Home » 2019 » April

Monthly Archives: April 2019

现场过程审核之“性” Deviations Types from Process Audit

ISO 19011 定义审核为

“。。。为获得客观证据并对其进行客观的评价,以确定满足审核准则的程度所进行的系统的,独立的并形成文件的过程”,其次,不同的审核主要区别如下,

审核方式 审核对象 目的
体系审核 质量管理体系 对基本要求的完整及有效性进行评定
过程审核 批量生产

服务诞生过程/服务的实施

对产品/产品组及其过程的质量能力进行评定
产品审核 产品或服务 对产品的质量特性进行评定

对于体系审核,要评价质量管理体系的完整性和有效性相对容易,因为它对于审核员的技能更多要求的是逻辑和字面理解的功底,内审强调的是符合性,而管理评审强调的是有效性。过程审核是新版的IATF 16949中十分重视的内容,德国汽车工业甚至还有专门的VDA 6.3 来讲过程审核,其内容比IATF 16949 和ISO 9001-2015 要详尽很多,乃至通过审核员的考试难度和通过率都要比后者困难。

过程涵括的意义比较广,自然对审核员知识面和技能要求也就更高,笔者把常见的一些过程审核中发现的问题结合自己的理解加以了整理归纳,肯定不完整,有待进一步补充,但是希望能启发读者,抛砖引玉。

属性 子类别 问题点 案列/如何发现 原因
连贯性 运动 产品跌落损坏 产品从传送带上掉到箱子里,存在撞击损坏产品的隐患;员工将工作台上加工好的产品“扔进”或“推落到容器里。 产品移动环节有碰撞
沟通 “快速跟进“ 检验员反映所有半成品会经抽检合格并每箱粘贴合格标签,制造部确认合格标签才会移交下道工序,可是在后面存储区发现有未贴合格标签的货物。 IPQC 送三维检测室检测产品,但是30分钟后结果是不合格,在此期间,因为空间有限,货物已经被其它员工移交到合格品存储区域。沟通脱节,原本环环相扣的流程变成了快速跟进,项目管理中快速跟进最大的风险是质量。
前馈和后馈不完整 作业员不清楚客户曾投诉过的问题;客户不清楚投诉的问题有无得到有效的源头落实。 缺失GM BIQS -23 前馈后馈的落实
追溯 出现客诉或品质异常时正追溯和逆追溯无法追踪到根源 在完成8D 报告的D2 – 问题描述中无法表达清楚真正问题的现象和IS / IS NOT 整个追溯系统建设或执行不足
稳定性

(间歇波动Fluctuting)

动作

(外部)

传送带不平稳 焊锡角长短不一。 波峰炉的传送带抖动,同时锡水涌动高度不均匀
整个机器 高自动化(国产机),但是后面全检不良率过高或者生产效率低于预计值。 设备验收(Cmk)马虎。
显示 数值波动异常 在手持温度计测量炉内温度时发现数值波动,测量人员取合乎规格的读数; 炉内温度因为空气流动忽高忽低,固定位置测量导热性较好的金属壁可解决;
通过电流钳实测电镀用电流,发现波动很大并超出规定值,潜在的造成电镀厚度波动原因。 综合诸多原因。
变异性 有效期 产品参数超规格 浆料存储容器上没有标识有效期时间,查叩解度,超差,但原始记录显示合格 已存放近一月,但无明确有效期。
化学品 化学品过期 化学品有效期应该进行跟踪,确保直到被使用前一直有效,
异常性(失效性) 突发异常 5M1E 异常的处理流程 设备显示刚被大修过,但是没有重新验收记录。 变更流程没有执行到位。
设备维修记录显示有不同的失效记录,但是车间的应急管理制度里没有对应的风险预案。 风险预案遗漏或没有及时更新。
机械手臂取嵌块不稳定,人为擅自改为手动取嵌块,导致同模不同穴,产品有欠胶现象。 控制计划和作业指导书里没有关于BYPASS 的“临时代替/偏差管理”,也就是 GM BIQS-5
磨损异常 设备或部件正常磨损老化 设定的压力上不去,或产品不饱满等缺陷 止逆环磨损漏胶
紧固件松动 观察设备发现螺栓松动 长时间运作紧固件松脱
过滤网堵塞 注塑烘料机的过滤网不满尘埃,造成过滤杂质的效果下降。 没有及时清理。
均衡性 速度

(相对)

半成品堆积 查看到现场存储区存放有大量(超出检验结果判定间隔周期)的半成品,同时计划部提供的产能计划表显示两道工序的节拍存在较大差异。 工序间加工节拍不均衡同时没有改善措施造成,同时试生产节拍平衡验收失效。
皮带跑偏 打开烘烤炉盖子检查热电偶,无意发现传送带两侧的夹缝中有大量散落的产品。 设备皮带传动部分不稳定,导致传送带跑偏,将产品带落。
分布

(内部)

溶液或介质分布不均匀 盐雾测试箱内不同位置的盐雾浓度(盐雾收集量)不一样,导致不同位置的样品腐蚀程度不一样;熔化炉内不同位置温度不一样,没有采集多个位置的温度;炉内不同位置(段)需要保持不同温度,而实际没有有效温度曲线监控。
电镀池内不同位置的电流测量值偏差较大,显然不稳定并有部分超出规格 多种原因但是显然可以判定工艺不够稳定。
检查超声波粒子轰击锡膜的效果发现不同位置的破损程度不一样,造成实际清洗的产品不同位置洁净度不一样。 超声波发生器分布不合理或者不同超声波效果有差别。
注塑件收缩缺陷 模腔内不同位置应力不够均匀,导致产品收缩比例不一致。
胶水分层 混合的胶水没有定时搅拌,不同比重导致分层。
烧结磁体密度或性能不一致 烧结炉内温度分布不均匀
变化 变化的速度或节拍不受控 测试条件需要一定时间内温度均匀上升,但实际没有验证。
压力变化不均匀 注塑件尺寸不稳定。 注塑工艺注射压力变化不均匀/稳定
逻辑性 概率 αβ 风险没有平等对待 问:如果测试结果显示不合格,怎么解决?答:重新再测一次,如果合格就算合格,再问:第一次测量合格的,需要再测一次加以确认吗?,答:不用;或者问:测了三次,有两次合格,一次不合格,结果判合格还是不合格,答:没有明确规定 信任α (把合格品当成不合格品了),不信任β 风险(把不合格品当合格品)
矛盾 结果不能证明过程能力 供应商声称全自动化生产,过程稳定,甚至能提供“漂亮”的Cpk 数据,可是检验工位实行全检,而且存在大量的不良品; 全自动设备实际上不稳定(笔者曾经亲历某企业为了不让异常的设备露陷,让它继续运作以展示给客户,甚至同时安排员工伪造巡检实际不良的结果为合格,结果被客户随机在线取几个样品抽测检验不良发现其诡计)
结果不能证明过程能力 供应商提供合格的Cpk 数据,可是不敢或无法提供某个批次或某个时间段的良率数据
一致性 符合

(相对)

(方法)

