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，眼看战斗即将开始，国王根本就来不得及在意这第四个马蹄铁，就匆匆赶回战场了。战场上，国王骑着马领着他的士兵冲锋陷阵。突然间，一只马蹄铁脱落了，战马仰身跌翻在地，国王也被重重地摔在了地上。一见国王倒下，士兵们就自顾自地逃命去了，整支军队在一瞬间土崩瓦解。敌军趁机反击，并在战斗中俘虏了国王。
国王此时才意识到那颗钉子的重要性，就这样，理查三世的国家就败在了一颗小小的马蹄钉上。

这是一个典型的细节决定成败的小故事，简单易懂。

我们做软件系统也是如此，很多系统的功能模块基本相同，流程看上去也大同小异，似乎用哪一家都可以满足业务需求。
但实际使用起来体验相去甚远，优秀的系统正是赢在细节：流程设计是否考虑全面，权限设计是否合规合理，用户界面是否操作便捷…

也欢迎大家联系我们，免费试用软件。
 


  收起阅读 »

关于用户需求，有个著名的段子。

汽车大王亨利·福特说，如果你去问人们想要什么，他们会告诉你：“我需要一匹更快的马”。

同样的场景还有很多，比如电灯发明以前，如果你做市场调研，很多人会说自己需要更长更大的蜡烛。

这让我想起质量管理系统在实施过程中，有个重要的环节：业务调研。
这个过程非常重要，可以说直接关系着项目的成败，怎么做好业务调研，设计蓝图方案呢？

这就用到上面福特那句话，我们既要在调研中考虑客户的实际业务场景，又不能盲随用户的各种想法。我们的顾问老师需要站在更高更全面的角度，结合实践经验，最后给出最合适的方案。

很多时候，做完产品演示，客户才会发现，这正是我们需要的功能，之前整理的需求并不是最优的方法。

所以，业务调研您真的会吗？ 收起阅读 »

一天，动物园管理员发现袋鼠从笼子里跑出来了，于是开会讨论，一致认为是笼子的高度过低。

所以他们决定将笼子的高度由原来的10米加高到20米。

结果第二天他们发现袋鼠还是跑到外面来，所以他们又决定再将高度加高到30米。

没想到隔天居然又看到袋鼠全跑到外面，于是管理员们大为紧张，决定一不做二不休，将笼子的高度加高到100米。

溜出来的袋鼠们和长颈鹿在闲聊，长颈鹿问：“你们看，这些人会不会再继续加高笼子？”

“很难说。”

袋鼠说∶“如果他们再继续忘记关门的话！”

质量人领悟：

1、这是一个典型的“头疼医脚”的例子。他们不是去消除根源-“关门”，而是去加高“笼子”。

2、在做问题调查的时候，如果不找到问题的真正根源，那么，永远无法消除这些质量问题。同时，还将造成企业成本的升高--“加高笼子”。

这也是为什么很多公司8D报告写了很多，但实际上收效甚微，甚至毫无作用。

西博QMS数字化平台在8D流程中，嵌入了常用常用的鱼骨图、5whys、是非矩阵等分析工具，同时通过提供历史数据，经验教训库和FMEA失效原因，协助根因调查，提升纠正预防措施的有效性。 收起阅读 »

防错(Poka yoke)

质量成本管理，不做不行了！ 
先看以下两种情境：
 
A、投入一大笔钱专做质量成本管理，虽然采购系统的经费和整体项目建设周期都在增加，但能帮助企业减少损失、释放更多利润，此为“短痛”
 
B、存在比较明显的质量成本损失情况，但从整体经济收益来看，该损失没有造成什么大问题，姑且让它去吧，此为“长痛”
 
随机抽查一下，你所在的公司是哪一种？
 
我们曾拿这个问题问过不少人，结果倒是让人讶异，有大半受访者的回答是B。背后原由也都大同小异，无外乎质量成本管控太难太贵，下不定这个决心，不知道什么时候能看到收效，或者害怕效果不如预期。
 
有趣的是，现在这个调查的结果微妙地变了。在最近一次的小采访中，超过一半的受访者转向了A，剩下的人当中又有一半人仍在左右摇摆。问起原因，“不得不、没办法、必须要做啊”几个关键词是高频提及词。
 
愿意花的钱多了，并不代表企业们营收增多、能支配的预算金额增多，真实的处境恰恰相反。市场从增量竞争的高速增长期步入存量整合阶段，传统的价格竞争策略失灵了，企业尤其是制造企业，不得不思考如何从一切可能的冗余中释放更多收益。质量竞争以及由此衍生而来的质量成本管理、企业运营管理效率、产品创新能力等一系列问题成为企业发展的新课题。
 
本期案例智我们先来攻克质量成本问题。如何在企业内外部开展质量成本管理工作，让质量&成本有机融合，从而提高生产产品质量、创造更多经济收益，对企业的发展起着越来越重要的作用。这透露出什么信息？
 
质量成本中的冰山理论：别只“我以为”，多看“实际上”

 
决策倾向转变的背后藏着时代脉络的暗影，也透露出企业主们的独木难支。笔者曾听闻一个略显武断的说法，认为国内企业们当前遇到的瓶颈不过是自食恶果，为早期只追逐速度和暴利、对资源一味剥削的行为买单。
 
的确，所有人都能对如今的浮躁、急功近利和急于变现指点一二，但我们不应该把结构性困境的责任归咎于某一类群体，当生存愈发成为第一要务，一味苛责实在有失公允。
 
回到企业自身发展问题上，现阶段我国制造企业正从传统“生产制造”向“智能制造”转型升级中。让顾客满意的目标导向要求企业必须保证产品质量、交货期限，生产线要具备在大规模与小规模生产之间自由切换的能力，这就促使企业越发关注产品质量控制工作，也间接忽视了质量成本管理。
 
归根结底，企业转型升级的根本目的是为了满足自身生存发展，有效的质量成本管理不仅能真实反映企业的相关质量成本支出，也能客观反映企业对质量管理的投入与相关收益关系。简单来说，帮助企业判断某项投入是不是值得，某个决策是不是正确，进而帮助企业实现经济和社会双重效益的最大化。
 
理论目标较企业实际情况，存在两个比较普遍的误区：
 
1）以为只要产品质量让人满意了，就不会产生成本。实际上，质量满意也包含检测成本和预防成本，前者有检测费用、质量审核费用、试验设备相关成本，后者如质量教育费用、工序控制费用、质量改进措施费用等等。
 
2）以为自己公司的成本管理做得足够好，实际情况却相去甚远。美国质量协会（ASQ）以企业为对象的的两项研究调查显示，70%的行政人员认为质量成本低于营业额的10%，但大部分企业的质量成本实际上高达营业额的40%。国际精益六西格玛协会（ILSSI）的一项研究也透露出同样的信息——质量成本约占营业额20%-35%的企业比比皆是。
 
出现这种认知和实际之间的巨大鸿沟，原因主要在于对质量成本管理考虑不全面、科目设置不合理。过去，制造企业的成本核算多集中在显性成本上，但随着对成本管理体系的研究深入，隐性成本对企业管理的正面助益效果也越发凸显出来了，但大前提是：找到并管理好。
 
我们常说冰山理论，隐性成本就是质量冰山下最容易被忽略的部分。据上海外国语大学胡钰教授测算，对一般制造企业而言，隐性质量成本占比高达销售额的15%~20%。
 
所谓隐性质量成本，它们包括但不限于机器故障、来料不良、设计产能过剩、生产延误、订单延期等等，也即：产品设计阶段没有满足客户需求、产品生产环节把控不严造成的综合问题，将造成市场份额下降、企业名誉受损。这些都藏在冰山之下，与冰山上的显性成本（如返工返修、报废、索赔）一起，留待被管理者看见、发现、解决。
 
听起来容易，做起来难。怎么才能看见冰山下的成本？冰山上的成本我又是不是管理好了？各个环节的成本管理有什么内在关联吗？我把能做的都做了，怎么质量成本到最后还是这么高？
 
是不是还是一头雾水，不知道从哪里着手？马上就讲案例了。
 
03  企业质量成本管控实例：
一次做对+成本细化 
对制造企业来说，质量成本管理不仅包括产品生产成本，还涉及到研发、材料采购、销售及售后服务等各个方面。别说什么提质降本增效，什么满足客户产品需求，在实打实的利润损失面前，这些都是没有用的空谈。
 
我们的客户PQ公司就吃过这样的苦头。因为公司业务调整和战略发展需要，PQ公司于去年九月份计划对公司的质量成本进行系统且全面地管理，PQ公司专项小组通过互联网、业内朋友介绍等多种方式筛选了几家意向合作公司，海岸线便是其中之一。
 
沟通阶段，海岸线组建了专人团队亲赴北京实地考察，调研结果不看不知道，一看吓一跳，PQ公司的利润损失竟然高达30%！
 
PQ公司是一家集团公司，主要生产制冷压缩机产品，其产品颇受许多著名家电制造商的青睐，年产能将近4000万台，在中国、新加坡、美国、巴西等多个国家设立了研发中心，注重技术创新和产品研发，可算是全球封闭式压缩机的行业领袖。也正是因为PQ“家底”够厚，才不至于让质量成本损失拖慢拖垮公司发展。
 
PQ公司的主要战略目标有减少客户下线率、减少内部下线率、减少质量损失成本、减少返工率，用质量支柱树立世界级制造品牌形象。公司中高基层全员高度配合，由质量部牵头，采购部、研发部、生产部、维修部都特派专员加入合作小组。
 
基于此，整体解决方案的制定与落实进程非常顺利。我们为其构建了一套AQP D/PFMEA+PQM(Product Quality Management)的PDCA闭环全面质量管理体系，这里从几个层面为大家做具体讲解：


  
第一，紧抓设计前段质量，用“一次做好”达成质量成本控制最优解。受大环境影响波及，PQ近两年来大幅收缩产品迭代周期，或多或少造成部分产品存在缺陷、后期频繁救火等情况。借由AQP FMEA和APQP，该公司的研发流程、研发过程质量得到了有效管控，研发过程中设置了关卡评审、文档评审与设计评审等多层次评审工作，主动采取防错措施，洞悉阶段过程控制点；并全面打通底层数据流，确保质量策划从0到1的过程无碍、可靠，全面提高研发一次成功率。
 
第二，科学规划、精细质量成本科目管理。很长一段时间以来，PQ公司的质量成本管理相当模糊，最开始甚至是财务部门直接划分。隔行如隔山，财务部门自然只能分出直接生产成本和间接管理成本两种。问题来源确定不了，又何谈质量改善工作？在导入海岸线专业版QMS-PQM之后，PQ公司的质量成本管理发生了质的变化。以不合格品处理为例，系统能帮助其对不合格处理结果（让步放行、返工返修、报废、退货、索赔、自定义）进行及时记录、实时同步，确定性记录+最终处理流向，方便管理决策人员精准锁定成本损失高发地及隐性成本发生域。
 
着重要指出的是，几个主要软件之间并非孤立关系，无论是研发的0-1，还是生产的1-100，所有环节中的标准规则、改进措施、问题根源的相关信息都流通无阻，质量控制与成本管理并置交融，固化在日常研发、生产流程中，质量成本管控有显著起色。
 
