次は
温度と湿度の原因分析
異常状態の工程解析は、 「異常が発生したのはなぜか？」、 「問題が発生したのはなぜか？」ということを調べるための方法です。 原因不明の不良品が発生した時や、 定常状態の工程解析 で不可解なものが見つかった時に必要になって来ます。
例えば、「製品にゴミが付着する不良が多発している！」、 という品質の異常があった場合、 すぐにデータ解析で原因を調べ始めるのは、必ずしも良くありません。
こういうケースでは、例えば、 「ゴミの大きさは、どれも1mm位」、 「ゴミの主成分は、鉄」、 と言った追加の情報があれば、調査はうんと楽になります。 つまり、結果からすぐに原因を探しに行って、原因を見つけるよりも、 まず、「何が起きたのか？」と、結果をよく調べることが、とても大事です。
結果の調査の他にも、工程解析の実際の場面では、 情報源の調査や、データの収集や裏付けの調査等が、データ解析以前にあります。 場合によりますが、 それらを含めた一連の作業の中では、データ解析の作業は１割にもならないと思います。 解析以前の作業が、データ解析の成否に大きく影響します。
以下は、データ解析の話です。
扱うのが「異常」なので、 まずは、データの素性を調べる必要があります。 「普段は数字のデータなのに、文字のデータや、空欄になっている。」、というのが、 「異常」になっていることもあるので、生のデータを眺めることも必要です。
全部が数字のデータで、データの量が多い時は、 グラフ統計 が役に立ちます。 グラフを見ただけで、問題が解決することもあります。
データサイエンス 全般に言えることですが、 現実のデータは様々な事情が絡んでいるので、事情を把握しないで、データに統計手法（数理モデル）を当てはめると、 あまりうまく行かないものです。 特に、扱うのが「異常」現象の時は、データをよく見ることが威力を発揮します。
重回帰分析
や
判別分析
等の統計手法は、生のデータにそのまま使うと、あまり役に立たないです。
これらの手法は、
Z = a * X + b * Y + c
のような式が仮定されたり、
正規分布
が仮定されたりしますので、これらの仮定と実際のデータが合っていないと、役に立ちにくいです。
これらの手法は、 層別 のサンプリングや、データのクレンジングをすると、仮定が成り立つようになって、役に立つことがあります。
クレンジング（洗浄）というのは、データの修正です。 一般的な解説書では、異常値を削除することをデータのクレンジングのように説明していることがありますが、 「異常」の原因を調べることが目的の時は、削除しない方が良いこともあります。 削除するのは、例えば、正常状態の時に成り立っている数理を見つけて、その数理と異常値との関係を調べたい時です。
ちなみに、層別やクレンジングの作業の中で、異常の原因が見つかることもあります。
数理による解析で中心になるのは、 決定木 の考え方です。 データ全体に当てはまる理論を探すのではなく、データを分けて、絞り込んで行くところが役に立ちます。
MT法 は、「異常」の程度を数値的に表現する方法です。
解析の流れは、大きく分けると、下記の２つの系統になるようです。
外乱とは、製品に影響するあらゆる外部環境の乱れ（ばらつき）を言います。 ある日突然、品質に影響するようになったり、 予測不能であったり、しかもその影響が甚大だったりするものを指します。 現場の気温の変化、作業手順のちょっとした変更、仕様として表現できないような製造装置の差異、 材料のばらつき、等々、挙げればキリがありません。
異常状態の工程解析では、「異常」の原因が外乱になっていることがあります。
ちなみに、 品質工学 の ロバスト設計 という考え方は、設計段階で外乱に強い製品を作ることを目指しています。
「<図解>品質コンプライアンスのすべて ISO9001:2015プロセスアプローチによる不正防止の進め方」 小林久貴 著 日本能率協会マネジメントセンター 2019
品質コンプライアンス違反を引き起きすのは、４つのオーバーがあるとし、その違反を止められないのは３つのバッドがあるとしています。
それを未然に防ぐ方法として、プロセスアプローチを紹介しています。
「リスクの目分析シート」という、「目」のような形をしたフォーマットを使って、現状のプロセスがどのようになっているのかを調べます。
この分析は、監査の方法にします。
「わかる!使える!品質改善入門 <基礎知識><段取り><実践活動>」 石川君雄 著 日刊工業新聞社 2019
トヨタで行われている品質改善の方法が、コンパクトかつ網羅的にまとまっています。
工程の種類別の不良の種類などもあります。
「異物不良「ゼロ」徹底対策ガイド一般エリアからクリーンルームまで即効果が出る」 中崎勝 著 日刊工業新聞社 2019
異物対策の豊富な経験が、コンパクトにまとまっています。
原因対策の話もありますが、清掃の話がかなりあります。
5Sのひとつに「清掃」があることはよく知られていますが、「清掃」をここまで徹底してまとめているものは、他にはないかもしれません。
このページに関係するデータ関係の事は、少しあります。
異物の数のデータや、異物の種類のデータを常時監視しておき、その情報と現場の情報を紐付けて、解決につなげています。
「やさしいKI法 磯部式問題解決法で生産性を上げよう」 磯部邦夫 著 日本規格協会 1987
従来の問題解決法は、
特性要因図
を描いて、原因を見つけるものとしています。
そして、このアプローチのは、考えてもわからない原因は、見つからないことを、指摘しています。
この本では、観察によって、原因を見つける方法を紹介しています。
「不良は、ばらつきの結果と考えて、ばらつきの原因を探す」、
「場所や時間で、焦点を絞る」、
「比較する、拡大する、周囲を見る、重ね合わせる、によって、ちがいを見つける」を観察の視点として挙げています。
「よくわかる電子機器実装の品質不良検査とコスト削減」 杉山俊幸 著 日刊工業新聞社 2020
電子機器実装で起こる不良の種類や、その検査方法が具体的にまとまっています。
順路
次は
温度と湿度の原因分析
