但是对于外行人而言，最多可以当成一种娱乐活动，花点小钱玩一玩无妨，就当是旅途中的一种参与，也算是了解当地的一种石文化。

国内制造业的飞速发展，离不开前期庞大的劳动力资源优势。彼时，相比起动辄几万甚至数十万的信息化质量管控系统，制造企业更愿意选择人工操作，在显著的人力成本优势面前，所谓信息建设、数智建设更像是一笔赔本买卖：改造投入巨大，还拿不准这番投入究竟能带来什么效益。

而现在，随着国内工人工资上涨、劳动力减少，东南亚“低廉”劳动力涌入市场，人口红利日益微弱，企业人力成本管控难度上升一个大台阶。与此同时，量产取胜策略也在逐渐失效，人性不可控带来的诸如弄虚作假、成本浪费、流程臃肿问题浮出水面，其必然导致产品质量隐患。

我们都知道，质量是制造业的生命，产品质量将直接决定企业能否在残酷的的市场竞争中生存下来。于是，数字化转型迎来它的时代。
近年来，为落实深化新一代信息技术与制造业融合发展、打造数字经济新优势等决策，国资委制定发布了系列政策文件，组建协同创新平台，遴选推广典型案例，以加快部署推进国有企业数字化转型，建设世界一流企业。
智改数转趋势难挡，政策强势引导是大背景，国有企业、大型企业也在不断发挥自身的强力示范作用，中小微企业紧随其上。
但综合来说，智能制造转型的根本驱动并不在此。

#一体化协作导向,激活数据要素潜能
智能制造一词，发轫于2009年IBM提出的智慧工厂概念，短短十几年迅速融入制造业，为制造业带来显著变化——先进的信息化、数字化设备纷纷进入工厂，在各类数字化管理系统的统筹调度下，智能车间、智能品质管控、智能仓储等模块接续实现。

各个模块的信息化、智能化，能有效管控各生产环节的精确稳定，但随着数字化转型进程加深、企业增长难盈利难困境显现，单一模块做得好，已无法确保整条协作链条的品质。
各类硬件设备、管理软件、存档的纸质书面文件、SOP、SIP等等不一而足，数据接口、使用逻辑、存储方式不尽相同，日常调用检索难，定期维护也难。

我们越来越需要一个灵活深入、高弹性、结构化、生态化的数字化新基座，把这些分散的数据聚合起来，让数据对企业经营发挥正向辐射效应，真正达成数据治理。
质量管理数字化的本质，是用数字驱动质量管理，进行实践与变革；质量管理数字化的重点，在于用数字化思维进行组织业务和模式的梳理架构。

当技术能实现对质量数据的自动实时采集、传输、分析、共享、利用，当质量数据能主动指导行为决策，一种以产品为中心的、覆盖产品全生命周期的新型质量管理方式出现了。

难也难在这里。又要有全局性、前瞻性，又要保证企业眼下的生存；又需要结构化、系统化的理念指导，又要保证理念在落地时能融入到日常业务模式中。

该如何实现？请看本期案例智。


#生产制造数字化，助力智能制造转型升级

客户T是一家机器加工企业，此前已经采购过相关QMS系统，后续并未续约的原因主要有二：

其一，费用过于高昂。除去软件购买费用，还有二次开发费用、系统对接费用和培训费用，但实际带来的收益并不如预期；

其二，系统在刚部署时的使用感受还算不错，但没多久就发现，数据库读写速度过慢，和其他系统对接不顺畅，对一线生产工人不友好，来料检验甚至不如以前的纸质检验单。

在以往的客户诊断中，我们也偶尔会遇见此类问题。我们的创始人反复和研发部门强调：一套成功的系统一定不能只有功能的表皮，更要有核心，要有严谨自洽的逻辑系统，要有对一线生产、企业运作流程的深刻洞察。

T客户很明确地告知海岸线科技，他们想要的软件系统必须解决这些问题。其实，这也是满足数字化生产的QMS与传统QMS的本质区别所在。

所谓满足数字化生产，就是要基于“数据共享、功能协作、管理协同”设计理念去选型，一套专业的QMS系统，理应辐射到研发质量管理、制造过程管理、供应链质量管理、售后质量管理、质量全生命追溯分析等全链条。

为此，海岸线为T客户制定了一套完整解决方案：基于实际应用场景和数据交互，以PQM（专业版QMS）系统为核心，实现产品全生命周期精细化质量管理。

我们对T客户的以下几个质量领域作了优化——

01检验管理的实时工单驱动，质量记录不再做事后分析，让质量数据主动指导行为决策；
02支持pad端、web端录入方式，兼容多种设备数据接口；
03不合格品处理过程在线流转，结果对接ERP的成本模块；
04异常处理支持8D、5Why法、鱼骨图、六步法等多种工具，并将验证措施回归经验库、故障库、措施库等知识库；
05 一个条码追溯到产品的全生命周期，可实现单件或单批次追溯；
06 实现不同平台数据互通，依托海岸线链企云大平台，打通各部门和上下游数据通道，实现检验结果协同、异常信息同步，沉淀企业知识图谱，达成内外部质量闭环管理。

当前，该系统已经上线数月，从客户反馈来看，在企业内部沟通效率、质量管控方式和产品合格率几大维度有不错效果。我们也将持续追踪跟进，以深度案例拆解形式为更多企业提供直观参考，欢迎关注本专栏。 收起阅读 »

随着能源成本的稳步上升，一些组织感到有压力主动制定策略来减少能源消耗。 

据路透社报道，能效措施对于进一步支持脱碳工作和减少能源使用仍然至关重要，尤其是在钢铁、水泥和石化等能源密集型行业。文章还指出，通过详细了解能源消耗并制定减少能源消耗的战略，公司可以投资于通常会带来显着回报的具有成本效益的措施。

组织如何才能成功节约能源？

借助由数据驱动的决策支持的良好行动计划，企业可以发现宝贵的节约机会，以减少碳足迹。在这篇博文中，我们介绍了帮助您实现高效节能的三个主要策略，以及帮助您实现可持续发展成功的 Minitab 解决方案。让我们从第一个策略开始。

策略 1：使用部分回收材料进行制造 

Signify 是照明技术领域的全球领导者，致力于通过推动环保解决方案的发展，为更可持续的未来做出贡献。这包括可以重印或翻新的制造产品，以及专门为保护工作重新使用材料的服务。

例如，灯回收通过减少资源开采的电力使用使人类基础设施受益。这也通过减少资源稀缺对环境产生影响。通过专门的处理设施，超过 80% 的灯可回收材料可以重复使用，在促进全球生态保护实践的同时提供了大量的经济机会。  

现实生活中的用例

为了保持他们的可持续发展努力，Signify 开始使用部分回收材料来 3D 打印照明材料。他们的目标是在使用回收材料和节约能源的同时，尽快向客户提供印刷产品。 

通过使用Minitab Engage中提供的 House of Quality以及数据分析Minitab，Signify 能够定制他们的照明材料，不仅可以满足客户的需求，还可以更快地发布为循环经济设计的产品，并增加能源效率。此外，Signify 还降低了他们的故障率并每年节省了大量的非机密成本。 

接下来，我们将重点介绍管理能源浪费的方法。 

策略 2：维护设备以消除能源浪费 

造成能源浪费的可能原因之一是设备维护不当。例如，由于对齐问题或轴承损坏，电机可能会发热。 

为了减少能源消耗，组织可以执行以下任何操作：

1. 定期检查他们工厂的设备和设备

2. 确定最有效的维护、升级和更换方法

3. 在特定时间内将设备置于低能耗模式 

除了设备计划外，采用有效的预防性维护方法对于最大限度地节省成本也是必不可少的。预测性维护技术有助于预测设备维护需求。

有关材料退化的知识以及有关工艺和设备的数据，将为您的团队提供有关设备可靠性的宝贵信息。一个项目的可靠性是它在指定的环境条件下，在指定的时间段内充分执行其指定目的的概率。幸运的是，Minitab具有可靠性测试，可以确定零件、产品和设备的寿命和故障风险。 

现实生活中的用例

一家商用飞机制造商希望减少特定喷气发动机软管的停机时间。通过使用 Minitab 软件，他们希望通过在 282 天内安排零件更换来预测其可靠性。

运行分析后，制造商确定柔性软管至少可以使用 282.4 天。在该时间范围之前安排更换可减少计划外维护和停机时间，从而为制造商节省大量成本。

通过利用从他们的分析中收集到的数据，团队可以通过先进的图形和定量分析技术自信地预测产品寿命和可靠性。通过这样做，他们会在潜在的机械故障发生之前更加安全地了解它们。这些见解将帮助他们评估与设计或目标相关的能源效率低下的风险，并预测优化结果 - 同时快速高效地工作。

最后，我们将介绍我们的第三个能源消耗策略。 

策略 3：定期监控您的流程和材料

优化能源效率的另一种方法是定期监控工厂的流程和材料。这允许跨团队进行改进，以查明根本原因并简化整个组织的问题解决。 

现实生活中的用例

世界上最大的太阳能技术和可再生能源公司之一在发现其制造过程中存在不一致后，需要控制氮化硅薄膜的厚度。 

使用Minitab 和 Minitab Engage™中提供的强大图表和分析工具，该公司能够查明并纠正薄膜厚度差异的原因。

借助 Minitab 强大的分析和改进解决方案，该制造商能够将其面板的能源效率提高7%，并将其年收入增加超过100,000 美元/年。 

在对制造过程应用更改之前，已发布产品的质量需要保持一致。Minitab 拥有可确保您的产品质量满足客户期望并符合监管标准的解决方案。 

其他需要考虑的例子： 

1.如果您希望在投资成本和能源效率之间进行权衡分析，Minitab 中的Graph Builder将是一个很好的解决方案。

2.Minitab Engage 中可用的DMAIC项目可用于跟踪改进，而 Monte Carlo 可用于模拟针对您的计划提出的更改。 

结论 

这些只是您的组织可以实施以实现节能成功的众多策略中的一小部分。从数据中获得的见解可以帮助您确定最适合您的业务的策略，而 Minitab 是您实现能源效率的端到端分析和 CI 解决方案。 收起阅读 »

