品管專欄

Quality Control Column

2023年以後大數據對SPC的影響與促進

這幾年工業4.0與大數據對製造業的影響與應用越來越多也愈發深入,對工廠品管來說,影響的具體項目以筆者的經驗舉幾個應用例子來說
1、某站(通常是IQC or OQC)AOI全檢,針對全廠其他製程檢驗都是用SPC來看該如何應用,這類應用有幾個特色 :

A.通常此站資料量很大,比如說其他站是每批抽五個,此站全檢(每批25000 每天生產10批 意思就是250000Pcs/天),一個月乃至一年資料量巨大。
因為是全檢,故SPC統計理論不太適用,但以全廠品質來看又需要一起整理,但效率不彰且容易干擾。

B.客戶除了想看Raw data 外,還要看趨勢如每批Max,Min, Avg,PPK,Sigma…..。但實際上真實要看的並非Raw data(經過這幾年多家客戶實證,真實要看的是異常發生批的Raw Data 才需要分析。

C.抓到異常的管制項目,想知道是那些製程參數出了問題,即P🡪Q。
這些在筆者的實際輔導生涯中,已經有標準解法也有相關工具可應用解決這些問題。

如 : 全檢的各批,如只需要做檢驗分析則使用SPC中之先導性Raw Data 處理成每批PPK,MAX,MIN,AVG…篩選,再以上述做Trend Chart,跟其他站別的抽檢資料也可以結合。如果需要看Raw Data 分布只要單獨抓某批原始資料再作分析即可(通常是有異常的數據分布)。

若想要做製程參數分析就必須先收集該檢驗站之前的製程站與其最有相關的參數(這些參數可用科學工程方法偵測相關性並將相關性最高的項目集群分析)。
集群之後就可不斷收集相關資料並驗證這些相關P&Q的關係並用數學模型分析進而預測P-🡪Q的工程模型是否可作P製程最佳組合參數達到品質與產量兩全其美的最佳組合。這些已經有案例可做到,如果有興趣的人可以留下聯絡資訊另外約時間討論。

 
2、已經有製程參數(多個)與檢驗結果,也有大致上的相關性可了解,現在已經有自動機台可輸出多個製程參數也有自動機台可收集品質結果,客戶要求要精益求精,但不知如何做最好。舉例來說,台X電要求供應商的規格鍍膜厚度在100-110um 之間(一般鍍膜THICK合格品是80-140,但TSXC給的利潤是一般兩倍),該司製作10000個只有1500個是在100-110之間,台X電要7000個,其他廠商總共只要3000個。到底要不要生產呢? 生產的話會有很多滯銷品,不生產的話有利潤的單子就不見了。

解法 : 利用AIQ系統,將P參數與Q結果關連與數學模型建立,並收集一段時間的真實數據驗證並調整數學模型,此AI數學模型可以自我修正,隨著數據的增加可以用神經網路與人工智慧模型自我成長,建立合適的數學模型之後,系統可建議該用那些P的組合才可產出100-110之間規格的最大數量的產品。如此就可以得到最佳解,而這樣的科學數據是可以複製且可以持續利用的。

 
大家可以想想,有那些可能的應用需求是我們在工廠大數據應用上可以精進的,剛剛兩個例子僅僅是拋磚引玉,2023年每季都有AIQ的免費線上研討會,如果大家有興趣可以報名參加,並留下問題一起討論與進步 !

   
error: Content is protected !!
Scroll to Top