稳健性设计是正交设计之后的里程碑式的创新，但不能等同于田口方法。
上世纪初农业已有稳健性设计的实践，希望大麦新品种在肥力不同的土地、气候条件不同的地区，仍能有稳产的稳健性。
中国和欧美学者对稳健性设计逻辑的理解与田口方法对稳健性设计逻辑的理解，有共识也有分歧。
国内典型的文献是《正交法与应用数学》（作者张里千），美方文献《试验设计与分布及参数优化》（作者吴建福）。田口方法典型文献是《稳健参数设计》（作者韩之俊）
过去，当产品质量可靠性、稳定性差时，设计产品的工程师认为产品经实验室检验没问题，所以会归罪于批量生产线的质控不严和用户使用不当。
比如在批量生产时，成品各零部件质量特性的变异（噪声）必然使批量成品质量波动变大，
如用公差小的零部件成本高，性价比差。
而零部件组合产生的负面交互效应（噪声），如不做正交试验，可能不知道这种负面交互作用的存在，也不知道正面交互作用的增益。
农村电压忽高忽低的波动（外噪声）会降低电器功能，这种噪声用户无法控制。
而田口先生发现，如在试验中加入模拟噪声的因子，可利用质量特性与参数组合之间的非线性效应，能降低内部干扰因子的影响，利用可控因子抑制噪声因子的交互作用，能减少噪声因子对响应的干扰。只需调整水平组合（即参数设计），基本不增加费用，就能抑制内外噪声对响应的干扰。或者说，对噪声不敏感。而且能确定最合理的公差范围（容差设计，也可理解为价值工程），即是稳健性设计。
田口方法的试验设计和其它DOE方法不同，甚至于相悖。
传统实验室试验时需要排除噪声干扰。而稳健性设计相反，试验时加入模拟干扰响应的内外噪声因子，达到实验室设计的产品质量特性值和受内外噪声干扰下实际使用环境有一致性。
       田口方法正交设计用分内表和外表的直积表，把可控因子正交表称内表，噪声因子正交表称外表。
要求可控因子内表的每一个组合，都要和噪声因子外表的每一个组合一起进行试验。用信噪比度量稳健性，评估出均值趋近目标值，方差又小的最佳的组合。
有学者认为直积表本质是“裂区法”或“分割试验法”，但稳健性设计的内在逻辑，常被误解。
部分析因设计的问题。
多因子案例用部分析因设计是经济的方法。
谢宁方法否定部分析因设计，只认可全因子析因设计。但在可控因子远多于4因子案例时，仅挑选出少量显著性因子组成的全因子析因设计可能遗漏掉不少有价值的信息。比如某案例“A和B都是不显著性因子，但AxB交互作用是显著性因子。”（韩文p55）
谢宁方法忽略了不显著性因子潜在的正面效应，而且统计意义上不显著不等于实际意义上无用。
传统DOE常用二分之一或四分之一的全因子析因设计，然后对活跃因子补充试验，凑成活跃因子群的全因子析因设计数据集合。全因子析因设计对建数模是必需的，其缺点是假设最优水平组合在上述活跃因子群框架内。建立的数模是精简的，但试验水平范围不足够，样本量太小，其数模可能仅仅拟合样本，并非反映总体全貌。
田口方法内表常用部分析因设计，但静态稳健性设计以寻找最优水平组合为目的，所以交互作用混淆不是大问题，其软肋是常用L18大正交表为内表的直积法功效低，内表用部分析因设计会漏掉更优可控因子组合。
      怎样解决部分析因设计信息不完备弱点呢？国内学者建议尽可能用小正交表和饱和正交表。首次试验后，在好的水平基础上再調整出新的水平，进入下一轮新的水平组合试验。
如同“盲人爬山”，探一步，爬一步，经多轮正交试验，但仍能在混杂的信息中找到最优组合的方向。这是“笨”办公，但新的水平组合，会带来新的信息，能逐步逼近最优水平组合。
新的试验水平框架可能带来质变：当水平变动后，可能原不活跃因子和不显著性交互作用会“变性”。
（三）方差分析工具。
传统正交试验，为了筛去不显著性因子，在部分析因设计前提下用方差分析工具。
张里千认为：“部分实施会造成混杂，不足以施行方差分析。”（张文p19）
BOX认为“很多电脑程序都利用方差分析表来分析2k设计和它的部分设计，但是分析这种特殊的设计时，使用ANOVA会非常令人费解，并且没有什么意义。”（《试验应用统计》p115）
而且理论上实施方差分析，残差需以下假设为前提：正态分布、均值为零、数据相互独立、方差相等。（韩文p23）而在实际应用时，很少会验证上述假设。
在实际案例中“噪声分布并不一定要服从正态分布”、“相同的变异性假设在稳健参数设计中不存在。”（韩文p4）
国内的实践证明：“经过逐批少数正交试验便能绕过处理试验误差的统计方法过程，进入到良好的位级组合区域。”（张文p4）
简言之：既然部分析因设计无法精确量化主效应和交互效应，不用方差分析等精确工具，而用极差法、因子趋势图等近似工具分析，用多轮正交试验逐步找到最佳水平组合。
（四）对直积表的争议。
      田口方法的直积表被批判试验次数多，以及内表常用部分析因设计和非正规正交表，造成交互效应混杂被诟病。
直积表的复杂目的是，用试验寻找随机变量噪声因子集合对响应的干扰最小的可控因子组合。这是稳健性设计的核心精髓，可是很少人能理解其科学意义。
     实际上在多因子案例，传统方法有的还用6次重复试验，总次数也不少。
对直积表试验次数太多的缺点，有学者提出用一个“复合噪声因子”取代多噪声外表（韩文p72），这样经济上合算，实际不合理。
“如果研究人员知道噪声因子和控制因子是怎样联合地影响变差的，就没必要实施参数设计试验。”（吴文p410）
又有学者提出用“组合表”替代直积表，即噪声因子和可控因子同在一个全因子析因设计的正交表内。
这“近似”符合直积表，说近似符合，这方法把噪声因子视为常量，而实际是随机变量。多噪声外表常用全因子析因设计，为了能显示“噪声X噪声”交互作用，多噪声之间交互作用比单噪声因子对响应的影响更复杂。而“组合表”只能显示单噪声因子和可控因子之间交互作用。
比如电压和频率波动的噪声因子交互作用比单电压波动对电器功能干扰更大，尤其噪声X噪声对响应的干扰，往往只能在试验中显示。
如多因子多噪声因子案例，因子总数过大，“组合表”只能用部分析因设计时，无法得到全因子析因设计的全面数据，这也是直积法内表常用部分析因设计的缺陷之一。
所以直积法能最精确显示噪声因子群对响应的影响，但有可简化和完善的余地。
如可计算案例，直积法的复杂不成问题。
比如电工类有公式，可用计算方法替代试验。多水平、多因子案例，如用全因子析因设计的直积表，因子和水平数再多也不成问题。
国内学者用对参数约束性计算，又能大大减少计算量，有的案例，一轮约束性试验达到三轮非约束性试验的效果。最后用重复试验验证。
（五）对关注点差异。
      传统DOE目的是回归建模，在实验设计时尽可能分清因子主效应和交互效应，减少混杂。
   而田口方法用逆传统设计：
“任一个含Q（噪声因子）的二因子交互作用是强纯净的”（吴文p132），
传统正交试验， “通常优先考虑的是主效应的估计，而不是两因子交互效应。”（吴文p238）
“将分辨度以及最小低阶混杂准则，应用于参数设计试验是不合适的。”（吴文p407）
 吴建福对稳健性设计逻辑的理解：
稳健性设计认为能抑制噪声的“可控X噪声”的交互效应，和主效应同等重要，而且比“可控X可控”交互效应更重要。
          能抑制噪声的“可控X可控X噪声 ”的高阶交互效应和“可控X可控”交互效                 应同等重要，这颠覆了高阶交互效应可忽略的惯例。（吴文有实例p407）
      （六）可控因子之间交互作用定性问题。
传统DOE认为田口方法最大问题是交互作用混杂，其实最大理论问题是对可控因子之间交互作用的解释。
正交设计解决了显示交互作用问题，想不到田口方法认为可控因子之间的交互作用对稳健性设计是“有害的”。而且又武断认为可控因子和噪声因子交互作用“有利的”。（韩文p4）
在没用稳健性设计之前可控因子和噪声因子交互作用也客观存在的，多数对响应有害的，因此才需要调节可控因子水平组合，抑制噪声因子对响应的干扰，所以不能说可控因子和噪声因子之间交互作用都是有利的。
而稳健性设计找出能抑制噪声因子的非线性响应可控因子，和找到各可控因子水平巧妙组合（其中有可控因子之间交互作用）抑制了噪声因子，这时可控因子和噪声因子交互作用才是有利的。
“A有两个水平A1、A2，当另外一个因子B处于B1水平吋，A1水平的结果和A2水平的结果相比有一个量值；当B处于B2水平时，A1水平的结果和A2水平的结果相比量值有了变化。因此，交互作用就是因子影响结果的不一致或不再现。”（韩文p3）
“交互作用会导致结论不一致或不再现，所以必须尽量避免可控因子之间的交互作用…”（韩文p9）
上述交互作用“有害的”原理实际上生产过程中对可控因子水平控制的难度问题。
对于难以控制的水平，稳健性设计可把可控因子视为噪声因子处理，比如难控制的温度问题。
众所周知，正交设计能显示正面交互作用和负面交互作用：
利用正面交互作用获得1+1大于2的额外增益，对负面交互作用，可改变设计组合减弱之。
吴文中案例，“可控X可控X噪声”交互作用，是可控因子之间交互作用起到抑制噪声作用。
         韩文p29中案例：钢硬度由时间和温度交互作用占33%，请问能消除交互作用吗？
青铜的硬度是銅和锡的交互效应占主导，怎样解释？
（七）处理交互作用混杂问题。
“交互作用是客观存在的，怎样避免或消除呢？回答是交互作用的存在取决于应用什么样的测量系统进行分析。”、“用信噪比，特别是动态特性的信噪比…”（韩文p5）
田口方法认为用特殊正交表、输出特性连续性计量、信噪比度量，“一般情况下，可控因子之间的交互作用会消除殊尽。”（韩文p17）
     “用特殊正交表L12（211）， L18（2x37）任意两列的交互作用平均分配在各个列上。”（韩文P6）
L12是飽和设计，交互作用“平均分配在各列上”的说法是自圆其说。实际上各列交互作用混杂、重叠，平均分配说法是难令人信服。
多因子案例用部分析因设计是经济的方法，虽然主效应和交互作用混杂，但其综合的效应，正面或负面效应以及高阶交互效应都反映在响应上，而且是真实数据，仅有试验误差。
          笔者猜测，田口方法对可控因子之间交互作用有害的种种解释，为了回应内表用部分析因设计造成交互作用混杂的质疑，但反而令人困惑不解。
历史上工业应用正交设计远晚于农业，由于工业参数远多于农业，用全因子析因设计经济上有困难，而田口先生勇于在工业上用部分析因设计是大功臣。
国内实践证明，如不建数模，交互效应混杂不影响用多轮正交试验逐步找到最优水平组合。
“数学要经得起思维逻辑严密性推敲或者在其他科学领域应用的有效性来检验，而统计学则更多地要得到实际的直接检验。”（《试验应用统计》译者序）
（八）试验设计方法的科学性是源头。
“分贝值表示的SN比，不仅计算方便，而且可使经对数变换的η（信噪比）更接近于正态分布…同时因素效应大多具有可加性，忽略了交互作用的影响。”（《稳健性设计》曾凤章p63）
上述文献讲清楚了田口方法认为用对数变换后的信噪比能“忽略”交互作用的原理。
实际上传统建模方法常用数据变换，把非线性性转换成简单的线性模式。
       对均值平方和方差对数转换后成线性化的信噪比，这仅是数学形式变化，客观存在   的交互作用还是存在的。如有负面交互作用，也只能調节水平组合来改善，无法用试验后的数据变换来忽略交互作用的本质。
例如学校为改变学习成绩分数至上状态，改用优、良、中、差评估，仍无法摆脱分数评价体制。
田口方法认为稳健性设计就是用信噪比的正交实验设计。对此议提出异议之前，先澄清一个大前提，噪声因子加入正交试验是稳健性设计关键性的源头，但不是信噪比的功劳。
“试验设计能够用来产生良性数据，甚至可以认为，好的试验设计对科学进步是必不可少的。然而，至今我们更多地注意着数据分析。试验设计具有第一重要性，其原因是，数据的信息内容在进行试验时才确定，任何敏感的分析都不能揭示没有体现在数据中的信息。”（《非线性回归分析及其应用》p134）
比如谢宁方法常用“逐个替换”单因子试验，很难显示交互作用。多因子同时变动的正交设计能显示交互作用。
稳健性设计核心是模拟内外噪声因子参于正交试验，以及怎样调整优化水平组合。用信噪比选优，仅属数据分析的一种方法，而且又有缺陷。
在用信噪比选优方法中，对望大、小型案例选优无难度，争议也少，难度在望目型。
田口方法推荐的2步法：先找出信噪比最大的离散因子。但信噪比大，可能均值相对于方差大，但单均值大对望目型无意义。
望目型信噪比：期望平方/方差。
比如均值（期望）平方10，方差1，但目标值是8。所以必须找到把均值趋向目标值，又不影响方差的独立的位置因子。无这位置因子配套，信噪比大无意义，即望目型信噪比缺少一个目标值参数介入。
而且2步法不是都能实现，运气好的正相关案例：调节后响应方差趋小时，均值趋向目标值。反之，有的案例无位置因子时，方差趋小时，均值远离目标值。这时需方差和“离目差”（均值与目标值差）之间的社会质量经济损失大小，找到一个平衡点，田口创立的质量经济损失公式，能解决这难题：如响应是正态分布，分布对目标值的偏差均方=响应分布方差+均值与目标值差的平方。
田口认为质量特性值偏离目标值就发生质量经济损失，以这定义创立的质量经济损失公式（偏差均方），虽不完美，但因包含响应分布的均值、方差和目标值3个参数，就是优于望目型信噪比的原因。
国内学者把田口方法内表称为选优表，方法是对望目型案例内表组合数据直接用偏差均方选优。
某文献25组试验中只有5组偏差均方靠谱，仅甪这5組和噪声组合一一试验，大大减少了试验次数。而如用田口的直积表，有20组在无噪声因子介入响应时，响应已超合格限，再介入噪声因子做试验是做无用功。
      北大学者在实践中证明：“凡偏差均方好（小）时，信噪比也必然好（大），反之不一定成立。”（《正交法和三次设计》P129）在望大望小型案例，偏差均方也适用。
国内有学者认为信噪比适用于动态稳健性设计，用β灵敏度取代均值。静态稳健性设计望目型适用偏差均方。






