有學過6
sigma的同學, 一定知道 Minitab這套軟體, 因為它把6 sigma實用化了. 過去 Minitab 並沒有中文版, 但對岸有人將它漢化後, 官方也出簡體中文版, 使用簡體中文版會比英文版更friendly, 但畢竟兩岸語文還是有差異, 尤其專有名詞上的差異更讓人難以適從, 例如常態分配 v.s. 正态分布; 品質 v.s. 质量; 巨集 v.s. 宏; 變異數分析
v.s.方差分析; 進階 v.s. 高级…
官方目前沒有繁體中文版.~可惜! 希望 Minitab TWN公司能早日完成繁體中文版的 Minitab. ~期待!
Minitab R16版新增一項功能—Assistant
助手, 對於軟體新手或統計新手來說, 是個不錯的功能. 透過它可讓您”正確地”使用統計工具, 而不至於不知如何下手.
Assistant 助手 > Capability Analysis能力分析
中文對照
您分析的目的為何?
首頁
確定能力
您必須收集代表製程資料集合和評估它的能力。
範例
汽車零件廠檢驗員從生產線抽樣輪圈並量測其直徑。他們想要確定輪圈直徑是否符合規格。
比較改善前後能力
您必須收集製程改善前後的資料。您想要顯示輸出和並列圖表去比較製程改善前後的能力。
範例
分析食品製造廠量測袋裝密封改善前後強度。他們想要比較改善前後製程能力和確定製程改善後是否更符合規格。
您的資料是連續資料或計數(屬性)資料?
首頁>確定能力
連續資料
衡量零件或製程特性, 如長度, 重量, 或溫度。這些資料通常包含分數(或小數)值。
範例
食品製造商想要評估盒裝麥片裝滿重量是否符合規格。收集盒裝麥片樣本重量紀錄資料。
計數(屬性)資料
計數不良項目數或每單位缺點數。計數資料為整數。
範例
品質團隊想要確定破損燈泡的百分比是否允收。檢驗員檢查抽樣的燈泡並確認燈泡是否破損。他們紀錄破損的燈泡(不良項目)數量。
您的資料是連續資料或計數(屬性)資料?
首頁>改善前後能力
連續資料
衡量零件或製程特性, 如長度, 重量, 或溫度。這些資料通常包含分數(或小數)值。
範例
分析食品製造商改善前後盒裝麥片樣本重量紀錄。比較改善前後製程能力和確認改善後製程是否較符合規格。
計數(屬性)資料
計數不良項目數或每單位缺點數。計數資料為整數。
範例
品質團隊抽驗燈泡並紀錄改善前後破損的燈泡(不良項目)數量。團隊比較改善前後的不良率來確認製程能力是否有改善。
您要計數的是不良數或缺點數?
首頁>確定能力>計數(屬性)資料
不良數
每個項目歸類到兩個類別之一, 例如合格/不合格或不良/非不良。您計數不良項目數量和確定不良項目比例(或百分比)。
範例
硬體製造商想要評估螺釘不良率是否可允收。檢驗員每班次抽樣一次並計數造成螺釘不能使用的嚴重裂縫的數量。在每一子群組, 他們紀錄檢驗螺釘數量和拒收螺釘數量。
缺點數
每一項目可能有一個以上的缺點, 或非預期的特性。例如, 缺點包含裂紋, 撕開, 縫接。您計數缺點數和確定發生率。
範例
一家紡織廠想要評估海灘浴巾缺點率是否可允收。檢驗員抽樣每小時抽樣5條海灘浴巾並檢查裂紋, 撕開, 不當的縫接。他們紀錄每一子群組的總缺點數。每一浴巾可能有一個以上缺點, 例如一個裂紋和兩個撕開(3個缺點)。
您要計數的是不良數或缺點數?