方法: 与规定的文件要求不一致 作业指导书要求搅拌罐搅拌20分钟,实际时间控制器设置搅拌10分钟; 周末员工打扫卫生不小心碰到了时间控制器的设置;
控制计划要求控制磁铁气流磨后粉粒的含氧量,但实际没有控制 测试仪因某些原因被搬走,使用不便,导致没有按控制计划的频率控制
与批准的内容不一致 私自变更实际的作业参数或者设备等以和客户批准的不一致 因多种原因私自变更
与申报的数值不一致 计算报价时估算的节拍和良率与试生产验收时不一致。 报价时过于乐观;
横向-外部 (应该相同而不同)

不同供应商针对同样的参数,采用不同的工差。

审核发现有的供应商能控制的工艺参数取+/-20%的工差,而其它的供应商能控制在+/-5%,工艺能力孰强孰弱一目了然。 技术水平高低不同
不同供应商同样产品和加工流程,但是控制点有粗细 不同的钕铁硼磁体加工厂,但是控制计划中的控制点多寡相差甚远。 品质控制的精细和水平不一致。
横向-内部 (应该不同而相同)

不同的工艺条件没有明确

现场用毛刷沾液体给产品加工,起初没留意,后再问:毛刷型号有规定吗?答:没有,实际情况是果真供应商使用不同型号的毛刷给不同产品加工。 在实际应用中,企业出于采购和成本的考虑,通常不会重视一些辅材的品质和型号而时不时在采购时更换供应商和型号,除非作业指导书或工程文件规定下来。
观察发现电镀槽镀不同产品时使用同样的自动控制参数,只是篮子装载重量不一样,不合理。 追问发现自动控制器技术陈旧,无显示屏便于及时调整参数。
横向-内部 (他有我没有)薄弱管理环节被忽视 表面上看管理评审做的很完美,细看发现某些部门(过程)没有绩效指标,比如维修组,备件组,实验室等。
纵向-内部 未按要求执行首件确认 在线维修,再查同日的首件检验记录却无对应时间的样品再确认。
项目失败 项目记录显示2018年8月份获取客户PSW批准,可是查生产记录和模具履历却发现量产已于2017年3月开始。 项目记录与实际不符,在项目阶段曾经面临各种困难,但篡改记录已体现准时交付项目的能力。
混淆性 可见 产品 不同商标产品混淆 在同一产线生产不同客户商标产品
不易见 合格品之间 尺寸和形状相似产品混淆
合格品与不合格品 合格品,不合格品,返工品之间的区域,容器和产品标识不清晰,导致混料 5S 管理缺失
不可见 产品 磁极性相反产品混淆
跌落品混淆。 即潜在不良品,脏污或者损伤
有效性 过程 效率低下 观察发现现场作业人员和材料等有堆积,滞留,不流畅等现象。 没有有效的精益活动展开
绩效 表现缺少竞争力 查看供应商提供给管理层的产能的分析,发现机台的利用率数据为60%,人员的效率以65%作为基准,低于行业基准值80%。
时效 反馈和沟通的速度低下 产线的不良数据仅在班末进行收集和统计,无法及时做出反应措施。 缺少最小时间段内的反应机制,例如快速反应小组和程序
PDCA

(持续改善)

PDCA 不完整,改善不得力 连续多月的绩效指标不达标,但是没有有效的措施在计划或实施中;
查看客户满意度统计,表面上看统计分析数据完整,措施也如期签字认可,可是却在月度绩效统计中发现满意度最差的交期在所谓的措施采取之后实际并无改善。 措施走过场
合格性 人员 人员无合适资质 內校无报告,追查发现內校人员无资质证明
查SPC控制发现统计人员没能合理解释一些控制点的细节,追查发现人员培训记录和资质不完整。
审核发现控制计划中工序步骤与实际不符,后又发现过程审核中审核员未能发现此重大偏差,追查发现审核员无培训记录和资质证明。 过程审核走过场
设备 设备验收不完整 供应商介绍公司规模,强调新近增加一系列新型设备,查设备验收记录却缺失并与程序不一致。
材料 材料无PSW 批准文件或供应商样品承认书 查所有批量使用的物料的PSW 批准文件汇总
合法性 许可

(初始)

无有效的政府许可证明 供应商涉及主要污染源,查排污许可证,发现已过期但并未能获得新的许可文件。 手续不完整或法律意识差
供应商从事印刷行业,但无有效的印刷行业许可证。 手续不完整或法律意识差
无有效的客户许可 供应商产品涉及知名客户商标,但是无客户商标授权书。 知识产权意识低
许可

(运作)

未有许可 供应商强调近几年通过扩大生产场地面积提升了产能,现场发现明显的厂房改建的痕迹,追查发现无变更的环评申报及批准证明。 手续不完整或法律意识差
合规性 变更 未经书面批准,擅自变更生产地点等。 实际生产场所与批准的不一致 有口头沟通但因各种原因没有书面沟通;成本,产能,技术等各方面限制。
未经书面通知和批准,擅自外包部分工序 调查客诉,追查批次的生产记录,发现当时的机加工工序被外包,无通知,与提交的工序流程图和控制计划不符。 具体原因不详

 

SPC 详解 SPC Practice

https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtQENjehod4omSZW0VEtuWqVJnPhdgkl8WvjXaxia79ib1fon9tsgFJsGQBkJYA2wmJLhJNKichPMgecA/640?wx_fmt=png&wxfrom=5&wx_lazy=1

什么是SPC?

SPC即统计过程控制,英文 Statistical process control,上世纪诞生的最伟大质量工具之一。一般来讲,SPC工具有广义和狭义之分。

广义的SPC包括传统的7大质量工具(the magnificent seven):

1. Histogram  柱状图

2. Check sheet 检查表

3. Pareto chart 柏拉图

4. Cause-and-effect diagram 鱼骨图

5. Process flow diagram 过程流程图

6. Scatter diagram 散点图

7. Control chart 控制图

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtQHnOkc7e4NLZxib4VIvwotpU9FiaxJaj7ic7TUoxLRRGFNXAe3mMduzetUYm6p8Hye98hLSZsva6NgA/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

狭义SPC指的就是就是我们常说的控制图 Control Chart,一种对生产过程的关键质量特性值进行测定、记录、评估并监测过程是否处于控制状态的一种图形方法。

控制图除了众所周知的休姆哈特控制图(shewhart control chart)外,其实还有多种其他控制图,如累积和控制图CUSUM(cumulative sum control chart),指数加权移动平均控制图EWMA(Exponentially Weighted Moving-Average control chart)等。

这里有必要补充一点,当我们说到“质量工具”,往往更多地关注了工具的技术层面,而忽略了运用工具的“环境”。这种片面的认知常常导致工具应用的低效。虽然上面提到的7大质量工具是SPC的重要部分,但不能说SPC就是这7大工具,因为SPC还需要一个“持续改善,领导支持”的环境。如果一个企业没有追求持续改善的文化环境,也没有最高管理层对这种文化环境的追求,那么SPC就不能发挥其威力,这时候SPC就不是真正的SPC了。我想”橘生淮南则为橘,橘生淮北则为枳”大概也就是这个道理。