  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 »

【专栏简介】

我们将通过FMEA系列文章，从理论出发结合丰富案例分析，深入浅出地带大家系统的学习FMEA相关知识，掌握潜在失效分析方法并能高效落实进行风险管控和预防，解决产品设计和过程设计可能出现的问题。

 上一期《干货分享｜FMEA何时做？谁来做？》文章中，我们提到FMEA是一种预防工具，想要做好FMEA，就要建立FMEA团队。

那么当我们已经建立好团队，打算开始做FMEA的时候，应该从哪里着手呢？

根据最新的FMEA标准——AIAG & VDA FMEA手册，FMEA的实施流程共有七步。

今天我们就从第一步策划与准备开始说起。


01

5T法需做足


如果我们将FMEA分析看成一个项目，那么这个项目的时间、节点、工作范围，针对哪几个工段，或者是整条工段，都要在策划阶段确定。

而要确认这些，可以尝试使用5T法。



 

inTent目的-我们为什么要做FMEA？

当团队成员了解了FMEA的目的和意图时，他们会更好地为完成项目具体目标和总体目标作出贡献。

Time时间-什么时候完成？

我们要强调一下FMEA是一种事前行为，为了体现出它的最大价值，我们就需要尽早的，在产品或过程实施之前开展FMEA工作。因为产品或过程中存在许多潜在失效，我们需要提前分析解决，才能确保量产环节的过程稳健。

Team团队-需要哪些团队成员？

FMEA团队需要由跨职能团队成员组成，成员必须具备必要的专业知识，只有大家积极参与讨论，共同努力，才有可能做好这项工作。

Task任务-需要做哪些工作？

FMEA的工作基本上需要按照七步法的流程来，七步法提供了FMEA整体的任务框架以及交付成果。此外，FMEA可以由内审员、顾客审核员或第三方注册机构进行审核，以确保每项任务都能按照其要求完成。

Tools工具-如何进行分析？

目前市面上有许多成熟好用的FMEA软件，可以帮助我们更快更好地完成FMEA工作。还有包括基础FMEA家族FMEA的建立，企业知识库的创建等等。当然也可以通过传统方式Excel填表格的形式在做FMEA，只是考虑FMEA的有效性、效率上，并不推荐这种方式。

5T法的使用可以帮助我们更好地提前确定好FMEA这个工程的对象及要求，使我们能及时取得最佳效果、避免FMEA返工。


02

FMEA相关文件需协同


在准备阶段同时也需要搜集一些和FMEA工作相关的文件。



例如产品示意图、图纸、3D模型、技术规范、法律要求、设计FMEA、PFD过程流程图、物料清单（BOM）、类似过程的操作指导书、类似产品的过往FMEA文件等等。

这些文件可以帮助我们确定FMEA的要求，同时，由于之前做过类似产品的FMEA分析，如果涉及到相同或相似的流程，可以拿来参考或直接使用。

除此之外还有一些类似过程的绩效信息，可以帮助我们确定发生度的评价。例如首次质量（FTQ）、返工、报废、顾客投诉、8D报告、过程审核等等，以上这些都是我们的前期准备工作。

这部分关联到的文件会非常多，如果可以通过FMEA软件来进行分析，这些文件就能更好地被管理起来，并且具有更高的协同性，只要是团队成员就能在线查看，甚至在线编辑。




03

FMEA的边界需确认


最后还有一点需要注意的就是我们要确定FMEA的边界。

总的来说我们要搞清楚做FMEA的时候哪些需要做，哪些不需要做。假如是供应商提供的零部件，那这一部分的FMEA分析应该是供应商来提供，SQE应当提出相应要求。


FMEA分析的范围可以从工厂的来料验收开始，主要根据客户的要求，如果没有要求也可以不做。但是我们必须对生产过程进行分析，并且从生产过程的第一道工序就要开始。


事前做足准备，才能确保万无一失，以上就是FMEA七步法中的第一步——策划与准备。


下一期，我们将继续一起来聊一聊新版FMEA七步法中的结构分析。 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 »

1、检查表
检查表就是将需要检查的内容或项目一一列出，然后定期或不定期的逐项检查，并将问题点记录下来的方法，有时叫做查检表或点检表。例如：点检表、诊断表、工作改善检查表、满意度调查表、考核表、审核表、5S活动检查表、工程异常分析表等。

组成要素 ：
① 确定检查的项目；
② 确定检查的频度；
③ 确定检查的人员。

实施步骤 ：
① 确定检查对象；
② 制定检查表；
③ 依检查表项目进行检查并记录；
④ 对检查出的问题要求责任单位及时改善；
⑤ 检查人员在规定的时间内对改善效果进行确认；
⑥ 定期总结，持续改进。
 
2、层别法
层别法就是将大量有关某一特定主题的观点、意见或想法按组分类，将收集到的大量的数据或资料按相互关系进行分组，加以层别。层别法一般和柏拉图、直方图等其它七大手法结合使用，也可单独使用。例如：抽样统计表、不良类别统计表、排行榜等。

实施步骤：
① 确定研究的主题；
② 制作表格并收集数据；
③ 将收集的数据进行层别；
④ 比较分析，对这些数据进行分析，找出其内在的原因，确定改善项目。

3、柏拉图
柏拉图的使用要以层别法为前提，将层别法已确定的项目从大到小进行排列，再加上累积值的图形。它可以帮助我们找出关键的问题，抓住重要的少数及有用的多数，适用于记数值统计，有人称为ABC图，又因为柏拉图的排序识从大到小，故又称为排列图。

