JMP Background

JMP®による品質管理、信頼性分析、シックスシグマ

優れた品質を生み出すには、継続的に学習・改善するための努力が欠かせません。データを体系的に活用することで、作業をより効率的かつ効果的に実施する方法を見つけ、コストや無駄、労力を最小限に抑えれば、生産工程、製品、サービス、および組織パフォーマンスのレベルを向上させることができます。JMPには、ブランドを確立・維持し、市場投入までの時間を短縮し、品質保証関連の経費を削減し、顧客の期待以上の製品やサービスを提供する上で役立つ、業界でも最先端のさまざまな機能があります。

品質管理

品質管理活動の中心となるソフトウェアには、すぐに使える広範な統計手法とグラフ機能が用意されている必要があります。JMPには、最先端の実験計画(DOE)、対話的な管理図、工程能力分析、予測モデルの作成およびレポート作成のための優れた機能が備わっています。そのため、ユーザーは顕在化しつつある問題を特定し、その根本原因を調べ、トラブルに発展する前に解決することができます。

信頼性分析

何を製造するにしても、製品の信頼性は事業の成功を大きく左右します。保証期間が過ぎるまで製品が期待どおりに機能し続けないことには、顧客を満足させ、リピーターになってもらったり、他の人に推薦してもらったりすることができません。JMPの信頼性分析の機能は、故障を予防し、保証コストを削減するのに役に立ちます。JMPを使えば、データおよび予測における傾向と外れ値を明らかにすることができます。また、設計上の重要な脆弱性を見つけ出し、材料や工程の不具合を特定し、解決方法を探るのにも役に立ちます。

シックスシグマ

ビジュアルシックスシグマは、従来のシックスシグマツールを、現場でより効果的かつ効率的に利用できるように再編成・強化したもので、データに基づいた行動および製品改善活動における革新的な手法ということができます。JMPを使用すれば、問題点や改善の機会の特定、解決策の発見、結果の共有が、視覚的に行えます。

無料トライアル版をダウンロード

品質管理

統計的品質管理

JMPは、一般原因と特別原因を有効に区別するためのさまざまな統計的品質管理(SPC)の機能を備えています。問題点の調査や、工程が管理された状況にあるかどうかの確認、工程の安定性の監視など、工程に関する分析を支援します。

管理図の各プラットフォームには、フェーズやサブグループ変数を指定する機能、柔軟な警告ルールなど、充実した機能が用意されています。これらのプラットフォームは、計量値管理図、計数値管理図、およびまれなイベントの管理図をサポートしています。管理図ビルダーでは、ドラッグ&ドロップの操作で対話的に管理図を作成できるため、さまざまな種類の管理図やサブグループ化の方法を気軽に試し、変動の原因を区別して最適な管理方法を決定できます。また、管理図ビルダーでは、ランダムな変動の原因が複数ある場合にも対応できます。管理図ビルダーは対話式なので、静的な管理図では不可能な方法で工程を評価することができます。

品質管理

測定システムと変動性

Donald J. WheelerによるEMP (Evaluating the Measurement Process)という分析は、平均図や範囲図に基づく新しい測定システム分析(MSA)手法です。MSAは、測定システムの精度や一貫性、偏り(バイアス)を評価することを目的としています。EMPは、使用する測定システムを視覚的および定量的に評価する手法です。測定システムの評価に関する統計量や指標を計算するだけでなく、測定システムの変更が管理図による変化の検出確率にどのような影響を与えるかを確認することもできます。測定システムの有効性を公平かつ効果的に評価するEMPでは、システムをより簡単に分類し、改善がどれほど工程管理のレベルを改善できるか(あるいはできないか)を適切に調べることができます。

JMPの「測定システム分析」プラットフォームでは、従来から用いられているGauge R&Rも使用できます(「計量値/計数値用ゲージチャート」プラットフォームからも使用できます)。これらの分析では、確立されたAIAG標準を基に、測定システムが全体の変動にどれほど寄与しているかを評価します。JMPでは、主効果、交互作用、枝分かれモデルなどの各種モデルがサポートされているため、測定システムの精度を適切に定量化し、改善の必要な領域を特定できます。それが、確実で正確な工程監視につながります。「変動性図/計数値用ゲージチャート」プラットフォームでは、変動の要因をすばやく把握できる、マルチバリチャート(多変動図、変動性図)も作成できます。

