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！
 


































































































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！
 











  收起阅读 »

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 »

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：



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 »

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。


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 »

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

   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！


  收起阅读 »

产品免检是质量管理的一种模式，不是不检验

新发明，蛮有意思的。大家都来谈谈观后感。呵呵~

 

不能发布外部链接，有兴趣自己度娘吧
 
作者通过比较遵循二八原则的幂分布和遵循八二原则的高斯分布，来深入浅出的讨论社会发展规律；并从特征的独立性出发，搞出了一套人才分布和财富分布的原理，看的人一愣一愣的。
 
让人觉得，基础学科的强大和伟大。

          
一般问题分析模板

很高兴和大家见面啦！后面会利用几期与大家分享OEM(Original Equipment Manufacturer)现场质量问题的分析模板,内容包括：
一般问题分析模板
尺寸匹配类模板
功能类问题模板
我们结合实战，看一些我们工作中常用，却不知道怎么表达的实用英语。第一期，我们先看看一般类问题分析模板涉及的一些英语表达：

       ▋缺陷描述和基本信息




这张图片是汇报用的一些基础信息，我们逐一看看这些信息用英语该如何表达呢？
缺陷描述：Issue Description
报告人：Reporter
零件批次：Batch or Lot 
例句：Please help me segregate all the suspected lots of the headlamps请帮我隔离所有的缺陷批次大灯
注：说起批次这个词，针对质量人来说，出了问题第一个想起来的就是要咖喱！what？是隔离啦，哈哈！那么隔离可疑物料到底应该用哪个词？我们会想到的以下几个单词：

推荐：segregate
共用车型/产品：Common/Shared Vehicle Mode
零件名称：Part Name
零件号：Part Number
发生地点、工位：Station
稍微展开一下，汽车装配线的基本工位名称：
内外饰装配：Interior/Exterior Assembly Station
底盘装配：Chassis Assembly Station
质量门：Quality Station
问题发生频次：Frequency
单一问题：Single Case
批量问题：Quantity Issue
问题类型：以下介绍几种通用的问题分类：
Quality Alert：质量警报【程度较轻】
Quality：质量问题
Engineering Issue: 工程设计类问题
Partnership Relation Issue: 对问题响应和进度的抱怨问题  【你惹恼别人啦】
例句： I will issue a complain PRR in the system as for no reply on this issue to us
因为您对该问题的消极反馈，我会在系统内发布对该问题的抱怨PRR.
供应商：supplier
重复发生：repeat issue
断点失效：clear/break point failure

  ▊缺陷照片拍摄技巧：



标注好缺陷位置，好坏零件对比
The defect area should be marked clearly on the part and also the comparison between OK and NG parts is necessary.
如果缺陷照片无法辨别，留好缺陷样件便于供应商确认
If the defect is hard to identify by the picture ,then keep the defect part to wait for the confirmation of the supplier 
异响问题插入视频
You should attach video files to the report when meet a abnormal issue.

下期送上：一般问题分析模板中【长短期措施】的实用英语，敬请期待 ！也欢迎大家关注我的微信公众号：【PVE英语学习】



  收起阅读 »

在论坛上看到关于DOE分析结果中有关“失拟”时隐时现的疑问，发个帖子供大家参考。
 
欢迎指教和探讨：-）
 











  收起阅读 »

最近在整理MSA资料，查了一下d2和d2*的区别，记得论坛里以前有过讨论，AIAG手册里并没有说清楚二者之间的关系。
供大家参考吧，知道出处心里感到踏实些。

毕竟我们不是统计学家：-）





 

DOE实验设计是重要的改善工具，也是统计学应用于解决实际问题的一门学科。虽然历经近百年的发展，至今仍是最为活跃的统计学分支。它的活力主要来自于解决实际问题的有效性。
 
作为工程技术人员，不仅仅是质量工作者，尤其是研发和工艺工程师，经常要进行“试验”，比如：确定公差、选择产品结构、确定工艺参数、调整加工和制造参数等等。有时候，这样的事情多到我们不认为它们是“试验”，而是日常工作的一部分。
 
有经验的工程师会有体会：试验是耗力费时的，更麻烦的是，尽管不断调整和优化过程，有的问题还是反复发生。
 
记得有句话：“不会科学安排试验的工程师，最多只能算半个工程师”。
 
尤其在精益理念盛行的今天，看得见的浪费容易被消除或减少；但，如果不能科学的安排试验，尽管反复试验，其中的浪费确不太容易引起重视。使用科学的方法来安排试验，应该是精益思想的体现吧。
 
还有许多年轻有为的质量工作者在不断学习诸如六西格玛，同时也不断解决所谓的质量问题，也需要掌握DOE的基本技术。特别是黑带项目或者从事黑带工作，熟练运用DOE应该是基本功之一。
 
试验耗力费时，选择实验设计的类型也是很有讲究的：即使同一大类的设计中，不同的设计的“效率”也是不一样的。怎么能采用最少的试验次数获得更多更可靠的信息非常重要。
 






  收起阅读 »

