我们经常听到，如果一家公司的质量水平达到了六个西格玛水平，那么也就意味着在100万次出错机会中出现的缺陷数不会超过3.4个，也就是3.4ppm。那ppm是什么呢？

ppm是英文parts per million的缩写，其本质计算的是DPO（defects per opportunity）单位机会缺陷数，但是通常这个计算值太小，不利于读数，所以进行了一百万倍的放大，也就是转化成计算DPMO（defects per million opportunity）百万机会缺陷数，而ppm可以认为是DPMO计算值的单位。DPMO可以做为衡量质量水平的重要指标，也就是每一百万出错机会中出现多少个缺陷。
 
我们以下面这张图为例先理解缺陷机会、缺陷和不良品。在一个生产手机屏的公司，我们假设生产一个屏幕出现缺陷有如下7种：刮伤、触摸失灵、摔伤、白斑、黑屏、闪屏、漏光，那么对于一个屏幕来说，它的缺陷机会数就是7。假使在实际的生产过程中，质检员对这一片的屏幕做了检查，发现出现了刮伤、黑屏和漏光，那么缺陷数就是3，同时因为这一片屏幕因为有这些缺陷就会被判定为不良品，所以不良品数为1。

 倘若我们在为下游客户生产一批屏幕，抽检了10000pcs的屏幕，共发现50pcs的不良品，缺陷总数为80个，那么我们可以估算这批屏幕的质量水平是：DPMO = 80 / (7 * 10000) * 10^6 = 1143ppm。1143ppm在六西格玛中到底处于什么样的水平呢？我们可以按照如下方式进行转化：
首先，(1-η)*10^6ppm = 1143ppm, 那么η = 99.89%,
然后，再通过Excel把η代入到到公式中计算得到，Cpk = (NORM.INV(η,1.5,1)-1.5)/3+0.5 = 1.52 ，这也意味着σ = 1.52*3 = 4.56

我们在六西格玛DMAIC流程中的Define阶段主要做的工作是识别所关注产品、过程、或者服务的关键输出变量，通过计算关键输出变量的缺陷质量水平，可以换算得到基准西格玛水平，最终六西格玛项目的目标和改进效果都是以此基准来制定的。 收起阅读 »

尽管精益源于制造业，但世界上几乎每个行业和所有类型的组织都可以从中受益。不久前，我们回顾了5个关键精益工具这是开始实施精益的好方法。今天，让我们继续学习5种更重要的精益工具。

1.改善



改善是一种加速流程改进项目的方法。虽然最初是为制造业开发的，但改善广泛应用于各种行业，对于流程改进实践者来说是一项有价值的技术。改善是一项为期3-5天的专项活动，旨在推动流程改进。员工被从日常工作中抽出来参与。立即实施解决方案。领导者使用上述参与路线图来更好地计划和实施改善活动。

2.废物分析



在精益生产中，浪费是指流程中任何不必要的、从客户角度看不会增加价值的东西。精益的目的是识别、分析和消除所有的浪费来源，如缺陷或过量库存。

使用Minitab Engage的“按操作进行废物分析”表格来记录每个过程步骤中的废物类型，并对废物的程度进行量化和颜色编码。当由多个观察者执行时，废物分析活动是最有效的，无论是在被检查的过程之内还是之外。

3.快速转换





快速转换是一种分析过程的方法，可以减少设置所需的时间、技术资源或材料。最初这种技术应用于制造环境，特别是工具和模具。最近，这种方法已经应用于各种需要快速重置的工作流(包括交易流程),如医院病床、手术室或装卸飞机乘客。快速转换包括识别过程步骤，并将每个步骤分配到两个类别中的一个:

内部-必须在进程停止时完成，并且

外部-可以在流程运行时完成，在执行设置之前或之后。

使用快速转换(QCO-SMED)表单来比较当前和改进状态的流程转换或设置的内部和外部组件。通过实施快速转换，组织可以减少内部设置时间，从而减少非生产性流程时间，并实现更多设置、更小的运行批次和改进的流程。第二个目标是减少总的准备时间，以释放劳动力。

4.人工投入线性平衡法







生产线平衡是一种“均衡”一组过程步骤的技术，以平滑完成这些步骤所需的时间。当流程步骤不平衡时，可能会出现一个或多个约束或瓶颈。

目标是消除非增值任务，合并任务并密切平衡剩余步骤，以便所有步骤都满足客户需求率。使用Minitab Engage的生产线平衡-流程图或生产线平衡-价值流图表格，将流程图或价值流图上多个操作的周期时间与生产节拍时间(满足客户需求所需的时间)进行比较。

当您试图平衡一个单元或一系列连续的过程步骤时，这种分析是有用的。它凸显了等待的浪费。

5.标准工作



标准化工作建立了一套工作程序，为流程提供了最佳、最可靠的方法和顺序。标准化工作阐明了流程，记录了完成工作的最佳方式，确保了一致性，加快了员工培训，并为进一步改进提供了基准。

使用Minitab Engage的标准工作组合图表表格显示与每个工作要素相关的手动、机器和行走时间。输出以图形方式将累计时间显示为手动(操作员控制)时间、机器时间和行走时间。查看综合数据有助于识别过度运动和等待造成的浪费。

你可以去看看Minitab Engage在线帮助要观看视频，请了解有关这些工具的更多信息，并下载30天免费试用版亲自试用。在此评论或让我们知道脸谱网或者推特如果您有任何问题或其他您希望我们涵盖的领域。
收起阅读 »

当世界各地的医生依靠你的产品来诊断和治疗无数的病人时，你需要确保这些产品是安全的，并且尽可能负担得起。

这就是为什么波士顿科学Heredia定期评估其运营，以保持流程效率，并通过降低成本为负担得起的医疗保健做出贡献。30多年来，波士顿科技公司一直致力于医疗技术的开发、制造和营销，并为各种医疗专业提供服务。

在其哥斯达黎加的Heredia工厂，包装工程师Daniel Calvo Camacho领导了一项简化导丝包装的工作，推出了一种新的更小的塑料袋，导丝用于导管放置或内窥镜诊断等程序。

该工厂的工程师使用Minitab统计软件来帮助评估和验证他们的包装过程，这使得Boston Scientific能够满怀信心地继续对其包装袋进行成本节约的重新设计。

挑战

为他们的Amplatz超硬导丝使用更小和不同的包装材料将大大降低波士顿科技公司的材料成本，但该公司需要确保新的小袋能够与他们的密封过程配合使用，这就形成了一个屏障，使导丝在准备使用前保持无菌。



波士顿科学公司哥斯达黎加工厂的一个项目团队使用Minitab统计软件来分析数据，以验证用于医疗程序的导丝包装的封袋过程。上图中，导丝装在一个袋子里，准备密封。

在洁净室中，操作人员将导丝装入袋中，然后将袋倒置在密封传送带上。每个袋子的开放边缘通过前后带之间的热量和压力，创造一个可剥离的密封。

包装工程师需要确保小包装袋的密封强度仍然达到或超过标准。他们评估了该过程，并确定了几个输入变量，其中包括密封系统的前后加热带的温度和系统的速度。

现在，该小组需要评估这些变量中的每一个，并确定它们如何影响小袋密封的质量。哪些输入是最重要的？操作人员应该在哪里设置系统的温度和速度，以确保每个袋子都有牢固的密封？

Minitab如何帮助

这就是被称为实验设计的统计方法的用武之地。一个设计好的实验让你一次同时改变和评估一个以上的输入变量，然后使用统计分析得到关于所有感兴趣的输入变量的有意义的结果。您可以快速确定哪些因素很重要，然后调整过程以获得所需的结果。

Minitab统计软件可用于轻松创建和分析多种设计实验。Calvo Camacho使用它创建了一个两级全因子设计的实验，这将使团队能够评估所有的输入变量以及它们之间的双向交互作用。

“在评估了创建DOE的初步过程参数后，我选择了不同的因素和这些因素的水平，这将有助于团队执行我们的实验，”Calvo Camacho说。然后，团队开始收集实验数据。Minitab的DOE工具创建了一个运行列表，每个运行指定了每个因子的两个水平的不同组合。操作员为每个实验条件制作了一个样本海豹，然后卡尔沃·卡马乔和他的团队测量了每个海豹的强度。在完成所有实验运行后，他使用Minitab分析结果。

该分析将前方和后方的温度确定为重要因素，以及它们之间的双向相互作用。速度不是影响密封强度的重要因素，这使得研究小组可以将其从模型中移除。传统的一次一个因素(OFAT)实验可能很容易错过导致长期过程控制问题的重要相互作用。



上面的帕累托图确定了显著影响密封强度的因素:前部温度、后部温度以及它们各自的双向相互作用。



该团队还使用Minitab创建等高线图，揭示密封强度达到或超过规格的温度范围。

通过关注设计实验中确定的关键因素，该团队设计了最佳的工艺设置，以确保新的包装袋具有牢固的密封。现在，他们转向Minitab，用一种叫做能力分析的工具来验证新工艺设置的有效性，这种工具可以证明工艺是否符合规范，是否能够生产出好的零件。他们使用他们确定的最佳过程设置来密封包装袋，记住温度越高，密封越强。然后，他们测量这些包装袋的密封强度，并进行能力分析，以评估相对于规格下限的测量值。他们的能力分析表明，建议的温度设置符合甚至超过了最低密封强度要求。



该团队在Minitab中执行过程能力分析，这有助于他们证明提议的温度设置将允许他们实现最终生产目标。

通过实验和使用Minitab统计软件进行的数据分析，该团队能够证明他们的包装系统以高效的方式运行，并将继续使用新的包装袋。

结果

现在，仔细的数据分析显示了密封系统的有效性，哥斯达黎加的工厂可以开始使用新的塑料袋，这将导致大量的节约。“我们每年都会评估我们的流程，以不断提高质量和服务，但我们也积极寻求降低成本的机会，”Calvo Camacho说。

采用新的邮袋支持波士顿科学的更广泛的努力，以简化整个公司的包装，该项目发挥了重要作用，该公司的综合节省超过330，000美元至今。此外，该团队的流程验证确认了这些变化和节约是可以持续的。这对公司来说是个好消息，最终对依赖他们产品的医生和病人来说也是。

“最终，”卡尔沃·卡马乔指出，“我们存的钱越多，我们就能把更多的储蓄传递给我们服务的人。” 收起阅读 »

