6sigma培訓教程-文庫吧在線文庫

　　

【正文】 ? 什麼是交互作用 – 表示 2個因子的水平組合上，發生不期待的效果。（線體速度和清洗液濃度在高溫度下沒有差異） 部分配置法 (Fractional factorial design) ? 什麼是部分配置法 (Fractional factorial design) – 在實施試驗時因子的數增加，試驗的次數增加，試驗的次數以幾何規律增加 – 試驗次數的增加 ? 現實是時間方面或成本費用方面發生困難 ? 產生不可預想的潛在變量，試驗的程度變壞 部分配置法 (Fractional factorial design – 一般主效果交互作用沒有必要必須在因子的所有調合下試驗，不用求不必要的交互作用或高次的交互作用；而為了縮小試驗數的大小，只取因子的調合中的一部分進行試驗（ 2n3n型部分配置法） – 因此，通常完全配置法不如使用試驗次數少的部分配置法。 – 注入量和轉速的影響不多 – 這里必須測驗產品是否按改善的最佳條件來生產的再現性 回歸分析（ Regression） ? 什麼是回歸分析（ Regression）？ – 想要改善問題時，掌握相關變量之間的相互關聯性，這種情況有用的時候多。 部分配置法 (Fractional factorial design – X1， X2， X3的主效果跟 2因子交互作用交叉在一起 ? X3 Column=X1 X2 Column ? X1 Column=X2 X3 Column ? X2 Column=X1 X3 Column 1 1 +1 X1 +1 1 +1 X2 X3 部分配置法 (Fractional factorial design ? 25試驗 – 在注塑物配合工序上，從調查的結果來看，到測定、分析階段為止選定了 5個暫定因子，選定的各個因子如下： ? 進入反應器的原材料的量 (liter/min) ? 添加的催化劑（ %） ? 轉速（ RPM） ? 反應器內溫度（ ℃ ） – 當中哪能些因素在什麼條件下能得出最佳值？ 部分配置法 (Fractional factorial design Factor 1 +1 （ feed rate） 10 15 （ catalyst） 1 2 （ RPM） 100 120 （ temperature） 140 180 （ concentration） 3 6 部分配置法 (Fractional factorial design – 反應值受催化劑和溫度的影響強烈，幾乎不受其它干擾影響。 要因配置法 (Factorial Design) – 試驗配置 RUN Temp Time Conc. Yield 1 1 1 1 65 2 1 1 1 43 3 1 1 1 4 1 1 1 43 5 1 1 1 6 1 1 1 44 7 1 1 1 51 8 1 1 1 43 要因配置法 (Factorial Design) – 把 Yield和 temp/time/conc因子的效果 plot Graph – 首先繪製各要素的 Low Level(1)[低水平 (1)]的反應值（殘留物的量），然後繪製 High Level(1)[高水平 (+1)]。 一元配置法 – 按反應溫度 (A)變化的強度 (單位： Kg/mm2)的試驗數據 因子水平 A1 A2 A3 A4 試驗的反復 二元配置法 ? 選定配置法 – 選定 2個因子後做試驗的試驗計劃 – 某化工廠認為影響產品的收率 (Yield， %)是反應溫度和原料。 ? 試驗和實施數據收集 – 試驗之前準備數據表格，可能的話，把相關的所有內容全部記錄。 試驗計劃法的樹立 ? 試驗計劃法的樹立 – 明確試驗的目的 – 選定反應值（從屬變量）‘ Y’ – 選定因子（獨立變量）‘ X’ – 選定因子的水平 – 選定試驗計劃 – 實施試驗 數據收集 – 數據分析 – 導出結論 – 驗證試驗 試驗計劃法的樹立 ? 明確試驗目的 – 明確試驗記錄樣式的目的 ? 製作‘ Y’ (從屬變量 )明確定義‘ X’ (獨立變量）效果的的預測值表 – 在做試驗計劃時，必須注意以下內容 ? 用數據決定什麼？ ? 數據收集後怎麼分析？ ? 得到的數據做必要的決定時有用嗎？ – 如果不是重新樹立計劃 試驗計劃法的樹立 ? 選定反應值（從屬變量）‘Ｙ’ – 選定的題目可能有多個‘Ｙ’ ? 題目展開後 (Logic Tree等 )，選定‘ Yn’的各個獨立因子‘ X’進行改善 ? 計數值數據的效率性是計量值的 63%左右時，有必要更多數據 ? 當測定‘ Y’困難時，采用給予分類或跟標準進行比較的方法 試驗計劃法的樹立 ? 測定後的樣本數據最好是保存，必要時再進行對比調查 ? 當數據測定有主觀性時，可能有時間偏移，因此必須隨機化或盲化實施 ? 試驗前不管數據的種類，必須對‘ Y’實施 Gage RR，其值要少于 20% 試驗計劃的樹立 ? 選定因子（獨立變量）‘ X’ – 獨立變量有多種 ? 在試驗上接意圖變化的試驗變量 ? 不是有意變化的可觀察的變量 ? Blocking變量（人為制造的變量） ? 潛在變量 試驗計劃的樹立 – 選定獨立變量 ? 利用測定、分析階段得到的統計分析結果 ? 專家意見 ? 大腦風暴法 ? Flow Chart ? 現象分析數據 ? 特性要因圖 ? 競爭社分析 ? 顧客分析 協力社調查 ? Process Mapping ? Rolled Through Yield 試驗計劃的樹立 – 潛在變量 ? 潛在變量是給結果帶來影響的，但難以發覺，并且不可能控制和測定。 假設檢驗（ Hypothesis Test）計數型 ? X2（ Chisquare） – 適合度檢驗（ Goodness of fit test） ? 什麼是適合度？