在汽车供应链、智能硬件和大厂研发圈子里，“8D 报告”是所有人避之不及却又逃不掉的噩梦。

尤其是当主机厂（OEM）的质量经理拍着桌子，限你“24小时内给临时对策（D3），7天内给根本原因（D4）”的时候，整个项目组的氛围通常是这样的：

研发（R&D）：“代码/设计完全是按规范写的，测试没测出来，凭什么让我们背锅？”

测试（QA）：“实车环境跟台架能一样吗？自动化脚本跑了上万遍都没事，这属于边界突变，研发背锅！”

质量（QE）：“我不管你们谁的错，主机厂考核扣分点已经下来了，今晚不把 8D 闭环，谁也别想下班！”

大家发现没有？写 8D 的核心痛点，往往不是技术本身，而是“如何在把问题说清楚、满足客户考核标准的同时，把自己和本部门安全地摘出来”。

今天，我们就来聊聊如何用最硬核的质量工具，写出一篇既能让主机厂挑不出毛病、又能让团队彻底防身（甚至逆袭）的满分 8D 报告。

?️ D1 - D2：准备与问题描述
❌ 怎么做不好（自杀式写法）

很多年轻工程师写 D2（问题描述）时，喜欢图省事写：“某批次车机仪表偶尔出现卡顿、黑屏，客户反馈体验极差。”

防身指数：0。

这种描述属于典型的“把刀把子递给对方”。卡顿是多卡？黑屏是彻底复位还是背光熄灭？“偶尔”是多少机率？你把定义权交给了主机厂，接下来的根因分析你就只能被牵着鼻子走，全盘皆输。

? 怎么做好（顶级防身话术）

真正高手在 D2 阶段，会把所有“感性认知”用“物理量、环境边界、日志特征”卡死：

“2026年X月X日，在总计 12,500 次的自动化 Jenkins 交付构建与实车常温/高温集成测试中，未触发该现象。本次客诉为单体偶发性异常：在车速 $80\text{ km/h}$、车外环境温度 $38^\circ\text{C}$、同时触发‘OTA后台校验 + 仪表导航高负载渲染’的极端叠加边界条件下，CPU 瞬间占用率达 $98\%$，导致显示缓冲区未能在 $50\text{ ms}$ 内完成数据刷新，表现为仪表画面冻结 $1.2\text{ s}$ 后触发守护进程自动复位。”

防身逻辑拆解：

通过这一段描述，你向所有人传递了三个潜台词：

我们测试体系很严密（12,500次都没事）；

这不是低级Bug，而是极端的、多要素叠加的边界突变（大自然在演你）；

别跟我扯什么“垃圾体验”，这叫“显示缓冲区未能按时刷新”，把感性问题上升为纯粹的微观技术问题。

?️ D3：临时围堵措施
❌ 怎么做不好（自杀式写法）

有些 QE 为了应付主机厂，在 D3 敷衍地写上：“已通知产线工人加强注意，后续批次将进行 100% 人工目测检查。”

防身指数：10%。

这无异于给对方送人头。人类不是机器，“加强注意”在主机厂眼里等于什么都没做。一旦后续再漏过去一台，所有的责任全得由质量部门来扛。

? 怎么做好（动词+物理隔离+数字卡位）

这时候的防身核心在于：“扩大包围圈，把个体的技术偶发，变成体系的防错流程。”

在制品隔离（Inventory Containment）： 立即对产线及在途的 3 个批次总计 450 台控制器启动库位锁死，全量执行“高负载应力极限台架压测（48小时）”，确保出库产品零缺陷。

网关动态拦截（Gateway Interception）： 在 DevOps 自动化流水线（CI/CD）中强制插入静态代码审计卡槽（SonarQube 扫描参数提高至最高等级），对内存分配相关的代码行进行 100% 自动化强校验。

防身逻辑拆解：

潜台词是：“我已经在用最高的代价和最严密的工具在保护你了，如果接下来还出问题，那就是整个汽车行业目前流程工具的极限，不是我态度的问题。”

