如何在通货膨胀时期降低供应链成本
现在，检查和降低供应链成本比以往任何时候都更加重要。虽然降低供应链成本是公司多年来一直在努力的持续改进工作，但现在降低成本的需求更加紧迫。
影响这些费用的因素有很多。Minitab 提供的工具可帮助您调查并降低成本，同时让您的客户满意。
Minitab 的供应链模块以常用和易于理解的术语提供指导性数据分析。将您的重点转移到改进关键绩效指标 (KPI)，例如周期时间、库存、交付、质量、盈利能力和成本，而不必担心使用哪种分析。
单位运费
许多公司会跟踪每单位的运费，即总运费除以运送的单位数量，影响这一成本的因素很多，一些公司通过与运输公司和客户合作来实现双赢。考虑以下问题：
· 可以合并小件货物吗？或者至少通过寻找合作伙伴来保持稳定的发货量，并对货物进行分组？
· 能否进一步减轻垫料重量？承运人可能有一些宝贵的意见。
· 托盘包装是否高效？是否有改进余地？
· 尝试在非工作时间取货，节省高达 30% 的费用。
Minitab 的供应链模块提供调查单位运费的工具。考虑用相关图调查连续因素，如运费、装货时间、装货重量和垫料重量。
您还可以创建热图来调查分类因素，例如产品、运输承运人、预定取货时间以及您是否有运输合同或运输奖励措施。
运单准确性
此外，您应该定期检查货运单的准确性。公司会报告经常出现的各种错误：如重量计价运费错误、货运等级代码错误、重复发票以及忽视的折扣。这些都要检查。
Minitab 的供应链模块提供了许多工具来调查货运单的准确性。通过 Pareto 图可以分析货运单错误。通过 CART 分类树可以进行更复杂的分析。除了上面两种工具外，Minitab 还提供许多其他有助于调查、沟通和减少货运单错误的工具。 收起阅读 »
影响这些费用的因素有很多。Minitab 提供的工具可帮助您调查并降低成本，同时让您的客户满意。
Minitab 的供应链模块以常用和易于理解的术语提供指导性数据分析。将您的重点转移到改进关键绩效指标 (KPI)，例如周期时间、库存、交付、质量、盈利能力和成本，而不必担心使用哪种分析。
单位运费
许多公司会跟踪每单位的运费，即总运费除以运送的单位数量，影响这一成本的因素很多，一些公司通过与运输公司和客户合作来实现双赢。考虑以下问题：
· 可以合并小件货物吗？或者至少通过寻找合作伙伴来保持稳定的发货量，并对货物进行分组？
· 能否进一步减轻垫料重量？承运人可能有一些宝贵的意见。
· 托盘包装是否高效？是否有改进余地？
· 尝试在非工作时间取货，节省高达 30% 的费用。
Minitab 的供应链模块提供调查单位运费的工具。考虑用相关图调查连续因素，如运费、装货时间、装货重量和垫料重量。
您还可以创建热图来调查分类因素，例如产品、运输承运人、预定取货时间以及您是否有运输合同或运输奖励措施。
运单准确性
此外，您应该定期检查货运单的准确性。公司会报告经常出现的各种错误：如重量计价运费错误、货运等级代码错误、重复发票以及忽视的折扣。这些都要检查。
Minitab 的供应链模块提供了许多工具来调查货运单的准确性。通过 Pareto 图可以分析货运单错误。通过 CART 分类树可以进行更复杂的分析。除了上面两种工具外，Minitab 还提供许多其他有助于调查、沟通和减少货运单错误的工具。 收起阅读 »
Daily work 15/9/2022
公司的质量部门，话语权和地位还是挺高的，这也得益于老板对质量的重视， 就连一线的 QC的年度评估和调薪方案都和办公室职员保持一个节奏， 一线的QC若发现问题，叫停生产，生产和工艺都是没有任何异议的，这一点对开展质量部门的工作确也顺利很多。但同时也暴露了一个问题，就是太依赖于质量部门，给生产、工艺一个错觉就是任何事情没有质量部门的确认都觉得不合理，这会造成QC的Loading越来越多。从我个人角度讲我是不赞同用很多的QC人力去保证品质的，这样会增加QC的人力成本， 品质的根本是预防，不是控制，控制只是一个手段。
去的这一个多月时间，建立了QC的培训考核系统（在我之前居然没有一个合理的、完整的培训考核方案），也没有QE的年度目标设定，年底我拿啥来给QE做评估。所以紧急设定了一个QE四季度的目标，QC leader的考核目标。 收起阅读 »
去的这一个多月时间，建立了QC的培训考核系统（在我之前居然没有一个合理的、完整的培训考核方案），也没有QE的年度目标设定，年底我拿啥来给QE做评估。所以紧急设定了一个QE四季度的目标，QC leader的考核目标。 收起阅读 »
FMEA基础理论介绍
失效模式分析FMEA是由故障模式分析（FMA）和故障影响分析（FEA）的组成，是重要的可靠性设计方法之一。FMEA是以预防为主，主要目的是查找产品/过程中潜在的失效模式，评估其后果和风险的大小，并制定相应的预防/探测措施，对产品或过程进行修改，避免或减少潜在失效模式的发生，也避免或减轻了事后修改带来的危机和成本。
失效指的是过程、产品或系统部分或全部失去了完成其功能的能力。潜在失效是有可能发生的失效。失效后果指的是失效对零件性能的影响，以及失效对顾客使用带来的影响。FMEA的类型可以分为设计FMEA、过程FMEA、设备FMEA、体系FMEA，最为常用的是设计FMEA和过程FMEA，具体不同点如下：
1、DFMEA：设计（Design）FMEA，用于产品设计中的可靠性分析，分析对象是最终的产品以及相关的零件部、子系统或系统。DFMEA一般从设计概率形成之时或之前开始介入，在产品开发各阶段中，当设计有变化或其他信息有变化时就及时更新，并在样件加工、验证成功之前结束。
2、PFMEA：过程（Process）FMEA，用于过程设计中的可靠性分析，分析对象是新的产品/过程、更改的产品/过程。一般在生产工装准备之前开始使用PFMEA，一直到产品正式投产阶段，投产后还要根据生产过程的变化不断地更新PFMEA 。
3、EFMEA：设备（Equipment）FMEA，用于设备的可靠性分析。
4、SFMEA：体系（System）FMEA，用于系统的可靠性分析。
FMEA作为一种可靠性工具，其作用是：
1、FMEA可以系统性地分析总结在产品设计或过程设计时形成文件；
2、FMEA可以降低产品失效的风险，原因是FMEA找出潜在的失效模式，从而制定了预防/探测措施，预防失效的发生；
3、FMEA的小组成员可以在早期设计过程中完成FMEA分析，提高产品设计的可靠性。小组成员包括设计工程师、质量工程师、工艺工程师等各个部门的负责人，更好地集合团队的智慧；
4、FMEA可以提前采取预防或探测措施，减少或消除设计修改或过程更改带来了更大损失；
5、FMEA是“事前的行为”，而不是“事后的行为”；在FMEA分析中，及时发现风险，可以更加容易、更低成本地对产品或过程进行整改，从而降低事后修改的危机；
6、FMEA的应用（DFMEA和PFMEA）是一个相互作用、永无止境的过程。
FMEA是一个系统的工具，其特点是：
1、一种事前行为；
2、一个循环的过程；
3、一种多方论证的产物；
4、结构化的方法；
5、定性的，评分带有主观性；
6、强调措施的跟踪；
7、降低维修费用，减少召回。
FMEA的逻辑思维是过程方法。所有的工作都是通过过程完成的，所有的过程都有输入和输出，需要开展一系列的活动并且投入相应的资源，输出是过程的结果，可能是期望的，也可能是不期望的；如FMEA的输入是产品的设计要求、技术规范和试验要求等，过程是FMEA的分析过程，输出是FMEA的分析结果。
FMEA是一个风险评估的质量工具，可以识别失效潜在后果的严重性，并为采取降低风险的措施提供了数据支持，用于领导层的决策。FMEA分析过程中，最重要的要求之一是及时性。它不是“事后”操作，而是“事前”行为。FMEA必须在产品设计和过程设计之前进行，这样，产品和过程的变更就更容易实施，并且实施成本更低，从而将后期更改的风险和成本降低到最小，FMEA就可以实现最大价值。
FMEA分析中，经常出现FMEA分析不规范的现象，所以应该注意以下事项：
1、优先分析关键零件的失效分析及风险降低，优先分析设计重点与难点的失效分析及风险降低，优先分析关键产品特性的失效分析及风险降低；
2、在更改不大的产品的FMEA分析时，可以利用同类产品的FMEA，在原有的基础 上补充和完善，注重于其差异性、更改之处以及高风险项目的评估和风险降低；
3、分析中利用头脑风景法列出失效的关联因素，运用质量工具（如亲和图、系统图等）列举出失效模式与失效原因之间的关系；
4、分析时注意回顾以前的同类产品的质量经验教训，举一反三，提高FMEA分析的有效性。
5、风险评估时，频度、探测度的评分很难确定具体分值，这些评分都是相对性 评分，评分中注意各项目评分的相对性，根据一定的理由进行评分，而不只是侧重于它实际的数据。而严重度指的是失效对客户的影响，需要根据评分标准，对失效模式的最大的失效后果进行评分。 收起阅读 »
失效指的是过程、产品或系统部分或全部失去了完成其功能的能力。潜在失效是有可能发生的失效。失效后果指的是失效对零件性能的影响，以及失效对顾客使用带来的影响。FMEA的类型可以分为设计FMEA、过程FMEA、设备FMEA、体系FMEA，最为常用的是设计FMEA和过程FMEA，具体不同点如下：
1、DFMEA：设计（Design）FMEA，用于产品设计中的可靠性分析，分析对象是最终的产品以及相关的零件部、子系统或系统。DFMEA一般从设计概率形成之时或之前开始介入，在产品开发各阶段中，当设计有变化或其他信息有变化时就及时更新，并在样件加工、验证成功之前结束。
2、PFMEA：过程（Process）FMEA，用于过程设计中的可靠性分析，分析对象是新的产品/过程、更改的产品/过程。一般在生产工装准备之前开始使用PFMEA，一直到产品正式投产阶段，投产后还要根据生产过程的变化不断地更新PFMEA 。
3、EFMEA：设备（Equipment）FMEA，用于设备的可靠性分析。
4、SFMEA：体系（System）FMEA，用于系统的可靠性分析。
FMEA作为一种可靠性工具，其作用是：
1、FMEA可以系统性地分析总结在产品设计或过程设计时形成文件；
2、FMEA可以降低产品失效的风险，原因是FMEA找出潜在的失效模式，从而制定了预防/探测措施，预防失效的发生；
3、FMEA的小组成员可以在早期设计过程中完成FMEA分析，提高产品设计的可靠性。小组成员包括设计工程师、质量工程师、工艺工程师等各个部门的负责人，更好地集合团队的智慧；
4、FMEA可以提前采取预防或探测措施，减少或消除设计修改或过程更改带来了更大损失；
5、FMEA是“事前的行为”，而不是“事后的行为”；在FMEA分析中，及时发现风险，可以更加容易、更低成本地对产品或过程进行整改，从而降低事后修改的危机；
6、FMEA的应用（DFMEA和PFMEA）是一个相互作用、永无止境的过程。
FMEA是一个系统的工具，其特点是：
1、一种事前行为；
2、一个循环的过程；
3、一种多方论证的产物；
4、结构化的方法；
5、定性的，评分带有主观性；
6、强调措施的跟踪；
7、降低维修费用，减少召回。
FMEA的逻辑思维是过程方法。所有的工作都是通过过程完成的，所有的过程都有输入和输出，需要开展一系列的活动并且投入相应的资源，输出是过程的结果，可能是期望的，也可能是不期望的；如FMEA的输入是产品的设计要求、技术规范和试验要求等，过程是FMEA的分析过程，输出是FMEA的分析结果。
FMEA是一个风险评估的质量工具，可以识别失效潜在后果的严重性，并为采取降低风险的措施提供了数据支持，用于领导层的决策。FMEA分析过程中，最重要的要求之一是及时性。它不是“事后”操作，而是“事前”行为。FMEA必须在产品设计和过程设计之前进行，这样，产品和过程的变更就更容易实施，并且实施成本更低，从而将后期更改的风险和成本降低到最小，FMEA就可以实现最大价值。
FMEA分析中，经常出现FMEA分析不规范的现象，所以应该注意以下事项：
1、优先分析关键零件的失效分析及风险降低，优先分析设计重点与难点的失效分析及风险降低，优先分析关键产品特性的失效分析及风险降低；
2、在更改不大的产品的FMEA分析时，可以利用同类产品的FMEA，在原有的基础 上补充和完善，注重于其差异性、更改之处以及高风险项目的评估和风险降低；
3、分析中利用头脑风景法列出失效的关联因素，运用质量工具（如亲和图、系统图等）列举出失效模式与失效原因之间的关系；
4、分析时注意回顾以前的同类产品的质量经验教训，举一反三，提高FMEA分析的有效性。
5、风险评估时，频度、探测度的评分很难确定具体分值，这些评分都是相对性 评分，评分中注意各项目评分的相对性，根据一定的理由进行评分，而不只是侧重于它实际的数据。而严重度指的是失效对客户的影响，需要根据评分标准，对失效模式的最大的失效后果进行评分。 收起阅读 »
Daily work 09/9/2022
明天教师节， 祝所有老师节日快乐！
昨晚夜班要赶一个货200pcs今天出，生产的时候测试规格设定的和图纸要求不一样，QC发现后要求生产停了下来，待技术员调节，可技术员调不了，需要更改测试后台数据，只能有测试工程师才能改（唉，bottle neck）。大家有个微信群，测试工程师在群里解释的是因为测试线和测试设备本身自带电阻，是测试规格设定和图纸不一样的原因，但是他和NPI的经理都跳出来说以他们的经验，只要热电偶原材料没有问题，设定的测试规格能将不良识别出来。
在今天的早会上，我特意对此事向测试工程师和NPI经理要求给我证据，风险很小，小到什么程度， 是千分之一？万分之一？ 如果测试线，测试设备有影响，用数据告诉我。我们的货出国外，如果有客户反馈你能说“hi guy, low risk according to experiences”吗？两人马上答应很快解决，即使不能按图纸要求设定测试值， 也会有各种数据证明。
下午和其他部门的头讨论了自己主导的一个持续改善项目，老板亲自点名要我亲自主导，这个问题也是公司一直存在的一个顽疾，我想了很多方法，Lean 6 sigma, kaizen…最终还是选择用PDCA, 这个经典又不过时的套路。会前我给他们普及了一下怎么真正用好PDCA, 也通过这个项目再去把之前自己做改善项目的方式方法再实战一遍，每一次实战都有新的收获，在指导工程师的时候也会有更多的见解。 收起阅读 »
昨晚夜班要赶一个货200pcs今天出，生产的时候测试规格设定的和图纸要求不一样，QC发现后要求生产停了下来，待技术员调节，可技术员调不了，需要更改测试后台数据，只能有测试工程师才能改（唉，bottle neck）。大家有个微信群，测试工程师在群里解释的是因为测试线和测试设备本身自带电阻，是测试规格设定和图纸不一样的原因，但是他和NPI的经理都跳出来说以他们的经验，只要热电偶原材料没有问题，设定的测试规格能将不良识别出来。
在今天的早会上，我特意对此事向测试工程师和NPI经理要求给我证据，风险很小，小到什么程度， 是千分之一？万分之一？ 如果测试线，测试设备有影响，用数据告诉我。我们的货出国外，如果有客户反馈你能说“hi guy, low risk according to experiences”吗？两人马上答应很快解决，即使不能按图纸要求设定测试值， 也会有各种数据证明。
下午和其他部门的头讨论了自己主导的一个持续改善项目，老板亲自点名要我亲自主导，这个问题也是公司一直存在的一个顽疾，我想了很多方法，Lean 6 sigma, kaizen…最终还是选择用PDCA, 这个经典又不过时的套路。会前我给他们普及了一下怎么真正用好PDCA, 也通过这个项目再去把之前自己做改善项目的方式方法再实战一遍，每一次实战都有新的收获，在指导工程师的时候也会有更多的见解。 收起阅读 »
20220904 中质协黑带考试回忆版
题量变化：共106道，单选10个空，每个空2分，填空共20分，有计算题和概念题.
以下所说的红皮书，都是指《六西格玛管理（第三版）》就是中质协编写的那本.
1. 红皮书第5页，零缺陷的4项基本原则，多选。
2. 老七种质量工具考了一个，原题不记得了，最好到网上找找这方面内容看看。
3. 红皮书第8页，朱兰三部曲后面一句话，他将人的因素加入质量管理，考了单选.
4. 红皮书第25页考了一个类似于SWOT分析的，也是四个象限维度是重要度和满意度，问那个象限是机会区域，单选
5. 红皮书30-33页，考了团队组员挑选，好像是选必须有强烈的兴趣，和从事相关工作的人员，多选
6. 红皮书39页VOC出现在了选项里，最好搞清楚，我在这里花了好几分钟，当时对VOC概念有点迷糊，浪费了不少时间
7. 40页，精益的自动化，也考了多选
8. 42页价值流图，多选
9. 54页离散型度量指标，选一个错误的好像是什么十万缺陷数，没听过这个^_^，只有百万缺陷数，题目搞出来个十万缺陷数，看你概念清楚不清楚
10. 55页，DPO，DPU计算，送分题
11. 61页，水平对比的概念，单选
12. 68页，符合性质量成本有哪几个构成，单选
13. 78页，用帕累托优先排序，填空题
14. 82页，E=（O+4M+P）/6，填空
15. 84页，项目文档，单选，问个人的笔记，会议记录算不算项目文档，这个我选错了
16. 85-88页，选择团员（和上面第5个重复了）
17. 还有一个团队队员有冲突，作为黑带职责该如何做，多选
18. 91页，力场分析，单选
19. 95页，冲突管理，和第18项结合考的
20. 96页沟通，和上面20一起考的
更多请看附件吧
收起阅读 »
以下所说的红皮书，都是指《六西格玛管理（第三版）》就是中质协编写的那本.
1. 红皮书第5页，零缺陷的4项基本原则，多选。
2. 老七种质量工具考了一个，原题不记得了，最好到网上找找这方面内容看看。
3. 红皮书第8页，朱兰三部曲后面一句话，他将人的因素加入质量管理，考了单选.