再细化一下，依旧以生产过程中的不合格品处理为例，若在成品交付时发现不合格，公司会立即停止交付并进行返工，已交付的不合格品会予以追回、更换、退货或者降价处理。以上过程都将在PQM中留存确定且可追溯的记录，质管中心和相关领导们能直观便捷地厘清退货损失、产品降价损失等外部损失成本。其余环节内的质量成本管理的逻辑是一样的——这些原先依靠人为不定期执行的动作被内置在日常工作中，质量成本管理得以建立条理、智能分析、真正落地。

 
目前，PQ公司的返工率从2017年的19%下降到了7.5%，客户下线率、内部下线率均有不同程度下降。随着全面闭环流程越发内化于企业流程，各个环节质量人员对质量控制措施愈发娴熟，产品耗用工时减少，质量控制成本、故障成本持续降低，质量收入不断增加。我们开心地看到，PQ公司正加足马力冲刺世界顶尖制造行列领军者。
 
这是我们和PQ公司共同努力的结果，我们也希望能和更多有困惑、有愿景的企业合作，帮助更多中国品牌扩大世界影响力。 收起阅读 »

灯塔一词，早已脱离开航海历史而进入更大范围，成为一种指引方向、点亮希望的象征。假如把制造业也看做一汪广阔的海洋，站在智能制造转型升级的十字路口，灯塔在何方？
让我们把目光投向“灯塔工厂”。灯塔工厂项目，由达沃斯世界经济论坛与管理咨询公司麦肯锡合作展开遴选，被誉为“世界上最先进的工厂”，代表着全球智能制造的最高水平。据最新数据，全球“灯塔工厂”数量达到132家，中国的“灯塔工厂”增至50家，持续排名全球第一。
在这里先给自己打个广告，接下来我们将用一到两篇文章，对“灯塔工厂”做一个详尽而深入的解读，有兴趣或有意向入选“灯塔工厂”的企业不妨点点关注。

全局统筹，深度赋能，CMMM智能制造能力成熟度模型
言归正传，“灯塔工厂”既有标杆示范的榜样意义，也可看做一种关键信号，激励更多企业在智能制造转型升级浪潮中奋勇争先。
只不过，当智能制造步入发展快车道，“眉毛胡子两手抓”的形式得放一放了，我们需要有更清晰的参考助力：一个是如灯塔工厂一般的引领标杆，一个是足够有力的行业标准。前者是后者的呈现载体，后者是前者的判断依据。
在去年末的世界智能制造大会主论坛上，《中国智能制造发展研究报告：能力成熟度》（CMMM2.0）正式发布，创新性地提出了CMMM是可拆解、可组合、可配置的柔性模式，并从企业应用视角出发，为企业持续提升自身智能制造能力，提供了全局视角、成熟理论和实施路径。
经过数年发展，CMMM从早期的“智能+制造”两个维度模型，优化至覆盖人员、技术、资源、制造四大要素，从10个核心能力域增加到20个，帮助企业定位当前的能力水平和实施成效，有效指导智能制造建设，从而提升和优化制造过程。
智能制造能力成熟度可从低到高划分为五个等级——
1. 一级·规划级
企业应开始对实施智能制造的基础和条件进行规划，能够对核心业务活动（设计、生产、物流、销售、服务）进行流程化管理
2. 二级·规范级
企业应采用自动化技术、信息技术手段对核心装备和核心业务活动等进行改造和规范，实现单一业务活动的数据共享
3. 三级·集成级
企业应对装备、系统等开展集成，实现跨业务活动间的数据共享
4. 四级·优化级
企业应对人员、资源、制造等进行数据挖掘，形成知识、模型等，实现对核心业务活动的精准预测和优化
5. 五级·引领级
企业应基于模型持续驱动业务活动的优化和创新，实现产业链协同并衍生新的制造模式和商业模式

从能力要素与能力域，浅看日式制造的“没落”
除等级外，能力要素、能力域/子域也是CMMM模型结构中的重要组成部分。
能力要素是企业实施智能制造必须的条件。人员、资源、技术作为支撑要素，制造作为核心要素，体现了人员通过资源、技术来不断改善制造的过程。
而由此衍生的能力域和能力子域则被统称为过程域。在人员、资源、技术三个要素下有7个基础过程域，在制造要素下有13个制造过程域，共计20个。
CMMM模型好比一张标记了沿途各站任务点的地图，按照地图挨个打卡，就能按部就班、按图索骥地走到最终目的地。
而一旦错过或者“偏科”，就有可能要承担风险。这一方面的典型案例是日本。日本的制造业以人为中心，工厂中的问题一般都由现场员工自己发现、自己解决、自己改善，然后以此提高整体生产质量水平。
但在数字化变革不同程度地席卷全球的当下，这种模式很难与自上而下的数字化、智能化兼容了——建立互联互通的工厂与现场已是必要，制造和信息、技术融合，能为决策提供以往所不能达到的效率。
所以，曾经以精细和高品质在国内市场大行其道、一句“开不坏的丰田”为无数人所津津乐道的日式制造，似乎从某个时间节点开始，逐渐失去了自己的存在感。在“神户制钢数据造假”“三菱油耗造假”丑闻接连曝光后，更是有人直接追问：日本制造业已经彻底走下神坛了吗？

我们不妨将其看做某个切面：当时代对敏捷、高效提出了更高的要求，具备全局思维就成为必要，能力子域一旦失衡，便会造成竞争的失利。
那么，我们应该怎样预防或者说阻止这种失衡，破除企业经营短板，找到智能制造建设工作的正确发力点呢？
答案或许在于对各个单点的深度突破。

单点深度突破案例，基于数字化思维的FMEA过程控制
​数字化研发设计、自组织柔性生产、自组织物流、敏捷供应链、基于价值的服务、可持续制造、设备全生命周期管理、数字化培养，是CMMM的八大典型模式价值识别图谱。
本期案例智，我们将以柔性生产为目标，为各位带来基于数字化思维的FMEA过程控制案例。
我们都知道，制造业早已过了以规模论成败的阶段，消费者差异化的需求越明显，就越倒逼制造业向个性化制造转型。企业要攻克的课题越来越多，不论是消费者需求、还是生产异常、潜在失效风险，怎么依托关键大数据，定制需求的柔性化、智能化、高敏捷的产品，将成为核心竞争力所在。
K客户是一家家电制造企业，当前面临的主要问题恰好就在用户差异化需求的冲击上，在通过线上初步答题诊断和不间断几轮面谈咨询后，我们对K客户的组织战略、人员技能、数据、设备、生产作业等方面有了一个较为全面的评估结果。

最后，在K公司所提的制造过程“参数管理质量环”要求下，我们为其搭建了一套基于用户体验差异化需求、基于制造失效影响及影响分析（PFMEA）的全面可视化的制造过程质量管理体系。
FMEA技术不仅是对过程中的风险进行识别控制，更是直接贯穿到整个生命周期。以某款新冰箱的箱体发泡工艺为例：依据产品设计和开发输出的要求，我们划分出7个步骤，来对冰箱的制造过程进行设计和开发。
1. 确定过程分析范围
确定分析的范围为箱体发泡工艺，从壳体预热、夹具固定，到注料，再到最终的光学检测，这一阶段的制造过程工艺流程图，是基于产品开发与设计（FMEA）输出的产品框图（装配层级及顺序）来的。
范围的确定有助于FMEA团队更准确地分析过程，将优势资源集中于优先级较高的过程中。
2. 过程结构分析
结构分析是整个FMEA的基础阶段，我们可以通过过程流程图或结构树的形式定义流程；基于人机料环等4M要素，找出影响过程的所有要素。
例如这里的注料过程，其影响要素就有操作员、机器设备、工装夹具以及环境温湿度。
3. 过程功能分析
功能分析是整个FMEA的核心阶段，目的是确保产品/过程的预期功能/要求能够实现。需要通过技术性语言进行描述。
这里我们还是以注料为例，注料后的箱体前脸平整度、飘偏度需要满足工艺要求，这里提出的是对产品特性的要求。那我们再来看下影响产品特性的过程特性有哪些要求，需要通过4M要素进行拆解。以箱体飘偏度为例，通过特性矩阵能看到，飘偏度受气动压力与脱模间隙影响。
转化成技术性语言便是：气动压力5~8pa；脱模间隙＜0.05mm。通过识别各层级功能和要求后，开展产品特性与过程特性之间的关联性分析，进而建立功能网。
4. 过程失效分析
所谓失效就是指上一步功能分析中的功能/要求无法满足。过程步骤，要实现的功能无法满足即为失效模式；过程工作要素，要实现的功能无法满足，即为失效原因；因失效模式，而对整个过程项造成的影响即为失效影响。
我们不仅要分析当前已知的失效，对可能发生的未知失效同样需要分析。同时要确定三者的关联关系，在功能网的基础上，进一步建立失效网。
5. 过程风险分析
需要完成对三个度（严重度、发生度、探测度）的评价。严重度表示失效影响的严重程度，考虑三个方面：1）对厂内的影响；2）对直接发运工厂的影响；3）对最终用户的影响。
发生度可以简单理解为失效模式发生的可能性，需要结合当前的预防措施来评价。可以通过计算ppm、cpk得出相对准确的判断。
探测度则表示当前探测措施的有效性，能否及时准确的找出失效的产品，是我们判断的标准。一般通过检验或实验来完成探测。其有效性的判定，很大程度上取决于是否做过MSA。
通过对三个度的评价我们可以标记出特殊特性，并对其重点关注，同时对后续将要采取的措施优先级进行排序，之后就可以调集企业资源优先对高AP项采取控制。
6. 过程控制方法优化
对高AP项优先采取控制措施，并且验证这些措施的有效性，然后重新评估风险，将验证有效的措施同步到控制计划当中去执行。通过不断的优化可将风险降至最低。
FMEA不断更新的目的就是为了持续改善，不断降低风险，确保过程稳健。
7. 过程标准固化
这是一个总结FMEA经验的过程，需要借助软件建立企业FMEA、家族FMEA、知识库、措施库等，将FMEA经验固化沉淀。
我们将AQP FMEA和PQM（专业版QMS）及其他系统数据间的串联通道打通，时刻保证FMEA文件的动态更新，进而指导K客户质量的持续改善，保证生产线在大批量生产和小批量生产之间任意切换。
正如CMMM模型所指示的一样，过程控制是企业经营发展当中的重要一环，而非唯一一环，后续我们仍将持续建设 收起阅读 »

灯塔一词，早已脱离开航海历史而进入更大范围，成为一种指引方向、点亮希望的象征。假如把制造业也看做一汪广阔的海洋，站在智能制造转型升级的十字路口，灯塔在何方？
让我们把目光投向“灯塔工厂”。灯塔工厂项目，由达沃斯世界经济论坛与管理咨询公司麦肯锡合作展开遴选，被誉为“世界上最先进的工厂”，代表着全球智能制造的最高水平。据最新数据，全球“灯塔工厂”数量达到132家，中国的“灯塔工厂”增至50家，持续排名全球第一。
在这里先给自己打个广告，接下来我们将用一到两篇文章，对“灯塔工厂”做一个详尽而深入的解读，有兴趣或有意向入选“灯塔工厂”的企业不妨点点关注。

