Minitab 教育中心是什么？



Minitab 教育中心是一个基于网络的灵活且易于使用的平台，提供分析培训和教育。Minitab 教育中心拥有 Minitab 的专有在线统计培训 Quality Trainer®，并提供个性化学习路径以及免费的教育资源，如视频和电子书。

分析走进生活

Minitab 教育中心提供教育和实际练习，通过模拟您每天所面临的挑战，确保将您学到的知识直接应用于自己的工作中。



Minitab 教育中心允许用户通过详细的报告和控制台跟踪他们的时间和进度。管理员可以深入了解其整个计划的性能和利用率。用户能选择特定的学习路径，这是一系列针对其特定主题或者感兴趣的领域而设计的相关课程。结业证书由学习路径颁发，并提供灵活的评估能力，包含对测验的即时反馈。

基于网络的灵活解决方案

Minitab 教育中心是一个基于网络的灵活且易于使用的平台，支持多个浏览器，操作系统和浏览器设置。借助支持的移动操作系统，用户可以随时随地学习。 收起阅读 »

专栏简介

本专栏将通过FMEA系列文章，从理论出发结合丰富案例分析，深入浅出地带大家系统的学习FMEA相关知识，掌握潜在失效分析方法并能高效落实进行风险管控和预防，解决产品设计和过程设计可能出现的问题。

上一期《干货分享 |做好策划与准备，让FMEA有备无患》文章中，我们提到了FMEA的策划与准备，只有事前做足准备，才能确保做FMEA的时候万无一失。

那么，接下来，我们就要带大家一起了解FMEA七步法中的结构分析。


01

结构分析的目的


结构分析是我们整个FMEA分析过程的基础阶段，也是最为重要的一环。它的目的是将制造系统识别和分解为过程项、过程步骤和过程工作要素，以便进行技术风险分析。


其中过程结构分析的目标是：

• 分析范围的可视化
• 结构树/过程流程图
• 识别过程步骤和子步骤
• 顾客或供应商工程团队之间的协作（接口职责）
• 功能分析步骤的基础

02

结构分析的流程


我们可以通过过程流程图或结构树的形式帮助我们进行结构分析，为FMEA提供基础。这一步的分析如果有遗漏，或者没有做好，会影响到我们接下来的工作，所以一定要认真开展。


通过结构树的方式，我们可以将总的产品或过程，过程步骤或者工序，还有过程要素进行排列、归类、划分。





最高层级是【产品/过程项】，它代表的是过程步骤的合集，是成功完成所有过程步骤后的最终结果。一般，我们将【制程】作为【产品/过程项】，例如冲压、组装、喷涂等。





过程步骤则是我们分析的焦点，它是指某一制程下的制造工站或工位。



过程工作要素是结构树的最低层次，是可能影响过程步骤的潜在原因，也就是4M——人员、设备、材料、环境。

4M可能会包含多个类别，每个类别都需要单独列出并且分析。

人员是指生产中直接作用于产品相关的人员，如工艺人员，操作人员，检验人员等




设备是指工装、夹具、模具、刀具等类别的总称，要尽可能的分析直接作用于产品的哪些装置，这些都是影响到产品特性变差的原因。




材料是指直接或间接的材料，特别是在组装环节，涉及的所有物料信息都尽可能列出来。




环境是指温度、湿度、气压、霾度等，这一部分的影响，主要体现在对环境有一定要求的物料上，尤其是在产品存放过程中，对环境的要求会更多一些。需要强调一点的是，这里环境影响，指的是外部环境对于过程所产生的影响，而不是指机器设备的工作环境。

只要是对我们的过程可能造成失效的，统统都需要列出来。


通常情况下，4M已经包含了我们过程步骤中的主要潜在要因。当然根据不同的生产过程，也可能有其他的影响要素，例如方法、测量等，但一般我们建议合并至4M中。因为方法其实是由人员/设备来执行的，可以一起罗列；测量一般会有明确的测量工具，也是属于设备的一种。当然这是大多数情况，具体因公司而异，如有必要，也可以拆开罗列。


03

结构分析的案例


我们举一个简单的例子——机壳加工。


根据过程项机壳加工，我们可以列出它的下一步过程步骤：折弯、钻孔、打磨、抛光等等，这些是完成机壳加工所需要的步骤。





如果再以钻孔为例，展开其过程工作要素，这时候我们可以拍摄工站的照片来辅助分析，找到可能影响过程步骤的潜在原因。假设参考下图，我们按照人员、设备、材料、环境这4个方面来看。






人员，需要一位操作员，执行钻孔的动作，他的工作对钻孔的成功是有影响的，所以我们在过程工作要素中，我们首先要写上操作员；


设备，需要钻头，同时需要一个夹具将机壳固定，否则可能会在钻孔过程中产生偏移；


物料，需要机壳的原材料，我们假设为铝片，可能会有一些材质上的具体要求；



环境，一般来说钻孔可能对环境要求不多，环境的变化影响不大，所以可以不列，如果有需要的话，也可以加上。








这样，我们结构分析基本就完成了。



最后，我们要知道结构分析中所定义的信息将被用于下一步的功能分析，这一过程是环环相扣的。所以，假如在结构分析中，出现了没有被考虑到的操作，那么在接下来的功能分析中也会缺少。



因此结构分析是整个FMEA分析的基础，要针对FMEA的分析范围和目标来进行定义，并且我们一定要充分考虑各项可能的影响因素。只有前期打牢了基础，后期的FMEA工作才能有序进行。


  收起阅读 »

国庆后一直比较忙，论文要预答辩了，才完成四分之一；期间四个整天的培训，得花时间学习，也明显感觉到记忆力变差了，年纪大了的原因。
今天完成了最后的2023年部门预算，提交给了BU Head审批，之前大概有和他聊过，基本上也没什么问题。明年有太多的事情想做了， QE技能的提升，各个层面人员quality mindset的提升，持续改善文化的建立，完成2个六西格玛项目，整个事业部体系的完善，大量raw data的分析和reporting，quality one page的试行等等，确实很多想做。
晚上回忆了自己在公司两个多月以来做成哪些事，哪些还没做成，为什么没有做成，睡觉前刚好在看《麦肯锡法则》，里面讲到了“一次只做一件事”，大致讲的是：你不可能事必躬亲，如果有一次你把所有的事情都设法做了，就会让周围的人对你产生不切实际的期望，假如没能满足这些期望，将很难重新获得信任。
如果我投入120%的精力，确实能将很多想做的事情都做完，因为目前人力资源有限，open的一个QE职位还在招聘中，所以很多事情自己等不下去，都做了，反思回来确实我不可能时时刻刻都保持120%的精力。 收起阅读 »

● 预测分析和机器学习

我们经常听到机器学习和预测分析，但它们的具体含义是什么，两者之间如何相互关联的？



● 机器学习是什么？机器学习是一种方法，其中多个算法在没有明确指示或预定规则的情况下，基于模式和推断执行特定任务，以做出预测并根据需要重新校正。

● 预测分析是什么？预测分析是数据分析的一个类别，目标是基于历史数据和分析技术对未来结果做出预测。预测分析使用各种统计方法（包含数据挖掘、机器学习和预测建模）来了解未来发生的事情。



● Minitab 的预测分析解决方案

● 我们业内一流的专利机器学习算法拥有为您的数据提供更深入见解的能力



● 预测分析模块可以帮助回答以下问题：



● CART®（分类和回归树）——决策树

● 这种基于树的算法是现代数据挖掘最常用的工具之一，它探索如何将数据拆分为更小段、随后以重复方式选择效果最佳的拆分直到找到最优集合为止。



● Random Forests®——随机森林

● 该算法基于 CART 树的集合，使用重复、随机化、抽样和集成学习，同时将独立树集合在一起，来确定森林的总体预测值。



● TreeNet®——梯度提升

● 我们最灵活、获得最多奖项、最强大的机器学习工具，具有迭代结构，可在构建集成的过程中更正合并错误，从而实现出色且一致的预测准确度，也因此而闻名于世。



● 自动化机器学习

● 使用此自动化工具轻松确认您使用了最佳预测模型来解答您的问题。非常适合需要建议的预测分析新手以及寻求其他意见的专家。

● 如果Y是二值响应，Minitab会创建4个模型并自动选择最优的一个做预测分析



● 如果Y是连续响应，Minitab也会创建4个模型并自动选择最优的一个做预测分析



● 小结

● 有了 Minitab 的全新预测分析模块后，用户将能够以更好、更快、更简单及更准确的方法解决更棘手的问题、挖掘出更深入的见解并实现对复杂交互的可视化。使用 Minitab 的革命性预测分析技术，轻松、熟练地预测业务、比较备选方案及预估业务。

● Minitab 的预测分析模块由多个专利方法构成，分类和回归树 (CART®)、原始 Random Forests®（由诸多决策树构成的分类算法）以及 Minitab 自己的梯度推进方法 TreeNet® 等等都包含其中。Minitab 的预测分析模块凸显了我们协助各组织加速其转型的承诺。我们打造易用、易懂的高级机器学习方法，为的就是让全球各地的公司能够发挥这些方法的能力来解决复杂问题，以质量、速度和简洁程度均远超以往的方式预测结果。如果您对预测分析感兴趣请与我们联系，也可以持续关注后续内容的分享。 收起阅读 »