作为一个在质量管理行业从业20年+的质量老鸟，也算阅人无数。在我的见识里，普通的质量人很多。他们原本有很多的机会去让自己做得足够专业，成绩足够优秀。但很遗憾，可能工作十几年，几乎还在原地踏步走。我根据自己 经验谈谈这个问题。

积极主动


积极主动是《高效能人士的七个习惯》中的第一个，当然也是最重要的。在国人的眼里，积极主动不就是小学里面都学习了吗？无人不知，无人不晓，哪里还要别人指出来呢。但事实并非如此。

举一个例子。

某个周五，有个客户投诉需要处理，技术作为窗口，要求你准备测试数据，客户很急，在线等。你周六加班完成了，然后发个邮件出去，就回家了。周日，领导打电话过来问结果，你说已经邮件回复，自己已经完成工作。此刻领导很生气，理由是：这么紧急的事情，既然前一天已经完成，为何不在微信群里面知会大家，并把文件解密后发在微信群里面，也方便技术窗口直接转给客户。周末，大家都是不带电脑回家的，即使带了，也需要回到公司连接系统才可以解密。无奈之下，领导亲自去公司完成解密，才转给了技术。面对领导的质疑，你会说：领导你既然这么关心这个事情，为什么周六不一起加班呢？为什么周六不问呢？为什么技术不一起加班呢？为什么技术不问呢？似乎自己做的很完美，都是别人的错。

对于这个案例，很多质量人会站在这个工程师的角度来看问题，认为做的没有错，发出邮件，工作结束。但是，如果我们能够站在公司的角度、站在以结果为导向的角度，只需要一个很简单的动作，在群里说一声：各位，这个测试已经完成，请大家查收报告。就是这么简单的一个动作，都能解决很多问题。

当自己完成一件事情，尤其重要紧急的事情，应当及时主动知会别人，甚至打个电话确认一下，这就是积极主动。

再举一个例子。


我在某上市集团公司做质量总监时，同一集团下属的成品事业部和零件事业部是按照客户与供应商的关系管理的。有次，零件事业部提供的五金件有漏打的状况，成品事业部通过会议，和成品事业部达成约定，后续再流出一个，罚款5万块。也不知什么原因，零件事业部的总经理就签署了这个协议。事后却后悔了，原来当时他以为仅限定于会议上讨论的料号，但实际上，成品事业部扩展到了所有的料号，也就是进行了水平展开。

当年，零件事业部被罚款75万元。作为老总，当然很是不愿意，一个事业部每年利润才有多少，被成品事业部罚款了，年底哪里还有钱来给大家发年终奖。于是就找集团的领导沟通，找了供应链总监，又找了财务总监，都没有结果。后来，转给了我这个质量总监。

我当时纳闷，两个集团总监都解决不了，甚至他给总裁、董事长也汇报过，也是未果，我这个质量总监就能解决？太高估我了吧。


但事情在手上，总要去尝试。我先爬到成品事业部总经理所在的五楼办公室，把情况说了下。这个黄总说：张总，我不处罚他没问题，一分钱都不罚。但是，请你这个质量总监，一碗水要端平，将来不良品流出后，客户罚款你也别往我头上分摊。这可让我为难了，还能说什么，打道回府。我下了五楼，就来到了不远处的零件事业部，我给金总讲了情况。金总说，这样子的话，那就改为罚5000，最好能谈到1000。我呼哧呼哧地又爬到了五楼，把金总的意见反馈给了黄总。黄总说：你还记得上次我们一家供应商因为这个问题把货出到了欧洲，结果自查发现后，召回光运费就花了十几万。如果有这种低级的不良品从我这里流出去，我这个总经理都没得干了。听到这里，我还能说什么呢？又呼哧呼哧地下楼去找金总。他听到这个消息，说：这么严重啊！那就还是按照五万罚吧，我们安装CCD来检查。随后，在我的见证下、黄总、金总、还有我三个人签下了一份大家都认可的正式的协议。

后来，零件事业部的品质经理见到我，问道：张总，你是怎么说服我们金总认罚的。我笑了笑，没说什么。

解决这个事情，并不是我多厉害，只不过我多走了几步路，打破了部门墙，帮助大家更加了解对方而已，事情讲明白了，到了总经理这个层级，大家都是通情达理的。但是，如果没有这些铺垫，这个事情还是会纠结下去。

这也是积极主动。

如果上述两个案例中，换做是你？你会怎么做呢？欢迎留言！ 收起阅读 »

离散式制造基于生产计划编制与管控缩短制造周期的方法
炎正杰
我们质量体系审核员在执行审核过重中，在运用我们所掌握的经营管理理念、管理过程的相关术语、目标与结果之间的关系的审核能力时，可以根据审核的场景恰如其分的给客户提出中肯的建议是十分必要的。
比如，企业特别希望提高合同履约率缩短制造周期，我们审核员在审核制造系统生产计划管理时，不仅是审核企业生产计划根据体系文件要求的“有和无”的符合性，也可以适当关注各级生产计划的流程、逻辑、管控等作业细节中存在的问题告知企业实施科学改善。
本文和咱们审核员一起学习下离散式制造基于生产计划编制与管控缩短制造周期的方法，以拓宽一下审核员的审核思路。
缩短制造周期是企业永恒的课题，快速应答市场需求，赢得客户满意，维系市场美誉度，促进企业良性发展都十分有益。
虽说缩短制造周期是企业永恒的话题，但是诸多企业遇到生产经营任务量持续增长的时候，多是或者简单习惯性地采取添人添设备的措施、或者是采取延长劳动时间的措施来应对，这样做企业的生产组织方式并没有深层次的切实改变，只是扩大了一定的生产规模和延长了一定时期的劳动时间，产品实际的制造周期也没有缩短，效率并没有提升。
缩短制造周期的方法是一套“组合拳”，涉及生产运作管理的制造技术和管理技术的多维度多方面，尤其是“离散式制造”更是对企业的运作管理提出了较高的要求。
一、 离散式制造的特征
制造业按其产品制造工艺过程特点总体上可概括为连续式制造和离散式制造。连续式制造以批量或连续的方式进行生产；相对于连续式制造，离散式制造的产品往往由多个零件经过一系列并不连续的工序的加工最终装配而成。离散式制造较为明显的特征就是“多品种、小批量”。
由于离散式制造这一“多品种、小批量”特点，带给生产管理诸多的难点。
难点一、生产计划管理波动大：影响计划的因素诸如市场、供应、排程、质量等较多，生产计划的制定较为复杂，计划的稳定性较差呈现紧急而且多变的业态；生产能力难以固化和量化，生产投入提前期波动较大。
难点二、生产计划管控幅度大：生产数据诸如加工时间、质量问题处理时间、提前期等较多，且数据的收集、维护和检索工作量大，仅维护生产数据的及时性、真实性就会投入较多的资源；工艺流程根据产品的不同经过不同的车间加工工序，因各种产品任务对同一车间能力的需求不同，因此作业流程经常不平衡；多品种产品同时投入，生产进度不一，经常会造成关键资源设备前排队等待状态，引起加工时间的延迟和在制品库存的增加的现象；生产计划的管控要投入、协调诸多资源，幅度较大。
二、制造周期的概念
要缩短制造周期，就要知道制造周期的概念。制造周期是指从原材料投入生产起到最后完工为止的整个制造过程所经历的全部日历时间。
制造周期具体的体现在每一次生产任务的输入，也就是各级生产计划的下达点都是制造周期的起始端，因制造流程涉及的工作中心的角色不同，各角色对周期的理解不同：计划编制有编制周期、采购有采购周期、零部件制造有零部件周期、装配试验有装配试验周期等，这一些子周期都包含在产品总制造周期之内。
制造周期总体包括零部件的制造周期和产成品的制造周期，包括：毛坯生产、零件加工、部件装配、产成品总装等生产阶段制造周期的总和，再加上各阶段之间的保险期，也就是提前投产的宽放量。
在生产组织的过程中需要强调的是，零件的制造周期相对于部总装是柔性周期，所谓柔性周期就是其制造周期有一定的可调整性，可以适当波动。但是提前期过长，就会浪费有限的资源和生产出在制品，过短就会有延迟交货引起客户抱怨的风险，这样就要科学控制投产提前期，避免造成风险或者浪费。
部、总装的制造周期是刚性周期，所谓刚性周期就是其制造周期相对固定，其柔性极小，因为齐套性、质量、设备设施、人员技能等原因耽误一天总周期就会延长一天。因此在生产组织中首先要管控零部件的齐套性，确保部总装开工面最大化；如果齐套性较差，就要根据装配网络图控制装配组、部件的投产提前期，保证产能在控制范围内有效释放；同时要解决作业标准化问题，预防制造流程中的质量、设备、人员技能等波动。
二、 制造周期的构成要素：
生产计划下发的同时，产品的制造周期已经开始计时，所涉及流程中的零部件子周期都开始进入总周期所规定的时间段。
制造周期的构成，可以参考以下公式：典型产品制造周期=生产准备时间+加工时间+质量检测时间+搬运时间+等待时间。
在此构成典型产品的制造周期的数据中，从精益生产的角度分析，只有“加工时间”是增值时间，其它的都是非增值时间。缩短制造周期，首先要缩短的就是非增值时间，非增值时间的缩短对制造生产周期的缩短贡献度是较为明显的；第二要缩短的增值时间，就是增值时间也是必要缩短的，增值时间是实际作业时间，随着设备设施刀具、加工等方法的进步从工艺技术的角度科学的缩短。
生产准备时间，包括生产计划编制和实物的流转时间。其中计划编制时间，包括与市场平衡时间、产能平衡时间、采购外协平衡时间等；实物的流转时间，物料采购和外协准备时间、工艺资料准备时间、设备换产时间、设备稳定时间等；质量检测时间，包括操作者检测时间、专业质检人员工序检验和完工检验时间以及检验判定时间等；搬运时间，包括工序间的搬运传递时间和工作中心之间的搬运时间等；等待时间，包括等待指令、等待处理、排队等待、协调等待、信息等待等；加工时间，加工时间虽然是增值时间，其时间也要绝对的适当，随着制造技术的进步也要再改善，实现加工工艺最佳、加工质量最佳等。
麻省理工大学斯隆商学院利特尔教授1961年所提出交货提前期=在制品数量×节拍时间。
这一公式是一个有关交货提前期与在制品关系的简单数学公式，看似简单的公式其背后囊括了制造业组织所有的运作管理，这一公式所反映的法则也为精益生产的改善方向指明了道路。也就是说，交货提前期的长短与在制品数量和生产节拍的乘积有直接的关系。要想缩短交货提前期，一个是可以通过减少在制品数量来减少交货提前期，二个是通过减少节拍时间来减少交货提前期。 
但是，生产节拍是客户需求的节拍，是必须满足的，是刚性的，不可变。那么，要缩短交货提前期就要减少在制品数量，减少在制品数量，就要做准生产计划和控制生产进度，把有限的资源用于制造真正需求的产品，同时保证生产计划需求数量不虚增，在需求的时间生产需求的数量。
三、缩短制造周期的措施。基于以上离散式制造特征分析，缩短生产周期可以从一下几方面着手：
1、科学策划生产计划和计划执行管控。生产计划的层级是通常所指的“三层五级” ，包括：“三层”主要是企业的的行政层级，包括：市场部门、生产采购部门、生产制造部门分厂；“五级”指生产计划级别，包括销售计划、主生产计划（主要是制造系统）、物料计划（主要是采购供应系统）、作业计划（主要是分厂级）、工序级计划（主要是工段级）。
（1）生产计划制订编制的综合平衡。制定一个切实可行的生产计划对于缩短制造周期是十分必要的，避免因计划的不准确造成不必要的浪费，从而拖延制造周期。
生产计划的制订编制，依据各种计划信息资源融汇决策，需要企业不同部门协调平衡才能完成。因此计划的制订会涉及到不同资源的矛盾、部门利益冲突，需要进行综合的权重平衡。生产计划综合平衡包括如下几个方面：
a.与市场需求平衡。生产计划制订首先要与市场需求平衡，与市场需求的平衡是生产计划中的一个核心问题，保证信息输入的准确性。平衡的结果具体体现在主生产计划编制的年度、季度计划上，年度计划平衡到每季度市场需求，为物料需求提供依据；季度计划已经要转变为投料计划了，就要求计划精度要准确，就要设定“冷冻”期将计划固化下来，以便于组织生产。
b.与生产能力的平衡。生产计划必须建立在已有的生产能力的基础上，生产计划才是有效的，超出生产能力外的计划就是不可行的计划，因此制订生产计划时必须考虑与生产能力进行平衡。需求大于能力的，在年度计划或者季度计划中分解为外协计划，外协计划按照内部生产计划管控方式去管控协作单位。为此必须对企业的生产能力进行科学的测算，并作为生产计划编制的数据依据输入。加强生产能力的管理，保证有足够的生产能力完成企业的生产计划。
c.与物料供应（含安全库存）平衡。生产计划要得以完成，需要物资供应的保证。必要进行生产计划与物资供应的平衡，就是做好生产准备中的物料准备工作，尤其是季度计划的确认一定要实施，保证不缺项，季度计划是三个月计划，实施一个月的“生产作业计划”落实投产，实施两个月的生产准备计划，提前做好生产准备，在管理实践中通俗地称为“1+2”计划。
（2）生产计划执行进度管控。离散企业的生产作业计划管控,需要根据月度计划交付优先级结合工作中心能力、设备能力安排班次合理排产，尤其是周计划排产这个动作是必须的，是非常必要固化到生产制造单位的计划管控流程中。
生产排产,是基于有限能力资源，综合开工时间、完工时间、准备时间、排队时间以及物流传递时间综合考量准确地测算安排出的、良好的作业顺序,这样有助于生产周期的缩短和生产效率提高。
生产作业计划按周计划的频率下发至生产主制单位，周计划生产排产应遵循的原则：先到先加工、最短加工周期、最短交付日期、最小临界比等原则。根据这些排产原则有序地安排生产，有利于合理地安排班次和充分利用瓶颈资源。
瓶颈资源主要指一个制造系统中约束产出量的、生产能力最低的环节就是瓶颈，瓶颈资源在一个系统中只有一个。瓶颈资源的优化排程，前工序向后推分配，将后工序前推分配，形成前拉后推的计划管控方式，缩短制造提前期。
周计划排产最佳的排产策略是冻结三日计划，这样一个稳定的计划便于组织与完工管理。如果三日计划冻结有问题最基本也要冻结两日计划，否则生产组织波动较大，反而造成生产任务堵塞，延长制造周期。每日准时清理生产尾数，日生产计划准时完成并准时销账，确保准时完成并反馈，有利于作业计划的准确性。周计划的下发最佳时间点是在计划周的第四天对下周计划下发，这样便于周计划的微调和生产准备，有效率地组织生产。
四、结语
管理学家 哈罗德·孔茨讲到：“计划工作是一座桥梁，它把我们所处的这岸和我们要去的对岸连接起来，以克服这一天堑。” 一本流程正确、逻辑清晰、管控颗粒度精准的生产计划，对企业履约率提升的贡献度的较大的，我们审核员适时拓展自己的知识维度，审核时深入企业管理细节建言献策，努力成为企业好的教练式审核员。

