案例分享 | 改善产品良率的 5 个关键阶段，从 0-1 详解六西格玛 DMAIC

目前触控屏幕和前框段差超规的有 47%，过小的问题有 27%，看起来是一个蛮严重的质量问题，我们该如何改善这个问题呢?

我想这个问题相对比较复杂，我们可能要起一个专案，运用 DMAIC 的分析手法把这个问题根治，能带来的效益应该很大。

我在学校有学过这个概念，不过从来没实际操作过整个流程，不知道会不会很复杂?

别担心，我们用 JMP 可以很好地完成每个阶段的分析报告，得到改善的对策。

在定义阶段，运用JMP的Journal —— 一种 JMP 独有的报告呈现格式，能够将目前的产线状态，所面临的问题或是期望达到的结果等讯息，利用条列式, 表格式或是图形化等方式表达出来，能够更好的与各种 JMP 的统计工具结合。

我从来没有用过这个功能，看起来还蛮不错的。

其实我会选择用 Journal 作为讯息纪录的原因是因为 JMP 有很好的互动性分析功能。

因为我比较担心段差过小造成的问题，所以我把目前产线初步反馈的资料用 JMP 的图形生成器绘制，并且对低于规格的资料作不同的颜色标记，可以发现那些点低于我们的段差规格下限。此外，将不良的图形作为点的标签，当游标停在该点上，还可以互动式的呈现该点的不良现象，可以让团队更快的了解问题的不良状况及资料分布状况。

这个很酷，这种互动的资料报告，真的会让大家比较好解读。

另外我也可以利用JMP的Process screening 快速地根据需求做出相关的统计量值，包含超规比率及 CPK 值等，你可以发现，不仅超规的比例很高，且制程也不是在一个稳定的状况内。

没错，那接下来我们要进入下一步吗?

你说的没错，下阶段我们要搜集详细的分析资料，不过在搜集资料前，我们要先确认量测的数据是准确且有效的。

我们要怎么确认量测的数据是有效且可参考的呢?

基本上，JMP 的

MSA (Measurement System Analysis) 平台能够提供相应的分析，如果你的资料是 Go-No Go, Pass/Fail 此类型的类别结果，可以利用 Attribute Gauge Chart 下的 Kappa 分析去确认量测人员或是量测工具的稳定性，而对于我们目前讨论的段差议题，因为是连续性资料，所以我们可以利用 Variability Gauge Chart 下的 Gauge R&R 分析报告，判断量测系统是否稳定。

这个报告怎么解读咧?

我们通常会看 %Gauge R&R 的这个值，也就 7.96%，通常上，大于 30% 代表量测系统不佳，10%~30% 代表量测系统可以接受，不过需要改善量测系统，小于 10% 则代表量测系统很好。

所以这个结果说明量测结果是很好的吗?

没错，而且你可以去确认下方的 Variance Components 报告，发现大部分的变异都来自于样本间的差异，代表作业人员的量测变异跟量测工具的变异贡献很小，代表量测系统能够获得有效且准确的量测结果。

了解，那接下来咧?

我们要多搜集一些这些作业员用这些量测工具量测的结果的资讯，包含一些可能因子的资讯。

但是我不知道要搜集那些可能的因子资讯。

所以我们需要机构单位的小 M 的帮忙了。

触控屏幕跟前框的段差这个问题真的很棘手，超规律太高了，我不知道该从何下手。

不用烦恼，我跟小胖找你来正是要一起讨论这个问题，看看能不能找到关键的问题点和好的解决方案。

太好了，我这几天真的被这个问题烦死了，有太多的可能会造成这个问题了，我看了 FMEA 的分析报告，但如果全部去确认这些问题，会花超多的时间的，公司应该无法接受要花这么多时间处理这个问题。

什么是 FMEA 报告?