稳健性设计是正交设计之后的里程碑式的创新，但不能等同于田口方法。
上世纪初农业已有稳健性设计的实践，希望大麦新品种在肥力不同的土地、气候条件不同的地区，仍能有稳产的稳健性。
中国和欧美学者对稳健性设计逻辑的理解与田口方法对稳健性设计逻辑的理解，有共识也有分歧。
国内典型的文献是《正交法与应用数学》（作者张里千），美方文献《试验设计与分布及参数优化》（作者吴建福）。田口方法典型文献是《稳健参数设计》（作者韩之俊）
过去，当产品质量可靠性、稳定性差时，设计产品的工程师认为产品经实验室检验没问题，所以会归罪于批量生产线的质控不严和用户使用不当。
比如在批量生产时，成品各零部件质量特性的变异（噪声）必然使批量成品质量波动变大，
如用公差小的零部件成本高，性价比差。
而零部件组合产生的负面交互效应（噪声），如不做正交试验，可能不知道这种负面交互作用的存在，也不知道正面交互作用的增益。
农村电压忽高忽低的波动（外噪声）会降低电器功能，这种噪声用户无法控制。
而田口先生发现，如在试验中加入模拟噪声的因子，可利用质量特性与参数组合之间的非线性效应，能降低内部干扰因子的影响，利用可控因子抑制噪声因子的交互作用，能减少噪声因子对响应的干扰。只需调整水平组合（即参数设计），基本不增加费用，就能抑制内外噪声对响应的干扰。或者说，对噪声不敏感。而且能确定最合理的公差范围（容差设计，也可理解为价值工程），即是稳健性设计。
田口方法的试验设计和其它DOE方法不同，甚至于相悖。
传统实验室试验时需要排除噪声干扰。而稳健性设计相反，试验时加入模拟干扰响应的内外噪声因子，达到实验室设计的产品质量特性值和受内外噪声干扰下实际使用环境有一致性。
       田口方法正交设计用分内表和外表的直积表，把可控因子正交表称内表，噪声因子正交表称外表。
要求可控因子内表的每一个组合，都要和噪声因子外表的每一个组合一起进行试验。用信噪比度量稳健性，评估出均值趋近目标值，方差又小的最佳的组合。
有学者认为直积表本质是“裂区法”或“分割试验法”，但稳健性设计的内在逻辑，常被误解。
部分析因设计的问题。
多因子案例用部分析因设计是经济的方法。
谢宁方法否定部分析因设计，只认可全因子析因设计。但在可控因子远多于4因子案例时，仅挑选出少量显著性因子组成的全因子析因设计可能遗漏掉不少有价值的信息。比如某案例“A和B都是不显著性因子，但AxB交互作用是显著性因子。”（韩文p55）
谢宁方法忽略了不显著性因子潜在的正面效应，而且统计意义上不显著不等于实际意义上无用。
传统DOE常用二分之一或四分之一的全因子析因设计，然后对活跃因子补充试验，凑成活跃因子群的全因子析因设计数据集合。全因子析因设计对建数模是必需的，其缺点是假设最优水平组合在上述活跃因子群框架内。建立的数模是精简的，但试验水平范围不足够，样本量太小，其数模可能仅仅拟合样本，并非反映总体全貌。
田口方法内表常用部分析因设计，但静态稳健性设计以寻找最优水平组合为目的，所以交互作用混淆不是大问题，其软肋是常用L18大正交表为内表的直积法功效低，内表用部分析因设计会漏掉更优可控因子组合。
      怎样解决部分析因设计信息不完备弱点呢？国内学者建议尽可能用小正交表和饱和正交表。首次试验后，在好的水平基础上再調整出新的水平，进入下一轮新的水平组合试验。
如同“盲人爬山”，探一步，爬一步，经多轮正交试验，但仍能在混杂的信息中找到最优组合的方向。这是“笨”办公，但新的水平组合，会带来新的信息，能逐步逼近最优水平组合。
新的试验水平框架可能带来质变：当水平变动后，可能原不活跃因子和不显著性交互作用会“变性”。
（三）方差分析工具。
传统正交试验，为了筛去不显著性因子，在部分析因设计前提下用方差分析工具。
张里千认为：“部分实施会造成混杂，不足以施行方差分析。”（张文p19）
BOX认为“很多电脑程序都利用方差分析表来分析2k设计和它的部分设计，但是分析这种特殊的设计时，使用ANOVA会非常令人费解，并且没有什么意义。”（《试验应用统计》p115）
而且理论上实施方差分析，残差需以下假设为前提：正态分布、均值为零、数据相互独立、方差相等。（韩文p23）而在实际应用时，很少会验证上述假设。
在实际案例中“噪声分布并不一定要服从正态分布”、“相同的变异性假设在稳健参数设计中不存在。”（韩文p4）
国内的实践证明：“经过逐批少数正交试验便能绕过处理试验误差的统计方法过程，进入到良好的位级组合区域。”（张文p4）
简言之：既然部分析因设计无法精确量化主效应和交互效应，不用方差分析等精确工具，而用极差法、因子趋势图等近似工具分析，用多轮正交试验逐步找到最佳水平组合。
（四）对直积表的争议。
      田口方法的直积表被批判试验次数多，以及内表常用部分析因设计和非正规正交表，造成交互效应混杂被诟病。
直积表的复杂目的是，用试验寻找随机变量噪声因子集合对响应的干扰最小的可控因子组合。这是稳健性设计的核心精髓，可是很少人能理解其科学意义。
     实际上在多因子案例，传统方法有的还用6次重复试验，总次数也不少。
对直积表试验次数太多的缺点，有学者提出用一个“复合噪声因子”取代多噪声外表（韩文p72），这样经济上合算，实际不合理。
“如果研究人员知道噪声因子和控制因子是怎样联合地影响变差的，就没必要实施参数设计试验。”（吴文p410）
又有学者提出用“组合表”替代直积表，即噪声因子和可控因子同在一个全因子析因设计的正交表内。
这“近似”符合直积表，说近似符合，这方法把噪声因子视为常量，而实际是随机变量。多噪声外表常用全因子析因设计，为了能显示“噪声X噪声”交互作用，多噪声之间交互作用比单噪声因子对响应的影响更复杂。而“组合表”只能显示单噪声因子和可控因子之间交互作用。
比如电压和频率波动的噪声因子交互作用比单电压波动对电器功能干扰更大，尤其噪声X噪声对响应的干扰，往往只能在试验中显示。
如多因子多噪声因子案例，因子总数过大，“组合表”只能用部分析因设计时，无法得到全因子析因设计的全面数据，这也是直积法内表常用部分析因设计的缺陷之一。
所以直积法能最精确显示噪声因子群对响应的影响，但有可简化和完善的余地。
如可计算案例，直积法的复杂不成问题。
比如电工类有公式，可用计算方法替代试验。多水平、多因子案例，如用全因子析因设计的直积表，因子和水平数再多也不成问题。
国内学者用对参数约束性计算，又能大大减少计算量，有的案例，一轮约束性试验达到三轮非约束性试验的效果。最后用重复试验验证。
（五）对关注点差异。
      传统DOE目的是回归建模，在实验设计时尽可能分清因子主效应和交互效应，减少混杂。
   而田口方法用逆传统设计：
“任一个含Q（噪声因子）的二因子交互作用是强纯净的”（吴文p132），
传统正交试验， “通常优先考虑的是主效应的估计，而不是两因子交互效应。”（吴文p238）
“将分辨度以及最小低阶混杂准则，应用于参数设计试验是不合适的。”（吴文p407）
 吴建福对稳健性设计逻辑的理解：
稳健性设计认为能抑制噪声的“可控X噪声”的交互效应，和主效应同等重要，而且比“可控X可控”交互效应更重要。
          能抑制噪声的“可控X可控X噪声 ”的高阶交互效应和“可控X可控”交互效                 应同等重要，这颠覆了高阶交互效应可忽略的惯例。（吴文有实例p407）
      （六）可控因子之间交互作用定性问题。
传统DOE认为田口方法最大问题是交互作用混杂，其实最大理论问题是对可控因子之间交互作用的解释。
正交设计解决了显示交互作用问题，想不到田口方法认为可控因子之间的交互作用对稳健性设计是“有害的”。而且又武断认为可控因子和噪声因子交互作用“有利的”。（韩文p4）
在没用稳健性设计之前可控因子和噪声因子交互作用也客观存在的，多数对响应有害的，因此才需要调节可控因子水平组合，抑制噪声因子对响应的干扰，所以不能说可控因子和噪声因子之间交互作用都是有利的。
而稳健性设计找出能抑制噪声因子的非线性响应可控因子，和找到各可控因子水平巧妙组合（其中有可控因子之间交互作用）抑制了噪声因子，这时可控因子和噪声因子交互作用才是有利的。
“A有两个水平A1、A2，当另外一个因子B处于B1水平吋，A1水平的结果和A2水平的结果相比有一个量值；当B处于B2水平时，A1水平的结果和A2水平的结果相比量值有了变化。因此，交互作用就是因子影响结果的不一致或不再现。”（韩文p3）
“交互作用会导致结论不一致或不再现，所以必须尽量避免可控因子之间的交互作用…”（韩文p9）
上述交互作用“有害的”原理实际上生产过程中对可控因子水平控制的难度问题。
对于难以控制的水平，稳健性设计可把可控因子视为噪声因子处理，比如难控制的温度问题。
众所周知，正交设计能显示正面交互作用和负面交互作用：
利用正面交互作用获得1+1大于2的额外增益，对负面交互作用，可改变设计组合减弱之。
吴文中案例，“可控X可控X噪声”交互作用，是可控因子之间交互作用起到抑制噪声作用。
         韩文p29中案例：钢硬度由时间和温度交互作用占33%，请问能消除交互作用吗？
青铜的硬度是銅和锡的交互效应占主导，怎样解释？
（七）处理交互作用混杂问题。
“交互作用是客观存在的，怎样避免或消除呢？回答是交互作用的存在取决于应用什么样的测量系统进行分析。”、“用信噪比，特别是动态特性的信噪比…”（韩文p5）
田口方法认为用特殊正交表、输出特性连续性计量、信噪比度量，“一般情况下，可控因子之间的交互作用会消除殊尽。”（韩文p17）
     “用特殊正交表L12（211）， L18（2x37）任意两列的交互作用平均分配在各个列上。”（韩文P6）
L12是飽和设计，交互作用“平均分配在各列上”的说法是自圆其说。实际上各列交互作用混杂、重叠，平均分配说法是难令人信服。
多因子案例用部分析因设计是经济的方法，虽然主效应和交互作用混杂，但其综合的效应，正面或负面效应以及高阶交互效应都反映在响应上，而且是真实数据，仅有试验误差。
          笔者猜测，田口方法对可控因子之间交互作用有害的种种解释，为了回应内表用部分析因设计造成交互作用混杂的质疑，但反而令人困惑不解。
历史上工业应用正交设计远晚于农业，由于工业参数远多于农业，用全因子析因设计经济上有困难，而田口先生勇于在工业上用部分析因设计是大功臣。
国内实践证明，如不建数模，交互效应混杂不影响用多轮正交试验逐步找到最优水平组合。
“数学要经得起思维逻辑严密性推敲或者在其他科学领域应用的有效性来检验，而统计学则更多地要得到实际的直接检验。”（《试验应用统计》译者序）
（八）试验设计方法的科学性是源头。
“分贝值表示的SN比，不仅计算方便，而且可使经对数变换的η（信噪比）更接近于正态分布…同时因素效应大多具有可加性，忽略了交互作用的影响。”（《稳健性设计》曾凤章p63）
上述文献讲清楚了田口方法认为用对数变换后的信噪比能“忽略”交互作用的原理。
实际上传统建模方法常用数据变换，把非线性性转换成简单的线性模式。
       对均值平方和方差对数转换后成线性化的信噪比，这仅是数学形式变化，客观存在   的交互作用还是存在的。如有负面交互作用，也只能調节水平组合来改善，无法用试验后的数据变换来忽略交互作用的本质。
例如学校为改变学习成绩分数至上状态，改用优、良、中、差评估，仍无法摆脱分数评价体制。
田口方法认为稳健性设计就是用信噪比的正交实验设计。对此议提出异议之前，先澄清一个大前提，噪声因子加入正交试验是稳健性设计关键性的源头，但不是信噪比的功劳。
“试验设计能够用来产生良性数据，甚至可以认为，好的试验设计对科学进步是必不可少的。然而，至今我们更多地注意着数据分析。试验设计具有第一重要性，其原因是，数据的信息内容在进行试验时才确定，任何敏感的分析都不能揭示没有体现在数据中的信息。”（《非线性回归分析及其应用》p134）
比如谢宁方法常用“逐个替换”单因子试验，很难显示交互作用。多因子同时变动的正交设计能显示交互作用。
稳健性设计核心是模拟内外噪声因子参于正交试验，以及怎样调整优化水平组合。用信噪比选优，仅属数据分析的一种方法，而且又有缺陷。
在用信噪比选优方法中，对望大、小型案例选优无难度，争议也少，难度在望目型。
田口方法推荐的2步法：先找出信噪比最大的离散因子。但信噪比大，可能均值相对于方差大，但单均值大对望目型无意义。
望目型信噪比：期望平方/方差。
比如均值（期望）平方10，方差1，但目标值是8。所以必须找到把均值趋向目标值，又不影响方差的独立的位置因子。无这位置因子配套，信噪比大无意义，即望目型信噪比缺少一个目标值参数介入。
而且2步法不是都能实现，运气好的正相关案例：调节后响应方差趋小时，均值趋向目标值。反之，有的案例无位置因子时，方差趋小时，均值远离目标值。这时需方差和“离目差”（均值与目标值差）之间的社会质量经济损失大小，找到一个平衡点，田口创立的质量经济损失公式，能解决这难题：如响应是正态分布，分布对目标值的偏差均方=响应分布方差+均值与目标值差的平方。
田口认为质量特性值偏离目标值就发生质量经济损失，以这定义创立的质量经济损失公式（偏差均方），虽不完美，但因包含响应分布的均值、方差和目标值3个参数，就是优于望目型信噪比的原因。
国内学者把田口方法内表称为选优表，方法是对望目型案例内表组合数据直接用偏差均方选优。
某文献25组试验中只有5组偏差均方靠谱，仅甪这5組和噪声组合一一试验，大大减少了试验次数。而如用田口的直积表，有20组在无噪声因子介入响应时，响应已超合格限，再介入噪声因子做试验是做无用功。
      北大学者在实践中证明：“凡偏差均方好（小）时，信噪比也必然好（大），反之不一定成立。”（《正交法和三次设计》P129）在望大望小型案例，偏差均方也适用。
国内有学者认为信噪比适用于动态稳健性设计，用β灵敏度取代均值。静态稳健性设计望目型适用偏差均方。