SPC的发展及应用历史

最早的控制图是由美国贝尔电话实验室的休姆哈特博士在1924年提出的P图-P Chart,后来此类控制图都被叫做休姆哈特控制图。从休姆哈特的P图算起,SPC理论从创立到今天已接近百年。

SPC理论创立之初,恰逢美国大萧条时期,该理论当时理论无人问津。后来二次世界大战时,SPC理论在帮助美国军方提升武器质量方面大显身手,于是战后开始风行全世界。不过二战后,美国无竞争对手,产品横行天下,SPC在美国并没有得到广泛重视。

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtSz75l8cAw7pXUXxsX4Q5hH0stWwTc6TzbgvuG6H0FNBfpgUZye1E7BPI5Rffvo0w8wbWiafV5ee4w/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

日本二战战败后被美国接管,为了帮助日本的战后重建,美国军方邀请戴明到日本讲授SPC理论。1980年日本已居世界质量与劳动生产率的领导地位,其中一个重要的原因就是SPC理论的应用。1984年日本名古屋工业大学调查了115家日本各行业的中小型工厂,结果发现平均每家工厂采用137张控制图。

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtSz75l8cAw7pXUXxsX4Q5hHO8SnUJC08UJ9Kql3X49jdU710ekva8F42MXBibf5YRZtWaEBMC8dyxA/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

戴明在日本讲授SPC

因此,SPC无论是在欧美还是日本,都是非常重要的质量改进工具,所以大家有必要去深入认识SPC、应用SPC、推广SPC。

与SPC相关的几个重要的概念

1. 变差

就像世界上没有两张完全相同的树叶一样,任何一个工厂,无论其多么先进,从其生产线出来的同一种产品或多或少总会存在一些差异,这种差异就是变差。比如,同一生产线生产出的一批合格螺栓长度不可能做到完全一样。

https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtSz75l8cAw7pXUXxsX4Q5hHZEjwG0wUPmlcFVVWr7H7PmOIxjlFl6abLe8TqaKqjnFNhvia3mib4XuQ/640?wx_fmt=png&wxfrom=5&wx_lazy=1

2. 普通原因 vs 特殊原因

类似于上面螺栓的例子,为什么两个相同的汉堡并不能保证其重量完全相等呢?这是因为制作汉堡的工艺流程不可能保证每一个汉堡的重量绝对的一样,总会存在一些细微差异。只不过作为顾客我们能够接受这样的差异。我们把导致这种普遍的、固有的、可接受的变差的原因,叫做普通原因 common cause。

但如果哪天你买了两个同样的汉堡,却发现其中一个汉堡中间完全没有添加蔬菜,这不再是常见的、普通的变差,而是有某种特殊原因导致的变差,比如员工的操作的失误。这种变差往往是顾客不能接受的。我们把导致这种非普遍的、非固有的、异常的变差的原因叫做特殊原因 special cause。

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtSz75l8cAw7pXUXxsX4Q5hH6qv2hTmoSWav9vtBRfsE487ERGG759humw22JXIrpBtYq2l2EiaZpcA/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

你会接受一个漏掉蔬菜的汉堡吗?

3.受控 vs 不受控

如果一个过程仅仅只有普通原因引起的变差,我们就说这个过程受控 in statistical control. 如果一个过程存在特殊原因引起的变差,我们就说这个过程不受控 out of control.

控制图的使命就是帮助我们发现并消除导致过程变异的特殊原因,这是一个使过程从不受控变成受控的过程。

在这里强调下,过程“受控”不等于“满足设计规范”;“不受控”也不是说就“不满足规范”。受控于是否满足规范是两码事。

受控并满足规范(蓝色控制限,红色规范限,下同)

https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtSz75l8cAw7pXUXxsX4Q5hHpOljNPc9RfhH5cHoG7cmNicwGS9C0eR1Fw9ovicA6eoq5iahTYiaalOiajg/640?wx_fmt=png&wxfrom=5&wx_lazy=1

受控但不满足规范

https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtSz75l8cAw7pXUXxsX4Q5hHe3O9N6ebZNZPcz7qvNG1ElnyAnx8psYrGl2TX1hdXDjZ8GlqibqMzvg/640?wx_fmt=png&wxfrom=5&wx_lazy=1

4. 中心极限定理

中心极限定理是SPC的重要理论依据。

这个定理是这样的:“设X1,X2,…,Xn为n个相互独立同分布随机变量,其总体的分布未知,但其均值和方差都存在,当样本容量足够大时,样本均值的分布将趋近于正态分布”。

如何理解?举个例子,不管全中国的30岁男人体重成何种分布,我们随机抽N个人的重量并计算其均值,那么当N足够大的时候,那么N个人的平均重量W就会接近于成正态分布。

不禁有人要问多大算“足够大”?记住:如果总体的分布对称,N〉=5时效果就比较理想了;如果总体分布不对称,一般N〉=30时候才算足够大。

https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtSz75l8cAw7pXUXxsX4Q5hH9vL65NicUpzckApic3K8YdVWeTp0s8Lap43ShsWAfRk4unBibPDB4ftZw/640?wx_fmt=png&wxfrom=5&wx_lazy=1

这个定理还有一个重要推论: 样本均值的分布将会比总体的分布窄

https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtSz75l8cAw7pXUXxsX4Q5hHrywtTLJx9Ja1pj5ydviaUeUAnric30HWM9TicxaptdzgWYboib20Bt7iaLA/640?wx_fmt=png&wxfrom=5&wx_lazy=1 ,n是样本容量。

https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtSz75l8cAw7pXUXxsX4Q5hHD3GiasYR9XfCBqdicMJ6UN6FAibVSWPXRl1bia0yjde8p49W0kg6Jp97gQ/640?wx_fmt=png&wxfrom=5&wx_lazy=1

5. 合理的抽样

中心极限定理中我们说到了抽样,那么什么是抽样, 为什么要抽样呢?

抽样(Sampling)就是从研究总体中选取一部分代表性样本的方法。在SPC理论中,抽样是考虑到:1)经济性,即成本因素;2)有的质量特性只能进行抽样研究,比如需要通过破坏性实验获得的质量数据。

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtQENjehod4omSZW0VEtuWqVvLUx8uiagvrhBn0wVEcOso3CY9DRdw5F1A7CKic1vUNKiboSksVDCOwIA/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

显然抽样是有风险的,如果抽样不合理,其结果就是“管中窥豹,略见一斑”了,因此我们说要合理抽样(rational sampling)。

合理抽样涉及到几个问题:样本大小、抽样频率、抽样类型(连续取样、随机取样or 其他结构化取样)。为了满足统计过程控制的目标, 抽样计划必须确保:样本内变差包含了几乎所有由普通原因造成的变差;子组内不存在由特殊原因造成的变差, 即所有特殊原因造成的影响都被限制在样本之间的时间周期上。

抽样大小(子组大小)会影响控制图的敏感度,样本越大能探测到的均值偏移Mean Shift 越小。一般来说,计量型数据推荐最少取4至5个连续零件,计数型数据样本一般不少于500(20~25组,每组至少25个数据)。