收起阅读 »

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

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

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

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

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

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





我们可以根据线性回归特性，将边界线的模型表达出来：

Temp=460-5*Time

Temp=440-%*Time

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



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



根据子集化工作表的设置，将实验空间进一步优化，如下图所示：



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



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

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


  收起阅读 »

Deloitte 专家在其《数据完整性报告 1》中表示，“由高度监管的生命科学公司生成的数据保持完整性至关重要，原因在于，在产品得到审批并随后投放到市场以供人们使用之前，正确记录的信息是制造商确保产品质量、安全性和功效的基础。为了确保患者安全性，数据完整性对于制造过程中的质量控制过程也很重要。”

随着全球监管机构对数据完整性的关注度不断提高，不遵守规定的公司可能会面临从发布公开警告函到接受刑事指控在内的处罚。另外，可能会发生产品从市场中剔除的情况。近年来，数据实践相关问题的数量和类型显著增加，包括未经授权进行数据访问、缺乏已启用的审计跟踪以及意外和蓄意篡改记录。

根据 RAPS 的出版物《监管重点 2》，“在过去三年中，涉及数据完整性问题的警告函数量有所增加，从 2019 财年（财政年度）的 47% 增加到 2020 财年的 51%，再到 2021 财年的 65%”。

美国 FDA 及其欧洲同行提出了与患者安全性相关的要求。在这篇贴文中，我们将重点介绍由 FDA 引入的 ALCOA+ 概念。您将了解 Minitab 解决方案如何帮助巩固可提高数据质量的良好实践，并使公司能够做出以分析和准确数据为后盾的战略性决策。

ALCOA 是“Attributable, Legible, Contemporaneous, Original and Accurate”的缩写，是指数据可追溯、易读、同步、原始和准确

可追溯

您知道谁访问或使用了您的数据吗？

企业需要能够监控谁手动或以电子方式记录和/或处理了数据。

数据源应在其整个生命周期（从收集到研究、分析运行和测试系统）中进行跟踪。

Minitab 的数据集成、自动化、监控和分析报告平台 Minitab Connect 提供审计跟踪功能。审计跟踪可确保跟踪所有在运行时涉及数据的活动：收集、聚合、处理、编译、图形输出、分析报告和控制台。公司始终可以提供有关数据何时何地被访问以及由谁访问的详细信息。

易读

您的数据是否可以随时随地可供访问和读取？

对于所记录的数据，您应该能够永久查看和使用。由于数据是以电子方式存储的，因此数据始终可以在线获取，并通过 Minitab Connect 和 Minitab Statistical Software 内的存储库获取。

同步

在活动发生时是否记录了数据？

在生成和处理过程中都应记录数据。

Minitab Connect 的审计跟踪功能可确保随时准确高效地记录数据。

原始

数据是否经过认证而且真实？

数据应以未更改的原始状态存储。

Minitab Statistical Software 中的命令历史记录可以帮助检索原始数据。数据治理平台 Minitab Connect 跟踪原始数据。

准确

您的数据是否毫无错误？

数据必须反映其真实的实际价值，它应当是真实的。

测量系统分析是统计的一个分支，可以让您快速评估和改进测量系统，从而确保所收集的数据既准确又精确。

如果不对测量系统进行分析，很可能会使数据的变异和不一致性增加，从而对分析造成不利影响。

Minitab Statistical Software 中的测量系统分析 (MSA) 菜单可以帮助您检查操作员和测量设备是否提供准确、一致且精确的信息。

当收集定量数据时，量具重复性与再现性 (R&R) 分析确认仪器和操作员按照一致的方式测量部件。

如果您正在对部件进行评级或者正在识别缺陷，则属性一致性分析会验证不同的评估人员所做的判断是否彼此一致，以及是否符合既定标准。

医药公司和卫生部门下属各组织必须采用更完整、更复杂的技术，这些技术主要用于过程验证、测量不精确和存在偏差等情况。为满足此类要求，执行“关键检查”是不错的做法。 收起阅读 »

上一期《干货分享 | FMEA何时做？谁来做？》文章中，我们提到FMEA是一种预防工具，想要做好FMEA，就要建立FMEA团队。

那么当我们已经建立好团队，打算开始做FMEA的时候，应该从哪里着手呢？

根据最新的FMEA标准——AIAG & VDA FMEA手册，FMEA的实施流程共有七步。

今天我们就从第一步策划与准备开始说起。

01、5T法需做足

如果我们将FMEA分析看成一个项目，那么这个项目的时间、节点、工作范围，针对哪几个工段，或者是整条工段，都要在策划阶段确定。

而要确认这些，可以尝试使用5T法。
 




inTent目的-我们为什么要做FMEA？

当团队成员了解了FMEA的目的和意图时，他们会更好的为完成项目具体目标和总体目标做出贡献。

Time时间-什么时候完成？

我们要强调一下FMEA是一种事前行为，为了体现出它的最大价值，我们就需要尽早的，在产品或过程实施之前开展FMEA工作。因为产品或过程中存在许多潜在失效，我们需要提前分析解决，才能确保量产环节的过程稳健。

