第三章 研究方法與架構
3.8 失效模式效應分析
但較合適之嵌合壓力,係取決於最惡劣之情況,故以 S11 參數量 測之分析結果,選擇 0.20 至 0.30MPa 嵌合壓力,作 為量產之製 程參數,以維持量測數據之穩定? 位。
前』改善措施。因此有別於一般之被動式失效模式 分析,除傳統 之風險優先度 RPN(Risk Priority Number) 計算外,另以本研究之 關鍵技術,導入主 動之失效預測模型。以精確之多元迴歸分析為 基礎,建構失效預測模式。並與傳統之失效分析系統並聯運作,
以期降低失效率,縮短製程減少重工降低成本,加速產品上市。
由於失效模式之建立,依賴現場實務與資料搜集,加以綜合整理 及歸納,並由實際案例,加以追蹤並檢驗其成效,以達持續改善 之功能,並能在最短時間內,使產品滿足客戶及市場之需求。
3.8.1 FMEA 系 統 架 構 與 流 程
FMEA 一般分為設計過程的失效模式分析 (Design FMEA)及 製 造 過 程 的 失 效 模 式 分 析 (Process FMEA), 此 處 以 量 產 製 程 為 主,介紹其基本方法。首先分析不同型號之產品,在各製程有關 的品質特性或潛在的缺點項目可能失效的模式,再評估其造成的 影 響 及 影 響 的 嚴 重 程 度 。 分 析 該 缺 點 發 生 的 原 因 及 發 生 的 可 能 性,查核目前管制的方式及被檢查出來機會。以整體的嚴重度為 優先次序責成負責單位及人員提出改善措施。經執行後,再評估 其嚴重度是否降低,以持續進行對策直到客戶滿意的水準。生產 部門以此 FMEA 分析的結果,檢核各有關部門及人員是否確實以 改善後的措施執行。
如圖 3.13 之失效模式分析流程圖,左邊為傳統之 FMEA 系 統,以計算風險優先度 RPN,為失效模式之指標,可作為後續改 善方案及計劃之依據。右邊為本研究構建失效預測模型之流程,
擷取原物料、製程參數與失效數據,經由多元迴歸分析, 建 構失 效預測模型。此流程於成效檢討與修定風險優先度相關參數後,
銜接以 風險優先度為核心之 FMEA 系 統,成一完整之循環。以下 即為本研究之 FMEA 系統流程:
圖 3.13 失效模式分析流程圖 建立量產量測資料庫
建立品質特性表 及相關缺失表
建立及修正失效模式表
評估嚴重度(Severity) 並分析失效模式之影響
評估發生度(Occurrence) 並分析失效模式之原因
評估難檢度(Detection) 並執行失效模式之改善
計算風險優先度 (Risk Priority Number)
RPN=S*O*D
修正預測模型
依風險優先度較高者 提出有效改善計劃方案
建構失效模之 預測模型
修正製程參數
檢討成效及 修正風險優先度
RPN
3.8.2 失 效 模 式 預 測 模 型
如圖 3.14 為失效模式預測之轉換函數網路模型,用以說明此 預測模型之基本架構:
圖 3.14 轉換函數網路模型
轉換函數由 i 個產出變數 [Y],與 j 個輸入變數 [X] ,所組成 之網路,可由下列多項式表之:
y
1t=
10y
1t -1+
11x
1t+
12x
2t+… .+
1jx
j t+ Q
1t+
1y
i t=
i0y
i t-1+
i1x
1t+
i2x
2t+… .+
i jx
jt+ Q
i t+
iy
2t=
20y
2t-1+
21x
1t+
22x
2t+… .+
2jx
jt+ Q
2t+
2y1 y2 y3
yi
x1 x2 x3
xj
Parameter
Of Raw
Material
Transfer Functions
Performace
After
Finished
Prodcuts
FMEA Forecast Transfer Functions
由於此 轉換函數之 多項式方程式,會隨著 X、Y 變數之增加 而漸趨複雜,然而實務之運用上,往往對於各項輸出之變數因子 之間,多無因果之關聯性,僅對輸入因子有因果之相依性質。因 此,為了簡化數學模式,本研究對於實務之分析運作,以多元之 輸入因子對單一輸出變數,以簡化轉換函數。如此一來,本研究 之預測模式,即可經由多元因子迴歸分析,加以建構及檢定。以 下為預測模型之推導及建構步驟:
1. 多 元 迴 歸 之 預 測 模 型 :
假設由母體中,隨機取出 n 組區集變數資料,其中由 k 個輸 入因子(Xk),與單一輸出變數(Y)組成:
1 1 31 21 11
y x x x x
k Μ
2 2 32 22 12
y x x x x
k
Μ … … ..
