QC検定 教科書

品質管理(QC: Quality Control) は、製造業を中心に発展してきた「ばらつきを抑え、品質を保証する」ためのマネジメント手法です。日本の戦後復興と高度経済成長を支えた中核技術であり、現代でも製造業・サービス業で現役の枠組みです。

歴史 ─ 米国から日本、そして世界へ

• 1920s 米国: Shewhart が管理図を考案。SPC(統計的工程管理)の出発点
• 1950 戦後日本: Deming・Juran が招かれ、TQC(全社的品質管理)を導入
• 1960s-70s 日本: QC サークル運動が全国に広がり、製造業の品質革命
• 1987 ISO 9000: 国際品質マネジメント規格制定
• 1990s〜 シックスシグマ: モトローラ → GE が広めた品質改革
• 現代: TQM(Total Quality Management) として統合・発展

TQM(総合的品質管理)の 3 本柱

PDCA サイクル

QC ストーリー

1. テーマの選定: 改善すべき問題を選ぶ
2. 現状の把握: データで現状を可視化(QC 7 つ道具を活用)
3. 目標の設定: 数値的に達成目標を決める
4. 要因の解析: 根本原因を特定(特性要因図など)
5. 対策の立案・実施: 効果のある対策を選び、実行する
6. 効果の確認: 改善が達成されたか測定
7. 標準化と歯止め: 改善を維持する仕組みを作る
8. 反省と今後の課題: 残った課題を次のテーマに

品質を 統計的に 管理するのが SQC(Statistical Quality Control)。データに基づいて意思決定する文化と、それを支える統計手法の両方が求められます。

ばらつきの 2 種類

計量値・計数値

• 計量値: 重量・長さ・電圧など連続値で測れる特性。X̄-R 管理図、Cp/Cpk など
• 計数値: 不良品数・欠陥数など離散値。p 管理図(不良率)、c 管理図(欠陥数)、u 管理図(単位あたり欠陥数)など

中心値とばらつきの考え方

品質は『中心値が規格の中央に来ているか』と『ばらつきが規格の幅に対して十分小さいか』の 2 軸で評価します。これを定量化したのが 工程能力指数 Cp / Cpk(2 章で詳解)です。中心ずれと広がりは別物として管理する、というのが品質工学の基本姿勢です。

管理図(Control Chart) は、工程から定期的に測定値を取り、時系列で記録した図。中心線(CL)・上下管理限界線(UCL/LCL)を引いて、点が範囲外に出たら『工程に異常がある』と判定します。

管理図の種類

管理限界の決め方(±3σ ルール)

理論的には $\pm 3{\sigma }_{\bar{X}}=\pm 3\sigma /\sqrt{n}$ ですが、$\sigma$ は群間範囲 $\bar{R}$ から $A_2$ 表で換算するのが慣例。正規分布のもとで管理状態にある工程では、点が外れるのは 0.27%(1000 回に 3 回未満) ─ 外れたら『偶然ではなく異常がある』と判定する根拠です。

Western Electric ルール

管理限界外の点だけでなく、点の 動きのパターン からも異常を判定するルール群:

• ルール 1: 1 点が ±3σ を外れる
• ルール 2: 連続 9 点が中心線の片側
• ルール 3: 連続 6 点が単調に上昇または下降
• ルール 4: 連続 14 点が交互に上下
• ルール 5: 連続 3 点中 2 点が ±2σ を超える

工程能力指数は『規格の幅に対して、工程のばらつきがどれだけ小さいか』を表す指標。製造業の品質目標として広く使われます。

工程能力指数の定義

工程能力指数の目安

• $C_{pk}<1.00$: 不十分 ─ 規格外れが頻発、改善必須
• $1.00\le C_{pk}<1.33$: 要注意 ─ なんとか規格内だが改善の余地
• $1.33\le C_{pk}<1.67$: 十分 ─ 一般的な製造業の目標値
• $1.67\le C_{pk}$: 余裕あり ─ シックスシグマで $C_{pk}=2.0$ を狙う

検査(Inspection) は、製品が規格を満たしているかを判定する活動。全数検査と抜取検査に大別され、コスト・品質要求・破壊性の有無で使い分けます。

検査の分類

• 全数検査(100% Inspection): 全製品を検査。医薬品・航空機部品など重要度の高いもの
• 抜取検査(Sampling Inspection): 一部だけ検査。コスト効率の標準
• 無検査: 工程の信頼性が高ければ検査自体を省略(品質保証は工程能力で担保)
• 間接検査: メーカ側の検査結果を信頼して受入側は省略

