6sigma培訓教程(專業版)

　　

【正文】 ? 部分配置法 (Fractional factorial design)的優點 – 以少的試驗次數得到好的試驗結果和提高檢出力 – 試驗因子多，但做的試驗次數少 部分配置法 (Fractional factorial design) ? 25試驗 – 從 32個中選擇 16個方法是重要的 ? X1 X2 X3 X4 X5=1工 ? X1 X2 X3 X4 X5=+1選擇 – 這樣乘全體因子選擇的話，始終不會丟失直交性 ? 試驗因子彼此間獨立，對試驗結果的再現性高 ? 始終從高次的交互作用開始交叉 部分配置法 (Fractional factorial design) ? 如果任意的選擇的配合，會破壞直交性，因子間不能完全獨立而成為從屬的，繼而導出錯誤的試驗結果 ? 選定 X1 X2 X3 X4 X5=+1的 16種配合 – 這是具有高次的交互作用交叉的效果 ? 實施部分配置法時的試驗配合分布形態 部分配置法 (Fractional factorial design) ? 25試驗 – 進行 16個部分配置法中各立方形 ? 底面 2個和上面 2個 ? 左側 2個和右側 2個 ? 前面 2個和後面 2個 部分配置法 (Fractional factorial design 1 1 +1 X1 +1 1 +1 X3 X4 1 +1 X2 1 +1 X5 部分配置法 (Fractional factorial design） 主效果 Column 交互作用 Column Run X1 X2 X3 X1X2 X1X3 X2X3 X1X2X3 反應值 1 1 1 1 1 1 1 1 2 1 1 1 1 1 1 1 3 1 1 1 1 1 1 1 4 1 1 1 1 1 1 1 ?考慮有 4人組合的 231部分配置，在 23完全配置上，可以把相關因子全部相乘後再選定：“ +or”的 4個組合，這時前 2個因子具有完全配置法同樣的形態。 – 認為紡紗生產工序上反應溫度影響紡紗產品的強度，因此為了了解按 反應度 的變化，強度怎樣變化，并且在怎樣的溫度水平下給最高的強度而做反應溫度為因子來取水平 (A1:60℃ ，A2:65℃ ， A3:70℃ ， A4:75℃ ），在 各度下 3回，把全體 12回試驗按隨機順序來實施。 – 區分‘ X’的水平，分析各水平上連續的‘ Y’的數據。 ? 應用：在所有工序上按順序的階段來進行累計後，評價品質水平時使用。 Reproduceability 測定者 2 測定者 1 測定者 3 變化的理解 ? 為什麼要 Rational Subgrouping – Rational Subgroup是 6 Sigma的一個強大的工具。如果測定系統有誤差，但不改善系統的話，在執行6 σ Project期間要接受測定系統可能發生誤差的危險。2σ 45,500 308,700 177。 – Sigma是統計學記述接近平均值的標準偏差（ Standard Deviation）或變化（ Variation），或定義為事件發生的可能性。 ? ‘ Z’值是用來測定工序能力，跟工序的標準偏差不同，在這里‘ Z’值是 ，把全體面積作為 1的時對應的面積。 聚焦問題點階段 – Brainstorming時注意事項 ? 禁止批評 ? 全部 Idea都要記錄 ? Idea發掘時不要解釋或討論 ? 粗略的 Idea也要鼓勵 ? 所有人都積極參與 – Logic Tree(Structure Tree) ? 為達成目標的手段，用邏輯性表示 ? Breakdown（展開）的問題之間 MECE（互不重復無遺漏的全體） – MECE（ Mutually Exclusive and Collective Exhaustive)（不重復，各個的和等于全體） 聚焦問題點階段 ? 確定活動題目的相關 Benefit[利益 ]（定量 /定性效果） – 為保證達成，明確改善金額 ? 對活動課題的問題記錄 – 在現象分析時，記錄現在現象和所希望的現象 ? 