众所周知，在已经运营的工厂或组织中实施卓越运营，对现有流程进行持续改进以实现卓越运营，是很常见的。对于投资项目，比如新建工厂项目，是否可以把卓越运营工具应用于其中以作指导呢？答案是肯定的。卓越运营工具和理念可以应用于投资项目中的各个阶段，包括项目设计、项目施工、项目启用。本文以下分别描述若干典型卓越运营工具在投资项目中的应用及其带来的好处，但对工具本身不做过多阐述。

1. 失效模式与影响分析（FMEA）：风险管理是投资项目实施的重要部分，任何方面发生的不可预测的事件都可以称为风险，风险控制是否有效决定项目成败。对投资项目而言，关键的风险控制点包括项目进度（Time Schedule）控制，费用（Cost）控制以及质量（Quality）控制。对于每一方面，都可以运用FMEA工具，分析其可能的风险点，其可能带来后果的严重性，其根本原因，其可能性。对于已经做出判断的风险点，根据其可能性和影响采取不同的措施规避或者消除风险。风险分析定期回顾。FMEA可以应用于整个项目管理，也可以应用于其中一个专业或者一个方面。试想，整个项目过程中，所有风险都能得到有效甄别深入分析有针对性的控制，项目成功的可能性就会提高许多。对于一些特殊行业的项目，FMEA可以用来做专业领域的分析。比如医药行业，FMEA可以用于项目GMP回顾。 
2. 精益设计（Lean design）：精益作为一种理念在投资项目设计全生命周期内都可以发挥作用。在概念设计和基础设计阶段，可以对关键流程进行探讨，用价值流图（Value stream mapping）等工具分析流程优化的可能性，若能在设计前期对流程的深度分析，一方面减少项目交付之后的改善，二是减少项目建设期的变更。在项目详细设计期，可以用专业工具进行仿真分析，提高系统的稳定性（Reliability）。比如，对物流自动化系统而言，有诸多仿真分析专业软件可以分析系统的能力，去除瓶颈，提高稳定性。利用专业软件可以实现项目的空间管理，有效避免建设施工期的空间冲突。在项目建设期和启用期，利用可视化（Visualization）工具将项目阐述成通俗易懂的图形或者视频，提高项目的可视化。 
3. ADKAR：作为变革管理的经典工具，ADKAR在投资项目的启用中有很强的指导作用。对许多项目而言，项目建设本身也许难度不大，但是怎样把建成的项目顺利的移交到最终用户并能顺利投入运营，是重点，也是难点。分析项目本身和最终用户特点，用ADKAR工具做指导，逐步的将项目的内容和进度通报给最终用户，慢慢建立对项目的认识；同时让其预见美好的未来，增加对项目的主动接纳程度。用技能矩阵（Skill matrix）和工位分析（Workplace analysis）等工具对于最终用户需要具备但尚不具备的技能，要有系统的方案来补足差距，比如供应商培训，邀请最终用户参与项目设计及关键问题讨论等。项目结束投入运营之后，要定义一定时期作为特别关注期，主要供应商及关键技术人员要能及时反应。如果项目周期比较长，可以举办一系列的论坛，邀请最终用户参与，逐渐提升最终用户的能力。 
4. 关键绩效指标（KPI）：在投资项目中，对于关键新购系统或者设备，若能定义项目运营后关键绩效指标及量化目标，将能有效控制项目质量。在项目设计阶段，可以把关键绩效指标及标准写入客户需求书（URS）；在招投标中，关键绩效指标及标准可以写入合同；在接收测试和验证过程中，以关键绩效指标和标准为依据；在项目运营爬坡期，验证其实现程度；在项目稳定运营之后，若有必要，把关键绩效指标并入组织关键绩效指标体系。
5. 标准化（Standard work）：投资项目实施期间，对于一些常规流程的标准化作业或者标准制定有利于提成工作效率。项目中典型的一些流程，比如费用控制流程，接口管理，设备验证，文档管理等，大多数时候并没有规范的文档来定义或者阐明，这样执行过程中不可避免的会带来一些混乱。应用流程图和标准化工具，把相关流程标准化，并以文档的形式定义下来，项目经理批准，公示给团队成员，能有效减少沟通障碍。 
6. 绩效对话（Performance dialogue ）与绩效看板（Performance dashboard）：绩效对话可以帮助项目经理和专业负责人有效管理团队，绩效看板使项目信息透明，两者有效配合有利于发现潜在的风险，增加团队成员的凝聚力，营造好的团队氛围，有利于项目成功。绩效对话不一定要有绩效看板，但是要有针对性。比如，项目经理可以组织专业负责人每天一次的晨会，更新各专业进度，发现专业间协作存在的问题并及时解决。各专业负责人可以召集项目团队成员甚至供应商团队，讨论本专业的进度及存在的问题。绩效看板可以展示多种多样的信息，比如项目关键指标，项目进度，项目重大事件。 
7. 5S：5S作为卓越运营最基础的工具，在投资项目管理中能发挥很大作用。其一，5S可以应用到项目管理中，提升办公效率。其二，5S有助于实现移动办公室概念。办公区域的座位只保留必需的公用办公用品，如电话，公用座位不属于个人，项目实施期间，在临时建筑办公室容量有限的情况下，保证流动人员能快速找到办公位置，这样既可以提高工位的利用效率，又能有效支持项目运转。其三，项目实施期，对所有新建区域做5S 标准化设计，交付之前，对所有状态进行5S检查，确保项目完成之时，交付物已高度5S标准化。

