当前位置:首页 >> 其它课程 >>

6西格玛 - M阶段绿带教材


6Sigma绿带培训-测量阶段
目录
01—流程图 02—因果分析 03—失效模式及后果分析(FMEA) 04—七种基本图形 05—测量系统分析 06—过程能力分析 07—M阶段回顾与路径

路标
Y =
我们从 “Y”开始:
全过程中“Y” 的执行成效 Y的变量 情况

f (x1, x

2, x3, x4, . . . xn)
流程图
原因及效果矩阵
路标中的 “漏斗”的向下 位置逐渐将Xs 从多数的 微不足道项向少数的重要 项转变.

}

接受能力评价

FMEA
测量变量 实际变量

FMEA 降低了“过程差错”的变量及效果

复合变量

x1, x7, x18, x22, x31, x44, 这种复合型变量识别变量并将 x57
DOE过程的X项减少

这种复合型变量研究将X与Y 之间的关系联系了起来.
再现性y (人员 / 方法 重复性ty (装备)

Individual Value

降低测量错误 , “真实”能力评价 !

Y = f (x7, x22, x57) DOE识别过程的重要X项,及与
I Chart for Chart 1
1

Y项之间的关系.

55 3.0SL=54.21

50

X=50.35

对准位置对X项进行控制.

-3.0SL=46.50 45 0 10 20 30

Observation Number

流 程 图 Process Mapping
学习目的:
? 流程图概念与术语
? 识别过程的开始和结束点。 3. 建立怎样完成工作的可视化流程图。 4. 识别过程输入和过程输出。 5.识别浪费和非增值工序。

流程图是什么?
流程图是一种通过显示构成过程的步骤、 事件和操作 (按时间顺序) ,以简单、直观的方 式定义过程的工具。
现金订购流程
流程开始

在DMAIC改进项目中,流程图用于加深对 过程的理解、设立项目的界限、及确定需要改进 的领域。

交 易

开始 工序2A

工序1 工序2B 工序1
No Yes

第二天的 现金要求

工序2C

现 金 过 剩

现金准备

现金打包

交 易

现金交付到 地区分支机构

分支机构 关闭

返工

合格?

结束

术语
? 流程图
实际过程的一种图形表示。一详细流程图包括了许多 对过程改进有益的信息,如RTY、COPO、周期时间 和DPU。

?增值步骤
一个为了满足顾客需求而对产品有增值的步骤。

?客户
由项目的范围所定义。客户可能是最终使用者、另一 内部的组织或下一过程步骤。

? 输出
产品中被客户所定义成关键因素的任何东西或特性。

? 输入
对输出有影响的变量。

术语
?控制变量
那些容易改变并能衡量其对输出(Y)的影响的变量 或输入。

? 噪音变量
那些难以控制的变量或输入

?文件化的过程
过程的由受控文件来定义(过程规格、工作指导书、 培训书册等)

?实际过程与隐蔽工厂
过程本身存在工厂内,包括:返工、设备选择的编号、 非文件规定的检验、“经验”等。

? 理想过程
你所期望的过程是:简单、高效、没有缺陷和任何不 增值的环节。

流程图符号与步骤 流 程 图 符 号 流程图步骤
符 号 含 义
过程开始或结束 活动或工序 判定或检验点

连接点
流程图方向

1. 设立目标,选择图的类型。 2. 确认过程的界限、客户、供应商、输入和输出。 3. 收集有关过程的信息。 4. 制作流程图。 5. 确认流程图。

过程的版本(至少有三种)
应该过程
你认为它是?

实际过程
它实际是?

理想过程
你想要的是??

为什么需要流程图
详细的流程图有助于确认:
?过程的输入和输出; ? 测量系统; ? 需要进行能力研究的过程; ? 可去除的非增值工序; ? 返工和修理显而易见; ? 数据采集点和数据采集系统的差异; ?“隐蔽工厂”

过程指定同时又可提供:
?项目范围的样本; ?作为后续活动渠道;

?为因果矩阵、失效模式及效果分析和控制计划提供输入。

做流程图注意点
? 发挥项目团队力量(头脑风暴) ? 通过实现验证、访谈和评审现有流程图和标准 ? 越早运用流程图越好 ? 流程图 ? 阐明小组应关注的区域

? 防止小组活动超出课题范围
? 开始和结束必为可测量 ? 如果可能让相关的作业人员随时看到流程图和放大副本 ? 欢迎提出修改、建议和措施

服务业流程图
流程图对服务业流程特别有用,因为:

?服务业流程比制造业流程更隐蔽;

?服务业流程流程图把“隐蔽”工序转化为“可视”的 工序;

流程图步骤
5.讨论、回顾和修改; 6.再次实地验证和访谈; 7.注释贴上添加检查、返 工、修理和报废步骤; 8.“现状”流程图获得一致意见

1.确定过程开始和结束点;
2.头脑风暴法列出工序清单; 3.实地验证和访谈; 4.注释贴上列出关键工序;

流程图工具:
?页纸和标记; ?注释贴; ?软件应用程序。

保持简单化!