Team团队-需要哪些团队成员？

FMEA团队需要由跨职能团队成员组成，成员必须具备必要的专业知识，只有大家积极参与讨论，共同努力，才有可能做好这项工作。

Task任务-需要做哪些工作？

FMEA的工作基本上需要按照七步法的流程来，七步法提供了FMEA整体的任务框架以及交付成果。此外，FMEA可以由内审员、顾客审核员或第三方注册机构进行审核，以确保每项任务都能按照其要求完成。

Tools工具-如何进行分析？

目前市面上有许多成熟好用的FMEA软件，可以帮助我们更快更好的完成FMEA工作。还有包括基础FMEA家族FMEA的建立，企业知识库的创建等等。当然也可以通过传统方式Excel填表格的形式在做FMEA，只是考虑FMEA的有效性、效率上，并不推荐这种方式。

5T法的使用可以帮助我们更好地提前确定好FMEA这个工程的对象及要求，使我们能及时取得最佳效果、避免FMEA返工。

02、FMEA相关文件需协同

在准备阶段同时也需要搜集一些和FMEA工作相关的文件。
 




例如产品示意图、图纸、3D模型、技术规范、法律要求、设计FMEA、PFD过程流程图、物料清单（BOM）、类似过程的操作指导书、类似产品的过往FMEA文件等等。

这些文件可以帮助我们确定FMEA的要求，同时，由于之前做过类似产品的FMEA分析，如果涉及到相同或相似的流程，可以拿来参考或直接使用。

除此之外还有一些类似过程的绩效信息，可以帮助我们确定发生度的评价。例如首次质量（FTQ）、返工、报废、顾客投诉、8D报告、过程审核等等，以上这些都是我们的前期准备工作。

这部分关联到的文件会非常多，如果可以通过FMEA软件来进行分析，这些文件就能更好地被管理起来，并且具有更高的协同性，只要是团队成员就能在线查看，甚至在线编辑。
 




03、FMEA的边界需确认

最后还有一点需要注意的就是我们要确定FMEA的边界。

总的来说我们要搞清楚做FMEA的时候哪些需要做，哪些不需要做。假如是供应商提供的零部件，那这一部分的FMEA分析应该是供应商来提供，SQE应当提出相应要求。

FMEA分析的范围可以从工厂的来料验收开始，主要根据客户的要求，如果没有要求也可以不做。但是我们必须对生产过程进行分析，并且从生产过程的第一道工序就要开始。

事前做足准备，才能确保万无一失，以上就是FMEA七步法中的第一步——策划与准备。

下一期，我们将继续一起来聊一聊新版FMEA七步法中的结构分析。 收起阅读 »

价值流图(VSM)是一个强大的工具，可以用来优化供应链中的物流和信息流。通过分析和可视化从原材料到成品的整个过程，组织可以确定瓶颈、低效和需要改进的地方。一旦确定了这些问题，组织就可以实施变革，以改善供应链中的材料和信息流，最终降低成本，提高利润。以下是价值流图帮助降低供应链成本的8种方式:

1.降低库存成本

通过识别和消除生产过程中的浪费，公司可以减少需要持有的库存量，从而节省存储、保险和处理成本。这也可以节省资本成本，因为库存中的资金减少了。

2.缩短交货时间
 
通过识别生产过程中的瓶颈和延迟，公司可以缩短向客户交付产品的交付时间，从而节省运输成本并提高客户满意度。这还可以降低催货和空运的成本，并提高准时交付的绩效。

3.提高效率
 
通过消除生产过程中的浪费和低效，公司可以减少能源消耗，最大限度地减少废料和返工，并提高机器利用率。

4.减少废料和返工
 
通过识别和消除缺陷的原因，公司可以减少因生产过剩或缺乏质量控制而产生的废品和返工。

5.减少停机时间
 
通过识别和消除瓶颈和延迟，公司可以减少因生产过剩或资源不足而导致的停机时间，从而通过提高生产率和降低维护成本来节约成本。

6.提高客户满意度
 
通过缩短交付周期、增加准时交付和提高产品质量，公司可以提高客户满意度，从而通过减少退货、增加销售和提高客户忠诚度来节约成本。

7.改善供应商关系
 
通过识别供应商的问题，如交货时间的延迟，组织可以采取措施改善这些关系，并协商更好的价格或交货条款。这有助于降低原材料和其他资源的成本。

8.降低运营成本
 
通过分析整个供应链流程，价值流图可以帮助确定可以降低成本的领域，例如减少供应商数量、整合订单或减少包装材料。

使用正确的工具
 
价值流图当然可以在纸上完成，使用强大的可视化业务工具，如Minitab工作空间或者迷你标签接合可以使这一过程变得容易得多，尤其是当您的团队位于不同的地区或办公地点时。
收起阅读 »

写在前面：只关注如何把产品制造出来，在速度和数量上领先他人，已不能构建企业的核心竞争力。
在这之外，我们还需关注工程化能力，关注卓越运营能力。
如何关注？这便是本专栏的目标和期望。请看下文。
 
01 十年质量路，生存还是蛰伏？

2011年，质量强国战略在全国质检工作会议上首次被明确提出；2012年，十八大报告中9次提及“质量”；2017年，十九大报告强调“必须坚持质量第一、效率优先”。

十年一刻，星河流转，数字的荒原长出参天大树，制造与智造的来路花团锦簇。我们身处其中，既是见证者，亦是同行者。但光辉之外，紧迫性和危机感依旧步步紧逼，时刻提醒我们：中场休息的时机并未到来。

当下的政治经济形势相较以往要复杂数倍、艰难数倍，技术业态急剧更迭，行业内卷愈演愈烈。据《2023中小企业数字化模式创新研究报告》，中小企业当前面临的主要问题在于“生存与扩张”，“活下去”是经营者的首要任务。

好在，走势向好始终未变。2023年2月6日，中共中央、国务院印发《质量强国建设纲要》，对产业质量竞争力、产品、工程、服务质量水平、品牌建设等层面设立了明确目标。

国家层面的重视与扶持，无疑是一剂强心针，意味着趋势与方向的必然与正确，也考验着企业的韧性、战略、视野及能力。

02 国务院最新纲要发布，质量风向标如何解读？



我们对《纲要》中涉及到制造业的内容进行了梳理：

1.强化产业基础质量支撑

·改进基础零部件与元器件性能指标，提升可靠性、耐久性、先进性

·推进基础制造工艺与质量管理、数字智能、网络技术深度融合，提高生产制造敏捷度和精益性

·支持通用基础软件、工业软件、平台软件、应用软件工程化开发，实现工业质量分析与控制软件关键技术突破

2. 提高产业质量竞争水平

·以质量创新促进服务场景再造、业务再造、管理再造

·加快传统制造业技术迭代和质量升级，强化战略性新兴产业技术、质量、管理协同创新，培育壮大质量竞争性产业，推动制造业高端化、智能化、绿色化发展

3. 推动工业品质量迈向中高端

·发挥工业设计对质量提升的牵引作用，大力发展优质制造，强化研发设计、生产制造、售后服务全过程质量控制

·实施质量可靠性提升计划，提高机械、电子、汽车等产品及其基础零部件、元器件可靠性水平，促进品质升级

4. 提升全面质量管理水平

·鼓励企业制定实施以质取胜生产经营战略，创新质量管理理念、方法、工具，推动全员、全要素、全过程、全数据的新型质量管理体系应用，加快质量管理成熟度跃升

·强化新一代信息技术应用和企业质量保证能力建设，构建数字化、智能化质量管控模式，实施供应商质量控制能力考核评价，推动质量形成过程的显性化、可视化

·引导企业开展质量管理数字化升级、质量标杆经验交流、质量管理体系认证、质量标准制定等

很显然，全面质量管理、质量管理数字化、生产制造精益性、可视化、可追溯性是重要关键词。

再加之各地对于星级上云企业提供的最高可达数十万的财政补贴，部署相关软件，以达成质量管理数字化、生产制造智能化，是板上钉钉的“又一助力”。

能拉开差距的是时间，以及所选择的软件工具最终呈现出的能力。

03 全面质量管理数字化系统，助力智能制造转型升级

本期案例智，我们依旧从具体客户案例入手，具象化呈现软件工具赋能质量管理升级转型。

电工行业国企F，为全面落实国家高质量发展要求，实施质量提升行动，对质量文化理念、质量管理基础工作、质量研发制造体系等多维度向我们提出明确诉求。

考虑到客户背景和项目的复杂程度，海岸线科技与F公司进行了多轮线下调研、线上会议，双方很快达成共识：以零缺陷理念为核心，部署一套全面质量管理数字化系统。


▲ 海岸线TTQM搭建企业运营战情室

与此同时，海岸线链企学院资深专家也在F公司内部开展了系列零缺陷教育活动，对管理一次做对、设计一次做对、生产一次做对等内容进行系统培训，让零缺陷理念在内部落地生根。

理念先行，工具随后。我们为F公司搭载的这套全面质量管理数字化系统，先后上线了AQP FMEA、全场景覆盖质量保证体系（专业版QMS-PQM）、全生命周期管理系统（PLM）、全面供应链管理（TSCM）等信息化系统。

从需求管理、协同设计、流程管理再到工艺管理、缺陷管理、变更管理，零缺陷理念与数字化技术结合，质量部门与信息化、业务部门紧密配合，打通各业务系统信息数据的阻点，在提高资源共享水平的同时，全面提升研发制造全流程的标准化、数字化、集成化、智能化水平。

随着零缺陷管理从线下转化到线上，质量全过程管理信息化、可视化的实现，全面质量管理模式不断完善。F公司的产品质量可靠性和稳定性也在系统部署后不久取得成效，产品一次检验合格率显著上升，质量损失率呈下降趋势。

《质量强国建设纲要》发布前后，不少公司开始进行有关QMS及其它质量管理数字化工具的咨询，相较以往同期多上数倍，其中几家公司已进入立项阶段。 收起阅读 »