首頁>改善前後能力>計數(屬性)資料
不良數
每個項目歸類到兩個類別之一, 例如合格/不合格或不良/非不良。您計數不良項目數量和確定不良項目比例(或百分比)。
範例
硬體製造商想要比較螺釘製程改善前後缺陷百分比來確認不良率是否降低。檢驗員每班次抽樣一次並計數造成螺釘不能使用的嚴重裂縫的數量。在每一子群組, 他們紀錄檢驗螺釘數量和拒收螺釘數量。
缺點數
每一項目可能有一個以上的缺點, 或非預期的特性。例如, 缺點包含裂紋, 撕開, 縫接。您計數缺點數和確定發生率。
範例
一家紡織廠想要比較海灘浴巾製程改善前後缺點率以確認缺點率是否降低。檢驗員抽樣每小時抽樣5條海灘浴巾並檢查裂紋, 撕開, 不當的縫接。他們紀錄每一子群組的總缺點數。每一浴巾可能有一個以上缺點, 例如一個裂紋和兩個撕開(3個缺點)。
能力分析
首頁>確定能力>連續資料
能力分析確定製程是否能夠生產滿足客戶要求的輸出。
指引
收集資料
l
從一個穩定的製程中收集資料。
n
製程能力確定當前製程的能力，也可以用於預測製程未來，持續的能力。當您使用從當前製程的資料來預測未來的性能時，當前製程必須穩定和受控。如果不是，你不能準確地預測未來的能力。
n
在診斷報告中，Minitab顯示管制圖，您可以用來確定您的流程是否穩定。管制範圍以外的點指示您的製程可能不穩定。超過9點在中心線的一側指示製程平均可能變異。在您的製程繼續之前進行製程能力分析，調查失控的管制點，並消除任何特殊原因的變異。
n
此外，Minitab檢查是否太多點落在Xbar管制圖上1標準差與中心線間。這種模式指示子群組組內標準差有可能誇大，對潛在的能力估計有影響。這一模式還造成Xbar管制圖太寬，因此很難評估穩定管制界限。這種模式的原因可能是系統內子群組來源的變異。檢查您的資料收集方式，以確定可能的來源。
l
收集資料在可能的合理子群組中。
n
一個合理的子群組是在短的時間所產生的類似項目的小樣本（通常3至5），這些是從您想要評估製程輸出的代表。每個子群組的項目應在相同的投入和條件，如人員、設備、供應商或環境下收集。因此，當您評估這些小子群組的變異，您評估製程中自然或內在的變異。
n
個別值資料也可用於評估能力。一定要在夠長的時間內收集資料，以獲取製程變異的不同來源。
l
當你不能收集子群組的資料或長時間段的個別值資料時，使用能力的快照。
n
能力快照視資料為一個沒有時間順序簡單的樣本。如果你在夠長的的時間內收集合理子群組個別值資料（或個別觀測數據），獲取製程變異的不同來源，則應使用完整的分析。快照仍計算能力衡量，但：
n
你無法評估製程穩定性，此重要假設才能獲得可靠估計。能力衡量應只用于收集資料的時間內所評估製程的性能。
n
您無法確定能力的差距，製程的實際和潛在能力之間的差異。
n
根據這些資料收集條件，整體標準差不可能獲取所有會出現在較長時間內變異的來源。因此，通常的解釋，能力衡量可能不適用表示長期性能。
l
收集足夠的資料來獲取可靠的製程能力的估計。
n
您應該總共至少有100個資料點（子群組大小*子群組數），如25個子群組的大小為4或35個子群組的大小為3，以獲取合理準確的能力估計。如果您總共至少有100個資料點，您有大約90%的信心可以估計不超過15%的製程基準Z值的誤差。
n
如果您有175個或更多的資料點，您有大約90%的信心可以估計不超過10%的製程基準Z值的誤差。少於100個資料點，估計精度同降低資料點數而變得更小。
n
你也須在夠長時間內收集資料來獲取製程變異的不同來源。通常，我們建議您收集至少25個子群組。如果子群組大小很小，則應使用超過25個子群組以確保您至少有100個資料點。