?在此阶段“现状”流程图应是“高层简略图”,但应 包括所有为改善活动提供资料的基本步骤; ?理想地,显示5到10个步骤; ?以后增加更详细解释。

步骤1:开始和结束点
?回顾问题陈述; ?描述过程引起的问题; ?讨论可测量的开始和结束点; ?达成共识并记录。 ? 例:“客户为图纸修改要等太长时间”
? 过程:图纸修订过程。

问: 1)开始点可能是什么? 2)结束点可能是什么?

1)开始:客户要求填 写图纸修改申请表 2)结束:CAD文件交 付给客户。

步骤2:头脑风暴
? 写下并展示开始点和结 束点;

? 小组头脑风暴讨论与开 始点和结束点之间的过 程步骤。

开始: 客户要求填写图纸修 改申请表。 问: 开始点和结束点之间可能 的工序是什么? 结束: CAD文件交付给客户。

过程步骤
? 开始:
客户要求填写图纸修改申请表。

?下一步:
画出改变的图纸; 评估改变效果; 决定需要修改哪些图纸; 修改相关图纸

? 结束:
CAD文件交付给客户。

步骤3:首次实地验证和访谈
? 小组实地验证现有过程; ?观察怎样完成工作; ?同大家沟通(访谈);

?做笔记;
?着眼于过程步骤。

步骤4:注释贴
? 将过程步骤写在注释贴上; ?在墙上陈列注释贴;
制作草图 小组会议

?现在挂上所有的注释贴
确定规格 定位CAD、 文件 修改图纸

印制副本 评估效果 制定文件包

呈交客户

步骤5:讨论、回顾、修改
? 讨论、回顾和修改注释贴的流程图;

?对过程步骤取得一致意见;
?对修改步骤取得一致意见; ?仅保留重要过程步骤

对重要的过程步骤:
?为改善提供足够信息; ?有可测量的输出; ?可能产生的缺陷(CTQ、CTC、CTD); ?有明确的开始和结束。

步骤5:讨论、回顾、修改

? 右边显示的流程图 哪些步骤可能是重 要的?

制作草图

小组会议

确定规格

定位CAD、 文件

修改图纸

印制副本

评估效果
制定文件包

呈交客户

步骤6:第2次实地验证和访谈

?再次验证过程;
?查找遗漏的步骤; ?查找检查、返工、修理和报废; ?做笔记。

步骤7:增加改变项
?增加注释贴;

客户要 求修改 Yes

通知销售 No

?增加检查;
?增加返工和修理;
制作草图 评估效果

效果确认

?增加报废;
?陈列所有的注释贴。

修改图纸 No
制定文件包

图纸确认

Yes
客户收到 CAD文件

呈交客户

步骤8:“现状”流程图

?小组对“现状”过 程图达成共识; ?流程图必须包括所 有重要步骤; ?为便于快速理解的 不要太详细。

客户要 求修改 Yes

通知销售 No

制作草图

评估效果

效果确认

修改图纸 No
制定文件包

图纸确认

Yes
客户收到 CAD文件

呈交客户

步骤8:“现状”流程图
何时收集数据
?绘制流程图期间, 识别数据收集点, 但不要收集数据; ?“现状”图建立 以后,策划少数 重要输出的数据 收集。 注意
●绘制规程图期间收集

数据往往导致收集的 错误数据。
●数据收集必须有计划

和聚焦客户关键的高 优先权项目。

(见“策划收集数据”部分)

流程图分析
识别: ?过程产物; ?过程输出; ?“增值”和“非增值”步骤; ?关键过程的输入 & 输出; ?中间测量(也就是关键的工序Xs) ?明确每一步的浪费类型。

流程图分析
客户要 求修改 Yes 通知销售 No NVA NVA

制作草图

评估效果

效果确认

目标:
每一步骤必须增加 价值。 通过删除不增值步 骤简化过程=减少 工作劳力,缩短周 期,和减少缺陷发 生和返工机会。

修改图纸

图纸确认

NVA Yes 客户收到 CAD文件

No
制定文件包 呈交客户

学习如何识别浪费
1.纠正的浪费(返工); 2.等待的浪费;

3.库存浪费; 4.超额生产的浪费;
5.搬运的浪费;

6.动作的浪费;
7.过度加工的浪费。

列出典型的浪费

纠正(返工)
等待; 库存;

● ● ●

超额生产过剩;
搬运;


● ● ●

动作;
过度加工。

“现状”流程图
客户要 求修改 Yes 通知销售 No NVA NVA

它是过程的基线条 件;

制作草图

评估效果

效果确认

它是你改善的开始;
它是六西格玛突破 的机会。

修改图纸

图纸确认

NVA Yes 客户收到 CAD文件

No
制定文件包 呈交客户

“应该”流程图
在改善阶段,一旦解决方案已经确定。。。 ※建立新的流程图 新的流程图显示改善的工作流程是。。。 ※更精简的步骤; ※更少非增值活动。
新的流程图显示 “Should Be” 过程,一旦所有 解决方案执行, 那是“Will Be”.
NOTE