FMEA——主动预防

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

那在什么时候需要预防呢？
 




● 第一种情况：新设计、新技术、新工艺的出现。

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

● 第二种情况：对现有设计或过程的新应用。

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

所以我们要基于新环境、新场地，对现有设计或过程的影响重新做FMEA分析。

● 第三种情况：对现有设计或过程的工程变更

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

● 第四种情况：企业建立FMEA数据库

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

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


FMEA——团队协作

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

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

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




大体上来说我们一般将FMEA团队分为核心成员以及扩展成员两部分。

● 核心成员必不可少，属于常驻人员，其工作需要从FMEA的开始到结束。

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

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

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

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

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

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

下一期，我们将一起了解FMEA的逻辑思维。 收起阅读 »

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

01
企业为什么要做FMEA

● FMEA是一种预防风险的工具

相信所有的公司都希望把产品的质量做好，通常情况下，控制质量，有两个方向：

1. 前端做好质量上的预计、预测、预防

2. 后端做好过程当中每个环节的管控

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

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

● FMEA可以帮助你提前预判风险的发生

通常情况下，如果预防的事情没有发生，你会觉得FMEA好像没啥用。

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

而这，就是FMEA的价值。

02
做好FMEA的意义

● 借助FMEA，减少量产期间产生的风险损失



图一

我们先来看这张图（图一），横轴表示项目开发周期，纵轴表示项目变更成本。

在项目开发初期，一切都是向好的，大家都觉得计划没有问题。

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

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

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

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

这是多数企业正在面临的现状。

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

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

那么究竟在什么时间段开始做FMEA比较适合呢？

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

03
建立FMEA知识库

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

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

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

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




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

下一期，我们一起来探讨，想要做好FMEA需要注意哪些。 收起阅读 »

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

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

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

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

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

解决方案 1：预测分析可以帮助您轻松识别最重要的变量。

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



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

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

解决方案 2：预测分析提供可视化效果来帮助您设置合理的限制。

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



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

预测分析只是与 DOE 携手并进的众多工具之一。

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

IRIS 换版相关规定如下：

1. 初次认证审核Certification Audit

2023年9月1日之前仍可按照IRIS 03进行审核（截至到2023年8月31日），从2023年9月1日开始起须按照IRIS 04进行审核；

2. 监督审核 Surveillance Audit

IRIS 03 监督审核截止至2023年12月31日，其后需按照IRIS 04实施升级审核。

3. 换证审核 Recertification Audit

IRIS 03的换证审核截止至2023年8月31日，其后需按照IRIS 04实施升级审核。

4. 转版审核

在任何情况下，IRIS 03若升级为IRIS 04, 需按照换证审核类型并增加Readiness Review(RR)。

5. 标准切换

ISO/TS 22163最晚将于2023年12月31日正式停用，之后将完全切换为ISO 22163标准。 收起阅读 »

良好的数据分析可以让您更快地做出更明智的决策。在 Minitab，我们一直在努力让您更轻松地分析数据和传达这些结果，以便您可以继续推进您的项目。恰当的例子：Minitab 中的变异图。

可变性图表可以轻松识别数据中的可变性来源；无论您是将其用作初步分析工具还是在最终报告中用于证明主要变异来源。

示例 1：交流临床研究的结果

考虑一项临床研究，食品制造商调查了六种产品的风味差异。研究在第 2 天重复进行。以下示例显示了数据的排列方式：



我们首先选择Stat > Quality Tools > Variability Chart 下的 Variability Chart …



纵轴代表风味评分，横轴包含产品代码和天数。



很容易看出，LHA .50% w/ DRN 4产品在这两天的平均风味评分（由线条连接）更高。此外，通过变异性图表可以很容易地看出，与所有其他产品相比，当前产品的风味评分差异要小得多。

如果目标是最大化风味，一个合理的结论是，虽然当前产品提供更一致的风味，但LHA .50% w/ DRN 4产品将需要一些工作来减少这些风味评分的变化。变异性图表是展示本研究结果的绝佳选择，因为它以清晰、简洁的视图显示了LHA .50% w/ DRN 4产品的较高平均分数和当前产品的少量变异。

示例 2：可视化从医疗设备制造过程中收集的数据

现在考虑我们已经从测量医用泵输液量的过程中收集了数据。我们使用两种不同的材料类型在两条输送线上以四种不同的泵速收集数据。这是一个显示数据排列方式的示例：



与第一个示例一样，我们在Stat > Quality Tools > Variability Chart中找到了 Variability Chart 对话框……在这里我们还选择了Standard deviation chart：



使用变异图可以很容易地将这三个因素可视化在一个图表中：



我们可以看到总体平均值约为21.5，用水平线表示所有级别。泵速1300内的可变性表明结果低于总体平均值。我们还可以看到材料代码 9978在第一行和第二行的灌注测量值始终较低。还很容易看出，与其他泵速相比， Pump Speed 1400内的可变性要高得多。

Variability Chart 还提供了一个选项来创建数据的标准偏差图 - 在这里很容易看到泵速为1400时的变化在Line和Material Code的水平上更高。


  收起阅读 »

1、5S
“5S”是整理(Seiri)、整顿(Seiton)、清扫(Seiso)、清洁(Seiketsu)和素养(Shitsuke)这5个词的缩写.

•     整理(SEIRI)：将现场需要的东西与不需要的东西分开，把不必要的东西处理掉。如撤去不需要的设备、管线、工具、模型和个人物品等。
• 整顿(SEITON)：把要用的东西，根据使用频度分别放置，使常用的东西能及时、准确地取出，保持必要时马上能使用的状态和谁都能了解的状态。如放置场所与通道的标志、放置物品及其管理者的标志等。
• 清扫(SEISO)：去除现场的脏物、垃圾、污点，经常清扫、检查，形成制度，采取根治污物的对策。如彻底改善设备漏水、漏油、漏气以及易落下灰尘等状况。
• 清洁(SEIKETSU)：企业、现场、岗位、设备时时保持干净状态，保持环境卫生。如定期进行卫生、安全检查，采取防止污染、噪声和震动的对策，使现场明亮化。
• 素养(SHITSUKE)：要加强修养，美化身心，做到心灵美、行为美。人人养成良好的习惯，自觉遵守和执行各种规章制度和标准。

 
2、8D
     8D问题解决法（Eight Disciplines Problem Solving，缩写：8D）也称为团队导向问题解决方法或8D report，是一个处理及解决问题的方法，常用于品质工程师或其他专业人员。
     最早8D问题解决法分为8个步骤，但后来又加入了一个计划的步骤D0。8D问题解决法依照PDCA的循环，其作法如下：

• D0：计划：针对要解决的问题，确认是否要用到8D问题解决法，并决定先决条件。
• D1：建立团队：建立一个团队，由有产品或制程专业知识的人员组成。
• D2：定义及描述问题：用可以量化的何人（Who）、何物（What）、何地（Where）、何时（When）、为何（Why）、如何（How）及多少钱（How much）（5W2H）来识别及定义问题。'Description + Photos'
• D3：确认、实施并确认暂行对策：定义暂行对策矫正已知的问题，并实施并确认此对策，避免用户受到问题的影响。Immediate action + Immediate correction
• D4：确认、识别及确认根本原因及漏失点（escape points）：找出所有可以会造成此问题的原因，并且找到为何在问题发生后没有注意到有问题。所有的问题原因都需要经过确认或是证实，不只是单纯脑力激荡的结果。可以用五问法或是鱼骨图来根据问题或是其影响来标示其原因。Root cause found + Fish bone analysis.
• D5：针对问题或不符合规格部分，选择及确认永久对策：经过试量产来确认永久对策已经解决客户端的问题。 Corrective action
• D6：实施永久对策：定义并实施的对策。
• D7：采取预防措施：为了避免此问题或类似问题再度发生，修改管理系统、操作系统、实务及流程。
• D8：感谢团队成员：认可团队整体的贡献，需要由组织正式的感谢此团队。

 
3、​5C报告
      5C报告是DELL为质量问题解决而提出来的，即五个C打头的英文字母的缩写：描述；围堵措施；原因；纠正措施；验证检查。相比于8D报告简单了些，但是基本思想相同
      为了书写更优良的5C报告，需要遵守“5C”准则：

• C1：Correct（准确）：每个组成部分的描述准确，不会引起误解；
• C2：Clear（清晰）：每个组成部分的描述清晰，易于理解；
• C3：Concise（简洁）：只包含必不可少的信息，不包括任何多余的内容；
• C4：Complete（完整）：包含复现该缺陷的完整步骤和其他本质信息；
• C5：Consistent（一致）：按照一致的格式书写全部缺陷报告。

 
4、IE七大手法
      IE七大手法：动作改善法（动改法）、防止错误法（防错法）、5*5W1H法（五五法）、双手操作法（双手法）、人机配合法（人机法）、流程程序法（流程法）、工作抽样法（抽样法）
     

• 防止错误法(Fool-Proof) 防错法：如何避免做错事，使工作第一次就能做好的精神能具体实现。
• 动作改善法(动作经济原则) 动改法 ：改善人体动作方式，减少疲劳使工作变为更舒适、更有效率。
• 5×5W1H法(5×5何法) 五五法：借助质问的技巧来挖掘出改善的构想。
• 双手换做法(左右手法) 双手法：研究人体双手在工作的过程中藉以发掘出可资改善的地方。
• 人机配合法(多动作法) 人机法：研究探讨操作人员与机器工作的过程，藉以发掘出可以改善的地方。
• 流程程序 法流程法：研究探讨牵涉到几个不同工作站或地点之流动关系，藉以发掘出可以改善的地方。
• 工作抽查法 抽查法：借着抽样观察的方法能很迅速有效地了解问题的真相。

 
5、5W3H

•  Why：为何----为什么要做？为什么要如此做（有没有更好的办法）？（做这项工作的原因或理由）
• What：何事----什么事？做什么？准备什么？（即明确工作的内容和要达成的目标）
• Where：何处----在何处着手进行最好？在哪里做？（工作发生的地点）？
• When：何时----什么时候开始？什么时候完成？什么时候检查？（时间）
• Who：何人----谁去做？（由谁来承担、执行？）谁负责？谁来完成？（参加人、负责人）？
• How：如何----如何做？如何提高效率？如何实施？方法怎样？（用什么方法进行）？
• How much：何价----成本如何？达到怎样的效果（做到什么程度）？数量如果？质量水平如何？费用产出如何？
• How feel：客户感受----该问题对客户造成了怎么样的满意度上的影响。

