【正文】 已找出的最佳條件是真的改善的步驟 – 驗收試驗必須象現(xiàn)象分析類似對長期的數(shù)據(jù)合理分組來實施 – 找出最佳條件來做試驗期間在遷定的條件內(nèi)應(yīng)使其自然（實際作業(yè)條件） 試驗計劃的樹立 – 參照事項 ? 做驗證試驗期間必須參加觀察 ? 要確認因子的水平變化是否正確 ? 應(yīng)留意試驗條件變更是否損壞裝備或誘發(fā)安全性問題 ? +/只能在條件內(nèi)實際控制可能的話，不能檢出 2水平變化引起的 效應(yīng) 試驗計劃的樹立 ? 試驗時注意事項 – 錯誤認識發(fā)生問題的因子 ? 相關(guān)關(guān)系錯誤認識為因果關(guān)系 – 最佳選定的條件和實際使用的條件不符 ? 試驗結(jié)果最佳選定的值在實際上協(xié)力社不能作業(yè)或生產(chǎn)工序不能賦予其條件 ? 跟 Cost（成本費用）等相關(guān)，不能實行其政策 ? 全體的制度等有可能變更 試驗計劃的樹立 – 不能決定是因為沒有得到管理而變化 ? 潛在變量的影響給‘ Y’值造成大的影響 – 試驗在很小範圍的因子水平上實施 – 沒有包含重要的獨立變量 ? 沒有包含影響品質(zhì)的 CTQ – 因測定的變動大，不能檢出變化的值 一元配置法 ? 一元配置法 – 只選擇 1個預(yù)計對一些特性值有影響的因子，實施試驗的最單純的試驗計劃法。作為 因行了 沒有反復(fù)的二元配置實驗，因子的收率如下，求最佳條件。 3次以上的交互作用，技術(shù)分析不太容易，因此一般不考慮。 – 可以把握溫度最大影響反應(yīng)值。 部分配置法 (Fractional factorial design） ? 為什麼要使用部分配置法 (Fractional factorial design) – 為了找出致命的少數(shù)因子 Screening時； – 從經(jīng)濟 /成本費用方面愾有水平配合下，試驗發(fā)生困難。 – 剩下的注入量（注入速度）人反應(yīng)值影響微小 – 從干擾的分析結(jié)果來看，轉(zhuǎn)速幾乎不影響，因此排除該因素不會發(fā)生什麼問題。（有 /無相互關(guān)聯(lián)性，可以提供解決問題的 Point） – 這種關(guān)聯(lián)性用某種數(shù)學(xué)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(guān)系用下列模型的數(shù)學(xué)方程式來適當表示。 部分配置法 (Fractional factorial design ? Cube plot 67 65 56 55 60 69 52 78 49 45 63 61 10 15 93 95 部分配置法 (Fractional factorial design – 最適當?shù)臈l件是：催化劑 +1（ 2%），溫度 +1（ 180℃ ），濃度 1（ 3%）下具有最好的組合。此時 X3因子的配置結(jié)構(gòu)跟 Z1， X2有同樣的交互作用。 – 如果溫度高，可以在低清洗濃度下，線體速度可以運行更快。 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(yīng)值 (Yield)時，求平均值後適用試驗排列全體反復(fù) 2次（或 2次以上）時，把數(shù)據(jù)放在 1列來適用。 要因配置法 (Factorial Design) ? 什麼是要因配置法 – n個因子，各因子的水平數(shù)是 k的試驗計劃，所有因子間的水平調(diào)和下實施試驗。其結(jié)果得到了下列數(shù)據(jù) ，最佳 條件。 – 連續(xù)的試驗：進行大規(guī)模試驗不如實施幾次小的試驗 ? 初期試驗階段上 – 能知道哪些因子是重要的，也能理 Mechanism，因此下一步能夠更有效地實施試驗。 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。如果判定為交互利作用更重要的話，使用試驗計劃的一個因素；可是交互作用有可能跟其它交互作用交叉。 分散分析（ ANOVA）的理解 – 可以說是決定各水平上‘ Y’特性值（反應(yīng)值）的平均值是否具有 同樣值，步驟 ? 暫定的找出致命的少數(shù)因子的方法 ? 