质量管理七大手法详解及其应用

质量管理七大手法详解及其应用虽然品管七大手法被日本人成功地应用在品管作业中,但七大手法并非日本人所发明(除了特性要因图外).日本人之主要供奉在于散播这些手法并且将应用在品管工作上。另外,品管七大手法并非只能应用在品管上,它们也可应用在其他领域中。事实上,有些手法当初并非为了品管工作才被提出。4.1质量管理七大手法质量管理七大法法是一些间易这图形方法,在品管作业中，它偿被用来当做是质量数据，数据之整理之显示，或者用做质量改善之工具，这些手法通常都不需复杂之计算，品管七大手法包含：管制图(controlcharts)检核表(checksheets)直方图(histograms)柏拉图(Paretodiagrams)特性要因图(causeandeffectdiagrams)散布图(scatterdiagrams)流程图(flowcharts)4.1.1检核表检核表是以一种简单的方法奖问题查检出来的表格或图,在收集数据时,我们可以设计一种简单的表格,将其有关项目和预定搜集的数据,依其使用目的,以很简单的符号填注,用以了解现将状,做分析或做核对点检之用,依此原则设计出的的表格或图,被称之为检表或称为查检表。在品管工作中,使用检核表的目的有下列几项:1.日常管理质量管制项目的点检、作业前的点检、设计安全、作业标准是否被遵守的点检。2.特别调查为了制程问题的原因调查、产品不良原因调查枵为了发现改善点所进行的点检。3.取得记录为了要制作报告所进行之数据收集和检核。检核表并没有一特定之格式,使用者可依问题之特性自行设计。设计检核表时须考虑下列原则:1.要能一眼看出整体形状,要简明,易填写,且记录之项目和方式为求简单。2.尽可能以符号代替复杂的文字。3.数据之履历要清楚。4.点检止要随时检讨,将必要的加进去,不必要的删除。5.点检之结果必须反应至现场有关单位。6.当检核表使用不同符号时,要在表中注明共所代表的意义。一般而言,检核表可分为点检用检核表及记录检核表,这两种核表说明如下:点检用检核表点检用检核表(见表4-1)为了要确认作业实施,机械设计实施情形,预防发生不良或事故.确保安全时使用,例如:机械定期保养检核表,不安全时所检核表等,这种检核表主要是调查作业过程之情形,可防止作业的遗漏或疏失。记录用检核表此种检表是将数据分这几个目别,以符号或数字记录的图或表,例如:在己分组的数字上打上记号以记录出现次数,或直接在产品,零件的图面上打记号所成的表。表4-2为记录用之检核表,表之上半部记录一些数据,包含产品名称,检验人员,时间,日期等。表中书记也可采用“正”字。此种检表一般也称之为计数表（tallysheet）。图4-1为一用于轴胎钢圈外观检查之检核表,此表是以缺点及瑕疵裂痕为研究对象。表中包含产品之简图,并在图上区分位置,其设计目的是要了解缺点是否集中于某一处,以便采取改善措施,此种检核表一般被称为位置图(locationplot)或缺点集中图(defectconcentrationplot)。表4-1点检用检核表三次元量床开机检核表次序项目状态次序项目状态1打开总电源开关7启动CMM源2开启空气压缩机8打开电主机3启动气阀9开启接口装置4开启空气干燥机10打开屏幕5启动变压器11启动打印机6启动稳压器12按下操作盒开关在此种检核表,也可使用不同之符号来代表各类缺点项目,这些附号必须在图上说明。4.1.2散布图散布图之使用大约始于1750-1800年,它又被称为X-YPlot或Crossplot.散布图通常是用来研究两变量间之相关性,它包含水平及垂直两轴,用以代表成对两变量之数据,若两变量间呈原因及结果之关系时,则在绘图时一般是将代表原因之变量(或称为自娈数,independenvariable)置于横轴,另外将代表结果之变量(或称应变量,independenvariable)置于Y轴(纵轴)。根据散布图上之点记的分布状态,两特性值间之关系可分为下列三种:表4-2记录检核表产品名称：轮圈位置：测试方法：检验员：样本大小：批号：日期：项目书记不合格点数素材生锈12切断行边41刻印不明3整形压伤5熔接段差7削边毛尖6冲孔毛尖2其他8总和84散布图在品管领域中可有下列应用:调查两特性值是之相关性在调查两个特性值之间是否相关时,散布图是一种很好的工具,因为可经由视觉直接解析判断其相关性,所以在品管中被广泛应用。