优思学院｜德国制造为何被受推崇？
原发表于优思学苑知乎号
多年来，德国汽车制造商----奥迪的广告一直使用 "Vorsprung durch Technik "的口号。在数百万读过或听过这句话的人中，只有一小部分人知道它的意思（意思是"通过技术取得进步"）。这个广告活动之所以有效，是因为人们将德国的设计和制造与质量、精确度和技术上的辉煌成绩联系起来。无论是卡尔-蔡司镜片、宝马摩托车、博世洗碗机，还是Lamy钢笔，人们购买德国产品时，都期待着它的卓越质量。
德国在制造业方面是如何做到如此出色的？
为什么它往往比法国和意大利等邻国好得多？故事开始于17世纪，当时德国甚至不是一个统一的国家，而是由许多不同的王国拼凑而成。然而，这些国家中的一个，即普鲁士，正在发生的发展将有助于创造我们今天所知道的德国。
它始于一场宗教复兴。在普鲁士的哈雷市，对路德教会的精神懈怠感到失望的人们组成了一个新的团体，被称为虔诚派。他们对自己的信仰很认真，并认真对待耶稣关于照顾孤儿的命令。不久，他们就照顾了数百名孤儿。虔诚派希望这些孩子能通过圣经认识上帝，并成为对社会有用的人。因此，他们建立了学校和技术学院，这些学校和技术学院的严格时间表成为我们今天所知的教育系统的基础。虔诚派还建立了一家出版社、一家啤酒厂和一家制药公司，为整个中欧和东欧提供产品。其结果是，普鲁士成为欧洲受教育程度最高、最具创业精神的地方之一，为德国后来的工业成功奠定了重要基础。
一个世纪后，德国的启蒙运动进一步推动了教育。普鲁士成为首批对所有儿童实行义务教育的国家之一。随着人们阅读普鲁士探险家亚历山大-冯-洪堡的探险经历，科学变得更加流行。洪堡的弟弟威廉在柏林开办了一所新的大学。同时，普鲁士国王通过了一系列的改革，使国家官僚机构成为欧洲最高效的机构之一。
所有这些都意味着普鲁士处于成为世界第二大工业国的理想位置。英国首先达到了这个目标，但普鲁士紧随其后。事实上，普鲁士在英国之后起步是有帮助的。他们可以看到英国人做了什么，然后做得更好。例如，普鲁士的矿山比英国的矿山使用更多的机器，产量更高。当英国的制造商安于现状的时候，他们的普鲁士同行正在建立新的工业。英国科学家在化学品和工程方面做出了许多关键的早期发现，但巴斯夫、拜耳、西门子、博什和AEG等德国公司在开发这些新技术并从中获利方面做得最多。德国人还开创了新的产业：例如，世界上第一辆汽车是由戴姆勒和本茨制造的。到19世纪末，德国工程迅速获得了今天的声誉。
1871年，普鲁士与德国其他各州联合起来，形成了德国。更多的人、更多的煤和更多的铁帮助使这个新国家成为世界工业的领导者。到1914年，德国的煤炭和钢铁产量是英国的两倍。它的第二大煤田生产的煤比整个法国都多。
19世纪的德国制造业奇迹在20世纪出现了第二个奇迹。制造业在英国和美国等前工业强国逐渐萎缩，但德国保留了其工厂和技术技能。德国19%的工作仍在制造业，是英国和美国的两倍。而且大多数人宁愿开宝马也不愿开别克。
输掉两场战争是对这第二个奇迹的部分解释。第一次世界大战后，胜利者禁止德国拥有空军。所有的航空企业和工程师不得不转移到其他行业。宝马公司停止生产飞机发动机，开始生产摩托车和汽车。在第二次世界大战期间，英国和美国的轰炸机摧毁了数百家工厂，德国建造了新的和更好的工厂。英国和美国还拿走了价值数十亿美元的知识产权，这刺激了德国制造商的创新。相比之下，像英国这样的战胜国很容易自满。
战争的失败有助于解释现代德国的另一个特点，这个特点已被证明对其工业具有决定性意义，即其工人愿意接受适度的工资。在法国和英国，为提高工资而罢工是常态，随着收入的增加，企业决定将生产转移到其他地方。相比之下，德国的工厂工人接受较低的工资，他们认为这是保住工作的必要条件。为什么德国人的要求更加温和并不清楚--有些人指出，他们的民族文化是尊重责任而不是权利和风险。但是，两次世界大战的失败所带来的耻辱很可能帮助巩固了这种看待世界的方式。
低工资意味着有更多的钱投资于研究和开发，这有助于德国企业保持其技术优势。无论是大众汽车和拜耳这样的大公司，还是制造从音乐支架到医疗设备的小型家族企业，即Mittelstand，都是如此。
德国还得益于其作为小国集合的历史。德国没有相当于伦敦的地方，它在英国经济中的地位过大。许多德国城市有巨大的地方自豪感。大多数人去的是离家最近的大学。其结果是，在这个国家，教育和技能，以及成功的产业，都被广泛传播。
在哈雷的虔诚派几个世纪之后，德国继续在教育方面表现出色。这里有为那些希望学习科学和人文的人开设的学校，但也有提供技术培训的优秀机构。德国有一种学徒文化，造就了一支高技能的劳动力。政府投资于人，当美国公司在2008年金融风暴后解雇工人时，许多德国公司能够将他们送到政府资助的培训计划中。当经济复苏时，他们又把员工带回来。
德国同时亦引进了各种创新的改进方法学，当中包括六西格玛[1]。在2000年，六西格玛在奥迪公司组织背景下的实际应用是显而易见的，特别是在德国Neckarsulm工厂的奥迪TT生产中。由于奥迪TT的生产过程没有根本性的缺陷，因此没有必要对整个生产过程进行全面的重新设计，但是，一个旨在实现 "六西格玛水平"的过程改进机制将对该组织有利。
此外，德国人甚至尝试会把六西格玛应用于政府和公共领域。
然而，虽然许多人喜欢德国制造的商品，但德国人对他们赚的钱太少感到越来越沮丧。在这个世界上最不平等的国家之一，大多数人都租房子住。德国制造业的黄金时代可能即将结束，奔驰的13家工厂中只有3家在德国。至少我们可以希望，德国继续在设计和工程方面表现出色，为我们提供了如此多漂亮和实用的产品。
从德国的制造业历史中，我们也可以了解到，质量的成功，是有很多的因素组成的，但当中包括创新的思维、人才的培育两者却是必不可少的。 收起阅读 »
多年来，德国汽车制造商----奥迪的广告一直使用 "Vorsprung durch Technik "的口号。在数百万读过或听过这句话的人中，只有一小部分人知道它的意思（意思是"通过技术取得进步"）。这个广告活动之所以有效，是因为人们将德国的设计和制造与质量、精确度和技术上的辉煌成绩联系起来。无论是卡尔-蔡司镜片、宝马摩托车、博世洗碗机，还是Lamy钢笔，人们购买德国产品时，都期待着它的卓越质量。
德国在制造业方面是如何做到如此出色的？
为什么它往往比法国和意大利等邻国好得多？故事开始于17世纪，当时德国甚至不是一个统一的国家，而是由许多不同的王国拼凑而成。然而，这些国家中的一个，即普鲁士，正在发生的发展将有助于创造我们今天所知道的德国。
它始于一场宗教复兴。在普鲁士的哈雷市，对路德教会的精神懈怠感到失望的人们组成了一个新的团体，被称为虔诚派。他们对自己的信仰很认真，并认真对待耶稣关于照顾孤儿的命令。不久，他们就照顾了数百名孤儿。虔诚派希望这些孩子能通过圣经认识上帝，并成为对社会有用的人。因此，他们建立了学校和技术学院，这些学校和技术学院的严格时间表成为我们今天所知的教育系统的基础。虔诚派还建立了一家出版社、一家啤酒厂和一家制药公司，为整个中欧和东欧提供产品。其结果是，普鲁士成为欧洲受教育程度最高、最具创业精神的地方之一，为德国后来的工业成功奠定了重要基础。
一个世纪后，德国的启蒙运动进一步推动了教育。普鲁士成为首批对所有儿童实行义务教育的国家之一。随着人们阅读普鲁士探险家亚历山大-冯-洪堡的探险经历，科学变得更加流行。洪堡的弟弟威廉在柏林开办了一所新的大学。同时，普鲁士国王通过了一系列的改革，使国家官僚机构成为欧洲最高效的机构之一。
所有这些都意味着普鲁士处于成为世界第二大工业国的理想位置。英国首先达到了这个目标，但普鲁士紧随其后。事实上，普鲁士在英国之后起步是有帮助的。他们可以看到英国人做了什么，然后做得更好。例如，普鲁士的矿山比英国的矿山使用更多的机器，产量更高。当英国的制造商安于现状的时候，他们的普鲁士同行正在建立新的工业。英国科学家在化学品和工程方面做出了许多关键的早期发现，但巴斯夫、拜耳、西门子、博什和AEG等德国公司在开发这些新技术并从中获利方面做得最多。德国人还开创了新的产业：例如，世界上第一辆汽车是由戴姆勒和本茨制造的。到19世纪末，德国工程迅速获得了今天的声誉。
1871年，普鲁士与德国其他各州联合起来，形成了德国。更多的人、更多的煤和更多的铁帮助使这个新国家成为世界工业的领导者。到1914年，德国的煤炭和钢铁产量是英国的两倍。它的第二大煤田生产的煤比整个法国都多。
19世纪的德国制造业奇迹在20世纪出现了第二个奇迹。制造业在英国和美国等前工业强国逐渐萎缩，但德国保留了其工厂和技术技能。德国19%的工作仍在制造业，是英国和美国的两倍。而且大多数人宁愿开宝马也不愿开别克。
输掉两场战争是对这第二个奇迹的部分解释。第一次世界大战后，胜利者禁止德国拥有空军。所有的航空企业和工程师不得不转移到其他行业。宝马公司停止生产飞机发动机，开始生产摩托车和汽车。在第二次世界大战期间，英国和美国的轰炸机摧毁了数百家工厂，德国建造了新的和更好的工厂。英国和美国还拿走了价值数十亿美元的知识产权，这刺激了德国制造商的创新。相比之下，像英国这样的战胜国很容易自满。
战争的失败有助于解释现代德国的另一个特点，这个特点已被证明对其工业具有决定性意义，即其工人愿意接受适度的工资。在法国和英国，为提高工资而罢工是常态，随着收入的增加，企业决定将生产转移到其他地方。相比之下，德国的工厂工人接受较低的工资，他们认为这是保住工作的必要条件。为什么德国人的要求更加温和并不清楚--有些人指出，他们的民族文化是尊重责任而不是权利和风险。但是，两次世界大战的失败所带来的耻辱很可能帮助巩固了这种看待世界的方式。
低工资意味着有更多的钱投资于研究和开发，这有助于德国企业保持其技术优势。无论是大众汽车和拜耳这样的大公司，还是制造从音乐支架到医疗设备的小型家族企业，即Mittelstand，都是如此。
德国还得益于其作为小国集合的历史。德国没有相当于伦敦的地方，它在英国经济中的地位过大。许多德国城市有巨大的地方自豪感。大多数人去的是离家最近的大学。其结果是，在这个国家，教育和技能，以及成功的产业，都被广泛传播。
在哈雷的虔诚派几个世纪之后，德国继续在教育方面表现出色。这里有为那些希望学习科学和人文的人开设的学校，但也有提供技术培训的优秀机构。德国有一种学徒文化，造就了一支高技能的劳动力。政府投资于人，当美国公司在2008年金融风暴后解雇工人时，许多德国公司能够将他们送到政府资助的培训计划中。当经济复苏时，他们又把员工带回来。
德国同时亦引进了各种创新的改进方法学，当中包括六西格玛[1]。在2000年，六西格玛在奥迪公司组织背景下的实际应用是显而易见的，特别是在德国Neckarsulm工厂的奥迪TT生产中。由于奥迪TT的生产过程没有根本性的缺陷，因此没有必要对整个生产过程进行全面的重新设计，但是，一个旨在实现 "六西格玛水平"的过程改进机制将对该组织有利。
此外，德国人甚至尝试会把六西格玛应用于政府和公共领域。
然而，虽然许多人喜欢德国制造的商品，但德国人对他们赚的钱太少感到越来越沮丧。在这个世界上最不平等的国家之一，大多数人都租房子住。德国制造业的黄金时代可能即将结束，奔驰的13家工厂中只有3家在德国。至少我们可以希望，德国继续在设计和工程方面表现出色，为我们提供了如此多漂亮和实用的产品。
从德国的制造业历史中，我们也可以了解到，质量的成功，是有很多的因素组成的，但当中包括创新的思维、人才的培育两者却是必不可少的。 收起阅读 »
优思学院｜QA和QC，傻傻分不清？
原文來自优思学苑知乎帐号
这是我们很常会遇到的问题，就是关于 QA（Quality Assurance）和 QC（Quality Control）的分别，如果我们单纯地把他们区别出而不加解释，其实意义不大，因为它们都只是一些名称和分类而已，但我们可以从两者的起源和理念一步步地说明这种区分的缘由。
首先要明白的是，什么是质量(Quality)？
对产品制造而言，质量就是其功能及特性满足所制定需求的能力。
举一些更实际的例子，像是产品规格里的全部功能都有、所有的功能执行起来都不会发生错误、产品功能不会突然发生异常或中断、还有产品功能执行的效能符合制定的要求、外观上也没有不符客人要求的缺陷 ……等等。
简单地说，像是该有的功能都有、也都能正常运作、而且还运作得够快，就是质量好。
想到质量/品质，许多人脑海中首先会浮现的，恐怕是像“ISO 质量管理体系”之类耳熟能详的词语。没错，ISO，也就是国际标准化组织，它制定了许多标准，包括我们也同样时常听到的 ISO 9000 的质量标准。有些公司会强调，他们已经通过ISO 9000的标准，表示他们的产品是有质量的。
在 ISO 9000 里，对Quality Assurance 的定义是：“为了提供实体满足质量要求的足够信心，而实作的所有计划性以及系统性的活动”。同样的，ISO 9000 里也定义了何谓Quality Control，也就是“为达质量要求而采用的作业性技术及活动”。
或许看完这定义，你还是不见得能理解其意义。
简单来说，质量保证——即QA的目的，是要在产出产品的过程中，使用正确的方法来进行，而 QC 的作用，则是当产品完成时，会去检查所产出的产品是否正确。
以软体测试为例，当我们透过检测已完成的软体，找出其中不符合软体规格的瑕疵，以便有机会予以修正，所以，测试工作是在检查所完成的软体产品是否正确，因此，这应该属于 QC 工作过程的一部份，是作业性技术及活动。
如果了解到二者的差异，你可以很容易明白， QA 的重点放在制造方法或者过程（Process）上，有了正确（能满足质量要求）的过程和方法，照着执行，就应该要能够产出满足要求的产品。所以说，QA 是事前的、是在产品完成之前的整个过程，是计划性以及系统性的活动，QA 目标是在预防产品发生瑕疵，而QC则在找出完成的成品中潜在的瑕疵。
过程的管理和QA的职责
过程是一组将输入转化为输出的相互关联的活动。过程是产品（服务）质量形成的必经环节，因而是质量管理的基点。优思学院｜六西格玛证书课程基于过程控制与管理来保证产品质量的观点早已有之。休哈特于20世纪30年代提出的SPC就是通过监视和控制产品制造过程来确保过程稳定而保证产品质量的。
20世纪中叶，人们逐渐认识到影响产品质量的环节远不止产品制造过程，更重要的还有设计过程，于是，日本学者田口玄一提出了三段设计法、赤尾洋二博士提出了QFD理论。
随后，费根保姆提出的全面质量管理（TQM）拓展了人们对过程的视野，将影响产品质量的过程扩大到整个企业范围内的所有业务过程。过程的概念由此超越原有的生产过程，延伸到各种辅助过程。现代质量管理则更加强调过程的观点，把企业的一切活动都看作为过程，并对其进行系统化管理，这就是过程管理。
过程管理是一种改进企业业绩的结构化方法，它不只是改进个别过程，还能改善企业的整体管理水平。它强调从总体上对业务过程进行系统思考、严密设计而不是着眼于某一个单一的过程或任务点。过程管理已成为现代质量管理的一个基本信条。
过程在六西格玛中也占有十分重要的地位，它是六西格玛采取改善行动的场所，也是六西格玛走向成功的关键和载体。在六西格玛实施中，过程的重要性决定了过程管理的重要性。有效的过程管理已成为驱使六西格玛走向成功的关键。
所以，单就以开发流程来看，QA的工作过程中，可能就包括了：制定流程、监控管理开发团队是否依据流程来进行工作，以及收集开发团队对于流程的回馈，制定预防问题的方案，进而甚至持续改善流程。
如果希望在QA方向发展，学习成为六西格玛绿带是一个不错的选择。 收起阅读 »
这是我们很常会遇到的问题，就是关于 QA（Quality Assurance）和 QC（Quality Control）的分别，如果我们单纯地把他们区别出而不加解释，其实意义不大，因为它们都只是一些名称和分类而已，但我们可以从两者的起源和理念一步步地说明这种区分的缘由。
首先要明白的是，什么是质量(Quality)？
对产品制造而言，质量就是其功能及特性满足所制定需求的能力。
举一些更实际的例子，像是产品规格里的全部功能都有、所有的功能执行起来都不会发生错误、产品功能不会突然发生异常或中断、还有产品功能执行的效能符合制定的要求、外观上也没有不符客人要求的缺陷 ……等等。
简单地说，像是该有的功能都有、也都能正常运作、而且还运作得够快，就是质量好。
想到质量/品质，许多人脑海中首先会浮现的，恐怕是像“ISO 质量管理体系”之类耳熟能详的词语。没错，ISO，也就是国际标准化组织，它制定了许多标准，包括我们也同样时常听到的 ISO 9000 的质量标准。有些公司会强调，他们已经通过ISO 9000的标准，表示他们的产品是有质量的。
在 ISO 9000 里，对Quality Assurance 的定义是：“为了提供实体满足质量要求的足够信心，而实作的所有计划性以及系统性的活动”。同样的，ISO 9000 里也定义了何谓Quality Control，也就是“为达质量要求而采用的作业性技术及活动”。
或许看完这定义，你还是不见得能理解其意义。
简单来说，质量保证——即QA的目的，是要在产出产品的过程中，使用正确的方法来进行，而 QC 的作用，则是当产品完成时，会去检查所产出的产品是否正确。
以软体测试为例，当我们透过检测已完成的软体，找出其中不符合软体规格的瑕疵，以便有机会予以修正，所以，测试工作是在检查所完成的软体产品是否正确，因此，这应该属于 QC 工作过程的一部份，是作业性技术及活动。
如果了解到二者的差异，你可以很容易明白， QA 的重点放在制造方法或者过程（Process）上，有了正确（能满足质量要求）的过程和方法，照着执行，就应该要能够产出满足要求的产品。所以说，QA 是事前的、是在产品完成之前的整个过程，是计划性以及系统性的活动，QA 目标是在预防产品发生瑕疵，而QC则在找出完成的成品中潜在的瑕疵。
过程的管理和QA的职责
过程是一组将输入转化为输出的相互关联的活动。过程是产品（服务）质量形成的必经环节，因而是质量管理的基点。优思学院｜六西格玛证书课程基于过程控制与管理来保证产品质量的观点早已有之。休哈特于20世纪30年代提出的SPC就是通过监视和控制产品制造过程来确保过程稳定而保证产品质量的。
20世纪中叶，人们逐渐认识到影响产品质量的环节远不止产品制造过程，更重要的还有设计过程，于是，日本学者田口玄一提出了三段设计法、赤尾洋二博士提出了QFD理论。
随后，费根保姆提出的全面质量管理（TQM）拓展了人们对过程的视野，将影响产品质量的过程扩大到整个企业范围内的所有业务过程。过程的概念由此超越原有的生产过程，延伸到各种辅助过程。现代质量管理则更加强调过程的观点，把企业的一切活动都看作为过程，并对其进行系统化管理，这就是过程管理。
过程管理是一种改进企业业绩的结构化方法，它不只是改进个别过程，还能改善企业的整体管理水平。它强调从总体上对业务过程进行系统思考、严密设计而不是着眼于某一个单一的过程或任务点。过程管理已成为现代质量管理的一个基本信条。
过程在六西格玛中也占有十分重要的地位，它是六西格玛采取改善行动的场所，也是六西格玛走向成功的关键和载体。在六西格玛实施中，过程的重要性决定了过程管理的重要性。有效的过程管理已成为驱使六西格玛走向成功的关键。
所以，单就以开发流程来看，QA的工作过程中，可能就包括了：制定流程、监控管理开发团队是否依据流程来进行工作，以及收集开发团队对于流程的回馈，制定预防问题的方案，进而甚至持续改善流程。
如果希望在QA方向发展，学习成为六西格玛绿带是一个不错的选择。 收起阅读 »
优思学院｜SPC控制图中的控制线应该用"3倍标准差"还是用"系数A2、D3、D4"公式来计算？
有在学习六西格玛的小伙伴提问：SPC控制图中有的用系数A2、D3、D4来计算控制线，有的用3倍标准差来算，到底哪个是准确的?区别在什么？常数表中的A2、D3、D4是怎么得来的？
其实，SPC控制图的控制线并不存在两种方法来计算，从理论上来说，控制线的上下限是就是3倍总体标准差（实际的分布）。不过，由于我们一般没办法知道总体的标准差，所以实际上我们是不能通过3倍标准差的那些公式来计算上下限的。
例如，你可能收集了的25组数据，每组5个数据，一共125个数据，你想透过计算这些数据的标准差，再用来计算控制线的上下限，但这是不正确的，因为这个实际上是样本的标准差，而不是总体的标准差。
你只能根据你已经有的有限样本数据来推算出来，那就需要使用A2、D3、D4等常数，通过所知道的样本数量和平均值来推算。
想了解更多六西格玛工具的知识和应用方法，那就要关注优思学院，我们会不停期解答网友和同学的疑问，提供不同的管理知识～ 收起阅读 »
其实，SPC控制图的控制线并不存在两种方法来计算，从理论上来说，控制线的上下限是就是3倍总体标准差（实际的分布）。不过，由于我们一般没办法知道总体的标准差，所以实际上我们是不能通过3倍标准差的那些公式来计算上下限的。
例如，你可能收集了的25组数据，每组5个数据，一共125个数据，你想透过计算这些数据的标准差，再用来计算控制线的上下限，但这是不正确的，因为这个实际上是样本的标准差，而不是总体的标准差。
你只能根据你已经有的有限样本数据来推算出来，那就需要使用A2、D3、D4等常数，通过所知道的样本数量和平均值来推算。
想了解更多六西格玛工具的知识和应用方法，那就要关注优思学院，我们会不停期解答网友和同学的疑问，提供不同的管理知识～ 收起阅读 »
EXCEL版MSA分析
不能使用专用软件，可以使用excel版做的MSA分析。密码5314046
优思学院｜PDCA是什么？PDCA如何实操？
无论您是否从事质量管理、六西格玛管理、或者是精益生产，您都会经常听到PDCA Cycle。这是一种什么样的管理理念？
这是由美国著名管理学家戴明提出的，包括四大概念：Plan、Do、Check、Act。
步骤1：计划（Plan）
正所谓谋定而后动，秉持第一次就做对的精神，谨慎的思考该怎么做！在产品制作之前，周延的规划各项标准程序（SOP）、制程规格、负责单位以及检验方式…等。
步骤2：执行（Do）
依据先前制定的规划，准确的执行各项工作。
