單元

1:6sigma簡介1-16Sigma概念1-26Sigma階段推進內容1-3

統計基本概念及理解1-46Sigma品質水平是什么?1-5

聚焦問題點階段最香甜的果實-全系統設計大部分的果實-Process特性化/最佳化下部的果實-QC7

tool掉在地上的果實-僅依靠直接檢查6sigma概念（廣義）σ-水平65432PPM3.42336,21066,807308,5373sigma水平的公司6sigma水平的公司

銷售額中10～15%是損失費用

銷售額中5%是損失費用

百萬中有66,807個不合格品

百萬中有3.4個不合格品

依靠品質檢查

重點是使工序中不產生不良

保證高品質需要很多費用

保證高品質所需費用更低

不能按體系進行

使用測定,分析,改善,管理技法承認并滿足于99%

不滿足于99%

決定CTQ

徹底地以顧客觀點來決定CTQ6sigma概念Ⅰ

每年有54,000次的藥品調劑錯誤25年中只發生1次藥品調劑錯誤每年護士或醫生的錯誤造成新生兒死亡40,500名100年中護士或醫生的錯誤造成新生兒死亡3名每月有2小時喝污染的食用水16年中只有1秒鐘喝污染的水

每周有2小時不能提供電話服務100年中6秒不能提供電話服務

每天飛機發生5次著陸錯誤美國所有航空公司10年發生1次著陸錯誤

每周發生1350次外科手術事故20年發生一次外科手術事故

每小時遺失54,000件郵件

每年遺失35件郵件6sigma概念Ⅱ3sigma水平的公司6sigma水平的公司階段Tools6sigma概念(使用工具)Measurement(測定)5)GageR&R6)RationalSubgroup7)ProcessCapabilityAnalysis(分析)8)HypothesisTest9)Regression10)GraphAnalysisImprovement(改善)11)DoE(DesignofExperiment)12)ANOVADefine(定義)1)ProcessMapping2)LogicTree3)ParetoAnalysis4)QFD,FMEAY=f(χ)Question1)Y或

X中對哪一個聚焦?Question2)假如X良好的話,有沒有必要繼續實驗及檢查Y?Y

從屬變數

Output

結果

現象

觀察監視的對象X1…Xn

獨立變數

Input

原因

根源問題

管理對象6sigma概念(活動方法)階段展開

內容6sigma各階段推進內容Measurement(測定)2)選定制品或工序的CTQ3)把握Y的工序能力

4)明確Y的測定方法

5)將Y的改善對象具體化FocusYYYYAnalysis(分析)6)明確改善Y的目的

7)明確影響Y的因素YX1....XnImprovement(改善)8)通過篩選抽出關鍵的少數因素

9)把握關鍵的少數因素的相關關系

10)工序最佳化&驗證(再現性實驗）X1....Xn致命的少數因素

Xi致命的少數因素XiControl(管理)

11)確立對X的測定系統

12)確立對關鍵的少數因素的管理方法

13)確立關鍵少數因素的工序管理系統及事后管理致命的少數因素Xi

致命的少數因素Xi致命的少數因素XiDefine(定義)1)確定問題點/具體改善目標·

算術平均值(x):·

調和平均

(H):·S(總變動

:TotalSumofSquares):偏差平方和·

無偏方差(UnbiasedVariance):S

除以自由度(n-1)V=Sn-1S=Σ(xi-x)2=Σxi2

－n(Σxi)2~nxi=1i=1nΣxH=[n1Σxi1]1統計基本概念的理解數據的計算方法中心位置特征值的計算：

散布的計算·

中位值

(x):按大小順序排列時處在中央位置的值·

最頻數(Mode):資料中最頻繁出現的值區分參

數統

計

量均值(Mean)方差(Variance)偏差(Deviation)均值：μ樣本均值：

x方差：σ2

樣本方差,無偏方差：VV=Σ(xi-x)2n-1=Sn=Sn-1標準偏差：σ樣本標準偏差,無偏方差的開方σ=σ2

=Snv=S2Sn-1=統計基本概念理解參數和統計量

參數(Parameter):描述變量集合的特性值

統計量(Statistics):表示標本的特性值nσ2=Σ(xi-x)2統計基本概念理解sigma是希臘字母，表示工序的散布.sigma是統計學記述接近平均值的標準偏差(StandardDeviation)或變化