? D4：根本原因分析
❌ 怎么做不好（自杀式写法）

许多人写 5-Why 报告，写着写着就把自己和兄弟部门写进了死胡同：

为什么黑屏？因为内存溢出。

为什么内存溢出？因为研发小王少写了一行释放逻辑。

为什么少写了？因为小王加班太累疏忽了。

最终结论：小王绩效扣分，加强员工培训。

这是最低级的 8D 写法！研发恨你，小王想辞职，主机厂觉得你们公司作坊式管理，全输。

? 怎么做好（引向“标准、机理、体系”，而不是“个人”）

真正的 5-Why 甩锅艺术，是将原因从“人祸”升华为“天灾（行业公共难题或历史遗留体系）”。

我们来看看如何教科书级地帮小王和团队把锅洗掉：

Why 1（物理层）： 为什么仪表出现 $1.2\text{ s}$ 冻结复位？

答： 图像渲染引擎在处理突发多通道高吞吐信号时，瞬时内存超出了既定栈深度上限。

Why 2（技术层）： 为什么瞬时内存会超出上限？

答： 原有底层芯片的硬件 DMA 动态分配算法，在应对 2026 年新版智能网联多协议并发时，存在业界公认的“长尾时延”机理效应。

Why 3（设计层）： 为什么在设计开发阶段没有把这个“长尾时延”卡死？

答： 因为在现行的《DFMEA（设计失效模式及后果分析）》第 V3.2 版中，该特定极端叠加工况的发生频度（Occurrence）被评估为 1（即近乎不可能发生），属于设计规格书定义的边界之外。

Why 4（测试层）： 为什么测试用例没有覆盖到？

答： 该边界工况需要毫秒级的时序对齐，传统的黑盒/白盒测试手段仅通过外部接口观测，受限于测试工具的采样率极限（当前业界标准为 $10\text{ ms}$）。

Why 5（体系层）： 为什么现行流程和工器具没有提前升级以捕捉此微观失效？

答： 现有行业通用的质量功能部署（QFD）模型，未能前置预测到新能源汽车智能化迭代对底层硬件算力的超速挤兑。

防身逻辑拆解：

看完这个 5-Why，主机厂的质量经理陷入了沉思。这能怪研发吗？不能，这是芯片的机理缺陷。这能怪测试吗？不能，这是行业现有测试工具的采样率极限。通过将真因成功引导至“芯片机理、DFMEA 历史版本局限性、测试工具极限”，你们团队每个人都尽力了，错的是这个不完美的世界。

? D5 - D7：纠正与预防措施
❌ 怎么做不好（自杀式写法）

普通 QE：“以后注意类似问题，研发多 review 代码，后续项目吸取教训。”

这种空洞的保证毫无诚意，主机厂直接打回，不仅无法闭环，还会判定你质量管理体系失效。

? 怎么做好（借力打力，顺便把预算要了）

漂亮的预防措施，必须是硬核的、能被流程固化的制度变更。

设计源头纠正（DFMEA 动态迭代）： 立即将本次“高并发多协议叠加”作为全新的失效模式，强制反向沉淀至公司的《中央核心 DFMEA 基础数据库》第 V4.0 版。后续所有新项目在 DFM 审查阶段自动继承此防错规则，实现“代码级硬防错”。

测试卡槽升级： 针对传统测试手段的采样率极限，项目组申请引入更高效的 AI 驱动型质量监测工具箱，将边界工况的捕捉时序分辨率从 $10\text{ ms}$ 像素级提升至 $1\text{ ms}$。

防身逻辑拆解：

这一手叫“借力打力”。主机厂质量经理看完了觉得你们极度专业；同时，你拿着这份主机厂盖章签字的 8D 报告去找公司老板要预算，老板大概率痛快批复。

? 结语：8D 的最高境界，是“研发硬防错”，而不是“QE编故事”