FMEA 是Failure Mode and Effects Analysis 的缩写，就是用一个查检表去确认每一个步骤可能出现问题的风险高低，然后针对风险高的问题提出解决方案，可以避免产出不良的产品。

小M，你提到一个很关键的问题，就是可能的原因太多了，我们必须先筛选哪一些因子是重要的，才找的到后续要改正的方向。

那要如何把这些多如繁星的 FMEA 可能因子筛选出来重要的因子?

这就是我们要找你来的原因，我们要来执行一场头脑风暴建立要因分析图，俗称鱼骨图，先经过我们的专家小 M 的审视，来浓缩可能的原因。

过多的吹捧就不用啦，可以解决这个棘手的问题我就开心了。

因为这个粘合是用压力胶结合触控萤幕跟前框，所以下压治具的稳定性还蛮重要的，我也考虑比较多的因子在这个范畴上，不过这样讨论完真的可以排除许多不必要考虑的次要因子。

没错，这也是我们要执行头脑风暴讨论的主因，也辛苦两位了，接下来，我们可以开始搜集有关这些讯息的资料了，小M我们搜集完相对应的资料可能还需要你一起来讨论一下。

好的，有需要你随时找我。

终于搜集完资料了，花了不少时间在跟各单位要资料。

没错，资料搜集跟清洗本来就是在整个问题改善流程上花最多时间的步骤。

有了你们的帮忙，相较我之前的无头苍蝇，这样的时间花费非常的值得，不过我们接下来要做什么?

小胖，你有什么想法吗?

我觉得可以确认一下每一个因子对结果的相关性看一下重要程度，看看能不能更收敛重要因子。

Mr. Q 看起来粘合的压合时间跟压合压力很重要，令人想不到的是压力胶的型号也是很重要的关键参数。

这真的让我大开眼界，没想到压力胶的不同会造成段差的差异。

是不是不同的压力胶要受的压力时间跟压力有差异? 不同的压力胶的压缩量可能有所不同。

所以现在我们把影响的关键问题浓缩剩下这三个关键因子了，是不是可以帮我找到适当压合时间跟压力设定值呢？

当然，接下来还是需要 JMP 的帮忙，要帮我们设定出适当的 DOE 组合帮我们找到适当的模型以作为寻找最佳化参数组合的基础。

我想从这些资料不难发现不同的压力胶型号对应不同的压力及压合时间。我们是不是可以根据不同的压力胶分别去找适当的设定值?

看起来这个想法很正确，不同的压力胶的因子设定可能有所不同，也不确定我们目前的单一压力胶厂商供货量能不能满足我们的需求，所以我想要观察多间的压力胶的因子设定，会比较保险。

没问题，我们后续可以再做个小实验看看如何设定会比较适当，不过在这个之前，我们需要先确认一下每个因子可能的效应项，设计出来的实验会比较有效益。

这我不太懂意思，可以再多解释一点吗?

当然。通常如果我们比较因子间的相关性，我们只单纯去看因子主效应跟结果的一次效应，也就是去看散布图上的简单回归线上的斜率。

但是，当因子对结果的效应是具有二次或是高次，甚或是不同因子间的交互作用会对响应结果有影响，但还是用寻找主效应系数的想法去设计实验搜集数据，这样得出的模型就会和真实的状况大相径庭。

JMP 提供许多 DOE 的平台帮助我们更有弹性的设计实验，不用像以往的全因子实验, 部分因子实验, 田口实验等都要做到规范的实验次数，JMP 的定制实验可以更弹性的根据我们实际上能够负担的实验次数，去设计出最优的实验，可以获得 CP 值更高的实验设计，其中，我们也可以根据我们的需求去指定因子的效应种类，避免过多的实验花费。

所以假如我们发现有些因子有交互作用, 另外有些因子有二次项影响，可以根据我们的需求加入实验设计时的考虑效应?