“理想”流程图

流程图 Example
INPUT ①部品投入
1、防碰胶 2、工作面清洁度 1、防碰胶 2、基准面清洁度 3、手套 1、测定子 2、防碰胶 3、放零件手法 4、手套 手套 1、气缸U面打痕 1、气缸U面打痕 输送盘胶粒脱

Measure
OUTPUT INPUT 转子热套
异物入 2、异物入 1、曲轴外径打痕

OUTPUT

主轴承预紧
Amax测量

壳体热套
铜头脏

2、异物

泵体安装 下壳体安装 中间检查

异物入

气缸调芯

2、气缸内径刮伤 3、气缸棱线打痕 4、异物入

间隙检查 轴承调芯

异物进入气缸 修理台5S 1、泵体调芯NG 2、间隙变化/扭矩

异物入

1、泵体放置手法 2、五轴拧紧方式

上壳体安装

扭矩全检

压缩机
GUANGDONG MEIZHI COMPRESSOR LIMITED

练习1-流程图

1.参照“Workbook” ; 2.分成小组; 3.选一个项目,进行充分讨论;

4.绘制流程图。

Cause and Effect Analysis
因果分析

学习目的
1. 原因和结果之间的关系 2. 什么是根本原因 3. 控制的跨度和可影响的范围 4. 头脑风暴方法 (Brainstorming Techniques)

5. 因果分析的两种工具:
鱼骨图(Fishbone Diagrams)

因果矩阵(Cause and Effect Matrix)

如何有效地实施过程改善
确定输入和输出特性,好让: 你的努力和资源给一个更好的焦点

解决那些可令现有过程绩效作改善的过程问题
关键过程输入变量

Key Process INPUT Variables

KPIV KPIV KPIV
关键过程输出变量

KPOV PROCESS KPOV

Key Process Output Variables

缺陷的定义
6 SIGMA 方法是以系统的突破性解决方案减少影响客户满意的 不符合项 由于6 SIGMA 主要目标是解决不合格项,因此每个改善项目必须明 确定义可以减少的不符合项

不符合项有三种分类
缺陷:活动不符合标准的要求 错误:特性不能符合标准的要求 故障:特性不能达到标准的要求

两种最常用的因果分析工具

鱼骨图: 用于思考和以图像展示一个主要结果及其成因的关系 因果矩阵: 显示输入(X)与输出(Y)之间直接关系的表格图

什么是因果图?
又称石川图或鱼骨图 用于识别、展示、检查任何事情的可能原因的非常有用的图形工具 使团队注意力放在问题的关键领域上 它展示整个团队的集体智慧

它使大家对问题的原因看法一致
它提供对解决方案的依据 它使团队注意力放在问题原因(Xs)而非症候上

“鱼骨”因果图( Fishbone Diagram )
可能原因的主分类画在箭头的分支处。每一个分支的所有可能原因则加 在分支上
Causes原因 Effect结果

Materials 材料

Machinery 机器

Manpower 人员

C

C N

C N

N

问题点
子原因

C

N

C

根本原因 Methods 方法 Environment 环境 Measurement 测量

N

C=Control Factor 受控因素

N=Noise Factor 噪声因素

“鱼骨”因果图( Fishbone Diagram )
优点
协助组织和将原因分开
提供一个框架作头脑风暴术 全员参与

缺点
可能非常复杂
消耗时间 原因不会以任何次序排列

因果分析基于我们可以识别不希望出现的情况 ,并一直追踪到根本的原因。 我们到底是否真的找到了根本原因? 结果的原因是另一个原因的结果,如此类推,我们怎么知道何时结束? 根本原因是因果链最底部的原因,这是我们有能力解决的原因。

挖掘根本原因
根本原因是我们能够改变或破解的最底层原因 在我们的能力范围内可单方面控制、影响或改变的原因 一旦定义了问题,就连续问“为什么”,直到挖掘到根本原因 如果问题有多个潜在的原因,必须对每个原因进行分析 确定哪些原因在控制范围内或影响范围内 5W例:

“鱼骨”因果图因子类型
生产过程中的因子类型5M1E Man 人

Machine Materials
Methods

机 物


Environment 环境

Measurement



管理过程中的因子类型4P&M&E People Policies 人员 方针 Measurement 测量 Environment 环境

Procedures 程序 Place 地点

鱼骨图 Example
操作失灵鱼骨图
方法
检测工位设置 包装方式 BO M 规定 调门方式 卸板方式 取板方式 打螺钉方式 装控盒方式 仓储方式 搬运方式 堆码方式 卸货方式

检测

人员

来料检测员 检测方式 部装检测员 过程检测员 检测按键力 搬运员 物料员 检测速度 部装操作工 总装操作工 标识单 磁控管 石英管罩 腔体 木锤 螺钉 剪钳 电脑板 轻触按键 控制盒 薄膜开关 静电环