判断异常值之存在与否一般而言,异常值多半因为作业失误,测量失误,转记失误等而发生,在制作散布图时,这些异常会偏离其他值甚多,因此很容易察觉出来。应用于问题解决步骤中在问题解决之过程中,散布图常被应用在「要因解析」上。当找出了某现象的发生的原因后,若特性及要因皆为计量值时,便可利用散布图来验证其是否为具有重大影响力之要因。其他除了上述3种主要应用外,散布图也可以用来检测数据是否存在超势(trend)或用于决定最佳操作范围等应用。散布图之制作包括下列步骤:1.先调查两组数据是否有关系,然后收集数据并整理到数据表上。2.在横轴及纵轴上,点上尺度,横轴愈向右,其值愈大,纵轴愈向上,其值愈大。3.反数据点到坐标上,当两个数据重复在同一位置时,点上一圆记号○,但三点数据重复在同一点上时,点上一个二重圆记号◎,当然,用户了可采用其他符号表示。【例】假设表材料的成份(%),Y表硬度,请依下表之数据绘制散布图.散布图数据编号XY编号XY编号XY编号XY10.81261.715112.319162.94820.91671.833122.530173.12331.21281.944132.540183.23041.42092.130142.825193.34051.525102.135152935203.4464.1.3直方图直方图是将数据分布的范围,划分为几个区间,将出现在各区间内的的数据之出现次数作成次数表,并将其以图(直方图)的形式表现出来。透过直方图,我们可以了解一组数据之下列几项特微。数据的分布形态(分配状态)数据的中心信置(集中超势)数据离散程度的大小(变异性)数据和规格之间的关系。直方图与条形图(bargraph)类似,但两者仍有下列不同点:在条形图中线条可为垂直或水平,而在直方图中线条为垂直状。在条形图中每一线条之宽度不具任何意义,而在直方图中,线条中宽度代表该类别所涵盖之范围。在品管作业中,通常会在下列情形使用到直方图:掌握数据之分布状态(分配状态)将数据之分配与预期之分配比较。调查离散或偏离的因在调查离散或偏离有原因时,也查使用到直方图。例如将工程之作业者、机械/设备、材料/配件、作业方法等之直方图加以比较,便可以知道离散之成因为何,也可掌握工程之良劣不齐程度、制品之不良状况等。与规格作比较、检视有无问题将规格界限标示在直方图中,便可了解不合格品之比例。由直方图也可判断出是否变异性或是平均值的问题。调查改善前后之效果在比较问题改善前和改善后的效果时,或是要了解质量平均值或变异性是否改变时,同样也可利用直方图来判断。直方图之制作包含下列步骤:步骤1:确立调查之目的在制作直方图时,必须先确认自己想利用直方图来获得那些讯息。例如:「调查产品之质量特性的分布情况」、「调查质量特性和规格值的关系」等等。步骤2:收集数据步骤3:求出的最大值班(L)和最小值(S)及全距(R)；全距R=L-S。步骤4:决定区间数50n在绘制直方图时,区间之数目会影中央委员到直方图之外观,一个简单的方法是利用下列公式计算区间数,区间数k=√,n为数据个数。例如:n=50时,k=√=7.071(取7)。另一个法则是取k个区间,满中2k-1≦n＜2k。50n步骤5:求出区间之宽幅(h),h=R/k 步骤6:决定区间之介限值(上下界限值)第一区间之下侧界限值=S-(测定单位)/2第二区间之上侧界限值=第一区间之下侧界限值+h设e=(S+hk)-L若e＞(h/2),则将第一区间下界限值设为(S-(测定单位)/2-e/2)步骤7:求出区间之中心值步骤8:制作次数表步骤9:计算数据之次数先确认该数据书记入那一个字段中,然后在“次数书记栏”上作记号。当数据全部书记完毕时，便将数据填入各区间之次数栏中，再合计是否和全部数据相等。步骤10:作图在图中填上横轴及纵轴,以完成的次表为基础,将第一区至最后一个区间之次数作高度依序书上去。步骤11:记入数据之相关数据和必要事项在图中之空白处,记入数据之取得时间,数量和工程名称等。步骤12:进行查考查考的重在于直方图的特微。1.数据的分布情形。2.数据的中心信位置。3.数据的离散程度。4.数据和规格之关系。【例】假设一组数据之最大值为4.555,最小值为4.510,直方图之组取7,试计算第一区间之上下界限值。