以上是根据笔者亲身经历，总结了几种典型卓越运营工具在投资项目中的应用。需要说明的是，每个项目不同，面临的挑战也各不相同，其可以运用的卓越运营工具也是不近相同。同时，各卓越运营工具并不是对立的，其实在每一个具体的方面都是可以有效融合并相互支持的，这在前文也有阐述。

将运营卓越理念贯穿投资项目管理生命周期的始终，能有效提高设计质量；很大程度支持项目管理，确保项目有效运转；有利于项目启用及平稳爬坡达到量产。将精益概念运用于投资项目各个阶段，可使项目交付物就已是精益工厂，而不是项目结束就要做诸多改善。

把卓越运营工具和理念融入到投资项目实施中，可培养既具备投资项目管理知识和经验又具备卓越运营知识和理念的综合性人才。具体的形式，针对投资项目中遇到的具体问题，立项OE项目。每个OE项目由指定OE项目经理负责。OE项目经理接受一定的OE知识和技能培训，完成相关项目，通过相应资质认证。项目结束后，其在组织内部运营卓越相关架构建立和项目实施上会有好的延续。 收起阅读 »

个人觉得不错，分享给大家。
为保证我们的测量系的准确性，我们生产过程中，要对测量系统进行测量系统分析，以了解测量系统的变差分量，确定这变差分量是否可接受以及做相应的改善。
以下我介绍一下测量系统分析中的线性偏倚分析，知识有限有不对的地方请多多指教。
决定要对某工序测量外形尺寸的测量系统做线性偏倚分析，此过程变差=0.01mm.要求测量系统偏小于过程变差的1/3.
一、数据收集：
1、    人员：经培训合格的操作人员1位；
2、    测量仪器：测量范围为（0~100）mm的A仪器；
3、    分析样品：取5个分析样品，使用高一级测量仪器测得量值分别为： 
 
        1mm、5 mm、10 mm、50 mm、100 mm。
4、    测量方法：测试人员，在重复性条件下，使用直接测量分析对5个样品测量15次，得到测量结果；
5、    分析环境：23℃，54%RH.
二、分析数据-使用MINITAB工具
1、把数据按MINITAB的数据格式，填入MINITAB工作表中：
 


2、使用MINITAB的量具线性和偏倚研究工具，计算出结果。
   







 



 
3、输出结果如下：
 



4、分析判定：
从上图与数据我们可判定，此测量系统存在显著的线性偏倚，但%偏倚都小于30%，所以对于此过程，此测量系的偏倚可接受；
1）    常量P=0.000<0.05, 斜率P=0.000<0.05,说明存在线性偏倚；
2）    图表与R-S=71.9%也证实了这一结论；
最大%偏倚=17.3%<30%,所在虽然此测量系统存在线性偏倚，但用于此过程是可接受的。不需要修正或改善。
如果需修正可使用此线性回归方程对测量结果进行有效的修正：
Y=1.00002X-0.000722.
  收起阅读 »

这是你要的Cpk吗？

在开发一项新工艺或者购入一台新设备的时候，我们都会去看看制程或设备的Cp/Cpk。根据我多年来的经验，供应商通常的做法是取一个或一组样品，量出一组该工艺或设备的输出特性值，计算出一个Cp/Cpk值，看它是否达到顾客的期望（例如Cpk大于1.67）。这样的做法有没有什么问题？

先来回顾一下Cp和Cpk的定义。
Cp，Process Capability Ratio (PCR)
Cp=(USL-LSL)/6σ  （1）
一般，制程的中心跟规格的中心不完全重合，此时需要看Cpk
Cpk=min（Cpu, Cpl）
Cpu=(USL-μ)/3σ （2）
Cpl=(μ-LSL)/3σ （3）

其中，u是制程的中心值。

规格来自于设计输入，因此，计算Cp/Cpk的关键就在于得到σ。
我们都知道，当样品量足够大时（n>25），可以用样品的的标准差s来估计整体的σ。当样品量不够大时（2<=n<=25），可以用修偏的样品标准差来估计整体的σ。
σ=s/c4 （4）
这样，我们终于可以算出我们需要的Cp/Cpk了。看似一切天衣无缝，大功告成！
可是，假如你根据一组样品算出Cpk=2，你又有多大的信心能说这个工艺或设备的能力能满足Cpk>1.67的要求呢？学过统计学的人都明白，显然不可能有100%的信心。

前面我们所做的一切可以说是Cp/Cpk的点估计，为了引入置信度的概念，我们需要做区间估计或者假设检验。

如果输出特性值服从正态分布，100(1-α)%置信度下Cp/Cpk的置信区间分别为（来自page 359, introduction to statistical quality control, 6ED, Douglas C. Montgomery）：
 