抜取検査の方式

• 規準型: AQL・LTPD などの基準を満たす検査計画を選ぶ
• 選別型: ロット不合格時に全数検査して不良品を取り除く
• 調整型: 過去の品質履歴に応じて、なみ検査・きつい検査・ゆるい検査を切り替える(JIS Z 9015)
• 逐次抽出型: サンプル数を逐次増やしながら判定

OC 曲線(Operating Characteristic Curve) は、抜取検査計画の性能を 1 枚のグラフで表すもの。横軸=ロット不良率、縦軸=合格確率。

AQL と LTPD

サンプルサイズと判定数の影響

• サンプルサイズ n を増やす: OC 曲線が 急峻 になる(判定精度向上)
• 判定数 c を増やす: 曲線が 右にシフト(合格になりやすい)
• 両者のバランス が抜取検査計画の設計

計数規準型抜取検査(JIS Z 9015)

標準的な検査表で、AQL に応じた n と c を決定できます。通常検査・きつい検査・ゆるい検査 の 3 段階があり、直近のロットの不良履歴 に応じて切り替えます。

• 通常検査: 標準
• きつい検査: 連続 5 ロット中 2 ロット不合格 → 切替
• ゆるい検査: 連続 10 ロット合格 → 切替

QC 7 つ道具 は、現場の品質改善で活用される 数値データ向けの 7 つのツール。シンプルですが極めて実用的で、現代でも品質改善の定番です。

1. パレート図: 不良要因を多い順に棒グラフで並べ、累積比を折れ線で。「ABC 分析」「2:8 の法則」 の可視化
2. 特性要因図(フィッシュボーン): 結果(問題)に対する要因を、4M(人・機械・方法・材料)などで体系的に書き出す。根本原因分析
3. ヒストグラム: データの分布形状を確認。中心・ばらつき・形(正規型・歪み・二峰)を視覚的に
4. 散布図: 2 変数の関係(相関)を視覚化。回帰前段の探索的分析
5. 管理図: 工程の時系列管理(2 章参照)
6. チェックシート: 不良の種類・発生箇所などを集計するための表
7. グラフ(層別): 棒・折れ線・円グラフ全般。条件で層別して比較

パレート図と特性要因図 ─ 改善のフロー

特性要因図の 4M(または 5M)

• Man(人): スキル・経験・疲労・作業者交代
• Machine(機械): 設備・工具・摩耗・故障
• Method(方法): 作業手順・条件・パラメータ設定
• Material(材料): 原料品質・ロット差・供給元
• (+ Measurement / Environment) を含めて 5M / 6M に拡張する場合も

新 QC 7 つ道具 は、QC 7 つ道具(数値データ中心)に対し、言語データ・概念整理 に特化した 7 つのツール。1979 年に提唱された、いわば『定性データ版』の道具立てです。

1. 親和図(KJ 法): 多くのアイデアを似ているもの同士でグループ化 → ボトムアップで全体構造を発見
2. 連関図: 要因間の 因果関係 を矢印で可視化。複雑な原因の絡みを解明
3. 系統図: 目的 → 手段 → さらなる手段、と階層的に展開。マインドマップ的
4. マトリクス図: 行と列の交点で対応関係を整理。優先度評価で頻用
5. マトリクスデータ解析法: マトリクス図を数値化して主成分分析的に処理
6. PDPC 法(Process Decision Program Chart): 計画実行の途中で起こりうる問題と対策を事前に図示
7. アローダイアグラム: プロジェクトの工程順序と所要時間を矢印で表す。クリティカルパス法

新旧 7 つ道具の使い分け

• 問題が見える(数値で測れる) → QC 7 つ道具(統計的分析)
• 問題が見えにくい(言語データ・コンセプト) → 新 QC 7 つ道具(構造化思考)
• 実務では両方を組み合わせる: 親和図で全体像 → パレートで重点 → 特性要因図で根本原因 → 連関図で関係整理 → 対策案を系統図で展開

現代的な使い方の発展

新 QC 7 つ道具の発想は、現代の デザイン思考・アジャイル開発・OKR・5 Whys 分析 などにつながっています。トヨタ生産方式の 5 Whys は『なぜ?』を 5 回繰り返して根本原因にたどり着く手法で、特性要因図・連関図と発想を共有しています。問題を体系的に分解するという普遍的な思考フレームの一つの完成形です。