【解】全距R=L-S-4.555-4.510=0.045组宽度h=0.045/7-=0.00643→0.007e=(4.510+7×0.007)-4.555=0.004因此第一区间之下侧界限值=(4.510-0.001/2)-(0.004/2)=4.5.75第一区间之上侧界限值=4.5075+0.007=4.5145直方图可以显示数据之变化情形,观察直方图之外观可以协助找出数据中心之异常变化。一些常见直方图之表状和其造成之原因说明如下。1.型分配(Thebell-shapeddistribution)在直方图中,数据分布范围之中有一高峰,且整体图形接近对称。此种直方图显数据分配为(或接近)常态分配。2.双峰分配(Thedouble-peakeddistribution)在直方图中,数据分布范围之中央有一低谷(在中央的次比较少),而且两旁各有一高峰。此咱图形系混合两个钟型分配。可能之原因为数据来自两部不同这机器、两个(组)不同之操作员,、两个不同之班别、两种不同之原料、或两条不同生产线。编号缺点数132538410518615712810961043.高原型分配(Theplateaudistribution)各区间内的数字变经不大,且呈高原般的形状,没有显著之高峰和尾端,此种直方图代表数据自于多个钟型分配数据。一种可能之原因是无标准作业程序,作业员各行其事,造成极大变异。本书第13章中将会以此种图形说明不正常之作业。编号缺点数1325310445661271086941024.梳状分配(Thecombdistribution)在直方图中,次的高低起伏很不整齐,有点像牙齿不全或是齿梳型的形状,当区间之宽度并为测定单位的整数倍时,或是测定者在刻度上有特殊癖好时,会出现此种图形。编号缺点数1324354658677986951045.偏歪型分配(Theskeweddistribution)在此种直方图上,高峰并不是在数据分布范围之中央,某一侧之尾巴很快结束,但另一侧侧则有相当长之尾巴。若分配之尾巴向右延伸,则称之为左偏(skewedright)分配,若分配之尾巴向左延伸,则称为左偏(skewedleft)分配。偏歪型分配通常发生在数据只有单边规格界限时,例如品之强度。编号缺点数1223344857667584931026.截断型分配(Thetruncateddistribution)在直方图上,高峰发生在(或靠近)数据分布边缘。截断型直方图之发生是将某些数据自钟型分配数据中移去,例如:实施100%全检,将不合格品之数据剔除。编号缺点数162835445362718291100.27.离鸟型分配(Theisolatedpeakeddistribution)在直方图上出现两个高度相差甚多之高峰,较低之高峰附近之数据可能来自于某一特别之机器、制造程序或作业员,代表制程之异常原因。中果较低高峰之旁峰为一截断型分配,则代表在和筛选过程中,未将不合格品完全剔除,其他可能之原因为量测误差或抄写数据时产生之错误,另外,当数据存在测定误差时也可能会出现此种直方图。编号缺点数1121.532.543.55564738190100.58.边缘突出型分配(Theedge-peakeddistribution)在平滑分配的边缘出现一突出之高峰,此种机情形通常为数据记录错误所造成。编号缺点数1121.532.543.55564738291104.5表一：管制图号:XRRTEF001期间:4/15~4/20浊定人员:李四产品编号:L30-00931-001-C管制特性:定位点到定位点测定单位:LNCH规格上限:3.980中心值:3.975规格下限:3.970制程:切板RT机器编号:操作人员:张三组数日期料号测定值平均值全距备注Ｘ１Ｘ２Ｘ３Ｘ４Ｘ５ＸＲ14/15L30-00931-0013.97513.97753.97533.9753.97783.97610.002824/15L30-00931-0013.97723.9763.97383.97343.97663.97540.003834/15L30-00931-0013.97513.97623..97793.97713.97743.97660.002844/16L30-00931-0013.97703.97513.97523.97473.97663.97550.002354/16L30-00931-0013