 （5）

 
 （6）

除此之外，我们也可以取N组样品，得到N个Cp/Cpk，然后对Cpk做假设检验。如：
H0：Cpk=1.67
H1：Cpk>1.67
只是不知道Cpk是否符合正态分布，如果不是，也可以使用一些函数变换使其服从正态分布后再做假设检验。

这样得到的Cp/Cpk的估计是不是更加有信心了？

 
谢谢点赞！ 收起阅读 »

一、变异分量图（理想情况下） 
贡献%<10%（方差分量/变异度），研究变异%<30%（量具变异/总变异），公差%（6*量具标准差/公差）<30%。
二、测量值样品图（理想情况下）
样本内部比较集中，说明测量的值变异较小。样本间波动大，说明样本选取覆盖了过程。
三、R图（理想情况下）
不能超出规格线，子组内变异较小，差异小。
四、测量值检验员（理想情况下） 
箱形图看分布（直方图原理），差别小，均值近似在一条线上。
五、XBar图（理想情况下）
 此处论坛疑问较多，实则与SPC处控制图无异，当我们选取样本时，最好要覆盖过程，10个数值，两三个在规格线外，两三个在规格线处，两三个在规格线内，即 MSA手册中的三个区。
I Bad parts will always be called bad（坏的就是坏的，怎么测都是坏的）
II Potential wrong decision can be made（可能好，可能坏）
III Good parts will always be called good（好的就是好的，怎么测都是好的）。
样本选取时为什么建议覆盖过程公差而不去覆盖过程变差，情况：当过程变差远远小于过程公差，此时若按过程变差选的话，所选的数据非常集中，一般情况下，测量系统分析的结果是分辨力不够。不合格。 10：1后（过程变差/10）<< 量具分辨力.
六、部件*操作员交互作用图（理想情况下） 
表明员工与零件之间的关系怎样随着操作员的变化而变化，正常状况是每条线的形状一样。即没有交错。
欢迎补充           
2017/7/27  
4：15
  收起阅读 »

FMEA译为“失效模式与影响分析”，是一种可靠性设计的重要方法。它对各种可能的风险进行评价、分析，以便在现有技术的基础上消除这些风险或将这些风险减小到可接受的水平。分为设计FMEA（DFMEA）和过程FMEA（PFMEA）。DFMEA适用于产品设计阶段的失效模式与影响分析，PFMEA则适用于工艺设计和生产制造的失效模式与影响分析。其中，PFMEA在精益六西格玛项目中用得较为广泛。


其工作原理为：①明确潜在的失效模式，并对失效所产生的后果进行评分；

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

③对各种潜在的产品和流程失效进行排序；④以排序靠前因素为研究重点，消除产品和流程存在的问题，并帮助预防问题的再次发生。
作为一种策划用的预防措施工具，其主要目的是发现、评价产品/过程中潜在的失效及其后果；找到能够避免或减少潜在失效发生的措施并且不断地完善；能够容易、低成本地对产品或过程进行修改，从而减轻事后修改的危机；帮助项目组对影响因素进行筛选，识别重要因素。
适用情况1.问题复杂，起初情况混淆不清，牵涉部门众多，检讨起来各说各话。
2.认识新事物（新问题、新办法）；整理归纳思想；从现实出发，采取措施，打破现状。使用步骤




对于每个流程输入，决定所有输入可能发生失效的模式；
对于每个输入的失效模式，决定此失效对顾客造成的影响（不要忽略了内部顾客）；
确认每个失效模式潜在的原因；
列出每个原因或失效模式现有的控制；
建立严重程度、发生频度和可侦测度的评分等级；
将每个原因的严重程度、发生频度和可侦测度进行评分,并计算每个原因的RPN值；
建议降低高RPN值的改善行动；
执行适当的改善行动，并重新计算RPN值。




操作案例在下面PFMEA案例中，从RPN得分可知，问题主要集中在客户信息录入环节，主要原因包括系统设置、录入流程不标准、检查不到位等，这些要素将结合定量分析结果作为后期改进重点。


——THE END—— 收起阅读 »

前言：
看到同事A君在写”SPC统计过程控制程序”，于是讨论了下，在此将讨论过程中的部分对话及讨论后我的思考整理总结下，留作纪念，也看看过段时间后自己回过头来再看，是否有进步。

 
背景介绍：

1.公司在申请IATF16949 2016认证；属于新申请认证，包括需要按照IATF16949要求重新构建体系文件，包括SPC统计过程控制程序。

2.文中的问，指的是我在问A君，答：指A君在回答；comment是我对A君回答的反应和思考；

3.电源产品主要制程：锡膏印刷—SPI(每块PCB选5-10个点，100%检测)—贴片---回炉焊---AOI(PCB上焊接点100%检测)---插件(手工插件)---波峰焊(常见的波峰焊，非选择性波峰焊)—touch up ---组装—安全测试1---功能测试1---aging---安全测试2---功能测试2(测试都是100%测试)---包装。

 

问：写这个程序的目的是什么

答：(楞了一下，犹豫了3秒)体系的要求哇，老师布置的目的。

comment: 完蛋了，以此为目的的程序文件注定会沦为paper work.