操作失灵

传送带 风批 检测工装 装配工装

作业区静电 作业区光线 作业区噪音 作业区线速 仓库温度 仓库湿度

设备

环境

物料

鱼骨图 Example
环境
无足够时间了 解生产状况 信息传达慢 忙于追物料

物料

处理突发事件的能力差 目标、计划不明确 对工艺标准不了解、不明确 信息不足 缺少培训

安排不合理 对员工无监督

知识(产品)不足 本位主义严重 态度

跟踪不到位 执行力不强 无鼓舞士气 接受能力 沟通不畅 协调不力

时间安排不合理

方法



因果矩阵(Cause & Effects Matrix )

使用流程图作为主要的输入,以数字化的等级将与客户的 X和Y作出联系和排序 根据对客户的重要性给Y打分 根据与输出的关系给X打分

结果:将X放于柏拉图上,可用作关键过程输入变量 (KPIV)评估的起始点
对X,Y进行排序,给每对变量(X,Y)赋重要度 团队建立Y=f(X)的第一次尝试

方法
在表格上部列出输出变量Y。这些输出是团队/客户认定是重要 的。可能是在流程图中确定的Y的子集 用任意标度排列出每个输出(可能是1-10)。最重要的输出 得分最高。 确定影响Y的所有潜在的输入或原因(X),列出在矩阵的左边 在矩阵的边界内用数字(关联度)列出每个X对每个Y的影响 用每列的总计分析和排列在初步实施FMEA时的关注点

C&E矩阵填写步骤概要
1、列出主要输出值(依据顾客要求)
1 2 3 4 5 6 7 8 9 10 11

对客户重要概权数 流程步骤 合计

2、据对顾 客的重要性 来确定各输 出的重要性 权数

3、 列出 所有 流程 步骤 及相 应输 入、 流程 指标

5、将关系系 数与权重乘 积相加,并 排出优先顺 序
4、确定输入与输出间的关系系数:关系系数通常采用0、1、3、9 0--无相关;1--输入对输出只有轻微影响 3--输入对输出有一定影响;9--输入对输出有直接显著的影响

例1:咖啡厅C & E矩阵
一个黑带欲改善一间咖啡厅的客户满意度

项目小组制定了流程图,并准备填写因果矩阵以识别对客户满意度
有重大影响的过程输入 我们的焦点将集中在对客户满意度有重大影响的过程步骤 在此案例中我们只讨论3个关键输出,但我们也可以探讨客户 满意度的其他方面 我们可以考虑服务速度、友善程度、准确程度等

咖啡厅流程图
Inputs Outputs Clean Carafe

Hot water Soap Scrubber Clean carafe Cold Water Measuring Mark

Cleaned Carafe Dirty Water Wet Scrubber
Full Carafe

Inputs Customer Order Size Specification Receive Coffee Order

Outputs Complete Order

Fill Carafe w/ Water

Full Carafe

Pour water into Maker

Filled Maker Empty Carafe

Complete Order Hot Coffee Cup

Pour Coffee Into Cup

Filed Cup

Filter

Place Filter in Maker

Maker w/Filter

Maker w/Filter Fresh Coffee Dosing Scoop

Put Coffee in Filter

Maker w/Filter & Coffee

Filed Cup Customer Cream Sugar Amount Desired

Offer Cream& Sugar

Customer Reply Amount Specified Complete Order

Maker w/Filter & Coffee

Turn Maker on

Operating Maker Heat Brewed Coffee

Complete Order Money

Complete Transaction

Make change Temperature Taste Strength

Brewing Coffee

Select Temperature Setting

Hot Coffee

Coffee Delivery

Say Thank You

Smile Happy Customer

例子:咖啡厅

过程输出
重要度评分,高分数代表 该输出对客户更加重要

过程步骤

过程步骤相关性评分,高分 数代表相关性较高

咖啡厅案例结论

过程步骤 总评分

得分高的过程 输入将用失效模 式与效果分析 (FMEA)作进一 步评估。

如图显示:有4个过程步骤的输入对过程输出影响最大 注水入咖啡瓶 将咖啡放入过滤袋 送上糖和奶 选择温度设定

我们将进一步用以上4个过程步骤的输入 填写另一个因果矩阵。

例2:钢材轧制过程C&E矩阵
1、列出主要输出值(依据顾客要求)
1 G 1 工 作 辊 辊 印 3 1 1 1 1 3 3 3 3 0 0 0 0 0 0 0 2 G 2 工 作 辊 辊 印 3 1 1 1 1 3 3 3 3 0 0 0 0 0 0 0 3 G 3 工 作 辊 辊 印 3 1 1 1 1 3 3 3 3 0 0 0 0 0 0 0 4 G 4 工 作 辊 辊 印 9 3 5 3 5 3 3 3 9 0 0 0 0 0 0 0 5 G 5 工 作 辊 辊 印 9 5 5 5 9 3 3 3 9 0 0 0 0 0 0 0 6 7 8 平 整 工 作 辊 辊 印 9 0 0 0 0 0 0 0 0 5 5 5 5 5 5 5 9 10 平 整 S 辊 辊 印 9 0 0 0 0 0 0 0 0 3 1 1 0 0 0 1 11 平 整 板 形 辊 辊 印 9 0 0 0 0 0 0 0 0 1 1 1 0 0 0 1 合计 99