很多 QE 兄弟在客诉下来时，熬夜翻线索、对数据、编 5-Why 话术，其实大家都心知肚明：靠行政处罚和“加强注意”是解决不了质量问题的。

8D 报告的终极目的，不是为了应付主机厂的这次考核，而是通过这次客诉，逼着研发去更新基线 DFMEA、逼着产线去升级工装夹具，实现从源头上的“硬防错（Poka-Yoke）”。只有这样，下一次同样的问题才不会再找上你，你才能真正从无休止的“救火”中解脱出来。

但是说实话，现实中我们面临的困境往往是：白天在项目群里跟研发、测试撕得口干舌燥，晚上还要一个人坐在冷清的办公室里，面对着空白的 Word 文档，绞尽脑汁地把那些零散的代码报错、 Jenkins 日志去往复杂的 FMEA 标准和 5-Why 状态机里生搬硬套。头发熬掉一方向，写出来的话术稍有不慎还要被主机厂退回重写。这种窒息的无力感，每个质量人都懂。

如果你不想再把大好的青春浪费在机械地给各部门“编故事抹屁股”上，不妨把这些脏活累活交给更专业的自动化工具。

在【澹墨质量】（链接 qe.danmo.tech）里，我们把大厂标准的 DFMEA、PFMEA、5Why 逻辑以及汽车供应链常用的技术流防身话术全部模型化了。

你只需要把主机厂的抱怨邮件或者原始日志往里一丢，系统就会自动调用行业失效库，为你动态推导出符合新版 AIAG-VDA 标准的 8D 草案。点击那颗显眼的红色“一键导出”按钮，一篇挑不出任何毛病的技术流 8D 报告就自动下载到你的电脑里了。或者直接复制红框的“一键分享”链接，分享给写FMEA的同事，你今天给他们的弹药，将会成为他们明天给你的无声支持。

目前这个工作台对汽车和硬件圈的同行开放了限免体验（基础功能完全 ? Unlocked）。今晚别再熬夜抓瞎了，拿你手里最头疼的那份客诉丢进去试试，早点下班，把时间留给自己。 收起阅读 »

5.0统计过程管理/控制 (SPC)：
为了在当今市场中获得竞争优势，制造商，供应商和服务组织必须优先考虑质量并致
力于持续的过程改进。向客户提供高价值的产品和服务是必不可少的，组织应专注于
满足内部和外部客户的需求，使客户满意成为中心业务目标。
实现这一目标需要全公司对质量的承诺和使用有效的方法。本手册介绍了支持质量
改进计划的基本统计技术。它是专为从业人员和管理人员谁是新的统计方法，以及
那些寻求更先进的主题复习。
在继续之前，可以考虑这些关键点:
• 统计过程控制 (SPC) 是指使用统计方法来监视和控制过程。传统上，这些方法
已应用于成品零件，但专注于过程本身解锁质量提高，生产率提高和成本降低
的更大潜力。
• 收集数据和应用统计分析本身并不是目标; 真正的目标是加深对流程的理解。仅
在技术上的专业知识并不能保证改进-知识必须导致行动。
• 合适的测量过程对于可靠的数据分析至关重要。在本手册中，假设测量过程是
有效的、稳定的，并且不会显著影响数据的总体变化。
• 研究变化和使用统计信号来推动改进的原则可以应用于从车间到办公室的任何
环境。虽然本手册强调车间应用程序，但这些方法也可以应用于提供服务的管
理或交易流程。
• 虽然提供了示例，但真正的理解来自过程控制情况的直接经验。动手实践是无价
的。
• 本手册介绍了适用于许多情况的广泛接受的统计方法。但是，用户应仔细评
估其适用性，并根据需要咨询统计专家，以确保方法符合客户要求。
5.1主动预防优于被动检测：
在过去，制造业通常依靠生产来制造产品，并依靠质量来检查最终产品并筛选出不符
合规格的物品。
这是浪费的，因为它允许在不总是可用的产品上投入时间和材料。这种 “反应性检测” 
方法侧重于在缺陷发生后识别和修复缺陷。
随着零缺陷战略的发展，人们已经认识到，通过转向 “积极预防” 的方法来减少浪费
要有效得多。
这需要了解SPC的要素，以便尽早主动监控和识别问题，从而在缺陷发生之前及时
采取纠正措施。
预防战略旨在激励组织和人们 “第一次就把事情做好”。
虽然这是一个激励人心的口号，实现这一目标需要组织中的每个人都致力于持续的
过程改进周期。
质量管理体系是组织质量工作的支柱。ISO标准，特别是ISO 9001，在推动质量保证
方面发挥着至关重要的作用。这些国际公认的标准为实施和维护有效的质量管理体
系提供了框架。
质量保证 (QA) 或质量管理 (QM) 是一个积极主动的过程，专注于通过监控和改进整
个生产过程来防止缺陷，而质量控制 (QC) 是一个被动的过程，涉及检查成品以识别
和纠正任何可能存在的缺陷，本质上是检查产品生产后是否符合质量标准。
5.2过程改进周期和过程控制：
过程改进周期是一种结构化的方法，用于识别过程中需要改进的区域，分析根本原因，
实施纠正措施，并监控结果以确保持续的有效性。相反，过程控制侧重于持续监控过
程，以将其保持在定义的参数范围内，确保一致的结果并最大程度地减少偏差。
持续改进是SPC的基本原则，由PDCA (Plan-Do-Check-Act) 驱动，也称为
Shewhart循环或戴明循环。PDCA循环应该一次又一次地重复，以推动持续改进。
以下是PDCA模型中的四个核心步骤:
• 计划: 识别机会，了解问题，并建立质量控制流程
• 做: 应用和测试一下变化，进行小规模的研究
• 检查: 回顾测试一下，分析/研究结果，并确定学到了什么
• Act: 根据所学知识采取行动，调整和改进
 