  收起阅读 »

       先说下考试成绩，2022年10月10日成绩可以查询，绿带77，黑带88，结果来说分数一般，对我来说还算满意，和我的付出基本一致.下面简单说下考试经历，后面需要考试的人员有个初步的了解，希望能够对大家又帮助.
       我是22年6月份报名，报名时考试时间已经确定为2022年9月4，时间上面来讲还是比较紧张，3个月不到。报名后我就赶紧买了红皮书（很多网站都可以买到，我是某东上面买的），厚厚的一本，拿到手后就赶紧看了起来，由于白天上班，能够看的时间在晚上下班或者周六日，初步做了一下计划（实际上也没有按照执行），前四章文字类的比较多，这部分看得很枯燥，看看就想睡觉，我只读了一遍，主要靠刷题。通过后面的考试我还是建议大家多读几遍，这部分是最容易拿分的章节，主要靠记忆. 从第5章开始，理论的知识开始多了起来，更多的靠理解课本，我对这些内容也是粗略的学习了一遍，书整体看一遍基本到8月25号，后面10天左右时间，我就是刷题，不会的就找高手问，再来反复看书的知识点，基本上每晚都学习到11点，真是拿出了高考的状态，绿带我没有做过题目，绿带中的内容基本都包含在黑带中，所以大家考黑带可以顺带把绿带给考了，考试是同一天.
     针对此次考试，我总结经验如下（不是每个人都适合，借鉴就好）：
1.前四章，多看书多刷题，这部分主要靠记忆，理解的知识点不多，相对拿分容易
2.第5-8章，理解的知识点比较多，尤其是DOE我感觉是很难的，建议大家下载一个minitab软件，练习一下书上的题目，这样可以很好的加深记忆，5-8章是考试的重要拿分点，一定要理解课本。
3.学习时，大家可以找个也考黑带的朋友（网上多的事），大家学习中互相交流，我就是在这方面受益匪浅
4.重要的事情说三遍：刷真题 刷真题 刷真题，考试时我发现很多题目就是真题变化了一下，还是让我拿到了不少分数
5.要不要报辅导班？因人而异，我认为报辅导班可以对理解课本起到作用，但前提还是要自己用心去学，不代表报个班就能够过去
6.考试时，单选题和填空题，一定是我们的主要拿分点，这是必须要把握住的；5-8章多选题我认为还是比较难的，不过大家也不要害怕，前四章和第九章记忆部分抓住，理解题即使错也能够过去.
7.书是根本，提前看，多看几遍（我只看了一遍，所以分数不高）
8.学习的目的不是考试，考试只是提高自己的同时顺带完成的事情，提升自己是关键
 
以上是我这边的简短小结，有什么问题欢迎交流.
 
         收起阅读 »

本文最初出现在The Minitab Blog

石油和天然气行业涉及持续产出的资本密集型过程。原油等原材料被大规模转化为石油产品，这使得过程控制变得至关重要。原材料的化学和物理性质往往具有很大的可变性，这可能会对过程输出产生显著的影响。工程师倾向于利用科学原理和经验来确定可能产生预期结果的工艺设置；然而，这种做法可能会不成功。统计过程控制图(SPC)对于指示变得不稳定的过程非常有用。使用SPC来提醒工艺转变的不利之处在于，可疑产品会同时产生。

制造商将检验原材料的大部分责任转移给了供应商。在收到材料之前，通常是在材料使用前几天或几周，将认证发送给客户是很常见的。如果供应商信息可用于在流程执行前预测流程转变，以考虑缓解措施，情况会怎样？本文解释了如何使用流程模型的操作部署来创建用于此目的的预统计流程图。还有许多其他行业的流程涉及资本密集型设备、连续流程和包含显著变化的原材料。食品、营养补充品和化学品的制造是可以从利用预测性SPC中获益的一些示例行业。

随着Minitab的最新发展，建模技术变得非常强大和易于使用。许多组织使用过程模型进行开发和改进。根据供应商测量和流程输入(由技术人员控制)创建流程模型，以确定与关键输出的关系。工程师找到正确的输入数量和模型类型，以便对输出做出合理的预测。该模型部署在模型操作并连接到新的数据流来进行预测。根据模型预测创建SPC图表，并监控其稳定性。如果识别出不利的趋势，则审查该模型以找到可以被操纵以减轻该趋势的过程变量。所有这些工作都在流程执行之前完成，这对于最小化质量风险非常有效。

该示例涉及16个连续变量，其中一个是由原材料发货前发送的供应商认证提供的度量。有离散变量，包括用于处理的单位和两个主要设置。利用逐步变量选择，从478行历史处理数据中创建了具有良好拟合性(r-square ~ 67%)的线性多元回归模型。



响应优化图说明了最重要的预测变量的杠杆作用。供应商认证措施和初始压力具有陡峭的线性关系，因为值的微小变化会在关键响应中产生显著差异。冷却温度指示较小的响应，并且单位的变化看起来对关键响应有分组影响。



回归模型在预测历史数据的关键响应结果方面做得很好。工程师只需点击一下鼠标，就可以轻松地将模型从Minitab统计软件发布到ModelOps。



收集新数据，以便对关键输出进行预测。该数据包括来自供应商认证的测量值、设置的静态输入值，以及具有已知变化的过程变量的分布生成数据。加工温度是分布生成变量的一个例子。工程师知道过程点的实际温度会随着控制设置而变化。变量的参数是从设备制造商的过程测量点或技术规格创建的。从选定的分布计算变量，以获得实际的处理场景。这与蒙特卡洛模拟中使用的技术基本相同。

Minitab Connect轻松地每小时检索一次数据，并发送给模型运营部以获得预测。利用一个单独的移动范围控制图来监测趋势。确保使用历史参数计算统计控制限值非常重要；使用模拟数据来计算限值是不合适的。下图所示的预测SPC图说明了在最后3次观察之前的预期稳定过程。所有三个最终观察值都低于历史控制下限，如果不稳定的趋势持续下去，可能会产生质量问题。



工程团队审查过程模型，并确定初始压力很容易从90增加到120。模型优化器表明，控制设置的变化可能会减轻由于供应商认证措施的变化而导致的结果下降。在源数据表中完成对初始压力设置的建议更改，并重新启动Connect中的数据提取和制图。最终的图表确实提供了初始压力的变化减轻了供应商措施变化的负面影响的信息。



SPC的概念包括对导致不稳定的变化趋势的及时反应。不稳定的过程包含质量风险，可能导致不合格或降级的材料。在流程执行前根据数据创建流程控制图的能力非常有价值，因为现在有可能在产生任何实际结果之前减轻不利趋势。在石油和天然气行业，由于所生产产品的数量和潜在收入，收益可能高达数百万美元。Minitab解决方案使创建和监控预测性SPC的过程成为质量管理的重要组成部分。

本文最初出现在Minitab博客上。 收起阅读 »

大概是2018年：
   刚接触体系的时候，每次客户审核、三方审核都是一脸懵。不理解老师说的是什么意思，不知道他想要的是什么效果 。 每次都有一个疑问：我这样做符不符合体系要求？ 老师说的要求是不是体系里的要求，写在哪儿？ 那时候总感觉符合体系要求的动作才是正确的动作，促使我们公司的一群人对体系标准特别感兴趣。  

   然后我们请了很多老师，有全职三方的咨询公司。有时任客户端培训系统的大佬、有客户端的SQE大佬。花了近两年时间，每个周末都安排了培训（ VDA6.3、PFMEA、IATF16949、GDT、一顿造。 培训+考试、再培训再考试 ） 10多个人参与了培训，最终有2-3个人较完整的坚持了下来，并有所收获。其余人都对体系有了基本的认知。（ 真的特别感谢当时的领导，在人员知识、技能培训上顶着压力给我们制造了那么多机会 。） 

   后面我们了解了标准、熟悉了条款、知道了审核老师的套路和逻辑、可以提前准备客户审核想看的资料，规划路线。每次审核都能顺利通过。 紧接着灵魂拷问来了： 通过客户的审核，真正的靠体系完善的比例是多少？（ 价格+服务占多少 ？） 学习了体系每年能变现多少？ 流程让工作更复杂，降低了工作效率？ 在这一波灵魂拷问的前提下，团队散了 （走的走、转岗的转岗） 刚刚燃起来的星星之火熄了，剩下零星的火种，心中有火红的内核，头上冒着青烟 。

   接着，我们的体系建设回到了最初。没人维护指导文件，没人在乎记录表单，知道公司有程序文件这个东西的人少了 。   是不是不该在继续推行体系了，因为那没有用。 还是我们打开的方式不对。 剩下的火种需要思考 。  

    最不想提及的是整个过程中与老板的沟通（ 我觉得这个做的最烂 ） 更多的情况下，他有他很多的想法，我有我的视角， 沟通的时候，他气势磅礴，顿感自己胸无点墨 。 好不容易在想法层面上达成一致，老板又觉得我只会说理论，没有办法变现。 我真是服了我自己的沟通能力 。 ( 在企业没有领导支持，真心是的不好玩）

2022年， 小小的火种在制造部门辅助建立流程 。 

   现在我的关注点更多的在人身上 。比如： 一个学生进了车间 ，他的学徒工资 2000元，学习周期3个月。 那么我会告诉他，3个月后，他需要达到什么样的技术水平，综合师傅的评价，才能通过我们的考核。正式学徒的工资是多少 。  正式学徒后，他需要达到什么样的技术水平及能力，到达师傅级的工资  。 我常说，你能拿多少钱不是我说了算 ，我们标准就在那里，你达到了，过来找我，通过考核，你就能拿多少工资 。  
   有些学徒已经成长为了师傅，我会告诉他：你可以有三种选择 ， 第一种是就在本组继续工作，好处是，你可以在自己熟悉的领域工作，坏处是，你涨薪的幅度会比较慢  。 第二种，如果你可以申请当组长，好处是组长的薪资、福利、机会会更多。但是你需要承担更多的责任，学习更多的内容 。 第三种，如果你不想往管理上发展，我可以协调你到平行岗位学习 。 能够让你一直保持新鲜感，日后成为多功能技术人员。种种如是 。  

