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

那么当我们已经建立好团队，打算开始做FMEA的时候，应该从哪里着手呢？

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

今天我们就从第一步策划与准备开始说起。

01、5T法需做足

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

而要确认这些，可以尝试使用5T法。
 




inTent目的-我们为什么要做FMEA？

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

Time时间-什么时候完成？

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

Team团队-需要哪些团队成员？

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

Task任务-需要做哪些工作？

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

Tools工具-如何进行分析？

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

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

02、FMEA相关文件需协同

在准备阶段同时也需要搜集一些和FMEA工作相关的文件。
 




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

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

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

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




03、FMEA的边界需确认

最后还有一点需要注意的就是我们要确定FMEA的边界。

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

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

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

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

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

1.降低库存成本

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

02 国务院最新纲要发布，质量风向标如何解读？



我们对《纲要》中涉及到制造业的内容进行了梳理：

1.强化产业基础质量支撑

·改进基础零部件与元器件性能指标，提升可靠性、耐久性、先进性

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

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

2. 提高产业质量竞争水平

·以质量创新促进服务场景再造、业务再造、管理再造

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

3. 推动工业品质量迈向中高端

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

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

4. 提升全面质量管理水平

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

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

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

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

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

能拉开差距的是时间，以及所选择的软件工具最终呈现出的能力。

03 全面质量管理数字化系统，助力智能制造转型升级

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

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

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


▲ 海岸线TTQM搭建企业运营战情室

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

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

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

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

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

FMEA——主动预防

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

那在什么时候需要预防呢？
 




● 第一种情况：新设计、新技术、新工艺的出现。

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

● 第二种情况：对现有设计或过程的新应用。

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

所以我们要基于新环境、新场地，对现有设计或过程的影响重新做FMEA分析。

● 第三种情况：对现有设计或过程的工程变更

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

● 第四种情况：企业建立FMEA数据库

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

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


FMEA——团队协作

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

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

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




大体上来说我们一般将FMEA团队分为核心成员以及扩展成员两部分。

● 核心成员必不可少，属于常驻人员，其工作需要从FMEA的开始到结束。

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

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

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

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

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

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

下一期，我们将一起了解FMEA的逻辑思维。 收起阅读 »

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

01
企业为什么要做FMEA

● FMEA是一种预防风险的工具

相信所有的公司都希望把产品的质量做好，通常情况下，控制质量，有两个方向：

1. 前端做好质量上的预计、预测、预防

2. 后端做好过程当中每个环节的管控

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

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

● FMEA可以帮助你提前预判风险的发生

通常情况下，如果预防的事情没有发生，你会觉得FMEA好像没啥用。

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

而这，就是FMEA的价值。

02
做好FMEA的意义

● 借助FMEA，减少量产期间产生的风险损失



图一

我们先来看这张图（图一），横轴表示项目开发周期，纵轴表示项目变更成本。

在项目开发初期，一切都是向好的，大家都觉得计划没有问题。

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

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

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

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

这是多数企业正在面临的现状。

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

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

那么究竟在什么时间段开始做FMEA比较适合呢？

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

03
建立FMEA知识库

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

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

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

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




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

下一期，我们一起来探讨，想要做好FMEA需要注意哪些。 收起阅读 »

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

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

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

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

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

解决方案 1：预测分析可以帮助您轻松识别最重要的变量。

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



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

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

解决方案 2：预测分析提供可视化效果来帮助您设置合理的限制。

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



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

预测分析只是与 DOE 携手并进的众多工具之一。

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

IRIS 换版相关规定如下：

1. 初次认证审核Certification Audit

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

2. 监督审核 Surveillance Audit

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

3. 换证审核 Recertification Audit

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

4. 转版审核

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

5. 标准切换

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

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

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

示例 1：交流临床研究的结果

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



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



纵轴代表风味评分，横轴包含产品代码和天数。



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

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

示例 2：可视化从医疗设备制造过程中收集的数据

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



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



使用变异图可以很容易地将这三个因素可视化在一个图表中：



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

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


  收起阅读 »

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

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

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

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

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

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

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

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

 
5、5W3H

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

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

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

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

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

 
8、新七大手法
    

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

收起阅读 »