n k n
n n n
y x x x x
Μ 3 2 1
依最小平方法,應變數 Y 對自變數 Xi(i=1~k)之多元迴歸模型可 由下式表之:
ε β
β β
β + + + + +
= X X
kX
kY
0 1 1 2 2Κ Κ
(公式二十四)預測值:
y ˆ
i= f ( x
1i, x
2i, Λ , x
ki)
實際值:
y
i誤差值:
d
i= y
i−y ˆ
i差值平方和:
( )
21 1
2 2 1 1 0
∑
= 2= ∑
= −+ + + + +
=
ni
n
i
k k i
i
y X X X
d
D β β β Κ Κ β ε
可由 D 對
β
0,β
1,β
2,Κ Κ β
k偏導數為 0 時有極小值,以聯立方程式 解出最佳之迴歸係數如下:0 )
, , ( )
, , ( )
, 2 , 1
( 1 2
2 2
1 1 0
∂ =
= ∂
∂
= ∂
∂
= ∂
∂
∂
k k
k
b D b D b b
b D b bk
b D b
β β
β
β Λ Λ Λ Λ Λ
=
+
+
+
=
+
+
+
=
+
+
+
∑
∑
∑
∑
∑
∑
∑
∑
∑
∑
∑
=
=
=
=
=
=
=
=
=
=
=
n
i li i k
n
i ki n
i li n
i li
n
i li i k
n
i ki n
i li n
i li
n
i i k
n
i ki n
i li
x y b
x b
x b
x
x y b
x b
x b
x
y b
x b
x nb
1 1
1 1 0 1
1 1
1 1 0 1
1 1
1 1 0
Λ Μ
Μ
Λ Λ Λ Λ Λ
(公式二十五)
求出
b
0,b
1,b
2,Κ Κ b
k,即可求得最佳之迴歸方程式,亦即為本 研究之失效預測模型:k k
X b X
b X b b
Y =
0+
1 1+
2 2+ Κ Κ +
(公式二十六) 由於此聯立方程式之計算非常複雜,通常多由電腦軟體來輔 助計算。針對模型建構步驟,將詳述如下:2. 構 建 預 測 模 型 之 步 驟 : (1). 相 關 係 數 分 析 :
相關係數是一個標? 化之關聯係數,藉由相關係數矩陣,分 析自變數 X(輸入變數),與依變數 Y(輸出變數 )之相關性,找出相 關強度較高之自變數 X,以便後續模型之構建。如表 3.8 所示,
中度相關以上之變數,皆可納入模型,以求模型之? 確性。
表 3.8 相關係數強度表
相關係數範圍(絕對值) 變項關聯程度
1.00 完全相關
0.70∼0.99 高度相關
0.40∼0.69 中度相關
0.100∼0.39 低度相關
0.10 以下 完全相關
(2). 迴 歸 模 型 預 測 力
R
2之 檢 定 (整 體 檢 驗 ):R
2即為迴歸可解釋之變異量。即以X預 測 Y之 預 測 力 , 或 Y 變項被X變項所解釋之比率:t reg t
e
SS SS SS
R
2=
1− SS =
(公式二十七)其中
SS
t=總變異量,SS
e=誤差變異量,SS
reg=迴歸預測變異量SS df SS df R
Adj
t e
−
=
1 )( 2 (公式二十八) 其中
Adj
(R
2)=校正後R
2, df =自由度R
2 反 應 了 由 自 變 項 與 依 變 項 所 形 成 線 性 迴 歸 模 式 之 契 合 度 (Goodness of Fit) , 又 稱 迴 歸 模 型 之 決 定 係 數 (Coefficient of Determination),當樣本數愈小,則越容易高估,小樣本應採校正 後R
2(AdjustedR
2),以減輕膨脹效果。當R
2為時表示自變項與 依變項之間無線性關係,以下為檢定假設:虛無假設
H
0:R
2=0 , 對立假設H :
1R
2? 0 拒絕域=F > F
α( MSE
,MSB )
或F > F
α( k −
1,n −
1)
05 .