对客户重要概权数 流程步骤 G1-G5轧制 输入 酸洗后钢卷分层 酸洗后钢卷毛刺 酸洗后钢卷边裂 工作辊粗糙度及PC值 工作辊凸度 工作辊硬度 工作辊直径 G1-G5机架清洁情况 平整轧制 穿带水平 来料停车印 来料端面状况 工作辊直径 工作辊硬度 工作辊粗糙度及PC值 收集槽状态

夹 送 辊 辊 印 9 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0

轧 机 葡 萄 串 9 1 9 1 9 3 5 5 9 0 0 0 0 0 0 0

平 整 葡 萄 串 9 0 0 0 0 0 0 0 0 3 5 9 9 9 9 9

189
99

3、 列出 所有 流程 步骤 及相 应输 入、 流程 指标

2、据对顾 客的重要性 来确定各输 出的重要性 权数

225
108

126 126 270
108 108

144 126 126 126 144

5、将关系系 数与权重乘 积相加,并 排出优先顺 序

4、确定输入与输出间的关系系数:关系系数通常采用0、1、3、9 0--无相关;1--输入对输出只有轻微影响

3--输入对输出有一定影响;9--输入对输出有直接显著的影响

例子:开发任务书不良
Rating of Importance (1 - 10) Key Requirements NO. 6 1 21 22 13 18 20 5 11 23 15 32 7 16 17 24 27 9 8 25 26 12 Process Step 编制新产品策划书 收集开发需求 工业设计 工业设计 任务书审核 与项目经理沟通 工业设计 收集开发需求 任务书批准 工业设计 提交任务书审核 任务书分发 编制新产品策划书 编制新产品任务书 与项目经理沟通 工业设计 工业设计 任务书会签 编制新产品策划书 工业设计 工业设计 提交任务书审核 Process Inputs 功能规格书 任务书内容 工业设计电子档 工业设计工程师 任务书审核者 项目经理沟通意见 设计限制 目标成本 任务书批准者 工业设计评审记录 任务完成及时率 分发人员 策划工程师 申请的产品型号 项目经理 工业设计评审者 工业设计数据存贮方式 任务书会签者 成本核算 工业设计评审会效率 工业设计评审检查表 任务书签审流程 10 10 6 任务书编 工业设计 任务书签 制不良 不良 发不良 rating: 0 , 1 , 3 , 9 9 9 0 9 3 0 3 9 0 3 9 0 3 3 9 9 1 0 1 9 0 9 0 0 1 1 9 3 3 0 0 0 9 0 0 9 3 1 1 3 1 1 3 1 0 1 3 0 1 3 0 1 1 3 3 0 0 0 3 0 0 3 0 0 0 3

Measure

Total 180 120 120 120 114 100 100 90 74 60 54 54 46 46 40 40 40 38 30 30 30 18

我们从32个输入因子中进行降序排列,按2/8法则从中筛选出了14个影响顾客不良的输入因子, 下一步将对该14个重要的输入因子再进行FMEA,进一步找出最关键的输入因子.

C&E矩阵小结
因果矩阵图为流程图的后续作业,其主要用途: 1、以流程图为主要依据,使输入与输出(顾客要求)相关联

2、依据输出对顾客的重要性来评价(打分)输出
3、依据输入对输出的影响程度来评价(打分)输入 4、定性找出关键Yi、Xi (有一定量的评价) 因果矩阵图实施步骤:
1、从流程图确认输出(关联顾客需求);

2、依据顾客对输出的重视程度确定权重(1至10等级,权重大对应重视程度高);

3、从流程图确定流程步骤及其输入;
4、评估输入与输出间的相关系数(取值0至10,分值高对应相关系数强); 5、将输入与输出间的相关系数与相应输出权重之乘积相加。

FMEA(失效模式及后果分析) Failure Mode and Effect Analysis
学习目的:
掌握FMEA的概念和运用时机发现、评价产品/过程中潜 在的失效及其后果找到能够避免或减少这些潜在失效发生 的措施。

什么是 FMEA ? FMEA:
? FMEA 是先期质量策划中评价潜在失效模式及其起因的一 种工具 ? 依照其发生在失效的风险优先排列,并采取行动排除或降低 其发生的方法 ? 为未来使用和持续改进提供文件化的预防经验/方法 ? FMEA自身并不是问题的解决者, 它通常与其它问题解决 的工具联合使用,“FMEA提出问题解决的时机并不是解决 问题” ? 将问题扼杀在摇篮之中。

默菲定律: 所有可能出错的地方都将会出错!