我发现了一个很有意思的例子，是关于识别某制造厂的主要能源使用来源。

什么时候适合使用逐步回归？

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

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

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

逐步回归示例

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



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



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



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



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





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



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



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

P逐步回归的陷阱

虽然逐步回归能帮助我们了解很多，但也存在一些需要注意的潜在陷阱：

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

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

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

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

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

GBT 14471-2013 头戴耳机通用规范

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

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

挑战：使结晶颗粒大小均等

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

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

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

温度

压力

流速

pH

传导性

相关因素还在不断增加。

Minitab 如何帮助他们



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

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

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

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

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

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



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

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

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

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



此颗粒大小控制模型仅有 8 个预测变量，但能说明检验样本中一半的变异。

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

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

成果

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

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

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

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

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

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

这倒也没错，只是现实残酷得多。

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

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

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

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


智改数转现状：虚焦的企业增长新引擎

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

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

企业数字化转型存在以下几个特征：

1.转型仍处于初期阶段，与预期目标之间有明显差距；

2.在外部合作商及方案选择上，更倾向综合转型规划和解决方案；

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

4.费用投入增加与转型成效提高之间并无明确正相关性；

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

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

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



从整体表现来看，长周期、重投入、见效慢是企业数字化转型的普遍困境。


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

换一个角度来看，这困境和风险也许是存量竞争时代里的一种“幸运”。

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

这也是我们反复强调卓越运营的根因所在。

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

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

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

请看下文案例。


聚焦智能制造之制造，打通精益生产升级之路

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

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

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

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

精准地发现问题、精准地解决问题，是海岸线引以为傲的价值所在。

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


基于价值流和生产制造全流程，海岸线为A企业量身定制的解决方案。


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


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

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



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



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

关注我们，第一时间获取相关干货。



走进海岸线

全标准覆盖国产FMEA软件

全场景覆盖专业QMS软件

适配APQP的轻便版PLM软件

适配第三方审核标准的稽核软件

产品全生命周期异常管理软件

研发-生产-供应链-客户全闭环质量管理方案

全面供应链管理数字化解决方案
  收起阅读 »

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



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

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










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

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



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



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

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

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

先给大家讲一个真实案例吧。

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

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


时至今日，类似的事情仍旧时有发生。

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

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

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

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


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

正如开头所说，从源头遏制问题，才能让企业得到更好发展。


今天，我们就将结合实际客户案例，先来剖析如何更科学地实现研发质量管理闭环。


找准裁判，一次做对，提升质量和可靠性

裁判，是研发质量管理在价值链当中的角色定位。

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

那么，该怎么做，如何做?

让我们来看看某车企研发质量管控案例。

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

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

受篇幅所限，此处我们仅展示部分待改善点：

·一味缩短研发周期，导致关键路径缺失，分析遗漏

·研发后期质量问题集中爆发，研发陷入“救火式战役”

·质量损失成本居高不下

......

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

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


#问题解决与反溯

·发起问题帮助质量管理人员找到问题所在；

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

·采用根因分析、鱼骨图、5Why等方式，分析并确定直接、间接和根本原因；

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

#再发防止经验库

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

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

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

#新项目应用

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

以一款全新车型的DFMEA为例。

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

作为各阶段的检查清单，确保设计、质量、试验、生产各个环节将措施落实到位。

针对检查结果及对应解决方案，进行项目组层级评审，明确进一步优化可行措施。


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

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

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

使用测量系统分析最大限度地减少生产中的变化

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

使用统计过程控制来提高产量并避免制造过程中的浪费

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

使用实验设计改进制造工艺

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

使用机器学习进行硅后验证

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

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

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

管理大量取消的预订

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

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

检验假设以改善客户体验

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

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

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

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

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

80%的销售额是源自20%的顾客；

80%的成果是来自20%的努力；

80%的影响来自20%的风险；

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

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

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

  收起阅读 »

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

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

DMADV 表示：

定义 (Define)： 定义过程和设计目标。

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

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

设计 (Design) ：设计过程详细信息，优化和检验设计。

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

聚焦 DMAIC：

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

DMAIC 表示：

定义 (Define) ：定义产品或过程问题。

测量 (Measure)：测量当前过程并收集数据。

分析 (Analyze)：分析数据以找出缺陷的根本原因。

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

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

选择项目时着眼于 DMAIC



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

我们经常听到，如果一家公司的质量水平达到了六个西格玛水平，那么也就意味着在100万次出错机会中出现的缺陷数不会超过3.4个，也就是3.4ppm。那ppm是什么呢？

ppm是英文parts per million的缩写，其本质计算的是DPO（defects per opportunity）单位机会缺陷数，但是通常这个计算值太小，不利于读数，所以进行了一百万倍的放大，也就是转化成计算DPMO（defects per million opportunity）百万机会缺陷数，而ppm可以认为是DPMO计算值的单位。DPMO可以做为衡量质量水平的重要指标，也就是每一百万出错机会中出现多少个缺陷。
 
我们以下面这张图为例先理解缺陷机会、缺陷和不良品。在一个生产手机屏的公司，我们假设生产一个屏幕出现缺陷有如下7种：刮伤、触摸失灵、摔伤、白斑、黑屏、闪屏、漏光，那么对于一个屏幕来说，它的缺陷机会数就是7。假使在实际的生产过程中，质检员对这一片的屏幕做了检查，发现出现了刮伤、黑屏和漏光，那么缺陷数就是3，同时因为这一片屏幕因为有这些缺陷就会被判定为不良品，所以不良品数为1。

