工程能力指数CpKとは何か
CpK は Capability index（工程能力指数） の略で、「K」は 「偏り」 を意味します。
Cp（工程能力）は「ばらつきの大きさ」だけを見るのに対し、CpKは「ばらつき＋平均値の規格中心からのズレ」 を同時に評価する指標です。数値が高いほど、規格に対して余裕を持って生産できていることを示します。
このCpKは、製品の寸法測定値、外観検査データ、重量、電気特性値、化学分析値など、製造現場で日々取得しているあらゆる検査・測定データに適用できます。「この工程は安定しているのか？」を客観的な数値で判断するための基本指標です。
CpK は Capability index（工程能力指数） の略で、「K」は 「偏り」 を意味します。
Cp（工程能力）は「ばらつきの大きさ」だけを見るのに対し、CpKは「ばらつき＋平均値の規格中心からのズレ」 を同時に評価する指標です。数値が高いほど、規格に対して余裕を持って生産できていることを示します。
製造業において、「この工程は本当に安定して品質を出せているのか？」を定量的に評価する指標が工程能力指数（Cp・CpK）です。
簡単に言えば、「規格に対して、どれだけ余裕を持って生産できているか」を数値で表したものです。この数値が低いと、規格外れの不良品が大量に出るリスクがあることを示します。
CpとCpKの違い
Cp（工程能力指数）＝ 分布の広がりだけを見る
Cpは、規格幅（上限−下限）を、実際のばらつき（6σ）で割った値です。
Cp = （規格上限 USL − 規格下限 LSL）÷ 6σ
Cpは「ばらつきの大きさだけ」を評価します。分布の中心（平均）が規格の中央にあることを前提としているため、平均が規格中心からズレている場合はCpだけでは不十分です。
CpK（工程能力指数）＝ 分布の広がり＋中心のズレも見る
CpKは、ばらつきに加えて、平均値の規格中心からのズレも考慮した指標です。実際の現場ではCpKが使われることがほとんどです。
CpK = min（（USL − μ）÷ 3σ, （μ − LSL）÷ 3σ）
ここで、μは平均値、σは標準偏差です。つまり、上下どちらかの規格限界により近い方の余裕を評価します。
CpKの評価基準：1.33以上が必要な理由
| CpK値 | 評価 | 不良率の目安 | 工程の状態 |
|---|---|---|---|
| 1.67以上 | 十分 | 0.00006%（6σ品質） | 余裕があり理想的 |
| 1.33 〜 1.67 | 良好 | 0.006% | 多くの業界で合格基準 |
| 1.00 〜 1.33 | 要注意 | 0.27% | 規格ぎりぎり。管理強化が必要 |
| 0.67 〜 1.00 | 不十分 | 4.6% | 不良発生リスク大。改善必須 |
| 0.67未満 | 不良 | 31.7%以上 | このままでは量産不可 |
なぜ1.33が基準なのか
自動車業界や電子部品業界では、CpK = 1.33以上が一般的な合格基準とされています。これは：
- 規格幅に対して ±4σ の余裕がある状態
- 平均が多少変動しても（最大1σ分）、規格外れが出ないマージンがある
- 量産中のツール摩耗や温度変化などの外乱を吸収できる
という理由からです。さらに重要な部品ではCpK = 1.67以上（±5σ）を要求するケースもあります。
従来のCpK分析の課題
CpKの計算自体はエクセルで可能ですが、現場では以下の課題があります：
- データの前処理が面倒：測定データをCSVにまとめ、エクセルに貼り付け、関数を設定する手間
- 複数工程の一括分析が困難：工程が数十ある場合、1つずつ計算するのは非現実的
- 異常値の判定が主観的：外れ値の扱い方で結果が変わることがある
- 定期的な再計算が続かない：一度計算しても、その後のフォローが途切れがち
AI（LLM）でCpK分析を行う方法
生成AI（LLM）を使うと、CpK分析を大幅に効率化できます。
Pythonコードを自動生成させる
ChatGPTやClaudeに以下のような指示をするだけで、CpK分析用のPythonコードを生成してくれます。
【プロンプト例】 「CSVファイルの測定データからCpKを計算するPythonコードを書いてください。 - ファイルは"measurement_data.csv"で、列名は"part_no","value","spec_upper","spec_lower" - 部品番号ごとに平均、標準偏差、Cp、CpKを計算 - 結果を新しいCSVファイルに出力 - ヒストグラムも自動生成して画像保存 - CpK < 1.33 の場合は警告表示」