 
 
问：我们用SPC的目的是什么呢？

答：监控过程趋势，确定是否有变异，计算Cpk.

 Comment: 监控过程趋势，确定是否有变异，这个可以理解。计算cpk是什么意思?某些SPC控制图，如均值极差图，是可以直接计算Cpk的，但是有的SPC控制图如P图 U图，是不能直接计算Cpk的。很明显，这里A君将SPC中应用最广的均值极差图法等同为SPC了.
 

问：程序文件中有定义SPC监控哪些点呢？

答：有锡膏厚度  功能测试的一些电性能参数 和组装后的几个成品尺寸；

问：控制方法和抽样方式呢？

答：都是均值极差法和等距离抽样

Comment：锡膏厚度有SPI 100%检测，且SPI的测试软件有集成及实时显示每个测试点的厚度值及趋势图，对此有必要再另做SPC吗？可否直接应用SPI的图示? 毕竟SPC的等距抽样也是从SPI的数据中抽取的，SPI都已经是100%检测，为什么还要抽取数据，做个SPC？

  当然，SPI趋势图中只有规格上下限，没有控制上下限，如果能和SPI供应商合作，预留出控制上线限的设置或者应用SPC的思路来管控SPI趋势图(如彩虹图)，就更好了.另外SPI中有大量的数量都没有好好的分析，可惜了.（跑题了）；

功能测试是ATE自动化100%测试的，ATE有记录数据，没有图表显示趋势。根据经验，与规格相比，产品的实际电性能表现的变异太小(如规格100±1，实际表现在100±0.02)，即PPK CPK远远大于2。这种情况下，均值极差图可以用，但是若出现超出控制线的点(此时控制线在100±0.02范围内，而异常点也在100±0.02范围内)的情况，该怎么做？公司此时是否有能力和资源去分析和调整？或者说，从经济性的角度讲：是否有必要再去调整？这种情况下，是否用P图更合适？

 认可组装尺寸的抽样方法和控制方式，但是将组装尺寸的SPC放在OQC位置(离线，产品入库前检查)来进行，就与SPC初衷之一的”预防理念”背道而驰了.

 

  最后：当前产品的生产方式为小批量多批次，同时广泛使用有如SPI   AOI  ATE等100%自动化检测的设备，在这种情况下，该如何做SPC呢？ 收起阅读 »

///2020-10-28更新///
因为原公司IT限制，只能通过IE的activeX控件读写文件，没法走客户端-服务器模式。
好几年了，刚发现最新的Edge已经不支持了。
主要源代码如附件。主要功能由这个js文件执行。echart.js网上就有。其他的html文件是因为涉及公司信息就不放上了。
 
 
 可以实现以下特点：
1. 员工密码管理，指定能访问的线别
2. 8个判异准则任意组合，异常点自动红色，可以在报警后定制对话框内容。
3. 自动生成图形，图形可以放大查看细节。
4. 自动按周生成SPC报警率趋势图，Ppk趋势图。
5. 汇总生成SPC报警汇总表。
6. 生产线不需要额外投入软件/硬件成本，浏览器即可。

目前在产线使用良好
 
  收起阅读 »

ANOVA（ANalysis Of Variance） ：变异数分析。一比较两个或以上的群体之间平均值的差异程度, 作为相关性辨别的方法。 

Balanced Design ：设计在每组试验中有相同的实验单位。 

BB（Black Belt） ：黑带。 

Black Belt Certification ：黑带认证。完成两个符合条件的项目后取得的认证。 

Block ：一群具有同构型的实验单位。 

Blocking ：一个试验在既定的顺序或条件下完成。任何有妨碍的因子并不会影响真正的结果或重要性。 

Capability ：能力，达成目标的过程中能维持下去的能力。 

Cause & Effect Diagrams ：因果关系图。能表达出一个结果及可能的原因两者关系的图表。 

Center Points ：以所有因子的最高及最低点的中点值来执行的实验。只能用在计量的数据。 

CI（Confidence Interval） ：信赖区间。响应的数值能真实代表母体，使人信赖的百分比程度。 

Confounded Effects ：不能被独立预测出的令人困惑的结果。 

Confounding ：一个或多个结果，无法明确的归因于某个因素或相互间的影响。 

Control Chart ：控制图。用来辨识一个控制下的操作过程的方法（在既定的统计范畴内）。 

Cp（Process Capability） ：衡量过程能力的指数 Cp = 公差(Tolerance) / 6s。  

Cpk  ： Performance Capability Index – Cpk = (USL – mean)或(mean - LSL)的最小值除以3s。 

CRD （Completely Randomized Design） ：完全随机设计。在各种程度下，研究某个重要的因子，而实验以完全随机的顺序来执行，使不可控制的变因最小化。 

