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 »

试图解决一个复杂的问题？您应该首先列出所有可疑变量。然后，确定少数关键因素，并将它们与其他对理解原因无关紧要的因素分开。让我们来看看一个非常简单的图形工具，它非常直观，几乎任何人都可以使用，并且不需要任何先验统计知识：变异性图表。



什么是变异图？

变异性图表是一种以可视化方式呈现方差分析 ( ANOVA ) 数据的好方法，它们在根本原因分析的早期阶段表现出色。它们的主要优势在于使您能够在单个图表中可视化许多不同的变化来源，同时提供因子效应的整体视图。

变异性图表可以帮助您在一张图表上进行调查和研究许多可能原因导致的变异模式。它们允许您显示过程中的位置或周期性变化。它们还可用于研究子组内、子组之间等的变异。

要在Minitab Statistical Software中创建变异性图表，请选择统计 > 质量工具 > 变异性图表... 然后在对话框中选择响应变量和最多八个因子。

使用变异图可视化呼叫中心等待时间

假设您需要检查来自一家大型金融服务公司的多个呼叫中心的等待时间。客户和潜在客户致电开立新账户、获取有关信用卡的信息、寻求技术支持和访问其他服务。您有关于客户类别、服务类型（请求）和接听每个电话的等待时间（以秒为单位）的数据（持续时间）。您可以使用变异图来分析等待时间。



看看上面的可变性图表。显示呼叫中心、客户类别、等待时间和请求类型。每个呼叫中​​心都专门处理特定类型的请求。例如，技术支持电话仅在蒙彼利埃呼叫中心处理。

请注意右上角蒙彼利埃呼叫中心最长的持续时间是多少？如果查看 Minitab 项目中的其他图形，您也可以看到天数和小时数。他们表示，周一在蒙彼利埃的等待时间最长，而且蒙彼利埃每天的等待时间通常比圣康坦要长。周一的技术支持请求等待时间也更长。

但是，请注意，当没有明显的主导因素时，或者当来自过程的“信号”太“弱”而不易被检测到时，使用更强大的统计技术（例如ANOVA或回归分析）以数值估计每个因素的影响。

变异图之后的后续步骤

由于可变性图表中可变组件的出色可视化显示，金融服务公司可以轻松地看到技术支持电话和星期一是主要和明显的问题。现在公司可以采取下一步行动，开始调查存在这些问题的原因以及解决方法。 收起阅读 »

学习过SPC的朋友大都熟悉常规控制图的8大判异准则，这些判异准则详见我的前一篇文章“借助于PFMEA选择控制图判异准则”。控制图的判异是基于统计学中的“显著性检验”，例如，判异准则1——1个点，距离中心线超过3个标准差，也就是说，当过程受控时，只有0.27%的概率超过3个标准差，即I类错误（将受控误判为失控）的概率α=0.27%，是小概率事件，若真的超过了，就说明过程真的失控了。反过来讲，如果这一个点位于3个标准差之内，就可以说过程稳定受控吗？这样讲对吗？

从统计学上来讲，如是I类错误α的概率很小，则II类错误（将失控误判为受控）β的概率将很大，如下图所示，左边的绿色分布图代表着受控时点的概率分布，右边的红色分布图代表着失控时点的概率分布，Xa是临界点，相当于控制图的控制限，如果Xa向右移，则α将会变小，而β将会变大。因此，如果是只用1个点在正负3倍标准差范围内作为判断过程受控的基准，这将会有过高的II类错误的风险。


故，我们不能只使用1个点来判断过程是否受控，但可以使用多个连续的点来进行判断，这是因为多个，例如n个连续的点在一起的II类风险概率将是βn，基于这个理论，规定了以下3个判稳准则，符合任何一个，就可以认为过程受控：

（1）连续25个点子都在控制界限内；
（2）连续35个点子至多1个点子落在控制界限外；
（3）连续100个点子至多2个点子落在控制界限外。

我们分别计算一下这3条准则的α：

对于准则2：当过程受控的时候，连续35个点中，至多1个点落在控制界限外的概率为：


故

也就是说，如果使用判稳准则2，则只有0.41%的概率将受控误判为失控，这与判异准则1中的0.27%处于同一个数量级上。

同样的方法，我们还可以得到判稳准则1和3的α：

α1=6.54%，α3=0.26%，

其中，准则1的I类风险还是比较高的，因此，有的专家认为可以不使用准则1。

可见这3条准则的I类风险是依次递减的，但这3条准则所需要的样本数量是依次递增的，成本也是递增的。为此，可以按照下列程序来使用：

使用判稳准则1，若不能判稳，则使用准则2；
使用判稳准则2，若还不能判稳，则使用准则3；

使用判稳准则3，仍不能判稳，则应停止使用判稳准则。

当出现界外点时，我们必须调查原因，确认是特殊原因造成的，还是属于I类错误，如果是特殊原因造成的，则应对过程进行改进，使其回到稳态。

现在，我们已经学习了判异准则和判稳准则，接下来的问题是：什么时候使用判稳准则，什么时候使用判异准则呢？

判稳准则，就是用来判断过程是否是稳定受控的，这正好适用于控制图的第一阶段——分析阶段控制图。控制图的分析阶段的任务是通过有限的样本建立控制限，而控制限在用于第二阶段——控制阶段之前，必须满足2个条件：1）过程必须是稳定的；2）过程的能力是足够的。一般情况下，是通过抽取25个子组，即通过25点来建立控制限的，因此我们可以先使用判稳准则1——连续25个点没有超过控制限，来判断过程是否稳定。当然 ，为了更加有信心，我们可以使用准则2或者准则3。

在控制图的正式使用的过程中（控制阶段），我们首先使用判异准则1，若发现有1点超限，则有两种可能：1）存在特殊原因；2）属于判异准则1的α错误。在调查原因后，如果没有发现特殊原因，我们就可以从那个超限的点开始，再使用判稳准则来判断过程是否真的没有失控。

当然，出现超限点而找不到原因，也会存在这样的一种可能：过程出现了NTF原因，即不能够再现的原因，只是偶尔出现过一次，随后又恢复了正常，当我们去调查时，一切正常，不留任何痕迹。对于这种类型的问题，依赖于周期性抽样的控制图就不适用了！我们应当导入连续采样系统，与零件的序列号关联，进行连续监控、实时报警和追溯。这种系统的采样周期是很短的，如焊接电流的输出采样，采样周期可达几十毫秒，这属于大数据控制的范畴了，如下图所示。