品質管理

工程能力分析

JMPでは、工程能力分析を複数のプラットフォームから実行できます。「工程能力」プラットフォームでは、多数の変数の工程能力を1つのグラフ上で比較できます。どの変数に注目すべきかがすぐに特定でき、それぞれのケースでどのような改善が必要か、簡単にわかります(平均を目標値にあわせる、変動を小さくする、またはその両方)。片側と両側の仕様限界がサポートされています。これらの限界は、JMPテーブル自体に列プロパティとして保存され、分析しているデータと直接結び付けることができます。

新しく統一された工程能力分析を行うためのプラットフォームでは、「群内」工程能力および「全体」工程能力のいずれも計算されます。これらは、短期(群内)および長期(全体)の工程能力指数を計算するために使用され、それぞれCpkおよびPpkとも呼ばれます。非正規分布(Johnsonなど)やノンパラメトリック分布など、各工程変数に特定の分布を設定することができます。また、JMPが最もあてはまりの良い分布の種類を決定するように設定することもできます。サブグループ列からの枝分かれの指定も可能です。

品質管理

工程のスクリーニング

新しい「工程のスクリーニング」プラットフォームを使うことにより、品質管理者は多数の管理図を素早く分析することができ、即時の対応が必要な工程を特定し、工程の安定性や工程能力上の問題に効果的に対応することができます。ユーザーは、警告率、安定比、シフトの検出と工程能力指数などの重要指標を簡単に並び替えることができます。さらにユーザーは、選択した工程の簡易的な管理図、詳細な管理図、工程能力分析、工程性能のダッシュボードのグラフを表示することができます。

信頼性分析

寿命の一変量

部品や製品の寿命を正確に予測するには、データに最もよくあてはまっている分布を特定する必要があります。JMPは、さまざまな寿命分布を自動的に評価して、最もあてはまりの良いものを見つけ出します。必要に応じて、パラメトリックな分布とノンパラメトリックな分布を手動で選択して比較することもできます。これらの手法がすべて、「寿命の一変量」プラットフォームに使いやすくまとめられています。最も有効なモデルを見つけたら、動的なプロファイルを使って対話的な寿命の予測や、将来の信頼性の推定などが可能です。「グループの比較」タブを使って、グループごとに寿命の一変量のグラフを表示することもできます。

独立した故障原因が複数あるシステムの場合、「寿命の一変量」の競合原因分析の機能を使って、各原因を個別に分析できます。各故障原因に分布をあてはめた後、対話的に原因を省いていき、製品の信頼性における改善の可能性を探ります。

この他にも、Bayes推定、混合分布のあてはめ、競合リスク混合分布のあてはめ、官能評価分析、平均余寿命の計算といった機能が用意されています。

信頼性分析

修理可能システム

JMPには、修理可能システムを分析するための各種プラットフォームが用意されています。

「信頼性成長」プラットフォームでは、1つの修理可能システムの信頼性が、設計に改良が加えられるにつれて変化する様子を、モデル化することができます。このプラットフォームは、Crow-AMSAAモデルをあてはめます。また、信頼性モデルが変化した時点を自動的に特定する、変化点検出機能も備えています。

「再生モデルによる分析」プラットフォームでは、修理可能システム、つまり再発性イベントの調査を分析します。分析では、ユニットあたりのコストも考慮されます。時間の経過につれて変化する、故障の合計数や修理の合計コストをモデル化します。パラメトリックなモデルを各種あてはめ、平均累積関数(MCF)を計算することができます。

「信頼性予測」プラットフォームでは、選択した信頼性モデルを使用して将来の製品の故障数を予測し、修理計画やコスト計画を立てることができます。生産計画や保証期間の長さを対話的に調節したり、予測値やその信頼区間を動的に確認・更新できます。

信頼性分析

修理可能システムのシミュレーション(JMP Pro)

最新のJMP Proには、複雑な修理可能システムの離散事象シミュレーションを行える「修理可能システムのシミュレーション」プラットフォームが搭載されています。この機能では、従来型の保守計画を設定できます。このプラットフォームは保守計画と信頼性ブロック図(RBD)を1つのワークプレイス内に図式化します。ユーザーは、システムまたは要素レベルごとに、ダウンタイム、可用性、および計画外の停止を分析することができます。

信頼性分析

信頼性分析における回帰モデル

「寿命の二変量」プラットフォームでは、寿命と分析対象である因子の関係をモデル化します。位置、位置と尺度、Arrhenius、電圧、線形、対数、ロジットなど、さまざまな変換式が使用できます。加速寿命試験計画は、通常「寿命の二変量」プラットフォームを使って分析されますが、加速因子が複数ある場合は、「生存時間(パラメトリック)のあてはめ」プラットフォームを使用すれば、より複雑なモデルやより深い分析を柔軟に行えます。