l
資料應相當於常態。
n
能力估計基於常態分布。如果製程的分布不是常態，估計可能不準確。
n
特別是如果資料偏斜，往往可以用Box-Cox轉換來修正常態性。Minitab檢查資料，並確定轉換是否可以修正問題。
n
如果轉換不能修正此問題，請考慮下列因素：
n
檢查管制圖確認製程穩定性。修正跟特殊原因變異或臨時變動中的資料相關聯的任何問題。然後只使用穩定製程中的資料重新運行分析。
n
檢查直方圖以查看資料是否包含2個或更多模式。一種模式是直方圖中有一個高區（幾個長條高於周圍的長條）。如果您發現2個或更多的模式，應檢查原因並檢查您的資料收集策略。
n
對於大樣本 (> 200個資料點），您可以評估常態分布適配規格界限以外資料的程度。如果常態曲線提供不錯適配規格界限以外，超出規格%估計可能是可以接受的使用，儘管整體資料非常態。
n
如果這些選項是不可行的，您可能需要使用更進階的能力分析非常態資料，以獲取準確的估計。這些分析都比較複雜，您可能需要援助。
解釋結果
l
Minitab 估計兩種類型的變異：子群組組內變異和整體變異。
n
子群組組內變異是量測單一子群組組內的變異。它表示製程在短時間內自然和內在的變異。小組內變異不應受製程輸入例如，不同的運營商，大量的材料或刀具磨損的更改的影響。小組內變異小組內標準差的估計。變異。它表示製程在短時間內自然和內在的變異。子群組組內變異不應受製程輸入，如不同的作業員，材料批次或刀具磨損的變動影響。子群組組內變異是以子群組組內標準差估計。
n
整體變異是以較長時間內收集的子群組之間的變異結合子群組組內變異。整體變異包括變更製程輸入或環境，如溫度波動或材料的變更。整體變異是以整體標準差估計。
n
如果您選擇能力快照，Minitab只估計整體標準差。因為沒有假設資料收集的時間，不可能確定資料變異是否代表了內在的變異或製程的整體變異。
l
Minitab 估計實際（整體）和潛在（組內）製程能力。
n
如果您收集的資料正確，實際製程能力估計應是以獲取所有製程變異的來源資料的整體標準差來計算。因為客戶獲得長時間生產的產品，實際能力代表客戶經歷的能力。實際能力的量測包括：Pp, Ppk, 基準 Z 值, % 超出規格。
n
潛在的製程能力估計是以子群組組內標準差來計算。因為子群組組內標準差獲取只有製程的內在變異，潛在的能力估計反映如果除去製程偏移和漂移就能實現的能力。潛在能力量測包括：Cp, Cpk, 基準 Z 值, % 超出規格。
n
您可以比較實際和潛在能力估計的差異來鑑別改善的機會。
n
如果您選擇能力快照，Minitab只顯示實際能力量測。解釋他們時，您應更謹慎。整體標準差的製程快照不可能獲取所有來源長時間出現的變異。因此，通常的解釋，此能力量測可能不適合代表長期性能。
l
%超出規格（預期）是估計的不良率。
n
%超出規格（預期）是的超出客戶規格以外的零件百分比。要轉換%超出規格為DPMO (每百萬個機會缺點數），將%超出規格乘以10000。
二項式能力分析(不良率)
首頁>確定能力>計數(屬性)資料>不良數
二項式能力分析確定不良率是否符合客戶要求。
指引
收集資料
l
從一個穩定的製程中收集資料。
n
製程能力確定當前製程的能力，也可以用於預測製程未來，持續的能力。當您使用從當前製程的資料來預測未來的性能時，當前製程必須穩定和受控。如果不是，你不能準確地預測未來的能力。
n
在診斷報告中，您可以使用Minitab顯示的P管制圖，來確定您的製程是否穩定。在您的製程繼續之前進行製程能力分析，調查失控的管制點，並消除任何特殊原因的變化。
l