4. 红皮书第25页考了一个类似于SWOT分析的，也是四个象限维度是重要度和满意度，问那个象限是机会区域，单选
5. 红皮书30-33页，考了团队组员挑选，好像是选必须有强烈的兴趣，和从事相关工作的人员，多选
6. 红皮书39页VOC出现在了选项里，最好搞清楚，我在这里花了好几分钟，当时对VOC概念有点迷糊，浪费了不少时间
7. 40页，精益的自动化，也考了多选
8. 42页价值流图，多选
9. 54页离散型度量指标，选一个错误的好像是什么十万缺陷数，没听过这个^_^，只有百万缺陷数，题目搞出来个十万缺陷数，看你概念清楚不清楚
10. 55页，DPO，DPU计算，送分题
11. 61页，水平对比的概念，单选
12. 68页，符合性质量成本有哪几个构成，单选
13. 78页，用帕累托优先排序，填空题
14. 82页，E=（O+4M+P）/6，填空
15. 84页，项目文档，单选，问个人的笔记，会议记录算不算项目文档，这个我选错了
16. 85-88页，选择团员（和上面第5个重复了）
17. 还有一个团队队员有冲突，作为黑带职责该如何做，多选
18. 91页，力场分析，单选
19. 95页，冲突管理，和第18项结合考的
20. 96页沟通，和上面20一起考的
更多请看附件吧
收起阅读 »
私企老板那些事
前俩天与某私企老友在聊天时，一直在报怨临近中秋，公司给员工管理级发放福利时，副总福利与员工是一样的（注：我那老友在任职副总职务），心理上存在落差，未入职前，老板一直盛情高薪邀请，到此企业入职高级管理，用专业知识和管理水平提升公司效益，老友也在高薪下欣然接受邀请入职，通过老友三个月的，望，问，把，三重结合下疏理企业内部问题，由亏损转盈利，按理企业由亚健康，转入到健康发展阶段，由如质量三步曲，控制，策划，改进，企业进入良性，但老友最近恼火所承诺高薪，如水中楼台，镜中月，未见兑现，本想挥手而去，但大环境影响未找到合意工作，此阶段食而无味，弃而惜也。
回故我前几年，入职私企（生产品质副总），与老板高坛阔论三天，从企业存在的问题，到整改交付提升产出策划，从企业如何产出收益谈到年底分红，深扎现场，把诊问脉，刮骨疗伤，这饼又大又圆，然而年度结算按交付产出公司整体每月盈益80W左右，期盼年度期盼的分红，只有老板轻飘飘的一句今年公司效益不好，整体亏损，分红暂时不发，过年给个三百块红包，为感激公司诚意我只能挥袖而去。
千里马常有，而伯乐不常寻，一个企业的成长阶段，由萌芽生存---制度管理---到企业文化的转变，每个阶段脱变都经历坚辛和领袖的果敢，但企业发展过程，打江山和坐江山的不会是同一批人。
历经过社会的捶练，无非就是老板与管理者的试探博弈，互探双方的底限，老板想探试管理层可接受底限，管理层想要老板放更多的权限，得到自我价值实现。
回忆以往对社会的认知，与私企老板在面试时，总会自我陶醉的认为，我有管理经验和专业的知识，刚好企业现阶段需要我专业知识去提升效率，自我认为，叫合作的互利，企业需要我的经验知识，我需要企业所给的薪资，各取所利。经历后让我明确的阶定清楚，企业是老板的，工作是你自己的，你工作没了，企业还在，对于老板来说管理的流失无非就是增加点薪资挖入管理人才，但对于管理者来说，又被社会按在地上磨擦，长叹老板无情无意。
回归当今职业本身，以人交往谨言，谨行，谨治，脑袋决定屁股的位置，望各位，中秋安康，工作顺利！ 收起阅读 »
回故我前几年，入职私企（生产品质副总），与老板高坛阔论三天，从企业存在的问题，到整改交付提升产出策划，从企业如何产出收益谈到年底分红，深扎现场，把诊问脉，刮骨疗伤，这饼又大又圆，然而年度结算按交付产出公司整体每月盈益80W左右，期盼年度期盼的分红，只有老板轻飘飘的一句今年公司效益不好，整体亏损，分红暂时不发，过年给个三百块红包，为感激公司诚意我只能挥袖而去。
千里马常有，而伯乐不常寻，一个企业的成长阶段，由萌芽生存---制度管理---到企业文化的转变，每个阶段脱变都经历坚辛和领袖的果敢，但企业发展过程，打江山和坐江山的不会是同一批人。
历经过社会的捶练，无非就是老板与管理者的试探博弈，互探双方的底限，老板想探试管理层可接受底限，管理层想要老板放更多的权限，得到自我价值实现。
回忆以往对社会的认知，与私企老板在面试时，总会自我陶醉的认为，我有管理经验和专业的知识，刚好企业现阶段需要我专业知识去提升效率，自我认为，叫合作的互利，企业需要我的经验知识，我需要企业所给的薪资，各取所利。经历后让我明确的阶定清楚，企业是老板的，工作是你自己的，你工作没了，企业还在，对于老板来说管理的流失无非就是增加点薪资挖入管理人才，但对于管理者来说，又被社会按在地上磨擦，长叹老板无情无意。
回归当今职业本身，以人交往谨言，谨行，谨治，脑袋决定屁股的位置，望各位，中秋安康，工作顺利！ 收起阅读 »
Daily work 07/9/2022
最近生产的问题很多， 一个多月在这里的感受是工艺部门专业知识很好，但是分析问题的能力不足；生产的规模较大，但是现场管理和流程的管理欠缺；目前的QE在这个公司也做了5年，相当于是一起成长起来的，对产品和工艺都很熟， 但是质量工具用的不足。
今天生产经理来找我反馈了几个问题， QE也在场，其中一个他认为是来料问题，但并没有说明when,where,how many，QE很自热的和他争论了起来，因为他清楚特采物料已使用完，该隔离的隔离了， 该退供应商的已退，也许生产经理不清楚， 争论之中我也大概明白了问题是什么。 我只能告诉生产经理， 后续反馈问题的时候，至少说明是什么问题，什么时候发现的，在哪里发现的， 数量是多少，批次信息，至少有这些信息我才能做调查后给一个正式的回复。
事后我也给QE share了一些和生产沟通方面的观点，作为质量人员，和生产的冲突是不可避免的，当生产在反馈问题的时候，先听，获取需要的信息，缺少的信息就问， 当面给不出信息的告诉他去查好了再告诉你，调查后给一个正式回复，虽然有时候自己心里清楚是什么原因，但也不要急于去争论，这样解决不了问题反而会加深矛盾，作为质量管理人员，要以事实为依据。遇到问题也不要急于下结论和给方案，这样会显得过于草率，处理问题最简单的逻辑就是发现问题，分析问题，解决问题，尽可能做到让别人无话可说。 收起阅读 »
今天生产经理来找我反馈了几个问题， QE也在场，其中一个他认为是来料问题，但并没有说明when,where,how many，QE很自热的和他争论了起来，因为他清楚特采物料已使用完，该隔离的隔离了， 该退供应商的已退，也许生产经理不清楚， 争论之中我也大概明白了问题是什么。 我只能告诉生产经理， 后续反馈问题的时候，至少说明是什么问题，什么时候发现的，在哪里发现的， 数量是多少，批次信息，至少有这些信息我才能做调查后给一个正式的回复。
事后我也给QE share了一些和生产沟通方面的观点，作为质量人员，和生产的冲突是不可避免的，当生产在反馈问题的时候，先听，获取需要的信息，缺少的信息就问， 当面给不出信息的告诉他去查好了再告诉你，调查后给一个正式回复，虽然有时候自己心里清楚是什么原因，但也不要急于去争论，这样解决不了问题反而会加深矛盾，作为质量管理人员，要以事实为依据。遇到问题也不要急于下结论和给方案，这样会显得过于草率，处理问题最简单的逻辑就是发现问题，分析问题，解决问题，尽可能做到让别人无话可说。 收起阅读 »
Daily work 5/9/2022
离开了服务9+年的公司，最终还是去了新东家，在新东家也刚好一个月。新的产品，新的工艺，新的团队等都需要时间去了解和熟悉。
今天一个工艺工程师对一批有问题的产品找我现场给我讲解他对这个产品的判断，他认为压管裂（即问题，现在还不能判断裂否）是一个常态，他告诉我在产品换型后因为需要与机器磨合，都会有这种现象，还告诉我机器运行过程中，也可能会出现这种情况....总之给我说了很多，结论是根据他的经验这种不是裂开，认为风险很小。
我也只问了两个问题：1.首件没有这种问题，过程中会出现，怎么发现？ 2.如何判断真的是裂还是没裂？
我很尊重大家的经验，这个对于常年在某个行业里摸爬滚打的人确实很珍贵，但是作为做质量的人，要的是事实和证据，不能用经验去判断问题，这也是我常常给team的人强调的观点。
收起阅读 »
今天一个工艺工程师对一批有问题的产品找我现场给我讲解他对这个产品的判断，他认为压管裂（即问题，现在还不能判断裂否）是一个常态，他告诉我在产品换型后因为需要与机器磨合，都会有这种现象，还告诉我机器运行过程中，也可能会出现这种情况....总之给我说了很多，结论是根据他的经验这种不是裂开，认为风险很小。
我也只问了两个问题：1.首件没有这种问题，过程中会出现，怎么发现？ 2.如何判断真的是裂还是没裂？
我很尊重大家的经验，这个对于常年在某个行业里摸爬滚打的人确实很珍贵，但是作为做质量的人，要的是事实和证据，不能用经验去判断问题，这也是我常常给team的人强调的观点。
收起阅读 »
广受欢迎的Weibull 分布永远是最佳选择吗？
本文最初出现在The Minitab Blog
在大学里，我有一个朋友，他无论到哪儿都能融入其中。他中午还在跟一群教授共进午餐，下午就在公园里和嬉皮士踢沙包，晚上又会和当地的摩托车骑手在城里秩序最差的酒吧厮混在一起。第二天，他又和体育爱好者一起打橄榄球，然后和游戏伙伴一起去参加通宵的局域网游戏聚会。在平常的周末，他可能会和校园里一小群积极正派的朋克摇滚乐手参加一场面向各个年龄段的演出，或者和一些城里人饮酒作乐，然后和物理社的朋友一起玩一些 D&D 游戏来结束这个周末。
他就像一只变色龙，跟什么人交往就能投其所好，打成一片。这种灵活性让他在各种各样的社交圈中如鱼得水。
他叫 Jeff Weibull，他非常受欢迎，以至于当地统计人员甚至以他的名字命名“Weibull 分布”。
是什么使得 WEIBULL 分布如此受人欢迎？
好吧，我只是编造了最后一部分，Jeff 的姓实际上并不是“Weibull”，此分布完全是以其他人的名字命名的。 但是，当我第一次了解 Weibull 分布时，我立刻想起了 Jeff，以及他似乎不费吹灰之力就能在形形色色的社交场合中游刃有余的场景。
正如 Jeff 是不同社交圈子中的变色龙一样，Weibull 分布能够呈现许多不同类型分布的特征。这使得它在工程师和质量从业者中极受青睐，他们使该分布成为可靠性数据建模中最常用的分布。他们喜欢将 Weibull 分布纳入其数据分析中，因为它足够灵活，可以对各种数据集进行建模。
获得了右偏斜数据？Weibull 可以对其进行建模。左偏斜数据？当然，使用 Weibull 绝对没问题。对称数据？Weibull 能够胜任。正是因为 Weibull 分布的这种灵活性，工程师才用它来评估所有物品（从真空管、电容器到滚珠轴承和继电器等）的可靠性和材料强度。
Weibull 分布还可以对递减、递增或固定风险函数进行建模，使其能够描述物品寿命的任何阶段。
WEIBULL 曲线如何改变其形状
那么，Weibull 分布到底有多灵活呢？让我们来看一些使用 Minitab Statistical Software 中的图形 > 概率分布图的示例。
在“分布”下拉菜单中依次选择“单一视图”和“Weibull”。该对话框将用于指定三个参数：形状、尺度和阈值。
阈值参数指示分布从 0 偏移的情况，负阈值会将分布从 0 向左偏移，正阈值会将分布向右偏移。所有数据都必须大于阈值。尺度参数是数据的 63.2 百分位数，它定义了 Weibull 曲线与阈值的关系，就像均值定义正态曲线的位置一样。在我们的示例中，我们使用的尺度为 10，即 63.2% 的测试产品将在阈值时间后的前 10 个小时内发生故障。形状参数描述 Weibull 曲线的形状。通过更改形状，可以对许多不同寿命分布的特征进行建模。
在本帖中，我将专门讨论形状参数如何影响 Weibull 曲线。我将逐一介绍这些参数，但是，如果您希望它们同时出现在一张图中，请在上面显示的对话框中选择“不同参数”选项。
形状值小于 1 的 WEIBULL 分布
让我们从 0 到 1 之间的形状开始。下图显示概率从无穷大呈指数递减的情况。就失效率而言，符合此分布的数据的初始失效率极高，随着时间的推移，由于缺陷产品从样本中消除，因此失效率会下降。这些早期失效通常被称为“早期损坏率”，因为它们发生在产品寿命的早期阶段。
形状值等于 1 的 WEIBULL 分布
当形状值等于 1 时，Weibull 分布从 1/alpha 呈指数递减，其中 alpha = 尺度参数。在本质上，这表示失效率随着时间的推移保持一致。Weibull 分布的这种形状适用于随机失效和多原因失效，并可用于对产品的使用寿命进行建模。
形状值介于 1 和 2 之间的 WEIBULL 分布
当形状值介于 1 和 2 之间时，Weibull 分布迅速攀升到峰值，然后随着时间的推移下降。失效率总体上是增加的，最初增加得最快。此形状表示早期磨损失效。
形状值等于 2 的 WEIBULL 分布
当形状值达到 2 时，Weibull 分布对线性增加的失效率进行建模，在产品的使用寿命内，磨损失效风险随着时间的推移不断增加。这种形式的 Weibull 分布也称为 Rayleigh 分布。
形状值介于 3 和 4 之间的 WEIBULL 分布
如果我们将形状值放在 3 和 4 之间，Weibull 分布就会变为对称的钟形，就像正态曲线一样。这种形式的 Weibull 分布对产品寿命的最后阶段（大多数失效发生在这一阶段）中的快速磨损失效进行建模。
形状值大于 10 的 WEIBULL 分布
当形状值大于 10 时，Weibull 分布类似于极值分布。同样，这种形式的分布可以对产品寿命的最后阶段进行建模。
WEIBULL 永远是最佳选择吗？
涉及可靠性时，Weibull 分布通常是万能分布，但一定要注意的是，其他分布系列也可以对各种分布形状进行建模。您希望找到最适合您的数据的分布，而这可能不是 Weibull 分布形式。例如，由化学反应或腐蚀引起的产品失效通常采用对数正态分布进行建模。
您可以使用 Minitab 的分布 ID 图来评估数据的拟合情况（统计 > 可靠性/生存 > 分布分析(右删失或任意删失)）。如果您想了解更多详细信息，请查看 Jim Frost 撰写的有关确定数据分布的帖子。 收起阅读 »
在大学里，我有一个朋友，他无论到哪儿都能融入其中。他中午还在跟一群教授共进午餐，下午就在公园里和嬉皮士踢沙包，晚上又会和当地的摩托车骑手在城里秩序最差的酒吧厮混在一起。第二天，他又和体育爱好者一起打橄榄球，然后和游戏伙伴一起去参加通宵的局域网游戏聚会。在平常的周末，他可能会和校园里一小群积极正派的朋克摇滚乐手参加一场面向各个年龄段的演出，或者和一些城里人饮酒作乐，然后和物理社的朋友一起玩一些 D&D 游戏来结束这个周末。
他就像一只变色龙，跟什么人交往就能投其所好，打成一片。这种灵活性让他在各种各样的社交圈中如鱼得水。
他叫 Jeff Weibull，他非常受欢迎，以至于当地统计人员甚至以他的名字命名“Weibull 分布”。
是什么使得 WEIBULL 分布如此受人欢迎？
好吧，我只是编造了最后一部分，Jeff 的姓实际上并不是“Weibull”，此分布完全是以其他人的名字命名的。 但是，当我第一次了解 Weibull 分布时，我立刻想起了 Jeff，以及他似乎不费吹灰之力就能在形形色色的社交场合中游刃有余的场景。
正如 Jeff 是不同社交圈子中的变色龙一样，Weibull 分布能够呈现许多不同类型分布的特征。这使得它在工程师和质量从业者中极受青睐，他们使该分布成为可靠性数据建模中最常用的分布。他们喜欢将 Weibull 分布纳入其数据分析中，因为它足够灵活，可以对各种数据集进行建模。
获得了右偏斜数据？Weibull 可以对其进行建模。左偏斜数据？当然，使用 Weibull 绝对没问题。对称数据？Weibull 能够胜任。正是因为 Weibull 分布的这种灵活性，工程师才用它来评估所有物品（从真空管、电容器到滚珠轴承和继电器等）的可靠性和材料强度。
Weibull 分布还可以对递减、递增或固定风险函数进行建模，使其能够描述物品寿命的任何阶段。
WEIBULL 曲线如何改变其形状
那么，Weibull 分布到底有多灵活呢？让我们来看一些使用 Minitab Statistical Software 中的图形 > 概率分布图的示例。
在“分布”下拉菜单中依次选择“单一视图”和“Weibull”。该对话框将用于指定三个参数：形状、尺度和阈值。
阈值参数指示分布从 0 偏移的情况，负阈值会将分布从 0 向左偏移，正阈值会将分布向右偏移。所有数据都必须大于阈值。尺度参数是数据的 63.2 百分位数，它定义了 Weibull 曲线与阈值的关系，就像均值定义正态曲线的位置一样。在我们的示例中，我们使用的尺度为 10，即 63.2% 的测试产品将在阈值时间后的前 10 个小时内发生故障。形状参数描述 Weibull 曲线的形状。通过更改形状，可以对许多不同寿命分布的特征进行建模。
在本帖中，我将专门讨论形状参数如何影响 Weibull 曲线。我将逐一介绍这些参数，但是，如果您希望它们同时出现在一张图中，请在上面显示的对话框中选择“不同参数”选项。
形状值小于 1 的 WEIBULL 分布
让我们从 0 到 1 之间的形状开始。下图显示概率从无穷大呈指数递减的情况。就失效率而言，符合此分布的数据的初始失效率极高，随着时间的推移，由于缺陷产品从样本中消除，因此失效率会下降。这些早期失效通常被称为“早期损坏率”，因为它们发生在产品寿命的早期阶段。
形状值等于 1 的 WEIBULL 分布
当形状值等于 1 时，Weibull 分布从 1/alpha 呈指数递减，其中 alpha = 尺度参数。在本质上，这表示失效率随着时间的推移保持一致。Weibull 分布的这种形状适用于随机失效和多原因失效，并可用于对产品的使用寿命进行建模。
形状值介于 1 和 2 之间的 WEIBULL 分布
当形状值介于 1 和 2 之间时，Weibull 分布迅速攀升到峰值，然后随着时间的推移下降。失效率总体上是增加的，最初增加得最快。此形状表示早期磨损失效。
形状值等于 2 的 WEIBULL 分布
当形状值达到 2 时，Weibull 分布对线性增加的失效率进行建模，在产品的使用寿命内，磨损失效风险随着时间的推移不断增加。这种形式的 Weibull 分布也称为 Rayleigh 分布。
形状值介于 3 和 4 之间的 WEIBULL 分布
如果我们将形状值放在 3 和 4 之间，Weibull 分布就会变为对称的钟形，就像正态曲线一样。这种形式的 Weibull 分布对产品寿命的最后阶段（大多数失效发生在这一阶段）中的快速磨损失效进行建模。
形状值大于 10 的 WEIBULL 分布
当形状值大于 10 时，Weibull 分布类似于极值分布。同样，这种形式的分布可以对产品寿命的最后阶段进行建模。
WEIBULL 永远是最佳选择吗？
涉及可靠性时，Weibull 分布通常是万能分布，但一定要注意的是，其他分布系列也可以对各种分布形状进行建模。您希望找到最适合您的数据的分布，而这可能不是 Weibull 分布形式。例如，由化学反应或腐蚀引起的产品失效通常采用对数正态分布进行建模。
您可以使用 Minitab 的分布 ID 图来评估数据的拟合情况（统计 > 可靠性/生存 > 分布分析(右删失或任意删失)）。如果您想了解更多详细信息，请查看 Jim Frost 撰写的有关确定数据分布的帖子。 收起阅读 »
如何在残差四合一图中显示P值？
在进行回归分析、实验设计分析过程中，我们在得到回归模型后需要进行“残差分析”。下面我以蓝皮书（第三版）P313的多元线性回归的例9-3为例。
某手机厂研究如何提高线路板焊接制程的拉拔力问题。根据过去的经验知道，拉拔力可能与烘培温度、烘烤时间和涂抹的焊膏量有关，现从制程中收集了20批数据，试建立拉拔力与个因素的回归模型。
一、软件操作
二、残差四合一图
在本篇文章中，我们感兴趣的四合一图中的正态概率图，所以对于其他结果不做过多解释。
“正态概率图”可以帮助我们判断残差是否服从正态，但是有朋友会发现在正态概率图中有时候会显示P值，有时候无法显示。
如果想把P值显示在概率图中我们需要做一些设置。
选择：文件-选项
勾选“包括带有正态图的Anderson-Darling检验（A）”
勾选以后，我们就可以在残差的正态概率图中显示P值了。
收起阅读 »
某手机厂研究如何提高线路板焊接制程的拉拔力问题。根据过去的经验知道，拉拔力可能与烘培温度、烘烤时间和涂抹的焊膏量有关，现从制程中收集了20批数据，试建立拉拔力与个因素的回归模型。
一、软件操作
二、残差四合一图
在本篇文章中，我们感兴趣的四合一图中的正态概率图，所以对于其他结果不做过多解释。
“正态概率图”可以帮助我们判断残差是否服从正态，但是有朋友会发现在正态概率图中有时候会显示P值，有时候无法显示。
如果想把P值显示在概率图中我们需要做一些设置。
选择：文件-选项
勾选“包括带有正态图的Anderson-Darling检验（A）”
勾选以后，我们就可以在残差的正态概率图中显示P值了。
收起阅读 »
FMEA在汽车开发过程中的实施
一、FMEA概述