完全正确，而且通常学习不同的DOE 需要一些学习的时间，我大学的时候学实验设计的概念就学了一个学期，而且还没完整的教完。况且，学完以后还要自己融合概念，设计出适当的实验，感觉就很恼人跟繁琐。

但是，这一切借由 JMP 的帮助，都可以在极短时间内完成，帮你根据你的需求，你能负担的次数，你想要讨论的因子效应，甚至一些因子间的相关条件限制等，客制出专属于你的实验设计。

听起来很酷，那我们该如何开始?

根据之前的资料分析，目前重要因子围绕在压合时间, 压合压力及压力胶因子，我们可以先确认一下不同因子下的二次式影响，以压合压力对结果的影响来说，二次项相对于一次项的准度从0.39 提升到 0.47，提升了 0.08左右，应该纳入模型内讨论。

另外，我们也可以先利用目前搜集到的资料做个简单的建模，看一下目前不同效应在模型上的表现，可以发现除了压合时间, 压合压力及压力胶型号的主效应外，还有时间跟压力的交互作用，压力胶型号跟压合时间的交互作用，以及刚刚观察到的时间二次项，都是影响蛮强的重要因子。其中的interaction Profiler 也呈现相同的解读结果。

看起来我们找到关键因子的效应项了，那我们要直接用这个模型去预测因子设定值吗?

我的想法是可以做一个实验更全面去审视可能的空间，找到更准确的模型，所以我建议用订制实验来做个实验看看。

运用 JMP 的 DOE 工具，我们很快可以完成产生适当的实验组合，接下来，就需要根据这些组合去搜集资料了，小胖，我们该去买饮料请作业员，要麻烦它们帮我们量测实验数据了。

收到。

我搜集完资料并且根据资料跑了一个简单的回归分析了，基本上关键参数维持我们之前的判断。

太好了，而且我看模型的准确度也很高，有 0.98 左右的R-square adj，这说明了这个模型可以解释的变异比例很高。

没错，而且我们可以利用 Profiler 看一下各因子组合的预测结果，因为我们希望预测的结果越接近 0.2 的断差越好，所以我们把目标订在0.2，利用 Profiler 的最佳意愿值功能

(Profiler>Optimization and Desirability>Maximize Desirability)，我们可以找到当压力胶为 type1 时，最佳化结果的因子组合为粘合时间 11.9，粘合压力为 8.4。

我是否也能了解压力胶在 type2 和 type3 时的适当因子设定?

可以的，没问题。

你可以选择 Prediction Profiler>

Reset Factor Grid 去选择要固定的因子类别，反复执行得到不同压力胶型号最适当的因子设定值。

我应该会选择 type2 作为首要选择，因为段差的信赖区间比较小，代表偏差会小一点。不同的压力胶适用不同的压合参数，所以应该要视哪一个压力胶的进货量能够符合我们期望的产出值。

了解，那我赶快去问一下压力胶 type2 的厂商能不能多生产一些产品，让我们的产品全部改用他们家的压力胶粘合。

看起来固定了适当的压合时间跟压力和压力胶种类设定值后，段差的变异就变小了。这样的解决方案确实有改善段差的不良状况。

另外我们也可以用 JMP 确认一下改善前后是否真的有差异。首先我们先确认分配是否服从常态，利用 Distribution 平台确认常态性，改善前的分配不符合常态(Fitted Normal Distribution> Goodness-of-Fit Test 的 shapiro-wilk 的 Prob 为<0.0001, 其值小于0.05)，且用 Fit Y by X 平台下的 Unequal Variance 平台下确认，改善前后的变异数并不相等(各项 equal variance test 皆小于 0.05)，也说明改善后的变异较小。

在这样的状况下，使用无母数的方式确认两群的平均值是否相等，结果是Prob>chiSq为<0.0001，其值小于0.05，代表改善前后的平均值有显著差距。

谢谢你们的帮助，我才能快速解决这个棘手的问题，帮公司解省了不少费用。

客气了，不用谢谢我们，谢谢 JMP 吧!!

敏捷分析 成就无限