SPC数据分析案例-直指问题点

石头

说明下：下面实例它基本上包含了实际过程中SPC数据分析的所有思路和图形，如果按照提问者自己的思路去分析，5why可能工作量会很大，而且还不一定有结果。但通过数据分析后，直指问题发生之地，这样就锁定了问题发生的范围，可以减少很多时间并能很容易找到问题发生的原因。
案例：
现在接到任务需要计算一台压药片机的短期过程能力，定下的抽样计划为每次取80片（因为压药片机有71个膜腔，但不能分辨出药片是从哪个膜腔压出来的，因此取80片，希望能尽量覆盖每一个膜腔。），每隔一分钟取一次，取25组，然后进行称重。

因为计算过程能力的前提是数据符合正态分布，而且数据是处于受控状态，因此首先进行正态性分析，结果显示使用Anderson-Darling进行正态性分析的话，P<0.05；若使用Ryan-Joiner的话，P>0.1。根据书本，Ryan-Joiner检验被ISO和我国标准化委员会采纳为正态性检验的方法，因此认为数据是符合正态分布的；

接下来进行统计过程分析，由于子组数为80，因此选择使用Xbar-S chart。结果显示，Xbar图中有较多点超出上下限，而S图中则没有超界的点，因此分析压药片机的71个膜腔之间的差异不大，但膜腔每次压片之间的重量差异则较大，是处于失控的状态。

由于没有达到计算过程能力的前提条件，因此认为计算得出的Cp（1.75）和Cpk（1.58）意义不大。现在计划通过5why分析，希望可以找出导致膜腔每次压片之间的重量差异较大的原因，然后再计算过程能力。

由于心里没有底，所以希望各位高手指导一下，我这样的做法正确吗？或者怎样做会更加好？谢谢！！！

石头

1. 运行图（通过运行图，我们看下数据是不是独立的，有没有聚类现象）
说明：运行图可以排除数据的认为因素干扰，例如：混合P检验的是：取样的数据是否来自同一个过程（不同设备或调模等）； 聚类P检验的：数据是否独立（测量数据是否受到另一些数据的影响等）；趋势P检验的是：数据是否在收集的时候受到某些外界因素干扰（如人的主观性、测量设备的不准确性等）。
数据显示聚类性p等各类p值都>0.05，说明数据数据基本没有受到人为干扰，可以继续往下分析。

石头

2.查看时间序列图：看下数据有米有随时间变化的趋势
说明：通过时间序列图可以清晰的看到数据是否会随时间变化而变化。
这里看不到明显的趋势，但有越来越稳定的征兆。

石头

3、数据正态性检验
说明：任何数据在分析前，我们总是要找到其分布情况，否则我们就无法实施分析，而我们最习惯的就是正态分布。所以，一般我们是要做正态分析的。当然，如果能清晰看的是别的分布，那么也是可以的，不一定非得正态。
95%置信水平时，检验p=0.058很接近0.05.我们暂且默认数据符合正态。继续下面分析。

石头

4、控制图：数据符合正态，所以可以使用控制图来查看过程是否受控。
说明：因为数据符合正态，所以我们才能进行受控检验（如果直接使用控制图检验，而没有正态，这样的控制图是没有任何意义的）。控制图是检验：过程是否处于稳定状态，因为我们只有在数据稳定状态下才能进行过程能力分析，否则计算出来的Cpk是没有任何意义的。
溢出的点比较多，说明过程受控状态不好。

石头

5、我们再结合下图来说明并查找过程不稳定的地方：
直方图：通过直方图可以很快就发现哪些数据出现了问题，而且还能初步判断是什么原因引起的问题。
数据勉强是正态的，但是有几个异常数据（第四行），把数据拉高了。

石头

6、现在我们开始怀疑最高的点（第四行数据，）是异常 ，（控制图和直方图均可看出）
我们先把这个数据排除掉，看看会有什么结果。
同样：先看概率图：
发现删除第四行后的概率图p=0.286明显比我们刚的0.058要好的多。

石头

7、数据明显正态后，我们再看的控制图：
   第四组数据排除后，发现数据也明显稳定了。

石头

我们再看过程能力，发现Cp与Cpk是比较接近，且都是比较好的，这就说明影响此过程的原因主要在第四行数据， 我们这个时候需要做的只需要是去现场查看：第四行数据怎么了？ 而不需要利用5why去分析整个过程怎么了？ 这样就直接找到了问题根本点。

yuan7810

非常好的资料，谢谢分享