那天 EV 客戶來廠裡，臉色比停電還黑
記得前幾年，我們廠接了個新的 EV 電池模組案子。那時候大家都很興奮，畢竟是新的藍海。結果有一次，客戶大頭親自跑來開會，報告一攤開，他臉色直接垮下來。那種黑不是說你良率不好，是那種「你們是不是不懂我們在玩什麼」的質疑。他說，你們這批電池模組，在他們組裝線上，不良率高到嚇人，導致整車下線的時程都亂了。我心裡想，奇怪，我們出廠的 OQC 報告都漂漂亮亮的啊，CPK 也都過 1.33 了，到底問題在哪？後來才知道，EV 的品質要求，跟我們過去熟悉的消費性電子，根本是兩個世界。
問題出在哪？不是良率，是「穩定性」
說穿了，EV 電池模組的品質，不光是看你單顆電池的良率有多高。它更在乎的是「模組內部的一致性」和「長時間的可靠度」。你想想看，一台電動車裡面，可能塞了幾百顆、甚至上千顆的電池芯，這些電池芯會被組合成一個個模組。如果其中有一顆電池的電壓、內阻，或是溫度反應跟旁邊的不一樣，那整個模組的表現就會被拖垮。這就好比你找了一堆長跑選手去接力，結果其中一個是跑百米的，雖然他爆發力強，但跑到後面就虛了，整隊的成績肯定受影響。
所以，客戶在意的不是你這批貨的 DPMO 是 6210（大約良率 99.38%）還是 2700（良率 99.73%），他們更關心的是，你出廠的這批貨，在他們後續組裝和使用過程中，是不是每一顆都表現得像雙胞胎一樣。尤其在電池模組的配對上，電壓、內阻、容量這些關鍵參數的一致性，比你想像的還要重要。過去我們可能看 CPK 1.08 就覺得過關了，但在 EV 領域，他們會要求你模組內部各電池芯的參數差異，要控制在極小的範圍內，例如電壓差異不能超過 5mV，內阻差異不能超過 2mΩ。
實際上怎麼做？數據分析是關鍵
那要怎麼做到這種「雙胞胎」等級的穩定性？坦白講，就是把數據挖到最底層。
- 分批生產的數據追溯： 我們要確保每一批電池芯的生產日期、製程參數、甚至供應商來源，都能完整追溯。當客戶反饋問題時，我們能立即鎖定是哪個批次、哪條生產線出的問題。
- 更嚴格的入料檢驗 (IQC)： 進料時就要把關。例如，電池芯的內阻，除了量測平均值，還要算標準差。如果標準差太高，就算平均值在規格內，也代表這批貨的「散佈」太大，之後組成模組就容易出問題。
- 製程中的即時監控： 在模組組裝的每個環節，都要有即時數據監控，例如焊接電壓、電流的穩定性。當數據有異常波動時，不是等下線才發現，而是當下就要警示並排除。
舉個例，我們後來為了符合客戶對內阻一致性的要求，導入了更高精度的分選機。以往可能分選精度是 ±5mΩ，現在要縮小到 ±1mΩ。這讓我們的分選流程更長、成本更高，但卻是確保模組內部一致性的必要投資。
最常見的坑：只看平均值，忽略離散度
我們最常犯的錯，就是只看平均值，卻忽略了數據的「離散度」。比如說，某個製程參數，平均值都在規格內，但數據分佈卻很廣，一下偏高一下偏低。這種情況下，雖然單看平均值沒問題，但實際產品的一致性就會很差。
還有一個坑，就是「數據孤島」。生產線A的數據、檢測站B的數據，工程師C的經驗，彼此之間沒有串聯。當問題發生時，大家各自表述，沒有一個整合的視角去看問題全貌。說實話，這就跟盲人摸象沒兩樣。
今天能做的一件事
開始檢視你手上的製程數據，除了平均值，也把「標準差」或「全距」加進你的日常報告裡。