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...
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,我使用了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
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

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), "")
S = S * 1
O = O * 1
D = D * 1

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

If Not D Like "[1-9]" And D <> 10 Then AP = "D值错误"
If Not O Like "[1-9]" And O <> 10 Then AP = "O值错误"
If Not S Like "[1-9]" And S <> 10 Then AP = "S值错误"

End Function 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II...
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 »

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...
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
如何加载为宏文件并注册的教程
 链接:pan.baidu.com/s/11LerkI_LZg7KZaWQ_2TyOg
提取码:ha92
如何使用函数的教程
 链接:pan.baidu.com/s/1jsLreg107KExDo8wbo0gcg
提取码:pws1
  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...

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。 ...


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...
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 »

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...
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!
boundary_diagram.jpg

  收起阅读 »

5W 整理

(1) WHAT——是什么?目的是什么?做什么工作? (2)WHY——为什么要做?可不可以不做?有没有替代方案? (3)WHO——谁?由谁来做? (4)WHE...

(1) WHAT——是什么?目的是什么?做什么工作?
(2)WHY——为什么要做?可不可以不做?有没有替代方案?
(3)WHO——谁?由谁来做?
(4)WHEN——何时?什么时间做?什么时机最适宜?
(5) WHERE——何处?在哪里做?
(6)HOW ——怎么做?如何提高效率?如何实施?方法是什么?
(7) HOW MUCH——多少?做到什么程度?数量如何?质量水平如何?费用产出如何?

检查原产品的合理性

步骤(1)做什么(What)?
条件是什么?哪一部分工作要做?目的是什么?重点是什么?与什么有关系?功能是什么?规范是什么?工作对象是什么?

步骤(2) 怎样(How)?
怎样做省力?怎样做最快?怎样做效率最高?怎样改进?怎样得到?
怎样避免失败?怎样求发展?怎样增加销路?怎样达到效率?怎样才能使产品更加美观大方?怎样使产品用起来方便?

步骤(3)为什么(why)?
为什么采用这个技术参数?为什么不能有响声?为什么停用?为什么变成红色:为什么要做成这个形状?为什么采用机器代替人力?为什么产品的制造要经过这么多环节?为什么非做不可?

步骤(4)何时(when)?
何时要完成?何时安装?何时销售?何时是最佳营业时间?何时工作人员容易疲劳?何时产量最高?何时完成最为时宜?需要几天才算合理?

步骤(5)何地(where)?
何地最适宜某物生长?何处生产最经济?从何处买?还有什么地方可以作销售点?安装在什么地方最合适?何地有资源?

步骤(6) 谁(who)?
谁来办最方便?谁会生产?谁可以办?谁是顾客?谁被忽略了?谁是决策人?谁会受益?

步骤(7)多少(How much)?
功能指标达到多少?销售多少?成本多少?输出功率多少?效率多高?尺寸多少?重量多少?
  收起阅读 »

原创 | 不谈SPC的Cp、Cpk都是耍流氓!

兑现承诺。 76261 这个拿以前的资料整理的,完成速度比较快。 准确的说:计算Cpk还有第四个条件: 过程稳态 ;...
兑现承诺。
不谈SPC的过程能力都是耍流氓.jpg

这个拿以前的资料整理的,完成速度比较快。
准确的说:计算Cpk还有第四个条件:过程稳态;这里在原文稍微点了下,没有强调。
 
下一篇《当Cp、Cpk遭遇单边公差?》,由于琐事缠身,更新时间不定。
 
Sol_Sun
2019/10/28 收起阅读 »

原创 | 从变差谈Cp、Cpk和Pp、Ppk

76245   致敬 杨格_Alan 老师,下一篇《不谈SPC的Cpk都是耍流氓》。   申明下:由于Cpk,Ppk在美系和德...
从变差谈Cpk_PPk.jpg

 
致敬 杨格_Alan 老师,下一篇《不谈SPC的Cpk都是耍流氓》。
 
申明下:由于Cpk,Ppk在美系和德系标准中含义不完全一样。本文及以下全都是沿用美系标准通用的概念。

Sol_Sun
2019/10-23 收起阅读 »

大家都来晒晒UID,看看有没有比我还早的。

76115 最近被几个帖子勾起了对以前6SQ盛况的怀念。 本人应当算得上老同志了,不过一直都是有一搭没一搭的在这里写点东西。...

00e25200d2311bfe208b59620c5a76d.png

最近被几个帖子勾起了对以前6SQ盛况的怀念。
本人应当算得上老同志了,不过一直都是有一搭没一搭的在这里写点东西。
 
大家可以晒晒各自的UID,看看还有没有比我还早注册的!

大数据时代下的质量管理与六西格玛

不管你承不承认,愿不愿意,大数据时代都将到来; 作为一名质量人,我们应当做好准备拥抱它的到来,而不是被它的到来带来的改变而抛弃。 下面请放开你的思想,畅所欲言:...
不管你承不承认,愿不愿意,大数据时代都将到来;
作为一名质量人,我们应当做好准备拥抱它的到来,而不是被它的到来带来的改变而抛弃。
下面请放开你的思想,畅所欲言:
1,大数据时代的到来会给质量管理带来什么变化?
2,大数据时代与六西格玛会擦除什么样的火花?
3,。。。。。。 收起阅读 »

用田口直积表理解稳健性设计 向DOE初学者进言(5)

BOX《试验应用统计》P338,清洁剂稳定性设计案例:4可控因子:2水平8次部分因析设计,3噪声因子:2水平4次部分因析设计,共32次不重复试验。原文称为裂...


BOX《试验应用统计》P338,清洁剂稳定性设计案例:4可控因子:2水平8次部分因析设计,3噪声因子:2水平4次部分因析设计,共32次不重复试验。原文称为裂区设计,这是典型田口直积表法。直积表也被称为乘积表,笔者认为乘积表更直观易理解。
但直积表常被人批评试验次数太多,直积表本质是每一个可控因子组合必需受过噪声因子组合的上下极限恶劣状态“压力”测试,其响应才是稳健的非实验室的数据。
有学者认为直积表可简化为一表法,即此案例成2水平7因子设计,这对稳健性设计是一种误解。
比如有一个2可控因子1噪声因子案例,一表法用2水平3因子因析设计8次试验,但每个可控因子组合只和上限噪声或和下限噪声各做4次试验。每个可控因子组合必须上下限噪声都做试验,即要再做8次,共16次试验。这样每一组可控因子组合在噪声上下限干扰下的均值和极差或样本方差是稳健性的指标。
而如有些学者用重复6次的样本方差作为离散性指标,但不是稳健性指标。而且重复多次试验总次数不比不重复的直积表少。
上述清洁剂案例旳噪声组合是省略的方法,忽略了部分噪声因子之间的交互效应。理想的噪声组合外表应用2水平3因子因析设计的8次试验,即需64次试验。
而传统D0E重视可控因子因析设计,而田口不少案例是噪声因子因析设计!?这就是稳健性设计的核心:可控因子可控,噪声因子不可控,只有通过试验才能知道噪声对响应的影响程度和可控因子和交互效应抑制噪声的效果。
  收起阅读 »

自变量相关(共线性)问题 向DOE初学者进言(4)

当方便用软件处理DOE数据建数模后, “我们往往可以非常自信地谈论总体估计的精确度。但是,我们对回归结果的信任程度取决于是否能够成功地处理以下常见问题:多元共...

当方便用软件处理DOE数据建数模后,
“我们往往可以非常自信地谈论总体估计的精确度。但是,我们对回归结果的信任程度取决于是否能够成功地处理以下常见问题:多元共线性、奇异值、非正态、异方差性以及非线性。”
单单就共线性问题,对寻找最优水平组合,也会带来判断困难。
《实用优选法》第3章望小型案例:A升温速度、B恒温温度、C恒温时间、D降温方式。
用极差法分析,对响应贡献大小排列:A>C>B>D。用部分正交试验:L9,3水平4因子。
9个结果中,C时间高水平6h组合,响应为1。
第2次正交试验之前,书中用“中心炮”和“两极炮”分析,都指向C时间8h和10h可能是最佳水平。但实际上第2次试验证明C时间3h或5h都能得到响应0。
原分析方向有误,笔者认为除部分正交试验信息不完备外,最重要的是A升温速度和C时间负相关,B恒温温度和C时间也负相关。
简易之:自变量之间相关不独立,有多种组合可达到最优(此案例响应为0)。
最后从经济角度,选C恒温时间3h的组合。
有的学者认为破解自变量相关的方法是去除一个自变量。
“一个常见的但往往容易被误用的解决共线性的方法是变量选择…用来将模型中回归因子减少至较低相关性的组合。”即逐步回归的方法, 但此案例,A和B都不能少。
统计假设最多的正态独立同分布,实际独立同分布是最基础性的约束。
也就是如不独立,不能用普通最小二乘法建数学模型,“对共线性的处理没有速效方法”。
比如SpC休哈特控制图,其中隐含前后工序独立,如不独立需用张公绪提出的SpD统计过程控制(选控图)。
多因子案例交互作用难避免,同样自变量之间相关也难避免。
所以高斯-马尔科夫七项假设中要求自变量之间没有完全的线性关系。
回归分析“尽管它是一件最常用的工具,但它同样有可能最容易被滥用的工具”
(《理解回归假设》序)
收起阅读 »

5why在解决实际问题中的应用

 引言       丰田公司倡导的5Why方法在解决实际问题,尤其是寻找根因的过程非常好用,今晚在修电脑转轴的过程,经过多次试错,实际也是在前期...
 引言

      丰田公司倡导的5Why方法在解决实际问题,尤其是寻找根因的过程非常好用,今晚在修电脑转轴的过程,经过多次试错,实际也是在前期思考不足的表现,如果使用5why法,或许会节约很多时间。

背景

     早上出门前,合上昨晚忘了关的电脑,结果悲催了,一声脆响,屏幕与键盘连接处转轴裂了:
笔记本转轴裂.png

          一边吐槽三星的东西不经用,一边在想着,都是晚上空调害的,塑料经常经冷、热交替的环境,加速了老化。早上出门的路上,我思考的是:换前壳,淘宝一搜,两个问题:
1. 运输时间,3-5天送货时间,不太想等。
2. 钱,二手的这个边框也要50+。电脑已经多年,剩不几个残值了!