分类 ：
① 分析现象用柏拉图：与不良结果有关，用来发现主要问题。
A 品质：不合格、故障、顾客抱怨、退货、维修等；
B 成本：损失总数、费用等；
C 交货期：存货短缺、付款违约、交货期拖延等；
D 安全：发生事故、出现差错等。
② 分析原因用柏拉图：与过程因素有关，用来发现主要问题。
A 操作者：班次、组别、年龄、经验、熟练情况等；
B 机器：设备、工具、模具、仪器等；
C 原材料：制造商、工厂、批次、种类等；
D 作业方法：作业环境、工序先后、作业安排等。

柏拉图的作用:
① 降低不良的依据；
② 决定改善目标，找出问题点；
③ 可以确认改善的效果。

实施步骤:
① 收集数据，用层别法分类，计算各层别项目占整体项目的百分数；
② 把分好类的数据进行汇总，由多到少进行排列，并计算累计百分数；
③ 绘制横轴和纵轴刻度；
④ 绘制柱状图；
⑤ 绘制累积曲线；
⑥ 记录必要事项
⑦ 分析柏拉图
⑧ 要点:

A 柏拉图有两个纵坐标，左侧纵坐标一般表示数量或金额，右侧纵坐标一般表示数量或金额的累积百分数；
B 柏拉图的横坐标一般表示检查项目，按影响程度大小，从左到右依次排列；
C 绘制柏拉图时，按各项目数量或金额出现的频数，对应左侧纵坐标画出直方形，将各项目出现的累计频率，对应右侧纵坐标描出点子，并将这些点子按顺序连接成线。

应用要点及注意事项：
① 柏拉图要留存，把改善前与改善后的柏拉图排在一起，可以评估出改善效果；
② 分析柏拉图只要抓住前面的2~3项九可以了；
③ 柏拉图的分类项目不要定得太少，5~9项教合适，如果分类项目太多，超过9项，可划入其它，如果分类项目太少，少于4项，做柏拉图无实际意义；
④ 作成的柏拉图如果发现各项目分配比例差不多时，柏拉图就失去意义，与柏拉图法则不符，应从其它角度收集数据再作分析；
⑤ Y 柏拉图是管理改善的手段而非目的，如果数据项别已经清楚者，则无需浪费时间制作柏拉图；
⑥ 其它项目如果大于前面几项，则必须加以分析层别，检讨其中是否有原因；
⑦ 柏拉图分析主要目的是从获得情报显示问题重点而采取对策，但如果第一位的项目依靠现有条件很难解决时，或者即使解决但花费很大，得不偿失，那么可以避开第一位项目，而从第二位项目着手。
 
4、因果图
所谓因果图，又称特性要因图，主要用于分析品质特性与影响品质特性的可能原因之间的因果关系，通过把握现状、分析原因、寻找措施来促进问题的解决，是一种用于分析品质特性（结果）与可能影响特性的因素（原因）的一种工具。又称为鱼骨图。

分类：
① 追求原因型：在于追求问题的原因，并寻找其影响，以因果图表示结果（特性）与原因（要因）间的关系；
② 追求对策型：追求问题点如何防止、目标如何达成，并以因果图表示期望效果与对策的关系。

实施步骤：
① 成立因果图分析小组，3~6人为好，最好是各部门的代表；
② 确定问题点；
③ 画出干线主骨、中骨、小骨及确定重大原因（一般从5M1E即人Man、机Machine、料Material、法Method、测Measure、环Environment六个方面全面找出原因）；
④ 与会人员热烈讨论，依据重大原因进行分析，找到中原因或小原因，绘至因果图中；
⑤ 因果图小组要形成共识，把最可能是问题根源的项目用红笔或特殊记号标识；
⑥ 记入必要事项

应用要点及注意事项：
① 确定原因要集合全员的知识与经验，集思广益，以免疏漏；
② 原因解析愈细愈好，愈细则更能找出关键原因或解决问题的方法；
③ 有多少品质特性，就要绘制多少张因果图；
④ 如果分析出来的原因不能采取措施，说明问题还没有得到解决，要想改进有效果，原因必须要细分，直到能采取措施为止；
⑤ 在数据的基础上客观地评价每个因素的主要性；
⑥ 把重点放在解决问题上，并依5W2H的方法逐项列出，绘制因果图时，重点先放在“为什么会发生这种原因、结果”，分析后要提出对策时则放在“如何才能解决”；
Why——为何要做？（对象）
What——做什么？（目的）
Where——在哪里做？（场所）
When——什么时候做？（顺序）
Who——谁来做？（人）
How——用什么方法做？（手段）
How much——花费多少？（费用）
⑦ 因果图应以现场所发生的问题来考虑；
⑧ 因果图绘制后，要形成共识再决定要因，并用红笔或特殊记号标出；
⑨ 因果图使用时要不断加以改进。

5、散布图
将因果关系所对应变化的数据分别描绘在X-Y轴坐标系上,以掌握两个变量之间是否相关及相关的程度如何,这种图形叫做“散布图”，也称为“相关图”。

分类：
① 正相关：当变量X增大时，另一个变量Y也增大；
② 负相关：当变量X增大时，另一个变量Y却减小；
③ 不相关：变量X（或Y）变化时，另一个变量并不改变；
④ 曲线相关：变量X开始增大时，Y也随着增大，但达到某一值后，则当X值增大时，Y反而减小。

实施步骤：
① 确定要调查的两个变量，收集相关的最新数据，至少30组以上；
② 找出两个变量的最大值与最小值，将两个变量描入X轴与Y轴；
③ 将相应的两个变量，以点的形式标上坐标系；
④ 计入图名、制作者、制作时间等项目；
⑤ 判读散布图的相关性与相关程度。

应用要点及注意事项：
① 两组变量的对应数至少在30组以上，最好50组至100组，数据太少时，容易造成误判；
② 通常横坐标用来表示原因或自变量，纵坐标表示效果或因变量；
③ 由于数据的获得常常因为5M1E的变化，导致数据的相关性受到影响，在这种情况下需要对数据获得的条件进行层别，否则散布图不能真实地反映两个变量之间的关系；
④ 当有异常点出现时，应立即查找原因，而不能把异常点删除；
⑤ 当散布图的相关性与技术经验不符时，应进一步检讨是否有什么原因造成假象。

6、直方图
直方图是针对某产品或过程的特性值，利用常态分布（也叫正态分布）的原理，把50个以上的数据进行分组，并算出每组出现的次数，再用类似的直方图形描绘在横轴上。

实施步骤 ：
① 收集同一类型的数据；
② 计算极差（全距）R=Xmax-Xmin；
③ 设定组数K：K=1+3.23logN
④ 确定测量最小单位，即小数位数为n时，最小单位为10-n；
⑤ 计算组距h，组距h=极差R/组数K；
⑥ 求出各组的上、下限值
第一组下限值=X min-测量最小单位10-n/27
第二组下限值（第一组上限值）=第一组下限值+组距h；
⑦ 计算各组的中心值，组中心值=（组下限值+组上限值）/2；
⑧ 制作频数表；
⑨ 按频数表画出直方图。

直方图的常见形态与判定:
① 正常型：是正态分布，服从统计规律，过程正常；
② 缺齿型：不是正态分布，不服从统计规律；
③ 偏态型：不是正态分布，不服从统计规律；
④ 离岛型：不是正态分布，不服从统计规律；
⑤ 高原型：不是正态分布，不服从统计规律；
⑥ 双峰型：不是正态分布，不服从统计规律；
⑦ 不规则型：不是正态分布，不服从统计规律。

7、控制图
影响产品质量的因素很多，有静态因素也有动态因素，有没有一种方法能够即时监控产品的生产过程、及时发现质量隐患，以便改善生产过程，减少废品和次品的产出?

控制图法就是这样一种以预防为主的质量控制方法，它利用现场收集到的质量特征值，绘制成控制图，通过观察图形来判断产品的生产过程的质量状况。控制图可以提供很多有用的信息，是质量管理的重要方法之一。

控制图法的涵义：
控制图又叫管理图，它是一种带控制界限的质量管理图表。运用控制图的目的之一就是，通过观察控制图上产品质量特性值的分布状况，分析和判断生产过程是否发生 了异常，一旦发现异常就要及时采取必要的措施加以消除，使生产过程恢复稳定状态。也可以应用控制图来使生产过程达到统计控制的状态。产品质量特性值的分布 是一种统计分布，因此，绘制控制图需要应用概率论的相关理论和知识。

控制图是对生产过程质量的一种记录图形，图上有中心线和上下控制限，并有反映按时间顺序抽取的各样本统计量的数值点。中心线是所控制的统计量的平均值，上下控制限与中心线相距数倍标准差。多数的制造业应用三倍标准差控制限，如果有充分的证据也可以使用其它控制限。

常用的控制图有计量值和记数值两大类，它们分别适用于不同的生产过程；每类又可细分为具体的控制图，如计量值控制图可具体分为均值——极差控制图、单值一移动极差控制图等。

控制图的绘制：
① 控制图的基本式样如图所示，制作控制图一般要经过以下几个步骤：
A 按规定的抽样间隔和样本大小抽取样本；
B 测量样本的质量特性值，计算其统计量数值；
C 在控制图上描点；
D 判断生产过程是否有并行。
② 控制图为管理者提供了许多有用的生产过程信息时应注意以下几个问题：
A 根据工序的质量情况，合理地选择管理点。管理点一般是指关键部位、关健尺寸、工艺本身有特殊要求、对下工存有影响的关键点，如可以选质量不稳定、出现不良品较多的部位为管理点；
B 根据管理点上的质量问题，合理选择控制图的种类：
C 使用控制图做工序管理时，应首先确定合理的控制界限
D 控制图上的点有异常状态，应立即找出原因，采取措施后再进行生产，这是控制图发挥作用的首要前提；
E 控制线不等于公差线，公差线是用来判断产品是否合格的，而控制线是用来判断工序质量是否发生变化的；
F 控制图发生异常，要明确责任，及时解决或上报。

现场抽样法:
制作控制图时并不是每一次都计算控制限，那么最初控制线是怎样确定的呢?如果现在的生产条件和过去的差不多，可以遵循以往的经验数据，即延用以往稳定生产的控制限。下面介绍一种确定控制限的方法，即现场抽样法。