FMEA-潜在失效模式与后果分析，作为一种预防性策划工具，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。
（1）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。
（2）找到并实施能够避免或减少这些潜在失效发生的措施。
在十九世纪五十年代开始，FMEA开始在军工产业进行应用；八十年代中期，FMEA进入了汽车产业；九十年代中期，FMEA正式成为ISO的推荐要求和QS16949的认证要求。
FMEA在汽车产业的应用，主要是从美国三大汽车制造公司（戴姆勒－克莱斯勒、福特、通用）开始，这三大汽车制造公司制定并广泛应用于汽车零组件生产行业的可靠性设计分析方法。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）以消除产品和流程存在的问题为重点，并帮助预防问题的再次发生。
二、设计FMEA和过程FMEA
具体的FMEA文件主要有两种，设计FMEA和过程FMEA。
设计FMEA是以零件为分析单位，从一个设计概念形成之时或之前开始，并且在产品开发各阶段中，当设计有变化或得到其他信息时及时不断地修改，并在图样加工完成之前结束。其评价与分析的对象是最终的产品以及每个与之相关的系统、子系统和零部件。进行DFMEA有助于：
· 设计要求与设计方案的相互权衡；
· 制造与装配要求的最初设计；
· 提高在设计/开发过程中考虑潜在故障模式及其对系统和产品影响的可能性；
· 为制定全面、有效的设计试验计划和开发项目提供更多的信息；
· 建立一套改进设计和开发试验的优先控制系统；
· 为将来分析研究现场情况、评价设计的更改以及开发更先进的设计提供参考。
过程FMEA是以生产工序为单位进行分析（对于工艺方法单一和集中的工艺模式，可以以工艺方法为单位先进行基础分析，然后工序FMEA分析时进行调用。），一般在生产工装准备之前、在过程可行性分析阶段或之前开始，而且要考虑从单个零件到总成的所有制造过程。其评价与分析的对象是所有新的部件/过程、更改过的部件/过程及应用或环境有变化的原有部件/过程。PFMEA一般包括下述内容：
· 确定与产品相关的过程潜在故障模式；
· 评价故障对用户的潜在影响；
· 确定潜在制造或装配过程的故障起因，确定减少故障发生或找出故障条件的过程控制变量。
三、FMEA文件建立过程中的问题及原因分析
现在国内很多汽车生产企业都已经非常了解FMEA在产品开发过程中的作用，并且很多企业都身体力行，付诸实践，但由于FMEA的一个集成性和系统性的工作，很多企业在应用时都流于形式，为了编制FMEA而编制FMEA。
在FMEA编制过程中，主要的问题为：
1.编制时机问题：无论是DFMEA还是PFMEA的编制，原则上都应在可行性分析阶段开始进行编制。而实际上 ，现在各主机厂一般都是在数据阶段，与产品设计或工艺设计同步进行FMEA编制。此时，由于数据设计本身的工作量非常大，很难将相关人员组织起来。而FMEA的编制是一个专家研讨行为，这个过程本身是高投入、低产出的（耗费人力资源，又费时），会在很长一段时间内同时占用大量的专家资源，而且好像没有什么直接性的效益，而很多项目在实施过程中，都存在时间紧，任务重的问题，很难在计划中拿出一大段时间实施具体的FMEA编制工作。所以，在很多主机厂都不能充分实施；为了保证项目的其它工作的正常进行，实际上取消了FMEA的小组研讨的工作。
2.小组组织问题：无法真正将FMEA涉及的人员组织起来，形成小组进行研讨编制。通常的情况都是由产品工程师或工艺工程师直接完成FMEA的编制，然后发给相关人员进行意见征询。或者编制完成后，根本不征询相关人员的意见，直接将相关人员的名字写到FMEA的小组名单中，然后直接发布。
这些问题产生的主要原因，实际上就是一点：对FMEA的理解，还是停留在对概念的理解上，没有对FMEA形成深入的理解。
四、FMEA文件建立的关键控制方法
下面，我们针对之前分析的FMEA文件建立过程中的问题，就从保证FMEA编制的充分性出发，谈谈FMEA的编制过程的控制。
首先，我们谈谈FMEA的编制时机和时段。由于FMEA是产品开发和过程开发的指导性文件，所以主要的编制时段是在产品的具体设计之前，比如在产品的概念设计阶段和可行性分析阶段开始。此时产品开发的主要成员，产品工程师和工艺工程师还没有进行实质性的产品数据设计和工艺设计，有充分的时间进行FMEA的编制。同时，此时处于可行性分析阶段，对产品数据和工艺过程的潜在失效模式的分析也正是可行性分析的一项重要内容。充分的FMEA分析，能充分保证产品的可行性。
其次，我们在谈谈FMEA小组开展的管理支持。FMEA的编制，首先是一个系统性的行为，其次才是技术行为，因此，FMEA的推行，实际上相当于一种管理变革。要改变相关人员的工作观念、工作模式。所以，首先要做的是需要强大的管理支持。最高管理者必须充分支持这种模式，特别是从资源上给以充分支持。一般来说，FMEA的研讨，需要调动包括从设计到销售各个环节（包括产品设计、产品制造、质量管理、产品销售、售后服务等等。）的专家人员，使他们从其它工作中解脱出来，能完全投入到FMEA工作中。只有这些人员充分的参与，才能保证FMEA内容论证的充分性。在实际操作时，由于各相关人员都有部门例行性工作，所以需要成立专门的项目组，使其从部门工作中脱离出来，保证有充分的时间参与FMEA的编制。如果条件不充分，不能实现相关人员完全从部门中脱离出来进入项目组，则可以采用视频会议的形式，以保证参与人员的充分性。小组成立后刚刚开展工作初期非常重要，这个时期相当于确立工作模型样板的过程。在这个过程中，管理者、质量体系审核专家都要参与，提供支持并对组织形式、研讨深度等提出意见。这里要着重强调一下，在没有采用FMEA进行潜在失效模式分析之前，设计人员是潜在失效模式分析的主体，而在采用FMEA进行潜在失效模式分析之后，潜在失效模式分析的责任主体就变成了设计人员之外的相关研讨方。因为无论哪种方法，设计人员都会从始至终关心可能的失效模式并力求在自己的设计方案中解决它。在成立了FMEA小组之后，设计人员初始关注的潜在失效模式还会与没有采用FMEA工具时是一样的。这时，相关研讨方对潜在失效模式的丰富作用就非常大了，他们有责任和义务来提出影响自己所代表方面的潜在失效模式。
再次，我们谈谈FMEA分析的对象单元。对于DFMEA来说，其分析的对象是零件的设计，所以进行DFMEA分析时，应该以零件为单元进行分析；而对于PFMEA来说，其分析的对象是零件的制作过程，所以，此时，不宜以零件为单元进行分析，而应以工序为单元进行分析（当工序包含的工艺方法比较单一，可以以工艺方法为单元做一些基础的PFMEA，然后再在工序FMEA分析时引用）。
最后，我们谈谈FMEA的完善与维护，由于FMEA是为产品开发服务的一种文件，一般一个项目有一个FMEA文件对应，所以，在产品开发结束，正式批产后，此项目的FMEA冻结，并应汇总至FMEA数据库中，不需要专门完善。后续在进行新项目开发时，如果调用FMEA库中文件发现FMEA的问题时，可在新项目的FMEA文件中进行完善；如果已批产产品中的部分结构进行工程更改，则可针对工程更改的部分单独进行FMEA分析并补充FMEA数据库；如果已批产产品的工艺进行变更，也可针对工艺变更的部分进行FMEA分析，并相应补充到FMEA数据库中。
总结
FMEA管理是一个质量管理的升级，它将“持续改进”上升到“提前预防”。这要求相关人员要转变思路，改变以往“出了问题再解决”为“在行动前先把所有风险规避掉”的模式。不仅如此，整个的开发流程、开发计划也要为FMEA的编制提供充足的时段和有资质的人员，这样才能保证FMEA编制的操作更加具有实际意义，并且保证FMEA的真正效果。 收起阅读 »
FMEA-潜在失效模式与后果分析，作为一种预防性策划工具，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。
（1）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。
（2）找到并实施能够避免或减少这些潜在失效发生的措施。
在十九世纪五十年代开始，FMEA开始在军工产业进行应用；八十年代中期，FMEA进入了汽车产业；九十年代中期，FMEA正式成为ISO的推荐要求和QS16949的认证要求。
FMEA在汽车产业的应用，主要是从美国三大汽车制造公司（戴姆勒－克莱斯勒、福特、通用）开始，这三大汽车制造公司制定并广泛应用于汽车零组件生产行业的可靠性设计分析方法。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）以消除产品和流程存在的问题为重点，并帮助预防问题的再次发生。
二、设计FMEA和过程FMEA
具体的FMEA文件主要有两种，设计FMEA和过程FMEA。
设计FMEA是以零件为分析单位，从一个设计概念形成之时或之前开始，并且在产品开发各阶段中，当设计有变化或得到其他信息时及时不断地修改，并在图样加工完成之前结束。其评价与分析的对象是最终的产品以及每个与之相关的系统、子系统和零部件。进行DFMEA有助于：
· 设计要求与设计方案的相互权衡；
· 制造与装配要求的最初设计；
· 提高在设计/开发过程中考虑潜在故障模式及其对系统和产品影响的可能性；
· 为制定全面、有效的设计试验计划和开发项目提供更多的信息；
· 建立一套改进设计和开发试验的优先控制系统；
· 为将来分析研究现场情况、评价设计的更改以及开发更先进的设计提供参考。
过程FMEA是以生产工序为单位进行分析（对于工艺方法单一和集中的工艺模式，可以以工艺方法为单位先进行基础分析，然后工序FMEA分析时进行调用。），一般在生产工装准备之前、在过程可行性分析阶段或之前开始，而且要考虑从单个零件到总成的所有制造过程。其评价与分析的对象是所有新的部件/过程、更改过的部件/过程及应用或环境有变化的原有部件/过程。PFMEA一般包括下述内容：
· 确定与产品相关的过程潜在故障模式；
· 评价故障对用户的潜在影响；
· 确定潜在制造或装配过程的故障起因，确定减少故障发生或找出故障条件的过程控制变量。
三、FMEA文件建立过程中的问题及原因分析
现在国内很多汽车生产企业都已经非常了解FMEA在产品开发过程中的作用，并且很多企业都身体力行，付诸实践，但由于FMEA的一个集成性和系统性的工作，很多企业在应用时都流于形式，为了编制FMEA而编制FMEA。
在FMEA编制过程中，主要的问题为：
1.编制时机问题：无论是DFMEA还是PFMEA的编制，原则上都应在可行性分析阶段开始进行编制。而实际上 ，现在各主机厂一般都是在数据阶段，与产品设计或工艺设计同步进行FMEA编制。此时，由于数据设计本身的工作量非常大，很难将相关人员组织起来。而FMEA的编制是一个专家研讨行为，这个过程本身是高投入、低产出的（耗费人力资源，又费时），会在很长一段时间内同时占用大量的专家资源，而且好像没有什么直接性的效益，而很多项目在实施过程中，都存在时间紧，任务重的问题，很难在计划中拿出一大段时间实施具体的FMEA编制工作。所以，在很多主机厂都不能充分实施；为了保证项目的其它工作的正常进行，实际上取消了FMEA的小组研讨的工作。
2.小组组织问题：无法真正将FMEA涉及的人员组织起来，形成小组进行研讨编制。通常的情况都是由产品工程师或工艺工程师直接完成FMEA的编制，然后发给相关人员进行意见征询。或者编制完成后，根本不征询相关人员的意见，直接将相关人员的名字写到FMEA的小组名单中，然后直接发布。
这些问题产生的主要原因，实际上就是一点：对FMEA的理解，还是停留在对概念的理解上，没有对FMEA形成深入的理解。
四、FMEA文件建立的关键控制方法
下面，我们针对之前分析的FMEA文件建立过程中的问题，就从保证FMEA编制的充分性出发，谈谈FMEA的编制过程的控制。
首先，我们谈谈FMEA的编制时机和时段。由于FMEA是产品开发和过程开发的指导性文件，所以主要的编制时段是在产品的具体设计之前，比如在产品的概念设计阶段和可行性分析阶段开始。此时产品开发的主要成员，产品工程师和工艺工程师还没有进行实质性的产品数据设计和工艺设计，有充分的时间进行FMEA的编制。同时，此时处于可行性分析阶段，对产品数据和工艺过程的潜在失效模式的分析也正是可行性分析的一项重要内容。充分的FMEA分析，能充分保证产品的可行性。
其次，我们在谈谈FMEA小组开展的管理支持。FMEA的编制，首先是一个系统性的行为，其次才是技术行为，因此，FMEA的推行，实际上相当于一种管理变革。要改变相关人员的工作观念、工作模式。所以，首先要做的是需要强大的管理支持。最高管理者必须充分支持这种模式，特别是从资源上给以充分支持。一般来说，FMEA的研讨，需要调动包括从设计到销售各个环节（包括产品设计、产品制造、质量管理、产品销售、售后服务等等。）的专家人员，使他们从其它工作中解脱出来，能完全投入到FMEA工作中。只有这些人员充分的参与，才能保证FMEA内容论证的充分性。在实际操作时，由于各相关人员都有部门例行性工作，所以需要成立专门的项目组，使其从部门工作中脱离出来，保证有充分的时间参与FMEA的编制。如果条件不充分，不能实现相关人员完全从部门中脱离出来进入项目组，则可以采用视频会议的形式，以保证参与人员的充分性。小组成立后刚刚开展工作初期非常重要，这个时期相当于确立工作模型样板的过程。在这个过程中，管理者、质量体系审核专家都要参与，提供支持并对组织形式、研讨深度等提出意见。这里要着重强调一下，在没有采用FMEA进行潜在失效模式分析之前，设计人员是潜在失效模式分析的主体，而在采用FMEA进行潜在失效模式分析之后，潜在失效模式分析的责任主体就变成了设计人员之外的相关研讨方。因为无论哪种方法，设计人员都会从始至终关心可能的失效模式并力求在自己的设计方案中解决它。在成立了FMEA小组之后，设计人员初始关注的潜在失效模式还会与没有采用FMEA工具时是一样的。这时，相关研讨方对潜在失效模式的丰富作用就非常大了，他们有责任和义务来提出影响自己所代表方面的潜在失效模式。
再次，我们谈谈FMEA分析的对象单元。对于DFMEA来说，其分析的对象是零件的设计，所以进行DFMEA分析时，应该以零件为单元进行分析；而对于PFMEA来说，其分析的对象是零件的制作过程，所以，此时，不宜以零件为单元进行分析，而应以工序为单元进行分析（当工序包含的工艺方法比较单一，可以以工艺方法为单元做一些基础的PFMEA，然后再在工序FMEA分析时引用）。
最后，我们谈谈FMEA的完善与维护，由于FMEA是为产品开发服务的一种文件，一般一个项目有一个FMEA文件对应，所以，在产品开发结束，正式批产后，此项目的FMEA冻结，并应汇总至FMEA数据库中，不需要专门完善。后续在进行新项目开发时，如果调用FMEA库中文件发现FMEA的问题时，可在新项目的FMEA文件中进行完善；如果已批产产品中的部分结构进行工程更改，则可针对工程更改的部分单独进行FMEA分析并补充FMEA数据库；如果已批产产品的工艺进行变更，也可针对工艺变更的部分进行FMEA分析，并相应补充到FMEA数据库中。
总结
FMEA管理是一个质量管理的升级，它将“持续改进”上升到“提前预防”。这要求相关人员要转变思路，改变以往“出了问题再解决”为“在行动前先把所有风险规避掉”的模式。不仅如此，整个的开发流程、开发计划也要为FMEA的编制提供充足的时段和有资质的人员，这样才能保证FMEA编制的操作更加具有实际意义，并且保证FMEA的真正效果。 收起阅读 »
提高流程效率：5 个关键的精益工具
精益，也称为“精益制造”或“精益生产”，专注于通过消除浪费和消除缺陷来最大化客户价值。精益工具是关于理解过程、寻找浪费、防止错误和记录你所做的事情。
让我们看一下流程改进中使用的五种精益工具，它们的作用以及它们为何重要。Minitab Engage可以帮助您开始利用精益工具和其他持续改进方法在您的业务中蓬勃发展。如果您可以与您的团队共享和协作，这些工具会更加强大，因此我们鼓励您也尝试 Engage 的在线仪表板报告功能。
1. 客户之声（VOC）摘要
收集客户的声音是实施精益的关键步骤。VOC 摘要提供了一种捕获重要数据的方法，因此您可以对其采取行动来实现关键业务目标并改善客户关系。
精益的基本原则是了解客户需求并设计流程以完全满足（或希望超过）客户期望。使用 VOC 摘要工具将帮助您了解关键的客户问题并将这些问题转化为关键的客户需求。
2. 工艺流程
流程流，也称为流程图，可帮助您理解和交流流程中的活动或步骤。它们还可以帮助您查看流程中输入和输出之间的关系，确定关键决策点并发现返工循环。
因为这种易于可视化的方法可以让人们清楚地看到一个过程，所以与参与过程的团队一起构建过程图是最有效的。工艺流程的创建使浪费变得可见（瓶颈、延迟、存储、返工等），并显示了改进的最佳机会。
3. 价值流图（VSM）
价值流是所有活动的集合，包括增值和非增值，它们产生满足客户需求所需的产品或服务。价值流图通过添加更多数据（超出 x 和 y）、材料和信息流来扩展流程的有用性；操作参数；缺陷率、交货时间等。当前状态价值流图可识别浪费并帮助您的团队设想改进的未来状态。
4. 五个为什么
精益是关于理解为什么事情会以它们的方式完成。通常，事情在错误的时间不正确地完成，或者完全跳过，从而导致流程问题。使用五个为什么工具来确定问题的根本原因。重复问题“为什么？” 您可以发现问题的根本原因、不同根本原因之间的关系，并确定防止问题再次发生的步骤。
真正的根本原因应始终指向无法正常运行或不存在的流程。大多数时候，人们不会失败；过程做。
5. 5S审核：分类、有序、闪耀、标准化和维持
5S 是一套基于团队的工具，可以系统地、有条不紊地组织工作场所。一个干净、井井有条的工作场所可以提高效率并消除浪费。
第五步，维持，是最难完成的步骤之一。这类似于减肥并保持体重。维持需要定期保持过程改进的收益。
没有它，旧习惯重新出现，工作场所陷入混乱。Engage的在线仪表板报告的优势之一是可以看到每个人的进度。每个人都可以看到好处，并被鼓励继续保持下去。 收起阅读 »
让我们看一下流程改进中使用的五种精益工具，它们的作用以及它们为何重要。Minitab Engage可以帮助您开始利用精益工具和其他持续改进方法在您的业务中蓬勃发展。如果您可以与您的团队共享和协作，这些工具会更加强大，因此我们鼓励您也尝试 Engage 的在线仪表板报告功能。
1. 客户之声（VOC）摘要
收集客户的声音是实施精益的关键步骤。VOC 摘要提供了一种捕获重要数据的方法，因此您可以对其采取行动来实现关键业务目标并改善客户关系。
精益的基本原则是了解客户需求并设计流程以完全满足（或希望超过）客户期望。使用 VOC 摘要工具将帮助您了解关键的客户问题并将这些问题转化为关键的客户需求。
2. 工艺流程
流程流，也称为流程图，可帮助您理解和交流流程中的活动或步骤。它们还可以帮助您查看流程中输入和输出之间的关系，确定关键决策点并发现返工循环。
因为这种易于可视化的方法可以让人们清楚地看到一个过程，所以与参与过程的团队一起构建过程图是最有效的。工艺流程的创建使浪费变得可见（瓶颈、延迟、存储、返工等），并显示了改进的最佳机会。
3. 价值流图（VSM）
价值流是所有活动的集合，包括增值和非增值，它们产生满足客户需求所需的产品或服务。价值流图通过添加更多数据（超出 x 和 y）、材料和信息流来扩展流程的有用性；操作参数；缺陷率、交货时间等。当前状态价值流图可识别浪费并帮助您的团队设想改进的未来状态。
4. 五个为什么
精益是关于理解为什么事情会以它们的方式完成。通常，事情在错误的时间不正确地完成，或者完全跳过，从而导致流程问题。使用五个为什么工具来确定问题的根本原因。重复问题“为什么？” 您可以发现问题的根本原因、不同根本原因之间的关系，并确定防止问题再次发生的步骤。
真正的根本原因应始终指向无法正常运行或不存在的流程。大多数时候，人们不会失败；过程做。
5. 5S审核：分类、有序、闪耀、标准化和维持
5S 是一套基于团队的工具，可以系统地、有条不紊地组织工作场所。一个干净、井井有条的工作场所可以提高效率并消除浪费。
第五步，维持，是最难完成的步骤之一。这类似于减肥并保持体重。维持需要定期保持过程改进的收益。
没有它，旧习惯重新出现，工作场所陷入混乱。Engage的在线仪表板报告的优势之一是可以看到每个人的进度。每个人都可以看到好处，并被鼓励继续保持下去。 收起阅读 »
APQP各阶段提交的资料
APQP 5大阶段
每个阶段需要输出的必要资料收好,下面简单列概要需求资料，附件包含详细资料要求，看过工具书和PMP课程后列出来的，需要的同行伙伴参考收藏
P1 项目准备阶段 ： 输出资料清单， 市场调研，确定顾客输入，成本核算 可行性风险评估，制定产品和过程设计方案，开发合同签订，中标信息传递，项目启动， APQP进度表，APQP问题清单，初始特殊特性清单，P1阶段评审
P2：产品设计开发： 设计功能质量展开 QFD，技术条件 DFMEA，DVP，3D/2D 工装需求 快件 包装标准 样件计划....