收集子群組資料(樣本,批)。
n
子群組是要評估的製程中具有代表性輸出的相似項目的集合。在每個子群組的項目應在相同的投入和條件，如人員、設備、供應商或環境下收集。
l
子群組必須夠大。
n
如果一些子群組規模太小，你不能充分評估製程穩定性。Minitab基於您的資料檢查子群組大小是否夠大，並報告產生可靠管制圖表所需的子群組大小。
l
子群組大小可以是不相同的。
n
子群組的大小可以不同。例如，如果電話客服中心追蹤每小時100通中不令人滿意的等待時間的次數，子群組大小都為100。如果電話客服中心隨機選擇每天幾小時來追蹤所有來電，來電數可能有所差異因而導致子群組大小不同。
l
收集足夠的子群組。
n
要獲得準確的估計，必須收集足夠的子群組。子群組所需的數量取決於對有不良品的平均數和子群組大小。通常，我們建議您獲取製程變化的不同來源有足夠長的時間來收集至少25個子群組。
n
Minitab顯示不良項目信賴區間的%，此說明估計的精度。如果對於您的應用，此區間太寬了，您可以收集更多資料來提高區間的精度。
l
每個子群組的不良項目的計數。
n
不良的產品可能一個或多個缺點使它不能被接受。如果你只確定某項目是否是不良，可以使用這種分析。您也可以計算每個項目的缺點數量，使用Poisson能力分析評估每單位的缺點。
解釋結果
l
%不良和PPM(DPMO)衡量製程中的不良率。
n
%不良是不能滿足客戶要求的生產項目的平均百分比。PPM（也稱為DPMO）是每生產一百萬項目中不良物料的數量。%不良和PPM(DPMO)提供相同的資訊，不良物料比率，但它們使用不同的尺度。%不良是100中的不良數。PPM(DPMO)是百萬中的不良數。%不良往往是具有較高的故障率首選，而PPM(DPMO)經常用在不良率較低的製程。
Poisson能力分析(每單位缺點數)
首頁>確定能力>計數(屬性)資料>缺點數
Poisson能力分析確定缺點率(DPU)是否符合客戶要求。
指引
收集資料
l
從一個穩定的製程中收集資料。
n
製程能力確定當前製程的能力，也可以用於預測製程未來，持續的能力。當您使用從當前製程的資料來預測未來的性能時，當前製程必須穩定和受控。如果不是，你不能準確地預測未來的能力。
n
在診斷報告中，您可以使用Minitab顯示的U管制圖，來確定您的製程是否穩定。在您的製程繼續之前進行製程能力分析，調查失控的管制點，並消除任何特殊原因的變化。
l
收集子群組資料(樣本,批)。
n
子群組是要評估的製程中具有代表性輸出的相似項目的集合。子群組可為單一單位或相似大小單位的集合。例如, 您可紀錄LCD面板(單一單位)或相同尺寸LCD面板集合的表面瑕疵數。如果子群組為單位的集合, 他們應在相同的投入和條件，如人員、設備、供應商或環境下收集。
l
子群組必須夠大。
n
如果一些子群組規模太小，你不能充分評估製程穩定性。Minitab基於您的資料檢查子群組大小是否夠大，並報告產生可靠管制圖表所需的子群組大小。
l
子群組大小可以是不相同的。
n
子群組可為單一單位或相似大小單位的集合。在某些情況下, 子群組大小可以是不相同且可以定義為一段時間, 區域, 或項目數。例如, 紡織廠檢驗員從捲裝布料中抽樣部分布料並檢驗缺點:
u
如果檢驗員總是抽樣相同長度(例如2公尺)部分布料, 每一子群組包含相同或不同部分布料數。子群組大小可以是在每一子群組抽樣的部分布料數或每一子群組布料的總長度。
u
如果檢驗員抽樣不同長度部分布料, 子群組大小應該定義為在子群組中布料總長度。每一子群組包含相同或不同的部分布料數量。
l
收集足夠的子群組。
n
