2.各工序过程能力Cpk是否有跟最终良率进行相关性分析?
常听到工厂主管说我们公司的最终良率都是95%以上 , 但是却忽略了是第一次良率?还是经过返工后的最终良率?
SPC管控的Cpk过程能力是当工序良率 , 但过程中又增加了很多返工流程、报废流程后 , 最后当然跟最终良率无法关连 , 若是将各工序点的当前良率与返工率、报废率都统计分析 , 与最终良率相去不远(还是会有些许落差 , 但是已可预估最终良率) 。 且SPC能利用趋势规则提早预防超出规格的不良品发生 , 让当工序良率第一次就能提升到99%以上 , 减少各工序更多的返工与报废 。 这才是SPC真正的发挥之处 。
02Two
困惑二
有导入SPC统计报表 , 每天都会请产线人员、QC人员或IPQC人员手动输入SPC量测数值 , 但是看起来都有在规格内或是正负三倍标准差内?并没有甚么用处?还不如请QC每天走来走去巡检开产线异常单 。
反思:当然没有用处 , 产线人员每天检验抽查都来不及了 , 还要手动输入 SPC表单 , 常常整天做完现场检测后 , 再拿着纸本将量测数值手动输入电脑 , 这时候产品就算有超出规格或正负三倍标准差 , 也已经流到后面工序点很难追溯了 。 或是制造有要求各过程检测工序每次检测完就要手动输入 , 但是现场一急又造成很多人工输入错误 , 异常误判状况 , 产品真实问题更难体现 。
所以 , 若要减少人员变异造成的SPC不及时或错误 , 过程管理者应该先将制造流程画出来(或是利用Control Plan/QC flow chart) , 重新盘点各过程工序点的产品检验工位的量测机台或量具 , 是否可以直接量测数值后 , 利用IOT方式 , 直接将现场量测数据自动连结抛转到on line SPC chart上面 , 并连结异常管控流程 , 出现异常及时通报过程工程师或是设备工程师去现场确认问题、原因 , 并纪录之 , 方能达到利用数据持续改善的目的 。
若是现场真的无法自动串连数据 , 过程品保改善成员也须协助现场人员想办法防呆输入错误问题与及时问题的解决 , 并需要协助规划异常处理流程 , 考量现场可方便执行性与正确性 。
03Three
困惑三
有建立SPC系统 , On line SPC即时性虽然够 , 但是一上线出现一大堆的失败异常通知信如雪片般飞来 , 根本来不及处理厘清异常原因 , 或是抽几批即时处理后发现该产品没有问题又放行了 , 所以后来就不相信SPC了 。
反思:
1.SPC 8个检验规则是否合理运用?
SPC刚上线时 , 建议管控者先开启一个规则(OOC: Out of Control limit)即可 , 因为SPC是希望能在没有不良品出现时 , 及时预警异常发生 , 也就是缩小当工序过程变异(人、机、料、法、环影响)为目的 , 所以若一开始就开启所有规则或多个规则 , 会无法厘清变异原因 , 反而造成工程师疲于奔命 , 无法聚焦问题解决 , 因为”变异”不是一天、一个月就能解决 , 需要分层、分类去解决才能有效解决问题 , 找出原因 。 当OOC不会再出现后 , 再开启其他规则 , 继续管控更多的共同变异原因 。 这样逐步才能让当工序的过程能力持续改善 , 并稳健提升 。
2.SPC使用人员是否能进行数据分析与分层分析?
一开始上线的On line SPC , 通常会出现异常红点一堆 , 这实属正常 , 这时SPC管控人员须要先知会管理层要有耐心 , 习惯看到变异 , 先不要马上要求在一个月内全部正常 , 若是真的这样做 , 那SPC可能就会失真或是真正变异又被隐藏 。 再来 , SPC管控人员需要去解析当工序SPC chart , 利用班别、机台别、人员、批次、材料厂商批料号去层层解析可能造成的变异原因 , 才能提出更有效的改善方案 , 进而降低变异产生 , 当变异都能管控时 , 要往智慧制造的道路也不远矣 。
- 数字化转型|天天在做的数据可视化,才是企业数字化转型的关键
- 鹿晗交出出道10周年“答卷”,数字单曲《Slow Ride (兜风)》
- 京东云发布多款产业数智化产品 打造产业数字基础设施
- 永辉门店数字化用工落地 计划2022年内提升30%用工效率
- Founders|微软推出数字化平台支持初创企业
- 基建|5G第一城抢占数字经济高地
- 电子商务|36氪首发 | 打造3D微流控“片上工厂”,「阿卡索生物」获2000万元天使轮融资
- 福建省|2022年乡村数字经济发展现状:乡村旅游回暖,农村电商规模化发展
- Java|互联网招聘行业发展趋势:数字化、智能化是企业招聘深入发展方向
- 从代工厂到零售业绩占比超七成,重庆淘特工厂解锁转型新密码