(Variation),或定義為事件發生的可能性.Sigma是表示工序能力的統計單位,測定的sigma跟DPU(單位缺陷,DefectPerUnit),PPM等一起出現.可以說明擁有高sigma值的工序，具備不良率低的工序能力.Sigma值越大品質費用越少,周期越短。Sigma的定義1σ拐點★平均值和拐點之間距離用標準偏差(σ)表示。

如果目標值(T)和規格上下限(USLorLSL)距離是

標準偏差的3倍的話，說明具備了

3Sigma的工序能力.某班學生的國語平均分數是60分,按偏差是5的正態分布的話,隨意抽取一個學生時，70分以上分數的可能性是多少?606570455055測定值(分數):012-3-2-1Z-值

σ:68.3%95.4%99.7%753統計基本概念理解

正態分布

:N(60,52)

標準正態分布

:N(0,12)70分的情況下

Z-值是f(x)=e1-122πσ[2x-μσ]·

·

·…Z00.010.020.030.040.05.00E-014.96E-014.92E-014.88E-014.84E-010.14.60E-014.56E-014.52E-014.48E-014.44E-01Z-值的計算70分以上的可能性有多少?60657045505575Zσx-μ·

正態分布總面積是‘1’·

某概率變量‘X’到平均值(μ)之間距離除以標準偏差(σ)的值用‘Z’來表示·

如果規格上限(or下限)用‘X’來代替時超出規格上限的尾部面積可以認為‘有缺陷可能性’·

‘Z’值是用來測定工序能力,跟工序的標準偏差不同,·

在這里‘Z’值是2.0，把全體面積作為1的時對應的面積0.0228.規格上限缺陷區域Pr(X≥70)=σx-μ[570-60≥]=(Z≥2)=2.28%或

22,800PPM統計基本概念理解工序能力測定方法

Z-值1σZ=32σ3σ3σ能力USL統計基本概念理解LSLUSLLSLZ=6需要什么樣的管理?需要什么樣的技術?

短期的工序能力

長期的工序能力

判斷為短期內工序沒有外部影響

Zst(σst)Cp

技術

最佳條件下的工序能力

6σ:Zst=6.0,Cp=2.0Zst=3×Cp

判斷為充分長時期內工序有外部影響

Zlt(σlt)Cpk

技術

+工序管理

日常條件下的工序能力

6σ:Zlt=4.5,Cpk=1.5Zlt=3×Cpk統計基本概念理解規格下限(LSL)-6σ-5σ-4σ-3σ-2σ-1σχ+1σ+2σ+3σ+4σ+5σ+6σ規格關系無偏移時不良率(理想的工序時)±1.5σ偏移時不良率規格上限(USL)±1σ±2σ±3σ±4σ±5σ±6σ317,30045,5002,700630.570.002697,700308,70066,8106,2102333.46sigma品質水準是什么?正態分布的平均偏移(±1.5σ)按規格變化和平均值偏移的不良率-1.5σ＋1.5σ4BlockDiagramZ

shift工序管理ABC1.52.02.50.51.0123456PoorGoodPoorGoodZ

st技術A:工序管理狀態不足,現在技術水平也低

B:需改善工序管理,但技術水平優秀

C:工序管理優秀,但技術水平低

D:

WorldTop水平的公司

D6sigma品質水平是什么?聚焦問題點階段ProcessMapping

·ProcessMapping是調查情報的流程,而使Process文件化

·

為明確改善的可能性而使用的工具

ProcessMapping制定

·

定義Process范圍(要改善的一般領域或特殊的Process)

·

通過大腦風暴法制定Process的階段順序

·

為了容易分析,使用符號

·

為了驗證Process,實際確認

·

追加KeyProcess的值

(Yield,Cost,損失費用

,加班費用,Cycletime等)

·

按題目的性質,使用分析圖

(ProcessLoss或浪費要素/改善Cycletime/改善品質/Flow改善)1.確定問題范圍QFD(QualityFunctionDeployment)質量指標分解

·QFD是將顧客核心要求事項,轉換分解成技術要求事項(規格),或暫定的

CTQ的工具,由相關工序專家制定

QFDProcess

·

進行市場調查，明確信賴性要求,及一般的要求事項和顧客對現在品質核心問題的要求。

·

對調查內容優先排序,為滿足顧客的要求事項制定技術規格

·

確定對顧客要求事項影響大的技術規格的先后順序,對已確定的先后順序的技術要求事項，轉換成暫定的Part特性(CTQ)

