SPC 概述Statistical Process ControlSPC Introduction统计性统计管理(SPC = Statistical Process Control)란 ?Statistical ...•统计性方法是用Sampling的Data Monitoring 、分析Process 变动时使用。
Process ...•反复性的事情或者阶段(SIPOC : Supplier → Input → Process → Output → Customer)Control ...• Process正在变化的事实早期警报。
警报是指最终Output出来之前纠正问题，能够具有充分的时间(管理图 : 随着时间工程散布的变化)SPC –对某个 Process掌握品质规格和工程能力状态, 利用统计性资料和分析技法, 在所愿的状态下一直能管理下去的技法。
2SPC 的发展历史SPC 的特征：控制过程，防患于未然。
重点在于预防•電視機彩色密度投机•美國：無不合規格產品出廠，注意力在符合規格•日本： 0.3% 超出產品規格，致力於命中目標製程- 產品-顧客產品(Output)Measurement製程(過程)(Process)展開特性 特徵顧客滿意ManMachine Material Method Environmental4M1E製程，程序影響工作結果之所有原因的集合,亦即為達成工作 結果之製造過程中所有活動的集合管制，控制確保達到要求標準,必要時採取矯正行動何謂製程管制 (程序控制)工作 結果原材料 方法 環境機器 人員原因 手段特性 目的SPC 即。
.自製程中蒐集資料，加以統計分析，並從分析中發覺異常原因，採取改正行動，使製程恢復正常，保持穩定，並持續不斷提昇製程能力的方法。
SPC 即。
.製程 資料異常 穩定製程 製程能力好能力的製程 製程改善製程解析及管制收集資料 統計分析 採取措施 製程能力分析持續改善SPC 的目的維持正常的製程 (在统计的控制之下)事先做好應該做的 (標準，系統) – ex ：检测，機台操作程序製程異常發生能偵測出，並除去之，防止其再發能力要足 (有能力的程序)能力指標提昇能力–持續改善 (廣義)SPC 管理Tool的优点•Process由于偶然原因(White Noise = Common Cause Variation)和异常原因(Black Noise = Special Cause Variation)受影响一直变化。
•偶然原因和异常原因是取适当的Subgroup的Sample，可以看到变动。
- 由于偶然原因产生的变动， Process持续维持安定的状态 : 由于Subgroup内的变动发生 - 异常原因的变动是Process由于外部要因引起变动 :由于Subgroup之间的变发生。
• Process由于外部异常原因持续受到影响, SPC Chart是表示异常原因。
•偶然原因 : 从总体抽出Sample的散布出现类似的两向的原因•异常原因 : 从总体得到的Sample Data的散布出现跟平时不同现象的原因。
Ex) 管理PCB 铲平厚度..根据周围环境, 原材料 Lot间微小的物性变化, 作业者熟练度的要因等管理的特性值的散布 Lot别发生时，其称为存在偶然原因(一般为 Accept)在积层上不知道什么原因压力在特定Lot上比规定使用得多，如果发生了两个特性值的变化，把这称为异常原因.(要改善的事项)10SPC 的好處於公減少變異,提升產品品質降低報廢,增加良率縮短循环时间，提高產能增強製造技術能力提高市場競爭力穩定就有客戶,吸引新顧客於私提高品質觀念,跟的上潮流增強技術能力提升解決問題之能力熟悉統計方法,提高自己能力SPC 活動流程PROMIS / POSEIDON & SPCPRO 資料庫分析製程能力 Cp/Cpk抽樣量測 晶片並收 集資料當發生單點超出 spec 或計算值(平均值,全距…)違返 SPC rule判讀數據有無超出spec 或違返SPC rule分析out of spec 和 out of SPC 的次數 有無OCAP checking card 或flow?執行系統有通知工程師通知 工程師無依照OCAP checking card 或flow 的指示正確填寫 checking card 或在POSEIDON中選擇正確的 lot note candidate檢討系統OCAP 發生率及 執行率分析月報 在SPC 月會中被檢討什麼是 OCAPOCAP 是由控制行动计划的縮寫，中文稱為製程異常處理程序OCAP 是由製造部，製程, 設備一同來製定及檢討。
OCAP 須不斷的修訂，以符合生產線實際的需要。
變異种类：1.共同原因的變異2.特殊原因的變異製程能力分析 (程序能力分析)目的︰提升產品品質，降低成本，符合顧客出貨及品質要求。
至今为止 ,,,SpecLSLUSL我们合格Spec-in 就合格I am Data(我活着)Spec-out 不合格检出不良以后 ,,,SpecLSLUSL集中在中心 才合格散就死Spec-in 但没有达到水准 就不合格潜在的不良 事前预测呀 ! 有吃的 (不良)定義︰所謂製程能力是指製程的一致性 ?(一致性) 製程的變異性可用來衡量製程輸出的一致性。
