6シグマと設計者——品質改善手法を設計にどう活かすか

6シグマという言葉を初めて聞いたのは、ある自動車部品メーカーに常駐していたときだった。品質保証部門の会議室に「シックスシグマ活動報告」という資料が貼り出されていて、DPMOだのCpkだのという聞き慣れない略語が並んでいた。当時の私は「これは品質保証部門の仕事で、設計者には関係ない」と思っていた。

だがその後、量産不良の原因調査で品質保証部門と一緒にデータを分析する機会が増えるにつれて、6シグマの考え方は設計段階から取り入れるべきものだと気づかされた。不良が出てから統計手法で原因を追い込むよりも、設計段階でばらつきを見込んだ図面を描いておくほうが、はるかに手戻りが少ない。この記事では、統計の専門家ではない設計者が、6シグマの考え方を日々の設計業務にどう落とし込めるかを、現場での実例を交えて書いていく。

数式の解説はできるだけ避け、「設計者が何を意識すればいいか」に絞って進める。

6シグマの本質は「ばらつきを管理する」こと

6シグマは元々モトローラが開発した品質管理手法で、統計的な分析によって工程のばらつきを極限まで抑えることを目指す。名前の由来は、規格の上限・下限がプロセス平均から標準偏差(シグマ)6個分離れている状態を目指すという考え方にある。この状態を達成できれば不良率は100万分の3.4件(DPMO 3.4)まで下がるとされる。

設計者にとって重要なのは、この数字そのものよりも「ばらつきは必ず存在する」という前提に立つ発想だ。私が新人だった頃は、図面の寸法は「その通りに作られるもの」だと思い込んでいた。しかし現場に出て加工現場を見学するようになると、同じ図面から作られた部品でも、ロットによって、あるいは日によって微妙に寸法がばらつくことを目の当たりにした。公差はそのばらつきを許容する幅として設定されているにもかかわらず、多くの新人設計者(かつての私も含めて)は「公差内であればすべて同じ」と考えてしまいがちだ。

このばらつきの存在を身をもって実感した出来事がある。ある樹脂成形部品で、公差の上限側に寄った個体と下限側に寄った個体を実際に手に取って比較したことがあった。図面上はどちらも同じ「合格品」だが、上限側の個体は組み付け時にわずかに引っかかり感があり、下限側の個体はガタつきが目立った。どちらも規格を満たしているにもかかわらず、体感できるレベルで品質に差があることに驚いた。この経験から、公差の範囲内であっても「どちら側に寄っているか」を意識するようになり、単に規格内かどうかだけでなく、狙い値(公差の中心)にどれだけ近いかという発想を持つようになった。

6シグマ的な発想では、公差の中でどこにばらつきが集中しているか(工程能力)を意識する。工程能力指数Cpkが1.33以上あれば安定した工程とされることが多いが、実際の現場ではCpk1.0を下回る工程も珍しくない。設計者が公差を厳しく指定すればするほど、加工現場のCpkは下がりやすくなる。つまり公差設定は品質保証部門だけの話ではなく、設計者自身が現場の工程能力を理解した上で決めるべき事項だということになる。

この工程能力の話をさらに突き詰めると、公差の”厳しさ”は必ずしも均等に配分すべきではないという発想にたどり着く。私が現場で意識しているのは、機能上重要な寸法(クリティカル・トゥ・クオリティ、CTQと呼ばれることもある)に公差の厳しさを集中させ、それ以外の寸法は加工現場の標準能力に合わせて緩めるという配分の考え方だ。ある減速機ハウジングの図面を見直した際、20箇所以上ある寸法のうち機能に直結するのはわずか3箇所で、残りの多くは慣習的に厳しい公差が引き継がれていることが分かった。CTQ以外の公差を加工現場の標準公差まで緩和したところ、検査工数が2割近く削減できた一方、機能に直結する3箇所は逆に公差を見直して精度を上げ、不具合率を下げることができた。公差はただ厳しくすればよいものではなく、機能への影響度に応じてメリハリをつけるべきだという当たり前のことを、この案件で改めて実感した。

公差設計における「積み上げ」の落とし穴

私が過去に痛い目にあった事例を紹介する。ある搬送装置の位置決め機構で、複数部品を積み重ねて最終的な位置精度を確保する設計をしたことがあった。各部品の公差は個別には問題ないレベルに設定していたが、量産が始まって数ヶ月後、位置決め精度の不具合が断続的に発生するようになった。