P3： 过程设计开发：PFMEA， FC， PCP， layout， WI， SOP， IP ，training， OP， trail run，MSA， CPK，LAB， Audit，阶段评审
P4：产品和过程确认： 试生产报告， PPAP， 系统分析，过程能力研究，阶段问题记录 追踪情况，阶段评审。。。
P5：总结和认定：经验总结，产品移交，整改评审记录 减少变差，客户满意度 收起阅读 »
每个阶段需要输出的必要资料收好,下面简单列概要需求资料，附件包含详细资料要求，看过工具书和PMP课程后列出来的，需要的同行伙伴参考收藏
P1 项目准备阶段 ： 输出资料清单， 市场调研，确定顾客输入，成本核算 可行性风险评估，制定产品和过程设计方案，开发合同签订，中标信息传递，项目启动， APQP进度表，APQP问题清单，初始特殊特性清单，P1阶段评审
P2：产品设计开发： 设计功能质量展开 QFD，技术条件 DFMEA，DVP，3D/2D 工装需求 快件 包装标准 样件计划....
P3： 过程设计开发：PFMEA， FC， PCP， layout， WI， SOP， IP ，training， OP， trail run，MSA， CPK，LAB， Audit，阶段评审
P4：产品和过程确认： 试生产报告， PPAP， 系统分析，过程能力研究，阶段问题记录 追踪情况，阶段评审。。。
P5：总结和认定：经验总结，产品移交，整改评审记录 减少变差，客户满意度 收起阅读 »
用 Minitab 夺金：Newcrest Mining Limited
Newcrest Mining Limited 是世界十大黄金开采公司之一，也是澳大利亚最大的黄金生产商。Newcrest 的 Cadia Hill 矿是澳大利亚第二大露天金铜矿，每年生产约 300,000 盎司黄金。但其低品位矿石需要昂贵的大宗开采和处理技术。Newcrest 应用 6 Sigma 质量改进方法和 Minitab® 统计软件来保持 Cadia Hill 设施尽可能高效地运行，并维护其在黄金行业中的突出地位。
挑战
每天有很多次，一队大型运输卡车从狭窄的坡道下到卡迪亚山露天矿坑的底部，每辆卡车平均装载 225 吨矿石，然后从坡道上运回破碎机进行加工。装载的卡车登上单车道坡道的速度从每小时 8 公里到 14 公里不等。当然，速度较慢的卡车需要更长的时间才能将有效载荷运送到破碎机。更糟糕的是，每辆慢速卡车都会延误其后面的所有卡车，从而影响整个车队的性能并导致生产力严重下降。Newcrest Mining 委托六西格码黑带 James Kovac 减少这种可变性并提高上升卡车的平均速度。
借助 Minitab Statistical Software，Newcrest Mining 每天可以从其 Cadia Hill 矿场为每辆卡车额外装载矿石。
Minitab 如何提供帮助
Kovac 和他的项目团队首先确定了可能影响卡车速度的变量。他们收集数据以确定哪些因素的影响最大，使用 Minitab 计划他们的数据收集过程，确定他们需要的样本量，并检验他们的统计假设。然后，他们选择了五辆卡车进行车载数据收集。团队成员在两周内乘坐卡车，使用笔记本电脑、GPS 装置和其他设备收集大量数据。
他们确定有两个因素对卡车速度有重大影响：坡道的坡度和卡车的喷油器。
该团队现在开始测试解决方案并确认其结果。他们改变了运输坡道小部分的坡度，然后测量了改变部分的卡车速度。将前后速度与 Minitab 的 2 样本 t 检验进行比较后发现，坡度调整显着提高了卡车速度。
Minitab 强大的图形可以快速而清晰地显示卡车的一个燃油喷射器何时不工作。
该团队还设计了一种明确的方法来识别有故障的燃油喷射器。他们以 700 RPM 的速度运行每辆卡车，并测量了所有 16 个气缸之间的喷油器正时。然后他们依次关闭每个气缸，让其他 15 个保持 700 RPM。如果其余气缸在关闭时没有受到显着影响，则该气缸性能不佳，需要一个新的喷油器。该测试现已纳入车队维护程序，使用 Minitab 宏生成的控制图快速显示结果。
结果
Minitab 的统计能力和易于理解的图形帮助 Kovac 和他的团队在提高 Newcrest 的 Cadia Hill 矿的生产力方面取得了重大进展。
使用 Minitab 计划他们的实验并在每个步骤分析他们的数据，他们证明了在测试部分将运输坡道的坡度从 10.22% 降低到 9.9% 会导致卡车速度提高 2.6%，并且卡车速度的变化减少了7%。现在整个运输坡道正在检查和改进，任何坡度超过 10% 的路段都将降低到 10% 或更低。预计此调整将在每次完整的上坡行程中至少节省 8.3 秒。
Minitab 对团队燃油喷射器数据的分析还显示，车队中有 10% 的卡车并未在高峰期运行。作为开发用于识别和更换故障喷油器的新程序的一部分，该团队发现，更换一辆卡车上的一个喷油器可将循环时间缩短 5.6%，足以让每辆卡车每天多出一次坑。
这些改进使 Cadia Hill 矿山的生产效率更高、效率更高。得益于 Kovac 和他的团队、六西格码方法和 Minitab 的强大功能，Newcrest Mining 预计仅在实施这些更改的第一年就可以节省超过 835,000 美元。 收起阅读 »
精益工具丨创建有效价值流图时需要遵循的五点指南
价值流图析是精益过程改进方法的基石，也是六西格玛中使用的获得认可的工具。价值流图说明当产品或服务遍历整个过程时的材料和信息流。创建“当前状态”价值流图可以帮助您识别浪费现象并更容易设想未来改进状态。
可以使用价值流图析来改进任何过程。但是，除非正确使用该工具，否则并非所有可提高质量和效率的机会都能由价值流图捕获到。
下面是从投入到价值流图析的精力中获得最大好处的五点指南：
1.根据客户要求建立价值流图过程。
您必须了解客户的价值观，并以此作为切入点。如果您不这样做，用我最喜欢的乐队 The Fall 的话来说，您会冒着“高度关注错误细节”的风险。
2.捕获过程现在的运行情况，而不是它应该如何运行。
如果某个过程在企业只有 20 名员工时运行良好，但现在企业有 200 名员工，该过程的执行效率可能没有以前高。请确保按照现在的情况（而不是过去的工作方式或您希望的工作方式）绘制过程图！
3.指派一名价值流图管理人员来领导图析工作。
来自团队成员和利益相关者的输入很重要，但一定要任命（或选举）一名团队成员来绘制整个价值流图。这可确保管理人员了解材料和信息流。
4.遍历整个过程以确保材料和信息流准确无误。
通过从头到尾跟踪过程来验证价值流图是否反映过程的真实情况，这样可揭示您可能错过的关键细节。
5.一次只关注一小步。
请确保准确地捕获每个步骤。例如，要测量周期时间，请勿相信挂钟，而要使用秒表。
创建当前过程状态的价值流图有助于将重点放在浪费领域（如库存过剩、非增值时间和多个操作员）。在构想过程的未来状态时，可以改变当前状态图上的数据，以探索改进可能带来的效果。
尽管可以在纸上绘制价值流图析，但软件工具（如 Minitab Worksapce 中的软件工具）会使价值流图的绘制轻松很多。 收起阅读 »
可以使用价值流图析来改进任何过程。但是，除非正确使用该工具，否则并非所有可提高质量和效率的机会都能由价值流图捕获到。
下面是从投入到价值流图析的精力中获得最大好处的五点指南：
1.根据客户要求建立价值流图过程。
您必须了解客户的价值观，并以此作为切入点。如果您不这样做，用我最喜欢的乐队 The Fall 的话来说，您会冒着“高度关注错误细节”的风险。
2.捕获过程现在的运行情况，而不是它应该如何运行。
如果某个过程在企业只有 20 名员工时运行良好，但现在企业有 200 名员工，该过程的执行效率可能没有以前高。请确保按照现在的情况（而不是过去的工作方式或您希望的工作方式）绘制过程图！
3.指派一名价值流图管理人员来领导图析工作。
来自团队成员和利益相关者的输入很重要，但一定要任命（或选举）一名团队成员来绘制整个价值流图。这可确保管理人员了解材料和信息流。
4.遍历整个过程以确保材料和信息流准确无误。
通过从头到尾跟踪过程来验证价值流图是否反映过程的真实情况，这样可揭示您可能错过的关键细节。
5.一次只关注一小步。
请确保准确地捕获每个步骤。例如，要测量周期时间，请勿相信挂钟，而要使用秒表。
创建当前过程状态的价值流图有助于将重点放在浪费领域（如库存过剩、非增值时间和多个操作员）。在构想过程的未来状态时，可以改变当前状态图上的数据，以探索改进可能带来的效果。
尽管可以在纸上绘制价值流图析，但软件工具（如 Minitab Worksapce 中的软件工具）会使价值流图的绘制轻松很多。 收起阅读 »
优秀试验设计的8个专业建议
如果您的工作涉及质量改进，那么您至少听说过实验设计 (DOE)。您可能知道这是优化和改进流程的最有效方式。但我们中的许多人发现 DOE 令人生畏，尤其是如果它不是我们经常使用的工具。您如何选择合适的设计，并确保您拥有正确数量的因素和水平？收集数据后，如何为分析选择合适的模型？
开始使用 DOE 的一种方法是 Minitab Statistical Software 中的助手。当您有许多要评估的因素时，助手将引导您完成DOE以确定哪些因素最重要（筛选设计）。然后，助手可以指导您完成设计实验，以微调重要因素以获得最大影响（优化设计）。
如果您可以轻松跳过助手，但对于您是否以正确的方式接近 DOE 仍有一些疑问，请考虑 Minitab 技术培训师提供的以下提示。这些资深人士在与 Minitab 客户合作期间以及在成为 Minitab 培训师之前的职业生涯中，都进行了大量设计实验。
1. 通过探索性运行确定正确的变量空间。
在进行主要实验之前执行探索性运行可以帮助您在性能从好到差时识别过程的设置。这可以帮助您确定进行实验的可变空间，从而产生最有益的结果。
2. 传播控制贯穿整个实验以测量过程稳定性。
由于中心点运行通常是接近正常的操作条件，它们可以作为检查过程性能的控制。通过在设计中均匀地间隔中心点，这些观察结果可作为实验期间过程稳定性或缺乏稳定性的指标。
3. 找出帕累托分析的最大问题。
产品负载或缺陷级别的帕累托图可以帮助您确定要解决的问题，从而为您的业务带来最高回报。关注具有高业务影响的问题，通过在所有潜在改进项目中提高其优先级来提高对实验的支持。
4.通过扩大输入设置范围来提高功率。
测试物理上可能的最大范围的输入变量设置。即使您认为它们远离“最佳位置”，该技术也将允许您使用实验来了解您的过程，以便您找到最佳设置。
5. 分馏以节省运行，专注于分辨率 V 设计。
在许多情况下，选择具有全因子 ½ 或 ¼ 游程的设计是有益的。即使效应可能相互混淆或混淆，Resolution V 设计可最大限度地减少这种混淆的影响，从而使您能够估计所有主要效应和双向交互作用。进行更少的运行可以节省资金并保持较低的实验成本。
6. 通过重复提高实验的效力。
功效是检测到对响应的影响（如果存在该影响）的概率。重复次数会影响实验的功效。为了增加您成功识别影响您的响应的输入的机会，请在您的实验中添加重复以增加其功效。
7. 通过使用量化措施来提高你的反应能力。
减少缺陷是大多数实验的主要目标，因此缺陷计数通常用作响应是有道理的。但是缺陷计数是一种非常昂贵且反应迟钝的输出来衡量。相反，请尝试测量与您的缺陷级别相关的定量指标。这样做可以显着减少样本量并提高实验的能力。
8. 研究所有感兴趣的变量和所有关键响应。
因子设计让您可以采用全面的方法来研究所有潜在的输入变量。从实验中删除一个因素会将您确定其重要性的机会减少到零。借助Minitab 等统计软件中的可用工具，您不应该让对复杂性的恐惧导致您忽略可能重要的输入变量。 收起阅读 »
开始使用 DOE 的一种方法是 Minitab Statistical Software 中的助手。当您有许多要评估的因素时，助手将引导您完成DOE以确定哪些因素最重要（筛选设计）。然后，助手可以指导您完成设计实验，以微调重要因素以获得最大影响（优化设计）。
如果您可以轻松跳过助手，但对于您是否以正确的方式接近 DOE 仍有一些疑问，请考虑 Minitab 技术培训师提供的以下提示。这些资深人士在与 Minitab 客户合作期间以及在成为 Minitab 培训师之前的职业生涯中，都进行了大量设计实验。
1. 通过探索性运行确定正确的变量空间。
在进行主要实验之前执行探索性运行可以帮助您在性能从好到差时识别过程的设置。这可以帮助您确定进行实验的可变空间，从而产生最有益的结果。
2. 传播控制贯穿整个实验以测量过程稳定性。
由于中心点运行通常是接近正常的操作条件，它们可以作为检查过程性能的控制。通过在设计中均匀地间隔中心点，这些观察结果可作为实验期间过程稳定性或缺乏稳定性的指标。
3. 找出帕累托分析的最大问题。
产品负载或缺陷级别的帕累托图可以帮助您确定要解决的问题，从而为您的业务带来最高回报。关注具有高业务影响的问题，通过在所有潜在改进项目中提高其优先级来提高对实验的支持。
4.通过扩大输入设置范围来提高功率。
测试物理上可能的最大范围的输入变量设置。即使您认为它们远离“最佳位置”，该技术也将允许您使用实验来了解您的过程，以便您找到最佳设置。
5. 分馏以节省运行，专注于分辨率 V 设计。
在许多情况下，选择具有全因子 ½ 或 ¼ 游程的设计是有益的。即使效应可能相互混淆或混淆，Resolution V 设计可最大限度地减少这种混淆的影响，从而使您能够估计所有主要效应和双向交互作用。进行更少的运行可以节省资金并保持较低的实验成本。
6. 通过重复提高实验的效力。
功效是检测到对响应的影响（如果存在该影响）的概率。重复次数会影响实验的功效。为了增加您成功识别影响您的响应的输入的机会，请在您的实验中添加重复以增加其功效。
7. 通过使用量化措施来提高你的反应能力。
减少缺陷是大多数实验的主要目标，因此缺陷计数通常用作响应是有道理的。但是缺陷计数是一种非常昂贵且反应迟钝的输出来衡量。相反，请尝试测量与您的缺陷级别相关的定量指标。这样做可以显着减少样本量并提高实验的能力。
8. 研究所有感兴趣的变量和所有关键响应。
因子设计让您可以采用全面的方法来研究所有潜在的输入变量。从实验中删除一个因素会将您确定其重要性的机会减少到零。借助Minitab 等统计软件中的可用工具，您不应该让对复杂性的恐惧导致您忽略可能重要的输入变量。 收起阅读 »
额外花费 120 小时推动改进时，您会怎么做？
Hermann Miskelly 是一家价值 15 亿美元的工业公司的质量副总裁，他负责领导该公司的持续改进工作。现在，他已有 10 年的精益六西格码部署经验，他监督过 4,000 多个大型改进项目和另外 6,000 个小型改进项目的执行。下面是他分享的关于借助 Minitab Engage 管理持续改进项目的三个关键见解。
1.优化管理系统
您不只需要执行改进项目。还需要改进项目的管理方式。
Miskelly 说：“在我们所有的运营和业务部门中，为了应对高管每月对持续改进工作的审查，每月需要 120 多个工时来整理、分析和准备这些 [Excel] 电子表格”。“总的来说，我们的管理系统缓慢、繁琐且需要大量人工，我们正在寻找更好的方法来执行和管理我们的持续改进工作。”
为了与领导核心保持战略一致，一定要拥有一种管理工具来促进日常项目管理并允许您快速报告进度。如果在从不同内部系统中的不同报告中收集数据方面浪费时间，就会使您错过对重要变革的推动。
2.平坦化学习曲线
无论是实施新过程还是给新员工进行入职培训，学习新工具或软件所需的时间都会减少。
“有了新的 Minitab Engage 软件系统，所有这些实施或培训工作基本上都会消失。使用 Engage 的桌面项目管理部分执行各个项目。与之前的 Minitab Quality Engage 类似，我们的绿带和黑带的学习曲线最短。用于初始项目审批和最终项目审查的自定义表单已集成到标准模板中，进一步简化了项目管理。”
3.便于跟踪结果
Miskelly 表示，Engage 的控制台功能极大提升了公司管理海量项目的能力。
“我们的运营和业务部门负责人不再在月底整理和分析电子表格，而是能够从整体上查看部门的持续改进工作，如果需要，可以深入到各个项目。控制台允许他们实时跟踪项目信息（计数、已开始、已完成、延迟等）和财务信息（如预测节省量与实际节省量）。运营和业务负责人现在可以专注于分析进度和确定新项目机会...Minitab 再次调研并听取了客户的意见，交付了一款解决我们持续改进问题的产品。” 收起阅读 »
1.优化管理系统
您不只需要执行改进项目。还需要改进项目的管理方式。
Miskelly 说：“在我们所有的运营和业务部门中，为了应对高管每月对持续改进工作的审查，每月需要 120 多个工时来整理、分析和准备这些 [Excel] 电子表格”。“总的来说，我们的管理系统缓慢、繁琐且需要大量人工，我们正在寻找更好的方法来执行和管理我们的持续改进工作。”
为了与领导核心保持战略一致，一定要拥有一种管理工具来促进日常项目管理并允许您快速报告进度。如果在从不同内部系统中的不同报告中收集数据方面浪费时间，就会使您错过对重要变革的推动。
2.平坦化学习曲线
无论是实施新过程还是给新员工进行入职培训，学习新工具或软件所需的时间都会减少。
“有了新的 Minitab Engage 软件系统，所有这些实施或培训工作基本上都会消失。使用 Engage 的桌面项目管理部分执行各个项目。与之前的 Minitab Quality Engage 类似，我们的绿带和黑带的学习曲线最短。用于初始项目审批和最终项目审查的自定义表单已集成到标准模板中，进一步简化了项目管理。”
3.便于跟踪结果
Miskelly 表示，Engage 的控制台功能极大提升了公司管理海量项目的能力。