要獲得準確的估計，必須收集足夠的子群組。子群組數量要求獨立於每單位缺點數平均和子群組大小。通常，我們建議您獲取製程變化的不同來源有足夠長的時間來收集至少25個子群組。
n
Minitab顯示單位缺點數(DPU)的信賴區間，此說明估計的精度。如果對於您的應用，此區間太寬了，您可以收集更多資料來提高區間的精度。
l
每個子群組的單位缺點數的計數。
n
當您計數每單位缺點數時使用此分析。不同於分類一個單位為不良, 當您檢查到缺點時, 持續計數每一單位的缺點數。如果您只決定每一單位為不良或良品, 使用二項式能力分析來評估不良率。
解釋結果
l
單位缺點數(DPU)衡量製程中缺點率。
n
單位缺點數(DPU)是每單位平均缺點數。當所有項目為相同大小, 通常定義每一項目為缺點率的基本單位。在此情形下, DPU參照為每項目平均缺點數。
n
如果項目並非都是相同大小, 您無法使用每一項目為缺點率的基本單位。假設您抽樣不同尺寸LCD面板並計數每片面板表面的刮痕。有些為200平方英吋面板, 其它為300平方英吋面板, 使用每片面板缺點率並不適當。然而您可以使用每平方英吋當作基本單位。這樣DPU可基於每平方英吋平均缺點數來取代每面板平均缺點數。
改善前後能力比較
首頁>改善前後能力>連續資料
改善前後能力比較確定改善效果是否讓製程更有能力滿足客戶的需求。
指引
收集資料
l
從一個穩定的製程中收集的資料。
n
製程能力確定當前製程的能力，也可以用於預測製程未來，持續的能力。當您使用從當前製程的資料來預測未來的性能時，當前製程必須穩定和受控。如果不是，你不能準確地預測未來的能力。
n
在診斷報告中，Minitab顯示管制圖，您可以用來確定您的流程是否穩定。管制範圍以外的點指示您的製程可能不穩定。超過9點在中心線的一側指示製程平均可能變異。在您的製程繼續之前進行製程能力分析，調查失控的管制點，並消除任何特殊原因的變異。
n
此外，Minitab檢查是否太多點落在Xbar管制圖上1標準差與中心線間。這種模式指示子群組組內標準差有可能誇大，對潛在的能力估計有影響。這一模式還造成Xbar管制圖太寬，因此很難評估穩定管制界限。這種模式的原因可能是系統內子群組來源的變異。檢查您的資料收集方式，以確定可能的來源。
l
收集資料在可能的合理子群組中。.
n
一個合理的子群組是在短的時間所產生的類似項目的小樣本（通常3至5），這些是從您想要評估製程輸出的代表。每個子群組的項目應在相同的投入和條件，如人員、設備、供應商或環境下收集。因此，當您評估這些小子群組的變異，您評估製程中自然或內在的變異。
n
個別值資料也可用於評估能力。一定要在夠長的時間內收集資料，以獲取製程變異的不同來源。
l
當你不能收集子群組的資料或長時間段的個別值資料時，使用能力的快照。
n
能力快照視資料為一個沒有時間順序簡單的樣本。如果你在夠長的的時間內收集合理子群組個別值資料 （或個別觀測數據），獲取製程變異的不同來源，則應使用完整的分析。快照仍計算能力衡量，但：
u
你無法評估製程穩定性，此重要假設才能獲得可靠估計。能力衡量應只用于收集資料的時間內所評估製程的性能。
u
您無法確定能力的差距，製程的實際和潛在能力之間的差異。
u
根據這些資料收集條件，整體標準差不可能獲取所有會出現在較長時間內變異的來源。因此，通常的解釋，能力衡量可能不適用表示長期性能。
l
收集足夠的資料來獲取可靠的製程能力的估計。
n
您應該總共至少有100個資料點（子群組大小*子群組數），如25個子群組的大小為4或35個子群組的大小為3，以獲取合理準確的能力估計。如果您總共至少有100個資料點，您有大約90%的信心可以估計不超過15%的製程基準Z值的誤差。