步骤3：查核（Check）
在执行过程中，必须随时检查达成率。倘若发现计划（Plan）和实际执行（Do）发生落差时，就该随时提出改善的办法。
步骤4：行动（Act）
针对第3个步骤查核（Check）所提出的改善之道，重新修正做法，正确执行矫正措施，以利未来的工作方向越来越进步。
Deming 认为，上述的步骤是一个持续循环的动态过程。企业只要重覆执行步骤1~4，就能持续从错误中学习和反省，并且从反省中成长！企业若确实实施 PDCA 循环，将能体验前所未见的巨大效益。尤其在网路时代中，产品的生命周期越来越短，企业该如何因应诡谲的市场变化，并随时改善生产和品质管理方式，已成为管理者最重要的课题。
PDCA 是一个过程，和六西格玛中的DMAIC有着相似的意义，它可以说是DMAIC的简单版。它的伟大之处在于它也是一个可重复的过程，它允许管理者在面对同一个项目时应用 PDCA 来不断改进和实现目标； 如果是不同的项目，没有必要改变不同的管理。 方式。 这四个字母简单地说明了项目的执行顺序。
任何项目进行以前，相信大家一定都会前置规划，订定计划就是第一个P (Plan)，而后依循着计划执行，此即为D (Do)的步骤。
然而，大多数的项目在运行时，工作流程常在Do 这一步之后，便直接跳至结案阶段（有些甚至没有结案），才列出过程中的问题与未来建议。这导致项目的问题无法即时的获得解决，除了造成一些成本损耗，也可能无法顺利达成目标。另外，往往在下一次的项目，又会遇到同样的问题，一样没办法解决（是不是很有这种经验！）
所以，在过程中我们其实就可以先采取行动来解决问题，也就是剩下的两个步骤 — C (Check)查检、A (Action)行动，分别要做什么呢？
PDCA的意思
接下来将针对这四步骤逐一说明：
Plan
计划 —
在计划撰写的过程中，若写得越详尽，未来在执行的时候，就能更具体，且容易追踪。而这个计划从何依据呢？除了大活动的项目目标之外，也可能是小日常的营运机会点。订定目标和撰写计划的时候，也有一些工具可以依循，例如SMART原则、5W1H等，我将会在未来的文章中介绍。
Do
执行 —
当我们有上一步的计划之后，便是按照计划执行。尽可能的遵循你的计划做，这样在后续的两个步骤中，才有办法去检视哪些不足，而加以调整。
Check
查检 —
工作时应该有某个问题不断重演的经验吧，这时可以追溯过去执行计划时，是否忽略了Check这个步骤，导致无法从错误中改善，而在下一次计划中再次展现出同样的行为模式。查检的重点在于找出机会点，方能追捕进度，或是精进作业流程，提升效率。
Action
行动 —
当上个步骤检视出与计划上的进度差距，或是抓到机会点后，便可提出行动方案进行改善。此时提出的解决方案，也将会成为下一个“计划”，并持续PDCA的步骤。
所以，PDCA四个步骤，将如下图一般，成为一个cycle
PDCA实际在运行是怎样呢？
简单地举个例子，假设今天有新饮料上市，希望能推广给顾客做尝鲜，那么它的PDCA可能是：
1. Plan计划：在收银机前方提供新饮料试饮给排队等待顾客
2. Do执行：依照上述计划执行，在收银机前方准备一壶新饮料做试喝，执行时要记得不时观察，并记录问题点
3. Check查检：发现一个问题点，因为试饮杯放在背后工作台面，经常会忘记要倒给客人试喝。
4. Action行动：将试饮杯移至收银机桌面上，可以减少伙伴忘记倒试喝，也减少不必要的转身动作
而这个Action所采取的行动方案，将成为下一阶段的Plan。若执行后仍发现有其他问题点，则再进行Check的步骤，并提出下一个Action改善。
PDCA只能在大型项目中使用吗？
其实PDCA循环，在服务业可说是每天都在上演。对于当班管理者而言，在掌管每一天、每一个班次之前，我们心中都存在一个计划，可能期望达成多少业绩、完成多少行政待办、伙伴训练进度追踪等。然而服务业是一个与人高度互动的行业，计划波折及变动极大，有时受天气、商圈活动、风水、星象…影响，就会不断地和计划有差距，需要进行多次的PDCA以使营运顺利。
所以PDCA不限于活动的规模大小，是 每天都能运行的一个目标管理循环
如果以上的说明对您仍有些模糊，我再举一个更生活化的例子
假设在8点上班出门前，我想要提早于六点起床，给自己两个小时读书，我的PDCA如下：
1. Plan计划：晚上12点以前就寝，闹钟设定5:50及6:00两个时段。
2. Do执行：第一天计划顺利达成；第二天因为晚上聚会，凌晨一点才睡；第三天虽然准时晚上12点就寝，但因赖床7:00才起床。
3. Check查检：发觉自己晚上行程不可以待太晚，而早上设定的闹钟数量太少，缓冲时间太短。
4. Action行动：晚上活动尽可能在11点前结束，维持12点就寝。早上闹钟则提前至5:40，并于每5分钟再设定一组。
上方的Action成为我新的PDCA循环的第一步Plan，并持续PDCA循环直到达成目标（最后结果：每天都睡不饱，7:50才起床，总是赶着8:00的公车上下班…..）
如此简单却已能套用至大部分的计划执行与目标管理上了！ 收起阅读 »
这是由美国著名管理学家戴明提出的，包括四大概念：Plan、Do、Check、Act。
步骤1：计划（Plan）
正所谓谋定而后动，秉持第一次就做对的精神，谨慎的思考该怎么做！在产品制作之前，周延的规划各项标准程序（SOP）、制程规格、负责单位以及检验方式…等。
步骤2：执行（Do）
依据先前制定的规划，准确的执行各项工作。
步骤3：查核（Check）
在执行过程中，必须随时检查达成率。倘若发现计划（Plan）和实际执行（Do）发生落差时，就该随时提出改善的办法。
步骤4：行动（Act）
针对第3个步骤查核（Check）所提出的改善之道，重新修正做法，正确执行矫正措施，以利未来的工作方向越来越进步。
Deming 认为，上述的步骤是一个持续循环的动态过程。企业只要重覆执行步骤1~4，就能持续从错误中学习和反省，并且从反省中成长！企业若确实实施 PDCA 循环，将能体验前所未见的巨大效益。尤其在网路时代中，产品的生命周期越来越短，企业该如何因应诡谲的市场变化，并随时改善生产和品质管理方式，已成为管理者最重要的课题。
PDCA 是一个过程，和六西格玛中的DMAIC有着相似的意义，它可以说是DMAIC的简单版。它的伟大之处在于它也是一个可重复的过程，它允许管理者在面对同一个项目时应用 PDCA 来不断改进和实现目标； 如果是不同的项目，没有必要改变不同的管理。 方式。 这四个字母简单地说明了项目的执行顺序。
任何项目进行以前，相信大家一定都会前置规划，订定计划就是第一个P (Plan)，而后依循着计划执行，此即为D (Do)的步骤。
然而，大多数的项目在运行时，工作流程常在Do 这一步之后，便直接跳至结案阶段（有些甚至没有结案），才列出过程中的问题与未来建议。这导致项目的问题无法即时的获得解决，除了造成一些成本损耗，也可能无法顺利达成目标。另外，往往在下一次的项目，又会遇到同样的问题，一样没办法解决（是不是很有这种经验！）
所以，在过程中我们其实就可以先采取行动来解决问题，也就是剩下的两个步骤 — C (Check)查检、A (Action)行动，分别要做什么呢？
PDCA的意思
接下来将针对这四步骤逐一说明：
Plan
计划 —
在计划撰写的过程中，若写得越详尽，未来在执行的时候，就能更具体，且容易追踪。而这个计划从何依据呢？除了大活动的项目目标之外，也可能是小日常的营运机会点。订定目标和撰写计划的时候，也有一些工具可以依循，例如SMART原则、5W1H等，我将会在未来的文章中介绍。
Do
执行 —
当我们有上一步的计划之后，便是按照计划执行。尽可能的遵循你的计划做，这样在后续的两个步骤中，才有办法去检视哪些不足，而加以调整。
Check
查检 —
工作时应该有某个问题不断重演的经验吧，这时可以追溯过去执行计划时，是否忽略了Check这个步骤，导致无法从错误中改善，而在下一次计划中再次展现出同样的行为模式。查检的重点在于找出机会点，方能追捕进度，或是精进作业流程，提升效率。
Action
行动 —
当上个步骤检视出与计划上的进度差距，或是抓到机会点后，便可提出行动方案进行改善。此时提出的解决方案，也将会成为下一个“计划”，并持续PDCA的步骤。
所以，PDCA四个步骤，将如下图一般，成为一个cycle
PDCA实际在运行是怎样呢？
简单地举个例子，假设今天有新饮料上市，希望能推广给顾客做尝鲜，那么它的PDCA可能是：
1. Plan计划：在收银机前方提供新饮料试饮给排队等待顾客
2. Do执行：依照上述计划执行，在收银机前方准备一壶新饮料做试喝，执行时要记得不时观察，并记录问题点
3. Check查检：发现一个问题点，因为试饮杯放在背后工作台面，经常会忘记要倒给客人试喝。
4. Action行动：将试饮杯移至收银机桌面上，可以减少伙伴忘记倒试喝，也减少不必要的转身动作
而这个Action所采取的行动方案，将成为下一阶段的Plan。若执行后仍发现有其他问题点，则再进行Check的步骤，并提出下一个Action改善。
PDCA只能在大型项目中使用吗？
其实PDCA循环，在服务业可说是每天都在上演。对于当班管理者而言，在掌管每一天、每一个班次之前，我们心中都存在一个计划，可能期望达成多少业绩、完成多少行政待办、伙伴训练进度追踪等。然而服务业是一个与人高度互动的行业，计划波折及变动极大，有时受天气、商圈活动、风水、星象…影响，就会不断地和计划有差距，需要进行多次的PDCA以使营运顺利。
所以PDCA不限于活动的规模大小，是 每天都能运行的一个目标管理循环
如果以上的说明对您仍有些模糊，我再举一个更生活化的例子
假设在8点上班出门前，我想要提早于六点起床，给自己两个小时读书，我的PDCA如下：
1. Plan计划：晚上12点以前就寝，闹钟设定5:50及6:00两个时段。
2. Do执行：第一天计划顺利达成；第二天因为晚上聚会，凌晨一点才睡；第三天虽然准时晚上12点就寝，但因赖床7:00才起床。
3. Check查检：发觉自己晚上行程不可以待太晚，而早上设定的闹钟数量太少，缓冲时间太短。
4. Action行动：晚上活动尽可能在11点前结束，维持12点就寝。早上闹钟则提前至5:40，并于每5分钟再设定一组。
上方的Action成为我新的PDCA循环的第一步Plan，并持续PDCA循环直到达成目标（最后结果：每天都睡不饱，7:50才起床，总是赶着8:00的公车上下班…..）
如此简单却已能套用至大部分的计划执行与目标管理上了！ 收起阅读 »
优思学院｜测量系统分析（MSA）中的偏倚和线性是什么？
原发表于优思学院知乎号
测量系统分析（MSA）是六西格玛和汽车工业行动小组 (AIAG) 的一个重要工具，一般来说，当我们利用一个量具去测量某一事物时，优思学院认为我们首先关注的是量具的分辩率，接着是量具的准确性（就是偏倚和线性度），最后就是测量的变异度（测量的精准度）。
偏倚和线性度
偏倚（Bias）：观察到的测量平均值（在可重复性条件下进行试验）与参考值之间的差异；历史上称为准确性。偏差在测量系统的工作范围内的单个点上进行评估和表示。
线性度（Linearity）：在测量系统的预期工作范围内偏置误差的差异。换句话说，线性表示操作范围内多个独立偏差误差的相关性。
偏倚是您的测量值与实际值的比较，而线性度是评估测量值在测量系统的工作范围内的准确度。
如果对量具的偏差和线性度有怀疑，你可以预先分析一下：
*选择几个零件（要分布到较极端的操作范围）
*每个零件都要进行测量（使用你要研究的量具每个零件至少测量10次，要随机进行）
Minitab中的关于偏倚和线性的研究
同学提问：
（zhuanlan.zhihu.com/p/438423133）
这是使用Minitab去研究偏倚和线性的方法，软件会导出以上这种结果。
首先，量具在各个参考值都存在偏差(Bias)，而且非常明显，在量具偏倚的结果里显示所有参考尺寸的P值都小于0.05。例如，对于5.13的样件，平均偏差为0.157583。
线性（Linearity）方面，正如散点图中的正斜线所标识的那样。不同参考值的偏差都不一致，表明测量系统也有线性问题（P = 0.00）。
测量的精准度
当量具的准确度被确认后，我们便会进一步关注测量的变异度。
测量系统分析（MSA）是六西格玛绿带/黑带培训的其中一部分，测量的变异度在今天越来越受重视，因为以往我们一直都忽略这个很关键的东西，经常假定自己的量测没有任何问题，或者影响很轻微。
假设，供应商送货给你们的工厂，供应商有他们的QA测量检查，你们的工厂也有IQC，为什么老是出现质量问题而要退货呢，其中一个被忽略的情况是，大家的测量系统不同，测量的变异不同，测量系统分析（MSA）可以提供分析的工具，解决类似的问题。
收起阅读 »
测量系统分析（MSA）是六西格玛和汽车工业行动小组 (AIAG) 的一个重要工具，一般来说，当我们利用一个量具去测量某一事物时，优思学院认为我们首先关注的是量具的分辩率，接着是量具的准确性（就是偏倚和线性度），最后就是测量的变异度（测量的精准度）。
偏倚和线性度
偏倚（Bias）：观察到的测量平均值（在可重复性条件下进行试验）与参考值之间的差异；历史上称为准确性。偏差在测量系统的工作范围内的单个点上进行评估和表示。
线性度（Linearity）：在测量系统的预期工作范围内偏置误差的差异。换句话说，线性表示操作范围内多个独立偏差误差的相关性。
偏倚是您的测量值与实际值的比较，而线性度是评估测量值在测量系统的工作范围内的准确度。
如果对量具的偏差和线性度有怀疑，你可以预先分析一下：
*选择几个零件（要分布到较极端的操作范围）
*每个零件都要进行测量（使用你要研究的量具每个零件至少测量10次，要随机进行）
Minitab中的关于偏倚和线性的研究
同学提问：
六西格玛中的MSA，量具的线性偏倚，用minitab分析后得到下图。求详解。请问这张图意味着什么？
（zhuanlan.zhihu.com/p/438423133）
这是使用Minitab去研究偏倚和线性的方法，软件会导出以上这种结果。
首先，量具在各个参考值都存在偏差(Bias)，而且非常明显，在量具偏倚的结果里显示所有参考尺寸的P值都小于0.05。例如，对于5.13的样件，平均偏差为0.157583。
线性（Linearity）方面，正如散点图中的正斜线所标识的那样。不同参考值的偏差都不一致，表明测量系统也有线性问题（P = 0.00）。
测量的精准度
当量具的准确度被确认后，我们便会进一步关注测量的变异度。
测量系统分析（MSA）是六西格玛绿带/黑带培训的其中一部分，测量的变异度在今天越来越受重视，因为以往我们一直都忽略这个很关键的东西，经常假定自己的量测没有任何问题，或者影响很轻微。
假设，供应商送货给你们的工厂，供应商有他们的QA测量检查，你们的工厂也有IQC，为什么老是出现质量问题而要退货呢，其中一个被忽略的情况是，大家的测量系统不同，测量的变异不同，测量系统分析（MSA）可以提供分析的工具，解决类似的问题。
收起阅读 »
检测过程需要做PFMEA分析吗？怎样分析？
在制造过程的设计中，总是要在制造工序间设置单独的检测步骤，这些检测步骤也是一个流程图的组成部分，例如，一个零件在焊接完毕后，对其部质量进行进行超声波检测；也可能是对其上游多个操作过程的综合探测，例如在智能音响中的所有声学零件组装成一个声学模组后，要进行声学项目的检测（还不是产品最终检测），我们把这样的检测过程叫做专检过程。
下图是一套产品过程流程图片断的示例，红色部分为检测过程。
我们知道，PFMEA是以产品过程流程图作为分析基础的，那么其中的检测过程需要做PFMEA分析吗？怎样分析它们的失效模式和失效起因呢？我们只研究它们的探测度或只做MSA可以吗？
这是在业界争议比较多的问题，本文就尝试展开讨论一下，供大家参考。
首先，为了避免再产生不必要的争议，我们先参考一下在2020年在汽车行业发布的新版AIAG-VDA FMEA手册（以下简称“FMEA手册”），其中在该书的3.1.2条“ PFMEA项目识别和边界”中有这么一段话：
工厂内会影响产品质量且可考虑进行PFMEA分析的过程包括：接收过程、零件和材料储存、产品和材料交付、制造、装配、包装、标签、成品运输、储存、维护过程、检测过程以及返工和返修过程等。
可见，在新版的FMEA手册中，检测过程是需要做PFMEA的，然而FMEA手册中却没有给出具体的方法和案例。
我们再看FMEA手册中3.5.3条关于“当前探测控制（DC）”的描述：
定义-当前探测控制是指在产品离开过程或发运给顾客前，通过自动或手动方法探测是否存在失效起因或失效模式。
如下图所示：
可见，对位于操作过程下游的检测过程来说，它既是产品制造过程流程图中需要做PFMEA的一个步骤，同时也可以看作是对前一个或多个操作过程的失效模式的探测。
二者并不矛盾，也并不重复，它们的作用和目的是不同的！作者建议我们先要对操作过程的当前探测措施和探测度进行分析、评价以及优化，在确定不再需要进一步优化之后，再单独对该检测过程进行PFMEA的分析，以便输出对检测过程的控制措施，从而减少测量误差和误判率！
我们先了解一下操作过程的探测措施。
它分为对失效起因的探测和对失效模式的探测，但是在实际的生产线和生产过程的设计时，人们往往不喜欢寻求防止失效起因的出现的预防措施，或者发现失效起因的探测措施，而是习惯于寻求对失效模式的探测，也就是我们常吐槽的“事后检验”、“死后验尸”，这似乎已经成为了一种天经地义的事情！这其实是一种非常落后的质量控制理念！通过下图，从同一个焊接过程中，我们可以全面了解这几种控制理念和方法：
从上图中可以看出，对于焊接、热处理、铸造、电镀、注塑等特殊过程，相当多的特性，如机械性能，是不能通过对产品的检测而得知的，这就必须识别出失效起因，对失效起因采取预防或者探测措施。即使是可以进行事后检测的产品，一旦发现不合格，也是一种浪费，因此，评价一个探测措施，我们需要分为这样几种情况：
对失效起因的探测，好于对失效模式的探测；在工位内失效模式的探测，好于下游工位的探测；仪器探测，好于人工目测；机器探测，好于人工探测；防错探测，好于一般机器/仪器探测。在FMEA手册的探测度D的打分指导中就是遵循此理念，读者可自行查阅。
因此，在对当前探测措施进行优化时，我们就要按上述“档位”做出改变，也就是升级为比当前更加先进的探测方法，这也是衡量一个过程设计是否先进的重要依据之一。一旦一个探测方法被确定下来，这个检测过程就形成了，我们就要对它加以管理，包括研究它的失效模式、失效起因，以及输出对它的控制计划。
那么怎样分析检测过程的PFMEA呢？它与MSA分析有什么关系呢？
我们还是使用FMEA手册中的失效链：
下面我们来探讨一下如何进行检测过程的PFMEA分析。
首先，我们要明确一个检测过程的功能是什么，很显然，执行检测，就是为了要把产品（注：在此处也包括零件、半成品，以下同）中的不合格的挑选出来，同时把合格的流到后面的工序当中去，因此，一个检测过程的失效模式应当是：把不合格的产品当作了合格的产品（接收不合格）、把合格的产品当作了不合格的产品（拒收合格），还可能在检测时把产品损坏了，例如特性的改变、损伤等。
它的失效影响和严重度S怎样分析呢？
如果是把不合格产品判断为合格产品，这相当于被检特性所对应的加工过程的失效模式和失效影响，例如，一个机加工过程，尺寸过大是这个加工过程的一个失效模式，可能会造成后续不能装配，如果它的专检工序失效，这个尺寸过大的零件就会被放行，同样也会造成后续不能进行装配。
如果是把合格产品判断为不合格产品，就会产生误报警，造成不必要的生产线停线事故。一家管理成熟的工厂都会有快速反应规则，包括生产线暂停运行，例如，如果是所检特性是一个关键特性，只要发现一次或几次问题，则会造成产线的暂停，这时S为7-8这个程度（请读者自行查阅一下FMEA手册的S打分指导）；如果是一个次要特性，则只有达到一定数量或比例后才使生产线暂停，所以要看所检特性的重要度。
如果是因为检测而造成产品的损坏，这要根据受到影响的特性的重要度来确定S的值，例如检测过程损伤的是产品的表面质量，S仅仅是3-4。
如何分析检测过程的失效起因？
检测过程的影响因素，不同于加工过程的4M1E（人、机、料、法、环），而是SWIPE： S-标准、方法，W-工件，I-仪器/量具，P-测量者或者测量程序，E-测量环境。
总结以上分析，我们可以得到检测过程PFMEA失效分析的通用结构形式：
如何进行检测过程PFMEA的风险分析与控制措施的优化？
这是基于检测过程的当前预防措施和探测措施进行的分析和评价，同样也有着各自的Occurrence 和Detection。
预防措施是针对失效的起因采取的，对于检测过程，就是上述展开的SWIPE因素。
关于测量的方法（S）和发生频度（O）。当前的预防措施一般是原自于其他产品同类检测过程使用过的、已经证明是可靠的检测方法，一般是做成检测指导书的形式。分析和评价的目的是确认现有检测方法（检测指导书）是否会导致产生较高的测量误差或损伤。具体可以从这几个方面考虑：
• 是否分析过设计要求？
• 是否考虑过产品加工过程的特点（易出问题的地方）？
• 测量原理或过程是否与产品的运行过程和客户的使用工况相匹配？
• 测量方法是否存在产生较大测量误差或产生产品损伤的可能？
• 是否做过不同方法的MSA的分析和结果（测量误差）的对比？等等。
在设计一个检测过程时，如果这些方面没有充分研究过，则就有可能产生较大的测量误差，这也是确保一种检测方法可靠的预防控制措施。
检测过程失效起因发生频度O的打分，我们完全可以参考FMEA手册中的“过程的潜在频度O”的打分指导，例如，如果检测过程完全是一键控制式的自动化测量，且被测产品的定位也是自动化定位，那么关于方法这个因素的O就1分；如果完全是手工测量，例如使用卡尺或者目测，则要看检测方法指导书上有没有确定性、明确的、图文并茂的规定。