其步骤如下：
① 随机抽取样品50件以上，测出样品的数据，计算控制界限，做控制图；
② 观察控制图是否在控制状态中，即稳定情况，如果点全部在控制界限内．而且点的排列无异常，则可以转入下一步；
③ 如果有异常状态，或虽未超出控制界限，但排列有异常，则需查明导致异常的原因，并采取妥善措施使之处在控制状态，然后再重新取数据计算控制界限，转入下一步；
④ 把上述所取数据作立方图，将立方图和标准界限(公差上限和下限)相比较，看是否在理想状态和较理想状态，如果达不到要求，就必须采取措施，使平均位移动或标准偏差减少，采取措施以后再重复上述步骤重新取数据，做控制界限，直到满足标准为止。

怎样利用控制图判断异常现象：
用控制图识 别生产过程的状态，主要是根据样本数据形成的样本点位置以及变化趋势进行分析和判断。
失控状态主要表现为以下两种情况：
样本点超出控制界限
样本点在控制界限内，但排列异常。
当数据点超越管理界限时，一般认为生产过程存在异常现象，此时就应该追究原因，并采取对策。排列异常主要指出现以下几种情况：
A 连续七个以上的点全部偏离中心线上方或下方，这时应查看生产条件是否出现了变化。
B 连续三个点中的两个点进入管理界限的附近区域(指从中心线开始到管理 界限的三分之二以上的区域)，这时应注意生产的波动度是否过大。
C 点相继出现向上或向下的趋势，表明工序特性在向上或向下发生着变化。
D 点的排列状态呈周期性变化，这时可对作业时间进行层次处理，重新制作控制图，以便找出问题的原因。
控制图对异常现象的揭示能力，将根据数据分组时各组数据的多少、样本的收集方法、层别的划分不同而不同。不应仅仅满足于对一份控制图的使用，而应变换各种各样的数据收取方法和使用方法，制作出各种类型的图表，这样才能收到更好的效果。
值得注意的是：如果发现了超越管理界限的异常现象，却不去努力追究原因、采取对策，那么尽管控制图的效用很好，也只不过是空纸一张。
  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 »

 

失效模式分析FMEA是由故障模式分析（FMA）和故障影响分析（FEA）的组成，是重要的可靠性设计方法之一。FMEA是以预防为主，主要目的是查找产品/过程中潜在的失效模式，评估其后果和风险的大小，并制定相应的预防/探测措施，对产品或过程进行修改，避免或减少潜在失效模式的发生，也避免或减轻了事后修改带来的危机和成本。

失效指的是过程、产品或系统部分或全部失去了完成其功能的能力。潜在失效是有可能发生的失效。失效后果指的是失效对零件性能的影响，以及失效对顾客使用带来的影响。FMEA的类型可以分为设计FMEA、过程FMEA、设备FMEA、体系FMEA，最为常用的是设计FMEA和过程FMEA，具体不同点如下：

1、DFMEA：设计（Design）FMEA，用于产品设计中的可靠性分析，分析对象是最终的产品以及相关的零件部、子系统或系统。DFMEA一般从设计概率形成之时或之前开始介入，在产品开发各阶段中，当设计有变化或其他信息有变化时就及时更新，并在样件加工、验证成功之前结束。

2、PFMEA：过程（Process）FMEA，用于过程设计中的可靠性分析，分析对象是新的产品/过程、更改的产品/过程。一般在生产工装准备之前开始使用PFMEA，一直到产品正式投产阶段，投产后还要根据生产过程的变化不断地更新PFMEA 。

3、EFMEA：设备（Equipment）FMEA，用于设备的可靠性分析。

4、SFMEA：体系（System）FMEA，用于系统的可靠性分析。
FMEA作为一种可靠性工具，其作用是：

1、FMEA可以系统性地分析总结在产品设计或过程设计时形成文件；

2、FMEA可以降低产品失效的风险，原因是FMEA找出潜在的失效模式，从而制定了预防/探测措施，预防失效的发生；

3、FMEA的小组成员可以在早期设计过程中完成FMEA分析，提高产品设计的可靠性。小组成员包括设计工程师、质量工程师、工艺工程师等各个部门的负责人，更好地集合团队的智慧；

4、FMEA可以提前采取预防或探测措施，减少或消除设计修改或过程更改带来了更大损失；

5、FMEA是“事前的行为”，而不是“事后的行为”；在FMEA分析中，及时发现风险，可以更加容易、更低成本地对产品或过程进行整改，从而降低事后修改的危机；

6、FMEA的应用（DFMEA和PFMEA）是一个相互作用、永无止境的过程。
FMEA是一个系统的工具，其特点是：

1、一种事前行为；

2、一个循环的过程；

3、一种多方论证的产物；

4、结构化的方法；

5、定性的，评分带有主观性；

6、强调措施的跟踪；

7、降低维修费用，减少召回。

FMEA的逻辑思维是过程方法。所有的工作都是通过过程完成的，所有的过程都有输入和输出，需要开展一系列的活动并且投入相应的资源，输出是过程的结果，可能是期望的，也可能是不期望的；如FMEA的输入是产品的设计要求、技术规范和试验要求等，过程是FMEA的分析过程，输出是FMEA的分析结果。

FMEA是一个风险评估的质量工具，可以识别失效潜在后果的严重性，并为采取降低风险的措施提供了数据支持，用于领导层的决策。FMEA分析过程中，最重要的要求之一是及时性。它不是“事后”操作，而是“事前”行为。FMEA必须在产品设计和过程设计之前进行，这样，产品和过程的变更就更容易实施，并且实施成本更低，从而将后期更改的风险和成本降低到最小，FMEA就可以实现最大价值。

FMEA分析中，经常出现FMEA分析不规范的现象，所以应该注意以下事项：

1、优先分析关键零件的失效分析及风险降低，优先分析设计重点与难点的失效分析及风险降低，优先分析关键产品特性的失效分析及风险降低；

2、在更改不大的产品的FMEA分析时，可以利用同类产品的FMEA，在原有的基础 上补充和完善，注重于其差异性、更改之处以及高风险项目的评估和风险降低；

3、分析中利用头脑风景法列出失效的关联因素，运用质量工具（如亲和图、系统图等）列举出失效模式与失效原因之间的关系；

4、分析时注意回顾以前的同类产品的质量经验教训，举一反三，提高FMEA分析的有效性。

5、风险评估时，频度、探测度的评分很难确定具体分值，这些评分都是相对性 评分，评分中注意各项目评分的相对性，根据一定的理由进行评分，而不只是侧重于它实际的数据。而严重度指的是失效对客户的影响，需要根据评分标准，对失效模式的最大的失效后果进行评分。 收起阅读 »

分享一个VDA19清洁度技术管理的小稿件，是在参加一次线下质量峰会的发言，，
欢迎感兴趣的朋友一起交流清洁度技术管控和客户审核应对问题，，
不受积分，自由无限下载，
 

一、FMEA概述

FMEA-潜在失效模式与后果分析，作为一种预防性策划工具，其主要目的是发现、评价产品/过程中潜在的失效及其后果；找到能够避免或减少潜在失效发生的措施并且不断地完善。

（1）能够容易、低成本地对产品或过程进行修改，从而减轻事后修改的危机。

（2）找到并实施能够避免或减少这些潜在失效发生的措施。

在十九世纪五十年代开始，FMEA开始在军工产业进行应用；八十年代中期，FMEA进入了汽车产业；九十年代中期，FMEA正式成为ISO的推荐要求和QS16949的认证要求。

FMEA在汽车产业的应用，主要是从美国三大汽车制造公司（戴姆勒－克莱斯勒、福特、通用）开始，这三大汽车制造公司制定并广泛应用于汽车零组件生产行业的可靠性设计分析方法。其工作原理为：

（1）明确潜在的失效模式，并对失效所产生的后果进行评分；

（2）客观评估各种原因出现的可能性，以及当某种原因出现时，企业能检测出该原因发生的可能性；

（3）对各种潜在的产品和流程失效进行排序；

（4）以消除产品和流程存在的问题为重点，并帮助预防问题的再次发生。

二、设计FMEA和过程FMEA

具体的FMEA文件主要有两种，设计FMEA和过程FMEA。

设计FMEA是以零件为分析单位，从一个设计概念形成之时或之前开始，并且在产品开发各阶段中，当设计有变化或得到其他信息时及时不断地修改，并在图样加工完成之前结束。其评价与分析的对象是最终的产品以及每个与之相关的系统、子系统和零部件。进行DFMEA有助于：

· 设计要求与设计方案的相互权衡；

· 制造与装配要求的最初设计；

· 提高在设计/开发过程中考虑潜在故障模式及其对系统和产品影响的可能性；

· 为制定全面、有效的设计试验计划和开发项目提供更多的信息；

· 建立一套改进设计和开发试验的优先控制系统；

· 为将来分析研究现场情况、评价设计的更改以及开发更先进的设计提供参考。

过程FMEA是以生产工序为单位进行分析（对于工艺方法单一和集中的工艺模式，可以以工艺方法为单位先进行基础分析，然后工序FMEA分析时进行调用。），一般在生产工装准备之前、在过程可行性分析阶段或之前开始，而且要考虑从单个零件到总成的所有制造过程。其评价与分析的对象是所有新的部件/过程、更改过的部件/过程及应用或环境有变化的原有部件/过程。PFMEA一般包括下述内容：

· 确定与产品相关的过程潜在故障模式；

· 评价故障对用户的潜在影响；

· 确定潜在制造或装配过程的故障起因，确定减少故障发生或找出故障条件的过程控制变量。

三、FMEA文件建立过程中的问题及原因分析

现在国内很多汽车生产企业都已经非常了解FMEA在产品开发过程中的作用，并且很多企业都身体力行，付诸实践，但由于FMEA的一个集成性和系统性的工作，很多企业在应用时都流于形式，为了编制FMEA而编制FMEA。

在FMEA编制过程中，主要的问题为：

1.编制时机问题：无论是DFMEA还是PFMEA的编制，原则上都应在可行性分析阶段开始进行编制。而实际上 ，现在各主机厂一般都是在数据阶段，与产品设计或工艺设计同步进行FMEA编制。此时，由于数据设计本身的工作量非常大，很难将相关人员组织起来。而FMEA的编制是一个专家研讨行为，这个过程本身是高投入、低产出的（耗费人力资源，又费时），会在很长一段时间内同时占用大量的专家资源，而且好像没有什么直接性的效益，而很多项目在实施过程中，都存在时间紧，任务重的问题，很难在计划中拿出一大段时间实施具体的FMEA编制工作。所以，在很多主机厂都不能充分实施；为了保证项目的其它工作的正常进行，实际上取消了FMEA的小组研讨的工作。