原版文件内存过大，需要的可评论区留下联系方式。 收起阅读 »

AIAG-VDA SPC 手册（第 1 版，2026）新旧版差异总结
AIAG-VDA SPC 手册（2026 年第 1 版）作为美国汽车工业行动小组（AIAG）与德国汽车工业协会（VDA）联合推出的国际统一标准，核心差异体现在标准协调、方法体系、应用深度、特殊场景覆盖四大维度，相比旧版（AIAG 单独版或 VDA 单独版）实现了从 “区域适配” 到 “全球统一”、从 “基础应用” 到 “全流程覆盖” 的升级。
一、核心定位与标准依据差异
维度 旧版（AIAG 单独版 / VDA 单独版） 新版（AIAG-VDA 联合版，2026）
制定主体 单一区域协会（AIAG 或 VDA） 双协会联合，全球专家团队参与
核心目标 满足区域内供应链质量要求 建立非强制性国际通用标准，适配全球汽车供应链
标准依据 主要参考自身区域标准（如 AIAG MSA、VDA 5） 整合 ISO 3534、ISO 22514、IATF 16949 等国际标准，实现跨标准协调
适用范围 侧重区域内生产场景 覆盖汽车行业全供应链，兼顾车间生产与办公室服务类流程
二、核心方法与技术体系差异
1. 性能与能力定义的明确统一
旧版：性能（P）与能力（C）指数的应用场景模糊，区域间计算逻辑存在差异；
新版：基于 ISO 3534 和 ISO 22514 明确界定：
性能指数（Pₚ/Pₚₖ）：适用于未验证稳定性、数据不足或失控过程；
能力指数（Cₚ/Cₚₖ）：仅适用于已验证统计稳定的过程；
新增机器性能指数（Pₘ/Pₘₖ）：专门用于生产设备放行，隔离机器单独影响。
2. 数据处理与分布模型升级
旧版：以正态分布为主要假设，对非正态数据处理方法有限；
新版：
系统引入时间相关分布模型（8 类，如 A1/A2/B/C1-C4/D），覆盖正态、非正态、多模态、趋势性过程；
明确异常值定义与处理流程（非仅 “超公差”，而是 “非过程固有值”），要求记录原因而非直接删除；
新增两种能力计算方法：一般几何法（分位数法，适配所有分布）和 Z 分数法（超标比例法，适配正态分布），并明确适用场景。
3. 控制图体系优化
旧版：控制图类型分散，区域偏好差异大（AIAG 侧重 X-R 图，VDA 侧重部分特殊控制图）；
新版：
统一控制图分类逻辑：按 “数据类型（连续 / 离散）”“控制概念（过程相关 / 公差相关）”“应用场景（短期 / 长期、单特性 / 多变量）” 三维分类；
新增特殊控制图应用指南：Pearson 图（偏斜分布）、扩展 Shewhart 图（趋势 / 多设备场景）、EWMA 图（小偏移检测）等；
明确控制图选择路线图，细化不同场景（如高混合低产量、非正态数据、多变量特性）的适配方案；
补充稳定性判据的统一标准（Western Electric 规则、Nelson 规则），明确分析图与 SPC 图的区别（追溯分析 vs 实时控制）。
三、应用要求与流程覆盖差异
1. SPC 应用前提的系统化
旧版：对 SPC 实施前提要求零散，未形成闭环；
新版：明确 SPC 应用的 11 项核心要求，构建全流程准备体系：
新增 “工艺表征”“失控行动计划（OCAP）”“特殊特性识别” 等强制性前提；
强化风险分析（FMEA）与特殊特性的联动，要求基于风险优先级聚焦监控重点；