当资源有限，或者收集真实数据过于昂贵或不切实际时，如何遵循现实的预测和时间表？模拟数据是否值得信任，可进行准确预测？这就是 Monte Carlo 模拟的用武之地。

然而，实际上，模拟数据通常用于许多场景，如资源有限的场景，或者收集真实数据过于昂贵或不切实际的场景。Monte Carlo 模拟是一种数学建模技术，可允许您查看所有可能的结果并评估风险以做出数据驱动型决策。通过大量随机计算模拟运行历史数据，以预测未来项目在类似情况下的可能结果。

Minitab Engage 是一个软件平台，它将用于执行质量项目的桌面应用程序与 Web 控制台相结合，从而使报告整个质量计划变得易如反掌。Monte Carlo 模拟工具是桌面应用程序中的一流工具之一，它使模拟方法变得非常易于访问。

Monte Carlo 方法使用重复随机抽样来生成要用于数学模型的模拟数据。此模型通常来自统计分析（如实验设计或回归分析）。

假设您研究一个过程并使用统计量对其建模，如下所示：



使用这种类型的线性模型，可以将过程输入值输入到方程中并预测过程输出。但是，在现实世界中，由于变异性，输入值不会是单个值。不幸的是，这种输入变异性会导致输出中出现变异性和缺陷。

在考虑不确定性的同时设计更好的过程

为了设计更好的过程，您可以收集大量数据来确定在各种条件下输入变异性与输出变异性之间的关系。但是，如果您了解输入值的典型分布，并且您有一个对过程进行建模的方程，则可以轻松生成海量模拟输入值并将它们输入到过程方程中，以生成过程输出的模拟分布。

您还可以轻松更改这些输入分布以回答“如果…怎么办”类型的问题。这就是 Monte Carlo 模拟的全部内容。在即将介绍的 Minitab Engage 用法示例中，我们将更改模拟数据的均值和标准差以改进产品质量。

使用 Minitab Engage 进行 Monte Carlo 模拟的分步示例

一家建筑产品制造商的材料工程师正在开发一种新的绝缘产品。

该工程师进行了一项试验并使用统计量来分析可能会影响产品绝缘效果的过程因子。对于这个 Monte Carlo 模拟示例，我们将使用上面显示的回归方程，该方程描述了过程中涉及的统计意义显著的因素。

步骤 1：定义过程输入和输出

我们需要做的第一件事是定义输入及其值的分布。

过程输入在回归输出中列出，工程师熟悉每个变量的典型均值和标准差。对于输出，工程师可以从 Minitab Statistical Software 复制用来描述过程的回归方程并将其粘贴到 Engage 的 Monte Carlo 工具中。

如下图所示，可以轻松键入过程相关输入和输出的信息。



验证模型，然后可以运行模拟（默认情况下，Engage 会以极快的速度运行 50,000 次模拟，但您可以指定更大或更小的次数值）。



Engage 使用能力分析的典型输出（能力直方图、缺陷百分比和 Ppk 统计量）为您解释结果。它正确地指出我们的 Ppk 低于普遍接受的最小值。

Engage 不但运行模拟并让您确定后续做法，而且还确定过程不令人满意并提出一系列智能步骤来改进过程能力。

它还知道控制均值通常比控制变异性更容易。因此，Engage 提出的下一步是进行用来查找均值设置的参数优化，均值设置可在考虑输入变异性的同时最大限度地减少缺陷数量。



步骤 2：定义参数优化的目标和搜索范围

在这个阶段，我们希望 Engage 找到均值输入设置的最佳组合，以最大限度地减少缺陷。可以使用参数优化来指定目标并利用您的过程知识来定义输入变量的合理搜索范围。



下面是模拟结果。



一眼就可以看出缺陷百分比下降了。我们还可以在表中看到最佳输入设置。然而，我们的 Ppk 统计量仍低于普遍接受的最小值。幸运的是，Engage 为我们推荐了可进一步改进过程能力的后续步骤。



步骤 3：控制变异性以执行敏感度分析

到目前为止，我们已经通过优化均值输入设置来改进过程。这大大减少了缺陷，但我们在 Monte Carlo 模拟中还有更多工作要做。现在，我们需要减少过程输入的变异性以进一步减少缺陷。

减少变异性通常更难。因此，您不希望浪费资源来控制不会减少缺陷数量的输入的标准差。幸运的是，Engage 包含一个创新型图表，可帮助您确定在哪些输入中通过控制变异性可最大程度地减少缺陷数量。



在上图中，寻找带倾斜直线的输入，因为减小这些标准差可以降低输出中的变异性。相反，您可以放宽带平直直线的输入的公差，因为它们不会影响输出中的变异性。

在上图中，斜率基本相等。因此，我们将尝试减小几个输入的标准差。您需要利用过程知识来确定实际的减少量。要更改设置，可以单击线上的点，或使用表中的下拉菜单。

最终的 Monte Carlo 模拟结果



成功！过程中的缺陷数量有所减少，Ppk 统计量为 1.34 且高于基准值。该假定表向我们展示了应当尝试使用的过程输入的新设置和标准差。如果我们再次运行参数优化，它将成为过程的中心，我相信我们的缺陷会更少。

另外，所有这些都是在未收集任何进一步数据的情况下完成的，因为我们知道输入值的典型分布，并且有一个对过程进行建模的方程。 收起阅读 »

试图解决一个复杂的问题？您应该首先列出所有可疑变量。然后，确定少数关键因素，并将它们与其他对理解原因无关紧要的因素分开。让我们来看看一个非常简单的图形工具，它非常直观，几乎任何人都可以使用，并且不需要任何先验统计知识：变异性图表。



什么是变异图？

变异性图表是一种以可视化方式呈现方差分析 ( ANOVA ) 数据的好方法，它们在根本原因分析的早期阶段表现出色。它们的主要优势在于使您能够在单个图表中可视化许多不同的变化来源，同时提供因子效应的整体视图。

变异性图表可以帮助您在一张图表上进行调查和研究许多可能原因导致的变异模式。它们允许您显示过程中的位置或周期性变化。它们还可用于研究子组内、子组之间等的变异。

要在Minitab Statistical Software中创建变异性图表，请选择统计 > 质量工具 > 变异性图表... 然后在对话框中选择响应变量和最多八个因子。

使用变异图可视化呼叫中心等待时间

假设您需要检查来自一家大型金融服务公司的多个呼叫中心的等待时间。客户和潜在客户致电开立新账户、获取有关信用卡的信息、寻求技术支持和访问其他服务。您有关于客户类别、服务类型（请求）和接听每个电话的等待时间（以秒为单位）的数据（持续时间）。您可以使用变异图来分析等待时间。



看看上面的可变性图表。显示呼叫中心、客户类别、等待时间和请求类型。每个呼叫中​​心都专门处理特定类型的请求。例如，技术支持电话仅在蒙彼利埃呼叫中心处理。

请注意右上角蒙彼利埃呼叫中心最长的持续时间是多少？如果查看 Minitab 项目中的其他图形，您也可以看到天数和小时数。他们表示，周一在蒙彼利埃的等待时间最长，而且蒙彼利埃每天的等待时间通常比圣康坦要长。周一的技术支持请求等待时间也更长。

但是，请注意，当没有明显的主导因素时，或者当来自过程的“信号”太“弱”而不易被检测到时，使用更强大的统计技术（例如ANOVA或回归分析）以数值估计每个因素的影响。

变异图之后的后续步骤

由于可变性图表中可变组件的出色可视化显示，金融服务公司可以轻松地看到技术支持电话和星期一是主要和明显的问题。现在公司可以采取下一步行动，开始调查存在这些问题的原因以及解决方法。 收起阅读 »

Colin Noone透露，15年来，改进活动已经为罗尔斯·罗伊斯公司节省了26亿英镑. 凭借在发电工程公司40多年的经验，他热衷于与Minitab社区分享他的心得。

Colin是公司在方法和能力方面的全球黑带大师。下个月，他将在英国的Minitab Insights活动上发表演讲，这是我们为业务改善专业人士举办的全球系列会议的一部分。

在这段视频和采访中，我们请科林分享他对数据驱动的卓越和Minitab在劳斯莱斯的作用的看法，以及为什么他希望在Insights活动中遇到“志同道合的人”...

1.自上而下的领导，但赢得每个人的心和思想

今天，罗尔斯·罗伊斯公司是世界上第二大大型民用涡轮风扇发动机供应商。除了飞机发动机，罗尔斯·罗伊斯公司还生产火车、民用核能、海军和潜艇发动机——有些小到个人电脑，有些直径达116英寸。

(还有豪车？不，那是不同的劳斯莱斯；几十年前从工程公司分离出来的汽车品牌。)

亨利·莱斯是该公司的联合创始人，他有一句名言:

高层对质量的这种要求使得该公司的产品如此受欢迎，以至于它的名字成了英国语言中“最高质量”的代名词。

这让我们很好地理解了科林关于最佳方法的第一条建议:

真正确保你从领导开始，从高层开始推动。必须有一个清晰的愿景。

但是，这不应该以牺牲操作流程的人员的参与为代价:

如果你不与人民接触，领导说什么都不重要，不会有所作为。因此，赢得人心，赢得人民的力量，对于任何想要改善的组织来说都是至关重要的。

​

2.在“有所作为”中以身作则

作为罗尔斯·罗伊斯的黑带大师，科林负责全球范围内的精益六适马黑带(黄带、绿带、黑带、黑带大师)的培训和认证计划。

卓越流程、卓越运营、业务改进和持续改进的名称...对科林来说，它们都是一回事。

这是为了在组织中有所作为。你叫它什么真的不重要。重要的是你实际做了什么。

Colin建议您以身作则，“传达这样的信息:改变是好的，改变是积极的事情，通过合作，我们绝对可以改善组织的运营方式”。

任何一个在组织中从事职业改进的人都应该以身作则。“向人们展示方法，使用教练风格来帮助提高人们对如何应用过程改进工具和技术的理解。”

我认为，有了那种想要有所作为的激情和动力，你就可以带领整个组织前进，永远不会失去这种激情，如果你失去了这种激情，事情就会停滞不前。

3.关注真正发生的事情和你的数据告诉你的事情

科林建议说，“虽然流程被写了下来，这是它们应该如何操作，但现实世界通常是不同的，理解流程实际上在做什么是关键。”