收起阅读 »

错误＃1

根据对许多 FMEA 的经验审查，一些企业的 FMEA 没有推动任何行动；部分FMEA 推动测试，而另一些则推动无效的行动。

错误是：FMEA 未能推动设计或过程改进

质量目标#1：FMEA 以推动产品设计或过程改进为主要目标

注意：可靠性工程在推动设计或流程改进方面有多种工具可供选择。关键是使用 FMEA“推荐措施”，作为识别和执行可以优化设计的最佳实践工具。这是可靠性工程师需要参与 FMEA 的原因之一。

错误 #2

FMEA 团队可以使用多种方法来确定哪些失效模式及其原因需要采取后续行动。无论使用何种方法，未能解决所有高风险失效模式（包括高严重性）都可能导致潜在的灾难性问题或降低客户满意度。

错误是：FMEA 未能解决所有高风险故障模式

质量目标#2：FMEA 通过有效的、可执行的行动计划解决 FMEA 团队确定的所有高风险故障模式

注意：对这个质量目标的强调是确保所有高风险故障模式/原因都通过有效的措施得到充分解决，关键是减少或消除风险的有效行动。

错误＃3

一些公司错过了根据 FMEA 的失效模式/原因改进设计验证计划和报告 (DVP&R) 或过程控制计划的机会。FMEA 团队成员没有来自测试或分析部门的知识渊博的代表。结果是产品测试或过程控制计划不充分。

错误是：FMEA 未能改进测试/控制计划

质量目标#3：设计验证计划和报告 (DVP&R) 或过程控制计划 (PCP) 考虑了 FMEA 中的失效模式

注意：FMEA 团队经常会发现不属于设计控制或测试程序的失效模式/原因。关键是确保测试计划 (DVP&R) 或控制计划受到 FMEA 结果的影响。这可以通过在 FMEA 团队中加入测试/控制成员资格或通过精心编写的行动计划。

错误#4

经验数据表明，至少 50% 的现场问题可能发生在接口或与系统的集成处。一些公司专注于部分或子系统故障而错过了接口。

错误是：FMEA 中没有包括(所有)接口项或集成项

质量目标#4：FMEA 范围包括框图和分析中的集成和接口的失效模式

注意：接口可以作为某项分析的一部分，也可以作为单独一项分析。建议 FMEA 框图清楚地显示属于 FMEA 范围的接口关系。

错误#5

没有提供 FMEA 和现场数据之间的联系。问题解决数据库与 FMEA 集成需要齐心协力。否则，严重的问题会重演。

错误是：断开了 FMEA 与现场应用数据之间的联系

质量目标#5：FMEA 将所有主要的“经验教训”（如高保修、质量活动等）视为失效模式识别的输入

注意：现场故障数据可以定期带入基准FMEA。然后，当启动新的特定项目 FMEA 时，他们将从现场经验教训中受益。如果不使用基准FMEA，则新的 FMEA 应包含潜在的现场问题，并要求显示它们不会在新的设计/过程中重复。关键是让 FMEA 团队负责，以确保重大现场问题不再重复。

错误 #6

许多公司都有特殊特性规定。设计FMEA可以识别关键产品特性，过程 FMEA 可以识别制造中需要特殊控制的关键过程特性，一些公司错过了这个机会。

错误是：FMEA 忽略了关键特性

质量目标#6：FMEA 根据公司规定确定适当的潜在特殊特性（如果适用）

注意：这是 FMEA 中未充分利用的元素。

错误 #7

许多公司做 FMEA 较晚，这降低了他们的有效性。FMEA 应在设计或过程冻结日期之前完成，与设计过程同时进行。这是一个非常普遍的问题，大大降低了 FMEA 的有效性。

错误是：晚做 FMEA

质量目标#7：FMEA 在“机会之窗”期间完成，它可以最有效地影响产品或过程设计

注意：按时完成 FMEA 的关键是按时启动 FMEA。一旦确定了设计或过程概念，就应该开始 FMEA。一个例外是还在权衡研究方案期间完成的 FMEA，当然，这应该更早开始。

错误 #8

一些 FMEA 团队在核心团队中没有合适的专家；一些 FMEA 团队成员的出勤率不高；一些 FMEA 团队成员只是坐在椅子上，对团队协同没有贡献。

错误是：FMEA团队组成不适合

质量目标#8：合适的人员在整个分析过程中参与 FMEA活动，并接受过充分的培训

注意：FMEA 促进者必须重视团队成员的时间，而不是浪费时间。团队规模最好在四到八人之间。如果团队变得太大，可以考虑分解产品，减小FMEA分析范围。

错误 #9

有数百种错误地执行FMEA的方式。一些公司不鼓励或不采取适当的FMEA方法。须知：培训、指导和审查都是成功FMEA所必需的。

错误是：错误地执行FMEA(不重视FMEA)

质量目标#9：FMEA 文件完全按照“书本”填写，包括“采取的行动”和最终风险评估

注意：一个常见问题是未能找到根本原因，所以专家意见是必要的。

基于定义不明确的原因的后续行动将不起作用，FMEA也不会成功。

另一个常见问题是缺乏后续行动，难以确保执行FMEA建议措施并将由此产生的风险降低到可接受的水平。

错误 #10

购买了FMEA软件，但操作复杂，没有得到有效利用。

错误是：没有充分利用软件工具

质量目标#11：充分利用FMEA软件工具，帮助FMEA理解应用，传播知识。

注意：SunFMEA操作简单/高效，产品一对一操作知道与知识培训，结构化步骤可有效帮助理解FMEA逻辑；丰富的FMEA参考库；问题解决要素与FMEA结合，既有利于FMEA工作的展开，也有利于企业知识的传承。 收起阅读 »

失效分析技术概述
随着科学技术的飞速发展，机械产品的品种、数量不断增加，各种产品的功能虽然千差万别，但都有一个共同的属性——具有某种规定的功能。例如，汽车的功能是载重和运输；机床的功能是加工零件等。出于种种原因，机械产品失去其原有的功能的现象时常发生。按照国际通用的定义，“产品丧失其规定功能的现象称为失效”。而机械产品在何时、以何种方式发生失效，是随机事件，人们完全无法预料。机械产品的失效是经常发生的，某些失效往往会带来灾难性的破坏，造成人民生命和经济财产的巨大损失，这在国内外工业发展史上屡见不鲜。例如：