計劃時間管理 – 通過分析把全部日程用具體的圖表管理 測定（ Measurement） 變化的理解 ? 數據的分類 解決問題 工程問題 /Bottle Neck/Issue 事項 變化的理解 – 連續型數據（計量型數據） ? Inch or時間一樣能使用測定刻度的數據 ? 比較數值數據提供更多情報 – 離散型數據（計數型數據） – 提供合格不合格之類情報的數據 – 不能再細分化的數據 變化的理解 ? 群內變化（ White Noise） – White Noise是工程內存在的日常因素引起的變化（偶然因素） – 現在的技術水平是不可能控制的變化 – 一般工程的散布 – 工程上受細小的多數因素的影響 – 變化的理解 ? 群間變化（ Black Noise） – Black Noise是工程外部因素影響中心值移動，一般情況下，可查明原因的變化（異常原因） – 現在工程上可控制的變化 – 一般情況下，在工程的目標值下平均值偏移 – 實際上可以知道隨時間的變化，工程能力會怎樣變化 群內、群間變化的區分例 ? 群內變化：每 Line 1， 2， 3內出現的（即 Line內作業者間的變化）工程變化 ? 群間變化：各 Line間的變異而出現的工程變化 作業者 1 作業者 2 作業者 3 作業者 4 作業者 5 作業者 6 作業者 7 作業者 8 作業者 9 Line1 Line2 Line3 變化的理解 ? Rational Subgroup（合理分組） – 批跟數據的種類無關，在可能的短時間內彼此類似的條件下作業的樣本群。 – 為確認測定系統， 3名檢查者對 10個部品反復測試 2次 – File name: Gage RR ? 短期的方法時 Gage RR運用 – CTQ部品的 Spec是 177。 ? DPMO=DPO 1,000,000 – 例：上例 DPMO是 1,000,000 DPMO ? P(ND)=1DPO==(90%) 離散型數據分析 ? 利用泊松公式計算收率 – 利用泊松公式 ? 這里 – Y：收率 – DPU：元件缺陷數 – R： – e：指數函數 ?? !redpur dpur ??離散型數據分析 – r=0時 – ∴Y=e dpu – ∴ 對缺陷機會數越大，“ Y”越接近“ 0” !0)(1 dpueY ??離散型數據分析 ? Process Yield（例題） – 如果 750元件有 34個的缺陷時，計算DPU/DPO/DPMO/Yield/Sigma各是多少？（各元件有10個的機會數） ? DPU=缺陷數247。 – 顯著性水平 (Significance Level)：象一般使用的α =(,)Ho是真的拒絕的概率 假設檢驗（ Hypothesis Test）計量值 第二種錯誤 （ β） 第一種錯誤 （ α） 真 實 H0=真 H1=假 采 納 H0=真 H1=假 假設檢驗（ Hypothesis Test）計量值 ? 假設設定方法 – 以原假設 [母體和 Sample(樣本 )是一樣的 ]來假定 ? Ho： μ 1=μ 2 ? Ho： μ 1=μ 2=μ 3=?? μ n ? Ho： σ 1=σ 2 ? Ho： σ 1=σ 2= σ 3 ?? σ n 假設檢驗（ Hypothesis Test）計量值 – 對立假設 [母體和樣本不同的 ]則為 ? 兩側檢驗時 H1： μ 1≠ μ 2 ? 偏側檢驗時 H1： μ 1 ＜ μ 2 μ 1 ＞ μ 2 ? 兩側檢驗時 H1： σ 1≠ σ 2 ? 偏側檢驗時 H1： σ 1 ＜ σ 2 σ 1 ＞ σ 2 假設檢驗（ Hypothesis Test）計量值 ? 假設檢驗的形態 – 計量型數據：使用 Z， Ttest統計量 ? 實行平均值檢驗的必須檢驗分散的同質性（ Ftest) ? Ftest是比較 2個以上的母體的散布 – 計數型數據：使用 x2(chiSquare)統計量 ? 次數、頻度等 假設檢驗（ Hypothesis Test）計量值 ? 假設檢驗時樣本大小和特征 – 樣本的大小取多少好呢？ ? 