下面是作者在之前企业工作时遇到的一个典型案例。一个板金零件需要测量它的角度α，如下图所示，由于板金件在折弯机上折弯时，下面的工装支架产生了松动，使得两端的角度α1和α2不一致，如果不在检测指导书中规定一个明确的测量位置，则就会存在很大的重复性误差（即同一检验员使用同一把量具，也会产生不一致的结果）。
对于被测量的工件（W），其实这也与测量方法有关系。只要其特性不会随着时间的推移而发生变化，就不会影响测量的结果，而有些则是会随着时间而发生变化的，例如，零件的平面度，如果存在内应力，它会在加工完毕后随着应力的释放而发生变化；塑料件的尺寸会随着储存环境温度的变化而变化；电容的漏电量，不同时间是有变化的；压力（水压、气压）试验时压力随时间衰退，等等，这些特性的变化，就会大大影响测量结果，会产生较大的误判。
对于这样的被测量对象，我们必须采取相应的预防控制措施，即在测量方法中规定好测量的时间限制、补偿的系数等，否则，就会影响测量的结果。对于一般的特性稳定的产品工件，这个因素，是不打O值的。
测量的仪器/量具（I）和测量人员/程序（P）及它们的O值。 量具与测量者是两个重要的测量误差来源，对于量具来说，它的细分因素包括量具、试验台（平整度、是否有减震措施等）、测量设备和量检具出厂时的精度和稳定性（随使用环境因素变化）、夹具（夹紧力、夹持位置等）；对于测量人员来说，是否在上岗前进行过专业的培训和资质的认证，以及是否经常轮换（会产生较大的再现性误差）等。
以上这些因素，在设计一个测量过程时，要事先充分考虑，并进行一一的策划与确认，采取相应的预防控制措施，例如，在三座标测量室中，应有温度控制措施，对于测量/试验台，应增加减振措施，对于量具的出厂精度，应依据要测量的零件设计精度要求（例如分辨率为公差范围的1/10以上），并对这些细分因素进行MSA的分析或者进行方差分析来对比研究，选择测量误差最小的方式。
关于这两个因素的O值打分，我们可以根据检测过程的MSA分析中量具和测量者的误差分量，再结合FMEA手册中的O值打分指导来进行打分。下面是如何将MSA的分析结果转化为O值的评价理论依据和示例：
下图是一个基准值为XT，偏倚为B，精度为σm的测量系统的一系列测量值所构成的分布（假设为正态），当我们研究量具的影响时，可以通过研究量具能力和GRR来获得单纯的量具偏倚（B）和重复性误差（σe），同理，当我们研究测量者之间或者量具之间的误差时，我们则使用再现性误差（σo）。
我们可以通过查寻或者通过统计软件计算正态累积概率函数来获得误判的类型和概率。
例如，一个测量系统，它测量一个零件的长度。经过测量系统分析得知，其偏倚B = 0.05，R&R的标准差也是0.05。如果测量一个基准值为0.4的零件长度，它的规格为0.6 – 1.0，那么有多大的概率产生误判？
对该结果的解释：虽然这个零件的基准值（0.4）在规格范围以外，是不合格的，但是，由于存在测量误差，理论上存在0.135%的误判风险（不合格判为合格）。在FMEA手册的过程潜在频度O（备选）打分指导中，这属于O值5-6的程度。
关于控制措施的优化，先看主要误差的类型，如果是偏倚而且恒定的，则可以采用补偿，否则，就需要矫正或者更换新量具；如果是精度误差较大，先看这个量具的出厂说明或制造标准中的理论测量精度，如果这个理论精度也达不到产品的测量要求（例如分辨率为公差范围的1/10以上），那么就应更换精度更高的量具类型，如果是因为磨损老化导致，则进行修理、矫正，或者更换。
对于测量环境（W）。测量环境对测量结果的影响，要看测量的产品和特性的类型，例如机械加工件，可能会对环境温度有较高的要求，如果是一个声学产品，则需要对环境噪声有极高的要求，需要在专门的、远离车间环境的听音室中进行检测。这些影响因素，在设计一个测量过程时要考虑、策划，并采取必要的预防措施。
检测过程的探测（D）
检测过程本身对应的是操作过程的失效模式探测，而检测过程自己的探测措施所要针对的则是对检测误差的发现机会和能力。我们怎样才能及时、有效地探测到一个检测过程（测量系统）产生的误差呢？这包括：对测量者的考核（频次、内容、标准）、对量具的校准（频次及机构）、测量系统分析MSA（指标、标准、频次、方法）等等，例如，这些类型的活动一次也没有做，则D应当为10分。
对检测过程的探测措施的优化包括提升校准/MSA的频次、增加样品的数量、改进抽样方案，以及执行这些活动计划是通过人工提醒，还是自动化提醒的方式等等。
综上所述，研究一个检测过程，实际上包括了MSA工作，且把MSA分析的结果应用于改进和优化检测过程。在业界的MSA培训和学习时，存在一种不好的习惯，就是只注重分析那几个测量系统的统计指标（偏倚、线性、稳定性、重复性、再现性），而忽视了对测量系统的构成（影响）因素的识别，忽视了把MSA统计指标应用于系统因素的进一步分析和改善上，其实这才是MSA的真正目的。
那么，有人会产生一个疑问：我们对检测过程进行MSA分析不就行了吗？为什么还要进行PFMEA呢？
对检测过程进行PFMEA分析，与单纯的MSA还是不一样的，检测过程PFMEA是面向整条产线上的所有检测过程，通过分析它们的S、O、D来确定是否需要优化（AP），怎样优化，优化完成后，再制定针对检测过程各影响因素的控制计划，用来管控这个检测过程不出现过大的测量误差，这才是对检测过程进行PFMEA分析的最终目的，这也是通常容易被忽视了的！这个控制计划就包括：是否做MSA分析，做哪些MSA指标，以及做MSA的频次，因此检测过程的PFMEA要比MSA高一个层次。下表是检测过程控制计划一个示例。
检测过程的PFMEA与MSA的关系，见下图所示。
收起阅读 »
下图是一套产品过程流程图片断的示例，红色部分为检测过程。
我们知道，PFMEA是以产品过程流程图作为分析基础的，那么其中的检测过程需要做PFMEA分析吗？怎样分析它们的失效模式和失效起因呢？我们只研究它们的探测度或只做MSA可以吗？
这是在业界争议比较多的问题，本文就尝试展开讨论一下，供大家参考。
首先，为了避免再产生不必要的争议，我们先参考一下在2020年在汽车行业发布的新版AIAG-VDA FMEA手册（以下简称“FMEA手册”），其中在该书的3.1.2条“ PFMEA项目识别和边界”中有这么一段话：
工厂内会影响产品质量且可考虑进行PFMEA分析的过程包括：接收过程、零件和材料储存、产品和材料交付、制造、装配、包装、标签、成品运输、储存、维护过程、检测过程以及返工和返修过程等。
可见，在新版的FMEA手册中，检测过程是需要做PFMEA的，然而FMEA手册中却没有给出具体的方法和案例。
我们再看FMEA手册中3.5.3条关于“当前探测控制（DC）”的描述：
定义-当前探测控制是指在产品离开过程或发运给顾客前，通过自动或手动方法探测是否存在失效起因或失效模式。
如下图所示：
可见，对位于操作过程下游的检测过程来说，它既是产品制造过程流程图中需要做PFMEA的一个步骤，同时也可以看作是对前一个或多个操作过程的失效模式的探测。
二者并不矛盾，也并不重复，它们的作用和目的是不同的！作者建议我们先要对操作过程的当前探测措施和探测度进行分析、评价以及优化，在确定不再需要进一步优化之后，再单独对该检测过程进行PFMEA的分析，以便输出对检测过程的控制措施，从而减少测量误差和误判率！
我们先了解一下操作过程的探测措施。
它分为对失效起因的探测和对失效模式的探测，但是在实际的生产线和生产过程的设计时，人们往往不喜欢寻求防止失效起因的出现的预防措施，或者发现失效起因的探测措施，而是习惯于寻求对失效模式的探测，也就是我们常吐槽的“事后检验”、“死后验尸”，这似乎已经成为了一种天经地义的事情！这其实是一种非常落后的质量控制理念！通过下图，从同一个焊接过程中，我们可以全面了解这几种控制理念和方法：
从上图中可以看出，对于焊接、热处理、铸造、电镀、注塑等特殊过程，相当多的特性，如机械性能，是不能通过对产品的检测而得知的，这就必须识别出失效起因，对失效起因采取预防或者探测措施。即使是可以进行事后检测的产品，一旦发现不合格，也是一种浪费，因此，评价一个探测措施，我们需要分为这样几种情况：
对失效起因的探测，好于对失效模式的探测；在工位内失效模式的探测，好于下游工位的探测；仪器探测，好于人工目测；机器探测，好于人工探测；防错探测，好于一般机器/仪器探测。在FMEA手册的探测度D的打分指导中就是遵循此理念，读者可自行查阅。
因此，在对当前探测措施进行优化时，我们就要按上述“档位”做出改变，也就是升级为比当前更加先进的探测方法，这也是衡量一个过程设计是否先进的重要依据之一。一旦一个探测方法被确定下来，这个检测过程就形成了，我们就要对它加以管理，包括研究它的失效模式、失效起因，以及输出对它的控制计划。
那么怎样分析检测过程的PFMEA呢？它与MSA分析有什么关系呢？
我们还是使用FMEA手册中的失效链：
下面我们来探讨一下如何进行检测过程的PFMEA分析。
首先，我们要明确一个检测过程的功能是什么，很显然，执行检测，就是为了要把产品（注：在此处也包括零件、半成品，以下同）中的不合格的挑选出来，同时把合格的流到后面的工序当中去，因此，一个检测过程的失效模式应当是：把不合格的产品当作了合格的产品（接收不合格）、把合格的产品当作了不合格的产品（拒收合格），还可能在检测时把产品损坏了，例如特性的改变、损伤等。
它的失效影响和严重度S怎样分析呢？
如果是把不合格产品判断为合格产品，这相当于被检特性所对应的加工过程的失效模式和失效影响，例如，一个机加工过程，尺寸过大是这个加工过程的一个失效模式，可能会造成后续不能装配，如果它的专检工序失效，这个尺寸过大的零件就会被放行，同样也会造成后续不能进行装配。
如果是把合格产品判断为不合格产品，就会产生误报警，造成不必要的生产线停线事故。一家管理成熟的工厂都会有快速反应规则，包括生产线暂停运行，例如，如果是所检特性是一个关键特性，只要发现一次或几次问题，则会造成产线的暂停，这时S为7-8这个程度（请读者自行查阅一下FMEA手册的S打分指导）；如果是一个次要特性，则只有达到一定数量或比例后才使生产线暂停，所以要看所检特性的重要度。
如果是因为检测而造成产品的损坏，这要根据受到影响的特性的重要度来确定S的值，例如检测过程损伤的是产品的表面质量，S仅仅是3-4。
如何分析检测过程的失效起因？
检测过程的影响因素，不同于加工过程的4M1E（人、机、料、法、环），而是SWIPE： S-标准、方法，W-工件，I-仪器/量具，P-测量者或者测量程序，E-测量环境。
总结以上分析，我们可以得到检测过程PFMEA失效分析的通用结构形式：
如何进行检测过程PFMEA的风险分析与控制措施的优化？
这是基于检测过程的当前预防措施和探测措施进行的分析和评价，同样也有着各自的Occurrence 和Detection。
预防措施是针对失效的起因采取的，对于检测过程，就是上述展开的SWIPE因素。
关于测量的方法（S）和发生频度（O）。当前的预防措施一般是原自于其他产品同类检测过程使用过的、已经证明是可靠的检测方法，一般是做成检测指导书的形式。分析和评价的目的是确认现有检测方法（检测指导书）是否会导致产生较高的测量误差或损伤。具体可以从这几个方面考虑：
• 是否分析过设计要求？
• 是否考虑过产品加工过程的特点（易出问题的地方）？
• 测量原理或过程是否与产品的运行过程和客户的使用工况相匹配？
• 测量方法是否存在产生较大测量误差或产生产品损伤的可能？
• 是否做过不同方法的MSA的分析和结果（测量误差）的对比？等等。
在设计一个检测过程时，如果这些方面没有充分研究过，则就有可能产生较大的测量误差，这也是确保一种检测方法可靠的预防控制措施。
检测过程失效起因发生频度O的打分，我们完全可以参考FMEA手册中的“过程的潜在频度O”的打分指导，例如，如果检测过程完全是一键控制式的自动化测量，且被测产品的定位也是自动化定位，那么关于方法这个因素的O就1分；如果完全是手工测量，例如使用卡尺或者目测，则要看检测方法指导书上有没有确定性、明确的、图文并茂的规定。
下面是作者在之前企业工作时遇到的一个典型案例。一个板金零件需要测量它的角度α，如下图所示，由于板金件在折弯机上折弯时，下面的工装支架产生了松动，使得两端的角度α1和α2不一致，如果不在检测指导书中规定一个明确的测量位置，则就会存在很大的重复性误差（即同一检验员使用同一把量具，也会产生不一致的结果）。
对于被测量的工件（W），其实这也与测量方法有关系。只要其特性不会随着时间的推移而发生变化，就不会影响测量的结果，而有些则是会随着时间而发生变化的，例如，零件的平面度，如果存在内应力，它会在加工完毕后随着应力的释放而发生变化；塑料件的尺寸会随着储存环境温度的变化而变化；电容的漏电量，不同时间是有变化的；压力（水压、气压）试验时压力随时间衰退，等等，这些特性的变化，就会大大影响测量结果，会产生较大的误判。
对于这样的被测量对象，我们必须采取相应的预防控制措施，即在测量方法中规定好测量的时间限制、补偿的系数等，否则，就会影响测量的结果。对于一般的特性稳定的产品工件，这个因素，是不打O值的。
测量的仪器/量具（I）和测量人员/程序（P）及它们的O值。 量具与测量者是两个重要的测量误差来源，对于量具来说，它的细分因素包括量具、试验台（平整度、是否有减震措施等）、测量设备和量检具出厂时的精度和稳定性（随使用环境因素变化）、夹具（夹紧力、夹持位置等）；对于测量人员来说，是否在上岗前进行过专业的培训和资质的认证，以及是否经常轮换（会产生较大的再现性误差）等。
以上这些因素，在设计一个测量过程时，要事先充分考虑，并进行一一的策划与确认，采取相应的预防控制措施，例如，在三座标测量室中，应有温度控制措施，对于测量/试验台，应增加减振措施，对于量具的出厂精度，应依据要测量的零件设计精度要求（例如分辨率为公差范围的1/10以上），并对这些细分因素进行MSA的分析或者进行方差分析来对比研究，选择测量误差最小的方式。
关于这两个因素的O值打分，我们可以根据检测过程的MSA分析中量具和测量者的误差分量，再结合FMEA手册中的O值打分指导来进行打分。下面是如何将MSA的分析结果转化为O值的评价理论依据和示例：
下图是一个基准值为XT，偏倚为B，精度为σm的测量系统的一系列测量值所构成的分布（假设为正态），当我们研究量具的影响时，可以通过研究量具能力和GRR来获得单纯的量具偏倚（B）和重复性误差（σe），同理，当我们研究测量者之间或者量具之间的误差时，我们则使用再现性误差（σo）。
我们可以通过查寻或者通过统计软件计算正态累积概率函数来获得误判的类型和概率。
例如，一个测量系统，它测量一个零件的长度。经过测量系统分析得知，其偏倚B = 0.05，R&R的标准差也是0.05。如果测量一个基准值为0.4的零件长度，它的规格为0.6 – 1.0，那么有多大的概率产生误判？
对该结果的解释：虽然这个零件的基准值（0.4）在规格范围以外，是不合格的，但是，由于存在测量误差，理论上存在0.135%的误判风险（不合格判为合格）。在FMEA手册的过程潜在频度O（备选）打分指导中，这属于O值5-6的程度。
关于控制措施的优化，先看主要误差的类型，如果是偏倚而且恒定的，则可以采用补偿，否则，就需要矫正或者更换新量具；如果是精度误差较大，先看这个量具的出厂说明或制造标准中的理论测量精度，如果这个理论精度也达不到产品的测量要求（例如分辨率为公差范围的1/10以上），那么就应更换精度更高的量具类型，如果是因为磨损老化导致，则进行修理、矫正，或者更换。
对于测量环境（W）。测量环境对测量结果的影响，要看测量的产品和特性的类型，例如机械加工件，可能会对环境温度有较高的要求，如果是一个声学产品，则需要对环境噪声有极高的要求，需要在专门的、远离车间环境的听音室中进行检测。这些影响因素，在设计一个测量过程时要考虑、策划，并采取必要的预防措施。
检测过程的探测（D）
检测过程本身对应的是操作过程的失效模式探测，而检测过程自己的探测措施所要针对的则是对检测误差的发现机会和能力。我们怎样才能及时、有效地探测到一个检测过程（测量系统）产生的误差呢？这包括：对测量者的考核（频次、内容、标准）、对量具的校准（频次及机构）、测量系统分析MSA（指标、标准、频次、方法）等等，例如，这些类型的活动一次也没有做，则D应当为10分。
对检测过程的探测措施的优化包括提升校准/MSA的频次、增加样品的数量、改进抽样方案，以及执行这些活动计划是通过人工提醒，还是自动化提醒的方式等等。
综上所述，研究一个检测过程，实际上包括了MSA工作，且把MSA分析的结果应用于改进和优化检测过程。在业界的MSA培训和学习时，存在一种不好的习惯，就是只注重分析那几个测量系统的统计指标（偏倚、线性、稳定性、重复性、再现性），而忽视了对测量系统的构成（影响）因素的识别，忽视了把MSA统计指标应用于系统因素的进一步分析和改善上，其实这才是MSA的真正目的。
那么，有人会产生一个疑问：我们对检测过程进行MSA分析不就行了吗？为什么还要进行PFMEA呢？
对检测过程进行PFMEA分析，与单纯的MSA还是不一样的，检测过程PFMEA是面向整条产线上的所有检测过程，通过分析它们的S、O、D来确定是否需要优化（AP），怎样优化，优化完成后，再制定针对检测过程各影响因素的控制计划，用来管控这个检测过程不出现过大的测量误差，这才是对检测过程进行PFMEA分析的最终目的，这也是通常容易被忽视了的！这个控制计划就包括：是否做MSA分析，做哪些MSA指标，以及做MSA的频次，因此检测过程的PFMEA要比MSA高一个层次。下表是检测过程控制计划一个示例。
检测过程的PFMEA与MSA的关系，见下图所示。
SPC应用案例
各位大侠好，这是我目前推行的供应商方的SPC管理初步案例
请大家指正，我这样推行的思路对不对。
欢迎大家留言讨论。
图1是其中1个改善案例，
图2是推行的系统化管理一角。
请大家指正，我这样推行的思路对不对。
欢迎大家留言讨论。
图1是其中1个改善案例，
图2是推行的系统化管理一角。
优思学院｜"共同原因"和"特殊原因"是什么？
原发表于优思学院知乎号
如果你有看过优思学院关于SPC的六西格玛绿带课程视频，应该会知道在控制界限以内的变异原因，和超出控制界限以外的变异原因两者的区别。这是休哈特（Walter A. Shewhart）博士在 1924年发明第一张质量控制图时，给予的区分，他把两者分别命名为机遇原因(Chance Cause)和非机遇原因(Assignable Cause)。当时的学者为崇敬Shewhart博士把统计学应用在工业上所作的贡献，故亦有称为Shewhart图。
直到1970年，美国的质量管理大师 W. Edwards Deming博士首次应邀访台，在他所发表的学术演讲中，他提出了两个崭新的名词，就是在控制界限以内变异的原因，称为共同原因(Common Cause)，超出控制界限以外的变异原因，称为特殊原因(Special Cause)。优思学院看到许多美英等国的质量管理书籍上，也逐渐采用这个名词。尤其近几年来，Deming博士时有新著问世，声望陡增，已成为质量管理界中之牛耳。
我们当时都以为Deming博士把共同原因来代替机遇原因，特殊原因来代替非机遇原因，无非是取其浅显达意，容易明白而已。而且一直以为这两个名词是相等的(即：共同原因 = 机遇原因，特殊原因 = 非机遇原因)，没有再去作进一步的研究。
近十年来，美国新出版的质量管理书籍很多，也曾讨论过这些名词的问题，才知道这两个名词并不完全相等，因为Shewhart和Deming两人的出发点，并不一样。兹就读书所得，说明于次。
Shewhart博士的观念是着眼于制程中的变异，凡是在控制下的变异(Controlled Variation)，可以认为是稳定(Stable)而经常存在的，所以称之为机遇原因，亦有人称之为无法避免之原因(Unavoidable Cause)者。这种变异是制程中固有的(Inherent)的变异，如果要把它减少(或减小)，制程亦必随之而变动。
至于制程中不能控制的变异(Uncontrolled Variation)，是随时在变动，既不稳定，亦非经常存在，并不是制程中的一部分。这种不稳定的性质，使制程不能按照预定的目标操作，致产生过多的变异(Excess Variation)。这种变异原因称为非机遇原因，应该可以把这种变异原因找出来，并加以消除掉，使制程回复正常。故这种原因亦有称之为可避免之原因(Avoidable Cause)者。
上述两种方法，都可以用来改进制程，但基本上是不同的。前者是去修改(改善) (Modify)一个经常而稳定的制程，而后者是去创造(Create)一个经常而稳定的制程。到底要采用那一种方法？就要看制程中的变异而定。因此，改进制程的首要步骤，是先要决定制程中有无不能控制的变异原因存在。而Shewhart的质量控制图是根据机率原理和统计学而来的，正是判断制程中有无不能控制的变异原因的有效利器。
至于Deming博士，他的着眼点是放在：谁该对这种变异负责？于是创造了共同原因和特殊原因这两个名词。
共同原因的变异是存在于制造系统(System)或控制良好的系统中。优思学院认为因为这种变异是属于系统内的，所以应该由控制这一系统的人员来负责，那即是：经理人员─特别是高阶层的经理人员。共同原因的变异仅祇能由经理阶层人员采取行动，才能把它移除掉。
特殊原因的变异在本质上是局部的。Deming博士曾说过，他喜欢用〝特殊〞这个形容词来指特定的一群作业员，或特定的某一位作业员，或特定的机器，或特定的局部环境等所造成的特殊原因。他并说，名词并不重要，重要的是观念。一般都能从发生问题的那一特定阶层人员，就可自行找出原因，采取行动，并把困扰的问题消除掉。
这些非机遇原因可以由作业员或那一部分的领班来采取行动。 而共同原因却不然，它可以是机遇原因，也可以是非机遇原因。无论在那一种情况，都是系统上发生的错误(Faults)，仅祇能由经理阶层人员采取行动，才能改正过来。 Deming博士是着重在谁该对这种不同型式的变异负责，现在优思学院可以用一句话来说明他的观念：减少任何一个质量特性(如厚度，或绩效等)的变异，不管这个质量特性是否在控制状态之下，甚至只有少数几个或没有不良品产生，都认为是良好的管理。 〝零缺点〞并不能算够好。