 
6、5M1E
   5M1E分析法，是指造成产品质量的波动的原因主要有6个因素的总称。由于这六个因素的英文名称的第一个字母是M和E，所以常简称为5M1E。6要素只要有一个发生改变就必须重新计算。工序质量受5M1E即人、机、料、法、环、测六方面因素的影响，工作标准化就是要寻求5M1E的标准化。
   

• 人（Man/Manpower）：　操作者对质量的认识、技术熟练程度、身体状况等；
• 机器（Machine）：　机器设备、工夹具的精度和维护保养状况等；
• 材料（Material）：　材料的成分、物理性能和化学性能等；
• 方法（Method）：　这里包括加工工艺、工装选择、操作规程等；
• 测量（Measurement）：测量时采取的方法是否标准、正确；
•  环境（Environment）　工作地的温度、湿度、照明和清洁条件等；

 
7、QC 旧七大手法
      品管七大手法又称新旧QC七大工具（手法），是由日本总结出来的。品管七大手法主要包括控制图、因果图、直方图、排列图、检查表、层别法、散布图。

• 鱼骨图Characteristic Diagram：鱼骨追原因，寻找因果关系
• 层别法Stratification：层别作解析，按层分类,分别统计分析
• 柏拉图Pareto Diagram：柏拉抓重点，找出“重要的少数”
• 查检表Check List：查检集数据，调查记录数据用以分析
• 散布图Scatter Diagram：散布看相关，找出两者的关系
• 直方图Histogram：直方显分布，了解数据分布与制程能力
• 控制图Control chart：管制找异常，了解制程变异

 
8、新七大手法
    

• 关联图(Relationship Diagram): 又称关系图，20世纪60年代由日本应庆大学千住镇雄教授提出，是用来分析事物之间“原因与结果”、“目的与手段”等复杂关系的一种图表，它能够帮助人们从事物之间的逻辑关系中，寻找出解决问题的办法。
• 亲和图(Affinity Diagram): 又叫KJ法，是日本川喜田二郎首创，把大量收集到的关于未知事物或不明确的事实的意见或构思等语言资料，按其相互亲和性(相近性)归纳整理这些资料，使问题明确起来，求得统一认识和协调工作,以利于问题解决的一种方法。
• 系统图(System Diagram): 就是把要实现的目的与需要采取的措施或手段，系统地展开，并绘制成图， 以明确问题的重点，寻找最佳手段或措施的一种方法。
• 过程决策程序图(PDPC): 又称PDPC(Process Decision Program Chart)法是随事态的进展分析能导致各种结果的要素，并确定一个最优过程使之达到理想结果的方法。
• 矩阵图(Matrix Diagram): 就是从多维问题的事件中，找出成对的因素，排列成矩阵图，然后根据矩阵图来分析问题，确定关键点的方法，它是一种通过多因素综合思考，探索问题的好方法。
• 矩阵数据分析法(Matrix Data Analysis Chart): 是对多个变动且复杂的因果进行解析。 矩阵图上各元素间的关系如果能用数据定量化表示，就能更准确地整理和分析结果。这种可以用数据表示的矩阵图法，叫做矩阵数据分析法。在QC新七种工具中，数据矩阵分析法是唯一种利用数据分析问题的方法，但其结果仍要以图形表示。
• 箭条图(Arrow Diagram): 是将项目推行时所需的各步骤、作业按从属关系用网络图表示出来的一种方法。

收起阅读 »

我发现了一个很有意思的例子，是关于识别某制造厂的主要能源使用来源。

什么时候适合使用逐步回归？

当您有许多变量并且想确认有用的预测变量子集时，逐步回归就是一种合适的分析方法。在 Minitab 中，标准的逐步回归程序每次都只添加和删除一个预测变量。当模型中未包含的所有变量的 p 值都大于指定的入选用 Alpha 值，且模型中所有变量的 p 值都小于或等于指定的删除用 Alpha 值时，Minitab 停止。除了标准逐步法外，Minitab 还提供另两种逐步程序：

* 向前选择法： Minitab 以模型中没有任何预测变量开始，并为每个步骤添加最显著的变量。当模型中未包含的所有变量的 p 值都大于指定的入选用 Alpha 值，Minitab 将停止。

* 向后消元法： Minitab 以模型中包含所有预测变量开始，并删除每个步骤的最小显著项。当模型中包含的所有变量的 p 值都小于或等于指定的删除用 Alpha 值时，Minitab 将停止。

逐步回归示例

本示例使用逐步回归识别主要的能源使用来源。制造厂的分析师考虑了以下预测变量：生产产品总数、设备总运行时间、员工人数、平均室外温度、最低室外温度、最高室外温度、日照百分率以及设备平均寿命。但值得注意的是，当预测变量达到 100 个以上时，逐步回归会非常有用！



他们的目的是将这些变量缩小到能源使用的主要预测变量列表中。为得到最终模型，在 Minitab 中选择统计 > 回归 > 逐步，并输入响应“能源”和上面的预测变量列表来完成对话框。



他们的目的是将这些变量缩小到能源使用的主要预测变量列表中。为得到最终模型，在 Minitab 中选择统计 > 回归 > 逐步，并输入响应“能源”和上面的预测变量列表来完成对话框。



他们得到了下面的模型，该模型中包含了设备总运行时间、最高温度和设备平均寿命三个预测变量。Minitab 删除了其他变量，因为这些变量的 p 值大于入选用 Alpha 值。



为获得最终模型，分析师选择统计 > 回归 > 回归，并通过将“能源”作为响应，且三个显著变量作为预测变量来完成对话框。（要检查残差图，在对话框中选择图形，然后在残差图下，选择四合一。）





以下回归方程表明，随着设备总运行时间、最高温度和设备平均寿命的增加，能源使用也相应增加：



根据 T 统计值，设备总运行时间的影响最大，最高温度次之，然后是设备平均寿命。



通过分析，分析师可以得出这样的结论：由于大量使用空调，能源使用显著增高；而较新的设备看上去降低了能源使用。工厂可能想要在持续使用空调的高峰期限制设备的运行，并考虑在夏季来临前购置新设备。

P逐步回归的陷阱

虽然逐步回归能帮助我们了解很多，但也存在一些需要注意的潜在陷阱：

· 如果两个独立变量高度相关，那么即使他们都很重要，模型中可能只包含其中一个。

· 由于该程序可以拟合许多模型，因此可能只是偶然的选择了恰好拟合数据的模型。

· 对于给定数量的预测变量，逐步回归可能不会总是以具有最高 R2 值的模型结束。

· 自动程序无法考虑分析师可能掌握对数据的特殊知识。因此，所选的模型可能不是最实用的。

· 根据响应来绘制单个预测变量图通常具有误导性，因为图形没有考虑模型中的其他预测变量。 收起阅读 »

GBT 14471-2013 头戴耳机通用规范

 Tate & Lyle 是食品与饮料行业的全球领导者，他们的口号是“生产优质食品”，在以下领域有着令人惊叹的辉煌成就：将玉米、木薯淀粉和其他原料制作成配料，以改进食品的口感、质地和营养。该公司在美国最知名的产品之一是甜味剂 SPLENDA® 三氯蔗糖。

当 Tate & Lyle 面临玉米葡萄糖精制过程的挑战时，该公司选择 Minitab 软件来解决问题。

挑战：使结晶颗粒大小均等

在 Adam Russell 最初担任 Tate & Lyle 全球运营黑带大师时，他面临着以下挑战：使他们生产的玉米葡萄糖的颗粒保持同等大小。

“结晶过程的质量特征的一项关键因素就是颗粒大小分布”，Russell 表示，“这究竟为何如此重要？20-30 年前，我们产品的目标客户所期待的是玉米葡萄糖的口感和质地能接近普通的食用糖或蔗糖。为此，我们必须确保颗粒大小分布在一定范围内”。

Tate & Lyle 所面临的难题是，一些颗粒的大小在可接受范围之外，而他们无法找到原因。该公司罗列了一些他们认为对颗粒大小变异造成影响的传统因素：

温度

压力

流速

pH

传导性

相关因素还在不断增加。

Minitab 如何帮助他们



Tate & Lyle 在 Companion by Minitab（现为 Minitab Engage®）中创建的过程图简化版本。在玉米葡萄糖结晶过程中，糖浆由精炼厂提供，然后进行结晶（需要数天完成），接着用离心机进行分离，脱水并装袋，销售给客户。

为解决问题，该公司第一步使用 Companion by Minitab （现为 Minitab Engage®）创建了过程图，详细体现了结晶过程（详细了解过程图）。颗粒大小分布不能可靠地控制在严格范围之内，因此他们想要了解造成变异的原因以及如何进行控制。

“所有项都在一家化工厂内进行测量”，Russell 说道，“每个可能的点都拥有发送器，可为数据历史功能提供信息。这本身非常棒，但也为我们带来了难题，信息量太大，我根本无从着手”。

为了直观地了解颗粒大小数据，Russell 和他的团队使用 Minitab Statistical Software 创建了如下 Xbar chart 控制图.

虽然这些变量之间的多种关系都是非线性的，但是这也证实要发现它们相互之间的影响是非常困难的。此外，颗粒大小在它装袋销售给客户之前是未知的，因为在这之前它处于干燥阶段，其形态是介于液体和固体之间的凝胶状，称为“浆体”。

此类模型具有 1,000 多个可能的输入。多个单独的回归模型并不能寻找到答案。



关键过程指标是制成品的变异系数 (CV)，在此显示在使用 Minitab Statistical Software 创建的 Xbar 控制图中。

由于多个预测变量以极其复杂的方式相互影响，因此需要采用有组织的方法来标识哪些预测变量对颗粒大小分布的影响最大。他们需要使用 TreeNet 中的 Salford Predictive Modeler (SPM).

