五大工具教材-MSA(初级版）

IATF（国际汽车行动组织）为了推动IATF16949标准的理解和运用，专门出版了五大核心工具应用指南，以此来推动五大工具的应用和推广。今天我们就来捋一捋这五大工具之间剪不断，理还乱的关系！

IATF16949五大核心工具简介

1、统计过程控制（SPC）
SPC(Statistical Process Control)是一种制造控制方法，是将制造中的控制项目，依其特性所收集的数据，通过过程能力的分析与过程标准化，发掘过程中的异常，并立即采取改善措施，使过程恢复正常的方法。利用统计的方法来监控制造过程的状态，确定生产过程在管制的状态下，以降低产品品质的变异。

SPC能解决之问题：
1.经济性：有效的抽样管制，不用全数检验，不良率，得以控制成本。使制程稳定，能掌握品质、成本与交期。 
2.预警性：制程的异常趋势可即时对策，预防整批不良，以减少浪费。 
3.分辨特殊原因：作为局部问题对策或管理阶层系统改进之参考。 
4.善用机器设备：估计机器能力，可妥善安排适当机器生产适当零件。
5.改善的评估：制程能力可作为改善前後比较之指标。

实施SPC的目的：
·对过程做出可靠有效的评估；
·确定过程的统计控制界限，判断过程是否失控和过程是否有能力；
·为过程提供一个早期报警系统，及时监控过程的情况以防止废品的发生；
·减少对常规检验的依赖性，定时的观察以及系统的测量方法替代了大量的检测和验证工作

2、测量系统分析（MSA）
测量系统分析（MSA）是对每个零件能够重复读数的测量系统进行分析，评定测量系统的质量，判断测量系统产生的数据可接受性。

实施MSA的目的：

·了解测量过程，确定在测量过程中的误差总量，及评估用于生产和过程控制中的测量系统的充分性。MSA促进了解和改进（减少变差）。
·MSA使用数理统计和图表的方法对测量系统的分辨率和误差进行分析，以评估测量系统的分辨率和误差对于被测量的参数来说是否合适，并确定测量系统误差的主要成分。

3、失效模式和效果分析（FMEA）
潜在的失效模式和后果分析（FMEA）作为一种策划用作预防措施工具，其目的是发现、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不断地完善。

实施FMEA的目的：
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。
找到能够避免或减少这些潜在失效发生的措施；

4、产品质量先期策划（APQP）
APQP是用来确定和制定确保产品满足顾客要求所需步骤的结构化方法。

APQP的功能：为满足产品、项目或合同规定,在新产品投入以前,用来确定和制定确保生产某具体产品或系列产品使客户满意所采取的一种结构化过程的方法。为制订产品质量计划提供指南，以支持顾客满意的产品或服务的开发。

5、生产件批准程序（PPAP）
生产件批准程序为一种实用技术，其目的是在第一批产品发运前，通过产品核准承认的手续，验证由生产工装和过程制造出来的产品符合技术要求。

实施PPAP的目的：
·确定供方是否已经正确理解了顾客工程设计记录和规范的所有要求。
·并且在执行所要求的生产节拍条件下的实际生产过程中，具有持续满足这些要求的潜能。

IATF16949五大工具的关系

APQP是质量计划，的时间起点是项目正式启动的那一时间点到PPAP结束，正常量产后进行总结，认为没有其他问题，可以关闭开发项目的那一时间点为止。执行人是整个APQP小组。

PPAP是生产件批准程序，只是整个APQP 计划中的一个环节，通常居于APQP计划的后半阶段，一般来讲是APQP计划的核心。

FMEA/SPC/MSA都是质量管理的工具。FMEA有DFMEA， PFMEA，这些工作的导入事件多为APQP的初期或中、早期。它们主要正对的产品的设计、生产工艺或过程而言的。属于预防性的计划。MSA就是校对量、检具。SPC就是管制住某几个重要参数，监督它们生产的稳定性。


  收起阅读 »

1、严重度打分不一致

从不同的顾客的关注角度出发，严重度会有不同分值，比如说一个焊接后的摄像头有杂光现象，按照内部要求出现杂光，不符合生产标准，需要报废，严重度高（我们暂且定6分），而杂光问题的摄像头流到最终消费者那里，只是顾客体验上有一点不适，验证度低（3分）。所以我们需要列出内外部所有客户的严重度打分，最终要以要求最高的分值为严重度打分。

有些FMEA中，不同的失效模式，导致相同的后果，但严重度不一样。这是常见的错误。严重度根据失效模式的后果来打分，相同的后果，相同的打分。

严重度和特殊特性要结合在一起。一般评估下来影响到安全和法律法规风险的问题，严重度要打9-10分，如果是影响产品性能和装配的，严重度要打7-8分，你打了这些分数，说明这些控制点就是特殊特性（关键特性和重要特性），特殊特性的定义就是这么来的。经常看到一些FMEA严重度已经打了8分，但并未定义为特殊特性，管控也不严，这样产品就会有重大质量风险。需要注意。

2、失效模式少

很多FMEA失效模式很少，原因是分析的不够深入，没有把一个工序进行仔细拆解，按照每个动作来拆解，对每个动作按照正确的位置、正确的参数、正确的操作、正确的步骤、正确的零件等方面去思考一遍。做FMEA的人没有这样的思考和行为，很难做好FMEA。

3、失效模式单一

很多FMEA，一看就知道不行。为什么呢，一个失效模式，只对应了一两个失效原因，原因太单一了。实际情况一个后果会有很多原因，结合一个工序有很多失效模式，每个失效模式有不同的失效原因，这样FMEA的树状结构就形成了。做得好的FMEA，其树状结构是非常明显的。

为什么失效原因写得单一？除了经验之外，也是有方法的，针对每一个失效模式，我们需要从人机料法环的方面去考虑会这个失效模式造成什么影响，这样的FMEA就会丰富起来。

4、频度和不可探测度打分错误

频度不是凭个人感观打出来的分，而是根据过往不良记录来得出分值，另外要注意的是，SGM规定，如果你是用人工检查来探测问题，频度最低不得低于5分。

D代表的是不可探测度，它是探测度的反比，你越用设备自动检测、防错方法来规避问题，你的不可探测度就越小。探测度是公司可以去配备资源提高的（严重度无法降低，频度是客观数据的结果）。但资源永远是有限的，做FMEA不是一味提高所有的探测度，不能不分问题的严重度和发生频度，一律机器自动化检查，这是浪费资源，质量过剩。但对于特殊特性而言，我们就要倾斜资源来提高其管控力度。

5、FMEA履历缺失

FMEA是一个动态的文件，出现问题，或者年度评估的时候，我们会有新的认识和经验，需要加到FMEA中来，这样才能更加完善我们的FMEA宝库。我们需要建立变更履历，知道是因为什么原因来变更的，是谁变更的，变更了什么地方等等。有利于问题的追本溯源。

做FMEA前，最好把团队成员都一起培训合格，大家对FMEA有统一的认识，再开展。FMEA第一次做的时候会比较痛苦，可能一个工序要拆的很细，一个动作一个动作的分析，很烧脑，有可能一个动作就要分析个1-2个小时，而一个生产过程可能有上千个动作。但一旦第一版本的FMEA形成，可以说是一劳永逸、事半功倍的好事，公司的质量管控会得到一个质的提升，大有裨益。 收起阅读 »

FMEA分析到底是方法论重要？还是产品/工艺技术重要？有人认为，FMEA的逻辑方法重要，不懂FMEA的数据关联关系，不掌握结构树、功能网、失效网，怎么能做出FMEA呢？但也有人认为产品和工艺技术重要，没有懂技术的人员参与，怎么能识别出产品与过程风险呢。

之所以会出现这样的争论，是没有搞清楚FMEA协调员与技术专家在FMEA活动中的工作职责。FMEA是一个团队的活动，不是一个人的活动。一份能通过审核的FMEA，在台面上没有问题，那是需要协调员来主导方法论的，但要使FMEA起到作用，要从符合性转变为有效性，要求承载工程师的经验和教训，当然由技术专家的主导就更为重要了。所以做一份审核没有问题的FMEA，方法论更重要，做一份起到作用的FMEA，技术更重要。再次说明的是，这里有一个字“更”，所以任何一份好的FMEA，都是团队共同协作的结果。

FMEA协调员是公司内部的方法论专家，精通FMEA的步骤、数据关联关系、评分准则、风险优化标准等。协调员不是技术专家，他不一定懂公司的所有技术和工艺，他是套路专家，他专注方法论。

他是FMEA的七步法方法论专家，但不可能独立完成FMEA。协调员不一定懂所有的产品和工艺技术，缺少完成的FMEA功力，他管理FMEA的七步法的方法论，对内部人员进行FMEA的七步法的培训，参与FMEA团队建设，协调FMEA工作组活动。如果真的只让协调员来独自完成FMEA，那最多达成符合FMEA手册、标准的要求，达不到风险识别与控制的真实目的。

而技术专家拥有精湛的产品与工艺技术，清晰地知道产品特性波动带来的失效模式及失效后果，但如果让技术专家来独自做FMEA，他会说，这些我都考虑过了，而且产品设计中加了什么硬件，采取了何种验证措施，还要把它写成文件完全是没必要的事。如果真要做，SOD如何评分都让我们的技术专家喝上好一壶了。

FMEA是一个团队的活，不要机械地认为，团队活动就是安排团队一起评审FMEA会议，单独讨论FMEA会议真的很无聊，且组织多功能协调比较麻烦，所以强烈建议DFMEA与产品研讨会一起开，PFMEA与工艺研讨会一起开，然后由专人负责做FMEA记录不就好了嘛。

具体来讲，就是由协调员负责组织会议，协调员根据新项目，找到公司类似产品的FMEA或基础FMEA，作为本次新项目的FMEA模板，由协调员负责提问，技术专家负责回答技术问题，然后由记录员做好记录，最后会议完成后，及时得更新整理FMEA。




FMEA目的
1.发现和评估产品/过程的潜在故障和结果；
2.确定与产品相关的过程的潜在失效模式；
3.评估失败对客户的潜在影响；
4.确定潜在设计或制造过程的失效原因，减少失效的发生或找出失效的过程控制变量；
5.编制潜在失效模式分类表，建立考虑措施的优化体系；
6.为了降低缺陷的严重性，必须改变零件的结构设计；
7.提高缺陷到达用户之前或产品出厂之前发现缺陷的概率。