全局统筹，深度赋能，CMMM智能制造能力成熟度模型
言归正传，“灯塔工厂”既有标杆示范的榜样意义，也可看做一种关键信号，激励更多企业在智能制造转型升级浪潮中奋勇争先。
只不过，当智能制造步入发展快车道，“眉毛胡子两手抓”的形式得放一放了，我们需要有更清晰的参考助力：一个是如灯塔工厂一般的引领标杆，一个是足够有力的行业标准。前者是后者的呈现载体，后者是前者的判断依据。
在去年末的世界智能制造大会主论坛上，《中国智能制造发展研究报告：能力成熟度》（CMMM2.0）正式发布，创新性地提出了CMMM是可拆解、可组合、可配置的柔性模式，并从企业应用视角出发，为企业持续提升自身智能制造能力，提供了全局视角、成熟理论和实施路径。
经过数年发展，CMMM从早期的“智能+制造”两个维度模型，优化至覆盖人员、技术、资源、制造四大要素，从10个核心能力域增加到20个，帮助企业定位当前的能力水平和实施成效，有效指导智能制造建设，从而提升和优化制造过程。
智能制造能力成熟度可从低到高划分为五个等级——
1. 一级·规划级
企业应开始对实施智能制造的基础和条件进行规划，能够对核心业务活动（设计、生产、物流、销售、服务）进行流程化管理
2. 二级·规范级
企业应采用自动化技术、信息技术手段对核心装备和核心业务活动等进行改造和规范，实现单一业务活动的数据共享
3. 三级·集成级
企业应对装备、系统等开展集成，实现跨业务活动间的数据共享
4. 四级·优化级
企业应对人员、资源、制造等进行数据挖掘，形成知识、模型等，实现对核心业务活动的精准预测和优化
5. 五级·引领级
企业应基于模型持续驱动业务活动的优化和创新，实现产业链协同并衍生新的制造模式和商业模式

从能力要素与能力域，浅看日式制造的“没落”
除等级外，能力要素、能力域/子域也是CMMM模型结构中的重要组成部分。
能力要素是企业实施智能制造必须的条件。人员、资源、技术作为支撑要素，制造作为核心要素，体现了人员通过资源、技术来不断改善制造的过程。
而由此衍生的能力域和能力子域则被统称为过程域。在人员、资源、技术三个要素下有7个基础过程域，在制造要素下有13个制造过程域，共计20个。
CMMM模型好比一张标记了沿途各站任务点的地图，按照地图挨个打卡，就能按部就班、按图索骥地走到最终目的地。
而一旦错过或者“偏科”，就有可能要承担风险。这一方面的典型案例是日本。日本的制造业以人为中心，工厂中的问题一般都由现场员工自己发现、自己解决、自己改善，然后以此提高整体生产质量水平。
但在数字化变革不同程度地席卷全球的当下，这种模式很难与自上而下的数字化、智能化兼容了——建立互联互通的工厂与现场已是必要，制造和信息、技术融合，能为决策提供以往所不能达到的效率。
所以，曾经以精细和高品质在国内市场大行其道、一句“开不坏的丰田”为无数人所津津乐道的日式制造，似乎从某个时间节点开始，逐渐失去了自己的存在感。在“神户制钢数据造假”“三菱油耗造假”丑闻接连曝光后，更是有人直接追问：日本制造业已经彻底走下神坛了吗？

我们不妨将其看做某个切面：当时代对敏捷、高效提出了更高的要求，具备全局思维就成为必要，能力子域一旦失衡，便会造成竞争的失利。
那么，我们应该怎样预防或者说阻止这种失衡，破除企业经营短板，找到智能制造建设工作的正确发力点呢？
答案或许在于对各个单点的深度突破。

单点深度突破案例，基于数字化思维的FMEA过程控制
​数字化研发设计、自组织柔性生产、自组织物流、敏捷供应链、基于价值的服务、可持续制造、设备全生命周期管理、数字化培养，是CMMM的八大典型模式价值识别图谱。
本期案例智，我们将以柔性生产为目标，为各位带来基于数字化思维的FMEA过程控制案例。
我们都知道，制造业早已过了以规模论成败的阶段，消费者差异化的需求越明显，就越倒逼制造业向个性化制造转型。企业要攻克的课题越来越多，不论是消费者需求、还是生产异常、潜在失效风险，怎么依托关键大数据，定制需求的柔性化、智能化、高敏捷的产品，将成为核心竞争力所在。
K客户是一家家电制造企业，当前面临的主要问题恰好就在用户差异化需求的冲击上，在通过线上初步答题诊断和不间断几轮面谈咨询后，我们对K客户的组织战略、人员技能、数据、设备、生产作业等方面有了一个较为全面的评估结果。

最后，在K公司所提的制造过程“参数管理质量环”要求下，我们为其搭建了一套基于用户体验差异化需求、基于制造失效影响及影响分析（PFMEA）的全面可视化的制造过程质量管理体系。
FMEA技术不仅是对过程中的风险进行识别控制，更是直接贯穿到整个生命周期。以某款新冰箱的箱体发泡工艺为例：依据产品设计和开发输出的要求，我们划分出7个步骤，来对冰箱的制造过程进行设计和开发。
1. 确定过程分析范围
确定分析的范围为箱体发泡工艺，从壳体预热、夹具固定，到注料，再到最终的光学检测，这一阶段的制造过程工艺流程图，是基于产品开发与设计（FMEA）输出的产品框图（装配层级及顺序）来的。
范围的确定有助于FMEA团队更准确地分析过程，将优势资源集中于优先级较高的过程中。
2. 过程结构分析
结构分析是整个FMEA的基础阶段，我们可以通过过程流程图或结构树的形式定义流程；基于人机料环等4M要素，找出影响过程的所有要素。
例如这里的注料过程，其影响要素就有操作员、机器设备、工装夹具以及环境温湿度。
3. 过程功能分析
功能分析是整个FMEA的核心阶段，目的是确保产品/过程的预期功能/要求能够实现。需要通过技术性语言进行描述。
这里我们还是以注料为例，注料后的箱体前脸平整度、飘偏度需要满足工艺要求，这里提出的是对产品特性的要求。那我们再来看下影响产品特性的过程特性有哪些要求，需要通过4M要素进行拆解。以箱体飘偏度为例，通过特性矩阵能看到，飘偏度受气动压力与脱模间隙影响。
转化成技术性语言便是：气动压力5~8pa；脱模间隙＜0.05mm。通过识别各层级功能和要求后，开展产品特性与过程特性之间的关联性分析，进而建立功能网。
4. 过程失效分析
所谓失效就是指上一步功能分析中的功能/要求无法满足。过程步骤，要实现的功能无法满足即为失效模式；过程工作要素，要实现的功能无法满足，即为失效原因；因失效模式，而对整个过程项造成的影响即为失效影响。
我们不仅要分析当前已知的失效，对可能发生的未知失效同样需要分析。同时要确定三者的关联关系，在功能网的基础上，进一步建立失效网。
5. 过程风险分析
需要完成对三个度（严重度、发生度、探测度）的评价。严重度表示失效影响的严重程度，考虑三个方面：1）对厂内的影响；2）对直接发运工厂的影响；3）对最终用户的影响。
发生度可以简单理解为失效模式发生的可能性，需要结合当前的预防措施来评价。可以通过计算ppm、cpk得出相对准确的判断。
探测度则表示当前探测措施的有效性，能否及时准确的找出失效的产品，是我们判断的标准。一般通过检验或实验来完成探测。其有效性的判定，很大程度上取决于是否做过MSA。
通过对三个度的评价我们可以标记出特殊特性，并对其重点关注，同时对后续将要采取的措施优先级进行排序，之后就可以调集企业资源优先对高AP项采取控制。
6. 过程控制方法优化
对高AP项优先采取控制措施，并且验证这些措施的有效性，然后重新评估风险，将验证有效的措施同步到控制计划当中去执行。通过不断的优化可将风险降至最低。
FMEA不断更新的目的就是为了持续改善，不断降低风险，确保过程稳健。
7. 过程标准固化
这是一个总结FMEA经验的过程，需要借助软件建立企业FMEA、家族FMEA、知识库、措施库等，将FMEA经验固化沉淀。
我们将AQP FMEA和PQM（专业版QMS）及其他系统数据间的串联通道打通，时刻保证FMEA文件的动态更新，进而指导K客户质量的持续改善，保证生产线在大批量生产和小批量生产之间任意切换。
正如CMMM模型所指示的一样，过程控制是企业经营发展当中的重要一环，而非唯一一环，后续我们仍将持续建设 收起阅读 »

 
01 从《数字中国建设整体布局规划》
看智改数转迈进深水区 
近日，中共中央、国务院印发《数字中国建设整体布局规划》，明确数字中国建设将按照“2522”的整体框架进行布局，到2025年基本形成横向打通、纵向贯通、协调有力的一体化推进格局。
 
所谓“2522”是指：
·夯实数字基础设施和数据资源体系“两大基础”；
·推进数字技术与经济、政治、文化、社会、生态文明建设“五位一体”；
·强化数字技术创新体系和数字安全屏障“两大能力”；
·优化数字化发展国内国际“两个环境”。
 
从《中国制造2025》到《质量强国建设纲要》，再到《数字中国建设整体布局规划》，数字经济利好政策频频出台，政策+技术双轮驱动，强力释放红利窗口期，但归根结底，也还是要落到不同产业、行业和企业的具体升级增长上。
 
产业升级是一个动态过程，数字化转型按下启动加速键，相应的，流程、制度、体系、设备、组织架构、员工的胜任力等各类要素都要跟着一起改变。不论是早前的信息化还是现在的数字化，本质上都是为了更好更快地更经济地生产产品、服务消费者。
 
数字化是手段，中心思想是“我们要变革”，数字能给出理性精确的定量分析，让决策有所依据。
 
 
 
02 大Q小q质量组合拳
整体战略是经营变革的前提 
数字化转型是经营变革的手段，企业要将其看作整体战略中关键一环，构建数字文化，打造数字化组织，培养员工数字化胜任力，从管理本质着手，掌握效率主动性。数字化转型不应该仅仅是拥抱技术、设备升级、系统改造这么简单。
 
举一个被说烂的反面例子：大多数的工厂已经开始使用数字化系统，借助excel或者FMEA、MES等不同细分领域的工具软件进行数据采集、风险管理、车间管理，但捣鼓来捣鼓去，最后还是全人力手工记录、人工处理。
 
人为操作的耗时和主观无法保证数据的精确性和实时性，数据模糊、无效、不完整甚至前后矛盾，就一定会导致决策出错。
 
约瑟夫·朱兰博士，现代质量管理领域的领军人物，提出了“小q”和“大Q”概念，二者的Q都是quality，质量一词的意思。
 
·小q：侧重于产品、服务和流程层面的符合性，关注“功能性”
·大Q：侧重于质量的管理和战略视角，聚焦“跨功能”
 
小q能让诸如检验、审核、生产、研发等单个模块的职能正常运行，却无法提升效率。没有能提供框架性的战略质量规划，什么东西都像一次性的，什么都可以做，可每个环节的衔接都是断裂的。
 
检验中发现的问题无法回溯到研发端，这次发现的产品质量风险，下次依旧存在，不是从0到1的有效闭环，而是0-0-0-0的无限循环。
 
我们需要大Q来起战略引领作用，对质量和企业组织的各个层级进行高效集中的协调，包括质量策划、质量目标的层次结构、质量基础设施的提供、质量改进的战略方向。
 
当小q的职能和大Q的战略规划同步时，质量活动一定能满足企业的期望。
 
 
 
