[转帖]让我們對SPC作更深入的瞭解之二

"細明體">　　　製程參數規格（Ｐ）的另一難題是它與產品品質規格（Ｑ）之間的脈絡往往並不明確，換言之Ｐ正常Ｑ不良的現象時有所聞，而Ｐ異常Ｑ正常的個案更是司空見慣，如果這種因（Ｐ）果（Ｑ）關係的矛盾未得澄清，又能如何鼓勵大家義無反顧地走向SPC之路呢？
　　　　　　


--------------------------------------------------------------------------------

　
2.行有不得，重回原點

　　SPC立意雖佳，但是既然橫亙在前有一連串的困難，並非一蹴可及，那麼與其盲目躁進，不如重回原點，再從它和SQC的關係想起，或者反而會柳暗花明。
　

　　SPC的目的是什麼呢？豈不是希望能用事先的製程管制（Ｐ）使事後的產品品質（Ｑ）自然做好嗎？如果Ｐ是方法Ｑ才是目的，那麼推動SPC就仍然應該從Ｑ著手才是正路。
　

　　所謂從Ｑ著手，就是必須先對Ｑ作一次完整的診斷，看看在現有的品質特性中，就製程能力而言，有那些品質特性（Ｑi）落在安全區內，凡落在安全區內的，SPC只要照單全收，將目前的製程條件（Ｐi）現況標準化即可，反之如果發現部分品質特性（Ｑj）並未落在安全區內，那麼就要分別從Ca值及Cp值之現象來診斷，進行必要的製程改善以期在現行的製程參數（Ｐi）之外找到更嚴謹而有效的新參數條件（Ｐj），使產品品質（Ｑ）獲得真正脫胎換骨的機會。
　

　　上述過程可以流程圖的方式說明如下（參考圖1），以收按圖索驥事半功倍之效。

　
圖１：品質診斷流程圖

　
　　　　　　
--------------------------------------------------------------------------------

3.青龍偃月，所向披靡

　　若要做好前述的品質診斷流程圖（圖１），就有兩個輔助工具值得參考運用。
　

　　其中首先會用到的是「品質製程能力診斷表」（表１），這張表上應列出某一特定加工製程（例如：鍍金）後會在產品上出現的各種品質特性（例如：金厚度、撕裂強度、針孔等），然後根據近況收集25組以上的數據，分別計算該品質特性的及，參酌該品質特性的規格後，即可分別算出Ca;Cp及Cpk。
　

　　有了製程能力的數據之後，進一步可將Ca/Cp之組合標示在「製程能力改善方向圖」（圖２）上，在「製程能力改善方向圖」上主要的分割線是「良品率XX%等高線」，這條等高線可以因行業別及產品別而異，如果採取傳統± 3應該在規格上下限之內的想法為目標，那麼此良品率則應以99.73%為目標，至於如何做出99.73%的良品呢？那倒並非僅有唯一的答案，其實它可依技術精度與管理能力而出現各種可能的組合。
　

　　若利用「STATGRAPHIC」統計套裝軟體，則可輕易地模擬出各種可能產生99.73%良品率的Ca/Cp組合，除了傳統理論上Ca=0 , Cp=1的組合可獲得99.73%的良品率之外，當Ca=0.125時若Cp可提升至1.0667則亦可獲得99.73%的良品率，依此類推（0.25 , 1.237）、(0.4 , 1.54607）、( 0.5 , 1.85）等組合當然也都可以得到99.73%的良品率，換言之Ca與Cp互相有互補性，Ca變大時若Cp相對提升當然仍可獲得同樣的良品率，反之亦然，有了這種認知及實際的模擬結果之後，進一步就可將上述的各種Ca/Cp組合點連接起來，運用Contour的想法，這就形成了所謂「良品率99.73%等高線」（參考圖２），當然如果要繪製「良品率95%等高線」或「良品率99.999%等高線」只要用同樣的邏輯，依樣畫葫蘆即可。

　　　　　　


--------------------------------------------------------------------------------

4.理出頭緒，P出道理

4.1安全地區，現況維持

　　有了良品率等高線，就可回頭再與製程能力診斷表結合，若發現任何品質特性的Ca/Cp組合點落在良品率等高線的上方，這就表示該品質特性的良品率一定可以高於設定的目標值，這種情形也等於證實目前的製程參數組合（Pi）已可達到Ｑ的目標，那麼又何需另起爐灶，大費周章呢？！在此情況下，最簡單最合理的作法就是將目前的製程參數條件（Pi）作現況標準化即可。