分散分析的用語理解 – 因子 (Factor)：試驗上影響特性值的原因 – 水平 (Level)：為實施試驗的因子條件 – 平方和 (Sum of square)：在因子的特定水平上，計算測定值變化程度 – 試驗 Balance/Unbalance：測定值相同或不相同時所有因子水平的 調(diào)合數(shù) 分散分析（ ANOVA）的理解 ? 分散分析的使用 – One Way ANOVA： 具有 2個以上的水平的 1個因子的情況 – Balance ANOAV： 具有 2個以上因子的情況 – 試驗計劃法（ DoE=Design of Experiment）：分析多因子時，針對那個 調(diào)合上給‘Ｙ ’特性值造成影響大的因子。 – 利用 X2(Chisquare)驗證 ? 原假設(shè) (Ho)：不良類型和交接之間彼此是否無關(guān)聯(lián)（獨立因素） ? 對立假設(shè)（ H1）：不良類型和交接班之間彼此是否有關(guān)聯(lián)（從屬因素） 假設(shè)檢驗（ Hypothesis Test）計數(shù)型 – 不良類型： ? A：碰傷 ? B：洩漏 ? C：開關(guān)不良 ? D：粘貼不良 假設(shè)檢驗（ Hypothesis Test）計數(shù)型 交接班 A B C D 1 15 21 45 13 2 26 31 34 5 3 33 17 49 20 ?設(shè)定假設(shè) ?原假設(shè)（ Ho）：不良類型和交接班之間彼此無關(guān)聯(lián)（獨立） ?對立假設(shè)（ H1）：不良類型和交接型號之間彼此有關(guān)聯(lián)（從屬） 改善（ Improvement） 分散分析（ ANOVA）的理解 ? 什麼是分散分析（ ANOVA）？ – 試驗實施後，對試驗結(jié)果進行分析所使用的分析方法 – 特性值的散布用總平方和來表示。 – 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(shè)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(shè)檢驗（ Hypothesis Test）計量值 ? 假設(shè)設(shè)定方法 – 以原假設(shè) [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(shè)檢驗（ Hypothesis Test）計量值 – 對立假設(shè) [母體和樣本不同的 ]則為 ? 兩側(cè)檢驗時 H1： μ 1≠ μ 2 ? 偏側(cè)檢驗時 H1： μ 1 ＜ μ 2 μ 1 ＞ μ 2 ? 兩側(cè)檢驗時 H1： σ 1≠ σ 2 ? 偏側(cè)檢驗時 H1： σ 1 ＜ σ 2 σ 1 ＞ σ 2 假設(shè)檢驗（ Hypothesis Test）計量值 ? 假設(shè)檢驗的形態(tài) – 計量型數(shù)據(jù)：使用 Z， Ttest統(tǒng)計量 ? 實行平均值檢驗的必須檢驗分散的同質(zhì)性（ Ftest) ? Ftest是比較 2個以上的母體的散布 – 計數(shù)型數(shù)據(jù)：使用 x2(chiSquare)統(tǒng)計量 ? 次數(shù)、頻度等 假設(shè)檢驗（ Hypothesis Test）計量值 ? 假設(shè)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(shù)小，很難表示母體的特征，可能導(dǎo)致檢驗結(jié)果的錯誤 ? 相麼，樣本數(shù)大的時候，實際操作中時間 /費用方面難以適用 ? 因此，樣本數(shù)的大小最好從各方面都考慮後作出恰當?shù)臎Q定 假設(shè)檢驗（ Hypothesis Test）計量值 ? 假設(shè)檢驗的實行順序 – 設(shè)定原假設(shè)、對立假設(shè) (Ho， Hi) – 確定顯著性水平（ α =， ， ） – 選擇檢驗統(tǒng)計量（ Z， T， Chisquare統(tǒng)計量） – 求接受或拒絕域 – 從數(shù)據(jù)上判定顯著性，解釋結(jié)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(tǒng)計的解釋結(jié)果用于實際問題 假設(shè)檢驗（ Hypothesis Test）計量型 ? 假設(shè)檢驗結(jié)果的判定方法 拒絕值 接受域 ?原假設(shè) (Ho)：接受 ?