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）
假设检验的功效和样本数量
在假设检验中，我们会使用样本中的数据来描绘有关总体的结论。首先，我们会进行假设，这被称为原假设（以 H0 表示）。当您进行原假设时，您也需要定义备选假设 (Ha)，其与原假设正相反。样本数据将用于判断 H0 是否可以被否定。如果其被否定，则统计结论将认为备选假设 Ha 正确。
请记住这一检验的功效，或是在原假设不正确时，原假设被否定的可能性。
它可以解释为“检验在应该拒绝原假设时拒绝原假设的能力”。如果原假设不正确，则有很高概率拒绝原假设是很有意义的。功效与类型 2 的错误相关（功效 = 1 - 类型 2 错误），请见下表。类型 2 错误是当备选假设正确时不拒绝原假设的概率。因此，确保有足够高的功效，才能保证类型 2 错误较低或“可以接受”。确保检验有足够功效的一种常用方法是收集足够的数据，因为功效的计算取决于样本数量等因子。样本数量越大，功效越高。换言之，未能收集足够的数据将导致低功效和大量类型 2 错误。
最重要的是要找到合适的样本数量。显而易见，未能收集足够的数据会导致更多的类型 2 错误。但是，收集“过多”的数据也会增加类型 1 错误，因为检验的功效会更高。因此，该检验可能会检测到与假设值的微小差异，即使该差异可能没有任何实际意义，尤其是与抽样成本有关时。检验功效的计算应当基于实际意义。
MINITAB具有通过多种不同统计检验计算功效的功能
在下列示例中，分析人员在 Minitab 中通过单比率检验和单样本 t 检验，进行了功效和样本数量分析。
单比率检验样本数量
考虑将产品分类为好或差的制造过程，其中有 1% 的不良品率。如果不良品率上升至 3%，则会对整个组织造成严重的成本问题。他们需要确定合适的样本数量，以满足：类型 I 错误率为 0.05，检验功效为 0.80，以检测出不良品率从 1% 上升至 3% 或更高。
因为分析人员对不良品率研究感兴趣，他们使用了单比率检验。原假设和备选假设是：
Ho: P = 0.01
Ha: P > 0.01
其中 P 为实际缺陷比率。
为了找出需要多少数据点才能达到至少0.8的功效，分析人员在 Minitab 中进行了单比率检验的功效和样本数量分析。
单样本 t 检验的样本数量
将产品分类为好或差很简单，但会损失很多信息。将好产品视为在 5 到 10 之间。假如有 2 个单元测得的数值为 4.9 和 10.01，并因而归入差的分类。假如有另外 2 个单元测得的数值为 2.3 和 14.1，并因而归入差的分类。请注意，如果只是简单的区分好和差，这两种情况是相同的。因此，如果测量产品质量特征是可行的，那么分析人员应该记录质量特征的实际值，并使用记录的数据 – 无需转换为好和差。单样本 t 检验可以用于检验总体的均值是否与目标一致。如果样本数据的均值接近“目标”，则该过程可能运行良好。如果均值不接近目标，则可能生产出缺陷产品。
例如，假设该产品特征为特定目标的孔直径。分析人员可以测量每个产品上的孔直径，并使用单样本 t 检验将均值与目标值进行比较，而不是检查 236 个产品以确定孔是否符合规格。
为了找出需要多少数据点来检测至少 80% 功效的过程均值中的 1 西格玛偏移，分析人员在 Minitab 中对一个单样本 t 检验进行功效和样本数量分析。
计算的样本数量仅为 10。这意味着如果分析人员希望确定目标的偏离均值是否超过了 1 西格玛，则他们需要进行 10 个单位的单样本 t 检验，以获得至少 80% 的功效。
为什么会有这么大的区别？
属性数据的假设检验需要大量样本，因为在收集数据时没有获取详细信息。另一方面，连续数据的假设检验只需较少的样本数量，因为其获取并使用了产品的详细信息。该理论不仅适用于功效。属性数据需要大量样本以用于置信区间、属性一致性分析、控制图和能力分析。
总之，重要的是进行具有足够功效的假设检验，以提供合理的机会来检测差异。功效与样本数量直接相关。Minitab 具有计算多种不同假设检验（包括试验设计）的功效的功能。
本文最初出现在Minitab博客上。
收起阅读 »
请记住这一检验的功效，或是在原假设不正确时，原假设被否定的可能性。