在唾手可得的果实之后，寻找“真正的机会，从根本上改变一些大的有问题的过程，这些过程可以对一个组织的运作方式产生根本的影响”。

任何组织都应该问自己这样一个问题，我们是否尽了最大努力？我们是否尽了最大努力？我们是否从根本上及时满足了客户的需求？

如果没有，我们需要做些什么。这就是我认为数据可以真正帮助你理解组织中正在发生的事情的地方。'

这看起来说起来容易做起来难。科林说:“对于任何改进活动，当然是较大的组织，他们不缺少的一样东西就是数据。”。

真正的问题是理解这些数据告诉你什么。我不认为为了数据而收集数据会给组织增加价值。

它是关于收集正确的数据，理解它告诉你什么，并使用这些数据做出明智的决策，以推动组织内问题的解决和改进。

4.分析您的数据是一项战略性投资

15年来，罗尔斯·罗伊斯公司的改进活动已经节省了26亿英镑。罗尔斯·罗伊斯一直是Minitab的客户:

我们已经与Minitab合作了16年，我认为Minitab在未来许多年都将是一个真正的战略合作伙伴。

“Minitab帮助我们分析数据的能力对劳斯莱斯来说至关重要，因为我们正在进入一个数据变得越来越容易获得的世界，我认为就如何分析和理解数据而言，数据湖是一个挑战，Minitab是关键所在。”

劳斯莱斯的每个部门都可以使用精益六适马培训和Minitab。科林说，这不仅仅是制造工艺的改进。

5.结识您的同行并分享您的见解

尽管Colin将于下个月在英国的Minitab Insights活动上分享一个新的演示文稿，并于去年在我们在爱尔兰的活动上发言，但他不仅仅是为了站在舞台上。

我想参加Insights活动的原因，不仅仅是想成为一名演讲者。这是为了结识志同道合的人，他们也试图在自己的业务中有所作为，分享经验，什么是有效的，什么是良好的做法，并分享经验，我们所面临的挑战。然后，我们应该能够将这种共享的学习成果应用到我们自己的组织中，并取得良好的效果。

Colin推荐Insights活动为“一个很好的基准机会”...“我们在我们所做的事情上相当成熟，我们显然可以做得更好，但我会看看其他代表并与他们交谈，以了解他们一直在做什么，如果我能从他们那里学到什么，我们可以在劳斯莱斯内部应用，以在未来产生影响。”
收起阅读 »

 直方图对于汇总几个统计数据非常有用。但是，无论您是否启用了数据分析工具库，或者您是否正在打造一条公式之路(计数、平均值和标准差，天啊！)，在Excel中创建直方图并不总是那么好。我们开发了Minitab统计软件，成为您的直方图制作工具。

让我们看看在Minitab中使用直方图的三种方法。对于第一个问题，我们将使用一个洗碗机喷淋臂可靠性的例子。您可以下载数据集如果你想继续的话。

1.对于您的BIN范围，您只需要两个数字

垃圾箱用于对样本数据进行排序的等距区间。在直方图中，它们显示为条形。一旦你输入你的数据，Minitab会遵循一个算法，生成一个非常好的标准直方图。这并不意味着您不想探索一下，看看小的变化是否会影响直方图的外观。下面是我们洗碗机喷淋臂可靠性数据集的简单直方图:



要轻松重新定义媒体夹:
双击图表和编辑图表窗口将会打开。
双击其中一个条。
挑选扔掉.
挑选中点/切割点位置.
在…里中点/切割点位置输入2个连续的中点或输入定义数据的单个bin的值。点击好.

“输入两个值？”你可能会说“但是我更喜欢在我的图上有五个箱子！”

Minitab让这一切变得简单。当您输入两个值时，Minitab会扩展容器的范围，以包含您的其余数据。所以如果你输入的只是两个数字…



…然后Minitab会为您完成剩下的工作:



在Excel中制作直方图相对容易，但使用这种数据集，Y轴范围非常狭窄，图形最终太小，不够清晰，无法阅读和理解。



它看起来也不精致，除了bin范围不能自动为您处理之外，您还会遇到一些bin范围的问题。

如果条柱范围不明确，您将无法确定它们是否代表相同的距离量级，而这对于正确评估数据的分布和形状至关重要。
除非你已经定义了所有的箱子，否则Excel会在末尾加上一个名为“更多”的箱子，把所有的东西都放在一起。这个“多”让我们无法判断价值观相差有多远。即使将最大值从1740.75更改为999999999，也会得到具有完全相同的条柱的完全相同的直方图。

2.您可以使用MINITAB助手制作易于比较的直方图

现在你知道直方图使分析单个数据样本的特征变得多么容易了。但是你知道吗，它们也非常适合用来比较样品？

您可以通过以下方式实现这一切Minitab的助手。为此，我们将使用库中的另一个数据集，盖子拆卸扭矩数据。下载并打开Minitab文件，然后按照这些说明进行操作。

选择助手>图形分析
点击柱状图
在…里y列，输入转矩.
在…里x列，输入机器。点击好.

您只是将获得易于比较的直方图所需的步骤减少了一半。直方图的排列方式不仅便于比较，而且助手的诊断报告还会提醒您可以看到的一些重要差异。数据是否有相同的中心？数据是否具有相同的可变性？中心和可变性是否都不同？在这种情况下，看起来中心和可变性在组之间都不同。



3.您可以从记录的数据中创建直方图。

总有一天，有人会给你他们记录的数据，而不是你习惯使用的漂亮的单个数字列。想象一下，如果你愿意，它会像这样放在你的桌子上:



一个不太重要的人可能会感到害怕和厌恶。那些数据里有超过300个数字。但不是你。你很擅长Minitab，你知道你不需要输入超过300个数字。您可以直接使用这些数据。首先，将数据输入Minitab

然后，按照以下步骤操作:
选择图表>直方图
选择简单的。点击好.
在…里图形变量，输入停留时间.
点击数据选项.
点击频率.
在…里频率变量，输入频率.
点击好两次。

你会得到这个直方图:



请记住，如果你想改变周围的垃圾箱，你可以只使用两个数字，Minitab会照顾其余的！

总结

无论您想要快速浏览不同的条柱，在直方图之间进行比较，还是根据计数制作直方图，Minitab都能让您轻松快捷。直方图中包含了您在如何改进流程方面做出正确决策所需的全部信息。现在您知道如何在Minitab中更好地利用直方图了。 收起阅读 »

Minitab 教育中心是什么？



Minitab 教育中心是一个基于网络的灵活且易于使用的平台，提供分析培训和教育。Minitab 教育中心拥有 Minitab 的专有在线统计培训 Quality Trainer®，并提供个性化学习路径以及免费的教育资源，如视频和电子书。

分析走进生活

Minitab 教育中心提供教育和实际练习，通过模拟您每天所面临的挑战，确保将您学到的知识直接应用于自己的工作中。



Minitab 教育中心允许用户通过详细的报告和控制台跟踪他们的时间和进度。管理员可以深入了解其整个计划的性能和利用率。用户能选择特定的学习路径，这是一系列针对其特定主题或者感兴趣的领域而设计的相关课程。结业证书由学习路径颁发，并提供灵活的评估能力，包含对测验的即时反馈。

基于网络的灵活解决方案

Minitab 教育中心是一个基于网络的灵活且易于使用的平台，支持多个浏览器，操作系统和浏览器设置。借助支持的移动操作系统，用户可以随时随地学习。 收起阅读 »

● 预测分析和机器学习

我们经常听到机器学习和预测分析，但它们的具体含义是什么，两者之间如何相互关联的？



● 机器学习是什么？机器学习是一种方法，其中多个算法在没有明确指示或预定规则的情况下，基于模式和推断执行特定任务，以做出预测并根据需要重新校正。

● 预测分析是什么？预测分析是数据分析的一个类别，目标是基于历史数据和分析技术对未来结果做出预测。预测分析使用各种统计方法（包含数据挖掘、机器学习和预测建模）来了解未来发生的事情。



● Minitab 的预测分析解决方案

● 我们业内一流的专利机器学习算法拥有为您的数据提供更深入见解的能力



● 预测分析模块可以帮助回答以下问题：



● CART®（分类和回归树）——决策树

● 这种基于树的算法是现代数据挖掘最常用的工具之一，它探索如何将数据拆分为更小段、随后以重复方式选择效果最佳的拆分直到找到最优集合为止。



● Random Forests®——随机森林

● 该算法基于 CART 树的集合，使用重复、随机化、抽样和集成学习，同时将独立树集合在一起，来确定森林的总体预测值。



● TreeNet®——梯度提升

● 我们最灵活、获得最多奖项、最强大的机器学习工具，具有迭代结构，可在构建集成的过程中更正合并错误，从而实现出色且一致的预测准确度，也因此而闻名于世。



● 自动化机器学习

● 使用此自动化工具轻松确认您使用了最佳预测模型来解答您的问题。非常适合需要建议的预测分析新手以及寻求其他意见的专家。

● 如果Y是二值响应，Minitab会创建4个模型并自动选择最优的一个做预测分析



● 如果Y是连续响应，Minitab也会创建4个模型并自动选择最优的一个做预测分析



● 小结

● 有了 Minitab 的全新预测分析模块后，用户将能够以更好、更快、更简单及更准确的方法解决更棘手的问题、挖掘出更深入的见解并实现对复杂交互的可视化。使用 Minitab 的革命性预测分析技术，轻松、熟练地预测业务、比较备选方案及预估业务。

● Minitab 的预测分析模块由多个专利方法构成，分类和回归树 (CART®)、原始 Random Forests®（由诸多决策树构成的分类算法）以及 Minitab 自己的梯度推进方法 TreeNet® 等等都包含其中。Minitab 的预测分析模块凸显了我们协助各组织加速其转型的承诺。我们打造易用、易懂的高级机器学习方法，为的就是让全球各地的公司能够发挥这些方法的能力来解决复杂问题，以质量、速度和简洁程度均远超以往的方式预测结果。如果您对预测分析感兴趣请与我们联系，也可以持续关注后续内容的分享。 收起阅读 »