エクセル関数を使う場合
Pythonを使えない環境でも、エクセルでCpKは計算できます：
- 平均：=AVERAGE(データ範囲)
- 標準偏差：=STDEV.P(データ範囲) または STDEV.S
- Cp：=(USL - LSL) / (6 * STDEV.P(データ範囲))
- CpK：=MIN((USL - AVERAGE(データ範囲))/(3*STDEV.P(データ範囲)), (AVERAGE(データ範囲)-LSL)/(3*STDEV.P(データ範囲)))
データ漏洩が心配なら：ローカルLLMでCpK分析
工場の測定データには、製品の品質情報や製造条件など、社外に出せない機密情報が含まれています。ChatGPTやClaudeのクラウドサービスに生データを送信することに抵抗がある場合は、ローカルLLMを利用することで、データを外部に出さずにCpK分析が可能です。
ローカルLLMのメリット
- データが外部に出ない：自社のPCやサーバー内で完結するため、情報漏洩リスクゼロ
- API利用料が不要：クラウドAPIのようにトークン課金が発生しない
- オフラインでも使用可能：インターネット接続がなくても動作する
- カスタマイズ自由：社内の規格や計算式をプロンプトに組み込める
おすすめローカルLLMツール
| ツール | 特徴 | 推奨スペック |
|---|---|---|
| Ollama + Llama 3 | 軽量で導入が簡単。コマンドラインで使いやすい | RAM 8GB〜（7Bモデル） |
| LM Studio | GUIで直感的に操作可能。チャット形式でコード生成 | RAM 16GB〜 |
| Dify（ローカルRAG） | 自社の計算手順書を読み込ませてCpK分析を指示可能 | RAM 16GB〜 |
| Ollama + Continue.dev | VS Code上でコード生成。Pythonスクリプトを直接作成 | RAM 8GB〜 |
ローカルLLMを使ったCpK分析のワークフロー
- OllamaまたはLM StudioでLlama 3（7B以上）をダウンロード
- 「測定データのCSVからCpKを計算するPythonコードを書いてください」とLLMに指示
- LLMが生成したコードをコピーしてローカル環境で実行
- 結果の数値・グラフを確認
- CpK < 1.33 の工程について、LLMに改善案を相談
補足： コード生成タスクに関しては、Llama 3 7Bでも十分な品質のPythonコードを生成できます。CpK計算のような汎用的なロジックは、大規模なLLMでなくても正確に生成できます。
実践例：CpK分析の進め方
Step 1：データ収集
各工程から20〜100個程度のサンプルデータを収集します。サンプル数は多いほど信頼性が高まりますが、最低でも20個以上は必要です。
Step 2：データの正規性確認
CpKの計算はデータが正規分布に従うことを前提としています。データが正規分布でない場合は、データ変換（Box-Cox変換など）を検討します。LLMに「このデータが正規分布に従うかShapiro-Wilk検定して」と依頼することもできます。
Step 3：AIで一括分析
AI（クラウドLLMまたはローカルLLM）にデータを渡し、全工程のCpKを一括計算させます。
Step 4：改善優先順位の決定
CpK < 1.33 の工程を洗い出し、CpKの低い順に改善を実施します。
Step 5：定期的なモニタリング
月次や四半期ごとにCpKを再計算し、工程の安定性を継続監視します。AIに定期レポートを自動生成させることで、工数をかけずに継続できます。
まとめ
CpK（工程能力指数）は、「自社の工程が安定して品質を出せているか」を定量的に判断するための必須指標です。1.33以上が多くの業界での合格基準であり、1.67以上を目指すことで外乱に強い工程になります。
AI（LLM）を活用することで、CpK分析を自動化・効率化できます。特にローカルLLMを使えば、データ漏洩の心配なく社内の品質データを分析できるため、セキュリティ要件の厳しい製造現場でも安心です。
まずは1工程からでもCpKを計算し、自社の工程能力の現状を把握することから始めましょう。
コメント