最后，所有FMEA分析都需要FMEA分析表，这是FMEA分析结果的书面总结。因此，FMEA分析为设计部、生产计划部、生产部、质量保证部等相关技术部门提供了共享的信息资源。另一方面，FMEA为今后类似产品的设计提供了信息。




实施问题
1.FMEA工作应与产品设计同步进行，尤其是在设计初期，这将有助于及时发现设计中的薄弱环节，并为安排改进措施的顺序提供依据。
2.对于不同阶段的产品开发，应进行不同程度和层次的FMEA。也就是说，FMEA要及时反映设计和流程的变化，并随着发展阶段不断补充、完善和迭代。
3.FMEA的工作应该由设计师来完成，应该贯彻“谁设计谁分析”的原则，因为设计师最了解自己设计的产品。
4.应加强FMEA分析的标准化，以确保FMEA分析结果的可比性。在开始分析复杂系统之前，应该统一制定FMEA的规范要求。结合系统特点，对FMEA的分析协议等级、失效准则、严重程度和危害程度的定义、分析表、失效率数据来源和分析报告要求进行统一规定和说明。
5.跟踪和分析FMEA的结果，以验证其正确性和改进措施的有效性。这个跟踪分析过程也是一个逐步积累FMEA工程经验的过程。一套完整的FMEA数据是各种经验和宝贵工程财富的总结，应不断积累，存档备查。
6.虽然FMEA是一种有效的分析方法，但它不是万能药，也不能代替其他可靠性分析工作。需要注意的是，FMEA一般是静态的单因素分析方法，在动态分析中并不完善。如果对系统进行综合分析，应结合其他分析方法。


  收起阅读 »

概述  
1924 年，美国的休哈特博士应用统计数学理论将 3Sigma 原理运用于生产过程中，并发表了著名的“控制图法”，对产品特性和过程变量进行控制，开启了统计过程控制新时代。 

什么是控制图 
控制图指示过程何时不受控制，有助于标识是否存在特殊原因变异。如果存在特殊原因变异，则说明过程不稳定且有必要采取纠正措施。 
​


控制图是按时间排序顺序绘制过程数据的图。大多数控制图都包括一条中心线、一个控制上限和一个控制下限。中心线表示过程均值。控制限表示过程变异。默认情况下，控制限绘制在中心线上下 3σ 的位置。 

随机位于控制限内的点指示过程受控制且仅显示常见原因变异。位于控制限外部或者显示非随机模式的点指示过程不受控制且存在特殊原因变异。

如何选择合适的控制图

随着控制图的发展，它的类型也是越来越多，那么这时候对于使用 Minitab 的朋友来说，经常会纠结如何去选择一个合适的控制图。在 Minitab 19 中，协助菜单可以很好的帮助我们去选择一个合适的控制图。
​


I-MR 控制图
​


今天，我们来绘制一下 I-MR 控制图。 

问题背景：某质量工程师监控了液体洗涤剂的生产过程，想要评估该过程是否受控制。这位工程师测量了 25 个连续批次的洗涤剂的 pH 值。
​


由于 pH 值的数据类型是连续型数据，而且是每批次只取一个样品（子组大小等于 1），故这位工程师创建了一张 I-MR 控制图，以监控洗涤剂的生产过程。

Minitab 绘制 I-MR 控制图

Minitab 结果解释
​


首先解释移动极差控制图（MR 控制图）以检查过程变异。没有位于控制限外部的点且所有的点都显示出随机模式。因此，过程变异受控制，质量工程师可以检查单值控制图（I 控制图）上的过程中心。

I 控制图上的一个观测值在检验 1 中失败，因为观测值在中心线上方且距离中心线超过 3个标准差。

I-MR 控制图的控制限计算（手动）  
对于 I-MR 控制图，包含两张图单值控制图（I 控制图）和移动极差控制图（MR 控制图）， 我们首先来认识一下这两张图形上的 X 轴、Y 轴、点和线分别表示什么含义。

一、单值控制图（I 控制图） 
X 轴：批次 ID 
Y 轴：单值（每个批次对应的 pH 值，如单值图上的第二个点表示的是批次 2 的 pH 值）





点：单值控制图（I 控制图）上的每个标绘点是单独的观测值（如上图）。 
中心线：单值控制图（I 控制图）上的中心线是过程平均值的估计值，计算如下
​






控制限：单值控制图（I 控制图）控制限的计算结果取决于标准差的估计方式。
​


1）移动极差平均值（默认方法）-移动极差长度默认为 2 
a. 计算移动极差 MR（相邻 2 个数的较大值减较小值），当前数据样本量为 25，计算得到24 个移动极差。 
b. 计算这 24 个移动极差的平均值 MRbar 
c. 估计标准差的公式如下： 
​


控制限计算公式 
​


其中 k 为检验 1 的参数。默认值为 3。
​






当选择默认的用移动极差平均值来估计标准差时，我们还可以勾选”使用 Nelson 估计值”。使用 Nelson 估计值可以在计算控制限时更正异常大的移动极差值。此过程与 Nelson1 提出的过程相似。Minitab 消除比移动极差平均值大 3σ 的任何移动极差值，然后重新计算移动极差平均值和控制限。
​


2）移动极差中位数
a. 计算移动极差
b. 计算移动极差中位数
​


c. 估计标准差的公式如下： 
​






二、移动极差控制图（MR 控制图） 
X 轴：批次 ID 
Y 轴：移动极差（如下 MR 控制图中的第二个点是批次 2 的 pH 值 5.99 和批次 3pH 值 6.11中较大值减去较小值，结果为 0.12（6.11-5.99） 
​


点：MR 控制图上的标绘点是移动极差（移动极差是两个或多个连续点之间差值的绝对值）。 
中心线：中心线是移动极差平均值的无偏估计值 MRbar 
控制上限：??? = (??(?) ⋅ ?) + (? ⋅ ??(?) ⋅ ?) 
控制下限：??? = (??(?) ⋅ ?) − (? ⋅ ??(?) ⋅ ?)或 LCL=0（计算结果为负值时） 
移动极差平均值法的结果
​




移动极差中位数法的结果
​




结论
手动计算的过程比较复杂，而且还可能会出错，但是有了 Minitab 的帮助，我们只需要选择好合适的控制图后，点击几下就可以高效快速的计算出对应的控制限。当然，花点时间手动计算一下这些值，能够帮助你更好的理解控制图。而且在计算的过程中，你也会发现 Minitab 的算法跟 Excel 中算法的差异，也能够发现单值控制图的控制限受到移动极差的影响，所以在分析这两张控制图时，应该先分析下面的移动极差控制图，移动极差控制图中没有异常点时，这时候分析单值控制图才是有意义的。
X 轴：批次 ID
Y 轴：移动极差（如下 MR 控制图中的第二个点是批次 2 的 pH 值 5.99 和批次3pH 值 6.11 中较大值减去较小值，结果为 0.12（6.11-5.99） 收起阅读 »

量具 R&R 研究可以告诉您测量系统生成的数据是否值得信赖。遗憾的是，严格的数据要求和其他限制可能会让量具 R&R 研究难以进行分析，并可能无法解释所有重要因子。Minitab 中的扩展量具 R&R 工具能够使这些障碍成为过去。

量具 R&R 研究可以告诉您什么？

• 您的测量系统是否足够灵敏？

• 您的测量工具是否一致？

• 进行测量的人是否一致？

扩展量具 R&R 能提供哪些额外优势？

• 不仅要分析部件和操作员，还要分析多达八个其他因子。

• 甚至不完整的数据也可以进行分析（不平衡研究）。

• 包括固定或随机因子，获得更好的灵活性。

在量具 R&R 研究中包含两个以上的因子

通常，量具 R&R 研究只关注两个因子：部件和操作员。但是如果您知道其他因子也会影响您的测量系统呢？如果您不纳入这些因子，则将永远无法了解它们对测量变异性有多大影响，以及您的测量系统可能看起来比实际情况更好还是更差。Minitab 的扩展量具 R&R 能让您纳入最多八个额外的因子，用于调查并评估所有可能影响测量系统的因子。

例如

因为他们在繁忙的生产车间工作，检验人员担心生产速度的变化会影响他们的测量能力。加入生产线速度作为量具研究的因子，揭示出生产线速度变化对测量的影响甚至超出他们的预期。



以不完整或不平衡的数据进行量具 R&R

量具 R&R 研究可以要求严格的“平衡”设计，尽管实际上数据的收集通常并不完美。也许在研究中让操作员将所有部件测量相同的次数并不可行，或者可能一些测量数据已经丢失。扩展量具 R&R 允许您分析测量系统，即使有这样不平衡的数据，也无需手动计算来解释丢失的数据。



包括固定或随机因子以获取更高的灵活性

在量具研究中，如果您有意选择了一定的兴趣级别（比如最有经验和最缺乏经验的操作员），则该因子是固定的。如果您随机选择了级别来代表总体，则该因子为随机。常见量具研究会在所有因子均为随机的基础上计算结果。但将固定因子视为随机因子可能导致过度或低估其重要性。

扩展量具 R&R 允许您指明哪些因子是固定的，哪些是随机的，以便更好更妥当地评估您的测量系统。

例如

审核显示，退回精密铣削设施的大部分不合规格部件可追溯到两名经验最少的检验员。为了更好的理解该问题，质量经理希望能重点关注这些特定操作员后续的量具研究。因为人工挑选的这些操作员无法反应出随机抽样，所以在分析该研究时，经理将这一因子指定为固定因子。



MINITAB 让量具 R&R 更简单

如果您尚未利用 Minitab 的强大功能从数据中获取最大价值，请立即下载功能完备的 Minitab 30 天免费试用版。

本文最初出现在Minitab博客上。



收起阅读 »

前言：FMEA（失效模式与影响后果分析）和问题的分析与解决，同样包含对原因的分析与措施的制定，那么它们在思路上有何区别与联系？在实际工作中，通常会存在怎样的误区和错误？本文就把二者放在一起进行一下讨论。

首先，我们先来统一理解一下两个术语：失效和问题。

失效是指没有达到所预期的功能和要求，它是问题的所表现出来的表象。打个比方，水库决堤了，这是坝堤失效了，因为坝堤的功能是阻拦水的，但它的问题在哪里呢？是坝堤上的小小的蚁穴，可谓“千里之堤，溃于蚁穴”。

