各位如果有注意到,其實從P1一直到P10,有2個角色是固定不變的,
第一個就是負責此case的當責人員(P2)
第二個就是被辨識的CTQ(P3)
而在P6的階段,上述的角色就是決定是否能將問題根因找出並解決的重要環節.
首先,讓我們重覆簡單問題與複雜問題
1. 簡單問題:
1.1 該Issue可被合理的解釋並據此定義出可辨識的變異(variation),其變異可能來自於Input or Process,也包含技術(design)或管理層面.通常只有少數幾項變異所導致!
1.2讓問題更容易被解決
(1) 問題結構明確
(2) 現況掌握透徹
(3) 目標要求清楚
(4) 計畫應變更新
2. 複雜問題:
2.1 該Issue無法依現有的管控方式被合理的解釋,而定義出的可能變異可能為數眾多,雖然這些變異也可能來自於Input or Process,也包含技術(design)或管理層面.往往有時候是多變異條件造成(技術與管理層面)!
2.2 讓問題變的更複雜:
(1) 問題結構不明確
(2) 現況掌握不明朗
(3) 目標要求不清楚
(4) 亂槍打鳥亂投藥
(5) 忽略問題的存在
(6) 不懂得修正方向
若經過分析後可確定是簡單問題,那麼依照傳統的解決方法(直接將變異排除掉),那算是最經濟也是最快速的方式.
例1:2012拜訪廈門供應商時,該廠工程師提出的品質問題,該缺點是有個小零件經過1年多的使用下,每天總會有4~6個發生斷裂現象,工程師確認尺寸與注塑條件皆 無變異情況下告訴我說應該請我們美國原廠工程師設變,因為有風險....但最後的結果卻是該廠的測試機台有NVA導致斷裂現象,取消該NVA後,問題立即消失
例2:2011年,台灣供應商的製程突然發生不良率約1.0~1.5% 的o-ring切傷缺失,經過觀察發生站別,以錄影機錄像後反覆觀察發現組裝機構在將兩個零件(其中一個表面有的o-ring)過程,夾具會有跳動的現象,其造成的後果就是兩個零件的同軸度不佳容易切傷o-ring,後來改正跳動的方式後,切傷o-ring現象不再發生.同時也用前後不良率作差異分析確保足夠的抽樣數量下,其結果是可被信賴的.
若一開始無法確定是否為簡單問題或複雜問題,但習慣性的以簡單問題處理,那後果往往是很讓人傻眼的.
例3.2009年8月,加拿大同事告知某款產品的某進料批,其抽樣測試後,不良率75%,而且以往的經驗也說明此款產品偶而幾批進料批的不良率也是25%(1/4),OEM廠商在未作FA情況下便告知是模具問題,建議直接換模(換設計),接下來改模失敗後,供應商告知有新molding compound可以降低變形所導致的測試不良,但測試建議的材料又失敗後,供應商告知molding 後的夾具更改可以改善,但很可惜的,我要求的再現驗證最終還是以失敗收場,最後供應商通知濾瓶外牙數增加1/2圈後,在使用原材料與不需額外施以夾持力量矯正oval issue後,測試失敗的問題反而被徹底解決.不過,當時已經是2010年11月.
例4.2012年3月,馬達供應商告知生產過程有轉速偏低且NG的問題,其不良率約80%,該供應商與其美國原廠設計工程部門著手分析所有可能原因與量測認為有可能的問題零件後卻仍無法找出問題根因,我請對方的QC工程師幫忙作DOE最後卻發現: 供應商IQC檢驗手法錯誤,以致於一接轉子轉軸的軸承內徑過小但卻被判定為允收所導致一連串失產不順的問題.而當我告知經DOE驗證後顯示該軸承有可能是問題根因時,對方所有人員還以不可思議的表情回應我,彷彿他們認為怎麼會是這麼簡單的原因便導致如此嚴重的後果(停產)
例5.先前舉出的法國判斷o-ring厚度不足是導致漏水的主因,最後一步一步找出原來是設計上就存在的風險,組裝過程未規範的手法(扭力)加上測試條件無法完全反應消費者使用的所有可能壓力範圍..等諸多因素所產生的失效.