n
如果您有175個或更多的資料點，您有大約90%的信心可以估計不超過10%的製程基準Z值的誤差。少於100個資料點，估計精度同降低資料點數而變得更小。
n
你也須在夠長時間內收集資料來獲取製程變異的不同來源。通常，我們建議您收集至少25個子群組。如果子群組大小很小，則應使用超過25個子群組以確保您至少有100個資料點。
l
資料應相當於常態。
n
能力估計基於常態分布。如果製程的分布不是常態，估計可能不準確。
n
特別是如果資料偏斜，往往可以用Box-Cox轉換來修正常態性。Minitab檢查資料，並確定轉換是否可以修正問題。
n
如果轉換不能修正此問題，請考慮下列因素：
u
檢查管制圖確認製程穩定性。修正跟特殊原因變異或臨時變動中的資料相關聯的任何問題。然後只使用穩定製程中的資料重新運行分析。
u
檢查直方圖以查看資料是否包含2個或更多模式。一種模式是直方圖中有一個高區（幾個長條高於周圍的長條）。如果您發現2個或更多的模式，應檢查原因並檢查您的資料收集策略。
u
對於大樣本 (> 200個資料點), 您可以評估常態分布適配規格界限以外資料的程度。如果常態曲線提供不錯適配規格界限以外，超出規格%估計可能是可以接受的使用，儘管整體資料非常態。
u
如果這些選項是不可行的，您可能需要使用更進階的能力分析非常態資料，以獲取準確的估計。這些分析都比較複雜，您可能需要援助。
解釋結果
l
Minitab 估計兩種類型的變異：子群組組內變異和整體變異。
n
子群組組內變異是量測單一子群組組內的變異。它表示製程在短時間內自然和內在的變異。小組內變異不應受製程輸入例如，不同的運營商，大量的材料或刀具磨損的更改的影響。小組內變異小組內標準差的估計。變異。它表示製程在短時間內自然和內在的變異。子群組組內變異不應受製程輸入，如不同的作業員，材料批次或刀具磨損的變動影響。子群組組內變異是以子群組組內標準差估計。
n
整體變異是以較長時間內收集的子群組之間的變異結合子群組組內變異。整體變異包括變更製程輸入或環境，如溫度波動或材料的變更。整體變異是以整體標準差估計。
n
如果您選擇能力快照，Minitab只估計整體標準差。因為沒有假設資料收集的時間，不可能確定資料變異是否代表了內在的變異或製程的整體變異。
l
Minitab 估計實際（整體）和潛在（組內）製程能力。
n
如果您收集的資料正確，實際製程能力估計應是以獲取所有製程變異的來源資料的整體標準差來計算。因為客戶獲得長時間生產的產品，實際能力代表客戶經歷的能力。實際能力的量測包括：Pp, Ppk, 基準 Z 值, % 超出規格。
n
潛在的製程能力估計是以子群組組內標準差來計算。因為子群組組內標準差獲取只有製程的內在變異，潛在的能力估計反映如果除去製程偏移和漂移就能實現的能力。潛在能力量測包括：Cp, Cpk, 基準 Z 值, % 超出規格。
n
您可以比較實際和潛在能力估計的差異來鑑別改善的機會。
n
如果您選擇能力快照，Minitab只顯示實際能力量測。解釋他們時，您應更謹慎。整體標準差的製程快照不可能獲取所有來源長時間出現的變異。因此，通常的解釋，此能力量測可能不適合代表長期性能。
l
%超出規格（預期）是估計的不良率。
n
%超出規格（預期）是的超出客戶規格以外的零件百分比。要轉換%超出規格為DPMO (每百萬個機會缺點數），將%超出規格乘以10000。
比較改善前後能力
l
瞭解製程輸入的變更如何影響輸出。
n