“我们的运营和业务部门负责人不再在月底整理和分析电子表格，而是能够从整体上查看部门的持续改进工作，如果需要，可以深入到各个项目。控制台允许他们实时跟踪项目信息（计数、已开始、已完成、延迟等）和财务信息（如预测节省量与实际节省量）。运营和业务负责人现在可以专注于分析进度和确定新项目机会...Minitab 再次调研并听取了客户的意见，交付了一款解决我们持续改进问题的产品。” 收起阅读 »
制造业面临的一个主要问题：稳定性！
任何不稳定的行为和过程都会给客户带来质量问题和干扰。为了防止出现问题，部件必须采用稳定的过程制造，而且制造过程必须符合预期规范并高于客户满意度。
然而，制造过程中通常有多个连续的步骤。即使一个步骤出现轻微偏差也可能影响整条生产线。为了帮助您更好地理解制造稳定性，本篇文章将：
1. 探索对改进生产稳定性起阻碍作用的常见威胁
2. 介绍如何克服这些威胁
3. 使您能够使用 Minitab Engage™运行自己的改进项目
让我们从制造稳定性的简要概述开始。
什么是生产稳定性？
生产稳定性是组织在任何给定时间段内保持其生产水平的能力。
什么是精益制造稳定性？
在精益制造中，稳定性一词用于描述可以使用相同的材料、设备和人员重复进行的生产过程。如果拥有稳定的过程，则将在可预测的时间范围内以最少的浪费支持高质量的输出。稳定性与变异相反，变异会对上述能力产生负面影响。
如何改进制造业中的生产稳定性
下面，我们将概述一些对稳定性的常见威胁，以及为贵组织解决这些威胁的方法。
威胁 1：标准化与人性
跨团队产生想法、合作开发数据驱动型解决方案以及使用强健的方法来识别变异源都需要经过验证的标准化工具。
不幸的是，人类的一些自然倾向会给团队带来问题和混淆：
• 在定义问题和范围之前跳转到解决方案。
• 在完成当前项目并解决手头问题之前，过快地转移到下一个问题。
• 主要基于主观臆测（而不是数据和铁证）提出潜在的解决方案。
• 开始分析数据而不检查其质量（包括数据的收集和测量方式）。
为了避免这些常见的缺陷，实施具有久经验证的可靠记录的方法将有助于团队分享共同的观点。例如，为了帮助您有效地解决复杂问题，DMAIC 方法具有以下标准化阶段：定义、测量、分析、改进和控制。它将问题划分为更便于管理的较小阶段，并使用包含多种强大工具的工具箱。我们最新的端到端改进解决方案 Minitab Engage 中提供了 DMAIC 以及其他问题解决方法。
确保项目遍历方法的所有步骤需要遵循一定的准则。幸运的是，Minitab Engage 通过阶段审查和审批、控制台报告和电子邮件通知随时跟踪您的项目。
威胁 2：公差
通常不可能完全消除过程中的变异。难以管理的紧公差通常会导致组织的最终成本增加。如果（在设计阶段）从一开始就没有充分考虑到这种威胁，制造厂家将难以实现其预期绩效。
随着供应链在全球范围内不断扩张，供应商力求完成更大的订单，供应商排名的一个关键标准是是否有能力保持在关键参数的规格限内。
威胁 3：稳定性 = 竞争优势
公司不断鼓励其供应商更好地控制其过程的稳定性。每当不稳定性在供应商之间传递并最终在客户之间传递时，因此导致的成本就会增加。在制造过程中很晚才检测到缺陷，这就是为什么可预测的可靠供应商能够在竞争中获得主要优势并与大客户建立长期盈利关系的原因。
威胁 4：缺乏跨部门协作
稳定性改进通常涉及到解决复杂问题以识别会直接影响变异性的关键因素。解决此类问题通常需要生产、质量和设计等多个部门的协作。这些部门通常对稳定性问题有不同的看法。
为了改进这种情况，每个部门都可能会尝试实施各自的专门解决方案，不同团队的解决方案将有差异。通常，这些解决方案包括 Excel 文件，其中包含尚未在公司范围内验证的计算和方法，这可能会降低凝聚力。
幸运的是，Minitab Engage 是一款经过精心设计的绝佳解决方案，可帮助组织以协作方式构建改进和创新计划并借助问题解决工具和久经验证的项目管理方法执行这些计划。 收起阅读 »
然而，制造过程中通常有多个连续的步骤。即使一个步骤出现轻微偏差也可能影响整条生产线。为了帮助您更好地理解制造稳定性，本篇文章将：
1. 探索对改进生产稳定性起阻碍作用的常见威胁
2. 介绍如何克服这些威胁
3. 使您能够使用 Minitab Engage™运行自己的改进项目
让我们从制造稳定性的简要概述开始。
什么是生产稳定性？
生产稳定性是组织在任何给定时间段内保持其生产水平的能力。
什么是精益制造稳定性？
在精益制造中，稳定性一词用于描述可以使用相同的材料、设备和人员重复进行的生产过程。如果拥有稳定的过程，则将在可预测的时间范围内以最少的浪费支持高质量的输出。稳定性与变异相反，变异会对上述能力产生负面影响。
如何改进制造业中的生产稳定性
下面，我们将概述一些对稳定性的常见威胁，以及为贵组织解决这些威胁的方法。
威胁 1：标准化与人性
跨团队产生想法、合作开发数据驱动型解决方案以及使用强健的方法来识别变异源都需要经过验证的标准化工具。
不幸的是，人类的一些自然倾向会给团队带来问题和混淆：
• 在定义问题和范围之前跳转到解决方案。
• 在完成当前项目并解决手头问题之前，过快地转移到下一个问题。
• 主要基于主观臆测（而不是数据和铁证）提出潜在的解决方案。
• 开始分析数据而不检查其质量（包括数据的收集和测量方式）。
为了避免这些常见的缺陷，实施具有久经验证的可靠记录的方法将有助于团队分享共同的观点。例如，为了帮助您有效地解决复杂问题，DMAIC 方法具有以下标准化阶段：定义、测量、分析、改进和控制。它将问题划分为更便于管理的较小阶段，并使用包含多种强大工具的工具箱。我们最新的端到端改进解决方案 Minitab Engage 中提供了 DMAIC 以及其他问题解决方法。
确保项目遍历方法的所有步骤需要遵循一定的准则。幸运的是，Minitab Engage 通过阶段审查和审批、控制台报告和电子邮件通知随时跟踪您的项目。
威胁 2：公差
通常不可能完全消除过程中的变异。难以管理的紧公差通常会导致组织的最终成本增加。如果（在设计阶段）从一开始就没有充分考虑到这种威胁，制造厂家将难以实现其预期绩效。
随着供应链在全球范围内不断扩张，供应商力求完成更大的订单，供应商排名的一个关键标准是是否有能力保持在关键参数的规格限内。
威胁 3：稳定性 = 竞争优势
公司不断鼓励其供应商更好地控制其过程的稳定性。每当不稳定性在供应商之间传递并最终在客户之间传递时，因此导致的成本就会增加。在制造过程中很晚才检测到缺陷，这就是为什么可预测的可靠供应商能够在竞争中获得主要优势并与大客户建立长期盈利关系的原因。
威胁 4：缺乏跨部门协作
稳定性改进通常涉及到解决复杂问题以识别会直接影响变异性的关键因素。解决此类问题通常需要生产、质量和设计等多个部门的协作。这些部门通常对稳定性问题有不同的看法。
为了改进这种情况，每个部门都可能会尝试实施各自的专门解决方案，不同团队的解决方案将有差异。通常，这些解决方案包括 Excel 文件，其中包含尚未在公司范围内验证的计算和方法，这可能会降低凝聚力。
幸运的是，Minitab Engage 是一款经过精心设计的绝佳解决方案，可帮助组织以协作方式构建改进和创新计划并借助问题解决工具和久经验证的项目管理方法执行这些计划。 收起阅读 »
VDA19清洁度管理交流学习
自2017年开始为一些不同行业与产品的企业（金属精密加工、精密电子、独立电池及其材料、汽车玻璃）提供了VDA19清洁度管理的专项培训和现场改善指导服务，期间积累了一些知识和经验，希望在此与各位有清洁度管控需求的企业或朋友一起交流、分享与学习，共同提升清洁度在质量管理中的应用能力，，，
收起阅读 »
收起阅读 »
创建蒙特卡洛模拟的 4 个简单步骤
20 世纪 40 年代，研究原子弹的科学家应用 Monte Carlo 模拟计算了一个裂变铀原子引起另一个裂变反应的概率，这是该模拟的首次应用，自此以来已经取得了很大进展。今天我们将介绍如何使用 Minitab 为已知的工程公式和 DOE 方程创建 Monte Carlo 模拟。
由于当时铀供应短缺，试验的试错空间很小，因此 Monte Carlo 模拟一直专注于根据模拟数据计算可靠的概率。如今，从材料工程到医疗设备包装密封再到炼钢，模拟数据经常用于许多场景，例如资源有限的场景，或者收集真实数据过于昂贵或不切实际的场景。使用 Engage 或 Workspace 的 Monte Carlo 模拟工具可以：
（1）模拟可能结果的范围以帮助做出决策
（2）预测财务结果或估计项目时间表
（3）了解过程或系统中的变异性
（4）在过程或系统中发现问题
（5）通过了解成本/效益关系来管理风险
开始使用任何 Monte Carlo 模拟的4 个步骤
模拟可能非常复杂，具体取决于所涉及因子的数量。但所有 Monte Carlo 模拟基本上都有四个简单的步骤：
• 确定传输方程
要创建 Monte Carlo 模拟，您需要一个包含要探索的业务活动、计划或过程的定量模型。过程的数学表达式称为“传输方程”。这可以是已知的工程或业务公式，也可以基于根据设计试验 (DOE) 或回归分析创建的模型。借助 Minitab Engage 和 Minitab Workspace 等软件，您能够创建复杂的方程，甚至是具有多个可能相互依赖的响应的方程。
• 定义输入参数
对于传输方程中的每个因子，确定其数据的分布方式。一些输入可能遵循正态分布，而另一些则遵循三角分布或均匀分布。然后，您需要确定每个输入的分布参数。例如，需要为遵循正态分布的输入指定均值和标准差。如果您不确定数据遵循哪种分布，可以使用 Engage 和 Workspace 提供的工具来确定。
• 设置模拟
要进行有效的模拟，您必须为每个输入创建一个非常大的随机数据集（大约包含 100,000 个实例）。这些随机数据点模拟在很长一段时间内，对于每个输入将看到的值。尽管听起来工作量很大，但这正是 Engage 和 Workspace 的亮点。一旦我们提交输入和模型，一切都会得到处理。
• 分析过程输出
有了模拟数据，您就可以使用传输方程来计算模拟结果。考虑到输入中的预期变异，通过模型运行足够多的模拟输入数据将可靠地指出该过程将在一段时间内输出的内容。
Monte Carlo 使用已知工程公式的4 个步骤
一家制造公司需要评估所提议产品的设计，这是一款每分钟必须泵送 12 毫升流体的小型活塞泵。考虑到活塞直径 (D)、冲程长度 (L) 和每分钟冲程数 (RPM) 的自然变异，您想要估计数千个泵的可能性能。理想情况下，数千个泵的泵流量将具有不大于 0.2 毫升的标准差。
• 确定传输方程
进行 Monte Carlo 模拟的第一步是确定传输方程。在本例中，您只需使用已知的工程公式来测量泵流量：
流量（以毫升为单位）= π(D/2)2 ∗ L ∗ RPM
• 定义输入参数
现在，必须定义传输方程中使用的每个输入的分布和参数。泵的活塞直径和冲程长度是已知的，但必须计算达到所需 12 毫升/分钟流速所需的每分钟冲程数 (RPM)。每个冲程泵送的体积按以下方程计算：π(D/2)2 * L
如果 D = 0.8，L = 2.5，则每个冲程排出 1.256 毫升流体。因此，要达到 12 毫升/分钟的流速，RPM 为 9.549。
根据贵厂制造的其他泵的性能，您可以假定活塞直径呈正态分布，均值为 0.8 厘米，标准差为 0.003 厘米。冲程长度呈正态分布，均值为 2.5 厘米，标准差为 0.15 厘米。最后，每分钟冲程数呈正态分布，均值为 9.549 RPM，标准差为 0.17 RPM。
• 在 Engage 或 Workspace 中设置模拟
单击顶部功能区中的插入选项卡，然后选择 Monte Carlo 模拟。
我们将它变得非常简单 — 您只需为每个变量提供名称，从下拉菜单中选择一个分布，然后输入参数。我们将按照上面所述的内容进行操作。如果您不确定数据遵循哪种分布，可以选择使用数据确定。这将提示您上传数据的 .csv 文件，可从以下几个选项中进行选择：
• 模拟和分析过程输出
下一步是给出方程。在这里，操作非常简单，只需为您的输出提供名称（我们提供的名称是 Flow），然后键入我们在上面确定的正确传输方程。您还可以添加规格上限和规格下限以查看模拟的比较情况。
然后，在功能区中，选择要运行的模拟数量（100,000 是不错的基准），然后单击用来运行模拟的按钮。
对于为了撰写本文而生成的随机数据，基于 100,000 个样本的平均流速为 11.996。从平均值来看，我们达到了目标，但最小值为 8.7817，最大值为 15.7057。这是一个相当大的范围。（所有组件的）传输变异导致标准差为 0.756 毫升，这远远超过目标值 0.2 毫升。
看起来这种泵的设计变异太大，需要在投入生产之前进一步完善。从这里，我们看到模拟所带来的好处。如果我们直接投入生产，很可能会生产出太多被退货的泵。借助 Monte Carlo 模拟，我们能够解决所有这些问题，而不会因制造和测试数千个原型或过早投入生产而产生费用。
您可能想了解这些模拟结果是否站得住脚，不妨自己尝试一下吧！运行不同的模拟将导致轻微的变化，但每次的最终结果（流速变异量不可接受）都会保持一致。这就是 Monte Carlo 方法的强大之处。
另一个可选步骤：参数优化
了解到标准差过高非常有价值，但 Engage 和 Workspace 真正突出的地方在于它们能够帮助改善状况。这就是参数优化的用武之地。
让我们看看第一个输入：活塞直径。平均值为 0.8，大部分数据将接近该值，或者在平均值的一两个标准差内。但是，如果活塞直径越小，流动效率越高，该怎么办？参数优化有助于我们回答这个问题。
为了进行参数优化，我们需要为每个输入指定搜索范围。在本例中，为简单起见，我指定的算法搜索范围是 +/- 3 个标准差。然后，Engage 或 Workspace 将帮助我们为每个输入找到要实现目标（在本例中是减小标准差）的最佳设置。选择合适的范围至关重要；确保您输入的整个范围都可以运行；如果找到的最佳解决方案无法在生产环境中复制，则毫无用处。
如果您在 Minitab Statistical Software 中用过响应优化器，则原理类似。下面是我们的结果：
基于以上结果，如果要减小标准差，则应当减小冲程长度和每分钟冲程数。活塞直径可以保持类似大小。请记住，Monte Carlo 模拟的关键之处在于，能够在不构建单个新原型或进行新试验的情况下找出所有这些结果。
Monte Carlo 使用试验设计 (DOE) 响应方程
如果您不知道要使用什么方程，或者您正在尝试模拟独特过程的结果，该怎么办？此时，我们可以将 Minitab Statistical Software 的设计试验功能与 Engage 或 Workspace 的模拟功能相结合。
一家电子制造商已指派您改进其电极清洁操作，该操作为电镀金属部件做准备。制造商通过电镀在原材料上涂上一层不同的金属，以实现所需的特性。电镀不会附着在肮脏的表面上，因此该公司有一个连接到自动电镀机的连续流电极清洗系统。传送带将每个部件浸入槽中，槽中的电压通过部件传送，从而对部件进行清洁。如果清洁不充分，会导致平均粗糙度的均方根（简称 RMS）值太高以及表面光洁度较差。经过正确清洁的部件具有光滑的表面和较低的 RMS。
为了优化该过程，可以调整两个关键输入：电压 (Vdc) 和电流密度 (ASF)。对于电极清洁方法，Vdc 的典型工程限值为 3 至 12 伏。电流密度限值为 10 至 150 安培/平方英尺 (ASF)。
• 确定传输方程
您不能针对该过程使用教材上的已知公式，但可以在 Minitab 中设置响应曲面 DOE 以确定传输方程。响应曲面 DOE 通常用于通过为“关键少数”可控因子寻找最佳设置来优化响应。
在本例中，响应将是部件在清洁后的表面质量。
要在 Minitab 中创建响应曲面试验，请选择统计 > DOE > 响应曲面 > 创建响应曲面设计。由于我们有两个因子（电压 (Vdc) 和电流密度 (ASF)），因此我们将选择试验次数为 13 的双因子中心复合设计。
Minitab 创建设计试验后，您需要执行 13 次试验、收集数据并记录 13 个清洁后部件的表面粗糙度。通过 Minitab，可轻松分析 DOE 结果、简化模型和使用残差图检查假定。使用最终模型和 Minitab 的响应优化器，可以找到变量的最佳设置。在本例中，您将电压设置为 7.74，将 ASF 设置为 77.8，所获得的粗糙度值为 39.4。
响应曲面 DOE 为 Monte Carlo 模拟生成以下传输方程：
粗糙度 = 957.8 − 189.4(Vdc) − 4.81(ASF) + 12.26(Vdc2) + 0.0309(ASF2)
• 定义输入参数
现在，您可以为Monte Carlo模拟输入设置参数定义，并将它们带入Engage或Workspace 中。
请注意，标准差必须已知或基于现有的过程知识进行估计。这适用于所有 Monte Carlo 输入。电压呈正态分布，均值为 7.74 Vdc，标准差为 0.14 Vdc。每平方英尺安培数 (ASF) 呈正态分布，均值为 77.8 ASF，标准差为 3 ASF。
• 在 Engage 或 Workspace 中设置模拟
这与步骤 3 完全相同。单击功能区中的插入 > Monte Carlo 模拟，添加您的输入并定义其参数，然后输入您的模型。在本例中，如果您拥有最新版本的 Minitab，则可以单击鼠标右键，然后点击发送到 Engage 或发送到 Minitab Workspace。如果您没有，则可以从 Minitab 输出中手动复制它并将其粘贴到 Engage 或 Workspace 的模型字段中。
• 模拟和分析过程输出