1986年1月28日，美国佛罗里达州的卡纳维拉尔角上空，刚刚升空73秒的挑战者号航天飞机突然发生爆炸，事件造成7名宇航员全部遇难，给美国航天事业带来了沉痛的打击。类似的案例数不胜数。从以上事例可以看出，失效不仅威胁人们的生命安全，同时带来巨大的经济损失。

失效分析

失效分析是分析引起机械产品失效的原因，并提出对策，以防止其在发生的技术活动和管理活动。
01分析引起产品失效的原因是失效分析的核心。失效产品的残骸就是失效分析的客观依据，通过失效分析工作，可以从残骸上找到被“记录”下的失效信息，迅速而准确地找到产品失效的原因，并采取有效措施。实际面对的失效往往是多层次的，通过较明显的失效现象，找到更深入的失效原因，如此往复，最终确定引起失效的根本原因。各层次失效原因的分析均属于失效分析的范畴，失效分析需要进行到哪一个层次的深度，则需要根据实际需要和情况来确定。
02失效分析的目的在于提出对策，以防止同类失效事件再次发生。所谓对策是指在工程上可能采取有效的改进或补救措施。失效分析一方面十分重视满足工程的需要，另一方面在实施改革时还必须兼顾经济利益。
03失效分析不仅是技术活动，也是管理活动。据日本质量管理统计资料报道，由于管理不当而造成的失效约占失效总数的70%。只有管理活动与技术活动紧密结合，才能顺利完成任务。

失效分析技术应用及其意义

01失效分析是促进科技发展的主要动力
自蒸汽机为生产提供了动力来源后，各种机器设备如雨后春笋般不断涌现。随着现代化工业的出现，生产力得到了飞速发展，失效分析在其中起到了重要的推动作用。

第二次世界大战中，美国建造了5000艘全焊接“自由轮”，在使用中却发生了1000多次脆性断裂事故，其中328艘“自由轮”完全报废。这些事件引起了政府部门和科学家、工程师们的极大重视，美国有关部门组织全国力量进行失效分析和研究，通过对船用钢板的失效分析，奠定了钢的低温脆断的基本理论。

上世纪四十年代，一架英国皇家空军的飞机发生失事，一时引起轰动。我国著名冶金学家、中科院金属研究所首任所长李薰院士等人经过一年多的调查取证，首次向学术界提出金属的氢脆失效问题。此外，摩擦学、腐蚀学、材料强度学、表面工程学、冶金学、断口学等学科的创立和发展无不与机械产品的失效和失效分析有着密切的联系。

02失效分析是提高产品质量的重要手段
产品的质量是企业打开市场的通行证，也是客户最关注的问题。在强大的市场竞争中，企业只能以质量求生存、求信誉、求经济效益。影响产品质量的因素很多，如果不分主次一律加以控制，会造成成本的急剧增加，从而影响销售。通过失效分析工作，可以既经济又有效地建立质量控制系统，准确地找出影响产品质量的根本原因，并及时采取措施。

早在1936~1945年间，美国质量管理学会（ASQC）就号召美国企业应当重视失效分析问题，并要求把失效分析纳入企业质量管理体系。一时间，欧美许多国家的企业都全力开展失效分析，有的公司甚至愿意高价回购失效件进行分析，不仅增加了原产品的质量，还通过分析带来的启示，推动了新产品的研发，而企业认真负责的作风不仅没有使他们因为产品失效而丧失客源，反而赢得了信誉，扩大了市场。

03失效分析能带来巨大的经济效益
失效分析除了能帮助企业提高产品质量，提高市场影响力，带来经济效益外，还给整个国民经济带来了巨大的经济效益。随着工业发展水平蒸蒸日上，国家每年花费在产品维修和更换上的数额也非常巨大，如果失效分析工作得以顺利进行，维修和更换新产品的经费就会大幅缩减。

在讨论失效分析工作能带来的经济效益的同时，企业既要看到眼前的、具体的、现有案例或产品的经济效益，也要考虑到长远的、暂时不明显的、整个企业产品质量改善带来的经济效益。因此，机械产品的失效分析，是促进整个企业全面优化，占领行业领先地位，促进整个机械行业发展的重要环节。 收起阅读 »

螺纹连接简单可靠，拆卸方便等特点被广泛应用在各个行业的零配件装配中。那么为什么会出现装配失效呢？在出现装配失效时，又如何能做到快速排障呢？

 什么是螺栓装配失效：不能满足装配目的都是失效的。

 例如：部件完全不能工作；部件可以工作，但不能令人满意地完成预期的功能；部件受到严重损伤不能可靠而安全的连续使用，必须拆下来进行修理或更换……
一、装配拧紧扭矩过大
装配拧紧扭矩过大，即螺栓出现明显颈缩或者断裂。



常见主要原因：
1、螺纹/工件被额外润滑，摩擦力减小，摩擦消耗的扭矩减少，导致过多的扭矩转化为夹紧力；
2、拧紧或预紧时施加的扭矩过大、施加扭矩时速度过快、施加扭矩时套筒与螺纹不同轴；
3、零件本身的性能强度不够以及紧固面与螺纹中心线垂直度超差。

二、装配拧紧扭矩不足



常见主要原因：
1、嵌件松弛：当螺栓嵌入软材料中时，无法完全压紧连接处；
2、螺母装配不当：当螺母拧下得太快时，会产生反弹效应，拧紧处会稍微回弹松动；
3、螺纹/工件摩擦系数增加；
4、工艺设计不合理。

三、螺纹受剪切力拧断



常见主要原因：
1、螺纹在拧紧过程中被卡死，例如：螺纹变形、相互联接的牙型不一致、螺纹有焊渣等情况；
2、螺栓拧进的断面被顶住，如螺母为盲孔的有效螺纹深度不够；
3、拧紧策略或者拧紧参数设计不合理。