原因を調べるために品質保証部門と協力して各部品の寸法データを収集し、統計的に分析したところ、個々の部品の公差は規格内に収まっていたにもかかわらず、複数部品を積み重ねた際の累積誤差が想定より大きくなっていることが分かった。設計段階では最悪値公差(ワーストケース)で積み上げ計算をしていたが、実際の製造データを使った統計的公差解析(二乗和平方根法、いわゆるRSS法)で再計算すると、量産条件下でのばらつきの実態とはズレがあった。

この経験から学んだのは、公差設計には最悪値法と統計的手法の両方を使い分ける必要があるということだ。安全率を重視すべき箇所は最悪値法で厳しく見て、量産効率を重視すべき箇所は統計的手法で緩めに見る。この使い分けができていないと、必要以上に厳しい公差を全部品に課してしまい、加工コストが跳ね上がる。逆に緩すぎる公差を機能上重要な箇所に設定してしまうと、不具合の温床になる。

以下は、公差設計における最悪値法と統計的手法の使い分けの目安を私なりに整理したものだ。

この表はあくまで目安であり、案件ごとに品質保証部門と相談しながら判断するのが望ましい。私は公差設計の初期段階で、この表をベースに品質保証部門とすり合わせを行うようにしている。

実際に統計的公差解析を導入する際、私が最初にぶつかった壁はデータの母数不足だった。RSS法による解析は、各部品の寸法ばらつきが正規分布に従うという前提を置くことが多いが、量産初期でサンプル数が少ない段階ではこの前提が本当に成り立っているか判断できない。ある案件では、量産開始直後の50個程度のデータだけを使って統計的公差解析を行い、問題なしと判断していたが、量産が進んで500個を超えるデータが集まった段階で分布の裾野が想定より広いことが判明し、慌てて公差を見直したことがあった。この経験から、量産初期の統計的公差解析はあくまで暫定的な参考値として扱い、量産が安定してデータが十分に蓄積された段階で改めて検証し直すという二段構えの運用を心がけるようになった。統計的手法は万能ではなく、母数が少ない段階では最悪値法寄りの安全側の判断を残しておくことが重要だと考えている。

DMAICを設計フェーズに応用する

6シグマの代表的な問題解決フレームワークにDMAIC(Define-Measure-Analyze-Improve-Control)がある。これは本来、量産中の不良改善のために使われる手法だが、私は設計段階の検討にもこの流れを応用している。

Define(定義)では、何を改善対象とするかを明確にする。設計段階であれば「この機構のどの機能がクリティカルか」を定義する作業に相当する。Measure(測定)では、現状のばらつきや性能を数値で把握する。設計段階であれば、類似機種の実績データや過去の不具合データを収集する作業になる。Analyze(分析)では、ばらつきの要因を特定する。設計であれば、公差解析やFMEA(故障モード影響解析)を通じて、どの寸法・どの部品がクリティカルかを洗い出す。Improve(改善)では、設計変更や公差の見直しを行う。Control(管理)では、量産移行後にどう監視するかを決める。検査基準や管理図の運用方法をここで設計しておく。

ある案件では、新規開発するギアボックスの異音対策にこの流れを適用した。開発初期段階でDefineとして「異音の原因になりやすいギアの噛み合わせ精度」を定義し、Measureとして過去の類似機種での異音発生率とその原因データを収集した。Analyzeの段階でFMEAを実施し、歯車のピッチ誤差と軸受のがたつきが主要因になりうることを特定した。Improveとして歯車の等級を1ランク上げ、軸受の予圧管理方法を見直した。Controlとして量産後の抜き取り検査項目に噛み合わせ音の測定を追加した。この結果、量産開始後の異音クレームは過去機種と比較して大幅に減少した。

設計段階でここまでの手順を毎回踏むのは現実的ではないが、クリティカルな機能や過去に問題が多かった機構については、この流れを意識的に適用する価値があると考えている。

