ŘÍZENÍ VÝROBNÍCH PROCESŮ V ELEKTRONICKÝCH VÝROBÁCH A MANAGEMENT JAKOSTI (9)

ŘÍZENÍ VÝROBNÍCH PROCESŮ V ELEKTRONICKÝCH VÝROBÁCH A MANAGEMENT JAKOSTI (9) (Statistic Process Control and Quality Management in Electric Production Process) (9)

Obsah       

1 Úvod – definice jakosti 2 Minimum matematické statistiky a náhodné jevy 3 Technologický proces a jeho řízení 4 Sběr dat – záznam poruch 5 Statistické nástroje pro řízení jakosti 6 Analýza poruch a řízení jakosti v povrchové montáži 7 Závěr

2

1 Úvod – definice jakosti Základní definice jakosti

Jakost je, když se vrací zákazník, nikoli zboží

Definice zlepšování jakosti

Návrh

Smyčka jakosti

Ekologická likvidace

Projekt

Smyčka jakosti

Servis

Prodej

Materiál

Proces

Výrobek

Components Materials

Marketing

Design

Sales

DFM Production

Market

Liquidation

Servis Proceses Equipment

Quality + Ecology = Cost

4

Úvod – statistika, náhodná veličina a rozdělení pravděpodobnosti Hustota pravděpodobnosti

Mimotolerantní výrobky

Mimotolerantní výrobky

Hodnoty

Statistik je ten, kdo s hlavou v rozpálené troubě a s nohama v nádobě s ledem na dotaz, jak se cítí, odpoví: "V průměru se cítím dobře." anonym 5

Úvod – diagnostika technologického procesu Pro kvalitní a efektivní řízení jakéhokoli procesu je nezbytné mít k dispozici přesná a věrohodná data o daném procesu. Za tímto účelem je potřeba daný proces sledovat, diagnostikovat jednotlivá slabá místa, a současně zavádět nové poznatky pro zlepšení. Statistické nástroje Jsou založeny buď na datových proměnných nebo na atributech. Datové proměnné jsou získávány měřením, atributy porovnáváním. Výhody a nevýhody: Měření Získají se hodnoty. Zpravidla značná spotřeba času. Nákladná technika. Porovnávání Získá se pouze binární informace (ano – ne). Je zpravidla mnohem rychlejší než měření. Je zpravidla přístrojově méně náročné než měření. Nezískají se hodnoty, nelze sledovat trendy.

6

Základní pojmy – SQC , SPC a AS 

Statistická kontrola procesu SQC (Statistical Quality Control) je vědecká metoda pro řešení problémů a udržení vysokého stupně jakosti výrobků a služeb. Jinými slovy: SQC je vědecká metoda analýzy dat a využití výsledků této analýzy k řešení praktických problémů.



„statistická“ - s využitím dat nebo závěrů na základě dat s použitím statistických metod.



SQC se dělí na statistickou kontrolu procesu: SPC (Statistical Process Control) a statistickou přejímku: AS (Acceptance Sampling).



SPC = statistické řízení procesu je řízení jakosti během výrobního procesu s využitím statistických metod k udržení těchto procesů ve stavu „ pod statistickou kontrolou“



AS = statistická přejímka části výrobků z výrobní dávky s cílem přijetí nebo zamítnutí celé várky na základě způsobilosti nebo nezpůsobilosti s danými jakostními kritérii. 7

Úvod – statistika a elektronické výroby 

V elektronické výrobě působí velký počet náhodných jevů, které nelze všechny kontrolovat (teplota, atmosférický tlak, tolerance zařízení, tolerance materiálů …lidský faktor)



Proto povolujeme určité tolerance parametrů, které ale musíme mít pod kontrolou.



Pro takovou kontrolu využíváme SPC, jejíž cíle jsou: - Včasná identifikace příznaků statistické nestability sledovaných parametrů ještě před vznikem neshodného výrobku. - Zastavení procesu, analýza příčin, nalezení skutečné příčiny (root cause), její odstranění a zabránění opakování v budoucnosti. - Pravidelné hodnocení způsobilosti procesů, sestavování akčních plánů nápravných akcí v případech, kde nejsou dosahovány stanovené cíle. - Implementace politiky soustavného zlepšování – soustavné snižování variability způsobené obecnými příčinami (common causes). - Dokumentace analýz – budování podnikového know how.



Ke sledování statistické stability a identifikaci příznaků nestability se v praxi používají různé nástroje např. regulační diagramy (control charts) atd. 8

Úvod – řízení výrobního procesu 

V průběhu výroby elektronických výrobků, jehož součástí je výroba součástek, integrovaných obvodů ale i ostatních komponent, osazování substrátů, a konečně i jejich propojování a kompletování, se vyskytují chyby, které nazýváme výrobní poruchy (Manufacturing Defects). Tyto způsobuje odklon od požadovaných hodnot a znemožňují funkčnost výrobku.



Aby mohl být výrobek předán do užívání, musí být odzkoušen, v případě výskytu výrobní poruchy musí být tato odstraněna (Rework), a o tomto je třeba vést záznam.



Obecně platí pravidlo, že výsledná spolehlivost výrobku je přímo úměrná četnosti výrobních poruch. Proto je zřejmá snaha po jejich omezení na minimum (to také snižuje náklady).

9

Úvod – zvyšování spolehlivosti a ekonomika výroby I když spolehlivost je dnes jeden ze základních parametrů každého výrobku, není parametrem jediným. Neméně důležité je i ekonomické hledisko, a uvážíme-li také přirozený lidský vztah ke každé činnosti, lze definovat ty nejzákladnější důvody pro potlačení počtu výrobních poruch v následujících bodech : 

zlepšení spolehlivosti výrobku a s tím i omezení reklamací (zvýšení celkového image)



snížení nákladů nejen na kontrolu a opravy, ale i na výrobu, což se promítne do konečné ceny výrobku



vlastní uspokojení, nebotˇ úspěšně vyrábět znamená i úspěšně prodávat, což přináší potěšení a povzbuzení k dalším aktivitám 10


11

2 Matematická statistika - diskrétní veličiny 

Diskrétní náhodná veličina X může nabýt jen konečného nebo spočetného počtu hodnot (v daném souboru). Každé hodnotě xi je přiřazena pravděpodobnost, přičemž součet těchto pravděpodobností pro všechny hodnoty xi je roven jedné.



Pravděpodobnosti charakterizují diskrétní pravděpodobnostní rozdělení. Pro diskrétní náhodnou veličinu X s konečným počtem hodnot platí:



průměr (střední hodnotu)



a rozptyl



Druhá odmocnina z rozptylu se nazývá směrodatná (standardní) odchylka . 12

Tyčkový diagram • Výsledky měření lze popsat pomocí nominálního znaku rozděleného např. do tří tříd: podhodnota (se, se), jmenovitá hodnota (Se, se), nadhodnota (Se, Se).