四、螺纹滑牙
常见主要原因：
1、螺纹副强度不足：螺纹副强度需要比同等强度螺栓强度高，8.8级螺栓对应的8级的螺纹副强度；
2、自攻时转速过高：当自攻时转速过快会导致螺钉切削材料的热量来不及释放，材料易塑化导致强度降低；
3、自攻孔过大：自攻后螺纹副高度不足，因此强度也不能满足要求；
4、改变摩擦系数：一次拧紧有10%的扭矩作用最终转化为夹紧力，如果通过涂油，加装垫圈，改变涂层等等方法改变摩擦系数，螺纹副有可能强度不能满足要求造成滑牙；
5、对于表面有涂层的螺栓需要控制转速，避免螺栓在高速拧紧时涂层脱落失效（300rpm以内）；
6、接触齿合的螺纹扣数少，螺纹与螺纹不在中径以内接触（即精度配合不好，螺栓螺纹和螺母的螺纹接触不够）；
7、在装配方法上如果装配不对孔，强拧也会造成螺纹滑牙；
8、损坏螺纹以及螺栓跟螺母的螺距、角度变异都会导致螺纹滑牙。

五、工件失效
常见主要原因：
1、工件强度过低：工件在拧紧过程中受到夹紧力后变形、塑料件明显泛白等；



2、漏装或者多装垫片：装配产品过程中漏装或者多装垫片，垫圈等常见的解决方案是将螺钉与垫圈加工为一体；
3、漏拧螺栓：有多个螺钉拧紧时没有计数功能，造成螺栓漏拧；
4、多个螺栓没有防错：当有多个螺栓拧紧时需要对不同位置有先后拧紧顺序要求时，需要有外部装配保证防错，比如位置传感器等；




六、Stick Slip---尖叫螺栓






常见主要原因：
1、工件表面粗糙；
2、螺纹副摩擦系数高；
3、连接太软；
4、拧紧过程中发热严重；
5、拧紧速度太高（造成螺栓涂层脱落）。

七、过度衰减



常见主要原因：
1、装配工艺不合理；
2、材料本身易衰减；
3、连接件形变。

另外还有：疲劳断裂，震动引起松脱，延时断裂等。
 当工件出现装配失效时，我们可以从人、机、料、法、环、测等几个方面逐一排查。当然，当我们熟知这些失效的外在表现及其潜在发生原因时，可以更迅速更精准的帮助我们分析现场遇到的各类装配失效情况。 收起阅读 »

螺栓连接在工业生产以及生活中随处可见，因其装配简单、拆卸方便、效率高、成本低而被广泛采用，通过螺栓拧紧可以使零部件组合起来，达到设计所想要的功能，在此过程中，螺栓拧紧的控制技术是很关键的，它是提高生产效率、降低成本的重要控制过程，也是保证零件在设计寿命内功能不失效的重要因素。

目前关于螺栓拧紧失效原因和控制方法大多基于理论分析，有着重研究扭矩法和转角法区别的，也有着重讲述拧紧控制技术的。而实际面临问题比较复杂，如何针对螺栓拧紧失效模式选择有效的控制方法非常重要，本文整理了基于发动机装配过程中出现的一些螺栓拧紧失效原因，来阐述相关的控制方法，以供参考。

PART 01螺栓拧紧原理概述

根据螺栓拧紧的过程以及力学原理，螺栓拧紧的力学公式如下：

T = F *L

式中：T 为力矩；F为夹紧力；L 为力臂长。

另外，螺栓的拧紧规律遵从50-40-10 规则，如图1 所示：



螺栓的拧紧规律

从图1 中可以看出，90% 的扭矩用于克服摩擦力，常说的螺栓拧紧是否牢固，也即是我们要获得的一个重要参数，就是夹紧力F。因此在实际生产中，如何选择拧紧工具、减小摩擦系数以及设计多大的扭矩来拧紧螺栓至关重要。

PART 02螺栓拧紧工具选择

螺栓拧紧工具的选择遵循以下几点：

（1）工艺要求精度。目前拧紧工具有两大类：一类是气动拧紧；另一类是电动拧紧，前者精度较后者精度低，发动机螺栓拧紧多用电动拧紧。

（2）被连接件安全等级。螺栓连接时，要确保夹紧力要高于外部载荷，必须具备一定的安全余量，螺栓安全余量的影响受连接副振动条件、摩擦力变化、拧紧精度、连接件尺寸变化的影响，一般可选的安全余量与拧紧精度与材料的等级有关。

（3）产品材料特性。取决于连接以及被连接对象是什么材料，一般跟材料的延展性有关，根据夹紧力的测量原理可知，材料的延展性越好，获得的夹紧力也越大。

（4）空间要求。如发动机螺栓拧紧的电动拧紧工具有手持式和自动拧紧两种，手持式相对自动拧紧工具便宜，发动机装配工艺中，根据不同工位的安装方式以及人机工程，手持式一般用于空间小，螺栓数少的工位，自动拧紧一般需要空间大，螺栓数多的工位。

（5）连接特性。分两类:一类是软连接，拧紧到达贴合点后，还需要继续旋转2 圈以上才能到达目标扭矩值。另一类是硬连接，拧紧到达贴合点后，旋转30 度以内达到目标扭矩值，注：贴合点一般为目标扭矩的10%。

（6）生产效率等。效率的体现就是工具故障率以及合格率的表现，拧紧工具故障率低，合格率高，则生产效率就高，一般需要根据产品设计值以及所要监控的方法来选取，选取完后做相应的MSA（测量系统分析）分析，最终确定该拧紧工具是否合格生产效率的要求。

PART 03螺栓拧紧失效模式及原因分析

在实际生产中，经常遇到的螺栓拧紧失效模式归纳起来有以下几点：

（1）拧坏螺栓———常见的拧坏螺栓表现为螺栓滑牙、扭断。螺栓滑牙主要原因是拧紧拧紧扭矩达不到程序设定扭矩要求，导致过度拧紧导致；螺栓拧断主要原因是螺栓安装不正常，或螺栓本身强度不达标，达不到程序设定的扭矩要求就断掉，在实际生产中，该失效风险并不高，偶尔有个别螺栓由于混入不合格物料造成。

（2）拧紧扭矩不对———常见表现为扭矩过低或过高，过低通常发生在拧紧的过程中，主要原因有拧紧时间不够，或拧紧枪（轴）与螺栓的相对位置不对，或拧紧枪（轴）磨损，或螺栓与螺栓孔的配合不好；过高通常发生在拧紧程序终了的时候，也即是拧紧完成后，程序设定的终扭矩判断时，表现为扭矩过载，多半是拧紧扭矩判断条件设定不合理造成。