它可以解释为“检验在应该拒绝原假设时拒绝原假设的能力”。如果原假设不正确，则有很高概率拒绝原假设是很有意义的。功效与类型 2 的错误相关（功效 = 1 - 类型 2 错误），请见下表。类型 2 错误是当备选假设正确时不拒绝原假设的概率。因此，确保有足够高的功效，才能保证类型 2 错误较低或“可以接受”。确保检验有足够功效的一种常用方法是收集足够的数据，因为功效的计算取决于样本数量等因子。样本数量越大，功效越高。换言之，未能收集足够的数据将导致低功效和大量类型 2 错误。
最重要的是要找到合适的样本数量。显而易见，未能收集足够的数据会导致更多的类型 2 错误。但是，收集“过多”的数据也会增加类型 1 错误，因为检验的功效会更高。因此，该检验可能会检测到与假设值的微小差异，即使该差异可能没有任何实际意义，尤其是与抽样成本有关时。检验功效的计算应当基于实际意义。
MINITAB具有通过多种不同统计检验计算功效的功能
在下列示例中，分析人员在 Minitab 中通过单比率检验和单样本 t 检验，进行了功效和样本数量分析。
单比率检验样本数量
考虑将产品分类为好或差的制造过程，其中有 1% 的不良品率。如果不良品率上升至 3%，则会对整个组织造成严重的成本问题。他们需要确定合适的样本数量，以满足：类型 I 错误率为 0.05，检验功效为 0.80，以检测出不良品率从 1% 上升至 3% 或更高。
因为分析人员对不良品率研究感兴趣，他们使用了单比率检验。原假设和备选假设是：
Ho: P = 0.01
Ha: P > 0.01
其中 P 为实际缺陷比率。
为了找出需要多少数据点才能达到至少0.8的功效，分析人员在 Minitab 中进行了单比率检验的功效和样本数量分析。
单样本 t 检验的样本数量
将产品分类为好或差很简单，但会损失很多信息。将好产品视为在 5 到 10 之间。假如有 2 个单元测得的数值为 4.9 和 10.01，并因而归入差的分类。假如有另外 2 个单元测得的数值为 2.3 和 14.1，并因而归入差的分类。请注意，如果只是简单的区分好和差，这两种情况是相同的。因此，如果测量产品质量特征是可行的，那么分析人员应该记录质量特征的实际值，并使用记录的数据 – 无需转换为好和差。单样本 t 检验可以用于检验总体的均值是否与目标一致。如果样本数据的均值接近“目标”，则该过程可能运行良好。如果均值不接近目标，则可能生产出缺陷产品。
例如，假设该产品特征为特定目标的孔直径。分析人员可以测量每个产品上的孔直径，并使用单样本 t 检验将均值与目标值进行比较，而不是检查 236 个产品以确定孔是否符合规格。
为了找出需要多少数据点来检测至少 80% 功效的过程均值中的 1 西格玛偏移，分析人员在 Minitab 中对一个单样本 t 检验进行功效和样本数量分析。
计算的样本数量仅为 10。这意味着如果分析人员希望确定目标的偏离均值是否超过了 1 西格玛，则他们需要进行 10 个单位的单样本 t 检验，以获得至少 80% 的功效。
为什么会有这么大的区别？
属性数据的假设检验需要大量样本，因为在收集数据时没有获取详细信息。另一方面，连续数据的假设检验只需较少的样本数量，因为其获取并使用了产品的详细信息。该理论不仅适用于功效。属性数据需要大量样本以用于置信区间、属性一致性分析、控制图和能力分析。
总之，重要的是进行具有足够功效的假设检验，以提供合理的机会来检测差异。功效与样本数量直接相关。Minitab 具有计算多种不同假设检验（包括试验设计）的功效的功能。
本文最初出现在Minitab博客上。
收起阅读 »
1_ipc-TM-650_中文版[1]
1_ipc-TM-650_中文版[1]
如何使用流程图来抗击病毒并保障医疗人员的安全
有关新冠病毒的新闻报道遍布各大媒体。但并非所有的新闻都是坏消息。人类的意志坚不可摧，全球各地都在努力研发病毒疫苗。医疗系统正在经受着前所未有的考验。但是，面临困境，依然有许多像Adventist HealthCare这样的组织在奋起抗击病毒。
利用卓越运营应对新冠病毒
总部位于盖瑟斯堡的 Adventist Healthcare 成立于1907年，是马里兰州蒙哥马利县的第一家（也是最大一家）医疗提供商。旗下的医疗系统包括四家医院、1,700多名医生和医疗人员、5,500多名员工以及由诸多医疗中心和设施组成的综合医疗网络，其服务不仅涵盖马里兰州，还覆盖华盛顿特区。
在美国确认新冠肺炎病例之后，Adventist HealthCare 卓越运营团队立即行动起来。他们组织了定期会议，力求在医生的领导以及其他多学科团队成员的参与下，组成过程设计和改进团队，共同分享有关此全球性新冠病毒的一切可用信息。世界卫生组织(WHO)和美国疾病防控中心(CDC)倡导增强卫生消毒方法以及严格限制身体接触，这让卓越运营团队意识到，只有更新医院和护理中心的现有诊治过程，才能更好地保护设施内的医疗人员和患者。