 倘若我们在为下游客户生产一批屏幕，抽检了10000pcs的屏幕，共发现50pcs的不良品，缺陷总数为80个，那么我们可以估算这批屏幕的质量水平是：DPMO = 80 / (7 * 10000) * 10^6 = 1143ppm。1143ppm在六西格玛中到底处于什么样的水平呢？我们可以按照如下方式进行转化：
首先，(1-η)*10^6ppm = 1143ppm, 那么η = 99.89%,
然后，再通过Excel把η代入到到公式中计算得到，Cpk = (NORM.INV(η,1.5,1)-1.5)/3+0.5 = 1.52 ，这也意味着σ = 1.52*3 = 4.56

我们在六西格玛DMAIC流程中的Define阶段主要做的工作是识别所关注产品、过程、或者服务的关键输出变量，通过计算关键输出变量的缺陷质量水平，可以换算得到基准西格玛水平，最终六西格玛项目的目标和改进效果都是以此基准来制定的。 收起阅读 »

尽管精益源于制造业，但世界上几乎每个行业和所有类型的组织都可以从中受益。不久前，我们回顾了5个关键精益工具这是开始实施精益的好方法。今天，让我们继续学习5种更重要的精益工具。

1.改善



改善是一种加速流程改进项目的方法。虽然最初是为制造业开发的，但改善广泛应用于各种行业，对于流程改进实践者来说是一项有价值的技术。改善是一项为期3-5天的专项活动，旨在推动流程改进。员工被从日常工作中抽出来参与。立即实施解决方案。领导者使用上述参与路线图来更好地计划和实施改善活动。

2.废物分析



在精益生产中，浪费是指流程中任何不必要的、从客户角度看不会增加价值的东西。精益的目的是识别、分析和消除所有的浪费来源，如缺陷或过量库存。

使用Minitab Engage的“按操作进行废物分析”表格来记录每个过程步骤中的废物类型，并对废物的程度进行量化和颜色编码。当由多个观察者执行时，废物分析活动是最有效的，无论是在被检查的过程之内还是之外。

3.快速转换





快速转换是一种分析过程的方法，可以减少设置所需的时间、技术资源或材料。最初这种技术应用于制造环境，特别是工具和模具。最近，这种方法已经应用于各种需要快速重置的工作流(包括交易流程),如医院病床、手术室或装卸飞机乘客。快速转换包括识别过程步骤，并将每个步骤分配到两个类别中的一个:

内部-必须在进程停止时完成，并且

外部-可以在流程运行时完成，在执行设置之前或之后。

使用快速转换(QCO-SMED)表单来比较当前和改进状态的流程转换或设置的内部和外部组件。通过实施快速转换，组织可以减少内部设置时间，从而减少非生产性流程时间，并实现更多设置、更小的运行批次和改进的流程。第二个目标是减少总的准备时间，以释放劳动力。

4.人工投入线性平衡法







生产线平衡是一种“均衡”一组过程步骤的技术，以平滑完成这些步骤所需的时间。当流程步骤不平衡时，可能会出现一个或多个约束或瓶颈。

目标是消除非增值任务，合并任务并密切平衡剩余步骤，以便所有步骤都满足客户需求率。使用Minitab Engage的生产线平衡-流程图或生产线平衡-价值流图表格，将流程图或价值流图上多个操作的周期时间与生产节拍时间(满足客户需求所需的时间)进行比较。

当您试图平衡一个单元或一系列连续的过程步骤时，这种分析是有用的。它凸显了等待的浪费。

5.标准工作



标准化工作建立了一套工作程序，为流程提供了最佳、最可靠的方法和顺序。标准化工作阐明了流程，记录了完成工作的最佳方式，确保了一致性，加快了员工培训，并为进一步改进提供了基准。

使用Minitab Engage的标准工作组合图表表格显示与每个工作要素相关的手动、机器和行走时间。输出以图形方式将累计时间显示为手动(操作员控制)时间、机器时间和行走时间。查看综合数据有助于识别过度运动和等待造成的浪费。

你可以去看看Minitab Engage在线帮助要观看视频，请了解有关这些工具的更多信息，并下载30天免费试用版亲自试用。在此评论或让我们知道脸谱网或者推特如果您有任何问题或其他您希望我们涵盖的领域。
收起阅读 »

统计抽样到底在解决什么问题？


 
母体与样本有哪些重要统计参数呢？


 
要如何设定原假设与备选假设


 
只要是抽样，就会有二类风险

 
还有那些业务范围

  收起阅读 »