为了便于理解SPC的理论,我们先回顾正太分布(Normal distribution)这个概念。

正态分布,又名高斯分布(Gaussian distribution),是一个在数学、物理及工程等领域都非常重要的概率分布,在统计学的许多方面有着重大的影响力,正态曲线呈钟型,两头低,中间高,左右对称因其曲线呈钟形,因此人们又经常称之为钟形曲线,如下图所示。

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtQb18WHUEKkQrPlP25jibNSd30PWd5C3Xo7rCAdnyXTmZ03DrGzYGfl5b2dIpVz3MicQa8Qnfd0b7Tg/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

跳过正太分布函数的理论公式,我们通过例子来认识正态分布的一些特点

假设某个森林中成年兔子的体重成正太分布,其平均体重为u,准差为σ。那么按正态分布的概率密度函数就可以得出:大概68%的兔子的体重会在-σ~+σ这个区间,大概95.5%的兔子的体重会在-2σ~+2σ这个区间,大概99.73%的兔子体重会在-3σ~+3σ区间,还有最瘦的0.135%和最胖的0.135%落在了+/-3σ以外。

如果我们把所有的兔子根据体重按下图在一个平地上进行摆放,我们就能大致画出一条优美的正太分布曲线。

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtR902MZNkpWZlXDe63H3Ubho2kMmIXs2erI3TYTdFuiaCWs1VrEnKcXgbWE3X54FShmEskMbmKjlfQ/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

上面内容的目的是告诉大家:例子中 “大概99.73%的兔子体重会在-3σ~+3σ区间” 跟SPC控制图中 “99.73%的落点会在-3σ~+3σ区间” 逻辑是一样的。

第一个问题:

“X-bar 图控制限的计算是均值+/-3个西格玛,因此会有99.73%的点会落在上下控制限内。但是按六西格玛理论,即使是一个达到六西格玛水平的完美过程,也会有一部分点落在3个西格玛与6个西格玛之间。那么为什么对于超出+/-3个西格玛的点,即使在六西格玛范围内,我们还要分析原因和制定纠正措施呢?”

 

你是否也有同样的困惑?

首先说这个问题逻辑上本身就问得有问题,但其仍然不失为一个好问题。为什么?进一步深入之前我们先看看控制图是个什么样子。

https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtQb18WHUEKkQrPlP25jibNSd7j9PGiaTMJkG4IadZjD5D8QWAn19VYaaosQ0bP5OOicLKQdafTAEr52g/640?wx_fmt=png&wxfrom=5&wx_lazy=1

68%

95.5%

99.73%

上图是比较常见的X-bar Chart:横轴表示样本的编号(或者抽样时间) ;竖轴表示样本的质量特性,;中心线(center line)表示该质量特性的平均值 Process Mean (average);上下控制限 UCL/LCL(upper/lower control limit)为均值+/-3倍样本标准差计算得到。

如果有点落在了上下控制限以外,这意味着过程出现了特殊原因Special cause而变得不受控out of control,那么我们就得分析并消除特殊原因。

“即使是一个达到六西格玛水平的完美过程,也会有一部分点落在3个西格玛与6个西格玛之间并且被接受,那么为什么有超出+/-3倍样本标准差(sample mean)控制限就得采取行动?”

答案是:控制图中的控制限不是规范限,点落在控制限意外并不意味着过程输出超出规范限,而是说过程输出可能发生了偏移 ,因此需要采取行动。

事实上提这个问题的人是把控制图中的控制限(均值+/-3倍样本标准差)和控制图要监控的这个过程的均值+/-3倍标准差搞混淆了,其实这是两个东西。

如果你还没有看明白,结合上一篇文章提到的中心极限定理我们再看看前文关于兔子的例子。兔子总体体重成正态分布,如果我们对兔子进行随机抽样,每次抽9只并计算均值,那么这些样本均值就会组建一个新的正太分布(下图中小的红色钟型曲线),而这个新分布的标准差将是总体标准差的1/3(1√9)。

https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtSz75l8cAw7pXUXxsX4Q5hHD3GiasYR9XfCBqdicMJ6UN6FAibVSWPXRl1bia0yjde8p49W0kg6Jp97gQ/640?wx_fmt=png&wxfrom=5&wx_lazy=1

按中心极限定理推论,可见只有对于单值移动极差图 I-MR Chart, 其控制限才有可能会和过程的3倍西格玛限重合,除此之外,控制限都会比3倍西格玛限更窄。

第二个问题:

抽样时,样本子组大小为什么建议是4或5?

接着前文我们知道,随着样本量n的增大,控制限会变得越来越窄,这意味着过程稍微有一点波动,就可能会有点落在控制限外,也就是说控制图会变得越来越敏感。小的样本量会降低控制图敏感度,也就是存在过程已经发生偏移却不能被发现的风险。

下图中从上至下4个图分别模拟了抽样子组 n=1,2,5,12 时,控制图探测异常的敏感度。

https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtTWlBHkDTQ5DeSU6P5YrLs2kvzIf7d5cxmGGzYvRsjC8pwkfYrmrEz6f2GIibTLYwfxdFeHhAS4icibw/640?wx_fmt=png&wxfrom=5&wx_lazy=1

图中蓝色曲线表示原过程,红色曲线表示均值发生偏移后的过程。看第一个图我们发现,两条曲线覆盖的面积有比较大的部分是重叠的,也就是说如果对偏移后的过程进行抽样,那么结果有很大几率会落到偏移前过程的控制限内,这就意味着控制图不能发现异常。随着n增大,控制图敏感度上升,但是经济性会下降,所以综合考虑,一般子组大小确定为4或5比较合理。当然,如果需要,完全可以选择更大n值,以提高探测能力,如上面最后一个图所示。

问题三:

“控制图的上下控制限计算为均值+/-3倍样本标准差,那么为什么不+/-4倍或者+/-2倍?”

其实,控制图就是一个报警系统,任何一个报警系统都存在两类风险:第一类风险是误报警风险,我们用α表示,第二类风险是漏报警风险,我们用β表示。

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtR4ibq5vuWcaic9Pibiank1RNDcEUP3AJfOuvZjY1icauRIvSgOdUYov3lUhpjIgibfyfHF8cVmbrvYicTLw/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

α风险:即使过程处于受控状态时,也可能有某些点由于偶然原因落在控制限之外,这时按规则判断过程失控,这个判断是错误的,其发生概率为α。在3σ方式下,α=0.27%。如下图所示。

https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtR4ibq5vuWcaic9Pibiank1RNDc9fFlpzlQMDhvQI6JKSGOiabqJa07BTocczQib0frVoibHzqlpKRIPqtHA/640?wx_fmt=png&wxfrom=5&wx_lazy=1

β风险:即使过程异常,仍会有部分点位于控制界限内,如果抽取到这样的产品,就会被误判为OK,从而犯了第二类错误,即漏发警报。犯第二类错误的概率记为β。如下图所示。

https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtR4ibq5vuWcaic9Pibiank1RNDc3r0ibibdhTopNPJLvp0YABmbQYNu9iaZrgufia39xZe1DPT78yZ6hNlb5g/640?wx_fmt=png&wxfrom=5&wx_lazy=1

