近年来,如何提升汽车质量以及如何定义汽车的质量指针已经是各家汽车厂商研究的重点之一。2018年J.D. Power新车质量研究 (IQS) 显示常见的问题如下: 导航系统不准确、车窗/挡风玻璃易起雾、内置蓝牙电话/设备经常有配对/连接问题、音响系统不易使用以及内置语音识别系统经常无法识别等,在报告调查中也显示了缺陷和故障类问题逐年减少,但设计类如车载智能互联设备的问题提高了,而常见的问题如车内异味改进幅度最大,其次是胎噪声过大、空调开启后发动机没动力、风噪声过大和耗油量过大。
简而言之,质量的问题及种类随着科技时代的进步,各汽车厂商所要求的重点也会变化,但质量最终由客户或是相关人员所决定,借助于不同的管理工具,公司可以改善产品的表现进而提升客户满意度并增加市场占有率,并朝着改善产品效能、效率和功能性的目标前进,而汽车工业的质量管理是基于ISO/TS的标准(如下图)。
汽车行业中可以产生数据以及分析数据的环节很多。以汽车零部件来说,就有附件如镜子、音响、天线等,碰撞件就有钣金件、塑料件、保险杆、车灯,消耗件有火星塞、轴承、机油滤清器等,每种零部件在检验时,可能会因不同的加工程序,以及操作员加工的手法或是测量手法的不同,进而影响后续的组装质量。
因为汽车行业必须具备“生产一致性产品的质量的能力”,换句话说,也就是要减少生产过程中产品性能的变异,这可能牵涉到生产中的很多因素。我们必须思考生产中的变异到底是由哪些原因造成的?每个原因所产生的变异在总变异中又占有多大的比例?换而言之,我们要找出的产生变异的“罪魁祸首”才能更进一步针对变异来源去作分析。这就是我们在质量管理中所说的变异来源分析(Source of Variation), 它所用到的主要统计工具就是“方差分析(Analysis Of Variance)”和更深入的“方差分量(Variance Component)”。虽然并不是每个汽车行业的工程技术人员都能理解和掌握方差分析和方差分量的数学原理,但借助于JMP软件,工程技术人员不需要深入学习这些相对复杂的数学原理就可以很快地找出变异并完成分析报告。下面用一个更加具体的案例来加以说明。
例如,某汽车零部件企业发现其生产的轴承的直径波动很大,质量管理人员怀疑不仅和生产过程有关,还可能与测量系统有关。因此,根据事先安排好的计划,有规律性地收集生产过程中不同测量人员在不同时间测量不同零部件的测量结果,然后通过JMP软件的统计分析,得到如下图所示的分析报告。
从以上的分析报告中可以定量地看到,Part所代表的产品本身的变异占总体变异的66.1%,其余的33.9%都是来源于测量系统的变异。其中的Operator代表的是测量人员的变异占总体变异的21.3%,Operator*Part代表的是由测量人员与零部件的交互作用所产生的变异占总体变异的9.3%, Within代表的是其它随机误差所产生的变异占总体变异的3.2%。由变异性分析表也可以看出来,测量人员和零部件的交互作用是显著的。所以想要探讨变异的原因需要从操作人员以及其测量手法甚至是隐藏在背后的原因,例如,是否是不同机器测量出来的或是不同时间测量所造成的影响等。
不过,怎样才能解决这个问题呢?根据交互作用的图发现,Della测量的结果与其他测量人员的测量趋势明显不同,所以可以调查是否有其他的原因影响造成她测量的值都偏低,以求降低交互作用带来的影响,此外经过质量管理人员的进一步现场调查发现:该生产过程中的测量系统不仅有不同的测量人员,还存在着不同的测量设备。为了验证我们的猜测,必须制定出更加周密的数据采集计划,继续通过JMP软件的统计分析,以得到如下图所示的分析报告。
交互作用图
加入设备后的分析结果
从新的分析报告中可以看出,测量人员的变异降低了而测量设备的变异占了很大一部分比重。显然,我们不仅要关注测量人员操作标准化的技能培训,还需要关注所有测量设备本身的校验管理。只有如此,才能有效地大幅度降低轴承直径生产的变异。
质量提升对于汽车业来说,仍有许多值得去了解及探讨的地方。在大数据及智能制造的时代,企业如何充分利用高效的分析工具(JMP)以及生产数据纪录系统,及时且有效的监控并快速分析出背后的真因,才能在激烈的市场中胜人一筹,始终保持先进的生产地位。