“只使用传统建模技术的话，非常困难”，Russell 表示，“我们很难了解变量与结果之间的关系。幸运的是，SPM 的 TreeNet 使我们可以轻松地专注于关键预测变量，并使我们能够设计出能够有效处理这些预测变量的策略。我坚信 Minitab 和 SPM 的 TreeNet 算法可以有效地进行协作。当然，SPM 不能替代 Minitab 或其他统计程序，但当我们将两者结合使用时，我认为我们能更快获得答案，这再好不过了”。

Russell 使用了 TreeNet 中的默认设置并调整了树的数量。当他着手剃除预测变量时，他开始了解它对检验 R 平方值的影响。



此颗粒大小控制模型仅有 8 个预测变量，但能说明检验样本中一半的变异。

为了找出这些关键变量背后真正的含义，Russell 使用了 SPM 的部分依赖图。某些变量落在了部分依赖曲线的陡峭位置，这揭示了它们的重要性。如果不使用 SPM 部分依赖曲线，那么可能无法发现这些变量的重要性。

然后，Russell 使用了一种直接的逐步方法。他每次从中剔除一个变量，然后观察对 R 平方产生的影响。起初并无任何重大改变，直到他剔除第四个最重要的变量。他将此变量告知制造团队并向他们了解此变量的更多信息。

成果

Russell 使用 SPM 的变量重要性排名功能将 1,000 多个预测变量迅速缩减到区区 8 个。而且单这 8 个预测变量就导致了检验样本中的近一半变异。

使用 SPM 的“从顶部剔除”功能，Russell 得以快速分辨出相较于其他任何变量而言对 R 平方的影响更显著的变量。最终证实此变量与结晶系统的原料流相关，但其对最终产品的影响在 Russell 创建 SPM 模型之前并不清晰。

之后，在 SPM 部分依赖图的帮助下，Russell 了解到了此变量对于颗粒大小不可靠性的影响很大。SPM 的部分依赖图展示了在“沿着分布曲线进行”更改时，此变量如何发生改变来响应这些更改。

“我们沿着此分布曲线的陡峭部分进行”，Russell 说道，“幸运的时候，变异系数会较低，而不那么幸运时，变异系数会较高。如果不使用 SPM，我永远也不会了解到这点”。

Russell 实现了他的目标，十分满意，他找到了几种方式来减小玉米葡萄糖晶体最终大小的变异，帮助食品制造商使用这些配料来改进销售给客户的产品。*该案例研究是在 2021 年推出 Minitab Engage 之前使用 Companion by Minitab 创建的。 收起阅读 »

眼下，数不清多少企业正在数字化转型中摸爬滚打。从南到北从东往西，自国企央企向民营企业，仿佛追不上智改数转的大风，就必然要被高质量发展的时代趋势远远甩在身后。

这倒也没错，只是现实残酷得多。

整个制造产业再也无法回到二十年前的盛况：只要保证产品正常生产，利润之高就几乎可以无视掉生产浪费。

各大企业主迫切追求组织形态变革和智能制造升级，软件买上了，费用追加了，投入规模扩大了，实际转型成效却没见着。

各部门信息滞后程度无从改善；利润难以再承担漫长的研发周期及“苛刻”的产品质量要求；缺少数字化管理专业团队，人员组织一盘散沙；还有欺上瞒下乱象不止，一句“这是研发必需设备”就能让非技术出身的决策者哑巴吃黄连。

开弓没有回头箭，白热化的竞争格局也不会手软。对广大企业主而言，理想目标与实际现状之间，比月亮和六便士的距离还要遥远。


智改数转现状：虚焦的企业增长新引擎

让我们先看看腾讯研究院日前发布的《2022国有企业数字化转型调研报告》《制造业数字化转型洞察报告》。

报告对当前企业数字化转型的现状与趋势、投入与成效、问题与障碍、路线与模式等不同维度进行了深度梳理总结。

企业数字化转型存在以下几个特征：

1.转型仍处于初期阶段，与预期目标之间有明显差距；

2.在外部合作商及方案选择上，更倾向综合转型规划和解决方案；

3.认为应用软件部署和基础设施建设是重点投入方向，此外，数字人才培养也是重要投入之一；

4.费用投入增加与转型成效提高之间并无明确正相关性；

5.一般转型顺序为：管理角度-优化行政和决策；用户角度-优化营销和服务；产品角度-优化研发和生产；

6.跟风上马数字化项目、资源浪费或投入不足、技术决定论等是国有企业在数字化转型进程中面临的主要风险；

7.缺乏数字化转型的清晰愿景，从而无法对症下药制定数字化战略，而认识不足及企业内部的认知差异被认为是转型战略虚焦的主要原因。



从整体表现来看，长周期、重投入、见效慢是企业数字化转型的普遍困境。


而内部认知模糊、组织结构模糊造成的不必要资源浪费，与迷信技术的万能、盲目追求技术高精尖、陷入技术决定论一起，构成数字化转型的两大核心风险。

换一个角度来看，这困境和风险也许是存量竞争时代里的一种“幸运”。

既然数字化转型势不可挡，“普遍”也许就是站在同一起跑线上的企业们弯道超车的绝佳机会：谁能率先完成底层科学和认知的革新，让“人性”变得可视、可控，谁就掌握了制胜先机。

这也是我们反复强调卓越运营的根因所在。

技术永远只能解决单点问题，其背后还是策略和方法论。如何全面深入地进行认知统筹，从而制定规划、分解计划，才能让技术和工具发挥最大价值。

当然，理念说得再多仍是务虚之事。本专题之所以名为【案例智】，便是希望能用实际案例为载体，提供具有普遍可行性、高复制性的提升思路。

本期案例智以生产制造环节的数字化精益改造为切入点，呈现优秀的软件工具承载并落地理念的逻辑和过程。

请看下文案例。


聚焦智能制造之制造，打通精益生产升级之路

海岸线此前服务了一家电子制造企业A，该企业的市场竞争战略为高质量下的成本领先和差异化战略。

在上一篇文章（插入文章链接）中我们就已提到，海岸线拥有自己的专家问诊团队，立项最初，海岸线便通过实地访谈、问卷调研等调研活动，摸清了该企业的情况，并为其着手制定针对性的解决方案。

A企业是典型的多品种小批量生产模式。现有工厂的管理设备和管理手段基本停留在基础检验和简单的数据采集上，缺乏体系化的质量管理，存在信息孤岛，导致质量控制过程割裂，人工投入多，综合质量成本高。

这些弊病并非轻易选择一个数字化软件工具就可以解决的，因而，我们首先针对其存在问题进行了主要原因分析：

精准地发现问题、精准地解决问题，是海岸线引以为傲的价值所在。

通过对源头问题的研判，海岸线沿着这一脉络为A企业制定了智能制造的规划蓝图，打通业务流、信息流和实物流。这是精益化生产改造的前提，为之后的信息化和数字化系统搭载铺平道路。


基于价值流和生产制造全流程，海岸线为A企业量身定制的解决方案。


海岸线PQM作为全场景覆盖的可视化、无纸化、体系化专业版QMS，将生产制造的颗粒度细化到全流程单片质量/单批次质量，关联整个制造工艺流程，提高周转效率，让质量数据主动指导行为决策，实现质量成本至少30%的降低。


关联产品全生命周期（PLM）、AQP FMEA、Voice问题管理等不同软件及灵活组配的功能模块，实现全流程质量管理闭环，借由畅通的软件将过程中得出的最佳实践固化到系统中，为今后的持续改进提供有力支撑，保持稳定的高质量输出，最终实现企业成效的最大化。

目前，这一套数字化管理系统已在A企业内部实施了一段时间，企业逐步实现了从粗放管理到精细管理的过渡，不仅让生产作业效率大幅提升，物料、计划调度、生产控制的能力也得到显著提升。



同样，建立在透明畅通的数据之上的运营体系，也实现了对人的“优化”——软件生成数据取代人力汇报文件，一方面让管理者从繁琐冗余事物中脱身，另一方面也大大压缩不可控的弄虚作假空间。



智改数转和卓越运营的内中乾坤自然不是一两篇文章可以说完的。接下来，我们还将结合案例和国家政策标准，持续解读数字化人才评估模型、企业架构成熟度模型、数字化人才培养的进阶方式，其中包含申请国家认证、达成成熟度某某等级这样的实际问题。

关注我们，第一时间获取相关干货。



走进海岸线

全标准覆盖国产FMEA软件

全场景覆盖专业QMS软件

适配APQP的轻便版PLM软件

适配第三方审核标准的稽核软件

产品全生命周期异常管理软件

研发-生产-供应链-客户全闭环质量管理方案

全面供应链管理数字化解决方案
  收起阅读 »

实施六西格玛管理的目标就是希望生产出的产品的特性指标的标准差要尽可能小（只调节均值对中效果有限）。



让标准差尽可能小不是件简单的事，它可能牵涉生产中的很多因素。生产中产生的变异这么大，到底是哪些原因形成的？通过事先安排好的计划，有规律地去收集生产过程中的有关数据，通过统计分析，我们不但要弄清楚变异是由哪几部分原因组成，而且要定量地给出每部分原因所产生的变异究竟在总变异中占多大的比例。我们要找出产生变异的“罪魁祸首”，并把所有对产生变异有“贡献”的因素，按其对产生总变异的“贡献率”排成队，定量地列出一个需要解决的问题的顺序清单，以便在选择攻关项目时作为参考依据，这种分析方法就是我们所说的变异源分析，这一块内容在蓝皮书上有详细介绍（参见蓝皮书第三版第9章）。变异源分析是一个很大的课题，我们今天通过一个简单的案例强调一下它的重要性。

案例
一家纺织厂用许多台织机编织一种织物，希望织机尽量相同使得织物的强度一致。过程工程师怀疑除了同一台织机编织的织物间强度会有差异外，在不同的织机间织物的强度也有显著差异。为此，她随机选择了4台织机并对每台织机生产的织物进行了4次强度测量，实验按随机顺序进行，数据如下所示：










在输出结果中，我们主要关注的是方差分量这一块。我们可以看到任一强度观测的方差为8.85417（标准差2.97560），其中大部分的变异来源于织机间的差异（方差为6.95833，标准差为2.63786），占总变异比率为78.59%，剩下变异全归随机误差方差为1.89583（标准差为1.37689），占总变异比率为21.41%.