如何减少两类错误所造成的损失?调整UCL与LCL之间的距离可以增加或减少α和β。若此距离增加则α减少, β增大;反之则α,增大,β减少。故无论如何调整上下控制限的隔,两种错误都是不可避免的。

一个解决方案是:根据使两种错误造成的总损失最小的原则来确定UCL与LCL二者之间的最优间隔距离。经验证明:休哈特所提出的3σ方式较好,在不少情况下, 3σ方式都接近最优间隔距离。

因为常规控制图的设计思想是先确定犯第一类错误的概率α,再确定犯第二类错误的概率β。

按照3σ方式确定CL、UCL、LCL就等于确定了α =0.27%;在统计中通常采用α=1%,5%,10%三级,但休哈特为了增加使用者的信心,把常规控制图的α取的特别的小,这样β就比较大,这就需要增加第二类判异准则,即便点在控制限内,但当点排列不随机也表示存在异常因素。

这就是为什么常规控制图的判异准则有两类,即:点超出控制限就判异和控制限内点排列不随机判异两类。

接下来讲How,介绍如何使用SPC控制图。

一、休姆哈特控制图类型介绍

关于SPC控制图的制作步骤,我们来看个流程图:

https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtRiaPfAlE3P3ibdpPc4VVYeTlYe4uw33KLxHxibL50LRe14Js8HoNwibEl6eJia96JCYuibTfCefUw9fOZA/640?wx_fmt=png&wxfrom=5&wx_lazy=1

上图中,黄色路径针对的是计量型数据,涉及四种控制图:

1. X-Bar & R chart–均值-极差控制图

最常用、最基本的 控制图,控制对象为长大衣、重量、强度、纯度、时间和生产量等计量值的场合。

2. I & MR chart–单值-移动极差图

此图灵敏度较其他三个图差一些,多用于以下场合:1)自动化检测(对每一个产品都检测);2)破坏性取样,成本高;3)样品均匀,如化工等过程,多取样也没用。

3. X-Bar & S chart –均值-标准差控制图

与均值-极差图类似,只是用标准差图(S图)代替了极差图(R图)而已;极差计算简便故R图用得广泛,但当样本量n>=9时,应用极差估计总体标准差的效率减低顾最好用S图替代R图。

4. Xmed & R chart–中位数-极差控制图

同样 与均值-极差图类似,只是用中位数图代替了均值图;由于中位数可直接读出非常简单,故多用于现场需要把测定数据直接记入控制图进行管理的场合。

橙色路径是针对 计数型数据,同样涉及四种控制图:

1. P Chart –P控制图

控制对象为不合格品率或合格品率等计数值质量指标的场合。

2. np Chart –np控制图

控制对象为不合格品数,由于计算不合格品率需要进行除法,故在样本大小相等时,此图比较简单。

3. c chart –c控制图

用于控制一部机器、一个部件、一定长度、一定面积或任何一定单位中所出现的缺陷数目,如铸件上的砂眼数,机器设备故障数等。

4. u chart –u控制图

当样品大小变化时应换算成每单位的缺陷数并用u控制图。

二、控制图制作步骤

上面8种控制图都属于休姆哈特控制图,其中 X-Bar & R chart 和 I & MR chart 是比较常用的两个。但不管是选择哪种图,都按以下步骤进行:

Step 1

根据数据类型和抽样计划确定控制图类型。

Step 2

使用收集的数据计算过程均值和控制限。

Step 3

计算绘图比例并将数据点, 过程均值和控制限绘制在控制图上。

Step 4.

查找不受控的点:

– a. 确定为什么不受控.

– b. 纠正过程的问题, 例如抽样计划, 数据收集方式等.

– c. 如果已识别出特定原因, 消除该不受控的点并且用增加的额外数

据点代替.

– d. 重新计算过程均值和控制限.

– e. 重新计算比例并将修订后的数据点, 过程均值和控制限绘制在图

上.

– f. 继续重复抽样过程直到所有必须的点都受控. 这就建立起了正确

的过程均值和控制限.

备注:我们把处于上述步骤 Step 4-d 之前的控制图叫做分析用控制图(Phase I ) ;d 之后的控制图叫做控制用控制图 (Phase II). 分析用控制图阶段就是过程参数未知阶段,而控制用控制图阶段则是过程参数已知阶段。

分析用控制图

– 分析用控制图主要分析过程是否稳定和受控,是否处于统计的稳定状态和技术的稳定状态,此时分析的数据常为某一时间段的数据,如一个星期或是一个月;控制用控制图的控制限也即由此阶段的分析而得到的,这是分析用控制图的主要任务之一。

控制用控制图

当过程达到我们所确定的“统计稳态和技术稳态”后,才能将分析用控制图的控制线延长作为控制用控制图。这种延长的控制线相当于生产立法,便进入日常管理。

三、控制图制作案例

我们将某轴类零件的直径尺寸作SPC监控,假如其Nomial尺寸为18.0mm,按上述4个步骤:

Step1

首先确定控制图类型:变量数据,且容易获取,因此确定选取X-bar & R chart.

Step2

收集数据,计算初始的均值及控制限。如下表,我们采集了m=25个子组,每个子组大小n=5,共计125个数据。

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtRiaPfAlE3P3ibdpPc4VVYeTl2KqpKia651FrKAPFcyNmp649oshwhq66iadPT91jXocRtp5NKuFeBcrA/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

按如下公式分别可得到X-bar chart, R chart 的上下控制限。

https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtRiaPfAlE3P3ibdpPc4VVYeTl7H9C1LlRUic75QPl0tGRMbgosJbiaNfKxcyuzyv4C5u56HpNQPInok9A/640?wx_fmt=png&wxfrom=5&wx_lazy=1

Step 3

开始绘图描点,注意图表刻度比例要合适。https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtRiaPfAlE3P3ibdpPc4VVYeTlOVxDO9iaWHql01O3UqYHneMZSm6oVgTIvaducdYBRmjR05wChZzmGvg/640?wx_fmt=png&wxfrom=5&wx_lazy=1

Step4

很幸运,我们没有发现异常点,说明过程本身是稳定和受控的,分析阶段完成,因此我们可将控制限延长开始后续的过程监控。

很多情况下, Step4之前,即“分析阶段” 会出现异常点, 在后续的 “控制阶段”也可能出现异常点,那么如何 “判异” 呢?

四、控制图判异

在控制图近百年发展中,先后有各种不同类型的判异准则被提出,如:

  • Western Electric (WECO) rules
  • Nelson Rules
  • AIAG Rules
  • Juran Rules
  • ….

