五大工具、SPC实战,一文全讲通!

关键词:五大工具,SPC,质量工具,那么什么是SPC

 

五大核心质量工具 | 简介

五大核心质量工具

五大核心质量工具经常被冠以“TS五大质量工具”,实际上这五个工具为北美AIAG—汽车工业行动组织(AIAG由美国三大汽车集团Ford、GM、Chrysler发起)开发。五大工具包括APQP、FMEA、PPAP、SPC、MSA

今天我们对五大工具作简单介绍,以帮助大家从一万米高空,宏观俯瞰这五个工具。

 

1. APQP--Advanced Product Quality Planning

APQP即先期质量策划,是一个结构化的新产品开发工具,本质是项目管理工具,目的是为主机厂与其Tier1-Tierx建立起一种共同的沟通语言(Common language),以确保项目开发的质量。APQP包括几个阶段:项目计划及定义、产品设计及开发、过程设计及开发、产品及过程确认、反馈评估及改进。值得注意的是这几个阶段逻辑上不是串联的,也不是完全并行的,而是在时间上有叠加的,这样有利于缩短产品的开发周期。

 

2.FMEA-Failure Mode and Effects Analysis

FMEA即潜在失效模式及后果分析,是一个风险控制工具。任何一个失效模式都存在三个维度:严重度S、频度O、探测度D,基于这三个维度我们可以将风险进行量化,以识别最高的风险项,进而提前制定应对措施。FMEA包括系统FMEA、设计FMEA、制造过程FMEA以及服务FMEA。

 

3.PPAP-Production Part Approval Process

PPAP即生产件批准程序,是一个标准化的项目开发报告流程(Reporting procedure),其目的是为了确保设计要求(图纸)被充分理解,产品持续满足顾客的质量及产能(节拍)要求。内容上PPAP包括18项有格式要求的文件,如过程流程图、PFMEA、控制计划、产品测试报告、尺寸测量、过程能力分析、PSW等。

 

4. SPC-Statistical Process Control

SPC 即统计过程控制,是一种被广泛应用的过程控制方法(常见的控制方法还有防错、全检等),其中具有代表性的SPC控制图工具X-Bar and R Chart被休姆哈特在上世纪20年代所发明。不同的SPC控制图对数据有不同的要求,如X-Bar and R Chart要求数据成正太分布,否则难以有很好的效果。当数据受多种复杂因素影响时,往往难以呈现出完美的正太分布或其他分布,因此SPC的应用也是有一定局限的。在这种情况下,使用防错是不错的选择。

 

5. MSA-Measurement System Analysis

MSA即测量系统分析,是用以分析测量系统误差的工具,它要回答的问题是:我们测量出来的数据在多大程度上代表了真实的数据?尽管我们永远不能确保测量出绝对准确的数据,但如果采集的数据偏差过大,那么这些数据就没有分析意义,可见MSA是非常关键的。MSA可涉及测量系统的多个方面,常用的是Gage R&R 包括重复性和再现性分析(Repeatability& Reproducibility)。Gage R&R一般的数据采集方式是3个人,10个零件,每人每个件测3次。分析方法可以采用Minitab软件的ANOVA方差分析。

 

SPC  | 概念篇

SPC概念篇

前段时间有不少朋友的留言跟SPC有关,最近几篇推文都会与这个话题有关。

 

那么什么是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

SPC包括传统的7大质量工具

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。本系列推文的重点是比较常用的休姆哈特控制图,SPC 7大工具中的其他部分,后续会有文章介绍。

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。

休姆哈特博士

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。

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。

 

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。

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)

受控并满足规范

受控但不满足规范

受控但不满足规范

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。

中心极限定理

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。

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)。

 

内容较多,今天暂且到此。

以上看似只介绍了一些基本概念,但理解这些概念对掌握SPC理论非常关键。下一篇文章我们将切入到休姆哈特控制图的理论部分,回答诸如此类问题:

为什么控制限是均值+/-3个西格玛,而不是+/-4个或+/-6个西格玛?

X-bar/~R Chart子组样本为什么推荐选4~5个?

 

 

 

从质量到卓越的第一步

下一步