失效的定义
产品在工作 范围內, 导 致零组件的 破裂、断裂、 卡死、損坏 現象 在規定条件 下, (环境、 操作、时间 )不能完成 既定功能。

失效
在規定条件 下, 产品参 数值不能维 持在規定的 上下限之间

FMEA 的起源
FMECA(Failure Mode Effects and Criticality Analysis) ?1950’s 起源于宇航和美国军方

?对关注的问题加以分类和排列
?将评定结果作为预防的目标 ?坚持安全的观点

FMEA (Failure Mode Effects Analysis) ?1960’s-70’s第一次被注意和使用在工程可靠性

?多个小组准备对产品/过程潜在失效模式和产品 性能影响的文件化体系
?评定产品或过程潜在失效模式的文件,采取相应 措施来消除或降低潜在失效的影响

典型的FMEAs
系统SFMEA
部件 子系统 主系统 注意:将系统的 失效模式降为最小

设计DFMEA
部件 子系统 主系统 注意:将设计的 失效模式降为最小

过程PFMEA
人 机 料 法 环 测

机器
工具 工作站 生产线 操作者培训 过程 测量

注意:将全过程的 失效模式降为最小 作用:是用来分 析制造、装配和 管理过程

作用:是用来在 早期构思设计阶 段分析系统与子 系统

作用:是用来在 生产发布前分析 研究产品

FMEA 的时间顺序
DFMEA PFMEA

概念

初始设计

设计完成

样件制造

设计/过程 确认

生产开始

DFMEA 开始早于过程,完成时间在早期的图样完成但任何工具 的制造开始之前 PFMEA 开始于基本的操作方法讨论完成时,完成时间早于生产 计划制定和生产批准之前

FMEA 的益处
? ? ? ? ? ? 改进产品的质量、可靠性与安全 提升企业的形象和竞争力 降低成本 减少浪费 降低保证成本 书面规定并跟踪减少风险所需的措施
主要作用——预防!

FMEA 的特点和目的
特点: ——FMEA开始于一个过程所有功能的定义(功能驱动) ——FMEA必须由小组进行,以确保其有效(团队力量)

目的: ——识别关健特性和重要特性。 ——聚焦于产品和过程问题的消除,防止问题再次发生。 ——评估潜在的设计和工序不足。 ——减少产品开发时间和成本。
主要目的:筛选着重点!

FMEA 小组的守则
? ? ? ? ? ? ? ? 决定前召开小组会议 决定谁将参加 预先准备议题 主张进行会议笔记或记录 建立基本准则 遵守事先的议程 评价会议 不允许中断

成功的FMEA 小组

?控制方向和焦点
?建立自身的统一性 ?负责并使用测量方法 ?有全体的支持 ?是横向多功能小组

头脑风暴 Brainstorming
头脑风暴是一种技法,可以激发小组成员产 生大量的有创意的点子。 由纽约广告代理的老板Alex F Osborn在 1930年发明,其前提是在一般的讨论中,人们 害怕别人批评而约束自己,因此而不能产生有 创意的点子。 脑力风暴包括创造一种氛围,让人们感到 无拘无束,此时人们可能提出在平时认为不太 可能提出的解决方案,但往往收到意想不到的 效果。

头脑 风暴 四大原则
4个原则(会议前向成员解释) ? 暂缓下结论 不要批评其他人的观点,更不要嘲笑人
或其观点

? 自由 鼓励参与者梦想或遐想,鼓励大胆及愚蠢的建议,
但不提议无任何建议或离座闲逛

? 数量 要求大量的建议

? 交叉培养 鼓励一个小组的建议被其他小组的成员扩
展或开发,将所有人的建议写在题板上以便被全部人都 能够看到,同时编号。但建议减少或小组成员感到空洞 时,千万不要说丧气话

小组成员 设计FMEA
? 在筹备样件期间开始 ? 设计工程师-通常的小 组领导 ? 检验工程师 ? 可靠性工程师 ? 制造工程师 ? 最终服务工程师 ? 项目经理 ? 质量工程师 ? 顾客联系人 ? 其他:销售、开发、过 程、QA/QC等

过程FMEA
? 过程工程师-通常的小 组领导 ? 生产操作者 ? 工艺工程师 ? 设计工程师 ? 可靠性工程师 ? 加工工程师 ? 维修工程师 ? 项目经理 ? 质量工程师 ? 其他:销售、供应商、 QA/QC等

注意DFMEA与PFMEA概念混淆
PFMEA 润滑油使用不够 错误的原料使用 顾客 最终使用者:使用 ?后序的操作者 产品的人 ?最终使用者:使用产品的人 概念 失效 失效 DFMEA 润滑能力不足 错误的原料说明

风险顺序度数 RPN
RPN = ( S ) x ( O ) x ( D )

?S=Severity 严重度
-后果到底有多糟?

?O=Likelihood of Occurrence 频度
-经常发生吗?

?D=Likelihood of Detection 探测度
-发现得了吗?控制程度如何?