工业界必须做到比符合规格还要来得好。经理人员要去研究制程，并且应该去找寻变异的来源，进而把它消除掉，以经常改进产品。质量控制图正是用来找出这些来源的有效利器。当制程中的变异减小后，则零件将更为相似，产品亦将愈佳。这些都是Deming博士在1950年带给日本人的金玉良言，日本人懂得这些话，经过了石川一郎(按：即石川馨氏之尊翁)及小柳贤一等继续不断地努力，才奠定了实施SQC成功的基础。
现在，将再介绍另一个观念(Concept)，那就是：工程上(Engineering)对变异的观念，和Shewhart博士(包括Deming博士)对变异的观念，两者完全不同。工程上对变异的观念，其目的是要求产品能符合规格，不管产品中的变异有多大，只要在规格范围以内，就尽可能地让它去变化(Vary)。如果结果是在规格范围以内，就认为是〝够好〞了。而Shewhart博士观念的目的，是要制程经常稳定一致(Consistency)，结果自然是产品尽可能地稳定一致了。因为它们的目的不同，结果也就随之而不同。优思学院认为我们没有必要把这两种观念加以协调。经理人员必须采用其中之一，作为生产制程的指导原则：仅只要求符合规格，还是继续不断地改进制程。
经理人员在工业革命时期就开始采用第一种观念了。大约经过了200年以后，这个目的仍没有达到。因为我们仅仅把目标放在符合规格上，结果却缺乏进步。这就没有理由使人相信将来会有什么进步的缘故。
另一方面，根据日本的经验，应用了Shewhart博士的观念之后，证明了持续不断地改进制程，使得日本的工业产品提高了它们的质量，也提高了它们的生产力。结果，不再局限于以符合规格为满足，而是在持续不断地改进途程中前进。
优思学院认为要产品完全符合规格，唯有持续不断地改进制程，而且仅只有当经理人员用言词和行动来支持这个目标时，才会获得质量和生产力的增加。
收起阅读 »
如果你有看过优思学院关于SPC的六西格玛绿带课程视频，应该会知道在控制界限以内的变异原因，和超出控制界限以外的变异原因两者的区别。这是休哈特（Walter A. Shewhart）博士在 1924年发明第一张质量控制图时，给予的区分，他把两者分别命名为机遇原因(Chance Cause)和非机遇原因(Assignable Cause)。当时的学者为崇敬Shewhart博士把统计学应用在工业上所作的贡献，故亦有称为Shewhart图。
直到1970年，美国的质量管理大师 W. Edwards Deming博士首次应邀访台，在他所发表的学术演讲中，他提出了两个崭新的名词，就是在控制界限以内变异的原因，称为共同原因(Common Cause)，超出控制界限以外的变异原因，称为特殊原因(Special Cause)。优思学院看到许多美英等国的质量管理书籍上，也逐渐采用这个名词。尤其近几年来，Deming博士时有新著问世，声望陡增，已成为质量管理界中之牛耳。
我们当时都以为Deming博士把共同原因来代替机遇原因，特殊原因来代替非机遇原因，无非是取其浅显达意，容易明白而已。而且一直以为这两个名词是相等的(即：共同原因 = 机遇原因，特殊原因 = 非机遇原因)，没有再去作进一步的研究。
近十年来，美国新出版的质量管理书籍很多，也曾讨论过这些名词的问题，才知道这两个名词并不完全相等，因为Shewhart和Deming两人的出发点，并不一样。兹就读书所得，说明于次。
Shewhart博士的观念是着眼于制程中的变异，凡是在控制下的变异(Controlled Variation)，可以认为是稳定(Stable)而经常存在的，所以称之为机遇原因，亦有人称之为无法避免之原因(Unavoidable Cause)者。这种变异是制程中固有的(Inherent)的变异，如果要把它减少(或减小)，制程亦必随之而变动。
至于制程中不能控制的变异(Uncontrolled Variation)，是随时在变动，既不稳定，亦非经常存在，并不是制程中的一部分。这种不稳定的性质，使制程不能按照预定的目标操作，致产生过多的变异(Excess Variation)。这种变异原因称为非机遇原因，应该可以把这种变异原因找出来，并加以消除掉，使制程回复正常。故这种原因亦有称之为可避免之原因(Avoidable Cause)者。
上述两种方法，都可以用来改进制程，但基本上是不同的。前者是去修改(改善) (Modify)一个经常而稳定的制程，而后者是去创造(Create)一个经常而稳定的制程。到底要采用那一种方法？就要看制程中的变异而定。因此，改进制程的首要步骤，是先要决定制程中有无不能控制的变异原因存在。而Shewhart的质量控制图是根据机率原理和统计学而来的，正是判断制程中有无不能控制的变异原因的有效利器。
至于Deming博士，他的着眼点是放在：谁该对这种变异负责？于是创造了共同原因和特殊原因这两个名词。
共同原因的变异是存在于制造系统(System)或控制良好的系统中。优思学院认为因为这种变异是属于系统内的，所以应该由控制这一系统的人员来负责，那即是：经理人员─特别是高阶层的经理人员。共同原因的变异仅祇能由经理阶层人员采取行动，才能把它移除掉。
特殊原因的变异在本质上是局部的。Deming博士曾说过，他喜欢用〝特殊〞这个形容词来指特定的一群作业员，或特定的某一位作业员，或特定的机器，或特定的局部环境等所造成的特殊原因。他并说，名词并不重要，重要的是观念。一般都能从发生问题的那一特定阶层人员，就可自行找出原因，采取行动，并把困扰的问题消除掉。
这些非机遇原因可以由作业员或那一部分的领班来采取行动。 而共同原因却不然，它可以是机遇原因，也可以是非机遇原因。无论在那一种情况，都是系统上发生的错误(Faults)，仅祇能由经理阶层人员采取行动，才能改正过来。 Deming博士是着重在谁该对这种不同型式的变异负责，现在优思学院可以用一句话来说明他的观念：减少任何一个质量特性(如厚度，或绩效等)的变异，不管这个质量特性是否在控制状态之下，甚至只有少数几个或没有不良品产生，都认为是良好的管理。 〝零缺点〞并不能算够好。
工业界必须做到比符合规格还要来得好。经理人员要去研究制程，并且应该去找寻变异的来源，进而把它消除掉，以经常改进产品。质量控制图正是用来找出这些来源的有效利器。当制程中的变异减小后，则零件将更为相似，产品亦将愈佳。这些都是Deming博士在1950年带给日本人的金玉良言，日本人懂得这些话，经过了石川一郎(按：即石川馨氏之尊翁)及小柳贤一等继续不断地努力，才奠定了实施SQC成功的基础。
现在，将再介绍另一个观念(Concept)，那就是：工程上(Engineering)对变异的观念，和Shewhart博士(包括Deming博士)对变异的观念，两者完全不同。工程上对变异的观念，其目的是要求产品能符合规格，不管产品中的变异有多大，只要在规格范围以内，就尽可能地让它去变化(Vary)。如果结果是在规格范围以内，就认为是〝够好〞了。而Shewhart博士观念的目的，是要制程经常稳定一致(Consistency)，结果自然是产品尽可能地稳定一致了。因为它们的目的不同，结果也就随之而不同。优思学院认为我们没有必要把这两种观念加以协调。经理人员必须采用其中之一，作为生产制程的指导原则：仅只要求符合规格，还是继续不断地改进制程。
经理人员在工业革命时期就开始采用第一种观念了。大约经过了200年以后，这个目的仍没有达到。因为我们仅仅把目标放在符合规格上，结果却缺乏进步。这就没有理由使人相信将来会有什么进步的缘故。
另一方面，根据日本的经验，应用了Shewhart博士的观念之后，证明了持续不断地改进制程，使得日本的工业产品提高了它们的质量，也提高了它们的生产力。结果，不再局限于以符合规格为满足，而是在持续不断地改进途程中前进。
优思学院认为要产品完全符合规格，唯有持续不断地改进制程，而且仅只有当经理人员用言词和行动来支持这个目标时，才会获得质量和生产力的增加。
收起阅读 »
评估质量管理软件/系统(QMS)试金石--试用、试用、还是试用!
近年来，越来越多的企业进行了信息化建设。企业信息化失败，或者至少说是没有完全达到当初的预期，案例比比皆是。
那么，到底如何避免失败？
答：最有效的手段之一就是--试用、试用、还是试用！
为什么要试用？
买双鞋子，你都会穿上试一下，走几步看鞋子是否合脚，穿着是否舒服，是不是硌脚。
企业是如此多种多样，如此千差万别，而且企业为了竞争和生存，还一直处于不断变化之中，不试用一下，怎能知道这个软件是不是适合自己，是不是能够解决企业面临的问题？
很多企业管理者说，那我可以参观一下成功案例。通常是很难看到同行案例（只有为数不多的企业会同意同行参观），即使很幸运看到了同行案例，并且很成功，也无法证明适合别的公司的软件，就一定会适合自己的公司。还是同样的道理，只有自己的脚最知道鞋合适不合适。
在选择工业软件时，“试用”这一火眼金睛术可以帮助企业发现以下潜在问题：
1. 避免被高大上的PPT蒙蔽双眼。
老王卖瓜，自卖自夸。乙方有些吹牛成分可以理解。但有很多软件提供商喜欢语不惊人死不休，还喜欢新造一些词汇来唬人，比如什么人工智能、大数据，什么ERP+MES全方位解决方案，什么万物互联，好像是一个全能的上帝，总之一句话没有他不能做的。对于这样的表演，一些人已经不屑一顾了，但绝大多人还是会被唬住。
这还没完，有些企业把PS本领也搬到了PPT产品介绍上，产品的界面P的非常酷炫；更有甚者，自己的产品没有这个功能，盗取同行的产品界面，放到自己的产品上去，宣称是自己开发的产品。
欺骗客户这事，可别以为只有中国软件企业这样做，美国和德国（美国和德国的工业软件比其它国家多）的软件公司也有这样干的，戳穿这样的把戏很简单，让乙方销售人员用他们的公司的实际软件系统现场展示PPT中出现的界面并走几个流程即可。
2. 现场演示也不一定完全可靠。
软件服务商在客户面前演示，所见即所得，这样该没有问题了吧？魔术也是在你面前表演，但魔术是真实的吗？在短短的展示时间内，客户很难掌握软件系统的全部，也不可能充分理解该系统。再说，乙方会100%毫无保留地展示产品吗？数据的前后逻辑关系是怎么得来的？计算结果对吗？
这里给大家介绍一个小技巧，如果乙方在介绍产品时，不停地在不同系统之间来回切换，你可就要小心了，该乙方的产品很可能不完善，是定制项目型的软件，没有办法在一个系统展示全部功能，所以要在不同系统之间跳来跳去。为什么对项目型产品要小心，道理也是很简单，失败概率大，详细论述可参见《质量管理系统(QMS)-6.自己开发，外包还是购买产品？》。
还有，展示期间甲方不太可能关注到全部细节，但有些细节又十分关键。例如，我们曾经发现多家软件企业（包括市场上一些常见的公司），其质量检验的取样规则违反了国标GB/T 2828.1—2012，系统上线后才发现，这时甲方该怎么办？如果甲方是知名企业且使用了这样低劣的软件，不仅没有对质量做到很好的管控，而且还会对企业商誉造成很大的潜在风险。
3. 验证操作界面是否易于一线员工理解。
如果不易于一线员工理解，实施会遇到很大的阻碍。还有，相对来说，一线员工的离职率比较高，如何让新员工快速掌握，不影响生产，也是一个不容忽视的问题。后期再培训的问题，在项目初期也要有所关注。
4. 乙方介绍的功能适合我们的企业吗？
语言沟通时不免有些歧义，实际测试一下系统便知，避免出现卖家秀和买家秀的问题。
除以上原因，试用还有其它益处吗？
5. 检验乙方软件的成熟度。
乙方在演示的时候，可以躲避一些软件的缺陷，甚至是Bug。 只要甲方在试用时比较细心，这些问题很难被隐藏住。
6. 考察乙方的实施能力。
专业实施能力是软件成功与否的另一个关键要素。甲方在试用时，必然会有一些问题，通过提出问题，就可以看出乙方是否是专业的质量人员，有没有专业服务能力。我们就曾经看到过，有些实施人员完全不懂质量，甲方人员还要花费时间告诉乙方软件公司什么是标准方差，什么是Cpk等专业术语。在这种情况下，还能期望实施过程中乙方给企业的流程带来优化吗？
很多企业购买质量管理软件的初衷包括希望通过实施软件把质量管控流程中不规范的地方一并梳理，如果乙方质量管理不专业，又如何梳理？
7. 让使用部门参与选择。
而不是完全由上级或者IT部门强行塞给使用部门一个系统，以便减少后期使用部门的抱怨和扯皮的事情。
给孩子买鞋子，最好带上孩子。
8. 员工有参与感。
可以根据甲方的实际情况，让多个层级员工参加试用。
9. 避免暗箱操作。
阳光是最好的消毒剂，让大家畅所欲言，把选择放在桌面上。这样选择出的系统，不会让大家失望。
10. 在签合同前，各方达成比较一致的意见。
通常测试是多人测试，给出的反馈更加全面，如果有意见不统一的地方，可以及早提出，避免后期的各种意想不到。
11. 尽量减少开口合同。
一些定制二开有时是不可避免的，但要在签合同时要做到心中有数，要在预算范围之内，如何才能实现呢？在IT部门的帮助下，让实际使用部门给出反馈，是比较接地气的办法。实际使用部门最清楚他们需要什么，什么是雪中送炭，什么是锦上添花，甚至什么是画蛇添足。
（这里的使用部门不能仅仅狭义地理解为质量部门，采购部门可能需要参考供应商质量表现，研发部门可能需要产品问题历史记录，销售和财务可能需要产品直通率来核算产品真实成本，高管可能需要产品质量整改进度表等等，不一而足。）
那么，甲方该如何进行试用？
试用的方法有多种，推荐一个即高效又可检验出乙方专业水平的方法。
第一步：甲方根据自身的需求，可以把相关的脱敏资料（可以公开的数据或者模拟数据）如，来料检验报告、过程检验报告、出货检验报告、客户投诉、评审报告、纠正预防（8D）、不合格品管理流程、以及质量月报等资料发给乙方。
第二步：由乙方搭建一个临时的测试系统，里面的物料号、工序、检验方式都模拟甲方真实运营的情况。
第三步：如果乙方是一个较为完备成熟的系统，可以很快搭建出来一个模拟系统，而不会用其它借口，什么审批之类的来拖延时间。
第四步：甲方按照实际生产和业务处理流程，录入一些实际的检验、不合格品、客诉等数据，不仅可以检验一下乙方的系统是否能够实现企业所需要的数据录入方式、报表分析效果，以及流程是否能够满足要求。还能够快速评估系统对当前需求的匹配程度、以及未来可能存在变化的灵活配置能力，并且可以通过这个模拟系统来进一步考察乙方对甲方的业务理解水平，以及技术支持能力。
第五步：通过测试系统，对于不能满足需求的地方，让乙方给出开发周期以及大致的报价，对项目的整体预算要做到心中有数。
第六步：对乙方的系统，人员专业水平，支持能力，价格等做出综合服务评价，选出合适的系统。
不同于购买一些传统的商品或服务，比如培训或者一个零件，这些都是某种程度上的短暂、小范围合作。购买工业软件就完全不同了，会涉及到多个部门，并且会对企业带来长期影响。不仅仅是系统上线那一时刻的服务很重要，更要考虑到乙方是否能够长期持续地提供基于系统的专业技术服务。选择错了，可能不但帮不到企业，反而成为负担。
收起阅读 »
那么，到底如何避免失败？
答：最有效的手段之一就是--试用、试用、还是试用！
为什么要试用？
买双鞋子，你都会穿上试一下，走几步看鞋子是否合脚，穿着是否舒服，是不是硌脚。
企业是如此多种多样，如此千差万别，而且企业为了竞争和生存，还一直处于不断变化之中，不试用一下，怎能知道这个软件是不是适合自己，是不是能够解决企业面临的问题？
很多企业管理者说，那我可以参观一下成功案例。通常是很难看到同行案例（只有为数不多的企业会同意同行参观），即使很幸运看到了同行案例，并且很成功，也无法证明适合别的公司的软件，就一定会适合自己的公司。还是同样的道理，只有自己的脚最知道鞋合适不合适。
在选择工业软件时，“试用”这一火眼金睛术可以帮助企业发现以下潜在问题：
1. 避免被高大上的PPT蒙蔽双眼。
老王卖瓜，自卖自夸。乙方有些吹牛成分可以理解。但有很多软件提供商喜欢语不惊人死不休，还喜欢新造一些词汇来唬人，比如什么人工智能、大数据，什么ERP+MES全方位解决方案，什么万物互联，好像是一个全能的上帝，总之一句话没有他不能做的。对于这样的表演，一些人已经不屑一顾了，但绝大多人还是会被唬住。
这还没完，有些企业把PS本领也搬到了PPT产品介绍上，产品的界面P的非常酷炫；更有甚者，自己的产品没有这个功能，盗取同行的产品界面，放到自己的产品上去，宣称是自己开发的产品。
欺骗客户这事，可别以为只有中国软件企业这样做，美国和德国（美国和德国的工业软件比其它国家多）的软件公司也有这样干的，戳穿这样的把戏很简单，让乙方销售人员用他们的公司的实际软件系统现场展示PPT中出现的界面并走几个流程即可。
2. 现场演示也不一定完全可靠。
软件服务商在客户面前演示，所见即所得，这样该没有问题了吧？魔术也是在你面前表演，但魔术是真实的吗？在短短的展示时间内，客户很难掌握软件系统的全部，也不可能充分理解该系统。再说，乙方会100%毫无保留地展示产品吗？数据的前后逻辑关系是怎么得来的？计算结果对吗？
这里给大家介绍一个小技巧，如果乙方在介绍产品时，不停地在不同系统之间来回切换，你可就要小心了，该乙方的产品很可能不完善，是定制项目型的软件，没有办法在一个系统展示全部功能，所以要在不同系统之间跳来跳去。为什么对项目型产品要小心，道理也是很简单，失败概率大，详细论述可参见《质量管理系统(QMS)-6.自己开发，外包还是购买产品？》。
还有，展示期间甲方不太可能关注到全部细节，但有些细节又十分关键。例如，我们曾经发现多家软件企业（包括市场上一些常见的公司），其质量检验的取样规则违反了国标GB/T 2828.1—2012，系统上线后才发现，这时甲方该怎么办？如果甲方是知名企业且使用了这样低劣的软件，不仅没有对质量做到很好的管控，而且还会对企业商誉造成很大的潜在风险。
3. 验证操作界面是否易于一线员工理解。
如果不易于一线员工理解，实施会遇到很大的阻碍。还有，相对来说，一线员工的离职率比较高，如何让新员工快速掌握，不影响生产，也是一个不容忽视的问题。后期再培训的问题，在项目初期也要有所关注。
4. 乙方介绍的功能适合我们的企业吗？
语言沟通时不免有些歧义，实际测试一下系统便知，避免出现卖家秀和买家秀的问题。
除以上原因，试用还有其它益处吗？
5. 检验乙方软件的成熟度。
乙方在演示的时候，可以躲避一些软件的缺陷，甚至是Bug。 只要甲方在试用时比较细心，这些问题很难被隐藏住。
6. 考察乙方的实施能力。
专业实施能力是软件成功与否的另一个关键要素。甲方在试用时，必然会有一些问题，通过提出问题，就可以看出乙方是否是专业的质量人员，有没有专业服务能力。我们就曾经看到过，有些实施人员完全不懂质量，甲方人员还要花费时间告诉乙方软件公司什么是标准方差，什么是Cpk等专业术语。在这种情况下，还能期望实施过程中乙方给企业的流程带来优化吗？
很多企业购买质量管理软件的初衷包括希望通过实施软件把质量管控流程中不规范的地方一并梳理，如果乙方质量管理不专业，又如何梳理？
7. 让使用部门参与选择。
而不是完全由上级或者IT部门强行塞给使用部门一个系统，以便减少后期使用部门的抱怨和扯皮的事情。
给孩子买鞋子，最好带上孩子。
8. 员工有参与感。
可以根据甲方的实际情况，让多个层级员工参加试用。
9. 避免暗箱操作。
阳光是最好的消毒剂，让大家畅所欲言，把选择放在桌面上。这样选择出的系统，不会让大家失望。
10. 在签合同前，各方达成比较一致的意见。
通常测试是多人测试，给出的反馈更加全面，如果有意见不统一的地方，可以及早提出，避免后期的各种意想不到。
11. 尽量减少开口合同。
一些定制二开有时是不可避免的，但要在签合同时要做到心中有数，要在预算范围之内，如何才能实现呢？在IT部门的帮助下，让实际使用部门给出反馈，是比较接地气的办法。实际使用部门最清楚他们需要什么，什么是雪中送炭，什么是锦上添花，甚至什么是画蛇添足。
（这里的使用部门不能仅仅狭义地理解为质量部门，采购部门可能需要参考供应商质量表现，研发部门可能需要产品问题历史记录，销售和财务可能需要产品直通率来核算产品真实成本，高管可能需要产品质量整改进度表等等，不一而足。）
那么，甲方该如何进行试用？
试用的方法有多种，推荐一个即高效又可检验出乙方专业水平的方法。
第一步：甲方根据自身的需求，可以把相关的脱敏资料（可以公开的数据或者模拟数据）如，来料检验报告、过程检验报告、出货检验报告、客户投诉、评审报告、纠正预防（8D）、不合格品管理流程、以及质量月报等资料发给乙方。
第二步：由乙方搭建一个临时的测试系统，里面的物料号、工序、检验方式都模拟甲方真实运营的情况。
第三步：如果乙方是一个较为完备成熟的系统，可以很快搭建出来一个模拟系统，而不会用其它借口，什么审批之类的来拖延时间。
第四步：甲方按照实际生产和业务处理流程，录入一些实际的检验、不合格品、客诉等数据，不仅可以检验一下乙方的系统是否能够实现企业所需要的数据录入方式、报表分析效果，以及流程是否能够满足要求。还能够快速评估系统对当前需求的匹配程度、以及未来可能存在变化的灵活配置能力，并且可以通过这个模拟系统来进一步考察乙方对甲方的业务理解水平，以及技术支持能力。
第五步：通过测试系统，对于不能满足需求的地方，让乙方给出开发周期以及大致的报价，对项目的整体预算要做到心中有数。
第六步：对乙方的系统，人员专业水平，支持能力，价格等做出综合服务评价，选出合适的系统。
不同于购买一些传统的商品或服务，比如培训或者一个零件，这些都是某种程度上的短暂、小范围合作。购买工业软件就完全不同了，会涉及到多个部门，并且会对企业带来长期影响。不仅仅是系统上线那一时刻的服务很重要，更要考虑到乙方是否能够长期持续地提供基于系统的专业技术服务。选择错了，可能不但帮不到企业，反而成为负担。
收起阅读 »
优思学院｜不可不知的FMEA分析
