756626_ja-JP

liliconcom

統計を共通言語として活用する方法と、それによってプロセス品質を向上させる方法（2021-EU-30MP-788）

エンヴァセス社品質・シックスシグマ担当責任者、マーカス・ソレンセン氏

このケーススタディでは、社内の様々な部門間で統計を共通言語として活用することで、プロセスの品質がどのように向上したかを紹介します。当初はデータセットが非常に限られており、混乱したプロジェクトでしたが、チームがJMPを用いて構造化され、データ指向のプロセスを進めたことで、成功へと転じました。このケースは、データと統計をプロセス改善の基盤として活用することで、様々な部門が連携して取り組むことができることを示しています。

自動生成されたトランスクリプト...

スピーカー	トランスクリプト
マーカス	いらっしゃいませ
	SAS JMP を使用して、このプレゼンテーションを実行します。
	このプレゼンテーションのトピックは、統計を共通言語として使用する方法と、それによってプロセスの品質を向上させる方法です。
	私はEnvasesという会社で品質管理マネージャーとして働いています。Envasesは巨大な会社で、
	食品業界向けの缶詰を製造するグローバル企業です。左隅に製品の一部を掲載しています。
	いくつかの商品は皆さんもご存知かもしれません。スーパーマーケットで買える缶詰です。肉、魚、粉ミルク、ジュースなども缶詰になっています。
	当社は以下の場所に製造施設を持っています
	メキシコとヨーロッパと
	本日ここでお話ししたい話題は、デンマークの生産施設に関するものです。
	基本的に、ここで紹介するのは、SAS JMP をツールの 1 つとして使用して解決された問題です。
	そして、JMP の機能をいくつか紹介し、SAS JMP を使用してこのような問題にどのように対処できるかについて説明したいと思います。このプレゼンテーションをご覧になっている多くの方々にとって、これは非常によく知られていることだと思います。
	さて、去年の話に戻りますが、
	生産ラインに問題が発生し、生産部門の担当者が私のところに来ました。私は品質管理責任者で、このような問題に対応しています。「マーカス、生産ラインに錫の粉塵が混入しているんです」と。
	缶に使われている材料は錫なので、錫の粉塵そのものは
	私たちの生産現場では目にするものではありません。しかし、生産ラインで錫の粉塵が多すぎると苦情を言う人がいました。
	そしてその結果、ラインを常に清掃する必要があります。
	それが問題の始まりでした。これを示すデータがありませんでした。調べるための書類もありませんでした。ExcelシートもJMPファイルもありませんでした。ただ、データ量が多すぎるという意見がいくつかありました。
	私たちの生産ラインには錫の粉塵が付着しており、常に清掃する必要があります。
	そして、少し均等にするために
	もっと混乱しますが、これまでにも何度も見たことがあるという人もいれば、これまで一度も見たことがないという人もいました。
	私は電話口の人たちと話し始めました。「これはあなたにとって新しいことですか？今週の出来事ですか？それとも先週の出来事ですか？それとも去年はどうでしたか？」と尋ねました。すると、さまざまな意見や
	意見も、人々が私に同じことを言っていたわけでもなかったので、どうやってこのプロジェクトを始めればいいのか少し混乱しました。
	しかし、とにかく、私たちは始める必要がありました。
	そこで私が最初にしたのは
	チームを編成し、
	組織内の人々はチームを編成する必要があります。チームには誰が参加すべきでしょうか？私たちは、製造部門、技術部門、運用部門、保守部門など、プロジェクトに関係する人材を厳選しました。
	ここで問題を解決するために使用した構造は、シックス シグマ DMAIC からヒントを得たもので、すでにご存知の方もいるかもしれません。
	DMAIC は、問題を定義し、問題を測定し、問題の原因を分析し、考え出した解決策で実際に成功したかどうかを、改善して制御することです。
	DMAICの考え方の一つ、そして私にとってもこの構造を使う考え方の一つは、問題を定義し測定することです。
	問題があると考えているかもしれませんが、その問題を測定し始めると、問題だと思っていたものが実際にはまったく問題ではないことに気付くかもしれません。
	ですから、実際には存在しない問題を解決し続ける必要はありません。私は皆にこう言いました。「まずは問題を測定しましょう。本当に問題があるのでしょうか？それとも、制作中に感じている違和感なのでしょうか？」