再就是，同样是原因的分析，但是FMEA和问题解决在思路上是不同的。

FMEA，本质上是把将来有可能发生的所有失效的不同形式（模式）一一列出来，做出一个预判，并根据可能的原因，提前制定对应的控制措施，来防止真的发生；而问题解决，则是针对已经发生了的失效现象，找到问题的症结所在，并一步步地找到这个问题的根本原因，然后制定永久措施，防止同样的问题再次发生。

因此，FMEA的思路是发散式的，是尽可能调动团队成员的所有知识与经验，把每一个在理论上可能发生的失效模式都识别出来，把每个失效模式在理论上的每个可能的原因都列出来，必要时对这些原因进行试验验证。

而问题解决，则是收敛的和聚焦的，要基于“现物“、“现场”、“现实”的三现主义的理念与方法，找到与失效现象有关联的线索来识别问题症结，以及识别与这个问题症结存在关联的原因。问题解决强调的是“原因与问题事实的相关性”，通过试验或其他手段来一步步逐渐缩小“包围圈”，也像是一遍遍过筛子，最后把与这个问题的发生真正具有因果关系的原因确定下来，如下图所示。


我们通过一个案例来进一步说明它们之间的区别。
当客户打开音响包装箱时，发现音响的一个角上少了一个螺丝，如下图所示。

在PFMEA中，当我们分析打螺丝这个过程的失效模式时，我们可能要列出下列失效模式和失效起因：


可见，在PFMEA中，我们需要把所有可能导致打螺丝过程的失效模式以及它们的失效起因都识别出来，再一一制定相应的控制措施（措施本文略）。然而，在问题解决时，比如，当收到顾客关于少了螺丝的投诉时，我们的思路却是这样的：

第一步（第1遍筛子），我们可通过5W2H+IS/ISNOT工具，对少螺丝的音响展开客观、全面地描述，从多个角度来认识这个问题，例如，在哪个位置上少了螺丝？在左下角；缺少螺丝的丝孔上有什么特点？没有螺丝，但是有丝痕！
上面这个信息告诉我们，应当不是漏打，而是打过但没有打牢，这需要我们去打螺丝这个工位（根据产品二维码查出是哪个工位）上去进行详细的调查。

第二步（第2遍筛子），在这个工位上，我们可以借助于鱼骨图的逻辑和第一步的5W2H的输出，对相关的过程要素（而不是所有的过程要素！）进行分析和验证，需要验证电动起子上设置的扭矩值是否为WI上规定的数值，并验证输出值是否在WI允许的范围内；我们还要观察操作者在打螺丝时（特别是少螺丝的位置）操作是否方便，是否存在人机工程学问题；我们更要确认是否在打螺丝时存在产品固定不可靠的问题，等等。

实际验证结果告诉我们，操作者在打螺丝时的角度确实时常超出WI所规定的3度的范围！

我们再进一步地验证操作角度这个原因，抽取更多的出自该名操作者的产品，进行反向扭矩测试，结果同样发现了若干台产品，其螺丝上的扭矩值达不到WI所规定的扭矩（1.5-2.0kgf）！而且经过模拟物流过程的试验（专门的振动试验和跌落试验），这些螺丝基本上都脱落了！

于是，我们就确定这就是音响少螺丝的原因，但是这只是直接原因！但在PFMEA中，由人、机、料、法、环过程要素所分类的失效起因，其实在解决问题时，还需要更进一步地分析，这一点很关键！

第三步（第3遍筛子），我们借助于5WHY工具继续展开分析，例如，为什么会打歪了？有两种可能：该操作者不知道角度的要求（不超过3度），或者该操作者知道角度的要求，但是由于技能不够熟练，还是打歪了。经过调查，实际上是后者！那么为什么是技能不熟练就允许上岗呢？因为培训时只培训理论知识（WI），而没有提供专门的练习，资质要求中也没有包括技能考核这一项！这才是找到了根本原因！

从技术层面，措施是让操作者在线外专门进行练习，合格后方可上岗；从系统层面，将技能训练补充到培训大纲中，并补充到该岗位的资质要求中去。

由此可见，问题解决的原因分析不同于FMEA，它是根据与问题事实相关的线索，一层层地过滤、剖析，最终聚焦到与实际问题具有因果关系的根因上去，如下图所示，

然而，在实际工作中，通常存在下面两种错误的做法:

在制定FMEA时，只注重实际已经发生过的失效模式，而不去分析那些未发生过但从理论上可能发生的失效模式或失效起因，过份注重已发生的事实，过份务实，而FMEA是需要适当的务虚的！

另一种错误做法是在分析和解决问题时，不去注重事实，也就是不遵循三现主义，只是凭借理论上的知识和个人的经验，想出一大堆原因来，一一去验证，这实际上是在为自己制造出一群假想敌，然后再去一一消灭他们。

FMEA与问题解决，二者除了有着思路上的不同，更有着紧密的联系，二者互相支持、互相完善。

当出现问题需要解决时，我们可以采用下面的步骤去使用FMEA：

1、调出该产品的FMEA（功能相关的问题-DFMEA和PFMEA，缺陷与制造相关的问题-PFMEA），查看里面有没有与这个问题相关的失效模式。如果没有，则等问题解决完成（关闭）后，将问题对应的新失效模式补充到当前的FMEA中去。

2、如果FMEA中有这个问题对应的失效模式，则首先去确认里面的控制措施有无在这个问题产品上正确地执行，如果没有，则要验证是否是因为不执行这个措施而导致的该问题。

3、如果是一直在执行FMEA中的控制措施，则可能现有控制措施不能完全预防该问题的发生，改变控制方法，看能否有效；或者是，当前FMEA中的失效起因分析不彻底（没有到根本原因上），或者还有漏掉的因子未识别出来，需要进一步分析。这就需要当问题完全解决后，再把新的因子和对应的控制措施更新到FMEA中去，对失效起因和控制措施进行完善。

因此，FMEA可以为问题解决提供支持，反过来，问题解决可以促进FMEA的更新和迭代，这样形成一个良性互动，企业的技术能力就会像滚雪球一样，越来越强！ 收起阅读 »

熊妈妈已经忍无可忍了。最近一次关于她做的汤有多辣的争论以张牙舞爪而结束，而且把小女孩吓坏了。

熊妈妈认为问题出在小女孩身上。自从有了金凤花姑娘之后，所有人都无法就任何事情达成一致。床不是太软就是太硬。粥不是太烫就是太凉。今晚，金凤花姑娘抱怨汤太辣，熊爸爸抱怨汤不够辣。

为了使家庭恢复安宁，熊妈妈觉得小女孩需要离开。但是，每当熊妈妈提到这点时，熊爸爸就会跑过去为金凤花姑娘辩护。熊妈妈需要使用数据来为自己辩护，她明白该怎么做：使用一种名为“属性一致性分析”的测量系统分析。熊妈妈知道，使用 Minitab中的“协助”会使事情变得简单容易。

首先，她煮了六份汤。在其中的三份汤中，熊妈妈仅添加了足够的胡椒粉和香料，使汤美味但不会太辣。她在其余三份汤中加了过量的辣椒酱。

接着，熊妈妈使用 Minitab来设置、收集和分析数据，她希望确定为什么家庭成员如此频繁地出现意见不一致。


设置属性一致性分析

选择协助 > 测量系统分析 (MSA)…



“协助”显示一个决策树，该决策树中包括用于“评价”数据的 MSA。



熊妈妈打算让每个家庭成员都品尝六份不同的汤，并让他们评价是好（“好喝！”）还是差（“难喝！”）。每个评价者对每份汤都品尝 4 次，因此熊妈妈不仅能够查看不同检验者的意见是否一致，还能查看每个检验者每次品尝后的评价是否一致。

但是，她的数据收集计划能够满足此分析的需要吗？单击“属性一致性工作表”下面的“更多…”即可显示一列需要检查的要求。例如，“协助”建议评价者对相同数量的好和差项目进行评分，还建议至少有 3 个评价者，熊妈妈的计划中涵盖了这两项要求。



现在，熊妈妈确信她的计划非常恰当。她单击“返回”，然后单击“属性一致性工作表”并按如下所示填写对话框：



在单击“确定”之后，Minitab 将针对每个评价者和每份汤生成一组（共四个）随机试验，并创建一个匹配的数据表。



Minitab 还允许打印一整套随时可用的数据收集表单（每个试验和评价者有一份对应的表单）。



接着，熊妈妈加热这六份汤，并让每个检验者按照 Minitab 所指定的随机顺序对每份汤品尝四次。然后，她只需将结果输入到其数据表的相应列中就可以了：



分析数据
将结果输入到工作表中之后，熊妈妈可以继续进行分析。返回到协助 > 测量系统分析 (MSA)…，但这一次的目标是分析数据，而不是设置研究：





按如上所示填写对话框，单击“确定”。Minitab 将生成所有输出，熊妈妈需要使用这些输出来为自己辩护。



汇总报告显示，总体而言，家庭成员正确识别汤辛辣程度的正确率仅为 75%。按评价者计算的准确度百分比显示每个评价者对汤进行识别的准确度。熊妈妈和熊宝宝的得分最高，他们的准确度分别为 95.8% 和 87.5%。熊爸爸的准确度为 79.2%，不算太低。

但是，金凤花姑娘的准确度为 37.5%，很低。

“协助”的准确度报告为熊妈妈提供了有关每个评价者表现的具体细节。准确度报告右侧的按评价者计算的准确度百分比图和标准图显示，在三头熊中，每头熊都非常擅长识别美味的汤，但是，金凤花姑娘正确识别出美味的汤的概率不到 20%。



“协助”还有另外两个输出——“误分类报告”和“报告卡”。





证据在汤里

通过属性一致性分析的结果，可以清楚地判定有关汤辣不辣的大多数不一致源自何处，以及（按照熊妈妈的观点）不一致应当在何处终结。使用由“协助”创建的简单图形，甚至连熊爸爸也可以轻松看出，金凤花姑娘对汤的评价分歧可能会导致家庭成员产生冲突。

无论您喜欢清淡的汤还是喜欢超辣的汤，您都已经成功完成了此测量系统分析。您已了解如何创建属性一致性分析工作表，以及如何分析您收集的数据以使用“协助”来确定评价者在何处一致，在何处不一致。 收起阅读 »