.97403.97723.97663.97713.77283.77620.004464/17L30-00931-0013.97453.97133.97763.9743.97913.97530.007874/17L30-00931-0013.97633.97993.97413.97453.97883.97690.005884/17L30-00931-0013.97663.97213.97293.97543.97473.97430.004594/17L30-00931-0013.97113.97643.97683.97673.97703.97560.0059104/17L30-00931-0013.97523.97683.97793.97633.97413.97600.0038114/17L30-00931-0013.97703.97653.97513.97543.97463.97570.0024124/17L30-00931-0013.97313.97253.9743.97453.97003.97280.0045134/17L30-00931-0013.97023.97713.97493.97523.97663.97640.0033144/19L30-00931-0013.97813.97853.9793.97633.97713.97780.0027154/19L30-00931-0013.97973.9723.97573.98013.97923.97730.0081164/20L30-00931-0013.98013.98033.98093.97513.97623.97850.0058174/20L30-00931-0013.97803.97663.98023.98023.97513.97840.0069184/20L30-00931-0013.97663.9763.98153.97673.97793.97770.0055194/20L30-00931-0013.97513.9782397803.97623.97663.97680.0031204/20L30-00931-0013.98013.98113.98023.98253.98113.98100.002421k=20CLx=3.97653.97650.004422n=5CLx=0.0044δ=0.0008523A2=0.58UCLx=X+A2R=3.9765+0.58×0.0044=3.97913.980-3.97653.980-3.97650.58×0.00443.9765-3.9700.58×0.0044Cpk=24D4=2.12UCLx=X-A2R=3.9765-0.58×0.0044=3.973025D3=0.00UCLR=D4R=2.12×0.0044=0.0093=MIN(1.37,2.55)LCLR=D3R=0.0平均=1.37#组别组界组限中值划记次数13.96756~3.970053.9688~3.97003.9794123.97005~3.971353.9701~3.97133.970723.3.97135~3.972653.9714~3.97263.972343.97265~3.973953.9727~3.97393.9733553.97395~3.97553.9740~3.97523.97462363.97525~3.976553.9753~3.97653.97591473.97655~.3.977853.9766~3.97783.97722583.97785~3.979153.9779~3.97913.97851193.97915~3.980453.9792~3.98043.979810103.98045~3.981753.9805~3.98173.98114113.98175~3.983053.9818~3.98303.98242计100数据缺点数3.9687513.9713523.9739533.9765553.80845103.930573.97005123.9726563.9752553.9778533.981751在品管这应用上,我们也可在直方图上标示出产品之规格界限,用来显示产品质量符合规格之能力。