FMEA最早在美国武装部队军事程序文件MIL-P-1629（1949年）中出现，文件其后在1980年修订为MIL-STD-1629A。到了20世纪60年代初，美国国家航空和航天局（NASA）也开始使用FMEA，早期的FMEA也称作FMECA。由此可见FMEA的使用在于极重要的流程上，因为它是一套分析风险的工具，风险的成本代价越大，分析的重要性便更大。这也是今天华为研发这么看重FMEA分析的原因。
失效模式与影响分析（英文：Failure mode and effects analysis，FMEA），FMEA是用来预测潜在的失效模式的发生和它所带来的影响，从而管理过程的风险，简而言之，是一种风险评估的工具。优思学院｜六西格玛培训整个工具的重要一环是为各个过程和特性，计算出风险指数(RPN)，以评估风险优先级数的一种衡量指标，有助于识别与您的设计或过程相关的关键故障模式的潜在问题，从而预先采取必要的控制或预防措施，以提高产品的质量和可靠性。
收起阅读 »
失效模式与影响分析（英文：Failure mode and effects analysis，FMEA），FMEA是用来预测潜在的失效模式的发生和它所带来的影响，从而管理过程的风险，简而言之，是一种风险评估的工具。优思学院｜六西格玛培训整个工具的重要一环是为各个过程和特性，计算出风险指数(RPN)，以评估风险优先级数的一种衡量指标，有助于识别与您的设计或过程相关的关键故障模式的潜在问题，从而预先采取必要的控制或预防措施，以提高产品的质量和可靠性。
收起阅读 »
为什么会有人质疑SPC？
注：本文初次发表于公众号“质量管理与工具实战交流平台”上。
不久前，流传着一篇题为《质量管理软件（工具）中，SPC真的有用吗？》的微信公众号文章（读者可在微信中的“搜索”查看一下），该文章把SPC批了一个“体无完肤”。其中的观点当然是错误的，业界也相应地出现了一些纠正和澄清的文章。
与直接的纠正做法不同的是，我从另一个角度对这个问题进行了思考：为什么有人会对SPC存在着误解和质疑呢？
事实上人们在学习和使用SPC时存在着大量的误区，尤其是关于SPC的理论基础、准备工作、使用前提、使用前对所控制的过程的初始研究等，这些方面在讲解和学习时被忽视了，只注重了步骤，尤其是把AIAG发布的《SPC参考手册》当作了一种标准条款来解读和使用，这就很难使SPC得到正确的理解和应用，带来的效果就可想而知了，这就会让人误认为SPC是一种没有实用价值的、过时的理论了！
我最近更新了我的SPC课程，着重强调和强化了这些容易被忽视的方面，在本文中限于篇幅，我只是列举其中的一部分控制图中的常见问题。下列方面比较普遍：
第一，缺乏必要的数理统计知识
SPC是基于数理统计理论建立起来的，这就对数理统计基础比较欠缺的人来说，想在有限的时间里理解它的基本原理确实是一个比较严峻的挑战。这些相关的理论至少包括：随机变量、分布、正态、中心极限定理、抽样分布、甚至假设检验等理论讲清楚！只有理解了这些数理统计概念，才能掌握SPC的底层逻辑，才能应对变化万千的制造过程和工作场景，否则，只学习基本的步骤和生硬的规定，接下来所学的SPC就会百无一用了！所以，在讲解和学习SPC的基本知识时，这一块是决不能回避的。
上图中的注释不是具体的失控判断准则，后面还有对每条准则的详细讲解。
第二，SPC的准备工作不充分
1、资源是制约SPC推广应用的重要原因。当前随着制造业自动化、智能化的日益普及，已经越来越多地实现了在线100%或连续检测，一天可能会产生海量的数据，如果还是采用那种几十年前的那种原始的方式，由人工进行数据的采集、上传、分析和报警，效率是很低的，也是不够精确的，好马应当配以好鞍，需要借助于自动SPC系统，必要时与企业的ERP系统相融合，这样才能做到自动、实时、快速地对失控做出反应，减少报警停线带来的损失。
2、与海量数据的情形相反，还有另一种极端的情形，就是感觉没有适合于SPC管控的特性，特别是在一些组装生产线上，或者在一些破坏性测量的工位上。这就需要用一些“前端工序的特性”、“过程特性”使用控制图，或者测量成本较低且与之相关的特性来替代。
3、工作流程上的保障。请问SPC只是质量工程师们的事吗？我们需要一个工作流程上的保证，这样才能够保障SPC能够持续地进行下去。SPC是跨部门的工作，尤其是生产、设备、工艺部门、质量部门共同的职责，需要基于工厂的实际，进行合理的分工与协作。
4、有的人不知道应当在什么时候导入SPC，或者生产过程中尚有一堆问题等待解决时就导入SPC，结果是不能建立起控制限，因为总是存在失控！因此，当过程中还有显而易见的问题未得到解决，还在产生着大量的不合格时，使用控制图是没有任何意义的！
5、我们经常得到下面这样的图形：
很显然，这是测量系统的分辨率不够的缘故，这要结合制造过程本身的变差，如果变差足够小，这就要求测量系统的分辨率更小，至少要做到1/10的过程变差：1/10×6σ。下图是使用不同分辨率的量具测量同一组样件的结果对比：
因此，做好控制图，如果过程是高精度自动化的，测量系统/量具本身就是一个挑战。
第三，缺乏对所控过程的了解
1、不了解数据的分布状态。对于常规控制图来说，在建立控制限时（控制图的分析阶段）是有着一定的前提的（随机、独立、正态），其中要保证图上的点所对应的数据呈现正态分布或者近似正态分布，否则，所建立起来的控制限就会产生假报警或漏报警，就是我们常讲的第一类和第二类错误！
那么这个“近似正态”到底是可以近似到什么程度呢？这是一个容易令人困惑的问题。
有人或有的SPC书籍中认为，先把控制图做出来，如果真的数据不正态，就会通过失控来表现出来（报警），到时候你不就知道了吗？这种说法在正式的在线控制时是正确的，毕竟SPC实质上就是一个大号的假设检验嘛，但是，在建立控制限的分析阶段，是存在着一定的“灰色地带”的，会存在一种“既不是正态，同时又不失控报警”，只是“潜伏”的情形！或者在建立控制限时出现了失控的点，于是去寻找过程中的问题，如果找不到，那么到底是专业知识不够呢，还是本来过程就没问题而是因数据不完全满足正态的条件所生产的假报警呢？难以分辨吧！所以在这样的条件下建立起来的控制限是不够严谨的，仅仅说“近似正态”其实是没有实操价值的！在控制图的分析阶段，我们需要确定的是一个准确的基准-控制限。
因此，我们至少要确保样本的均值之间要呈现正态分布，这就是所说的“原始数据可以近似的程度”衡量依据！
要确保样本均值之间为正态分布，就应当使用正确的样本量，所谓的“小样本、短周期”的抽样方式，只是在原始数据正态的前提下是合理的，如果原始数据不正态，我们应当在确认制造过程当中没有特殊原因的前提下，适当加大样本量，以使得均值之间为正态分布（依据中心极限定理），或者通过其他的手段，如非正态向正态的转化、寻求个体分布的参数、非参数等，而不是生搬硬套、千篇一律地使用同一种控制图（如均值-极差图）。看来这也是SPC“曲高和寡”的原因之一吧，因为它确实需要使用者具有较高的数理统计功底的。
2、不了解所控制过程的特定失控模式。我经常听到过这样的反馈：导入SPC后失控报警了总是找不到原因，太影响生产了，后来我们就干脆又把SPC撤掉了。这是多么遗憾的一件事啊！
这是什么原因呢？其中的原因有：建立控制限时所用样本不能代表和包含实际过程的变差，使均值图的控制限过窄，盲目使用那常用的8个判异准则、缺乏事前对过程失效模式的分析（与PFMEA的对接）等。对于一个特定的加工过程，我们用控制图来控制的特性应当会从PFMEA中找到相应的失效模式及失效起因，即使没有做PFMEA，我们也应当事先来分析和识别出一些发生频度较高的失效起因，评估这些起因如果存在，会在控制图上引起哪种类型的失控模式，从而确定我们要采用哪几个判异准则（超控制限这个是必须使用的）。这样把工作做到前头，一旦将来出现失控报警，就会沿寻着事先的分析路径，快速把失控搞定，使过程恢复受控状态。
例如，气动夹紧工装，可能会出现气体管路漏气或螺丝松动的问题，如果使用控制图对夹紧力进行监控，那么可能会出现下列失控模式：
因为一旦气体发生泄漏或螺丝产生松动，其程度就会快速地恶化，反应在夹紧力上就是逐渐下降的趋势。在对夹紧力使用控制图控制之前，就应当先将这些可能的因素和由此引起的失控模式识别出来和确定下来。
再如，当加工的基准面的定位不正确时，就会出现下面这样的失控模式：
那么你的过程存在基准面变动的因素吗？
3、对抽样的时机制定太死板。对于一个过程，人员/班次、原材批次的更迭，还有设备的重启、重设等都是产生显著变差（特殊原因）的机会，如果只是机械地等时间间隔来抽样，就会错过这些变差机会，所以还需要基于所控过程的要素(4M1E)水平更的迭来有针对性地抽样，以便及时捕捉变差和可能的特殊原因。
第四、出现失控后不明确如何反应
大家都在注重如何制作控制图，如何判断失控，却没有一个明确的规则来说明出现失控后如何反应。在AIAG的SPC参考手册中也没有明确的规定。
对于不同的失控模式，我们需要做出不同的反应，这包括下列选项：分析原因、停止生产、隔离产品。在我的课程中进行了讲述。例如，对于下列失控模式，我们应当停止生产、隔离产品：
再就是，产品被隔离后再怎么做呢？在上述情况中，应当是进行PPK（注意这时不应当是CPK了）的研究，看是否已经低于了PPK目标值了，如果是，就应当按照与客户的约定进行处置（发货前全检或者追加抽检等）。
而对于下列情况，只需要分析原因：
还有一个需要澄清的问题，就是“失控ARL”（平均运行长度）。当均值图上有点发生失控后，在所发生的点上看不到这个失控，直到再抽若干次样后才在图上表现出来，这样的平均抽样次数为失控ARL。在AIAG的SPC参考手册中，只是提到了“受控ARL”，即两次假失控报警之间的平均运行长度（抽样次数）。
在控制图的实际运用过程中，失控ARL是相当重要的，如果没有这个概念，当失控时，就不能隔离出所有的可能受到影响的产品。
第五、控制图长期不更新
虽然在分析阶段建立的控制限是在线使用阶段的控制基准，一般不能进行更改，但是在下列情况下，应当适时更新：
过程进行持续改善后，或者增加了过程的防错后，应当重新计算控制限，否则就会失去应有的灵敏度。在所控特性的目标值发生变更时，也应当重新设置控制限，因为目标值变了，相应的加工基准也要做出改变，过程的均值也会发生改变，若还是保持现有的控制限，就会出出均值偏移的“失控”。
限于篇幅，就写到这里吧，其实我的更新版的SPC课程中还有更多的与众不同的亮点的。
收起阅读 »
不久前，流传着一篇题为《质量管理软件（工具）中，SPC真的有用吗？》的微信公众号文章（读者可在微信中的“搜索”查看一下），该文章把SPC批了一个“体无完肤”。其中的观点当然是错误的，业界也相应地出现了一些纠正和澄清的文章。
与直接的纠正做法不同的是，我从另一个角度对这个问题进行了思考：为什么有人会对SPC存在着误解和质疑呢？
事实上人们在学习和使用SPC时存在着大量的误区，尤其是关于SPC的理论基础、准备工作、使用前提、使用前对所控制的过程的初始研究等，这些方面在讲解和学习时被忽视了，只注重了步骤，尤其是把AIAG发布的《SPC参考手册》当作了一种标准条款来解读和使用，这就很难使SPC得到正确的理解和应用，带来的效果就可想而知了，这就会让人误认为SPC是一种没有实用价值的、过时的理论了！
我最近更新了我的SPC课程，着重强调和强化了这些容易被忽视的方面，在本文中限于篇幅，我只是列举其中的一部分控制图中的常见问题。下列方面比较普遍：
第一，缺乏必要的数理统计知识
SPC是基于数理统计理论建立起来的，这就对数理统计基础比较欠缺的人来说，想在有限的时间里理解它的基本原理确实是一个比较严峻的挑战。这些相关的理论至少包括：随机变量、分布、正态、中心极限定理、抽样分布、甚至假设检验等理论讲清楚！只有理解了这些数理统计概念，才能掌握SPC的底层逻辑，才能应对变化万千的制造过程和工作场景，否则，只学习基本的步骤和生硬的规定，接下来所学的SPC就会百无一用了！所以，在讲解和学习SPC的基本知识时，这一块是决不能回避的。
上图中的注释不是具体的失控判断准则，后面还有对每条准则的详细讲解。
第二，SPC的准备工作不充分
1、资源是制约SPC推广应用的重要原因。当前随着制造业自动化、智能化的日益普及，已经越来越多地实现了在线100%或连续检测，一天可能会产生海量的数据，如果还是采用那种几十年前的那种原始的方式，由人工进行数据的采集、上传、分析和报警，效率是很低的，也是不够精确的，好马应当配以好鞍，需要借助于自动SPC系统，必要时与企业的ERP系统相融合，这样才能做到自动、实时、快速地对失控做出反应，减少报警停线带来的损失。
2、与海量数据的情形相反，还有另一种极端的情形，就是感觉没有适合于SPC管控的特性，特别是在一些组装生产线上，或者在一些破坏性测量的工位上。这就需要用一些“前端工序的特性”、“过程特性”使用控制图，或者测量成本较低且与之相关的特性来替代。
3、工作流程上的保障。请问SPC只是质量工程师们的事吗？我们需要一个工作流程上的保证，这样才能够保障SPC能够持续地进行下去。SPC是跨部门的工作，尤其是生产、设备、工艺部门、质量部门共同的职责，需要基于工厂的实际，进行合理的分工与协作。
4、有的人不知道应当在什么时候导入SPC，或者生产过程中尚有一堆问题等待解决时就导入SPC，结果是不能建立起控制限，因为总是存在失控！因此，当过程中还有显而易见的问题未得到解决，还在产生着大量的不合格时，使用控制图是没有任何意义的！
5、我们经常得到下面这样的图形：
很显然，这是测量系统的分辨率不够的缘故，这要结合制造过程本身的变差，如果变差足够小，这就要求测量系统的分辨率更小，至少要做到1/10的过程变差：1/10×6σ。下图是使用不同分辨率的量具测量同一组样件的结果对比：
因此，做好控制图，如果过程是高精度自动化的，测量系统/量具本身就是一个挑战。
第三，缺乏对所控过程的了解
1、不了解数据的分布状态。对于常规控制图来说，在建立控制限时（控制图的分析阶段）是有着一定的前提的（随机、独立、正态），其中要保证图上的点所对应的数据呈现正态分布或者近似正态分布，否则，所建立起来的控制限就会产生假报警或漏报警，就是我们常讲的第一类和第二类错误！
那么这个“近似正态”到底是可以近似到什么程度呢？这是一个容易令人困惑的问题。
有人或有的SPC书籍中认为，先把控制图做出来，如果真的数据不正态，就会通过失控来表现出来（报警），到时候你不就知道了吗？这种说法在正式的在线控制时是正确的，毕竟SPC实质上就是一个大号的假设检验嘛，但是，在建立控制限的分析阶段，是存在着一定的“灰色地带”的，会存在一种“既不是正态，同时又不失控报警”，只是“潜伏”的情形！或者在建立控制限时出现了失控的点，于是去寻找过程中的问题，如果找不到，那么到底是专业知识不够呢，还是本来过程就没问题而是因数据不完全满足正态的条件所生产的假报警呢？难以分辨吧！所以在这样的条件下建立起来的控制限是不够严谨的，仅仅说“近似正态”其实是没有实操价值的！在控制图的分析阶段，我们需要确定的是一个准确的基准-控制限。
因此，我们至少要确保样本的均值之间要呈现正态分布，这就是所说的“原始数据可以近似的程度”衡量依据！
要确保样本均值之间为正态分布，就应当使用正确的样本量，所谓的“小样本、短周期”的抽样方式，只是在原始数据正态的前提下是合理的，如果原始数据不正态，我们应当在确认制造过程当中没有特殊原因的前提下，适当加大样本量，以使得均值之间为正态分布（依据中心极限定理），或者通过其他的手段，如非正态向正态的转化、寻求个体分布的参数、非参数等，而不是生搬硬套、千篇一律地使用同一种控制图（如均值-极差图）。看来这也是SPC“曲高和寡”的原因之一吧，因为它确实需要使用者具有较高的数理统计功底的。
2、不了解所控制过程的特定失控模式。我经常听到过这样的反馈：导入SPC后失控报警了总是找不到原因，太影响生产了，后来我们就干脆又把SPC撤掉了。这是多么遗憾的一件事啊！
这是什么原因呢？其中的原因有：建立控制限时所用样本不能代表和包含实际过程的变差，使均值图的控制限过窄，盲目使用那常用的8个判异准则、缺乏事前对过程失效模式的分析（与PFMEA的对接）等。对于一个特定的加工过程，我们用控制图来控制的特性应当会从PFMEA中找到相应的失效模式及失效起因，即使没有做PFMEA，我们也应当事先来分析和识别出一些发生频度较高的失效起因，评估这些起因如果存在，会在控制图上引起哪种类型的失控模式，从而确定我们要采用哪几个判异准则（超控制限这个是必须使用的）。这样把工作做到前头，一旦将来出现失控报警，就会沿寻着事先的分析路径，快速把失控搞定，使过程恢复受控状态。
例如，气动夹紧工装，可能会出现气体管路漏气或螺丝松动的问题，如果使用控制图对夹紧力进行监控，那么可能会出现下列失控模式：
因为一旦气体发生泄漏或螺丝产生松动，其程度就会快速地恶化，反应在夹紧力上就是逐渐下降的趋势。在对夹紧力使用控制图控制之前，就应当先将这些可能的因素和由此引起的失控模式识别出来和确定下来。
再如，当加工的基准面的定位不正确时，就会出现下面这样的失控模式：
那么你的过程存在基准面变动的因素吗？
3、对抽样的时机制定太死板。对于一个过程，人员/班次、原材批次的更迭，还有设备的重启、重设等都是产生显著变差（特殊原因）的机会，如果只是机械地等时间间隔来抽样，就会错过这些变差机会，所以还需要基于所控过程的要素(4M1E)水平更的迭来有针对性地抽样，以便及时捕捉变差和可能的特殊原因。
第四、出现失控后不明确如何反应
大家都在注重如何制作控制图，如何判断失控，却没有一个明确的规则来说明出现失控后如何反应。在AIAG的SPC参考手册中也没有明确的规定。
对于不同的失控模式，我们需要做出不同的反应，这包括下列选项：分析原因、停止生产、隔离产品。在我的课程中进行了讲述。例如，对于下列失控模式，我们应当停止生产、隔离产品：
再就是，产品被隔离后再怎么做呢？在上述情况中，应当是进行PPK（注意这时不应当是CPK了）的研究，看是否已经低于了PPK目标值了，如果是，就应当按照与客户的约定进行处置（发货前全检或者追加抽检等）。
而对于下列情况，只需要分析原因：
还有一个需要澄清的问题，就是“失控ARL”（平均运行长度）。当均值图上有点发生失控后，在所发生的点上看不到这个失控，直到再抽若干次样后才在图上表现出来，这样的平均抽样次数为失控ARL。在AIAG的SPC参考手册中，只是提到了“受控ARL”，即两次假失控报警之间的平均运行长度（抽样次数）。
在控制图的实际运用过程中，失控ARL是相当重要的，如果没有这个概念，当失控时，就不能隔离出所有的可能受到影响的产品。
第五、控制图长期不更新
虽然在分析阶段建立的控制限是在线使用阶段的控制基准，一般不能进行更改，但是在下列情况下，应当适时更新：
过程进行持续改善后，或者增加了过程的防错后，应当重新计算控制限，否则就会失去应有的灵敏度。在所控特性的目标值发生变更时，也应当重新设置控制限，因为目标值变了，相应的加工基准也要做出改变，过程的均值也会发生改变，若还是保持现有的控制限，就会出出均值偏移的“失控”。
限于篇幅，就写到这里吧，其实我的更新版的SPC课程中还有更多的与众不同的亮点的。
收起阅读 »
实验设计中如何判因子之间的断嵌套与交叉问题
是交叉还是嵌套 （引用百度文库资料整理）
例子一：考虑车工车间在生产标准螺钉时的直径波动过大问题。
随机选取3 名工人，各自分别加工出4 颗螺钉，然后在每颗螺钉的根部随机选取两个相互垂直的方向，分别测量其直径，共得到24 颗数据。将"工人"这个因子记为因子A ，将 "螺钉" 这个因子记为因子 B ，那么， A 与 B 两个因子间是什么样的关系呢?
由于每个工人生产的4 颗螺钉，是分别附属于相应的工人的。 即使我们将这些螺钉都编号为 1 ， 2 ， 3 ， 4 ，但是很明显，工人A 和工人B 之下的编号皆为1 的两颗螺钉并不是同一件东西。这时，称因子B "螺钉"是被因子A"工人"所嵌套着的 (Factor B is nested with factor A) 。很明显，此种情况下的两个因子所处的地位是不能被颠倒过来的。
然而，在实际情况中，两个因子间还可能存在另一种关系。例如，3 名工人轮流使用共同的4 台编了号的车床，每个工人都使用了车床 1， 2 ， 3 ， 4 ，这时，工人A 和工人B 之下的编号都为 1 的两台车床是同一件东西。 而且可以反过来说，每台车床都被3 名工人使用过。这时，称因子B "车床"是与因子A "工人"相交叉 (Factor B is crossed with factor A) 。很明显，如果这时 候说因子A"工人"与因子B "车床"相交叉也是同样的，它们的位置是可以颠倒过来的。这里要注意，单从树状图上是不能区分两个因子的关系是交叉还是嵌套的，只能从实际意义判断之。
例子二：选取3 名工人，让他们使用编好号的 4 台车床，按随机顺序各自分别加工出 3 根立轴。
若将与因子A (工人) 及搭配的因子B ( 车床) 的每台车床编好号，则可以发现，因子A (工人)与因子B (车床) 间的关系是交叉关系。 注意，它们两因子间可以颠倒顺序，即可以反过来说，因子B (车床) 的每个值也都与因 子A (工人) 的每个值搭配过。
如果车床不是固定的编号的车床，而是每个工人各自有自己固有的4 台车床，这时因子A (工人)与因子 B(车床) 间的关系就不再是交叉关系，而是嵌套关系了。
例子三： 现在讨论三因子问题。由于不能将立轴（半成品尺寸/材质等等）之间的变异看成随机误差，因而要求将立轴之间的变异也看成因子，即形成三因子问题。这里3 名工人 (因子A) ，分别使用己选好并编了号的4 台车床(因子B)，各自分别加工出3 根立轴 (因子C)，然后对每根" 立轴测两次直径(误差)。由于因子B 的4 台车床是固定的，所以工人(因子A) 与车床 (因子B) 之间是交叉关系，而立轴 (因子C) 则是被A 与B 所嵌套的，即三因子是先交叉后嵌套的关系。
如果，将例子10-3 的安排稍加调整： 3 名工人 (因子A) ，分别使用自己固定的4 台车床(因子B)，各自分别加工出3 根立轴 (因子C)。，这时因子间的关系就会发生变化。这时B被A 所嵌套， C 被A，B 所嵌套，这种关系也被称为全嵌套关系 (fully nested) 。