Pravděpodobnostní rozdělení lze vyjádřit např. tyčkovým grafem

• Můžeme však také sledovat kvantitativní znak, jehož hodnoty lze interpretovat jako výsledky náhodných měření. Počet Se je potom diskrétní náhodná veličina X nabývající hodnot x = 0,1,2 s pravděpodobnostmi , tudíž s průměrem (střední hodnotou) a rozptylem . 13

Gaussovo rozdělení je obecně platné pro náhodné jevy 

Střední hodnota je parametr rozdělení náhodné veličiny, který je definován jako vážený průměr daného rozdělení (E(x) nebo µ nebo x) 1 n x   xi n í 1



s2 nebo σ2– rozptyl měření ( S – směrodatná odchylka aritmetického průměru či výběrová 2 1n 2 směrodatná odchylka ) s  (xi  x) n í1

x

1 n  xi n í 1



x

Směrodatná odchylka σ odpovídá standardní nejistotě měření a ve svém dvojnásobku vyjadřuje 68 % pravděpodobnost správného výsledku. Rozšířená nejistota měření pro koeficient rozšíření k = 2 odpovídá pak 95 % pravděpodobnosti správného výsledku. 14 Pro koeficient rozšíření k = 3 odpovídá pak 99,9 % pravděpodobnosti správného výsledku.

Gaussovo rozdělení V normálním rozdělení: 1. téměř 70 % hodnot leží ve vzdálenosti menší než 1 směrodatná odchylka od průměru, přesněji 2.

95 % hodnot leží ve vzdálenosti menší než 2 směrodatné odchylky od průměru, přesněji

3. 99 % hodnot leží ve vzdálenosti menší než 3 směrodatné odchylky od průměru, přesněji



Pro srovnání variability některých pravděpodobnostních rozdělení je vhodným ukazatelem variační koeficient, který je dán podílem směrodatné odchylky a průměru. Je bezrozměrný a obvykle se vyjadřuje v procentech. Variační koeficient používáme pro srovnání několika náhodných veličin s velmi odlišnými průměry, nebo pro srovnání variability veličin měřených v různých jednotkách. 15


16

3 Řízení technologického procesu



Řízení procesu (Process Control) předpokládá, že veškeré vstupní parametry, atˇ se týkají vývoje nebo výroby, materiálů nebo součástek, jsou kontrolovány v jednom integrovaném systému.



Proto, aby bylo možné proces řídit je nutné mít k dispozici příslušná data z jeho průběhu, která lze získat kontrolou nebo měřením.



I v případě, že jakost není třeba vyhodnocovat, je pro řízení procesu nezbytné určitá data sledovat. Při dobře probíhající výrobě to mohou být např. výsledky závěrečného testování. 17

Technologický proces a jeho sledování Při sběru dat v elektronických a elektrotechnických výrobách a vyhodnocování parametrů jakosti existují určité tolerance (meze), jejichž původ může být dvojího charakteru : 

náhodné (obecné), s malým, obyčejně přijatelným účinkem,

 vyvolané (systémové), obyčejně se značným účinkem. 18

Technologický proces a jeho sledování Kontrola a záznam dat může probíhat dvěma způsoby : 

kontrola atributů (data získaná na základě alternativního dělení, např. na dobrý/špatný),



kontrola proměnných (data získaná měřením, představující soubor hodnot). 19

Technologický proces a jeho sledování Charakteristiky resp. parametry jakosti jsou významné vlastnosti, definující každý technologický proces (např. pájení, sítotisk, naprašování, kontaktování, osazování součástek atd.). Proto je pro stanovení jakosti technologického procesu výroby elektronických celků prvním nezbytným krokem sledování a záznam dat z výrobního procesu. To je prováděno dvěma způsoby, jimiž jsou : 

data výrobně-organizační (vychází z blokového schéma postupu výroby, operačního schéma, časového snímku jednotlivých pracovníků a pod.)



data výrobně-technická (záznamy o průběhu výroby z hlediska výtěžnosti a výskytu poruch) 20

Řízení výrobního procesu

I přesto, že proces je pod statistickou kontrolou (statisticky stabilní), může být rozsah odchylek sledovaných výrobních parametrů větší než požaduje zadání. V tom případě není proces pod technickou kontrolou a je třeba provést korekce. To se může týkat výměny vstupních materiálů, předefinování požadavků, výměny dílů zařízení (např. šablony pro sítotisk) a pod.

21

Systém řízení jakosti v povrchové montáži Přehled nástrojů pro řízení výrobního procesu v technologii povrchové montáže

Výrobní kapacita Statistické řízení jakosti

Interaktivní optimalizace procesu

Využití (výkonost)

Jakost Chyby, odpady

dynamické nastavení zařízení

vstupní kontrola součástek definování jejich toku

vstupní kontrola součástek definování jejich toku

statistické řízení jakosti

průběžný management

průběžný management

management zásobníků

výchozí komunikace

výchozí komunikace

management součástek

Kontrolovat

Dokumentace

22

Řízení výrobního procesu 

Statisticky stabilní proces znamená, že jistý sledovaný resp. měřený parametr výrobního procesu se pohybuje v časové ose v mezích odpovídajících hranici 3 resp. 6  Gaussova (Normálního) rozložení, jak je znázorněno na obr.

stabilní

nestabilní

X

X

Čas

Čas 23

Technologický proces a jeho sledování Nejčastější způsob sledování jakosti výrobního procesu je záznam a sledování výrobních poruch (chyb), t.j. zjišťování (a současně odhalování) těch parametrů, které překročily povolené tolerance. Informace získávané statistickým sledováním poruch jsou čísla, která mohou být získávány různým způsobem, a proto je sběr dat rozdělen do tří úrovní : 

- úroveň 1, záznam základních poruch bez větších detailů, jenž slouží k nalezení příčiny vzniku jednotlivých poruch, případně dalších souvislostí včetně kontroly vývoje výrobního procesu tvoří základ pro statistické zpracování,



- úroveň 2, zahrnuje jak obecné, tak i specifické hlediska stejných poruch, což vytváří základ pro provedení diagnostiky a následné odhalení příčin jednotlivých poruch to může být provedeno s pomocí hodnoty ppm, procentuálního vyjádření nebo přímo statistickým řízením jakosti (SPC),



- úroveň 3, je prosté sledování celkového stavu vývoje poruch bez uvedení příčin používá se u zavedené a fungující výroby. 24

Technologický proces a jeho sledování Zařazení kontrolních operací do výrobního procesu je jistě užitečné, avšak současně zvyšuje náklady na samotnou výrobu, což se promítá do ceny výrobku. Proto je třeba rozhodnout o způsobu kontroly a rozlišit kontrolu: -

- namátkovou , - 100%-ní. Namátkovou kontrolu po jednotlivých výrobních operacích (nanášení pájecí pasty, osazování součástek, pájení) provádí jak pracovník jakosti, tak technolog (nebo osoba bezprostředně odpovědná za průběh výrobního procesu – např. mistr výroby) na prvních kusech, vždy:

  

po zahájení výroby, po jejím přerušení a nebo po každém zastavení stroje (např. z důvodu doplnění pájecí pasty), namátkově v průběhu výroby. Při 100%-ní kontrole je kontrolován každý kus, a současně je prováděn i záznam poruch do formulářů a potom také jejich opravy (rework). 25


