原创:编写的AQL抽样APP软件分享—安卓版本

为了方便现场抽样使用,特意自己编写的,抽样标准主要参考GB/T2828.1 正常一次抽样方案表做的。分享大家使用,如果有需要修正的可以反馈给我,我QQ89702...
为了方便现场抽样使用,特意自己编写的,抽样标准主要参考GB/T2828.1 正常一次抽样方案表做的。分享大家使用,如果有需要修正的可以反馈给我,我QQ89702813
图片1.jpg

 

关于来料检验水平的选取,特别需要警惕的错误认知!

对于GB2828,貌似很多企业都在使用。很多人错误地以为,对来料入厂检验而言,用特殊检验水平,比用一般检验水平要松,事实真是这样的吗?让我们通过一个具体的例子来...
对于GB2828,貌似很多企业都在使用。很多人错误地以为,对来料入厂检验而言,用特殊检验水平,比用一般检验水平要松,事实真是这样的吗?让我们通过一个具体的例子来说明:
现有一批产品,个数为1000个,合格率为99%, 不合格数为10个,假设AQL=1.0,那么采用特殊水平S3 和一般检验水平Ⅱ,该批产品被接收的概率分别是多少呢?
 
计算表明,其分别为87.7%和96%,也就是说,对于上述产品,用特殊检验水平S3的据收概率(12.3%),要大大高于用一般检验水平Ⅱ的拒收概率(4%)!
 
 
具体计算过程见附表。
  收起阅读 »

质量问题辨识度

在实际生产过程中作为品质人员我们都会采用一些能够量化的指标来评价目前的质量水平,譬如测量系统的能力,产线的能力等等,但这些都只能反应目前的现状,但却不能反应我们...
在实际生产过程中作为品质人员我们都会采用一些能够量化的指标来评价目前的质量水平,譬如测量系统的能力,产线的能力等等,但这些都只能反应目前的现状,但却不能反应我们目前的管理手段对不良现象的管控有效度,我们有多大的概率可以发现问题,同时又有多大的概率可以控制这样的问题,使其不必造成危害?
上述可能不直接,举个栗子,譬如:我们可以通过RPN=S*O*D评价某原材料失效后的严重度,以及他的探测度,探测频率等等,也可以通过合格率,合格批次率等等评价供应商等等。但我们如何评价我们自身对改材料的管控程度,有多大的概率我们可以发现不良问题,有多大的概率我们可以完美的处理不良问题?在这方面目前没有发现有系统的管理方法和手段。
我在实际工作中自己发明了一种评价方法,但目前任有些不完美,所以写出来请大家讨论一下:
以原材料检验为例:在实际原材料检验的过程中我们的目的就是确认我们后续生产所用的材料是符合我们要求的,但实际通过2828抽样,或者其他的一些方法,总是很难避免出现各种各样的问题。所以我将问题的发现分为五类:
1. 前道工序发现:表明在实际检测前就可识别,分值为1
2.本道工序发现:表明该工序旅行了自己的职责,分值为2
3.后道工序发现:表明该工序没有成功旅行自己的职责,分值为3
4.客户发现: 表明内部都没发现该问题,分值为4
5.其他发现:譬如,某领导视察发现,或除客户外的外部人员发现,分值为5
在实际操作中通过评价该工序对某问题的可辨识程度,予以1-5的分值评价,视为理论分值,但按照这样的要求所有工序的理论分值均为2.(也就表明设计是完美无缺的,该工序能100%旅行职责)。
在单位时间内统计发生的不良,然后对其进行分类,一一赋值,然后通过实际统计的值的总和,除以理论值总和。
所得结果如果小于1,则表明该工序意义不大,应合并至前一工序,如果值等于1,则表明该工序设计完美,且人员执行到位。值大于1,则表明该工序设计不合理,需要改进,且越大说明问题越多,应考虑是否分解该工序。

同时也可根据该结果直接的反映出,管理者或管理模式对该工序的管控程度,多项对比也可得出那些程序or部门管理的比较好,对哪些地方其实是失去控制的。
  收起阅读 »