我從CTQ找出根因的常用方法將列舉如下
SHAININ
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)
實驗計劃的七大手法
1.多變異圖
目標:(1)降低極多數不相關﹑不可管理的原因到少數而相關的原因﹐如各時間之間﹑零件之間﹑零件內部﹑機械之間﹑測試位置之間等 (2)缺點之非隨後趨勢
應用範圍:(1) 給產品/製程如何運作之快照﹐而不用大量之歷史資料(它功用有限)(2) 取代製程能力研究 (3)也可應用到某些白領服務部門業務
何時適用:在工程小量運作﹑生產小量試作﹐或在生產時
sample size:至少9-15或直至已捕獲80%的過去變異
2.組件尋找
目標:從成千上百的組件/次裝配中﹐找出紅×﹐找出所有重要主效應及交互作用之大小
兩性能不同之裝配(一〝好〞一〝壞〞)而組件可互換者
所有原型﹑工程試作﹑生產試作或到現場用
sample size:2
3.配對比較
目標:決定一對性能(績效)不同的產品的重複性不同﹐而找出紅×之暗示
應用範圍:在兩性能不同之裝配(一〝好〞一〝壞〞)而又無法拆裝者
何時適用:同〝組件尋找〞
sample size:4至8對〝好〞及〝壞〞之產品
4.變數尋找
目標:(1)確定指出紅×﹑粉紅×等 (2)找出所有重要的主效應及交互作用之大小(3)放寬所有不重要的變數之容差來降低成本
應用範圍:(1) 5至20變數待調查 (2)絕佳的問題預防工具
何時適用:(1)絕佳的R&D﹐開發工程和生產上之產品/製程特性化 (2) 在多變異圖及配對比較中找出紅×
sample size:1至20
5.全因子
目標:(1)確定指出紅×﹑粉紅×等 (2)找出所有重要的主效應及交互作用之大小(3)放寬所有不重要的變數之容差來降低成本
應用範圍:實用上2至4變數
何時適用:與變異尋找相同
sample size:1至20
6.B vs.C
目標:(1)依一定的統計信賴(通常為95%)確認某較佳產品/製程(B)比現行者(C)更好 (2)評價工程變更 (3)降低成本
應用範圍:(1)在上述5工具(手法)之後 (2)如果問題極為簡單時﹐可直接用B vs.C法 (3)在某些白領(服務)方面可應用
何時適用:在原型﹑試作或生產
sample size:通常3個B及3個C
7.實際容差平行圖法(新散佈圖)
目標:決定紅×﹑粉紅×變數的最佳值及其允許的最大容差
應用範圍:粉紅×變數的最佳值及其允許的最大容差 在上述6工具(手法)之後
何時適用:在產品/製程之試作
sample size:30
RSM
RSM(反應曲面法)在協助研究人員對科學系統或工業製程中最佳產品設計、製程改善、系統最佳化等問題提供一套分析、求解程序,大部分應用時機均屬工業性研究,尤其是當系統特性受大量變數影響狀況下最為適當。
在製造流程,我們一定會遇到的是不良品,大部分工程師的主要職務,或多或少其實都和改善脫離不了關係..也就是說,問題(不良品)的解決能力應該是工程師最基本要去學習的一項技能,而其中,試驗計畫中的RSM(反應曲面法(Response surface methodology, RSM) 為結合數學與統計而衍生出的方法,為最適實驗設計或規劃最佳作業條件的有利工具.
概念
反應曲面法之研究問題,一般假設問題為限制性之最佳化問題,目標函數的確切型式是未知的 , 為誤差,反應曲面法一般在此前提的假設與應用系統的限制下,可有效地求得最佳實驗或作業變數值。 一般來說,執行反應曲面法大致分為兩階段:
• 第一階段稱為反應曲面設計(response surface design)
• 第二階段稱為反應曲面最佳化(response surface optimization)
反應曲面設計
為探討獨立變數與反應變數之間的數學模式關係,因此欲對於反應和獨立變數之間找出一個適當的近似函數。通常利用獨立變數在一些範圍裡的低階多項式近似,即為一階迴歸模型 (first-order model),如果系統中有曲率,則必須利用較高階的多項式,如二階模型(second-order model)。
獲得最適化實務模型便是本階段最重要的議題。收集資料後以最小平方法 (least squares estimation, LSE) 配適,以尋找出一個適當近似的函數,採用迴歸分析的顯著性檢定 (general linear test approach) 來瞭解獨立變數與反應變數間的關係強弱,並檢定配適的模式是否恰當 (statistical adequacy)。當實驗區域接近最佳反應值附近時,真實反應曲面的曲率 (curvature) 會增加,則考慮二階模型,同樣的,我們需要檢定二階模式的適當性。當這個二階迴歸模式配適良好時,便可以利用這二階模式求得最適操作點及特徵化反應曲面。
反應曲面最佳化
反應曲面法是一個逐次的程序 (sequential procedure)。通常,當我們是在反應曲面的一個遠離最佳狀況的點時,系統只有少量的曲率而一階模型會是適當的,在此欲沿著改善路徑快速且有效地朝向最佳點 (optimum) 附近。
> 進而利用最陡上升(下降)法 (steepest ascent/descent method)。所配適一階模型的反應曲面,也就是 的等高線,沿著最大反應變數增加(減少)逐次移動程序,直到反應值無法再改善為止,其中,前進步伐的決定並非固定不變,可以根據實驗情況或經驗值決定,接 著以此組操作水準為新的實驗中心點,並重複實驗步驟,往最佳反應曲面的方向逼近,並且執行線性模式之缺適性檢定,一旦發現一階迴歸模型不適合時,表示已接 近最佳點,此時應採用更複雜的數學模式來進行分析。如下圖,又稱為 Mountain Climbing,從第一點的中心良率82%(Stage 1)移與左下良率85%的方向,定義出下一階段的Temp與Time的參數,依序求出中心良率為94%(Stage 4)的水準..