如果樣本數小，很難表示母體的特征，可能導致檢驗結果的錯誤 ? 相麼，樣本數大的時候，實際操作中時間 /費用方面難以適用 ? 因此，樣本數的大小最好從各方面都考慮後作出恰當的決定 假設檢驗（ Hypothesis Test）計量值 ? 假設檢驗的實行順序 – 設定原假設、對立假設 (Ho， Hi) – 確定顯著性水平（ α =， ， ） – 選擇檢驗統計量（ Z， T， Chisquare統計量） – 求接受或拒絕域 – 從數據上判定顯著性，解釋結果 ? P(Probability)概率值＜ α 則接受對立假定 (H1) ? P(Probability)概率值＞ α 則接受對立假定 (Ho) – 把統計的解釋結果用于實際問題 假設檢驗（ Hypothesis Test）計量型 ? 假設檢驗結果的判定方法 拒絕值 接受域 ?原假設 (Ho)：接受 ?對立假立 (H1)：拒絕 拒絕域 ?原假設 (Ho)：拒絕 ?對立假立 (H1)：接受 (α) 假設檢驗（ Hypothesis Test）計量型 – 統計學的判定方法 ? 數據計算值結果小于拒絕值時：接受原假設 (Ho) ? 數據計算值結果大于拒絕值時：拒絕原假設 (Ho) ? “ 0”值在信賴區間內時：接受原假設 (Ho) ? “ 0”值在信賴區間外時：拒絕原假設 (Ho) – Minitab的判定方法 ? PValue值大于 α 時：接受原假設 (Ho) ? PValue值小于 α 時：拒絕原假設 (Ho) 假設檢驗（ Hypothesis Test）計量值 ? 假設檢驗的 Minitab運用 – 洗衣機下部 Transmission Housing有 10CTQ， 10個CTQ是 8個 Fixture Brake的高度 離合器，在這里先查看 8個不同的 Fixture間有無高度尺寸公差，如果Fixure間有高度公差的話，用“ X”因素來判斷後調查原因并改善。 試驗計劃的樹立 – 交叉法 ? 交叉是因子的效果不能彼此分離，部分配置法多少都有交叉，一般是主效果大于可交互作用的情況， 3次以上的交互作用類似的情況幾乎沒有。 要因配置法 (Factorial Design) Factor Level 1 +1 A. 水的溫度 (Temp) 溫水 熱水 (Time) 短 長 (Conc.) 低 高 ?同樣 Run實施 2次（或 2次以上）得到反應值 (Yield)時，求平均值後適用試驗排列全體反復 2次（或 2次以上）時，把數據放在 1列來適用。（有 /無相互關聯性，可以提供解決問題的 Point） – 這種關聯性用某種數學方程工來表示及分析叫回歸分析，即可以認為將從屬變量“ Y”與獨立變量“ X”的關系用下列模型的數學方程式來適當表示。 3次以上的交互作用，技術分析不太容易，因此一般不考慮。為了減少潛在變量的影響，常常隨機化。 ? 運用假設檢驗（事例） – 新產品 Flatron Monitor產品顯著降低了眼睛的疲勞 – LG Digital TV比競爭社的 Digital TV畫質更優秀 – 6σ 品質改善 Tool比原有品質改善活動使用的改善 Tool效果更卓越 – 019 PCS比它社手機通話音質更清晰 假設檢驗（ Hypothesis Test）計量值 ? 假設檢驗的用語理解 – 原假設 (Null Hypothesis:Ho)：作為檢驗對象的假設 ? 如果接受原假設的話，表示“什麼也不能確信（ or證明）”。 – DO（ Defect Opportunity）：機會損失（缺陷） ? 可能引發的機會損失（缺陷）的行動或事件。如果信賴性區間重疊意味（信賴區間不重疊意味著組數小）測定的變化大。 ? 決定每種可能故障模式的重要度和發生可能性 ? 決定消除重要故璋模式而采取的方法 ? 開發消除或減少重要故障模式的方法 聚焦問題點階段 – 部分分析法 ? 以優先順序找出問題的核心事項 ? 典型的是： 80%的問題由 20%產生 ? 決定活動課題和相關非常勤人員 – 用邏輯樹等方法展開問題後，找出最終區域，選定經驗豐富的工程師來執行課題活動。 25 6