[转帖]MSA

量測系統對於從事品管工作的人來說，應該不是一個陌生的主題。但過去從事品管的人員或是使用量測工具對品質特性值加以量測的人，大多著力在量測工具的使用和按時將貴重或精密的量測工具送外校驗。可以說完全信任外校的正確性，但是自從美國的Motorola公司推行6-Sigma管理後，發現品質特性值的量測結果因為技術等因素會造成中心值的偏移起，加上全球再次推動統計製程管制，因而引發大家對於量測工具適用性的檢討，從而造成QS-9000特別重視量測系統分析，成為目前強調量測系統分析的濫觴。量測數據的使用已經比過去更為頻繁，而且以多種方式加以運用。目前企業大多會依據量測數據來做製程是否需要調整的決定，量測數據或者是由量測數據所得的某些統計量被拿來和製程的統計界限進行比較，當此一比較顯示製程超出了統計管制界限時，勢必要進行某些調整。反之則可讓製程繼續生產而不用調整。量測數據的另一個用途是檢討兩個或更多個變數之間是否有顯著的關係存在。譬如說，我們可能會懷疑塑膠射出成型件上的某個關鍵尺寸和塑膠原料進料時的溫度有關。這種可能存在的關係我們可以考慮使用迴歸分析的統計方法來對這兩個變數進行比較。品管大師戴明博士把這類探討變數間關係的研究稱之為分析性的研究。分析性的研究可以增加對製程系統在特性要因方面的知識。分析性的研究可以說是量測數據最重要的應用，原因不外是因為它能讓我們對製程有更加深入的了解。能否由一個以數據為基礎的製程獲得企業利益，全視所引用量測數據的品質而定。如果數據的品質差，那麼無庸置疑的製程所能獲的利益也相對的降低，反之則利益大。為了確保從運用量測數據上所獲得的利益大過取得量測數據的成本，避免發生『做好品質就是要花大錢』這樣的謬思，我們的注意力就必須放在數據的品質上，這正是量測系統分析的精神所在。量測數據品質的好壞和量測系統在一個穩定的情況下取得多個數據值的統計性質有關。譬如說，有一個量測系統是在穩定的情況下運作的，此系統被用來取得某一品質特性的幾個量測值。如果量測結果都非常〝接近〞此一特性值的目標值，那麼我們說這些數據的品質是「好」的，同理，如果量測結果都〝偏離〞此一目標值甚多，那麼我們說這些數據的品質是「差」的。統計性質中最常被用來標示數據品質的是『偏性=bias』和『變異=variance』，偏性是指對比目標值數據所在的位置，而變異則是指數據的擴散程度。品質差的數據最常見的原因之一是數據的變異太大。譬如說，有一個量測系統被用來量測儲存槽中液體的體積，但該液體卻對環境週遭溫度極為敏感。此一情況下，數據的變異可能是因體積改變所致也可能是因週遭溫度變化所致。這將會讓解釋數據的任務變得很困難，同時可能也會懷疑此量測系統的堪用性。在一組量測數據中的變異多數是源自於量測系統本身和使用環境的交互作用，如果交互作用造成過大的變異，那麼數據的品質可能會差到無法加以利用。譬如說，一個有著過大變異的量測系統可能就不適合用來分析某個製程，因為量測系統的變異可能大過製程的變異。大部分管理量測系統的工作都是指向對變異進行監看和控制的，當然整個管理工作還包括其它很多的事情在內，但整個重點應該放在掌握量測系統如何和其使用環境的交互作用，而只讓達到可接受品質的數據產生上。雖說大部分的變異是我們所不樂見的。但也不乏幾個例外，譬如說，假設變異源自於所量測品質特性值上的些微變動，那麼這通常是我們所希望的。對於這類的變動具有較佳敏感度的量測系統，會是我們所希望要的，因為它有著較好的敏感性。假如量測的數據品質是無法接受的，那麼就應該加以改進。而此一改進通常是透過改善量測系統來達成，而非改善數據本身(實務上，常見的造假數據)。註 1：Gage(量具)=任何一種被用來獲得量測值的裝置註 2：量測系統=各種作業、程序、量具及其他設備、軟體和人員的集合被指定給一些要加以量測的品質特性值；整個程序被用來獲得量測值註 3：日後有機會再對MSA做進一步的介紹