> 如果選擇二階模式配適實驗資料時,一般進行中央合成設計實驗 (central composite design,CCD) 或是三水準因子設計 (three-level factorial design),在配適及檢定二階模型完成之後,就進行反應曲面分析,指在目前實驗區域中,以實際不同情況(或製程限制)針對反應曲面系統作深入探討。此 時可利用正規分析或脊線分析等技術來進一步瞭解穩定點 (stationary point) 之數學特性,其發現為鞍點 (saddle point) 則需進行更進一步的脊線分析,並配合反應曲面圖(或輪廓圖)的協助,若二階模式配適時仍存在缺適性之問題,則可以求得局部最佳操作狀態或再進而配適更高之迴歸模式,如三次 (cubic) 或四次 (quartic) 模型。
優點
經濟性原則:反應曲面法可以使用部分因子設計或特殊反應曲面設計(如混種設計等 (hybrid design)),以較少的實驗成本及時間獲得不錯且有效的資訊。
深入探討因子間交互作用影響:反應曲面法可以經由分析與配適模式來研究因子間的交互作用,並且進而討論多因子對反應變數影響的程度。
獲得最適化的條件:根據數學理論求得最適的實驗情況,同時利用配適反應方程式繪出模式三度空間曲面圖與等高線圖,觀察並分析出最適的操作條件。
減少模擬時間:可獲得模擬獨立變數與反應變數關係之數學模型,藉此將實驗次數及時間降低。
限制 (在應用上主要存在下列三項限制)
只適用於連續性的系統,是假設所有反應值與獨立變數的量測刻度是連續性的。
影響系統之獨立變數(可控制和不可控制變數)是屬於計量性。
RSM實施至少需要2個以上的控制因子才能成立一個反應曲面來分析
RSM執行步驟
1. 篩選適當變數或控制因子
2. 完成一階反應曲面(Mountain Climbing)
3. 往最佳路徑前進尋求大約合理的參數範圍
4. 搭配DOE(注意三項重點:隨機,重複與阻絕),完成二階反應曲面
5. 找出最佳解
6. 以重複試驗確認最佳解
何謂中心點?
中心點:在每一因素高低水準之中點進行實驗
1. 在不重複所有實驗條件下,用來獲得真正的重覆
2. 通常重複幾次以估計實驗誤差
3. 只對定量因素有用,以「0」代表(「+,-」間的中點)
4. 亦用來查核曲線或非直線反應
以中心點查核設計中的曲線現象
1. 在中心點的預測值為在高低點觀測值的平均
2. 如在中心點實際進行實驗,則在中心點所得觀測值之平均值與因素點間之平均值的差可用來估計有多少曲度
決定中心點實驗順序的二種方式
1. 將中心點加至全部的實驗條件內,然後完全隨機進行實驗
2. 先執行一個中心點實驗,然後平均地將中心點加入至剩餘實驗次數
> 一般常用第二種選擇,因它可提供較佳的:(1) 整個實驗的誤差估計值
(2) 潛伏變因的偵測
決定中心點順序的兩種方式之範例
16-連串的實驗外加4個中心點
選擇1
> 將中心點訂為條件17,18,19,20
> 完全隨機進行20次實驗
選擇2
> 將16次實驗條件先隨機化
> 決定何間隔插入中心點: 20 runs/ 3=6.7
* 在每6次實驗中加進一個中心點,即實驗順序為1,7,13與 19
* 然後重標號全部實驗的順序
動態變異與靜態變異
在我和供應商討論與分析一些品質上的問題,或多或少,大家都可以瞭解如何利用flow chart 來發掘與分析可能的變異來源,但是,大家往往都忽略一點:動態變異,或許大家對於三現原則的認知還不足,我想,可以藉由2個案例來說明仔細發掘 detailed process產生的效果是多麼的有幫助.(先掌握動態變異後再假設靜態變異)..