       先说下考试成绩，2022年10月10日成绩可以查询，绿带77，黑带88，结果来说分数一般，对我来说还算满意，和我的付出基本一致.下面简单说下考试经历，后面需要考试的人员有个初步的了解，希望能够对大家又帮助.
       我是22年6月份报名，报名时考试时间已经确定为2022年9月4，时间上面来讲还是比较紧张，3个月不到。报名后我就赶紧买了红皮书（很多网站都可以买到，我是某东上面买的），厚厚的一本，拿到手后就赶紧看了起来，由于白天上班，能够看的时间在晚上下班或者周六日，初步做了一下计划（实际上也没有按照执行），前四章文字类的比较多，这部分看得很枯燥，看看就想睡觉，我只读了一遍，主要靠刷题。通过后面的考试我还是建议大家多读几遍，这部分是最容易拿分的章节，主要靠记忆. 从第5章开始，理论的知识开始多了起来，更多的靠理解课本，我对这些内容也是粗略的学习了一遍，书整体看一遍基本到8月25号，后面10天左右时间，我就是刷题，不会的就找高手问，再来反复看书的知识点，基本上每晚都学习到11点，真是拿出了高考的状态，绿带我没有做过题目，绿带中的内容基本都包含在黑带中，所以大家考黑带可以顺带把绿带给考了，考试是同一天.
     针对此次考试，我总结经验如下（不是每个人都适合，借鉴就好）：
1.前四章，多看书多刷题，这部分主要靠记忆，理解的知识点不多，相对拿分容易
2.第5-8章，理解的知识点比较多，尤其是DOE我感觉是很难的，建议大家下载一个minitab软件，练习一下书上的题目，这样可以很好的加深记忆，5-8章是考试的重要拿分点，一定要理解课本。
3.学习时，大家可以找个也考黑带的朋友（网上多的事），大家学习中互相交流，我就是在这方面受益匪浅
4.重要的事情说三遍：刷真题 刷真题 刷真题，考试时我发现很多题目就是真题变化了一下，还是让我拿到了不少分数
5.要不要报辅导班？因人而异，我认为报辅导班可以对理解课本起到作用，但前提还是要自己用心去学，不代表报个班就能够过去
6.考试时，单选题和填空题，一定是我们的主要拿分点，这是必须要把握住的；5-8章多选题我认为还是比较难的，不过大家也不要害怕，前四章和第九章记忆部分抓住，理解题即使错也能够过去.
7.书是根本，提前看，多看几遍（我只看了一遍，所以分数不高）
8.学习的目的不是考试，考试只是提高自己的同时顺带完成的事情，提升自己是关键
 
以上是我这边的简短小结，有什么问题欢迎交流.
 
         收起阅读 »

本文最初出现在The Minitab Blog

石油和天然气行业涉及持续产出的资本密集型过程。原油等原材料被大规模转化为石油产品，这使得过程控制变得至关重要。原材料的化学和物理性质往往具有很大的可变性，这可能会对过程输出产生显著的影响。工程师倾向于利用科学原理和经验来确定可能产生预期结果的工艺设置；然而，这种做法可能会不成功。统计过程控制图(SPC)对于指示变得不稳定的过程非常有用。使用SPC来提醒工艺转变的不利之处在于，可疑产品会同时产生。

制造商将检验原材料的大部分责任转移给了供应商。在收到材料之前，通常是在材料使用前几天或几周，将认证发送给客户是很常见的。如果供应商信息可用于在流程执行前预测流程转变，以考虑缓解措施，情况会怎样？本文解释了如何使用流程模型的操作部署来创建用于此目的的预统计流程图。还有许多其他行业的流程涉及资本密集型设备、连续流程和包含显著变化的原材料。食品、营养补充品和化学品的制造是可以从利用预测性SPC中获益的一些示例行业。

随着Minitab的最新发展，建模技术变得非常强大和易于使用。许多组织使用过程模型进行开发和改进。根据供应商测量和流程输入(由技术人员控制)创建流程模型，以确定与关键输出的关系。工程师找到正确的输入数量和模型类型，以便对输出做出合理的预测。该模型部署在模型操作并连接到新的数据流来进行预测。根据模型预测创建SPC图表，并监控其稳定性。如果识别出不利的趋势，则审查该模型以找到可以被操纵以减轻该趋势的过程变量。所有这些工作都在流程执行之前完成，这对于最小化质量风险非常有效。

该示例涉及16个连续变量，其中一个是由原材料发货前发送的供应商认证提供的度量。有离散变量，包括用于处理的单位和两个主要设置。利用逐步变量选择，从478行历史处理数据中创建了具有良好拟合性(r-square ~ 67%)的线性多元回归模型。



响应优化图说明了最重要的预测变量的杠杆作用。供应商认证措施和初始压力具有陡峭的线性关系，因为值的微小变化会在关键响应中产生显著差异。冷却温度指示较小的响应，并且单位的变化看起来对关键响应有分组影响。



回归模型在预测历史数据的关键响应结果方面做得很好。工程师只需点击一下鼠标，就可以轻松地将模型从Minitab统计软件发布到ModelOps。



收集新数据，以便对关键输出进行预测。该数据包括来自供应商认证的测量值、设置的静态输入值，以及具有已知变化的过程变量的分布生成数据。加工温度是分布生成变量的一个例子。工程师知道过程点的实际温度会随着控制设置而变化。变量的参数是从设备制造商的过程测量点或技术规格创建的。从选定的分布计算变量，以获得实际的处理场景。这与蒙特卡洛模拟中使用的技术基本相同。

Minitab Connect轻松地每小时检索一次数据，并发送给模型运营部以获得预测。利用一个单独的移动范围控制图来监测趋势。确保使用历史参数计算统计控制限值非常重要；使用模拟数据来计算限值是不合适的。下图所示的预测SPC图说明了在最后3次观察之前的预期稳定过程。所有三个最终观察值都低于历史控制下限，如果不稳定的趋势持续下去，可能会产生质量问题。



工程团队审查过程模型，并确定初始压力很容易从90增加到120。模型优化器表明，控制设置的变化可能会减轻由于供应商认证措施的变化而导致的结果下降。在源数据表中完成对初始压力设置的建议更改，并重新启动Connect中的数据提取和制图。最终的图表确实提供了初始压力的变化减轻了供应商措施变化的负面影响的信息。



SPC的概念包括对导致不稳定的变化趋势的及时反应。不稳定的过程包含质量风险，可能导致不合格或降级的材料。在流程执行前根据数据创建流程控制图的能力非常有价值，因为现在有可能在产生任何实际结果之前减轻不利趋势。在石油和天然气行业，由于所生产产品的数量和潜在收入，收益可能高达数百万美元。Minitab解决方案使创建和监控预测性SPC的过程成为质量管理的重要组成部分。

本文最初出现在Minitab博客上。 收起阅读 »

挑战的一部分(和乐趣！作为一名机械工程师，不断寻求改进的机会。无论是你的产品还是过程，机械工程师都有责任找出问题并进行实验来改进它们。是时候花点时间让自己成为更好的工程师了吗？学习和利用这些分析工具不仅能帮助你做得更好，还能为你提供更多的工具来应对新的和令人兴奋的挑战。

1. 使用可视化识别产品中的问题。在可能的情况下，收集常用的数据并绘制成图表直方图、帕累托图、热图甚至相关图. Minitab的新图形生成器使您能够轻松地可视化您的数据，并看到您从未考虑过的可视化效果。

2. 使用过程分析工具识别问题。无论您是否已经识别出问题，过程分析工具都可以帮助您回顾过程，以识别失败的地方或改进的机会。故障模式和影响分析，也称为FMEAs，帮助您评估风险和流程图或流程图可以帮助你快速锁定需要关注的区域。

3. 使用控制图评估过程稳定性。机械工程师应该监控他们的过程，以确保质量和一致性。有许多统计工具，如控制图和能力分析这有助于机械工程师监控过程中的变化，并确定过程是否会生产出符合要求规格的产品。Minitab支持的实时SPC提供即时警报和分析，以确保流程稳定、高效和有能力。

4. 使用产品开发工具和方法设计和开发原型。在使用CAD系统之前，你应该使用许多产品开发工具。将产品推向市场需要对客户的需求和需求有充分的了解，以及严格的方法。学习如何使用决策矩阵工具就像质量矩阵或Pugh矩阵或向这家医疗设备制造商学习，他们利用客户总结和Kano模型的声音，以迅雷不及掩耳之势将新产品推向市场。如果您有兴趣了解产品开发方法(以及更多！)，请查看我们的结构化问题解决方法周期表.

5. 利用实验设计。实验设计(DOE)是一种系统的、严谨的解决问题的方法，它确保产生有效的、可辩护的和可支持的结论。它可以有效地解决一般问题，以及改善或优化产品设计和制造过程。机械工程师可以使用DOE来:确定适当的设计尺寸和公差，实现稳健设计，描述物理系统行为或确定理想的制造设置。 收起阅读 »

当他们最喜欢的糖曲奇配方制作的曲奇在烘焙后无法保持节日形状时，一个有质量意识的面包师该怎么办呢？当然是运行实验设计(DOE)啦！

从部分因子实验开始

莫德·沃德是Minitab的一名狂热的面包师和平面设计师，他使用实验设计(DOE)工具Minitab统计软件去弄清她糖饼干造型的失礼之处。

在Minitab出色的技术支持团队的帮助下，Maud设计了一个实验，让她能够筛选许多因素，确定哪些是最重要的，然后调整她的过程，以获得她想要的结果——在这种情况下，制作烘烤后保持形状的饼干。

她决定经营一家部分因子实验，一类因子设计，可让您快速、经济地确定过程中最重要的因素。

莫德的实验要求她进行八次运行(或批次饼干)来评估六个因素，每个因素都在两个水平上进行测试:

· 烤箱温度:325华氏度或375华氏度

· 鸡蛋数量:1或2

· 通用面粉:9盎司。或者13.5盎司。

· 小苏打:0.5或1茶匙

· 酒石霜:0.5或1茶匙

· 揉搓和切割后冷却面团:是或否

为了确保面团厚度一致，莫德用木条来防止她的擀面杖将面团压得比1/4英寸(6.35毫米)更薄。然后，她随机地将饼干放置在烤板上，以尽量减少烘烤过程中的不当影响或无意偏差，并在烘烤中途将烤板旋转180度。

因为实验中使用了两种烤箱温度，所以烘烤时间因试验而异。每次试验的实际烹饪时间记录在试验说明表上。

每次试验包括烘烤两托盘饼干。当它们从烤箱中出来时，莫德测量了两个托盘中每种形状的两个样品，以查看整体高度、选定的宽度尺寸或厚度是否有变化。这些尺寸记录在预先打印的表格上，表格上标明了试验编号、试验数据、宽度和高度。莫德计算了她的饼干形状的平均值和标准偏差，然后使用Minitab统计软件来分析数据。