ここまでで品質管理の考え方・統計的工程管理(管理図・工程能力)・抜取検査・QC 7 つ道具を扱いました。続く 5 章では『良い実験で因果を効率よく特定する』ための実験計画法、6 章では『製品が壊れるまでの寿命を確率的に扱う』信頼性工学を学び、QC 検定 2 級レベルの主要範囲を完成させます。

実験計画法(Design of Experiments, DOE) は、限られた試行回数で複数の因子の効果を効率よく分離する統計的手法。Fisher の 3 原則 ─ 反復・無作為化・局所管理 が出発点です。

Fisher の 3 原則

因子・水準・処理

• 因子(Factor): 結果に影響しうる要因。例: 温度・触媒種・反応時間
• 水準(Level): 因子のとる具体的値。例: 温度 = 60℃ / 80℃ / 100℃
• 処理(Treatment): 因子の各水準の組合せ。$3\times 2=6$ 処理など
• 応答(Response): 結果として測る量。例: 収率・強度・不良率

ANOVA(分散分析) は、応答の 総ばらつき を『因子による効果』と『誤差』に分解して比較する手法。実験計画法と一体です。

一元配置 ANOVA

二元配置 ANOVA(交互作用あり)

交互作用の読み方

繰り返しなしの二元配置(乱塊法)

乱塊法(Randomized Block Design, RBD) は、ブロック因子(例: 圃場・装置・日)で層化し、その中で実験因子の各水準をランダムに割り付ける設計。$S_E$ からブロック効果を分離できるため、誤差が小さくなり検出力が上がる。Fisher の局所管理の典型適用です。

因子が増えると 完備実施(全組合せ)の試行数が爆発 します。例えば 7 因子 2 水準なら $2^7=128$ 通り。直交表(Orthogonal Array) を使うと、わずか 8 試行で 7 因子の主効果を分離できます。

直交表の基本概念

一部実施法と交絡

• 完備実施(Full Factorial): 全組合せ実施。主効果も交互作用も完全推定可能
• 一部実施法(Fractional Factorial): 一部だけ実施(直交表ベース)。試行数を $1/2\cdot 1/4\cdots$ に
• 交絡(Confounding): 一部実施の代償として、ある因子の効果が 特定の交互作用と区別できない ことがある。分解能(Resolution) で交絡の重さを表現

代表的な直交表の使用例

田口メソッド(Taguchi Method)は、田口玄一が体系化した品質工学。『ばらつきを抑える設計を最初から作る』というオフライン品質工学のアプローチで、シックスシグマと並ぶ品質改革の柱です。

ロバスト設計の発想

制御因子・誤差因子・SN 比

2 段階最適化

1. SN 比を最大化 する制御因子の組合せを選ぶ(ばらつき最小化)
2. 目標値に合わせる ために、SN 比に影響しない制御因子で平均をチューニング

田口メソッドの真髄は『ばらつき抑制 → 平均合わせ』の 順序。普通は逆(平均を合わせてからばらつきを抑える)を考えがちですが、ばらつきを先に抑えてから平均をシフトする方が効率的、というのが田口の主張。

損失関数の概念

信頼性(Reliability) は『製品・システムが規定の条件下で規定の期間、要求された機能を果たす確率』。品質管理が『工程と検査』を扱うのに対し、信頼性工学は『寿命と故障』を扱います。

信頼性関数 R(t) と故障率 λ(t)

MTTF・MTBF・MTTR

アベイラビリティ(可用性)

多くの製品の故障率 $\lambda (t)$ は時間とともに 三段階の特徴的なパターン をとります。これが バスタブ曲線(Bathtub Curve) です。

バスタブ曲線の三段階

• 初期故障期(Infant Mortality): 製造欠陥・部品不良が原因で故障率が急速に 減少。バーンインで除去可能
• 偶発故障期(Useful Life): 故障率が ほぼ一定。指数分布で近似される。設計通りの寿命
• 摩耗故障期(Wear-out): 経年劣化・摩耗で故障率が 増加。製品交換時期

代表的な寿命分布

ワイブル確率紙(Weibull plot)