二值响应DOE
传统实验设计的因子类型可以是连续型的也可以是文本型的，而响应变量都是连续型的，如我们想考察材料类型、注塑压力、注塑温度、冷却温度对绝缘强度的影响。现在Minitab 21中新增了二值响应DOE的功能，所谓二值响应就是结果只有两种可能，是/否，好/坏，合格/不合格。二值响应DOE，您可以在Minitab 21的以下分析中找到。

筛选设计
因子设计
响应曲面设计



问题背景
一家汽车制造商想观察由于外来物质损害挡风玻璃所产生的裂纹，他们考虑了三个因子：外来粒子的速度、粒子重量和玻璃供应商。
A: 颗粒的速度（mph），低水平：50， 高水平：60
B: 颗粒的重量（gram），低水平：20， 高水平：40
C: 挡风玻璃的供应商：低水平：A，高水平：B

数据收集
在一个特殊的设计实验房间里，一种颗粒被射向固定于20英尺远的挡风玻璃，一个检验员记录挡风玻璃是否产生裂纹，每种挡风玻璃只使用一次。制造商具有进行对100种挡风玻璃进行实验的资金、时间和材料，允许研究者试验10种挡风玻璃的样本大小。每8个因子的组合和两个中心点。然而，从供应商A只能获得48种挡风玻璃，因此，最后一轮实验只包括8种挡风玻璃样本。



分析二值DOE



在Minitab 21的二值响应DOE分析种，除了主对话框跟经典实验设计有比较大区别以外，其他选项，比如“项”、“图形”中的设置是没有差别的。



在“项”中，我们第一次拟合模型时，把所有的项都考虑进来（在下面分析中有一个陷阱，请注意哦）。



所有对话框点击确定后，得到如下结果。



注意：当我们把所有项都加入到模型中，这时候我们可以看到没有显著的项，此时不要急着下结论。这时候一般的做法是先删除高阶交互作用项。



删除三阶交互作用项和所有二阶交互作用项以后，我们可以看到这时候A和B变成显著的了，C仍然不显著，在下一步优化中需要删除掉。我们得到以下的最终结果。



优势比
仅当您为具有二元响应的模型选择 logit 链接函数时才提供优势比。在这种情况下，优势比可用于解释预测变量与响应之间的关系。



连续预测变量的优势比：优势比大于 1 表示在预测变量越大，事件发生的几率越大。优势比小于 1 表示预测变量越大，事件发生的几率越小。在当前结果中，该模型使用颗粒的重量水平来预测汽车挡风玻璃是否断裂。在此示例中，挡风玻璃断裂为“事件”。每颗粒的重量为10gram，因此研究人员使用10gram作为一个单位变化。优势比约为1.8455。颗粒重量每增加一个单位，挡风玻璃断裂的比率就增加约1.8455倍。颗粒速度的优势比解释结果一样，不再赘述。



类别预测变量（当前结果没有）的优势比：对于类别预测变量，优势比可以比较事件在两个不同的预测变量水平发生的几率。Minitab 通过在水平 A 和水平 B 这两列中列出水平来设置比较。水平 B 是因子的参考水平。优势比大于 1 表示事件在水平 A 下发生的几率大。优势比小于 1 表示事件在水平 A 下发生的几率小。

结论
在Minitab 21中有了二值响应DOE分析，扩展了DOE的功能。当然，在实验设计中我们除了遇到二值响应DOE外，可能还会遇到残差分析有问题需要对响应变量做变换的DOE分析、带区组的实验设计分析等比较复杂的DOE问题。我们将在后续为大家一一分享，如果您还没有使用过Minitab 21，可以登陆Minitab官网下载30天免费试用版哦！ 收起阅读 »

有在学习六西格玛的小伙伴提问：SPC控制图中有的用系数A2、D3、D4来计算控制线，有的用3倍标准差来算，到底哪个是准确的?区别在什么？常数表中的A2、D3、D4是怎么得来的？

其实，SPC控制图的控制线并不存在两种方法来计算，从理论上来说，控制线的上下限是就是3倍总体标准差（实际的分布）。不过，由于我们一般没办法知道总体的标准差，所以实际上我们是不能通过3倍标准差的那些公式来计算上下限的。

例如，你可能收集了的25组数据，每组5个数据，一共125个数据，你想透过计算这些数据的标准差，再用来计算控制线的上下限，但这是不正确的，因为这个实际上是样本的标准差，而不是总体的标准差。

你只能根据你已经有的有限样本数据来推算出来，那就需要使用A2、D3、D4等常数，通过所知道的样本数量和平均值来推算。

想了解更多六西格玛工具的知识和应用方法，那就要关注优思学院，我们会不停期解答网友和同学的疑问，提供不同的管理知识～ 收起阅读 »

附件中是ppap的教程文件

不能使用专用软件，可以使用excel版做的MSA分析。密码5314046

本人有幸于今天11月份通过了VDA 6.3认证审核员考试，本着总结输出，以及分享互惠的原则，特将本次考试流程汇总如下，欢迎大家交流。
 
一、报考时间：
这个要参考查询VDA QMC的培训计划，可以在VDA QMC网站查询，一般情况下每个月都会有培训和考试。
在网站上的培训--ITMT公开课概览和在线报名系统查询和报名，根据个人时间以及地点选择
 

 
二、培训机构：
我所了解的是，目前VDA QMC已经收回了授权给其他机构的考试资质，目前仅有VDA　QMC有认证考试的资质。
其他机构也有有培训，但应该只是培训证书。
 
三、考试费用：
培训费用：8500
考试时间：3000
 
四、报考条件：
认证审核员的报考条件如下图所示，截图自VDA QMC的培训手册。


 
另外手册里也有内部审核员（一方），供应商审核员（二方）的报考条件，大家可以去ITMT下载。
 
总结来说，报名考试前，需要提交如下资料供QMC提前审核，通过后，才可以参加考试。
1. “5 年的制造行业全职工作经验，至少2 年的质量管理经验*”
    这个提供一份简历即可。
2. ”基于DIN EN ISO 19011 的审核员资格培训( 至少3 天)“
   这个，可以提供ISO9001或者IATF16949的内审员证书。
3. “汽车核心工具的知识证明”
     这个主要是五大工具的培训证明，总时间加一起不得少于2天，可以是培训机构的证书，也可以是公司内出具的。
4. “汽车行业核心工具在线测试”
    这个是VDA QMC为了验证你是否真的有五大工具的基础，而进行的一次提前测试，而且只有一次机会。
　如果顺利通过，那么恭喜你，可以报名去考试了。
　如果没有通过，那么你必须参加他们的另外一门课程，叫做ID 417 汽车核心工具 – 针对过程及体系审核员的培
训，价格应该是4000。
　题型都是选择，共计３０道题，答对７０％，即２１分以上才可以。
　有兴趣想深入了解的伙伴，可以联系我了解细节。
 
五、培训流程：
共计五天，前４天是培训标准和条款，在第四天下午，就进行一次随堂测验了，通过后有个培训通过证书。
参加认证审核员的考生，会额外再有一份试卷，共计４０道题，６０分钟，要求７０％的正确率。
然后第五天，考试分为笔试和面试：
笔试的话，给你一份卷子，２５分钟吧，让你：
１.画某个过程的乌龟图
２.结合案例识别问题
３.针对识别的问题，判断条款
４.给你识别到的问题条款，打分。
 
面试的话，就是拿着你这份试卷，去老师那里陈述你的答案，老师会问一些试卷的问题，也会问五大工具的问题。
 
六、其他：
１.对未来准备参加考试人员的提醒，目前我们考的是VDA6.3:2016 版本，上一个版本应该是２０１０年的，所以有消息称VDA６.３预计在２０２２年底或者２３年初进行升级换版，这意味着什么，意味着如果真的升版了，那证书得重新考取认证，例如今天２１年考取的证书，有效期说是到２４年，但２２年升版的话，你的证书也无效了。
 
２.VDA　６.３以后的趋势，随时新能源汽车的逐步发展，传统能源车以及这个行业的标准和体系也在不断的受到冲击，例如新能源汽车，相比燃油车，有更多的软件和程序控制，而这些内容，在目前的VDA6.3中不是很多，或者说是有所欠缺的，所以这也是VDA6.3要升版的一个因素。即考虑更多的软件审核要求，或者新能源汽车的审核要求。
 
３.审核员是一个专业性强的工作，考证只是一个过程，更多的还是平时的学习积累，逐步丰富自己的知识储备库。拓展自己的能力和视野，跟上行业发展的趋势。
 
以上，就是这个总体的过程了，从报名，考试资格确认，开课安排，缴费等，都会有个QMC的培训助理和你联系，这一点还是蛮好的。
 
祝福后续的考生顺利通过！！！ 收起阅读 »

原发表于优思学院知乎号

​
测量系统分析（MSA）是六西格玛和汽车工业行动小组 (AIAG) 的一个重要工具，一般来说，当我们利用一个量具去测量某一事物时，优思学院认为我们首先关注的是量具的分辩率，接着是量具的准确性（就是偏倚和线性度），最后就是测量的变异度（测量的精准度）。

偏倚和线性度

偏倚（Bias）：观察到的测量平均值（在可重复性条件下进行试验）与参考值之间的差异；历史上称为准确性。偏差在测量系统的工作范围内的单个点上进行评估和表示。

线性度（Linearity）：在测量系统的预期工作范围内偏置误差的差异。换句话说，线性表示操作范围内多个独立偏差误差的相关性。

偏倚是您的测量值与实际值的比较，而线性度是评估测量值在测量系统的工作范围内的准确度。

如果对量具的偏差和线性度有怀疑，你可以预先分析一下：

*选择几个零件（要分布到较极端的操作范围）

*每个零件都要进行测量（使用你要研究的量具每个零件至少测量10次，要随机进行）

Minitab中的关于偏倚和线性的研究

同学提问：

六西格玛中的MSA，量具的线性偏倚，用minitab分析后得到下图。求详解。请问这张图意味着什么？

（zhuanlan.zhihu.com/p/438423133） 

这是使用Minitab去研究偏倚和线性的方法，软件会导出以上这种结果。

首先，量具在各个参考值都存在偏差(Bias)，而且非常明显，在量具偏倚的结果里显示所有参考尺寸的P值都小于0.05。例如，对于5.13的样件，平均偏差为0.157583。