获得美味的DOE结果

在Minitab中进行的高度和宽度测量的分析显示，面粉是饼干扩散的驱动因素。莫德说:“在每一个例子中，面粉量越多，从原始尺寸开始的扩散就越少。”“对饼干厚度的影响主要受面粉和面糊中鸡蛋数量的影响。用两个鸡蛋比只用一个鸡蛋产生的上升更多。”

莫德随后使用Minitab创建了主要效果图，检查一个或多个因素的水平平均值之间的差异。





​最后，响应优化器帮助确定导致最小扩散和最大高度的因子设置。



由于Minitab和技术支持团队的帮助，Maud现在相信她设计和分析的实验将在这个假期和未来的更多假期中带来更好的饼干。对我来说，听起来像完美的，美味的结果！ 收起阅读 »

概述

试验设计（DOE）具有难度，但在某种程度上，这种统计方法又非常有用。虽然很容易掌握基本思想：从最少的实验运行中获取最大量的信息 。但这个工具的实际应用会很令人头疼，即使你是试验设计的长期使用者。基于DOE是一个非常强大且有用的工具，因此我们在Minitab协助菜单中添加了一个DOE工具，使更多人能够更方便地使用设计试验。我将向您展示如何使用协助菜单中的DOE工具来优化您的烧烤味道。

两种试验设计：筛选和优化

要使用“协助”创建试验设计，请打开Minitab并选择“ 协助”>“DOE”>“计划和创建”。您将看到一个决策树，通过在筛选设计和建模设计之间进行选择，帮助您采用顺序方法进行试验过程。

如果您需要考虑很多潜在因子 并且想要确定哪些是重要的，筛选设计很重要。协助将指导您完成测试和分析6到15个因子的主要影响的过程，并确定对响应影响最大的因子。一旦确定了关键因子，就可以使用建模设计。选择此选项，协助将指导您完成分析2到5个关键因子，并帮助您找到流程的最佳设置。

即使您是分析设计实验的老手，您也可以使用协助创建设计，因为协助可以让您为每个实验运行打印出易于使用的数据收集表单。收集并输入数据后，还可以使用通过统计> DOE菜单提供Minitab 核心DOE工具分析在协助菜单中创建的设计 。

创建建模设计优化烧烤口味

对于烧烤，没有那么多变量需要考虑，因此我们将使用协助来创建一个可以优化我们烧烤过程的建模设计。选择协助> DOE> 计划优化试验，然后单击“创建建模设计”按钮。

Minitab提供了一个易于理解的对话框; 我们需要做的只是填写。

首先，我们输入响应的名称和实验的目标。这里的响应变量是“口味”，目标是“最大化响应”。接下来，我们输入我们的因子。我们将研究三个关键变量：

串数，连续变量，低水平为1，高水平为3。

烤架类型，类别变量，低水平为气体，高水平为木炭。

调味料的类型，类别变量，低水平是盐胡椒，高水平为蒙特利尔牛排。

如果我们想要，我们可以选择超过1个实验仿行。仿行只是一组完整的实验运行，因此如果我们进行3次仿行，我们将重复完整实验三次。但是，由于这个实验有16次运行，我们的预算有限制，我们将坚持一次仿行。 当我们单击“确定”时，“协助”会首先询问是否要打印出此实验的数据收集表单：

选择是，您可以打印一个表单，列出每个运行，变量和设置，以及空的响应列。或者，您可以在协助创建的工作表中记录每次运行的结果。但是，使用打印的数据收集表单可以更容易地跟踪您在试验中的位置，以及每次运行时您的因子设置应该是什么。

如果您已将Minitab中的协助用于其他方法（例如：控制图、过程能力分析），您就会知道它旨在揭开您的分析的神秘面纱并使其易于理解。在您创建实验时，智能协助菜单会为您提供报告卡和摘要报告，说明DOE的步骤和重要注意事项，以及您的目标摘要和分析将显示的内容。 收起阅读 »

扭矩精度西格玛与Cmk Cpk的关系研究
黄飞鸿
（宁波安德路工业自动化设备有限公司）
摘要：
随着日益规范化的设备使用过载中，对精度的标注更加规范化，以西格玛和精度范围作为精度的标准，从而衍生出满足精度标准的Cmk和Cpk的规律和计算方式的推算。以下内容以深圳艾而特工业自动化设备有限公司的ACT型螺丝刀作为范例进行演示。



关键词：精度；Cmk；Cpk；西格玛；
1 总结性描述
1.1背景
1.目前螺丝刀的进度在3西格玛±5%的精度情况下，在手持螺丝刀时候，扭力的测试数据很难计算Cmk1.67，工厂经过数据挑选挑选，使得Cmk大于1.67，挑选的精度数据在2%或3%以内的，通过计算Cmk才达到1.67的要求。
1.2原因分析
1.螺丝刀的精度不能满足当前Cmk的计算公式，精度的上下需要更换。
1.3解决方案
1.进行西格玛标准进行目前螺丝刀Cmk的公式进行正推，是否螺丝刀的Cmk能达到1.67。
2.在正态分布的模型中进行抽样对目前Cmk的公式进行反推，螺丝刀的Cmk能发达到1，67。
2 西格玛标准的定义
2.1正态分布
若随机变量 X服从一个位置参数为μ、尺度参数为σ的概率分布，且其概率密度函数为



则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作X~N（μ，），读作X服从N（μ，），或X服从正态分布。
2.2标准正态分布
当μ=0，σ=1时，正态分布就成为标准正态分布



如图：



2.3正态函数的面积分布与西格玛的关系
正态函数的不定积分是一个非初等函数，称为误差函数

x（μ-σ，μ+σ），表示在一个西格玛的概率为0.682689492137，690,000失误/百万机会。
x（μ-2σ，μ+2σ），表示在两个西格玛的概率为0.954499736104，308,000失误/百万机会。
x（μ-3σ，μ+3σ），表示在三个西格玛的概率为0.997300203937，66,800失误/百万机会。
x（μ-4σ，μ+4σ），表示在四个西格玛的概率为0.999936657516，6,210失误/百万机会。
x（μ-5σ，μ+5σ），表示在五个西格玛的概率为0.999999426697，230失误/百万机会。
x（μ-6σ，μ+6σ），表示在六个西格玛的概率为0.999999998027，3.4失误/百万机会。
3 Cmk与Cpk的定义与关系
3.1Cpk与Cmk的定义
在说明Cmk计算方法之前，先阐述Cpk(potentialprocess capability index，潜在的工序能力指数)和Cpk(process capability index工序能力指数)计算方法。工序是产品制造的基本环节，若在生产过程中每一道工序的加工质量都比较高，则产品的质量定能够得到保证。产品或者服务的质量是可以用规格来衡量的，在规格范围内就认为是合格的，否则就认为不合格。过程能力指数的计算就是评价和衡量过程能力的重要环节和规格，甚至成为唯一的尺度[1]。
Cpk：工序能力指数，是指工序在一定时间里，处于控制状态(稳定状态)下的实际加工能力。它是工序固有的能力，或者说它是工序保证质量的能力。1.强调的是过程固有变差和实际固有的能力；2.分析前提是数据服从正态分布，且过程受控；3.至少1.33，过程稳定受控情况下适当频率抽25组至少100个样本
Cmk：表示仅由设备普通原因变差决定的能力,1.考虑短期离散，强调设备本身因素对质量的影响；2.用于新机验收时、新产品试制时、设备大修后等情况；3至少1.67；一般在机器生产稳定后约一小时内抽样10组50样本[2]。
3.2Cpk与Cmk的关系
Cmk与Cpk不同在于取样方法不同,是在机器稳定工作时至少连续50件的数据,Cmk=T/6西格玛,西格玛即可用至少连续50件的数据s估计,又可用至少连续50件的数据分组后的Rbar/d2来估计,由于根据美国工业界的经验，过程变差的75%来自设备变差，如果用至少连续50件的数据s估计的西格玛或用至少连续50件的数据分组后的Rbar/d2估计的西格玛来计算Cpk的话,人机料法环总普通原因变差为8西格玛, Cpk=T/8西格玛.当通过理想化模型，取样数量足够时，Cpk和Cmk接近。
4用正态分布进行Cmk和Cpk的推导过程
4.1Cmk的计算公式



S：取样数据的标准差，用STDEV公式直接计算
T：公差范围，即上、下极限值之差
K:为修正系数或偏离系数
Bi：平均值Xbar和测量的理论中间值之差
Bi=[Xbar-图纸中间值-(上偏差＋下偏差)/2]
4.2Cpk的计算公式



USL：图纸上限尺寸，(中间值＋上公差)
LSL:图纸下限尺寸，(中间值＋下公差)
Xbar：每组抽样数据的平均数，然后再平均数(其实就是所有抽样数据的平均数)
Rbar：每组抽样数据的极差的平均数
d2：跟据抽样数据的多少而对应的修正系数，有表可查
4.3PPK的计算公式