   当我们的兄弟成长为组长后，经过2-3年的磨练，工作开始变得得心应手。 组内人员稳定，技能娴熟、设备状态良好，每日工作进展顺利。他就可以开始申请调岗或晋升。 通常想晋升为部长或经理，我预先设置了几个前置条件 。 第一个：你需要有一个接班人（ 同事认可的接班人，不然就算让你调岗了，你也会被迫回来 ） 。  第二个： 在此之前，你需要有2-3个以上岗位的轮岗经验，目的是让你能够多方位的进行思考 ， 也就是我们常说的增加你的管理成熟度 。 30-35岁，以我目前的见解，我觉得这个年龄区间的人，能达到这个阶段算是不错。 （ 我更多见识的是民企，200人左右的那种。希望这两年努努力，去大公司见识见识。 ）  
     不过说到这里，我真切的感觉到平台的重要性，平台又多取决于学历。好好学习才是硬道理 。 
当了部门管理者，事实上已经可以算是一个中层的管理着了（ 小企业）工作的内容更多的是管理， 管理部门人才的梯队（ 学徒-师傅-组长-主管）的建设。 设备的维护、稼动率  。流程是否顺畅 （ 比如一个小组，他们组的人员做事是否有效率，风气怎么样，人员结构怎么样，设备维护的怎么样，现场5S整理的怎么样） 来验证，这个组的组长是否有领导的能力。 他缺乏哪方面的技能，如何去培养他。（ 他适合用什么样的方式沟通、交流） 
 一个部门，能不能高效、底成本的完成公司制定的战略（ 任务 ），部门人才的梯队建设、部门间的协调又可以用来验证，这个部门的负责人能不能胜任这个岗位。  
 有一次，需要对一个组长进行任命：
一位是，我平时的酒友，认识很多年了，对公司的业务类型很熟悉， 沟通也不错，主要是很熟，做事稳定，创新少 。 
 一位是刚入职不够，有很多自己的想法，对公司的业务类型不太熟悉，沟通上稍微有点急躁 ，工作经验丰富。
     我选了前者，结果后者走了。 说实话现在都感觉有点后悔，因为前者虽然技术成熟，沟通顺畅，但是对人、对管理没有感觉。 不会出大乱子，但是理论上并不会做成好的成绩。 （ 这一点已经得到的印证）  管理的感觉就像这样 ，一个错误的决定，很可能就会损伤一个组的士气  。 如果看不到这些微妙的变化，管理的部门就不会做出好的成绩 。 

流程起什么作用呢？
我们选人需要流程、标准。很庆幸那时候的体系培训，让流程来帮助我们管理，让管理的简单化、固定化 。 有创新了更新流程，没有创新维护流程，为的就是保证过程的一致性，减少异常发生。 预防混乱 。 管理者还有一个任务就是想方设法让人的工作更轻松，（ 能电子扫描的，尽量不手写等等 ）  让兄弟有盼头，回报会延迟，但是肯定会来 。 管理是啥： 管人+理事  。不同阶段的人，有不同的管理成熟度要求 。  员工只需要管理好个人。 组长需要管理组员、作业标准、设备等  。  

到了部长后的路怎么走呢？
30岁-40岁，似乎还有十年“风光”的光景，但是我同样看到了深深的时间陷阱。 如果我们被“风光”欺骗， 停止学习，那么40岁的时候，就是注定被淘汰的时候 。这个陷阱埋的是真心好。

 前辈们，你们30岁的时候是怎么做的 ？ 收起阅读 »

出乎很多人意料的是，曾经不被看好的新能源汽车在几年时间里交出了一张优秀答卷。

虽受疫情寒冬冲击，但从产销数据和消费者认知来看，新能源汽车行业依然保持着高速而稳定的增长。

2021年，全球售出新能源汽车近681万辆，中国新能源汽车销量突破350万辆，占据全球份额50%有余；

2022年，中国新能源汽车产销在上半年便已分别达到327.9万辆和319.4万辆，同比均增长1.2倍，市场占有率已达21.6%。


▲
2021、2022年新能源汽车销量对比图
（数据来源：乘用车市场信息联合会）

传统燃油车企或主动或被动转型，互联网大厂们纷纷躬身入局。风再起时，新能源汽车正从转型升级的先锋力量发展成为汽车产业的主导性力量。

中国的新能源汽车，稳站C位。

而与此比肩、同样呈现一片繁荣之势的，是被视作新能源汽车心脏的动力电池。


01

动力电池

十年蝶变，机会丛生



和新能源汽车一样，动力电池也走过一段颇具波澜的发展之路。

故事要从一场十年前的官司说起。

2012年4月9日，北京第一中级人民法院驳回加拿大魁北克水电公司上诉，维持“专利无效”的一审判决。

磷酸铁锂电池的制造技术专利一锤定音，国内电池厂商们省下1000万美元专利入门费，和每吨2500美元的天价授权费。

某种程度上，这成为一个至关重要的起点，为中国动力电池的发展增添上浓墨重彩的一笔。

自此，中国的动力电池开始大踏步前进。

十年前，动力电池市场由日韩主导；十年后，曾经主做电池集成的中国动力电池，形成了涵盖材料研发、电池生产、回收利用、设备支撑的全球最全、规模最大的动力电池产业体系。

据市场研究机构SNE Research数据，2022年上半年，全球排名前十的动力电池厂商，有六家来自中国，合计市场份额56%，其中宁德时代的市场份额从此前的28%提升至34%。

中国动力电池行业之所以能在短时间内取得迅猛发展，离不开国家战略层面的强有力支持。中国汽车动力电池产业创新联盟副秘书长认为：“国家明确了新能源汽车的战略定位后，动力电池行业得到了各方重视。”

可从近年来相继出台的动力电池相关政策窥见一二：“十一五”规划开始提倡混动力汽车研发；“十二五”时期明确要加快新能源汽车发展进程任务；“十三五”规划中提及要大力发展新能源汽车等战略性新兴企业；“十四五”规划聚焦细分赛道，动力电池成为关键技术突破环节。

与此同时，无数资本也争相入局。今年以来，蜂巢能源、欣旺达、中创新航等电池独角兽在资本加持下化身行业焦点，动力电池成为VC/PE眼中炙手可热的新星。

国家重点关注、宏观政策护航、资本市场助推，我国动力电池行业正在完成从“中国制造”到“中国智造”的重大飞跃。

面对巨大增量空间，国内电池厂商摩拳擦掌、虎视眈眈，誓要在这场看不见硝烟的竞争中，重新掌握行业洗牌的主动权。

然而，一切真如我们所看见的那样吗？


02

放不下的达摩克里斯之剑


一边是动力电池的产销两旺，一边是新能源汽车的事故频发。


# 消费信任危机

今年7月底，台湾知名艺人兼赛车手林志颖在驾驶特斯拉时不慎撞上路边护栏，在林志颖及其儿子被好心人施救后的5秒内，车辆便燃烧起来，数分钟内烧得只剩骨架。

新能源汽车再一次站上风口浪尖，有关“新能源汽车到底安全与否”的质疑与探询再度回归主流舆论场，苦心孤诣塑造的消费者认知面临崩塌，不少人甚至闻“电”色变。

这自然不是新能源汽车的第一次事故，短期看来也不会是最后一次。

应急管理部门公布的数据显示，仅在2022年第1季度，就有640起电动汽车自燃事故，对比去年同期上升32%，平均1天烧掉7辆车。

一而再再而三发生的自燃事件，让悬置在空中的安全问题成为对行业的某种公开处刑，对迟迟没有得到妥帖解决方案的消费者来说，信任的绳索随时可以割舍。

身为新能源汽车心脏的动力电池，不可避免地感到唇亡齿寒。事实上，我们很难将其看作无妄之灾，据相关调研报告分析，绝大部分事故的确与动力电池有关。

# 产品质量危机

整体来看，导致新能源汽车起火的主要成因可以概括为电池产生过热现象、电池发生老化、电池遭受碰撞、电池高负荷运行。

早在几年前，中国科学院院士、汽车动力系统专家欧阳明高就指出：这些事故的主体原因是产品质量问题。

所谓产品质量问题，就是指产品在设计、制造、验证、使用过程中没有严格遵守相关技术标准和规范，主要包括电池产品测试验证不足、车辆使用过程中可靠性变化和充电安全管理技术有问题三类。

动力电池厂商和整个新能源汽车行业要想实现可持续发展，就必须解决动力电池质量问题。

当前，行业内已在实行较为完善的标准，并持续推进着涉及低温电性能、寿命、热管理系统性能等在内的有益补充标准，不断拓宽着现有动力电池安全性评估维度和手段，力图从根源消减质量安全隐患。

而对动力电池厂商们而言，怎么让纸面标准落地，或将成为极具紧迫性的一大棘手考验。

# 资源紧缺危机

另一方面，阶段性的供需结构错配在大幅度提高动力电池的生产制造成本，盈利问题也是摆在厂商们面前的一座大山。

新能源汽车销量稳定增长，下游企业采购备货意愿持续增强，带动上游原材料需求同步高增长。尽管我国锂资源种类丰富，储量排名世界第四。但相比国外优质资源，国内的锂资源存在成分复杂、提取难度相对较大且产量有限的问题。

在经过4月份短暂的价格回调之后，碳酸锂价格再次上涨。上海钢联9月数据显示，碳酸锂价格上涨至1500元/吨，均价报出51.5万元/吨。一年时间内，碳酸锂价格暴涨十倍。


数据来源：上海钢联

“动力电池的成本已经占到电动车成本近40%-60%，那我们现在不是在给宁德时代打工吗？”今年7月底的世界动力电池大会上，广汽集团董事长语出惊人。对此，宁德时代做出回应：“上游原材料炒作带来了产业链短期的困扰......我们也在盈利的边缘挣扎。”

宁德时代所言非虚。从披露的财务数据看，2022年Q1，宁德时代营收达到486.78亿元，大涨153.97%；但净利润只有14.93亿元，同比下降23.62%。

扩产堵不上缺口，增收但不增利。纵然是行业内毋庸置疑的“大哥”，宁德时代也躲不掉同一种难题。

如何应对原材料短缺以及由此引发的一系列连锁问题，成为整个动力电池行业所要解决的主要问题。

进退维谷的动力电池厂商们，该何去何从？


03

突围路标：质量与产能


动力电池本身是一个技术更迭相当迅速的行业，经历过铅酸电池、镍氢电池、锂电池等几轮技术迭代，宁德时代更是靠着“三元锂电池”一跃成为全球顶尖的电池巨头。

要想和占据动力电池行业半壁江山的龙头企业争夺市场，实现自身的可持续发展，腰部动力电池厂商万不可轻率扩产。

产品层面的质量管理和创新研发必不可少，产能层面的供应链协同与资源调配效率不可或缺。

在所有既定又不可控的因素中，提升质量、优化产能或许是最能把握又最能见效的途径之一。如此或能更快走出产业泥淖，在竞争激烈的市场中脱颖而出，甚而弯道超车，成为下一个“宁德时代”。

在后续的推文中，我们将围绕【质量提升】和【产能提升】进行进一步分析，并提供具体可参考的解决方案。

欢迎您持续关注。

【你如何看待动力电池的危与机？
厂商应该如何有效应对？】

欢迎来评论区留言参与讨论
期待认识犀利有见地又风趣幽默的你~





【你如何看待动力电池的危与机？厂商该如何有效应对】



欢迎来评论区留言参与讨论

同时说明你的岗位和所在行业

优质评论将有惊喜掉落哦

期待认识犀利有见地的你~ 收起阅读 »

我对质量工作定位感想，欢迎大家评点~
 
当在一个公司讨论质量的时候，生产可以说他按质量生产，工程可以把工艺要求谈的头头是道，研发更是说在设计之初就考虑了质量，采购也可以说供应商的质量是如何的优秀，甚至仓库都可以上来说上几句，但是当出质量问题时，高谈阔论的人都不见了，老板只会拿质量部门的人兴师问罪，为什么呢？

他们谈论的质量只是拿不良品和合格品比较，再得出结论质量的好坏，是事后的评判。而质量部门该做的重点是去预防，防患于未然。但就是因为力用在了未发生的事上，没在别人眼皮下努力，事情的成果往往就变得理所当然，领导认为今天的成绩是大家的努力成果。诚然是大家的努力成果没错，但质量部门预先的努力呢，却没被看到。出现质量问题的时候又是被所有人指指点点，一定说是质量部门没把事情做好，领导首先处罚的一定又是质量人员。

一个组织若有这样的情况绝不是健康的状态，若领导也有这样的思想一定是不懂的流程。

首先领导一定要熟知公司的业务流程，问题出在哪个环节要有明智的判断；其次，领导想要的流程不要放在他的脑袋里，不要认为组织会按照他想要的流程去运作。而是要去观察和验证实际的和理想中流程是否一样，思考差距在哪里，需要不断去调整。虽然各个组织的流程都会有些差异，但各个组织的流程一定是目前最适合组织运作的方式，哪怕还有那么一些不尽人意，但只有所有人都按照既定的流程办事才能使组织的运作上下一心，总体协调一致。