$\ln \left(\ln \frac{1}{1-F(t)}\right)=m\ln t-m\ln \eta$ という両対数変換で、ワイブル分布が直線になる確率紙。観測データをプロットして直線が得られれば $m,\eta$ をグラフから読める ─ 統計ソフト前提の現代でも、視覚診断の道具として有用です。

個々の部品の信頼度から、それらが組合さった システム全体の信頼度 を計算する手法。直列・並列の構造ごとに公式が決まっています。

直列系と並列系

FT 法(Fault Tree Analysis)

FMEA(故障モード影響解析)

• 発生度(Occurrence): 1〜10 で『故障が起こりやすいか』
• 影響度(Severity): 1〜10 で『起こったときの被害の大きさ』
• 検知容易性(Detection): 1〜10 で『出荷前に検出できるか』
• RPN = O × S × D(最大 1000)。値が大きいほど対策優先

ここまでの 6 章で QC 検定 2 級レベルの主要範囲を網羅しました。続く 7-10 章では 多変量解析の入口・回帰分析の品質応用・QC 1 級レベルの応用と最新トピック を扱い、より上位の検定にも対応します。

重回帰分析 は複数の入力因子($x_1,\dots ,x_k$)から品質特性 $y$ を予測・説明するモデル。実験計画法と組合せて 応答曲面法 に展開します。

重回帰モデル

残差診断

• 残差プロット: 残差 vs 予測値で パターン検出(非線形性・分散不均一)
• Q-Q プロット: 残差の正規性確認
• Cook の距離: 影響の大きい個別観測を検出
• VIF: 多重共線性の診断(${\mathrm{VIF}}_i>10$ で問題)

ステップワイズ法と現代的代替

古典的には 前進選択・後退消去・ステップワイズ で変数選択。現代では AIC・BIC・LASSO が標準。Excel の分析ツール・Minitab・R の `step()` が定番ツール。

応答曲面法(Response Surface Methodology, RSM) は、品質特性 $y$ を最大化(または目標値に合わせる)する 入力因子の最適点 を実験で探す手法。Box & Wilson 1951。

二次モデル

中心複合計画(CCD)

• factorial 部分: $2^k$ 完全実施(中心の正方形/立方体)
• axial 部分: 各軸方向の ±α 点(回転対称性)
• center 部分: 中心点での反復(誤差分散推定 + 曲率検出)
• 二次モデルの全パラメータを 少ない試行で推定 できる効率的な計画

最急上昇法

応答曲面の 勾配方向 に進んで最適点を探索する反復法。一階モデルでは勾配 = 係数ベクトル、二階モデルでは固有値分解で canonical analysis。化学プロセス・半導体製造で頻用。

品質判定が 二値(良品/不良品)の場合、線形回帰ではなく ロジスティック回帰 を使います。Ch5 の χ² 独立性検定の発展形。

ロジスティック回帰モデル

ROC 曲線と AUC

QC での応用

• 製造ライン外観検査: AI 画像分類との組合せ
• 与信判定: 信用評価モデル
• 保証クレーム予測: 故障予測 + 保証コスト最適化
• マーケ A/B テスト: 統合的な比率比較

MSA(Measurement System Analysis) は『測定そのものの精度』を評価する手法。製品が良くても、測定がいい加減なら品質管理は破綻します。

Gauge R&R

判定基準

• GR&R / 規格幅 < 10%: 計測システムは良好
• 10% 〜 30%: 条件付きで使用可
• > 30%: 計測システムの改善が必要
• AIAG 規格(自動車業界)で標準化

複数の品質特性を 個別に X̄ 管理図 で見ていると、相関のある特性で 過剰検出 や 見逃し が起こります。多変量で統合的に管理するのが Hotelling T²。

Hotelling T² 統計量

個別管理図 vs 多変量管理図

MEWMA と PCA 管理図

• MEWMA(Multivariate EWMA): 直近のデータに重み付けた多変量指数平均
• PCA 管理図: 主成分得点 + 残差(SPE)で監視。高次元工程に有効
• T² 寄与率: 異常時にどの特性が原因かを分解
• Mahalanobis-Taguchi(MT 法): 田口メソッドの多変量版

高次元の品質データ(センサ多数のスマート製造)では、主成分分析(PCA)で次元削減 してから管理するのが現代の標準。

PCA の数学

PCA を使った異常検知

• T² 統計量: 主成分空間での距離。通常の挙動からの逸脱を検出
• Q 統計量(SPE): 主成分で再構成した残差の二乗和。新しい変動パターンを検出
• 両者を組合せ て総合的に異常を判定
• プラント・センサデータ(数百次元)で実用化