解决问题的行动

     晚上下班,心里惦记着破的转轴,越不去想越想那种,想着赶快解决了,于是马上行动:

思路一:粘

       第一个思路是:买瓶502试试,胶水买回来之后,发现,不拆开,很难粘的住,没办法,找螺丝刀,于是第二次出门又买套螺丝刀套装。
   拆开前壳后是这样的:
拆开前壳后的内部照片.png

        扭动上图箭头那个转轴骨头,发现很难转的动,于是得出结论,这个转轴可能时间久了,润滑不行,卡死了,即使再用502粘塑胶壳,粘好后,就这里面的铁轴转动这么困难,肯定还是裂。

进阶思路二:润滑

      于是问题就变成解决转轴润滑的问题,马上第三次出门,买润滑油,框内是滴油区域,
滴油照片.png

滴完好多油之后,发现还是拧不动这个铁轴,再观察,发现铁轴头部有个螺母锁的有点紧:
内部螺母照片.png


进阶思路三:松螺母

       于是问题又变成是解决:如何松动螺母,调整铁轴的松紧程度,拆下铁轴:
铁轴照片.png

      最终,通过调整上图螺母,解决了轴紧的根本问题,然后使用502粘好了裂的塑胶壳,解决了表象问题,问题得到彻底解决。最终解决了转轴裂的问题。
  附上最终ok图片: 
最终OK照片.png

附上,拆机的工具和满桌狼藉。。。
工具照片.png


总•结

如果用5why的工具来分析这个问题:
问题表象描述:笔记本转轴外壳裂
5why_OK.png

      当然了,如果持续问下去,还没有到尾,但是对于这个问题来说,通过验证解决了螺母卡死的问题,就算彻底解决了电脑的开合问题,再继续下去,成本更高,是另一个问题了。
      虽然我自己的试错过程浪费了时间,实际中,部分why需要试错去确认分析的是否是根本原因,比如在转轴卡死的原因分析时候,确实需要去验证才能排除干扰因素。当然,如果在分析的时候,不要急着一下子解决根本问题,要一步一步的分析,不要跳步,分析的更全面一点,5why确实是可以帮助我们在彻底解决问题的道路上,少走很多弯路的。   
      至少,我不用为了买工具出门三次,使用5why分析,出门1次就可以了。
欢迎大家关注、交流沟通,更多文章,请移步:

欢迎关注我的公号,可以更及时的交流,WX搜索:精益供应商管理实践 收起阅读 »

属非参数统计的部分正交试验 向DOE初学者进言(3)

属参数统计范畴的全因子析因设计,费歇在上世纪廿年代在农业DOE上已应用,但在工业上应用滞缓。原因是大于4因子工业案例众多,用全因子析因设计试验次数太多。而能大...

属参数统计范畴的全因子析因设计,费歇在上世纪廿年代在农业DOE上已应用,但在工业上应用滞缓。原因是大于4因子工业案例众多,用全因子析因设计试验次数太多。而能大大减少试验次数的部分正交试验,其所谓主效应混杂交互效应,建数模困难。所以面对工业多因子案例两难局面,欧美学者裹足不前。
到40年代后期,纺织业专家田口玄一忽略部分正交试验的混杂问题,摆脱了非零交互作用必须甪全因子析因设计的束缚, 把部分正交试验用于工业多因子案例,在日本获得巨大成效。但欧美学者称田口方法是 “看不懂的天书”。
后来田口先生亲自在美国大企业,解决不少技术难题后,美国权威DOE文献都把田口稳健性设计列入章节:成功的实践更雄辩。
历史上,国内学者以参数统计理论观点,认为重复试验6次也是小样本,2水平4因子用8次试验样本太小,对其推断的可信度也曾持怀疑态度。北大学者在北京印染厂,现场参与的2水平7因子部分正交试验案例,仅用8次试验,成品率从32%提高到42%,反应时间缩短了近5小时。
实践促使反思理论,北大张里千认为部分正交试验属未知总体的非参数统计系统。
 为了达到回归系数估计最小方差无偏估计,需适合高斯-马尔可夫7项假设;为了回归系数置信区间估计,还需正态分布假设…这都源于追求建回归方程的高目标。
依靠正交表的优良性,如仅以寻找最优水平组合,就可摆脱参数统计的约束。
张里千先生为田口方法找到了理论归属,也为各种非全因子析因设计各种DOE派别正了名。
并且说明正交表的均衝分散性、整齐可比性是小正交表用小样本产生高效能的关键:
如不删除惰性因子,网大易捕捉到冒尖区域;
因子水平间分散距离足够,系统性变异的信号能淹没随机性变异噪声;
每一水平参与试验次数相同,使每一组试验都有相同的统计解释力。
工业上百个参数案例不鲜见,用超饱和设计筛选、用各种非全因子析因设计是必要的,但非全因子析因设计信息不齐的软肋和追求建数学模型的高目标相悖的。
张里千先生为首的北大学者们提出中国特色的《实用优选法》:
用不设交互作用项的小正交表,依照序贯设计思想,用多轮正交试验逐步寻到可能最优组合。
也可同样用于控制,以达到设计要求的均值和方差为目的。
目前DOE学界两条发展方向:
(一)寻找最优水平组合,暂不建数模。作为应用数学,只要知道“是什么”,不必知道“为什么”。
(二)建回归方程为目的。
(1)一种思路是研究最小低阶混杂设计,需用经验因素判断,关键仍不能避免混杂。
(2)另一种思路,删减惰性因子,缩减到3、4因子后再用全因子析因设计建数模。
其缺陷是当试验设计水平不够多、不够广时,在原水平时可能是惰性因子,在原水平外可能是非惰性因子,尤其是非线性响应可控因子。
明明是高维空间模型,武断缩减成低维空间模型,缩减了信息后建立的回归方程,对样本拟合也近似了,离拟合总体更远了。
(3)全因子析因设计信息也不齐。
比如2水平2因子全因子析因设计有4次试验,其仅X1xX2考虑交互作用,但忽略了回归因子可能二次方。如全二阶模型需6个参数待估计,应6次试验。
用小样本估计总体的回归系数可信度有多高?
所以英国统计学家肯德尔指出“样本量n应是解释变量个数p的10倍。”(《应用回归分析》p10)
建回归方程的目的是用于预测或控制,对小样本拟合好的回归方程,不一定对总体拟合好!
所以有学者警示:
“一个模型如果对数据拟合得太好可能对预测是槽糕的。”(《试验设计与分析及参数优化》p13)
收起阅读 »

QRQC 快速反应及质量控制

原创声明:本文由姜传武老师(18501797352)原创,转发请注明出处和原作者,谢谢!   75025 [attach]75...
原创声明:本文由姜传武老师(18501797352)原创,转发请注明出处和原作者,谢谢!
 
幻灯片1.JPG


幻灯片2.JPG


幻灯片3.JPG


幻灯片4.JPG


幻灯片5.JPG


幻灯片6.JPG


幻灯片7.JPG


幻灯片8.JPG


幻灯片9.JPG


幻灯片10.JPG


幻灯片11.JPG


幻灯片12.JPG


幻灯片13.JPG


幻灯片14.JPG



幻灯片15.JPG


幻灯片16.JPG


幻灯片17.JPG


幻灯片18.JPG


幻灯片19.JPG


幻灯片20.JPG


幻灯片21.JPG


幻灯片22.JPG


幻灯片23.JPG


幻灯片24.JPG


幻灯片25.JPG


幻灯片26.JPG


幻灯片27.JPG


幻灯片28.JPG


幻灯片29.JPG


幻灯片30.JPG


幻灯片31.JPG


幻灯片32.JPG


幻灯片33.JPG


幻灯片34.JPG


幻灯片35.JPG


幻灯片36.JPG


幻灯片37.JPG


幻灯片38.JPG


幻灯片39.JPG


幻灯片40.JPG


幻灯片41.JPG


幻灯片42.JPG


幻灯片43.JPG


幻灯片44.JPG


幻灯片45.JPG


幻灯片46.JPG


幻灯片47.JPG


幻灯片48.JPG


幻灯片49.JPG


原创声明:本文由姜传武老师(18501797352)原创,转发请注明出处和原作者,谢谢!
 
幻灯片50.JPG


幻灯片51.JPG


幻灯片52.JPG


幻灯片53.JPG


幻灯片54.JPG


幻灯片55.JPG

  收起阅读 »

基于非线性数模静态稳健性设计(RPD)的探讨 向 DOE初学者进言(2)