（3）拧紧角度不对———多用于监控拧紧扭矩异常时设定角度监控，一般放在程序的中间步和终扭矩步，用以控制螺栓不被拧坏。一般基于生产数据来设定，因此，为了保证角度监控的合理性，需要定期根据生产数据进行6 西格玛分析来优化角度监控范围。

PART 04螺栓拧紧控制方法

常见的螺栓拧紧控制方法有以下几种：扭矩控制法、扭矩控制角度监控法、弹性区域内扭矩———转角控制法、塑性区域内扭矩———转角控制法、屈服极限控制法。

扭矩控制法适用于比较简单的拧紧控制，常用的有手动定扭矩拧紧，返修时用的较多，其拧紧原理是拧紧扭矩大小与轴向预紧力存在一定的关系，通过将拧紧工具设定为一个具体的拧紧值来控制连接件的夹紧力。在前述的拧紧原理中，有90%的扭矩在克服摩擦力，仅10%来产生预紧力，加上外界因素的不稳定，因此，该方法，精度较低，容易出现螺栓未拧紧到位就达到目标扭矩的问题，使用时一定要做好静态扭矩抽检。

扭矩角度控制法是在扭矩控制法上增加了控制条件，一般从目标扭矩的50%开始监控，只到拧紧完成，因此在生产中得到广发应用，精度也较高。弹性区域内扭矩———转角控制法，是将螺栓拧紧到弹性变形区域，在转一定角度，通过控制螺栓伸长量来获得想要的拧紧扭矩。因此扭矩控制法、扭矩控制角度监控法和弹性区域内扭矩———转角控制法属于弹性拧紧，塑性区域内扭矩———转角控制法、屈服极限控制法属于塑性拧紧，此两种方法是基于螺栓拧紧的旋转角度与螺栓的伸长量和被拧紧件松动量的总和大致成比例关系，即将螺栓拧紧拉伸到接近螺栓屈服点，然后旋转一定的角度，将螺栓拉伸到塑性区域。这样虽然克服了同样的摩擦力，但最大限度的利用了材料的利用率，获得了想要的夹紧力。后续三种方法对螺栓的性能及结构设计要求较高，控制难度较大，拧紧工具也比较贵。

PART 05认识一下

SunTorque智能扭矩系统是一款满足制造型企业在装配工艺过程中实现“工艺防错指导、可视化工具管理、生产统计过程控制”等多种需求的产品。帮助企业快速建立数字化生产管理模式，实现过程质量提升和精益化。

产品应用广泛，从航空航天、军工、轨道交通，到工程机械、矿山机械、石油机械，到冶金传动、船舶、农机等几乎覆盖了装备制造业和机械制造加工的可应用领域。



SunTorque智能扭矩系统实际应用 收起阅读 »

Colin Noone透露，15年来，改进活动已经为罗尔斯·罗伊斯公司节省了26亿英镑. 凭借在发电工程公司40多年的经验，他热衷于与Minitab社区分享他的心得。

Colin是公司在方法和能力方面的全球黑带大师。下个月，他将在英国的Minitab Insights活动上发表演讲，这是我们为业务改善专业人士举办的全球系列会议的一部分。

在这段视频和采访中，我们请科林分享他对数据驱动的卓越和Minitab在劳斯莱斯的作用的看法，以及为什么他希望在Insights活动中遇到“志同道合的人”...

1.自上而下的领导，但赢得每个人的心和思想

今天，罗尔斯·罗伊斯公司是世界上第二大大型民用涡轮风扇发动机供应商。除了飞机发动机，罗尔斯·罗伊斯公司还生产火车、民用核能、海军和潜艇发动机——有些小到个人电脑，有些直径达116英寸。

(还有豪车？不，那是不同的劳斯莱斯；几十年前从工程公司分离出来的汽车品牌。)

亨利·莱斯是该公司的联合创始人，他有一句名言:

高层对质量的这种要求使得该公司的产品如此受欢迎，以至于它的名字成了英国语言中“最高质量”的代名词。

这让我们很好地理解了科林关于最佳方法的第一条建议:

真正确保你从领导开始，从高层开始推动。必须有一个清晰的愿景。

但是，这不应该以牺牲操作流程的人员的参与为代价:

如果你不与人民接触，领导说什么都不重要，不会有所作为。因此，赢得人心，赢得人民的力量，对于任何想要改善的组织来说都是至关重要的。

​

2.在“有所作为”中以身作则

作为罗尔斯·罗伊斯的黑带大师，科林负责全球范围内的精益六适马黑带(黄带、绿带、黑带、黑带大师)的培训和认证计划。

卓越流程、卓越运营、业务改进和持续改进的名称...对科林来说，它们都是一回事。

这是为了在组织中有所作为。你叫它什么真的不重要。重要的是你实际做了什么。

Colin建议您以身作则，“传达这样的信息:改变是好的，改变是积极的事情，通过合作，我们绝对可以改善组织的运营方式”。

任何一个在组织中从事职业改进的人都应该以身作则。“向人们展示方法，使用教练风格来帮助提高人们对如何应用过程改进工具和技术的理解。”

我认为，有了那种想要有所作为的激情和动力，你就可以带领整个组织前进，永远不会失去这种激情，如果你失去了这种激情，事情就会停滞不前。

3.关注真正发生的事情和你的数据告诉你的事情

科林建议说，“虽然流程被写了下来，这是它们应该如何操作，但现实世界通常是不同的，理解流程实际上在做什么是关键。”

在唾手可得的果实之后，寻找“真正的机会，从根本上改变一些大的有问题的过程，这些过程可以对一个组织的运作方式产生根本的影响”。

任何组织都应该问自己这样一个问题，我们是否尽了最大努力？我们是否尽了最大努力？我们是否从根本上及时满足了客户的需求？

如果没有，我们需要做些什么。这就是我认为数据可以真正帮助你理解组织中正在发生的事情的地方。'

这看起来说起来容易做起来难。科林说:“对于任何改进活动，当然是较大的组织，他们不缺少的一样东西就是数据。”。

真正的问题是理解这些数据告诉你什么。我不认为为了数据而收集数据会给组织增加价值。

它是关于收集正确的数据，理解它告诉你什么，并使用这些数据做出明智的决策，以推动组织内问题的解决和改进。

4.分析您的数据是一项战略性投资

15年来，罗尔斯·罗伊斯公司的改进活动已经节省了26亿英镑。罗尔斯·罗伊斯一直是Minitab的客户:

