公司动态

QuAInS质量控制与分析:画图!行动!

2018-6-1 15:02:18阅读

QuAInS质量控制与分析:画图!行动!

 

威廉是一位质量数据分析专家,他曾多次前往中国,帮助一线和二线电子供应商改进他们的流程和产品。在中国工作的这段时间,威廉发现了一个问题,大部分工厂的数据都是以表格形式归档在纸质文件中,或存储在电脑的某个位置。数据几乎都没有绘制成有用的图形,直到威廉的到来:

 

场景1以散热片数据为例。供应商提供的数据是表格形式。由于没有产品指标超出规格,因此没有采取任何质量改进行动。威廉将数据绘制成图1,并将此图展示给供应链质量经理,他一眼就发现数据表现出来的模式:下、上、下、上…… 这一模式反复了16个点。是什么导致了这种特殊的模式?不同的班组?不同的生产线?不同的机器?不同的测量系统? 找到造成这种模式的原因,并采取措施处理问题。  

 

画图!行动!



1:散热片数据的30个连续取值

 

场景2另一个供应商如实的记录了一个波峰焊操作的时间和焊接温度。数据存储在数据表单中,每周、每月定期归档。这些数据直到威廉用箱线图将他们按照一天的五个时间节点展现在图2上,这些数据才拥有了生命。之前没有人察觉8:30和其他时刻有差别。Why???

画图!行动!

2:焊接温度比较

 

场景3有一个供应商有个回流焊机,喷嘴中心喷射的焊膏是个关键过程特性。数据被收集并记录在纸质表单上,并被存档。由于没有数据超出规格,所以没有采取任何行动。供应商很满意,因为Cpk高达28

 

画图!行动!


3:喷嘴中心的XmR 图和直方图

 

如图3所示,此过程处于统计受控状态,一定程度上过程是可预测的并且过程能力非常高。这个过程有能力满足跟高的标准。这应该是一个很好的机会,他们应该推动行业在此过程采用更高的标准,从而给竞争对手压力,同时提高自己的竞争力。

 

场景4还有一个供应商每4小时在文件柜的数据收集表中记录注模机的干燥温度。同样,由于没有数据超出规格,因此没有采取任何措施。(虽然126个数据中有22个数据在上规格限附近,这种情况是十分值得怀疑有异常存在的,但是这一信息并没有在数据收集表单上体现。) 威廉将21天的数据绘制成XmR图。X图如图4所示。第一天到第九天,有6个过程异常的信号,都无法合理解释,因此第十天过程向上偏移也没人感到奇怪。

 

4:干燥温度的X

即使图4中的每个数据都是人工如实记录,但是没有一个人察觉到温度的变化。没人能知道是否温度高对结果有利。但是每个人都知道温度高会带来高成本。

画图!行动!

 

场景5有一个供应商测量轴的垂直度。抽样计划中规定子组大小为5。(没别的原因,在数据收集表中有5个空。)虽然供应商将数据人工绘制在控制图上,但是他们没有发现图5箱线图中展示的模式。在箱线图中,我们可以看见每个子组中的连续读数都比前一个读数小。有问题存在,但是供应商知道看到这个箱线图才意识到。

画图!行动!

5:根据子组中位置分层的垂直度箱线图

 

从场景1到场景5,威廉寻找供应商之间的差别、工厂间的差别、班次间的差别……

创建有意义图表来揭示数据中的关系的关键是运用数据的背景业务。考虑可能发生的差别,然后画图来证实这些差别是否体现在数据中。正是根据业务背景的思维方式,才能绘制出有意义的图形,并采取相应的行动措施。

 

场景6有一个供应商,他们在数据库中记录了CpCpk的值。每个月他们以表格形式将这些数据提交给经理们。通常经理们会一扫而过这些表单,不会采取任何行动。因为大部分CpCpk的值都高于客户要求。威廉使用一个月度报告的数据绘制了图4,图中对角线代表了与规格中心无偏离的完美过程(Cp=Cpk)。对角线左边的点表示过程有调整中心的改进机会(调整过程中心将使图中的点水平向右移)。由于调整过程中心通常比减少过程波动更简单,图6 指出了一些简单改进的机会。图中椭圆形标注的有较小Cpk值的13个过程可看做是调整过程中心的候选对象。一个管理层的看板如果能以这种形式显示数据,那么就可以立即采取措施改进这些过程。

 

画图!行动!