在 Melany Rabideau 的领导下，卓越运营团队在 Minitab Engage 中创建了一个项目，以期在单一位置记录与新冠病毒相关的所有过程。然后他们开始审查并确定哪些过程需要改进。
创建并更新过程，防止传染扩散
在弄清楚哪些过程需要改进以及需要创建哪些过程后，卓越运营团队立即展开行动。由于美国个人防护装备需求水涨船高，供应短缺，作为口罩供应稀缺时确保医疗人员安全的预防措施，卓越运营团队在 Minitab Engage 中创建了流程图，以确立在其所有设施中对N95口罩进行回收和消毒的标准化方法。
与任何优秀的流程图一样，卓越运营团队精心制定了完成过程所需的所有具体步骤，同时还添加了备注和颜色键来帮助医疗人员轻松快速地理解流程图。
以下是他们的流程图的数字版。
他们将流程图妥善分发到整个医疗系统中。但是，随着时间的推移，CDC 和 Adventist 领导层的指导方针发生了改变。
万幸的是，由于流程图是使用 Minitab Engage 创建，卓越运营团队中的任何人都可以根据需要进行编辑。团队成员非常喜欢这一点。他们将 Minitab Engage 当作“唯一参考信息源”和“中央存储库”，让所有团队成员都能在统一位置轻松获取相同的信息。
Adventist HealthCare 的脚步从未停歇
在当下全球疫情期间，Adventist HealthCare 创建了多张流程图来支持和帮助他们的医疗人员，针对 N95 口罩回收和消毒的流程图仅仅是其中之一。以下是他们与我们分享的其他两张流程图：
新冠肺炎疫情期间的紧急抢救响应
治疗导航 - 紧急治疗的调查病例 (PUI) 跟进过程
抗击新冠病毒正在如火如荼地进行，Adventist HealthCare 仍在不断创建新的流程图并予以更新，同时也在为其回归正轨做好规划准备。其中一名团队成员说得非常好：“Minitab Engage 在混乱时刻给予组织一种有条不紊的感觉。” 收起阅读 »
利用卓越运营应对新冠病毒
总部位于盖瑟斯堡的 Adventist Healthcare 成立于1907年，是马里兰州蒙哥马利县的第一家（也是最大一家）医疗提供商。旗下的医疗系统包括四家医院、1,700多名医生和医疗人员、5,500多名员工以及由诸多医疗中心和设施组成的综合医疗网络，其服务不仅涵盖马里兰州，还覆盖华盛顿特区。
在美国确认新冠肺炎病例之后，Adventist HealthCare 卓越运营团队立即行动起来。他们组织了定期会议，力求在医生的领导以及其他多学科团队成员的参与下，组成过程设计和改进团队，共同分享有关此全球性新冠病毒的一切可用信息。世界卫生组织(WHO)和美国疾病防控中心(CDC)倡导增强卫生消毒方法以及严格限制身体接触，这让卓越运营团队意识到，只有更新医院和护理中心的现有诊治过程，才能更好地保护设施内的医疗人员和患者。
在 Melany Rabideau 的领导下，卓越运营团队在 Minitab Engage 中创建了一个项目，以期在单一位置记录与新冠病毒相关的所有过程。然后他们开始审查并确定哪些过程需要改进。
创建并更新过程，防止传染扩散
在弄清楚哪些过程需要改进以及需要创建哪些过程后，卓越运营团队立即展开行动。由于美国个人防护装备需求水涨船高，供应短缺，作为口罩供应稀缺时确保医疗人员安全的预防措施，卓越运营团队在 Minitab Engage 中创建了流程图，以确立在其所有设施中对N95口罩进行回收和消毒的标准化方法。
与任何优秀的流程图一样，卓越运营团队精心制定了完成过程所需的所有具体步骤，同时还添加了备注和颜色键来帮助医疗人员轻松快速地理解流程图。
以下是他们的流程图的数字版。
他们将流程图妥善分发到整个医疗系统中。但是，随着时间的推移，CDC 和 Adventist 领导层的指导方针发生了改变。
万幸的是，由于流程图是使用 Minitab Engage 创建，卓越运营团队中的任何人都可以根据需要进行编辑。团队成员非常喜欢这一点。他们将 Minitab Engage 当作“唯一参考信息源”和“中央存储库”，让所有团队成员都能在统一位置轻松获取相同的信息。
Adventist HealthCare 的脚步从未停歇