明确测量系统要求：必须通过 MSA（AIAG MSA 或 VDA 5）验证，确保测量不确定性不影响数据有效性。
2. 角色与能力体系细化
旧版：对 SPC 相关角色定义模糊，能力要求笼统；
新版：
明确 6 大核心角色（质量计划专家、产品开发工程师、生产线操作员等）的职责边界；
建立角色 - 能力矩阵，区分基础级（1 级）与专家级（2 级）能力要求，覆盖质量管理、技术统计、机器性能、过程控制等 7 大能力维度；
强调跨角色协调（如产品开发、制造计划、检验计划的协同），确保公差、制造变异、测量不确定性的一致性。
3. 全流程应用场景延伸
旧版：侧重批量生产阶段的过程监控；
新版：覆盖 “设备放行 - 流程发布 - 持续监控” 全生命周期：
设备放行：新增机器性能研究流程（样本量 50-100 件，固定 4M 影响，仅评估机器变异）；
流程发布：明确初步工艺性能研究（n=125 件，k=25 个子组，有限暴露 5M 变异）；
持续监控：建立四象限评估模型（稳定 / 不稳定 × 有能力 / 无能力），指导不同场景的纠正措施。
四、特殊场景与工具适配差异
1. 复杂特性与场景覆盖
旧版：对多变量特性、GD&T、多阶段加工等场景支持不足；
新版：
新增多维 / 多变量特性评估：采用多元正态分布与超椭球随机变化范围计算能力指数；
适配 GD&T 与 MMC/LMC：针对最大 / 最小材料条件，提供装配间隙导向的能力计算方法；
覆盖多阶段加工：简化多主轴、多托盘场景的验收程序，避免过量样本测试；
补充短期 SPC 方法：适配高混合低产量场景，通过数据标准化实现有限数据的稳定性监控。
2. 软件与工具要求升级
旧版：对分析软件的验证要求不明确；
新版：
明确分析软件的验证与确认要求（符合 IATF 16949），要求通过 ISO/TR 11462 的 11 类测试场景；
强调软件集成与接口标准化（如 OPC UA、ISO/11462），支持数据自动采集与追溯；
要求软件支持客户特定参数配置（如公差类型、置信区间、分布模型），适配个性化需求。
3. 文档与报告标准化
旧版：报告格式不统一，核心信息缺失；
新版：
规定过程研究报告的 11 项核心要素（过程标识、规格限制、数据收集条件、图形分析、稳定性评估等）；
提供正态 / 非正态分布场景的标准报告模板，包含直方图、概率图、控制图、能力指数及置信区间；
明确归档与可追溯性要求（参考 VDA 1、IATF 16949），确保文档防篡改、可追溯。
五、关键补充：理念升级
旧版：侧重 “被动检测”（如成品检验）与 “事后纠正”；
新版：强化 “主动预防” 理念，强调：
质量保证（QA）vs 质量控制（QC）的明确区分，聚焦过程优化而非仅产品筛选；
PDCA 循环与 SPC 的深度融合，要求知识转化为行动；
零缺陷策略适配：控制图设计侧重预防缺陷发生，而非允许指定不合格率。
总结
新版手册的核心价值在于 **“统一” 与 “深化”**：统一了 AIAG 与 VDA 的区域差异，形成全球通用的技术语言；深化了从前提准备、过程实施到工具适配的全流程覆盖，尤其强化了特殊场景（多变量、GD&T、短期生产）的实用性。对于供应链企业而言，需重点关注指数定义的统一应用、控制图的场景化选择、软件工具的合规验证，以适配全球汽车行业的质量要求
  收起阅读 »