您進行初步能力分析後，確定可能的製程輸入，您可以變更以提高性能。請確保分析這些投入，清楚地瞭解每個如何影響製程。此資訊將説明您建立持續改善的管制計畫。對輸入進行變更後，進行另一個能力分析，以確定多少能力有所改善。
l
變更製程的輸入後，應用管制機制，以持續改善。
n
變更製程輸入提高能力之後，投入實施管制機制是持續製程改善的關鍵。沒有管制機制製程可能會轉回其初始的能力。
改善前後二項式能力比較(不良率)
首頁>改善前後二項式能力>計數(屬性)資料>不良數
改善前後二項式能力比較確定改善前後是否可以減少不良率。
指引
收集資料
l
從一個穩定的製程中收集資料。
n
製程能力確定當前製程的能力，也可以用於預測製程未來，持續的能力。當您使用從當前製程的資料來預測未來的性能時，當前製程必須穩定和受控。如果不是，你不能準確地預測未來的能力。
n
在診斷報告中，您可以使用Minitab顯示的P管制圖，來確定您的製程是否穩定。在您的製程繼續之前進行製程能力分析，調查失控的管制點，並消除任何特殊原因的變化。
l
收集子群組資料(樣本,批)。
n
子群組是要評估的製程中具有代表性輸出的相似項目的集合。在每個子群組的項目應在相同的投入和條件，如人員、設備、供應商或環境下收集。
l
子群組必須夠大。
n
如果一些子群組規模太小，你不能充分評估製程穩定性。Minitab基於您的資料檢查子群組大小是否夠大，並報告產生可靠管制圖表所需的子群組大小。
l
子群組大小可以是不相同的。
n
子群組的大小可以不同。例如，如果電話客服中心追蹤每小時100通中不令人滿意的等待時間的次數，子群組大小都為100。如果電話客服中心隨機選擇每天幾小時來追蹤所有來電，來電數可能有所差異因而導致子群組大小不同。
l
收集足夠的子群組。
n
要獲得準確的估計，必須收集足夠的子群組。子群組所需的數量取決於對有不良品的平均數和子群組大小。通常，我們建議您獲取製程變化的不同來源有足夠長的時間來收集至少25個子群組。
n
Minitab顯示不良項目信賴區間的%，此說明估計的精度。如果對於您的應用，此區間太寬了，您可以收集更多資料來提高區間的精度。
l
每個子群組的不良項目的計數。
n
不良的產品可能一個或多個缺點使它不能被接受。如果你只確定某項目是否是不良，可以使用這種分析。您也可以計算每個項目的缺點數量，使用Poisson能力分析評估每單位的缺點。
解釋結果
l
%不良和PPM(DPMO)衡量製程中的不良率。
n
%不良是不能滿足客戶要求的生產項目的平均百分比。PPM （也稱為DPMO）是每生產一百萬項目中不良物料的數量。%不良和PPM(DPMO)提供相同的資訊，不良物料比率，但它們使用不同的尺度。%不良是100中的不良數。PPM(DPMO)是百萬中的不良數。%不良往往是具有較高的故障率首選，而 PPM(DPMO)經常用在不良率較低的製程。
比較改善前後的能力
l
瞭解製程輸入的改變如何影響輸出。
n
您進行初步能力分析後，您可以確定改變可能製程輸入以提高性能。請確保分析這些輸入效果，清楚地瞭解每個如何影響製程。此資訊將幫您建立持續改善的管制計畫。在輸入改變後，進行另一個能力分析，以確定多少能力有所改善。
l
改變改善製程的輸入後，應用管制機制，以持續改善。
n
改變製程輸入改善能力之後，對輸入實施管制機制是持續製程改善的關鍵。沒有管制機制，製程可能會轉移回其初始的能力。
改善前後Poisson能力比較(每單位缺點數)
首頁>改善前後能力>計數(屬性)資料>缺點數
改善前後Poisson能力比較確認改善效果是否減少缺點率(DPU)。
指引
收集資料
l
從一個穩定的製程中收集資料。
n