26

4 Sběr dat – záznam poruch Registrované poruchy jsou rozděleny do skupin odpovídajících jejich původu. Jsou to např. : - použité materiály, - aplikace pájecí pasty na pájecí plochy, - součástky, - osazování součástek, - pájecí proces (ať už vlnou nebo přetavením), - různé kombinace a další příčiny. Analýzou zaznamenaných dat pak můžeme dospět k dalšímu dělení poruch na jednotlivé součástky, jednotlivé dílčí části výrobního procesu a pod. Výsledné hodnoty jsou obyčejně vztaženy k následujícím celkům : - na plošný spoj, - na výrobní dávku, - na denní výrobu, - na určitý typ výrobku. 27

Sběr dat – záznam poruch V průběhu 100%-ní kontroly je třeba učinit zásadní rozhodnutí v následujících směrech : 

definovat jasně hranice kontrolovaných parametrů pro jednoznačné určení „dobrý“ nebo „špatný“ (ten musí být opraven - rework)



určit způsob jakým budou poruchy počítány a zaznamenávány



Rozhodnout, které odchylky je možné opomenout a neuvažovat Výsledkem kontroly jsou získané údaje o počtu poruch. Údaj o poruchách je vyjadřován buď v procentech, hodnotě dpm, nebo v případě nižších hodnot přímo v ppm. Správné pochopení výpočtu a významu ppm vzhledem k velikosti sledovaných dávek je založeno na některých matematických pravidlech. 28

Manažerský pohled na ppm Záznam poruch je základní činností v procesu řízení výroby. Poruchy se běžně vyjadřují v procentech, nebo hodnotou ppm (parts per million). Ta je obecně definována následovně : počet skutečných poruch v souboru ppm 

. celkový počet možných poruch v souboru

x 106

Někdy se používá odlišné označení dpm (defects per million), případně ppb (parts per billion), což jsou jen jiná označení významově stejného pojmu (1 ppm  1000 ppb).

29

Příklad – manažerský pohled na ppm Příklad záznamu poruch v procesu povrchové montáže je uveden v tab.I. Jedná se o soubor 100 desek plošných spojů, na každé z nich je 120 součástek a 1000 pájených spojů. Celkový počet poruch pájených spojů je 200. Tabulka I. Demonstrativní příklad analýzy poruch ze tří různých hledisek ________________________________________________________________________________________________________________________________________________

Analýza druhu poruchy: Chybějící pájka Zkrat Součástka mimo pájecí plochu Celkem poruch Počet poruch 70 110 20 200 (%) 35 55 10 100 ______________________________________________________________________________________________ Analýza vadné součástky: PLCC SOT SOIC8 C Celkem poruch Počet poruch 20 50 105 25 200 (%) 10 25 52,5 12,5 100 ______________________________________________________________________________________________ Analýza příčiny poruchy: Návrh Materiál Proces Celkem poruch Počet poruch 30 80 90 200 (%) 15 40 45 100 _______________________________________________________________________________________________________________________________________ _________________________ 

Z tabulky je patrné, že data mohou být získávána a analyzována z různých hledisek. V našem případě to je podle typu poruchy, podle typu součástky a podle příčiny poruchy. Poslední případ je významný z toho důvodu, že ukazuje na to, do jaké míry jsou poruchy způsobeny vlastním technologickým procesem (interní poruchy) a jak se podílí vstupní položky procesu (externí poruchy). Bez ohledu na to, které hledisko sledujeme, lze získat hodnotu ppm následovně : ppm výroby 

200 x 1000

.

100

106



2000

30

ppm

Firma:

Protokol statistického vyhodnocení poruch ve výrobě

Vemer

Výrobek:

ppm

30000

20000

10000

0

M nožství:

Časové období:

Datum:

List č./ Celkem:

Podpis:

%

3

2

1

0 0

Poř:

Dávka:

1

2

3

4

5

6

7

8

9

10

11

12

Poruchy interní

Počet poruch

%

ppm

Poznámka

Poruchy externí

Počet poruch

%

ppm

Poznámka

13

1 2 3 4 5 6 7

8 9 10 11

31

12 13

Poruchy celkem

ppm

ppm

%

4

3,5

3

2,5

2 1,5

1

0,5

0 Týdn y/Mě sí ce Č tvrtl e tí

I/ 1/

II/ 2/

III/ 3/

IV/ 4/

V/ 5/

VI/ 6/

VII/ 7/

VIII/ 8/

IX/ 9/

X/ 10/

XI/ 11/

XII/ 12/

M ě s íc /T ý d e n

1/

2/

3/

4/

5/

6/

7/

8/

9/

10/

11/

12/

Č tv r tle t í/ R o k

I/

II /

II I/

IV /

V/

V I/

V I I/

V I II /

IX /

X/

X I/

X II /

I n te r n í: E x te r n í: C e lk e m : P o d p is : P o z n á m k y:

32


33

5 Statistické nástroje pro řízení jakosti 

Kontrolní tabulky  Slouží k ručnímu sběru prvotních dat o procesu



Vývojové diagramy  Usnadňují pochopit fungování procesu a vzájemné vazby mezi částmi procesu



Histogramy  Graficky znázorňují intervalové rozdělení četností



Diagram příčin a následků (Ishikavův)  Napomáhá odhalovat vztahy mezi příčinami a následky změn v procesu



Paretův diagram  Pro stanovení míry podílu vlivu jednotlivých faktorů



Bodový diagram  Slouží k podání prvotní informace o stochastické závislosti



Regulační diagramy  Jejich pomocí je kontrolováno zda hodnoty regulované výstupní veličiny odpovídají požadované úrovni variability (rozptýlenosti) a vykazují dostatečnou stabilitu 34

Statistické nástroje pro řízení jakosti Na obrázku jsou znázorněny dva příklady produkce téhož výrobku dvěma výrobci. Je zřejmé, že ačkoliv je střední jakost od výrobce B vyšší, úspěšnější bude výrobce A, jehož jakost je přesněji definována (vykazuje nižší variabilitu). Klíč k jakosti je v pochopení variability

Podstatou tohoto poznatku je, že nezáleží ani tak na absolutní velikosti parametru jakosti, ale na jeho variabilitě. Vysoká variabilita produktu se snížit nedá – to souvisí s tím, že střední hodnoty lze sčítat i odečítat, ale rozptyly lze pouze sčítat:

 ( x  y )   ( x)   ( y )  ( x  y )   ( x)   ( y )  2 ( x  y )   2 ( x)   2 ( y )  2 ( x  y )   2 ( x)   2 ( y ) 35

Diagram příčin a následků (Ishikawův) Pro analýzu struktury výrobního procesu a jeho hlavních nedostatků se užívá diagramu rybí kosti (diagram příčin a následků, fishbone diagram), Paretovy analýzy, postupového (vývojového) diagramu a řady dalších statistických nástrojů řízení jakosti.

