统计过程控制(SPC)

统计过程控制（SPC）zen要点•1、理解质量控制、过程控制和统计过程控制的关系•2、过程能力和过程能力指数，学会如何计算•3、影响过程能力指数的主要因素•4、过程能力指数和不合格率之间的关系•5、利用过程分析方法解决过程控制中的实际问题•6、控制图质量控制的三个内容•1、识别并确定过程，以做到及时发现和排除产品实现过程中的变异，使上（过程）工序的问题不带到下一（过程）工序中去，以保证过程的稳定性和产品质量的一致性，这是一项预防性工作，简称过程控制。•2、按规定的检验方案，对过程和产品（包括原材料、半成品）进行检验，使检验合格的产品保持一定的质量水平。这是一项验收、鉴定性工作。•3、通过质量审核、管理评审、过程控制、产品检验以及顾客反馈等提供的信息，研究分析＆改进过程，并最终使交付的产品能持续满足顾客的要求。这是一项改进性工作，简称过程改进。质量控制的重点：过程控制1、过程是一组输入转化为输出的相互关联或作用的活动；2、过程方法的重点是对每一过程实施有效的控制，并基于对过程的测量＆分析，使过程得到持续改善。统计过程控制1、用统计技术进行过程控制，称统计过程控制，简称SPC（STATUSTICALPROCESSCONCTROL)2、1924年，美国贝尔电话实验室的休哈特首创。統計基本概念的理解–散布的計算•S(總變動：TotalSumofSquares):偏差平方和•無偏方差(UnbiasedVariance):S除以自由度（n-1）•無偏方差的開方or標準偏差nxxxxSiii222)()(1nSV1nSV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1-nS1)(:2nxxVV，i無偏方差樣本方差nS2:標準偏差12nSSV，方差的開方無偏樣本標準偏差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•正態分布：N（60，52）•標準正態分布：N（0，12）•70分的情況下Z-值是•假如規格上限是75分的話，現在的工序能力是Z=2或是2σ。•Z值是已測定的標準偏差（σ）有幾個能进入平均值到规格上下界限（USL，LSL）之间的测定值。256070xZ需要什麼樣的管理？需要什麼樣的技術短期的工序能力長期的工序能力•判斷為短期內工序沒有外部影響•判斷為充分長時期內工序有外部影響•Zst（σst）•Zlt（σlt）•Cp•Cpk•技術•技術+工序管理•最佳條件下的工序能力•日常條件下的工序能力•6σ：Zst=6.0，Cp=2.0•6σ：Zlt=4.5，Cpk=1.5•Zst=3×Cp•Zlt=3×Cpk•長期內的工序能力因工序的中心移動及變動，跟ZltZst關系有關•Zshift=Zst-ZltZst=Zlt+1.56sigma的品質水準是什麼？•正態分布的平偏移（±1.5σ）-6σ-5σ-4σ-3σ-2σ-1σX+1σ+2σ+3σ+4σ+5σ+6σ-1.5σ+1.5σ規格上限（USL）規格下限（LSL）按規格變化和平均值偏移的不良率規格關系無偏移時不良率（理想的工序時）±1.5σ偏移時不良率±1σ317,000697,700±2σ45,500308,700±3σ2,70066,810±4σ636,210±5σ0.57233±6σ0.0023.4•6Sigma品質是每百萬個中3.4PPM，即Cp=2.0，Cpk=1.5工序能力•工序能力的數學式–兩側有規格的工序能力6LUSSCpSLSUx工序能力–有偏移時的工序能力SLSUxKMT/2x-M)1(KCpKCpk工序能力–用語解釋•K：偏移系數（如果K=0，Cp=Cpk）•M（Mid-range）：規格的中心•T（Tolerancne）：公差•SU（UpperSpec）：規格上限•SL（LowerSpec）：規格下限工序能力–只有規格上限時的工序能力SUx3xSCUPU工序能力–只有規格下限時的工序能力SLx3LPLSxC过程潜力指数:…是规范范围与6倍的所测量的过程标准偏差的比值.…反映过程离散情况.Cp=USL-LSL6PPp=USL-LSL6T当过程处于用标准控制图所定义的统计控制状态时,使用Cp.能力=3xCp目标值LSLUSL当过程没有处于用标准控制图所定义的统计控制状态时,使用Pp.四、CPK与PPK之间关系实际过程表现指数:…是过程平均值和靠近的规范极限之差的绝对值与3倍的所测量的过程标准偏差的比值.…反映过程中心偏移和离散问题.客户要求的产品我们生产的产品LSLUSL目标值CPK=Min{CPL,CPU}CPL=X-LSL3PCPU=USL-X3PPPL=X-LSL3TPPU=USL-X3TPPK=Min{PPL,PPU}当过程没有处于用标准控制图所定义的统计控制状态时,使用Ppk.当过程处于用标准控制图所定义的统计控制状态时,使用Cpk.实际过程表现指数例题•1、某零件的热处理温度为760±5°C，长期测试结果炉温服从（760，2）的正态分布，计算工序能力指数。