DMAICを設計に応用する上で私が特に重視しているのは、Measure(測定)の段階で「何を測るべきか」を安易に決めないことだ。過去の不具合データが手元にあるとつい飛びつきたくなるが、そのデータが今回の設計対象と本当に同じ条件下で取得されたものかを確認しないと、Analyze(分析)の段階で誤った結論を導いてしまう。ある樹脂部品の強度検討で、過去の類似部品の破断データを流用しようとしたが、成形条件(射出圧力・金型温度)が今回の部品と異なることに気づき、そのままでは使えないと判断したことがあった。結局、簡易的な追加試験を行ってデータを取り直す時間を確保したが、もしそのまま流用していたら、Analyzeの段階で見当違いの結論に至っていた可能性が高い。DMAICは手順を機械的になぞるだけでなく、各段階で得たデータや情報の前提条件を常に疑う姿勢とセットで運用しないと、かえって誤った自信を持ってしまう危険がある。

FMEAとの組み合わせでリスクを可視化する

6シグマの活動でよく併用されるのがFMEA(Failure Mode and Effects Analysis、故障モード影響解析)だ。設計者にとってはこちらのほうが馴染み深いかもしれない。FMEAでは、想定される故障モードごとに「発生頻度」「影響度」「検出難易度」を点数化し、それらを掛け合わせたリスク優先数(RPN)で優先順位をつける。

私が現場でよく見る失敗は、FMEAを設計完了後の「儀式」として実施してしまうことだ。図面がほぼ確定した段階でFMEAシートを埋めるだけの作業になっていると、たとえ高リスクな項目が見つかっても、今さら設計を変更できないという理由で対策が先送りされる。本来FMEAは設計の初期段階、少なくとも詳細図面に落とし込む前のコンセプト検討段階で実施し、リスクの高い箇所には設計そのものに手を入れる余地を残しておくべきだ。

ある油圧シリンダーの設計案件では、コンセプト検討段階でFMEAを実施したところ、シール部の摩耗による油漏れが高リスク項目として浮上した。この段階であれば設計変更の自由度が高かったため、シール材質の見直しとハウジング形状の変更を比較的低コストで実施できた。もしこれが詳細図面確定後に発覚していたら、金型改修を伴う大きな手戻りになっていたはずだ。FMEAは「早く、繰り返し」実施することで初めて効果を発揮すると実感している。

FMEAのRPN(リスク優先数)を計算する際、私が現場でよく目にする落とし穴がもう一つある。それは「発生頻度」「影響度」「検出難易度」の3項目の点数付けが、担当者の主観に大きく左右されてしまうことだ。同じ故障モードでも、ベテラン技術者は経験則から発生頻度を低く見積もりがちで、逆に若手はリスクを過大に見積もる傾向がある。ある案件では、複数の担当者で同じFMEAシートを独立して採点してもらったところ、同じ故障モードに対してRPNの評価が3倍近く異なることがあった。この経験から、FMEAは一人で完結させず、必ず複数人でクロスチェックする、あるいは点数付けの基準(例えば「発生頻度5点は月1回以上発生」といった具体的な定義)を事前に共有しておくことの重要性を痛感した。基準を揃えないままFMEAを実施すると、点数の一貫性が保てず、本来優先すべきリスクが埋もれてしまう危険がある。

もう一つ、FMEAの運用で私が意識しているのは「検出難易度」の評価を甘く見積もらないことだ。設計者はどうしても自分たちが設計した検査工程や監視機構を過信しがちで、「この不具合は必ず検査で見つかる」と楽観的に採点してしまうことがある。ある案件では、外観検査で不具合を発見できるという前提でFMEAの検出難易度を低く見積もっていたが、実際には検査員の目視だけでは発見しづらい微細な変形不良で、量産後にクレームが発生したことがあった。検出難易度を評価する際は「本当にその検査方法で確実に検出できるか」を、検査工程を担当する現場の人間にも確認したうえで採点することが重要だと、この経験から学んだ。

統計データを読む力を身につける

6シグマ活動を設計に活かす上で避けて通れないのが、統計データを読む力だ。私は統計学を体系的に学んだわけではないが、現場で品質保証部門の担当者とデータを見ながら議論を重ねる中で、最低限必要な感覚は身についてきたと思う。