S:取样数据的标准差，用STDEV公式直接计算
附注：Cmk和PPK的公式其实是一样的。西格玛和σ是同一意思。
4.4Cmk和Cpk在正态分布中的计算






由于处于积分状态，样点取数接近无穷个。在此状态下，样品标准差≈整体标准差可得：
一个西格玛标准时，Cpk=0.333333333333。
两个西格玛标准时，Cpk=0.666666666667。
三个西格玛标准时，Cpk=1。
四个西格玛标准时，Cpk=1.333333333333。
五个西格玛标准时，Cpk=1.666666666667。
六个西格玛标准时，Cpk=2。
5按照螺丝刀3σ±5%的精度进行整体分布进行100个抽样。
5.1理想情况下样本抽样表
个数 在正态分布中的扭力抽样符合螺丝的±5%+3σ的标准
1 0.523333
1 0.480833333
1 0.518333
1 0.4825
1 0.516667
1 0.484166667
1 0.515
2 0.485833333 0.514167
2 0.486666667 0.513333
2 0.4875 0.5125
3 0.488333333 0.511667 0.488333333
3 0.489166667 0.510833 0.510833333
4 0.49 0.51 0.49 0.51
4 0.490833333 0.509167 0.490833333 0.509167
5 0.491666667 0.508333 0.491666667 0.508333 0.491667
5 0.4925 0.5075 0.4925 0.5075 0.5075
5 0.493333333 0.506667 0.493333333 0.506667 0.493333
6 0.494166667 0.505833 0.494166667 0.505833 0.494167 0.505833
6 0.495 0.505 0.495 0.505 0.495 0.505
7 0.495833333 0.504167 0.495833333 0.504167 0.495833 0.504167 0.495833
7 0.496666667 0.503333 0.496666667 0.503333 0.496667 0.503333 0.496667
8 0.4975 0.5025 0.4975 0.5025 0.4975 0.5025 0.4975 0.4975
8 0.498333333 0.501667 0.498333333 0.501667 0.498333 0.501667 0.498333 0.501667
8 0.499166667 0.500833 0.499166667 0.500833 0.499167 0.500833 0.499167 0.500833
8 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5
5.2 Cpk和Cmk计算
目标扭力 0.5 上限% 5 下限% 5
上限扭力 0.525 下限扭力 0.475
平均值 0.5
方差 0.00006355555556
整体标准差 0.007972174
样本标准差 0.008012336
Cmk 1.040062868
由图表可知，当扭力上下限为5%时候，螺丝无法满足Cmk=1.67的要求。
5.3 按照螺丝刀在5σ的时候进行扭力精度调整
将上下限3σ±5%延伸至5σ±8.3%。
最大扭力 0.5 上限% 8.3 下限% 8.3
目标扭力 0.5 上限扭力 0.5415 下限扭力 0.4585
平均值 0.5
方差 0.00006355555556
整体标准差 0.007972174
样本标准差 0.008012336
Cmk 1.726504361
如表格所示，螺丝刀可以满足Cmk≥1.67。
根据调试的情况不同，可以存在一定量的样本中，Cmk可以大于Cpk的情况与理想状态分离，但是正常情况下，Cmk＞1.67的时候需要Cpk＞1.33。
6总结
目前螺丝刀的精度标为3西格玛±5%的精度时和以下精度一致。
螺丝刀的精度可以标定为±1.67%的精度满足1西格玛标准，此时此时Cpk≈0.33；
螺丝刀的精度可以标定为±3.33%的精度满足2西格玛标准，此时此时Cpk≈0.67；
螺丝刀的精度可以标定为±5%的精度满足3西格玛标准，此时此时Cpk≈1；
螺丝刀的精度可以标定为±6.67%的精度满足4西格玛标准，此时此时Cpk≈1.33；
螺丝刀的精度可以标定为±8.33%的精度满足5西格玛标准，此时此时Cpk≈1.67；
螺丝刀的精度可以标定为±10%的精度满足6西格玛标准，此时此时Cpk≈2；
螺丝刀的Cmk≥1.67需要在螺丝刀4西格玛的精度标准，及Cpk≥1.33的基础上才可以调整达到要求。当设备处于非优秀调试状态下，想要让Cmk≥1.67时候，需要在螺丝刀满足5西格玛的精度标准，Cpk≥1.67的情况下才能完成。
参考文献：
[1]罗孟然,丛明,顾齐芳,李泳耀,李宏坤.基于C_(mk)分析的加工中心精度稳定性评估[J].组合机床与自动化加工技术,2015(03):149-153.DOI:10.13462/j.cnki.mmtamt.2015.03.041.
[2]石枫.能力指数Ppk、Cpk、Cmk在实际工作中应用的探讨[J].电子测试,2014(20):29-31.
[3]赖涌丹.精益六西格玛在在线检测设备测量精度分析中的应用研究[J].机电工程技术,2021,50(02):186-189+223.
补充说明：可以以此为例进行其他设备的精度标准的推测和检测依据。


 
  收起阅读 »

现在，检查和降低供应链成本比以往任何时候都更加重要。虽然降低供应链成本是公司多年来一直在努力的持续改进工作，但现在降低成本的需求更加紧迫。

影响这些费用的因素有很多。Minitab 提供的工具可帮助您调查并降低成本，同时让您的客户满意。

Minitab 的供应链模块以常用和易于理解的术语提供指导性数据分析。将您的重点转移到改进关键绩效指标 (KPI)，例如周期时间、库存、交付、质量、盈利能力和成本，而不必担心使用哪种分析。

单位运费

许多公司会跟踪每单位的运费，即总运费除以运送的单位数量，影响这一成本的因素很多，一些公司通过与运输公司和客户合作来实现双赢。考虑以下问题：

· 可以合并小件货物吗？或者至少通过寻找合作伙伴来保持稳定的发货量，并对货物进行分组？

· 能否进一步减轻垫料重量？承运人可能有一些宝贵的意见。

· 托盘包装是否高效？是否有改进余地？

· 尝试在非工作时间取货，节省高达 30% 的费用。

Minitab 的供应链模块提供调查单位运费的工具。考虑用相关图调查连续因素，如运费、装货时间、装货重量和垫料重量。



您还可以创建热图来调查分类因素，例如产品、运输承运人、预定取货时间以及您是否有运输合同或运输奖励措施。



运单准确性

此外，您应该定期检查货运单的准确性。公司会报告经常出现的各种错误：如重量计价运费错误、货运等级代码错误、重复发票以及忽视的折扣。这些都要检查。

Minitab 的供应链模块提供了许多工具来调查货运单的准确性。通过 Pareto 图可以分析货运单错误。通过 CART 分类树可以进行更复杂的分析。除了上面两种工具外，Minitab 还提供许多其他有助于调查、沟通和减少货运单错误的工具。 收起阅读 »

 

题量变化：共106道，单选10个空，每个空2分，填空共20分，有计算题和概念题.
以下所说的红皮书，都是指《六西格玛管理（第三版）》就是中质协编写的那本.
1. 红皮书第5页，零缺陷的4项基本原则，多选。
2. 老七种质量工具考了一个，原题不记得了，最好到网上找找这方面内容看看。
3. 红皮书第8页，朱兰三部曲后面一句话，他将人的因素加入质量管理，考了单选.
4. 红皮书第25页考了一个类似于SWOT分析的，也是四个象限维度是重要度和满意度，问那个象限是机会区域，单选
5. 红皮书30-33页，考了团队组员挑选，好像是选必须有强烈的兴趣，和从事相关工作的人员，多选
6. 红皮书39页VOC出现在了选项里，最好搞清楚，我在这里花了好几分钟，当时对VOC概念有点迷糊，浪费了不少时间
7. 40页，精益的自动化，也考了多选
8. 42页价值流图，多选
9. 54页离散型度量指标，选一个错误的好像是什么十万缺陷数，没听过这个^_^，只有百万缺陷数，题目搞出来个十万缺陷数，看你概念清楚不清楚
10. 55页，DPO，DPU计算，送分题
11. 61页，水平对比的概念，单选
12. 68页，符合性质量成本有哪几个构成，单选
13. 78页，用帕累托优先排序，填空题
14. 82页，E=（O+4M+P）/6，填空
15. 84页，项目文档，单选，问个人的笔记，会议记录算不算项目文档，这个我选错了
16. 85-88页，选择团员（和上面第5个重复了）
17. 还有一个团队队员有冲突，作为黑带职责该如何做，多选
18. 91页，力场分析，单选
19. 95页，冲突管理，和第18项结合考的
20. 96页沟通，和上面20一起考的

更多请看附件吧
 
 
  收起阅读 »

本文最初出现在The Minitab Blog

在大学里，我有一个朋友，他无论到哪儿都能融入其中。他中午还在跟一群教授共进午餐，下午就在公园里和嬉皮士踢沙包，晚上又会和当地的摩托车骑手在城里秩序最差的酒吧厮混在一起。第二天，他又和体育爱好者一起打橄榄球，然后和游戏伙伴一起去参加通宵的局域网游戏聚会。在平常的周末，他可能会和校园里一小群积极正派的朋克摇滚乐手参加一场面向各个年龄段的演出，或者和一些城里人饮酒作乐，然后和物理社的朋友一起玩一些 D&D 游戏来结束这个周末。

他就像一只变色龙，跟什么人交往就能投其所好，打成一片。这种灵活性让他在各种各样的社交圈中如鱼得水。

他叫 Jeff Weibull，他非常受欢迎，以至于当地统计人员甚至以他的名字命名“Weibull 分布”。

是什么使得 WEIBULL 分布如此受人欢迎？

好吧，我只是编造了最后一部分，Jeff 的姓实际上并不是“Weibull”，此分布完全是以其他人的名字命名的。 但是，当我第一次了解 Weibull 分布时，我立刻想起了 Jeff，以及他似乎不费吹灰之力就能在形形色色的社交场合中游刃有余的场景。

正如 Jeff 是不同社交圈子中的变色龙一样，Weibull 分布能够呈现许多不同类型分布的特征。这使得它在工程师和质量从业者中极受青睐，他们使该分布成为可靠性数据建模中最常用的分布。他们喜欢将 Weibull 分布纳入其数据分析中，因为它足够灵活，可以对各种数据集进行建模。

获得了右偏斜数据？Weibull 可以对其进行建模。左偏斜数据？当然，使用 Weibull 绝对没问题。对称数据？Weibull 能够胜任。正是因为 Weibull 分布的这种灵活性，工程师才用它来评估所有物品（从真空管、电容器到滚珠轴承和继电器等）的可靠性和材料强度。

Weibull 分布还可以对递减、递增或固定风险函数进行建模，使其能够描述物品寿命的任何阶段。

WEIBULL 曲线如何改变其形状

那么，Weibull 分布到底有多灵活呢？让我们来看一些使用 Minitab Statistical Software 中的图形 > 概率分布图的示例。



在“分布”下拉菜单中依次选择“单一视图”和“Weibull”。该对话框将用于指定三个参数：形状、尺度和阈值。

阈值参数指示分布从 0 偏移的情况，负阈值会将分布从 0 向左偏移，正阈值会将分布向右偏移。所有数据都必须大于阈值。尺度参数是数据的 63.2 百分位数，它定义了 Weibull 曲线与阈值的关系，就像均值定义正态曲线的位置一样。在我们的示例中，我们使用的尺度为 10，即 63.2% 的测试产品将在阈值时间后的前 10 个小时内发生故障。形状参数描述 Weibull 曲线的形状。通过更改形状，可以对许多不同寿命分布的特征进行建模。

在本帖中，我将专门讨论形状参数如何影响 Weibull 曲线。我将逐一介绍这些参数，但是，如果您希望它们同时出现在一张图中，请在上面显示的对话框中选择“不同参数”选项。