=
0α
(信賴區間=(1− α
)100%) (3). 迴 歸 模 型 分 項 迴 歸 係 數β 檢定:
當
R
2達顯著水? 後,迴歸模型之預測力已無疑慮。但每一迴 歸係數,仍必須各別加以檢驗,稱為分項迴歸係數之檢驗。本項 檢定使用t檢定,必須對每一係數一一檢定,以確認該係數之預測 力,其檢定之假設如下:虛無假設
H
0:β
0=
0,β
1=
0,β
2=
0,Κ Κ β
k=
0 對立假設H :
1β
0≠
0,β
1≠
0,β
2≠
0,Κ Κ β
k≠
0 拒絕域 C={ T > t ( n − p ) }
2
α 若落入 C 則拒絕 H0 05
.
=
0α
(信賴區間=(1− α
)100%)當任何一項係數未達顯著水準,則該項係數之預測能力低,可改 用逐步分析法進行模型修正
3. 實 例 驗 證 :
實務中取 13批原料之7項自變數X1∼ X7,與產出變數Y之平 均數建立分析表。如表3.9,各項因子間若存在因果相關,則可透 過多元迴歸分析,建構預測模型。各項變數定義及相關方法說明 如下:
輸入變數X1∼X7:代表生產或原材料之因子變數。
輸入變數 Y:產出因子,可為產品特性或失效指標之平均數。
生產批次 LOT:生產批號 1∼13,依生產先後依序表列。
由 於 各 別 批 量 之 總 數 , 於 量 產 中 並 不 一 致 , 為 消 除 其 差 異 性,表列各項參數皆取平均數,做為分析之基礎。
表 3.9 輸入變數 X 與輸出變數 Y 之平均數分析表
Lot X1 X2 X3 X4 X5 X6 X7 Y
1 77.98 15.48 7.19 25.30 155.50 13.97 48.87 56.41 2 75.34 15.35 7.22 25.53 154.37 14.04 49.60 53.43 3 80.26 15.24 7.18 25.48 160.88 14.04 48.24 52.13 4 78.40 15.32 7.15 25.12 158.76 14.04 48.02 55.12 5 77.95 15.34 7.18 25.10 158.04 14.18 47.96 52.12 6 81.84 15.20 7.17 25.08 161.22 14.11 47.91 56.57 7 81.10 15.31 7.18 25.29 156.99 14.51 49.47 45.93 8 80.38 15.29 7.18 25.16 157.23 14.37 49.23 47.41 9 79.30 15.39 7.18 25.21 155.76 14.42 49.27 49.09 10 81.08 15.30 7.16 25.13 158.43 14.39 49.25 48.46 11 79.68 15.43 7.22 25.01 156.10 14.46 49.17 48.95 12 82.70 15.23 7.15 25.49 157.96 13.92 50.07 44.21 13 81.74 15.22 7.12 25.37 160.66 13.94 49.96 44.79
(1). 相 關 係 數 分 析 :
表3.10 Pearson相關係數矩陣:
Y X1 X2 X3 X4 X5 X6 X7
Pearson Correlation
Y 1.000 -.570 .291 .343 -.205 -.006 -.293 -.768
X1 -.570 1.000 -.641 -.615 -.071 .626 .082 .230
X2 .291 -.641 1.000 .629 -.246 -.803 .295 -.004
X3 .343 -.615 .629 1.000 -.075 -.677 .377 -.102
X4 -.205 -.071 -.246 -.075 1.000 -.066 -.558 .481
X5 -.006 .626 -.803 -.677 -.066 1.000 -.319 -.378
X6 -.293 .082 .295 .377 -.558 -.319 1.000 .061
X7 -.768 .230 -.004 -.102 .481 -.378 .061 1.000
Sig.