	それが最初の一歩でした。
	そこで私たちは生産ラインに行ってみました。ラインに行って見てみると、
	プロセスの概要を把握し、問題が発生する場所を確認できるかもしれません。
	プロセスは実にシンプルです。ここでは、非常にシンプルな図で分かりやすくしてみました。
	イメージをつかんでいただくために、ブリキの板がコンベアに流れてきて、ピストンが
	缶の蓋を作るだけなので、工程はかなり簡単です。
	このピストンと蓋のせいで、コンベア上に埃が溜まることがあります。この部分は、オペレーターが時々掃除する必要があります。
	そして、??? を実行すると、25,000 個の蓋を開けると、約 2 キログラム以上の錫の粉塵を集めることができることがわかりました。
	その時はラインを洗浄する必要がありました。つまり、25,000個の蓋（2kg以上）を製造した時点でラインを洗浄する必要がありました。
	清掃に生産時間がかかっており、生産時間が短縮されると、希望する蓋を生産できないため、お受けできません。つまり、納期が遅れる、あるいは納品できない可能性もあるということです。
	したがって、私たち全員がこの清掃を減らすことに関心を持っており、ラインで生成される錫の粉塵を減らすことができれば、清掃を減らすことができることがわかりました。
	それで、私たちが収集したとき、問題は非常に単純でした
	その
	データはキログラム単位でここにあります。
	写真の裏側が見えていることを思い出してください。これは、2万5000枚の蓋を掃除機で掃除して集めた埃です。当初、私のところに来た人たちは、埃の心配もしていませんでした。
	ただ見ているだけで、自分たちが抱えている問題を表現することができました。少なくとも、これが自分たちが抱えている問題だと理解できました。埃が多すぎる、これは埃が多すぎる、だから掃除しないといけない。だから、埃を減らさなければならない。
	25,000個の蓋を製造して1000キログラムの廃棄物を削減できたことが、このプロジェクトの成功基準でした。
	適切な人材を集めてワークショップのような場を設け、全員を一つの部屋に集めて「ここに問題がある」と伝えました。蓋を2万5000個開けると、2キログラム以上の粉塵が発生します。その理由は何でしょうか？
	そして、ブレインストーミングを行い、プロセスに注目し、プロセスに何が入り込み、何がプロセスから出ていくのかを検討しました。これらの変数のどれかが、最近見られるスズ粉塵の発生を説明できるでしょうか？
	最初のステップは変数を定義することでした。ご覧のとおり、チームが今回観測した錫粉塵の根本原因として想定したものの一部を黄色でマークしました。
	私たちは、ブリキ板が届くので、ブリキ板の厚さは、
	厚みのあるブリキ板が届いたり、
	それほど薄くない薄いシートが入ってきます。
	また、ピストンのコーティングがスズコートの原因である可能性もわかりました。
	コーティングを施した他のラインと比較すると、同じ規模では問題がないことがわかりました。
	また、ピストンの測定値を見ると、ピストンには 4 つの異なる測定値があり、それによってスズ粉塵の原因を説明できることがわかりました。
	これを試したことは一度もないので、これは紙の上だけのことなので、これが理由である可能性がありますが、調べてみましょう。
	昨年か一昨年、このような問題があったとき、
	通常のアプローチでは、様々な要素を試し、厚さを変えてコートに何か変化があるかどうかを確認します。しかし今回は、プロセスをスピードアップするために、すべての変数を1つの実験にまとめたいと思います。
	そこで私たちは実験計画法、つまりDOEを設定しました。
	時間の経過とともに、これを少しずつ変更して、私たちが持っている現実と、実験に使用できる割り当てられた生産時間を反映させる必要があります。
	実験の設定と変数の定義はそれほど難しい作業ではありませんでした。おそらく数時間かかったでしょう。DOEの設定も難しくなく、SAS JMPで行いました。しかし、DOEの実行は時間がかかり、非常に手間がかかりました。約1週間かかりました。
	そこで、機械を搬出する計画を立て、約5日間の試験運用を行いました。具体的には、ある設定で25,000個の蓋を製造し、その後、別の設定で25,000個の蓋を製造し、というように繰り返しました。
	そして、1週間後、結果を分析し、その結果に基づいて結論を導き出しました。
	お見せしましょう
	SAS JMP で実行した操作。
