SPC分析在特种气体行业的应用

袁淑筠

(广东华特气体股份有限公司，广东 佛山 528241)

0 引言

2016年10月，国际汽车工作组(IATF)发布了汽车行业质量管理体系标准IATF16949：2016[1]，新标准完全符合质量管理体系ISO9001：2015标准的要求，并提出了适用于该行业的细节。IATF16949：2016的认证对象为汽车行业及其直接供应商，若半导体行业供货给汽车行业则适用于此标准，应按标准要求对其供应商(包括特种气体行业)进行管控。普遍认为，汽车行业标准比普通工业标准更为严苛。比起固定在工厂少有移动的设备，汽车得年复一年承受高频高强度的震动。加上汽车需上万零件间互相配合，即使仅仅差之毫厘，装不上就是装不上，含糊不得。同理，半导体行业面对微波、毫米波多品种、小批量、高性能的要求[2]，工序动辄几百步，最终成品率为每一工序的合格率的连乘积[3]。假设成品需经100步工序，每工序的合格率均为99.999%，成品合格率仅为99.999%100=99.9%，其中若有一工序的合格率为90%，成品合格率会骤降到89.9%。零件或工序越多，变差越容易累积，可见对每个工序细致把控不是吹毛求疵而是不得不如此。希望从第一步就不产生无用的输出，必须管理好供应商对SPC的应用。

SPC以20世纪20年代美国休哈特发明控制图为标志，是一种科学的数据分析指导实际问题解决的方法[4]。而SPC不但能把数据用曲线表示出来，展示其变化趋势，且能显示变差是由普通原因还是特殊原因引起的，仍在合格范围时发现生产过程有变差(尤其是特殊原因导致的)就及时修正，避免了更大偏差，降低了成本，保障了产品质量，也提高了生产效率。以前统计方法多用于零件而不是过程，而SPC研究变差和应用统计方法改进性能的基本概念适用于任何领域，包括车间和办公室[5]。应用SPC既有利于特种气体公司，也有利于顾客，更有利于特种气体生产和质量管理者个人水平的提高，是一个多赢的选择。因行业特性不同，若全套照搬整套IATF16949：2016的各种精细化要求到特种气体行业，难免水土不服，本文将从汽车行业和半导体行业的管理理念和行业特性出发，讲解如何用SPC对特种气体行业关键工序的数据进行分析。

1 管理理念

IATF16949：2016有五大核心工具：生产件批准程序(PPAP)，产品质量先期策划和控制计划(APQP)，潜在失效模式和后果分析(FMEA)，统计过程控制(SPC)和测量系统分析(MSA)。五大工具不是互相独立的，而是互相支持的，例如SPC使用前提是可靠的测量系统，故必须严格按照MSA参考手册[6]的要求执行。无论是设计阶段还是过程阶段，都必须以FMEA为基础指导全部工序的运行。可见特种气体行业想实现超纯、超净、超前的目标，仅为了交给顾客SPC而做“好”SPC是不可能的，理解IATF16949：2016科学的管理理念，全方位地应用才是大势所趋。

1.1 顾客满意与多方合作

特别强调应保证顾客满意，在不断减少质量变差和浪费的原则下，当顾客提出特殊要求时，需多方合作对特殊订单进行评审，提出可满足顾客的方案。每一环节都应考虑多方合作，小组对重要的事项或变更进行评估，通过后做好相应培训方可实施，且全过程形成受控文件备查。立项时应设立专项小组，组员包括多个部门的成员，最好有专家和顾客的参与。

1.2 缺陷预防

重点在于预防缺陷发生而不是找出缺陷(即探测)和纠正缺陷[5]。在确定小组，确定范围，确定顾客和得到管理者支持后，运用FMEA对每一个工序进行：1.识别潜在的失效模式；2.识别潜在后果；3.识别潜在要因；4.将严重度、发生率和探测度三者参数化识别和评估风险，识别出关键工序和特殊特性；5.提出建议措施和后果，意图在降低综合风险和失效模式发生的可能性[7]；6.定期更新FMEA，尤其是有客诉，或内部不符合项的提出时，都应检视FMEA是否需修改。