产品抽样方法浅谈

起初,当我们设立一套新的工艺流程或是新的加工方法的时候,如果确定没有全数检查的必要,或是不能实现全数检验,这个时候我们通常都会根据GB2828标准表来设定产品的...
起初,当我们设立一套新的工艺流程或是新的加工方法的时候,如果确定没有全数检查的必要,或是不能实现全数检验,这个时候我们通常都会根据GB2828标准表来设定产品的抽样检验方案。当然,就是的全数检验也会存在漏检和误检,而GB2828则是以统计概率的方式,将漏检或是误检所造成的损失控制在可接受的范围内。然而,我们在设立抽样方案的时候,却又不会全然服从于GB2828标准表。因为不同的工序有不同的特点,不同的工艺也有不同的特殊要求。而且,就算是严格按照GB2828标准表设立的抽样方案,在实际使用的过程中,也会因人力、工时或是异常率的制约而不得不进行调整。
所以,对于产品抽样方案来讲,设立和调整是它的必经之路。经过这样的演变,此时的抽样方案虽是基于国标,却又不同于国标,具有一定的独特性,这样的独特性便是为某个公司或是某个特定工序而量身打造的。但是,它的设立,就算是受到多方质疑,也依然要确保其权威性,一旦设立便决不轻易动摇。它的调整,也要保持一定的严肃性,只为顾客所能接受的可靠性而妥协。
产品抽样的方案的设立,往往反应的是生产能力,也就是我们对于3西格玛或是6西格玛的生产水平要求。所以当现有的抽样方案不能有效防止不良流出时,我们首先要做的,不应该是检讨抽样方案的科学性。毕竟,产品质量不是检验出来的,不良项目往往在生产过程中形成。只有将生产波动回归稳态,才能验证抽样方案是否配套。
根据以往的经验,在起初进行抽样方案设立的时候,往往都是偏向于加严的。之所以导致这样的现象,一方面是确保试制阶段的产品质量,另一方面是对于产品的重点不良项目还不甚了解。因此,当产品由试制转为量产、有陌生变为熟知的时候,抽样方案则势必要进行调整。调整,是为了减少工时、解放人力,舍掉那些低频率、低影响的不良项目,所以此时的调整一定是放宽的。按照这样的规律,抽样方案越调越松,这才是合理现象。如果突然有谁要求要加严,那么一定要先去识别变化点。
尽管抽样方案加严的情况很少,也属于反例,但在工序健康生产的历史演化中,也仍有可能存在。
抽样检验存在于来料、工序间、出库,贯彻从始至终。当我们根据不同环节的不同需求,将各个工序的抽样方案设立完成,我们还需站在一个能够纵观整条生产线的高度,再次将各个工序的抽样方案进行调整,此时的调整便是相互协调。对于生产加工而言,生产线中一定是高输出工序和瓶颈工序并存。当瓶颈工序衔接高输出工序,一定会造成在制积压。高输出工序衔接瓶颈工序,则又会造成供不应求,致使人力和机时富余浪费。瓶颈工序作为整条生产线的咽喉要塞,是可以通过调整产品抽样方案来起到一定疏通导流作用的。
例如,瓶颈工序只检查重点不良项目,共通检查项目顺移给下道工序。同时,在前道工序增设针对瓶颈工序的不良预防检查项目或是增加抽检数量,避免产品在瓶颈工序形成异常滞留。如此这般,虽然前、后道的抽检工作变多了,但却可以保证整条生产线的产品流源源不断,最终达到效率最大化目的。
归总下来,抽样方案的设立好像要比调整来得容易。因为对于初期的产品质量而言,怎样严苛的质量控制都不为过。到了量产阶段,检验环节的调整就会变得畏首畏尾且患得患失,仿佛牵一发而动全身。所以抽样方案的调整往往要基于一种质量成本的概念,是人力和工时更重要?还是质量过剩似得杜绝一切发生异常的可能?其实,我们要的往往只是个让两者平衡的契合点,但这需要我们反复磨合、反复摸索,这便是之前所说的独特性。
对于我个人而言,减少各种成本浪费是公司所必须面临的持久战。但是,质量是企业得以存活的生命。所以,硬要将两者进行比较,那么产品的可靠性更重要,但是这种可靠性是针对满足顾客需求而言的。统合以及比较之后,这样的话题又会回归到质量成本的概念。也许唯有建立这样的概念,才能使得产品抽样方案变得更具兼容性。 收起阅读 »

α、β风险系数与AQL和LTPD

AQL
α、β风险系数与AQL和LTPD     在抽样检验理论中,有几个概念非常难以理解,供方风险α,买方风险β,AQL和LTPD,涉及到具体的应用时...
α、β风险系数与AQL和LTPD

    在抽样检验理论中,有几个概念非常难以理解,供方风险α,买方风险β,AQL和LTPD,涉及到具体的应用时,就更加容易让人懵逼了。

    首先大家要明白:决定某一批产品的质量(缺陷水平)的是被抽出来检验的样本,因为抽样具有随机性,所以即使全部的样品都通过了检验,也不敢说这批产品100%没问题,反之亦然。下面简单回顾一下几个概念的定义。
供方风险α,是说当某一批产品的缺陷水平低于设定的期望值而被拒绝的概率(也叫第一类风险,拒真),通常取α=0.05,即5%。也就是说,只要该批产品的缺陷水平低于设定的期望值,就有95%的概率被接收为良品批。换句话说,只要该批产品的缺陷水平低于设定的期望值,厂家就有95%的信心说这批产品没问题(这就是置信度的来源)。α越小,供方作出决定的信心就越足,抽样的样本量也就越大。

    买方风险β,是说当某一批产品的缺陷水平高于设定的阈值而被接收的概率(也叫第二类风险,取伪),通常取β=0.1,即10%。也就是说,只要该批产品的缺陷水平高于设定的阈值,就有90%的概率被拒绝接收。换句话说,只要该批产品的缺陷水平高于设定的阈值,买家就有90%的信心说它不合格。β越小,买方作出决定的信心就越足,抽样的样本量也就越大。