 
6:散点图 Cp VS Cpk

 

场景7另一个供应商每班都收集回流焊波峰温度,也将数据归档。图7的箱线图显示了班次间的差别,可以看作是采取行动的信号。如果夜班的数据是正常的,白班的过程就是有问题的。如果白班没有过度调整过程,那么夜班的数据有可能是假的。无论是哪种情况,都有必要采取行动调查。

 

画图!行动!

 
7:白班、晚班角度对比回流焊波峰温度的箱线图

 

场景8另一个供应商计算了一个测试电压的Cp16.8)和Cpk2.0)值。由于都大于1.33,没有采取任何措施。然而,正如场景6里提到的CpCpk的差别表示有个改进机会,可以调整过程中心至目标值5V。图8XmR图的50个值显示过程有异常问题。直方图显示了过程偏离目标的情况。

 

有的软件有个特殊模块检验了数据的正态性。这种检验一定程度上是完全没有意义的。根据休哈特的看法,我们不关心直方图是否是正态的,我们仅仅假设数据尽量来自同类,这样就可以采用一个单一的概率模型。一旦过程不可预测,就表明不是一个概率模型,而是很多。因此,在拥有一个可预测的过程之前做数据的正态性检验,仅仅是一般意义上的数学计算。

 

这里,真的有必要确定是什么导致了过程的不稳定。否则,虽然得到过程的能力是Cp16.8,下一时刻的不稳定可能导致过程超出规格要求。同时,调整过程中心可以使产品继续符合规格要求,虽然过程处于失控状态。

 

画图!行动!

 

8:最终测试的XmR 图和直方图

 

场景9另一个供应商每两小时收集数据。每天的数据以纸质表单的形式存储在文件夹中。在数据被绘制成图形之前,他们根本不知道过程一月比一月糟糕,如图9所示。

画图!行动!


9:均值极差图

 

场景10还有一个供应商从一个印刷电路板(PCB)的5个位置上收集锡膏厚度。他们使用每个PCB板的5个值作为一个子组,并绘制均值极差图。这次他们将数据绘制成图形,但是没有采取正确的行动,因为他们通过图10的均值极差图没有诊断出问题。

 
10:锡膏厚度均值极差图

 

当他们将PCB上的5个位置的锡膏厚度做均值时,单个位置的锡膏厚度被掩盖了。均值极差图中的数据都围绕着中心线附近,这种现象是可能数据分层的提示。当每个子组包含的值有系统性的区别,大的值和小的值会被平均为适中的值,这导致极差和均值都环绕中心线,分层就会存在。图10虽然看上去过程处于受控状态,但是这并不是过程的真实状况。


如果我们以图11的形式分析五个单独位置的锡膏厚度,你会发现位置5比其他4个位置的值高。有了这个信息你就可以调整具体的喷嘴和压力消除这种现象。图10方法的问题就是不合理的分组。当你要把两个数据分为一组时,你需要判断这两个数据是否来自本质上相同的条件。当不同的东西被分配为一个子组,均值极差图就会失去效果。

 

画合适的图!行动!


11:锡膏厚度每个位置的直方图

 

场景11威廉询问一个供应商关于他们最终功能测试的情况。由于他们有两个测试站(FT1FT2),自然你会有个疑问:“两个测试站的表现是否不同?”供应商的自动答复是:“他们来自同一个设备供应商,同样的型号,他们没有区别。”

 
12FT1FT2 60天里不合格品P

 

威廉继续问他们如何知道两个检测站没有区别,能否提供数据信息来支持这一说法。在找到了能够获得数据的设备工程师后,他们一起查看了两个设备的日志,日志显示一个测试台的不合格率为1.5%左右,而另一个测试台的不合格率是6.5%左右。供应商将60天的数据给到威廉,威廉做出一个P图。看看图12,两个测试站的表现完全是不一样的。威廉问是否他们有意使FT2的表现与FT1不同,供应商说没有。

 

所以,我们应该采取行动确认是否是两个生产线有系统性的差异,或仅仅是这两个不同的检测设备带来的差异。

 

画图!行动!

 

威廉去过的每个工厂都会遇见以上场景。或者更准确的说,威廉去的很多工厂都没有看到数据被绘制成图形形式。

请谨记:收集数据的唯一目的是采取行动,根据数据采取行动的关键是绘制图表!

*本资讯由企业自行上传,不代表MT机床网观点
联系我们
公司动态

登录MT机床网

机床杂志社制造技术与机床

第三方账号登录

官方微信二维码

微信号:制造技术与机床