果又會是如何?
留言列表
Well, what is the proposal? LEAN Production (2)
