사용자에게 요구되는 플라스틱 성형품의 규격은 최근 더욱 엄중해지고 있고, 생산현장에서 만들어진 것은 사내의 샘플링 검사에서 시간마다 체크된다. 규격값을 벗어나는 것은 그 전후를 포함해서 로트아웃(lot out)되어, 전수 검사로 선별되기도 한다.

 

실제로 그렇게 되기까지의 데이터에는 어떠한 이상이 일어나고 있을테지만 우리가 모르기 때문에 이미 징후가 나타남에도 불구하고 놓치기 마련이다. 그래서 불량이 발생해야 비로서 큰 소동이 일어나는 결과가 되는 경우가 의외로 많다.

 

측정값을 애써 정확하게 구하고 데이터표로 만들어 두면 간단한 해석만으로도 적절한 사전 판단을 할 수 있다.

 

그 하나를 여기에 소개하고 싶다.

 

지금, 아래표와 같은 데이터표가 있다고 하자.

 

 

이 경우, 각각의 근무 편차를 범위 R 주간 = 1.6, R 야간=1.3, 평균값 X 주간 = 103.28, X 야간 = 103.79를 구하는 곳까지 하여, 낮은 편차가 조금 크지만, 야간의 제품은 치수가 조금 크다고 말하기 쉽다.

 

여기서 또 하나 표준편차를 구하면 (함수 전산기를 삼용하면 쉽게 구해진다). σ 주간 = 0.42, σ 야간 = 0.43이 되고, 주간, 야간의 각 편차 (급내변동σw)는 변하지 않는 것을 알 수 있다. 한편, 전체의 편차σ전체(σx)=0.50, 평균값 X 전체 = 103.54가 된다.

 

따라서 주간과 야간 사이의 편차인 σ주간~야간 (급간변동σb)은 다음과 같이 된다.

 

σb²= σx²- σw²= 0.50²- 0.425²=0.069

따라서 σb = 0.26

σb/σw <1이 되므로 주간과 야간의 그룹 사이에는 차이가 없다는 결과가 되어, 범위 R과 평균값으로부터 판단한 결과로 달라진다.

 

여기까지 결과를 논하지 않고 판단을 잘못 내리는 결과로 일어난다. 따라서 이 경우의 대책으로는 당연히 급내 변동 즉, 각 근무내의 편차를 줄이는 연구가 필요하다. 그러면 급내의 편차는 무엇에 기인하는 것인가, 금형에 의한 것인가, 성형 및 아닐 조건에 의한 것인가, 재료에 의한 것인가, 또한 같은 데이터 해석을, 각각 요인별로 층별한 데이터로 만들어 두면 밝힐 수 있다.

 

얻어진 데이터로부터, 옳은 판단을 내릴 수 있도록 해석을 게을리 해서는 안된다.

 

통계 데이터 해석에서는, 표준편차를 구하고 판단하느냐, 앉느냐가 의외로 틀린 방향의 대책을 잡는 결과가 일어난다는 일례이다.

 

(급냉 데이터가 적고 급간 데이터가 많은 경우에는 1급내의 범위 평균값 P를 관리도 계수 d2로 빼고, 급내 변동 σw=R/d2를 구한다.)

<저작권자ⓒ '플라스틱사이언스' 무단전재-재배포 금지.>