Z hlediska statistické analýzy lze využít tohoto digramu k návrhu korelačních a regresních modelů. Např. jednoduchý lineární regresní model by mohl být: (např. pro sítotiskovou šablonu) (šablona)=a.(rám)+b.(čištění)+c.(materiál) Na základě statistické významnosti koeficientů a,b,c by pak bylo možné kvantitativně plánovat změnu kvality meziproduktu šablona pomocí změn příslušných technologických veličin. Podobně by bylo možné modelovat kvalitu výstupního produktu: (kvalita produktu)=e.(operátor)+f.(šablona)+g.(wafer) Výhodným měřítkem kvality může být také ztráta, případně přímo odhad rozptylu 2. Poté významnost regresním parametrů ukáže, u kterých veličin stojí za to usilovat o snížení jejich variability (pro přesnější popis vztahů mezi variabilitami, zvláště při větší rozsahu 2 lze použít postupy šíření chyb): 2 (kvalita produktu)=e. 2 (operátor)+f. 2 (šablona)+g. 2 (wafer)

36

Paretův diagram Odděluje podstatné faktory od méně podstatných a ukazuje, kam zaměřit úsilí při odstraňování nedostatků v procesu zabezpečování jakosti

Paretův diagram je nazývaný také 20/80. Pareto vychází z předpokladu, že 20 procent chyb způsobuje 80 procent neshod. Paretizací rozumíme aplikaci Paretova diagramu pro nalezení dominantních chyb. Často, v závislosti na typu procesu, není poměr 20/80, ale jiný, např. 20/50. 37

38

Regulační diagram - konstrukce 

  

Principem je současné sledování střední hodnoty a rozpětí R, případně střední hodnoty a směrodatné odchylky s výběrů (vzorků) odebíraných z procesu ve dvou oddělených diagramech: – jedním pro střední hodnotu , druhém pro rozpětí R nebo směrodatnou odchylku s. Oba tyto diagramy obsahují následující části: CL (Central Line)- středová přímka, UCL (Upper Control Limit)- horní regulační mez, LCL (Lower Control Limit) - dolní regulační mez. 13,80

x-průměr

13,60 13,40 13,20 13,00

xprum

12,80 12,60

CL

LCL UCL

12,40 12,20 12,00 0

5

10

15

20

25

1.

krok – sběr dat

2.

krok – výpočet předběžných regulačních mezí

3.

krok grafické znázornění regulačního diagramu x-průměr - R

4.

krok - analýza příznaků statistické nestability

5.

5. krok – analýza příčin bodů mimo regulaci

6.

krok – revize regulačních mezí

7.

krok – konstrukce revidovaných regulačních diagramů, jejich nasazení pro kontrolu procesu

vzorek č.

39

Regulační diagram – příčiny nestability Jejich pomocí je kontrolováno zda hodnoty řízené výstupní veličiny odpovídají požadované úrovni variability (rozptýlenosti) a vykazují dostatečnou stabilitu Index nestability (instability index) vyjadřuje procento výskytu bodů mimo regulační meze (v diagramu x – průměr nebo rozpětí) z celkového počtu bodů. Je základní mírou statistické stability daného kritického parametru procesu.

Příznaky nestability - nenáhodné obrazce

Násobek sigma

3

oscilace

2 1 0 -1 0

5

10

-2

15

20

25

8 mimo +- 1 sigma

-3

Příznaky nestability - nenáhodné obrazce

Násobek sigma

3 4z5

2 1

9 na jedné straně

0 -1 0 -2 -3

5 2 ze 3

10

15

20

25

Norma ISO 8258 stanoví osm v praxi nejfrekventovanějších příznaků statistické nestability pro regulační diagramy x průměr a x – individuální hodnoty. Tyto příznaky jsou někdy nazývány „nenáhodné obrazce“ (non random patterns). 40

Regulační diagram Výrobní proces:

Datum:

Pájení pøetavením 1 2 3 4 5 6 7 8

Čas Poloha součástky Poškozená součástka Součástka na okraji Smáčení/Odmáčení Vznik kuliček Díry/Krátery Poškozená DPS Přeb./Nedostatek pasty Celkem Počet vzorků Chybovost ppm

Stroj č.:

10.6.2005

2

Typ:

BLA71A

Operátor:

8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 2 1 2 3 1 4 6 8 1 5 3 10 1 2 2 1 1 1 1 2 1 1 1 1 1 1 4 5 3 8 3 5 7 10 14 4 3438 3438 3438 3438 3438 3438 3438 3438 3438 3438 1163 1454 873 2327 873 1454 2036 2909 4072 1163

C hyb ovost v p růb ěhu sm ěny C h yb o v o s t [p p m ]

5000

4000

3000

2000

1000

0 8 :0 0

Identifikace defektu 1 Poloha SOT89 2 Poškozená SOT23

Datum 10.6.2005 10.6.2005

Čas 15:00 16:00

Podpis

9 :0 0

1 0 :0 0

1 1 :0 0

1 2 :0 0

1 3 :0 0

1 4 :0 0

1 5 :0 0

1 6 :0 0

1 7 :0 0 Č as

41

DOE (Design of Experiments) Plánovaným experimentem – DOE (Design of Experiments)- se rozumí postupné vědomé nastavení vybraných řiditelných vstupních parametrů – tzv. faktorů a sledování vlivu nastavení těchto faktorů na vybrané výstupní parametry (odezvy). Schéma nastavení kombinace faktorů – tzv. plán experimentu je matematicky odvozen a je dokázáno, že pro daný případ umožňuje dosažení maximálního rozlišení případných významných faktorů a interakcí od nevýznamných při minimálním počtu běhů

Obecné schéma procesu

Ovladatelné faktory x1

x2

Xp

……….. VSTUPY

PROCES/SYSTÉM

VÝSTUPY

……….. z1

z2

zq

Neovladatelné faktory

42

Faktorová analýza 

Pod pojmem technologický faktor rozumíme činitel působící během technologické operace na vstupní materiál a který lze během operace měnit a kvantitativně hodnotit.

Při získávání informací o daném technologickém procesu metodou vnějších testů, vycházíme vždy z experimentálních zkoušek a výsledků měření. 

Technologický proces je zpravidla ovlivněn celou řadou technologických faktorů. Z provedených zkoušek vyplyne , které z nich mají největší vliv na průběh procesu a které můžeme při charakteristice procesu zanedbat, aniž se dopouštíme podstatné chyby.

Vstupní parametry

Faktorové experimenty slouží k analýze rozptylu a výsledky lze využít k vytvoření matematického modelu

Vstupní parametry

Výrobní proces

Vstupní parametry

Výstupní parametry

43


Základní technologické faktory jsou zpravidla ty, které používáme k řízení průběhu operace. Jestliže jsou kritéria hodnocení technologických operací bezprostředně svázána s celým procesem, hovoříme o technologických parametrech procesu.



Zjištění síly vazby jednotlivých technologických faktorů na výsledek procesu je možno docílit mnoha analytickými metodami. Často používána je metoda faktorových pokusů 2n .



Tato metoda nám umožňuje nejen nalezení dominantních faktorů, ale zároveň konstrukci matematického modelu procesu (operace) se zvolenou přesností.

Technologické faktory jsou kvalitativní (měřitelné a vyjádřitelné číslem) a kvantitativní (nejdou vyjádřit číslem). Matematické modely jsou statické a dynamické. Statický model popisuje chování procesu ve stavu dynamické rovnováhy (v modelových charakteristikách se nevyskytují derivace podle času) Dynamický model popisuje chování procesu při změnách (v modelových charakteristikách se vyskytují derivace podle času)

44

Faktorové pokusy 

Při aplikaci faktorových experimentů vytváříme model sledovaného výstupního parametru v závislosti na zvolených vstupních parametrech.