汇总表明，即使基础输入呈正态分布，RMS 粗糙度的分布也不是正态的。该汇总还显示所有组件的传输变异导致标准差为 0.521，根据您掌握的过程知识判断，这是不错的过程结果。基于试验次数仅为 13 的 DOE，我们可以确定在该过程中将看到的实际情况。同样，由于这基于模拟数据，您的答案会略有不同，但通常而言答案应该是正确的。如有必要，我们可以查看参数优化以微调我们的答案并找到最佳解决方案。 收起阅读 »
由于当时铀供应短缺，试验的试错空间很小，因此 Monte Carlo 模拟一直专注于根据模拟数据计算可靠的概率。如今，从材料工程到医疗设备包装密封再到炼钢，模拟数据经常用于许多场景，例如资源有限的场景，或者收集真实数据过于昂贵或不切实际的场景。使用 Engage 或 Workspace 的 Monte Carlo 模拟工具可以：
（1）模拟可能结果的范围以帮助做出决策
（2）预测财务结果或估计项目时间表
（3）了解过程或系统中的变异性
（4）在过程或系统中发现问题
（5）通过了解成本/效益关系来管理风险
开始使用任何 Monte Carlo 模拟的4 个步骤
模拟可能非常复杂，具体取决于所涉及因子的数量。但所有 Monte Carlo 模拟基本上都有四个简单的步骤：
• 确定传输方程
要创建 Monte Carlo 模拟，您需要一个包含要探索的业务活动、计划或过程的定量模型。过程的数学表达式称为“传输方程”。这可以是已知的工程或业务公式，也可以基于根据设计试验 (DOE) 或回归分析创建的模型。借助 Minitab Engage 和 Minitab Workspace 等软件，您能够创建复杂的方程，甚至是具有多个可能相互依赖的响应的方程。
• 定义输入参数
对于传输方程中的每个因子，确定其数据的分布方式。一些输入可能遵循正态分布，而另一些则遵循三角分布或均匀分布。然后，您需要确定每个输入的分布参数。例如，需要为遵循正态分布的输入指定均值和标准差。如果您不确定数据遵循哪种分布，可以使用 Engage 和 Workspace 提供的工具来确定。
• 设置模拟
要进行有效的模拟，您必须为每个输入创建一个非常大的随机数据集（大约包含 100,000 个实例）。这些随机数据点模拟在很长一段时间内，对于每个输入将看到的值。尽管听起来工作量很大，但这正是 Engage 和 Workspace 的亮点。一旦我们提交输入和模型，一切都会得到处理。
• 分析过程输出
有了模拟数据，您就可以使用传输方程来计算模拟结果。考虑到输入中的预期变异，通过模型运行足够多的模拟输入数据将可靠地指出该过程将在一段时间内输出的内容。
Monte Carlo 使用已知工程公式的4 个步骤
一家制造公司需要评估所提议产品的设计，这是一款每分钟必须泵送 12 毫升流体的小型活塞泵。考虑到活塞直径 (D)、冲程长度 (L) 和每分钟冲程数 (RPM) 的自然变异，您想要估计数千个泵的可能性能。理想情况下，数千个泵的泵流量将具有不大于 0.2 毫升的标准差。
• 确定传输方程
进行 Monte Carlo 模拟的第一步是确定传输方程。在本例中，您只需使用已知的工程公式来测量泵流量：
流量（以毫升为单位）= π(D/2)2 ∗ L ∗ RPM
• 定义输入参数
现在，必须定义传输方程中使用的每个输入的分布和参数。泵的活塞直径和冲程长度是已知的，但必须计算达到所需 12 毫升/分钟流速所需的每分钟冲程数 (RPM)。每个冲程泵送的体积按以下方程计算：π(D/2)2 * L
如果 D = 0.8，L = 2.5，则每个冲程排出 1.256 毫升流体。因此，要达到 12 毫升/分钟的流速，RPM 为 9.549。
根据贵厂制造的其他泵的性能，您可以假定活塞直径呈正态分布，均值为 0.8 厘米，标准差为 0.003 厘米。冲程长度呈正态分布，均值为 2.5 厘米，标准差为 0.15 厘米。最后，每分钟冲程数呈正态分布，均值为 9.549 RPM，标准差为 0.17 RPM。
• 在 Engage 或 Workspace 中设置模拟
单击顶部功能区中的插入选项卡，然后选择 Monte Carlo 模拟。
我们将它变得非常简单 — 您只需为每个变量提供名称，从下拉菜单中选择一个分布，然后输入参数。我们将按照上面所述的内容进行操作。如果您不确定数据遵循哪种分布，可以选择使用数据确定。这将提示您上传数据的 .csv 文件，可从以下几个选项中进行选择：
• 模拟和分析过程输出
下一步是给出方程。在这里，操作非常简单，只需为您的输出提供名称（我们提供的名称是 Flow），然后键入我们在上面确定的正确传输方程。您还可以添加规格上限和规格下限以查看模拟的比较情况。
然后，在功能区中，选择要运行的模拟数量（100,000 是不错的基准），然后单击用来运行模拟的按钮。
对于为了撰写本文而生成的随机数据，基于 100,000 个样本的平均流速为 11.996。从平均值来看，我们达到了目标，但最小值为 8.7817，最大值为 15.7057。这是一个相当大的范围。（所有组件的）传输变异导致标准差为 0.756 毫升，这远远超过目标值 0.2 毫升。
看起来这种泵的设计变异太大，需要在投入生产之前进一步完善。从这里，我们看到模拟所带来的好处。如果我们直接投入生产，很可能会生产出太多被退货的泵。借助 Monte Carlo 模拟，我们能够解决所有这些问题，而不会因制造和测试数千个原型或过早投入生产而产生费用。
您可能想了解这些模拟结果是否站得住脚，不妨自己尝试一下吧！运行不同的模拟将导致轻微的变化，但每次的最终结果（流速变异量不可接受）都会保持一致。这就是 Monte Carlo 方法的强大之处。
另一个可选步骤：参数优化
了解到标准差过高非常有价值，但 Engage 和 Workspace 真正突出的地方在于它们能够帮助改善状况。这就是参数优化的用武之地。
让我们看看第一个输入：活塞直径。平均值为 0.8，大部分数据将接近该值，或者在平均值的一两个标准差内。但是，如果活塞直径越小，流动效率越高，该怎么办？参数优化有助于我们回答这个问题。
为了进行参数优化，我们需要为每个输入指定搜索范围。在本例中，为简单起见，我指定的算法搜索范围是 +/- 3 个标准差。然后，Engage 或 Workspace 将帮助我们为每个输入找到要实现目标（在本例中是减小标准差）的最佳设置。选择合适的范围至关重要；确保您输入的整个范围都可以运行；如果找到的最佳解决方案无法在生产环境中复制，则毫无用处。
如果您在 Minitab Statistical Software 中用过响应优化器，则原理类似。下面是我们的结果：
基于以上结果，如果要减小标准差，则应当减小冲程长度和每分钟冲程数。活塞直径可以保持类似大小。请记住，Monte Carlo 模拟的关键之处在于，能够在不构建单个新原型或进行新试验的情况下找出所有这些结果。
Monte Carlo 使用试验设计 (DOE) 响应方程
如果您不知道要使用什么方程，或者您正在尝试模拟独特过程的结果，该怎么办？此时，我们可以将 Minitab Statistical Software 的设计试验功能与 Engage 或 Workspace 的模拟功能相结合。
一家电子制造商已指派您改进其电极清洁操作，该操作为电镀金属部件做准备。制造商通过电镀在原材料上涂上一层不同的金属，以实现所需的特性。电镀不会附着在肮脏的表面上，因此该公司有一个连接到自动电镀机的连续流电极清洗系统。传送带将每个部件浸入槽中，槽中的电压通过部件传送，从而对部件进行清洁。如果清洁不充分，会导致平均粗糙度的均方根（简称 RMS）值太高以及表面光洁度较差。经过正确清洁的部件具有光滑的表面和较低的 RMS。
为了优化该过程，可以调整两个关键输入：电压 (Vdc) 和电流密度 (ASF)。对于电极清洁方法，Vdc 的典型工程限值为 3 至 12 伏。电流密度限值为 10 至 150 安培/平方英尺 (ASF)。
• 确定传输方程
您不能针对该过程使用教材上的已知公式，但可以在 Minitab 中设置响应曲面 DOE 以确定传输方程。响应曲面 DOE 通常用于通过为“关键少数”可控因子寻找最佳设置来优化响应。
在本例中，响应将是部件在清洁后的表面质量。
要在 Minitab 中创建响应曲面试验，请选择统计 > DOE > 响应曲面 > 创建响应曲面设计。由于我们有两个因子（电压 (Vdc) 和电流密度 (ASF)），因此我们将选择试验次数为 13 的双因子中心复合设计。
Minitab 创建设计试验后，您需要执行 13 次试验、收集数据并记录 13 个清洁后部件的表面粗糙度。通过 Minitab，可轻松分析 DOE 结果、简化模型和使用残差图检查假定。使用最终模型和 Minitab 的响应优化器，可以找到变量的最佳设置。在本例中，您将电压设置为 7.74，将 ASF 设置为 77.8，所获得的粗糙度值为 39.4。
响应曲面 DOE 为 Monte Carlo 模拟生成以下传输方程：
粗糙度 = 957.8 − 189.4(Vdc) − 4.81(ASF) + 12.26(Vdc2) + 0.0309(ASF2)
• 定义输入参数
现在，您可以为Monte Carlo模拟输入设置参数定义，并将它们带入Engage或Workspace 中。
请注意，标准差必须已知或基于现有的过程知识进行估计。这适用于所有 Monte Carlo 输入。电压呈正态分布，均值为 7.74 Vdc，标准差为 0.14 Vdc。每平方英尺安培数 (ASF) 呈正态分布，均值为 77.8 ASF，标准差为 3 ASF。
• 在 Engage 或 Workspace 中设置模拟
这与步骤 3 完全相同。单击功能区中的插入 > Monte Carlo 模拟，添加您的输入并定义其参数，然后输入您的模型。在本例中，如果您拥有最新版本的 Minitab，则可以单击鼠标右键，然后点击发送到 Engage 或发送到 Minitab Workspace。如果您没有，则可以从 Minitab 输出中手动复制它并将其粘贴到 Engage 或 Workspace 的模型字段中。
• 模拟和分析过程输出
汇总表明，即使基础输入呈正态分布，RMS 粗糙度的分布也不是正态的。该汇总还显示所有组件的传输变异导致标准差为 0.521，根据您掌握的过程知识判断，这是不错的过程结果。基于试验次数仅为 13 的 DOE，我们可以确定在该过程中将看到的实际情况。同样，由于这基于模拟数据，您的答案会略有不同，但通常而言答案应该是正确的。如有必要，我们可以查看参数优化以微调我们的答案并找到最佳解决方案。 收起阅读 »
使用 Engage 或 Workspace 创建 Monte Carlo 模拟的 4 个简单步骤
20 世纪 40 年代，研究原子弹的科学家应用 Monte Carlo 模拟计算了一个裂变铀原子引起另一个裂变反应的概率，这是该模拟的首次应用，自此以来已经取得了很大进展。今天我们将介绍如何使用 Minitab 为已知的工程公式和 DOE 方程创建 Monte Carlo 模拟。
由于当时铀供应短缺，试验的试错空间很小，因此 Monte Carlo 模拟一直专注于根据模拟数据计算可靠的概率。如今，从材料工程到医疗设备包装密封再到炼钢，模拟数据经常用于许多场景，例如资源有限的场景，或者收集真实数据过于昂贵或不切实际的场景。使用 Engage 或 Workspace 的 Monte Carlo 模拟工具可以：
（1）模拟可能结果的范围以帮助做出决策。
（2）预测财务结果或估计项目时间表。
（3）了解过程或系统中的变异性。
（4）在过程或系统中发现问题。
（5）通过了解成本/效益关系来管理风险。
开始使用任何 Monte Carlo 模拟的 4 个步骤
模拟可能非常复杂，具体取决于所涉及因子的数量。但所有 Monte Carlo 模拟基本上都有四个简单的步骤：
1.确定传输方程
要创建 Monte Carlo 模拟，您需要一个包含要探索的业务活动、计划或过程的定量模型。过程的数学表达式称为“传输方程”。这可以是已知的工程或业务公式，也可以基于根据设计试验 (DOE) 或回归分析创建的模型。借助 Minitab Engage 和 Minitab Workspace 等软件，您能够创建复杂的方程，甚至是具有多个可能相互依赖的响应的方程。
2.定义输入参数
对于传输方程中的每个因子，确定其数据的分布方式。一些输入可能遵循正态分布，而另一些则遵循三角分布或均匀分布。然后，您需要确定每个输入的分布参数。例如，需要为遵循正态分布的输入指定均值和标准差。如果您不确定数据遵循哪种分布，可以使用 Engage 和 Workspace 提供的工具来确定。
3.设置模拟
要进行有效的模拟，您必须为每个输入创建一个非常大的随机数据集（大约包含 100,000 个实例）。这些随机数据点模拟在很长一段时间内，对于每个输入将看到的值。尽管听起来工作量很大，但这正是 Engage 和 Workspace 的亮点。一旦我们提交输入和模型，一切都会得到处理。
4.分析过程输出
有了模拟数据，您就可以使用传输方程来计算模拟结果。考虑到输入中的预期变异，通过模型运行足够多的模拟输入数据将可靠地指出该过程将在一段时间内输出的内容。
Monte Carlo 使用已知工程公式的 4 个步骤
一家制造公司需要评估所提议产品的设计，这是一款每分钟必须泵送 12 毫升流体的小型活塞泵。考虑到活塞直径 (D)、冲程长度 (L) 和每分钟冲程数 (RPM) 的自然变异，您想要估计数千个泵的可能性能。理想情况下，数千个泵的泵流量将具有不大于 0.2 毫升的标准差。
1.确定传输方程
进行 Monte Carlo 模拟的第一步是确定传输方程。在本例中，您只需使用已知的工程公式来测量泵流量：
流量（以毫升为单位）= π(D/2)2 ∗ L ∗ RPM
2.定义输入参数
现在，必须定义传输方程中使用的每个输入的分布和参数。泵的活塞直径和冲程长度是已知的，但必须计算达到所需 12 毫升/分钟流速所需的每分钟冲程数 (RPM)。每个冲程泵送的体积按以下方程计算：
π(D/2)2 * L
如果 D = 0.8，L = 2.5，则每个冲程排出 1.256 毫升流体。因此，要达到 12 毫升/分钟的流速，RPM 为 9.549。
根据贵厂制造的其他泵的性能，您可以假定活塞直径呈正态分布，均值为 0.8 厘米，标准差为 0.003 厘米。冲程长度呈正态分布，均值为 2.5 厘米，标准差为 0.15 厘米。最后，每分钟冲程数呈正态分布，均值为 9.549 RPM，标准差为 0.17 RPM。
3.在 Engage 或 Workspace 中设置模拟
单击顶部功能区中的插入选项卡，然后选择 Monte Carlo 模拟。
我们将它变得非常简单 — 您只需为每个变量提供名称，从下拉菜单中选择一个分布，然后输入参数。我们将按照上面所述的内容进行操作。如果您不确定数据遵循哪种分布，可以选择使用数据确定。这将提示您上传数据的 .csv 文件，可从以下几个选项中进行选择：
4.模拟和分析过程输出
下一步是给出方程。在这里，操作非常简单，只需为您的输出提供名称（我们提供的名称是 Flow），然后键入我们在上面确定的正确传输方程。您还可以添加规格上限和规格下限以查看模拟的比较情况。
然后，在功能区中，选择要运行的模拟数量（100,000 是不错的基准），然后单击用来运行模拟的按钮。
对于为了撰写本文而生成的随机数据，基于 100,000 个样本的平均流速为 11.996。从平均值来看，我们达到了目标，但最小值为 8.7817，最大值为 15.7057。这是一个相当大的范围。（所有组件的）传输变异导致标准差为 0.756 毫升，这远远超过目标值 0.2 毫升。
看起来这种泵的设计变异太大，需要在投入生产之前进一步完善。从这里，我们看到模拟所带来的好处。如果我们直接投入生产，很可能会生产出太多被退货的泵。借助 Monte Carlo 模拟，我们能够解决所有这些问题，而不会因制造和测试数千个原型或过早投入生产而产生费用。
您可能想了解这些模拟结果是否站得住脚，不妨自己尝试一下吧！运行不同的模拟将导致轻微的变化，但每次的最终结果（流速变异量不可接受）都会保持一致。这就是 Monte Carlo 方法的强大之处。
另一个可选步骤：参数优化
了解到标准差过高非常有价值，但 Engage 和 Workspace 真正突出的地方在于它们能够帮助改善状况。这就是参数优化的用武之地。
让我们看看第一个输入：活塞直径。平均值为 0.8，大部分数据将接近该值，或者在平均值的一两个标准差内。但是，如果活塞直径越小，流动效率越高，该怎么办？参数优化有助于我们回答这个问题。
为了进行参数优化，我们需要为每个输入指定搜索范围。在本例中，为简单起见，我指定的算法搜索范围是 +/- 3 个标准差。然后，Engage 或 Workspace 将帮助我们为每个输入找到要实现目标（在本例中是减小标准差）的最佳设置。选择合适的范围至关重要；确保您输入的整个范围都可以运行；如果找到的最佳解决方案无法在生产环境中复制，则毫无用处。
如果您在 Minitab Statistical Software 中用过响应优化器，则原理类似。下面是我们的结果：
基于以上结果，如果要减小标准差，则应当减小冲程长度和每分钟冲程数。活塞直径可以保持类似大小。请记住，Monte Carlo 模拟的关键之处在于，能够在不构建单个新原型或进行新试验的情况下找出所有这些结果。
Monte Carlo 使用试验设计 (DOE) 响应方程
如果您不知道要使用什么方程，或者您正在尝试模拟独特过程的结果，该怎么办？此时，我们可以将 Minitab Statistical Software 的设计试验功能与 Engage 或 Workspace 的模拟功能相结合。