·

對技術規格影響大的特性要素(CTQ)進行排序1.確定問題范圍聚焦問題點階段FMEA(FailureModes&EffectsAnalysis)故障模式及效果分析

·FMEA是明確制品設計上可能發生的問題和排定其順序,并針對故障模式制定所采取的恰當活動

FMEAProcess

·

對已設計的制品用Brainstorming法列出可能的故障模式

·

決定每種可能故障模式的重要度和發生可能性

·

決定消除重要故障模式而采取的方法

·

開發消除或減少重要故障模式的方法

部分分析法

·

以優先順序找出問題的核心事項

·

典型的是：80%的問題由20%產生用邏輯樹等方法展開問題后,找出最終區域,選定經驗豐富的工程師來執行課題活動。2.決定活動課題和相關非常勤人員聚焦問題點階段1.確定問題范圍Brainstorming:在短時間內得出很多主意的辦法

Brainstorming種類

·FreeWheeling:全Team員以對話形式即興發掘Idea

·RoundRobin:對事件，Team員輪流發掘Idea

·CardMethod:不經討論,Team員把Idea寫在卡片上，貼到墻上

Brainstorming時注意事項

·

禁止批評

·

全部Idea都要記錄

·Idea發掘時不要解釋或討論

·

粗略的Idea也要鼓勵

·

所有人都積極參與

LogicTree(StructureTree)

·

為達成目標的手段,用邏輯性表示

·Break-down(展開)的問題之間MECE(互不重復無遺漏的全體)*.MECE(MutuallyExclusiveandCollectiveExhaustive):(不重復,各個的和等于全體)2.找出活動課題的具體事項聚焦問題點階段4.確定活動題目的相關Benefit[利益](定量/定性效果):為保證達成,明確改善金額5.對活動課題的問題記錄

:在現象分析時,記錄現在現象和所希望的現象6.計劃時間表管理

:通過分析把全部日程用具體的圖表管理聚焦問題點階段單元2:測定(Measurement)2-1

變化的理解2-2GageR&R2-3

連續型數據分析

2-4

離散型數據分析變化的理解數據的分類工程問題/BottleNeck/Issue事項解決問題連續型DATA離散型DATA

連續型數據（計量型數據）

·Inchor時間一樣能使用測定刻度的數據

·

比計數值數據提供更多情報離散型數據（計數型數據）提供合格不合格之類情報的數據不能再細分化的數據

變化的理解群內變化(WhiteNoise)WhiteNoise是工程內存在的日常因素引起的變化(偶然因素)

現在的技術水平是不可能控制的變化一般工程的散布工程上受細小的多數因素的影響Z.st來表示群間變化(BlackNoise)BlackNoise是工程外部因素影響中心值移動

一般情況下,可查明原因的變化(異常原因)

現在工程上可控制的變化

一般情況下,在工程的目標值上平均值偏移

實際上可以知道隨時間的變化,工程能力會怎樣變化群內.群間變化的區分例Line1Line2Line3變化的理解RationalSubgroup（合理分組）

指跟數據的種類無關,在可能的短時間內彼此類似的條件下作業的樣本群。ProcessResponseTime群間變化(BlackNoise)群內變化(WhiteNoise)RationalSubgroups

為什么要RationalSubgroupingRationalSubgroup是

6Sigma的一個強大的工具。

是區分工程的短期工程能力或長期工程能力的重要方法

·

可以把握平均值移動問題還是散布問題

·

把問題特殊化的第一個階段

RationalSubgroup要包含的要素

:為了明確給工序變化暫定影響的‘X’因素，使用5M求解特性要因圖

·Man:作業者變更.晝夜班次交換,新作業者等

·Machine:機械設定值變更,設備維修&維護等

·Material:交付LOT.作業安排,原材料等

·Method:作業者間的作業方法差異等

·Measurement:測定者的變化,測定設備誤差等

變化的理解RationalSubgrouping事例GageR&RStudyGageR&RStudy有下面3種

·

反復性(Repeatability)

·

再現性(Reproduceability)