(1-tailed)
Y . .021 .167 .126 .251 .493 .165 .001
X1 .021 . .009 .013 .409 .011 .395 .225
X2 .167 .009 . .011 .209 .000 .164 .494
X3 .126 .013 .011 . .404 .006 .102 .371
X4 .251 .409 .209 .404 . .415 .024 .048
X5 .493 .011 .000 .006 .415 . .144 .102
X6 .165 .395 .164 .102 .024 .144 . .421
X7 .001 .225 .494 .371 .048 .102 .421 .
N Y 13 13 13 13 13 13 13 13
X1 13 13 13 13 13 13 13 13
X2 13 13 13 13 13 13 13 13
X3 13 13 13 13 13 13 13 13
X4 13 13 13 13 13 13 13 13
X5 13 13 13 13 13 13 13 13
X6 13 13 13 13 13 13 13 13
X7 13 13 13 13 13 13 13 13
結 果 顯 示 X1、 X7對 Y之 相 關 係 數 顯 著 , 已 達 0.05之 顯 著 水
? ;值得注意的是,X1、 X7皆達顯著水? ,但 X4雖未達顯著水
? ,仍屬中高度相關,若納入模型之構建因子,將可提高預測之 預測力。模型之各項檢定如下:
(2). 迴 歸 模 型 預 測 力
R
2之 檢 定 (整 體 檢 驗 ):虛無假設
H
0:R
2=0 對立假設H :
1R
2? 0拒絕域=
F > F
α( MSE
,MSB )
或F > F
α( k −
1,n −
1)
05 .
=
0α
(信賴區間=(1− α
)100%) 表3.11 預測力檢定分析表Change Statistics Model R R Square Adjusted
R Square
Std. Error of the
Estimate R Square Change
F Change
df1 df2 Sig. F Change
1 .768 .589 .552 2.85288 .589 15.768 1 11 .002 2 .867 .752 .703 2.32244 .163 6.599 1 10 .028 a Predictors: (Constant), X7
b Predictors: (Constant), X7, X1
表3.12 預測力ANOVA檢定分析表
Model Sum of
Squares
df Mean Square
F Sig.
Regression 128.337 1 128.337 15.768 .002 Residual 89.528 11 8.139
1
Total 217.865 12
Regression 163.928 2 81.964 15.196 .001 Residual 53.937 10 5.394
2
Total 217.865 12
分析採 逐步分析法,結果顯示模型 1,為 X7 首先進入模型
R
2=0.768, Adj(R
2)=0.552, 經 逐 步 分 析 法 再 進 入 模 型 為 X1,R
2=0.867,Adj(R
2)=0.752,已具有 75.2%以上之預測力。模型 1 :F(1,11)=15.768, p=0.002 達顯著水準;落入拒絕域, 故拒絕虛無假設
H
0,即R
2=0 不成立。模型 2 :F(2,12)=15.196, p=0.001 達顯著水準;落入拒絕域, 故拒絕虛無假設
H
0:R
2=0 不成立:判定:本迴歸模型之整體預測力具統計意義。
當
R
2達顯著水? 後,每一迴歸係數必須各別加以檢驗如下 (3). 迴 歸 模 型 分 項 迴 歸 係 數β 檢定:
虛無假設
H
0:β
0=
0,β
1=
0,β
2=
0,Κ Κ β
k=
0 對立假設H :
1β
0≠
0,β
1≠
0,β
2≠
0,Κ Κ β
k≠
0 拒絕域={ T > t ( n − p ) }
2
α
{ T > t
α( n − p ) }
05 .