    通常β会比α大,买方设定的阈值也比供方的期望值大,主要是基于买方对供方的信任,毕竟有质量协议在约束;同时也是由于人力有限,如果每一个供方来料都像供方一样去检验,大家可以想象一下需要多少人。而且,每一个供方来料在买方的终端产品上所扮演的角色是不一样的,买方可以根据重要程度来设定不同的AQL。因此,买方通常只要能把他们认为的高风险拦下就好了。

    AQL,Acceptance Quality Level 接收质量限的缩写,即当一个连续系列批被提交验收时,可允许的最差过程平均质量水平。它是对供方的过程质量提出的要求,是允许的供方过程平均(不合格品率)的最大值。在AQL抽样时,抽取的数量相同,而AQL后面跟的数值越小,允许的瑕疵数量就越少,说明品质要求越高,检验就相对较严。
LTPD,Lot Tolerance Percent Defective 批允许缺陷水平,也叫极限质量。对于一个孤立批,为了抽样检验,限制在某一低接收概率的质量水平,它是在抽样检验中对孤立批规定的不应接收的批质量(不合格品率)的最小值。
抽样检验中的两类风险是不可避免的,供需双方都必须承担各自的风险。想要同时减小双方的风险,唯一的方法是增大样本量,但这样就势必要提高检验成本,所以抽样方案的选择实际上是双方承担的风险和经济的平衡。下图会清楚地告诉你α,β,AQL,LTPD如何共同决定一个抽样方案。
 
IMG_20170814_161048.jpg


    我们要做的就是在众多OC曲线中挑出一条供需双方的条件都能满足的。
 
IMG_20170814_160011.jpg


    这里为什么是LTPD,而不是AQL呢?看清楚上面的定义就知道答案了。AQL是针对连续批的,LTPD是针对孤立批的。在供方工厂,产品连续不断地生产出来,当然是连续批;而在买方,几乎很难保证所收到的来料都是连续批,而且,买方一般也不会对所有批次都进行抽检。

    下面是一份可靠性测试计划。可靠性测试是破坏性测试,一般很久才做一次,所以它当然是孤立批,因此这份计划的最后给出的是LTPD,而不是AQL。意思是,每批抽样77颗,可接受的失效数目是0或1,如果失效1个,就有90%的信心认为这一批的可靠性不良率小于5%。如果没有失效呢,LTPD就是3%(大家自己根据表1去查查看)。
 
可靠性测试计划.jpg


LTPD表.JPG


  收起阅读 »

质量人看大选 | 从美国大选看随机化

70508  四年一次的美国大选上周已落下帷幕。 本次驴象之争确实精彩。 摇摆州佛多里达州拥有29张选举人票,成为历年大...

t01e322220d338a68b4.jpg

 四年一次的美国大选上周已落下帷幕。

本次驴象之争确实精彩。

摇摆州佛多里达州拥有29张选举人票,成为历年大选两党必争的摇摆州,流传着“得佛州者得天下”的说法

11.9号开票时我们发现一个现象, 两党在佛州的选票是轮替领先的。票数都开了一大半了,结果还是在变来变去,无法确定。

在其它的州的开票过程中也有这种情况.

为什么会出现这种情况?  

说明选票的开票不是随机的。有一定的潜在因素在影响。

假设有1000万张选票,如果我们随机化抽取100万张选票,理论上我们就应该能轻松推论出谁的票数是领先的。

在选举前,很多民调结果都是预测是希拉里获胜, 最后却是特朗普获胜了。
为什么?

说明这些民调机构用了各种数学模型,都无法随机取样。 最后不随机的样本,得出一个不正确的结果。

所以随机化很重要。

我们在做质量数据分析时,随机化同样非常重要。随机化能帮我们排除很多潜在的干扰因素。

抽样时的随机抽样。

测量系统分析时人员和测量部件的随机化

实验设计时,实验顺序的随机化。


下面介绍一个简单的随机化的方法:

假设我们有16次设验要做。

编好号,输入在Excel中.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

打6SQ统计3.0--实用工具--随机数发生器.

选择 正态分布 (或其它任意分布),变量个数输入 1 随机数个数 16.

IMG_5684.PNG



确定生成 16个随机数。跟刚才的16组实验数分别放在不同的列。
1    88.6
2    100.82
3    105.09
4    93.91
5    94.16
6    99.72
7    91.66
8    107
9    91.65
10    106.99
11    94.94
12    102.34
13    94.43
14    120.64
15    79.93
16    102.33
选择两个列,打开excel数据--排序, 选择主要关键字为随机数列


IMG_5685.PNG



确认后,数据重新排列, 数据A中就是我们随机化后,真正要做实验的顺序。

IMG_5686.PNG


当然,如果您觉的随机化还不够,可以再取16个随机数,再随机一次。 收起阅读 »

[荐]质量控制与质量改进中的统计方法

而今,统计分析方法已经被广泛应用于质量控制与质量改进中,成为质量持续改进和六西格玛的重要方法论之一,常用的方法论包括统计过程控制(SPC: Statistica...
而今,统计分析方法已经被广泛应用于质量控制与质量改进中,成为质量持续改进和六西格玛的重要方法论之一,常用的方法论包括统计过程控制(SPC: Statistical Process Control)、实验设计(DOE: Design Of Experiments)和可接受抽样(Acceptance Sampling)以及其他对分析质量问题和改进过程有帮助的方法。