信頼性試験では 試験期間中に故障しない個体 が必ず存在し、その扱いが重要です。

打ち切り(censoring)の種類

ノンパラメトリック寿命推定

カプラン・マイヤー推定量(Kaplan-Meier): 打ち切りを考慮した生存関数 $\hat{S}(t)={\prod }_{t_i\le t}(1-d_i/n_i)$。臨床試験・信頼性両方で標準。R: `survival::survfit()`、Python: `lifelines`。

Greenwood の公式

Ch6 で扱ったワイブル分布のパラメータ推定。打ち切りデータがある場合の 最尤推定 を扱います。

MLE の対数尤度

ワイブル確率紙

信頼区間と保証期間設計

保証期間 $t_g$ を、ワイブル分布の 下側 5% 分位点 など低位側で決めるのが一般的。MLE の信頼区間から保証コストの幅を見積もり、保証戦略の数値化に使われます。

通常使用では 故障まで何年もかかる 製品の寿命を、ストレス強化で短期試験 から推定する手法。

加速モデル ─ Arrhenius

Eyring・逆対数モデル

• Eyring: 機械的応力・電圧などへの拡張
• 逆対数(inverse power law): 機械疲労・摩耗
• Coffin-Manson: 熱サイクル疲労
• HALT(Highly Accelerated Life Test): 設計弱点を急速発見する開発期試験

ALT の計画と統計分析

ストレス水準($T_1,T_2,T_3$)で各 $n$ 個試験 → ワイブル分布 + Arrhenius モデルを 同時に 最尤推定 → 通常使用温度 の寿命を外挿。外挿に伴う不確実性 が大きい点に注意し、信頼区間を必ず併記。

Industry 4.0(第 4 次産業革命)は IoT・AI・ビッグデータ・デジタルツイン が統合された製造業の進化形態。品質管理も大きく変化しています。

スマート工場の主要技術

• IoT センサ: 温度・振動・電流などをリアルタイム取得
• エッジコンピューティング: 工場内で即時判定(クラウド遅延を回避)
• デジタルツイン: 物理工場の仮想複製でシミュレーション
• AI 画像検査: ディープラーニングによる外観不良検出
• MES(Manufacturing Execution System): 生産情報の統合管理

予知保全(PdM) は『故障する前に』機器の状態から予測してメンテナンスする手法。Ch6 のバスタブ曲線・摩耗故障期に AI が組合さる新パラダイム。

保全戦略の進化

RUL 予測の手法

• 統計モデル: ワイブル + コックス比例ハザード
• LSTM / GRU: 時系列センサデータからの深層学習
• Transformer: 長期依存を捉える最新手法
• 異常検知 + 残存寿命: オートエンコーダ + 回帰

経済評価

$\text{コスト}=c_{\text{保全}}+c_{\text{故障}}\cdot P(\text{故障})$ を最小化するタイミング決定。AI による予測精度向上で、保全コストと故障コストのトレードオフ が最適化されます。Boeing・GE・トヨタなど大手で稼働中。

現代の品質工学は 環境・社会的責任 とも切り離せません。LCA(ライフサイクル評価)・カーボンフットプリント・サーキュラーエコノミーが品質目標に組み込まれつつあります。

ライフサイクル評価(LCA)

QC 7 つ道具のサステナ応用

• パレート図: 環境影響の大きい工程を重点改善
• 特性要因図: CO₂ 排出の根本原因分析
• 管理図: エネルギー使用量の異常検知
• 散布図: 生産量と CO₂ 排出の関係分析
• 実験計画法: 省エネ・廃棄削減の最適化

ESG と統合品質マネジメント

ESG(Environment, Social, Governance) が投資判断の重要基準となり、企業の 品質報告書 にも統合され始めています。ISO 14001(環境)・ISO 45001(労働安全)・ISO 9001(品質) を統合運用するのが大手企業の標準パターン。

結びに

QC 検定教科書 10 章を歩き終えました。品質管理思想 → 統計的工程管理 → 抜取検査 → QC 7 つ道具 → 実験計画 → 信頼性 → 回帰 → 多変量 → 信頼性データ → 現代品質工学。古典の堅実さと現代の最新トピックを両輪で扱った 10 章で、QC 検定 2-1 級レベルから先端の DX 議論まで対応できる地図が揃いました。