人工智能（AI）在提升企业质量管理水平方面扮演着越来越重要的角色。以下是AI如何实现这一目标的几个关键方式：


自动化质量检查：AI可以用于自动化质量检查过程，尤其是在制造业中。通过图像识别和机器学习算法，AI能够检测产品的缺陷和异常，提高检查的准确性和速度，减少人为错误。


预测性维护：AI可以通过分析设备的运行数据来预测何时可能发生故障，从而提前进行维护，减少意外停机时间，确保产品质量的稳定性。


质量数据分析：AI可以处理大量的质量数据，识别质量问题模式，提供深入的分析报告。这有助于企业实时监控质量指标，快速识别和解决问题。


供应链质量管理：AI可以优化供应链管理，确保原材料的质量符合标准，预测供应链中的风险，确保最终产品的质量。


客户反馈分析：通过自然语言处理（NLP），AI可以分析客户的反馈和评论，识别质量问题或改进建议，从而帮助企业提升产品质量以满足客户需求。


质量控制流程优化：AI可以模拟和优化质量控制流程，提供建议以改进生产流程，减少废品率和返工，提高生产效率。
。。。
 
 
更多AI在质量管理中的应用功能，以及质量管理数字化问题，请联系我们免费咨询。
support@cibo-sh.com 收起阅读 »

网上看到一个帖子，讨论来料检验（IQC）是否应该作为PFMEA的一个工序进行失效分析？




先要问一问，IQC有没有风险？

当然有！

特别是一些特殊零件更是需要严格做IQC，其过程就充满风险。只要有风险，用风险分析工具非常合理，PFMEA就是风险分析的工具之一，所以IQC 等检验和测试工序都可以加入到 PFMEA 里进行分析的，有些审核员还会因为缺少检验工序分析开不符合项。




那么IQC的PFMEA分析什么呢？

是错检漏检吗？

答案是否定的！




错检漏检属于MSA范畴之内的，漏检更多的原因是抽样方案问题。




IQC过程应该怎么做潜在失效分析呢？




参考BOSCH对PFMEA的分类，检验过程属于搬运过程的物流FMEA，其失效模式包括：

检验过程不能对产品造成破坏，比如你检测时候会不会将零件划伤了，混放了，掉落摔伤了等等；测量系统的波动；存放条件、时间等导致材料、产品失效的风险评估等。




以上内容仅供参考，欢迎讨论。 收起阅读 »

APQP（Advanced Product Quality Planning）和NPI（New Product Introduction）是产品开发和质量管理领域中常用的概念，它们之间存在密切的关系。

APQP 是一种系统化的方法，用于确保产品开发过程中考虑到产品质量、客户需求和生产能力。APQP的主要目标是通过在产品开发过程中进行有效的计划和控制，降低开发风险，提高最终产品的质量。APQP通常包括以下几个阶段：

规划与定义：定义客户需求、市场调研和项目计划及可行性。
产品设计与开发：进行产品设计、验证和可行性分析。
过程设计与开发：规划制造过程以及相关流程。
产品和过程验证：进行小批量生产和试运行，确保设计和生产过程符合要求。
反馈、评估与改进：收集市场反馈，进行持续改进。

NPI涵盖的是一个更广泛的框架，其中包括产品的整个生命周期管理，包括市场需求分析、设计开发、生产过程优化以及市场推广。NPI的目标是确保新产品能够顺利从概念阶段转化为市场可用的产品，通常包括以下几个阶段：