作为用于工业DOE的先驱,在日本应用正交试验近70年,是日本产品高性价比、高可靠性的基础,所以在日本有不懂正交试验只是半个工程师的说法。 国内八十年代开始学习田...
作为用于工业DOE的先驱,在日本应用正交试验近70年,是日本产品高性价比、高可靠性的基础,所以在日本有不懂正交试验只是半个工程师的说法。
国内八十年代开始学习田口正交试验,应用D0E也近40年了。但近期,笔者看到媒体介绍某高科技企业为了寻找刀片切割最佳角度化了4年,意识到当前重提田口方法的静态稳健性设计还是很有必要。
田口方法因不用统计学惯用的統计量和推理方法,常被欧美学者所诟病。有的是击中要害,有的有所误解。比如非全因子析因设计按北大张里千观点属非参数统计系统,不必用参数统计的费歇体系。其对DOE最大贡献,笔者认为是静态稳健性设计,美囯不少DOE权威文献都认可稳健性设计观点。
笔者发现田口静态稳健性设计其数学背景是非线性数模:
即响应曲面应是弯曲的,不弯曲就不能进行稳健性设计。所以不是每一个案例都可应用稳健性设计,如没有方差非线性响应的可控因子,或没有可控因子(或可控因子之间交互作用)抑制噪声因子的显著性交互作用(响应曲面已弯曲),这需要把系统重新设计成非线性数模。有学者认为田口三次设计只有参数和容差设计二次是误解,非线性的系统设计是三次设计中不能缺少的第一步。
近来媒体呼吁,仅快把实验室科研项目转化成量化产品,并质疑为何能造出二弹一星,而不少高品质产品无法国产。二弹一星非量化产品,又无市场竞争的经济性压力,离开经济性谈质量是无意义的。
往往在实验室做出样品性能优异,而批量生产和用户使用时感到质量波动大、可靠性差。量化产品要达到质量可靠性好又经济性好,中间难关不少,原因更复杂。
在休哈特时代之前,用事后检验方法删除超合格限产品保障量化产品质量合格、休哈特时代用统计技术,事前控制生产线质量的波动性、费歇时代认识到作为生产线的上游,设计阶段用DOE分析出可控因子对响应的贡献大小更重要、田口先生认为内外噪声因子对产品质量干扰,是理论设计或实验室成果到量化产品和使用环境中质量波动劣化的原凶。优化水平组合抑制内外噪声的稳健性设计使质量波动稳定,比靠用高价公价差小的零部件传统方法性价比高。
传统用公差小价格贵的零部件减少产品质量波动,是被动的治表方法,而利用合理水平组合抑制内外干扰,是主动廉价的治本的良方。
能抑制噪声干扰达到质量波动小的稳健性设计是保证产品质量稳定之源头。田口先生认为上游设计水平好,已决定了生产线产品质量优良和经济性,所以有好的产品是设计出来的说法。
比如实验室可精选零件参数和理想设计值一致,而量产时,哪怕达到六西格玛水平,零件特性值也必然和理想值有所偏离,最终造成整机质量的波动,即存在产品间噪声干扰。
如可控因子有方差非线性响应特性,仅调整到合适的水平,可降低产品间噪声对响应的干扰,类似用了高价离散性小的零部件的效果。
例如:
设计输入交流220伏,输出直流电压110伏整流变压器。电阻和晶体管放大倍数的变动对输出电压都有影响。晶体管放大倍数A水平时,输出直流电压均值110伏,传统工程技术人士认为已达到设计要求,但其输出电压极差17伏。
当晶体管放大倍数B水平时,输出均值170伏,极差5伏,说明晶体管放大倍数是有方差非线性响应特征的可控因子(离散因子)。稳健性设计选用输出均值170伏设计,仅用输出波动小的水平,达到用公差小高价零部件的效果。电阻是线性响应可控因子(位置因子),其变动不影响输出电压的方差,所以再用电阻把170伏校正到110伏目标值。达到均值等于目标值,而方差又小的目的。如A水平用公差小高价晶体管也能达到这方差小的水平,但经济性差多了。(注意:此案例独立的离散因子和独立的位置因子,两者不可缺一。)
输出响应如正态分布,有均值和方差两个参数,回归方程常见的是响应均值方程,而稳健性设计同时关注响应方差的系统性变异。
欧美文献用重复试验的样本方差表达系统性方差变异性是一种误解,一种组合重复试验的样本方差仅表达试验的随机性变异。
比如上述变压器案例,如用L9的3水平部分正交试验设计,每一水平有3组试验,晶体管放大倍数因子3个水平响应极差大小明显不一。稳健性设计认为响应极差有系统性变异,可能是方差非线性响应因子(离散因子)。
比如有的产品新的很好,使用吋间一长,产生功能衰退,故障多可靠性变差,即时效老化噪声,就是内噪声。传统方法用高价零件增加使用寿命。经典弹簧案例,不同水平组合寿命差十倍,仅調节可控因子水平就可得到长寿设计。
笔者用200元人民帀购买十年电池寿命的电子手表。起初认为其电池容量大,用了5年发现不需要调整时间,始终误差半分钟!容忍了5年中四季温差的外部干扰,5年零件老化和磨损的内部干扰,这里应有稳健性设计技术支撑,不单单是电池的品质好。
实验室中的温度、电压是可控因子,在生产线和用户使用时成为不可控因子,即成为外噪声。如有可控因子与噪声因子有正能量的显著性交互作用,可减弱外噪声的干扰。
比如:
汽车开发初,由于道路平整度的不完美,不平整会使前轮偏离原行进方向,驾驶员需时时刻刻校正方向盘十分累。当前轮呈倒八字倾角的前束设计后,如前轮受不平整影响,小角度偏离后,前轮会自动纠正到原行进方向,驾驶员省力多了。仅改变前轮倾角水平,抑制了路面外噪声的干扰,而不是去减少路面不平整度。
田口方法用信噪比寻优,认为不用信噪比公式就不是田口方法,对于初学者不一定非用田口信噪比寻优不可。
笔者认为DOE可分试验设计的结构表和数据分析两部分,前者是关键,后者用信噪比寻优、建数学模型或其它分析处理试验数据方法仅是不同的学术观点。
信噪比原是电工学一个术语,比如收音机音量设计:差的设计,信号音量放大,噪声也正比例放大。好的设计信号放大要远超噪声放大。田口方法信噪比的意义基于偏离目标值就产生质量经济损失观点:
均值偏离目标值帯来的质量经济损失必须小于方差带来的质量经济损失。
B0X认为田口方法望小、望大型信噪比公式不符合信噪比概念。
其望目型信噪比公式本质是变异系数的倒数,在寻优中必须用位置因子配套,但不是所有案例都能找到不影响方差的位置因子。田口先生用信噪比作为统计量的原意是把均值和方差综合成一个统计量,但望目型有3个参数,笔者认为其望目型公式缺目标值参数,是最大败笔。
寻找最优水平组合最困难的案例是两参数相悖:
均值趋近目标值时,方差变大,或方差趋小时,均值远离目标值。这时需权衡得失,不一定用望目型信噪比公式,可用田口的质量经济损失函数:
即响应分布对目标值的方差=响应分布方差+均值与目标值差的平方。
包括了3个参数。(其二次函数表达质量经济损失函数也是为了计算上方便,虽粗糙,但优于望目型信噪比公式。)
田口稳健性设计革命性的创新是把噪声因子加入正交表,(不是把交互作用项加入正交表)。
比如前变压器案例,正交表中输入电压水平不单是标准220v,以实际使用上下限波动值为上下水平(如支农产品,极差更大),来模拟外噪声。可控因子除标准参数外,实际批量生产零部件上下限为可控因子上下水平,模拟产品间噪声,模拟了批量生产实际使用环境的结果。
学术界常批评田口方法不量化可控因子交互作用。噪声因子是不可控的,难用理论计算出其对响应的影响,通过试验能估计噪声因子对响应的负面贡献和可控因子抑制内外噪声的贡献。如果噪声因子不加入正交表,哪怕正确量化出可控因子之间交互效应,其最优水平组合仅是实验室最优,量产使用时,并不优秀。
学术界另批评田口方法常用3水平正交表,认为2水平加中心点试验可检别响应曲面是否弯曲更简便合理。静态稳健性设计已定性为响应曲面必须是弯曲的,常用3水平正交试验好处是,每一水平的统计意义同等的,可为下一轮寻优的正交试验提供统计意义的信息。而中心点试验和用二水平正交试验不存在同等的统计意义。对望大望小型案例可用2水平,但对望目型3水平是必要的。
对大于4因子案例常常只能用部分正交试验,非全因子析因设计无法精确量化交互效应,所以初学者不必先为不精确的可控因子之间交互效应操心。用加入噪声因子的正交试验,找到最优水平组合就是胜利。待有大数据支撑,可再建模。至于这是可控因子之间交互作用贡献,还是可控因子和噪声因子交互作用的贡献可暂时不去追究,可视为《黑箱》效应。
对于稳健性设计的原理,有学者认为:
“非线性关系降低内部干扰因子影响,干扰因子与控制因子交互作用降低外部干扰或测量干扰因子的影响。”
用可控因子抑制噪声因子案例历史上早有实现,但上升到理论体系是田口先生贡献。
田口方法有不少缺陷,但其基于非参数统计系统的静态稳健性设计思想没过时,是对DOE最大贡献。(非参数统计系统概念另文再述)








  收起阅读 »

DFMEA

DFMEA用手机看条目DFMEA(Design Failure Mode and Effects Analysis,設計失效模式及後果分析) 目錄 [隱藏]...
DFMEA用手机看条目DFMEA(Design Failure Mode and Effects Analysis,設計失效模式及後果分析)

目錄

[隱藏]

1 什麼是DFMEA
2 DFMEA基本原則
3 DFMEA與PFMEA的關係
4 形式和格式(Forms and Formats)
5 我們應在何時進行設計失效模式及後果分析?
6 由誰進行設計失效模式及後果分析?
7 怎樣進行設計失效模式及後果分析?
8 怎樣進行設計失效模式及後果分析?
9 怎樣進行設計失效模式及後果分析?
10 怎樣進行設計失效模式及後果分析?
11 DFMEA的案例分析

11.1 案例一:DFMEA的案例分析[1]
11.2 案例二:DFMEA在通訊產品設計中的應用[2]

12 相關條目
13 參考文獻[編輯]什麼是DFMEA

DFMEA是指設計階段的潛在失效模式分析,是從設計階段把握產品質量預防的一種手段,是如何在設計研發階段保證產品在正式生產過程中交付客戶過程中如何滿足產品質量的一種控制工具。因為同類型產品的相似性的特點,所以的DFMEA階段經常會借鑒以前量產過或正在生產中的產品相關設計上的優缺點評估後再針對新產品進行的改進與改善。[編輯]DFMEA基本原則

DFMEA是在最初生產階段之前,確定潛在的或已知的故障模式,並提供進一步糾正措施的一種規範化分析方法;通常是通過部件、子系統/部件、系統/組件等一系列步驟來完成的。最初生產階段是明確為用戶生產產品或提供服務的階段,該階段的定義非常重要,在該階段開始之前對設計的修改和更正都不會引起嚴重的後果,而之後對設計的任何變更都可能造成產品成本的大幅提高。

DFMEA應當由一個以設計責任工程師為組長的跨職能小組來進行,這個小組的成員不僅應當包括可能對設計產生影響的各個部門的代表,還要包括外部顧客或內部顧客在內。DFMEA的過程包括產品功能及質量分析、分析故障模式、故障原因分析、確定改進項目、制定糾正措施以及持續改進等6個階段。[編輯]DFMEA與PFMEA的關係

DFMEA是指設計階段的潛在失效模式分析,是從設計階段把握產品質量預防的一種手段,是如何在設計研發階段保證產品在正式生產過程中交付客戶過程中如何滿足產品質量的一種控制工具。因為同類型產品的相似性的特點,所以的DFMEA階段經常後借鑒以前量產過或正在生產中的產品相關設計上的優缺點評估後再針對新產品進行的改進與改善。

PFMEA如果在DFMEA階段做的比較好的話那麼在PFMEA階段將不會出現影響較大的品質問題,但必竟是新產品往往都會出現自身特有的問題點,而這些問題也通常都是要經過長時間的量產或者是交付給客戶後才發生或發現的品質問題,這就要通過PFMEA加以分析保證。

兩者最終的目的都是一樣的都追求產品質量的穩定及良品最大化,同時也為大量生產提供可行性的保證。[編輯]形式和格式(Forms and Formats)

用戶可能有他們所要求的特定格式或形式。如果是這樣,你只有徵得他們的書面同意,才能採用其他格式。

這是產品設計小組採用的一種分析方法,用於識別設計中固有的潛在失效模式,並確定所應採取的糾正措施。

正式程式
著眼於客戶
儘可能利用工程判斷和詳實的數據[編輯]我們應在何時進行設計失效模式及後果分析?