2023年的第一个上班日，公司为了春节调班。
事情不多，简单总结一下个人在质量管理方面的几个思考：
1.什么是质量，或者说怎么样才能做好质量。
质量不应该只是产品质量，质量管理应该关系到整个生产运营，因为产品是经过各个单元相互作用后的产物。所以自己在质量管理方面，除了质量部门应该有的质量管理外，会涉足到其他部门的流程管理，保证为产品服务的日常工作有序进行。
常规的质量管理除了控制，觉得最重要的是预防，常见的FEMA个人觉得并不能很好的预防，但也是不可缺少的部分。重要方面应该是：a.供应商质量管理，提高供应商的质量管理水平，对原材料的质量稳定非常重要，我们的产品也会有因为原材料问题导致批量隔离、返工；b.预防性维护，工程部门在设备预防性维护方面的工作必须严谨、按计划贯彻落实，不是质量部门的工作，但是我会非常关注；c.可靠性监控，合理的有效的产品可靠性监控，能及时预防批量问题。
2.如何做到高水平的制程质量管理。
面试过很多PQE,在制程质量管理方面的套路总有些不太满意。制程通产会有救火的现象，PQE最重要的我个人觉得是带领工艺、生产、维护等对问题分析的思路，让他们按照自己的思路进行下去。常规的问题分析方法是必备技能，但是当对根本原因不能立刻得到改善措施的时候该怎么办？持续改善的套路应该要派上用场了，我不讲QCC,但是最经典的PDCA和Kaizen, L6S应紧随其后；而且，PQE对数据应该要敏感，除了Minitable, 应该要会一些其他数据可视化的工具，比如Power BI, 我对自己的工程师也有个要求，就是要学会Power BI,用它分析出来的数据放在报告里面，也是加分项。
3.体系质量
体系，很多人可能会认为是为了应付审核。如果能真正用好体系做质量管理，公司的管理水平一定不会太差。我曾经面试的时候，很多人有一把的体系认证，我也只问一个问题，就是体系的精髓是什么？我虽然心里有自己答案，但每个人都有自己的想法和观点，就留给个人去思考。 收起阅读 »

当世界各地的医生依靠你的产品来诊断和治疗无数的病人时，你需要确保这些产品是安全的，并且尽可能负担得起。

这就是为什么波士顿科学Heredia定期评估其运营，以保持流程效率，并通过降低成本为负担得起的医疗保健做出贡献。30多年来，波士顿科技公司一直致力于医疗技术的开发、制造和营销，并为各种医疗专业提供服务。

在其哥斯达黎加的Heredia工厂，包装工程师Daniel Calvo Camacho领导了一项简化导丝包装的工作，推出了一种新的更小的塑料袋，导丝用于导管放置或内窥镜诊断等程序。

该工厂的工程师使用Minitab统计软件来帮助评估和验证他们的包装过程，这使得Boston Scientific能够满怀信心地继续对其包装袋进行成本节约的重新设计。

挑战

为他们的Amplatz超硬导丝使用更小和不同的包装材料将大大降低波士顿科技公司的材料成本，但该公司需要确保新的小袋能够与他们的密封过程配合使用，这就形成了一个屏障，使导丝在准备使用前保持无菌。



波士顿科学公司哥斯达黎加工厂的一个项目团队使用Minitab统计软件来分析数据，以验证用于医疗程序的导丝包装的封袋过程。上图中，导丝装在一个袋子里，准备密封。

在洁净室中，操作人员将导丝装入袋中，然后将袋倒置在密封传送带上。每个袋子的开放边缘通过前后带之间的热量和压力，创造一个可剥离的密封。

包装工程师需要确保小包装袋的密封强度仍然达到或超过标准。他们评估了该过程，并确定了几个输入变量，其中包括密封系统的前后加热带的温度和系统的速度。

现在，该小组需要评估这些变量中的每一个，并确定它们如何影响小袋密封的质量。哪些输入是最重要的？操作人员应该在哪里设置系统的温度和速度，以确保每个袋子都有牢固的密封？

Minitab如何帮助

这就是被称为实验设计的统计方法的用武之地。一个设计好的实验让你一次同时改变和评估一个以上的输入变量，然后使用统计分析得到关于所有感兴趣的输入变量的有意义的结果。您可以快速确定哪些因素很重要，然后调整过程以获得所需的结果。

Minitab统计软件可用于轻松创建和分析多种设计实验。Calvo Camacho使用它创建了一个两级全因子设计的实验，这将使团队能够评估所有的输入变量以及它们之间的双向交互作用。

“在评估了创建DOE的初步过程参数后，我选择了不同的因素和这些因素的水平，这将有助于团队执行我们的实验，”Calvo Camacho说。然后，团队开始收集实验数据。Minitab的DOE工具创建了一个运行列表，每个运行指定了每个因子的两个水平的不同组合。操作员为每个实验条件制作了一个样本海豹，然后卡尔沃·卡马乔和他的团队测量了每个海豹的强度。在完成所有实验运行后，他使用Minitab分析结果。

该分析将前方和后方的温度确定为重要因素，以及它们之间的双向相互作用。速度不是影响密封强度的重要因素，这使得研究小组可以将其从模型中移除。传统的一次一个因素(OFAT)实验可能很容易错过导致长期过程控制问题的重要相互作用。



上面的帕累托图确定了显著影响密封强度的因素:前部温度、后部温度以及它们各自的双向相互作用。



该团队还使用Minitab创建等高线图，揭示密封强度达到或超过规格的温度范围。

通过关注设计实验中确定的关键因素，该团队设计了最佳的工艺设置，以确保新的包装袋具有牢固的密封。现在，他们转向Minitab，用一种叫做能力分析的工具来验证新工艺设置的有效性，这种工具可以证明工艺是否符合规范，是否能够生产出好的零件。他们使用他们确定的最佳过程设置来密封包装袋，记住温度越高，密封越强。然后，他们测量这些包装袋的密封强度，并进行能力分析，以评估相对于规格下限的测量值。他们的能力分析表明，建议的温度设置符合甚至超过了最低密封强度要求。