所以不同的文献资料列举的判异原则可能存在一些差异,我们在选取用哪些判异原则可以根据自己的情况来定。今天我们介绍Minitab中的8大判异准则(结合下图理解):

https://mmbiz.qpic.cn/mmbiz_png/uQk10XKEOtSqQ5JON920dM3NduFboHn0pk3NTpB2JsRQuor1Ow2aUSajQINEuaZ0vHBDAolEg66ZALJ8UhGT9A/640?wx_fmt=png&wxfrom=5&wx_lazy=1

  • 在控制限之外的任何点
  • 9 个连续的点在中心线的同一边
  • 6 个连续的点连续上升或下降
  • 14 个连续的点交互上升和下降
  • 3 个点中有2个都在A区或之外
  • 5 个点中有4个都在B区或之外
  • 15 个连续的点在任一个C区
  • 8 个点在C区之外

笔者结合自身的经验整理了一首诗:

一界外,9单侧,6连续,14升降,2/3 同侧A外,4/5 同侧B外,15 C 内,8 无C。

原则1

在控制限之外的任何点

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtSqQ5JON920dM3NduFboHn0u7k6ibg2fpdvzVNvKkvWY7Sp7PVuvF6nViaJaWHjbNj2TGhTCJXOVu4g/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

原则2

3 个点中有2个都在A区或之外

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtSqQ5JON920dM3NduFboHn06Ups2QGpyiaqW5bL66UVjG72ZCfjzbjibdKCOx6FetT5oicFUMwSS5hWg/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

原则3

5 个点中有4个都在B区或之外

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtSqQ5JON920dM3NduFboHn0cbAespVqgxDTvjiaVTDAB67iateL2dibxhm1p2RGbCy5AmdZPTjf2Et9w/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

原则4

连续15个点排列在中心线1个标准差范围内(任一侧)

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtSqQ5JON920dM3NduFboHn0qzZSTHDVNc4KEvpYr2QgqxwjdACG5SI8FjfjOfJIWYqLyXp3g1AiaZg/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

原则5

连续8个点距中心线的距离大于1个标准差(任一侧)

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtSqQ5JON920dM3NduFboHn0ra5M6hQOvgM0dP0PuHcIgzRCyGfETKhvWvaqpAaLCkXJOXPdx1KrJQ/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

原则6

连续9点位于中心线同一侧

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtSqQ5JON920dM3NduFboHn0CIdJHGMabL3dRBLOhAxibDOrhzfiaEScgjAa7TcjAmlic47OkG1haBeOg/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

原则7

连续6点上升或下降

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtSqQ5JON920dM3NduFboHn05f8eEXYTcDS2D2ya1RibSc8k6rTvDfjSCjReR7Zw7JdrKwDS0Dft83w/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

原则8

连续14点交替上下变化

 

https://mmbiz.qpic.cn/mmbiz_jpg/uQk10XKEOtSqQ5JON920dM3NduFboHn031ryzkicicF0jeSxAGKNmybcAibjn6yjSJWvtibqlxWDIFYHTIs2yAhiaEw/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

除了上面的休姆哈特控制图外,还有累积和控制图CUSUM指数加权移动平均控制图EWMA等。

本系列文章参考资料:

  1. 《Introduction to Statistical Quality Control》by Douglas C. Montgomery
  2. 《Statistical Quality Control (SPC) reference manual》-AIAG

SPC实施中的十大误区

 没能找到正确的控制点  

不知道哪些点要用控制图进行控制,花费大量的时间与人力在不必要的点上进行控制,殊不知SPC只应用于重点的尺寸(特性的)。那么重点尺寸/性能如何确定呢?通常应用FMEA的方法,开发重要控制点,严重度为8或以上的点都是考虑的对象(如果客户有指明,依客户要求即可)。

 没有适宜的测量工具  

计量值控制图需要用测量工具取得控制特性的数值,控制图对测量系统有很高的要求。通常我们要求GR&R不大于10%,而在进行测量系统分析之前,要事先确认测量仪器的分辨力,要求测量仪器具有能够分辨出过程变差的十分之一到五分之一的精度方可用于过程的分析与控制,否则控制图不能良好的应用于过程识别。而很多工厂忽略了这一点,导致做出来的控制图没办法有效的应用,甚至造成误导。

 没有分析生产过程,直接进行控制  

控制图的应用分为两个步骤:分析与控制。在进行过程控制之前一定要进行分析。分析的目的是确定过程是的稳定的,进而是可预测的,并且看过程能力是否符合要求,从而了解到过程是否存在特殊原因、普通原因的变差是否过大等至关重要的过程信息。过程只有在稳定,并且过程能力可以接受的情况下,方才进入控制状态。

 分析与控制脱节  

在完成过程分析后,如果我们认为过程是稳定且过程能力可接受的,那么,就进入控制状态。过程控制时,是先将控制线画在控制图中,然后依抽样的结果在控制图上进行描点。那么,控制时控制图的控制线是怎么来的呢?控制图中的控制线是分析得来的,也就是说,过程分析成功后,控制线要延用下去,用于控制。很多工厂没能延用分析得来的控制线,控制图不能表明过程是稳定与受控的。

 控制图没有记录重大事项  

要知道,控制图所反应的是“过程”的变化。生产的过程输入的要项为5M1E(人、机、料、法、环、测),5M1E的任何变化都可能对生产出来的产品造成影响。换句话说,如果产品的变差过大,那是由5M1E其中的一项或多项变动所引起的。如果这些变动会引起产品平均值或产品变差较大的变化,那么,这些变化就会在XBAR图或R图上反映出来,我们也就可以从控制图上了解过程的变动。发现有变异就是改善的契机,而改善的第一步就是分析原因,那么,5M1E中的哪些方面发生了变化呢?我们可以查找控制图中记录的重大事项,就可以明了。所以,在使用控制图的时候,5M1E的任何变化,我们都要记录在控制图中相应的时段上。

https://mmbiz.qpic.cn/mmbiz_jpg/4wdaPrHhqwicntP7xlbkibfpMTmz1uubLEoYEwiaQQBy06JeaE3Kbry5w8wqKBxVReJWAVJT0bGGt6o56qFxl7V3A/640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

 不能正确理解XBAR图与R图的含义  

当我们把XBAR-R控制图画出来之后,我们到底从图上得哪些有用的信息呢?这要从XBAR及R图所代表的意义来进行探讨。首先,这两个图到底先看哪个图?为什么?R反应的是每个子组组内的变差,它反映了在收集数据的这个时间段,过程所发生的变差,所以他代表了组内固有的变差;XBAR图反映的是每个子组的平均值的变化趋势,所以其反映的是组间的变差。组内变差可以接受时,有明分组是合理的;组间变差没有特殊原因时,表明我们在一段时间内,对过程的管理是有效的、可接受的。所以,我们一般先看R图的趋势,再看XBAR图。

 控制线与规格线混为一谈  

当产品设计出来之后,规格线就已经定下来了;当产品生产出来后,控制图的控制线也定出来了。规格线是由产品设计者决定的,而控制线是由过程的设计者决定的,控制线是由过程的变差决定的。控制图上点的变动只能用来判断过程是否稳定受控,与产品规格没有任何的联系,它只决定于生产过程的变差。当西格玛小时,控制线就变得比较窄,反之就变得比较宽,但如果没有特殊原因存在,控制图中的点跑出管制界线的机会只有千分之三。而有些公司在画控制图时,往往画蛇添足,在控制图上再加上上下规格线,并以此来判产品是否合格,这是很没有道理,也是完全没有必要的