这个案例的操作和解释到此结束，现在我们再回到文章的开头。学变异源分析不是让大家热衷对方差分析的深入研究，比如这里方差分量的计算，而是要去对过程变异的关注。现在强度的变异非常大，过程不良率非常高，如下图所示：



容易看出，过程输出中有相当大的比例落在规格限之外。过程工程师疑虑为什么这么多的织物不合格，需要报废、返修或降格为低质量产品。答案是产品强度的差异主要源于织机间的差异，织机间性能的差异可能源于错误的设置、缺乏保养、缺少监管、操作员技术差、原材料有问题等。过程工程师现在需要去现场查找造成织机性能差异的具体原因，若她能找出并消除织机间差异的根源，过程产出的标准差就可以明显减少，也许可以低到1.37689，如下图所示。虽然不太可能根除织机间的所有差异，但是，方差分量的明显减小显然能大大提高所产织物的质量。



其实，看上图和方差分量的结果，我们可以看出来，即使通过改善把织机的变异源消除，剩下的变异还是很大（变异占比21.41%），说明还可能存在其他变异来源，所以把织机问题解决后我们还要进一步分析。

吐槽一下
变异源分析背后理论涉及到方差分量的计算，详细推导可以参考蒙哥马利的《实验设计与分析》，但我在这里也不得不说一下很多朋友就是因为看书才放弃了这一块内容的研究学习，原因很简单：公式太复杂，然而计算这一块我们交给Minitab软件就行了。我们需要做的是在前期：变异来源有哪些？这些因子是随机还是固定？这些因子之间的关系是交叉还是嵌套？基于这些问题再去制定数据收集计划，计算交给软件，我们会解读结果即可。

另外，变异源分析也是我们常用工具（如MSA、SPC和DOE等）的基础，没有变异源的调查这些分析可以说是毫无意义。 收起阅读 »

先给大家讲一个真实案例吧。

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

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


时至今日，类似的事情仍旧时有发生。

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

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

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

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


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

正如开头所说，从源头遏制问题，才能让企业得到更好发展。


今天，我们就将结合实际客户案例，先来剖析如何更科学地实现研发质量管理闭环。


找准裁判，一次做对，提升质量和可靠性

裁判，是研发质量管理在价值链当中的角色定位。

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

那么，该怎么做，如何做?

让我们来看看某车企研发质量管控案例。

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

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

受篇幅所限，此处我们仅展示部分待改善点：

·一味缩短研发周期，导致关键路径缺失，分析遗漏

·研发后期质量问题集中爆发，研发陷入“救火式战役”

·质量损失成本居高不下

......

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

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


#问题解决与反溯

·发起问题帮助质量管理人员找到问题所在；

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

·采用根因分析、鱼骨图、5Why等方式，分析并确定直接、间接和根本原因；

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

#再发防止经验库

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

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

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

#新项目应用

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

以一款全新车型的DFMEA为例。

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

作为各阶段的检查清单，确保设计、质量、试验、生产各个环节将措施落实到位。

针对检查结果及对应解决方案，进行项目组层级评审，明确进一步优化可行措施。


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

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

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

使用测量系统分析最大限度地减少生产中的变化

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

使用统计过程控制来提高产量并避免制造过程中的浪费

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

使用实验设计改进制造工艺

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

使用机器学习进行硅后验证

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

TELUS International 是一家为全球客户提供多语言数字客户体验和数字 IT 解决方案的提供商。客户包括技术和游戏、通信和媒体、电子商务和金融科技、旅游和酒店以及医疗保健领域的公司。

COVID-19 大流行给许多行业带来了沉重打击——旅游和酒店业是受灾最严重的行业之一。我们的一位客户在世界各地出租度假屋和梦想之地，立即受到旅游业停摆的影响。该公司将大部分客户服务外包给 TELUS International。

管理大量取消的预订

当隔离和规定突然变得不可能时，我们的客户不得不管理所有被取消的预订，这既不是业主的错，也不是旅客的错。这种情况的性质是前所未有的。对于取消，没有千篇一律的解决方案。由于预订时的政策和协议，部分旅客无法获得全额退款；任何给定情况都有不同程度的退款。

尽管取消预订既不是由我们的客户也不是客人造成的，但我们发现在此期间客户满意度评级出现了惊人的下降。我们特别感兴趣的是，客户对情况的管理方式而不是取消的结果不满意。

检验假设以改善客户体验

我们开始问，“我们怎样才能让它变得更好”？从技术的角度来看，我们的客户使用一流的 AI 技术来确保捕获、存储问题并向座席提出建议，以便在他们下次联系时解决客户的问题，无论是聊天、电子邮件还是电话. 然而，我们注意到最大的诋毁者来自聊天和电子邮件。

考虑到行业从客户满意度到客户努力的转变，这是令人惊讶的。在这个基于应用程序的人群中拜访客户被认为是浪费时间，他们宁愿在做其他更有意义的事情时聊天并解决他们的问题。我们认为我们一直在为客户提供他们想要的东西：一种“非接触式”客户支持方式。

是时候重新考虑我们一直在做的一切了。这就是 Minitab 成为我们宝贵工具的地方。使用 Minitab，我们能够执行假设检验以找到不满意的客户服务评论的根本原因。我们获得的分析和见解是出乎意料的，但我们坚信它是准确的并且反映了旅行者的需求。

最后，我们能够与领导团队分享我们的 Minitab 分析。因此，进行了新技术投资，为公司的代理商和整个客户服务团队提供了全新的方法和方向。
收起阅读 »

什么是帕累托法则？帕累托法则是意大利经济学家帕累托在研究财富分布的时候发现：80%的财富掌握在20%的人手中，也就是著名的二八法则。后来发现这一法则普遍适用于生活中的各种事物：

80%的销售额是源自20%的顾客；

80%的成果是来自20%的努力；

80%的影响来自20%的风险；

80%的资金被20%的投资项目吸收；这意味着投入和产出、收获与努力是普遍存在不平衡的现象，我们需要把精力关注在关键的少数，就可以获得收益的多数。
帕累托图就是按照帕累托法则演化而来，是由条形图和折线图所组成。条形图从左至右按照数据从高到底排序，折线图则以累计百分比进行汇总。下图就是一个典型的帕累托图，横轴为质量缺陷的分类，主纵轴为缺陷统计数量，次纵轴为每类质量缺陷计数的累计百分比。

从上面这张图上我们按照帕累托法则可以知道，造成服装缝纫缺陷问题主要来源于缺少纽扣（占比45.2%）、缝纫错误（占比23.3%）和脱线（占比14.0%）。也就是说我们投入20%的资源，就可以解决上述三类问题（总占比82.5%）。
 
但是其中仍然存在一个问题，我们有必要花20%的精力去解决质量缺陷的数量问题吗？公司投入资源解决三类问题必然会导致缺陷数量下降，但是对于公司来说，我们更想知道的是当公司投入20%资源能否产生80%的收益，而不仅仅是数量的减少问题？所以在分析的时候，我们应当从成本的角度来考量整体的收益。下面是统计的数据（数据来源于Minitab官网）：

根据上面表格中的数据重新制做帕累托图得到下图，再比对下图和上图可以了解到，上图中通过统计数量得到占比为45.2%的缺少纽扣问题所导致的成本只占总成本的5.3%、缝纫错误成本占比为30.5%、脱线成本占比为8.6%。也就是说，如果按照上图帕累托图解决这三个问题，最终的成本收益为44.4%。然而这不是我们所希望的，公司需要的是投入20%资源需要产出80%的收益，所以我们应当调整解决的缺陷是如下三个：缝纫错误、卷边错误、和布料瑕疵。

  收起阅读 »

当您学习六西格玛时，熟悉各种首字母缩写词和缩略词可能会让您感到困难重重。从 FMEA 和 C&E 矩阵到量具 R&R 和 SIPOC… 术语清单没完没了！DMAIC、DMADV 和 DFSS 可能尤其难懂，因为它们听起来非常相似。但没关系。我们可以帮助您理解！DFSS、DMAIC 和 DMADV 可帮助质量改进从业者专注于项目重点，按既定路线完成项目。每个字母表示过程中的一个步骤。

从 DFSS 和 DMADV 开始首先，DFSS 表示“六西格玛设计”(DESIGN FOR SIX SIGMA)，它专注于创建新产品或过程，或者通过六西格玛项目完全重新设计产品或过程。DMADV 是许多企业和组织常用的 DFSS 类型。

DMADV 表示：

定义 (Define)： 定义过程和设计目标。

测量 (Measure)：测量（并确定）过程/产品的关键质量特性方面，包括风险和生产能力。

分析 (Analyze)：进行分析以制定设计过程，并进行评估以便为过程选择最佳设计。

设计 (Design) ：设计过程详细信息，优化和检验设计。

验证 (Verify)：使用试点检验来验证为过程选择的设计。实施和监控新过程。

聚焦 DMAIC：

DMAIC 是一种著名的六西格玛项目方法，其重点是改进现有的过程，而不是像 DFSS 或 DMADV 那样，专注于创建新产品或过程或者完全重新设计。一般来说，DMAIC 方法可以包括在其他过程改进计划（如精益）中，也可以自行制定。

DMAIC 表示：

定义 (Define) ：定义产品或过程问题。

测量 (Measure)：测量当前过程并收集数据。

分析 (Analyze)：分析数据以找出缺陷的根本原因。

改进 (Improve)：基于数据分析结果改进过程，并对过程进行检验。（本阶段中经常使用 DOE 等技术）。

控制 (Control)：控制新过程并监控缺陷。（统计过程控制技术在本阶段非常有用）。

选择项目时着眼于 DMAIC



在出色的项目选择方法中，一个重要的组成部分是选择最有可能从 DMAIC 方法受益的项目，这意味着可以准确地测量项目所涉及的缺陷或过程中的变更。如果没有测量，将无法检测任何改进。一旦确定了项目重点，您就可以开始识别和定义要解决的问题。有关此过程的更多信息，请查看 DMAIC 工具和技术：“定义”阶段。无论您使用的是 DMAIC 还是 DMADV，这些方法的真正好处在于它们可以提供结构化问题解决方法来确保成功。当这些信息在 Minitab Engage 等解决方案中可用时，分享经验变得前所未有简单。可以快速、无缝地创建自定义路线图，以包括质量团队所需的任何其他步骤，并将这些步骤转化成未来项目的模板，从而节省时间并轻松地重复创建相同的路线图。 收起阅读 »