Faktorové experimenty umožní vytvoření matematického modelu procesu s tím, že je možné statisticky vyhodnocovat statistickou významnost vazeb mezi zvoleným výstupním parametrem a zvolenými vstupními parametry. Obvyklý typ faktorových experimentů je 2n nebo 3n, kde 2 nebo 3 označuje počet úrovní technologických faktorů a n je počet faktorů. Čím složitější je model, tím náročnější je jeho optimalizace. Proto je snahou, aby modely byly co nejednodušší, ale na druhé straně, aby neměly statisticky významnou odchylku od naměřených hodnot.

 



Není problém teoreticky vytvořit model např. 68. Problémem je, že takovýto model je experimentálně neúnosný. Proto se nejčastěji setkáváme s modely typu 2n nebo 3n, kde n<2,5>. 45

Faktorové experimenty Stanovení hlavních technologických faktorů

Plánování pokusů – schéma a princip analýzy

Analýza operace č. 1

Analýza operace č. 2

Analýza operace č. n

Matematický model operace č. 1

Matematický model operace č. 2

Matematický model operace č. n

Matematický model technologického procesu

Omezení matematického modelu na dominantní technologické faktory a jejich vzájemné interakce

Optimalizace 46

Faktorová analýza Plánování pokusů  K dosažení co největšího množství informací o procesu s maximální přesností při co nejmenším počtu experimentů slouží metody plánování pokusů. Na výsledek procesu však nemají vliv pouze faktory jako takové , ale také jejich kombinace (interakce).



Z obrázku je zřejmé, že ze stavu 1 lze dospět do stavu 2 různými cestami. To znamená, že výrobek, na který působí dva technologické faktory A a B o dané velikosti, má při přechodu faktorů A a B ze stavu 1 do stavu 2 po různých cestách také různé průvodní jevy. Proto mohou být jeho vlastnosti po dokončení operace různé. 47

Faktorové pokusy 2n – plán experimentů A1

A1

A2

A2

B1

B1

B2

B1

B2

A1B1

A1B2

A2B1

A2B2

(1)

b

a

ab

y1,1 y1,2 . . . y1,r

y2,1 y2,2 . . . y2,r

y3,1 y3,2 . . . y3,r

y4,1 y4,2 . . . y4,r

R1

R2

R3

R4

B2

C2

C1

C2

C1

C2

C1

C2

A1B 1C1

A1 B1 C2

A1 B2 C1

A1 B2 C2

A2 B1 C1

A2 B1 C2

A2 B2 C1

A2B 2C2

(1)

c

b

bc

a

Ac

ab

abc

y1,1 y1,2 . . y1,r

y2,1 y2,2 . . y2,r

y3,1 y3,2 . . y3,r

y4,1 y4,2 . . y4,r

y5,1 y5,2 . . y5,r

y6,1 y6,2 . . y6,r

y7,1 y7,2 . . y7,r

y8,1 y8,2 . . y8,r

R1

R2

R3

R4

R5

R6

R7

R8

A2

B1 D1

B2 C2

D2

D1

B1

C1 D2

(1)

d

c

cd

y1,1 y1,2 . . . y1,r

y2,1 y2,2 . . . y2,r

y3,1 y3,2 . . . y3,r

. . . . . .

R1

R2

R3

.

B2

C1

A1 C1

B1

D1 b

C2 D2

D1

B2

C1 D2

bd

bc

bcd

. . . . . .

. . . . . .

. . . . . .

. . . . . .

.

.

.

.

D1 a

C2 D2

D1

C1 D2 acd

D1 ab

C2 D2

D1

D2

abd

abc

abcd

ad

ac

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

y16,1 y16,2 . . . y16,r

.

.

.

.

.

.

.

R16

48

Faktorová analýza

Faktorové pokusy 2n Obecná tabulka experimentů 23

A1

A2

B1

B2

B1

B2

C1

C2

C1

C2

C1

C2

C1

C2

(1)

c

b

bc

a

ac

ab

abc

A1B1C1

A1B1C2

A1B2C1

A1B2C2

A2B1C1

A2B1C2

A2B2C1

A2B2C2

y1

y11

y21

y31

y41

y51

y61

y71

y81

y2

y12

y22

y32

y42

y52

y62

y72

y82

y3

y13

y23

y33

y43

y53

y63

y73

y83

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

...

yn

y1n

y2n

y3n

y4n

y5n

y6n

y7n

y8n

R

R1

R2

R3

R4

R5

R6

R7

R8

r

r1

r2

r3

r4

r5

r6

r7

r8

s

s1

s2

s3

s4

s5

s6

s7

s8

FP 23

49

Faktorová analýza Příklad tabulky experimentů 23 A1 =1,2

A2 =2,4

B1 =1

B2 =5

B1 =1

B2 =5

C1 =0,5

C2 =2,5

C1 =0,5

C2 =2,5

C1 =0,5

C2 =2,5

C1 =0,5

C2 =2,5

(1)

c

b

bc

a

ac

ab

abc

A1B1C1

A1B1C2

A1B2C1

A1B2C2

A2B1C1

A2B1C2

A2B2C1

A2B2C2

y1

27,1

32,3

23,1

25,6

22,5

27,1

11,5

17,9

y2

30,7

30,9

23,5

29,1

24,1

27,2

14,2

15,2

y3

26,8

33,4

24,6

27,5

23

27,9

15,7

20,3

R

84,6

96,6

71,2

82,2

69,6

82,2

41,4

53,4

r

28,2

32,2

23,73333

27,4

23,2

27,4

13,8

17,8

s

9,42

3,14

1,206667

6,14

1,34

0,38

9,06

13,02

FP 23

50

Faktorová analýza Znaménkové schéma pro FP 2n Odhad

Postup

efektu

a

b

ab

c

ac

bc

abc

d

ad

bd

abd

C d

ac d

bc d

abcd

ZA

-1

+1

-1

+1

-1

+1

-1

+1

-1

+1

-1

+1

-1

+1

-1

+1

ZB

-1

-1

+1

+1

-1

-1

+1

+1

-1

-1

+1

+1

-1

-1

+1

+1

ZAB

+1

-1

-1

+1

+1

-1

-1

+1

+1

-1

-1

+1

+ 1

-1

-1

+1

ZC

-1

-1

-1

-1

+1

+1

+1

+1

-1

-1

-1

-1

+ 1

+1

+1

+1

ZAC

+1

-1

+1

-1

-1

+1

-1

+1

+1

-1

+1

-1

-1

+1

-1

+1

ZBC

+1

+1

-1

-1

-1

-1

+1

+1

+1

+1

-1

-1

-1

-1

+1

+1

ZABC

-1

+1

+1

-1

+1

+1

+1

+1

-1

+1

+1

-1

+ 1

-1

-1

+1

ZD

-1

-1

-1 -1 B – faktor B-1

-1

-1

-1

+1

+1

+1

+1

+ 1

+1

+1

+1

ZAD

+1

-1

AB – -1 dvoufaktorová AB-1 +1 +1 -1 interakce +1

-1

+1

-1

+1

-1

+1

-1

+1

ZBD

+1

+1

-1

-1

+1

+1

-1

-1

-1

-1

+1

+1

-1

-1

+1

+1

ZABC

-1

+1

+1

-1

-1

+1

+1

-1

+1

-1

-1

+1

+ 1

-1

-1

+1

ZCD

+1

+1

+1

+1

-1

-1

-1

-1

-1

-1

-1

-1

+ 1

+1

+1

+1

ZACD

-1

+1

-1

+1

+1

-1

+1

-1

+1

-1

+1

-1

-1

+1

-1

+1

ZBCD

-1

-1

+1

+1

+1

+1

-1

-1

+1

+1

-1

-1

-1

-1

+1

+1

ZABCD

+1

-1

-1

+1

-1

+1

+1

-1

-1

+1

+1

-1

+ 1

-1

-1

+1

A – faktor A

51

Nejprve je třeba určit

Odhady efektů technologických faktorů a jejich interakcí Stanovují se proto, aby bylo možné zjistit sílu vazby mezi faktorem a výstupním parametrem a případně zjednodušit model. Celkový počet experimentů:

N  r  2n  r  d Zde N … celkový počet experimentů, r … počet opakování, d … počet sloupců Sloupcové součty: r

Ri   yi , j j 1

pro i = 1, 2, …, 2n

Sloupcové součty nahrazují při praktickém výpočtu symbolický zápis v daném sloupci (oranžové řádky v tabulkách plánů experimentů na předchozích slidech ). 52

Výpočet odhadu efektů technologických faktorů a jejich interakcí

Odhad efektu faktoru A (jaký vliv na výstupní parametr má změna faktoru A z hodnoty A1 na hodnotu A2)

Model faktorových experimentů typu 22

ZA = a + ab – (1) – b

Analogicky pro odhad efektu faktoru B a pro odhad efektu interakce AB platí: ZB = ab + b – (1) – a ZAB = ab – a + (1) – b

A1

A2

B1

B2

B1

B2

A1B1

A1B2

A2B1

A2B2

(1)

b

a

ab

y1,1 y1,2 . . . y1,r

y2,1 y2,2 . . . y2,r

y3,1 y3,2 . . . y3,r

y4,1 y4,2 . . . y4,r

R1

R2

R3

R4

53

Mnemotechnická pomůcka pro určení vztahu pro odhad vlivu faktoru: Např. pro výpočet ZA:

nejprve napiš

ZA = (a

(1)) . (b

(1))

je-li v indexu odhadu vlivu příslušné písmenko, doplň do příslušné závorky mínus, není-li tam, doplň plus ZA = (a - 1) . (b + 1) (hledáme odhad vlivu ZA, zde je v indexu A. Proto v závorce (a – 1) doplníme minus, B v indexu není, proto v závorce (b + 1) doplníme plus). Jinou cestou, jak získat vztah pro výpočet odhadu vlivu faktorů a interakcí je použití schématu experimentů a napsání vztahu podle tohoto schématu, někdy je užívána také tzv. znaménková tabulka.

Důvod, proč je kromě vlivu faktorů třeba také uvažovat vliv interakcí faktorů. 54

Hlavní efekty

Interakce efektů prvního řádu

55

Interakce efektů druhého řádu

Pro praktický výpočet pro odhad vlivu efektů a interakce užijeme vztahů (vztahy jsou platné pro experimenty typu 22, pro experimenty vyšších řádů se určí analogicky ZA 

ZB 

R  R

i  3, 4

i

i 1, 2

 Ri   Ri

i 2, 4

Z AB 

A1

i

i 1, 3

R  R

i 1, 4

i

i  2,3

i

A2

B1

B2

B1

B2

A1B1

A1B2

A2B1

A2B2

(1)

b

a

ab

y1,1 y1,2 . . . y1,r

y2,1 y2,2 . . . y2,r

y3,1 y3,2 . . . y3,r

y4,1 y4,2 . . . y4,r

R1

R2

R3

R4

56

Faktorová analýza Grafické znázornění interakce faktorů A, B

57


Pomocí faktorových pokusů (úplné nebo neúplné) je možné zjistit významnost jednotlivých faktorů (experimentálních parametrů)



Má-li být ověřena významnost n faktorů a pro každý faktor má být použito I úrovní, musí se při úplných faktorových pokusech provést m = In pokusů Účinek jednotlivých faktorů se určí podle vztahu:

y+ ym 

·

 

·

… výsledek pokusu, v němž je daný faktor na úrovni (+) … výsledek pokusu, v němž je daný faktor na úrovni (-) … celkový počet pokusů Pro nevýznamný faktor je hodnota w = 0 nebo je velmi malá, pro významný je velká Pro malý počet faktorů jsou úplné pokusné plány prakticky zvládnutelné (pro n = 4, I = 2, je počet pokusů 16) 58

Jakost a 6 program 

6 program je možnost jak dodržet vysokou jakost, cíl který je statistickým výrazem nikoli metodou



jakost musí být implementována už v návrhu produktů a 6 program umožňuje dosáhnutí těchto cílů



6 program má pozitivní vliv na zkrácení doby návrhu, zahájení výroby a životnost produktu (LCA)

59

SIX SIGMA Základní charakteristika Six Sigma je iniciativa, které byla vyvinuta v Motorole na počátku 90. let. Pozornost k ní přitáhly úspěchy, které s touto strategií získaly firmy General Electric, AlliedSignal a Motorola. Six Sigma strategie zahrnuje použití statistických nástrojů a strukturované metodologie k získání znalostí potřebných k dosažení lepších, rychlejších a méně nákladných výrobků a služeb než konkurence. Opakované užívání této strategie na projekty, kde výběr projektů je prováděn na základě klíčových obchodních parametrů, zvětšuje zisk a pokrývá mnohonásobně náklady na školení této strategie. Metrika Six Sigma Předpokládejme, že úroveň kvality je 99 %, což je někdy nazýváno „dobrou kvalitou“. Při této úrovni mohou nastat v USA následující události: 60

SIX SIGMA Metrika Six Sigma Bude ztraceno 20 000 e-mailových zpráv za hodinu. Denně poteče z kohoutku 15 minut zdravotně závadná voda. Za týden bude provedeno 5000 neúspěšných chirurgických zákroků. Každý den budou na každém větším letišti 2 příliš krátká a 2 příliš dlouhá přistání. Každý rok bude předepsáno 200 000 nesprávných lékařských předpisů. Každý měsíc bude na přibližně 7 hodin vypnuta elektřina.