2.小组组织问题：无法真正将FMEA涉及的人员组织起来，形成小组进行研讨编制。通常的情况都是由产品工程师或工艺工程师直接完成FMEA的编制，然后发给相关人员进行意见征询。或者编制完成后，根本不征询相关人员的意见，直接将相关人员的名字写到FMEA的小组名单中，然后直接发布。

这些问题产生的主要原因，实际上就是一点：对FMEA的理解，还是停留在对概念的理解上，没有对FMEA形成深入的理解。

四、FMEA文件建立的关键控制方法

下面，我们针对之前分析的FMEA文件建立过程中的问题，就从保证FMEA编制的充分性出发，谈谈FMEA的编制过程的控制。

首先，我们谈谈FMEA的编制时机和时段。由于FMEA是产品开发和过程开发的指导性文件，所以主要的编制时段是在产品的具体设计之前，比如在产品的概念设计阶段和可行性分析阶段开始。此时产品开发的主要成员，产品工程师和工艺工程师还没有进行实质性的产品数据设计和工艺设计，有充分的时间进行FMEA的编制。同时，此时处于可行性分析阶段，对产品数据和工艺过程的潜在失效模式的分析也正是可行性分析的一项重要内容。充分的FMEA分析，能充分保证产品的可行性。

其次，我们在谈谈FMEA小组开展的管理支持。FMEA的编制，首先是一个系统性的行为，其次才是技术行为，因此，FMEA的推行，实际上相当于一种管理变革。要改变相关人员的工作观念、工作模式。所以，首先要做的是需要强大的管理支持。最高管理者必须充分支持这种模式，特别是从资源上给以充分支持。一般来说，FMEA的研讨，需要调动包括从设计到销售各个环节（包括产品设计、产品制造、质量管理、产品销售、售后服务等等。）的专家人员，使他们从其它工作中解脱出来，能完全投入到FMEA工作中。只有这些人员充分的参与，才能保证FMEA内容论证的充分性。在实际操作时，由于各相关人员都有部门例行性工作，所以需要成立专门的项目组，使其从部门工作中脱离出来，保证有充分的时间参与FMEA的编制。如果条件不充分，不能实现相关人员完全从部门中脱离出来进入项目组，则可以采用视频会议的形式，以保证参与人员的充分性。小组成立后刚刚开展工作初期非常重要，这个时期相当于确立工作模型样板的过程。在这个过程中，管理者、质量体系审核专家都要参与，提供支持并对组织形式、研讨深度等提出意见。这里要着重强调一下，在没有采用FMEA进行潜在失效模式分析之前，设计人员是潜在失效模式分析的主体，而在采用FMEA进行潜在失效模式分析之后，潜在失效模式分析的责任主体就变成了设计人员之外的相关研讨方。因为无论哪种方法，设计人员都会从始至终关心可能的失效模式并力求在自己的设计方案中解决它。在成立了FMEA小组之后，设计人员初始关注的潜在失效模式还会与没有采用FMEA工具时是一样的。这时，相关研讨方对潜在失效模式的丰富作用就非常大了，他们有责任和义务来提出影响自己所代表方面的潜在失效模式。

再次，我们谈谈FMEA分析的对象单元。对于DFMEA来说，其分析的对象是零件的设计，所以进行DFMEA分析时，应该以零件为单元进行分析；而对于PFMEA来说，其分析的对象是零件的制作过程，所以，此时，不宜以零件为单元进行分析，而应以工序为单元进行分析（当工序包含的工艺方法比较单一，可以以工艺方法为单元做一些基础的PFMEA，然后再在工序FMEA分析时引用）。

最后，我们谈谈FMEA的完善与维护，由于FMEA是为产品开发服务的一种文件，一般一个项目有一个FMEA文件对应，所以，在产品开发结束，正式批产后，此项目的FMEA冻结，并应汇总至FMEA数据库中，不需要专门完善。后续在进行新项目开发时，如果调用FMEA库中文件发现FMEA的问题时，可在新项目的FMEA文件中进行完善；如果已批产产品中的部分结构进行工程更改，则可针对工程更改的部分单独进行FMEA分析并补充FMEA数据库；如果已批产产品的工艺进行变更，也可针对工艺变更的部分进行FMEA分析，并相应补充到FMEA数据库中。

总结

FMEA管理是一个质量管理的升级，它将“持续改进”上升到“提前预防”。这要求相关人员要转变思路，改变以往“出了问题再解决”为“在行动前先把所有风险规避掉”的模式。不仅如此，整个的开发流程、开发计划也要为FMEA的编制提供充足的时段和有资质的人员，这样才能保证FMEA编制的操作更加具有实际意义，并且保证FMEA的真正效果。 收起阅读 »

APQP 5大阶段
每个阶段需要输出的必要资料收好,下面简单列概要需求资料，附件包含详细资料要求，看过工具书和PMP课程后列出来的，需要的同行伙伴参考收藏
P1 项目准备阶段 ： 输出资料清单， 市场调研，确定顾客输入，成本核算  可行性风险评估，制定产品和过程设计方案，开发合同签订，中标信息传递，项目启动， APQP进度表，APQP问题清单，初始特殊特性清单，P1阶段评审
P2：产品设计开发： 设计功能质量展开 QFD，技术条件  DFMEA，DVP，3D/2D 工装需求 快件 包装标准 样件计划....
P3： 过程设计开发：PFMEA， FC， PCP， layout， WI， SOP， IP ，training， OP， trail run，MSA， CPK，LAB， Audit，阶段评审
P4：产品和过程确认： 试生产报告， PPAP， 系统分析，过程能力研究，阶段问题记录 追踪情况，阶段评审。。。
P5：总结和认定：经验总结，产品移交，整改评审记录 减少变差，客户满意度 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 »

自2017年开始为一些不同行业与产品的企业（金属精密加工、精密电子、独立电池及其材料、汽车玻璃）提供了VDA19清洁度管理的专项培训和现场改善指导服务，期间积累了一些知识和经验，希望在此与各位有清洁度管控需求的企业或朋友一起交流、分享与学习，共同提升清洁度在质量管理中的应用能力，，，

  收起阅读 »

五大工具教材-MSA(初级版）

IATF（国际汽车行动组织）为了推动IATF16949标准的理解和运用，专门出版了五大核心工具应用指南，以此来推动五大工具的应用和推广。今天我们就来捋一捋这五大工具之间剪不断，理还乱的关系！

IATF16949五大核心工具简介

1、统计过程控制（SPC）
SPC(Statistical Process Control)是一种制造控制方法，是将制造中的控制项目，依其特性所收集的数据，通过过程能力的分析与过程标准化，发掘过程中的异常，并立即采取改善措施，使过程恢复正常的方法。利用统计的方法来监控制造过程的状态，确定生产过程在管制的状态下，以降低产品品质的变异。

SPC能解决之问题：
1.经济性：有效的抽样管制，不用全数检验，不良率，得以控制成本。使制程稳定，能掌握品质、成本与交期。 
2.预警性：制程的异常趋势可即时对策，预防整批不良，以减少浪费。 
3.分辨特殊原因：作为局部问题对策或管理阶层系统改进之参考。 
4.善用机器设备：估计机器能力，可妥善安排适当机器生产适当零件。
5.改善的评估：制程能力可作为改善前後比较之指标。

实施SPC的目的：
·对过程做出可靠有效的评估；
·确定过程的统计控制界限，判断过程是否失控和过程是否有能力；
·为过程提供一个早期报警系统，及时监控过程的情况以防止废品的发生；
·减少对常规检验的依赖性，定时的观察以及系统的测量方法替代了大量的检测和验证工作

2、测量系统分析（MSA）
测量系统分析（MSA）是对每个零件能够重复读数的测量系统进行分析，评定测量系统的质量，判断测量系统产生的数据可接受性。

实施MSA的目的：

·了解测量过程，确定在测量过程中的误差总量，及评估用于生产和过程控制中的测量系统的充分性。MSA促进了解和改进（减少变差）。
·MSA使用数理统计和图表的方法对测量系统的分辨率和误差进行分析，以评估测量系统的分辨率和误差对于被测量的参数来说是否合适，并确定测量系统误差的主要成分。

3、失效模式和效果分析（FMEA）
潜在的失效模式和后果分析（FMEA）作为一种策划用作预防措施工具，其目的是发现、评价产品/过程中潜在的失效及其后果；找到能够避免或减少潜在失效发生的措施并不断地完善。

实施FMEA的目的：
能够容易、低成本地对产品或过程进行修改，从而减轻事后修改的危机。
找到能够避免或减少这些潜在失效发生的措施；

4、产品质量先期策划（APQP）
APQP是用来确定和制定确保产品满足顾客要求所需步骤的结构化方法。

APQP的功能：为满足产品、项目或合同规定,在新产品投入以前,用来确定和制定确保生产某具体产品或系列产品使客户满意所采取的一种结构化过程的方法。为制订产品质量计划提供指南，以支持顾客满意的产品或服务的开发。

5、生产件批准程序（PPAP）
生产件批准程序为一种实用技术，其目的是在第一批产品发运前，通过产品核准承认的手续，验证由生产工装和过程制造出来的产品符合技术要求。

实施PPAP的目的：
·确定供方是否已经正确理解了顾客工程设计记录和规范的所有要求。
·并且在执行所要求的生产节拍条件下的实际生产过程中，具有持续满足这些要求的潜能。

IATF16949五大工具的关系

APQP是质量计划，的时间起点是项目正式启动的那一时间点到PPAP结束，正常量产后进行总结，认为没有其他问题，可以关闭开发项目的那一时间点为止。执行人是整个APQP小组。

PPAP是生产件批准程序，只是整个APQP 计划中的一个环节，通常居于APQP计划的后半阶段，一般来讲是APQP计划的核心。

FMEA/SPC/MSA都是质量管理的工具。FMEA有DFMEA， PFMEA，这些工作的导入事件多为APQP的初期或中、早期。它们主要正对的产品的设计、生产工艺或过程而言的。属于预防性的计划。MSA就是校对量、检具。SPC就是管制住某几个重要参数，监督它们生产的稳定性。


  收起阅读 »