4.1.4柏拉多图柏拉多舋(Paretodiagrams)是由意大利经济学VilfredoPareto所提出之图形分析法,最初是用在分析财富之分布上,其目的是说明少部分的人才(20%)占有大部份财富(80%)。柏拉多认为只要控制那些少数人,可以控制该社会的财富,此称为伯拉多原理。在1960年代,品管学者Juran将柏拉多图导入品管工作中,做为分析属性或计数之质量数据上。柏拉多图为一通用之工具,亦可要其他领域中,例如:在存货管理上,它被称为ABC分析。质量改善活动中,柏拉多图通常用来区分造成质量问题之少数重要(vitalfew)原因,及多数不重要的(trivialmany)之原因。若质量改善着重于间题之主要原因上,则通常在短期内可得较显著之改进。图4-2为一典型之柏拉多图,横轴代表问题之类别,纵轴表每一类问题发生之次数,为突出各项问题之重要性,横轴之项目通常依纵轴所代有之意义,由大至少,由左而右排列,在图4-2中,A、B两类问题发生之次数较多,因此可归娄为少数重要之问题,其他则称为多数不重要之问题。在柏拉图是,右纵轴亦可加入累积百分比,以使问题之表示更为清晰。例如在图4-2之范例中,A、B两项问题约占全体缺点总数之80%.数据缺点数累计比率A14050B12070C6080D4090E3095其他30100一个制作完善之柏拉图,可以提供下列讯息:1.了解那些项目属于重要问题.2.一眼就明白事恨的大小顺序.3.知道每一项目在整体中所占的比例.4.可以预测减少某一项目之后整体效益.5.可以知道改善之效果如何.6.可以知道改善前后不良内容及缺点内容之变化.柏拉多图的制作包括下列步骤:坐标之取法纵轴---不合格率、故障次数、损失金额或炎害件数(见表4-3)横轴---代表材料总别、机器总别、缺点总别或加工方法等.收数数据数据项目示例品质兴事格品数、修改数、缺点数、异议件数、失误件数、不完备件数、设计变更件数、退件数、不合格率、保留数、特别采用件数等。时间停止(休止)时间、修改时间、安排程序时间、故障修理时间、等待受理时间、异常处理时间等。交货期延迟件数、时交货率、未立即答复率等。生产量修改件数、退回件数等。安全灾害件数、意外事故件、数严重率、次数比率、职业伤害件数等。成本损失金额、浪费的使用量(水、电力、燃没消耗品材料)分类项目决定以后,接下来是搜集数数据数据,一组好的数据资褂必须要掌握正确的事实,而且必须具有代表性。3.整理数据数据(1)依搜集项目数据的大小顺序排列.(2)计算累积数和累积百分比.(3)将出现次数烽的项目整理成「其他」。柏拉多图中分类目一般采用5至10,其余的全部归类为其他项。4.柏拉多图之制成(1)依横轴之项目别,绘制直方图,其高度为纵轴变数之数值.(2)书出累积百分率曲线.(3)为使于查寻,可在图中主记录重要数据,便如分类名称、数据调查数据的时间、数据的合计、工程名称、工作条件、制作日期、制作者姓名待必要事项。在柏拉多图中找出重要的少数,其原则则是在20%-30%项目中,占累积和的70%-80%。若不能找出重要的少数则应采取别的分类法。在绘制柏拉多图时应注意下列事项:1.依问题之特性,柏拉多图之左纵轴可定义为发生次数或成本。若每一缺点项目所造成之损失不同,则纵轴最好以金额表示较为妥善。2.当分类项目很多时,通常将若干次数少或成本低之项目合拼为其他项目,置于图之最右端。有些学者仍建议将横轴之各项目由大至小排列,其他项目不一定位于最右端。3.如果柏拉图多图最被当作比较用途(便如改善前后之比较),则纵轴最好是用次数而非比率值,因为有时次数己降低,但各分类之比率值无太大变化。「例」表4-4为某品牌汽车检验之检核表,试制作柏拉图多图,并指出少数重要的不良项目。表4-4汽车检验之检核表现象/部位车头斜板鸟嘴左侧车身右侧车身其他小计斑点10漆太薄22流漆11底漆(凹凸)6底漆(流漆)2刮伤1灰尘95碰撞62磨光的痕迹1小计210「解」根据检核表,我们可以计算不良项目累积数及累积比率。由于有数项发生次数较少,因此合拼于其他项目下,其结果如表4-5所示。表4-5汽车检验之缺点累积比率编号不良项目缺点数累积数累积比率(%)1灰尘959545.232碰撞6215774.763涂太薄2217985.234流漆1119090.475斑点1020095.236底漆(凹凸)(6)7底漆(流漆)(1)8刮伤(2)9磨光的痕迹(1)No.6-9其他10210100合计210210100%图4-3完成图图4-3为完成之柏拉图,我们可发现「灰尘」和「碰撞」两项的累计约为75%,因此这两可视为重要的少数。