形状值小于 1 的 WEIBULL 分布

让我们从 0 到 1 之间的形状开始。下图显示概率从无穷大呈指数递减的情况。就失效率而言，符合此分布的数据的初始失效率极高，随着时间的推移，由于缺陷产品从样本中消除，因此失效率会下降。这些早期失效通常被称为“早期损坏率”，因为它们发生在产品寿命的早期阶段。



形状值等于 1 的 WEIBULL 分布

当形状值等于 1 时，Weibull 分布从 1/alpha 呈指数递减，其中 alpha = 尺度参数。在本质上，这表示失效率随着时间的推移保持一致。Weibull 分布的这种形状适用于随机失效和多原因失效，并可用于对产品的使用寿命进行建模。



形状值介于 1 和 2 之间的 WEIBULL 分布

当形状值介于 1 和 2 之间时，Weibull 分布迅速攀升到峰值，然后随着时间的推移下降。失效率总体上是增加的，最初增加得最快。此形状表示早期磨损失效。



形状值等于 2 的 WEIBULL 分布

当形状值达到 2 时，Weibull 分布对线性增加的失效率进行建模，在产品的使用寿命内，磨损失效风险随着时间的推移不断增加。这种形式的 Weibull 分布也称为 Rayleigh 分布。



形状值介于 3 和 4 之间的 WEIBULL 分布

如果我们将形状值放在 3 和 4 之间，Weibull 分布就会变为对称的钟形，就像正态曲线一样。这种形式的 Weibull 分布对产品寿命的最后阶段（大多数失效发生在这一阶段）中的快速磨损失效进行建模。

形状值大于 10 的 WEIBULL 分布

当形状值大于 10 时，Weibull 分布类似于极值分布。同样，这种形式的分布可以对产品寿命的最后阶段进行建模。



WEIBULL 永远是最佳选择吗？

涉及可靠性时，Weibull 分布通常是万能分布，但一定要注意的是，其他分布系列也可以对各种分布形状进行建模。您希望找到最适合您的数据的分布，而这可能不是 Weibull 分布形式。例如，由化学反应或腐蚀引起的产品失效通常采用对数正态分布进行建模。

您可以使用 Minitab 的分布 ID 图来评估数据的拟合情况（统计 > 可靠性/生存 > 分布分析(右删失或任意删失)）。如果您想了解更多详细信息，请查看 Jim Frost 撰写的有关确定数据分布的帖子。 收起阅读 »

在进行回归分析、实验设计分析过程中，我们在得到回归模型后需要进行“残差分析”。下面我以蓝皮书（第三版）P313的多元线性回归的例9-3为例。

某手机厂研究如何提高线路板焊接制程的拉拔力问题。根据过去的经验知道，拉拔力可能与烘培温度、烘烤时间和涂抹的焊膏量有关，现从制程中收集了20批数据，试建立拉拔力与个因素的回归模型。



一、软件操作





二、残差四合一图

在本篇文章中，我们感兴趣的四合一图中的正态概率图，所以对于其他结果不做过多解释。



“正态概率图”可以帮助我们判断残差是否服从正态，但是有朋友会发现在正态概率图中有时候会显示P值，有时候无法显示。

如果想把P值显示在概率图中我们需要做一些设置。

选择：文件-选项





勾选“包括带有正态图的Anderson-Darling检验（A）”

勾选以后，我们就可以在残差的正态概率图中显示P值了。


  收起阅读 »

精益，也称为“精益制造”或“精益生产”，专注于通过消除浪费和消除缺陷来最大化客户价值。精益工具是关于理解过程、寻找浪费、防止错误和记录你所做的事情。

让我们看一下流程改进中使用的五种精益工具，它们的作用以及它们为何重要。Minitab Engage可以帮助您开始利用精益工具和其他持续改进方法在您的业务中蓬勃发展。如果您可以与您的团队共享和协作，这些工具会更加强大，因此我们鼓励您也尝试 Engage 的在线仪表板报告功能。

1. 客户之声（VOC）摘要

收集客户的声音是实施精益的关键步骤。VOC 摘要提供了一种捕获重要数据的方法，因此您可以对其采取行动来实现关键业务目标并改善客户关系。

精益的基本原则是了解客户需求并设计流程以完全满足（或希望超过）客户期望。使用 VOC 摘要工具将帮助您了解关键的客户问题并将这些问题转化为关键的客户需求。

2. 工艺流程

流程流，也称为流程图，可帮助您理解和交流流程中的活动或步骤。它们还可以帮助您查看流程中输入和输出之间的关系，确定关键决策点并发现返工循环。

因为这种易于可视化的方法可以让人们清楚地看到一个过程，所以与参与过程的团队一起构建过程图是最有效的。工艺流程的创建使浪费变得可见（瓶颈、延迟、存储、返工等），并显示了改进的最佳机会。

3. 价值流图（VSM）

价值流是所有活动的集合，包括增值和非增值，它们产生满足客户需求所需的产品或服务。价值流图通过添加更多数据（超出 x 和 y）、材料和信息流来扩展流程的有用性；操作参数；缺陷率、交货时间等。当前状态价值流图可识别浪费并帮助您的团队设想改进的未来状态。

4. 五个为什么

精益是关于理解为什么事情会以它们的方式完成。通常，事情在错误的时间不正确地完成，或者完全跳过，从而导致流程问题。使用五个为什么工具来确定问题的根本原因。重复问题“为什么？” 您可以发现问题的根本原因、不同根本原因之间的关系，并确定防止问题再次发生的步骤。

真正的根本原因应始终指向无法正常运行或不存在的流程。大多数时候，人们不会失败；过程做。

5. 5S审核：分类、有序、闪耀、标准化和维持

5S 是一套基于团队的工具，可以系统地、有条不紊地组织工作场所。一个干净、井井有条的工作场所可以提高效率并消除浪费。

第五步，维持，是最难完成的步骤之一。这类似于减肥并保持体重。维持需要定期保持过程改进的收益。

没有它，旧习惯重新出现，工作场所陷入混乱。Engage的在线仪表板报告的优势之一是可以看到每个人的进度。每个人都可以看到好处，并被鼓励继续保持下去。 收起阅读 »

Newcrest Mining Limited 是世界十大黄金开采公司之一，也是澳大利亚最大的黄金生产商。Newcrest 的 Cadia Hill 矿是澳大利亚第二大露天金铜矿，每年生产约 300,000 盎司黄金。但其低品位矿石需要昂贵的大宗开采和处理技术。Newcrest 应用 6 Sigma 质量改进方法和 Minitab® 统计软件来保持 Cadia Hill 设施尽可能高效地运行，并维护其在黄金行业中的突出地位。

挑战

每天有很多次，一队大型运输卡车从狭窄的坡道下到卡迪亚山露天矿坑的底部，每辆卡车平均装载 225 吨矿石，然后从坡道上运回破碎机进行加工。装载的卡车登上单车道坡道的速度从每小时 8 公里到 14 公里不等。当然，速度较慢的卡车需要更长的时间才能将有效载荷运送到破碎机。更糟糕的是，每辆慢速卡车都会延误其后面的所有卡车，从而影响整个车队的性能并导致生产力严重下降。Newcrest Mining 委托六西格码黑带 James Kovac 减少这种可变性并提高上升卡车的平均速度。



借助 Minitab Statistical Software，Newcrest Mining 每天可以从其 Cadia Hill 矿场为每辆卡车额外装载矿石。

Minitab 如何提供帮助

Kovac 和他的项目团队首先确定了可能影响卡车速度的变量。他们收集数据以确定哪些因素的影响最大，使用 Minitab 计划他们的数据收集过程，确定他们需要的样本量，并检验他们的统计假设。然后，他们选择了五辆卡车进行车载数据收集。团队成员在两周内乘坐卡车，使用笔记本电脑、GPS 装置和其他设备收集大量数据。

他们确定有两个因素对卡车速度有重大影响：坡道的坡度和卡车的喷油器。

该团队现在开始测试解决方案并确认其结果。他们改变了运输坡道小部分的坡度，然后测量了改变部分的卡车速度。将前后速度与 Minitab 的 2 样本 t 检验进行比较后发现，坡度调整显着提高了卡车速度。





Minitab 强大的图形可以快速而清晰地显示卡车的一个燃油喷射器何时不工作。

该团队还设计了一种明确的方法来识别有故障的燃油喷射器。他们以 700 RPM 的速度运行每辆卡车，并测量了所有 16 个气缸之间的喷油器正时。然后他们依次关闭每个气缸，让其他 15 个保持 700 RPM。如果其余气缸在关闭时没有受到显着影响，则该气缸性能不佳，需要一个新的喷油器。该测试现已纳入车队维护程序，使用 Minitab 宏生成的控制图快速显示结果。

结果

Minitab 的统计能力和易于理解的图形帮助 Kovac 和他的团队在提高 Newcrest 的 Cadia Hill 矿的生产力方面取得了重大进展。

使用 Minitab 计划他们的实验并在每个步骤分析他们的数据，他们证明了在测试部分将运输坡道的坡度从 10.22% 降低到 9.9% 会导致卡车速度提高 2.6%，并且卡车速度的变化减少了7%。现在整个运输坡道正在检查和改进，任何坡度超过 10% 的路段都将降低到 10% 或更低。预计此调整将在每次完整的上坡行程中至少节省 8.3 秒。

Minitab 对团队燃油喷射器数据的分析还显示，车队中有 10% 的卡车并未在高峰期运行。作为开发用于识别和更换故障喷油器的新程序的一部分，该团队发现，更换一辆卡车上的一个喷油器可将循环时间缩短 5.6%，足以让每辆卡车每天多出一次坑。

这些改进使 Cadia Hill 矿山的生产效率更高、效率更高。得益于 Kovac 和他的团队、六西格码方法和 Minitab 的强大功能，Newcrest Mining 预计仅在实施这些更改的第一年就可以节省超过 835,000 美元。 收起阅读 »

价值流图析是精益过程改进方法的基石，也是六西格玛中使用的获得认可的工具。价值流图说明当产品或服务遍历整个过程时的材料和信息流。创建“当前状态”价值流图可以帮助您识别浪费现象并更容易设想未来改进状态。
可以使用价值流图析来改进任何过程。但是，除非正确使用该工具，否则并非所有可提高质量和效率的机会都能由价值流图捕获到。