當還有時間修改設計時!
事後補作設計失效模式及後果分析只能當作一個練習而已
設計失效模式及後果分析是產品質量先期策劃和控制計劃(APQP)中“產品設計和開發”階段的產物
在分析了客戶要求和形成初始概念之後進行
在過程失效模式及後果分析(PFMEA)之前,通常與可製造性設計(DFM)一道進行。
應成為概念開發的一個組成部分
是一個動態文件

從一種戰略觀點出發...

在下列情形下,進行設計失效模式及後果分析DFMEA(或至少評審過去做過的DFMEA) :

是一種新的設計
在原設計基礎上修改
應用條件或環境發生變化

從一種戰略觀點出發...

客戶的要求或期望改變
競爭環境、業務環境或法律環境發生變化
你公司負有設計責任,且PPAP(生產件批准程式) 的一些條件適用
實際發生失效[編輯]由誰進行設計失效模式及後果分析?

由對設計具有影響的各部門代表組成的跨部門小組進行

供應商也可以參加
切不要忘記客戶

小組組長應是負責設計的工程師

跨職能部門小組

5-9人,來自:

系統工程
零部件設計工程
試驗室
材料工程
工藝過程工程
裝備設計
製造
質量管理[編輯]怎樣進行設計失效模式及後果分析?

提要

組建跨職能部門設計失效模式及後果分析DFMEA小組
列出失效模式、後果和原因
評估

the severity of the effect (S) 影響的嚴重程度
the likelihood of the occurrence (O) 可能發生的機會
and the ability of design controls to detect failure modes and/or their causes (D) 探測出失效模式和/或其原因的設計控制能力[編輯]怎樣進行設計失效模式及後果分析?

提要

Calculate the risk priority number (RPN) to prioritize corrective actions 計算風險優先指數(RPN)以確定應優先採取的改進措施[編輯]怎樣進行設計失效模式及後果分析?

提要

Plan corrective actions 制訂糾正行動計劃
Perform corrective actions to improve the product 採取糾正行動,提高產品質量
Recalculate RPN 重新計算風險優先指數(RPN)[編輯]怎樣進行設計失效模式及後果分析?

提要

先在草稿紙上進行分析;當小組達成一致意見後,再將有關信息填在設計失效模式及後果分析FMEA表上

use fishbone and tree diagrams liberally 充分利用魚骨圖和樹形圖
trying to use the FMEA form as a worksheet leads to confusion and messed-up FMEAs 若將FMEA表當做工作單使用,就會造成混亂,使FMEA一塌糊塗

建議

1. 組建一個小組並制訂行動計劃

絕不能由個人單獨進行設計失效模式及後果分析,因為:

由個人進行會使結果出現偏差
進行任何活動,都需要得到其他部門的支持

應指定一個人(如組長)保管設計失效模式及後果分析FMEA表格

應將小組成員的姓名和部門填入設計失效模式及後果分析FMEA表格

2. 繪製產品功能結構圖

一種圖示方法,其中包括:

用塊表示的各種組件(或特性)
用直線表示的各組件之間的相互關係
適當的詳細程度

結構圖

[产品功能结构图]

3. 列出每個組件的功能

功能系指該組件所起的作用
以下列形式說明功能:

Verb + Object + Qualifier

動詞+賓語+修飾詞

例如:

insulates core 使型芯絕緣
assures terminal position in connector 確保端子與接頭連接到位
protects tang from smashing, etc. 防止柄腳被壓碎, 等

Don't forget auxiliary functions as well a primary functions 不要忘記基本功能和輔助功能
Often, components work together to perform a function 通常,多個組件一起行使某一功能
Hint: Use the Block Diagram! 提示:利用結構圖!

4. 列出質量要求

a customer want or desire 客戶的期望或要求
could seriously affect customer perception 有可能嚴重影響客戶的看法
could lead to a customer complaint 有可能導致客戶投訴
Hint: Use QFD 提示:使用質量功能展開

5. 列出潛在的失效模式

a defect, flaw, or other unsatisfactory condition in the product that is caused by a design weakness 由設計缺陷造成的產品缺陷、瑕疵或其它令人不滿意的情況

典型的失效模式

- breaks - cracks

破碎   斷裂

- corrodes - sticks

腐蝕     粘結

- unseats - deforms/melts

未到位   變形/熔化

提示

從前兩個步驟做起:

功能
質量要求

AIAG將失效模式定義為產品不能實現其設計意圖的一種方式。本教材所列第5個步驟中的提示通過列舉功能和質量要求,扼要闡述了設計意圖。註明“無功能”的中間步驟則是指設計意圖無法實現。

用你自己的話,對下列情況舉例說明:

failure = no function

失效=無功能

failure = not enough function

失效=功能不強

failure = too much function

失效=功能過強

同樣:

failure = no quality requirement, etc.

失效=無質量要求,等

具體說明每種情況發生的方式:

使用“技術”術語具體說明
採用工程技術判斷和/或分析
參考歷史資料,如顧客戶抱怨等
“組件或特性,導致無功能”

例如:線束夾+螺釘+車身面板上的孔眼
功能=固定線束
無功能=夾子不能將線束固定在車身面板上,失效模式:

夾子在彎頭處出現裂紋或斷裂
夾子從固定孔眼中脫落

功能不足=夾子不能將線束夾緊,失效模式:

夾子太大
夾子未鎖定

功能過強=夾子將線束夾得過緊,失效模式:

夾子的金屬邊夾破了電線
夾子對不齊

6. 推導各種失效模式的潛在後果

失效的結果(衍生物)
有可能後果

最終客戶或中間客戶
政府法規,或
系統層次中的某一部分

顧客的抱怨是有用的信息來源
其後果可能是:

功能完全喪失,或
性能或質量下降

許多失效模式有不止一種影響!
提示:從你在上面所提到的“無功能”情況出發
失效的後果通常表現為從直接後果到對客戶的最終後果等一系列連鎖反應
建議對每一種失效模式建立這種關係鏈,並記錄在失效模式及後果分析FMEA表上

運用樹形圖(故障樹)

6. 說明

無功能=夾具不能將電線固定住
失效模式:夾具彎曲處出現裂縫
後果:線束鬆脫

可能纏住或絆住
可能喪失電氣功能

功能不足=夾子不能將電線夾緊
失效模式:線束鬆動
後果:線束髮出咔嗒聲

客戶感覺到嗓音

功能過強=夾子將線束夾的過緊
失效模式:夾具不對中
後果:使線束變形

有可能使接頭移位
有可能使電氣系統喪失功能

6. 失效的後果

如果影響了安全或對政府法規的符合性,就應如實講清。

7. 評估每種後果的嚴重性

AIAG嚴重性評估標準是針對車輛發生的失效制訂的。它有助於將這個表格轉換成你的特定產品的術語。

嚴重性打分:Severity Rating (S):

9-10 unsafe 不安全
7-8 loss of primary function 喪失基本功能
5-6 discomfort 不舒適、不方便
2-4 noticeable 具有明顯的影響
1 no effect 無影響

嚴重性列表 AIAG Severity Table

影響的嚴重性 Severity of Effect (S):

10 unsafe or out of compliance, with no warning to the customer 不安全或不符合法規,未告誡客戶
9 unsafe or out of compliance, but a warning is given 不安全或不符合法規,但發出了警告
8 inoperable 不能操作
7 operable, but at reduced performance 可操作,但性能降低
6 comfort or convenience item is inoperable 舒適方便的項目不能操作
5 comfort or convenience item is operable, but at reduced performance 舒適方便的項目能操作,但性能降低
4 noticeable by most customers 絕大多數客戶感覺明顯
3 noticeable by average customer 一般客戶感覺明顯
2 noticeable by discriminating customer 辨別能力強的客戶感覺明顯
1 no effect 無影響
0 THERE IS NO SCORE OF ZERO. 無零分

7a. Classify special product characteristics 特殊產品特性分類

如果影響到安全或違反法規(嚴重性為9或10分)而且發生率或探測性(occurrence or detection)評分也很高(如3分以上)...這些產品特性須特別加以控制。

Control Plan 控制計劃

8. 確定每種失效模式的潛在原因

形成失效模式的設計缺陷是造成失效的原因

是產品設計後所固有的
與產品的使用有關

許多失效模式是多種原因造成的!
將導致失效的條件文件化

例如:應力超過強度

考慮“可預見的對產品的錯誤使用”

如用一根20A保險絲代替10A保險絲

此外,還應考慮產品的使用壽命
失效通常是由一系列的事件造成的,從直接原因到最終原因等
建議為每一種失效模式建立這種鏈並記錄到失效模式及後果分析表

可利用故障樹或魚刺圖加以闡述

因果圖

[因果图]

例如:線束夾子
失效模式:夾具彎曲處斷裂
原因:

彎曲半徑太小,無法承受較大的應力<< 設計標準不明確
振動<< 安裝方向不對<< 受到空間限制

設計失效模式及後果側重於設計缺陷。然而有時在失效的“設計”原因與“過程”原因之間並無明顯區別。

示例:即使所有加工尺寸都符合規格,但累積公差仍有可能造成一小部分零部件失效。這實際上屬於設計缺陷。

如果確信某項設計特別易受過程變差的影響,就應將此也視為一種設計缺陷,並應列入設計失效模式及後果分析中。

9. 評估每種失效原因出現的可能性

如果依據現有設計進行生產的話

利用歷史資料
註重改進
考慮產品使用壽命
利用可靠性模型,與類似的產品進行比較。

Occurrence Rating (O):發生率評分(0):