实际问题中可能有多种结构，但仔细分析它们的数据就可以发现，因子间的关系无非 是嵌套或交叉这两种基本类型。有时在实际问题中可能遇到的是因子个数较多，关系较复杂，这时需要仔细分析处理。
收起阅读 »
例子一：考虑车工车间在生产标准螺钉时的直径波动过大问题。
随机选取3 名工人，各自分别加工出4 颗螺钉，然后在每颗螺钉的根部随机选取两个相互垂直的方向，分别测量其直径，共得到24 颗数据。将"工人"这个因子记为因子A ，将 "螺钉" 这个因子记为因子 B ，那么， A 与 B 两个因子间是什么样的关系呢?
由于每个工人生产的4 颗螺钉，是分别附属于相应的工人的。 即使我们将这些螺钉都编号为 1 ， 2 ， 3 ， 4 ，但是很明显，工人A 和工人B 之下的编号皆为1 的两颗螺钉并不是同一件东西。这时，称因子B "螺钉"是被因子A"工人"所嵌套着的 (Factor B is nested with factor A) 。很明显，此种情况下的两个因子所处的地位是不能被颠倒过来的。
然而，在实际情况中，两个因子间还可能存在另一种关系。例如，3 名工人轮流使用共同的4 台编了号的车床，每个工人都使用了车床 1， 2 ， 3 ， 4 ，这时，工人A 和工人B 之下的编号都为 1 的两台车床是同一件东西。 而且可以反过来说，每台车床都被3 名工人使用过。这时，称因子B "车床"是与因子A "工人"相交叉 (Factor B is crossed with factor A) 。很明显，如果这时 候说因子A"工人"与因子B "车床"相交叉也是同样的，它们的位置是可以颠倒过来的。这里要注意，单从树状图上是不能区分两个因子的关系是交叉还是嵌套的，只能从实际意义判断之。
例子二：选取3 名工人，让他们使用编好号的 4 台车床，按随机顺序各自分别加工出 3 根立轴。
若将与因子A (工人) 及搭配的因子B ( 车床) 的每台车床编好号，则可以发现，因子A (工人)与因子B (车床) 间的关系是交叉关系。 注意，它们两因子间可以颠倒顺序，即可以反过来说，因子B (车床) 的每个值也都与因 子A (工人) 的每个值搭配过。
如果车床不是固定的编号的车床，而是每个工人各自有自己固有的4 台车床，这时因子A (工人)与因子 B(车床) 间的关系就不再是交叉关系，而是嵌套关系了。
例子三： 现在讨论三因子问题。由于不能将立轴（半成品尺寸/材质等等）之间的变异看成随机误差，因而要求将立轴之间的变异也看成因子，即形成三因子问题。这里3 名工人 (因子A) ，分别使用己选好并编了号的4 台车床(因子B)，各自分别加工出3 根立轴 (因子C)，然后对每根" 立轴测两次直径(误差)。由于因子B 的4 台车床是固定的，所以工人(因子A) 与车床 (因子B) 之间是交叉关系，而立轴 (因子C) 则是被A 与B 所嵌套的，即三因子是先交叉后嵌套的关系。
如果，将例子10-3 的安排稍加调整： 3 名工人 (因子A) ，分别使用自己固定的4 台车床(因子B)，各自分别加工出3 根立轴 (因子C)。，这时因子间的关系就会发生变化。这时B被A 所嵌套， C 被A，B 所嵌套，这种关系也被称为全嵌套关系 (fully nested) 。
实际问题中可能有多种结构，但仔细分析它们的数据就可以发现，因子间的关系无非 是嵌套或交叉这两种基本类型。有时在实际问题中可能遇到的是因子个数较多，关系较复杂，这时需要仔细分析处理。
收起阅读 »
聊聊新版FMEA手册中的MSR
今天和大家聊聊新版FMEA手册中的MSR，不是MSA.
第五版FMEA手册AP评价表公式分享
质量工具的 FMEA 在2019年进行更新，取消了S*O*D=RPN的RPN值，改用组合方式的AP值，改用AP后FMEA表再使用的Excel完成时因为是组合方式（如下图），常规公式不易计算（我能想到的就是借助辅助表，把SOD文本先结合起来然后使用查找函数查找字符串的方式进行计算）
我的方法是使用一个自定义公式的进行计算AP值，使用的时候直接使用=AP（S，O，D）（SOD为这个自定义函数的三个参数）的方式获得对应的AP值，使用的效果如下图，代码分享如下，对代码进行了稍微的注释，方便不熟悉的朋友们理解
（结尾有这个自定义函数的添加过程，只分享该方法，模板源文件抱歉无法上传，请朋友们谅解）搞质量又没学习过VBA的朋友应该用得上，但是这个方法有缺点因为要使用VBA，所以模板表需要保存为带宏的.xlsm 文件，做为使用人员如果不清楚把它保存为普通文件，公式会被丢失掉导致错误；
VBA大神来看的话是很简单的，欢迎各大神分享其它更方便的解决方案
’-----------------------------------------------------------------------------------
Function AP(S, O, D) As String
’声明一个自定义函数，函数的参数为S、O、D 三个参数，输出结果为文本型
S = Application.WorksheetFunction.Substitute(S, " ", "")
O = Application.WorksheetFunction.Substitute(O, " ", "")
D = Application.WorksheetFunction.Substitute(D, " ", "")
S = Application.WorksheetFunction.Substitute(S, Chr(10), "")
O = Application.WorksheetFunction.Substitute(O, Chr(10), "")
D = Application.WorksheetFunction.Substitute(D, Chr(10), "") ' 注释：将S O D的空格和换行符两个常见非法字符删除，避免出错
If Not S Like "[1-9]" And S <> 10 Then
AP = "S值错误"
ElseIf Not O Like "[1-9]" And O <> 10 Then
AP = "O值错误"
ElseIf Not D Like "[1-9]" And D <> 10 Then
AP = "D值错误" ' 注释：判断S O D是否为数字1-10，如果不是函数输出为值错误
Else
S = S * 1
O = O * 1
D = D * 1 ' 注释：S O D 转化为数值处理，防止文本型数据导致出错
Select Case S
Case Is >= 9
Select Case O
Case Is >= 6: AP = "H"
Case Is >= 4
Select Case D
Case Is >= 2: AP = "H"
Case Is = 1: AP = "M"
End Select
Case Is >= 2
Select Case D
Case Is >= 7: AP = "H"
Case Is >= 5: AP = "M"
Case Is <= 4: AP = "L"
End Select
Case Is = 1: AP = "L"
End Select
Case Is >= 7
Select Case O
Case Is >= 8: AP = "H"
Case Is >= 6
Select Case D
Case Is >= 2: AP = "H"
Case Is = 1: AP = "M"
End Select
Case Is >= 4
Select Case D
Case Is >= 7: AP = "H"
Case Is <= 6: AP = "M"
End Select
Case Is >= 2
Select Case D
Case Is >= 5: AP = "M"
Case Is <= 4: AP = "L"
End Select
Case Is = 1: AP = "L"
End Select
Case Is >= 4
Select Case O
Case Is >= 8
Select Case D
Case Is >= 5: AP = "H"
Case Is <= 4: AP = "M"
End Select
Case Is >= 6
Select Case D
Case Is >= 2: AP = "M"
Case Is = 1: AP = "L"
End Select
Case Is >= 4
Select Case D
Case Is >= 7: AP = "M"
Case Is <= 6: AP = "L"
End Select
Case Is >= 2: AP = "L"
Case Is = 1: AP = "L"
End Select
Case Is >= 2
Select Case O
Case Is >= 8
Select Case D
Case Is >= 5: AP = "M"
Case Is <= 4: AP = "L"
End Select
Case Is <= 7: AP = "L"
End Select
Case Is = 1: AP = "L"
End Select
' 注释：按第五版标准 AP 表对SOD进行对照得到AP值，输出为函数结果
End If
End Function
‘-----------------------------------------------------------------------------------
以上是代码，添加操作过程如图示（简单图示，方法有很多），完成后就可以正常使用=AP（S,O,D）的自定义函数了
注意最后EXCEL文件请保存为.xlsm格式或.xls格式，普通的xlsx文件不能被存放代码；
如还有写入代码不了的朋友可联系15059730902微信 收起阅读 »
我的方法是使用一个自定义公式的进行计算AP值，使用的时候直接使用=AP（S，O，D）（SOD为这个自定义函数的三个参数）的方式获得对应的AP值，使用的效果如下图，代码分享如下，对代码进行了稍微的注释，方便不熟悉的朋友们理解
（结尾有这个自定义函数的添加过程，只分享该方法，模板源文件抱歉无法上传，请朋友们谅解）搞质量又没学习过VBA的朋友应该用得上，但是这个方法有缺点因为要使用VBA，所以模板表需要保存为带宏的.xlsm 文件，做为使用人员如果不清楚把它保存为普通文件，公式会被丢失掉导致错误；
VBA大神来看的话是很简单的，欢迎各大神分享其它更方便的解决方案
’-----------------------------------------------------------------------------------
Function AP(S, O, D) As String
’声明一个自定义函数，函数的参数为S、O、D 三个参数，输出结果为文本型
S = Application.WorksheetFunction.Substitute(S, " ", "")
O = Application.WorksheetFunction.Substitute(O, " ", "")
D = Application.WorksheetFunction.Substitute(D, " ", "")
S = Application.WorksheetFunction.Substitute(S, Chr(10), "")
O = Application.WorksheetFunction.Substitute(O, Chr(10), "")
D = Application.WorksheetFunction.Substitute(D, Chr(10), "") ' 注释：将S O D的空格和换行符两个常见非法字符删除，避免出错
If Not S Like "[1-9]" And S <> 10 Then
AP = "S值错误"
ElseIf Not O Like "[1-9]" And O <> 10 Then
AP = "O值错误"
ElseIf Not D Like "[1-9]" And D <> 10 Then
AP = "D值错误" ' 注释：判断S O D是否为数字1-10，如果不是函数输出为值错误
Else
S = S * 1
O = O * 1
D = D * 1 ' 注释：S O D 转化为数值处理，防止文本型数据导致出错
Select Case S
Case Is >= 9
Select Case O
Case Is >= 6: AP = "H"
Case Is >= 4
Select Case D
Case Is >= 2: AP = "H"
Case Is = 1: AP = "M"
End Select
Case Is >= 2
Select Case D
Case Is >= 7: AP = "H"
Case Is >= 5: AP = "M"
Case Is <= 4: AP = "L"
End Select
Case Is = 1: AP = "L"
End Select
Case Is >= 7
Select Case O
Case Is >= 8: AP = "H"
Case Is >= 6
Select Case D
Case Is >= 2: AP = "H"
Case Is = 1: AP = "M"
End Select
Case Is >= 4
Select Case D
Case Is >= 7: AP = "H"
Case Is <= 6: AP = "M"
End Select
Case Is >= 2
Select Case D
Case Is >= 5: AP = "M"
Case Is <= 4: AP = "L"
End Select
Case Is = 1: AP = "L"
End Select
Case Is >= 4
Select Case O
Case Is >= 8
Select Case D
Case Is >= 5: AP = "H"
Case Is <= 4: AP = "M"
End Select
Case Is >= 6
Select Case D
Case Is >= 2: AP = "M"
Case Is = 1: AP = "L"
End Select
Case Is >= 4
Select Case D
Case Is >= 7: AP = "M"
Case Is <= 6: AP = "L"
End Select
Case Is >= 2: AP = "L"
Case Is = 1: AP = "L"
End Select
Case Is >= 2
Select Case O
Case Is >= 8
Select Case D
Case Is >= 5: AP = "M"
Case Is <= 4: AP = "L"
End Select
Case Is <= 7: AP = "L"
End Select
Case Is = 1: AP = "L"
End Select
' 注释：按第五版标准 AP 表对SOD进行对照得到AP值，输出为函数结果
End If
End Function
‘-----------------------------------------------------------------------------------
以上是代码，添加操作过程如图示（简单图示，方法有很多），完成后就可以正常使用=AP（S,O,D）的自定义函数了
注意最后EXCEL文件请保存为.xlsm格式或.xls格式，普通的xlsx文件不能被存放代码；
如还有写入代码不了的朋友可联系15059730902微信 收起阅读 »
谈谈测量系统分析的另一种方法VDA5
你知道吗，测量系统分析方法其实不仅仅只是我们常见的AIAG的《MSA 参考手册》中的那些方法，还有VDA 5。
我们都知道，在I区，坏零件永远判为坏零件，在III区，好零件永远判为好零件。当测量值落在规格限附近时，即II区时候，可能对零件做出错误的决策，如合格的判为不合格，不合格的判为合格。
MSA给了一个概念性的方向：改进生产过程来减少过程变差，尽量不要让零件落在区域II，或者改进测量系统，以减少II区的面积，来减少做出错误决策的风险。如何决定II区，MSA手册并没有给出明确的指导。
但在VDA5中，给出了科学的方法。如果供应商的测量值在规范内，而你的测量值在规范外，是判定合格还是不合格呢。和MSA手册里类似，落在区域3，证明合格，落在区域4，证明不合格，落在区域5，属于不确定区，无法判断合格还是不合格。关键的是，VDA5中给出了方法来确定不确定区-参照ISO14253-1来做确定不确定区域（即5区）。
VDA5符合国际标准GUM和VIM的要求，术语和定义与国际标准保持一致。VDA5评估不确定度的方法分为A类不确定度和B类不确定度，结合现有在企业运用的MSA分析中的方法一，方法二或方法三的结果，将量具的分辨率，偏倚，测量标准件的重复性，测量工件的重复性，操作者间的再现性，均转化为不确定度的分量。
提出了处理线性，温度，被测件本身的不均一导致的不确定度
对于测量系统的验收，测量过程能力的证明，将测量结果应用于于产品符合性判断中，VDA5提出了非常有益的应用上的指导。
VDA5是一种简化的GUM的方法，将MSA的结果和GUM结合起来，程序简单，便于实践。它的一般程序如下图:
见附件 收起阅读 »
我们都知道，在I区，坏零件永远判为坏零件，在III区，好零件永远判为好零件。当测量值落在规格限附近时，即II区时候，可能对零件做出错误的决策，如合格的判为不合格，不合格的判为合格。
MSA给了一个概念性的方向：改进生产过程来减少过程变差，尽量不要让零件落在区域II，或者改进测量系统，以减少II区的面积，来减少做出错误决策的风险。如何决定II区，MSA手册并没有给出明确的指导。
但在VDA5中，给出了科学的方法。如果供应商的测量值在规范内，而你的测量值在规范外，是判定合格还是不合格呢。和MSA手册里类似，落在区域3，证明合格，落在区域4，证明不合格，落在区域5，属于不确定区，无法判断合格还是不合格。关键的是，VDA5中给出了方法来确定不确定区-参照ISO14253-1来做确定不确定区域（即5区）。
VDA5符合国际标准GUM和VIM的要求，术语和定义与国际标准保持一致。VDA5评估不确定度的方法分为A类不确定度和B类不确定度，结合现有在企业运用的MSA分析中的方法一，方法二或方法三的结果，将量具的分辨率，偏倚，测量标准件的重复性，测量工件的重复性，操作者间的再现性，均转化为不确定度的分量。
提出了处理线性，温度，被测件本身的不均一导致的不确定度
对于测量系统的验收，测量过程能力的证明，将测量结果应用于于产品符合性判断中，VDA5提出了非常有益的应用上的指导。
VDA5是一种简化的GUM的方法，将MSA的结果和GUM结合起来，程序简单，便于实践。它的一般程序如下图:
见附件 收起阅读 »
Excel VBA完成的SPC函数 直方图 控制图等工具免费送给同行
两年前花了大精力VBA编写的QC人员使有的工具，原有偿注册，现在免费赠送注册码，别问我为什么，只想与您相互学习！
SPC一键做图：直方图、控制图、柏拉图等
QC工具：根据上下限和目标CPK创建正态随机数据（造假数据责任自负）、解除工作表密码保护、清除所有公式、清除超链接等
内置函数：CPK、PPK、PP、FP、PPU、PPL、CPU、CPL、CP、k、RANDS（正态随机函数）等
如何使用教程：
链接：haokan.baidu.com/v?vid=4517317753939674902&pd=pcshare
自己增加https://
收起阅读 »
SPC一键做图：直方图、控制图、柏拉图等
QC工具：根据上下限和目标CPK创建正态随机数据（造假数据责任自负）、解除工作表密码保护、清除所有公式、清除超链接等
内置函数：CPK、PPK、PP、FP、PPU、PPL、CPU、CPL、CP、k、RANDS（正态随机函数）等
如何使用教程：
链接：haokan.baidu.com/v?vid=4517317753939674902&pd=pcshare
自己增加https://
收起阅读 »
质量管理软件(工具)中，SPC真的有用吗
1 前言
SPC（Statistical Process Control）控制图自从休哈特1924年发明以来，在以汽车行业为代表的制造业中被广泛用来监控和改进生产过程，试图通过产品质量特性变化趋势来进行质量预防，改变旧有的事后质量检验的方式，来降低质量成本，并被列入汽车行业质量管理五大工具之一。
我们的疑问是：
1. SPC理论自身有缺陷吗？
2. SPC应用的实际效果如何？
3. SPC适用于所用的行业和企业吗？
其实，在以制造业强国美国为代表的国家中，不论是统计专家还是质量专家，针对SPC的实用性以及有效性的思考和质疑之声，从来就没停止过。日本更是以实际效用为准绳，而不是在实际推广中原封不动地照搬照抄SPC。
对于SPC的质疑与争论，一方面是因为观点不同，但更重要的还是希望企业能够结合自身实际有效选择最优性价比的质量工具，去掉浮华，让企业的质量管理落到实处。
2 SPC的由来
SPC控制图，又叫休哈特图。
上个世纪20年代，贝尔实验室被电话传输系统的稳定性所困扰。因为放大器等设备需要被埋入地下，贝尔实验室有非常强烈降低不良率以及维修率的业务需求。到1920年的时候，贝尔的工程师们已经意识到降低制造过程中变异的重要性。同时，贝尔的工程师们也意识到针对不合格进行的持续的过程调整，实际上增加了制造过程的变异并降低了品质。
休哈特将问题归结于变异中的普通原因和特殊原因。1924年5月16日这一天，休哈特把大家都熟悉的正态分布图旋转了90度，并以μ±3σ作为控制限，这就是控制图的原型。休哈特将这不到一页纸的内容交给了时任老板George Edwards，最初的判异准则也只有一条，就是看数据是否超出μ±3σ控制限。