线性（Linearity）方面，正如散点图中的正斜线所标识的那样。不同参考值的偏差都不一致，表明测量系统也有线性问题（P = 0.00）。

测量的精准度

当量具的准确度被确认后，我们便会进一步关注测量的变异度。

测量系统分析（MSA）是六西格玛绿带/黑带培训的其中一部分，测量的变异度在今天越来越受重视，因为以往我们一直都忽略这个很关键的东西，经常假定自己的量测没有任何问题，或者影响很轻微。
 
假设，供应商送货给你们的工厂，供应商有他们的QA测量检查，你们的工厂也有IQC，为什么老是出现质量问题而要退货呢，其中一个被忽略的情况是，大家的测量系统不同，测量的变异不同，测量系统分析（MSA）可以提供分析的工具，解决类似的问题。
  收起阅读 »

5原则报告（日系汽车厂质量改善报告）

在制造过程的设计中，总是要在制造工序间设置单独的检测步骤，这些检测步骤也是一个流程图的组成部分，例如，一个零件在焊接完毕后，对其部质量进行进行超声波检测；也可能是对其上游多个操作过程的综合探测，例如在智能音响中的所有声学零件组装成一个声学模组后，要进行声学项目的检测（还不是产品最终检测），我们把这样的检测过程叫做专检过程。

下图是一套产品过程流程图片断的示例，红色部分为检测过程。



我们知道，PFMEA是以产品过程流程图作为分析基础的，那么其中的检测过程需要做PFMEA分析吗？怎样分析它们的失效模式和失效起因呢？我们只研究它们的探测度或只做MSA可以吗？

这是在业界争议比较多的问题，本文就尝试展开讨论一下，供大家参考。    
                                                 
首先，为了避免再产生不必要的争议，我们先参考一下在2020年在汽车行业发布的新版AIAG-VDA FMEA手册（以下简称“FMEA手册”），其中在该书的3.1.2条“ PFMEA项目识别和边界”中有这么一段话：

工厂内会影响产品质量且可考虑进行PFMEA分析的过程包括：接收过程、零件和材料储存、产品和材料交付、制造、装配、包装、标签、成品运输、储存、维护过程、检测过程以及返工和返修过程等。

可见，在新版的FMEA手册中，检测过程是需要做PFMEA的，然而FMEA手册中却没有给出具体的方法和案例。

我们再看FMEA手册中3.5.3条关于“当前探测控制（DC）”的描述：

定义-当前探测控制是指在产品离开过程或发运给顾客前，通过自动或手动方法探测是否存在失效起因或失效模式。
 
如下图所示：



可见，对位于操作过程下游的检测过程来说，它既是产品制造过程流程图中需要做PFMEA的一个步骤，同时也可以看作是对前一个或多个操作过程的失效模式的探测。 

二者并不矛盾，也并不重复，它们的作用和目的是不同的！作者建议我们先要对操作过程的当前探测措施和探测度进行分析、评价以及优化，在确定不再需要进一步优化之后，再单独对该检测过程进行PFMEA的分析，以便输出对检测过程的控制措施，从而减少测量误差和误判率！

我们先了解一下操作过程的探测措施。

它分为对失效起因的探测和对失效模式的探测，但是在实际的生产线和生产过程的设计时，人们往往不喜欢寻求防止失效起因的出现的预防措施，或者发现失效起因的探测措施，而是习惯于寻求对失效模式的探测，也就是我们常吐槽的“事后检验”、“死后验尸”，这似乎已经成为了一种天经地义的事情！这其实是一种非常落后的质量控制理念！通过下图，从同一个焊接过程中，我们可以全面了解这几种控制理念和方法：



从上图中可以看出，对于焊接、热处理、铸造、电镀、注塑等特殊过程，相当多的特性，如机械性能，是不能通过对产品的检测而得知的，这就必须识别出失效起因，对失效起因采取预防或者探测措施。即使是可以进行事后检测的产品，一旦发现不合格，也是一种浪费，因此，评价一个探测措施，我们需要分为这样几种情况：
 
对失效起因的探测，好于对失效模式的探测；在工位内失效模式的探测，好于下游工位的探测；仪器探测，好于人工目测；机器探测，好于人工探测；防错探测，好于一般机器/仪器探测。在FMEA手册的探测度D的打分指导中就是遵循此理念，读者可自行查阅。

因此，在对当前探测措施进行优化时，我们就要按上述“档位”做出改变，也就是升级为比当前更加先进的探测方法，这也是衡量一个过程设计是否先进的重要依据之一。一旦一个探测方法被确定下来，这个检测过程就形成了，我们就要对它加以管理，包括研究它的失效模式、失效起因，以及输出对它的控制计划。

那么怎样分析检测过程的PFMEA呢？它与MSA分析有什么关系呢？

我们还是使用FMEA手册中的失效链：



下面我们来探讨一下如何进行检测过程的PFMEA分析。

首先，我们要明确一个检测过程的功能是什么，很显然，执行检测，就是为了要把产品（注：在此处也包括零件、半成品，以下同）中的不合格的挑选出来，同时把合格的流到后面的工序当中去，因此，一个检测过程的失效模式应当是：把不合格的产品当作了合格的产品（接收不合格）、把合格的产品当作了不合格的产品（拒收合格），还可能在检测时把产品损坏了，例如特性的改变、损伤等。

它的失效影响和严重度S怎样分析呢？

如果是把不合格产品判断为合格产品，这相当于被检特性所对应的加工过程的失效模式和失效影响，例如，一个机加工过程，尺寸过大是这个加工过程的一个失效模式，可能会造成后续不能装配，如果它的专检工序失效，这个尺寸过大的零件就会被放行，同样也会造成后续不能进行装配。

如果是把合格产品判断为不合格产品，就会产生误报警，造成不必要的生产线停线事故。一家管理成熟的工厂都会有快速反应规则，包括生产线暂停运行，例如，如果是所检特性是一个关键特性，只要发现一次或几次问题，则会造成产线的暂停，这时S为7-8这个程度（请读者自行查阅一下FMEA手册的S打分指导）；如果是一个次要特性，则只有达到一定数量或比例后才使生产线暂停，所以要看所检特性的重要度。

如果是因为检测而造成产品的损坏，这要根据受到影响的特性的重要度来确定S的值，例如检测过程损伤的是产品的表面质量，S仅仅是3-4。

如何分析检测过程的失效起因？

检测过程的影响因素，不同于加工过程的4M1E（人、机、料、法、环），而是SWIPE： S-标准、方法，W-工件，I-仪器/量具，P-测量者或者测量程序，E-测量环境。



总结以上分析，我们可以得到检测过程PFMEA失效分析的通用结构形式：


如何进行检测过程PFMEA的风险分析与控制措施的优化？

这是基于检测过程的当前预防措施和探测措施进行的分析和评价，同样也有着各自的Occurrence 和Detection。
预防措施是针对失效的起因采取的，对于检测过程，就是上述展开的SWIPE因素。

关于测量的方法（S）和发生频度（O）。当前的预防措施一般是原自于其他产品同类检测过程使用过的、已经证明是可靠的检测方法，一般是做成检测指导书的形式。分析和评价的目的是确认现有检测方法（检测指导书）是否会导致产生较高的测量误差或损伤。具体可以从这几个方面考虑：

• 是否分析过设计要求？
• 是否考虑过产品加工过程的特点（易出问题的地方）？
• 测量原理或过程是否与产品的运行过程和客户的使用工况相匹配？
• 测量方法是否存在产生较大测量误差或产生产品损伤的可能？
• 是否做过不同方法的MSA的分析和结果（测量误差）的对比？等等。

在设计一个检测过程时，如果这些方面没有充分研究过，则就有可能产生较大的测量误差，这也是确保一种检测方法可靠的预防控制措施。

检测过程失效起因发生频度O的打分，我们完全可以参考FMEA手册中的“过程的潜在频度O”的打分指导，例如，如果检测过程完全是一键控制式的自动化测量，且被测产品的定位也是自动化定位，那么关于方法这个因素的O就1分；如果完全是手工测量，例如使用卡尺或者目测，则要看检测方法指导书上有没有确定性、明确的、图文并茂的规定。

下面是作者在之前企业工作时遇到的一个典型案例。一个板金零件需要测量它的角度α，如下图所示，由于板金件在折弯机上折弯时，下面的工装支架产生了松动，使得两端的角度α1和α2不一致，如果不在检测指导书中规定一个明确的测量位置，则就会存在很大的重复性误差（即同一检验员使用同一把量具，也会产生不一致的结果）。





对于被测量的工件（W），其实这也与测量方法有关系。只要其特性不会随着时间的推移而发生变化，就不会影响测量的结果，而有些则是会随着时间而发生变化的，例如，零件的平面度，如果存在内应力，它会在加工完毕后随着应力的释放而发生变化；塑料件的尺寸会随着储存环境温度的变化而变化；电容的漏电量，不同时间是有变化的；压力（水压、气压）试验时压力随时间衰退，等等，这些特性的变化，就会大大影响测量结果，会产生较大的误判。

对于这样的被测量对象，我们必须采取相应的预防控制措施，即在测量方法中规定好测量的时间限制、补偿的系数等，否则，就会影响测量的结果。对于一般的特性稳定的产品工件，这个因素，是不打O值的。

测量的仪器/量具（I）和测量人员/程序（P）及它们的O值。 量具与测量者是两个重要的测量误差来源，对于量具来说，它的细分因素包括量具、试验台（平整度、是否有减震措施等）、测量设备和量检具出厂时的精度和稳定性（随使用环境因素变化）、夹具（夹紧力、夹持位置等）；对于测量人员来说，是否在上岗前进行过专业的培训和资质的认证，以及是否经常轮换（会产生较大的再现性误差）等。

以上这些因素，在设计一个测量过程时，要事先充分考虑，并进行一一的策划与确认，采取相应的预防控制措施，例如，在三座标测量室中，应有温度控制措施，对于测量/试验台，应增加减振措施，对于量具的出厂精度，应依据要测量的零件设计精度要求（例如分辨率为公差范围的1/10以上），并对这些细分因素进行MSA的分析或者进行方差分析来对比研究，选择测量误差最小的方式。

关于这两个因素的O值打分，我们可以根据检测过程的MSA分析中量具和测量者的误差分量，再结合FMEA手册中的O值打分指导来进行打分。下面是如何将MSA的分析结果转化为O值的评价理论依据和示例：