9-10 failure is almost inevitable 失效幾乎是不可避免的
7-8 repeated failures likely 有可能重覆失效
4-6 occasional failures likely 有可能偶爾失效
2-3 relatively few failures 很少失效
1 failure is unlikely 不可能失效
O ccurrence Rating (O):發生率評分(0)

AIAG Occurrence Table 發生率表

10 > 1 in 2
2項發生1次 failure is almost inevitable 失效幾乎是不可避免的
9 1 in 3
3項發生1次 -
8 1 in 8
8項發生1次 repeated failures likely 有可能重覆失效
7 1 in 20
20項發生1次 -
6 1 in 80
80項發生1次 occasional failures likely 有可能偶爾失效
5 1 in 400
400項發生1次 -
4 1 in 2000
2000項發生1次 -
3 1 in 15,000
15,000項發生1次 relatively few failures 很少失效
2 1 in 150,000
150,000項發生1次 -
1 < 1 in 1,500,000
1,500,000項發生1次 failure is unlikely 不可能失效

Be conservative in assigning numbers. 在評分時應持保守態度
No clue? Assume a score of 10 to "flag" the RPN. 沒有線索怎麼辦?可評10分“標明”風險順序數 RPN。

10. 編製現有設計控制清單

設計控制:能夠保證合理設計的任何技術

可製造性分析DFM Analysis
Sneak Circuit Analysis (System FMEA)潛行迴路分析(系統FMEA)
耐久性/驗證試驗
有限元分析Finite Element Analysis
模擬方法Simulation
其它

設計失效模式及後果分析的目的:

核實失效模式及其原因

產品確實能夠以這種方式失效嗎?
產品還會以其它方式失效?
是否已識別失效的真正原因?

...或者防止發生失效
失效模式如同疾病,設計控制則象醫生採取的診斷方法

no false negatives 無虛假否定
no false positives 無虛假肯定
(doctor prefers prevention) (醫生喜歡採取預防方法)

提示

To continue the analogy, the FMEA is like a list of suspicions that a doctor has based on the symptoms he sees. The design controls are the tests that the doctor proposes to either confirm or throw out those suspicions. 繼續進行類比。FMEA恰似一名醫生根據他所看到的病癥作出的一系列診斷。設計控制就是醫生用於證實或排除這些診斷的試驗。

設計控制有三種類型:

(1) 防止失效產生的原因;

(2) 查明失效的原因;

(3) 檢測失效模式

在FMEA表上指定用於相同或類似設計的設計控制手段
設計控制對應於控制失效模式或原因

可以採取任何類型:1,2 或3,或其中的任意組合。
如果沒有,可寫“無”。

11.探測失效

探測評分----衡量第2或第3種設計控制能力,告訴我們

潛在的失效模式是否是真正的失效模式,或
潛在的原因是否是真實的原因
還可以對第1種“預防性”控制的有效性進行評分

Detection Rating (D):探測評分(D)

9-10 remote chance of detecting failure 查明失效的可能性極小
7-8 very low chance 可能性很小
5-6 low to moderate chance 可能性不大
2-4 good chance 可能性較大

1 will almost certainly detect failure (if it passes this, it won’t fail) 幾乎肯定能探測到失效(如能通過這項探測,就不會失效)

註意:

這是一種數值判斷
其目的是評估現有設計控制能力
Controls designed to force failure may mask real failure modes! 用於強行防止失效的設計控制手段有可能掩蓋真正的失效模式!

(應小心謹慎,並自己作出判斷)

12.估算風險優先數(RPN)

RPN= S x O x D

RPN =Severity of Effect x Occurrence Rating x Detection Rating

RPN =後果的嚴重性x失效發生概率評分x探測評分

重點放在較高的RPN上

措施

從最大的RPN項目開始

不要憑直覺隨意確定優先“減小”數值

13. 糾正措施

應採取哪些改進措施來降低:嚴重性、發生率或探測評分
減輕嚴重程度--更改設計,以控制其後果
降低發生率--更改設計,以控制其產生原因
改進探測--改進試驗或模擬方法
如果嚴重性的評分為9或10分時,應予以特別註意
你不建議採取糾正措施嗎來降低風險優先數RPN?

不要在表上留下空格不填。應填寫“無”

某些項目可能需要與PFMEA小組討論。將這一點記在表上。

14. 職責和預定日期

FMEA以採取行動為主
必須確定職責並記錄履行日期
指定最適合履行職責的個人或小組
被指定的個人或小組應該是FMEA小組成員。

15. 採取的糾正措施

記入表內,以便

追蹤進展情況
將“充分的關註”文件化(理智的、知識豐富的、負責任的人員應確保產品的設計、製造和交付符合適用的政府標準和法規。為實現充分的關註並符合顧客的其它要求,在執行關鍵特性標識系統是,應將標準關註、附加關註和特殊關註設計到質量體系中。)

完成日期和簡要說明

16. 重新計算風險優先數RPN

評價建議採取的糾正行動
然後重新評估

嚴重程度severity,
發生率,和/或occurrence, and/or
探測能力detection.
重新計算風險優先數RPN
利用支持數據確認改進措施

結果:

有可能對失效重新排序
有可能導致進一步糾正措施[編輯]DFMEA的案例分析[編輯]案例一:DFMEA的案例分析[1]

DFMEA是一種以預防為主的可靠性設計分析技術,該技術的應用有助於企業提高產品質量,降低成本,縮短研發周期。目前,DFMEA已在航空航天以及國外的汽車行業得到了較為廣泛的應用,並顯示出了巨大的威力;但在國內汽車行業並沒有系統地展開,也沒有發揮其應有的作用。以DFMEA在國產汽油機節流閥體的改進設計中的實施為例,對改進後的DFMEA的實施方法和流程進行闡述。

一、實施DFMEA存在的困難

發動機為完成其相應的功能,組成結構複雜,零部件的數量也很龐大,如不加選擇地對所有的零部件和子系統都實施DFMEA,將會耗費大量人力、物力和時間,對於初次實施DFMEA的企業幾乎是不可能完成的工作。為此,需要開發一種方法,能夠從發動機的子系統/零部件中選擇出優先需要進行分析的對象。

發動機由曲柄連桿機構、配氣機構、燃油供給系統、進氣系統、冷卻系統和潤滑系統等組成,各機構和系統完成相應的功能。子系統的下級部件或組件通常需要配合完成相應的功能,在描述這些部件或組件的功能時,不僅應該描述其獨立完成的功能,還應描述與其他部件配合完成的功能。

組成發動機的零部件種類很多,不僅包括機械零部件還有電子元件,電子部件的故障模式已經較為規範和完整,但機械繫統及其零部件的故障模式相當複雜,不僅沒有完整且規範的描述,二者之間還有一定的重覆,為DFMEA工作的開展帶來了困難,故需要為機械繫統及其零部件建立相應的故障模式庫。

二、實施DFMEA的準備工作

由於在發動機設計中實施DFMEA要遇到較多困難,故作者建議,在具體實施DFMEA之前,需要做好建立較為完善的故障模式庫並確定DFMEA的詳細分析對象等準備工作。

1.建立故障模式庫的方法

發動機的組成零部件多、結構複雜,大多數零部件在運行時還會有相互作用,導致零部件、子系統和系統的故障模式不僅複雜,各層次的故障模式還會相互重覆,需要為發動機建立一個故障模式庫;該模式庫不僅應該包含發動機中所有子系統和零部件的故障模式,還能夠反映出該故障模式究竟屬於哪一個零部件或系統,其建模流程如下圖所示。

(1)建立系統結構樹

為建立故障模式庫,首先要建立系統的結構樹,它並不依賴於某一特定的產品,而是依據同一類產品建立。如建立一個汽油機的結構樹時,應考慮該廠所有的汽油機,分析出其共同特點後建立結構樹;對於組成結構有重大改變的產品,可以考慮為其改變的部分建立一個分支,掛接在系統結構樹的相應節點上。

以汽油機的節流閥體為例,該閥體大致都由閥體、怠速控制閥、節氣門位置感測器等組成,細節部分會有所不同,節流閥體的系統結構樹如下圖所示。

(2)確定故障數據源

為確定故障模式,先要找到相應的數據源;建議選擇同類產品的試驗數據或三包數據,因為這兩種數據中較為詳細地記錄了產品在試驗和使用過程中出現的故障。由於發動機可靠性試驗的成本很高,一般企業中都不會有充分的試驗數據;儘管三包數據記錄的不是十分規範,但通過歸納和整理,仍然可以從中抽象出故障模式。所以,在試驗數據不充足的情況下,一般推薦採用三包數據。

(3)篩選所分析子系統的故障數據

一般來講,故障數據來自於系統,需要將故障數據逐層篩選,才能最終得到系統、每一級子系統以及零部件的故障數據,為確定其故障模式作准備。

(4)確定關鍵字

三包數據來自於不同的維修點,並非由專業的試驗人員收集,難免存在不規範的現象,比如對於“密封不嚴”這一故障現象,故障數據中就會有“密封不嚴、不密封、密封性差、密封性不好”等多種描述。

針對這種現象,建議數據歸納人員先要瞭解各種故障現象的描述,在此基礎上確定關鍵字,對所選子系統的故障數據進行歸類。關鍵字確定的原則是,能篩選到95%以上的同種故障現象,儘量做到不遺漏;不同故障現象間儘量做到不重覆。因此,篩選同一種故障現象很可能需要確定幾個關鍵字。

(5)對系統的故障數據進行分類

依據確定的關鍵字對系統的故障數據進行分類,分類後的故障數據就可以用來抽象出故障模式。

(6)故障模式的抽象

根據分類後的故障數據,可以抽象出相應的故障模式。故障模式要求用術語表示,汽車產品可以參照標準 QC—900;標準中沒有的故障模式,需由工程師商量之後統一確定。

(7)故障模式掛接在系統結構樹的節點上

系統、子系統及零部件等不同層次都會有相應的故障模式,需要將其掛接在相應的節點上,至此故障模式庫就搭建完成。隨著分析工作的深入和故障數據的持續歸納,故障模式庫會越來越完整。