根据判异准则，判断制造过程是否有影响产品某一质量特性的特殊原因出现。一旦出现，就需要查出异因进行整改。如果一个产品有多个质量特性需要监控，那么就需要分别做控制图。
自控制图出现以后，变异分为普通原因和特殊原因，这个人为的划分被一直沿用至今，判异准则越来越多，各种控制图也不断涌现，成为一个庞大的家族。其中，以均值极差控制图（Xbar-R）最常用，本文如无特指，所说控制图就是指均值极差控制图。
3 国际权威人士对SPC的质疑之声
1981年 田口玄一（Genichi Taguchi）
--来自日本，享誉全球的质量大师，创造了田口方法，品质工程的奠基者。
他曾说过“改进要有经济合理性，不能没完没了”。
“Taguchi (1981, p. 14) advocated reduction of variability until it becomes economically disadvantageous to reduce it further. “
摘自《On-Line Quality Control During Production》
1991年 Keki R. Bhote
--哈佛大学博士，摩托罗拉质量和保证部总监。
美国ASQ（休哈特是该组织创始成员之一） 的CQE考试将他其中一本书列为统计原理及应用部分8本参考书之一。
但Keki R Rhote依然直言不讳的说，控制图“纯属浪费时间”。
“ASQ lists Bhote (1991) as one of eight books suggested in the reference materials for the statistical principles and applications portion of the CQE exam. This is very odd, to say the least, since Bhote (1991) refers to control charting as “a total waste of time”.”
摘自《World Class Quality: Using Design of Experiments to Make It Happen》
1993年 Banks David
--美国统计局首席统计师，美国统计协会董事会成员，曾获得ASA创始人奖，美国统计协会的最高奖项。
Bank, Hoyer, Ellis和其它人都曾严厉地批评对SPC开展的研究工作，Banks说，“SPC大约是旧时代大学研究人员通过普通人难以理解晦涩公式来赢得名声的无用工具。”
“Banks (1993) and Hoyer and Ellis (1996 a–c), among others, have been very critical of research on SPC. Banks writes, for example, “ It is probably past time for university researchers to drop stale pseudo-applied activities (such as control charts and oddly balanced designs) that only win us a reputation for the recondite.”“
摘自《Is Industrial Statistics Out of Control?》
1997年 质量大师朱兰（Joseph Juran）
朱兰说：“发明出控制图原型的休哈特根本不懂工厂运营，完全没办法和操作工及管理人员进行有效的沟通”。
“It is often argued that Shewhart charts with 3- sigma limits should be used because experience shows this to be the most effective scheme and because Shewhart (1931, p. 277) stated that this multiple of sigma “seems to be an acceptable economic value.” Given this reliance on Shewhart’s opinion, however, it is somewhat disconcerting to read Juran’s (1997) surprising account that “Shewhart has little understanding of factory operations” and could not communicate effectively with operators and managers.”
摘自《Early SQC: A Historical Supplement》
1998年 Bert Gunter
--来自美国的著名统计顾问，《Statistics Corner》专栏作者。
也曾说，“使用SPC的制造环境在快速变化，生产时间变得更短，数据产生的更多，质量要求更高和对计算能力要求更强大，控制图这个古老的工具已经很难适应现代的生产和服务的需求。”
“The manufacturing environment in which SPC is used is changing rapidly. There are, for example, trends toward shorter production runs, much more data, higher quality requirements and greater computing capability. Gunter (1998) argues that control charts have lost their relevance in this environment, stating the reality of modern production and service processes has simply transcended the relevance and utility of this honored but ancient tool.”
摘自《Farewell Fusillade: An Unvarnished Opinion on the State of the Quality Profession》
2011年 Michel Baudin
--40年实战经验的生产顾问。
“SPC是昨天的统计技术，用来解决昨天制造业的问题。它没有能力解决今天的高科技问题，在成熟的行业它也变得完全没有必要。它还没有完全消亡的原因是，它已经进入了客户强加给供应商的标准之中，虽然这些客户自己根本就不使用SPC。这就是为什么你仍然可以看到有如此多的工厂走廊墙上贴着控制图。“
“In a nutshell, SPC is yesterday’s statistical technology to solve the problems of yesterday’s manufacturing. It doesn’t have the power to address the problems of today’s high technology, and it is unnecessary in mature industries. The reason it is not completely dead is that it has found its way into standards that customers impose on their suppliers, even when they don’t comply themselves. This is why you still see Control Charts posted on hallway walls in so many plants.”
摘自《Is SPC Obsolete?》
以上这些是从1981年到2011年连续30年中，针对SPC公开发表不同声音的代表者。在国内，私下的抱怨很多，私下的质疑之声也不少，但目前为止还没有发现个人或团队对SPC提出公开质疑。
SPC拥趸者通常说：
你觉得SPC没用，是因为你没有真正理解SPC，或者你不会使用。
• 那么，上面列出的这些质量和统计界的大师都发出质疑之声，难道他们也没有能力正确理解或者不知道如何正确使用SPC？
• 如果他们都不能理解，那我们还能指望谁能够正确理解和使用SPC？
• 如果真的是如此难于理解，那我们还能指望生产一线员工正确理解和使用SPC吗？
4 日本SPC实际应用情况
也许很多人会说，战后的日本工业界在上世纪50年代至80年代期间广泛推广和应用SPC，使日本的产品质量一举超越美国并处于世界领先地位，似乎日本在质量上的成功就是应用了SPC。
事实果真如此吗？
以下摘自《Joseph M. Juran: Critical Evaluations in Business and Management》
大意是：
1. 在日本PCB行业，使用控制图并不普遍。更常用的方法是用单值描点图，并与公差限进行对比。
2. 日本公司普遍用长期记录不合格品的比例的方式，与P控制图相比，它没有设定控制限。
3. 在PCB行业，认为带公差限的单值描点图具有价值，因为这个方式可以帮助我们决定应该优先去解决哪个问题。
4. 如果数据在公差内表现的不错，就不会追求SPC没完没了的改进。
日本通常更是以效用为准绳，在实际生产中更普遍使用的是一些相对简单易用的工具，如柏拉图，直方图，饼图，散点图等，而不是依赖于SPC。
对于质量的追求也是在经济合理这个前提下，而不是无条件实施不能带来经济收益的无谓改善。
5 SPC自身有哪些缺陷？
5.1 自相矛盾的逻辑
为了简化论述，我们以最初休哈特制定的判异准则，是否超出3σ控制限这一个准则展开讨论，暂不考虑其它准则。应用SPC时，如果数据处于3σ控制限以内，通常认为过程变化通常只是普通原因引起的，没有特殊原因出现，无需改善；如果数据落在3σ控制限以外，则表明过程中有可能了出现影响产品质量特性的特殊原因，需要确认是否出现特殊原因，如果有则要采取措施进行改善。
• 因为按照休哈特理论，落在3σ以外的是小概率事件，要进行调查。同样按照分布概率，落在3σ以外也可能是正常的分布。
• 设备是多种多样的，有的设备稳定性足够高，就像戴明的漏斗实验一样，不改变漏斗高度，小球落点的离散程度不会改变，小球出现在4σ（或者5 σ）内也可能是普通原因。
• 但现在大多数的控制限是设置为3 σ。
对于稳定性很好的设备，如果数据超过3σ控制限就报警，那么工厂花费了大量时间和资源记录跟踪数据，得到的却是大量的假报警，工程师为此要疲于奔命，说是误入歧途都不为过，谈何帮助工厂改善质量？每天都在玩狼来的游戏？
根据下图，如果设备或制造系统稳定性很好，在4σ范围内都是普通原因，这时3σ为控制限，那么误报警率将高达（0.27-0.0063）/0.27=97.7%。
（当然，也可以把控制限设置到4σ范围以减少报警，问题是即使你掌握这个知识，但你的客户可能不同意你的要求，你购买的软件也可能没法设置，因为不是所有的SPC软件都有这个功能。同样，如果把控制限扩大，按照SPC理论，也会有增加漏报的风险。）
真正让生产员工迷惑的地方是，按照休哈特的理论，超出控制限有可能是普通原因也可能是特殊原因，让生产员工去调查，找到了就说是特殊原因，找不到，难道就是普通原因？
5.2 普通原因与特殊原因的划分
SPC的目的是通过控制图来探测制造过程是否出现了特殊原因，如果出现，那么先要加以分析，根据分析结果再决定是否进行预防和改善。
一般认为，特殊原因对过程影响较大或者特殊原因整改成本相对较低，但这都不是绝对的。目前也没有任何客观的真实数据来证实这一点，实际上只是人为地把分析找到的原因归到特殊原因而已。
假设我们还是按照普通原因和特殊原因来划分，在实际生产中，要获得更高的经济合理性，不一定是通过改进或消除特殊原因，更可以改进普通原因。比如说，企业在考虑成本的前提下，同时确保设备具有更小的波动性（普通原因），找提供设备的供应商来升级改造设备，因设备供应商比客户使用设备的人员更知道如何来提高设备的性能，这才是符合亚当斯密的劳动分工理论，专业分工，专业的人做专业的事。
从休哈特发明控制图100年来，社会化大生产已经发生了翻天覆地的变化，一台普通的设备通常是很多专业企业合作共同完成的，供应链不仅横向很广，纵向也很深，设备的精度和稳定程度在大踏步前进，留给客户操作人员改进的机会越来越少。通常而言，与其自己改进设备提高过程稳定性，不如找供应商直接升级设备或直接购买高性能设备更具有经济合理性。
当今时代企业的质量管理水平和产品的质量控制水平，也同样比100年前相比有了质的飞跃，主要的贡献来自于设备、工艺和配方等方面的进步，还有自动化监测手段的提升，而这些进步和提升大部分来自于普通原因，而不是依靠SPC不断探测特殊原因并改善取得的，这一点是毋庸置疑的。
我们几乎看遍能用谷歌搜索到的所有SPC视频课程，大部分讲师在介绍用SPC查找特殊原因时，给出的例子大都是换操作员工了，换原材料了，机器润滑不好了，螺丝松了，设备磨损了等等，这些的确会导致一些质量问题，也不是不重要，问题是企业有比SPC更加前置和高效的方法来预防这些问题，如，合格供应商名录，设备点检、维护和保养，员工上岗培训，分层审核，防呆等等。
实际生产过程中普通原因和特殊原因是会相互转换，不是一成不变的，这也是业界的普遍认知。
另外，普通原因和特殊原因，本就没有天然的界限。人为分为两种原因，把简单的问题复杂化了，然后再按照所谓的分类去解决所谓的特殊原因，这是从推广SPC的角度看问题，而不是从解决问题的角度看问题？
5.3 戴明和AIAG制定的判异规则会增加误报率
在控制图中，如果7点（注：也有是6点之说）或更多的点连续上升或下降，人工判断或SPC软件将发出警报。现在已有多人（Davis, Woodall, Walker, Philpot, Clement, etc. ）要求取消戴明和AIAG制定的这个规则，因为这个规则在有些有意为之的过程里是无效的，虽然直觉上觉得合理，但结果只会大幅增加误报率。
内容来源《False Signal Rates for the Shewhart Control Chart with Supplementary Runs Tests》&《Performance of the Control Chart Trend Rule Under Linear Shift》
5.4 ASQ推荐的SPC判断规则也有无效的
ASQ推荐的用移动极差图来探测变异性中的变化这一标准做法也被证明是无效的。遗憾的是，该规则还是CQE考试的内容之一。
内容来源《Design Strategies for Individuals and Moving Range Control Charts》&《A Control
Chart for the Preliminary Analysis of Individual Observations》
6 实际应用中SPC有哪些硬伤？
除了上面说的自身缺陷之外，SPC在实际应用中也有一些硬伤。
我们首先以公差限范围和控制限范围的三种位置关系来分别讨论：
公差限范围远大于控制限范围：
随着当代生产设备、检测设备以及工艺水平等方面的不断进步，制造型企业对产品质量特性的控制能力已经远远超出100年前的水平。客户要求供应商的过程能力CPK在1.67以上，甚至2已非罕见，那么就意味着质量水平相当于5σ-6σ。
人工判断或SPC软件报警，但产品是合格的，质量人员如果这时花费精力去研究这个报警，让产品在合格的基础之上好上加好不是不可以，前提是没有其它质量不合格的事情发生，但在日常生产中比这严重和重要的事多得多，这么做从问题解决角度完全与二八定律不符。
这时控制图不仅没有好处，还帮倒忙，对于一个有着大量质量控制点的企业，质量人员还得费劲劳神不让这些不重要的事情干扰自己，还得从大量的报警中找出哪个是真正超过公差限的产品而不是单单超出控制限的产品。
世界著名500强公司施耐德，顶级电工企业，在华工厂应用控制图监控生产过程中的若干关键质量特性，但该控制图中只有公差限，没有控制限。因为如果设置了控制限，那么系统会经常报警，使本就繁忙的工程师们疲于奔命。他们也知道，因为是Xbar值，不是单点值，即使Xbar值在控制限内，产品也有不合格的风险。但是不取消这个报警，每天就不用做其它事情了，因为公差限远大于控制限，风险程度不高，就索性取消控制限。
请问，这些控制图在企业实际应用中到底起了什么作用？毫不夸张地说，它的消极作用之一就是浪费了资源。
公差限范围小于控制限范围：
通常理想状态，使用SPC时，要求过程稳定且CPK大于1。
项目在量产前策划阶段，对于具体的质量特性，企业工程技术人员通常预先评估采用哪种探测手段，并在过程开发时最终落实。比如可以用GO/NO GO检具100%检验或设计防错装置识别等，当然也可以使用控制图。
还有人会说，如果过程能力不足或者过程不稳定，通过控制图报警，这不是很好的机会改进产品质量吗？
未必，举个例子，公司在项目策划时选择设备有两个方案。500万的注塑机可以完全保证产品质量，50万的注塑机则需要加人工100%对质量特性进行检验，公司根据客户的采购量，通过成本评估确认50万注塑机+人工100%检验这个选项在利润角度更合理。
当今是专业化大分工时代，几个质量人员+设备工程师+一线操作工仅依靠一个SPC工具就可以把50万元的注塑机改进达到500万元注塑机的水平可能性很小。那些专业生产注塑机的企业可能都做不到的事，非专业人员就更实现不了；即使企业内部通过改进能够实现，成本上的花费很可能是不合理的。
这里不是反对持续改进，持续改进是一个企业永恒的主题，但我们反对的是一谈到质量控制，言必称SPC。
公差限范围略大于控制限范围：
这时的CPK大于1，可能有人会说，这种情况下SPC控制图最有用，但其实给一线操作员工和质量人员带来的困扰同样也不少，为什么？
如果控制图报警，一线操作员工也不知道产品是否合格，有时还要在控制图的边上再做一个单值描点图（日本一些企业的作法）。
有些控制图上加上了公差限，的确是有所改善，但还是有问题，因为在控制图上显示的是X的平均值，当X平均值在公差限以内时，产品还是有可能不合格的。（当然，这时R图往往会报警，但操作员工还得另行计算一下，确认产品是否超差，因为控制限报警和产品不合格是两个严重度不一样的事情，对于一线工人来说，首要任务是产品合格然后才是持续改进。）
其它因素还有：
无法满足现代企业的激烈竞争
现在的企业面临着越来越激烈的竞争。成本控制决定着企业的利润以及生存空间。
控制图需要持续不断地记录数据。一个控制图（均值极差控制图）只能监控一个质量特性，随着产品复杂度的增加以及供需链的不断变化，一个产品上会有多个关键质量特性，一个工厂有上万个料号是非常普遍的现象，那么可以想象，使用控制图对这些产品的大量质量特性进行监控，需要记录的数据以及需要付出的努力远远超出了企业所能承受的能力。
笔者曾经工作过的一家公司，每年都会进行供应商的整合（最近10年以来已经是普遍的现象），其中一个很典型的中小规模供应商，单单给笔者公司提供的常用活跃料号就有5000多个，其中一半以上是由数量不等的子零件组成的组装件（一个组件包含的子部件从10个到100个不等）。有外观，性能，关键尺寸等多个关键质量特性需要控制。如果使用控制图进行监控，那么需要做的控制图要多达几万个，效果如何不说，单是工作量已经将企业压垮。
更甚者，有些使用模具生产的产品，为了提高效率与降低成本，会以多模多穴的方式进行生产。如某公司一塑料产品有4个关键尺寸，该产品一共有2个模具，每个模具64穴，这些关键尺寸关系到客户产品的密封性能，塑料产品本身价值不高，但是一旦质量不合格，客户的损失将是非常巨大的。如果要取得客户订单，客户一定要求供应商签署质量连带责任协议。
如果使用控制图，每一次都要等到注塑机生产5个产品以后才能检验关键尺寸并记录，如果现场是纸质的控制图，操作工人还得计算这五个产品平均值和极差值，一个注塑工位就有4X64=258张控制图。两个模具，那么意味着要做2X4X64=512个控制图。如果这个公司有100个类似产品，那么意味着要有5万个控制图在生产现场。
每次注塑的时间间隔才几分钟，有时间记录吗？
用SPC软件能解决这些问题吗？
对于注塑产品，不仅要确保首件合格和末件合格，还要确保如何及时发现产品尺寸的变化，以便能及时清理冷却管路和维修模具，这对企业是一个极大的挑战。
如果您是这家企业的质量负责人，你会采用控制图来监控关键尺寸吗？您觉得控制图管的住质量吗？
对于芯片行业也类似，这个行业的数据量更大，SPC每天可能会发出非常多的报警，导致质量人员根本没有时间开展调查研究，很多质量人员的直接做法就是关闭这些报警邮件。不要指责这些员工，当你每天收到50份 SPC报警时，你会怎么做？
繁杂的系统，普通企业难于掌握
• 计算过程能力时，所采集质量特性的检测数据如果不是正态分布，需要做变换。
• 不同的过程，需要不同的SPC工具。
• 单一质量特性的数据是否独立，也会影响到使用效果，化工行业这个问题会比较突出，还要学会如何判断数据是否独立。
有办法解决这些问题吗？有。
这些问题难吗？看对谁而言。
问题的关键是，所有的企业都投入这么多的资源去研究这些，投入产出比对每个企业都合适吗？中国的中小企业有那么多资源投入去推广和研究吗？
再完美的设想，如果不能够满足实际生产现场的需求，那么也只能放在实验室里观赏。不能够为实际生产服务，那么也就失去了它的价值。
7 那么，到底谁在推行SPC?