下图是一个基准值为XT，偏倚为B，精度为σm的测量系统的一系列测量值所构成的分布（假设为正态），当我们研究量具的影响时，可以通过研究量具能力和GRR来获得单纯的量具偏倚（B）和重复性误差（σe），同理，当我们研究测量者之间或者量具之间的误差时，我们则使用再现性误差（σo）。





我们可以通过查寻或者通过统计软件计算正态累积概率函数来获得误判的类型和概率。

例如，一个测量系统，它测量一个零件的长度。经过测量系统分析得知，其偏倚B = 0.05，R&R的标准差也是0.05。如果测量一个基准值为0.4的零件长度，它的规格为0.6 – 1.0，那么有多大的概率产生误判？



对该结果的解释：虽然这个零件的基准值（0.4）在规格范围以外，是不合格的，但是，由于存在测量误差，理论上存在0.135%的误判风险（不合格判为合格）。在FMEA手册的过程潜在频度O（备选）打分指导中，这属于O值5-6的程度。

关于控制措施的优化，先看主要误差的类型，如果是偏倚而且恒定的，则可以采用补偿，否则，就需要矫正或者更换新量具；如果是精度误差较大，先看这个量具的出厂说明或制造标准中的理论测量精度，如果这个理论精度也达不到产品的测量要求（例如分辨率为公差范围的1/10以上），那么就应更换精度更高的量具类型，如果是因为磨损老化导致，则进行修理、矫正，或者更换。

对于测量环境（W）。测量环境对测量结果的影响，要看测量的产品和特性的类型，例如机械加工件，可能会对环境温度有较高的要求，如果是一个声学产品，则需要对环境噪声有极高的要求，需要在专门的、远离车间环境的听音室中进行检测。这些影响因素，在设计一个测量过程时要考虑、策划，并采取必要的预防措施。

检测过程的探测（D）

检测过程本身对应的是操作过程的失效模式探测，而检测过程自己的探测措施所要针对的则是对检测误差的发现机会和能力。我们怎样才能及时、有效地探测到一个检测过程（测量系统）产生的误差呢？这包括：对测量者的考核（频次、内容、标准）、对量具的校准（频次及机构）、测量系统分析MSA（指标、标准、频次、方法）等等，例如，这些类型的活动一次也没有做，则D应当为10分。

对检测过程的探测措施的优化包括提升校准/MSA的频次、增加样品的数量、改进抽样方案，以及执行这些活动计划是通过人工提醒，还是自动化提醒的方式等等。

综上所述，研究一个检测过程，实际上包括了MSA工作，且把MSA分析的结果应用于改进和优化检测过程。在业界的MSA培训和学习时，存在一种不好的习惯，就是只注重分析那几个测量系统的统计指标（偏倚、线性、稳定性、重复性、再现性），而忽视了对测量系统的构成（影响）因素的识别，忽视了把MSA统计指标应用于系统因素的进一步分析和改善上，其实这才是MSA的真正目的。

那么，有人会产生一个疑问：我们对检测过程进行MSA分析不就行了吗？为什么还要进行PFMEA呢？

对检测过程进行PFMEA分析，与单纯的MSA还是不一样的，检测过程PFMEA是面向整条产线上的所有检测过程，通过分析它们的S、O、D来确定是否需要优化（AP），怎样优化，优化完成后，再制定针对检测过程各影响因素的控制计划，用来管控这个检测过程不出现过大的测量误差，这才是对检测过程进行PFMEA分析的最终目的，这也是通常容易被忽视了的！这个控制计划就包括：是否做MSA分析，做哪些MSA指标，以及做MSA的频次，因此检测过程的PFMEA要比MSA高一个层次。下表是检测过程控制计划一个示例。



检测过程的PFMEA与MSA的关系，见下图所示。

收起阅读 »

各位大侠好，这是我目前推行的供应商方的SPC管理初步案例
请大家指正，我这样推行的思路对不对。
欢迎大家留言讨论。

图1是其中1个改善案例，
图2是推行的系统化管理一角。


 

数据收集之前，先做MSA，
第六步，正态分布验证不合格，如图情况，考虑 测量设备分辨率不足。
欢迎指正。















  收起阅读 »

原发表于优思学院知乎号
 
 
如果你有看过优思学院关于SPC的六西格玛绿带课程视频，应该会知道在控制界限以内的变异原因，和超出控制界限以外的变异原因两者的区别。这是休哈特（Walter A. Shewhart）博士在 1924年发明第一张质量控制图时，给予的区分，他把两者分别命名为机遇原因(Chance Cause)和非机遇原因(Assignable Cause)。当时的学者为崇敬Shewhart博士把统计学应用在工业上所作的贡献，故亦有称为Shewhart图。

直到1970年，美国的质量管理大师 W. Edwards Deming博士首次应邀访台，在他所发表的学术演讲中，他提出了两个崭新的名词，就是在控制界限以内变异的原因，称为共同原因(Common Cause)，超出控制界限以外的变异原因，称为特殊原因(Special Cause)。优思学院看到许多美英等国的质量管理书籍上，也逐渐采用这个名词。尤其近几年来，Deming博士时有新著问世，声望陡增，已成为质量管理界中之牛耳。

我们当时都以为Deming博士把共同原因来代替机遇原因，特殊原因来代替非机遇原因，无非是取其浅显达意，容易明白而已。而且一直以为这两个名词是相等的(即：共同原因 = 机遇原因，特殊原因 = 非机遇原因)，没有再去作进一步的研究。

近十年来，美国新出版的质量管理书籍很多，也曾讨论过这些名词的问题，才知道这两个名词并不完全相等，因为Shewhart和Deming两人的出发点，并不一样。兹就读书所得，说明于次。

Shewhart博士的观念是着眼于制程中的变异，凡是在控制下的变异(Controlled Variation)，可以认为是稳定(Stable)而经常存在的，所以称之为机遇原因，亦有人称之为无法避免之原因(Unavoidable Cause)者。这种变异是制程中固有的(Inherent)的变异，如果要把它减少(或减小)，制程亦必随之而变动。
至于制程中不能控制的变异(Uncontrolled Variation)，是随时在变动，既不稳定，亦非经常存在，并不是制程中的一部分。这种不稳定的性质，使制程不能按照预定的目标操作，致产生过多的变异(Excess Variation)。这种变异原因称为非机遇原因，应该可以把这种变异原因找出来，并加以消除掉，使制程回复正常。故这种原因亦有称之为可避免之原因(Avoidable Cause)者。

上述两种方法，都可以用来改进制程，但基本上是不同的。前者是去修改(改善) (Modify)一个经常而稳定的制程，而后者是去创造(Create)一个经常而稳定的制程。到底要采用那一种方法？就要看制程中的变异而定。因此，改进制程的首要步骤，是先要决定制程中有无不能控制的变异原因存在。而Shewhart的质量控制图是根据机率原理和统计学而来的，正是判断制程中有无不能控制的变异原因的有效利器。

至于Deming博士，他的着眼点是放在：谁该对这种变异负责？于是创造了共同原因和特殊原因这两个名词。
共同原因的变异是存在于制造系统(System)或控制良好的系统中。优思学院认为因为这种变异是属于系统内的，所以应该由控制这一系统的人员来负责，那即是：经理人员─特别是高阶层的经理人员。共同原因的变异仅祇能由经理阶层人员采取行动，才能把它移除掉。

特殊原因的变异在本质上是局部的。Deming博士曾说过，他喜欢用〝特殊〞这个形容词来指特定的一群作业员，或特定的某一位作业员，或特定的机器，或特定的局部环境等所造成的特殊原因。他并说，名词并不重要，重要的是观念。一般都能从发生问题的那一特定阶层人员，就可自行找出原因，采取行动，并把困扰的问题消除掉。
这些非机遇原因可以由作业员或那一部分的领班来采取行动。 而共同原因却不然，它可以是机遇原因，也可以是非机遇原因。无论在那一种情况，都是系统上发生的错误(Faults)，仅祇能由经理阶层人员采取行动，才能改正过来。 Deming博士是着重在谁该对这种不同型式的变异负责，现在优思学院可以用一句话来说明他的观念：减少任何一个质量特性(如厚度，或绩效等)的变异，不管这个质量特性是否在控制状态之下，甚至只有少数几个或没有不良品产生，都认为是良好的管理。 〝零缺点〞并不能算够好。
 
工业界必须做到比符合规格还要来得好。经理人员要去研究制程，并且应该去找寻变异的来源，进而把它消除掉，以经常改进产品。质量控制图正是用来找出这些来源的有效利器。当制程中的变异减小后，则零件将更为相似，产品亦将愈佳。这些都是Deming博士在1950年带给日本人的金玉良言，日本人懂得这些话，经过了石川一郎(按：即石川馨氏之尊翁)及小柳贤一等继续不断地努力，才奠定了实施SQC成功的基础。
 
现在，将再介绍另一个观念(Concept)，那就是：工程上(Engineering)对变异的观念，和Shewhart博士(包括Deming博士)对变异的观念，两者完全不同。工程上对变异的观念，其目的是要求产品能符合规格，不管产品中的变异有多大，只要在规格范围以内，就尽可能地让它去变化(Vary)。如果结果是在规格范围以内，就认为是〝够好〞了。而Shewhart博士观念的目的，是要制程经常稳定一致(Consistency)，结果自然是产品尽可能地稳定一致了。因为它们的目的不同，结果也就随之而不同。优思学院认为我们没有必要把这两种观念加以协调。经理人员必须采用其中之一，作为生产制程的指导原则：仅只要求符合规格，还是继续不断地改进制程。

经理人员在工业革命时期就开始采用第一种观念了。大约经过了200年以后，这个目的仍没有达到。因为我们仅仅把目标放在符合规格上，结果却缺乏进步。这就没有理由使人相信将来会有什么进步的缘故。

另一方面，根据日本的经验，应用了Shewhart博士的观念之后，证明了持续不断地改进制程，使得日本的工业产品提高了它们的质量，也提高了它们的生产力。结果，不再局限于以符合规格为满足，而是在持续不断地改进途程中前进。

优思学院认为要产品完全符合规格，唯有持续不断地改进制程，而且仅只有当经理人员用言词和行动来支持这个目标时，才会获得质量和生产力的增加。


  收起阅读 »

