6sicma资料(编辑修改稿)

6sicma资料(编辑修改稿)内容摘要：

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 69 變化的理解  Rational Subgroup要包含的要素：為了明确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异等 Measurement：測定者的變化，測定設備誤差等 70 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  兩台注塑機：對兩台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別有無差异 71 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 x72 工序能力  在偏移時的工序能力 SL SU xK M T / 2xM )1(KCpKC p k73 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 74 工序能力  只有規格上限的工序能力 SU x3xSC UPU75 工序能力  只有規格下限的工序能力 SL x3LPLSxC 76 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 77 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，以用暫定目的地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。 78 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（ 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 79 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（ 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 80 离散型數據分析  DPMO（ Defect Per Million opportunity）（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 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 81 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=（ 100%）該值表示平均值，所以每張送貨單包含 1個符合項 82 离散型數據分析 DPO=D/(U Opp)  DPO+100/(100 10)=(10%)該值表示所發出的送貨單的每个最小有 1个不良的可能性是 10%。 DPMO=DPO 1,000,000  例：上例 DPMO是 1,000,000 DPMO P(ND)=1DPO==(90%) 83 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 …… !redpur d pur 84 离散型數據分析  r=0時  ∴ Y=edpu  ∴ 對缺陷機會數越大， “ Y”越接近 “ 0” !0)(1 dpueY 85 离散型數據分析  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===% 86 离散型數據分析 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。 87 离散型數據分析  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。 88 离散型數據分析  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。 89 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：合格台數 U：檢查台數 90 离散型數據分析  VFT（ First Time Yield） A 再作業 完成的產品 廢棄 15unit Hidden Factory 70 Units 100 Units 85 Units 91 离散型數據分析  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确的，所以現在情況下 YFT是 70%。 92 离散型數據分析  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% 93 离散型數據分析  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94 离散型數據分析 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。 95 离散型數據分析  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來計算收率 99% ? 97% 98% 工序 1 工序 2 工序 3 工序 4 91% 99% 99% 2a 2b 2c 96 离散型數據分析  YRF=Y1 Y2 Y3 Y4  = [ ]1/3 =  YNA=(YRT)1/3=()1/4=  損失 (缺陷 )概率 ==  利用正態分布查找 Z值，可知 Z= 97 分析（ Analysis） 98 Graph分析  想知道什麼。  跟實際問題相結合，明确產生結果  將預想產生的結果與試驗計劃結合 Focusing  按預想產生的結果制定數據收集計劃  怎麼做呢。  利用收集的數據，運用（實際） Graph來分析 99 Graph分析  對 Graph分析結果相應采取措施  Graph分析結果，确認是否得到所需要的結果後，決定有無追加研討事項  實際對 Graph分析結果，改善可能的部門，采取一次性改善措施。 100 Graph分析  Graph分析的 Minitab運用  在空調生產線上 Compressor（壓縮機）組裝時間對暴露在濕氣的時間很重要，因此對 3個生產線的 3名作業者，調查了 3組組裝作業時間的數據。 101 假設檢驗（ Hypothesis Test）計量值  什麼是假設檢驗。  指想知道的內容用假設來設定，對假設的成立與否用樣本數據得到的情報為基礎進行統計分析後做出決定。  運用假設檢驗（事例）  新產品 Flatron Monitor產品顯著降低了眼睛的疲勞  LG Digital TV比競爭社的 Digital TV畫質更優秀  6σ 品質改善 Tool比原有品質改善活動使用的改善 Tool效果更卓越  019 PCS比它社手機通話音質更清晰 102 假設檢驗（ Hypothesis Test）計量值  假設檢驗的用語理解  原假設 (Null Hypothesis:Ho)：作為檢驗對象的假設 如果接受原假設的話，表示 “ 什麼也不能确信（ or證明） ”。 假定為 “ 始終一樣 ”  對立假設 (Alternative Hypothesis:Hi)：按确實的根據來證明的假設 平常我們更關心對立假設，也希望對立假設能得到證明 Ho拒絕後接受的假設（即否定原假設的假設） 103 假設檢驗（ Hypothesis Test）計量值  第一種錯誤 (Type ⅠError: α )：指一些現象是 “ 真 ” ，但錯誤的判斷為 “ 假 ” ，犯這種錯誤的概率  第二種錯誤 (Type Ⅱ Error: β )：指一些現象是 “ 假 ” ，但錯誤的判斷為 “ 真 ” ，犯這種錯誤的概率  檢驗統計量 (Test Statistic)：為了決定接受或是拒絕Ho，而通過樣本的計算得到的值。  顯著性水平 (Significance Level)：象一般使用的α =(,)Ho是真的拒絕的概率 104 假設檢驗（ 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 105 假設檢驗（ Hypothesis Test）計量值  假設設定方法  以原假設 [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 106 假設檢驗（ Hypothesis Test）計量值  對立。