1、严重度打分不一致

从不同的顾客的关注角度出发，严重度会有不同分值，比如说一个焊接后的摄像头有杂光现象，按照内部要求出现杂光，不符合生产标准，需要报废，严重度高（我们暂且定6分），而杂光问题的摄像头流到最终消费者那里，只是顾客体验上有一点不适，验证度低（3分）。所以我们需要列出内外部所有客户的严重度打分，最终要以要求最高的分值为严重度打分。

有些FMEA中，不同的失效模式，导致相同的后果，但严重度不一样。这是常见的错误。严重度根据失效模式的后果来打分，相同的后果，相同的打分。

严重度和特殊特性要结合在一起。一般评估下来影响到安全和法律法规风险的问题，严重度要打9-10分，如果是影响产品性能和装配的，严重度要打7-8分，你打了这些分数，说明这些控制点就是特殊特性（关键特性和重要特性），特殊特性的定义就是这么来的。经常看到一些FMEA严重度已经打了8分，但并未定义为特殊特性，管控也不严，这样产品就会有重大质量风险。需要注意。

2、失效模式少

很多FMEA失效模式很少，原因是分析的不够深入，没有把一个工序进行仔细拆解，按照每个动作来拆解，对每个动作按照正确的位置、正确的参数、正确的操作、正确的步骤、正确的零件等方面去思考一遍。做FMEA的人没有这样的思考和行为，很难做好FMEA。

3、失效模式单一

很多FMEA，一看就知道不行。为什么呢，一个失效模式，只对应了一两个失效原因，原因太单一了。实际情况一个后果会有很多原因，结合一个工序有很多失效模式，每个失效模式有不同的失效原因，这样FMEA的树状结构就形成了。做得好的FMEA，其树状结构是非常明显的。

为什么失效原因写得单一？除了经验之外，也是有方法的，针对每一个失效模式，我们需要从人机料法环的方面去考虑会这个失效模式造成什么影响，这样的FMEA就会丰富起来。

4、频度和不可探测度打分错误

频度不是凭个人感观打出来的分，而是根据过往不良记录来得出分值，另外要注意的是，SGM规定，如果你是用人工检查来探测问题，频度最低不得低于5分。

D代表的是不可探测度，它是探测度的反比，你越用设备自动检测、防错方法来规避问题，你的不可探测度就越小。探测度是公司可以去配备资源提高的（严重度无法降低，频度是客观数据的结果）。但资源永远是有限的，做FMEA不是一味提高所有的探测度，不能不分问题的严重度和发生频度，一律机器自动化检查，这是浪费资源，质量过剩。但对于特殊特性而言，我们就要倾斜资源来提高其管控力度。

5、FMEA履历缺失

FMEA是一个动态的文件，出现问题，或者年度评估的时候，我们会有新的认识和经验，需要加到FMEA中来，这样才能更加完善我们的FMEA宝库。我们需要建立变更履历，知道是因为什么原因来变更的，是谁变更的，变更了什么地方等等。有利于问题的追本溯源。

做FMEA前，最好把团队成员都一起培训合格，大家对FMEA有统一的认识，再开展。FMEA第一次做的时候会比较痛苦，可能一个工序要拆的很细，一个动作一个动作的分析，很烧脑，有可能一个动作就要分析个1-2个小时，而一个生产过程可能有上千个动作。但一旦第一版本的FMEA形成，可以说是一劳永逸、事半功倍的好事，公司的质量管控会得到一个质的提升，大有裨益。 收起阅读 »

FMEA分析到底是方法论重要？还是产品/工艺技术重要？有人认为，FMEA的逻辑方法重要，不懂FMEA的数据关联关系，不掌握结构树、功能网、失效网，怎么能做出FMEA呢？但也有人认为产品和工艺技术重要，没有懂技术的人员参与，怎么能识别出产品与过程风险呢。

之所以会出现这样的争论，是没有搞清楚FMEA协调员与技术专家在FMEA活动中的工作职责。FMEA是一个团队的活动，不是一个人的活动。一份能通过审核的FMEA，在台面上没有问题，那是需要协调员来主导方法论的，但要使FMEA起到作用，要从符合性转变为有效性，要求承载工程师的经验和教训，当然由技术专家的主导就更为重要了。所以做一份审核没有问题的FMEA，方法论更重要，做一份起到作用的FMEA，技术更重要。再次说明的是，这里有一个字“更”，所以任何一份好的FMEA，都是团队共同协作的结果。

FMEA协调员是公司内部的方法论专家，精通FMEA的步骤、数据关联关系、评分准则、风险优化标准等。协调员不是技术专家，他不一定懂公司的所有技术和工艺，他是套路专家，他专注方法论。

他是FMEA的七步法方法论专家，但不可能独立完成FMEA。协调员不一定懂所有的产品和工艺技术，缺少完成的FMEA功力，他管理FMEA的七步法的方法论，对内部人员进行FMEA的七步法的培训，参与FMEA团队建设，协调FMEA工作组活动。如果真的只让协调员来独自完成FMEA，那最多达成符合FMEA手册、标准的要求，达不到风险识别与控制的真实目的。

而技术专家拥有精湛的产品与工艺技术，清晰地知道产品特性波动带来的失效模式及失效后果，但如果让技术专家来独自做FMEA，他会说，这些我都考虑过了，而且产品设计中加了什么硬件，采取了何种验证措施，还要把它写成文件完全是没必要的事。如果真要做，SOD如何评分都让我们的技术专家喝上好一壶了。

FMEA是一个团队的活，不要机械地认为，团队活动就是安排团队一起评审FMEA会议，单独讨论FMEA会议真的很无聊，且组织多功能协调比较麻烦，所以强烈建议DFMEA与产品研讨会一起开，PFMEA与工艺研讨会一起开，然后由专人负责做FMEA记录不就好了嘛。

具体来讲，就是由协调员负责组织会议，协调员根据新项目，找到公司类似产品的FMEA或基础FMEA，作为本次新项目的FMEA模板，由协调员负责提问，技术专家负责回答技术问题，然后由记录员做好记录，最后会议完成后，及时得更新整理FMEA。




FMEA目的
1.发现和评估产品/过程的潜在故障和结果；
2.确定与产品相关的过程的潜在失效模式；
3.评估失败对客户的潜在影响；
4.确定潜在设计或制造过程的失效原因，减少失效的发生或找出失效的过程控制变量；
5.编制潜在失效模式分类表，建立考虑措施的优化体系；
6.为了降低缺陷的严重性，必须改变零件的结构设计；
7.提高缺陷到达用户之前或产品出厂之前发现缺陷的概率。

最后，所有FMEA分析都需要FMEA分析表，这是FMEA分析结果的书面总结。因此，FMEA分析为设计部、生产计划部、生产部、质量保证部等相关技术部门提供了共享的信息资源。另一方面，FMEA为今后类似产品的设计提供了信息。




实施问题
1.FMEA工作应与产品设计同步进行，尤其是在设计初期，这将有助于及时发现设计中的薄弱环节，并为安排改进措施的顺序提供依据。
2.对于不同阶段的产品开发，应进行不同程度和层次的FMEA。也就是说，FMEA要及时反映设计和流程的变化，并随着发展阶段不断补充、完善和迭代。
3.FMEA的工作应该由设计师来完成，应该贯彻“谁设计谁分析”的原则，因为设计师最了解自己设计的产品。
4.应加强FMEA分析的标准化，以确保FMEA分析结果的可比性。在开始分析复杂系统之前，应该统一制定FMEA的规范要求。结合系统特点，对FMEA的分析协议等级、失效准则、严重程度和危害程度的定义、分析表、失效率数据来源和分析报告要求进行统一规定和说明。
5.跟踪和分析FMEA的结果，以验证其正确性和改进措施的有效性。这个跟踪分析过程也是一个逐步积累FMEA工程经验的过程。一套完整的FMEA数据是各种经验和宝贵工程财富的总结，应不断积累，存档备查。
6.虽然FMEA是一种有效的分析方法，但它不是万能药，也不能代替其他可靠性分析工作。需要注意的是，FMEA一般是静态的单因素分析方法，在动态分析中并不完善。如果对系统进行综合分析，应结合其他分析方法。


  收起阅读 »

概述  
1924 年，美国的休哈特博士应用统计数学理论将 3Sigma 原理运用于生产过程中，并发表了著名的“控制图法”，对产品特性和过程变量进行控制，开启了统计过程控制新时代。 

什么是控制图 
控制图指示过程何时不受控制，有助于标识是否存在特殊原因变异。如果存在特殊原因变异，则说明过程不稳定且有必要采取纠正措施。 
​


控制图是按时间排序顺序绘制过程数据的图。大多数控制图都包括一条中心线、一个控制上限和一个控制下限。中心线表示过程均值。控制限表示过程变异。默认情况下，控制限绘制在中心线上下 3σ 的位置。 

随机位于控制限内的点指示过程受控制且仅显示常见原因变异。位于控制限外部或者显示非随机模式的点指示过程不受控制且存在特殊原因变异。

如何选择合适的控制图

随着控制图的发展，它的类型也是越来越多，那么这时候对于使用 Minitab 的朋友来说，经常会纠结如何去选择一个合适的控制图。在 Minitab 19 中，协助菜单可以很好的帮助我们去选择一个合适的控制图。
​


I-MR 控制图
​


今天，我们来绘制一下 I-MR 控制图。 

问题背景：某质量工程师监控了液体洗涤剂的生产过程，想要评估该过程是否受控制。这位工程师测量了 25 个连续批次的洗涤剂的 pH 值。
​


由于 pH 值的数据类型是连续型数据，而且是每批次只取一个样品（子组大小等于 1），故这位工程师创建了一张 I-MR 控制图，以监控洗涤剂的生产过程。

Minitab 绘制 I-MR 控制图

Minitab 结果解释
​


首先解释移动极差控制图（MR 控制图）以检查过程变异。没有位于控制限外部的点且所有的点都显示出随机模式。因此，过程变异受控制，质量工程师可以检查单值控制图（I 控制图）上的过程中心。

I 控制图上的一个观测值在检验 1 中失败，因为观测值在中心线上方且距离中心线超过 3个标准差。

I-MR 控制图的控制限计算（手动）  
对于 I-MR 控制图，包含两张图单值控制图（I 控制图）和移动极差控制图（MR 控制图）， 我们首先来认识一下这两张图形上的 X 轴、Y 轴、点和线分别表示什么含义。