该团队在Minitab中执行过程能力分析，这有助于他们证明提议的温度设置将允许他们实现最终生产目标。

通过实验和使用Minitab统计软件进行的数据分析，该团队能够证明他们的包装系统以高效的方式运行，并将继续使用新的包装袋。

结果

现在，仔细的数据分析显示了密封系统的有效性，哥斯达黎加的工厂可以开始使用新的塑料袋，这将导致大量的节约。“我们每年都会评估我们的流程，以不断提高质量和服务，但我们也积极寻求降低成本的机会，”Calvo Camacho说。

采用新的邮袋支持波士顿科学的更广泛的努力，以简化整个公司的包装，该项目发挥了重要作用，该公司的综合节省超过330，000美元至今。此外，该团队的流程验证确认了这些变化和节约是可以持续的。这对公司来说是个好消息，最终对依赖他们产品的医生和病人来说也是。

“最终，”卡尔沃·卡马乔指出，“我们存的钱越多，我们就能把更多的储蓄传递给我们服务的人。” 收起阅读 »

Hello~ All，

随着新工厂气象日新月异、欣欣向荣，各位对于IPQC巡检工作也予以了更多的关注与支持！作为IPQC的一员，深表感谢！
这些关注与支持，在问题点不断地被及时整改、以及产线流程与作业越来越顺畅中都得到充分体现。当然，这些关注也包括近期收到的“巡检问题责任归属如何判定”反馈。

对于这类反馈，作为质量人员，个人还是较为欣慰的：反馈跟关注并存，这也是对质量问题重视的一种体现嘛~
再说了，不论究竟归谁，只要讨论了，就意味着问题得到大家的关注；只要归口了、自然就会有具体的分析以及改善！完整闭环下来，流程、产品质量自然就能进入持续优化并不断提升的良性循环。 

再回到反馈点本身：巡检问题责任归属？这个问题一直存在，在过往的运作中公司也积累了充分的判定准则及案例知识（比如，实际作业与文件要求不一致），而这些已在标准作业文件中到具体陈述、并指导着IPQC作业。

附件为相应文件要求，欢迎各位在工作中继续予以指正以及反馈交流。

*****************************************************************************************

问题如何归责，鉴于已有珠玉在前，所以这类反馈本身就不再做展开。不过，这个点，却也让我不由得地想起“质量的客户意识”这个话题。

何谓“质量的客户意识”？

首先说一下关于客户的定义。
客户，不应该只是指代付钱接收产品或服务的人员或组织；更充分的理解应该是，过程输出的接收方就是客户！就如工厂中常说的“上一道工序就是下道工序的供应商、而下道工序就是上一道工序的客户”。
因此，将客户仅仅理解为离开工厂之外的接收方这些群体，对于质量管理而言是不充分的，对于工厂内部沟通来说也是非常不利的！

再看这个“质量的客户意识”如何体现？结合“巡检问题责任归属”这个情景，觉得可以从“客户”以及“业务提供方”两个维度来看：

业务方，在提供业务的过程中应“以客户的要求与期望以致明确的规范要求”作为最高信条来指引作业行为。
如发现有可能导致交付物质量不能达到预期的行为甚至规定时，业务方应该主动向上反馈，根据风险情况采取包括但不限于highlight给相关方予以修正、以及业务暂停或者初步一致接受风险先跑等应对措施。
比如设备维保过程中，看到现场存在疑似应该需要进行校验但是又未见标识的设备或工装。

客户端，作为交付物的接收方，在接收过程中的有任何质量发现或者意见，也应及时向业务方提出反馈以便采取相应措施予以改善！
比如生产作业中发现工艺文件定义的某某参数未能使产品达到预期质量要求。

因此“质量的客户意识”，简而言之，可理解为“主人翁”理念：我，就是接收方，容不得不合格交付给我；我，就是提供方，容不得不合格造成损耗！

**********************************************

质量问题得到重视（甚至于被敬畏），这个绝对不会是质量管理的目标或追求！持续稳定可靠的实现过程、合格甚至超越客户期待的交付物，这才是质量保证信心的根本所在、也是质量管理的追求！！！
然而这个追求的实现，质量模块之外，更是需要生产、设备、工程、计划、业务等等所有的大家“全员参与”、需要大家精诚协作一起努力与付出！ 

而在这个“全员参与”的过程中，如何更好沟通与协作？“质量的客户意识”，可以让大家跳开“纯粹的业务上下游或者执行与被监督”这些基本关系，在工作中，也更利于大家乐于接受反馈（“规范自身作为业务提供方的作业行为”）、以及积极予以反馈（“体现自身作为客户端向业务方予以提醒”）。