03 借力第三方数字化服务商
克服质量成本难量化难题 
这当然不是在说小q（功能性）不重要，相反，有了大Q打基础，各个职能模块都能在一个大的“控制调度平台”上维持住完美运作状态，才不会出现上文所说的脱节断裂问题。
 
惟其如此，才能建立一整套涵盖理念、决策、实施、执行的科学管理体系，从而解决效率和效益的问题，更能又快又好又“经济”地满足消费需求，并在持续性的正面反馈下进一步对企业的组织方式、生产制造、商业模式产生积极影响。
 
但话说回来，这些也都是很久以后的事情，能不能省时省力地解决眼下的问题，才是绝大多数企业所关注的。这也是为什么有说法称，数字化服务商正在开启一个万亿级新市场。
 
中国的企业数量十分庞大，企业规模、发展阶段也各有不同，有些企业只需要对某个单一环节进行数字化，有些可能要对整体的上下游协作供应链、全面质量管理体系进行改造；有些没有足够的投入资本，有些盲目迷信技术，最后换来一套功能齐全的“皮囊”。
 
市场大了，滥竽充数的也就多了。很多工业管理软件有几种类似弊端：只有一套标准化产品，别的啥也没有，没法满足差异定制化需求；或者是干脆把线下流程照搬到线上，除了形式变化和打水漂的购入成本外，什么增益也没有。
 
在这个消费需求驱动的时代，能被信赖的工业软件，肯定有非常突出的差异化竞争能力，企业在做选择时，能看见你解决问题的能力、交付实施的能力，甚至是面对不同行业时的诊断和跨界能力。
 
看得多就会得多，就能触类旁通举一反三，这不仅是对软件服务商的要求，也可以是企业经营学习的一个方向。我们做案例智专栏，也正是想把各个行业的典型案例整合输出，让企业和企业间可以互相借鉴，启发出多元的视野，集众家之所长，互惠互利，共同进步。
 
 
04 数字化总体架构建设方案
搭建完整高效的智能制造系统 
一直在讲大Q小q协调一致的战略意义，今天的案例自然也与此有关。
 
S客户是一家电子制造企业，生产过程的质量控制程度会直接决定良率高低，某个环节一旦出错，就有可能造成整个批次报废。也因此，在产品研发、生产制造的全生命周期中，必须对生产条件、检验监测、车间现场、生产人员、环境设备等要素提出高要求。
 
S客户主要面临两大难题——
 
·内部：人工成本高、制造过程管理难、产品质量不稳定
·外部：客户提出了更多个性化、多样化和智能化的产品需求
 
高层管理者变革决心很大，亲自带队成立项目组对市场上的数家软件服务商进行了调研和试用，在后续的项目实施部署过程中也给了我们很多支持。
 
在经过一番细致全面的调研商谈后，我们对整个生命周期过程进行了总体架构规划，从设备层、控制层、执行层、计划层和决策层五个层面出发，对标准、过程、资源、人员、售后、改进等多个维度，制定了一套适合S客户当前发展现状的解决方案。
 
·通过部署AQP FMEA，让所有关联文档自动同步，实现业务流程和流程文件的标准化、系统化、履历化，建立企业知识库，随取随用，智能化操作，大大提高FMEA编制效率，有效缩短产品开发周期，更好匹配消费者多样化需求，为客户带来实际收益。
 
·通过部署PQM（专业版QMS），并打通产品全生命周期管理（PLM）系统、AQP FMEA和各类制造设备的传递通路，实现各模块信息共享和控制集成。生产车间能及时反馈生产过程中的质量信息，给到前端研发或是售后部门进行分析调节，让制造过程中的问题得到及时发现、及时处理，实现闭环质量控制，大大减少加工质量损失。
 
 
不论是今天的解决方案案例，还是此前的研发质量、生产质量、追踪追溯案例，我们都在用具体客户故事来传达我们的主张——
 
任何技术、软件、工具的选择，都要对对方有一个考量：他们有想清楚吗？他们有经验吗？他们会应用吗？只有这样，才能让技术软件或是工具为你的投入创造匹配得上的效益。
 
也欢迎关注我们，或是和我们交流你的想法和思考。 收起阅读 »

我们知道，DOE在质量控制的整个过程中扮演了非常重要的角色，它是我们产品质量提高，工艺流程改善的重要保证。但基于实验环境和实验成本等因素考虑，有时，我们并不能够实现所有的因子水平组合。这样我们就需要根据实际场景执行最优设计。

最优设计，是指在给定因子空间内试验单元数相等的所有试验方案中，各回归系数的广义方差最小的试验方案。最优设计是在因子空间中可能产生的试验方案中信息矩阵行列式值最大，也是相关矩阵行列式值最小的试验方案。最优设计的出发点是优化回归方程的统计性质。最优设计试验方案通常用数值方法构造，先给定一个初始方案，然后用计算机构造出一系列方案的信息矩阵行列式值逐渐增大，并收敛于最优设计方案。最优设计有一次模型和二次模型的区别，也有饱和的与非饱和的区别。Minitab 的最优设计功能可以与一般全因子设计、响应曲面设计以及混料设计一起使用。

【例】工艺工程师希望建立将导致生物膜厚度及最大拉力的时间和温度设置。 由于这两个因素，她必须小心处理薄膜，因为如果过程运行太冷/太短，薄膜不会固化，如果运行太热/时间太长，薄膜会燃烧。 具体来说，为了让薄膜固化但不燃烧，她有以下限制：

（1）在最短的 60 分钟的循环时间内，它们必须在至少 140 度但不超过 160 度的温度下运行；

（2）在最长的 68 分钟的循环时间内，它们必须在至少 100 度但不超过 120 度的温度下运行。

根据这样的要求，就相当于我们执行2因子2水平设计，但是实验区域受限（如下图）





我们可以根据线性回归特性，将边界线的模型表达出来：

Temp=460-5*Time

Temp=440-%*Time

为了得到实验空间，我们借助Minitab软件的产生网格数据，初步得到实验的空间：



从备选点集中选择设计点以得到最优设计。当原始设计包含的点比限于时间或财力所能实现的多时，通常使用选择最优设计来减少试验数。虽然这些数据点可能是将来的试验点，但根据前面的介绍，有些空间数据并没有实际意义，因此我们需要截取相应的实验点，这个工作可以通过Minitab的子集化工作表实现：



根据子集化工作表的设置，将实验空间进一步优化，如下图所示：



这些实验组内次数非常庞大，基于实验的原则，我们不可能将所有组合全部实施，接下来，利用Minitab的“选择最优设计”可以帮我们快速选择：



这样一来，Minitab就可以从候选设计组合中选择最优的14次运行，基于这些实验结果，Minitab可以拟合出二次回归模型。D 最优性将拟合模型中回归系数的方差降到最低，从而提供最精确的效应估计。

指定模型后，Minitab 将从一组候选设计点中选择满足D 最优标准的设计点。


  收起阅读 »

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，他们会更好的为完成项目具体目标和总体目标做出贡献。

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的完成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 »

FMEA——主动预防

我们在哪些情况下需要做 FMEA？有的朋友说是在客户审核的时候。听上去好像没问题，但是做FMEA不能仅仅是为了审核，更不能将其视为被动输出的工具，而是应该把它当做主动预防的工具。

那在什么时候需要预防呢？
 




● 第一种情况：新设计、新技术、新工艺的出现。

在这些过程中，你会遇到许多以前没有遇到过的问题。这其中的风险以及不确定因素是最多的。因此，我们需要使用 FMEA来降低风险。

● 第二种情况：对现有设计或过程的新应用。

一家建在北方的工厂，为了扩大业务，在南方也建了一座。这两个厂的生产工艺还有设计都是一样的，是不是意味着FMEA就可以直接复制，直接照搬？当然不是。不同地区的环境、场地，可能会存在巨大差异，特别是对生产环境有一定要求的工艺或技术，温湿度的细微改变，都会影响机器参数设置。

所以我们要基于新环境、新场地，对现有设计或过程的影响重新做FMEA分析。

● 第三种情况：对现有设计或过程的工程变更

在设计或过程的工程上，一定会有新的生产需求，如果继续基于之前的设计或过程作判定必然是不准确的。因此，我们也要重新做FMEA分析。

● 第四种情况：企业建立FMEA数据库

企业想要将成熟的FMEA经验做成标准化的知识库沉淀，为现有的技术作延伸，又或者为后续新产品、新技术、新流程的开发做积累铺垫，那么FMEA分析自然也是需要不断更新迭代的。

如今是企业发展数字化转型，追求创新的时代，5G、大数据、人工智能、云技术逐渐兴起。随着技术不断地更新，FMEA自然也需要不断地更新。因此更需要我们积极主动地启动FMEA，让它变成一个行之有效的主动预防工具。


FMEA——团队协作

既然明确了FMEA的启动时间，那么我们接下来再来看一下决定FMEA成败的人。

首先必须明确的是，想要做好FMEA，单靠个人是完成不了的，个人的知识经验固然重要，但是绝对离不开团队的帮助。

尤其是像FMEA这样的工作，需要全方位、多角度、分布式考虑，个人能力再强也不可能面面俱到。所以这里就需要强调FMEA团队的重要性，既然是团队协作，那必然有所分工，大家各司其职。
 




大体上来说我们一般将FMEA团队分为核心成员以及扩展成员两部分。

● 核心成员必不可少，属于常驻人员，其工作需要从FMEA的开始到结束。

● 扩展成员则是仅在需要的时候提供一定帮助的成员。比如遇到一些与产线员工，设备维护，甚至是和客户相关的某些特定问题不知道该怎么办时，往往就需要依靠这些扩展成员的帮助。

无论是DFMEA还是PFMEA，其核心成员里面都需要一个FMEA主持人，又称协调员（Moderator）。顾名思义，就是带领并协调团队成员，顺利开展FMEA工作，能够把握FMEA的整体方向以及输出节奏的人。FMEA主持人能够为团队成员做一些方法和思路上的正确引导以及过程上的合理管控。方法和思路都正确了，那其余人员需要做的就是往里面填充内容，也就是我们FMEA内容的输入者（Input）。

FMEA主持人是方法的主导者，擅长FMEA思维逻辑，俗称FMEA专家。我们可以看到，在FMEA团队之中，并非所有人都得是FMEA方面的专家。

正所谓术业有专攻，我们只需要一个思路清晰的人带领大家就可以了。由FMEA主持人负责所有FMEA的更新，变更等工作，其余成员不需要每个人单独输出一份FMEA，只需要提供各自经验即可。这才是一个FMEA团队的正确分工，才可能输出一份有价值的FMEA。

由此可见我们在做FMEA的时候一定要把FMEA当做一个主动预防的工具，在有新设计、新应用、工程变更等情况时就要开始做FMEA了。

另外想要做好FMEA，就要建立FMEA团队，只有团队协同，FMEA才能顺利进行。

下一期，我们将一起了解FMEA的逻辑思维。 收起阅读 »

大多数公司做FMEA，都是因为审核需要，所以必须做。但最终输出的FMEA，文件与文件之间是相互分散的，数据是不同步的，不能在质量管理上发挥应有的价值。

01
企业为什么要做FMEA

● FMEA是一种预防风险的工具

相信所有的公司都希望把产品的质量做好，通常情况下，控制质量，有两个方向：

1. 前端做好质量上的预计、预测、预防

2. 后端做好过程当中每个环节的管控

FMEA作为潜在的预防性的风险分析工具，其作用是提前识别风险。不过FMEA本身并不能够解决问题，而是能够帮助你系统化的梳理研发、生产、装配等环节可能出现的问题，然后指导你做出相应改善措施。