製程能力確定當前製程的能力，也可以用於預測製程未來，持續的能力。當您使用從當前製程的資料來預測未來的性能時，當前製程必須穩定和受控。如果不是，你不能準確地預測未來的能力。
n
在診斷報告中，您可以使用Minitab顯示的U管制圖，來確定您的製程是否穩定。在您的製程繼續之前進行製程能力分析，調查失控的管制點，並消除任何特殊原因的變化。
l
收集子群組資料(樣本,批)。
n
子群組是要評估的製程中具有代表性輸出的相似項目的集合。子群組可為單一單位或相似大小單位的集合。例如, 您可紀錄LCD面板(單一單位)或相同尺寸LCD面板集合的表面瑕疵數。如果子群組為單位的集合, 他們應在相同的投入和條件，如人員、設備、供應商或環境下收集。
l
子群組必須夠大。
n
如果一些子群組規模太小，你不能充分評估製程穩定性。Minitab基於您的資料檢查子群組大小是否夠大，並報告產生可靠管制圖表所需的子群組大小。
l
子群組大小可以是不相同的。
n
子群組可為單一單位或相似大小單位的集合。在某些情況下, 子群組大小可以是不相同且可以定義為一段時間, 區域, 或項目數。例如, 紡織廠檢驗員從捲裝布料中抽樣部分布料並檢驗缺點:
u
如果檢驗員總是抽樣相同長度(例如2公尺)部分布料, 每一子群組包含相同或不同部分布料數。子群組大小可以是在每一子群組抽樣的部分布料數或每一子群組布料的總長度。
u
如果檢驗員抽樣不同長度部分布料, 子群組大小應該定義為在子群組中布料總長度。每一子群組包含相同或不同的部分布料數量。
l
收集足夠的子群組。
n
要獲得準確的估計，必須收集足夠的子群組。子群組數量要求獨立於每單位缺點數平均和子群組大小。通常，我們建議您獲取製程變化的不同來源有足夠長的時間來收集至少25個子群組。
n
Minitab顯示單位缺點數(DPU)的信賴區間，此說明估計的精度。如果對於您的應用，此區間太寬了，您可以收集更多資料來提高區間的精度。
l
每個子群組的單位缺點數的計數。
n
當您計數每單位缺點數時使用此分析。不同於分類一個單位為不良, 當您檢查到缺點時, 持續計數每一單位的缺點數。如果您只決定每一單位為不良或良品, 使用二項式能力分析來評估不良率。
解釋結果
l
單位缺點數(DPU)衡量製程中缺點率。
n
單位缺點數(DPU)是每單位平均缺點數。當所有項目為相同大小, 通常定義每一項目為缺點率的基本單位。在此情形下, DPU參照為每項目平均缺點數。
n
如果項目並非都是相同大小, 您無法使用每一項目為缺點率的基本單位。假設您抽樣不同尺寸LCD面板並計數每片面板表面的刮痕。有些為200平方英吋面板, 其它為300平方英吋面板, 使用每片面板缺點率並不適當。然而您可以使用每平方英吋當作基本單位。這樣DPU可基於每平方英吋平均缺點數來取代每面板平均缺點數。
比較改善前後的能力
l
瞭解製程輸入的改變如何影響輸出。
n
您進行初步能力分析後，您可以確定改變可能製程輸入以提高性能。請確保分析這些輸入效果，清楚地瞭解每個如何影響製程。此資訊將幫您建立持續改善的管制計畫。在輸入改變後，進行另一個能力分析，以確定多少能力有所改善。
l
改變改善製程的輸入後，應用管制機制，以持續改善。
n
改變製程輸入改善能力之後，對輸入實施管制機制是持續製程改善的關鍵。沒有管制機制，製程可能會轉移回其初始的能力。
詳細資訊請到官方網站進一步了解: http://www.minitab.com.tw/
和 http://www.minitab.com/
聲明: 本文純粹學術性研討, 內容所提及任何關於 Minitab 專有創作文字, 圖像與架構…等皆屬Minitab Inc. 版權所有, 嚴禁商業上轉貼使用.
沒有留言:
張貼留言