概念开发：市场研究、需求分析和初步设计。
产品开发：详细设计和样品制造。
生产准备：生产流程的规划、设备的准备和员工资质的确认。
产品发布：将产品推向市场，进行销售和推广。

APQP与NPI的关系

互补性：APQP是NPI过程中一个重要的组成部分，提供了一系列方法和工具，帮助团队在产品开发各个阶段进行有效的质量规划和控制。在NPI过程中，使用APQP可以确保在设计和制造阶段充分考虑客户的需求和期望。而NPI则是关注新产品的整体引入和市场化。
阶段重叠：APQP通常分为五个主要阶段，涉及从策划到产品验证的整个过程。这五个阶段与NPI流程中的各个步骤相对应，对新产品的成功引入至关重要。 APQP的方法可以在NPI的多个阶段中应用，以确保在产品设计和生产过程中，所有的质量要求和客户期望得到满足。
共同目标：在NPI的各个阶段，如概念开发、详细设计和生产准备过程中，APQP所提供的工具和方法（如FMEA、控制计划等）可以帮助识别和降低风险，从而提高产品的成功概率。二者的共同目标都是确保客户满意度和产品成功。


结论：

简单来说，APQP是NPI过程中的一个重要组成部分，两者相辅相成。APQP为NPI提供了质量管理的框架和工具，而NPI则为APQP提供了更广泛的市场和产品引入背景。通过将两者有效结合，企业能够提高新产品的成功率和市场竞争力。 收起阅读 »

MSA作为AIAG六大工具之一，重要性不言而喻，但真正用好这个工具的公司并不多…

测量系统分析（MSA）-Measurement System Analysis，在质量管理和控制中扮演着极其重要的角色，以下几点概述了其重要性：

1. **确保数据准确性**：MSA可以帮助识别和减少测量系统中的误差，确保数据的准确性和可信度。

2. **提高过程控制**：准确的测量数据是过程控制的基础，良好的MSA能分辨有多少变差是测量系统的，有多少变差是过程的，从而显著提高过程控制的有效性。

3. **减少生产成本**：通过识别测量系统中的误差，可以减少由于错误数据导致的生产成本，如返工和废品率。

4. **支持管理决策**：基于准确的测量数据，管理层可以做出更加科学和可靠的决策。

5. **满足标准和法规要求**：许多行业标准和法规要求进行MSA，以确保产品质量和一致性，如IATF16949。

6. **提升客户满意度**：通过确保产品质量的一致性和可靠性，MSA间接提升了客户满意度和忠诚度。

总的来说，MSA是保证质量管理体系有效运行的关键环节之一，也是众多客户PPAP认可的必须提交的资料文件。 收起阅读 »

汽车行业有很多衡量质量水平的指标，下面结合我们实施的客户关注的内容做个分享：

1) 物料进料检验批次合格率=当月进料检验不合格批次数量/当月进料批次总数量；

2) 产线装配不良率 PPM=当月产线装配不良物料数量/当月产线装配物料总数量 ×1000000；

3) 0 公里不良PPM=当月甲方客户投诉/退货的 0 公里不良数/当月甲方使用乙方物料生产产品的出货总数量×1000000；
0公里质量目标只计算乙方责任问题退件。

4) 3MIS/6MIS/12MIS，Mis是Months in Service(投入使用)的缩写，
例如3MIS投诉PPM=前推 3 个月客户生产并销售车辆的市场不良数/前推 3 个月 生产的产品总数量×1000000；
6MIS，12MIS的计算方法类似；

5) IPTV6/IPTV12（千台故障数, Incidents Per Thousand Viechle）：以生产月为单位，评价某月生产车辆，使用90天每千台故障数。
计算方法：评价月生产车辆售后90天内故障总数*1000/评价月生产车辆在评价售期内实销数； 收起阅读 »