Poloha

Procent

Defektů (ppm)

sigma

66.27

317300

sigma

95.45

45500

± sigma

99.73

2700

± sigma

99.9937

63

± sigma

99.999943

0.57

± sigma

99.9999998

0.002

61

SIX SIGMA Metrika Six Sigma Průměrná továrna vyrábějící elektroniku a počítače pracuje na úrovni 3.5 – 4.5 sigma. Nejlepší pracují na úrovni 6 sigma. Aerolinie pracují na úrovni mezi 5 a 6 sigma (je zde 0.43 ppm nehod). Dojde-li k posunu střední hodnoty o  1,5 sigma, změní se situace takto:

62

SIX SIGMA Metrika Six Sigma Dojde-li k posunu střední hodnoty o  1,5 sigma, změní se situace takto: Poloha

Procent

Defektů (ppm)

sigma

30.23

697700

sigma

69.13

308700

± sigma

93.32

66810

± sigma

99.379

6210

± sigma

99.9767

233

± sigma

99.9996600

3.4

Jinými slovy: V běžném výrobním procesu se považovala dostačující úroveň „3 sigma“ což představuje rozložení o 2 700 zmetcích na 1 milión výrobků. Ovšem střední hodnotu není možné udržet vždy dlouhodobě na středu tolerančního pole (opotřebení, teplotní změny, aj.). Běžný posun je cca 1,5 sigmy a tím počet vadných výrobků vzrůstá až na 67 000. Proto se začala používat metoda 6 sigma, kde střední hodnota charakteristiky procesu je vzdálena 6 sigma od obou tolerančních mezí. Dosáhneme-li takovéhoto rozložení pak předpokládaný posun o 1,5 sigma tvoří průměr 3,4 nevyhovujících součástek na 1 milión vyrobených

63

Způsobilost procesu a metoda 6 

V průběhu každého výrobního procesu vyvstává otázka, zda výroba probíhá v souladu s požadavky, tj. podle předem stanovené specifikace. Toto je hodnoceno způsobilostí, nebo jinými slovy stabilitou procesu. Nevyhnutelné změny v průběhu procesu nesmí způsobit v žádném směru překročení povolených tolerancí. Způsobilost neboli stabilita výrobního procesu zahrnuje dva aspekty:

 

odchylky v průběhu výrobního procesu tolerance v parametrech výrobního procesu

64

Způsobilost procesu a metoda 6 požadavky

VÝROBEK

 ----------------------------------------  odchylky v procesu  požadované tolerance

VÝROBNÍ PROCES

Znázornění významu pojmu „způsobilost technologického procesu“

Musíme mít pod kontrolou veškeré změny v procesu a nesmí dojít k překročení povolených mezí. Cílem definování způsobilosti (stability) je stanovit návaznost mezi výrobkem a výrobním procesem, neboli mezi parametry výrobku a výrobního procesu.

65

6 program 

Každý postup v 6 procesech má procesní chybu v rozsahu  3,4 dpm



koeficient možného vykonaní procesu v rozsahu CP  2



koeficient průběhu výroby CPK  1,5 66

Indexy cp, cpk 

Index způsobilosti cp je nejjednodušším vyjádřením míry dodržování regulačních mezí procesu

UCL  LCL cp  6 

Proces vykazuje nezpůsobilost pro (cp<1), střední způsobilost (1< cp <1,3) a způsobilost (cp > 1,3)



Index hodnotí pouze variabilitu procesu vzhledem k předešlým mezím

67

Indexy cp, cpk  

Index cpk je „přísnější“ než cp Používá se v případě, že LCL a UCL jsou asymetrické

 UCL     LCL  c pk   ,  3   3 

V limitním případě(průměr procesu je roven T), může být cpk=cp 68

Jakost a 6 program

69

Jakost a 6 program

70


71

6 Analýza poruch 

Analýza poruch a stanovení kritérií souvisí s typem výrobků, jež jsou kontrolovány. Norma IPC-A-610 dělí elektronické výrobky do tří tříd 





Třída 1 – Všeobecná spotřební elektronika Třída 2 – Vybrané servisní elektronické výrobky u nichž poruchy jsou nežádoucí, avšak nejsou kritické Třída 3 – Vysoce spolehlivé elektronické výrobky u nichž nelze poruchy akceptovat (použití např. v lékařství, letectví) 72

Zkoušení a kontrola ve výrobě elektronických funkčních bloků 

Smyslem zkoušek a kontrol je ujistit se, že osazené substráty, resp. funkční bloky nemají žádné konstrukční vady, nebo vady součástek, že jsou správně montovány, odpovídají konstrukční dokumentaci a jsou plně funkční

73

Výrobní proces povrchové montáže s vyznačením kontrolních operací

74

Poruchy v procesu povrchové montáže První výrobní operací v procesu povrchové montáže je nanášení pájecí pasty. To je realizováno buď tiskem přes šablony nebo dávkovačem (viz kap. 4.1). Po nanesení pájecí pasty se provádí většinou namátková kontrola (pokud nejsou zvláštní důvody ke kontrole 100%-ní). Sledují se poruchy na úrovni 1, jež lze rozdělit do následujících skupin (vztažnou hodnotou je celkový počet pájecích ploch, na něž byla nanesena pájecí pasta):     

špatně umístěná pájecí pasta nadbytek pájecí pasty nedostatek pájecí pasty roztečení pájecí pasty rozmazání pájecí pasty

V případě rozšíření na úroveň 2 se u jednotlivých položek sleduje původ poruchy, tj. např. zda se jedná o všeobecný, náhodný nebo lokální výskyt a pod. Stejné poruchy se sledují v případě nanášení lepidla, neboť z hlediska technického provedení jde o výrobní operaci téměř identickou.

75

Testování sítotiskového stroje Koh- Young A23

Přesnost polohy v serii tisků (10x) Y- horší z hodnot - sigma 36um Rozptyl objemu na test desce 60 – 120% Opakovatelnost dávkování v serii 10 ks +-5%

76

Poruchy v procesu povrchové montáže Výrobní poruchy po osazování součástek Po operaci nanášení pájecí pasty následuje osazování součástek. Tato operace může probíhat buď na jediném osazovacím zařízení, nebo v případě větších sérií a variabilní skladbě osazovaných součástek i na více zařízeních. Kontrola se provádí po ukončení, tj. po osazení všech SMD součástek. Tak jako v případě nanášení pájecí pasty se sledují poruchy na úrovni 1 v následujících skupinách (vztažnou hodnotou je celkový počet osazených součástek) :   špatně umístěná (nevystředěná součástka) –   chybějící (neosazená) součástka   otočená (špatně orientovaná) součástka   špatná součástka (jiný typ nebo jiná hodnota)   poškozená součástka   součástka v nesprávné poloze (na hraně)

77

Poruchy v procesu povrchové montáže Výrobní poruchy po pájení Třetí a stěžejní výrobní opearcí v procesu povrchové montáže je pájení přetavením. Sledované typy poruch na úrovni 1 jsou následující (vztažnou hodnotou je celkový počet provedených pájených spojů) :  špatně zapájená (nevystředěná) součástka  chybějící součástka  otočená, poškozená nebo v nesprávné poloze (na hraně) osazená součástka  vadná součástka  nezapájená součástka (nesmáčená pájecí plocha)  zkrat nebo nadbytek pájky ve spoji  nedostatek pájky ve spoji příp. její rozptýlení (kuličky)  zvedání součástek  narušený pájený spoj (trhliny, krátery a pod.)  poškozená pájecí plocha, příp. substrát samotný nebo znečistění zbytky tavidla

78

Vliv komplexnosti a výtěžnosti výrobního procesu 

Komplexnost procesu je počet možností, kdy může při montáži dojít k chybě. Můžeme na ni pohlížet ze dvou hledisek:  jako na počet dílčích operací ve výrobním procesu pro jeden výrobek, přičemž každá operace má své dpm 



jako na počet výrobků které projdou jedním výrobním cyklem s vlastním dpm

Výtěžností rozumíme procento výrobků z celkového množství vyrobených výrobků, u kterých je statisticky zaručena bezporuchovost po prvním průchodu celým výrobním cyklem, bez testování, korekcí či oprav

79

Vliv komplexnosti a výtěžnosti výrobního procesu 

Pokud nás zajímá kolik výrobků musíme vyrábět, abychom dosáhli určitého počtu bezporuchových výrobku, musíme vypočíst tzv. koeficient lomu KL. KL=100% / výtěžnost

80

Vliv komplexnosti a výtěžnosti výrobního procesu

 



Obrázek ukazuje řetězec výrobních operací uspořádaných sériově, přičemž každá operace má své dpm Celková výtěžnost všech výrobních operací je poté rovna: Výtěžnost = 100% . (1–dpm.10-6 )komplexnost Komplexnost v tomto výrazu znamená počet operaci

81


82

Systém řízení jakosti v povrchové montáži 

Systém řízení jakosti je třeba chápat jako logickou činnost vedoucí k neustálému zlepšování výrobního procesu.