出现质量问题，一定是哪个环节疏漏了，需要分析补救，把漏洞补上，流程完善。质量负责主导处理没错，但责任不在质量部门身上，质量是整个组织的事，质量部门只是牵头人。

回到质量部门职责上，质量只是组织辅助的但又是重要的部门，检验只是最基础的部分工作。关键责任是如何使各个部门将质量融入到组织的业务过程和日常工作中，并普及科学的质量思维和方法工具，遇到质量问题起到导师作用，共同解决问题，使其工作更加高效和增值。 收起阅读 »

挑战的一部分(和乐趣！作为一名机械工程师，不断寻求改进的机会。无论是你的产品还是过程，机械工程师都有责任找出问题并进行实验来改进它们。是时候花点时间让自己成为更好的工程师了吗？学习和利用这些分析工具不仅能帮助你做得更好，还能为你提供更多的工具来应对新的和令人兴奋的挑战。

1. 使用可视化识别产品中的问题。在可能的情况下，收集常用的数据并绘制成图表直方图、帕累托图、热图甚至相关图. Minitab的新图形生成器使您能够轻松地可视化您的数据，并看到您从未考虑过的可视化效果。

2. 使用过程分析工具识别问题。无论您是否已经识别出问题，过程分析工具都可以帮助您回顾过程，以识别失败的地方或改进的机会。故障模式和影响分析，也称为FMEAs，帮助您评估风险和流程图或流程图可以帮助你快速锁定需要关注的区域。

3. 使用控制图评估过程稳定性。机械工程师应该监控他们的过程，以确保质量和一致性。有许多统计工具，如控制图和能力分析这有助于机械工程师监控过程中的变化，并确定过程是否会生产出符合要求规格的产品。Minitab支持的实时SPC提供即时警报和分析，以确保流程稳定、高效和有能力。

4. 使用产品开发工具和方法设计和开发原型。在使用CAD系统之前，你应该使用许多产品开发工具。将产品推向市场需要对客户的需求和需求有充分的了解，以及严格的方法。学习如何使用决策矩阵工具就像质量矩阵或Pugh矩阵或向这家医疗设备制造商学习，他们利用客户总结和Kano模型的声音，以迅雷不及掩耳之势将新产品推向市场。如果您有兴趣了解产品开发方法(以及更多！)，请查看我们的结构化问题解决方法周期表.

5. 利用实验设计。实验设计(DOE)是一种系统的、严谨的解决问题的方法，它确保产生有效的、可辩护的和可支持的结论。它可以有效地解决一般问题，以及改善或优化产品设计和制造过程。机械工程师可以使用DOE来:确定适当的设计尺寸和公差，实现稳健设计，描述物理系统行为或确定理想的制造设置。 收起阅读 »

【专栏简介】

我们将通过FMEA系列文章，从理论出发结合丰富案例分析，深入浅出地带大家系统的学习FMEA相关知识，掌握潜在失效分析方法并能高效落实进行风险管控和预防，解决产品设计和过程设计可能出现的问题。

 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，他们会更好地为完成项目具体目标和总体目标作出贡献。

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地完成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 »

     转眼已入不惑。
     但，惑还有，而且不少。要学的知识太多，每天感觉时间不够用，但又很难进入心流状态。孩子的，老人的，自己的；房子的，车子的，生活的，各种“问题”&“意外”，纷至沓来，经常措手不及。不禁怀疑，毕业的14年，是不是都荒废了，为什么有那么多不懂得东西....
     焊接
    供应商质量管理
    体系认证
    商务英语
    精益生产
    6西格玛黑带考试
都是我爱，而需不停充实的。在此先留个脚印，希望40岁的自己，焦虑危机的同时，能一步一个脚印，走下去。 收起阅读 »

当他们最喜欢的糖曲奇配方制作的曲奇在烘焙后无法保持节日形状时，一个有质量意识的面包师该怎么办呢？当然是运行实验设计(DOE)啦！

从部分因子实验开始

莫德·沃德是Minitab的一名狂热的面包师和平面设计师，他使用实验设计(DOE)工具Minitab统计软件去弄清她糖饼干造型的失礼之处。

在Minitab出色的技术支持团队的帮助下，Maud设计了一个实验，让她能够筛选许多因素，确定哪些是最重要的，然后调整她的过程，以获得她想要的结果——在这种情况下，制作烘烤后保持形状的饼干。

她决定经营一家部分因子实验，一类因子设计，可让您快速、经济地确定过程中最重要的因素。

莫德的实验要求她进行八次运行(或批次饼干)来评估六个因素，每个因素都在两个水平上进行测试:

· 烤箱温度:325华氏度或375华氏度

· 鸡蛋数量:1或2

· 通用面粉:9盎司。或者13.5盎司。

· 小苏打:0.5或1茶匙

· 酒石霜:0.5或1茶匙

· 揉搓和切割后冷却面团:是或否

为了确保面团厚度一致，莫德用木条来防止她的擀面杖将面团压得比1/4英寸(6.35毫米)更薄。然后，她随机地将饼干放置在烤板上，以尽量减少烘烤过程中的不当影响或无意偏差，并在烘烤中途将烤板旋转180度。

因为实验中使用了两种烤箱温度，所以烘烤时间因试验而异。每次试验的实际烹饪时间记录在试验说明表上。

每次试验包括烘烤两托盘饼干。当它们从烤箱中出来时，莫德测量了两个托盘中每种形状的两个样品，以查看整体高度、选定的宽度尺寸或厚度是否有变化。这些尺寸记录在预先打印的表格上，表格上标明了试验编号、试验数据、宽度和高度。莫德计算了她的饼干形状的平均值和标准偏差，然后使用Minitab统计软件来分析数据。

获得美味的DOE结果

在Minitab中进行的高度和宽度测量的分析显示，面粉是饼干扩散的驱动因素。莫德说:“在每一个例子中，面粉量越多，从原始尺寸开始的扩散就越少。”“对饼干厚度的影响主要受面粉和面糊中鸡蛋数量的影响。用两个鸡蛋比只用一个鸡蛋产生的上升更多。”

莫德随后使用Minitab创建了主要效果图，检查一个或多个因素的水平平均值之间的差异。





​最后，响应优化器帮助确定导致最小扩散和最大高度的因子设置。



由于Minitab和技术支持团队的帮助，Maud现在相信她设计和分析的实验将在这个假期和未来的更多假期中带来更好的饼干。对我来说，听起来像完美的，美味的结果！ 收起阅读 »

旧八大质量管理原则：1以顾客为关注焦点2领导作用3全员参与4过程方法5持续改进6基于事实的决策7与供方互利的关系8管理的系统方法
新七大质量管理原则：1以顾客为关注焦点2领导作用3全员参与4过程方法5改进6循证决策7关系管理 收起阅读 »