4.1.5特性要因图特性要因图(cause-and-effectdiagram)为一问题分析工具,用以辨认造成某一特定问题之所有可能原因。测试所有可能原因为一费时且困难之工作,利用特性要因图可以去除不重要原因而专注于最有可能之原因上。在问题解决之步骤上,我们通常先使用柏拉图用以节除不重要之因素,柏拉图只能帮助分析者找出少数重要之问题,但不能指出造成问题之原因,若要研究造成问题之原因则必须进行特性要因分析,而特性要因图可对问做更精细之研究分析。特性要因图为石川馨博士(Ishikawa)于1943年所发展出来,因此又称Ishikawadiagram。由于此图之结构类似于鱼骨图(fishbonediagram)。而由于此图是用来研究造成一某问题之可能原因,因此一般称为特性要因图。特性要因图可视为一脑力激荡(brainstorming)之工具。其基本构成因素为符号及线,用以表示原因和结果间之关系。特性要因图是一个多用途且极为有效之分析工作,在问题预防或解决问题之过程中,特性要因分析具有下列3项优点:1.对于一个特定之问题,特性要因图可以提供一个开放讨论(opendiacussion)之架构。2.特性要因图可以使我们集中注意力于发掘造成问题之原因,使这些原因显示出来并易于令人了解.3.特性要因分析可鼓励各阶层之员工参与问题之解决,并且使得在同一组人员中得到更好之沟通。项目示例品质外观、尺寸、重量纯度、不合格件数、异议件数、不合格率等数量、交货期工作率(运转率)、生产量、出货量、交化延期日数、准时交货率等成本材料费、加工费、人工费、加班时间、销售额、赔偿金额等士气出动率、参加率、提案件数、改善件数等安全灾害率、意外事件数、职业伤害件数、无意外时间等在特性要因分析中,特性是指工作的结果,或是工程产生的结果,表4-6中列举一些范例,要因是指对对结果(特性)造成影响,而被举出来的原因,在制造过程中,质量特性之变异通常起因于4M的差别:作业人员(manpower);机器设备(machinery);材料(material);作业方法规(method),因此在骨的要因通常采用4M检讨,但是也不必拘泥于此。特性要因图之制作一般包括下列步骤:步骤1:决定特性特性是现况中的重要问题。用文句表现特性时,最好以一看就知道“不好”的形式,比较容易发现要因。步骤2:填入要因的背骨将特性(问题之描述)写在右端并加外框,然后加一条由左至右的粗箭号线条(背骨)。材材料Materials设备Machinery作业员Manpower方法Methods问题描述步骤3:填入要因大骨将可能影响特性的要因分类,然后从背骨的左斜方加条大骨,并且在骨前端的□内填入相关要因,大骨一般分成4至8根。步骤4:集体思考后填入次要因针对某一主要因作集体思考,追究为什么、什么原因(要因),然后填入次要因。步骤5:检核是否遗漏要因填完主要因,次要因后,整理检视一下,看看是否所有被列为可能要因(原因)都填入,如有遗漏立即添加。步骤6:找出重要影响度的原因从许许多多的要因中,决定出对结果(特性)影响较大的重要要因用圆圈圈起加红圈方便辨识。步骤7:验证掌握事实,验证所选出的要因是否是真正的原因。步骤8:填入必要事项将标题、产品名称(商品名)、工程(制程)名称、制作单位、制作小组、参加人员等资料,填上空白的地方。特性要因图依其应用之不同分为三大类:问题原因之列举(causeenumeration),散布分析(dispersionanalysis)及制程分析(processanalysis)。问题原因列举最接近于脑力激荡,此为一种自由思考之方式用以发掘造成问题之所有可能原因。此种方式之优点是所有可能原因均可被列举出,而其主要缺点是绘制不易。第三种特性要因图称为散布分析,此种方式极类似于原因之列举.所不同的是在散布分析中,问原因先区分为组,而所有之思考都集中在此类原因上,当此类原因都被列举后现进行另一组原因.而在原因列举中,所有可能原因之列举为一随机次序,最后一种特性要因图称为制程分析,此种方式是是先将制造程序列出,再将有关每一制程之原因时可考虑人力、方法、材料用机器。此种分析方式由于考虑制造之顺序,因此较易了解,其缺点是当某一原因不属于任一