在当下全球疫情期间，Adventist HealthCare 创建了多张流程图来支持和帮助他们的医疗人员，针对 N95 口罩回收和消毒的流程图仅仅是其中之一。以下是他们与我们分享的其他两张流程图：
新冠肺炎疫情期间的紧急抢救响应
治疗导航 - 紧急治疗的调查病例 (PUI) 跟进过程
抗击新冠病毒正在如火如荼地进行，Adventist HealthCare 仍在不断创建新的流程图并予以更新，同时也在为其回归正轨做好规划准备。其中一名团队成员说得非常好：“Minitab Engage 在混乱时刻给予组织一种有条不紊的感觉。” 收起阅读 »
论质量管理的理法方药
在质量管理过程中，时常会限于迷惑，本文通过理法方药的解析，为质量工作者提供做好工作的一个思路。
捋一捋五大工具剪不断，理还乱的关系！
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 »
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 »
关于FMEA中常见的错误
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 »
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 »
研发质量管理三板斧
导语：之前写了几篇关于研发质量管理的文章，那都是单独的一个点，不成体系。为完善自身研发质量管理的知识体系，本文做了一次梳理，结果分享如下。
1.制定产品研发的流程
流程是协作的基础，是团队作战的地图，没有作战的地图，就像进入了巷战，打赢了是靠运气。
流程是质量人行使监督权的权力来源，让质量人“有法可依”
相关文章链接：
2.测试与验证
根本目的是确保产品批量符合要求，主要从三方面来确保
发现问题
主要是通过样机测试和试产来发现问题，在测试和试产之前，需要先制定标准（一文读懂如何制定产品质量标准）
解决问题
发现问题后，需要从根本原因上解决问题
（华为质量管理学习一--质量回溯（PPT可下载,含案例）
预防问题
预防为主，主要通过设计评审、风险评估进行预防
一文Get到包装设计评审checklist
一文Get到结构设计评审checklist（含模板，非常实用！）
一文Get到硬件设计评审Checklist（含模板！非常全）
3.里程碑评审
通过里程碑节点评审，评估产品的成熟度，确认是否满足量产上市的条件
相关文章：
最后的话
本文通过三板斧的框架说明研发质量管理的知识架构，并贴附之前的相关文章，便于大家明白知识点之间的联系并形成知识体系。
研发质量管理的内容还有很多，后续也会按照此体系继续分享
收起阅读 »
1.制定产品研发的流程
流程是协作的基础，是团队作战的地图，没有作战的地图，就像进入了巷战，打赢了是靠运气。
流程是质量人行使监督权的权力来源，让质量人“有法可依”
相关文章链接：
- 硬件产品开发流程全景图
- 一文读懂EVT\DVT\PVT三大验证阶段
- 设计开发阶段质量管理
- 立项阶段质量人员如何发挥价值
2.测试与验证
根本目的是确保产品批量符合要求，主要从三方面来确保
发现问题
主要是通过样机测试和试产来发现问题，在测试和试产之前，需要先制定标准（一文读懂如何制定产品质量标准）
解决问题
发现问题后，需要从根本原因上解决问题
（华为质量管理学习一--质量回溯（PPT可下载,含案例）
预防问题
预防为主，主要通过设计评审、风险评估进行预防
一文Get到包装设计评审checklist
一文Get到结构设计评审checklist（含模板，非常实用！）
一文Get到硬件设计评审Checklist（含模板！非常全）
3.里程碑评审
通过里程碑节点评审，评估产品的成熟度，确认是否满足量产上市的条件
相关文章：
- 评审-质量人的战略武器
- 一文读懂产品质量成熟度评估（含模板）
最后的话
本文通过三板斧的框架说明研发质量管理的知识架构，并贴附之前的相关文章，便于大家明白知识点之间的联系并形成知识体系。
研发质量管理的内容还有很多，后续也会按照此体系继续分享
收起阅读 »
做一份好FMEA，是方法重要？还是技术重要？
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 »
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 »
产品认证ISO7637-2
产品认证标准ISO7637-2
RSS Feed