我们已经与Minitab合作了16年，我认为Minitab在未来许多年都将是一个真正的战略合作伙伴。

“Minitab帮助我们分析数据的能力对劳斯莱斯来说至关重要，因为我们正在进入一个数据变得越来越容易获得的世界，我认为就如何分析和理解数据而言，数据湖是一个挑战，Minitab是关键所在。”

劳斯莱斯的每个部门都可以使用精益六适马培训和Minitab。科林说，这不仅仅是制造工艺的改进。

5.结识您的同行并分享您的见解

尽管Colin将于下个月在英国的Minitab Insights活动上分享一个新的演示文稿，并于去年在我们在爱尔兰的活动上发言，但他不仅仅是为了站在舞台上。

我想参加Insights活动的原因，不仅仅是想成为一名演讲者。这是为了结识志同道合的人，他们也试图在自己的业务中有所作为，分享经验，什么是有效的，什么是良好的做法，并分享经验，我们所面临的挑战。然后，我们应该能够将这种共享的学习成果应用到我们自己的组织中，并取得良好的效果。

Colin推荐Insights活动为“一个很好的基准机会”...“我们在我们所做的事情上相当成熟，我们显然可以做得更好，但我会看看其他代表并与他们交谈，以了解他们一直在做什么，如果我能从他们那里学到什么，我们可以在劳斯莱斯内部应用，以在未来产生影响。”
收起阅读 »

螺栓是整车装配的主要连接方式，据统计，一辆汽车大概有3000个螺栓连接点，而螺栓拧紧的质量直接关系到车辆行驶的安全。2022年7月8日公告显示，有22辆玛莎拉蒂进口2022款莱凡特混合动力汽车因操作人员未将螺栓拧紧而召回。螺栓拧紧问题备受关注！

那螺栓是拧的越紧越好吗？在选择螺栓时可以看头部的性能等级标号，如4、68、8等，这些数字表示螺栓的屈服强度与抗拉强度（也就是数值越大在拧紧螺栓时越不容易出现断裂、滑丝的可能）。拧紧螺栓时螺栓会处于弹性形变中，当应力值超过螺栓材质的屈服强度，螺栓将会变形且不可恢复（指的是螺栓拧得过于紧，会出现螺丝丝杆变长且不可恢复）。而超过螺栓材质的抗拉强度，便会开始出现缩紧现象，产生集中变形，甚至会断裂。所以螺栓并非拧得越紧越好，紧固时应该根据其规定扭矩进行拧紧操作。

螺栓的性能等级越高越好，证明螺栓的屈服强度与抗拉强度也会越高，但同时螺栓的韧性以及冲击性将会变差，如果螺栓强度过大，还可能会损坏被紧固的工件和设备，所以不应单纯的关注其性能等级高低，要根据使用场景选择适合的螺栓来使用。

也就是说在使用到屈服较强的螺栓时，如果将螺丝拧得越紧可能会将部件拉变形，例如运用在带有轴承的场景中，螺栓拧得越紧可能会将轴承直接压迫至形变，所以使用至活动部件场景的螺栓不能拧得过于太紧。

但是如何才能确定螺栓拧到了一个合适的度，是企业真正关心的问题。传统的拧紧方式主要依靠操作人员的熟练度来实现，安全性难以保障，已经很难满足现代化的工业生产体系，多方位智能拧紧成为企业生产制造急需解决的问题。




SunTorque智能扭矩系统就是在这种情况下应运而生的，它是一款满足制造型企业在装配工艺过程中实现“工艺防错指导、可视化工具管理、生产统计过程控制”等多种需求的产品。能够帮助企业快速建立数字化生产管理模式，实现过程质量提升和精益化生产目标。

智能扭矩系列是我公司针对有精确拧紧需求而研发的产品。从形式上，智能扭矩系列产品有固定式和移动式两种，以适应不同工作场景。从管理者角度，它可以帮助工艺人员下发工艺定单、指定操作人员、指定操作扳手、管理操作扳手、收集扳手校验数据和操作数据等。

从操作者角度，它可以帮助操作者接收工作任务、存储扳手、显示工艺操作步骤及标准、校验操作扳手、无线/有线回传操作数据、免去填写纸质测量报表等。

数据赋能，智能制造

1、装配智联与精益生产：主要用于螺栓连接部位的扭力紧固、拧紧信息采集、实时传输及数据分析。

2、全生命周期数据管控：拧紧系统能够与客户的MES生产系统进行对接及信息交互，接收并传达作业指令给工具，并对装配过程进行引导，避免螺栓的错漏拧，对螺栓拧紧质量进行实时监测。

3、智能防错与质量追溯：通过实现制造过程的螺栓紧固力矩、转角信息、螺栓数量、作业人员等信息的采集和可追溯，全面提升螺栓连接质量。

客户案例



  收起阅读 »

前言：熟悉SPC控制图的朋友一般都知道，常规控制图有8个判异准则，在AIAG发布的《SPC参考手册》第二版中（英文版P75)特别提到，除了准则1（一个点，距离中心线超过3个标准差）必须使用外，其他准则的应用没有优先级，应当根据实际过程特性的特点来选用。用的判异准则越多，那么犯第I类错误的机会也越大，也就是说，会有更多的机会把实际上受控的过程，判断为失控，即误报警。为什么使用的准则越多，误报警的机会越多？这个概率有多大？我们到底应当依据什么来选择判异准则？那么，本文就来对这些疑问进行探讨。
 
下面是常规控制图的8个判异准则：
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。

在使用（On-going）控制图进行过程控制时，只要出现上述模式的点，就判断为失控。

然而，我们还要明白：即使过程处于统计受控的状态之中，仍然有机会出现上述情况，只不过每一种情况出现的概率很小，属于“小概率事件”。

例如，准则1：在过程受控时，均值图中的点构成正态分布，我们通常使用正态分布中离均值两侧3倍标准差的地方为控制限，如下图所示，那么点子超出控制限一侧的概率为0.135%，也就是说，即使过程统计受控，它也会有0.135%的误报警概率！



我们再看准则2：在过程受控时，控制图中连续9点位于中心线同一侧的概率为2×(1/2)^(9)=0.00391，也就是说会有0.391%的误报警概率。

假设我们全部使用上述8条准则，则即使过程稳定受控，也会有2.373%的误报警率！



误报警，会给我们的正常生产带来不必要的成本损失，而且停线了也找不到报警的原因，最后会使人们对SPC控制图这个工具产生质疑，甚至弃用！

因此，使用的判异准则并不是越多越好，而是应当根据所控过程特性的特点来选择使用。那么，我们应当依据什么来选择控制图的判异准则呢？

我们需要事先对所要控制的过程和特性做一个深入的研究，而能够帮助我们做出深入研究的工具，就是PFMEA!