过程模型
很多用于质量控制与质量改进的统计方法可以用下图来说明。在这里,生产或服务过程(Process)被看成一个具有一系列输入(Inputs)和输出(Outputs)的系统,而输入有分为可控输入(Controllable Inputs)和不可控输入(Uncontrollable Inputs)两种。对生产过程而言,可控输入因素(x)包括(比如)温度、压力、进给率等,而不可控输入(z)包括(比如)环境变量、外部供应商所供应的原材料的某个质量指标的变化等,生产过程将原材料、零部件或组件转变成具有某些质量指标(y,过程和产品质量的测量结果)的最终产品。

图:过程的输入和输出
InputsAndOutputs.png


上述模型同样适用于非生产过程和服务过程。例如,在处理汽车贷款申请的金融机构,过程的输入包括贷款申请,其中包含了客户的基本信息及其信用历史记录、汽车种类和价格、申请贷款的金额等,可控因素包括贷款申请的处理人员所接受的培训的种类,该金融机构对该种贷款申请的政策以及一段时间内处理该种贷款申请的人员数量等,不可控因素包括市场利率、能用于发放该种贷款的资金量以及一段时间内需要处理的该种贷款申请的数量等。过程的输出质量因素包括该笔贷款的处理结果(是否被批准),申请者实际接收的已被批准的贷款数量以及周期时间(客户需要等待期贷款申请批复结果的时间)——在服务过程中,周期时间通常都是非常重要的CTQ(Critical To Quality)。

统计过程控制(SPC)与控制图(Control Charts)
控制图是统计过程控制的基本方法。下图是一个典型的控制图的例子,控制图将从生产过程中抽取的样品的某个质量特性的均值,按时间(或样本编号)顺序在图上打点。控制图上包含中心线(CL)、上控制限(UCL)和下控制线(LCL),其中中心线表示当过程中没有特殊的波动源时该质量特性应该在的位置。上下控制限的计算包括了简单的统计学考虑。控制图的典型应用是适用于上述系统的输出变量,但有时将其适用于输入变量也是非常有用的。

图:一个典型的SPC控制图
ControlCharts.png


控制图是一项非常有用的过程控制技术,当特殊的波动源出现时,样本均值点会落到控制限以外,这是一个非常重要的信号,表示我们需要对过程进行调查并采取纠正措施以消除这些特别波动源。系统地使用控制图是降低过程波动的一项完美的措施。另外,相对于离线、事后的SPC分析而言,在线、实时的SPC过程监测能帮助尽早发现质量风险,形成对质量风险的快速相应机制,对企业的帮助更大。

实验设计(DOE)与分析
一个设计好的实验对于发现那些对过程中我们感兴趣的质量特性产生影响的关键变量是及其有帮助的,它能够系统地改变过程中的可控输入变量,并确定这些输入变量对过程输出变量的产生的影响的效果。对于降低质量特性的波动、确定可控变量在何种水平下可以最优化过程是极其有用的,它通常能帮助我们带来流程效能和产品质量的突破。一种主要的实验设计方法是因子实验(Factorial Design)。在因子实验中,各种因素一同变动,这些变动中的所有组合都被一一检验。经验和实际应用表明,这些组合中的一部分能够比另一部分带来更加好的结果。

实验设计方法是一种主要的离线(Off-Line)质量控制工具,因为它们常常被应用在研发实践中和生产过程的早期,而不是作为一种在线(On-line)或在程(In-Process)的常规工具。它在降低过程的波动方面扮演者重要的角色。

一旦我们找到了对过程输出产生影响的重要变量,通常就有必要对有影响力的输入变量和输出变量之间的关系进行建模。这时,有用的统计分析方法包括回归分析和时间序列分析等。而一旦我们找到了重要的输入变量并对它们如何影响输出变量进行了量化,在线的统计过程控制技术就能够用来十分有效地对过程进行监测,它能够帮助实时监测过程的输出,并侦测何时需要调整输入变量来使过程输出保持在受控的状态,而前述的输入变量与输出变量之间的关系的模型能帮助我们确定需要调整何种输入变量以及需要调整多大的幅度。

在很多过程中,一旦输入变量和输出变量之间的关系的动态特性能够得以理解和确定,就可以定期调整过程以使将来的过程输出大体上符合目标值。这种定期的调整通常称为工程控制(Engineering Control),自动控制(Automatic control)或反馈控制(Feedback control)。而统计过程控制(SPC)技术通常能够有效地整合到进行工程控制的制造系统中去。

可接受抽样(Acceptance sampling)
可接受抽样(Acceptance Sampling)技术与产品的检验和测试尽力联系在一起,它是一种早期的质量控制方法,在统计方法应用在质量控制领域之前很久就已经产生了。检验能够在过程中的很多点实施。可接受抽样被定义为从大批量中随机抽取的样本的检验(Inspection)和分类(Classification)结果以及根据这一结果对该批量进行的处置措施,它通常发生在两个地方:来料检验和最终产品。常见的几种可接受抽样的情形如下图所示。