Je založená na implementaci činností nebo operací, jež eliminují možnosti vzniku chyb resp. jež vedou ke zvyšování kvality a snižování nákladů.



Sestává z celé řady logických kroků, jak je znázorněno na obrázku. Jedná se o rámcově předem stanovený postup a jeho dobrá účinnost závisí resp. je podmíněna subjektivním přístupem každého jedince zúčastněného v činnosti tohoto systému.

83

Systémy jakosti Europe USA Japan

ISO 9000:2000 TQM (Total Quality Management) Kaizen

Výhody a nevýhody: TQM … trvalý mírný růst jakosti ISO … důvody, proč v současnosti není možné aplikovat plně TQM – jednotlivé státy mají velice různou technickou úroveň Kaizen … vychází z japonské mentality, důraz na udržitelný rozvoj

Quality Engineering Quality Engineering je soubor operačních, manažerských a inženýrských aktivit, které společnost potřebuje k zajištění toho, aby charakteristiky jakosti jejích výrobků byly na standardní nebo požadované úrovni. 84

TQM – management jakosti „TQM je filosofie managementu, formující zákazníkem řízený a učící se systém k tomu, aby se dosáhlo plné spokojenosti zákazníků díky neustálému zlepšování účinnosti podnikových procesů.“ Zavazující úloha managementu

Týmy pro zlepšení jakosti Produktivita a výsledky

Dobré výsledky a růst Systém zajištění jakosti

Nástroje jakosti

Série ISO 9000 Audit Požadavky zákazníků

FMEA SPC Audit Náklady na jakost Analýza problémů Statistické metody

85 Obr.: TQM ke zvyšování jakosti

TQM - management procesů 

Snižování počtu chyb je v TQM věnována značná pozornost. Velký význam zde hraje ovládnutí procesů vzniku výrobků a služeb. Procesem se většinou rozumí proces výroby hmatatelného produktu. Ve smyslu TQM jsou prakticky všechny činnosti v podniku částí jednoho „procesu“.



Charakteristické znaky procesu jsou: - definované vstupní a výstupní veličiny - zřetězení s předcházejícími a následujícími činnostmi - závislost na ovlivnitelných/neovlivnitelných faktorech - možnost ovládání průběhu 86

TQM – management jakosti 

Význam managementu jakosti Stabilní ekonomický růst Firmy s moderními systémy managementu jakosti dosahují dlouhodobě lepších výsledků než firmy s tradiční orientací na zabezpečování jakosti prostřednictvím technické kontroly. Systém jakosti se totiž projevuje svými pozitivními výsledky jak uvnitř podniku, tak v působení na okolí. Interní výsledky se obvykle projevují rychleji než externí. Klesá podíl neshod na celkových výkonech, stoupá celková výtěžnost materiálů i účinnost vnitropodnikových procesů, protože se zvyšuje rozsah napoprvé správně provedené práce. To vše vede k zvyšování produktivity a redukci nákladů. Ochrana před ztrátou trhů Výzkumy realizované v minulých letech uvnitř Evropské unie ukázaly, že 66% všech příčin ztráty trhů padá na vrub nízké jakosti výrobků a služeb, při čemž podrobné zkoumání prokázalo i zde rozhodující podíl nedostatků v předvýrobních etapách. Tento ochranný faktor logicky nepůsobí tam, kde přežívá monopol výrobců Úspory energie a materiálů Typickým příkladem u této oblasti je výroba a používání výrobků nízké spolehlivosti. Je uznávanou skutečností, že charakteristiky provozní spolehlivosti jsou u některých našich výrobků stále o třetinu horší v porovnání se světovým standardem. To se při používání projevuje mnohem vyšší poruchovostí a nižší užitnou hodnotou výrobku. To samozřejmě generuje další náklady na opravy a prostoje zařízení což se projeví opět nižší konkurenceschopností. 87

Srovnání TQM a ISO Hledisko

Koncepce ISO

Koncepce TQM

Základna

Normy a dokumenty

Manuál a aktivní zaměstnanců

účast

Orientace

Na konečný výsledek

Na procesy

Eliminace neshod

Nápravnými opatřeními

Neustálým zlepšováním

Zapojení

Funkčních míst

Multidisciplinárních týmů

Důraz na předvýrobní etapy

Menší

Mimořádný

Organizační struktura řízení

Formální

Spíše neformální

Zvažování ekonomiky jakosti

Nezávazné

Samozřejmé

Chápání zákazníka

Finální spotřebitel

Každý, komu odevzdáme výsledek své práce

Vazba na systémy CIM, JIT, …

Omezená

Přímá a úzká

Typ práce top managementu

Řízení

Vedení

Povaha koncepce

Direktivní

Kreativní

Měřítko pro prokazování shody

Ano

Ne

88

Závěr Produktivita výroby a její kvalita vykazuje v posledních letech dramatické zlepšení (alespoň u světových výrobců). A to převážně díky programu TQM (Total Quality Management), jenž je silným nástrojem pro zkvalitnění výroby a zvýšení jakosti. Hlavním cílem TQM je uspokojení zákazníka. Základní podstatu lze shrnout do 5 kroků:     

zavedení systému statistické řízení procesu (SPC) přesné pojmenování problému, ozřejmit jej vytváření prostoru pro neustálé zlepšování zjednodušování výrobního procesu snížení zmetkovitost a tím i spojené náklady 89

Kontrolní otázky 1 Definice jakosti, smyčka jakosti a technlogická integrace 2 Dva zdroje dat pro statistické nástroje a jejich druhy 3 Gaussovo rozdělení pravděpodobnosti, definice a výpočet střední hodnoty a rozptylu 4 Původ chyb, způsob kontroly dat a charakter dat 5 Způsoby řízení technologického procesu, proces stabilní a nestabilní 6 Způsoby kontroly a její tři úrovně 7 Rozdělení poruch v povrchové montáži do skupin a vyjadřování poruchovosti 8 Šest základních skupin (typů) nástrojů pro statistické sledování výroby 9 Faktorová analýza a plánování pokusů 10 Matematický model výrobní operace 11 Metoda six sigma a její implementace do výroby 12 Koeficienty způsobilosti procesu 13 Analýza poruch v povrchové montáži 14 ISO vs. TQM 90

ŘÍZENÍ VÝROBNÍCH PROCESŮ V ELEKTRONICKÝCH VÝROBÁCH A MANAGEMENT JAKOSTI (9)

Recommend Documents