管制圖要有效的五個重要觀念

一、連結管制圖與企業的關鍵績效

套用精實生產的觀念，沒有效用的 SPC 管制是一種浪費。有效的管制圖要能幫助企業達到關鍵績效指標。

譬如，產品製造流程的會有一到多個管制圖以監控製程的能力和品質，這些個別製程的管制圖要能防堵或控制產品低良率的情況及影響，或是有效的預防或偵測其它的失效模式 (failure mode)，才是有效的管制圖。

連結管制圖與企業關鍵績效可以讓各個層面的相關人員了解他們負責的工作對公司整體績效的影響，及績效流程上彼此的關聯。這無形中較能激勵員工在相關任務的表現。

二、先了解製程特性及期望，再挑選合適的製程指標

在應用管制圖之前，務必先了解製程的特性。

製程特性可分為輸出特性及輸入特性。

大部分的製程可能會多個輸出及輸入的特性，但是在實務上，去監測及控制每個特性的可行性不高。因此，我們要先研究、了解：

1. 那些輸出特性對後續的製程、產品或其它的重要指標有關鍵性的影響，我們把這些輸出特性定義為該製程的關鍵輸出特性。
2. 那些輸入特性對關鍵的輸出特性有關鍵性的影響，我們把這些輸入特性定義為關鍵輸入特性。

雖然，輸出特性對後續結果有較直接的影響，一般企業通常也偏好只對製程的輸出特性做管制；但是我們若能利用輸入特性來預測輸出特性，那麼管制製程輸入特性，通常會更具有效益。因為：

1. 管制輸入特性是預防缺陷發生，而管制輸出特性只能做到損害管控。
2. 很多狀況，量測輸出特性會比量測輸入特性來得昂貴及耗時。

了解製程特性之後，我們也要了解企業對這個製程表現的期望。這一方面是製程管制要如何達到預期的效益，像如何將產品良率控制在 98% 以上；另一方面是管制成本跟效益的考量， 例如多增加的管制費用是否創造出更多回收效益。

納入企業對製程表現的期望之後，我們就可以務實的在關鍵的輸入特性及輸出特性中挑選一個或數個做為製程指標。

三、依據製程指標特性，用對管制圖及管制規則

運用管制圖來管理及改善製程變異，需先了解各類型的管制圖都有其適用的條件和限制。針對製程特性用對管制方法，是管制圖要有效的重要條件。

首先，我們要了解管制圖只有在偵測及改善特殊原因變異時才有效用，特殊原因變異是指，像異常材料用到產品製造、機台異常或條件漂移、或是製程參數錯誤。但是製程變異還包括隨機變異，或稱為一般原因變異，例如機台製造的精準度、量測工具的精準度，這類型的變異無法單純的用管制圖來改善，通常需要透過對製程系統的研究，了解系統的變異來源，或許還需要實驗來確認因果關係，以改善及控制系統變異的原因。

有些公司的利用管制圖來管制產品的規格，這是運用管制圖的一種嚴重錯誤。管制圖並非用來檢查產品的製造結果是否有在規格內，管制圖是用來偵測製程是否出現異常情況以進一步的調查。

其次，要區別計數型的製程指標跟計量型的製程指標，以應用正確的管制圖。

計量型的製程指標，像尺寸、溫度、電壓、電阻等，一般會假設這個指標的抽樣平均值會是常態分佈，管制圖是 Shewhart 管制圖中的 Xbar-R, Xbar-s 都是基於這樣的假設。大部分的製程都符合或接近這個假設，但是還是小心的確認自己負責的製程是偏離這種假設太遠。

計數型的製程指標，例如良率或缺陷率，是計算個數轉換而來，例如 100 個中有 5 個是不合格或每 10 平方公分有 2 個缺陷，所以符合這種型態的分佈是離散型的分佈。例如，良率可以假設為二項式分佈，應用 p-chart 或 np-chart 來做為良率的管制圖；而在低缺陷率時可以假設為 Poisson 分佈而應用 u-chart 或 c-chart。