图,可接受抽样的几种情形
CasesOfAcceptanceSampling.png


被抽样的批次要么会被拒绝,要么会被接受。而对被拒绝的批次中的产品的典型处置方法包括报废、回收、返工或用良品替换,这种情形称为矫正检验(Rectifying Inspection)

现代质量保证系统通常较少强调可接受抽样,而是将统计过程控制和实验设计作为关注的重点。可接受抽样倾向于强化“满足规格要求”的视角而且不能给生产过程、工程设计和开发等这些质量改进的必要措施提供反馈意见。

质量管理统计方法在组织中应用的进化过程
下图描述了上述统计方法在组织中应用的进化过程:当企业的成熟度处于很低水平的时候,管理层可能完全意识不到质量管理的问题,在组织中很可能没有经过有效组织的质量改进举措,这时可能有一定的可接受抽样方法的应用,且应用领域通常是在来料检验中。当组织成熟度增长时,第一个活动是开始更多地使用可接受抽样的方法,而且这种方法的使用会逐渐增多,直至组织开始认识这样产品的质量并不能很好地得到检验和测试。

从这个时间开始,组织通常开始关注过程改进。统计过程控制和实验设计具有对生产活动、产品设计活动以及过程开发产生重要影响的潜在能力。系统性地导入这些方法通常是实质性质量改进、成本降低和产能提高的开始。当组织成熟度达到比较高的水平时,统计过程控制和实验设计就成为了企业非常常用的方法,而可接受抽样反而被相对较少地使用。

图:使用质量工程方法的各阶段图
PhaseOfQualityEngineering.png


质量工程(Quality Engineering)的目标是系统性地降低产品质量特性的波动。下图展示了这一过程是如何发生的。在早期,在可接受抽样还作为主要的方法被使用的阶段,过程“超差”和不满足规格要去的产品占了过程输出的较大比例。这时,统计过程控制方法的导入将是过程变得稳定并减少波动,使得过程满足要求。更进一步,过程波动的进一步减小会带来更好的产品效能、增强竞争优势。这时,在任何一个行业,我们都可以结合应用统计实验设计方法和统计过程控制方法来将过程的波动最小化。

图:质量工程方法的应用以及系统地降低过程的波动
ReduceVariability.png


注:本文由数据采集、统计过程控制SPC系统、分析自动化专家QuAInS 根据Douglas C. Montgomery相关专著翻译整理,转载请注明出处 收起阅读 »

发福利了,搞品质的快来领喽!!!!!!!!!!!!

福利了,搞品质的快来领!!!! 如果你是搞品质相关工作的。。。 如果你的产品检验报告还是在纸质上面填数据。。。 如果你的产品检验报告还是用EXC...

福利了,搞品质的快来领!!!!




如果你是搞品质相关工作的。。。

如果你的产品检验报告还是在纸质上面填数据。。。

如果你的产品检验报告还是用EXCEL表格做的。。。。

那么。。。

领福利吧。。。

若干多年前,本人在公司里做输单的工作,天天都是跟EXCEL打交道,为了让工作轻松点,常常是白天工作,晚上学习,天天在excelhome, officefans,excelpx几大论坛里逛,从功能的操作、公式运用、透视表、图表设计再到VBA的研究,通过这些技术的应用,工作效率得到了很大的提高,自己以感觉很有成熟感,久而久之,公司都说那个谁谁谁的电脑玩得好哦,有问题就找他,本人也非常积极的帮忙大家解决问题。但同事们在电脑方面需要解决的问题越来越多,当然包括EXCEL外的问题,所以不得不学更多EXCEL外的知识,最后本人成了名符其实的网管。再后来学了VB.C#.数据库,成为了公司的唯一开发人员,开发了好一些管理软件,10年的时候,我在众多软件里分离了一块产品检验报告的模块,做成了《产品检验报告管理软件》,希望那些在工厂里做检验的品管员可以得到一些效率的提升,当然也可以为提高下这块的管理水平。

这个软件模块可以将公司所有的产品工序检验数据保存到系统里,操作方便,一个产品需要检验的参数只要设定一次就可以,系统可以记住这些参数。系统拥有强大的查询功,可以任意组合条件查询历史报告。

即然说是福利,那就是说你在用这个系统的时候是不需要付任何报酬的,系统不会有什么限制,所以不用担心用了多少次就用不了,或者到了什么日期就打不开了,或者什么关键的功能不全,再或者报告有水印等,只是有一点,做为软件的原创开发者,本人拥有系统的版权。

另外系统是用在品质方面的,如果你从事非品质相关的工作,那么系统对你没有什么用,可以略过。。。。。

系统的相关界面如下:



QQ截图20140821164152.png



QQ截图20140821164334.png



QQ截图20140821164358.png



QQ截图20140821164554.png



QQ截图20140830095727.png



但系统有53.7MB,网站传不了这么大,本人建了一个QQ群(206042389),需要的可以加入群里来,同时也会在群里提供技术上的支持。

注:以前发过一个相关的贴子,很多朋友回复发邮箱,这次干脆放到群共享里自己下载。






亲!用了后记得给赞哦!!!