PFMEA，可以帮助我们全面认识所控过程的失效模式及其失效起因，我们就会提前知道当某种失效起因存在时，它所导致的失效模式，或者失效起因，在控制图上会以一种什么方式显现，这样就可以选择与其对应的那条判异准则。下面我们通过几个示例来说明一下。

在此还需要说明一下：如果在PFMEA的优化措施之后，失效起因对应的发生频度O很小，则可以不用考虑对应的判异准则。

请注意：为了使内容显得紧凑、重点突出，下面的系列示例中，特使用《FMEA参考手册》第四版的表格格式，只写出部分失效模式，且只写到失效起因，其余信息在此略去。
 
示例1：“变速箱输出轴加工\冷车削”的PFMEA分析的部分内容




 
在本示例中，我们可以使用2个控制图监控2个产品特性：“密封面外径”和“圆柱外径”，除了使用准则1外，我们还可以根据它们的失效起因来选择其他准则。对于密封面外径大这个失效模式，它有2个潜在失效起因，起因1—进给量设置过小，它导致失效时对应的判异准则应当是准则2，且可能是出现在均值图上，即连续9个点（以上）位置中心线的上侧。

起因2—刀具硬度过低，磨损严重，它导致失效时所对应的判异准则，应当是准则3，且可能是出现在均值图上，即连续6个点（以上）上升，这是因为刀具磨损是一个逐渐恶化的过程，越磨，刀具磨损的就越多，则轴密封面的外径就越大。同时，它还可能导致极差图上有点超过上控制限。

对于密封面外径过小这个失效模式，它有1个潜在失效起因，就是进给量设置过大，它导致的失效模式对应的异准则，是准则2。

圆柱外径的失效模式，分析内容同密封面外径的失效模式，在此略。
 
示例2：“气体保护焊”的PFMEA分析的部分内容





我们可以对过程特性“气体流量”来使用控制图进行监控，不过，由于从流量计读出的流量数据随时间的变化不敏感，因此，它适用于单值-移动极差控制图，而这种控制图的失控判断准则，只有准则1适用（该结论来源于《SPC参考手册》第二版英文版P87)。不过，从理论来讲，如果单值数据符合正态分布，则可以适用于其他准则。

如果是由于输气管泄漏或者气瓶/气站压力不足而引起的流量不足，也会呈现出单值图上连续6点或以上下降的模式。
 
示例3：“电阻点焊”的PFMEA分析的部分内容




 
如果对焊点离板边距离做控制图，建议只使用偏离最严重的那个点的数据，可以使用均值-极差控制图。

如果是由于“定位基准偏移”造成了焊点位置偏离板边距离过大，那么，除了准则1外，在均值图上将会出现与准则2对应的模式，即连续9点在中心线一侧。

如果是由于“定位基准松动”的原因，那么，在极差图上会有准则1的模式。

示例4：“熔化焊过程”的PFMEA分析的部分内容





我们可以针对焊喉尺寸a和焊缝凹凸值c，如上图所示，分别做控制图进行监控。由于a和z均可通过专用焊缝测量尺进行无损测量，如下图所示，可以方便地获得大量样本，过程稳定受控时，a值和z值各自符合正态分布，c值是通过减法运算得到的，故c值也符合正态分布，因此，可以使用均值-极差控制图。



对于焊喉尺寸a，影响a值的焊接电流、焊接速度的变化，属于偏移，而不属于波动，因为瞬时的波动通常会引起未焊透或熔深的波动，而不会引起焊缝尺寸上的变化，而偏移一段时间，则会得到过大或过小的焊缝尺寸值，故所对应的控制图的失控判异准则，除了准则1外，还应选择准则2，即连续9点在中心线一侧。

对于焊缝凹凸值c，影响c值的焊接电流、导电嘴-工件距的变化，属于偏移，而不属于波动，与a的情况相同，因此，除准则1外，也可以选择准则9。

示例5：“静电喷涂”过程的PFMEA分析的部分内容





我们对“涂层厚度”做控制图进行监控，使用测厚仪进行测量，可以使用均值-极差控制图。

对于涂层厚度过小的影响因素—喷枪移动速度，则会存在速度总体偏快的情况，那么对应的控制图判异准则除了1外，对于均值图，可使用准则2；如果是手工喷涂，则还存在速度时快时慢的问题，反映到极差图上，则会有过高的极差点，故应使用准则1。

对于泵管堵塞这个失效起因，堵塞会越堵越厉害，它会引起涂料的在管内的滞留和堆积，使得流速越来低，导致涂层厚度越来越小，那么对应的判异准则，除1外，还有3，即连续6点下降。

对于涂料粉末过粗，流动性过低，则会使涂层厚度整体减小， 即对应准则2（除使用准则1外）。

示例6：“扫描仪组装”的PFMEA分析的部分内容





我们对无尘室离子浓度使用控制图进行监控，但是离子浓度的测量值不适合使用均值-极差图，而适用于单值-移动极差图，因此，根据SPC参考手册的要求，一般只用准则1。

但是，如果我们验证测量值确实符合正态分布，那么也可以使用其他准则。如果是无尘室有泄漏，则室内的离子浓度会越来越高，因此会在单值图上呈现出准则3的模式；如果是无尘室的吸尘器功能减弱，则在单值图上会呈现出准则2所描述的模式。

以上是通过6个示例，从不同的应用领域和行业，说明了如何借助于PFMEA来选择控制图以及控制图的判异准则，也由此可以看出，工具是相互联系的，我们应当做到将不同的工具进行联合应用，这样才能真正切合工作实际，真正解决实际问题！ 收起阅读 »