 不能正确理解控制图上点变动所代表的意思  

我们常常以七点连线来判定制程的异常,也常用超过三分之二的点在C区等法则来判断制程是否出现异常。如果是作业员,只在了解判定准则就好了;但作为质量工程师,如果不理解其中的原因,就没有办法对这些情况作出应变处理。那么这么判定的理由是什么呢?其实,这些判定法则都是从概率原理作出推论的。比如,我们知道,如果一个产品特性值呈正态分布,那么点落在C区的概率约为4.5%,现在有三分之二的点出现在4.5%的概率区域里,那就与正态分布的原理不一致了,不一致也就是我们所说的异常。

 没有将控制图用于改善  

大部分公司的管制图都是应客户的要求而建立,所以,最多也只是用于侦测与预防过程特殊原因变异的发生,很少有用于过程改善的。其实,当控制图的点显示有特殊原因出现时,正是过程改善的契机。如果这个时候我们从异常点切入,能回溯到造成异常发生的5M1E的变化,问题的症结也就找到了。用就控制图进行改善时,往往与分组法、层别法相结全使用,会取得很好的效果

 控制图是质量部的事情  

SPC 成功的必要条件,是全员培训。每一个人员,都要了解变差、普通原因、特殊原因的观念,与变关有差的人员,都要能看懂控制图,技术人员一定要了解过度调整的概念等。如果缺乏必要的培训,控制图最终只会被认为是质量人员的事,而其实我们知道,过程的变差及产品的平均值并不由质量部决定,变差与平均值更多的是由生产过程设计人员及调机的技术人员所决定的。如果不了解变差这些观念,大部分人员都会认为:产品只要合符规格就行了!显然,这并不是SPC的意图。所以,只有质量部关注控制图是远远不够的, 我们需要全员对控制图的关注。

SPC实施参与人员

SPC实施需要哪些岗位的人员参与呢?其实简单的说就是与生产相关的人员都要参与,建议参与SPC实施的人员至少包含:

  • 工艺员
  • 工艺管理人员
  • 质检员
  • 质量管理人员
  • 生产操作人员
  • 生产管理人员
  • 设备管理人员
  • 信息部门技术人员
  • 信息部门管理人员
  • 企业高层领导

实施SPC的步骤

实施SPC的步骤建议如下:

  • 选择关键工序、关键参数
  • 确定参数的控制图类型、子组、判异规则及预警
  • 确定参数采集频率,进行数据采集,并进行数据清洗
  • 实时监控分析
  • 确定异常处理流程
  • 确定质量改进流程

回放SPC的使用的故事:

我们产品上有一个关键的过程特性尺寸是12+/-0.05,这个特性在图纸上标注了特性符号,所以需要在制程中保证这个尺寸特性绝对没有问题。我审核的时候问:“12这个尺寸你们是怎么管控的?”

PQE:“我们用SPC管控”<很自信他们用了很高大上的一个工具似的>

我:“能展示给我看一下你们的SPC管控方法吗?”

PQE带我来到PQE办公室的电脑前,打开一个文件夹,然后找出SPC管控的一张Excel表单,点开给我看:

表头:过程能力CPK计算表;

下面是:尺寸特性的基本信息,包括中值12,下限:11.95,上限:12.05;

接下来是自动生成的Xbar图,接下来是极差图;

下面正太分布图;

接下来是5X25组的数据输入表。

我看了这个过程能力的计算表后,问PQE:”你们是如何用这张表单有效地监控12+/-0.05这个尺寸的呢?“

PQE说:“我们只要把巡检的数据输入进去,然后看有没有点落在管控限外面,如果没有就好了”

我:“好,那咱们来试验下,假设接下来的4个小时,我抽检了1组数据分别是:12.05,12.05,12.05,12.05,12.05.咱们输入到14:30 对应的数据表内,看看结果”

他将数据输入进去后,在Xbar控制图中出现了一个问题:那就是输入完12.05这组数据后,控制限变得很窄,前几个小时抽取的样品数据突然跑到控制线外面来了,然后供应商看着我,觉得好奇怪!

我笑着跟他们说:“很奇怪是吧?为什么前面抽取的合格点突然跑到控制限外面了吧?你们没有真正搞清楚SPC实施的2大步骤阶段:分析阶段和监控阶段。

在这两个阶段所使用的控制图分别被称为分析用控制图和控制用控制图
分析阶段的主要目的在于:1.使过程处于统计稳态; 2.使过程能力足够。
分析阶段首先要进行的工作是生产准备,即把生产过程所需的原料、劳动力、设备、测量系统等按照标准要求进行准备。生产准备完成后就可以进行,注意一定要确保生产是在影响生产的各要素无异常的情况下进行;然后就可以用生产过程收集的数据计算控制界限,作成分析用控制图、直方图、或进行过程能力分析,检验生产过程是否处于统计稳态、以及过程能力是否足够。如果任何一个不能满足,则必须寻找原因,进行改进,并重新准备生产及分析。直到达到了分析阶段的两个目的,则分析阶段可以宣告结束,进入SPC监控阶段。

监控阶段的主要工作是使用控制用控制图进行监控。此时控制图的控制界限已经根据分析阶段的结果而确定,生产过程的数据及时绘制到控制上,并密切观察控制图,控制图中点的波动情况可以显示出过程受控或失控,如果发现失控,必须寻找原因并尽快消除其影响。监控可以充分体现出SPC预防控制的作用。

你恰恰是用了一张CPK分析表来做过程的监控,所以你会发现Xbar图的控制限会随着你采集到新的数据后变化。如果我们用SPC来做制程监控的时候,控制限是死的,不会变化的,这样才会有所谓的7大异常判断,不然这7大异常判读怎么实施。”

然后我给他们开了一个严重不符合项目:关键过程特性12的管控采用SPC手法管控,但是SPC的手法管控是错误的,控制无效!

还是第一次见到有人胡乱使用SPC,还用得自信满满,好像制程尽在其掌控之中似的,呃。。。我真是醉了!

在这给所有的朋友分享点经验,如果选择SPC来监控其制程,那么你需要确认的确是真的懂SPC,不能拿着一张CPK计算表格做过程控制,一个控制边界一直在变化的统计表,他们是怎么控制到现在的呢?

另外如果正确地选择了SPC控制的Xbar图表,你要确认控制限是不是核算出来的真实控制限而不是图纸上的上下公差。同时,控制限是需要随着过程性能提高而不断重新核算的,而不是一次计算用一辈子。

还有就是样本量和取样频次是否能够有效地覆盖每个班次,也就是4M变化的时候,是否能通过抽样覆盖到,如果不能,那就要加大取样频次,样本量,Xbar-R图控制一般取5个样品。

另外7大异常判读的方法,使用人是不是真的懂了。

过程控制的时候,只有上述内容确认没问题了,那么SPC过程管控才是有效的,不然跟没做是一样一样一样滴!