·

全體測定變化

即對比

Process或

Spec決定測定系統的變化有多少程度比率的系統。σ2Total=(σPart-Part)2+(σR&R)2·

數據全體

變化·

部品間變化·

測定

Error

變化GageR&R是什么？

測定系統給工程的變化值造成多少影響

GageR&RGageR&RGageR&R判斷基準計測器選定(測量的精度)一般來說量具要求是工序變化/Spec許可誤差的10%或更小的精度是合理的。

·

精度:在量具上能讀到的測定最小單位

例)部品的公差=±0.020時,量具精度要滿足≤0.00230%以上

判斷20%以下Accept20%～30%考慮適用部品的重要度等判斷能否Accept一般情況下

Accept設計許可誤差對比

GageGageR&R值越大，要制定改善計劃并進行改善。如果不顧測定系統的誤差,不改善系統的話,在6σProject實行中,要愿意接受測定系統可能發生誤差的危險。GageR&R對測定系統變化的理解

反復性(Repeatability):1名測定者使用同樣計測器測定同樣部品的

同樣特性時得到的變化Repeatability再現性(Reproduceability):同樣部品的同樣特性使用同樣計測器由多名測定者測定時得到的變化

測定者

1測定者

2測定者

3ReproduceabilityGageR&R對測定系統變化的理解

穩定性(Stability):在一定的時間間隔下把標準品用同一的計測器

測定同一的特性值時得出的變化。

偏移(Bias):實際測定值跟試料平均值的差異值叫準確度(Accuracy)Time1Time2StabilityObservedAverageValueBiasReferenceValueGageR&R對測定系統變化的理解線性(Linearity):通過期望的Gage工作范圍比較精確度得到的值

即在已定的工作范圍的兩邊界線區間上，最少研

討1回的精確度得到的值的差.

偏差大偏差小測定值參考值參考值測定值GageR&RGageR&R類型

短期的方法

·

只需要2名測定者和5個部品

·

不能分離反復性和再現性

·

可以迅速確認想測定的計測器的接受與否

長期的方法

·

典型的是2～3名的測定者對10個部品反復測定2～3次

·

可以明確把握測定系統的變化有多大,能分離反復性和再現性部品12345測定值

12.0031.9982.0072.0011.999測定值

22.0012.0032.0061.9982.003｜測定差(1-2)｜0.0020.0050.0010.0030.004范圍的界限·測定差平均值=ΣR/5=0.015/5=0.003·

測量誤差=(5.15/1.19)×(R)=4.33×(0.003)=0.013·

公差的測量誤差

=(0.013×100)/0.030=43.35%

參考)測量誤差用測定差的平均值乘以常數(這里是

4.33)來計算.

常數在5.15/d*里已有計算,d*是下表中的值，5.15是Gage引起的

變化能滿足5.15σ99%值。ΣR=0.015GageR&R短期的方法時

GageR&R運用CTQ部品的Spec是2.000±0.015時

對測定差平均分布的

d*值GageR&R長期方法時

GageR&R的

Minitab運用

選定MonitorCover為

SixSigmaThemeSpec=2.3±1.5

為確認測定系統,3名檢查者對10個部品反復測試2次

File

name:Gageaiag.mtw為確認測定系統,3名檢查者對10個部品反復測試2次Stat＞QualityTools＞GageR&RStudyGageR&R輸入變量選擇ANOVA長期方法時

GageR&R的

Minitab運用GageR&RStudy-ANOVAMethodTwo-WayANOVATableWithInteractionSourceDFSSMSFPPart_92.058710.22874539.71790.00000Operator20.048000.0240004.16720.03256Operator*Part_180.103670.0057594.45880.00016Repeatability300.038750.001292Total592.24913GageR&RSourceVarCompStdDev5.15*SigmaTotalGageR&R0.0044370.0666150.34306Repeatability0.0012920.0359400.18509Reproducibility0.0031460.0560880.28885Operator0.0009120.0302000.15553Operator*Part_0.0022340.0472630.24340Part-To-Part0.0371640.1927810.99282TotalVariation0.0416020.2039651.05042Source%Contribution%StudyVar

%ToleranceTotalGageR&R10.6732.66

11.44

Repeatability3.1017.626.17Reproducibility7.5627.509.63Operator2.1914.815.18Operator*Part_5.3723.178.11Part-To-Part89.3394.5233.09TotalVariation100.00100.0035.01NumberofDistinctCategories=4GageR&R長期方法時