第一阶段 计划和确定项目阶段

这一阶段是了解顾客的需要和期望，决定要开发的产品/项目 并确定产品/项目开发计划的阶段。

 

第二阶段 产品的设计和开发阶段

这一阶段要完成全部产品图样和设计文件，并通过样件试制和试验，验证产品图样和设计文件的正确性、产品的适用性和可靠性、产品满足顾客要求的程度。
这一阶段还要完成初始可行性分析，以评定制造过程中可能发生的潜在问题。
在进行产品设计时，不仅要考虑产品功能、性能方面的要求，还要考虑成本、进度、质量、可靠性、生产节拍等多方面的要求。在设计的适当阶段要进行设计评审。

 

第三阶段 过程的设计和开发阶段

过程的设计和开发，就是我们平常所说的工艺准备。这一阶段的工作是开发一个有效的制造系统，包括编制工艺文件、试生产控制计划等。
IATF 16949 对过程设计和开发的输出有明确的规定：制造过程设计输出应以能够对照设计输入进行验证和确认的方式提出。

 

第四阶段 产品和过程的确认阶段

产品和过程的确认阶段，是通过小批量试生产对制造过程进行确认的工作阶段。
小批量试制的任务是验证工艺（过程流程图、控制计划、过程指导书等）和工装。
小批量试制要在正式生产线上进行，要使用设计所要求的各种工装，要采用生产组织和劳动组织。
小批量试制的数量，依顾客的要求和企业的情况而定，少则几十台，多则上千台。小批试制前要做好充分准备，小批试制后要做好总结和检查工作。

 

第五阶段 反馈、评定和纠正措施阶段

反馈、评定和纠正措施阶段，是根据生产过程、产品使用、交付服务中得到的信息，改进产品质量策划中的不足，提高顾客满意程度的阶段。
 


  收起阅读 »

近年来，越来越多的企业进行了信息化建设。企业信息化失败，或者至少说是没有完全达到当初的预期，案例比比皆是。
那么，到底如何避免失败？

答：最有效的手段之一就是--试用、试用、还是试用！

为什么要试用？
买双鞋子，你都会穿上试一下，走几步看鞋子是否合脚，穿着是否舒服，是不是硌脚。
企业是如此多种多样，如此千差万别，而且企业为了竞争和生存，还一直处于不断变化之中，不试用一下，怎能知道这个软件是不是适合自己，是不是能够解决企业面临的问题？

很多企业管理者说，那我可以参观一下成功案例。通常是很难看到同行案例（只有为数不多的企业会同意同行参观），即使很幸运看到了同行案例，并且很成功，也无法证明适合别的公司的软件，就一定会适合自己的公司。还是同样的道理，只有自己的脚最知道鞋合适不合适。

在选择工业软件时，“试用”这一火眼金睛术可以帮助企业发现以下潜在问题：

1. 避免被高大上的PPT蒙蔽双眼。
老王卖瓜，自卖自夸。乙方有些吹牛成分可以理解。但有很多软件提供商喜欢语不惊人死不休，还喜欢新造一些词汇来唬人，比如什么人工智能、大数据，什么ERP+MES全方位解决方案，什么万物互联，好像是一个全能的上帝，总之一句话没有他不能做的。对于这样的表演，一些人已经不屑一顾了，但绝大多人还是会被唬住。



 
这还没完，有些企业把PS本领也搬到了PPT产品介绍上，产品的界面P的非常酷炫；更有甚者，自己的产品没有这个功能，盗取同行的产品界面，放到自己的产品上去，宣称是自己开发的产品。
欺骗客户这事，可别以为只有中国软件企业这样做，美国和德国（美国和德国的工业软件比其它国家多）的软件公司也有这样干的，戳穿这样的把戏很简单，让乙方销售人员用他们的公司的实际软件系统现场展示PPT中出现的界面并走几个流程即可。

2. 现场演示也不一定完全可靠。
软件服务商在客户面前演示，所见即所得，这样该没有问题了吧？魔术也是在你面前表演，但魔术是真实的吗？在短短的展示时间内，客户很难掌握软件系统的全部，也不可能充分理解该系统。再说，乙方会100%毫无保留地展示产品吗？数据的前后逻辑关系是怎么得来的？计算结果对吗？
 



这里给大家介绍一个小技巧，如果乙方在介绍产品时，不停地在不同系统之间来回切换，你可就要小心了，该乙方的产品很可能不完善，是定制项目型的软件，没有办法在一个系统展示全部功能，所以要在不同系统之间跳来跳去。为什么对项目型产品要小心，道理也是很简单，失败概率大，详细论述可参见《质量管理系统(QMS)-6.自己开发，外包还是购买产品？》。

还有，展示期间甲方不太可能关注到全部细节，但有些细节又十分关键。例如，我们曾经发现多家软件企业（包括市场上一些常见的公司），其质量检验的取样规则违反了国标GB/T 2828.1—2012，系统上线后才发现，这时甲方该怎么办？如果甲方是知名企业且使用了这样低劣的软件，不仅没有对质量做到很好的管控，而且还会对企业商誉造成很大的潜在风险。

3. 验证操作界面是否易于一线员工理解。
如果不易于一线员工理解，实施会遇到很大的阻碍。还有，相对来说，一线员工的离职率比较高，如何让新员工快速掌握，不影响生产，也是一个不容忽视的问题。后期再培训的问题，在项目初期也要有所关注。

4. 乙方介绍的功能适合我们的企业吗？
语言沟通时不免有些歧义，实际测试一下系统便知，避免出现卖家秀和买家秀的问题。

 




除以上原因，试用还有其它益处吗？

5. 检验乙方软件的成熟度。
乙方在演示的时候，可以躲避一些软件的缺陷，甚至是Bug。 只要甲方在试用时比较细心，这些问题很难被隐藏住。

6. 考察乙方的实施能力。
专业实施能力是软件成功与否的另一个关键要素。甲方在试用时，必然会有一些问题，通过提出问题，就可以看出乙方是否是专业的质量人员，有没有专业服务能力。我们就曾经看到过，有些实施人员完全不懂质量，甲方人员还要花费时间告诉乙方软件公司什么是标准方差，什么是Cpk等专业术语。在这种情况下，还能期望实施过程中乙方给企业的流程带来优化吗？

很多企业购买质量管理软件的初衷包括希望通过实施软件把质量管控流程中不规范的地方一并梳理，如果乙方质量管理不专业，又如何梳理？

7. 让使用部门参与选择。
而不是完全由上级或者IT部门强行塞给使用部门一个系统，以便减少后期使用部门的抱怨和扯皮的事情。
给孩子买鞋子，最好带上孩子。

8. 员工有参与感。
可以根据甲方的实际情况，让多个层级员工参加试用。

9. 避免暗箱操作。
阳光是最好的消毒剂，让大家畅所欲言，把选择放在桌面上。这样选择出的系统，不会让大家失望。

10. 在签合同前，各方达成比较一致的意见。
通常测试是多人测试，给出的反馈更加全面，如果有意见不统一的地方，可以及早提出，避免后期的各种意想不到。

11. 尽量减少开口合同。
一些定制二开有时是不可避免的，但要在签合同时要做到心中有数，要在预算范围之内，如何才能实现呢？在IT部门的帮助下，让实际使用部门给出反馈，是比较接地气的办法。实际使用部门最清楚他们需要什么，什么是雪中送炭，什么是锦上添花，甚至什么是画蛇添足。
（这里的使用部门不能仅仅狭义地理解为质量部门，采购部门可能需要参考供应商质量表现，研发部门可能需要产品问题历史记录，销售和财务可能需要产品直通率来核算产品真实成本，高管可能需要产品质量整改进度表等等，不一而足。）


那么，甲方该如何进行试用？
试用的方法有多种，推荐一个即高效又可检验出乙方专业水平的方法。

第一步：甲方根据自身的需求，可以把相关的脱敏资料（可以公开的数据或者模拟数据）如，来料检验报告、过程检验报告、出货检验报告、客户投诉、评审报告、纠正预防（8D）、不合格品管理流程、以及质量月报等资料发给乙方。

第二步：由乙方搭建一个临时的测试系统，里面的物料号、工序、检验方式都模拟甲方真实运营的情况。

第三步：如果乙方是一个较为完备成熟的系统，可以很快搭建出来一个模拟系统，而不会用其它借口，什么审批之类的来拖延时间。

第四步：甲方按照实际生产和业务处理流程，录入一些实际的检验、不合格品、客诉等数据，不仅可以检验一下乙方的系统是否能够实现企业所需要的数据录入方式、报表分析效果，以及流程是否能够满足要求。还能够快速评估系统对当前需求的匹配程度、以及未来可能存在变化的灵活配置能力，并且可以通过这个模拟系统来进一步考察乙方对甲方的业务理解水平，以及技术支持能力。

第五步：通过测试系统，对于不能满足需求的地方，让乙方给出开发周期以及大致的报价，对项目的整体预算要做到心中有数。

第六步：对乙方的系统，人员专业水平，支持能力，价格等做出综合服务评价，选出合适的系统。

不同于购买一些传统的商品或服务，比如培训或者一个零件，这些都是某种程度上的短暂、小范围合作。购买工业软件就完全不同了，会涉及到多个部门，并且会对企业带来长期影响。不仅仅是系统上线那一时刻的服务很重要，更要考虑到乙方是否能够长期持续地提供基于系统的专业技术服务。选择错了，可能不但帮不到企业，反而成为负担。
收起阅读 »

我有全套资料，有需要的可以私聊

FMEA最早在美国武装部队军事程序文件MIL-P-1629（1949年）中出现，文件其后在1980年修订为MIL-STD-1629A。到了20世纪60年代初，美国国家航空和航天局（NASA）也开始使用FMEA，早期的FMEA也称作FMECA。由此可见FMEA的使用在于极重要的流程上，因为它是一套分析风险的工具，风险的成本代价越大，分析的重要性便更大。这也是今天华为研发这么看重FMEA分析的原因。

失效模式与影响分析（英文：Failure mode and effects analysis，FMEA），FMEA是用来预测潜在的失效模式的发生和它所带来的影响，从而管理过程的风险，简而言之，是一种风险评估的工具。优思学院｜六西格玛培训整个工具的重要一环是为各个过程和特性，计算出风险指数(RPN)，以评估风险优先级数的一种衡量指标，有助于识别与您的设计或过程相关的关键故障模式的潜在问题，从而预先采取必要的控制或预防措施，以提高产品的质量和可靠性。