CTQ Flow down ：以非常严谨的方法分配需求，并评估比关键性的产品及其部门的能力。

CTQ（Critical To Quality） ：关键品质参数。 

Defect ：一个用来衡量既定标准的参数，却无法符合其标准。 

Defective （Part） ：某个被用来衡量既定标准的部分，无法符合该标准的任何条件。单一的缺陷部分可能包含数个缺陷(defects)。 

Degrees of Freedom ：自由度，分析变异数的一个数值。相当一个独立于用来预测变量的信息个数。 

Degrees of Freedom for Error ：一个数值，用来分析变异数以预测过程中的干扰度。未对过程的干扰度加以预测，而决定何者是重要的变量及其影响程度，都是无效的。一个大约的衡量准则是，5的误差的自由度为极小值，相当于至少六次的重复。 

DOA（Dead on Arrival） ：客户接收时无法运作的产品。 

DOE（Design of Experiments） ：实验设计; 一群母体中的任何一项用来了解高度分配的因子。通常和因子设计有关。 

DPMO（Defects Per Million Opportunities） ：发现的缺陷个数除以(单位数乘每单位的机率)，乘以一百万。 

DPPM（Defective Parts Per Million) ：外部的阐述, ─缺陷单位个数除以总单位数，乘以一百万。在Cpk的基础下。 

DPU（Defects Per Unit） ：发现的缺陷个数除以实际衡量的单位数。 

Duncan’s Method ：邓肯法。一种统计方法，用以决定改变结果的因素其程度。 

Effect ：当一个因素的水准由低变为高时，对结果产生的平均变化。 

Error ：误差。过程中的固有变量。当其它变量保持不变时，结果产生的差异。（见noise）。 

Estimate ：在既定的水准及考量过程中所有因素的影响下，对某结果的预测。（见prediction）。 

EVOP（EVolutionay OPeration） ：渐进式操作。持续进行所设计的试验而不影响其效率的一种方式。 

EWMA（Exponentially Weighted Moving Average） ：指数加权移动平均。一个控制曲线法，利用历史数据的指数加权值最小值。 

Experimental Region ：实验范围。所有可能的因素组合产生可能的实验。亦称做“要素空间”(Factor Space)。 

Experimental Unit ：实验中被发现及用来衡量的单位。亦称做“分析单位”(unit of analysis)。

F Test ：一项统计检定，用来决定两变量间是否有差异存在。  

Factor ：在实验中能改变的投入要素， 因子。可能以质（例如：附加的种类）或 量（例如：温度、气压）表示。 

Factor, Fixed ：如果要素的水准明确的被指定，则此要素称做固定的。结论只能以 此要素来推论。结果具重要性。  

Factor, Monitored ：一项因素（通常是不可控制的，因此不能视为固定的。）在实 验过程中发现，且与部分无法解释的变异相关联。   

Factor, Nuisance ：妨害的因子。一项已知会在过程中制造差异的因素﹔并无要求 调查这项因子，但亦不可使此因子影响其它重要变因产生的结果。（见blocking）。 

Factor, Random ：如果要素的水准是随机自母体值中选取时，则此因子称做“随机 的”。变异的组成要素具重要性。 

Fixed Effects Factor ：有选择地挑选出某水准下的因子。例如，以400度、450度、 500度来做为研究气温的结果。（与做Random Effects Factor比较。）

Fractional 2k Designs ：所有的要素都在低水准及高水平下做测试。

Fractional 3k Designs ：所有的要素都在三种水准下测试：低、中、高。 

Fractional Factorial Experiment ：部分因子试验。DOE的集合，只部分探究数个 变量中的两种水准。用来遮蔽住许多琐碎的变量，而集中焦点于主要控制过程的少而重要的变量。  

Full Factorial Experiment ：全部因子试验。DOE的集体，探究数个变量中的两种 水准，并可取得对主要及相互影响的结果之了解。  

Gage R&R（Gage Repeatability and Reproducibility） ：某分配的所有变异百分比 的分析，此分配可归因于衡量系统中的变异。  

Gage Repeatability ：当操纵者利用相同的gage衡量此明显的特性时，可得到相同 的变异。  

Gage Reproducibility ：当衡量相同部分的特性时，由不同的操作者以相同的gage 衡量其平均变异。 

Generator ：一个用来创造部分因子设计的相互影响作用。 

GLM（General Linear Model） ：一个ANOVA的形式，可允许实验设计中些许程 度的不平衡。

HALT─Highly Accelerated Life Testing ：为达可靠的设计所用的数种方法中的一种。其概念为测试某产品致其极端（失败）条件，找出失败的根本原因，改善设计，并重复程序。 

Histogramv ：长条图。表示所搜集资料分布情形的条状图。 

Hypothesis ：前提，假说。一项利用统计方法来测试的声明。此假设可能被拒绝，或因无够充分的证据而被拒绝。 

Interaction ：在某情况下，一项因子对某结果影响的水准不同于第二项因子的不同水准。有双向相互影响，三向相互影响等。 

IX-MR ：Individual X and Moving Range─一个有连续数据点的控制曲线，并有点之间的等级图表。 

Kutosis ：峰度。是描述某变量所有取值分布形态陡缓程度的统计量。峰度为0表示其数据分布与正态分布的陡缓程度相同；大于0表示比正态分布高峰更加陡峭，为尖顶峰。 