	数字を見ていただければお分かりいただけると思いますが、当初から大きな進歩を遂げていることがわかります。当初は、埃が多すぎて常に掃除が必要だという声をいただくだけでした。今では少なくとも、ある程度の数字、つまり実績が上がっています。
	ご覧の通り、錫の粉末があります。これが
	25,000 個の蓋を製造した後に錫の粉塵が発生し、また、ラインに入る材料の厚さの設定も異なります。
	ピストンの4種類の測定値がここにあります。コーティングの有無も確認できます。つまり、様々な種類のピストンを試していたということです。
	これは人々にとって非常に分かりやすいものです。搬入される材料の厚さが5.74、測定値が1.47の場合、どれだけの錫粉塵が発生するかが分かります。
	したがって、これは、当初私たちが持っていた作業セットの背後に実際に実際の数値があるのを見るだけから、大きな一歩です。
	ここで数字を集めるだけでも出発点から大きな進歩でしたが、その数字を使って説明できるかを確認するのが目的でした。
	入ってくる材料の厚さ、ピストンの 4 つの異なる寸法、ピストンがコーティングされているかどうかに基づいて、スズ粉塵の原因を特定します。
	SAS JMPのツールをいくつか使用していますが、ここでよく使用するツールの一つが適合モデルです。適合モデルは、回答と変数の間に何らかの関係があるかどうかを説明します。
	そしてここに応答があります。
	これが私たちの錫の粉です。
	ここにモデルがあるので、材料の厚さが効果を持つかどうかを確認したいと思います。
	10の塵、ピストンの測定、
	ピストンのコーティングが何らかの影響を与えるかどうか。
	ここでモデルを実行
	そして、さまざまな変数を組み合わせて、錫の粉塵に最も大きな影響を与えるものは何ですかと尋ねます。
	これが基本的に私たちが得た結果です。
	ここでp値を使って、これが意味を成すかどうかの指針を得ています。コートは低く、p値は、つまり、有意な差があるように見えます。
	コーティングと錫粉の関係。また、素材の厚さも影響すると考えています。
	スズ粉塵との関連性は不明であり、測定値3もスズ粉塵と何らかの関連性があると考えています。これはまた、測定値1、2、4はスズ粉塵に関して言えば重要ではないことを意味します。
	私たちは数字を一切使わずに作業を開始したことを思い出してください。そこで、P 値とそれがどのように役立つかについて話しました。
	そして、私たちにとってこれを解釈するのは実に簡単でした。そして人々は、有意とは、これは偶然ではないかもしれないということを意味しているのだと理解しました。
	そして、適切な人材を活用することで、彼らにとってもこれが理にかなっていることを検証することができ、コーティングはスズの粉塵に影響を及ぼす可能性があるようです。
	そして、技術スタッフは、確かに、コーティングが錫の粉塵に影響を与えるのは当然だ、なぜなら、他のラインでもこの現象を見てきたからだ、と言っていました。
	そして、厚さが検証され、測定3も意味をなすので、これが
	私たちにとっては良いガイドラインですが、コートが重要であることはわかりますが、私たちにとって重要なのはコーティングの有無でしょうか。
	そこでこれを拡張しました...
	ここでの適合モデルと
	プロファイラーでは、様々な変数が錫粉塵にどのような影響を与えるかを確認できます。左側に錫粉塵が見えます。
	ここに、工程で発生するシートの厚さ、測定3とコーティングの厚さが表示されています。測定3をオンにしてコーティングが必要かどうかをシミュレーションできます。
	このプロセスで得られる予想キログラム数はどれくらいでしょうか?
	ここでは0.0057と予測されています。信頼区間も示されていますが、これがプロセスから排出される錫粉塵の量だと予想できます。
	では、コーティングされていないピストンの場合はどうなるか見てみましょう。重要性が変わり、値が高くなることがわかります。
	そして、当初から、0.2 程度が状況を一変させるものであることはわかっていました。0.2 キログラムを超える錫の粉塵がある場合は、清掃する必要があるため、0.2 未満に抑えたいと考えていました。
	ここでさらに進んだこととして、材料の厚さを制御するのは非常に難しいことが分かっていたので、これが指定され、厚さ内にいくらかのばらつきが生じ、それを変更するのは非常に困難でした。
	そのため、厚さを柔軟に保つ必要があるという非常に堅牢なプロセスが必要でした。
	しかし、私たちが制御できるのは、測定 3 とコーティングです。
	そこでこのプロファイラーを拡張し、
