從根本解決品質難題？解構製造業背後的品質控制秘密！

[#1]

在現代製造業中，穩定的品質控制對企業的競爭力至關重要。隨著製造程序日漸複雜，僅靠傳統方法已無法有效識別隱藏的品質問題。為解決這一挑戰，先進的資料分析工具成為品質工程師的利器。

本篇文章將實際探討一個產業案例—如何透過分析方法和工具解決複雜的品質問題，涵蓋從初步資料探索到最終決策的全過程。

問題背景

某製造企業在生產製造過程中發現，兩種關鍵原料（化合物1與化合物2）的品質波動較大，影響了產品的一致性與可靠度。初步分析顯示，這種波動可能與原料供應商的生產製程差異有關。如何找出品質波動的根源，並制定相應的控制策略，是當前的核心問題。

為深入理解問題，該團隊決定對資料進行多角度分析，包括以下4大層面：

1. 控制圖監控原料品質：評估是否存在特殊原因引發的波動。
2. 供應商對比分析：識別不同供應商的制程差異及其影響。
3. 過程能力評估：測量生產制程的穩定性和適配性。
4. 多元統計分析：在多變數之間尋找潛在關聯。

分析前檢查常態分佈

團隊在分析資料前，意識到許多品質工具假設資料來源於常態分佈。如果不符合此假設，則基於平均值和標準差的結果將不具意義。因此團隊透過分佈分析確認化合物1和化合物2資料均符合常態分佈。

圖一：檢查常態性

控制圖與製程穩定性

圖二 : 控制圖

團隊使用控制圖工具進一步分析品質問題。控制圖透過上限（UCL）、中心線和下限（LCL）劃定範圍，用於區分普通變異和特殊變異。通常需要採取行動消除特殊變異，同時量化普通變異以確定製程能力。

在控制圖中：

• 製程資料生成的點如果隨機分佈在控制限內，表明製程穩定（僅存在普通變異）。
• 若點落在控制限外，說明存在特殊變異。

結果顯示：

• XBar圖中所有點均在控制限內，且隨機分佈，表示製程穩定。
• R圖中批次10超出控制限，顯示出特殊變異。

製程能力指標

Cp衡量規格範圍與製程分佈寬度的比值，而Cpk進一步考慮了製程中心相對於規格限的位置。通常要求Cpk ≥ 1.33為最低標準。

• 化合物 1 的控制圖：所有點都落在管制界限內，點的分佈隨機，表明流程受控且穩定。但 R 圖顯示批次 10 超出管制界限，表明存在一些特殊原因變異。Cpk 值為 0.740，Cp 值為 0.805，表明化合物 1 不穩定且組內極差較大無法滿足規格。

圖三 : 化合物 1 的控制圖及製程能力指標

• 化合物 2 的控制圖：XBar 圖顯示批次 11 落在紅色區域，表明流程不受控且不穩定。R 圖顯示批次 5 超出管制界限，表明存在一些特殊原因變異。Cpk 值為 1.005，Cp 值為 1.154，表明化合物 2 不穩定且無法滿足規格。

圖四 : 化合物2的控制圖及製程能力指標

供應商分析

在發現兩種化合物存在特殊工序變異後，團隊將下一步集中在從供應商角度探索這些變異。將每個供應商的控制圖並排展示，有助於透過圖形直觀地理解變異來源。

圖 5：按供應商分組的化合物 1 和化合物 2 控制圖

從圖 5 中可以看出，結果顯示，供應商 A 的批次間變異比供應商 B 更大，但供應商 A 對於兩種化合物都是穩定的，而供應商 B 在化合物 1 中表現出特殊原因變異

模型驅動的多元控制圖 (MDMVCC)

使用模型驅動的多元控制圖可用於監控多個工序參數。這種控制圖基於主成分或偏最小二乘模型構建，用於檢測各維度獨立監控時可能忽略的多維不穩定性。此外，使用者可互動式深入分析單個變數對整體信號的貢獻。

圖 6：供應商 A 和 B 的模型驅動多元控制圖

從圖 6 可以看出，供應商 A 的 T² 值在控制範圍內，但供應商 B 在批次 9、10 和 11 中表現出明顯的不穩定性。

工序能力分析

工序能力分析評估工序相對於規格限制的表現。一條穩定的工序應始終在規格範圍內生產產品。

圖 7：供應商 A 的化合物 1 和化合物 2 工序能力細節報告

圖 8：供應商 B 的化合物 1 和化合物 2 工序能力細節報告

圖9: 供應商 A 的化合物 1 和化合物 2 Goal Plot和製程性能圖

圖10: 供應商 B 的化合物 1 和化合物 2 Goal Plot和製程性能圖

觀察結果：

• 供應商 A 的兩種化合物皆在規格內但製程能力不佳，且長期變異及短期變異無明顯差異。
• 供應商 B 的化合物 2 在規格內但製程能力稍嫌不足，而化合物 1 在規格內且製程能力較化合物 2佳，但似乎長期變異和短期變異有明顯不同。

分析後決策行動

在檢測到原料中的特殊原因變異後，團隊決定採取以下措施：

1. 引入監控工具：建議供應商使用I&MR圖和多變數控制圖，持續監控原料品質和關鍵製程參數。
2. 提高檢測頻率：增加原料品質分析頻率；為解決現有檢測方法過慢的問題，研發超高效液相色譜（UHPLC）方法，用於快速檢測並降低資料瓶頸。
3. 優化測量流程：改善現有測量程式，降低高測量偏差帶來的誤差風險，為後續製程自動化奠定基礎。
4. 目標導向改進：透過Goal plot評估整體製程穩定性和能力，確保所有改進措施都圍繞核心品質目標展開。

小結

品質工程師的目標是實現卓越製造。持續識別並控制工序變異源，是品質部門的重要職責。透過在工序中內嵌品質控制，不僅提高靈活性，還確保產品和服務的需求得以滿足。

特別說明一下，本案例應用了以下幾個JMP主要功能，幫你透過數據分析辨識不同材料的變異性，包含但不限於：

• Distribution 能直觀地展示資料分佈，以及多個品質與工序平臺，
• Control Chart Builder 可以幫助你直觀理解變異來源
• MDMVCC多元控制圖則可用於監控多個工序參數
• Process Capability 平臺分析了工序能力和穩定性，並利用Goal Plot和工序表現圖將變異與能力結合，適用於需要監控大量工序的場景。

如果想要透過科學的統計分析和工具應用，該案例為複雜品質問題提供了系統性解決方案。在整個過程中，統計程序控制（SPC）和製程能力評估（Process Capability Analyze）起到了關鍵作用，幫助團隊有效識別特殊原因波動並優化生產制程。

要實現卓越的製造品質，需要持續的製程優化和品質監控。透過構建穩定且具備高能力的生產流程，不僅能降低產品不合格率，還能顯著提升企業的市場競爭力。

如果您也在尋找適合自己的品質管理解決方案，不妨點擊以下連結獲得更多學習資源：

• 六標準差助力品質持續改善，利用數據賦能減少產品缺陷與變異性
• 實現智慧製程監控：從不良晶圓問題偵測到快速決策
• 改善良率 5 個關鍵階段：品管六標準差分析指南
• 免費試用JMP 30 天，立即開始您的資料分析之旅
• 想要了解更多，歡迎填寫軟體DEMO與專業顧問諮詢
• 如果您對該案例有興趣，歡迎參考原案例。