1.3 持续改进

每一环节都应按戴明循环P(Plan，策划)-D(Do,执行)-C(Check,检查)-A(Adjust,纠正)的思路执行。除了整体框架按P-D-C-A规划外，在各分阶段也应细化为P-D-C-A。总之，持续改进的理念——分析过程，保持或控制过程，改进过程——必须贯彻始终。

1.4 体系有效

顾客注重质量体系的有效性，主要体现在产品的可追溯性上，即能否在短时间内还原出产品制造出来的全过程，包括每个工序的时间地点操作者具体操作参数等。同时，产品标识和区域标识是否清晰，记录是否受控，防错措施是否有效，批次管理是否到位，人员责任是否明晰等都影响着产品的可追溯性，不容忽视。

2 难点与对策

2.1 单边公差

对控制图可依3个特征加以分析：一是其中心线(CL)，即总均值；二是分布宽度，即最大值和最小值间的距离，由极差(R)和标准差(σ)来衡量；三是形状，即对称或偏斜，和变差有关。汽车行业和半导体行业多采用双边公差，既有上规格限(USL)又有下规格限(LSL)，望目值(即目标值)为1/2(USL+LSL)。而特种气体行业对气体杂质进行测量，采用只有USL的单边公差，要求杂质越少越好，即取望小值。假设不同批次的产品控制图的形状和分布宽度是一样的，由表1可见其CL越接近望目值，则过程能力指数(Cpk)越大，评级越优，也代表制程越佳；在CL不等于望目值时，即使双边公差时按LSL=0计算，仍不等于相应的单边公差的Cpk，故特种气体行业不能套用取望目值或望大值时的方法。因此，SPC判异规则(OCAP)中关于“上升/下降”的描述应用到特种气体行业应改为“上升”。

其中，Cpk用来确定一个过程是否有能力满足顾客的需要，单边公差只有USL时它等于CPU(也写作Cpku)，只有LSL时等于CPL(也写作Cpkl)，双边公差则取两者最小值：

CPU=(USL-CL)/3σ

(1)

CPL=(CL-LSL)/3σ

(2)

表1 单双边公差对比

2.2 时间线

SPC改变了以前靠经验来调整生产的模式，该事后检验的模式之所以过时，一是造成的直接成本增加，周期过长，二是不易分清哪个环节出问题，是主因还是次因，三是耗费精力大效果差[4]。SPC强调数据被收集的顺序，以显示何时发生变差，不适用于先后顺序错乱和非连续时间或时间跨度比较大的数据。从SPC的OCAP如“连续14点上下交错”，“连续9点在同一侧”，可见时间线的重要性。顾客想要的是制程过程及时的修正和改善，而不是事后完美的数据，针对过程的控制参数所做的才是SPC，针对产品所做的是SQC。

2.3 数据量

汽车行业和半导体行业1 h动辄几百个数据，所以需要将数据分组后统计。相比起来，特种气体行业因检测出1个数据往往需要0.5 h以上，数据量少得可怜(数据量大于25才算有效)且时间跨度偏大，数据点与数据点之间是相对独立的，故子组大小必须设置为1，以保证在变差发生时第一时间被识别出来。同理，“连续7个点上升/下降”的OCAP不能直接应用在特种气体行业，应改为“连续3个点上升”甚至是“连续2个点上升”。

2.4 自动化

汽车行业和半导体行业的自动化程度很高，当SPC系统计算出异常时，会自动锁住生产设备，需要工程师排查出异常后输入密码才能恢复生产。特种气体行业的制程自动化已经很常见了，但SPC系统自动化还是不够普及。我们仍可多花心思提高操作的便利性，逐步实现SPC系统自动化。例如利用Excel软件中的“数据有效性”的功能设置数据超标时会弹出警告窗口，又如在设备上加装报警器，或者编程将报警记录自动上传到工程师手机等。

