彩电|数字工厂SPC之成败( 二 ) 大屏|海信|小米科技

02Two
困惑二
有导入SPC统计报表，每天都会请产线人员、QC人员或IPQC人员手动输入SPC量测数值，但是看起来都有在规格内或是正负三倍标准差内？并没有甚么用处？还不如请QC每天走来走去巡检开产线异常单。
反思：当然没有用处，产线人员每天检验抽查都来不及了，还要手动输入 SPC表单，常常整天做完现场检测后，再拿着纸本将量测数值手动输入电脑，这时候产品就算有超出规格或正负三倍标准差，也已经流到后面工序点很难追溯了。或是制造有要求各过程检测工序每次检测完就要手动输入，但是现场一急又造成很多人工输入错误，异常误判状况，产品真实问题更难体现。
所以，若要减少人员变异造成的SPC不及时或错误，过程管理者应该先将制造流程画出来（或是利用Control Plan/QC flow chart），重新盘点各过程工序点的产品检验工位的量测机台或量具，是否可以直接量测数值后，利用IOT方式，直接将现场量测数据自动连结抛转到on line SPC chart上面，并连结异常管控流程，出现异常及时通报过程工程师或是设备工程师去现场确认问题、原因，并纪录之，方能达到利用数据持续改善的目的。
若是现场真的无法自动串连数据，过程品保改善成员也须协助现场人员想办法防呆输入错误问题与及时问题的解决，并需要协助规划异常处理流程，考量现场可方便执行性与正确性。
03Three
困惑三
有建立SPC系统， On line SPC即时性虽然够，但是一上线出现一大堆的失败异常通知信如雪片般飞来，根本来不及处理厘清异常原因，或是抽几批即时处理后发现该产品没有问题又放行了，所以后来就不相信SPC了。
反思：
1.SPC 8个检验规则是否合理运用？
SPC刚上线时，建议管控者先开启一个规则（OOC: Out of Control limit）即可，因为SPC是希望能在没有不良品出现时，及时预警异常发生，也就是缩小当工序过程变异（人、机、料、法、环影响）为目的，所以若一开始就开启所有规则或多个规则，会无法厘清变异原因，反而造成工程师疲于奔命，无法聚焦问题解决，因为”变异”不是一天、一个月就能解决，需要分层、分类去解决才能有效解决问题，找出原因。当OOC不会再出现后，再开启其他规则，继续管控更多的共同变异原因。这样逐步才能让当工序的过程能力持续改善，并稳健提升。
2.SPC使用人员是否能进行数据分析与分层分析？
一开始上线的On line SPC ，通常会出现异常红点一堆，这实属正常，这时SPC管控人员须要先知会管理层要有耐心，习惯看到变异，先不要马上要求在一个月内全部正常，若是真的这样做，那SPC可能就会失真或是真正变异又被隐藏。再来， SPC管控人员需要去解析当工序SPC chart ，利用班别、机台别、人员、批次、材料厂商批料号去层层解析可能造成的变异原因，才能提出更有效的改善方案，进而降低变异产生，当变异都能管控时，要往智慧制造的道路也不远矣。
04Four
困惑四
我们工厂是少量多品种生产，所以每张SPC chart的规格会一直变，每个产品能搜集到的数据也很少？不太适用？
反思：
其实SPC chart不是只有一般听到的Xbar R chart 、Xbar S chart ， P chart ，针对少量多品种产品，规格变动频繁的产线，可以利用short Run SPC chart即能解决此问题，能在同一个过程工序点，不同产品规格放在同一张SPC chart上，利用先将各种规格标准化后，即可看出当工序过程的过程能力。
这只是举例，可以依据各种状况下，找出适合的SPC chart ，进行过程监控，等到能完全掌控变异后，因为数据都能在系统中，就可以进一步往异常原因与解决方案知识管理后的预测模型发展，可以做到持续改善的进阶版，做到真正AI智能制造的质量管控。
【彩电|数字工厂SPC之成败】