GageR&R的

Minitab運用NumberofDistinctCategories=4

·

表示檢測部品的信賴性區間不重疊的個數GageR&R4個CategoriesNumberofDistinctCategories判斷方法

·NumberofDistinctCategories:0～1不適用(改善檢測系統)

·NumberofDistinctCategories:2～4附加條件時可接受

·NumberofDistinctCategories:5以上

可接受對同樣部品的同樣特征值測量，由3名檢查者反復檢測2次。可以分為4組對特定部品測定，信賴性區間小說明測定者和測定有反復，且測定很準確。如果信賴性區間重疊意味(信賴區間不重疊意味著組數小)測定的變化大。長期方法時

GageR&R的

Minitab運用※GageR&RGageR&R的

Graph解釋Xbar管理圖

·

測定值超出管理界限,表現為良好的結果.*如果測定值的50%以上在管理界限內的話,這個系統不適合.

·

管理界限是用測定者間的測定值變化來計算,因此測定值的變化小說明管理界限的幅小

即,說明測定者間的測定值變化很小

·

測定的變化(測定者,測定系統)比部品間變化相對小

可以讀出

Parts間變化的情況

R管理圖

·

大部分的測定值在管理界限內

·

表示所測定的數據的值是正常的長期方法時

GageR&R的

Minitab運用GageR&RGageR&R的Graph解釋有必要對Operator1,2,3間的Part10,找出散布大的原因并查明可以知道“Oper*Part”間的交互作用,這是主效果的操作者(測定者)影響

Y的值.操作者的測定值,跟Part彼此調合后影響

Y(GageR&R).長期方法時

GageR&R的

Minitab運用GageR&R適合貫能判斷時

GageR&R

對各

Parts用貫能來判定合格與不合格，或

go·nogo時

·TV外觀檢查時,

·2名評價者反復測試20個管子評價者

1評價者2121212345678910111213GGGGGGGGNGGGGNGNGNGNGGGGGGGGGNGNGNGNGNGNGGGGGGGGGGGGGGGGGGGGNGGG實驗順序GageR&RGageR&R實行時注意事項

以Blind測定來評價

決定幾名評價者為合理

按產品的重要性和統計特性決定試料數和反復次數

預先決定評價周期

抽取樣本時運用隨機原則，但實施

GageR&R時須對試料事先計劃再行抽樣

利用貫能法檢查實施GageR&R時，要選定技能相同的評價者實施GageR&R

一般是看

%Tolerance值來判斷Gage的接受與否，但%StudyVar在20%以上時，

有必要點檢工序ProcessGageR&R值較大時，必須制定改善計劃進行改善。如果測定系統有誤差，但不改善系統的話，在執行6σProject期間要接受測定系統可能發生誤差的危險。

短期工序能力是只存在群體內變化,表示取樣的數據都具有同樣的品質特性，但有主要技術要素引起品質特性變化，因此，品質特性變化越大，散布也就越大，短期工序能力也就越差。

·ShortTermProcessCapabilityIndex:短期工序能力指數

·Zst(σst),Cp

·Zst=3×Cp

長期工序能力是包括群內變化和群體間變化，為了改善技術和工序管理，必須判斷工序是否穩定時，用長期工序能力的特性來取樣，來確認包括管理要素引起的變化和技術的要素引起的變化。

·LongTermProcessCapabilityIndex:長期工序能力指數

·Zlt(σlt),Cpk

·Zlt=3×Cpk什么是工序能力工序能力

工序在管理狀態時，其工序生產的產品品質變化有多少程度的值；或指在管理狀態（穩定狀態）下，工序能制造出來的品質水平的程度。

SixSigma工序能力是指工序的變化（or標準偏差:σ)小，即使乘以6倍，變化值也能夠滿足規格的工序能力。短期/長期工序能力的意義Short-termCapability(6σ)σst^σlt^工序能力度評價工序能力時間σst^σst^σst^●●●●工序能力

兩側有規格時的工序能力Cpk=(1－K)CpCp=SU-SL6σ

有偏移時的工序能力χKK=T/2│M-χ│SLSU工序能力的數學式工序能力的數學式工序能力

只有規格上限時的工序能力

只有規格下限時的工序能力χSUCpu=Su-χ3σχ-SL3σCpL=

葡萄酒農場為了參加慶祝大會，在準備過程中，有必要改善葡萄酒品質

而準備

Project,首先為了把握現象，按合理分組計劃規劃得出了包括下列

‘X’