=
0α
(信賴區間=(1− α
)100%) 表3.13 預測模型係數表:Unstand Coeff.
Standard Coeff.
95% Confidence Interval for B Model
B
Std.
Error
Beta
t Sig.
Lower Bound
Upper Bound Constant 264.990 54.057 4.902 .000 146.011 383.969 1
X7 -4.380 1.103 -.768 -3.971 .002 -6.808 -1.952 Constant 308.199 47.111 6.542 .000 203.228 413.170
X7 -3.836 .923 -.672 -4.158 .002 -5.892 -1.781 2
X1 -.875 .341 -.415 -2.569 .028 -1.634 -.116
因採逐步分析法,迴歸模型2之分項預測力Beta值 為 0.672及 0.415,其中 X7之係數項最強 (0.672), X4之係數項最弱 (0.415)。
各項係數之t檢定如下皆達顯著水準; 落入拒絕域,拒絕域H0, 0
, 0 ,
0 ,
0 1 2
0
= β = β = β
k=
β Κ Κ
不成立。(4). 結 論 : 失效預測模型之數學方程式如下:
Y = b
0+ b
1X
1+ b
2X
2+ Κ Κ + b
kX
k
Y =
308.119−
3.836X
1−
0.875X
7 3.8.3 FMEA 風 險 優 先 度 (RPN)評 價 法風險優先度(Risk Priority Number)評價方式如下:
RPN=S*O*D (相關計分準則如表 3.14∼表 3.17) 1. 嚴重度(Severity):不良模式對客戶產生的影響程度
表 3.14 嚴重度計分表
嚴 重 度 計 分 標 準 計 分
發 生 此 項 缺 點 時 , 通 常 不 致 於 對 產 品 有 顯著的影響,使用者通常不易察覺。 1
微小 發 生 此 項 缺 點 時 , 至 多 僅 能 造 成 使 用 者
之少許不便,使用者通常僅能偶爾察覺。 2~3
MINOR
發 生 此 缺 點 時 , 可 能 引 起 使 用 者 之 輕 微
不滿,使用者通常僅略感不便。 4~6 發生此缺點時,引起使用者之相當不滿。
7~8 MAJOR
發 生 此 缺 點 時 有 不 符 政 府 法 令 規 定 之
慮,但不致影響安全。 8~9
發 生 此 缺 點 時 極 為 嚴 重 , 危 及 安 全 並 違
反政府法令。 9~10
CRITICAL
2. 發生度(Occurrence)
表 3.15 發生度計分表
發 生 度 計 分 標 準 計 分 機 率 發生此項缺點機率極低,
±
4σ
。 1 1/10,000 發生此項缺點機率低,±
3σ
。 23 4 5
1/5,000 1/2,000 1/1,000 1/500 發 生 此 缺 點 機 率 適 中 , 與 過 去 某 項 偶
然出現的缺點之製程相似,
±
2.5σ
。6 1/200 發 生 此 缺 點 機 率 適 中 , 與 過 去 某 項 經
常出現的缺點之製程相似,
±
2.5σ
。7 1/100
發生此缺點之機率極高。 8
9 10
1/50 1/20 1/10 3. 難檢度(Detection)
表 3.16 難檢度計分表
難 檢 度 計 分 標 準 計 分 機 率 此項缺點不被檢出的機率極低。 1 1/10,000 此項缺點不被檢出的機率很低。 2
3 4 5
1/5,000 1/2,000 1/1,000 1/500 此項缺點不被檢出的機率適中。 6
7 8
1/200 1/100 1/50 此項缺點不被檢出的機率高。 9 1/20 此項缺點不被檢出的機率極高。 10 1/10
4. 風險優先度(RPN)評估之指導綱要 表 3.17 風險優先度(RPN)評估表
RPN 值 說明/措施
1≦ ≦R 17 微小產品及/或商業上之冒險
18≦ ≦R 63 中度冒險,需要採取產品驗證與設計評 估及/或產品各特性以降低 RPN
64≦ ≦R 125 重度危險,需要多方面於設計及/或製 程修正以降低 RPN