上述的計量型管制或計數型管圖，通稱為 Shewhart 管制圖。Shewhart 管制圖只採用最近一次的抽樣數據做判斷而乎略了之前的抽樣結果。這造成了 Shewhart 管制圖比較沒有能力依靠管制界限來偵測比較小的製程偏移。僅管我們可以在 Shewhart 管制圖再加入其它的管制規則來增加它偵測小偏移的能力。但是這樣的做法同時也在增加管制圖假警報的機率。

管制圖的使用者如果要增加管制圖偵測小位移的能力而不增加假警報的機率，可以使用 cusum 管制圖 或 EWMA 管制。

另外，若是複雜的製程或多機台生產的製程，很容易產生多個分佈模態。這種多模態的狀況，不適合未經處理就直接套用管制圖。如果不能去除這種多模態的現象，那麼要適當的運用數據分析及模型來處理這個問題。

四、安排適當的抽樣計劃及合理分群

抽樣計劃包含抽樣頻率及樣本大小。抽樣頻率需要考慮製程穩定度，如果製程容易受到影響而變動，會需要比較高的抽樣頻率。樣本大小會影響管制圖偵測異常的能力，越大的樣本數會有越好的偵測能力，但是決定樣本數最好平衡偵測能力的需求以及抽樣成本。過大的樣本數除增加抽樣成本外，也會使得管制圖過度敏感，增長假警報的機率。此外，抽樣的樣本結果也要確認是否能代表母體分佈。

合理分群是指在取得分群 (subgroup) 的樣品時，其抽樣要符合下列原則：若有特殊原因變異存在，特殊原因所造成的差異應該儘量在不同的分群 (between subgroup) 之間顯現出來，同時儘量避免讓這個特殊原因造成的變異混入分群內 (within subgroup)。

抽樣計劃和合理分群在於確保分群內的變異足以代表系統變異或一般原因變異，而當製程發生特殊原因變異時，分群間的抽樣能夠及時偵測到。

五、區分穩定製程與不穩定製程

如果管制指標為某一種型態的隨機分佈，例如常態分佈或二項式分佈，這代表製程指標會保持一致的平均值及變異數，並且每一次的抽樣不受之前抽樣的結果影響(代表樣本間的獨立性)，這樣的製程數據會呈現穩定且無相關 (stationary and uncorrelated)的型態。Shewhart 管制圖可以很有效的應用到這種型態的製程數據。

另一種製程數據的型態稱之為穩定自相關 (stationary and autocorrelated)。這種型態的數據仍會維持在一致的平均值及變異數，但是抽樣數據會受之前的抽樣結果影響，也就是抽樣數據間彼此相關。在這種情況下，Shewhart 管制圖需要做一些修正才能產生好的管制效果，自相關的製程數據直接應用到 Shewhart 管制圖會大幅增加假警報的機率。

相對於穩定製程，不穩定製程是指，製程的平均值或變異並非保持一致。製程處於這種狀態下，要先研究是否經常出現特殊原因的變異，若是這個狀況，要先改善這些特殊原因的變異，再分析製程是否為穩定，然後依據製程數據彼此間是無相關或自相關來擬定管制方法。

如果不穩定製程的原因是製程的特性的一部分，我們可以應用 engineering process control (EPC) ，像回饋控制，來控制製程結果。如果能夠找出適當的製程控制機制加以運用，製程的結果會回到穩定狀態。

至於如何區分這三種不同的製程數據型態，我會在另外一篇文章中探討。

管制圖如果運用得當，可以用較低的成本但有效的幫助企業提升製程的績效，製程的績效最終會反應至企業的競爭力。即使在人工智慧及工業4.0的浪潮上，企業也必須檢視公司內部是否已充分的運用包含管制圖在內的各種統計管制的工具，並且產生效果。

如果公司有流程、製程需要管理改善，那麼不要忽略管制圖；如果管制圖沒有產生效果，檢視一下上述的五個重要觀點，看看哪些環節沒有落實？