特に重要だと感じているのは、平均値だけでなくばらつきの分布(ヒストグラム)を見る習慣だ。平均値が規格の中心に収まっていても、分布が二山型(バイモーダル)になっている場合、実は2つの異なる工程条件が混在している可能性がある。ある樹脂成形部品の寸法データを確認した際、ヒストグラムが明らかに二山になっていたことがあった。調べてみると、2台の異なる成形機で生産されており、片方の金型が摩耗して寸法が微妙にずれていたことが判明した。平均値だけを見ていたら気づけなかった問題だ。

設計者が統計の専門家になる必要はないが、品質保証部門から提供されるデータを鵜呑みにせず、自分でヒストグラムや管理図を見て「これは変だ」と気づける程度の感覚は持っておくべきだと考えている。

統計データを読む力を養う上で、私が新人設計者によく勧めているのが、自分の担当部品の寸法データを実際にヒストグラムやX-R管理図(平均値と範囲を継続的にプロットする管理図)に落とし込んでみる作業だ。品質保証部門が作成したレポートを読むだけでは、データの持つ意味を体感として理解しづらい。私自身、あるプレス部品の寸法データを自分の手でExcelにプロットしてみたときに、規格の中心からわずかに外れた位置に平均値が偏っていることに気づいた経験がある。品質保証部門のレポートでは「規格内に収まっているため問題なし」という結論だけが記載されていたが、自分でグラフ化したことで、金型の摩耗によって徐々に寸法がシフトしている傾向を早期に察知でき、計画的な金型メンテナンスの提案につなげることができた。データを他人がまとめた結論として受け取るのではなく、自分の手を動かしてグラフに触れてみることが、統計的な感覚を養う一番の近道だと思っている。

設計者が6シグマ的思考を持つメリット

最後に、6シグマ的な思考を持つことで設計者自身にどんなメリットがあるかをまとめておきたい。1つ目は、量産移行後のトラブル対応にかかる時間が減ることだ。設計段階でばらつきを見込んだ設計をしておけば、量産後の緊急対策会議に呼び出される頻度が減る。2つ目は、購買・生産技術部門との会話がスムーズになることだ。Cpkやばらつきの話を共通言語として持っていると、公差設定の妥当性について建設的な議論ができる。3つ目は、自分の設計の弱点を客観的に把握できることだ。感覚や経験則だけに頼らず、データに基づいて自分の設計判断を検証する習慣がつく。

ここまで3つのメリットを挙げたが、私が最近になって実感するようになったもう一つのメリットが、設計変更の意思決定が早くなることだ。データに基づいた議論ができる関係性が社内外にできていると、「なんとなく心配だから公差を厳しくしておこう」といった感覚的な判断に頼らずに済む。ある案件では、公差変更の是非を巡って営業・購買・生産技術の間で意見が割れていたが、過去の工程能力データを持ち出して「この公差ならCpkは1.5を確保できる」と定量的に示したことで、議論が15分程度で決着したことがあった。感覚的な議論は水掛け論になりやすく、結論が出るまでに何度も会議を重ねることになりがちだが、データという共通の判断軸があると意思決定のスピードが目に見えて上がる。設計者にとって、6シグマ的な思考は品質を守るための手段であると同時に、社内の合意形成を効率化するための実務的な武器でもあると感じている。

もう一つ付け加えるなら、6シグマ的な思考は設計者自身のキャリアにとっても財産になる。私は客先常駐という立場上、数年ごとに現場を移ることが多いが、Cpkや管理図、FMEAといった共通言語を持っていると、新しい現場に入った直後から品質保証部門やベテラン技術者と対等に近い立場で議論ができる。逆にこうした共通言語を持たないまま新しい現場に入ると、最初の数ヶ月はその現場独自の慣習や暗黙知を手探りで理解するところから始めることになり、信頼を得るまでに時間がかかる。統計的な考え方という普遍的な土台を持っていることが、環境が変わっても素早く戦力になれる下地を作ってくれていると実感している。

6シグマは決して統計の専門家だけのものではない。設計者が「ばらつきは必ず存在する」という前提を持ち、公差やFMEAといった既存のツールにその視点を加えるだけで、量産後のトラブルは確実に減らせる。私自身、この考え方を意識するようになってから、量産移行後の呼び出しの回数が明らかに減った実感がある。品質保証部門任せにせず、設計者自身が品質のばらつきに向き合う姿勢こそが、6シグマを設計に活かす第一歩だと思っている。