6sigma管理方法(編輯修改稿)

　

【文章內容簡介】 Value Observed Average Value 71 Gage Ramp。R – 反復性（ Repeatability）： 1名測定者使用同樣計測器測定同樣部品的同樣特性時得到的變化 Repeatability 72 Gage Ramp。R – 再現性（ Reproduceability)：同樣部品的同樣特性使用同樣計測器由多名測定者測定時得到的變化。 Reproduceability 測定者 2 測定者 1 測定者 3 73 Gage Ramp。R ? Gage Ramp。R判斷基準 – Gage Ramp。R值越大，要制定改善計劃并進行改善。如果不顧測定系統的誤差，不改善系統的話，在 6σ Project實行中，要願意接受測定系統可能發生誤差的危險。 設計許可誤差對比 Gage 判斷 20%以下 Accept 20%30% 考慮適用部品的重要度等 判斷能否 Accept 30%以上 一般情況下 74 Gage Ramp。R ? 計測器選定（測量的精度） – 一般來說量具要求是工序變化 /Spec許可誤差的 10%或更小的精度是合理的 ? 精度：在量具上能讀到的測定最小單位 ? 例）部品的公差 =177。 ，量具精度需滿足 ≤ ? Gage Ramp。R的 Sampling實施 – 以隨機原則實施，但為了把握 Spec的所有範圍的變化，實施前必須制定抽樣計劃。 75 Gage Ramp。R ? Gage Ramp。R是什麼？ – 測定系統給工程的變化值造成多少影響 ? Gage Ramp。R Study – Gage Ramp。R Study有下面 3種 ? 反復性（ Repeatability） ? 再現性 (Reproduceability） ? 全體測定變化 – 即對比 Process或 Spec決定測定系統的變化有多少程度比率的系統。 76 Gage Ramp。R 數據全體變化 部品間變化 測定 Error變化 2amp。22 )()( RRP a r tP a r tT o t a l ??? ?? ?77 Gage Ramp。R ? Gage Ramp。R重要性 – Gage Ramp。R的實行結果提供下面的情報 ? 選定計測器的適合性（ Gage分解能力的恰當性） ? 測定系統時間上穩定性（ or 可信賴） ? 測定滿足誤差時，是工程變化或規格值關聯可以接受。（因素測定的變化量小，以具備正確找出誘發 “ Y‖變化的“ X‖因素） 78 變化的理解 ? 為什麼要 Rational Subgrouping – Rational Subgroup是 6 Sigma的一個強大的工具。 – 是區分工程的短期工程能力或長期工程能力的重要方法 ? 可以把握平均值移動問題還是散布問題 ? 把問題特殊化的第一個階段 79 變化的理解 – Rational Subgroup要包含的要素：為了明確給工序變化暫定影響的 ‘ X’因素，使用 5M求解特性要因圖 ? Man：作業者變更，晝夜班次交換，新作業者等 ? Machine：機械設定值變更，設備維修 amp。維護等 ? Material：交付 LOT，作業安排，原材料等 ? Method：作業者間的作業方法差異等 ? Measurement：測定者的變化，測定設備誤差等 80 變化的理解 ? Rational Subgrouping事例 – 改善供應 TV Back Cover協力社的品質，為了分析部品變化的原因制定 Rational Subgrouping計劃 ? 預想的暫定 “ X‖因素及實際計劃 – 兩臺注塑機：對兩臺注塑機實施下列內容 – 交接班：對交接班別取樣分析 – 每周作業者的變更：對每周變更的作業者別取樣分析 – 按原材料別構成 Lot，分析 Lot別有無差異 81 工序能力 ? 工序能力的數學式 – 兩側有規格的工序能力 ?6LU SSCp ??SL SU x82 工序能力 – 有偏移時的工序能力 SL SU xK M T / 2xM )1(???KCpKC p k83 工序能力 – 用語解釋 ? K：偏移系數（如果 K=0， Cp=Cpk） ? M（ Midrange）：規格的中心 ? T（ Tolerane）：公差 ? SU（ Upper Spec）：規格上限 ? SL（ Lower Spec）：規格下限 84 工序能力 – 只有規格上限時的工序能力 SU x?3xSC UPU??85 工序能力 – 只有規格下限時的工序能力 SL x?3LPLSxC ??86 工序能力 ? 工序能力的 Minitab運用 – 葡萄酒農場為了參加慶祝大會，在準備過程中，有必要改善葡萄酒品質而準備 Project，首先為了把握現象，按合理分組計劃規劃得出了包括下列 “ X‖因素的葡萄酒質量 “ Y‖的樣本。 – X因素：地域，木塞，葡萄酒味，透明性，香氣，葡萄酒瓶 87 工序能力 ? P46 88 工序能力 ? 數據的正規性驗證 ? P47 89 工序能力 ? P47 90 工序能力 ? 工序能力的 Minitab運用 – 計算工序能力指數 – P48 91 工序能力 – 點擊 Submit Command – P49 92 工序能力 ? 工序能力的 Minitab運用 ? P50 93 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，以用暫定的工序能力或最高的工序能力來表示。并且表示通過改善活動消除平均值移動引起的偏移時的最高的能力。 – 為了計算長期工序能力，考慮規格的上、下限，表示實際的工序能力，用群內、群間變化都考慮在內的 Zlt。 94 工序能力 ? 工序能力的 Minitab運用 ? P51 95 工序能力 ? 工序能力的 Minitab運用 ? P52 96 離散型數據分析 ? 用語解釋 – D（ Defect）：缺陷 or不良（事項） ? 為了滿足顧客的要求事基而浪費的再作業或失敗的工作。 ? 例：把顧客的要求事項記錯的差錯情報。 – 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。 ? 例：須在一張要求式樣上記錄的項目數 97 離散型數據分析 – U（ Unit）：元件 ? 元件測定可能機會的細節 ? 例：要求樣式 – DPU（ Defect Per Unit）： ? 每個元件內存在的缺陷數 – DPO（ Defect Per Opportunity）：每個機會損失數 ? 每個 Unit中存在機會數和關聯的元件內存在的缺陷數 98 離散型數據分析 – DPMO（ Defect Per Million opportunity）（每百萬機會損失數） ? 1,000,000單元存在的損失數 ? DPO 1,000,000 轉換 Six Sigma比率 – P（ ND） =None Defect：無損失 ? 機會不能成為損失的可能性 ? P（ ND） =1DPO 99 離散型數據分析 ? DPU/DPO/DPMO/P(ND)改善 – 發出了 100張送貨單，其中檢出 100個不符合項，如果各單元有 10個項目， DPU/DPO/DPMO/P(ND)各是多少？ ? DPU=D/U – DPU=100/100=（ 100%）該值表示平均值，所以每張送貨單包含 1個符合項 100 離散型數據分析 ? DPO=D/(U Opp) – DPO=100/(100 10)=(10%)該值表示所發出的送貨單的每個最小有 1個不良的可能性是 10%。 ? DPMO=DPO 1,000,000 – 例：上例 DPMO是 1,000,000 DPMO ? P(ND)=1DPO==(90%) 101 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 d pur ??102 離散型數據分析 – r=0時 – ∴ Y=edpu – ∴ 對缺陷機會數越大， “ Y‖越接近 “ 0‖ !0)(1 dpueY ??103 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。 元件數 =34 247。 750= ? DPO=缺陷數 247。 (元件數 機會數 )=34 247。 (750 10)= ? Yield值是 Y=edpu===% 104 離散型數據分析 ? DPMO=DPO 1,000,000= 1,000,000=4,500PPM 一個元件有45,000PPM的缺陷 ? Sigma=Zinv()+(偏移）=+= – Zinv是把 Z值按面積來換算的值，以標準正態分布來計算。 105 離散型數據分析 ? 收率的種類 – YFT(First Time Yield)： (單工序單次收率 ) ? 表示再作業後沒有修理的收率的值 ? 應用：決定個別工序的個別品質水平時使用。 – YRT(Rolled Throughput Yield)：全工程一次性直通收率 ? 表示一個產品通過全工各沒有經過一次的修理和再作業，到最終合格為止的收率值。 ? 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。 106 離散型數據分析 – YNA(Normalized Yield)：標準收率 ? 表示計算連續工序的評價收率的值 ? 應用：完成產品的品質水平評價時使用。 107 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=Y1 Y2 …… Yn ?S：合格臺數 ?U：檢查臺數 108 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 109 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%。 110 離散型數據分析 ? YRT(Rolled Throughput Yield) – 產品 A由 3個連續的階段來形成的話，YRT/YND的值的值是什麼？ 階段 1 階段 2 階段 3 YFT=80% YF=100% YFT=70% YF=90% YFT=90% YF=95% 111 離散型數據分析 – YRF是連續的各階段 YFT之乘 ? YRT= =(%) ? 沒有考慮作業 – 計算各階段的平均收率 ? 不是算術平均，而使用各階段的幾何平均值 ? YND(Normalized Yield) ? 這里 n表示工序的數 n RTY?112 離散型數據分析 ? 上例 YND(Normalized Yield) ? 各階段平均 YFT=% – 正常收率是全工程平均收率，以YND(Normalized Yield)值來計算 Sigma值 – 通過 YRF可以知道工程真正的收率（累計直通率） – 部品數或工序（作業）的階段越少，收率值越大。 113 離散型數據分析 ? 并列構成的工序的累計收率的計算 – Process Mapping中并列構成的工序變換為直列