一、单值控制图（I 控制图） 
X 轴：批次 ID 
Y 轴：单值（每个批次对应的 pH 值，如单值图上的第二个点表示的是批次 2 的 pH 值）





点：单值控制图（I 控制图）上的每个标绘点是单独的观测值（如上图）。 
中心线：单值控制图（I 控制图）上的中心线是过程平均值的估计值，计算如下
​






控制限：单值控制图（I 控制图）控制限的计算结果取决于标准差的估计方式。
​


1）移动极差平均值（默认方法）-移动极差长度默认为 2 
a. 计算移动极差 MR（相邻 2 个数的较大值减较小值），当前数据样本量为 25，计算得到24 个移动极差。 
b. 计算这 24 个移动极差的平均值 MRbar 
c. 估计标准差的公式如下： 
​


控制限计算公式 
​


其中 k 为检验 1 的参数。默认值为 3。
​






当选择默认的用移动极差平均值来估计标准差时，我们还可以勾选”使用 Nelson 估计值”。使用 Nelson 估计值可以在计算控制限时更正异常大的移动极差值。此过程与 Nelson1 提出的过程相似。Minitab 消除比移动极差平均值大 3σ 的任何移动极差值，然后重新计算移动极差平均值和控制限。
​


2）移动极差中位数
a. 计算移动极差
b. 计算移动极差中位数
​


c. 估计标准差的公式如下： 
​






二、移动极差控制图（MR 控制图） 
X 轴：批次 ID 
Y 轴：移动极差（如下 MR 控制图中的第二个点是批次 2 的 pH 值 5.99 和批次 3pH 值 6.11中较大值减去较小值，结果为 0.12（6.11-5.99） 
​


点：MR 控制图上的标绘点是移动极差（移动极差是两个或多个连续点之间差值的绝对值）。 
中心线：中心线是移动极差平均值的无偏估计值 MRbar 
控制上限：??? = (??(?) ⋅ ?) + (? ⋅ ??(?) ⋅ ?) 
控制下限：??? = (??(?) ⋅ ?) − (? ⋅ ??(?) ⋅ ?)或 LCL=0（计算结果为负值时） 
移动极差平均值法的结果
​




移动极差中位数法的结果
​




结论
手动计算的过程比较复杂，而且还可能会出错，但是有了 Minitab 的帮助，我们只需要选择好合适的控制图后，点击几下就可以高效快速的计算出对应的控制限。当然，花点时间手动计算一下这些值，能够帮助你更好的理解控制图。而且在计算的过程中，你也会发现 Minitab 的算法跟 Excel 中算法的差异，也能够发现单值控制图的控制限受到移动极差的影响，所以在分析这两张控制图时，应该先分析下面的移动极差控制图，移动极差控制图中没有异常点时，这时候分析单值控制图才是有意义的。
X 轴：批次 ID
Y 轴：移动极差（如下 MR 控制图中的第二个点是批次 2 的 pH 值 5.99 和批次3pH 值 6.11 中较大值减去较小值，结果为 0.12（6.11-5.99） 收起阅读 »

量具 R&R 研究可以告诉您测量系统生成的数据是否值得信赖。遗憾的是，严格的数据要求和其他限制可能会让量具 R&R 研究难以进行分析，并可能无法解释所有重要因子。Minitab 中的扩展量具 R&R 工具能够使这些障碍成为过去。

量具 R&R 研究可以告诉您什么？

• 您的测量系统是否足够灵敏？

• 您的测量工具是否一致？

• 进行测量的人是否一致？

扩展量具 R&R 能提供哪些额外优势？

• 不仅要分析部件和操作员，还要分析多达八个其他因子。

• 甚至不完整的数据也可以进行分析（不平衡研究）。

• 包括固定或随机因子，获得更好的灵活性。

在量具 R&R 研究中包含两个以上的因子

通常，量具 R&R 研究只关注两个因子：部件和操作员。但是如果您知道其他因子也会影响您的测量系统呢？如果您不纳入这些因子，则将永远无法了解它们对测量变异性有多大影响，以及您的测量系统可能看起来比实际情况更好还是更差。Minitab 的扩展量具 R&R 能让您纳入最多八个额外的因子，用于调查并评估所有可能影响测量系统的因子。

例如

因为他们在繁忙的生产车间工作，检验人员担心生产速度的变化会影响他们的测量能力。加入生产线速度作为量具研究的因子，揭示出生产线速度变化对测量的影响甚至超出他们的预期。



以不完整或不平衡的数据进行量具 R&R

量具 R&R 研究可以要求严格的“平衡”设计，尽管实际上数据的收集通常并不完美。也许在研究中让操作员将所有部件测量相同的次数并不可行，或者可能一些测量数据已经丢失。扩展量具 R&R 允许您分析测量系统，即使有这样不平衡的数据，也无需手动计算来解释丢失的数据。



包括固定或随机因子以获取更高的灵活性

在量具研究中，如果您有意选择了一定的兴趣级别（比如最有经验和最缺乏经验的操作员），则该因子是固定的。如果您随机选择了级别来代表总体，则该因子为随机。常见量具研究会在所有因子均为随机的基础上计算结果。但将固定因子视为随机因子可能导致过度或低估其重要性。

扩展量具 R&R 允许您指明哪些因子是固定的，哪些是随机的，以便更好更妥当地评估您的测量系统。

例如

审核显示，退回精密铣削设施的大部分不合规格部件可追溯到两名经验最少的检验员。为了更好的理解该问题，质量经理希望能重点关注这些特定操作员后续的量具研究。因为人工挑选的这些操作员无法反应出随机抽样，所以在分析该研究时，经理将这一因子指定为固定因子。



MINITAB 让量具 R&R 更简单

如果您尚未利用 Minitab 的强大功能从数据中获取最大价值，请立即下载功能完备的 Minitab 30 天免费试用版。

本文最初出现在Minitab博客上。



收起阅读 »

前言：FMEA（失效模式与影响后果分析）和问题的分析与解决，同样包含对原因的分析与措施的制定，那么它们在思路上有何区别与联系？在实际工作中，通常会存在怎样的误区和错误？本文就把二者放在一起进行一下讨论。

首先，我们先来统一理解一下两个术语：失效和问题。

失效是指没有达到所预期的功能和要求，它是问题的所表现出来的表象。打个比方，水库决堤了，这是坝堤失效了，因为坝堤的功能是阻拦水的，但它的问题在哪里呢？是坝堤上的小小的蚁穴，可谓“千里之堤，溃于蚁穴”。

再就是，同样是原因的分析，但是FMEA和问题解决在思路上是不同的。

FMEA，本质上是把将来有可能发生的所有失效的不同形式（模式）一一列出来，做出一个预判，并根据可能的原因，提前制定对应的控制措施，来防止真的发生；而问题解决，则是针对已经发生了的失效现象，找到问题的症结所在，并一步步地找到这个问题的根本原因，然后制定永久措施，防止同样的问题再次发生。

因此，FMEA的思路是发散式的，是尽可能调动团队成员的所有知识与经验，把每一个在理论上可能发生的失效模式都识别出来，把每个失效模式在理论上的每个可能的原因都列出来，必要时对这些原因进行试验验证。

而问题解决，则是收敛的和聚焦的，要基于“现物“、“现场”、“现实”的三现主义的理念与方法，找到与失效现象有关联的线索来识别问题症结，以及识别与这个问题症结存在关联的原因。问题解决强调的是“原因与问题事实的相关性”，通过试验或其他手段来一步步逐渐缩小“包围圈”，也像是一遍遍过筛子，最后把与这个问题的发生真正具有因果关系的原因确定下来，如下图所示。


我们通过一个案例来进一步说明它们之间的区别。
当客户打开音响包装箱时，发现音响的一个角上少了一个螺丝，如下图所示。

在PFMEA中，当我们分析打螺丝这个过程的失效模式时，我们可能要列出下列失效模式和失效起因：


可见，在PFMEA中，我们需要把所有可能导致打螺丝过程的失效模式以及它们的失效起因都识别出来，再一一制定相应的控制措施（措施本文略）。然而，在问题解决时，比如，当收到顾客关于少了螺丝的投诉时，我们的思路却是这样的：

第一步（第1遍筛子），我们可通过5W2H+IS/ISNOT工具，对少螺丝的音响展开客观、全面地描述，从多个角度来认识这个问题，例如，在哪个位置上少了螺丝？在左下角；缺少螺丝的丝孔上有什么特点？没有螺丝，但是有丝痕！
上面这个信息告诉我们，应当不是漏打，而是打过但没有打牢，这需要我们去打螺丝这个工位（根据产品二维码查出是哪个工位）上去进行详细的调查。

第二步（第2遍筛子），在这个工位上，我们可以借助于鱼骨图的逻辑和第一步的5W2H的输出，对相关的过程要素（而不是所有的过程要素！）进行分析和验证，需要验证电动起子上设置的扭矩值是否为WI上规定的数值，并验证输出值是否在WI允许的范围内；我们还要观察操作者在打螺丝时（特别是少螺丝的位置）操作是否方便，是否存在人机工程学问题；我们更要确认是否在打螺丝时存在产品固定不可靠的问题，等等。

实际验证结果告诉我们，操作者在打螺丝时的角度确实时常超出WI所规定的3度的范围！

我们再进一步地验证操作角度这个原因，抽取更多的出自该名操作者的产品，进行反向扭矩测试，结果同样发现了若干台产品，其螺丝上的扭矩值达不到WI所规定的扭矩（1.5-2.0kgf）！而且经过模拟物流过程的试验（专门的振动试验和跌落试验），这些螺丝基本上都脱落了！

于是，我们就确定这就是音响少螺丝的原因，但是这只是直接原因！但在PFMEA中，由人、机、料、法、环过程要素所分类的失效起因，其实在解决问题时，还需要更进一步地分析，这一点很关键！

第三步（第3遍筛子），我们借助于5WHY工具继续展开分析，例如，为什么会打歪了？有两种可能：该操作者不知道角度的要求（不超过3度），或者该操作者知道角度的要求，但是由于技能不够熟练，还是打歪了。经过调查，实际上是后者！那么为什么是技能不熟练就允许上岗呢？因为培训时只培训理论知识（WI），而没有提供专门的练习，资质要求中也没有包括技能考核这一项！这才是找到了根本原因！