對節流閥體的故障數據進行以上的處理之後,得到了各級組件及零部件的故障模式,建立了節流閥體的故障模式庫,下圖示出故障模式庫的一部分。

需要指出,實施DFMEA時分析對象的故障模式不僅來源於故障模式庫,還來自於工作小組的分析。

2.確定DFMEA的詳細分析對象

根據實施DFMEA需要耗費大量時間的具體情況,本研究的參考文獻[2]提出了一種新方法來確定需要詳細實施DFMEA的對象;思路是對系統進行逐級分析,根據一定的標準確定需要詳細分析的分支(以下稱為重要分支),對重要分支一直細化到最底層,不可再分的重要分支即為需要詳細分析的對象。方法分為3步,即建立系統的組成結構樹、確定閾值、選擇所需分析的對象。

(1)建立系統的組成結構樹

此處系統的組成結構樹與上述中的系統結構樹類似,但本質上不同。這裡的系統組成結構樹是與系統的組成完全相同,依照系統的結構和功能逐級向下建立,直到系統的零部件為止(稱為組成結構樹的葉結點),組成結構樹的示意圖見下圖。

圖中的系統由子系統1和子系統2組成,兩個子系統分別完成相應的功能。子系統1由子總成1和2組成,子總成1又可以向下劃分為零部件;子系統2由兩個零部件組成。其中S12,S21,S22,S111和S112都是該組成結構樹的葉結點。

(2)確定閾值

閾值是確定重要分支所依據的條件。根據DFMEA的原理,推薦確定重要度(S)和風險順序數(RPN)兩個參數的閾值,只要某分支的S和RPN兩參數中的任意一個等於或超過閾值,該分支就被確定為重要分支。除S和RPN以外,DFMEA中還有發生度(O)和探測度(D)兩個參數,S用來描述故障後果,O表明故障原因的發生概率,D是對探測措施有效程度的度量,RPN是S,O,D3者的乘積。O和D的閾值根據類似產品的故障數據確定,原則是要比DFMEA中的閾值低。

(3)選擇所需分析的對象

對產品的組成結構樹逐級向下分析,首先確定第一級分支的所有的S,O,D值,並計算得到RPN值;然後根據閾值來確定哪一個分支為重要分支,被確定為重要分支的仍然重覆以上過程直到組成結構樹的葉結點,非重要分支則不再繼續分析。

以下圖所示的系統組成結構樹為例,選擇需要分析的對象。假設S和RPN的閾值分別為6和70,組成結構樹中分支的各參數情況如圖5所示,有“3”的部分為重要分支。

由圖可見,子系統S1的S和RPN都達到閾值,被確定為重要分支;子系統S2的RPN雖未達到閾值,但S已經超過閾值,也被確定為重要分支;S12,S22和S111被確定為分析對象,需要對其進行詳細的DFMEA。

分析節流閥體的故障數據,確定S和RPN的閾值分別為5和30,分析結果見下圖。由分析結果可知,需要對節氣門位置感測器、怠速控制閥、閥片、閥體本體進行詳細的DFMEA。

三、實施DFMEA的流程

為增加DFMEA的可用度,使初次進行DFMEA的工作人員也能順利地實施DFMEA,針對發動機設計的特點,對DFMEA的流程進行了進一步的歸納和改進(見下圖)。

為加深對實施階段的理解,提高分析效率,將實施階段分成確定基礎項、確定衍生項及生成DFMEA報告等3步。

實施階段中,功能、潛在故障模式、潛在故障影響、故障原因和現有控制措施等5個加“3”的為基礎項,它們的分析是決定DFMEA實施成功與否的關鍵;S,O,D,RPN和建議的糾正措施為衍生項;基礎項確定之後,衍生項可以隨之確定。

1.分析基礎項

(1)功能

分析項目的功能,用儘可能簡明的文字來說明被分析項目滿足設計意圖的功能;閥體的功能是與閥片配合保證最小流量;與怠速控制閥配合保證怠速流量;與節氣門位置感測器配合保證主進氣量。

(2)潛在故障模式

每項功能會對應一種或一種以上的故障模式,填寫故障模式要遵循"破壞功能"的原則,即儘量列出破壞該功能的所有可能的模式;故障模式大部分來源於故障模式庫,還有一部分是新出現的故障模式以及小組分析的結果,閥體的潛在故障模式為磨損、裂紋、斷裂以及積碳等。

(3)潛在故障後果

每種故障模式都會有相應的故障後果;分析故障後果時,應儘可能分析出故障的最終影響,即最嚴重的影響;閥體的潛在故障後果為發動機無力、燃油消耗率高、怠速高。

(4)潛在故障起因

所謂故障的潛在起因是指設計薄弱部分的跡象,其結果就是故障模式;根據閥體結構和對其進行的功能分析,可以知道閥體磨損的潛在故障原因為,閥體喉口與閥片直徑不匹配;閥桿與閥片螺釘孔的位置不匹配;怠速控制閥與怠速通道的孔徑不匹配;怠速通道的孔系不同軸。

(5)現有控制措施

根據故障的潛在起因可確定預防與探測的措施,這些都是已有的或將要有的措施。

閥體的現有控制措施為配合設計閥體喉口和閥片直徑,保證其配合間隙;配合設計閥桿和閥片螺釘孔位置,保證其同心度;配合設計怠速控制閥和怠速通道的孔徑,保證其配合間隙。

2.分析衍生項

根據潛在故障後果確定S,根據潛在故障原因以及同型產品的三包數據確定O,根據探測措施確定D;根據確定的S,O,D計算得到RPN值。如果需要修正,可以提出適當的建議措施,作為改進的依據,最後生成統一的DFMEA報告。

美國汽車工業行動集團(AIAG)頒佈的FMEA標準中,提供了嚴重度、O和D的評定准則[3],其中,O準則非常直觀,根據計算得到的頻率即可得。

D和嚴重度判定准則的操作性較差,作者推薦企業根據AIAG的D準則,結合企業現有的控制措施制定適用於企業自身的D判定准則。

至於嚴重度的判定,提倡仍沿用AIAG的準則,但為了增強其可操作性,作者對其進行了進一步的歸納總結,生成如下圖所示的流程;根據該流程即可很容易地判定每種故障的嚴重度。

閥體磨損的嚴重度影響了發動機的基本功能,但未完全喪失,所以嚴重度為7;

閥體磨損的O根據故障數據的統計結果,結合專家組的分析,確定O為3;

閥體磨損的檢測度現有的控制措施除硬度檢測外,均為對兩零部件的配合檢測,有較多的機會能找出潛在的起因,檢測度為4。

專家組確定S和RPN的閾值為7和80,當S超過7(含7),RPN超過80(含80)時,必須對其進行改進。因此,提出了以下建議措施:a)閥體喉口和閥片直徑、閥片和閥桿影響全閉泄漏量,除保證其配合間隙外,還應通過設計保證裝配後閥體喉口和閥片的同軸度,併進行全閉泄漏量檢測;b)怠速控制閥和怠速通道影響怠速流量,先需要通過設計保證怠速通道孔系的同軸度,然後保證怠速控制閥和怠速通道的同軸度和間隙。

完成以上分析後,要根據建議措施對設計進行修正(實際採取的措施可能與建議措施不同),修正後再重覆以上步驟,直至S和RPN低於確定的DFMEA的S和RPN閾值。

3.生成DFMEA報告

完成每輪DFMEA之後,要及時生成DFMEA報告,包括需改進的零部件、建議措施和改進措施等。[編輯]案例二:DFMEA在通訊產品設計中的應用[2]

一、DFMEA簡介

1.DFMEA簡介

FMEA 是potential Failure Modeand Effects Analysis的縮寫,意指失效模式和後果分析。它是一種識別設計風險,降低風險的分析方法。該方法於1949年由美國軍方創建,並將其用於國防工業。後來在航空航天、汽車工業中得到廣泛運用。1 993年,美國汽車工業行動集團首次發行了FMEA標準,並於2008年發佈第四版。

FMEA主要分為DFMEA和PFMEA。DFMEA指設計失效模式和後果分析,關註的是產品設計產生的潛在失效。

PFMEA指過程失效模式和後果分析,關註的是產品製造過程中產生的潛在失效。

本文將重點討論通訊產品設計過程,如何通過DFMEA來提高產品質量。

2.DFMEA的作用

DFMEA由負責產品設計的設計工程師在設計開發階段完成。同時它也是一種有效的法律記錄,記錄了我們降低顧客潛在風險,保護顧客投資所做的努力。

DFMEA的實施,可以有效的提高產品質量,縮短產品開發周期,降低開發維護成本,提高顧客滿意度。同時,DFMEA也是創新型企業知識管理的方法,為企業如何做好知識積累提供思路。

3.DFMEA在執行過程中遇到的主要問題。

FMEA目前在汽車製造行業運用最為廣泛。因此大部分介紹FMEA或者DFMEA的專著都是以汽車行業為背景。

這就為希望把DFMEA分析方法引入通訊產品設計的工程師帶來了不小的麻煩。

DFMEA在執行過程中,很容易產生下麵兩個問題:第一是把DFMEA做“虛”。DFMEA最重要的作用就是失效預防。很多企業甚至把分析工作放到了開發基本結束後,如何可能實際效果? DFMEA如果沒有和現行的開發流程、製造流程緊密結合。最終都將變成紙上談兵。

第二,設計工程師沒有正確理解DFMEA的內在邏輯關係,盲目照搬DFMEA標準的表格,依靠個人經驗,無序的堆徹想象出來的失效模型。這樣得出的結果,自然無法實現失效預防。

針對這兩類問題,筆者對DFMEA的方法做了一些改進,加入了自己的實踐理解和操作經驗,使之更為適合通訊產品設計的運用。該方法在某高新技術企業的交換機產品開發上進行了實施,收到了較好的效果。

二、DFMEA流程

1.DFMEA實施流程

DFMEA的實施一般可分為:DFMEA策劃,表頭填寫,團隊組建,失效調研,結構分析 功能分析,風險評估,風險量化,優化措施等,共計9個步驟。

上述9個步驟和產品的開發密切相關,是本文討論的重點,但並不是DFMEA的全部。DFMEA是一個動態文件,在整個產品的生命周期都有效,它應該隨著產品在市場的表現,不斷的被更新,直到產品退市。這種意識是DFMEA得以成功實施的很關鍵的一點。

2.DFMEA與IPD開發流程的關係

IPD(Integrated Product Development)是一種先進的產品研發流程,在通訊行業運用較廣。在IPD流程中,產品研發一般包括以下六個階段:概念階段、計劃階段、開發階段、驗證階段、發佈階段、品類階段。其中概念階段到驗證階段,一般認為是產品研發的關鍵階段。也是我們DFMEA實施的主要階段。