PART01、人员

人是从事活动的主体，FMEA活动需要人去管理、实施、评价。这需要包括公司的管理层、FMEA团队、技术人才等等多类型、多部门的人员共同参与。管理者的支持决定了FMEA推行的深度，团队的合作左右着FMEA活动的完成情况，人员的能力决定着FMEA活动的质量。

管理

1. 推行不力

“领导作用”，是质量管理体系实施的一项基本原则。推行质量管理体系是一个公司级的行为，不是某一个人可以实现的。FMEA作为质量管理体系中一项重要的工具，同样需要遵循这个原则。

2. 缺乏监督

FMEA活动的实施需要有效的监督，监督其时效性、准确性等。没有有效的监督，是很难在要求的时间内完成高质量的FMEA的。很多公司只是因为顾客要求而安排了这项任务，至于这项任务实施的目的、怎么实施、实施的效果等并未去太多的关心。以至于大多数企业的FMEA只是停留在形成文字，作为一份记录保存的阶段。

3. 意识不足

前期的预防大于后期的控制。FMEA作为产品质量风险分析和风险评估的一种很好的工具，可以为我们的产品和过程在策划的时候识别出多数在产品和过程实现过程中可能产生的风险问题，以便采取有效的前期验证与过程防错措施。部分公司中高层管理者并未意识到这一点，而当产品生产之后出现各种各样的质量缺陷时，又开始焦虑于采取各种补救措施。当然，可能前期的预防会产生比较高短期成本，这也会是管理者不重视的原因。

团队

1、没有团队

FMEA是一个团队性活动。新版FMEA手册中也明确定义了FMEA活动所必须的团队成员。要完成一份FMEA，需要具备熟练的质量、技术、试验、FMEA知识等多学科的技能，显然这是一个人很难办到的。而现实中，很多公司的FMEA都是出自某一人之手，所以也必然起不到真正的作用。

2、缺乏协同

FMEA既然是一个团队活动，那么团队之间的协同作业就非常必要。FMEA活动需要集中团队的力量而进行，集思广益、统一认识，其过程中可能就某一描述经过多次的讨论才能确定下来。在与很多公司交流时发现，虽然公司组织了自己的FMEA团队，但实际FMEA活动中团队成员因为自己的工作或其他原因，很少参与到团队协作中，表现为FMEA讨论活动很少，或者对同一问题的描述出现多种说法的情况等。

能力

1、FMEA知识缺乏

FMEA活动需要团队成员对FMEA知识有足够理解认知。一方面需要理解FMEA这个质量工具，另一方面需要掌握FMEA分析中需要用到的一些支持工具，如框图、故障树、P图等等。

2、专业技能不熟

开展FMEA活动除了需要掌握FMEA知识外，FMEA中所涉及的专业技能也是必不可少的，包括产品技术、工艺工程、法律法规、行业规范、商务成本、质量管理等等。比如在进行DFMEA时，为产品定义其功能，如果你对产品的质量属性、功能要求，顾客的要求，制造装配要求，法律法规的要求等不熟悉，在进行分析时就很容易漏掉分析要素，相应的就会漏掉失效，存在未识别的风险因素，FMEA的分析也就不能尽量的完整。而往往漏掉的分析要素可能就会是后期产品生产中产生质量缺陷、顾客抱怨的原因。

PART02、时机

FMEA的时机对完成一份高质量的FMEA至关重要。任务开始的时间，导入和更新的时机以及完成的周期要求，这些都直接影响着我们FMEA最终的输出质量。

开始时间滞后

FMEA旨在成为“事前”行为，而不是“事后”行为。FMEA的目的是识别、评估并最终降低潜在风险。既然是潜在的风险，那就必须是在产品和过程实施之前，风险潜在存在的状态下进行的，否则FMEA就失去了它存在的意义。

现实中，部分企业的FMEA可能是在产品和过程已经策划完成，甚至是在产品和过程已经实现了之后才开始。这样做出来的FMEA只是将现有的、已经形成的方案一条条搬到纸上而已，几乎不存在分析的过程。这样形成的FMEA必然也起不到作用，而且在产品和过程实施后还可能会因过多的未识别风险而发生大量的增补和修改。

导入和更新时机缺失

FMEA是一个动态的活动，也就是说FMEA不是一成不变的，它是适时更新的。但事实中，有些公司你五年前去看的是这样的，而五年后去看的还是这样的，可能唯一的变化就是表头的变化。当然也不能否定某些公司的产品和过程策划的好，产品生命周期内从来没有发生过任何的更改或质量问题，但这种概率几乎是不存在的。

FMEA手册中给出了三种时机：

① 新设计，新技术或新过程；

② 现有设计或过程的新应用；

③ 修改现有的设计或过程。大多数企业，对有新设计、新应用或者新质量问题等发生时产生的被动FMEA要求一般执行的比较好，而对持续改进如QCC活动时产生的主动FMEA要求往往会被忽略。

任务超期

时间就是金钱，任何一个项目开发都是有时间节点要求的。FMEA活动同样要遵循这个原则，超出了节点要求，可能会导致成本的上升甚至市场的流失。目前在企业中我们主要存在几类问题：

1. 时间不能匹配项目进度

FMEA开发的时间需要跟项目进度要求的时间相匹配，超出了项目要求的时间就可能导致整个项目的延迟。前文我们说到过FMEA是团队活动，当子系统、子工序的FMEA进度延后时，必然影响总系统、总工序的FMEA完成情况。

2. 没有有效的任务动态监管

在使用电子表格管理FMEA的公司里，FMEA项目管理者对项目进行的状态是很难及时了解的，只能通过查看交付物或者交流等方式才能了解FMEA进展的如何。所使用的甘特图，往往也是被动的更新进度。

3. 缺少评审或评审不及时

PDCA是著名的质量管理理论，FMEA活动同样适用此方法。检查（Check）可以很好的帮助我们统一对事项的描述，完善FMEA的遗漏项目，纠正错误的分析等。

在一些某一人闭门造车就能完成FMEA的公司里，由于缺少FMEA的评审机制或者即使存在也只是流于形式，FMEA的输出质量最终也只受这位造车者的水平、意愿、心情等方面影响。而在有团队的公司，也会存在因对评审者缺少必要的和主动的时效约束而评审延时的问题。 收起阅读 »