收起阅读 »

QC易犯的十大错误

前段时间看了篇文章,检验员易犯的错误,各位,想想我们当时是否也有过类似的经历,呵呵,,, 1. 我以为 当检验员未做到把关的职责时,问其失控原因...
前段时间看了篇文章,检验员易犯的错误,各位,想想我们当时是否也有过类似的经历,呵呵,,,

1. 我以为
当检验员未做到把关的职责时,问其失控原因,总会在开始时说“我以为…….”做Q的人不应该说“我以为”当你在说“我以为”时,你就开始在为自己的过错找理由,找借口了。找了借口之后还会再犯。再者,若遇到问题不能确认时,应先向上级咨询、确认;因此,我要求我的员工在犯错误后,不能说“我以为”我要想知道的只是导致这次未检出的原因及下次检验时你要怎么做,才能把好关。例如:这次检验我抽样方法不对,来了2000个,有5栈板,200箱,按照要求应该抽验32箱,每栈板平均抽样6箱;每箱抽6个;而我只检验了一栈板,共检验了三箱。不良品未集中在这栈板上,导致我未抽到。后续我要按照标准的检验抽检方法去抽检。
2. 多一事,不如少一事;这次就算了
基本上,所有的检验员都不喜欢开不良报告,因为开了不良报告后,要拿着不良品找这个上司签字,那个上司签字,还要通知采购;供应商来重工时还要对重工方式确认,重工完后还要重新按照标准抽验。等等,拒收一批,比正常检验三批的时间还多。所以,很多时候,检验员在抽到不良品数少的情况下,但不良数已达到了AQL拒收的标准,仍然贴合格标签上线。这是不对的,之前我带的检验员,基本上,每个新的检验员都要吃一次这样的亏:在检验的时候只发现了几个不良品,结果在生产过程中,不良品批量地爆发,导致生产停线等现象发生。所以,当抽检达到AQL的拒收水准,一定要开单,拒收。
  1. 这个物料不会出问题,免检
这是老检验员常犯的毛病,很庆幸,检验员能够对工作进行终结,知道检验重点,但方法不对。一直不出问题的,可少检,但不可免检,至少应该检查外箱标识、拿一个产品来作全面检查。通常,针对不出问题的产品,第一箱和尾数箱必须要检。这样,至少能保证物料不会出现批量性的问题。
  1. 这个厂商(班长)跟我关系不错,昨天还给我买了水喝,还给我烟抽;这次不良就算了,PASS
这是检验员的大忌,一般公司都会发生。就因为给朋友面子,结果把自己陷进去了。当你放了这批不良造成客户验货时退货、造成生产线困扰,那么,上级领导第一先问的就是你是怎么检验的,为什么这个问题都看不到?就因为一个面子问题,造成公司损失。是不可取的。
  1. 采购、业务、技术部、生产说这个可以放,于是我就放了
要知道,检验员的检验依据就是检验标准,检验标准有图纸、承认书、检验标准书、样品等等;若发现与标准不符时,你应该是给你的上级确认。而非其他部门说了可以就可以。检验员的管理、绩效考核全在品质部,既然你听其他部门的,那直接调去其他部门,你的工资也由别的部门发放算了。
曾经遇到过这样的案例,检验员检查到该物料不合格,采购说,这个不影响,我给生产线打好招呼了,他们愿意生产;不会投诉你的,结果检验员也没有上报上级,直接贴上合格标识,上线生产。导致生产线投诉、停线;采购也不会去承担这个责任。当物料造成生产困扰,其他部门只会问检验员是怎么检的,不会去责怪其他部门的人。不合格的结果只有检验员承担。
所以,检验员若发现不良时,判定结果只能听从直接上司的,而上司改判允收时,也需在不良报告上注明改判原因。
  1. 因为物料是急料,采购、生产部的都在催,所以,该有的检验项目还有几项没有检,觉得应该没有问题;贴上PASS标签上线。
每个公司,因采购时效等原因,基本上都有急料问题,急于上线的物料均有采购跟催检验员检料速度,生产、仓库的人员在检验员旁等检验员把物料检好,立马发料。这给从职经验并不丰富的检验员造成很大的心理压力。由于心慌,有些检验项目并没有检查到,就直接贴pass标签上线生产。结果因为没有检查到的项目有不良现象,造成生产停线而遭到处罚。
急料部分通常都是采购一个一个电话催供应商快生产,采购只要能在规定时间内把货催过来,其它的品质问题都不管的,供应商为了能正常交货,拼命赶货,生产出来的物料品质会好到哪里去呢?越是急料就越要仔细地检查。通常急料更容易出现品质问题。当采购或其他相关单位人员催促检验员赶快检验时,要求他们到规定区域去等,检验员应该按照要求将所有的检验步骤检完。确认没有不良才可放给生产线生产。若检验过程中发现不良应及时通知相关人员处理。
  1. 在检验过程中发现了一个不良现象A,开单后,经处理(重工、特采等)上线生产后又发现了不良B
检验员都按照检验程序进行检验,一般检验顺序为包装、外观、机构尺寸、性能检查。有很多时候,当检验员发现了一项不良,则该检验员很高兴,停止检验,马上开具不合格报告。这个在以前的质量管理工作中,吃了不少的亏,当检验员检验到外观不良(刮伤);因急于生产,采购特采上线生产过程中,发现了另外个问题:尺寸问题,无法组装…….
因此,检验员在检验过程中,若发现不良,也应该把所有的不良项目全部检验完,对检验结果记录,待检验完成后再开单。
  1. 检验过程中,发现了不良;经供应商或生产重工后,应该没有什么问题了,少检或直接PASS
有很多时候,供应商派出的重工人员工作并不认真,想早点回去,或重工过后出去玩玩,结果,有很多物料看都不看,有些箱都没开放在中间。而检验员去检验时,以为供应商全部重工完成,象征性地抽检一下,就贴PASS,让供应商的人走了,结果上线后仍然遭到生产投诉,来料不良……
因此,针对供应商重工后的产品,检验员也应该按照检验要求对物料重新检验,当检验到不良后,要求供应商重新重工,直至检验合格为止。对重工人员切不可相信。
  1. 发现不良后,采购说,这个问题我叫供应商过来重工就好了,就不要开单了。开单麻烦。
当出现这类现象时检验员通常都愿意帮这个忙,和采购将问题压下去,结果供应商处理不及时,导致生产线没有物料停线的情况都有,有的物料进料已三天,还未签单等等。上级不知道的情况下,视为检验员未检验;就会说检验员的时效性问题。
因此,检验员在检验到不良后,应该及时开单。
  1. 这个问题上次开单都被改判、特采了,这次就不开了,直接贴PASS。
有时候,因物料急于上线,会出现很多改判情况,导致检验员误以为此现象可以接收。第二次检验时发现有同样问题,就不开单了,上线后导致生产投诉。
上司会改判此批会有上司的考量,依据实际情况而定,有的与客户沟通,有的与生产沟通,挑选等等,均是限此批。所以,在发现不合格后,虽然上批被改判,但应该同样地开单,拒收。