Level ：某因子的数值或设定。可以是质（如：附加A和附加B）或量（如：1000磅平方英吋，2000平方英吋）。 

LSD（Latin Square Design） ：一种实验设计，研究其中的一项重要变因，并排除两项干扰因素。 

Main Effect ：当一项因子由低水准改变至高水准时，其对结果的改变。 

MBB（Master Black Belt） ：6σ的训练师和顾问师。  

Mean ：衡量一项变数的中间趋势。原点的第一项要素。 

Mean Square ：在ANOVA表中的某栏，代表由不同来源的变因导致结果的差异。  

Mean Square Error ：在ANOVA表中的某项，代表所有因子在给定的水准下，结果所产生的差异。预测由于干扰（误差）对结果产生的差异。 

Minitab ：目前许多人所选择的统计分析应用软件。 

Multiple Comparison Procedure ：一种用来决定因子在何种水准下导致结果改变的统计方法。例如：Fisher法、Duncan法、Scheffe法。 

Multi-Vari Analysis ：一种图解法，将过程中的变化来源拆解为他们基本的组成成分。这种技巧用于初步移除多而琐碎的因子，并准备替代的因子作为设计的实验。 

Multivariate Statistical Methods ：统计工具，用来分析一组变量以决定他们对数种结果的影响。包括一组多样的统计工具，例如回归、成分法则、因子分析、群组、分别分析。 

Nested Design ：一项实验设计，其中一种因子因其它变量而设定多种水准。例如：不同厂商提供不同批次。附加物的不同水准等。 

Noise ：一过程中固有的变因。代表当不改变任何因素时，结果的改变。  

Normal Distribution ：常态分配，一种钟状的机率曲线，描述许多自然的过程。当情况一再重复且平均发生时。 

Normal Probability Plot ：一种图标法，用来研究样本是否来自一个常态分配的母体。通常用来检验利用ANOVA的正确性。 

One-Way ANOVA ：分析单项因素在不同水准下所生的变异。（见ANOVA）。 

Optimization ：从过程中找出最希望的结果下，其因子和水准的组合。

Pareto Chart ：以一般公制单位（次数、元额、时间等）表示事件的条状图。

Plackett-Burman Design ：一种设计的实验，用来筛选样本需要的最小量。通常只调查主要的影响，而不预测相互间的影响。  

Point Estimate ：点估计值。判断某种预言或预定的响应的最好单一值，应该与信心和/ 或预言同时使用。    

Pre-control ：预先控制。当流程开始时，建立统计上合理可能性的优势的一种方法。 

Prediction Interval ：预言距离。反应值的信赖百分比范围就是未来观察值会落在的范围内。 

Prediction：预言。用于所有已知因素的一套标准的最佳评估响应。  

Process Demographics ：人口统计数据流。产生响应的时候期间各种因素条件/ 状态的清单。这些帮助我们理解过程的范围也许可排除问题。  

Random Effects Factor ： 随机影响因素。随意地从可定义母体选择层次的一个因素。 举例来说，从五批生产量中任意选择一批调查其影响 (固定影响因素的比较)。

Randomization ：随机选择。实验这行中将次序混合完全实用。 

Randomized Block Design ： 集区随机实验。调查兴趣的因素及一个令人讨厌的事物因素其相对阻塞的实验 。 

Repetition ：再现性。在一个处理结合上执行几个实验单元。 与复制形成对比。  

Replication ：重复性。反复的执行一些相同的实验情况；提供了制程中噪音的评估。 

Residuals ：残余。在既定的因素情况下，观察的反应和预定的反应之间的差异 。用于模型证实和过程 的调查。 

Resolution ：解答。部分因子设计的描述，提供因素间相互影响的程度。

Response ：反应。实验期间量测过的制程输出。 

RSM（Response Surface Methodology） ：反应曲面法。实验设计中一门检查和理解这些极少的曲率。子集包括中央合成设计在星星或者面上的点。 

R-Square ：判定系数。在反应中变异百分比由控制的因素来解释。   

Run ：一套过程条件由规定实验方面所有因素的层次定义。同样, 叫作处理结合。 

Run chart ：经营图表。提供一些统计分析能力和机率资料的连续时间序列图。

Scatter Plot ：散布图表。显示两个变异数间关系的图表(dot plot)。 

SCN（Supplier Change Notice） ： 供货商变革通知。要求改变一个购买部分的讯息装置，由供货商对企业开始, 或是企业对供货商开始。 

Screening Experiment ：筛选实验。用来描述一过程的技术 (通常为因素标准的变化呈现反应中的线性变化) (与 RSM作比较).  