新的团队需要整合，新的平台静待大展拳脚，希望大家一起携手为质量保证添砖加瓦，并以坚实的质量管理铜墙铁壁为公司产品继续引领行业发展、保驾护航！
收起阅读 »

目前在这家公司近6个月，马上实习期完成。正在考虑要不要转正
7月初来这家公司，办公室都是比较老旧了，来了才知道一个部门五六个老总，十几个经理，职员估计50~60人。来了之后前三天安排由各车间工程师领着去各车间匆匆转了一圈。后面就没有任何安排了，我的上司是品质总监，也是他面试我进来的。前三个月有个同事带着，给一些支线任务做，或者领导安排做一些不紧要的事情。大部分时间都无所事事。后面总监有时直接丢个任务，要求写个报告，为写报告而编报告，要求编圆了，反而不注重问题的真正改善。
开会不叫我，开完会一堆事情丢过来，有些还是别的部门同事告诉我：xx让我跟进...
安排一些不属于品质的事情（让收集开发过程中的数据，制程参数，公司只有开发，工艺，品质，生产）给我做，美其名曰：给其他部门一个好印象。
时不时还PUA我几句：你这水平不行，有个毛的经验。
--现在严重怀疑是不是入错行 收起阅读 »

在我的前面的控制图相关文章中，讨论了控制图为什么能够发现失控的、子组大小的确定方法、判异与判稳的准则及其选择的依据等，而在控制图的实操过程中，还有一个避不开的问题，这就是：当发现失控时要对过程进行原因调查，那么还要必须隔离产品或者停线吗？

这是一个比较尖锐的问题，因为这关系到产品交付的及时性，会对相关部门的利益产生影响，尽管我们都是为了公司和客户着想。

是否需要隔离产品或者停线，取决于我们使用并出现下列判异准则中的哪几个：


准则1：1个点，距离中心线大于3个标准差

准则2：连续9个点，在中心线同一侧

准则3：连续6个点，全部递增或全部递减

准则4：连续14个点，上下交错

准则5：3个点中有2个点，距离中心线（同侧）大于2个标准差

准则6：5个点中有4个点，距离中心线（同侧）大于1个标准差

准则7：连线15个点，距离中心线（任一侧）1个标准差以内准则8：连线8个点，距离中心线（任一侧）大于1个标准差判异准则1是必须使用的，我们就先讨论准则1。

均值点出界，又可分为两种情形：

情形1——均值点超出控制限，且超过规格限，是必须停线和隔离产品的，这是毫无疑问的，因为已经产生了不合格了，即使是过程特性，也意味着对应的产品特性大概率出现不合格。这种情形，我们就不进一步展开讨论了。

情形2——均值点超出控制限，但未超规格限。要知道未超规格限，只是我们所抽取的子组的均值未超规格限，这里面又可分为两种情况：子组内有个别单值可能会超规格限，这个容易确认，在测量样本时就知道了；另一种情况是在这个抽样时间段内，未抽到的产品特性可能还会有超规格，那么，如果有，会有多大的概率存在不合格呢？我们还是以最常用的均值-极差图为例。在均值图上出现了超界点，实际上就是均值发生了显著的偏移，不管是一种暂时性的偏移，还是永久性的。因为控制图的点是抽样所得，这个点就代表着抽样间隔内所生产的所有产品的特性值构成了一个新的分布，如下图所示，只是这个新的分布的均值与之前稳定时的分布均值有了显著的变异。



那么，我们现在来使用95%置信区间来估计超界均值点所代表的抽样时间间隔内的这个小的“总体均值”（后面叫做“抽样间隔总体”）是多少。

下面先简要介绍置信区间的概念。

由于不是100%检验，我们使用样本均值来对总体进行“点估计”，根据“中心极限定理”可知，样本均值等于总体的均值。但是由于总体均值是通过样本来估计的，所以总是存在抽样误差，这个误差就是：



其中，σ 在本案例中是抽样时间段内特性单值的标准差，n 是每次抽样的数量。用子组样本均值估计抽样间隔总体均值存在上述抽样误差，同时这个抽样误差也是由（子组）样本均值所构成的正态分布的标准差，我们也把它叫做“标准误”。这个由均值点构成的正态分布的均值，就是我们要估计的“抽样间隔总体均值 μ”，如下图所示：



那么，我们就取正态布总体均值两侧2倍均值标准差，作为抽样间隔总体均值的估值范围，如上图所示，可见，这个范围正好占正态分布的95%，我们用下列95%置信区间公式来表达：



式中，μ 为样本均值，σ 为样本单值的标准差，n 为子组的大小，即抽样数量。

下一步，我们就看看特性的规格限是否落在了上述置信区间内，如果是，我们就可以说：抽样时间段内，有95%的可能性出现了不合格。

因此，准则1失控了，我们需要通过上述具体的计算，来评估产品的风险高低，做出是否隔离产品的决策，一旦隔离，就应进行全检。另外，判异准则1失控了，通常是需要停线来找原因的。