       服务了很多年的制造型企业，总是要面对各种各类的审核，有客户的审核、认证的审核、政府安全的审核、质量管理体系的审核等等，想想开一家制造型的公司真的是不容易，前几天刚刚完成了公司年度的质量管理体系审核，颇有感触，今天就来说说。
      工厂审核按流程大致可以分为以下几个内容，审核的通知、审核的准备、审核的过程、审核结束后整改、审核后的企业内部总结或检讨。接下来就是逐一吐槽的时候，首先讲一下审核的通知，通常认证的审核或质量管理体系的审核都会提前通知，至少也是有一个星期以上，偶尔也会碰到个别的到了公司大门口才通知的，提前通知对于工厂来说是件好事情，毕竟有了足够的时间做准备，重大一点的审核就要进行迎审会议说明了，哪个部门该干些什么事情，提前准备好，主导部门就要去跟进。我是主导了很多年，中小型企业在这方面做得比较被动，大家对这些审核都不是特别的重视，公司高层也只是口头上的重视，先过得了一关再说；很多时候我在找大家要东西、要配合的时候，都是特别的无奈，甚至有个别的老江湖还会告诉你：只要这个（做了个中国人都是熟悉的给钱的手势）到位，其他的都不是问题。虽然说我们不排除中国的人情关系中会有这个手势上的东西，但是基本的资料要有呀，我在做审核准备资料确认的过程中，经常发现牛头不对马嘴的东西，开始是愤怒，不能理解，慢慢的也就习以为常了，然后我就变成了老江湖，变成了自己曾经讨厌的那个人。
      总体来说在审核通知下来后的准备工作中，最想吐以下三点。其一是配合部门不重视，高层领导都很无奈；第二点就是不清楚该干啥的部门负责人，又不愿意接受和聆听，通常会碰到比较多的说法是“这个东西在我们公司是实现不了的”，最后即使是审核的应付过了，但是王二麻子仍旧是王二麻子，不会因为每次的洗礼而变成了王一麻子，套用领导经常讲的一句话“从去年到今年，时光在流逝，我们除了老了一岁以外，其他的没有任何改变”，毕竟是领导呀，讲话就是能厉害，能够点到事情的本质。还有第三点，就是领导作用，领导在这个资料准备的过程中，会经常问一句：准备好了没有？我认为这是一个没有答案的问题，因为什么样的准备才算好，是没有标准答案的，就跟中餐和西餐一样，西餐告诉你一斤肉，放30克的盐，那叫标准，如果你吃的时候觉得淡了或者咸了，那是你个人口味的问题；但是中餐会告诉你，大概一斤的肉，放适量的盐，最终淡了或者咸了，以吃的人的真实反馈为主，所以是“适量的盐”而不是“30克的盐”，刚开始我会回答说具体做了哪些事情，然后领导会指点一番，不满意的走开了；后来我就会说：我把我能想得到的，都准备了，多么虚无缥缈一个的回答，体现出了中国人谦卑的素养，因为没有标准答案的事情确实不好回答，到现在我也还是不明白，到底领导想要听到的答案是什么。这就是审核通知和准备的苦逼过程。
      时光荏苒，岁月穿梭，该来的始终是要来的，那些所谓的老师或是大客户终于在我们盼星星盼月亮的某一天出现了，在一番客套和指引之后开始了审核的工作，大致的流程是这样子的，公司简介（这个内容通常是审核主导部门来做，有一次放了个新人来简介，说得不是特别好，被销售的同事投诉了，领导又找谈话了一番，后来就是我自己做了）--资料的确认--现场审核--末次会议，然后审核方就会输出一些问题点，给我们改进，有的是向他们自己的公司交差，有的确实是抱着工作任务来的，通常后者都是年轻人。当然在这个过程中，陪同审核的人员确实也是有学到东西的，开阔了眼界，知道别的公司是怎么做的，利于个人成长。不过想要把客户/审核老师身上的东西在自己公司内部实现，通常不容易，我试过几次，都不成功，大多数人是不愿接受新事物的，谁会闲得没有事情做瞎折腾呀。审核的过程时间是漫长的，墙上的时钟仿佛也在看着笑话，我走慢点，看你们怎么出糗。其实真正的大客户是真的抱着辅导供应商的态度来的，称得上老师二字，比如戴尔的王工等，真的像我的数学老师一样指导着我们，受益匪浅。反倒有些本土客户，趾高气昂的，一副员外的样子，大公司来小公司监工的，恨不得让我叫他一声爷，如果叫了他能让我通过，倒也还好，主要是你让他成为了爷，他也不一定看得上你，最让人苦笑不得的也有两点。一是公司的领导在审核的末次总结的时候，会和客户站在统一战线，数落你的问题，偶然间飘来一句：之前我就和你说过这个问题了。最后审核结束后，会美其名曰“我们这样子做是尊重客户”，我很想说：您老人家尊重客户，也不能是站在我的痛苦之上进行呀，把我贬得多低呀。第二点是，很多地方是做得真不好，太尴尬了，一个记录拿出来空缺一大块，标准是A，实际做的是B，数据都超出标准了还判定合格……看得我真想飙脏话，好不容易在客户面前建立了点自信，居然会范这种错误，我AB你的CD呀，你不是打我的脸吗？闭着眼睛写的数据吗？…………，后来慢慢的也就淡定了许多，也学着领导站在客户的角度指点了一番（人果然是会变的，就好像以前我不认同我父亲的做法，后来我变成了他）。秒针滴答滴答在流逝，终于到了12点，终于到了17点，终于送走了大师们，提包躬身指引，送到楼下，对着渐行渐远的汽车微笑招手，让我不禁想起偶像剧里面离别的场景（你在那边好好的，记得给我写信），接下来就是整改的过程，因为大师们虽然走了，但是江湖上还是会有他们的传说的。
      整改的过程也是挺无奈的，通常大一点的审核输出的问题点，都不是一个部门所能完成的，需要跨部门合作和沟通，共同解决，这种情况下阻力就比较大，有的同志是应付性的提交，根本满足不了客户的需求，有的同志根本就不提供整改报告，或是很久很慢，用他们的说法就是，那是你们审核对接部门的事情。客户在催（通常是七个工作日要回复），销售的同事在催，领导告诉你：我不想听到这些理由，我要看到的是结果。最后为了满足客户的时间需求，我们很多时候都是自己回复，把其他部门的事情也做了。有利有弊，最大的弊端就是其他部门不介入客户审核回复的事情，不了解客户真正的需求，不利于本部门的成长；有利的地方就是，回复的人员对公司各部门的体系运行状况会懂得越来多，对于个人成长帮助很大。最可恨的是，有一些同志自以为自己很聪明，还去散播一些消息，他们对接审核的人有这个的（有是那个中国人熟悉的手势），让他们自己去弄；为什么大家都只看见贼吃肉，没看见贼挨揍呢。整改报告提报了之后，有一些是为回复而回复的，成龙说过，你撒一个谎，就要用无数个谎来圆它，这个谎说的对了还好，说错了，其他部门就会扯着嗓子喊：那是他们回复的，或者还有些马后炮会告诉你说：当时这个应该不要这样子回复，更可恶的是有些人抱怨说，不应该把客户带到那个地方去，这样子客户就发现不了这些问题了。我要告诉同志们，客户要去哪里看，正常来讲我们是不能正面干涉的，我曾经配到过一个台资工厂的客户，就是喜欢去那些角落的地方检查，有一个认证审核的老师让人印象，是专门来找问题的，每个角落都钻着看，那皮笑肉不笑的样子，现在想想都恶心，那次审核加上自己的经验不足，可被领导骂惨了。
      接下来就审核后的总结和检讨了，是以会议的形式进行的，特别尴尬的会议。其实公司想做这个事情，我是非常能够理解的，期望总结经验以便应付后面的其他审核，期望在这个过程中培养新人，现有的工作能够有更多的人来承接，不过，这也只能是一个期望。我经常用香港电影的现状来比喻企业的人才梯队，香港的电影是青黄不接，我们现在能够在荧幕上看到的香港电影都是老牌演员在卖力演出，最年轻的也像谢霆锋这样的40多岁的人了。企业内部也一样，新人不愿意学习，公司不愿在新人身上投入更多的福利资源，导致大家的工作的热情度都不高，因为老人们的现有待遇就是未来新人的缩影，青黄不接，铁打的营盘流水的兵，换了多少新人了，那些老不死的都还在。总结和检讨的会议是枯燥而尴尬的，一个人在前面的吧的吧的讲，三五个部门领导怂着脑袋在下面“认真”的听，最后布置了一些任务，领导在会议结束之前，再来一番高瞻远瞩的总结“积极拥抱变化、今天不努力工作，明天就努力找工作、努力工作，是为了未来生活得更美好……”等等之类的，结束了会议。半年一年后，张三仍然，李四依旧，只是原来别人称呼他们小张、小李，现在都叫成了老张、老李了。
      其实也不全是负能量的事情，也有值得颂扬的事情，简述几个。真正的大客户是会抱着辅导供应商成长的目的来进行审核的，企业内部人员确实在这个过程中成长许多，感谢那些不厌其烦的辅导小白们的客户，就像老师一样，可以配得上“为人师表”的锦旗。印象比较深的是一家国内知名企业的客户来审核，几个年轻人，工作的热情度特别高，下车间进行审核确认时，没有任何客户的架子，蹲在地上查看作业指导书，午饭的时候，公司领导特别提出外出就餐，其中一个小女生却说：不用了，我们公司有规定，不能和供应商到外面去吃饭，我们已经点了外卖，等下会在你们公司的会议室用餐，我们会收拾干净的。那一刻，我仿佛看到了祖国的未来。再有国内家电巨头客户审核，有个工程师特别厉害，提出的问题一针见血，而且还能给你提出契合实际的解决方案，真TMD牛掰。企业内部也是有一些特别愿意配合改进的同志，我敬佩这样的人，每当我碰到这样的人和事情的时候，总是特别的感动，那样的人是我学习的榜样，同时也让我对企业多了一份信心和不舍，多一些这样的人，我们一定会走得更高，更远。
      吐槽归吐槽，话又说回来，经营一家企业，真是不容易的。向企业家的精神致敬，向企业家的口袋看齐。 收起阅读 »

我本身不是做体系的，但是大概知道各类体系的要求和侧重点，以往的经验也是应审。体系各个方面还是专业做体系的人比我强，我这么认为。
今天我邀请了公司另外一个事业部的体系专员来给我们事业部的各个Function的头，工程师做了一次体系培训，原因是自己刚进公司不久，公司受控管理体系文件的平台不熟悉；其次考虑到这方面应该由专业的人做专业的事，所以组织了这次培训，还特意交代了准备了一些水果供大家享用。
从培训的结果来看， 个人认为效果不大，在体系受控文件管理的平台使用，也许大家有所了解，但是真正体系方面的知识稍微还是欠缺了一些。就从ISO9000系列来说，他的精髓和核心是什么，我觉得没有讲出来。 个人灼见就是文件化和流程管理。怎么样做好文件化，经常大家都会提到1级文件，2级文件，3级文件，4级文件， 至少这方面需要给大家一个概念和框架。目前事业部也是独立没几年，各类体系建立的还不会很完善，也没有单独的招聘一个体系管理人员来专门做这件事情，我负责这个事业部的quality， 一个任务也就是要将QMS做起来。对于这件事情难还是不难并不可怕，我本身认为不难，至少我有框架和思路，可怕的是其他人都是小白。 收起阅读 »

最近很多事情有些打乱了自己的工作节奏，去新公司才一个多月，就已经开始处理很多事情，异常的，客户投诉的，改善的等等。目前手下的QE也不怎么给力，都是在fix问题，缺少分析的过程，也缺少一些问题处理的套路。收到一个客户投诉，一个组合装的产品由A/B/C三个子产品组合而成，A/B/C三个子产品单独生产。投诉是组合的这个母产品少了一个子产品B, 总部德国给不出是哪个具体订单，没法查到具体是哪一个SO,要求我们SZ分析改善。
想来想去我只能用流程分析了，下午和几个部门的头一起做了分析，在分析当前流程的时候发现这类组合装的产品都是由生产自由发挥，没有定义过流程，生产组合的时候由一个员工完成，看来不出问题才是有问题。组合前，子产品发放给员工的数量不是按母产品订单序需求发放的，会多给，用不完的再退回，一个员工组合完成后就直接装箱入库，从预防和发现问题两个角度上讲都是失控的，所以很快改善方案也出来了，1.优化流程； 2.数量发放按母产品订单需求， 好处是组合完成后若有多余或少了某个子产品都会有问题； 3。组合完成后加一个称重步骤再装箱。 很快也完成了这个8D发给了德国总部。 收起阅读 »

品质意识与逻辑性/科学性的验证。

1、检查表
检查表就是将需要检查的内容或项目一一列出，然后定期或不定期的逐项检查，并将问题点记录下来的方法，有时叫做查检表或点检表。例如：点检表、诊断表、工作改善检查表、满意度调查表、考核表、审核表、5S活动检查表、工程异常分析表等。

组成要素 ：
① 确定检查的项目；
② 确定检查的频度；
③ 确定检查的人员。

实施步骤 ：
① 确定检查对象；
② 制定检查表；
③ 依检查表项目进行检查并记录；
④ 对检查出的问题要求责任单位及时改善；
⑤ 检查人员在规定的时间内对改善效果进行确认；
⑥ 定期总结，持续改进。
 
2、层别法
层别法就是将大量有关某一特定主题的观点、意见或想法按组分类，将收集到的大量的数据或资料按相互关系进行分组，加以层别。层别法一般和柏拉图、直方图等其它七大手法结合使用，也可单独使用。例如：抽样统计表、不良类别统计表、排行榜等。

实施步骤：
① 确定研究的主题；
② 制作表格并收集数据；
③ 将收集的数据进行层别；
④ 比较分析，对这些数据进行分析，找出其内在的原因，确定改善项目。

3、柏拉图
柏拉图的使用要以层别法为前提，将层别法已确定的项目从大到小进行排列，再加上累积值的图形。它可以帮助我们找出关键的问题，抓住重要的少数及有用的多数，适用于记数值统计，有人称为ABC图，又因为柏拉图的排序识从大到小，故又称为排列图。

分类 ：
① 分析现象用柏拉图：与不良结果有关，用来发现主要问题。
A 品质：不合格、故障、顾客抱怨、退货、维修等；
B 成本：损失总数、费用等；
C 交货期：存货短缺、付款违约、交货期拖延等；
D 安全：发生事故、出现差错等。
② 分析原因用柏拉图：与过程因素有关，用来发现主要问题。
A 操作者：班次、组别、年龄、经验、熟练情况等；
B 机器：设备、工具、模具、仪器等；
C 原材料：制造商、工厂、批次、种类等；
D 作业方法：作业环境、工序先后、作业安排等。

柏拉图的作用:
① 降低不良的依据；
② 决定改善目标，找出问题点；
③ 可以确认改善的效果。

实施步骤:
① 收集数据，用层别法分类，计算各层别项目占整体项目的百分数；
② 把分好类的数据进行汇总，由多到少进行排列，并计算累计百分数；
③ 绘制横轴和纵轴刻度；
④ 绘制柱状图；
⑤ 绘制累积曲线；
⑥ 记录必要事项
⑦ 分析柏拉图
⑧ 要点:

A 柏拉图有两个纵坐标，左侧纵坐标一般表示数量或金额，右侧纵坐标一般表示数量或金额的累积百分数；
B 柏拉图的横坐标一般表示检查项目，按影响程度大小，从左到右依次排列；
C 绘制柏拉图时，按各项目数量或金额出现的频数，对应左侧纵坐标画出直方形，将各项目出现的累计频率，对应右侧纵坐标描出点子，并将这些点子按顺序连接成线。

应用要点及注意事项：
① 柏拉图要留存，把改善前与改善后的柏拉图排在一起，可以评估出改善效果；
② 分析柏拉图只要抓住前面的2~3项九可以了；
③ 柏拉图的分类项目不要定得太少，5~9项教合适，如果分类项目太多，超过9项，可划入其它，如果分类项目太少，少于4项，做柏拉图无实际意义；
④ 作成的柏拉图如果发现各项目分配比例差不多时，柏拉图就失去意义，与柏拉图法则不符，应从其它角度收集数据再作分析；
⑤ Y 柏拉图是管理改善的手段而非目的，如果数据项别已经清楚者，则无需浪费时间制作柏拉图；
⑥ 其它项目如果大于前面几项，则必须加以分析层别，检讨其中是否有原因；
⑦ 柏拉图分析主要目的是从获得情报显示问题重点而采取对策，但如果第一位的项目依靠现有条件很难解决时，或者即使解决但花费很大，得不偿失，那么可以避开第一位项目，而从第二位项目着手。
 