RPN 流程
来自经验和数据 DFMEA 严 频 现行 探 潜在 潜在 重 级 潜在失效 测 项目/功能 度 失效模式 失效后果 度 别 的起因/机理 设计控制 度 O D S PFMEA 探 严 潜在 潜在 重 级 潜在失效 频 现行 测 项目/功能 度 失效模式 失效后果 度 别 的起因/机理 设计控制 度 O D S 设计 起 后 RPN 控 制 RPN

来自预测

过程





失效模式

频度

严重度

探测度

FMEA的顺序
现行设 计控制 不 易 探 测 探 度 测 数 D 风 险 顺 序 数 R P N 措施结果

过程 功能 要求

潜在 失效 模式

潜在 失效 的后 果

严 重 级 度 数 别 S

潜在 失效 的 起因/ 机理

频 度

预 数 防

建议 措施

责任 和目 标完 成日 期

采取的 措施

不 易 R 严 频 重 探 .P 度 测 . 度 数 数 度 N 数

功能 、特 征或 要求

后果 是什 么

有多 糟糕
会有什么问题 ?无功能 ?部分功能 ?功能过强 ?功能降级 ?功能间歇 ?非预期功能 起因 是什 么

发生 频率 如何 怎样 预防 和探 测

能做些什么 ?设计更改 ?过程更改 ?特殊控制 ?采用新程序 或指南的更 改 该方法在 探测时有 多好

跟踪 ?评审 ?确认 ?控制计划

DFMEA 简介
? 由“设计主管工程师/小组”采用的一种分析技 术 ? 以其最严密的形式总結了设计一个零部件、子系 统或系统时,工程师/小组的设计思想 ? 在最大范围內保证已充份的考虑到并指明潜在失 效模式及与其相关的后果起因/机理

? 在任何设计过程中正常经历的思维过程是一致的, 并使之规范化

DFMEA的目的
? 评价对制造、装配、服务、回收要求所作的最初设计 ? 提高在设计/开发过程中已考虑潜在失效模式及其对系统和 产品运行影响的可能性(概率) ? 根据潜在失效模式对“顾客”的影响,对其进行排序列表, 进而建立一套改进设计和开发试验的优先控制系统 ?为全面和有效的设计、开发和策划,提供更多的信息 ?为客观评价设计、包括功能要求及设计方案提供帮助 ? 为推荐和跟踪降低风险的措施提供一个公开的讨论形式 ? 为将来分析研究现场情况,评价设计的更改及开发更先进的 设计,提供参考

动态DFMEA
DFMEA三步曲
? 在设计概念最终形成之时或之前开始, ? 在产品开发各阶段中,当设计有变化或得到其他信息时, 应及时、不断地修改 ? 最终在产品加工图样完成前全部结束

DFMEA的拓展
DFMEA在体现设计意图时,还应保证制造和装配能

够实现设计意图 例如:
–必要的拔模(斜度) –要求的表面处理 –装配空间/工具可接近 –要求的钢材强度 –过程能力/性能

PFMEA简介
由“制造/装配工 程师/小组”采 用的一种分析技 术
在最大范围內保证已充 份的考虑到并指明潜在 失效模式及与其相关的 后果起因/机理

以其最严密的形式 总結了开发一个过 程时,工程师/小 组的设计思想

在任何制造策划过 程中正常经历的思 维过程是一致的, 并使之规范化。

PFMEA的目的
? ? ? ? 确定过程功能和要求 确定与产品和过程相关的潜在失效模式 评价潜在失效对顾客产生的后果 确定潜在制造或装配过程起因并确定要采用控 制来降低失效产生的频度或失效条件探测度的 过程变量 ? 确定过程变量以此聚焦于过程控制 ? 编织一个潜在失效模式分级表,以便建立一个 考虑预防/纠正措施的优选体系 ? 记录制造或装配过程的结果

PFMEA顾客的定义

? PFMEA―顾客”的定 义,通常指“最終

使用者”, 也可以
是随后或下游制造、

装配工序,维修工
序或政府法规。

潜在失效模式

? ? ? ?

列出所有失效,不一定肯定发生 利用经验和头脑风暴 过程/零件怎样不满足要求 无论工程规范如何,顾认为的拒收条件 是什么

典型的失效模式

弯曲 断裂 脏污 短路 表面粗糙

毛刺 转运损坏 变形 开路 开孔太深

孔错位 漏开孔 表面太光滑

失效模式应以规范化技术术语描述, 不同于顾客察觉的现象

潜在失效的后果
对最终 使用者

噪音 粗糙 费力 工作不正常 异味 渗漏 不能工作 报废 外观不良

对下道 工序
无法紧固 不能配合 不能连接 无法安装 损坏设备 危害操作者 工装过度磨损

汽车行业FMEA评价标准(参考)

严重度(S)
后 果 评定准则:后果的严重度 当潜在失效模式导致最终顾客和/或一个制 造/装配厂产生缺陷时便得出相应的定级结 果。最终顾客永远是要首先考虑的。如果 两种可能都存在的,采用两个严重度值中 的较高者。(顾客的后果) 当潜在的失效模式在无警告的情况下影响 车辆安全运行和/或涉及不符合政府法规的 情形时,严重度定级非常高。 当潜在的失效模式在有警告的情况下影响 车辆安全运行和/或涉及不符合政府法规的 情形时,严重度定级非常高。 车辆/项目不能工作(丧失基本功能) 车辆/项目可运行但性能水平下降。 顾客非常不满意。 评定准则:后果的严重度 当潜在失效模式导致最终顾客和/或一个制造 /装配厂产生缺陷时便得出相应的定级结果。 最终顾客永远是要首先考虑的。如果两种可 能都存在的,采用两个严重值中的较高者。 (制造/装配后果) 或可能在无警告的情况下对(机器或总成) 操作者造成危害 或可能在有警告的情况下对(机器或总成) 操作者造成危害 或100%的产品可能需要报废,或者车辆/项 目需在返修部门返修1个小时以上。 或产品需进行分检、一部分(小于100%) 需报废,或车辆项目在返修部门进行返修的 时间在0.5-1小时之间。 严 重 度 级 别