当需要隔离产品时，不能直接隔离一个最近一个抽样间隔的产品，还要根据具体的失控ARL来推算出实际失控的时间点在哪里，具体的原理，请详见我的另一篇文章“一个均值-极差控图子组大小的问题”，里面有详尽的介绍，就不在本文中赘述了。

准则5、6也属于均值偏移类型的失控，因此，是否隔离产品，也应通过上述的计算来做决策。

除了准则1、5、6以外，其他的准则，则属于趋势和点链了，出现不合格的可能性不大，只是调查原因即可。

下面我们再来讨论一下在极差图上出现超界点的问题。

极差图上出现超出下控制限的点，是子组的极差变小了，由此估计的产品的特性的标准差也就是离散度变小，这是我们所期望的，这往往是改善的结果。当极差图上出现超出上控制限的点时，就说明了子组样本特性的极差变大了，对应的产品特性间的标准差变大了，这就影响到了过程性能指数变大了，过程性能指数见下列公式：[图片]





我们需要从失控时开始，计算一下失控后具体过程的性能指数PPK，如果不能满足目标值，则应将产品隔离，进行全检。 收起阅读 »

当资源有限，或者收集真实数据过于昂贵或不切实际时，如何遵循现实的预测和时间表？模拟数据是否值得信任，可进行准确预测？这就是 Monte Carlo 模拟的用武之地。

然而，实际上，模拟数据通常用于许多场景，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。Monte Carlo 模拟是一种数学建模技术，可允许您查看所有可能的结果并评估风险以做出数据驱动型决策。通过大量随机计算模拟运行历史数据，以预测未来项目在类似情况下的可能结果。

Minitab Engage 是一个软件平台，它将用于执行质量项目的桌面应用程序与 Web 控制台相结合，从而使报告整个质量计划变得易如反掌。Monte Carlo 模拟工具是桌面应用程序中的一流工具之一，它使模拟方法变得非常易于访问。

Monte Carlo 方法使用重复随机抽样来生成要用于数学模型的模拟数据。此模型通常来自统计分析（如实验设计或回归分析）。

假设您研究一个过程并使用统计量对其建模，如下所示：



使用这种类型的线性模型，可以将过程输入值输入到方程中并预测过程输出。但是，在现实世界中，由于变异性，输入值不会是单个值。不幸的是，这种输入变异性会导致输出中出现变异性和缺陷。

在考虑不确定性的同时设计更好的过程

为了设计更好的过程，您可以收集大量数据来确定在各种条件下输入变异性与输出变异性之间的关系。但是，如果您了解输入值的典型分布，并且您有一个对过程进行建模的方程，则可以轻松生成海量模拟输入值并将它们输入到过程方程中，以生成过程输出的模拟分布。

您还可以轻松更改这些输入分布以回答“如果…怎么办”类型的问题。这就是 Monte Carlo 模拟的全部内容。在即将介绍的 Minitab Engage 用法示例中，我们将更改模拟数据的均值和标准差以改进产品质量。

使用 Minitab Engage 进行 Monte Carlo 模拟的分步示例

一家建筑产品制造商的材料工程师正在开发一种新的绝缘产品。

该工程师进行了一项试验并使用统计量来分析可能会影响产品绝缘效果的过程因子。对于这个 Monte Carlo 模拟示例，我们将使用上面显示的回归方程，该方程描述了过程中涉及的统计意义显著的因素。

步骤 1：定义过程输入和输出

我们需要做的第一件事是定义输入及其值的分布。

过程输入在回归输出中列出，工程师熟悉每个变量的典型均值和标准差。对于输出，工程师可以从 Minitab Statistical Software 复制用来描述过程的回归方程并将其粘贴到 Engage 的 Monte Carlo 工具中。

如下图所示，可以轻松键入过程相关输入和输出的信息。



验证模型，然后可以运行模拟（默认情况下，Engage 会以极快的速度运行 50,000 次模拟，但您可以指定更大或更小的次数值）。



Engage 使用能力分析的典型输出（能力直方图、缺陷百分比和 Ppk 统计量）为您解释结果。它正确地指出我们的 Ppk 低于普遍接受的最小值。

Engage 不但运行模拟并让您确定后续做法，而且还确定过程不令人满意并提出一系列智能步骤来改进过程能力。

它还知道控制均值通常比控制变异性更容易。因此，Engage 提出的下一步是进行用来查找均值设置的参数优化，均值设置可在考虑输入变异性的同时最大限度地减少缺陷数量。



步骤 2：定义参数优化的目标和搜索范围

在这个阶段，我们希望 Engage 找到均值输入设置的最佳组合，以最大限度地减少缺陷。可以使用参数优化来指定目标并利用您的过程知识来定义输入变量的合理搜索范围。



下面是模拟结果。



一眼就可以看出缺陷百分比下降了。我们还可以在表中看到最佳输入设置。然而，我们的 Ppk 统计量仍低于普遍接受的最小值。幸运的是，Engage 为我们推荐了可进一步改进过程能力的后续步骤。