DFMEA的實施與IPD流程有以下幾個關鍵的契合點:

(1)DFMEA策劃在產品計劃階段結束前完成。DFMEA策劃的啟動,一般要求在產品設計方案定型以後開始,一般建議該活動放在產品計劃階段內完成。該階段是我們制定各種產品開發計劃的關鍵階段。這也包括DFMEA的實施計劃。

(2)DFMEA的啟動一般在計劃階段結束後。計劃階段結束,產品馬上進入開發階段階段。該階段是產品設計實現的階段,也是DFMEA實施的主要時段。

(3)DFMEA的優化措施必須在樣機發佈之前完成。要保證讓DFMEA分析的結論,能成功的導入設計。那就必須做到在設計凍結之前,完成第一次DFMEA分析。這樣才能使我們的DFMEA不流於錶面。

(4)DFMEA的更新必須在產品正式發佈之前,至少完成一次。在產品的驗證階段,我們要做大量的調試、測試工作,很可能會發現一些設計問題。這些問題需要更新到我們上個階段的DFMEA分析報告。

(5)DFMEA需要在整個產品生命周期被持續更新。企業是否具備這種觀念可以說是DFMEA在這個企業是否被成功實施的重要特征之一。只有堅持持續更新我們的DFMEA分析報告,才能做到知識的不斷累積,進而用來提高下一個產品設計的質量。

有了上面5個關鍵契合點的保證,至少在流程上保證了DFMEA的成功實施。但是,要使DFMEA能真正為我們的設計保駕護航,還需要我們深入的瞭解DFMEA各步驟的內在邏輯關係。

三、實施DFMEA

1.DFMEA實施準備

(1)建立失效模型庫

失效模型庫是一個創新型企業最重要的知識組成之一。它通常由產品故障資料庫、售後維修記錄、客戶投訴等幾個至關重要的資料庫共同組成。這些內容基本上都是在市場上付出了高昂代價後,取得的知識積累。因此稱得上是企業最核心的知識產權。這部分數據如何利用起來,指導新設計預防失效的發生,是失效模型庫的最重要的價值體現。

①我們要確保失效模型庫的數據能被方便檢索,且不易被遺漏。失效模型的記錄要儘可能的詳實,這有助於使用者理解。失效模型至少應包括以下內容:功能模塊、潛在失效模式、潛在失效後果、潛在失效原因、現行控制措施。為了便於檢索,建議對於每一條失效記錄都定義幾個關鍵詞。比如主晶元的型號,主電路的功能等。

②如何保證市場故障、售後維修或者客戶投訴的內容能被整理,並放入失效模型庫。企業應該建立這樣的機制,鼓勵相關人員為失效模型庫作出貢獻。只有充分動員全體人員的力量,才能使失效模式庫不斷得到更新和補充。

③需要考慮如何保護失效模型庫。失效模型庫是企業核心競爭力的體現,因此如何做好數據安全顯得格外重要。主要包括防止資料庫丟失和數據泄密兩方面的工作。防止資料庫丟失只需要做好備份工作即可,有很多方法可以採用。資料庫保密工作可以通過許可權控制來實現。

建立了一個有內容,易檢索的失效模型庫,為我們成功實施DFMEA打下了基礎。至少它可以保證曾經出過的失效,我們不再犯。

(2)確定DFMEA的範圍

對於較複雜的通訊產品設計,要先做好模塊分解。通訊產品的設計按照其採用的技術成熟與否,可以分為三個等級。第一級是完成採用新技術的設計。第二級是有類似技術可供參照的設計。第三級是完全相同的技術。

根據模塊的技術成熟度,採取不同的DFMEA分析策略。

技術成熟度高的,可以少做甚至不做分析;對於成熟度低的新設計,必須作為DFMEA分析的重點;而中間的第二級設計,筆者建議把精力放在設計變更部分。總的原則就是,把更多的精力向高風險的設計傾斜,這樣才能使我們獲得較好的投入產出比。

(3)產品模塊分解

通訊產品按照各組成電路/模塊實現的功能,一般都可以拆解成“系統— —子系統—— 部件”這樣的金字塔結構。當然,系統複雜的產品將對應更多的層次。層次拆分過多或過少,都不利於我們理清各模塊之間的關係。建議根據參與設計的角色或者職責分工來拆解整個系統。一個總的原則是,每個設計工程師負責自己那部分工作的DFMEA分析,總體規劃工程師負責總成。

完成模塊分解,是為了便於我們確定負責人,確定DFMEA團隊的核心人員。企業針對自己的產品特點,應做一個較為全面的分解,這個分解出來的結構將變成模板,用於指導具體項目的模塊分解。

2.DFMEA策劃

有了前面的準備,項目組可以在企劃階段(或者方案確定以後)策劃DFMEA的實施計劃。主要包括產品模塊分解,指定DFMEA策略,指定模塊負責人,確定完成時間等。

3.DFMEA團隊組建

DFMEA團隊是基於利益相關方原則來建立的。至少會包括設計工程師,工藝製造工程師,測試驗收工程師,質量工程師等。為了能發揮團隊的力量,要監控所有成員對DFMEA的貢獻度,否則容易流於形式。

4.產品結構分析

很多設計人員在做DFMEA分析的時候,存在一定的盲目性,想到哪寫到哪。根本無法保證產品的所有細節都被考慮到。做產品結構分析的作用就在於此,系統的、全面地分析產品的構成,確保各組成部分都能被分析到。

5.產品功能分析

產品功能是產品的價值所在。對於通訊產品設計,筆者建議從需求分析入手,對產品功能進行全面的分析。開發的概念階段一般都會產生一個叫產品需求的文檔。它是產品經理充分瞭解客戶需求後,得出的一個產品開發要求。只要我們牢牢把握了這個文檔,並據此深入分析詳細的功能。我們就可以基本做到不遺漏功能。

產品功能分析和產品結構分析一道,共同保證了我們對產品的全面分解。這些內容就構成了DFMEA標準表格的第一列“項目/功能”。

6.風險評估

DFMEA風險評估的思想,是把潛在失效發生的嚴重性,發生的概率,發生後被檢測到的可能性,這三個指標加權作為衡量一個失效風險的高低。

嚴重度、頻度、探測度的評估具有一定的主觀因素存在,不同的人對同一個問題往往會有不同的判斷。我們不用去細摳具體的分值是多少,而應該把精力放在對前文表一到表三第二列內容的判斷上。比如一個失效,我們判斷它探測度的時候,只要確認它在那個階段能被髮現?如果在設計階段被髮現,那麼就是3~5分,如果要到樣機階段才可能被髮現,那麼就是6~8分。

7.量化評估。

嚴重度、頻度、探測度的分值加權,可以幫助我們判斷失效風險的順序,用RPN來表示。如何使用這三個參數,不同的企業有不同的方法。大部分企業採用三者相乘,以所得值的高低作為處理的優先順序。對於通訊產品設計,筆者建議首先應考慮嚴重度。嚴重度超過8的失效可能導致企業付出慘重代價,比如違反法規導致的召回,對客戶安全產生了問題而導致的訴訟等。因此,嚴重度超過8的失效應予以首要考慮。其次,再考慮以三者的乘積作為判斷的依據。

無論採用哪種方法,RPN值所代表的含義都僅是一個處理的先後順序。當只存在一個失效模式時,這個值無論多高都沒有任何意義。筆者也不建議企業對RPN設定閥值,比如有些企業定義“RPN低於1 00的失效,可以不需要採取措施”,這樣的設定容易產生惰性。

8.優化措施。

有了RPN值,我們就可以判斷出哪些失效需要優先考慮優化措施。優化措施是針對降低頻度和探測度而言的。一個失效的嚴重度一般不能被降低,除非是採取的措施是更換了關鍵模塊/部件,或者是去除了某些功能。

優化措施需要明確負責人,完成時間等。只有把分析的結論導入了設計,我們的DFMEA才算落到了實處。
  收起阅读 »

MSA GRR研究时两个普遍纠结的问题

文章原创:姜传武(John Jiang) 资深质量咨询&培训师 电话:18501797352,个人主页:[url]http://www.jiangshi...
文章原创:姜传武(John Jiang) 资深质量咨询&培训师
电话:18501797352,个人主页:http://www.jiangshi99.com/home/jiangchuanwu/?from=recommend
 
在我所讲的MSA课程中,我发现有两个问题,学员们每次都在纠结,它就是:
第一个问题:我们周期性地评价GRR时,是使用初次评价时的样本,还是当前过程的样本?
第二个问题:在PPAP时做的GRR是满意的,但是在量产很长一段时间后,再用当前产品做分析样本时,GRR指标又不好了,但是制造过程比当初更加稳定了,零件的变差减小了,所以不能就说测量系统的GRR是不满足要求的,测量系统不用改进!我们不能为了MSA而MSA,因为再提高测量精度,所用的成本太高了!

以上问题,我基本上保留原样,但是在给出正式的解答前,忍不住先反问一下:
在没有分析测量系统是否真的变坏了前,怎么能讲零件的变差变小了呢?用于分析零件变差的测量数据可信吗?
这个问题反映的其实是MSA的最基本的概念,甚至还涉及一些质量理念方面的东西,所以值得写一下,与大家分享和探讨。

在回答这个问题之前,必须首先要明确什么是GRR。GRR是测量系统中的精度误差,是MSA工作的一部分,是用测量值的标准差来估计的,它表示测量系统本身的测量误差大小。它在测量系统的所有影响因素没有显著变化的情况下是不变的,它的大小与用什么时候的样本也是没有关系的。

测量系统的精度是否满足测量要求呢?这就要把GRR值与要求进行比较,看一下测量系统满足测量要求的能力是否发生了变化。这才是进行测量系统评估的真正目的!