：試驗 or觀測得到的結果跟理論一致的程度 ? 什麼是適合度檢驗？：檢驗觀測值有什麼樣的理論分布 ? 假設設定 – Ho： P1=P2=??=Pn – H1： P1 P2 ?? Pn – 例：硬幣的正面的出現的概率 50%和實際觀測的概率比較 假設檢驗（ Hypothesis Test）計數型 – 分割表（ Contingency Table） ? 什麼是分割表？：因兩個變數分割後得到表 ? 什麼是獨立性檢驗？：使用于檢驗分類的變量之間的關系是獨立，即變量之間有相關性（從屬關系），或者有（獨立關系）稱獨立性檢驗。 收率概念比較 累計收率（ YRT） 現在為止的收率（ YF） ?考慮工序各階段 ?只考慮最終工序 ?考慮再作業和部品廢棄 ?不考慮再作業和部品廢棄 ?提示無缺陷的可能性 ?不能提示無缺陷的可能性 ?調查各工序的品質 ?只調查最終工序的品質 ?考慮工序是由多少個來構成的 ?不考慮工序是由多少來構成的 ?YRT=e ?YF=S/U ?Y=Y1Y2…… Yn ?S：合格臺數 ?U：檢查臺數 離散型數據分析 ? VFT（ First Time Yield） A 再作業 完成的產品 廢棄 15unit Hidden Factory 70 Units 100 Units 85 Units 離散型數據分析 – 工序 A有輸入 100個 Unit（元件） ? 輸入的 70%元件沒有缺陷已經銷售 ? 輸入的 30%元件有缺陷并再作業 ? 15個元件修理完畢， 15元件報廢 – 現在為止的 Final Yield（ YF） [最終收率 ]是 85% – 因 First Time Yield（ YFT）表示歸初的作業是正確的，所以現在情況下 YFT是 70%。元件數 =34 247。 – X因素：地域，木塞，葡萄酒味，透明性，香氣，葡萄酒瓶 工序能力 – 短期工序能力有關的統計值 Cp， Cpk， Cpu， Cpl長期工序能力有關的統計值有 Pp， Ppk， Ppu， Ppl – 為了計算短期工序能力，使用只考慮組內的滾動，即群內變化的 Zst，以用暫定目的地工序能力或最高的工序能力來表示。 部品 測定值 1 測定值 2 測定差（ 12） 1 2 3 4 5 範圍的界限 ∑R= Gage RR ? 測定差平均值 = ∑R/5=? 測量誤差 =() (R)= ? 公差的測量誤差 =(247。no go時 ? 1V外觀檢查時， ? 2名評價者反復測試 20個管子 測 試 實驗順序 評價者 1 評價者 2 1 2 1 2 1 G G G G 2 G G G G 3 NG G G G 4 NG NG NG NG 5 G G G G 6 G G G G 7 NG NG NG NG 8 NG NG G G 9 G G G G 10 G G G G 測 試 實驗順序 評價者 1 評價者 2 1 2 1 2 11 G G G G 12 G G G G 13 G NG G G 14 G G G G 15 G G G G 16 G G G G 17 G G G G 18 G G G G 19 G G G G 20 G G G G ?如果各部品別 4次都有出現同樣結果的話，其評價是可接受的 ?%Gage RR=[3247。 – Rational Subgroup是指 Subgroup內只存在群內變化， Subgroup間只發生群間變化，將數據 Grouping – 通過這種區分把握長期、短期工程能力 – 經長期收集的數據是不管業務部門還是製造部門都包含在群內，群間變化。4σ 63 6,210 177。 Z值的計算 45 50 55 60 65 70 75 Z ???x規格上限 P PMZxx 800,22%)2(5 6070)70Pr( 或????????? ????? ? ?工序能力測定方法 Z值 ? Z=3 3σ能力 1 σ USL 2 σ 3 σ LSL 工序能力測定方法 Z值 ? Z=6 6σ能力 1σ USL LSL 2σ 3σ 4σ 5σ 6σ ?工序的變動（散布）越小工序能力越高。 統計基本概念的理解 – 可以說明擁有高 Sigma值的工序，具備不良率低的工序能力 – Sigma值越大品質費用越少，周期越短。 統計基本概念的理解 ? 數據的計算方法 – 中心位置特征值的計算： ? ?? ?? ?資料中最頻繁出現的值最頻數中央位置的值按大小順序排列時處在中位值調和平均算術平均值:)(:~111:1:1ModeXXnHHXnXXinii???????????統計基本概念的理解 – 散布的計算 ? S(總變動： Total Sum of Squares):偏差平方和 ? 無偏方差 (Unbiased Variance):S除以自由度（ n1） ? 無偏方差的開方 or標準偏差 ? ?? ???? nxxxxS iii 222 )()(1?? nSV 1?? n SV統計基本概念的理解 ? 參數和統計量 – 參數 (Parameter)：描述變量集合的特性值 – 統計量（ Statistics)：表示標本的特性值 統計基本概念的理解 區分 參數 統計量 均值 (Mean) 均值： μ 樣本均值： 方差 (Variance) 偏差 (Deviation) X )(:222nSnxxi??????方差 1nS 1)(:2????nxxVV，i無偏方差樣本方差nS?? 2:???標準偏差 1 2???nSSV，方差的開方無偏樣本標準偏差統計基本概念的理解 ? Sigma的定義 – Sigma是希臘字母，表示工序的散布。 25 6070 ????? ? ?xZ統計基本概念的理解 ? Z值的計算 – 70分以上的可能性有多少？ ? 正態分布總面積是‘ 1’ ? 某概率變量‘ X’到平均值（ μ ）之間距離除以標準偏差（ σ ）的值用‘ Z’來表示。1σ 317,00