在JMP中進行過程能力分析時，有「過程篩選」和「過程能力」平台，但最簡單的方法是使用「單變量分佈」平台中的「過程能力」選項。
如果您在 JMP 樣本資料「Pickles.jmp」的連續刻度列「酸度」的「單變量分佈」中設定規格限（下限 = 8，上限 = 17）並執行製程能力分析，則會產生下列報告。展示。
報告包含以下項目：「直方圖」、「流程摘要」、「群組內 Sigma 製程能力」、「整體 Sigma 製程能力」和「不合格率」。非常重要。
你可能認為目的只是為了計算Cpk和Ppk等過程能力指數，看報告的相關部分就可以了，但了解這些指標是如何計算的也很重要。
因此，在這篇部落格中，我們將解釋如何閱讀上面所示的「單變量分佈」的過程能力分析報告。，詳細解釋如何計算顯示的統計資料。您也可以下載顯示計算公式的腳本 (Calculate_Capability.jsl)。
注意
- 在所呈現的範例中，指定了規格下限 (LSL) 和規格上限 (USL)，而沒有設定目標值。
- 計算過程能力指數的信心區間比較複雜，這裡不再解釋。
- 雖然可以透過指定子組列進行能力分析，但這裡不提供此範例。
- 此處解釋的報告假設過程分佈呈常態分佈。雖然 JMP 可以對常態分佈以外的分佈進行過程能力分析，但我們在此不做解釋。
流程摘要：什麼是組內西格瑪和整體西格瑪？
Y 中指定的「酸性」列的直方圖將與指定的規格限值線（紅色實線）一起顯示。透過此圖，您可以直觀地看到有多少資料低於 LSL 以及有多少資料高於 USL。
組內 sigma ：短期內計算的變異估計（使用控製圖上的 σ）
總體西格瑪：隨時間計算的離散度估計值（使用從數據或整體中找到的標準差）
我們建議使用製程能力分析，透過控製圖等檢查目標過程是否穩定。如果製程穩定，組內 sigma 和整體 sigma 值將大致相等，但如果製程不穩定，這些值就會發散。
直方圖顯示以樣本平均值和組內 sigma 作為參數的常態分佈曲線（藍色），以及以樣本平均值和總體 sigma 作為參數的常態分佈曲線（黑色虛線）。比較兩條曲線，組內曲線似乎是過程中更好的分佈。
如果過程可以被認為是穩定的，那麼考慮整體西格瑪值是一個好主意。如果製程不穩定，則整體西格瑪值將不可靠。在這種情況下，最好考慮組內 sigma 的值。
相反，您可以透過比較整體 sigma 值和組內 sigma 值來確定製程是否穩定。此指標是由下式定義的穩定性指標。
穩定性指數：整體 sigma ÷ 組內 sigma
如果製程穩定，穩定性指數將取接近 1 的值，因為組內 sigma 和整體 sigma 值大致相等，如上所述。值越高表示過程越不穩定。本例的穩定性指數為1.446，較大，因此可以說製程不穩定。
*許多流程可以使用流程篩選平台中的流程效能圖進行比較，該平台使用的穩定性指數閾值為 1.25。如果大於1.25，則認為製程不穩定。
計算方法
組內西格瑪是根據平均移動範圍計算的。移動極差是當前值減去前一個值得到的絕對值。我們將計算對應於R 控製圖的sigma，|第2 行值- 第1 行值|，|第3 行值- 第2 行值| ... |第N 個值- 計算第(N-1)個值並取 |他們的總和。將該總和除以稱為 d2(2) 的常數。 d2(2)是子組為2時d2的值（移動範圍的情況下，從目前值到上一個值的區域被視為一個子組）。此常數也用於計算控製圖上的 sigma，其值為 1.128。然後將該值除以子組的數量（在本例中，資料點的數量為 24，因此子組的數量為資料點的數量減 1，即 23）。
組內 sigma = (移動範圍總和 / d2(2) ) / 23 = 1.160
總體西格瑪是根據數據計算出的標準差來計算的。您可以確認它與“匯總統計”的標準差值相符。
工程能力指數
如 JMP 手冊中所述，組內 sigma 的製程能力指數使用以下公式計算。
在此方程式中，μ 由樣本平均值估計，σ 由短期西格瑪估計。估計的過程能力指數是使用上述過程摘要報告中顯示的值計算的，如下所示：
CP = (17 -8)8)/ (6 * 1.1598) = 1.293
Cpl = (10.5667 -8)8)/ (3 * 1.1598) = 0.738
中央處理器 = (17 - 10.5667) /(3 * 1.1598) = 1.849
Cpk = 最小值(0.738, 1.849) = 0.738
對於總體西格瑪過程能力指數，上式中的σ是透過總體西格瑪來估計的。
Pp = (17 -8)8)/ (6 * 1.6766) = 0.895
Ppl = (10.5667 -8)8)/ (3 * 1.6766) = 0.510
PPU = (17 - 10.5667) /(3 * 1.6766) = 1.279
Ppk = 最小值(0510, 1.279) = 0.510
在此範例中，Cpk 為 0.738，Ppk 較低，為 0.510。
不適合率
觀察百分比：超出規格限值的資料百分比。
在此範例中，LSL 以下有一個資料項，USL 以上沒有數據，因此將這些值除以資料項數 (24)。
小於 LSL = (1 / 24 )* 100 = 4.1667
超過 USL = (0/ 24 )* 100 = 0
組內 σ % 和總體 σ % 表示直方圖中顯示的常態分佈曲線小於 LSL 的機率和超過 USL 的機率。
組內百分比：使用組內 sigma 的常態分佈密度曲線的規格限之外的面積（機率）
常態分佈的累積分佈函數 可以使用常態分佈(q, mu, sigma) 函數透過以下公式計算。
小於 LSL = 常態分佈（LSL，樣本平均值，組內 sigma）* 100 = 1.3448
超出 USL = (1- 常態分佈(USL，樣本平均值，組內 sigma)) * 100 = 0.0000
總計 %：使用總西格瑪的常態分佈密度曲線超出規格限值（機率）的面積
小於 LSL = 常態分佈（LSL、樣本平均值、總體西格瑪）* 100 = 6.2901
超出 USL = (1- 常態分佈(USL、樣本平均值、整體 sigma)) * 100 = 0.0062
如何提高製程能力
如上所述，對於此範例過程，Cpk為0.738，Ppk為0.510，因此可以說製程能力較低。那麼，如何改善流程來提升流程能力呢？ JMP 提供了一個選項來為此問題提供數字提示。
從「能力分析」報告左側的紅色小三角中選擇「互動式能力圖」選項。這將添加如下報告：此圖描繪了目前資料的（樣本）平均值、以整體 sigma 作為參數的常態分佈、LSL 和 USL 線。這顯示了當前的過程能力。
那麼，如果我們能夠改善流程，將平均值調整到比現在更大的數值，並減少現在的偏差，我們能夠將流程能力提高多少？ 您可以透過移動「新工藝能力」滑桿來檢查這一點。例如，以下是平均值為 12.5、整體 sigma（變異數）為 1.1 時的報告。
這將 Ppk 提高到 1.364，超過了常用的指導值 1.33。
雖然這只是假設情況的模擬，但我認為了解未來流程改進的近似值會很有用。
下面的影片介紹了使用「過程能力」和「過程篩選」平台進行過程能力分析，其中包括本次介紹的「單變量分佈」過程能力分析。
使用 JMP 進行製程能力分析（日文）
by 増川直裕（JMP Japan）
Naohiro Masukawa - JMP 使用者社區