案例1: cracking spacer
這是發生在年10月份,公司的OEM廠告訴我,在組裝一個半成品時,其中一個小部件每天都會發生 5~7 pcs的斷裂不良,對方認定是原本的結構設計不當,建議我們將容易斷裂位置的厚度補強以降低不良率..在我觀察對方射出成品的狀況後,我認為風險不大,檢視相關量測數據也沒有發現特別異常會導致容易斷裂的可能..接下來,我開始檢視組裝現場.組裝此半成品的步驟一共有3道,第一道是手動組裝,第二道是機台鎖緊,第三道是洩露測試.. 此代工廠(在廈門)和我在台灣負責的另外一間OEM廠不一樣,對方OP告訴我發現斷裂的小部件都是在第三道工序發生,前面2道完全沒有發生過;但在台灣那 一廠,曾經也發生過斷烈,但都是在第二道工序,也就是機台鎖緊時發生..這讓我覺得有點困惑,不過,當下我心理想,會造成斷裂,不外乎就是應力大於結構強 度,而應力來源不外乎就是:拉,壓,彎,扭.等4種外力, 所以,本著detail process的觀念,我試著尋求異常的外力來源...果不其然,在第三道工序,完全洩漏測試後,原本推桿應該將此半成品從測試機推出,但奇怪的是, (*)推桿卻突然往後快速回拉然後再將此半成品推出..,我告訴負責此生產線的線長,應該將此步驟(*)取消掉,因為一點VA都沒有,而且也符合我要找的異常外力來源與發生站別.不過,雖然我是以客戶的立場要求對方照辦,我仍然可以感覺到對方懷疑的態度. 隔天下午,我再和相關人員討論與檢視組裝流程(前一晚,該線長已經應我要求將(*)取消掉),發現並沒有任何一組半成品還有發生斷裂的不良..接下來的1 個月內(累計23工作天),我請公司的SQE幫我追蹤效果,儘管從我要求對方取消(*)後,還是發生過1件斷裂的不良,但比起1天約5~7 pcs的不良率,效果應該是很顯著的.
案例2: Softener組裝間隙
去年11月份,法國通知美國辦公室說有累計5組的產品,在客戶端組裝後有漏水問題,技師將漏水位置的O型環更換另一款後便將漏水問題解決,隨即要求所有的 產品更換更換的同一款O型環..(這個更換O型環的要求後來讓我證明不是改正漏水的方法(改款O型環在組裝過程若上下組件的間歇偏大,也是會發生漏水問題)) 在此案例中,我想要說明的是當我與OEM 廠的工程師合作測試樣品時,該QA工程師發現在測試增壓過程,上下組件原本的間歇(約0.7mm)會被拉大成為0.9mm左右(S1),若再遇到組件之間 的垂直度不佳(S2),那單邊最大間隙極有可能大於最小壓縮量的間隙導致O型環無法表現出密封的功能而被擠出上下組件導致漏水..若不是工程師細心的觀察測(動態)試過程的變異,那麼從量測記錄,組裝條件與成品的檢測結果(皆為靜態變異),絕對無法掌握住導致失效的主因之一,也因為 此發現,後來美國接受原本設計有一定存在的風險,進而將上下組件與O型環接觸的位置的形狀予以設變..(既符合組裝要求(易組裝),也完全排除漏水的風 險)
DOE(Design of Experiment:試驗設計)
試驗設計的三個基本原理是重覆,隨機化,以及阻絕化。
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。阻絕化牽涉到在每個阻絕內部對感興趣的試驗條件進行比較。
隨機化集區設計(Randomized Block Design)
所謂隨機化集區設計是對一些欲處理的比較實驗,於場所變動較大時,導入集區作法於實驗場所,例如假設欲比較四種不同化學品對布料強度之影響程度,又已知同一化學品於不同之樣品布料上作實驗時,可能產生不同之結果,在此情況下欲比較四種化學品的影響程度,就必須設法使四種化學品於同一樣品上進行實驗,以減少樣品所帶來之差異,而在同一樣品上所進行之四個實驗即屬於同一block。
變異來源:製程變異可分「隨機性」與「非隨機性」兩類。
非隨機性變因大多由管理性和事故性要因造成,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;
隨機性變因則有賴技術創新、設備更新、材料昇級、人力提升…等努力或巨額投資等改良(kailon) 才可望降低。
6M’s: Machine、 Man、 Material、 Method、 Measurement Mother Nature
你不能不知道的:
1.組裝手法與測試”過程”均可視為變異的一種
2. 機台設定的操作規格一定是最佳的嗎?
>如果是,那全部由中心值當設定值,其結果會如何?
>同樣的條件換成另外一台機台,結果又會是如何?