FMEA要想解决问题，需要跟很多工具联合，过程中一些设备的监控、预警、设备的维护保养，还有一些防错机制，这些才是能够解决实际问题的。

● FMEA可以帮助你提前预判风险的发生

通常情况下，如果预防的事情没有发生，你会觉得FMEA好像没啥用。

但是假设你提前预防的问题发生了，并且按照你预想的方式顺利解决了，你肯定会庆幸，幸好提前做了预判。

而这，就是FMEA的价值。

02
做好FMEA的意义

● 借助FMEA，减少量产期间产生的风险损失



图一

我们先来看这张图（图一），横轴表示项目开发周期，纵轴表示项目变更成本。

在项目开发初期，一切都是向好的，大家都觉得计划没有问题。

但是随着项目的深入，会有越来越多的问题产生，直到接近量产期可能会有一个集中爆发期。

注意这里的SOP指的是Start of Production（投产）也就是批量生产期间，并不是指SOP的另一层意思Standard Operating Procedure（标准作业指导书）。

那么在接近量产期间产生的各种问题，需要我们集合各种资源在进行管控，解决问题。

可是，这时的工装模具已经准备好了，设备已经安装，调试也差不多了。如果再想去更改的话，成本就会非常高。

这是多数企业正在面临的现状。

但如果我们借助FMEA，在设计开发期间，尽可能将各种问题暴露出来，通过分析验证，最终将这些问题统统过滤掉。这样在产品接近或达到投产期，就能更容易控制这些问题。

通过早期的FMEA分析，在前端发现问题，实际上只需要改变的一些数据，工艺，图纸。相比于之前的硬件改变来说，成本要低很多。

那么究竟在什么时间段开始做FMEA比较适合呢？

其实从项目启动阶段、Concept概念阶段，你就需要借助FMEA来思考问题了——哪些问题没有考虑全面，哪些地方不合理。这个阶段可以是Design Concept，也可以是Process Concept。FMEA在这些阶段，实际上是贯穿始终的，也就是说我们始终需要借助FMEA来进行思考分析。

03
建立FMEA知识库

假设我们在设计阶段去做FMEA分析，更多地会依赖于FMEA小组的经验积累，知识沉淀。因为很多分析实际上是没有发生的事情，需要依靠过往经验去分析判断，例如可能会有哪些功能缺陷，会产生怎样的失效，该如何应对等等。所以这一阶段生成的FMEA，大多是基于过往经验，基于行业的理解认知。

那么设计阶段做好了FMEA分析，是不是意味生产就不会有问题发生了呢？当然不是。

从上面的曲线图（图一）不难看到，后期可能还是会有一些问题的发生。这时，我们通常会用8D报告来分析解决。而这也是经验的积累，在下次遇到同类型项目启动时就能够借鉴。

FMEA是一个循环改善的过程，在这个过程中积累的各种经验，最终沉淀为企业的知识库。
 




所以我们在做FMEA时，不仅需要在研发设计阶段做好FMEA，也要注重生产阶段FMEA知识库的积累，只有这样做，我们才能真正发挥FMEA最大的价值，这也是FMEA真正的意义所在。

下一期，我们一起来探讨，想要做好FMEA需要注意哪些。 收起阅读 »

实验设计有显着的好处。它们可用于多种情况，并有效地允许操纵多个输入因素以确定它们对所需响应的影响。他们还确定了在一次试验一个因素时可能会遗漏的重要交互作用。

DOE 的规划阶段对于成功至关重要。由于在规划阶段发现的障碍，DOE 经常停滞不前。例如，看起来过于昂贵或复杂或缺乏关键信息的 DOE 通常在它们有机会执行之前就被废弃了。幸运的是，先进的预测分析 是一个强大的工具，可以帮助消除创建 DOE 的障碍，甚至可以提高成功的机会。

问题 1：您想运行筛选设计，但您不能停止系统（或进程）运行以收集数据或收集数据非常昂贵。

从业者使用筛选实验设计（筛选 DOE）从许多潜在变量的领域中识别过程中最重要的变量。它们使从业者能够减少实验的规模，从而节省时间和金钱。如果数据难以获取或成本高昂，则尤其如此。

当您无法停止系统或进程来运行筛选实验时会发生什么？或者，如果收集用于筛选的数据点非常昂贵，以至于难以证明这样做是合理的？

解决方案 1：预测分析可以帮助您轻松识别最重要的变量。

不要害怕，预测分析就在这里！通过分析来自您的系统或流程的数据，您可以利用您最喜欢的机器学习算法或运行自动化机器学习来识别对您的响应有潜在影响的预测因素。Minitab 通过我们专为帮助您识别最重要的变量而构建的相对变量重要性图表使这一过程变得简单。查看我们的网络研讨会 DOE 实践，链接如下示例。



问题 2：您想运行设计实验，但对因素（即水平）的适当范围（即上限和下限）不确定。

运行 DOE 时，实验在不同的因子值（称为水平）下运行。这些水平是我们衡量响应的自变量，我们传统上将其称为因变量。例如，如果您尝试优化一台设备的速度，则需要设置最高和最低速度的限制以构建速度范围以优化您的过程。另一个例子可能是烘烤蛋糕时烤箱的温度。根据您的经验，您可能知道低于 300F 不会烘烤蛋糕，而在 400F 时会烧焦，因此您可以设置限制。但是，如果您以前从未烤过蛋糕怎么办？或者，如果您有一台新机器而不知道在哪里设置限制怎么办？

解决方案 2：预测分析提供可视化效果来帮助您设置合理的限制。

当您运行 Minitab 的预测分析时，您将生成可视化效果，展示一个或多个变量对预测结果的影响。为了预测结果，这些图的目的是突出响应和变量之间的关系是线性的、单调的还是更复杂的。这些可视化对于 DOE 也非常有用。



在上面的示例中，假设您正在尝试运行优化强度的实验。您可能了解模具温度与强度之间的关系，但也知道简单地将机器调到最高温度可能会产生不利影响，例如过热或不必要地增加生产成本。您还知道实验中可能会与其他变量（例如压力）发生相互作用。通过查看图表，您会发现温度高于 1200 会导致强度边际增加。对于您设计的实验，您可以将模具温度水平设置为 1000 和 1200，以运行以最大化强度为目标的实验。但是，如果目标是最小化强度，您可以从图中看出，在较低的模具温度范围内进行测试会更合理。

预测分析只是与 DOE 携手并进的众多工具之一。

DOE 是许多从业者的重要工具，不应孤立存在。如前所述，规划对于 DOE 的成功至关重要，这就是 Minitab 创建专门为帮助规划过程而构建的DOE 规划工作表的原因。如果您是 DOE 的新手或只是想提高您的技能组合，Minitab 会提供支持、资源和解决方案来帮助您前进。 收起阅读 »

先给大家讲一个真实案例吧。

A工厂一直从事录像带透光度检测及录像带外壳生产工作，十几年里未有大的纰漏，直到一批使用了新原料的产品面世。
该批次产品在到达美国后被检测出无法使用，产品被全数退回、罚款高达200万美金。
一夜之间，一个近千人的工厂倒闭了。
是工厂忽视了质量管理，没做好FMEA分析吗？非也，实际上他们有FMEA，只不过是一套十几年间从无更新、直接照搬挪用到任何产品上的FMEA。

这个真实案例用残酷的退场向我们敲响警钟：埋藏在源头的问题，就如一颗随时都会点燃的不定时炸弹，等到炸开那天，无论后端再怎么救火，也是亡羊补牢，为时已晚。


时至今日，类似的事情仍旧时有发生。

所不同的是，越来越多的人开始将质量当做一个重要指标来追求，但很少有人真正实现卓越运营。

所谓卓越运营，是指“每个员工都能看到客户的价值流向，并在价值流向断裂前将其修复”，在研发、生产、交付、人员、供应链等维度，都遵循业务流价值流驱动，提高透明度、效率和协作性，使企业能够敏捷灵活地适应变化，实现战略与运营的和谐一致。

黑带也好，精益管理也罢，卓越运营有着丰富的理念支撑。但一个概念被广为人知，并不意味着它或它们已经实现了真正意义上的科学落地。要想达成目标，首先需要对单个维度进行具体拆解与分析。
受限于软件技术和管理认知等因素，管理软件往往成为“食之无味，弃之可惜”的鸡肋。顾客购买软件，往往为了应付客户居多，人变成了它的傀儡，助力反而成了阻力。

“我们要从前面的大认知入手。即使大家都在找最适合最科学的理念，但方法也会千差万别。我们是不是可以有一种更科学对待它的方式？而不是通过‘我’怎么理解来实现，最终带来很高的试错成本和沉没成本。”


当前，制造业的关注点已经从“造出来”蜕变至“如何高质量发展”，企业不得不经受更多维度、更高难度的挑战，在这一过程中，任何索赔、成本都有可能让企业遭受沉痛打击，难以继续发展。

正如开头所说，从源头遏制问题，才能让企业得到更好发展。


今天，我们就将结合实际客户案例，先来剖析如何更科学地实现研发质量管理闭环。


找准裁判，一次做对，提升质量和可靠性

裁判，是研发质量管理在价值链当中的角色定位。

不过，“裁判”却无法被轻易借用。即使今天的华为在IPD（集成产品开发）上做得相当之好，却也难以被行业大规模复制，究其原因无外乎让许多人望而却步的巨大投入。

那么，该怎么做，如何做?

让我们来看看某车企研发质量管控案例。

初次接触这家车企，是因为其企业内部在大力推行数字化转型，尤以研发质量监管及闭环为核心解决诉求。

通过走访企业，大量问卷调研、面谈问诊，最终明确了该企业业务脉络，将流程横轴与任务纵轴梳理清楚，从中探讨改善方向和思路。

受篇幅所限，此处我们仅展示部分待改善点：

·一味缩短研发周期，导致关键路径缺失，分析遗漏

·研发后期质量问题集中爆发，研发陷入“救火式战役”

·质量损失成本居高不下

......