包含モデルの検定も含まれており、各モデルの比較を実行できます。包含モデルの検定には、別々の位置と尺度、別々の位置、回帰、および効果なしのモデルの統計量および診断プロットが含まれます。

JMPの[実験計画(DOE)]メニューには、加速寿命試験を計画するための[加速寿命試験計画]の機能があります。また、[標本サイズ/検出力]メニューには、[信頼性試験計画]と[信頼性実証]計画があります。新しい「累積損傷」プラットフォームでは、加速寿命試験をサポートするために、JMPの機能を拡張しています。このプラットフォームでは、ステップストレス、ランプストレス、正弦波ストレスと区分ランプストレスを分析できます。

信頼性分析

劣化分析

JMPの「劣化分析」プラットフォームは、時間の経過に伴う製品の劣化データを分析し、製品の品質と保証リスクの予測を支援します。「劣化分析」プラットフォームを利用すれば、製品や部品が劣化(soft failure)あるいは故障(hard failure)するまでに収集したデータを使って、性能の予測を行えます。

破壊劣化

製品の特性を測定するには、時には製品を破壊する必要があります。たとえば、破壊強度を測定する場合、製品が破壊するまでストレスが加えられます。製品の信頼性を調査する新しい「破壊劣化」プラットフォームには、多数の標準モデル、変換、データ分布などの視覚的なモデルライブラリが組み込まれており、この種類の分析が可能です。また、モデルの比較、CDF、分位点プロファイルなどの機能があり、信頼性分析の専門家であるアイオワ州立大学のWilliam Q. Meekerは、JMPのこの新しいプラットフォームを「破壊劣化データの分析がとても単純になります」と評価しています。

信頼性分析

信頼性ブロック図 (JMP Pro)

信頼性ブロック図(RBD)は、システムが正常に機能するために必要な部品間の関係をグラフにしたものです。信頼性ブロック図は、部品の信頼性が複雑なシステムの状態(正常/故障)にどのように寄与するかを示します。部品に寿命分布をあてはめると、部品の現在の信頼性に基づいて「信頼性ブロック図」プラットフォームが全体的なシステムの信頼性を計算し、予測を行うことができます。

システム設計に信頼性ブロック図を利用すれば、システム内で弱点とされる部分を強化できます。フローダイヤグラムを作成し、デザインをライブラリに保存することもできます。そして、ライブラリの項目やデザインをコピー&ペーストすることで、デザインのテンプレートを作成できます。さまざまなデザインをレビューし、グラフ上で複数の構成を比較することにより、what-if分析を実行できます。また、システムの故障率を下げるには、どこに冗長性を持たせればよいかを特定できます。

シックスシグマ

変動の原因

シックスシグマとは、要件に関する変動を管理する手法です。

JMPの多様なグラフ機能を、単独または組み合わせて使用し、データを動的に分析すると、統計的に有意であるだけでなく実際に重要な意味を持つ変動の要因を、目で確かめることができます。動的なグラフから得られる情報の量は、静的なグラフのそれをはるかに超えています。列や行の数が増えてデータが複雑になるにつれて、動的な視覚化の機能は不可欠となります。

シックスシグマ

主要な原因の特定

変数の大きいデータでも、動的な視覚化の機能を適切に使用してデータを把握すると、単独または複数のX変数が、分析対象であるY変数の結果に影響を与えている様子が明らかになってきます。しかし、この方法で十分な情報が得られないケースや、変数が多すぎるケースに備えて、JMPには、情報量を維持しながら次元を効果的に減らす強力な統計手法が用意されています。関係を見つける目的でパーティションやクラスター分析、判別分析のプラットフォームを使用すると、鍵となるX変数が特定できます。また、必要に応じて、それらの変数を使用して統計的モデルを作成できます。

シックスシグマ

合意の形成

データの収集と分析は、コストと時間のかかる作業です。発見したことが、実際に意思決定や行動につながらなければ、そのための労力は事業価値を生み出さず、無駄になってしまいます。このプロセスの鍵を握るのが、発見をさまざまな関係者に伝達することです。現実では、多くの場合に妥協が必要になるため、伝達だけではなく合意形成が不可欠です。JMPのプロファイルとシミュレータは、合意形成を目的としています。これらを活用すれば、発見を有意義な形ですばやく評価し、既存の知識を活かしてwhat-if分析を行い、データから分かったことを補うことができます。モデル化の技術的な点に時間をとられることはありません。

Back to Top