4、因果图
所谓因果图，又称特性要因图，主要用于分析品质特性与影响品质特性的可能原因之间的因果关系，通过把握现状、分析原因、寻找措施来促进问题的解决，是一种用于分析品质特性（结果）与可能影响特性的因素（原因）的一种工具。又称为鱼骨图。

分类：
① 追求原因型：在于追求问题的原因，并寻找其影响，以因果图表示结果（特性）与原因（要因）间的关系；
② 追求对策型：追求问题点如何防止、目标如何达成，并以因果图表示期望效果与对策的关系。

实施步骤：
① 成立因果图分析小组，3~6人为好，最好是各部门的代表；
② 确定问题点；
③ 画出干线主骨、中骨、小骨及确定重大原因（一般从5M1E即人Man、机Machine、料Material、法Method、测Measure、环Environment六个方面全面找出原因）；
④ 与会人员热烈讨论，依据重大原因进行分析，找到中原因或小原因，绘至因果图中；
⑤ 因果图小组要形成共识，把最可能是问题根源的项目用红笔或特殊记号标识；
⑥ 记入必要事项

应用要点及注意事项：
① 确定原因要集合全员的知识与经验，集思广益，以免疏漏；
② 原因解析愈细愈好，愈细则更能找出关键原因或解决问题的方法；
③ 有多少品质特性，就要绘制多少张因果图；
④ 如果分析出来的原因不能采取措施，说明问题还没有得到解决，要想改进有效果，原因必须要细分，直到能采取措施为止；
⑤ 在数据的基础上客观地评价每个因素的主要性；
⑥ 把重点放在解决问题上，并依5W2H的方法逐项列出，绘制因果图时，重点先放在“为什么会发生这种原因、结果”，分析后要提出对策时则放在“如何才能解决”；
Why——为何要做？（对象）
What——做什么？（目的）
Where——在哪里做？（场所）
When——什么时候做？（顺序）
Who——谁来做？（人）
How——用什么方法做？（手段）
How much——花费多少？（费用）
⑦ 因果图应以现场所发生的问题来考虑；
⑧ 因果图绘制后，要形成共识再决定要因，并用红笔或特殊记号标出；
⑨ 因果图使用时要不断加以改进。

5、散布图
将因果关系所对应变化的数据分别描绘在X-Y轴坐标系上,以掌握两个变量之间是否相关及相关的程度如何,这种图形叫做“散布图”，也称为“相关图”。

分类：
① 正相关：当变量X增大时，另一个变量Y也增大；
② 负相关：当变量X增大时，另一个变量Y却减小；
③ 不相关：变量X（或Y）变化时，另一个变量并不改变；
④ 曲线相关：变量X开始增大时，Y也随着增大，但达到某一值后，则当X值增大时，Y反而减小。

实施步骤：
① 确定要调查的两个变量，收集相关的最新数据，至少30组以上；
② 找出两个变量的最大值与最小值，将两个变量描入X轴与Y轴；
③ 将相应的两个变量，以点的形式标上坐标系；
④ 计入图名、制作者、制作时间等项目；
⑤ 判读散布图的相关性与相关程度。

应用要点及注意事项：
① 两组变量的对应数至少在30组以上，最好50组至100组，数据太少时，容易造成误判；
② 通常横坐标用来表示原因或自变量，纵坐标表示效果或因变量；
③ 由于数据的获得常常因为5M1E的变化，导致数据的相关性受到影响，在这种情况下需要对数据获得的条件进行层别，否则散布图不能真实地反映两个变量之间的关系；
④ 当有异常点出现时，应立即查找原因，而不能把异常点删除；
⑤ 当散布图的相关性与技术经验不符时，应进一步检讨是否有什么原因造成假象。

6、直方图
直方图是针对某产品或过程的特性值，利用常态分布（也叫正态分布）的原理，把50个以上的数据进行分组，并算出每组出现的次数，再用类似的直方图形描绘在横轴上。

实施步骤 ：
① 收集同一类型的数据；
② 计算极差（全距）R=Xmax-Xmin；
③ 设定组数K：K=1+3.23logN
④ 确定测量最小单位，即小数位数为n时，最小单位为10-n；
⑤ 计算组距h，组距h=极差R/组数K；
⑥ 求出各组的上、下限值
第一组下限值=X min-测量最小单位10-n/27
第二组下限值（第一组上限值）=第一组下限值+组距h；
⑦ 计算各组的中心值，组中心值=（组下限值+组上限值）/2；
⑧ 制作频数表；
⑨ 按频数表画出直方图。

直方图的常见形态与判定:
① 正常型：是正态分布，服从统计规律，过程正常；
② 缺齿型：不是正态分布，不服从统计规律；
③ 偏态型：不是正态分布，不服从统计规律；
④ 离岛型：不是正态分布，不服从统计规律；
⑤ 高原型：不是正态分布，不服从统计规律；
⑥ 双峰型：不是正态分布，不服从统计规律；
⑦ 不规则型：不是正态分布，不服从统计规律。

7、控制图
影响产品质量的因素很多，有静态因素也有动态因素，有没有一种方法能够即时监控产品的生产过程、及时发现质量隐患，以便改善生产过程，减少废品和次品的产出?

控制图法就是这样一种以预防为主的质量控制方法，它利用现场收集到的质量特征值，绘制成控制图，通过观察图形来判断产品的生产过程的质量状况。控制图可以提供很多有用的信息，是质量管理的重要方法之一。

控制图法的涵义：
控制图又叫管理图，它是一种带控制界限的质量管理图表。运用控制图的目的之一就是，通过观察控制图上产品质量特性值的分布状况，分析和判断生产过程是否发生 了异常，一旦发现异常就要及时采取必要的措施加以消除，使生产过程恢复稳定状态。也可以应用控制图来使生产过程达到统计控制的状态。产品质量特性值的分布 是一种统计分布，因此，绘制控制图需要应用概率论的相关理论和知识。

控制图是对生产过程质量的一种记录图形，图上有中心线和上下控制限，并有反映按时间顺序抽取的各样本统计量的数值点。中心线是所控制的统计量的平均值，上下控制限与中心线相距数倍标准差。多数的制造业应用三倍标准差控制限，如果有充分的证据也可以使用其它控制限。

常用的控制图有计量值和记数值两大类，它们分别适用于不同的生产过程；每类又可细分为具体的控制图，如计量值控制图可具体分为均值——极差控制图、单值一移动极差控制图等。

控制图的绘制：
① 控制图的基本式样如图所示，制作控制图一般要经过以下几个步骤：
A 按规定的抽样间隔和样本大小抽取样本；
B 测量样本的质量特性值，计算其统计量数值；
C 在控制图上描点；
D 判断生产过程是否有并行。
② 控制图为管理者提供了许多有用的生产过程信息时应注意以下几个问题：
A 根据工序的质量情况，合理地选择管理点。管理点一般是指关键部位、关健尺寸、工艺本身有特殊要求、对下工存有影响的关键点，如可以选质量不稳定、出现不良品较多的部位为管理点；
B 根据管理点上的质量问题，合理选择控制图的种类：
C 使用控制图做工序管理时，应首先确定合理的控制界限
D 控制图上的点有异常状态，应立即找出原因，采取措施后再进行生产，这是控制图发挥作用的首要前提；
E 控制线不等于公差线，公差线是用来判断产品是否合格的，而控制线是用来判断工序质量是否发生变化的；
F 控制图发生异常，要明确责任，及时解决或上报。

现场抽样法:
制作控制图时并不是每一次都计算控制限，那么最初控制线是怎样确定的呢?如果现在的生产条件和过去的差不多，可以遵循以往的经验数据，即延用以往稳定生产的控制限。下面介绍一种确定控制限的方法，即现场抽样法。

其步骤如下：
① 随机抽取样品50件以上，测出样品的数据，计算控制界限，做控制图；
② 观察控制图是否在控制状态中，即稳定情况，如果点全部在控制界限内．而且点的排列无异常，则可以转入下一步；
③ 如果有异常状态，或虽未超出控制界限，但排列有异常，则需查明导致异常的原因，并采取妥善措施使之处在控制状态，然后再重新取数据计算控制界限，转入下一步；
④ 把上述所取数据作立方图，将立方图和标准界限(公差上限和下限)相比较，看是否在理想状态和较理想状态，如果达不到要求，就必须采取措施，使平均位移动或标准偏差减少，采取措施以后再重复上述步骤重新取数据，做控制界限，直到满足标准为止。

怎样利用控制图判断异常现象：
用控制图识 别生产过程的状态，主要是根据样本数据形成的样本点位置以及变化趋势进行分析和判断。
失控状态主要表现为以下两种情况：
样本点超出控制界限
样本点在控制界限内，但排列异常。
当数据点超越管理界限时，一般认为生产过程存在异常现象，此时就应该追究原因，并采取对策。排列异常主要指出现以下几种情况：
A 连续七个以上的点全部偏离中心线上方或下方，这时应查看生产条件是否出现了变化。
B 连续三个点中的两个点进入管理界限的附近区域(指从中心线开始到管理 界限的三分之二以上的区域)，这时应注意生产的波动度是否过大。
C 点相继出现向上或向下的趋势，表明工序特性在向上或向下发生着变化。
D 点的排列状态呈周期性变化，这时可对作业时间进行层次处理，重新制作控制图，以便找出问题的原因。
控制图对异常现象的揭示能力，将根据数据分组时各组数据的多少、样本的收集方法、层别的划分不同而不同。不应仅仅满足于对一份控制图的使用，而应变换各种各样的数据收取方法和使用方法，制作出各种类型的图表，这样才能收到更好的效果。
值得注意的是：如果发现了超越管理界限的异常现象，却不去努力追究原因、采取对策，那么尽管控制图的效用很好，也只不过是空纸一张。
  收起阅读 »

做质量工作5年多了，其实很烦，很纠结，也很无奈，为什么？因为我很能体会客户的需求，和自己厂内的无力感，但还是得硬着头皮跟客户委婉的说没问题。
不管是客户审核还是平常的诉求，作为乙方，对待客户的基本方式就是：您说的对，我们改。实际真能做到的也仅仅十不存一。大多都是给客户看个面子，而里子，质量也搞不定。
 
  收起阅读 »

概述

试验设计（DOE）具有难度，但在某种程度上，这种统计方法又非常有用。虽然很容易掌握基本思想：从最少的实验运行中获取最大量的信息 。但这个工具的实际应用会很令人头疼，即使你是试验设计的长期使用者。基于DOE是一个非常强大且有用的工具，因此我们在Minitab协助菜单中添加了一个DOE工具，使更多人能够更方便地使用设计试验。我将向您展示如何使用协助菜单中的DOE工具来优化您的烧烤味道。

两种试验设计：筛选和优化

要使用“协助”创建试验设计，请打开Minitab并选择“ 协助”>“DOE”>“计划和创建”。您将看到一个决策树，通过在筛选设计和建模设计之间进行选择，帮助您采用顺序方法进行试验过程。

如果您需要考虑很多潜在因子 并且想要确定哪些是重要的，筛选设计很重要。协助将指导您完成测试和分析6到15个因子的主要影响的过程，并确定对响应影响最大的因子。一旦确定了关键因子，就可以使用建模设计。选择此选项，协助将指导您完成分析2到5个关键因子，并帮助您找到流程的最佳设置。