结合该企业的业务流程和管理需要，海岸线专家团队给出了“以预防先发”为驱动的研发质量管理解决方案。

首先在质量管理思维上，我们以“预防型+进攻型”组合思维为导向，通过问题解决与反溯-再发防止经验库-新项目再发防止应用的数据闭环，规避掉由以上因素造成的“救火式战役”。


#问题解决与反溯

·发起问题帮助质量管理人员找到问题所在；

·问题分析围绕问题严重度、发生度、探测度、复发率等各要素及其权重，对问题进行分级判断；

·采用根因分析、鱼骨图、5Why等方式，分析并确定直接、间接和根本原因；

·通过短期、长期对比实施或措施验证，让对策固化至流程体系、技术标准及行政管理措施，实现预防&预警问题。

#再发防止经验库

上一环节中产生的致命、严重问题会自动流入问题经验库，制定精细化数据库管理方法，实现问题分级。

利用再发防止数据库中的案例信息，实现与基础FMEA的融合，不断完善FMEA分析的完整性，在后续车型开发时，利用DFMEA引导设计开发，评估设计风险，规避潜在问题的流出。另外通过打通DFMEA到PFMEA的数据流通，确保设计要求在量产环节，被严格执行。

同时，海岸线为再发防止经验库设计了智能化出入库机制，根据过往预防履历、措施效果、质量履历等多个维度，对具备出库条件的问题及时提醒，保证数据库动态刷新，从而避免管理投入的冗余和浪费，实现最大管控效果。

#新项目应用

再发防止经验库与基础DFMEA库融合后，工程师在实际开展新的FMEA项目时，可以充分借鉴历史经验，尽可能减少或规避风险。FMEA准备的足够充分，后续的应用才有价值。

以一款全新车型的DFMEA为例。

为了将DFMEA落到实处，将DFMEA结合过程管控计划，形成一份评审要素表。

作为各阶段的检查清单，确保设计、质量、试验、生产各个环节将措施落实到位。

针对检查结果及对应解决方案，进行项目组层级评审，明确进一步优化可行措施。


通过早期积极预防及全过程跟踪落实的质量管理闭环，在不断循环流转、优化更新中，该车企设计开发工作的质量和可靠性得到大幅提升，质量管控体系得到高效优质改进。
  收起阅读 »

半导体制造不仅是技术最先进的行业之一，而且也是成本最密集的行业之一。随着基于半导体的设备在从个人电脑到电话和汽车的一切事物中变得司空见惯，需求持续增长。随着数量的增加，对更强大的质量计划的需求也在增加。虽然大多数制造商都在使用 Minitab 等统计软件来解决某些问题，但仍有机会扩大其范围并提供更多价值。

半导体制造业往往比其他行业平均收集更多的数据。这意味着您可以更轻松地将数据以不同的方式发挥作用，例如：

使用测量系统分析最大限度地减少生产中的变化

使用量具 R&R 和方差分析等工具来确定测量系统的变化至关重要，尤其是对于半导体制造而言。为确保规格能够得到保证，测量的可重复性和再现性需要相对于测量的规格公差较小。 Minitab 的新测量系统分析 模块使各级从业人员能够轻松评估测量系统的变异、偏差和稳定性。

使用统计过程控制来提高产量并避免制造过程中的浪费

使用控制图和能力分析来测量关键特性，如晶圆厚度、沉积速率（晶圆表面沉积材料作为薄层以包含电气特性的速率）、终点时间（检测最准确的停止时间蚀刻工艺，以避免蚀刻过度或蚀刻不足）等将有助于确保您的工艺和设备处于可控状态。如果您已经在使用 SPC 方法，使用Minitab的 下一代统计过程控制可以帮助您改进技术并实现实时节省。

使用实验设计改进制造工艺

由于半导体制造由多个复杂的过程组成，即使是最有经验和能力的工程师也不一定知道制造设备的最佳设置。即使已知最佳设置，新技术也会不断被采用，从而引入未知情况和新问题。实验设计帮助工程师建立一个综合模型，以帮助非常准确地理解系统的工作原理。 通过阅读这篇博文，了解更多关于 DOE 的实际操作，帮助提高一个制造商抛光过程的均匀度，或者通过观看本次网络研讨会，了解更多关于 DOE 的总体信息。

使用机器学习进行硅后验证

与进行测量并做出通过/失败决策的生产测试不同，在硅后验证中，您需要非常详细地了解设备在各种操作条件下的行为。使用机器学习，您可以更好地了解设备的输入如何影响输出并找到它们之间隐藏的关系和复杂性。借助Minitab 的预测分析模块，您可以构建稳健的预测模型或使用我们的可变重要性图表等工具来突出显示影响性能的最关键输入。
收起阅读 »

在我的前面的控制图相关文章中，讨论了控制图为什么能够发现失控的、子组大小的确定方法、判异与判稳的准则及其选择的依据等，而在控制图的实操过程中，还有一个避不开的问题，这就是：当发现失控时要对过程进行原因调查，那么还要必须隔离产品或者停线吗？

这是一个比较尖锐的问题，因为这关系到产品交付的及时性，会对相关部门的利益产生影响，尽管我们都是为了公司和客户着想。

是否需要隔离产品或者停线，取决于我们使用并出现下列判异准则中的哪几个：


准则1：1个点，距离中心线大于3个标准差

准则2：连续9个点，在中心线同一侧

准则3：连续6个点，全部递增或全部递减

准则4：连续14个点，上下交错

准则5：3个点中有2个点，距离中心线（同侧）大于2个标准差

准则6：5个点中有4个点，距离中心线（同侧）大于1个标准差

准则7：连线15个点，距离中心线（任一侧）1个标准差以内准则8：连线8个点，距离中心线（任一侧）大于1个标准差判异准则1是必须使用的，我们就先讨论准则1。

均值点出界，又可分为两种情形：

情形1——均值点超出控制限，且超过规格限，是必须停线和隔离产品的，这是毫无疑问的，因为已经产生了不合格了，即使是过程特性，也意味着对应的产品特性大概率出现不合格。这种情形，我们就不进一步展开讨论了。

情形2——均值点超出控制限，但未超规格限。要知道未超规格限，只是我们所抽取的子组的均值未超规格限，这里面又可分为两种情况：子组内有个别单值可能会超规格限，这个容易确认，在测量样本时就知道了；另一种情况是在这个抽样时间段内，未抽到的产品特性可能还会有超规格，那么，如果有，会有多大的概率存在不合格呢？我们还是以最常用的均值-极差图为例。在均值图上出现了超界点，实际上就是均值发生了显著的偏移，不管是一种暂时性的偏移，还是永久性的。因为控制图的点是抽样所得，这个点就代表着抽样间隔内所生产的所有产品的特性值构成了一个新的分布，如下图所示，只是这个新的分布的均值与之前稳定时的分布均值有了显著的变异。



那么，我们现在来使用95%置信区间来估计超界均值点所代表的抽样时间间隔内的这个小的“总体均值”（后面叫做“抽样间隔总体”）是多少。

下面先简要介绍置信区间的概念。

由于不是100%检验，我们使用样本均值来对总体进行“点估计”，根据“中心极限定理”可知，样本均值等于总体的均值。但是由于总体均值是通过样本来估计的，所以总是存在抽样误差，这个误差就是：



其中，σ 在本案例中是抽样时间段内特性单值的标准差，n 是每次抽样的数量。用子组样本均值估计抽样间隔总体均值存在上述抽样误差，同时这个抽样误差也是由（子组）样本均值所构成的正态分布的标准差，我们也把它叫做“标准误”。这个由均值点构成的正态分布的均值，就是我们要估计的“抽样间隔总体均值 μ”，如下图所示：



那么，我们就取正态布总体均值两侧2倍均值标准差，作为抽样间隔总体均值的估值范围，如上图所示，可见，这个范围正好占正态分布的95%，我们用下列95%置信区间公式来表达：



式中，μ 为样本均值，σ 为样本单值的标准差，n 为子组的大小，即抽样数量。

下一步，我们就看看特性的规格限是否落在了上述置信区间内，如果是，我们就可以说：抽样时间段内，有95%的可能性出现了不合格。

因此，准则1失控了，我们需要通过上述具体的计算，来评估产品的风险高低，做出是否隔离产品的决策，一旦隔离，就应进行全检。另外，判异准则1失控了，通常是需要停线来找原因的。

当需要隔离产品时，不能直接隔离一个最近一个抽样间隔的产品，还要根据具体的失控ARL来推算出实际失控的时间点在哪里，具体的原理，请详见我的另一篇文章“一个均值-极差控图子组大小的问题”，里面有详尽的介绍，就不在本文中赘述了。

准则5、6也属于均值偏移类型的失控，因此，是否隔离产品，也应通过上述的计算来做决策。

除了准则1、5、6以外，其他的准则，则属于趋势和点链了，出现不合格的可能性不大，只是调查原因即可。

下面我们再来讨论一下在极差图上出现超界点的问题。

极差图上出现超出下控制限的点，是子组的极差变小了，由此估计的产品的特性的标准差也就是离散度变小，这是我们所期望的，这往往是改善的结果。当极差图上出现超出上控制限的点时，就说明了子组样本特性的极差变大了，对应的产品特性间的标准差变大了，这就影响到了过程性能指数变大了，过程性能指数见下列公式：[图片]





我们需要从失控时开始，计算一下失控后具体过程的性能指数PPK，如果不能满足目标值，则应将产品隔离，进行全检。 收起阅读 »

1950年，美国的GRUMMAN公司研发新型喷射战斗机时，为了评估飞机操作系统某一元件的失效分析采用了FEMA的解析方法；1957年，Boeing飞机公司与Martin公司正式将FMEA列入工程指导手册，同时期美国NASA与军方也开始应用FMEA技术；1993年，美国汽车工业为连贯设计、开发与制造的程序，整合各个汽车公司的FMEA应用程序，当时的三大汽车公司委托ASOC整合潜在失效模式与效果分析参考手册SEA-J-1739。我国于1970年左右引进FMEA技术，用于航空航天及汽车工业上。



FMEA应用在航空航天领域

FMEA从上个世纪到现在已经繁衍到第五代了，但大家对新的FMEA又了解多少呢？

新版 FMEA的七步法，以精确、关联和完整的方式提供了技术风险记录的结构，新的结构如下：

1.精确的，因使用技术术语来描述故障模式及其潜在原因；

2.相关的，因为失效影响描述了失效的技术后果；

3.完整的，因为它使用了「聚焦元素 - 上级元素 - 下级元素」的方法，可以全面审查风险。



新版FMEA七步法

另外一个显著变化，是强调FMEA策划及准备作为FMEA第一步，虽然定义范围一直是 FMEA的一部分，但新版FMEA手册使其更加突出。

例如确定分析边界(包括什么和不包含什么)、5T(FMEA意图、时间、团队、任务、工具)的应用，FMEA数据库的准备和经验教训，以及角色和职责的明确定义(管理者、技术主管、协调员、团队成员)等。

其中，将经验教训组织到FMEA数据库中的好处是：

1.降低过去因人员流失，流失知识而导致风险再次发生；

2.节省FMEA准备过程中的时间，FMEA数据库是类似产品和过程FMEA的可靠起点；

3.使「FMEA作为动态文件」的概念具有实用性；

4.管理阶层明确预估和分配资源，以标准化经验教训。

新版 FMEA七步法更有条理，对提高跨功能小组的效率发挥了重要作用：

1.可以全面性地解决更多风险；

2.FMEA的多学科评论变得引人注目，「用技术指导思考」而非「无聚焦的头脑风暴」，避免了对FMEA的沮丧态度。

3.使高阶管理者能够理解和审查必要的行动和资源，以降低技术风险。




FMEA应用在汽车制造领域

新版 FMEA(AIAG-VDA)应对措施：

1.着手熟悉新的AIAG-VDA FMEA手册，尽早确定当前FMEA开发过程的差距以满足新手册的新要求。

2.对FMEA(跨功能团队、FMEA协调员、管理阶层、稽核员)的开发支援有影响的人员培训。

3.制定「新FMEA试点项目」并确定实施计划。根据质量成本衡量您的 FMEA试点项目的财务影响。

4.规范公司FMEA业务流程以支援新的FMEA手册的应用。

SunFMEA软件系统，轻松做FMEA

SunFMEA，满足新版七步法分析流程，兼具DFMEA和PFMEA，以结构树的方式直观、完整、快速的指导用户完成FMEA分析的整个流程，能够为企业提供系统化、标准化的FMEA解决方案，助力企业提质降本增效。