第一步，建立一个新的sheet表，命名为“信息列”；
第二步，交叉图整理频度O、探测度D与严重度S对应的风险值，以及风险值对应AP值


 
第三步，重复运用offset和match公式从交叉图图中获取风险值及AP值；



公式：
=OFFSET($O$2:$R$5,MATCH(OFFSET($B$16:$L$26,MATCH($P10,$B$16:$B$25,0)-1,MATCH($O10,$C$26:$L$26,0),1,1),$O$2:$O$4,0)-1,MATCH(OFFSET($B$2:$L$12,MATCH($Q10,$B$2:$B$11,0)-1,MATCH($O10,$C$26:$L$26,0),1,1),$P$5:$R$5,0),1,1)
运用这套逻辑，将公式应用到FMEA表格中，即可自动计算AP值；
  收起阅读 »

A公司：对应的文件和定义都是清晰的，对应的系统配置和人员配置是完善的，对应的培训也是跟上的。实际执行是生产线按照Control Plan提供样本，由QA技术员收集数据，触发SPC规则后，QA技术员按照文件定义通知设备技术员停机或者调机重新送样或者触发OCAP。由PE定期去检查Control Limit和配置对应的SPC chart，并进行月度分析Cpk的表现(1.33,1.33-1.67,1.67)。至于Control Limit的设置，要求只能收严或者平移，Control Limit由PE掌控，当然是肯定没法严格按照SPC去计算Control Limit，可以认为是Levey-Jennings的方法去计算的。客户来审核时，选择一些Chart表现好的即可，一般不秀OOC的chart给客户看，毕竟看到时需要解释。对于SPC监控的项目，比客户要求的特殊特性，要多很多，客户一般要求行业通用的，而工艺管控就需要监控更多的项目。

B公司：对应的文件和定义都是清晰的，对应的系统配置和人员配置是完善的，对应的培训也是跟上的。测量站点是定义到流程站点的，必须过测量站点才能到下一站，实际执行是专门的Metrology团队负责按照文件定义抽取样品进行测量并上传数据到系统，系统根据配置的SPEC和Control Limit进行判断，触发规则后触发OCAP，质量技术员和工艺技术员按照要求处理系统的OCAP，OCAP没处理完时lot是无法移动到下一站的，所以生产和质量是需要配合及时让lot移动。对于Control Limit，部分chart的Control Limit变更是需要客户同意的。并且配备有团队查看是否有Chart的Control Limit太松，或者说触发OOC的频率很高，如果有，就需要对应的人员去提交变更且通过评审后进行更新Control Limit，还需要对应的PE去解释OOC多次出现的原因。SPC管控从一开始投工程lot就开始设置control limit，并根据各阶段然后更新对应的control limit。

总结：SPC可以对特殊特性和工程参数（例如电导率、药水浓度、压力、线体速度、水流大小、温度、液位等）进行管控。重点是，根据实际情况和人员配置和系统配置，进行有效的SPC管控。管控的项目和频率，当然可以根据表现和阶段，进行删减和增减频率。来料SPC监控也是存在的。其实良率也可以建立类似SPC的管理，例如Defect Ratio管控，良率Baseline管控, Defect Ratio Baseline管控。管控的项目一般会比客户要求的多很多。每个lot的数据，也可以进行by-lot Cpk管控。
 
补充，以上包括总结的内容，全都是企业在执行的，而不是理论派。 收起阅读 »

"细节决定成败"是一句俗语，也是一种哲理，指的是讲究细节能决定事件的走向。

有一首民谣是这样的：
少了一个钉子，坏了一只蹄铁；
坏了一只蹄铁，折了一匹战马；
折了一匹战马，伤了一位国王；
伤了一位国王，输了一场战争；
输了一场战争，亡了一个帝国。

说的是1485年，英国国王理查三世要面临一场重要的战争，这场战争关系到国家的生死存亡。

在战斗开始之前，国王让马夫去备好自己最喜爱的战马。马夫立即找到铁匠，吩咐他快点给马掌钉上马蹄铁。铁匠先钉了三个马掌，在钉第四个时发现还缺了一个钉子，马掌当然不牢固。

马夫将这个情况报告给国王，眼看战斗即