实现卓越制造是每个企业追求的⽬标。为了达到这个⽬标，品质部门必须不断努⼒识别制程变化的来源，并采取适当的措施来控制⽬标。时至科学化的现代，品质单位已经可以透过数据分析的方式，来理解制程的⽣产过程，不仅可以增加⽣产的灵活性，⽽且能确保产品更好地符合客户要求。
实现智慧制造的三大关键
如何基于科学的数据分析实现卓越制造，更是每家企业在要求提升产品品质时，所面临到的问题。透过过去JMP合作的产业案例可以看出，企业实现卓越制造需要经历三个关键过程：
- 1.透过控制图及制程能力分析，实现统计制程管制(SPC) ，减少制程变异；
- 透过测量系统分析(MSA) ，寻找测量过程中的变异源；
- 透过实验设计(DOE)及预测建模，确定对测量变异有影响的因⼦ ，找到因⼦的最佳设置，使测量过程更加稳健。
我们以⼀个医药⽣产制造商的案例看看如何实施这「数据分析三部曲」。 ⾸先，我们先来看看如何进行统计制程管制(SPC) 。
实战案例分析
制程背景
FVM制药公司是⼀家国际药品制造商，专门⽣产⾼品质的成品配⽅药，产品类型包括片剂、胶囊和液体。在制药过程里，有个典型的制造过程包括：将活性药物成分（API ）研磨成均匀颗粒⼤⼩的粉末，接着将磨碎的材料与其他组分混合，使原料药体积变⼤并均匀分布，然后将这种混合材料压制成片剂，最后进⾏包衣，以提⾼有效期限、⼝感和其他性能。在这个过程结束时，各种品质参数指标都会被记录，以便批量验收。
上述过程的原材料是含有两种有机化合物的浓缩乳剂，由两个供应商（A ， B ）同时提供，制药公司透过气相⾊谱法（GC ）测量化合物的浓度（ mg/L ）来监测品质。
现状问题
最近品质管理团队发现药品品质存在很⼤的差异，透过问题排查，怀疑问题有很⼤可能来⾃原料药。为此，公司专门成立品质改进⼩组，希望借助统计⼯具，结合品质源于设计⽅法（ QbD ），透过数据化决策，从根本上找到⼀个可持续的解决⽅案，确定制程变化的关键驱动因素，最终达到优化制程设置的目的。
改善过程
首先，品质改进⼩组进⾏产品的统计制程管制(SPC) 。透过控制图了解制程的稳定性并分析过程变化的模式。透过制程能力分析，评定其是否满⾜顾客/外部交期。两个⼯具都⽀持更好地理解过程，并指导制定改进策略。团队对来⾃两家供应商的两种化合物原材料，进⾏了为期8天的样品采集并导入JMP软件，涉及所有批次，下图（一）为部分数据截图。
图(一)
分析的先决条件：检视数据是否呈现常态
许多品质统计⼯具使⽤的前提假设是数据来⾃于常态分布，否则基于平均值和标准差的报告结果就没有意义。利⽤ JMP选单，点选「分析(Analyze)à分布平台(Distribution) 」，结合SW检验和AD检验结果，可以确认两个化合物数据呈现常态分布，表示没有问题，结果如下图(二)所⽰ 。
图(二)
当然，也可以透过分析(Analyze) à分布平台(Distribution)的互动功能（点选某个参数的某个⽔平，其他参数对应部分也会被选中），快速查看三个参数“天” 、 “批次”和“供应商”作为可变性潜在驱动因素与两种化合物的变化关系，如图(三) 。
例如每天都会使⽤来⾃两个供应商的批次，但即使同⼀天的批次，化合物1和化合物2的结果也差异巨⼤。
图(三)
分析第二步骤：检视数据是否产生变异
完成常态检定和直⽅图分析后，就可以使⽤ JMP控制图⽣成器平台( Control Chart Builder)探索品质⽅⾯的问题了。由于变异存在于任何系统和过程当中，控制图能⾃动计算的控制限，便能有效区分过程变异中⼀般原因和特殊原因产⽣的变异，从⽽识别和消除特殊原因造成的数据波动。
另⼀个常⽤的品质工具—制程能力分析(Process Capability) ，可以有效衡量⼀个制程与给定的规格限相比表现如何，有助于识别表现不佳的过程。计算时⽤到的规格限，是由外部系统或按过程要求设定的。本例中化合物1的规格下限和上限分别是100mg/l和500mg/l ，化合物2的规格下限和上限是300mg/l和600mg/l 。
⼀个好的过程是⼀个稳定的过程，并且持续地⽣产出远在规格限之内的产品。上述两个⼯具Control Chart Builder & Process Capability便是经常结合使⽤ ，⽤于评估制程的稳定性以及评估其满⾜客户规格要求的能⼒。
透过JMP的控制图⽣成器平台可以快速得到下图(四)的输出结果，左侧分别为化合物1和化合物2的XBar&R控制图，右侧为制程能力分析结果。
图(四)控制图⽣成器结果
分析第三步骤：分析结果的数据解读