以上摘录自公众号 “ IATF16949服务平台

 

设计规格与供应商质量的秘密 Specification Design and Supplier Quality

产品规格设计涉及两个阶段,第一是新产品开发阶段,第二是产品量产后变更阶段。众所周知产品的设计对产品加工成本有十分大的影响,同理对于产品部件的采购成本也有十分大的影响,这是为什么供应商管理规范的公司都强调早期供应商参与(Early Supplier Involvement),这是对于新产品开发而言,希望在新产品的开发阶段就把部件的生产和采购成本控制住;而因为各种原因没能做到成本最优的方面,则通过量产阶段,采用价值工程和价值分析等方法来进一步优化设计,降低产品成本,这是在继谈判,精益,电子商务等方法后后更高阶和更有效的采购价格管理方法。

产品规格不仅会影响部件的采购成本,必然也会影响所采购的部件的质量。但是在拜访一些制造厂的实践中,还是会发现不少的产品规格设计相关的不足,以及因此给所采购的部件质量带来的隐患。

  1. 设计的差异性

这在许多的公司中都普遍存在,因为设计本身就是一种思想的表达,不论是结构设计还是艺术设计,而思想是会变的。因而,不同的设计人员对于同一类产品会给出不同的设计规格,甚至同一个设计人员在不同的时间会给出不同的设计方案,比如说同类产品,同一个尺寸引用的工差有所差别,标识的尺寸位置有所不同,表达的方式一会是倒角尺寸的标注,一会又是倒角角度的标注。因为人,时间,产品间的关系,不同地点的研发中心就会对同一类型产品给出不同的设计规格。

  1. 设计的专业性

正是因为差异性,才能比较出专业性的高低。笔者将设计规格的好坏一分为二:粗糙的设计和精确的设计,走个极端来分析。

  1. 粗糙的设计

粗糙的设计意味着部件的一些细节没有清晰的表达完整,是属于抽象派的表达,留有想象的空间。它带来的首要问题是日后的变更,以及由于产品变更的质量波动,成本上升,交期失控等。

从采购的角度而言,显然只需要找到供应商,能提供满足设计规格的的部件即可,没有在图纸和规格上注明的要求则不需要满足。这就给采购留有比较大的选择更低报价供应商的空间,比如塑料没有指定品牌,显然不同厂家塑料颗粒的价格相差甚远,而在成本和节约驱动之下,采购就有购买使用更低价格的塑料颗粒加工而来的部件的动机和冲动。正是因为这个原因,不同供应商的报价就没有可比性,就像比价里经常说的一句话,苹果和梨不能比,尽管两者同属水果。

从供应商质量管理的角度而言,粗糙的设计会导致采购基于成本导向所选择的供应商风险变大。首先从准入的审核来讲,风险因素变多,而在有限的时间内难以对更多的风险进行全面的了解;其次即便是寄希望于样品的承认和试生产的验证,但往往项目拖不起,项目的时间压力会迫使项目组以让步许可的方式“按时”步入量产。

从供应商的角度而言,设计规格不详细会导致不同供应商理解上的差异,继而采用的材料,工艺,质量控制等有比较大的差异,从而给出的价格偏差较大。比如没有标识表面处理后盐雾测试的要求,那当然有些电镀厂家会以最低的镀层厚度来处理,以减少电镀成本;某个焊接部位没有标识焊接后角度,供应商自然就有可能不设夹具来控制焊接角度,结果是焊接的一致性较差;从技术上来讲,供应商在原有人工作业的基础上,因为没有具体的要求,在某些工序就不会有转自动化的打算,比如塑料件除水口,如果没有对水口部位的外观要求,当然供应商会一直延续人工除水口的方式 – 直到人工作业的成本高于机器作业,而不是品质和效率的考虑;如果不标识关键尺寸,供应商就会认为所有尺寸都是同等(不)重要的,意味着不会有资源投入来关注重点工序;供应商也总会在利润的推动下挑战规格的底线去选择不稳定的源头部件和材料供应商。

当然供应商也分两类,一类是不敢贸然接单的,另外一类是借机杀入的。在价低者得的竞争环境下,不敢贸然接单的是顾忌因为品质标准和设计规格不清晰导致今后扯皮,总成本变的不可控,或者认为客户的要求与自身的品牌定位不一致,担心对品牌不利。另外一类供应商则抱着先杀入,乘机等客户细化要求时涨价,一旦没有合适的机会调整价格以弥补低价进入时的损失,则可能会以降低业务的优先程度等方式来牺牲交期或品质,从而导致恶性循环。交期和品质缺少保证,客户失去信任,要求越来越多,供应商越加做不到,同时价格调整不了,供应商感觉在客户上的投资回报下降,继而开发新的客户,减少资源投入在“劣质”客户上,导致客户更加不满意。

  1. 精确的设计

精确的设计并不是说设计有多有艺术性或吸引人,而是指所有的技术规格和要求尽可能的表达出来,表达清楚。

优点是规格的规范统一,供应商可变动的空间相对较小,从而不同供应商给出的价格不会相差甚远,这优点像代加工的方式,物料都指定了,单纯的加工不同不会造成大的成本差异。因为规格精确,变动少,产品的开发周期也就相对更准了。采购所选择的供应商更有针对性,供应商评估以及样品批准的内容就更明确了。

过度精确的设计也带来了一些不足,比如说:

产品的设计时间变长,因为规格的详细程度和设计时间是呈正相关的。要想设计规格越细,需要的调查,评估的内容和时间就更长。

更改规格有两种选择,更改得更细,更严,或者是更改得更宽松。大多数情形下是更改得更严,工差更小,哪个设计人员愿意被人指责是因为工差设计的太宽松导致的问题?要放宽规格太困难了,但是工差大小决定了工艺控制的精密程度,进而决定了采购产品的成本和价格,有个采购经理曾经说“我们把嘴皮子磨破去砍价还顶不上开发人员动动小指头改一下一些无关紧要的工差”。因为开发人员不愿意修改规格来放宽规格和工差,但是实际的量产产品又已经超差且对成品的质量没有显著影响,所以采购对于设计规格所要求的部分内容持怀疑态度,有时会连同供应商基于实际的量产样报价,而不是仅仅图纸和规格。

更改规格困难。设计总会有不完善的地方,但是变更意味着工作量的增加,不单指变更本身,而是由此带来的额外申请,评估,流程上的资源损失以及实际物料的消耗和浪费。同时变更意味着对之前设计的否定,必然会遭到一定的抵制,比如会有人说:“以前一直采用这样的设计和规格要求都没有问题,为什么现在是个问题?”。

太精确的设计会导致过度设计,造成不必要的成本增加。比如规定过多的关键尺寸,过紧的工差和技术要求,明明不影响装配,功能和安全的尺寸也被定义为关键尺寸,或者超出实际用途的工差选择;又或者过度指定部件品牌,型号,这对于一些核心的标准部件可以理解,比如芯片,传感器,马达等的品牌,型号等,但是对于非标部件的过度指定,却是一把双刃剑。一方面它能够保障稳定的质量,因为指定的供应往往是知根知底,值得信任的,但是另外一方面因为指定,有时被指定的厂家会“有恃无恐”,不是那么好管理。其次非标部件和物料的指定更加会增加供应商变更的难度,从而给利益寻租留有一定的空间,甚至会导致“萝卜设计” – 只有某些厂家的产品能满足所规定规格的要求。

要确保精确的设计但是又不至于过度设计,也就是合理的产品设计,就需要从设计人员的技能,稳定性,设计标准的统一,听取客户的声音(Voice of Customer), 以及质量功能屋等展开,这不单是开发人员的职责,应该是一个团队活动。