Sigma ：标准差。使用具有一套变异数数据的统计计算。其值为变异数的平方根。 

Signal to Noise Ratio ：讯号噪声比。当因素标准中没有变化时，由于改变与可变性相关的因素标准取决于反应中的可变性的一个比例 。 

Skewness ：偏度。描述某变量取值分布对称性的统计量，能够影响使用ANOVA的有效性。偏度为0表示其数据分布形态与正态分布偏度相同；大于0表示为正偏或右偏，即有一条长尾巴拖在右边。 

SPC（Statistical Process Control） ：统计流程管理。对希望的状态在修正以后，使用安定性最好的监控流程。

Trivial Many ：锁碎多数。长期被认为在流程上会有影响的因素，但实际上说明了成果上很少的差异。 

T-Test  ：正常的母体下，样本平均数的统计比较 。 

Two-Way ANOVA ：双因子变异数分析。为以若干标准调查两个原素的变异数分析。

Two-way Interaction Plot：双因子互动图。一个因素的平均数反应的散布图 (纵轴)就像一个因素(横轴)和第二个因素的每一个标准的平均反应由线所连接出来。  

Type I Error ：没事却误判为有事的错误。 其组合机率称为 a。 

Type II Error ：确实不同，却误判为相同。其组合机率称为 b。

UCL or LCL  ：管制的上、下限 – 管制图表的统计范围。 

Unbalanced Design ：不平衡设计。每一个处理结合中实验单元不相等的数字的设计或执行。  

USL or LSL ：规格的上、下限– 设计标准的界限。 

Variance：变异。提供一个量测散布的方法。其平方根为标准差，The 2nd moment around the mean。  

Vital Few  ：关键多数。是管理流程中的关键因素。 

ZB（Z benchmark） ：认为流程是短期变异数的中心(在目标方面)。
 
来源：文章转载自张驰咨询 收起阅读 »

您在一家加工厂工作，关注质量的提高。您决定每日对每个班次（共五个班次）生产的 10 套汽缸（共计 50 个样本）的长度进行测量。由于区域控制图非常易于解释，因此您决定用它来评估数据。您还决定在每个不受控制信号后重置累积的分值。
 
长度
数据1 数据2 数据3 数据4 数据5
601.472 599.672 599.672 600.672 598.672
601.072 599.172 600.472 599.772 598.972
600.172 601.272 601.372 600.072 599.972
599.972 600.372 598.472 597.715 598.172
599.972 597.972 598.872 599.972 600.072
599.972 597.972 598.872 599.972 600.072
599.072 599.872 599.272 599.372 601.572
601.172 601.272 601.672 600.572 600.072
601.172 601.072 601.172 600.072 600.16
599.972 601.172 600.76 601.572 601.372
 
操作:
1, 6SQ统计--控制图--子组的变量:区域

 
2,选择对应的数据列


3,点击确定输出结果.


 
解释结果

子组 6 的累积分值等于 8，表示过程不受控制。您发现操作员在子组 6 后重置了机器，因为他认为该机器出现了脱位。但是，区域控制图检测到过程在子组 10 处也不受控制。在看到区域控制图上子组 7-10 中接下来的上升之后，您确定操作员可能对子组 6 处识别出的问题补偿过度。
 
Excel案例数据:
http://pan.baidu.com/s/1i5AXSRN​
 
6SQ统计3.0企业版90天试用下载​ http://pan.baidu.com/s/1i5AXSRN     收起阅读 »

什么是 Laney U' 控制图？




Laney U' 控制图与传统 U 控制图十分相似。这两种控制图都可帮助您监控过程中生产的每单位缺陷数。Laney U' 控制图在以下情况中非常有用：

您的子组非常大，且您的数据存在过度离散现象。

您的数据存在过度集中现象。

Laney U' 控制图的计算包括西格玛 Z，它是对过度离散或过度集中的调整。西格玛 Z 值为 1 表明不需要调整，并且 Laney U' 控制图与传统 U 控制图完全相同。
 
 
 一家连锁医院的工作人员每周都记录药物错误使用的次数。错误示例包括服药时间错误、剂量错误和药物错误。

这家连锁医院接待大量的患者，平均每周 7500 人。数据显示出较大数量的过度离散。工作人员决定使用 Laney U' 控制图（而不使用传统 U 控制图）来监控药物错误使用次数.

错误    患者
71    5750
15    9010
84    7179
56    6830
18    7134
69    8478
12    8858
20    7412
39    7537
93    8957
62    8330
33    9810
3    8645
79    5716
12    9240
28    7243
91    8846
42    6215
31    4718
13    4993
68    9356
15    7654
147    4535
67    5659
52    5593
94    9550
82    7589
91    8520
7    9606
58    6808
61    8876
16    5355
操作:
1, 6SQ统计--控制图--属性控制图:Laney u'



2,选择对应的数据列



3,点击确定输出结果.



解释结果

第 23 周的药物错误使用次数异常高。此数据点不受控制，应该加以调查研究。

查看在传统 U 控制图上标绘的相同数据，请参见下图,非常多的超控点。



Excel案例数据
http://pan.baidu.com/s/1i5AXSRN​
 
6SQ统计3.0企业版90天试用下载​ http://pan.baidu.com/s/1i5AXSRN     收起阅读 »