- XBar图是以批次为⼦组的均值控制图。观察可以发现，化合物1的所有的点都随机落在控制范围内（绿⾊和黄⾊区域）。引入判异规则，没有任何点被圈起来或被标记，这意味着过程是"在控制中"或稳定的。 ⽽化合物2在引入判异规则后，发现批号11落入红⾊区域，并被圈起来或打上标记，这表明该过程不受控制或不稳定。
- R图是批次为⼦组的极差控制图，⽤于监测过程中的波动⼤⼩。图表上的每个点都代表批次范围的最⼤值和最⼩值的差值。引入判异规则，可以看到化合物1的第10批产品和化合物2的第5批超出了控制限，说明有⼀些特殊原因造成过程波动变化。
- 右侧部分则是制程能力分析结果，⽤来识别表现不佳的过程。常⽤来评估的几个能⼒指标包括：
- Cp/Pp ：规格限的宽度与过程波动之比。 Cp⼜叫内部（或短期）潜在制程能力（ 只考虑⼦组内的波动），Pp⼜叫整体（或⻓期）潜在制程能力（考虑所有组整体的波动）。它们是衡量如果过程均值和⽬标均值⼀致，能⼒能够达到多少的常⽤指标；
- Cpl/Ppl ： ⽤于检查⼀个过程满⾜规格下限的能⼒；
- Cpu/Ppu ： ⽤于检查⼀个过程满⾜规格上限的能⼒；
- Cpk/Ppk ：取Cpl/Ppl和Cpu/Ppu的最⼩值。
- Cpk/Ppk等于1.0 ，被认为⼀个勉强合格的过程，当然也有些⾏业准则要求Cpk/Ppk的最⼩值为1.33或什⾄更⾼。
- 当前原料化合物1的Cpk值和Ppk值分别为0.740和0.752 ，所以认为该制程不太合格。化合物2也不是很好， Cpk值和Ppk值分别为1.005和0.746 。
分析第四步骤：从供应商角度探索变异来源
把供应商拖到控制图的顶部（阶段区），可按供应商分割控制图，如下图(五)所⽰。
图(五)
从上图(五)可以看出，对于这两种化合物，基于现有控制限，虽然供应商A提供的这两种化合物都很稳定（批次在控制限度内），但是我们可以发现：供应商A明显比供应商B有更⼤的批次间变化。供应商B批次间的变化相对比较⼩，但发现供应商B的化合物1表现出特殊原因的变异。
此外，我们也可尝试使⽤模型驱动的多元控制图（MDMVCC ），利⽤主成分分析(PCA)在⼀个控制图中监测多个制程的参数。在某些场景下，如果只是独立观察各个制程，似乎都是稳定的，透过多元控制图可以同时检测多个过程的潜在不稳定性，深入调查个别过程对整体性的贡献，以诊断制程是否稳定。
图(六)
由上图(六)可知供应商A的所有批次都在控制限内， ⽽对于供应商B ，可以清楚地看到三个批次是失控点，需要关注。
此外，我们还可以透过JMP制程能力筛选平台(Process Screening) ，利⽤⽬标图和制程性能图将变异和能⼒结合到⼀个输出中，同时查看两个供应商的化合物是否稳定，是否符合给定规格。此平台尤其适合⼤量制程需要监测的品质检测场景，非常推荐使用。
图(七)
上图(七)的制程能力图突出了过程是否健康的两个⽅⾯， 即稳定性指标和制程能力（Ppk ）。 ⼀个稳定的过程将有⼀个接近1的稳定性指标。稳定性指数的值越⾼，表明制程越不稳定。
制程能力Ppk是衡量过程表现的重要参数，数值越⾼ ，对应于每百万个产品的缺陷率越低。理想的制程（有能⼒的和稳定的）显⽰在图中的绿⾊阴影区域，其中Ppk>1.0 ， 稳定指数<1.25 。无能⼒的和不稳定的过程在红⾊阴影区域，其中Ppk<1.0 ，稳定指数>1.25 。
⽬标图为每个过程在x轴上显⽰规格标准化的均值偏移，在y轴上显⽰规格标准化的标准差，⽤于快速提供关于过程是否符合规格限的汇总视图。
稳定有能⼒的制程显⽰在图中的绿⾊（pk>2.0 ）和黄⾊（pk>1.0 ）阴影区域， ⽆能⼒的和不稳定的过程在红⾊阴影区域（Ppk<1.0 ）。
对于供应商A来说，化合物1和化合物2的两个过程都是稳定的，但能⼒不⾜。对于供应商B来说，化合物2是稳定的，但能⼒不⾜，⽽化合物1既能⼒不⾜⼜不稳定。
阶段性结论和品质改善方案
我们接连使⽤了均值、极差控制图和多元控制图等方式，来监测供应商的原材料品质和关键制程参数，并要求供应商也使⽤这些控制图来减少制程过程变异。
理论上，如果供应的原材料不稳定，所有供应批次都应该被监测，并增加原材料抽样分析的频率，不过⽬前还不能实现，因为现有的气相⾊谱分析⽅法（GC ）非常花时间，全检将无法满⾜⽣产的需求。所以⽬前正在开发的快速分析⽅法，超⾼效液相⾊谱法（UHPLC ），将是下⼀步⼯作的重点。如何透过超⾼效液相⾊谱测量系统来实现更快的原材料品质监测？我们将在之后的⽂章中继续探索。
如对⽂中统计制程控制(SPC)统计⽅法感兴趣的朋友，欢迎下载最新版JMP亲⾃体验。了解更多资料分析知识与技巧。
推荐阅读：