下面是从投入到价值流图析的精力中获得最大好处的五点指南：

1.根据客户要求建立价值流图过程。

您必须了解客户的价值观，并以此作为切入点。如果您不这样做，用我最喜欢的乐队 The Fall 的话来说，您会冒着“高度关注错误细节”的风险。
 
2.捕获过程现在的运行情况，而不是它应该如何运行。

如果某个过程在企业只有 20 名员工时运行良好，但现在企业有 200 名员工，该过程的执行效率可能没有以前高。请确保按照现在的情况（而不是过去的工作方式或您希望的工作方式）绘制过程图！
 

3.指派一名价值流图管理人员来领导图析工作。

来自团队成员和利益相关者的输入很重要，但一定要任命（或选举）一名团队成员来绘制整个价值流图。这可确保管理人员了解材料和信息流。

4.遍历整个过程以确保材料和信息流准确无误。

通过从头到尾跟踪过程来验证价值流图是否反映过程的真实情况，这样可揭示您可能错过的关键细节。

5.一次只关注一小步。
 
请确保准确地捕获每个步骤。例如，要测量周期时间，请勿相信挂钟，而要使用秒表。

创建当前过程状态的价值流图有助于将重点放在浪费领域（如库存过剩、非增值时间和多个操作员）。在构想过程的未来状态时，可以改变当前状态图上的数据，以探索改进可能带来的效果。

尽管可以在纸上绘制价值流图析，但软件工具（如 Minitab Worksapce 中的软件工具）会使价值流图的绘制轻松很多。  收起阅读 »

如果您的工作涉及质量改进，那么您至少听说过实验设计 (DOE)。您可能知道这是优化和改进流程的最有效方式。但我们中的许多人发现 DOE 令人生畏，尤其是如果它不是我们经常使用的工具。您如何选择合适的设计，并确保您拥有正确数量的因素和水平？收集数据后，如何为分析选择合适的模型？

开始使用 DOE 的一种方法是 Minitab Statistical Software 中的助手。当您有许多要评估的因素时，助手将引导您完成DOE以确定哪些因素最重要（筛选设计）。然后，助手可以指导您完成设计实验，以微调重要因素以获得最大影响（优化设计）。

如果您可以轻松跳过助手，但对于您是否以正确的方式接近 DOE 仍有一些疑问，请考虑 Minitab 技术培训师提供的以下提示。这些资深人士在与 Minitab 客户合作期间以及在成为 Minitab 培训师之前的职业生涯中，都进行了大量设计实验。

1. 通过探索性运行确定正确的变量空间。
在进行主要实验之前执行探索性运行可以帮助您在性能从好到差时识别过程的设置。这可以帮助您确定进行实验的可变空间，从而产生最有益的结果。

2. 传播控制贯穿整个实验以测量过程稳定性。
由于中心点运行通常是接近正常的操作条件，它们可以作为检查过程性能的控制。通过在设计中均匀地间隔中心点，这些观察结果可作为实验期间过程稳定性或缺乏稳定性的指标。

3. 找出帕累托分析的最大问题。
产品负载或缺陷级别的帕累托图可以帮助您确定要解决的问题，从而为您的业务带来最高回报。关注具有高业务影响的问题，通过在所有潜在改进项目中提高其优先级来提高对实验的支持。



4.通过扩大输入设置范围来提高功率。
测试物理上可能的最大范围的输入变量设置。即使您认为它们远离“最佳位置”，该技术也将允许您使用实验来了解您的过程，以便您找到最佳设置。



5. 分馏以节省运行，专注于分辨率 V 设计。
在许多情况下，选择具有全因子 ½ 或 ¼ 游程的设计是有益的。即使效应可能相互混淆或混淆，Resolution V 设计可最大限度地减少这种混淆的影响，从而使您能够估计所有主要效应和双向交互作用。进行更少的运行可以节省资金并保持较低的实验成本。



6. 通过重复提高实验的效力。
功效是检测到对响应的影响（如果存在该影响）的概率。重复次数会影响实验的功效。为了增加您成功识别影响您的响应的输入的机会，请在您的实验中添加重复以增加其功效。



7. 通过使用量化措施来提高你的反应能力。
减少缺陷是大多数实验的主要目标，因此缺陷计数通常用作响应是有道理的。但是缺陷计数是一种非常昂贵且反应迟钝的输出来衡量。相反，请尝试测量与您的缺陷级别相关的定量指标。这样做可以显着减少样本量并提高实验的能力。

8. 研究所有感兴趣的变量和所有关键响应。
因子设计让您可以采用全面的方法来研究所有潜在的输入变量。从实验中删除一个因素会将您确定其重要性的机会减少到零。借助Minitab 等统计软件中的可用工具，您不应该让对复杂性的恐惧导致您忽略可能重要的输入变量。 收起阅读 »

Hermann Miskelly 是一家价值 15 亿美元的工业公司的质量副总裁，他负责领导该公司的持续改进工作。现在，他已有 10 年的精益六西格码部署经验，他监督过 4,000 多个大型改进项目和另外 6,000 个小型改进项目的执行。下面是他分享的关于借助 Minitab Engage 管理持续改进项目的三个关键见解。

1.优化管理系统
您不只需要执行改进项目。还需要改进项目的管理方式。
Miskelly 说：“在我们所有的运营和业务部门中，为了应对高管每月对持续改进工作的审查，每月需要 120 多个工时来整理、分析和准备这些 [Excel] 电子表格”。“总的来说，我们的管理系统缓慢、繁琐且需要大量人工，我们正在寻找更好的方法来执行和管理我们的持续改进工作。”
为了与领导核心保持战略一致，一定要拥有一种管理工具来促进日常项目管理并允许您快速报告进度。如果在从不同内部系统中的不同报告中收集数据方面浪费时间，就会使您错过对重要变革的推动。

2.平坦化学习曲线
无论是实施新过程还是给新员工进行入职培训，学习新工具或软件所需的时间都会减少。
“有了新的 Minitab Engage 软件系统，所有这些实施或培训工作基本上都会消失。使用 Engage 的桌面项目管理部分执行各个项目。与之前的 Minitab Quality Engage 类似，我们的绿带和黑带的学习曲线最短。用于初始项目审批和最终项目审查的自定义表单已集成到标准模板中，进一步简化了项目管理。”

3.便于跟踪结果
Miskelly 表示，Engage 的控制台功能极大提升了公司管理海量项目的能力。
“我们的运营和业务部门负责人不再在月底整理和分析电子表格，而是能够从整体上查看部门的持续改进工作，如果需要，可以深入到各个项目。控制台允许他们实时跟踪项目信息（计数、已开始、已完成、延迟等）和财务信息（如预测节省量与实际节省量）。运营和业务负责人现在可以专注于分析进度和确定新项目机会...Minitab 再次调研并听取了客户的意见，交付了一款解决我们持续改进问题的产品。” 收起阅读 »

任何不稳定的行为和过程都会给客户带来质量问题和干扰。为了防止出现问题，部件必须采用稳定的过程制造，而且制造过程必须符合预期规范并高于客户满意度。

然而，制造过程中通常有多个连续的步骤。即使一个步骤出现轻微偏差也可能影响整条生产线。为了帮助您更好地理解制造稳定性，本篇文章将：

1. 探索对改进生产稳定性起阻碍作用的常见威胁

2. 介绍如何克服这些威胁

3. 使您能够使用 Minitab Engage™运行自己的改进项目

让我们从制造稳定性的简要概述开始。

什么是生产稳定性？

生产稳定性是组织在任何给定时间段内保持其生产水平的能力。

什么是精益制造稳定性？

在精益制造中，稳定性一词用于描述可以使用相同的材料、设备和人员重复进行的生产过程。如果拥有稳定的过程，则将在可预测的时间范围内以最少的浪费支持高质量的输出。稳定性与变异相反，变异会对上述能力产生负面影响。

如何改进制造业中的生产稳定性

下面，我们将概述一些对稳定性的常见威胁，以及为贵组织解决这些威胁的方法。

威胁 1：标准化与人性

跨团队产生想法、合作开发数据驱动型解决方案以及使用强健的方法来识别变异源都需要经过验证的标准化工具。

不幸的是，人类的一些自然倾向会给团队带来问题和混淆：

• 在定义问题和范围之前跳转到解决方案。

• 在完成当前项目并解决手头问题之前，过快地转移到下一个问题。

• 主要基于主观臆测（而不是数据和铁证）提出潜在的解决方案。

• 开始分析数据而不检查其质量（包括数据的收集和测量方式）。

为了避免这些常见的缺陷，实施具有久经验证的可靠记录的方法将有助于团队分享共同的观点。例如，为了帮助您有效地解决复杂问题，DMAIC 方法具有以下标准化阶段：定义、测量、分析、改进和控制。它将问题划分为更便于管理的较小阶段，并使用包含多种强大工具的工具箱。我们最新的端到端改进解决方案 Minitab Engage 中提供了 DMAIC 以及其他问题解决方法。

确保项目遍历方法的所有步骤需要遵循一定的准则。幸运的是，Minitab Engage 通过阶段审查和审批、控制台报告和电子邮件通知随时跟踪您的项目。

威胁 2：公差

通常不可能完全消除过程中的变异。难以管理的紧公差通常会导致组织的最终成本增加。如果（在设计阶段）从一开始就没有充分考虑到这种威胁，制造厂家将难以实现其预期绩效。

随着供应链在全球范围内不断扩张，供应商力求完成更大的订单，供应商排名的一个关键标准是是否有能力保持在关键参数的规格限内。

威胁 3：稳定性 = 竞争优势

公司不断鼓励其供应商更好地控制其过程的稳定性。每当不稳定性在供应商之间传递并最终在客户之间传递时，因此导致的成本就会增加。在制造过程中很晚才检测到缺陷，这就是为什么可预测的可靠供应商能够在竞争中获得主要优势并与大客户建立长期盈利关系的原因。

威胁 4：缺乏跨部门协作

稳定性改进通常涉及到解决复杂问题以识别会直接影响变异性的关键因素。解决此类问题通常需要生产、质量和设计等多个部门的协作。这些部门通常对稳定性问题有不同的看法。

为了改进这种情况，每个部门都可能会尝试实施各自的专门解决方案，不同团队的解决方案将有差异。通常，这些解决方案包括 Excel 文件，其中包含尚未在公司范围内验证的计算和方法，这可能会降低凝聚力。

幸运的是，Minitab Engage 是一款经过精心设计的绝佳解决方案，可帮助组织以协作方式构建改进和创新计划并借助问题解决工具和久经验证的项目管理方法执行这些计划。 收起阅读 »