因素的葡萄酒質量‘Y’的樣本。

X因素:地域,木塞,葡萄酒味,透明性,,香氣，葡萄酒瓶

File

name:training/s1/sixsigma.mtw工序能力的

Minitab運用工序能力Stat＞BasicStatistics＞NormalityTest

點擊OK后鍵入變量數據的正規性驗證工序能力

計算工序能力指數工序能力的

Minitab運用工序能力Edit＞CommandLineEdit繼續輸入命令語句‘5’

表示subgroupsize(n=5)表示命令語句輸入完畢

點擊

SubmitCommands工序能力的

Minitab運用表示對短期/長期Z-level及

PPM值工序能力

點擊

SubmitCommands工序能力的Minitab運用工序能力與spec對比工序能力比較提供對工序能力的多樣的情報工序能力

Minitab運用工序能力Stat＞QualityTools＞CapabilityAnalysis(Normal)SingleColumn:QualitySubgroupSize:5Lowerspec:8Upperspec:22

鍵入變量工序能力

Minitab運用工序能力

點擊OK用語解釋離散型數據分析D(Defect):缺陷

or不良（事項）

為了滿足顧客的要求事項而浪費的再作業或失敗的工作。

例)把顧客的要求事項記錯的差錯情報。

DO(DefectOpportunity):機會損失（缺陷）可能引發的機會損失（缺陷）的行動或事件。

例)須在一張要求式樣上記錄的項目數U(Unit):元件元件測定可能機會的細節

例)要求樣式DPU(DefectPerUnit):

每個元件內存在的缺陷數DPO(DefectPerOpportunity)：每個機會損失數

每個

Unit中存在機會數和關聯的元件內存在的缺陷數DPMO(DefectPerMillionOpportunity)（每百萬機會損失數）

:1,000,000單元存在的損失數

DPO×1,000,000

轉換SixSigma比率DPU/DPO/DPMO/P(ND)改善離散型數據分析發出了100張送貨單，其中檢出100個不符合項,如果各單元有10個項目，DPU/DPO/DPMO/P(ND)各是多少？DPO=D/(U×Opp)DPO=100/(100×10)=0.1(10%)該值表示所發出的送貨單的每個項目最少有1個不良的可能性是10%。DPMO=DPO×1,000,000

例)上例DPMO是

0.1×1,000,000=100,000DPMODPU=D/UDPU=100/100=1.0(100%)該值表示平均值，所以每張送貨單包含1個不符合項利用泊松公式計算收率離散型的數據分析

利用泊松公式Y=r!dpuer-dpu這里

·

Y:收率

·

DPU:元件缺陷數

·

r:

·

e:指數函數

2.71828…Y=0!1(e)-dpur=0時∴Y=e-dpu∴對缺陷機會數越大，‘Y’越接近

‘0’ProcessYield(例題)離散型數據分析如果

750元件有34個的缺陷時,計算

DPU/DPO/DPMO/Yield/Sigma各是多少？(各元件有

10個的機會數)DPU=缺陷數

÷元件數

=34÷750=0.0453DPO=缺陷數÷(元件數

×機會數)=34÷(750×10)=0.00453Yield值是

Y=e-dpu=2.7138=0.9559=99.6%-0.045Y=P(ND)=(1－DPO)=(1－0.0045)=0.9559=95.6%DPMO=DPO×1,000,000=0.0045×1,000,000=4,500PPM1個元件有

45,000PPM的缺陷

Sigma=Zinv(0.9556)+1.5(偏移)=1.71+1.5=3.21-10-10-10收率的種類YFT(FirstTimeYield):(單工序首次收率)表示再作業后沒有修理的收率的值

·

應用

:決定個別工序的個別品質水平時使用。

YRT(RolledThroughputYield):全工程一次性直通收率表示一個產品通過全工各沒有經過一次的修理和再作業，到最終合格為止的收率值。

·

應用

:在所有工序上按順序的階段來進行累計后，評價品質水平時使用。

YNA(NormalizedYield):標準收率表示計算連續工序的評價收率的值

·

應用

:完成產品的品質水平評價時使用。

收率概念比較累計收率(YRT