對立假立 (H1)：拒絕 拒絕域 ?原假設(shè) (Ho)：拒絕 ?對立假立 (H1)：接受 (α) 假設(shè)檢驗（ Hypothesis Test）計量型 – 統(tǒng)計學(xué)的判定方法 ? 數(shù)據(jù)計算值結(jié)果小于拒絕值時：接受原假設(shè) (Ho) ? 數(shù)據(jù)計算值結(jié)果大于拒絕值時：拒絕原假設(shè) (Ho) ? “ 0”值在信賴區(qū)間內(nèi)時：接受原假設(shè) (Ho) ? “ 0”值在信賴區(qū)間外時：拒絕原假設(shè) (Ho) – Minitab的判定方法 ? PValue值大于 α 時：接受原假設(shè) (Ho) ? PValue值小于 α 時：拒絕原假設(shè) (Ho) 假設(shè)檢驗（ Hypothesis Test）計量值 ? 假設(shè)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(diào)查原因并改善。 Graph分析 ? Graph分析的 Minitab運用 – 在空調(diào)生產(chǎn)線上 Compressor（壓縮機）組裝時間對暴露在濕氣的時間很重要，因此對 3個生產(chǎn)線的 3名作業(yè)者，調(diào)查了 3組組裝作業(yè)時間的數(shù)據(jù)。 離散型數(shù)據(jù)分析 – YNA(Normalized Yield)：標準收率 ? 表示計算連續(xù)工序的評價收率的值 ? 應(yīng)用：完成產(chǎn)品的品質(zhì)水平評價時使用。 (750 10)= ? Yield值是 Y=edpu===% 離散型數(shù)據(jù)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(tài)分布來計算。 ? DPMO=DPO 1,000,000 – 例：上例 DPMO是 1,000,000 DPMO ? P(ND)=1DPO==(90%) 離散型數(shù)據(jù)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(shù) – R： – e：指數(shù)函數(shù) ?? !redpur dpur ??離散型數(shù)據(jù)分析 – r=0時 – ∴Y=e dpu – ∴ 對缺陷機會數(shù)越大，“ Y”越接近“ 0” !0)(1 dpueY ??離散型數(shù)據(jù)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(shù)） ? DPU=缺陷數(shù)247。 離散型數(shù)據(jù)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(yè)或失敗的工作。 – 是區(qū)分工程的短期工程度能力的重要方法 ? 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 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(yè)者變更，晝夜班次交換，新作業(yè)者等 ? Machine：機械設(shè)定值變更，設(shè)備維修 維護等 ? Material：交付 LOT，作業(yè)安排，原材料等 ? Method：作業(yè)者間的作業(yè)方法差異等 ? Measurement：測定者的變化，測定設(shè)備誤差等 變化的理解 ? Rational Subgrouping事例 – 改善供應(yīng) TV Back Cover協(xié)力社的品質(zhì)，為了分析部品變化的原因制定 Rational Subgrouping計劃 ? 預(yù)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(nèi)容 – 交接班：對交接班別取樣分析 – 每周作業(yè)者的變更：對每周變更的作業(yè)者別取樣分析 – 按原材料別構(gòu)成 Lot，分析 Lot別有無差異 工序能力 ? 工序能力的數(shù)學(xué)式 – 兩側(cè)有規(guī)格的工序能力 ?6LU SSCp ??SL SU x工序能力 ? 在偏移時的工序能力 SL SU xK M T/2xM )1(???KCpKCpk工序能力 – 用語解