软件主要应用于轨道交通、汽车、工程机械、航空航天、兵器、电子、船舶、能源和医疗等各个工业领域，能够提供基于工业互联网平台的质量协同设计解决方案。通过构建质量协同设计分析团队，在产品/过程等的策划设计阶段，以树状图方式进行结构或过程分析，找出潜在的失效模式，分析其可能的后果，评估其风险，从而预先采取措施减少失效，实现产品质量可靠性的根本提升。 收起阅读 »

学习过SPC的朋友大都熟悉常规控制图的8大判异准则，这些判异准则详见我的前一篇文章“借助于PFMEA选择控制图判异准则”。控制图的判异是基于统计学中的“显著性检验”，例如，判异准则1——1个点，距离中心线超过3个标准差，也就是说，当过程受控时，只有0.27%的概率超过3个标准差，即I类错误（将受控误判为失控）的概率α=0.27%，是小概率事件，若真的超过了，就说明过程真的失控了。反过来讲，如果这一个点位于3个标准差之内，就可以说过程稳定受控吗？这样讲对吗？

从统计学上来讲，如是I类错误α的概率很小，则II类错误（将失控误判为受控）β的概率将很大，如下图所示，左边的绿色分布图代表着受控时点的概率分布，右边的红色分布图代表着失控时点的概率分布，Xa是临界点，相当于控制图的控制限，如果Xa向右移，则α将会变小，而β将会变大。因此，如果是只用1个点在正负3倍标准差范围内作为判断过程受控的基准，这将会有过高的II类错误的风险。


故，我们不能只使用1个点来判断过程是否受控，但可以使用多个连续的点来进行判断，这是因为多个，例如n个连续的点在一起的II类风险概率将是βn，基于这个理论，规定了以下3个判稳准则，符合任何一个，就可以认为过程受控：

（1）连续25个点子都在控制界限内；
（2）连续35个点子至多1个点子落在控制界限外；
（3）连续100个点子至多2个点子落在控制界限外。

我们分别计算一下这3条准则的α：

对于准则2：当过程受控的时候，连续35个点中，至多1个点落在控制界限外的概率为：


故

也就是说，如果使用判稳准则2，则只有0.41%的概率将受控误判为失控，这与判异准则1中的0.27%处于同一个数量级上。

同样的方法，我们还可以得到判稳准则1和3的α：

α1=6.54%，α3=0.26%，

其中，准则1的I类风险还是比较高的，因此，有的专家认为可以不使用准则1。

可见这3条准则的I类风险是依次递减的，但这3条准则所需要的样本数量是依次递增的，成本也是递增的。为此，可以按照下列程序来使用：

使用判稳准则1，若不能判稳，则使用准则2；
使用判稳准则2，若还不能判稳，则使用准则3；

使用判稳准则3，仍不能判稳，则应停止使用判稳准则。

当出现界外点时，我们必须调查原因，确认是特殊原因造成的，还是属于I类错误，如果是特殊原因造成的，则应对过程进行改进，使其回到稳态。

现在，我们已经学习了判异准则和判稳准则，接下来的问题是：什么时候使用判稳准则，什么时候使用判异准则呢？

判稳准则，就是用来判断过程是否是稳定受控的，这正好适用于控制图的第一阶段——分析阶段控制图。控制图的分析阶段的任务是通过有限的样本建立控制限，而控制限在用于第二阶段——控制阶段之前，必须满足2个条件：1）过程必须是稳定的；2）过程的能力是足够的。一般情况下，是通过抽取25个子组，即通过25点来建立控制限的，因此我们可以先使用判稳准则1——连续25个点没有超过控制限，来判断过程是否稳定。当然 ，为了更加有信心，我们可以使用准则2或者准则3。

在控制图的正式使用的过程中（控制阶段），我们首先使用判异准则1，若发现有1点超限，则有两种可能：1）存在特殊原因；2）属于判异准则1的α错误。在调查原因后，如果没有发现特殊原因，我们就可以从那个超限的点开始，再使用判稳准则来判断过程是否真的没有失控。

当然，出现超限点而找不到原因，也会存在这样的一种可能：过程出现了NTF原因，即不能够再现的原因，只是偶尔出现过一次，随后又恢复了正常，当我们去调查时，一切正常，不留任何痕迹。对于这种类型的问题，依赖于周期性抽样的控制图就不适用了！我们应当导入连续采样系统，与零件的序列号关联，进行连续监控、实时报警和追溯。这种系统的采样周期是很短的，如焊接电流的输出采样，采样周期可达几十毫秒，这属于大数据控制的范畴了，如下图所示。



收起阅读 »

错误＃1

根据对许多 FMEA 的经验审查，一些企业的 FMEA 没有推动任何行动；部分FMEA 推动测试，而另一些则推动无效的行动。

错误是：FMEA 未能推动设计或过程改进

质量目标#1：FMEA 以推动产品设计或过程改进为主要目标

注意：可靠性工程在推动设计或流程改进方面有多种工具可供选择。关键是使用 FMEA“推荐措施”，作为识别和执行可以优化设计的最佳实践工具。这是可靠性工程师需要参与 FMEA 的原因之一。

错误 #2

FMEA 团队可以使用多种方法来确定哪些失效模式及其原因需要采取后续行动。无论使用何种方法，未能解决所有高风险失效模式（包括高严重性）都可能导致潜在的灾难性问题或降低客户满意度。

错误是：FMEA 未能解决所有高风险故障模式

质量目标#2：FMEA 通过有效的、可执行的行动计划解决 FMEA 团队确定的所有高风险故障模式

注意：对这个质量目标的强调是确保所有高风险故障模式/原因都通过有效的措施得到充分解决，关键是减少或消除风险的有效行动。

错误＃3

一些公司错过了根据 FMEA 的失效模式/原因改进设计验证计划和报告 (DVP&R) 或过程控制计划的机会。FMEA 团队成员没有来自测试或分析部门的知识渊博的代表。结果是产品测试或过程控制计划不充分。

错误是：FMEA 未能改进测试/控制计划

质量目标#3：设计验证计划和报告 (DVP&R) 或过程控制计划 (PCP) 考虑了 FMEA 中的失效模式

注意：FMEA 团队经常会发现不属于设计控制或测试程序的失效模式/原因。关键是确保测试计划 (DVP&R) 或控制计划受到 FMEA 结果的影响。这可以通过在 FMEA 团队中加入测试/控制成员资格或通过精心编写的行动计划。

错误#4

经验数据表明，至少 50% 的现场问题可能发生在接口或与系统的集成处。一些公司专注于部分或子系统故障而错过了接口。

错误是：FMEA 中没有包括(所有)接口项或集成项

质量目标#4：FMEA 范围包括框图和分析中的集成和接口的失效模式

注意：接口可以作为某项分析的一部分，也可以作为单独一项分析。建议 FMEA 框图清楚地显示属于 FMEA 范围的接口关系。

错误#5

没有提供 FMEA 和现场数据之间的联系。问题解决数据库与 FMEA 集成需要齐心协力。否则，严重的问题会重演。

错误是：断开了 FMEA 与现场应用数据之间的联系

质量目标#5：FMEA 将所有主要的“经验教训”（如高保修、质量活动等）视为失效模式识别的输入

注意：现场故障数据可以定期带入基准FMEA。然后，当启动新的特定项目 FMEA 时，他们将从现场经验教训中受益。如果不使用基准FMEA，则新的 FMEA 应包含潜在的现场问题，并要求显示它们不会在新的设计/过程中重复。关键是让 FMEA 团队负责，以确保重大现场问题不再重复。

错误 #6

许多公司都有特殊特性规定。设计FMEA可以识别关键产品特性，过程 FMEA 可以识别制造中需要特殊控制的关键过程特性，一些公司错过了这个机会。

错误是：FMEA 忽略了关键特性

质量目标#6：FMEA 根据公司规定确定适当的潜在特殊特性（如果适用）

注意：这是 FMEA 中未充分利用的元素。

错误 #7

许多公司做 FMEA 较晚，这降低了他们的有效性。FMEA 应在设计或过程冻结日期之前完成，与设计过程同时进行。这是一个非常普遍的问题，大大降低了 FMEA 的有效性。

错误是：晚做 FMEA

质量目标#7：FMEA 在“机会之窗”期间完成，它可以最有效地影响产品或过程设计

注意：按时完成 FMEA 的关键是按时启动 FMEA。一旦确定了设计或过程概念，就应该开始 FMEA。一个例外是还在权衡研究方案期间完成的 FMEA，当然，这应该更早开始。

错误 #8

一些 FMEA 团队在核心团队中没有合适的专家；一些 FMEA 团队成员的出勤率不高；一些 FMEA 团队成员只是坐在椅子上，对团队协同没有贡献。

错误是：FMEA团队组成不适合

质量目标#8：合适的人员在整个分析过程中参与 FMEA活动，并接受过充分的培训

注意：FMEA 促进者必须重视团队成员的时间，而不是浪费时间。团队规模最好在四到八人之间。如果团队变得太大，可以考虑分解产品，减小FMEA分析范围。

错误 #9

有数百种错误地执行FMEA的方式。一些公司不鼓励或不采取适当的FMEA方法。须知：培训、指导和审查都是成功FMEA所必需的。

错误是：错误地执行FMEA(不重视FMEA)

质量目标#9：FMEA 文件完全按照“书本”填写，包括“采取的行动”和最终风险评估

注意：一个常见问题是未能找到根本原因，所以专家意见是必要的。

基于定义不明确的原因的后续行动将不起作用，FMEA也不会成功。

另一个常见问题是缺乏后续行动，难以确保执行FMEA建议措施并将由此产生的风险降低到可接受的水平。

错误 #10

购买了FMEA软件，但操作复杂，没有得到有效利用。

错误是：没有充分利用软件工具

质量目标#11：充分利用FMEA软件工具，帮助FMEA理解应用，传播知识。

注意：SunFMEA操作简单/高效，产品一对一操作知道与知识培训，结构化步骤可有效帮助理解FMEA逻辑；丰富的FMEA参考库；问题解决要素与FMEA结合，既有利于FMEA工作的展开，也有利于企业知识的传承。 收起阅读 »

失效分析技术概述
随着科学技术的飞速发展，机械产品的品种、数量不断增加，各种产品的功能虽然千差万别，但都有一个共同的属性——具有某种规定的功能。例如，汽车的功能是载重和运输；机床的功能是加工零件等。出于种种原因，机械产品失去其原有的功能的现象时常发生。按照国际通用的定义，“产品丧失其规定功能的现象称为失效”。而机械产品在何时、以何种方式发生失效，是随机事件，人们完全无法预料。机械产品的失效是经常发生的，某些失效往往会带来灾难性的破坏，造成人民生命和经济财产的巨大损失，这在国内外工业发展史上屡见不鲜。例如：

1986年1月28日，美国佛罗里达州的卡纳维拉尔角上空，刚刚升空73秒的挑战者号航天飞机突然发生爆炸，事件造成7名宇航员全部遇难，给美国航天事业带来了沉痛的打击。类似的案例数不胜数。从以上事例可以看出，失效不仅威胁人们的生命安全，同时带来巨大的经济损失。