　
4.2Ca不足，管理改善

　　「人生不如意事十常八九」，除了上述幸運的狀況外，往往會有許多品質特性的Ca/Cp組合會落在安全區之外，在此情形下，可先檢視Ca值，如果Ca值在傳統分類法的Ｂ區之外（換言之Ca? 0.25即所謂管理改善區），那麼合理可行辦法是透過教育訓練及儀校保養，將往規格中心的方向修正，使Ca降低讓良品率回升，這是一種事半功倍的作法，值得先行嚐試，採取上述管理對策後要再追蹤其效果，如果其結果終於落入安全區，那麼就可回到4.1的作法，反之如果Ca雖有改善，但並卻也並未落入安全區，這就表示該特性實際上有明顯製程能力不足的問題（即落入技術改善區），必須採用4.3的作法澈底進行技術改善。
　

4.3Cp不足，追根究底

　　一旦確定某一品質特性落入技術改善區之後，就表示現行的製程參數組合（Pi）並非最佳生產條件，因為事實證明Pi並無法讓Qj進入安全區，那麼當務之急就必須在現行的Pi之外另起爐灶，重新找出P與Q之間真正的因果關係。
　

　　至於該用何種統計工具來找出真正的因果關係？那就要視問題的複雜程度而定，如果製程參數只有一兩個，那麼不妨借助較簡單的相關迴歸分析來嚐試突破（註三），相反地若製程參數甚多，而且孰重孰輕曖昧不明，那麼為了儘快理出頭緒，就該借助實驗計劃法（D.O.E）來透過嚴謹的實驗澈底獲得最佳生產條件（Pj組合），獲得Pj之後，當然仍需做再現性的量產證實，如果Qj因此被拉回安全區，那就表示Pj才是SPC真正的基礎。

　　　　　　


--------------------------------------------------------------------------------

5.紮好基礎，源頭管理

　　無論原來產品品質（Q）的製程能力是否足夠，我們都能從前節4.1至4.3的途徑中找到最理想的製程參數組合（P），換言之，這種由Ｑ到Ｐ之路才是邁向SPC的終南捷徑。

　
　　但是得到Pj是否表示SPC的工作就完成了呢？事實並非如此，因為Pj只是最理想的製程參數組合，它只能算是製程參數理想的規格，實際上的P也必然會像Q一樣依循統計的變異原理不斷隨著生產狀況而變化，因此若將P實際變化情形所產生的與與Pj相比對，我們又可以進一步發現製程參數的製程能力，這時我們才更明白此一製程是否有長期維持Pj的能力，換言之SPC的第二步就是要作參數的製程能力診斷（表２），從而努力將所有的Pj都推入安全區。

　
　　近幾年，日本企業對提高Pj製程能力的努力有很具體的突破，例如化學藥液的製程管理方式已由傳統的批次更換（Batch Replace）改為即時自動添加系統（Auto Dosing System），至於刷磨拋光的加工製程，也用附加的自動拍板系統將每一片進刷磨機的板子以隨機方式，從左中右側輪流送入刷磨機，使刷輪能一直保持在最平整的狀態（Pj），進而刷出最佳的清潔表面（Qj）。
　

　　以上所舉的例子都是將製程參數（Ｐ）從頭做好的一些案例，也就是日本所謂的源流管理，其目的在使最終的產品品質（Ｑ）能透過事先的製程參數（Ｐ）管理而及早獲得保障，如果做到這一點SPC就幾乎江山底定了。
　

　　等到前述的SPC可以合理地執行及管理之後，最後剩下的一件事就是追蹤最佳製程參數（Pj）穩定後，產品品質（Ｑ）是否亦被同步帶入更穩定的境界，當這一步做到之後SPC就算大功告成了，上述之全部過程即為由Ｑ到Ｐ之路，循序完成之步驟敬請參考品質工程體系圖（圖３）。

　　　　　　


--------------------------------------------------------------------------------

6.掌握先機，事半功倍

　　英代爾（Intel）公司的副總裁虞有澄博士在其大作「我看英代爾」（註四）一書中，談到SPC時對麥當勞推崇倍至，甚至期勉同仁要以Mac-Intel作為製程努力的目標，試想其原因何在？

　
　　君豈不見麥當勞是如何做好品質（Ｑ）的呢？炸好的薯條有人做出貨檢驗嗎？沒有出貨檢驗的薯條有半生不熟的嗎？那些口感又好又不要檢驗的薯條是資深老師傅才炸的出來的嗎？其實上述每個問題的答案都是No，因為若要在全世界任何一家分店都吃到一樣好吃的薯條，薯條是無法靠檢驗Ｑ出來的，做出這種舉世一致不因人因地而異的好薯條的唯一方法就是SPC，只要把所有的Ｐ（薯條大小、薯條含水量、油溫、油質、油炸時間）掌握成功，其實Ｑ就自然不用擔心了。

　
　　從麥當勞的成功實例中，我們更容易明白，由Ｑ到Ｐ的SPC之路是保證品質的必經之路，也是保障企業成功最事半功倍之路。