即使您是分析设计实验的老手，您也可以使用协助创建设计，因为协助可以让您为每个实验运行打印出易于使用的数据收集表单。收集并输入数据后，还可以使用通过统计> DOE菜单提供Minitab 核心DOE工具分析在协助菜单中创建的设计 。

创建建模设计优化烧烤口味

对于烧烤，没有那么多变量需要考虑，因此我们将使用协助来创建一个可以优化我们烧烤过程的建模设计。选择协助> DOE> 计划优化试验，然后单击“创建建模设计”按钮。

Minitab提供了一个易于理解的对话框; 我们需要做的只是填写。

首先，我们输入响应的名称和实验的目标。这里的响应变量是“口味”，目标是“最大化响应”。接下来，我们输入我们的因子。我们将研究三个关键变量：

串数，连续变量，低水平为1，高水平为3。

烤架类型，类别变量，低水平为气体，高水平为木炭。

调味料的类型，类别变量，低水平是盐胡椒，高水平为蒙特利尔牛排。

如果我们想要，我们可以选择超过1个实验仿行。仿行只是一组完整的实验运行，因此如果我们进行3次仿行，我们将重复完整实验三次。但是，由于这个实验有16次运行，我们的预算有限制，我们将坚持一次仿行。 当我们单击“确定”时，“协助”会首先询问是否要打印出此实验的数据收集表单：

选择是，您可以打印一个表单，列出每个运行，变量和设置，以及空的响应列。或者，您可以在协助创建的工作表中记录每次运行的结果。但是，使用打印的数据收集表单可以更容易地跟踪您在试验中的位置，以及每次运行时您的因子设置应该是什么。

如果您已将Minitab中的协助用于其他方法（例如：控制图、过程能力分析），您就会知道它旨在揭开您的分析的神秘面纱并使其易于理解。在您创建实验时，智能协助菜单会为您提供报告卡和摘要报告，说明DOE的步骤和重要注意事项，以及您的目标摘要和分析将显示的内容。 收起阅读 »

扭矩精度西格玛与Cmk Cpk的关系研究
黄飞鸿
（宁波安德路工业自动化设备有限公司）
摘要：
随着日益规范化的设备使用过载中，对精度的标注更加规范化，以西格玛和精度范围作为精度的标准，从而衍生出满足精度标准的Cmk和Cpk的规律和计算方式的推算。以下内容以深圳艾而特工业自动化设备有限公司的ACT型螺丝刀作为范例进行演示。



关键词：精度；Cmk；Cpk；西格玛；
1 总结性描述
1.1背景
1.目前螺丝刀的进度在3西格玛±5%的精度情况下，在手持螺丝刀时候，扭力的测试数据很难计算Cmk1.67，工厂经过数据挑选挑选，使得Cmk大于1.67，挑选的精度数据在2%或3%以内的，通过计算Cmk才达到1.67的要求。
1.2原因分析
1.螺丝刀的精度不能满足当前Cmk的计算公式，精度的上下需要更换。
1.3解决方案
1.进行西格玛标准进行目前螺丝刀Cmk的公式进行正推，是否螺丝刀的Cmk能达到1.67。
2.在正态分布的模型中进行抽样对目前Cmk的公式进行反推，螺丝刀的Cmk能发达到1，67。
2 西格玛标准的定义
2.1正态分布
若随机变量 X服从一个位置参数为μ、尺度参数为σ的概率分布，且其概率密度函数为



则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作X~N（μ，），读作X服从N（μ，），或X服从正态分布。
2.2标准正态分布
当μ=0，σ=1时，正态分布就成为标准正态分布



如图：



2.3正态函数的面积分布与西格玛的关系
正态函数的不定积分是一个非初等函数，称为误差函数

x（μ-σ，μ+σ），表示在一个西格玛的概率为0.682689492137，690,000失误/百万机会。
x（μ-2σ，μ+2σ），表示在两个西格玛的概率为0.954499736104，308,000失误/百万机会。
x（μ-3σ，μ+3σ），表示在三个西格玛的概率为0.997300203937，66,800失误/百万机会。
x（μ-4σ，μ+4σ），表示在四个西格玛的概率为0.999936657516，6,210失误/百万机会。
x（μ-5σ，μ+5σ），表示在五个西格玛的概率为0.999999426697，230失误/百万机会。
x（μ-6σ，μ+6σ），表示在六个西格玛的概率为0.999999998027，3.4失误/百万机会。
3 Cmk与Cpk的定义与关系
3.1Cpk与Cmk的定义
在说明Cmk计算方法之前，先阐述Cpk(potentialprocess capability index，潜在的工序能力指数)和Cpk(process capability index工序能力指数)计算方法。工序是产品制造的基本环节，若在生产过程中每一道工序的加工质量都比较高，则产品的质量定能够得到保证。产品或者服务的质量是可以用规格来衡量的，在规格范围内就认为是合格的，否则就认为不合格。过程能力指数的计算就是评价和衡量过程能力的重要环节和规格，甚至成为唯一的尺度[1]。
Cpk：工序能力指数，是指工序在一定时间里，处于控制状态(稳定状态)下的实际加工能力。它是工序固有的能力，或者说它是工序保证质量的能力。1.强调的是过程固有变差和实际固有的能力；2.分析前提是数据服从正态分布，且过程受控；3.至少1.33，过程稳定受控情况下适当频率抽25组至少100个样本
Cmk：表示仅由设备普通原因变差决定的能力,1.考虑短期离散，强调设备本身因素对质量的影响；2.用于新机验收时、新产品试制时、设备大修后等情况；3至少1.67；一般在机器生产稳定后约一小时内抽样10组50样本[2]。
3.2Cpk与Cmk的关系
Cmk与Cpk不同在于取样方法不同,是在机器稳定工作时至少连续50件的数据,Cmk=T/6西格玛,西格玛即可用至少连续50件的数据s估计,又可用至少连续50件的数据分组后的Rbar/d2来估计,由于根据美国工业界的经验，过程变差的75%来自设备变差，如果用至少连续50件的数据s估计的西格玛或用至少连续50件的数据分组后的Rbar/d2估计的西格玛来计算Cpk的话,人机料法环总普通原因变差为8西格玛, Cpk=T/8西格玛.当通过理想化模型，取样数量足够时，Cpk和Cmk接近。
4用正态分布进行Cmk和Cpk的推导过程
4.1Cmk的计算公式



S：取样数据的标准差，用STDEV公式直接计算
T：公差范围，即上、下极限值之差
K:为修正系数或偏离系数
Bi：平均值Xbar和测量的理论中间值之差
Bi=[Xbar-图纸中间值-(上偏差＋下偏差)/2]
4.2Cpk的计算公式



USL：图纸上限尺寸，(中间值＋上公差)
LSL:图纸下限尺寸，(中间值＋下公差)
Xbar：每组抽样数据的平均数，然后再平均数(其实就是所有抽样数据的平均数)
Rbar：每组抽样数据的极差的平均数
d2：跟据抽样数据的多少而对应的修正系数，有表可查
4.3PPK的计算公式



S:取样数据的标准差，用STDEV公式直接计算
附注：Cmk和PPK的公式其实是一样的。西格玛和σ是同一意思。
4.4Cmk和Cpk在正态分布中的计算






由于处于积分状态，样点取数接近无穷个。在此状态下，样品标准差≈整体标准差可得：
一个西格玛标准时，Cpk=0.333333333333。
两个西格玛标准时，Cpk=0.666666666667。
三个西格玛标准时，Cpk=1。
四个西格玛标准时，Cpk=1.333333333333。
五个西格玛标准时，Cpk=1.666666666667。
六个西格玛标准时，Cpk=2。
5按照螺丝刀3σ±5%的精度进行整体分布进行100个抽样。
5.1理想情况下样本抽样表
个数 在正态分布中的扭力抽样符合螺丝的±5%+3σ的标准
1 0.523333
1 0.480833333
1 0.518333
1 0.4825
1 0.516667
1 0.484166667
1 0.515
2 0.485833333 0.514167
2 0.486666667 0.513333
2 0.4875 0.5125
3 0.488333333 0.511667 0.488333333
3 0.489166667 0.510833 0.510833333
4 0.49 0.51 0.49 0.51
4 0.490833333 0.509167 0.490833333 0.509167
5 0.491666667 0.508333 0.491666667 0.508333 0.491667
5 0.4925 0.5075 0.4925 0.5075 0.5075
5 0.493333333 0.506667 0.493333333 0.506667 0.493333
6 0.494166667 0.505833 0.494166667 0.505833 0.494167 0.505833
6 0.495 0.505 0.495 0.505 0.495 0.505
7 0.495833333 0.504167 0.495833333 0.504167 0.495833 0.504167 0.495833
7 0.496666667 0.503333 0.496666667 0.503333 0.496667 0.503333 0.496667
8 0.4975 0.5025 0.4975 0.5025 0.4975 0.5025 0.4975 0.4975
8 0.498333333 0.501667 0.498333333 0.501667 0.498333 0.501667 0.498333 0.501667
8 0.499166667 0.500833 0.499166667 0.500833 0.499167 0.500833 0.499167 0.500833
8 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5
5.2 Cpk和Cmk计算
目标扭力 0.5 上限% 5 下限% 5
上限扭力 0.525 下限扭力 0.475
平均值 0.5
方差 0.00006355555556
整体标准差 0.007972174
样本标准差 0.008012336
Cmk 1.040062868
由图表可知，当扭力上下限为5%时候，螺丝无法满足Cmk=1.67的要求。
5.3 按照螺丝刀在5σ的时候进行扭力精度调整
将上下限3σ±5%延伸至5σ±8.3%。
最大扭力 0.5 上限% 8.3 下限% 8.3
目标扭力 0.5 上限扭力 0.5415 下限扭力 0.4585
平均值 0.5
方差 0.00006355555556
整体标准差 0.007972174
样本标准差 0.008012336
Cmk 1.726504361
如表格所示，螺丝刀可以满足Cmk≥1.67。
根据调试的情况不同，可以存在一定量的样本中，Cmk可以大于Cpk的情况与理想状态分离，但是正常情况下，Cmk＞1.67的时候需要Cpk＞1.33。
6总结
目前螺丝刀的精度标为3西格玛±5%的精度时和以下精度一致。
螺丝刀的精度可以标定为±1.67%的精度满足1西格玛标准，此时此时Cpk≈0.33；
螺丝刀的精度可以标定为±3.33%的精度满足2西格玛标准，此时此时Cpk≈0.67；
螺丝刀的精度可以标定为±5%的精度满足3西格玛标准，此时此时Cpk≈1；
螺丝刀的精度可以标定为±6.67%的精度满足4西格玛标准，此时此时Cpk≈1.33；
螺丝刀的精度可以标定为±8.33%的精度满足5西格玛标准，此时此时Cpk≈1.67；
螺丝刀的精度可以标定为±10%的精度满足6西格玛标准，此时此时Cpk≈2；
螺丝刀的Cmk≥1.67需要在螺丝刀4西格玛的精度标准，及Cpk≥1.33的基础上才可以调整达到要求。当设备处于非优秀调试状态下，想要让Cmk≥1.67时候，需要在螺丝刀满足5西格玛的精度标准，Cpk≥1.67的情况下才能完成。
参考文献：
[1]罗孟然,丛明,顾齐芳,李泳耀,李宏坤.基于C_(mk)分析的加工中心精度稳定性评估[J].组合机床与自动化加工技术,2015(03):149-153.DOI:10.13462/j.cnki.mmtamt.2015.03.041.
[2]石枫.能力指数Ppk、Cpk、Cmk在实际工作中应用的探讨[J].电子测试,2014(20):29-31.
[3]赖涌丹.精益六西格玛在在线检测设备测量精度分析中的应用研究[J].机电工程技术,2021,50(02):186-189+223.
补充说明：可以以此为例进行其他设备的精度标准的推测和检测依据。


 
  收起阅读 »