一家电子制造商已指派您改进其电极清洁操作，该操作为电镀金属部件做准备。制造商通过电镀在原材料上涂上一层不同的金属，以实现所需的特性。电镀不会附着在肮脏的表面上，因此该公司有一个连接到自动电镀机的连续流电极清洗系统。传送带将每个部件浸入槽中，槽中的电压通过部件传送，从而对部件进行清洁。如果清洁不充分，会导致平均粗糙度的均方根（简称 RMS）值太高以及表面光洁度较差。经过正确清洁的部件具有光滑的表面和较低的 RMS。
为了优化该过程，可以调整两个关键输入：电压 (Vdc) 和电流密度 (ASF)。对于电极清洁方法，Vdc 的典型工程限值为 3 至 12 伏。电流密度限值为 10 至 150 安培/平方英尺 (ASF)。
1.确定传输方程
您不能针对该过程使用教材上的已知公式，但可以在 Minitab 中设置响应曲面 DOE 以确定传输方程。响应曲面 DOE 通常用于通过为“关键少数”可控因子寻找最佳设置来优化响应。
在本例中，响应将是部件在清洁后的表面质量。
要在 Minitab 中创建响应曲面试验，请选择统计 > DOE > 响应曲面 > 创建响应曲面设计。由于我们有两个因子（电压 (Vdc) 和电流密度 (ASF)），因此我们将选择试验次数为 13 的双因子中心复合设计。
Minitab 创建设计试验后，您需要执行 13 次试验、收集数据并记录 13 个清洁后部件的表面粗糙度。通过 Minitab，可轻松分析 DOE 结果、简化模型和使用残差图检查假定。使用最终模型和 Minitab 的响应优化器，可以找到变量的最佳设置。在本例中，您将电压设置为 7.74，将 ASF 设置为 77.8，所获得的粗糙度值为 39.4。
响应曲面 DOE 为 Monte Carlo 模拟生成以下传输方程：
粗糙度 = 957.8 − 189.4(Vdc) − 4.81(ASF) + 12.26(Vdc2) + 0.0309(ASF2)
2.定义输入参数
现在，您可以为 Monte Carlo 模拟输入设置参数定义，并将它们带入 Engage 或 Workspace 中。
请注意，标准差必须已知或基于现有的过程知识进行估计。这适用于所有 Monte Carlo 输入。电压呈正态分布，均值为 7.74 Vdc，标准差为 0.14 Vdc。每平方英尺安培数 (ASF) 呈正态分布，均值为 77.8 ASF，标准差为 3 ASF。
3.在 Engage 或 Workspace 中设置模拟
这与步骤 3 完全相同。单击功能区中的插入 > Monte Carlo 模拟，添加您的输入并定义其参数，然后输入您的模型。在本例中，如果您拥有最新版本的 Minitab，则可以单击鼠标右键，然后点击发送到 Engage 或发送到 Minitab Workspace。如果您没有，则可以从 Minitab 输出中手动复制它并将其粘贴到 Engage 或 Workspace 的模型字段中。
4.模拟和分析过程输出
汇总表明，即使基础输入呈正态分布，RMS 粗糙度的分布也不是正态的。该汇总还显示所有组件的传输变异导致标准差为 0.521，根据您掌握的过程知识判断，这是不错的过程结果。基于试验次数仅为 13 的 DOE，我们可以确定在该过程中将看到的实际情况。同样，由于这基于模拟数据，您的答案会略有不同，但通常而言答案应该是正确的。如有必要，我们可以查看参数优化以微调我们的答案并找到最佳解决方案。
本文最初出现在Minitab博客上。 收起阅读 »
由于当时铀供应短缺，试验的试错空间很小，因此 Monte Carlo 模拟一直专注于根据模拟数据计算可靠的概率。如今，从材料工程到医疗设备包装密封再到炼钢，模拟数据经常用于许多场景，例如资源有限的场景，或者收集真实数据过于昂贵或不切实际的场景。使用 Engage 或 Workspace 的 Monte Carlo 模拟工具可以：
（1）模拟可能结果的范围以帮助做出决策。
（2）预测财务结果或估计项目时间表。
（3）了解过程或系统中的变异性。
（4）在过程或系统中发现问题。
（5）通过了解成本/效益关系来管理风险。
开始使用任何 Monte Carlo 模拟的 4 个步骤
模拟可能非常复杂，具体取决于所涉及因子的数量。但所有 Monte Carlo 模拟基本上都有四个简单的步骤：
1.确定传输方程
要创建 Monte Carlo 模拟，您需要一个包含要探索的业务活动、计划或过程的定量模型。过程的数学表达式称为“传输方程”。这可以是已知的工程或业务公式，也可以基于根据设计试验 (DOE) 或回归分析创建的模型。借助 Minitab Engage 和 Minitab Workspace 等软件，您能够创建复杂的方程，甚至是具有多个可能相互依赖的响应的方程。
2.定义输入参数
对于传输方程中的每个因子，确定其数据的分布方式。一些输入可能遵循正态分布，而另一些则遵循三角分布或均匀分布。然后，您需要确定每个输入的分布参数。例如，需要为遵循正态分布的输入指定均值和标准差。如果您不确定数据遵循哪种分布，可以使用 Engage 和 Workspace 提供的工具来确定。
3.设置模拟
要进行有效的模拟，您必须为每个输入创建一个非常大的随机数据集（大约包含 100,000 个实例）。这些随机数据点模拟在很长一段时间内，对于每个输入将看到的值。尽管听起来工作量很大，但这正是 Engage 和 Workspace 的亮点。一旦我们提交输入和模型，一切都会得到处理。
4.分析过程输出
有了模拟数据，您就可以使用传输方程来计算模拟结果。考虑到输入中的预期变异，通过模型运行足够多的模拟输入数据将可靠地指出该过程将在一段时间内输出的内容。
Monte Carlo 使用已知工程公式的 4 个步骤
一家制造公司需要评估所提议产品的设计，这是一款每分钟必须泵送 12 毫升流体的小型活塞泵。考虑到活塞直径 (D)、冲程长度 (L) 和每分钟冲程数 (RPM) 的自然变异，您想要估计数千个泵的可能性能。理想情况下，数千个泵的泵流量将具有不大于 0.2 毫升的标准差。
1.确定传输方程
进行 Monte Carlo 模拟的第一步是确定传输方程。在本例中，您只需使用已知的工程公式来测量泵流量：
流量（以毫升为单位）= π(D/2)2 ∗ L ∗ RPM
2.定义输入参数
现在，必须定义传输方程中使用的每个输入的分布和参数。泵的活塞直径和冲程长度是已知的，但必须计算达到所需 12 毫升/分钟流速所需的每分钟冲程数 (RPM)。每个冲程泵送的体积按以下方程计算：
π(D/2)2 * L
如果 D = 0.8，L = 2.5，则每个冲程排出 1.256 毫升流体。因此，要达到 12 毫升/分钟的流速，RPM 为 9.549。
根据贵厂制造的其他泵的性能，您可以假定活塞直径呈正态分布，均值为 0.8 厘米，标准差为 0.003 厘米。冲程长度呈正态分布，均值为 2.5 厘米，标准差为 0.15 厘米。最后，每分钟冲程数呈正态分布，均值为 9.549 RPM，标准差为 0.17 RPM。
3.在 Engage 或 Workspace 中设置模拟
单击顶部功能区中的插入选项卡，然后选择 Monte Carlo 模拟。
我们将它变得非常简单 — 您只需为每个变量提供名称，从下拉菜单中选择一个分布，然后输入参数。我们将按照上面所述的内容进行操作。如果您不确定数据遵循哪种分布，可以选择使用数据确定。这将提示您上传数据的 .csv 文件，可从以下几个选项中进行选择：
4.模拟和分析过程输出
下一步是给出方程。在这里，操作非常简单，只需为您的输出提供名称（我们提供的名称是 Flow），然后键入我们在上面确定的正确传输方程。您还可以添加规格上限和规格下限以查看模拟的比较情况。
然后，在功能区中，选择要运行的模拟数量（100,000 是不错的基准），然后单击用来运行模拟的按钮。
对于为了撰写本文而生成的随机数据，基于 100,000 个样本的平均流速为 11.996。从平均值来看，我们达到了目标，但最小值为 8.7817，最大值为 15.7057。这是一个相当大的范围。（所有组件的）传输变异导致标准差为 0.756 毫升，这远远超过目标值 0.2 毫升。
看起来这种泵的设计变异太大，需要在投入生产之前进一步完善。从这里，我们看到模拟所带来的好处。如果我们直接投入生产，很可能会生产出太多被退货的泵。借助 Monte Carlo 模拟，我们能够解决所有这些问题，而不会因制造和测试数千个原型或过早投入生产而产生费用。
您可能想了解这些模拟结果是否站得住脚，不妨自己尝试一下吧！运行不同的模拟将导致轻微的变化，但每次的最终结果（流速变异量不可接受）都会保持一致。这就是 Monte Carlo 方法的强大之处。
另一个可选步骤：参数优化
了解到标准差过高非常有价值，但 Engage 和 Workspace 真正突出的地方在于它们能够帮助改善状况。这就是参数优化的用武之地。
让我们看看第一个输入：活塞直径。平均值为 0.8，大部分数据将接近该值，或者在平均值的一两个标准差内。但是，如果活塞直径越小，流动效率越高，该怎么办？参数优化有助于我们回答这个问题。
为了进行参数优化，我们需要为每个输入指定搜索范围。在本例中，为简单起见，我指定的算法搜索范围是 +/- 3 个标准差。然后，Engage 或 Workspace 将帮助我们为每个输入找到要实现目标（在本例中是减小标准差）的最佳设置。选择合适的范围至关重要；确保您输入的整个范围都可以运行；如果找到的最佳解决方案无法在生产环境中复制，则毫无用处。
如果您在 Minitab Statistical Software 中用过响应优化器，则原理类似。下面是我们的结果：
基于以上结果，如果要减小标准差，则应当减小冲程长度和每分钟冲程数。活塞直径可以保持类似大小。请记住，Monte Carlo 模拟的关键之处在于，能够在不构建单个新原型或进行新试验的情况下找出所有这些结果。
Monte Carlo 使用试验设计 (DOE) 响应方程
如果您不知道要使用什么方程，或者您正在尝试模拟独特过程的结果，该怎么办？此时，我们可以将 Minitab Statistical Software 的设计试验功能与 Engage 或 Workspace 的模拟功能相结合。
一家电子制造商已指派您改进其电极清洁操作，该操作为电镀金属部件做准备。制造商通过电镀在原材料上涂上一层不同的金属，以实现所需的特性。电镀不会附着在肮脏的表面上，因此该公司有一个连接到自动电镀机的连续流电极清洗系统。传送带将每个部件浸入槽中，槽中的电压通过部件传送，从而对部件进行清洁。如果清洁不充分，会导致平均粗糙度的均方根（简称 RMS）值太高以及表面光洁度较差。经过正确清洁的部件具有光滑的表面和较低的 RMS。
为了优化该过程，可以调整两个关键输入：电压 (Vdc) 和电流密度 (ASF)。对于电极清洁方法，Vdc 的典型工程限值为 3 至 12 伏。电流密度限值为 10 至 150 安培/平方英尺 (ASF)。
1.确定传输方程
您不能针对该过程使用教材上的已知公式，但可以在 Minitab 中设置响应曲面 DOE 以确定传输方程。响应曲面 DOE 通常用于通过为“关键少数”可控因子寻找最佳设置来优化响应。
在本例中，响应将是部件在清洁后的表面质量。
要在 Minitab 中创建响应曲面试验，请选择统计 > DOE > 响应曲面 > 创建响应曲面设计。由于我们有两个因子（电压 (Vdc) 和电流密度 (ASF)），因此我们将选择试验次数为 13 的双因子中心复合设计。
Minitab 创建设计试验后，您需要执行 13 次试验、收集数据并记录 13 个清洁后部件的表面粗糙度。通过 Minitab，可轻松分析 DOE 结果、简化模型和使用残差图检查假定。使用最终模型和 Minitab 的响应优化器，可以找到变量的最佳设置。在本例中，您将电压设置为 7.74，将 ASF 设置为 77.8，所获得的粗糙度值为 39.4。
响应曲面 DOE 为 Monte Carlo 模拟生成以下传输方程：
粗糙度 = 957.8 − 189.4(Vdc) − 4.81(ASF) + 12.26(Vdc2) + 0.0309(ASF2)
2.定义输入参数
现在，您可以为 Monte Carlo 模拟输入设置参数定义，并将它们带入 Engage 或 Workspace 中。
请注意，标准差必须已知或基于现有的过程知识进行估计。这适用于所有 Monte Carlo 输入。电压呈正态分布，均值为 7.74 Vdc，标准差为 0.14 Vdc。每平方英尺安培数 (ASF) 呈正态分布，均值为 77.8 ASF，标准差为 3 ASF。
3.在 Engage 或 Workspace 中设置模拟
这与步骤 3 完全相同。单击功能区中的插入 > Monte Carlo 模拟，添加您的输入并定义其参数，然后输入您的模型。在本例中，如果您拥有最新版本的 Minitab，则可以单击鼠标右键，然后点击发送到 Engage 或发送到 Minitab Workspace。如果您没有，则可以从 Minitab 输出中手动复制它并将其粘贴到 Engage 或 Workspace 的模型字段中。
4.模拟和分析过程输出
汇总表明，即使基础输入呈正态分布，RMS 粗糙度的分布也不是正态的。该汇总还显示所有组件的传输变异导致标准差为 0.521，根据您掌握的过程知识判断，这是不错的过程结果。基于试验次数仅为 13 的 DOE，我们可以确定在该过程中将看到的实际情况。同样，由于这基于模拟数据，您的答案会略有不同，但通常而言答案应该是正确的。如有必要，我们可以查看参数优化以微调我们的答案并找到最佳解决方案。
本文最初出现在Minitab博客上。 收起阅读 »
WEEE注册
为什么要WEEE电子产品回收注册？
1、 根据2005年3⽉16号颁发的 ElectroG Gesetz ，欧盟境 内所有电⼦产品需注册回收。EAR 下设回收公司，回收 公司⼀⽅⾯是为电⼦产品的回收⽆公害处理负责，另⼀ ⽅⾯在公司不再德国经营该产品的前提下（破产或者撤 离德国市场），继续对该产品的后续处理负责。商家在 和回收公司签订回收合同后，由回收公司担保处理电⼦ 垃圾，合同提交EAR审核后，由EAR 颁发WEEE-RegNummer .
2 、为什么要WEEE电⼦产品回收注册？
德国是⼀个对环保要求⾮常严格德国国家，电⼦回收法 律对⼟壤污染和地下⽔的保护起到⾄关重要的作⽤。德 国本⼟的所有电⼦产品⽣产企业早在2005年就要求注 册。⽽随着亚马逊在全球商业的战略地位不断提⾼，境 外的电⼦设备通过亚马逊不断涌⼊德国市场，针对这个 情况，2016年4⽉24号，德国环保部发布了专马针对 电商的法律，要求亚马逊有义务通知在亚马逊平台上销 售的境外电商注册电⼦设备回收，在取得WEEE电⼦设 备回收码之前，亚马逊必须责令商家停⽌销售。
3、电⼦设备不做回收注册，最严重的后果是什么?
电⼦设备不回收注册最严重的后果并不是被亚马逊封锁 list ，⽽是在商家卖得很好的前提下，被竞争对⼿盯 上，竞争对⼿购买该商家产品，如果产品上没有印上带 斜线的垃圾桶，或者该产品没有在德国注册回收，竞争 对⼿会委托德国律师给亚马逊发信，要求停⽌销售该公 司的产品，并且申请法庭程序，销毁该公司在亚马逊的 所有产品。此时商家不仅损失了所有库存，⽽且需要付 律师信的费⽤和销毁产品的费⽤，这可能意味着这个公 司基本上被 赶出德国市场。
4、 为什么要找我们来解决WEEE电⼦回收问题？
⾃从4⽉24 号颁发法律以来，很德国境外电商被关停 list ，由于语⾔的障碍和回收程序的复杂，回收公司和 国内公司沟通很困难，⽽解决这个问题的唯⼀途径是找 德国的回收公司，所以德国最⼤的回收公司 Deutsche Recycling GmbH的公司领导阶层做出决定，由我司来 负责中国境内的回收注册业务。
具体流程如下
1、商家填德国回收注册申请表格
2、商家提交表格，回收公司拟定回收合同。
3、商家签字
4、回收公司回签合同，合同⽣效
5、商家收到账单，付款
6、回收公司把合同和商家的注册资料提供给EAR审核 7，EAR审核后颁发WEEE码，并且⼊德国电⼦回收电 脑查询系统。
1. 什么是WEEE注册
欧盟在2002年通过了两项对电子电气设备有重大影响的指令：一项是WEEE指令（关于报废电子电气设备），另一项是RoHS指令（关于在电子电气设备中禁止使用某些有害物质）。
2005年，在德国基于WEEE指令的ElektroG法规（电子电气法规）正式生效，根据该法规，电子电气产品的生产商或进口商必须完成各自产品的注册。
对于跨境电商来说，WEEE注册较为繁琐，建议找专业的第三方认证机构进行注册。
2. 需要做WEEE的产品
以德国站为例，WEEE注册主要是针对一个类别的产品。德国ElektroG法规将电子电器分为以下六类：
1、热交换器
2、私人住户用显示器件
3、 灯/充放气体电灯
4、大型电子设备（超过50cm）
5、小型电子电气设备
6、小型IT和电信设备
3. 注册需要的文件
1.公司数据表格 (company details)
2.产品数据单 (product information)
3.产品图片; 图片上清楚表示产品的品牌，（品牌应该放在电器上，不在包装上）。
4.网站店铺链接 *如果有
5.德文的简短功能描述 *我们会为你填写，但请提供资料。
6.有注英文的中华人民共和国营业执照，包含统一社会信用代码/或者香港特别行政区的公司注册证明书。
注册需要4-8周左右的时间。 收起阅读 »
1、 根据2005年3⽉16号颁发的 ElectroG Gesetz ，欧盟境 内所有电⼦产品需注册回收。EAR 下设回收公司，回收 公司⼀⽅⾯是为电⼦产品的回收⽆公害处理负责，另⼀ ⽅⾯在公司不再德国经营该产品的前提下（破产或者撤 离德国市场），继续对该产品的后续处理负责。商家在 和回收公司签订回收合同后，由回收公司担保处理电⼦ 垃圾，合同提交EAR审核后，由EAR 颁发WEEE-RegNummer .