收起阅读 »

三不原则:最优选择

-------不接收不良不制造不良不传递不良----选择最优控制路线吧 1.对于IQC而言:不接收不良是关键;对于客户而言也是如此吧! 为什么存在...
-------不接收不良不制造不良不传递不良----选择最优控制路线吧
1.对于IQC而言:不接收不良是关键;对于客户而言也是如此吧!
为什么存在客户免检的情况;不一定是客户认可你的质量;有可能客户使用时发现你不良品的成本很低;同时不良品流入使用早期可以发现;风险成本很低!但并不意味客户不会追责吧!
大部分的时候不良品流转,(无论内部还是外部情况);导致的损失成本很高.简单实例;从成品发现的不良品耗费多少加工费;如果一开始发现只是一点材料损失费;到最后远远不止----加工费只是一部分吧,热处理费用呢;电镀费用呢;全检费用呢;加工电费;流转费;刀具使用费;还会有量具成本费----------等等!需要一个很好的数学会计模型才能大致统计而非完全统计!
你会认可刀具;量具有使用寿命;必然存在可生产数量问题!这在五金加工企业是很明显的!在成品阶段的损失必然有刀具使用费,量具成本费!

为此不接收不良是如此要紧!

2.对于流程中作业员:选择不传递不良是最优选择吧;为什么?
----在流程中去发现上工序边界失误成本高;但发现本工序失误却是理所当然;为此强调第一次做对!流程中连贯工序倡导互检;如后工序对前工序的检查;很多情况后工序质量与前工序质量并无相关性;如尺寸联系不相干的情况!那么后工序的人员一定程度要熟悉前工序的工艺标准才能发现;这个熟悉是需要成本的;但自己做的人熟悉自己工序的标准是天经地义的;是必须的!这就为不流转不良品创造了条件!自检的重要性显然超越互检的重要性,于情于理非常应该靠谱很多!
不传递不良中采用过一些措施:如建立全检工序;问题是全检(如只是目视外观)其失效的几率不容乐观。
专人专岗是最优选择么?不一定;视觉疲劳;对错放置失误;机率也是不容乐观!
理想:防呆措施(比如效率良好的检具)
对比操作者边做边自检外观而言;个人看法会比专人的效果更好;原因在于能够有效的消除视觉疲劳;同时提高作业员的专注能力!做事情是一种状态;投入的做事情更佳!(单价适当鼓励;后续抽检适当加严)---是否适用所有的工序?有充裕时间的数控工序或许是个选择!