客户要求
由于SPC是汽车行业五大手册之一，虽然只是参考，但是很多汽车行业的客户和其它行业的部分客户在对其供应商实施质量评审和项目开发过程中，会把SPC作为一个条目来考核供应商。为了提高通过第二方审核和第三方审核的概率，汽车行业供应商不得不在企业内推广SPC。
如客户对SPC有要求，评审时，评审员很正常地会问供应商被抽样到的产品有没有质量特性，供应商提供质量特性清单后，评审员很可能随意挑出一个或几个质量特性，看一看检测数据以及监控的效果，如果这时供应商能够展示出控制图，并且大部分数据是在可控制状态，有报警的地方，也有相关的分析和整改，在这样的情况下，很多评审员会认为这个评审条目合格，大概率不会一直查下去，直到发现问题。
我们回放一下真实的质量评审场景：
供应商老老实实把所有的质量特性都列出来了，如果质量特性很多，除非供应商有大量的专业质量人员，否则不大可能都做到监控，即使有SPC软件系统也不可能（因为设置监控要花费大量的人力和时间，这个成本是很高的，不是每一个厂家都能负担得起的。）
如果评审员发现有的质量特性没有被监控，很可能给一个一般或严重不合格项。
即使质量特性都被监控了，评审员在现场评审时，如果发现了控制图报警，但是供应商没有及时给出分析和整改措施，这就要看评审员心情了，至少给一个观察项，给一个不合格项也很合理。
如果你是供应商负责质量评审的，你会怎么做？
肯定会事先就准备好一套美化过的SPC数据，等待评审员的到来，这样才能很有把握地保证质量评审顺利通过，企业不会因为质量评审出现问题而拿不到客户订单，导致管理层对质量部门不满意。
我们先不要站在道德的制高点上批评供应商的质量负责人，想一想，供应商质量负责人这么做是否也是一种无奈？
德国大陆是一家非常知名的全球汽车零部件企业，其在华的一家工厂也遇到了SPC带来的烦恼。这家工厂每年要接待大量的客户二方年度审核、新项目审核和客户SQE定期检查及飞行检查，他们产品种类多，需要控制的质量特性也很多。
时不时，客户的质量人员就可能要求检查一下他们的产品控制图的填写情况，如果有异常报警，客户通常是一句话：你们要调查一下，写个整改报告。但供应商即使是编一个报告也要挺长时间，每天这么多的报警，如何应对？
编写假报告也要耗费大量的人力资源，不要忘记这一点。
后来这家工厂实在没办法，干脆招聘一个SPC数据“美化”技术员，每天专职美化数据，但数据也不是可以随随便便可以美化出来的，该工厂还用Excel编写个小程序，保证数据分布也是正态的，还能满足CPK的要求，极大提高了造假数据的效率，客户也很难再挑出毛病。这是笑话吗？但是质量人员根本乐不出来，他们有很大的挫败感，因为每天不得不做这些无聊没有意义的事情。
其实，这家大陆在华的工厂根本就没有用SPC来管控质量，但还不得不假装用SPC控制质量，并对客户宣称取得了很好的效果。
相对来说，国际大企业在理解SPC方面还是比一般企业要好，但他们为什么还要造假数据呢？
我本不想列出施耐德和大陆的名称，但我是想告诉大家，世界顶级的工业巨头尚且如此，您的企业实情如何？尽管有许许多多的企业都在使用SPC，但情况不容乐观，理想很丰满，现实却如此骨感。
培训/咨询机构以及SPC工具厂商
首先，我们不否定有优秀的培训和咨询老师，不仅有专业水平，也从企业的实际角度看问题。
但是，也有一些例外：
有些是自己本身都没有理解和掌握SPC的原理，完全的照本宣科，自己都不知道自己说的是什么。
有些是书本主义，没有考虑到实际应用环境。
有些是揣着明白，装着糊涂。赚的盆满钵满与自砸饭碗之间，选择的是前者。不想说皇帝的新衣不好看，反正有人肯花钱，不拿白不拿。
更有甚者，牵强附会的应用。Q-DAS，为了增强SPC适用范围，把简单的事情搞得很复杂。刀具的寿命对某些企业是一个比较关键的数据，比如用刀具的磨损程度来预计刀具的寿命，按照刀具的磨损程度绘制出一个带有倾角上下控制限，通过与刀具报废线的交叉点来估算刀具寿命。这个方法可以实现预测刀具寿命，但就是对工人理解上不友好，把简单的事情搞复杂了，用一个简单的描点图就可以实现的功能非得用繁琐的步骤实现。
这是郑人买履的平方。
质量管控的需求
自然还是有希望管理好企业的质量人在推广，希望能够帮助企业改善质量，这一点是不可否认的。
绝大部分管理措施出发点都是好的，但结果好不好就不一定了。
相比于其它质量工具，SPC耗费资源很多但产出却不高。就像用长矛来捕鱼，的确能捕到鱼，观赏性非常好，可以用来炫耀手艺，但不完全适合当今的社会。
比如说，DOE和MSA，对一个项目而言，不需要天天做实验收集数据。
但是SPC一旦开启，就要针对每一个料号的每一个需要监控的质量特性持续不断收集数据，如果有电脑系统还好，没有电脑系统，还得用纸和Excel统计。
在企业竞争如此激烈的今天，还要让一线操作工人花费大量的时间记录这些SPC数据，当然企业还要投入培训SPC费用等，但这些费用仅仅是SPC相关费用的冰山一角。
很多人忽视的是质量工程师所耗费的心血和时间。
一个企业如果质量特性少还好，如果质量特性很多，新项目也很多，质量工程师会花费大量的时间设置控制图和对报警的控制图进行处理。质量工程师不得不花费大量的时间处理这些不确定的报警，这意味着很多其它事情被耽搁了。
8 SPC不好用，企业怎么办？
现在有些人或企业认为质量管理就是SPC，甚至有些MES系统开发商，直接把SPC当作质量管理模块卖给用户，不知道是自己不懂，还是有意为之，实在是误人子弟。用户也应该理性地去分辨，不应该被神话了的SPC所误导。工具应该为目的服务。工厂需要的是一种符合自己生产过程的有效质量管控工具。质量管理也要考虑场合、对象和性价比。
在此我们从两个方面给一些建议：
从质量管控工具有效性层面：
日本企业为了弥补SPC的不足而同时使用单点图，当然还有其它工具，比如合格率、ppm、缺陷统计等。配合柏拉图的使用，可以帮助企业快速锁定影响产品质量问题的“重要的少数”，起到事半功倍的效果，以及根据记录的数据进行相关性回归分析，帮助企业快速找到影响质量特性的因素，从而进行相关改进，进行质量预防，改善产品质量。以相对较小的精力，解决严重和普遍的问题，这比较适合绝大多数企业的现状。SPC那种大水漫灌，换来的是虚虚实实的报警，烽火戏诸侯，浪费的不仅仅是大量的宝贵资源，更会错失很多问题改善的机会。
企业选择什么样的质量工具要根据自身的情况而定，不管黑猫白猫，抓住耗子的就是好猫。
客户和工厂需要的是合格的产品，SPC只是工具/手段，切莫将手段当目的。
从公司整体质量管理层面：
例子1，如果是一家生产纸箱，印刷品等技术含量不高的小企业，按照ISO9000的要求来做，就可能把企业管理的很不错。
例子2，如果一家电机厂有50条不同年代的产线，有2万种不同的物料，员工人数达到2000。企业发展到这个规模，可能以下问题是质量管理中的痛点：
• 什么原材料容易造成停工待料，都是什么问题？
• 那种类型电机合格率最低，都是什么问题？
• 给客户报价时，在那条产线生产，既能保证产品合格率又能保证成本可接受？
• 新产品开发时，类似的老产品都出现过什么问题？
这个规模的企业，质量体系早已经建立，质量特性数据也有一些，但是这些数据不是在纸质文档上就是在Excel中和其它系统中。这时企业可能需要一个能对多种物料，多条产线，多道工序，多个班组进行深度关联分析的系统以解决上述问题。
例子3，高压容器，安全设备等特种企业。
对产品安全性和合规性要求比较高。企业交货时，提供完备的检验资料也是一个很重要的工作，通常需要花费很大的人力和时间来处理。对于这样的企业，保证每一步都合规且文件齐全的管理系统很重要。
例子4，对于跨国采购公司和design house，有几十家甚至几百家供应商是很普遍的事，质量人员如何管理好供应商准时生产出合格产品很关键，否则就可能造成全球客户缺货或工厂停产。对供应商是否有能力生产出特定需求的产品要有把控能力，而不仅仅是根据质量评审的分数；开发新项目时对过往的历史数据和客户投诉了如指掌，并通过历史数据（包括客户投诉）有能力发现潜在的质量风险并在新项目开发时采取措施，；对出货检验要有大局观，既不能无原则放货，又不能把小问题无限放大不放货。如果该企业的产品种类高达上千种，供应商又分布在全国各地，但SQE人数却很少，这时的质量管理策略怎样制定才合理？
例子5，对于医药行业，一定要符合法律法规的要求，每一步都要确保正确和准确，文件资料不能出问题，人员要有资质才能上岗，变更管理比普通企业更严格，计量器具也不能忽视，很多记录都要留档等等，这是医药行业的特点。
例子6，对于化工和钢铁行业。如果质量管理软件或其他软件系统能自动推送出对产品改进有帮助的建议，企业或许对这个功能感兴趣，以代替用人工进行的繁琐计算，如回归分析、多元回归分析和DOE等，这样会极大提高日常生产数据的利用，从而不断优化生产工艺参数，改善质量和/或降低成本。
针对不同的公司规模、人员素质、不同的产品以及过程特性等，可以采用不同的质量管理工具进行管理。合适的就是最好的，既要防患于未然又要因地制宜，不能是用工具找问题，而是应当根据问题找合适的工具。
9 如何应对客户的要求？
前文做了很多论述，企业应该有自主权限根据实际情况来选择合适的质量工具。
但是对于SPC却很特殊，因为客户要求，还不得不使用SPC。
这的确是一个难题，笔者在此也很难提供一个药到病除的解决方案。
供应商不可能冒着丢失订单的风险而违反客户的要求。针对五大手册中的SPC，是三大汽车主机厂（通用，福特，克莱斯勒）基于当初的现状，为了在汽车供应链中推动持续改进，以客户为关注焦点，不断提高客户的满意度，那么就需要不断地去寻求一种更高效率的方式来提供产品和服务。秉着这一宗旨，主机厂提出了组织的每一个成员都要投身于不断尝试更高效的方法进行持续改善，可以采用不同的统计工具达到这一效果，如柏拉图、因果图等基本工具，以及高阶的DOE、QFD等。并编制了五大工具之一的SPC手册。SPC控制图作为一种基本工具在SPC手册中做了详细的介绍。避免了当初无统一标准，各家各户要求各异，简化与减少了差异性。但该手册也明确说明这是针对SPC的一个介绍。企业根据客户要求的质量活动或者特性与客户沟通，可采用更有效的或者替代的方式。
解铃还须系铃人。
在此我们也呼吁一下以汽车供应链为主的质量行业人士，特别是主机厂的质量人，主机厂和供应商要求的是合格产品和有效的管控方式，对于具体使用何种方式来管理质量，希望主机厂在制定规则时，能够与供应商进行密切沟通，只要供应商能够证明有合适的工具进行管控，有稳定的提供合格产品并进行持续改善的能力，不要非得加上SPC这一条，少些形式主义，回归到事情的本质。
10 编后语
在查阅资料的过程中，我们发现国外有非常多从不同的角度针对SPC是否有用进行讨论与质疑，从控制图诞生之日起到现在就没有停止过，而且还有继续下去的趋势。有争论比没有争论要好，理越辩越明。
有质疑和争论，受益的不仅仅是质量人士，更大的受益者是众多的企业和企业管理者。通过质疑和争论，企业高层将能会以更高效的方式来管控质量及管理企业，使企业运营效率提高，保持竞争优势，基业长青，对整个社会的整体运行效率也大有裨益。
在此，我们欢迎感兴趣的朋友和我们交流，不论是持相同的观点还是不同的观点。也非常欢迎亲自负责过或者使用过SPC并取得效果的朋友和我们联系，我们正在积极寻找这样的企业。
最后，感谢徐廷伟先生、王洪石先生、沈凯利先生、朱小泱先生提供宝贵的素材和意见。
云质信息科技有限公司-使质量管理变的简单和高效
提供质量管理软件开发，实施，咨询与培训服务一站式解决方案
收起阅读 »
正交设计的交互效应：新的思维方法
由于传统DOE和田口方法都有软件可轻松使用，初学者还要理解其内在的深刻思想。
有学者认为正交试验是一种认知和思维方法，其中最重要显示了复杂隐藏的交互效应。
传统的线性思维方法：
把整体作用看作是其部分作用之和，但是交互效应是一加一不等于二！
数学家尽可能把非线性问题转换成线性，是为了计算方便，数学模型变简洁。而人对复杂的客观世界用僵化线性思维方式，就会有片面性，甚至歪曲事物真实面貌。
笔者看到多元交互作用概念已经用于社会科学的文献，从宏观角度分析，在社会科学上应用比工程上应用更有深刻意义。
正如马克思所言：
任何一门科学只有充分利用了数学时，才能真正达到完善地步。
马克思写过微积分方面的论文，所以他所指的数学不会是算术水平。
但目前在社会科学中用百分比、平均数等算术概念太多。比如在定性分析时常会用非黑即白绝对性思维方法，而不是用模糊数学隶属度来度量。对未发生的决策常用肯定性的判定，而不是把思维因子处于0和1之间的概率思维方法。传统思维在博弈中认为只有非赢即输的结果，实际双方理智决策可双赢。
用交互效应概念可对某些社会问题有新的认识。
B0X戏称公鸡和母鸡关在一个笼子生出的小鸡就是交互效应。如公鸡母鸡关在独立的笼子里就生不出小鸡。
使人联想到贬义的剩余价值问题。
如雇主比作公鸡（或母鸡）、雇员比作母鸡（或公鸡），协作后产生的增值剩余价值比作小鸡。
传统说法雇主获得剩余价值就是剥削，社会主义市场经济现已淡化了，但未正名。因为非囯有经济对就业、产出、出口贡献远大于国有经济。
无论是雇主或雇员，如两者独立或缺一，就不会产生剩余价值。如两者对抗，产生负面交互效应，雇主破产、雇员下岗。
有的文献对交互效应的相关变量还分割为关键自变量和调节变量，如用条件效应解释交互效应，这二者可互换的。比如决定青铜强度的关键是铜和锡的比例问题，不必纠结銅贡献大还是锡贡献大。
正交试验中交互效应概念，不仅是统计学的概念，而且是认识客观世界多因子之间复杂纠葛的新概念。
收起阅读 »
直积法和一表法本质差异
田口方法噪声因子定义是不可控的，但为了检验可控因子组合的抗噪性，人为设定上下限水平。
比如上限“十”，实际是有一定波动幅度的，即是随机变量。所以内表每一个组合至少和上限试验2次，而且不能同期试验，次序随机化。
而一表法减少了次数，但把噪声因子水平常数化，对噪声干扰能力的估计会不足，稳健性设计的可信度降低了。 收起阅读 »
比如上限“十”，实际是有一定波动幅度的，即是随机变量。所以内表每一个组合至少和上限试验2次，而且不能同期试验，次序随机化。
而一表法减少了次数，但把噪声因子水平常数化，对噪声干扰能力的估计会不足，稳健性设计的可信度降低了。 收起阅读 »
新版DFMEA的边界图应用交流
FMEA第四版及之前版本，几乎没有涉及边界图的应用和分析。新版FMEA里面把边界图作为结构分析的一个重要组成部分，只有有效开展了边界图分析，才能更好的将设计识别并分解为系统、子系统、组件和零件。大家有边界图应用经验的，请分享一下或一起交流一下，谢谢！
收起阅读 »
收起阅读 »
RSS Feed