2 、为什么要WEEE电⼦产品回收注册？
德国是⼀个对环保要求⾮常严格德国国家，电⼦回收法 律对⼟壤污染和地下⽔的保护起到⾄关重要的作⽤。德 国本⼟的所有电⼦产品⽣产企业早在2005年就要求注 册。⽽随着亚马逊在全球商业的战略地位不断提⾼，境 外的电⼦设备通过亚马逊不断涌⼊德国市场，针对这个 情况，2016年4⽉24号，德国环保部发布了专马针对 电商的法律，要求亚马逊有义务通知在亚马逊平台上销 售的境外电商注册电⼦设备回收，在取得WEEE电⼦设 备回收码之前，亚马逊必须责令商家停⽌销售。
3、电⼦设备不做回收注册，最严重的后果是什么?
电⼦设备不回收注册最严重的后果并不是被亚马逊封锁 list ，⽽是在商家卖得很好的前提下，被竞争对⼿盯 上，竞争对⼿购买该商家产品，如果产品上没有印上带 斜线的垃圾桶，或者该产品没有在德国注册回收，竞争 对⼿会委托德国律师给亚马逊发信，要求停⽌销售该公 司的产品，并且申请法庭程序，销毁该公司在亚马逊的 所有产品。此时商家不仅损失了所有库存，⽽且需要付 律师信的费⽤和销毁产品的费⽤，这可能意味着这个公 司基本上被 赶出德国市场。
4、 为什么要找我们来解决WEEE电⼦回收问题？
⾃从4⽉24 号颁发法律以来，很德国境外电商被关停 list ，由于语⾔的障碍和回收程序的复杂，回收公司和 国内公司沟通很困难，⽽解决这个问题的唯⼀途径是找 德国的回收公司，所以德国最⼤的回收公司 Deutsche Recycling GmbH的公司领导阶层做出决定，由我司来 负责中国境内的回收注册业务。
具体流程如下
1、商家填德国回收注册申请表格
2、商家提交表格，回收公司拟定回收合同。
3、商家签字
4、回收公司回签合同，合同⽣效
5、商家收到账单，付款
6、回收公司把合同和商家的注册资料提供给EAR审核 7，EAR审核后颁发WEEE码，并且⼊德国电⼦回收电 脑查询系统。
1. 什么是WEEE注册
欧盟在2002年通过了两项对电子电气设备有重大影响的指令：一项是WEEE指令（关于报废电子电气设备），另一项是RoHS指令（关于在电子电气设备中禁止使用某些有害物质）。
2005年，在德国基于WEEE指令的ElektroG法规（电子电气法规）正式生效，根据该法规，电子电气产品的生产商或进口商必须完成各自产品的注册。
对于跨境电商来说，WEEE注册较为繁琐，建议找专业的第三方认证机构进行注册。
2. 需要做WEEE的产品
以德国站为例，WEEE注册主要是针对一个类别的产品。德国ElektroG法规将电子电器分为以下六类：
1、热交换器
2、私人住户用显示器件
3、 灯/充放气体电灯
4、大型电子设备（超过50cm）
5、小型电子电气设备
6、小型IT和电信设备
3. 注册需要的文件
1.公司数据表格 (company details)
2.产品数据单 (product information)
3.产品图片; 图片上清楚表示产品的品牌，（品牌应该放在电器上，不在包装上）。
4.网站店铺链接 *如果有
5.德文的简短功能描述 *我们会为你填写，但请提供资料。
6.有注英文的中华人民共和国营业执照，包含统一社会信用代码/或者香港特别行政区的公司注册证明书。
注册需要4-8周左右的时间。 收起阅读 »
等价检验 VS 显著性检验
传统显著性检验用于推断样本所代表的总体均值是否相等，它的检验假设为样本来自同一总体(即总体均值相等)。在应用中，显著性检验结果不能评价差别的大小，也不能说明差别是否有实际意义，所谓差别显著是指在统计学理论上认为样本来自不同的总体。另外显著性检验在均值差异性比较中也存在一定的局限性，下面我们以双样本t检验为例来说明。
显著性检验的局限性
我们看到下表1中两种测试方法得到的数据，希望比较两种测试方法得到的结果是否一致（等效）。
可能首先想到的方法就是用双样本t检验，我们来试试看（前提条件验证略）。
双样本t检验的结果显示，P=0.001＜0.05，所以我们得到的结论是：两种测试方法的结果是有显著性差异的。拒绝是有说服力的，所以我们也不用担心犯第二类错误。
现在我们再来看看下表2中两种测试方法的数据，也想来比较有没有显著性差异。
同理，我们也来执行双样本t检验（前提条件验证略），得到如下结果。
双样本t检验的结果显示，P=0.081＞0.05，所以我们得到的结论是：两种测试方法的结果无显著性差异的，即不拒绝原假设。不拒绝是没有说服力的，可能是样本量不够导致的（建议做功效与样本量的计算）。
基于以上分析，总结如下：
但是，如果你仔细去看一看表1和表2中的数据，有没有发现表1中两种测试方法结果差异比较小（但双样本t检验结果P=0.001＜0.05），表2中两种测试方法结果差异比较大（但双样本t检验结果P=0.081＞0.05），注意，这不是错觉，这是t检验本身存在的局限性。
为什么这么说，我们以表2中数据（两总体标准差未知但相等）为例来看看t检验的基本原理。
T=2.32小于拒绝域临界值2.776，及检验统计量T落在非拒绝域（白色区域），故不拒绝原假设。换句话说，如果想拒绝原假设（得到两种测试方法有显著差异的结论），就需要检验统计量T值（绝对值）足够大，大到超过2.776，那么怎么做才能实现呢？通过后台公式我们能发现只需要：样本量足够大且/或合并标准差SP足够小。
其实这是一个有悖逻辑的发现，因为如果真的如此的话，那我以后直接选择摆烂不就可以吗（样本量少抽一点，测量变异搞大点，这样越不容易得到有显著差异）。
等价检验
从功能和实用意义上来讲，产品之间存在微小差异并不总是十分重要。例如，在200 mg的药物剂量中，相差1mg不会产生任何实际效应，那如果我想证明药物剂量不同对疗效是相同的或相近的，又该如何去验证呢？可不可以用显著性检验的方法（如t检验）？
显著性检验确定备择假设的方法是“想证明什么结论就把它放在备择假设上”，那能否把相等的结论放在备择假设上，如H0：μ≠μ0， H1: μ＝μ0很遗憾，统计学中不可能处理这种“原假设是某个范围，而备择假设只是一个单点”的情况，只能处理备择假设为
H1:|μ-μ0|<△
H1: μ1<μ<μ2
其中μ1=μ0-△，μ2=μ0+△
这类检验问题称为等价检验（equivalence test）问题，也称等效性检验问题。其中（μ1，μ2）称为等价区间。它的原假设和备择假设为：
H0:μ<μ1或μ>μ2 H1:μ1≤μ≤μ2
等价检验实际上是双单侧假设检验（TOST），当左右两边的原假设同时被拒绝时才能认为原假设不成立。
等价检验 VS 显著性检验
等价检验与显著性检验比较如上图，下面我们通过一个具体案例来说明一下（案例来自于蓝皮书第三版P161）。
示例：在焊接电路板的过程中，焊锡膏的涂抹厚度是关键的控制量之一。工艺标准要求涂抹厚度的均值是60微米，均值偏差在5微米内。现在收集了25个焊点上的焊锡膏涂抹厚度。我们希望验证，涂抹厚度均值是60微米吗？涂抹厚度均值是落在（55,65）之内吗？
我们先来看看如果是用显著性检验（单样本t检验）会得到什么结果。
由于P值为0.111，因此无法拒绝原假设，也就是说没有充分的理由否认焊锡膏涂抹厚度均值为60。但“不否认”还不是明确的说明“均值就是60微米”的有说服力的结论。如果需要进一步确定“均值就是60微米”，或者更进一步判断其均值是否落入（55,65），则只能使用单样本等价检验方法（注意：即使是等价检验对于备择假设只是一个单点也是无能为力的）。
正如Minitab告诉你的，不能认为是等价的，即焊锡膏涂抹厚度均值可以认为是60微米，但未落在（55，65）之内，即精确度未达到误差小于5微米的水平。
那如果允许误差放大些，比如说（50，70），结果就可以认为是等价的了。
请注意，我在这里不得不说明一下，千万不要说为了得到等价的结论而去改等价区间，我在这里修改只是为了说明问题，我们在实际工作一定是要事先指定好等价区间范围（防止扯皮）。
小结
要在等价检验和标准t检验之间进行选择，请考虑您希望证明或说明的内容。如果您希望证明两个均值相等或者证明均值等于目标值，而且您可以确切地定义在所属领域中属于重要差值的差值大小，则您可能希望使用等价检验，而不是标准t检验。 收起阅读 »
显著性检验的局限性
我们看到下表1中两种测试方法得到的数据，希望比较两种测试方法得到的结果是否一致（等效）。
可能首先想到的方法就是用双样本t检验，我们来试试看（前提条件验证略）。
双样本t检验的结果显示，P=0.001＜0.05，所以我们得到的结论是：两种测试方法的结果是有显著性差异的。拒绝是有说服力的，所以我们也不用担心犯第二类错误。
现在我们再来看看下表2中两种测试方法的数据，也想来比较有没有显著性差异。
同理，我们也来执行双样本t检验（前提条件验证略），得到如下结果。
双样本t检验的结果显示，P=0.081＞0.05，所以我们得到的结论是：两种测试方法的结果无显著性差异的，即不拒绝原假设。不拒绝是没有说服力的，可能是样本量不够导致的（建议做功效与样本量的计算）。
基于以上分析，总结如下：
但是，如果你仔细去看一看表1和表2中的数据，有没有发现表1中两种测试方法结果差异比较小（但双样本t检验结果P=0.001＜0.05），表2中两种测试方法结果差异比较大（但双样本t检验结果P=0.081＞0.05），注意，这不是错觉，这是t检验本身存在的局限性。
为什么这么说，我们以表2中数据（两总体标准差未知但相等）为例来看看t检验的基本原理。
T=2.32小于拒绝域临界值2.776，及检验统计量T落在非拒绝域（白色区域），故不拒绝原假设。换句话说，如果想拒绝原假设（得到两种测试方法有显著差异的结论），就需要检验统计量T值（绝对值）足够大，大到超过2.776，那么怎么做才能实现呢？通过后台公式我们能发现只需要：样本量足够大且/或合并标准差SP足够小。
其实这是一个有悖逻辑的发现，因为如果真的如此的话，那我以后直接选择摆烂不就可以吗（样本量少抽一点，测量变异搞大点，这样越不容易得到有显著差异）。
等价检验
从功能和实用意义上来讲，产品之间存在微小差异并不总是十分重要。例如，在200 mg的药物剂量中，相差1mg不会产生任何实际效应，那如果我想证明药物剂量不同对疗效是相同的或相近的，又该如何去验证呢？可不可以用显著性检验的方法（如t检验）？
显著性检验确定备择假设的方法是“想证明什么结论就把它放在备择假设上”，那能否把相等的结论放在备择假设上，如H0：μ≠μ0， H1: μ＝μ0很遗憾，统计学中不可能处理这种“原假设是某个范围，而备择假设只是一个单点”的情况，只能处理备择假设为
H1:|μ-μ0|<△
H1: μ1<μ<μ2
其中μ1=μ0-△，μ2=μ0+△
这类检验问题称为等价检验（equivalence test）问题，也称等效性检验问题。其中（μ1，μ2）称为等价区间。它的原假设和备择假设为：
H0:μ<μ1或μ>μ2 H1:μ1≤μ≤μ2
等价检验实际上是双单侧假设检验（TOST），当左右两边的原假设同时被拒绝时才能认为原假设不成立。
等价检验 VS 显著性检验
等价检验与显著性检验比较如上图，下面我们通过一个具体案例来说明一下（案例来自于蓝皮书第三版P161）。
示例：在焊接电路板的过程中，焊锡膏的涂抹厚度是关键的控制量之一。工艺标准要求涂抹厚度的均值是60微米，均值偏差在5微米内。现在收集了25个焊点上的焊锡膏涂抹厚度。我们希望验证，涂抹厚度均值是60微米吗？涂抹厚度均值是落在（55,65）之内吗？
我们先来看看如果是用显著性检验（单样本t检验）会得到什么结果。
由于P值为0.111，因此无法拒绝原假设，也就是说没有充分的理由否认焊锡膏涂抹厚度均值为60。但“不否认”还不是明确的说明“均值就是60微米”的有说服力的结论。如果需要进一步确定“均值就是60微米”，或者更进一步判断其均值是否落入（55,65），则只能使用单样本等价检验方法（注意：即使是等价检验对于备择假设只是一个单点也是无能为力的）。
正如Minitab告诉你的，不能认为是等价的，即焊锡膏涂抹厚度均值可以认为是60微米，但未落在（55，65）之内，即精确度未达到误差小于5微米的水平。
那如果允许误差放大些，比如说（50，70），结果就可以认为是等价的了。
请注意，我在这里不得不说明一下，千万不要说为了得到等价的结论而去改等价区间，我在这里修改只是为了说明问题，我们在实际工作一定是要事先指定好等价区间范围（防止扯皮）。
小结
要在等价检验和标准t检验之间进行选择，请考虑您希望证明或说明的内容。如果您希望证明两个均值相等或者证明均值等于目标值，而且您可以确切地定义在所属领域中属于重要差值的差值大小，则您可能希望使用等价检验，而不是标准t检验。 收起阅读 »
防止缺货和优化库存水平的三个步骤
和大多数的问题解决方法一样，优化库存需要一个考虑周全的过程和几个步骤。当然，防止缺货的最简便方法是手头始终具有大量库存。然而，不优化库存也会产生难以预料的后果。过度生产和保持过高的库存水平可能会导致产品变质甚至腐坏。库存过剩不仅会在当下产生成本，而且当您需要生产更多商品来替换货架上放置时间过长的产品时，还会在以后产生隐性成本。
可通过多种方法来计算优化（将在下面解释），但优化库存的关键在于三个主要步骤：对影响库存的因素进行头脑风暴分析、收集数据并分析数据。在深入研究每个步骤之前，我们先来介绍一些有关缺货的基本知识。
什么是缺货？是什么原因造成的？
简单地说，缺货意味着由于产品不在库存中而无法履行或交付。这可能是因为产品需求量高于预期，或者因库存水平太低而无法满足当前需求。
缺货是否对企业不利？
用一个字概括，是。我们都属于各种各样的客户，当所需的产品或服务不可用时，我们都会有不好的感觉。这不仅会损害当前客户体验，而且会对您的品牌和客户关系产生长期影响。
因此...如何减少缺货？防止缺货的三个步骤如下
对影响缺货的因素（包括库存水平）进行头脑风暴分
防止缺货的最大因素是现有的库存水平。如果库存中没有足够的产品，将面临缺货。但现有库存只是一个因素。您还需要了解影响移动供应链的所有因素（如在途库存、销售额预测、历史销售业绩），甚至还需要了解您自己的供应商所带来的影响。
因此，如何保持库存水平足够高以满足客户需求，但又足够低以避免库存过剩？您需要对影响库存水平的因素进行头脑风暴分析。使用结构化的问题解决工具（如 CT 树或鱼骨图）可以让您获得成功。
下面是一个头脑风暴工具示例，该示例使用 Minitab Workspace 中的鱼骨图。
收集数据
一旦确定了影响缺货的关键因素，就需要收集有关这些因素的数据。请注意，可能需要从多个来源和系统收集库存数据，而且数据的请求和准备过程可能需要一些时间。考虑需要收集的数据量。
例如，考虑到一段时间发生的所有变化，若追溯到 5 年前可能太久了。收集几个月的数据可能更合理，所以请根据您的最佳判断来捕获您的过程的代表性快照。您可以请 IT 部门协助，或利用功能强大的数据统一工具（如 Minitab Connect）访问、集成和准备要分析的数据。
使用预测分析来分析数据
收集到数据之后，就可以开始进行最有趣的部分：分析！传统的业务分析和可视化技术在这方面可能存在不足，因为最有可能出现的直观效果是：现有库存越低，缺货量越大！由于我们已经知道这一点，因此我们真正想要确定的是：是否还有另一个重要因素是缺货的关键驱动因素？是否存在一个最佳库存水平既可最大限度地减少缺货，又不会造成积压和生产过剩？
因此，为什么要进行预测分析？简言之，设想创建一个方程，该方程将所有影响缺货的因素作为预测变量，并将缺货作为响应。就像高中代数一样，这些不同的因素有不同的权重，因此对结果的影响程度也不同。在 Minitab，我们开发了解决方案来专门帮助您解决这些问题！ 收起阅读 »
可通过多种方法来计算优化（将在下面解释），但优化库存的关键在于三个主要步骤：对影响库存的因素进行头脑风暴分析、收集数据并分析数据。在深入研究每个步骤之前，我们先来介绍一些有关缺货的基本知识。
什么是缺货？是什么原因造成的？
简单地说，缺货意味着由于产品不在库存中而无法履行或交付。这可能是因为产品需求量高于预期，或者因库存水平太低而无法满足当前需求。
缺货是否对企业不利？
用一个字概括，是。我们都属于各种各样的客户，当所需的产品或服务不可用时，我们都会有不好的感觉。这不仅会损害当前客户体验，而且会对您的品牌和客户关系产生长期影响。
因此...如何减少缺货？防止缺货的三个步骤如下
对影响缺货的因素（包括库存水平）进行头脑风暴分
防止缺货的最大因素是现有的库存水平。如果库存中没有足够的产品，将面临缺货。但现有库存只是一个因素。您还需要了解影响移动供应链的所有因素（如在途库存、销售额预测、历史销售业绩），甚至还需要了解您自己的供应商所带来的影响。
因此，如何保持库存水平足够高以满足客户需求，但又足够低以避免库存过剩？您需要对影响库存水平的因素进行头脑风暴分析。使用结构化的问题解决工具（如 CT 树或鱼骨图）可以让您获得成功。
下面是一个头脑风暴工具示例，该示例使用 Minitab Workspace 中的鱼骨图。
收集数据
一旦确定了影响缺货的关键因素，就需要收集有关这些因素的数据。请注意，可能需要从多个来源和系统收集库存数据，而且数据的请求和准备过程可能需要一些时间。考虑需要收集的数据量。
例如，考虑到一段时间发生的所有变化，若追溯到 5 年前可能太久了。收集几个月的数据可能更合理，所以请根据您的最佳判断来捕获您的过程的代表性快照。您可以请 IT 部门协助，或利用功能强大的数据统一工具（如 Minitab Connect）访问、集成和准备要分析的数据。
使用预测分析来分析数据
收集到数据之后，就可以开始进行最有趣的部分：分析！传统的业务分析和可视化技术在这方面可能存在不足，因为最有可能出现的直观效果是：现有库存越低，缺货量越大！由于我们已经知道这一点，因此我们真正想要确定的是：是否还有另一个重要因素是缺货的关键驱动因素？是否存在一个最佳库存水平既可最大限度地减少缺货，又不会造成积压和生产过剩？
因此，为什么要进行预测分析？简言之，设想创建一个方程，该方程将所有影响缺货的因素作为预测变量，并将缺货作为响应。就像高中代数一样，这些不同的因素有不同的权重，因此对结果的影响程度也不同。在 Minitab，我们开发了解决方案来专门帮助您解决这些问题！ 收起阅读 »
五大工具教材-MSA(初级版）
五大工具教材-MSA(初级版）
RSS Feed