3.当然不制造与上岗作业员的关系不是很大;工艺保证不制造是正道!需要作业员之外的技术工程支持;需要QFD;DOE;APQP;FMEA;等等数学工具的帮助!属于预防控制保证的范畴!但从制造过程分析而言:人,机、料、法、环、测环节而言人无疑是最要紧的一环;但在不制造不良环节思考:具备相应岗位技能的人就是OK的!为此责任是直接主管和人力资源部的培训问题。

我的观点是: 系统上放弃任何一个都是不明智的;任何时候选择三不原则同时进行也是不明智的!在具体时候.具体的岗位.具体的地点有不同的最优选择;基于一个原则;最小的成本;最好的效果!
收起阅读 »

也谈抽样检验——剑指2828

说到抽样检验,好像就绕不开2828, 而2828是来源于美国军标MIL-STD-105A, 在美国,其实,还流传着一个关于降落伞的故事, 大意是:美军方要求供应...
说到抽样检验,好像就绕不开2828,
而2828是来源于美国军标MIL-STD-105A,
在美国,其实,还流传着一个关于降落伞的故事,
大意是:美军方要求供应商杜绝降落伞的安全问题,最后在收货前,随机抽一件让供方老板,跳下去,摔不死就算合格,然后,降落伞的质量风险杜绝了!
但是,如果把眼界看宽一点,不仅仅看降落伞是不是“零风险”,而是把军方真正的目标,不死人当做考核目标,我们发现,情况就大不一样,
可能很多人看过电影,以诺曼底登陆为题材的二战片《最长的一日》,里面相当的篇幅,描写了空降兵,有死于坠机的、挂树上死的、掉井里死的……各种死法!
还有个传说,成龙拍电影《我是谁》的时候,剧组为成龙要不要做跳伞训练伤脑筋,最后好像是决定不做训练,直接拍,这么选的原因是,如果组织训练的话,在训练过程中死亡、受伤严重而不能完成拍摄的概率要远远大于直接拍摄不能获得成功的概率!
且不说伞兵训练这种高风险的事,即使我们正常走在马路上,也还存在被车撞的风险……

说了这么多,也还不明确想要表达的观点,其实很简单,我想说的是:风险永远无法避免!

2828存在的价值,仅仅是为了让供需双方在风险和成本之间折中时,有个相当于裁判员的角色,并不能真的降低风险,或是降低成本!因为客户的风险,其实本身,也就是成本!

大家可能公认按照2828抽样检验,要比固定的抽检频次检验要好,
真的好吗?
我倒是觉得,2828未必如大家想象的那样科学!
其实,就2828本身,对于批次数量的定义很不确定,这样就直接导致抽样数量也很不确定……
这样,出现各种五花八门的扯皮就不会鲜见了!

其实,从统计学的角度来看,只要样本的数量达到25~30件,统计分析的结果和总体分析的结果就会很接近!
比如,我们进行Cpk计算时,抽取5×5=25个样本的数据,计算出来的Cpk值就可以认为是值得相信的!不管总数是100、1000、还是10000、……
实际上,我们知道,Cpk值和不合格率之间是有一个确定的关系的!

问题在于,如何判断接受还是拒绝,
其实,在汽车行业,一般认为Cpk > 1.33,我们可以认为生产是稳定的,可以接受的!

剩下的,就是当Cpk达到1.33时,合格率大概在99.9938%,剩下的不到万一的不合格品怎么办?
实际上,真正在我们的生活中,我们能感受到的参数并没有很多,
一个产品,从原材料到成品,直到到达用户手中,可能会有成千上万的过程参数,但是,最终用户真正关注的参数有多少呢?
比如说,一台电视机,可能我会感受到分辨率、亮度……这些指标,但机器内部,某个元器件,比如电阻值1k的阻值偏差多少,我根本不会关心……
再比如说一辆汽车,可能我会关注到油耗、发动机排量……,但是,对于座椅固定的螺栓是M10、还是M12,有谁关心过?

其实,有很多参数,我们的设计人员,在设计过程中,也很难界定,
有些地方,可能定义的过于严格、还有些地方,也可能考虑不周……
我并不是想找借口,也没有半点要把责任推卸给设计人员的意思!
我以前玩音响,给功放摩机的时候,就听到很多发烧友,包括很多商家宣传,为了让电源稳定,声音纯净,要用很大的电解电容滤波,不惜高价采用上万微法的,但其实呢,即使用数千微法的电解电容,也没有多少声音的变化在里面,至少绝大多数人不能区分出……即使声音大到隔壁邻居生厌投诉的程度!

又好像乱了,其实,想说的,还是那剩下的不到万一的情况,
应该根据情况,区别对待,
如果,后道工序,包括用户根本感觉不到的情况,就让他存在,又怎样?
但是,如果,会直接影响后面工序、甚至会导致客户不快,那么,可能即使成本很高,也需要认真的考虑,进行100%的检验,将这部分风险筛选出来!
当然,这里的检验,可以是专职的检验员去检测、也可以搞个仪器进行在线检测、还可以交给用户,在使用中实际去检测,有问题就换呗!
汽车召回对用户来说,也不一定是坏事,对不!服务态度好的话,也许还能得到附加分!

关键是,如何确定这样的区别,
可以有几个方面,
比如:头脑风暴;
比如:FMEA分析;
比如售后服务信息;
……
总之,是个逐步学习、逐步完善的过程


综合上述,我觉得,如果我们花费比较多的精力,将80%注意力集中到需要关注的,重要的20%的问题上的时候,
我们按照类似计算Cpk时的固定抽样频次的抽样方法,
宏观上了解实际的质量总体数据、总体分布状态。
再根据最后可能存在的风险,
去有针对的采取方法控制!未必比按照2828捣糨糊差! 收起阅读 »