从技术层面，措施是让操作者在线外专门进行练习，合格后方可上岗；从系统层面，将技能训练补充到培训大纲中，并补充到该岗位的资质要求中去。

由此可见，问题解决的原因分析不同于FMEA，它是根据与问题事实相关的线索，一层层地过滤、剖析，最终聚焦到与实际问题具有因果关系的根因上去，如下图所示，

然而，在实际工作中，通常存在下面两种错误的做法:

在制定FMEA时，只注重实际已经发生过的失效模式，而不去分析那些未发生过但从理论上可能发生的失效模式或失效起因，过份注重已发生的事实，过份务实，而FMEA是需要适当的务虚的！

另一种错误做法是在分析和解决问题时，不去注重事实，也就是不遵循三现主义，只是凭借理论上的知识和个人的经验，想出一大堆原因来，一一去验证，这实际上是在为自己制造出一群假想敌，然后再去一一消灭他们。

FMEA与问题解决，二者除了有着思路上的不同，更有着紧密的联系，二者互相支持、互相完善。

当出现问题需要解决时，我们可以采用下面的步骤去使用FMEA：

1、调出该产品的FMEA（功能相关的问题-DFMEA和PFMEA，缺陷与制造相关的问题-PFMEA），查看里面有没有与这个问题相关的失效模式。如果没有，则等问题解决完成（关闭）后，将问题对应的新失效模式补充到当前的FMEA中去。

2、如果FMEA中有这个问题对应的失效模式，则首先去确认里面的控制措施有无在这个问题产品上正确地执行，如果没有，则要验证是否是因为不执行这个措施而导致的该问题。

3、如果是一直在执行FMEA中的控制措施，则可能现有控制措施不能完全预防该问题的发生，改变控制方法，看能否有效；或者是，当前FMEA中的失效起因分析不彻底（没有到根本原因上），或者还有漏掉的因子未识别出来，需要进一步分析。这就需要当问题完全解决后，再把新的因子和对应的控制措施更新到FMEA中去，对失效起因和控制措施进行完善。

因此，FMEA可以为问题解决提供支持，反过来，问题解决可以促进FMEA的更新和迭代，这样形成一个良性互动，企业的技术能力就会像滚雪球一样，越来越强！ 收起阅读 »

熊妈妈已经忍无可忍了。最近一次关于她做的汤有多辣的争论以张牙舞爪而结束，而且把小女孩吓坏了。

熊妈妈认为问题出在小女孩身上。自从有了金凤花姑娘之后，所有人都无法就任何事情达成一致。床不是太软就是太硬。粥不是太烫就是太凉。今晚，金凤花姑娘抱怨汤太辣，熊爸爸抱怨汤不够辣。

为了使家庭恢复安宁，熊妈妈觉得小女孩需要离开。但是，每当熊妈妈提到这点时，熊爸爸就会跑过去为金凤花姑娘辩护。熊妈妈需要使用数据来为自己辩护，她明白该怎么做：使用一种名为“属性一致性分析”的测量系统分析。熊妈妈知道，使用 Minitab中的“协助”会使事情变得简单容易。

首先，她煮了六份汤。在其中的三份汤中，熊妈妈仅添加了足够的胡椒粉和香料，使汤美味但不会太辣。她在其余三份汤中加了过量的辣椒酱。

接着，熊妈妈使用 Minitab来设置、收集和分析数据，她希望确定为什么家庭成员如此频繁地出现意见不一致。


设置属性一致性分析

选择协助 > 测量系统分析 (MSA)…



“协助”显示一个决策树，该决策树中包括用于“评价”数据的 MSA。



熊妈妈打算让每个家庭成员都品尝六份不同的汤，并让他们评价是好（“好喝！”）还是差（“难喝！”）。每个评价者对每份汤都品尝 4 次，因此熊妈妈不仅能够查看不同检验者的意见是否一致，还能查看每个检验者每次品尝后的评价是否一致。

但是，她的数据收集计划能够满足此分析的需要吗？单击“属性一致性工作表”下面的“更多…”即可显示一列需要检查的要求。例如，“协助”建议评价者对相同数量的好和差项目进行评分，还建议至少有 3 个评价者，熊妈妈的计划中涵盖了这两项要求。



现在，熊妈妈确信她的计划非常恰当。她单击“返回”，然后单击“属性一致性工作表”并按如下所示填写对话框：



在单击“确定”之后，Minitab 将针对每个评价者和每份汤生成一组（共四个）随机试验，并创建一个匹配的数据表。



Minitab 还允许打印一整套随时可用的数据收集表单（每个试验和评价者有一份对应的表单）。



接着，熊妈妈加热这六份汤，并让每个检验者按照 Minitab 所指定的随机顺序对每份汤品尝四次。然后，她只需将结果输入到其数据表的相应列中就可以了：



分析数据
将结果输入到工作表中之后，熊妈妈可以继续进行分析。返回到协助 > 测量系统分析 (MSA)…，但这一次的目标是分析数据，而不是设置研究：





按如上所示填写对话框，单击“确定”。Minitab 将生成所有输出，熊妈妈需要使用这些输出来为自己辩护。



汇总报告显示，总体而言，家庭成员正确识别汤辛辣程度的正确率仅为 75%。按评价者计算的准确度百分比显示每个评价者对汤进行识别的准确度。熊妈妈和熊宝宝的得分最高，他们的准确度分别为 95.8% 和 87.5%。熊爸爸的准确度为 79.2%，不算太低。

但是，金凤花姑娘的准确度为 37.5%，很低。

“协助”的准确度报告为熊妈妈提供了有关每个评价者表现的具体细节。准确度报告右侧的按评价者计算的准确度百分比图和标准图显示，在三头熊中，每头熊都非常擅长识别美味的汤，但是，金凤花姑娘正确识别出美味的汤的概率不到 20%。



“协助”还有另外两个输出——“误分类报告”和“报告卡”。





证据在汤里

通过属性一致性分析的结果，可以清楚地判定有关汤辣不辣的大多数不一致源自何处，以及（按照熊妈妈的观点）不一致应当在何处终结。使用由“协助”创建的简单图形，甚至连熊爸爸也可以轻松看出，金凤花姑娘对汤的评价分歧可能会导致家庭成员产生冲突。

无论您喜欢清淡的汤还是喜欢超辣的汤，您都已经成功完成了此测量系统分析。您已了解如何创建属性一致性分析工作表，以及如何分析您收集的数据以使用“协助”来确定评价者在何处一致，在何处不一致。 收起阅读 »

二值响应DOE
传统实验设计的因子类型可以是连续型的也可以是文本型的，而响应变量都是连续型的，如我们想考察材料类型、注塑压力、注塑温度、冷却温度对绝缘强度的影响。现在Minitab 21中新增了二值响应DOE的功能，所谓二值响应就是结果只有两种可能，是/否，好/坏，合格/不合格。二值响应DOE，您可以在Minitab 21的以下分析中找到。

筛选设计
因子设计
响应曲面设计



问题背景
一家汽车制造商想观察由于外来物质损害挡风玻璃所产生的裂纹，他们考虑了三个因子：外来粒子的速度、粒子重量和玻璃供应商。
A: 颗粒的速度（mph），低水平：50， 高水平：60
B: 颗粒的重量（gram），低水平：20， 高水平：40
C: 挡风玻璃的供应商：低水平：A，高水平：B

数据收集
在一个特殊的设计实验房间里，一种颗粒被射向固定于20英尺远的挡风玻璃，一个检验员记录挡风玻璃是否产生裂纹，每种挡风玻璃只使用一次。制造商具有进行对100种挡风玻璃进行实验的资金、时间和材料，允许研究者试验10种挡风玻璃的样本大小。每8个因子的组合和两个中心点。然而，从供应商A只能获得48种挡风玻璃，因此，最后一轮实验只包括8种挡风玻璃样本。



分析二值DOE



在Minitab 21的二值响应DOE分析种，除了主对话框跟经典实验设计有比较大区别以外，其他选项，比如“项”、“图形”中的设置是没有差别的。



在“项”中，我们第一次拟合模型时，把所有的项都考虑进来（在下面分析中有一个陷阱，请注意哦）。



所有对话框点击确定后，得到如下结果。



注意：当我们把所有项都加入到模型中，这时候我们可以看到没有显著的项，此时不要急着下结论。这时候一般的做法是先删除高阶交互作用项。



删除三阶交互作用项和所有二阶交互作用项以后，我们可以看到这时候A和B变成显著的了，C仍然不显著，在下一步优化中需要删除掉。我们得到以下的最终结果。



优势比
仅当您为具有二元响应的模型选择 logit 链接函数时才提供优势比。在这种情况下，优势比可用于解释预测变量与响应之间的关系。



连续预测变量的优势比：优势比大于 1 表示在预测变量越大，事件发生的几率越大。优势比小于 1 表示预测变量越大，事件发生的几率越小。在当前结果中，该模型使用颗粒的重量水平来预测汽车挡风玻璃是否断裂。在此示例中，挡风玻璃断裂为“事件”。每颗粒的重量为10gram，因此研究人员使用10gram作为一个单位变化。优势比约为1.8455。颗粒重量每增加一个单位，挡风玻璃断裂的比率就增加约1.8455倍。颗粒速度的优势比解释结果一样，不再赘述。



类别预测变量（当前结果没有）的优势比：对于类别预测变量，优势比可以比较事件在两个不同的预测变量水平发生的几率。Minitab 通过在水平 A 和水平 B 这两列中列出水平来设置比较。水平 B 是因子的参考水平。优势比大于 1 表示事件在水平 A 下发生的几率大。优势比小于 1 表示事件在水平 A 下发生的几率小。

结论
在Minitab 21中有了二值响应DOE分析，扩展了DOE的功能。当然，在实验设计中我们除了遇到二值响应DOE外，可能还会遇到残差分析有问题需要对响应变量做变换的DOE分析、带区组的实验设计分析等比较复杂的DOE问题。我们将在后续为大家一一分享，如果您还没有使用过Minitab 21，可以登陆Minitab官网下载30天免费试用版哦！ 收起阅读 »

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 »

附件中是ppap的教程文件

不能使用专用软件，可以使用excel版做的MSA分析。密码5314046