测量的目的不同,要求也就不同。通常情况下,我们把测量用于满足下面两类不同的目的:
第一类:用于产品检验,判断产品的特性是否合格,将GRR与特性公差比。测量要求就是测量系统能够区分合格与不合格;
第二类:进行统计分析,由于测量值由真实值和测量误差构成,这时的测量要求就是测量值之间的变差能够足以精确反映制造过程的实际总变差(表现为该过程所生产的零件特性的一致性),就要把GRR与测量值之间的变差进行比较,所占比例越小,则说明测量值越能反映实际的过程总变差。这类应用常见的有:SPC控制图、CPK、6SIGMA改善、STA(统计公差分析)等。

在MSA中,针对这两类应用的目的,规定了如下三个GRR的评价指标:

4.png


当测量值被用于第一类目的,即产品的检验、验收时,使用100(GRR/T),可见,大小只与测量系统本身的GRR和公差T有关,与用什么时候的样本是没有关系的,反映的是测量系统精度是否存在显著的绝对变化。

当测量值被用于第二类目的,即统计分析时,使用100(GRR/TV)和分类数ndc来评价。其中,TV是一个总变差,它是通过测量值(也叫观察值)来计算的,它总是或多或少地含有测量误差,即由两部分构成:真实的过程总变差(零件特性间的真实变差)和测量误差(GRR)。因此,TV是动态的,它随着零件特性之间的变差的变化而变化,当然,也会因GRR变化而变化。

一般情况下,在刚刚量产时,由于还可能存在着许多问题没有完全解决,零件特性间的变差会比较大,而随着量产时间的增加,问题逐渐解决,又做了一系列的持续改善,零件特性的一致性就会变得越来越好,这时σpart和TV就会变小!换句话讲,就是100(GRR/TV)和ndc会与我们用哪些样本来评价有关系,如果再使用当初的样本评价GRR,所计算出的这个结果就不能正确判断测量系统是否真正满足当前的测量要求了。如果硬要使用当初的样本,则会有如下可能的误导:
1. CPK很高,但可能是一派虚假的繁荣!或者SPC控制图上出现连续水平排列的点。但过程能力是否真的提高了,还是测量系统是否真的变差了,单从100(GRR/TV)和ndc上是看不出的;
2. CPK保持稳定,但可能是一个虚假的稳定,测量系统和实际过程能力可能同时都变差了!
3. 评价一项改善是否成功时,我们需要进行改善前、后的CPK对比,若使用当初的样本,则测量结果会显示没有成效或未达改善目标!因为测量系统的分辨率差,不能有效分辨出改善措施所带来的变化!

在以上基础上,我们可以对一开始的两个问题总结出以下GRR研究的策略:
1. 如果测量系统只用于检验产品,则可以使用任何时候的产品作为样本,只考察100(GRR/T)这个指标;
2. 如果测量系统同时还用于统计分析,则要讲究样本了。我们可以用以下步骤来做:

1) 从当前过程中抽取样本,这个样本应涵盖当前过程的所有5M1E过程因素的正常更替,如:换班次、换料批、修磨刀具等,怎样才能做到呢?这就需要时间来抽样!例如,把所用的不同样本分配到不同的班次、原材料批次中。
此时,需要注意的是:如果你没有足够的时间得到满足上述要求的样本,是可以从一个班次中抽样的,但是,从样本中计算出来的TV就不能很好地反映真实的过程的总变差(零件特性间的真实变差)!建议使用过程总变差的目标值来代替TV,可以从PPK计算公式中推导出来(此处略去公式和推导)。但是要注意:如果实际过程的性能还未达标,则我们评价的%GRR就相当于对测量系统满足期望目标的能力;如果过程性能实际上已经超过了PPK的目标要求,则此处%GRR的结果可能要高估了当前测量系统满足当前测量要求的真实能力,即100(GRR/TV)和ndc虚高!

2) 计算100(GRR/TV),并将结果与100(GRR/T)的结果进行对比。
a) 若100(GRR/TV)不满足要求(如大于10%),同时100(GRR/T)满足要求,该测量系统的精度没有发生显著下降,这是由于制造过程能力提高的结果,使得总变差TV变小的原因,但是事实是:测量系统已经不能满足对当前制造过程的统计分析的要求了!

到底需不需要改善呢?很多人在这个地方纠结!因为测量系统本身没有下降,要改善的话,可能要投入很多成本,例如更换高等级的测量仪器或自动化测量设备,会投入巨资的!这个时候就要看我们的质量管理的要求了,理论上讲,如果没有过程持续改善的测量需求,就没有必要改善测量系统,但此时要注意两点:
第一,当客户需要CPK报告时,你是否能够说服客户?
第二,为什么不对过程和产品进行持续改善?!客户有了更高的质量水平的要求、竞争对手有了更高的质量水平的表现,你还在停滞不前吗?很多时候,需要我们有战略观,战略就是要求我们不只是看到眼前所花的成本,而是要看到更长远、更大的范围内的风险和要求,从而保证战略总成本最低!
b) 若100(GRR/TV)是满足要求的,但是100(GRR/T)是不满足要求的,则说明测量系统并不是真正的好,与第一次GRR分析(当时是满足要求的)的时候相比,已经发生了显著的下降了,但其测量精度仍然能够满足当前制造过程的统计分析的要求。这时应当对测量系统进行改善了,最起码要满足检验的要求!若不改善,100(GRR/TV)也很可能会在下一次GRR研究前就不合要求了。
c) 若二者同时满足要求,则测量系统没有问题。
d) 若二者同时不满足要求,则毫无疑问,测量系统的精度已经绝对地变差了,必须要改善了。

总之,周期性进行的GRR分析,应当使用代表当前制造过程实际总变差的样本,并同时进行两种%GRR指标的对比分析,从而判断出两层涵义:
第一,测量系统的精度是否绝对地发生了显著变化; 
第二,测量系统的精度是否满足当前过程的测量要求。
若没有足够的时间抽取代表当前过程的样本,则可以使用PPK目标值所对应的过程总变差来代替当前过程的TV,但这样做也不是最好的。
  收起阅读 »

重视图表分析,避过分依赖软件 -向DOE初学者进言(1)

DOE已进入使用软件阶段,因方便常为初学者首选。 DOE只有全因子析因设计才能精确量化交互作用,但大于4因子试验次数太多,使用受碍。 而大大减少试验次数的非...


DOE已进入使用软件阶段,因方便常为初学者首选。
DOE只有全因子析因设计才能精确量化交互作用,但大于4因子试验次数太多,使用受碍。
而大大减少试验次数的非全因子析因设计“混杂”不能避免,所以聪明的应用软件也不能百分之百可靠。
比如《实验设计应用指南》(闵亚能)p181例6_10,软件显示结果只有AxD互效应是显著的,而实际应BxC交互效应显著,而AxD交互效应不存在!原因是用了部分析因设计混杂了,经验丰富者“还可以‘猜’一下”,初学者可能成陷阱。
有的学者对多因子案例处理的方法:删除不显著因子或交互作用,缩减至3因子后再析因设计。
这方法也有误区,由于水平取值不够多,在2水平范围中因子可能是不显著性,在2水平之外水平可能是显著性的,(比如响应呈三次函数关系用4水平才能表达其复杂变异性)更有多因子案例,原不显著性因子高阶交互作用呈显著性。比如治爱滋病的鸡尾酒疗法,单个药疗都不显著,多种药混合使用有显著性疗效。
《实验设计与分析6版》蒙哥马利p194案例,其“主”效应图表面看来A+C+D+为最优组合,但从交互作用图显示应A+C-D+最优水平组合,实际证明后者是正确的。
非全因子析因设计中多因子案例中有交互作用的因子,所谓“主”效应实际是正交表的“列”效应,其中混杂了交互效应。所以前述例6_10,如用交互作用图分析即可避免用软件的失误。
正交试验的特点之一,整齐可比性,在交互效应加入后也不一定成立。
所以蒙哥马利认为:“统计方法优点,简单图解法起重要作用。”
“简单方法几乎总是最好的。”比如目测散点图,分辨回归曲线是线性还是非线性应是判断回归数模的第一步。
看来交互作用是DOE最大难点?但是田口方法反而专注于怎样利用正能量的交互作用,这正是稳健性设计全新的思维方法的妙处。(另文再述)

收起阅读 »

原创—EXCEL SPC函数 直方图 控制图更新 增加菜单功能

原发布版本还存在一些BUG,主要是直方图分布曲线不真实(加大组数),有很多人不知道怎么用,增加了具体的说明和方便的自定义菜单栏。还有选择的数据区域为一列时组内的...
原发布版本还存在一些BUG,主要是直方图分布曲线不真实(加大组数),有很多人不知道怎么用,增加了具体的说明和方便的自定义菜单栏。还有选择的数据区域为一列时组内的标准差计算存在出错(现采用了默认5个为一组)进行了全面更新。VBA是在OFFICE 2013版本下编写的,如果其它版本出错的,请发信息给我更新。如果觉得还可以,可做为加载项保存,这样在任何时候都可以调用了。
图片1.jpg

20181009142302.jpg

181011更新日志:增加菜单功能,应网友要求,增加了XBAR-R和-S两种控制图。增加了一些常用的工具。需要的更新下载。
  收起阅读 »

原创—EXCEL SPC函数 直方图 控制图

已更新,请查看!https://www.6sq.net/article/101034
已更新,请查看!https://www.6sq.net/article/101034

原创—excel加载项完成的Xbar-R质量分析报告

   使用EXCEL加载项功能,将文件解压在c:\Program Files\Microsoft Office\Office15\Library或放在个人的加载...
   使用EXCEL加载项功能,将文件解压在c:\Program Files\Microsoft Office\Office15\Library或放在个人的加载项文件内,到Excel选项内把"qctool"选上,然后在任何文件内就可以做分析了。怎么做加载项不知道的Baidu一下吧,使用方法:选中你要做图的数据区域,按"Ctrl+shift+K"就可以自动完成了,也可以在EXCEL内自定义菜单,调用内部的”XBarR“宏来运行,这样以后分析数据就方便了。
    加载后,大家也可以试试自定义的品质计算函数,只要输入=cpk(规格上限,规格下限,数据区域)就可以计算出CPK值了,当然还有PPK ,CPL ,CPU ,PPK ,PPU,PPL ,CP,PP等相关的函数。和MINITAB内对过的整体分析结果一致,组内分析因为没有找到MINITAB对标准差的计算公式,结果还是略有差异。我现组内采用的是合并标准差计算公式,有知道的也可以讨论一下!

图片1.jpg

  收起阅读 »

北易特色质量免检管理

产品免检是质量管理的一种模式,不是不检验
产品免检是质量管理的一种模式,不是不检验