	シミュレーターを使って厚さが変わったらどうなるかをシミュレーションする
	指定された標準偏差を持ちます。
	つまり、厚さは変わる可能性があるとわかっているということです。
	この材料の平均値は約5.595、標準偏差は0.058であることが分かっています。これは後で変更できます。測定値とコーティングを固定したいので、
	ピストンのコーティング。
	また、ターゲットが 0.2 より高くないこともわかっているので、ここにターゲットを追加できます。
	そしてシミュレーションを行うことができます。
	測定3は固定され、コートは固定されますが、厚さは時間の経過とともに変化します。
	次に、5,000枚のシートをプロセスに使用したい場合、どのような結果が期待できるかをシミュレーションします。
	錫の粉塵の中に？そしてシミュレーションしてみましょう。
	厚さ約5.6mmのブリキ板が届きました。測定値3は1で、コーティングを施せば非常に良好な結果が期待できます。ご覧の通り、赤い線が2です。
	申し訳ありません、0.2 です。また、欠陥率もわかります。つまり、0.1 を超える測定値の率は 0 になります。したがって、これは適切です。
	また、測定値3を1ではなく変更すると、
	ただし、2.5 までです。
	そして再びシミュレーション。
	私たちは
	わずかに高い
	錫の粉塵の量。それに加えて、
	ごめん、
	コーティングされていないピストンに交換して 5,000 枚のプレートを実行すると、応答が非常に悪くなることが予想されます。
	そして私たちはそれを見ました
	これらの変更を始める前の生産ラインでは、ピストンにコーティングが一切施されていませんでした。ですから、これは私たちにとって非常に新しい試みでした。スズ粉塵を抑制できるものを実際に確認でき、さらには私たち自身で制御できることに、非常に興奮しました。
	そこで、ここで行ったシミュレーションに基づいて、
	a
	2の測定3とコーティングされたピストン、
	つまり、シートの厚さのばらつきに対応できる非常に堅牢なプロセスが実現することになります。
	次に、この偏差が0.058ではなく、
	1.5.
	これは多すぎるので、サプライヤーと標準偏差を特定のレベルに保つという取り決めをしています。そうしないと、
	堅牢なプロセス。
	これは私たちにとって非常に良い写真であり、私たち全員にとって目から鱗が落ちるような出来事でした。しかも、費用はほとんどかかりませんでした。唯一かかったのは、5日間かけて行った実験です。
	ですから、これは私たちにとっては良いニュースでした。
	そして、5番目では、何を改善すべきかが分かり、ツールまたはピストンをコーティングし、測定値を 2.0 に調整する必要があると結論付けました。
	これは3.0あたりから発生していました。つまり、これは改善と言えるでしょう。これはプロファイラーから取得した非常にシンプルな画像です。
	予想された様々な変数とブリキコートの関係を示しています。そして、コントロールとして、
	工程を変えて、さらに2万5000個の蓋を製造し、比較してみます。これが私たちの基準値です。工程を変える前の袋の中に小さな埃が見えます。そして、2万5000個の蓋が
	変更後に 25,000 個の蓋を製造した後のスズ粉塵を調査したところ、ここではスズ粉塵は見られませんでした。
	これは私たちにとって非常に良い概念実証でした。SAS JMPを使った最初のプロジェクトの一つで、非常に良い概念実証でした。人々は問題解決にこの方法を本当に頼りにしていました。
	ここで学ぶのはデータの使用です。それは私たちにとって有益です。なぜなら、私たちは共通点を持ち、誰とでも共感できるものを持つことができるからです。
	私たちにとっては定量化するのが非常に難しいさまざまな意見がある代わりに、これを使用することで私たち全員にとって非常に役立ちました。
	そして適切な人材、技術者、
	ラインからの知識で、JMPのような統計ソフトウェアを使用できる人も設定方法を理解しています
	実験を行い、適合モデルや回帰モデルの作成方法などを理解します。そして、SAS JMPの活用は本当に強力です。Excelのようなツールがないため、このようなことは不可能でした。
	そして、彼らのような構造化されたプロセスを使用することで、私たちは非常に強力になります。これは私たちにとって非常に良い学習であり、その後、多くのプロジェクトでこれを実装して、非常に良い反応を得ています。

高度な統計モデリング基本的なデータ分析とモデリングコンテンツの編成品質およびプロセスエンジニアリング信頼性分析