  收起阅读 »

注：本文初次发表于公众号“质量管理与工具实战交流平台”上。
 不久前，流传着一篇题为《质量管理软件（工具）中，SPC真的有用吗？》的微信公众号文章（读者可在微信中的“搜索”查看一下），该文章把SPC批了一个“体无完肤”。其中的观点当然是错误的，业界也相应地出现了一些纠正和澄清的文章。

与直接的纠正做法不同的是，我从另一个角度对这个问题进行了思考：为什么有人会对SPC存在着误解和质疑呢？

事实上人们在学习和使用SPC时存在着大量的误区，尤其是关于SPC的理论基础、准备工作、使用前提、使用前对所控制的过程的初始研究等，这些方面在讲解和学习时被忽视了，只注重了步骤，尤其是把AIAG发布的《SPC参考手册》当作了一种标准条款来解读和使用，这就很难使SPC得到正确的理解和应用，带来的效果就可想而知了，这就会让人误认为SPC是一种没有实用价值的、过时的理论了！

我最近更新了我的SPC课程，着重强调和强化了这些容易被忽视的方面，在本文中限于篇幅，我只是列举其中的一部分控制图中的常见问题。下列方面比较普遍：

第一，缺乏必要的数理统计知识
SPC是基于数理统计理论建立起来的，这就对数理统计基础比较欠缺的人来说，想在有限的时间里理解它的基本原理确实是一个比较严峻的挑战。这些相关的理论至少包括：随机变量、分布、正态、中心极限定理、抽样分布、甚至假设检验等理论讲清楚！只有理解了这些数理统计概念，才能掌握SPC的底层逻辑，才能应对变化万千的制造过程和工作场景，否则，只学习基本的步骤和生硬的规定，接下来所学的SPC就会百无一用了！所以，在讲解和学习SPC的基本知识时，这一块是决不能回避的。 





上图中的注释不是具体的失控判断准则，后面还有对每条准则的详细讲解。

第二，SPC的准备工作不充分
1、资源是制约SPC推广应用的重要原因。当前随着制造业自动化、智能化的日益普及，已经越来越多地实现了在线100%或连续检测，一天可能会产生海量的数据，如果还是采用那种几十年前的那种原始的方式，由人工进行数据的采集、上传、分析和报警，效率是很低的，也是不够精确的，好马应当配以好鞍，需要借助于自动SPC系统，必要时与企业的ERP系统相融合，这样才能做到自动、实时、快速地对失控做出反应，减少报警停线带来的损失。

2、与海量数据的情形相反，还有另一种极端的情形，就是感觉没有适合于SPC管控的特性，特别是在一些组装生产线上，或者在一些破坏性测量的工位上。这就需要用一些“前端工序的特性”、“过程特性”使用控制图，或者测量成本较低且与之相关的特性来替代。









3、工作流程上的保障。请问SPC只是质量工程师们的事吗？我们需要一个工作流程上的保证，这样才能够保障SPC能够持续地进行下去。SPC是跨部门的工作，尤其是生产、设备、工艺部门、质量部门共同的职责，需要基于工厂的实际，进行合理的分工与协作。



4、有的人不知道应当在什么时候导入SPC，或者生产过程中尚有一堆问题等待解决时就导入SPC，结果是不能建立起控制限，因为总是存在失控！因此，当过程中还有显而易见的问题未得到解决，还在产生着大量的不合格时，使用控制图是没有任何意义的！

5、我们经常得到下面这样的图形：



很显然，这是测量系统的分辨率不够的缘故，这要结合制造过程本身的变差，如果变差足够小，这就要求测量系统的分辨率更小，至少要做到1/10的过程变差：1/10×6σ。下图是使用不同分辨率的量具测量同一组样件的结果对比：



因此，做好控制图，如果过程是高精度自动化的，测量系统/量具本身就是一个挑战。

第三，缺乏对所控过程的了解
1、不了解数据的分布状态。对于常规控制图来说，在建立控制限时（控制图的分析阶段）是有着一定的前提的（随机、独立、正态），其中要保证图上的点所对应的数据呈现正态分布或者近似正态分布，否则，所建立起来的控制限就会产生假报警或漏报警，就是我们常讲的第一类和第二类错误！

那么这个“近似正态”到底是可以近似到什么程度呢？这是一个容易令人困惑的问题。

有人或有的SPC书籍中认为，先把控制图做出来，如果真的数据不正态，就会通过失控来表现出来（报警），到时候你不就知道了吗？这种说法在正式的在线控制时是正确的，毕竟SPC实质上就是一个大号的假设检验嘛，但是，在建立控制限的分析阶段，是存在着一定的“灰色地带”的，会存在一种“既不是正态，同时又不失控报警”，只是“潜伏”的情形！或者在建立控制限时出现了失控的点，于是去寻找过程中的问题，如果找不到，那么到底是专业知识不够呢，还是本来过程就没问题而是因数据不完全满足正态的条件所生产的假报警呢？难以分辨吧！所以在这样的条件下建立起来的控制限是不够严谨的，仅仅说“近似正态”其实是没有实操价值的！在控制图的分析阶段，我们需要确定的是一个准确的基准-控制限。



因此，我们至少要确保样本的均值之间要呈现正态分布，这就是所说的“原始数据可以近似的程度”衡量依据！

要确保样本均值之间为正态分布，就应当使用正确的样本量，所谓的“小样本、短周期”的抽样方式，只是在原始数据正态的前提下是合理的，如果原始数据不正态，我们应当在确认制造过程当中没有特殊原因的前提下，适当加大样本量，以使得均值之间为正态分布（依据中心极限定理），或者通过其他的手段，如非正态向正态的转化、寻求个体分布的参数、非参数等，而不是生搬硬套、千篇一律地使用同一种控制图（如均值-极差图）。看来这也是SPC“曲高和寡”的原因之一吧，因为它确实需要使用者具有较高的数理统计功底的。

2、不了解所控制过程的特定失控模式。我经常听到过这样的反馈：导入SPC后失控报警了总是找不到原因，太影响生产了，后来我们就干脆又把SPC撤掉了。这是多么遗憾的一件事啊！

这是什么原因呢？其中的原因有：建立控制限时所用样本不能代表和包含实际过程的变差，使均值图的控制限过窄，盲目使用那常用的8个判异准则、缺乏事前对过程失效模式的分析（与PFMEA的对接）等。对于一个特定的加工过程，我们用控制图来控制的特性应当会从PFMEA中找到相应的失效模式及失效起因，即使没有做PFMEA，我们也应当事先来分析和识别出一些发生频度较高的失效起因，评估这些起因如果存在，会在控制图上引起哪种类型的失控模式，从而确定我们要采用哪几个判异准则（超控制限这个是必须使用的）。这样把工作做到前头，一旦将来出现失控报警，就会沿寻着事先的分析路径，快速把失控搞定，使过程恢复受控状态。

例如，气动夹紧工装，可能会出现气体管路漏气或螺丝松动的问题，如果使用控制图对夹紧力进行监控，那么可能会出现下列失控模式：
 


因为一旦气体发生泄漏或螺丝产生松动，其程度就会快速地恶化，反应在夹紧力上就是逐渐下降的趋势。在对夹紧力使用控制图控制之前，就应当先将这些可能的因素和由此引起的失控模式识别出来和确定下来。
再如，当加工的基准面的定位不正确时，就会出现下面这样的失控模式：



那么你的过程存在基准面变动的因素吗？

3、对抽样的时机制定太死板。对于一个过程，人员/班次、原材批次的更迭，还有设备的重启、重设等都是产生显著变差（特殊原因）的机会，如果只是机械地等时间间隔来抽样，就会错过这些变差机会，所以还需要基于所控过程的要素(4M1E)水平更的迭来有针对性地抽样，以便及时捕捉变差和可能的特殊原因。

第四、出现失控后不明确如何反应
大家都在注重如何制作控制图，如何判断失控，却没有一个明确的规则来说明出现失控后如何反应。在AIAG的SPC参考手册中也没有明确的规定。

对于不同的失控模式，我们需要做出不同的反应，这包括下列选项：分析原因、停止生产、隔离产品。在我的课程中进行了讲述。例如，对于下列失控模式，我们应当停止生产、隔离产品：



再就是，产品被隔离后再怎么做呢？在上述情况中，应当是进行PPK（注意这时不应当是CPK了）的研究，看是否已经低于了PPK目标值了，如果是，就应当按照与客户的约定进行处置（发货前全检或者追加抽检等）。
而对于下列情况，只需要分析原因：



还有一个需要澄清的问题，就是“失控ARL”（平均运行长度）。当均值图上有点发生失控后，在所发生的点上看不到这个失控，直到再抽若干次样后才在图上表现出来，这样的平均抽样次数为失控ARL。在AIAG的SPC参考手册中，只是提到了“受控ARL”，即两次假失控报警之间的平均运行长度（抽样次数）。







在控制图的实际运用过程中，失控ARL是相当重要的，如果没有这个概念，当失控时，就不能隔离出所有的可能受到影响的产品。

第五、控制图长期不更新
虽然在分析阶段建立的控制限是在线使用阶段的控制基准，一般不能进行更改，但是在下列情况下，应当适时更新：
过程进行持续改善后，或者增加了过程的防错后，应当重新计算控制限，否则就会失去应有的灵敏度。在所控特性的目标值发生变更时，也应当重新设置控制限，因为目标值变了，相应的加工基准也要做出改变，过程的均值也会发生改变，若还是保持现有的控制限，就会出出均值偏移的“失控”。

限于篇幅，就写到这里吧，其实我的更新版的SPC课程中还有更多的与众不同的亮点的。
 


收起阅读 »

特斯拉模式

偶感，质量管理的两个笑话。有看懂的么？
1、脱离实际客户和产品谈质量；
2、脱离实际问题及情景谈方法论及解决方案；
 
请大家不要一味地抱怨，说这两个笑话的本意也不是抱怨质量&质量管理。
质量本身的存在就是取决于产品的固有特性及客户需求，现在很多人直观OK不OK？而不管是否满足客户需求！
同样质量管理，见过很多不管公司经营目标，直管是否符合规格，条款。将质量管理凌驾于产品，公司经营之上。
这样的话就失去的质量以及质量管理的内在意义。所以很多抱怨！~~~~
 
问题同样如此。 收起阅读 »