在现代制造业中，稳定的品质控制对企业的竞争力至关重要。随着制造程序日渐复杂，仅靠传统方法已无法有效识别隐藏的品质问题。为解决这一挑战，先进的资料分析工具成为品质工程师的利器。
本篇文章将实际探讨一个产业案例—如何透过分析方法和工具解决复杂的品质问题，涵盖从初步资料探索到最终决策的全过程。
问题背景
某制造企业在生产制造过程中发现，两种关键原料（化合物1与化合物2）的品质波动较大，影响了产品的一致性与可靠度。初步分析显示，这种波动可能与原料供应商的生产制程差异有关。如何找出品质波动的根源，并制定相应的控制策略，是当前的核心问题。
为深入理解问题，该团队决定对资料进行多角度分析，包括以下4大层面：
- 控制图监控原料品质：评估是否存在特殊原因引发的波动。
- 供应商对比分析：识别不同供应商的制程差异及其影响。
- 过程能力评估：测量生产制程的稳定性和适配性。
- 多元统计分析：在多变数之间寻找潜在关联。
分析前检查常态分布
团队在分析资料前，意识到许多品质工具假设资料来源于常态分布。如果不符合此假设，则基于平均值和标准差的结果将不具意义。因此团队透过分布分析确认化合物1和化合物2资料均符合常态分布。
图一：检查常态性
控制图与制程稳定性
图二 : 控制图
团队使用控制图工具进一步分析品质问题。控制图透过上限（UCL）、中心线和下限（LCL）划定范围，用于区分普通变异和特殊变异。通常需要采取行动消除特殊变异，同时量化普通变异以确定制程能力。
在控制图中：
- 制程资料生成的点如果随机分布在控制限内，表明制程稳定（仅存在普通变异）。
- 若点落在控制限外，说明存在特殊变异。
结果显示：
- XBar图中所有点均在控制限内，且随机分布，表示制程稳定。
- R图中批次10超出控制限，显示出特殊变异。
制程能力指标
Cp衡量规格范围与制程分布宽度的比值，而Cpk进一步考虑了制程中心相对于规格限的位置。通常要求Cpk ≥ 1.33为最低标准。
- 化合物1 的控制图：所有点都落在管制界限内，点的分布随机，表明流程受控且稳定。但R 图显示批次10 超出管制界限，表明存在一些特殊原因变异。 Cpk 值为0.740，Cp 值为0.805，表明化合物1 不稳定且组内极差较大无法满足规格。
图三 : 化合物 1 的控制图及制程能力指标
- 化合物2 的控制图：XBar 图显示批次11 落在红色区域，表明流程不受控且不稳定。 R 图显示批次5 超出管制界限，表明存在一些特殊原因变异。 Cpk 值为1.005，Cp 值为1.154，表明化合物2 不稳定且无法满足规格。
图四 : 化合物2的控制图及制程能力指标
供应商分析
在发现两种化合物存在特殊工序变异后，团队将下一步集中在从供应商角度探索这些变异。将每个供应商的控制图并排展示，有助于透过图形直观地理解变异来源。
圖 5：按供应商分组的化合物 1 和化合物 2 控制图
从图5 中可以看出，结果显示，供应商A 的批次间变异比供应商B 更大，但供应商A 对于两种化合物都是稳定的，而供应商B 在化合物1 中表现出特殊原因变异
模型驱动的多元控制图（MDMVCC）
使用模型驱动的多元控制图可用于监控多个工序参数。这种控制图基于主成分或偏最小二乘模型构建，用于检测各维度独立监控时可能忽略的多维不稳定性。此外，使用者可互动式深入分析单个变数对整体信号的贡献。
圖 6：供应商 A 和 B 的模型驱动多元控制图
从图6 可以看出，供应商A 的T² 值在控制范围内，但供应商B 在批次9、10 和11 中表现出明显的不稳定性。
工序能力分析
工序能力分析评估工序相对于规格限制的表现。一条稳定的工序应始终在规格范围内生产产品。
圖 7：供应商 A 的化合物 1 和化合物 2 工序能力细节报告
圖 8：供应商 B 的化合物 1 和化合物 2 工序能力细节报告
图9:供应商A的化合物1和化合物2 Goal Plot和制程性能图
图10:供应商B的化合物1和化合物2 Goal Plot和制程性能图
观察结果：
- 供应商A 的两种化合物皆在规格内但制程能力不佳，且长期变异及短期变异无明显差异。
- 供应商B 的化合物2 在规格内但制程能力稍嫌不足，而化合物1 在规格内且制程能力较化合物2佳，但似乎长期变异和短期变异有明显不同。
分析后决策行动
在检测到原料中的特殊原因变异后，团队决定采取以下措施：
- 引入监控工具：建议供应商使用I&MR图和多变数控制图，持续监控原料品质和关键制程参数。
- 提高检测频率：增加原料品质分析频率；为解决现有检测方法过慢的问题，研发超高效液相色谱（UHPLC）方法，用于快速检测并降低资料瓶颈。
- 优化测量流程：改善现有测量程式，降低高测量偏差带来的误差风险，为后续制程自动化奠定基础。
- 目标导向改进：透过Goal plot评估整体制程稳定性和能力，确保所有改进措施都围绕核心品质目标展开。
小结
品质工程师的目标是实现卓越制造。持续识别并控制工序变异源，是品质部门的重要职责。透过在工序中内嵌品质控制，不仅提高灵活性，还确保产品和服务的需求得以满足。
特别说明一下，本案例应用了以下几个JMP主要功能，帮你透过数据分析辨识不同材料的变异性，包含但不限于：
- Distribution能直观地展示资料分布，以及多个品质与工序平台，
- Control Chart Builder可以帮助你直观理解变异来源
- MDMVCC多元控制图则可用于监控多个工序参数
- Process Capability平台分析了工序能力和稳定性，并利用Goal Plot和工序表现图将变异与能力结合，适用于需要监控大量工序的场景。
如果想要透过科学的统计分析和工具应用，该案例为复杂品质问题提供了系统性解决方案。在整个过程中，统计程序控制（SPC）和制程能力评估（Process Capability Analyze）起到了关键作用，帮助团队有效识别特殊原因波动并优化生产制程。
要实现卓越的制造品质，需要持续的制程优化和品质监控。透过构建稳定且具备高能力的生产流程，不仅能降低产品不合格率，还能显著提升企业的市场竞争力。
如果您也在寻找适合自己的品质管理解决方案，不妨点击以下连结获得更多学习资源：