2.5 周期性波动的数据

汽车行业和半导体行业的过程控制多为平稳型的数据，例如尺寸、电容容值、粘度等等。而特种气体的过程控制中，则是周期性波动的数据，例如真空度由0.1 MPa下降到5 Pa，杂质含量从3000 ×10-6下降到0.05×10-6。这就意味着只能选取相同状态下的数据点来做SPC，而不能将精馏塔不同纯化阶段的取样数据混在一起，否则容易误判，浪费精力和成本。这就又回到了1份SPC中数据量较少，时间跨度大的问题了。建议选取杂质降到最低的工序来做SPC管控，例如充装排在线检测数据，先集中精力把产品质量做好，待效率和量上去后再考虑增加SPC管控点，例如用纯化时间来做SPC，但绝不能因为某些困难而放弃使用SPC这一科学的分析工具。

3 数据分析

图1 质控流程图

图2 阶梯状分布的控制图

分析数据时应避免只关注X图而忽视MR图，除了关注到变差还需管理变好。如图2，虽然该组数据的Cpk=3.48(属A++级)，但MR图可见序号1～25的MR范围为0～0.5，而序号26～50的MR缩小到0～0.09，呈阶梯分布，应查出什么导致了该状况的发生，才能使变好得以保持，变差得以纠正预防。直方图用图形表示了变差的分布，可以判断数据是否呈现正态分布，但是否正态分布并不能区分是否存在变差的特殊原因，应以分析控制图为主。Cp、Pp、PR、CR可以描述非正态的数据，但Cpk和Ppk则必须满足数据是近似正态分布(可通过Johnson族的转换和Box-Cox转换实现)的前提。

没有一种指数(或比值)可以广泛地应用到所有过程中，即没有一个过程可以由一种指数(或比值)完全描述，所以SPC用到的指数(或比值)很多，一般不用考虑抽样变差的影响。SPC参考手册推荐同时使用Cp和Cpk，并与图表技术一起使用，但Cp、Pp、PR和CR在单边公差时是没有意义的[5]。也有人喜欢用过程性能指数(Ppk)评估过程性能是否实际上满足了顾客要求，单边公差只有USL时Ppk等于PPU(写作Ppku)，只有LSL时Ppk等于PPL(写作Ppkl)，双边公差则取两者最小值(s为方差)：

PPU=(USL-CL)/3s

(3)

PPL=(CL-LSL)/3s

(4)

其实Cpk和Ppk比较相似，都直接与过程所产生的不合格品比例有关[5]，一般要求大于1.33甚至1.67。Cp、Cpk和CR显示子组内的变差，Pp、Ppk和PR显示整体总变差。

4 结 论

产品的制造工艺不是绝对稳定的，使用SPC工具发现变差产生时，应分别从人、机、料、法、环等多方面去对异常原因进行分析，通过一些检查手段，确认问题的根源，提出纠正预防措施，措施实施后再收集数据对此进行评审。除了对过程的分析，还要识别顾客不断变化的需求和期望，融入我们的产品和服务中。如此持续优化，可实现整个供应链中变异和浪费的减少，提高特种气体产品的质量稳定性。

[1] International Automotive Task Fore. IATF16949: 2016 International Automotive System Standard[S]. Interna-tional Automotive Task Fore, 2016.

[2] 胡玲，潘宏菽. 小批量多品种的芯片研制生产线的质量控制[J]. 制造工艺技术，2011, 36(7): 524-528.

[3] 于信明，倪涛. SPC在半导体生产中的应用[J]. 制造工艺技术，2011, 36(4): 280-283.

[4] 李丹丹，李翔宇，郑秋艳，等. SPC技术在高纯四氟化硅生产中的应用[J]. 化学工程师，2014, 220(1): 15-28.

[5] ASQC/AIAG编写组. 统计过程控制(SPC)参考手册[M]. 2版. 戴姆勒克莱斯公司，福特公司，通用汽车公司，2005: 1-220.

[6] ASQC/AIAG编写组. 测量系统分析(MSA)参考手册[M]. 4版. 戴姆勒克莱斯公司，福特公司，通用汽车公司，2010: 1-157.

[7] ASQC/AIAG编写组. 潜在失效模式和后果分析(FMEA)参考手册[M]. 4版. 戴姆勒克莱斯公司，福特公司，通用汽车公司，2008: 1-135.

[8] 李芳. MSA和SPC在生产工艺优化中的应用[J]. 现代盐化工，2016(3): 45-46.

[9] CHANDRA M Jeya. Statistical quality control[M]. USA: Taylor & Francis Inc, 2001: 1-296.