步骤 3：控制变异性以执行敏感度分析

到目前为止，我们已经通过优化均值输入设置来改进过程。这大大减少了缺陷，但我们在 Monte Carlo 模拟中还有更多工作要做。现在，我们需要减少过程输入的变异性以进一步减少缺陷。

减少变异性通常更难。因此，您不希望浪费资源来控制不会减少缺陷数量的输入的标准差。幸运的是，Engage 包含一个创新型图表，可帮助您确定在哪些输入中通过控制变异性可最大程度地减少缺陷数量。



在上图中，寻找带倾斜直线的输入，因为减小这些标准差可以降低输出中的变异性。相反，您可以放宽带平直直线的输入的公差，因为它们不会影响输出中的变异性。

在上图中，斜率基本相等。因此，我们将尝试减小几个输入的标准差。您需要利用过程知识来确定实际的减少量。要更改设置，可以单击线上的点，或使用表中的下拉菜单。

最终的 Monte Carlo 模拟结果



成功！过程中的缺陷数量有所减少，Ppk 统计量为 1.34 且高于基准值。该假定表向我们展示了应当尝试使用的过程输入的新设置和标准差。如果我们再次运行参数优化，它将成为过程的中心，我相信我们的缺陷会更少。

另外，所有这些都是在未收集任何进一步数据的情况下完成的，因为我们知道输入值的典型分布，并且有一个对过程进行建模的方程。 收起阅读 »

1950年，美国的GRUMMAN公司研发新型喷射战斗机时，为了评估飞机操作系统某一元件的失效分析采用了FEMA的解析方法；1957年，Boeing飞机公司与Martin公司正式将FMEA列入工程指导手册，同时期美国NASA与军方也开始应用FMEA技术；1993年，美国汽车工业为连贯设计、开发与制造的程序，整合各个汽车公司的FMEA应用程序，当时的三大汽车公司委托ASOC整合潜在失效模式与效果分析参考手册SEA-J-1739。我国于1970年左右引进FMEA技术，用于航空航天及汽车工业上。



FMEA应用在航空航天领域

FMEA从上个世纪到现在已经繁衍到第五代了，但大家对新的FMEA又了解多少呢？

新版 FMEA的七步法，以精确、关联和完整的方式提供了技术风险记录的结构，新的结构如下：

1.精确的，因使用技术术语来描述故障模式及其潜在原因；

2.相关的，因为失效影响描述了失效的技术后果；

3.完整的，因为它使用了「聚焦元素 - 上级元素 - 下级元素」的方法，可以全面审查风险。



新版FMEA七步法

另外一个显著变化，是强调FMEA策划及准备作为FMEA第一步，虽然定义范围一直是 FMEA的一部分，但新版FMEA手册使其更加突出。

例如确定分析边界(包括什么和不包含什么)、5T(FMEA意图、时间、团队、任务、工具)的应用，FMEA数据库的准备和经验教训，以及角色和职责的明确定义(管理者、技术主管、协调员、团队成员)等。

其中，将经验教训组织到FMEA数据库中的好处是：

1.降低过去因人员流失，流失知识而导致风险再次发生；

2.节省FMEA准备过程中的时间，FMEA数据库是类似产品和过程FMEA的可靠起点；

3.使「FMEA作为动态文件」的概念具有实用性；

4.管理阶层明确预估和分配资源，以标准化经验教训。

新版 FMEA七步法更有条理，对提高跨功能小组的效率发挥了重要作用：

1.可以全面性地解决更多风险；

2.FMEA的多学科评论变得引人注目，「用技术指导思考」而非「无聚焦的头脑风暴」，避免了对FMEA的沮丧态度。

3.使高阶管理者能够理解和审查必要的行动和资源，以降低技术风险。




FMEA应用在汽车制造领域

新版 FMEA(AIAG-VDA)应对措施：

1.着手熟悉新的AIAG-VDA FMEA手册，尽早确定当前FMEA开发过程的差距以满足新手册的新要求。

2.对FMEA(跨功能团队、FMEA协调员、管理阶层、稽核员)的开发支援有影响的人员培训。

3.制定「新FMEA试点项目」并确定实施计划。根据质量成本衡量您的 FMEA试点项目的财务影响。

4.规范公司FMEA业务流程以支援新的FMEA手册的应用。

SunFMEA软件系统，轻松做FMEA

SunFMEA，满足新版七步法分析流程，兼具DFMEA和PFMEA，以结构树的方式直观、完整、快速的指导用户完成FMEA分析的整个流程，能够为企业提供系统化、标准化的FMEA解决方案，助力企业提质降本增效。

软件主要应用于轨道交通、汽车、工程机械、航空航天、兵器、电子、船舶、能源和医疗等各个工业领域，能够提供基于工业互联网平台的质量协同设计解决方案。通过构建质量协同设计分析团队，在产品/过程等的策划设计阶段，以树状图方式进行结构或过程分析，找出潜在的失效模式，分析其可能的后果，评估其风险，从而预先采取措施减少失效，实现产品质量可靠性的根本提升。 收起阅读 »