精密对AccuracyX XX XXXX XXX X XXX XX X XX XXXX XXX X XX XXX Off-Target Unpredictabl e On-Target X X X X X X XX X X X XXOff-Target Unpredictabl eOn-Target TargetLSL USLTargetLSL USLTargetLSL USL1σ 2σ 3σ 4σ 5σ 6σ-6σ -5σ -4σ -3σ -2σ -1σ μ LSL USLTarget 製程能力指標何謂 Cp" 製程潛力" ︰所謂 Cp 值是指製程最大潛在能力，也就是製程在最佳狀況時的能力；若以公式表示Cp ＝(規格上限 - 規格下限)/6* 製程標準差 ＝ 6σLSLUSL何謂 k(Ca) ：即 "製程準確度" ， k 值越小表示製程平均與目標值的差距越小，也就是越準確的意思，若以公式表示k(Ca) ＝ (製程平均值-目標值)/(規格寬度的二分之一） ＝LSL)/2(USL T arget --μ 1σ 2σ 3σ 4σ 5σ 6σ-6σ -5σ -4σ -3σ -2σ -1σ μ LSL USLTarget μ何謂 Cpk"製程能力" ︰所謂 Cpk 值是指目前狀況下的製程能力；若以公式表示 Cpk ＝ = Cp*(1- |k|) ] 3 s μ , USL 最小[ - LSL - μ,μ去估計通常用表示製程平均值X 1σ 2σ 3σ 4σ 5σ 6σ-6σ -5σ -4σ -3σ -2σ -1σ μ LSL USLμTarget 3 年代μ工序能力的评价根据工序能力指数的大小一般可将加工分为五类： 1 Cp ＞ 1.672 1.67 ≥ Cp ＞ 1.333 1.33 ≥ Cp ＞ 14 1 ≥ Cp ＞ 0.67 三级加工5 Cp ≤ 0.671 Cp ＞ 1.67 特级加工x ●当质量特性服从正态分布，且分布中心与规格中心 Tm 重合时， T ＞ 10S，不合格率p ＜ 0.00006% 。
●工序能力过分充裕，有很大的贮备。
2 1.67 ≥ Cp ＞ 1.33 一级加工 ●当 时， 10S≥T ＞ 8S ，不合格品率 0.00006% ≤ p ＜ 0.006% 。
●对精密加工而言，工序能力适宜；对一般加工来说工序能力仍比较充裕，有一定贮备。
m T X3 1.33 ≥ Cp ＞ 1 二级加工●当时， 8S≥T ＞ 6S ，不合格品率 0.006% ≤ p ＜ 0.27% 。
●对一般加工而言，工序能力适宜。
m T X4 1 ≥ Cp ＞ 0.67 三级加工●当时， 6S≥T ＞ 4S ，不合格品率 0.27% ≤ p ＜ 4.55% 。
●工序能力不足，不合格品率较高。
m T X5 Cp ≤ 0.67 四级加工●当时， T ≤ 4S ，不合格品率 p ≥ 4.55% 。
●工序能力严重不足，产品质量水平很低，不合格品率高。
m T X加工分类 f(x) 1 级 1 级 2 级 2 级 3 级 3 级 4 级 4 级 特级 特级μTmT3=4σ T0=10 σ T1=8 σ T2=6 σHistogram特性要因度Pareto DiagramCheck Sheet 各种 Graph散点图(Scatter Diagram)分层(Stratification)• DATA 的分布(散布,平均)• Characteristic/Cause-and-Effect /Fishbone Diagram• 查找问题偏重的项目和其程度 →为了最大化改善效果选定重点改善(或者管理)项目• Pareto Diagram 等的 Back data• 两个变数间相关关系•按照 DATA 的特性要因度分成 几个部分• 分成主要散布的因子 找散布的原因后使用相对频度区间YMan MachineMaterialMethod◆◆◆◆ ◆◆◆ ◆◆Data100% 80%ⓐ ⓑ ⓒ ⓓ A B C D正正正◆◆ ◆ ◆◆◆ ◆ ◆ ◆. . . . . . . . . . . . . . .. . . . . . . .. . . . . . .直方图分析分析直方图的形状：分析直方图的形状可以判断总体正常或异常，进而寻找异常的原因分析时要着眼于形状的整体。
常见的图例如下：。
：对称型（常态型）精度、重量等特性值多数是对称型分布，这是观测值来自正态总体的必要条件。
b:偏向型一些有形位公差等要求的特性值是偏向型分布因加工习惯也可造成这样的分布，如孔加工往往偏小，轴外圆加工往往偏大，此情况不正常，应改进。
c.双峰型：观测值来自两个不同的总体会造成双峰型分布，如设备或操作者不同等，应把数据分层后重新作图分析。
d.锯齿型作直方图分组不当，观测数据不准确,次数分配表上分组不好，组的宽度不是数据整数倍时发生等原因都会造成锯齿型分布，应查明原因，采取措施，重新作图分析。
e.平顶型生产过程中有缓慢变化的因素在起作用，会造成平顶型分布，如刀具的磨损等，应采取措施，控制该因素稳定在良好的水平上。
f:孤岛型有测量错误或生产过程出现异常因素会造成孤岛型分布，应查明原因，采取措施。
直方图与规范界限比较以下为常见的图例。