失效分析

失效分析是分析引起机械产品失效的原因，并提出对策，以防止其在发生的技术活动和管理活动。
01分析引起产品失效的原因是失效分析的核心。失效产品的残骸就是失效分析的客观依据，通过失效分析工作，可以从残骸上找到被“记录”下的失效信息，迅速而准确地找到产品失效的原因，并采取有效措施。实际面对的失效往往是多层次的，通过较明显的失效现象，找到更深入的失效原因，如此往复，最终确定引起失效的根本原因。各层次失效原因的分析均属于失效分析的范畴，失效分析需要进行到哪一个层次的深度，则需要根据实际需要和情况来确定。
02失效分析的目的在于提出对策，以防止同类失效事件再次发生。所谓对策是指在工程上可能采取有效的改进或补救措施。失效分析一方面十分重视满足工程的需要，另一方面在实施改革时还必须兼顾经济利益。
03失效分析不仅是技术活动，也是管理活动。据日本质量管理统计资料报道，由于管理不当而造成的失效约占失效总数的70%。只有管理活动与技术活动紧密结合，才能顺利完成任务。

失效分析技术应用及其意义

01失效分析是促进科技发展的主要动力
自蒸汽机为生产提供了动力来源后，各种机器设备如雨后春笋般不断涌现。随着现代化工业的出现，生产力得到了飞速发展，失效分析在其中起到了重要的推动作用。

第二次世界大战中，美国建造了5000艘全焊接“自由轮”，在使用中却发生了1000多次脆性断裂事故，其中328艘“自由轮”完全报废。这些事件引起了政府部门和科学家、工程师们的极大重视，美国有关部门组织全国力量进行失效分析和研究，通过对船用钢板的失效分析，奠定了钢的低温脆断的基本理论。

上世纪四十年代，一架英国皇家空军的飞机发生失事，一时引起轰动。我国著名冶金学家、中科院金属研究所首任所长李薰院士等人经过一年多的调查取证，首次向学术界提出金属的氢脆失效问题。此外，摩擦学、腐蚀学、材料强度学、表面工程学、冶金学、断口学等学科的创立和发展无不与机械产品的失效和失效分析有着密切的联系。

02失效分析是提高产品质量的重要手段
产品的质量是企业打开市场的通行证，也是客户最关注的问题。在强大的市场竞争中，企业只能以质量求生存、求信誉、求经济效益。影响产品质量的因素很多，如果不分主次一律加以控制，会造成成本的急剧增加，从而影响销售。通过失效分析工作，可以既经济又有效地建立质量控制系统，准确地找出影响产品质量的根本原因，并及时采取措施。

早在1936~1945年间，美国质量管理学会（ASQC）就号召美国企业应当重视失效分析问题，并要求把失效分析纳入企业质量管理体系。一时间，欧美许多国家的企业都全力开展失效分析，有的公司甚至愿意高价回购失效件进行分析，不仅增加了原产品的质量，还通过分析带来的启示，推动了新产品的研发，而企业认真负责的作风不仅没有使他们因为产品失效而丧失客源，反而赢得了信誉，扩大了市场。

03失效分析能带来巨大的经济效益
失效分析除了能帮助企业提高产品质量，提高市场影响力，带来经济效益外，还给整个国民经济带来了巨大的经济效益。随着工业发展水平蒸蒸日上，国家每年花费在产品维修和更换上的数额也非常巨大，如果失效分析工作得以顺利进行，维修和更换新产品的经费就会大幅缩减。

在讨论失效分析工作能带来的经济效益的同时，企业既要看到眼前的、具体的、现有案例或产品的经济效益，也要考虑到长远的、暂时不明显的、整个企业产品质量改善带来的经济效益。因此，机械产品的失效分析，是促进整个企业全面优化，占领行业领先地位，促进整个机械行业发展的重要环节。 收起阅读 »

前言：熟悉SPC控制图的朋友一般都知道，常规控制图有8个判异准则，在AIAG发布的《SPC参考手册》第二版中（英文版P75)特别提到，除了准则1（一个点，距离中心线超过3个标准差）必须使用外，其他准则的应用没有优先级，应当根据实际过程特性的特点来选用。用的判异准则越多，那么犯第I类错误的机会也越大，也就是说，会有更多的机会把实际上受控的过程，判断为失控，即误报警。为什么使用的准则越多，误报警的机会越多？这个概率有多大？我们到底应当依据什么来选择判异准则？那么，本文就来对这些疑问进行探讨。
 
下面是常规控制图的8个判异准则：
准则1：1个点，距离中心线大于3个标准差
准则2：连续9个点，在中心线同一侧
准则3：连续6个点，全部递增或全部递减
准则4：连续14个点，上下交错
准则5：3个点中有2个点，距离中心线（同侧）大于2个标准差
准则6：5个点中有4个点，距离中心线（同侧）大于1个标准差
准则7：连线15个点，距离中心线（任一侧）1个标准差以内
准则8：连线8个点，距离中心线（任一侧）大于1个标准差。

在使用（On-going）控制图进行过程控制时，只要出现上述模式的点，就判断为失控。

然而，我们还要明白：即使过程处于统计受控的状态之中，仍然有机会出现上述情况，只不过每一种情况出现的概率很小，属于“小概率事件”。

例如，准则1：在过程受控时，均值图中的点构成正态分布，我们通常使用正态分布中离均值两侧3倍标准差的地方为控制限，如下图所示，那么点子超出控制限一侧的概率为0.135%，也就是说，即使过程统计受控，它也会有0.135%的误报警概率！



我们再看准则2：在过程受控时，控制图中连续9点位于中心线同一侧的概率为2×(1/2)^(9)=0.00391，也就是说会有0.391%的误报警概率。

假设我们全部使用上述8条准则，则即使过程稳定受控，也会有2.373%的误报警率！



误报警，会给我们的正常生产带来不必要的成本损失，而且停线了也找不到报警的原因，最后会使人们对SPC控制图这个工具产生质疑，甚至弃用！

因此，使用的判异准则并不是越多越好，而是应当根据所控过程特性的特点来选择使用。那么，我们应当依据什么来选择控制图的判异准则呢？

我们需要事先对所要控制的过程和特性做一个深入的研究，而能够帮助我们做出深入研究的工具，就是PFMEA!

PFMEA，可以帮助我们全面认识所控过程的失效模式及其失效起因，我们就会提前知道当某种失效起因存在时，它所导致的失效模式，或者失效起因，在控制图上会以一种什么方式显现，这样就可以选择与其对应的那条判异准则。下面我们通过几个示例来说明一下。

在此还需要说明一下：如果在PFMEA的优化措施之后，失效起因对应的发生频度O很小，则可以不用考虑对应的判异准则。

请注意：为了使内容显得紧凑、重点突出，下面的系列示例中，特使用《FMEA参考手册》第四版的表格格式，只写出部分失效模式，且只写到失效起因，其余信息在此略去。
 
示例1：“变速箱输出轴加工\冷车削”的PFMEA分析的部分内容




 
在本示例中，我们可以使用2个控制图监控2个产品特性：“密封面外径”和“圆柱外径”，除了使用准则1外，我们还可以根据它们的失效起因来选择其他准则。对于密封面外径大这个失效模式，它有2个潜在失效起因，起因1—进给量设置过小，它导致失效时对应的判异准则应当是准则2，且可能是出现在均值图上，即连续9个点（以上）位置中心线的上侧。

起因2—刀具硬度过低，磨损严重，它导致失效时所对应的判异准则，应当是准则3，且可能是出现在均值图上，即连续6个点（以上）上升，这是因为刀具磨损是一个逐渐恶化的过程，越磨，刀具磨损的就越多，则轴密封面的外径就越大。同时，它还可能导致极差图上有点超过上控制限。

对于密封面外径过小这个失效模式，它有1个潜在失效起因，就是进给量设置过大，它导致的失效模式对应的异准则，是准则2。

圆柱外径的失效模式，分析内容同密封面外径的失效模式，在此略。
 
示例2：“气体保护焊”的PFMEA分析的部分内容





我们可以对过程特性“气体流量”来使用控制图进行监控，不过，由于从流量计读出的流量数据随时间的变化不敏感，因此，它适用于单值-移动极差控制图，而这种控制图的失控判断准则，只有准则1适用（该结论来源于《SPC参考手册》第二版英文版P87)。不过，从理论来讲，如果单值数据符合正态分布，则可以适用于其他准则。

如果是由于输气管泄漏或者气瓶/气站压力不足而引起的流量不足，也会呈现出单值图上连续6点或以上下降的模式。
 
示例3：“电阻点焊”的PFMEA分析的部分内容




 
如果对焊点离板边距离做控制图，建议只使用偏离最严重的那个点的数据，可以使用均值-极差控制图。

如果是由于“定位基准偏移”造成了焊点位置偏离板边距离过大，那么，除了准则1外，在均值图上将会出现与准则2对应的模式，即连续9点在中心线一侧。

如果是由于“定位基准松动”的原因，那么，在极差图上会有准则1的模式。

示例4：“熔化焊过程”的PFMEA分析的部分内容





我们可以针对焊喉尺寸a和焊缝凹凸值c，如上图所示，分别做控制图进行监控。由于a和z均可通过专用焊缝测量尺进行无损测量，如下图所示，可以方便地获得大量样本，过程稳定受控时，a值和z值各自符合正态分布，c值是通过减法运算得到的，故c值也符合正态分布，因此，可以使用均值-极差控制图。



对于焊喉尺寸a，影响a值的焊接电流、焊接速度的变化，属于偏移，而不属于波动，因为瞬时的波动通常会引起未焊透或熔深的波动，而不会引起焊缝尺寸上的变化，而偏移一段时间，则会得到过大或过小的焊缝尺寸值，故所对应的控制图的失控判异准则，除了准则1外，还应选择准则2，即连续9点在中心线一侧。

对于焊缝凹凸值c，影响c值的焊接电流、导电嘴-工件距的变化，属于偏移，而不属于波动，与a的情况相同，因此，除准则1外，也可以选择准则9。

示例5：“静电喷涂”过程的PFMEA分析的部分内容





我们对“涂层厚度”做控制图进行监控，使用测厚仪进行测量，可以使用均值-极差控制图。

对于涂层厚度过小的影响因素—喷枪移动速度，则会存在速度总体偏快的情况，那么对应的控制图判异准则除了1外，对于均值图，可使用准则2；如果是手工喷涂，则还存在速度时快时慢的问题，反映到极差图上，则会有过高的极差点，故应使用准则1。

对于泵管堵塞这个失效起因，堵塞会越堵越厉害，它会引起涂料的在管内的滞留和堆积，使得流速越来低，导致涂层厚度越来越小，那么对应的判异准则，除1外，还有3，即连续6点下降。

对于涂料粉末过粗，流动性过低，则会使涂层厚度整体减小， 即对应准则2（除使用准则1外）。

示例6：“扫描仪组装”的PFMEA分析的部分内容





我们对无尘室离子浓度使用控制图进行监控，但是离子浓度的测量值不适合使用均值-极差图，而适用于单值-移动极差图，因此，根据SPC参考手册的要求，一般只用准则1。

但是，如果我们验证测量值确实符合正态分布，那么也可以使用其他准则。如果是无尘室有泄漏，则室内的离子浓度会越来越高，因此会在单值图上呈现出准则3的模式；如果是无尘室的吸尘器功能减弱，则在单值图上会呈现出准则2所描述的模式。

以上是通过6个示例，从不同的应用领域和行业，说明了如何借助于PFMEA来选择控制图以及控制图的判异准则，也由此可以看出，工具是相互联系的，我们应当做到将不同的工具进行联合应用，这样才能真正切合工作实际，真正解决实际问题！ 收起阅读 »