此题中的M＝µ＝760，δ＝2，Cp＝10/12＝0.832、假如温度设定为760±8°Cp＝16/12＝1.333、假如分布是（762，2）温度设定为760±8°时Cpk＝（1-K）×Cp＝（T-2ε）/6δ＝（（16－（762-760））/（6*2）＝16LUSSCp打开Camshaft2.mtw规范:600+/-2第1步:StatQualityToolsCapabilityAnalysisNormal五、Mintab计算制程能力第2步第3步第4步601.50600.75600.00599.25598.50597.75LSLUSLProcessDataSampleN100StDev(Within)0.576429StDev(Overall)0.620865LSL598Target*USL602SampleMean599.548Potential(Within)CapabilityOverallCapabilityPp1.07PPL0.83PPU1.32Ppk0.83CpmCp*1.16CPL0.90CPU1.42Cpk0.90ObservedPerformancePPMLSL10000.00PPMUSL0.00PPMTotal10000.00Exp.WithinPerformancePPMLSL3621.06PPMUSL10.51PPMTotal3631.57Exp.OverallPerformancePPMLSL6328.16PPMUSL39.19PPMTotal6367.35WithinOverallProcessCapabilityofSupp1记住:1.报告短期Cpk2.报告长期PPK过程潜力指数:…是规范范围与6倍的所测量的过程标准偏差的比值.…反映过程离散情况.Cp=USL-LSL6PPp=USL-LSL6T当过程处于用标准控制图所定义的统计控制状态时,使用Cp.能力=3xCp目标值LSLUSL当过程没有处于用标准控制图所定义的统计控制状态时,使用Pp.四、CPK与PPK之间关系实际过程表现指数:…是过程平均值和靠近的规范极限之差的绝对值与3倍的所测量的过程标准偏差的比值.…反映过程中心偏移和离散问题.客户要求的产品我们生产的产品LSLUSL目标值CPK=Min{CPL,CPU}CPL=X-LSL3PCPU=USL-X3PPPL=X-LSL3TPPU=USL-X3TPPK=Min{PPL,PPU}当过程没有处于用标准控制图所定义的统计控制状态时,使用Ppk.当过程处于用标准控制图所定义的统计控制状态时,使用Cpk.实际过程表现指数六、制程能力等级判断及处理建议等级CP制程精密度处置建议A1.33≤CP(T=8σ)此一制程甚为稳定,可以将规格评容差缩小或胜任更精密的工作B1≤CP≤1.33(T=6σ)有发生不良品之危险,必须加以注意,并设法维持不要使其变坏及迅速追查原因C0.83≤CP≤1.00(T=5σ)检讨规格及作业标准,可能本制程不能胜任如此精密之工作DCP≤0.83应采取紧急措施,全面检讨所有可能影响之因素,必要时应得停业生产A、CPB、CPK等级CP制程精密度处置建议A1.33≤CPK制程能力足够B1.0≤CP＜1.33制程能力尚可,应再努力CCPK＜1.0制程能力加以改善工序能力指数与不良率P＝2-（Φ（3Cp（1+K））+Φ（3Cp（1-K）））例题：某零件的热处理温度，假如分布是（762，2）温度设定为760±6°时计算得出：Cpk＝（1-K）×Cp＝（T-2ε）/6δ＝（（16－（762-760））/（6*2）＝11、Cp＝1，k＝2ε/T＝0.3332、P＝2-（Φ（3Cp（1+K））+Φ（3Cp（1-K）））＝2-（Φ（3*1（1+0.333））+Φ（3*1（1-0.333）））＝2-（Φ（3.9999）+Φ(2))=2-0.9999683-0.97725=0.022783、用Z值计算不良率得到的结果一致。离散型數據分析•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（DefectOpportunity）：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离散型數據分析–U（Unit）：元件•元件測定可能機會的細節•例：要求樣式–DPU（DefectPerUnit）：•每個元件內存在的缺陷數–DPO（DefectPerOpportunity）：每個機會損失數离散型數據分析–DPMO（DefectPerMillionopportunity）（每百萬要會損失數）•1,000,000單元存在的損失數•DPO×1,000,000轉換SixSigma比率–P（ND）=NoneDefect：無損失•機會不能成為損失的可能性•P（ND）=1-DPO离散型數據分析•DPU/DPO/DPMO/P(ND)改善–發出了張送貨單，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=1.0（100%）該值表示平均值，所以每張送貨單包含1個符合項离散型數據分析•DPO=D/(U×Opp)–DPO＝100/(100×10)=0.1(10%)該值表示所發出的送貨單的每个最小有1个不良的可能性是10%。•DPMO=DPO×1,000,000–例：上例DPMO是0.1×1,000,000DPMO•P(ND)=1-DPO=1-0.1=0.9(90%)离散型數據分析•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2.71828……!redpurdpur离散型數據分析–r=0時–∴Y=e-dpu–∴對缺陷機會數越大，“Y”越接近“0”!0)(1dpueY离散型數據分析•ProcessYield（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÷元件數=34÷750=0.0453•DPO=缺陷數÷(元件數×機會數)=34÷(750×10)=0.00453•Yield值是Y=e-dpu=2.7138-0.045=0.9559=95.6%离散型數據分析•DPMO=DPO×1,000,000=0.0045×1,000,000=4,500PPM一個元件有45,00PPM的缺陷•Sigma=Zinv(0.9556)+1.5(偏移）=1.71+1.5=3.21离散型數據分析•收率的種類–FTY(FirstTim