无警 告的 危害 有警 告的 危害 很高

10

9

8



7

汽车行业FMEA评价标准(参考)

严重度(S)
中等 低 很低 轻微 很轻 微 车辆/项目可运行,但舒适性/便利性项 目不能运行。 顾客不满意。 车辆/项目可运行,但舒适性/便利性项 目性能水平有所下降。 或一部分(小于100%)产品可能需要报废, 不需分检或者车辆/项目需在返修部门返修少 于0.5小时。 或100%的产品可能需要返工或者车辆/项目 在线下返修,不需送往返修部门处理。 6 5

配合和外观/尖响和卡嗒响项目不舒服。 或产品可能需要分检,无需报废,但部分产 多数(75%以上)顾客能发觉缺陷。 品(小于100%)需返工。
配合和外观/尖响和卡嗒响项目不舒服。 或部分(小于100%)的产品可能需要返工, 50%的顾客能发觉缺陷。 无需报废,在生产线上其它工位返工。 配合和外观/尖响和卡嗒响项目不舒服。 或部分产品(小于100%)可能需要返工,无 有辨识力顾客(25%以下)能发觉缺陷。报废,在生产线上原工位返工。

4

3

2



无可辨别的影响

或对操作或操作者而言有轻微的不方便或无 影响。

1

汽车行业FMEA评价标准(参考)

频度(o)
失效发生可能性 很高:持续性失效 高:经常性失效 可能的失效率* ≥100个,每1000件 频度 10

50个,每1000件
20个,每1000件 10个,每1000件

9
8 7

5个,每1000件
中等:偶然性失效 2个,每1000件 1个,每1000件 低:相对很少发生的失效 极低:失效不太可能发生

6
5 4

0.5个,每1000件
0.1个,每1000件 ≤0.01个,每1000件

3
2 1

汽车行业FMEA评价标准(参考)

探测度(D)
探测性 几乎 不可能 很微小 微小 很小 准则 A 绝对肯定不可能探 测 检查类别 B C X X X X 不能探测或没有检查 探测方法的推荐范围

探测 度
10 9 8 7

控制方法可能探测 不出来 控制有很少的机会 能探测出
控制有很少的机会 能探测出

只能通过间接或随机检查来实现 控制
只通过目测检查来实现控制 只通过双重目测检查来实现控制

A:防错 B:量具

C:人工检查

汽车行业FMEA评价标准(参考)

探测度
小 中 等 中 上 高 很 高 很 高 控制可能能探 测出 控制可能能探 测出 控制有较多机 会可探测出 控制有较多机 会可探测出 控制几乎肯定 能探测出 肯定能探测出 X X X 用制图的方法,如SPC(统计过程控制)来实 现控制。 控制基于零件离开工位后的计量测量,或者零 件离开工位后100%的上/通测量 6 5

X

X

在后续工位上的误差探测,或在作业准备时进 4 行测量和首件检查(仅适用于作业准备的原因) 在工位上的误差探测,或利用多层验收在后续 工序上进行误差探测:供应、选择、安装、确 认。不能接受有差异零件。

X

X

3

X X

X

在工位上的误差探测(自动测量并自动停机)。 2 不能通过有差异的零件。 由于有关项目已通过过程/产品设计采用了防 错措施,有差异的零件不可能产出。 1

例子:
NO
1

Measure
潜在失效影响
压缩机倒箱,外观不良

输入
人员操作失误

严重度
6 7

潜在要因
人员叉车运输不注意 零散机捆扎方式不当 辅料错拿

发生率
3 8 4 7 9 1 2 2 6 2 5 6 9

当前控制方法
无 无 现场5S定制 要求员工按作业指导 书作业,加强培训 无 制定作业指导书 机种切换调整确认 加强技能培训 延长压力平衡时间 由另一个6西格码项 目小组跟进 加强培训 暂无 进行二次确认

探测难度
1 1 2 2 1 2 2 2 2 6 1 2 1

RPN
18 56 72 126 81 14 32 32 108 108 40 96 81

分值排序
9 6 5 1 4 10 8 8 2 2 7 3 4

2零散机打包运输失误 压缩机倒箱,外观不良

3

接错线

压缩机烧毁

9

员工接错线 压缩机端子垫片标识不 醒目

端 4 子螺母拧入角度不良

螺栓柱断裂

7 8 8

风批导入角度不对或风 批力矩过大 段取确认流程不规范 与压缩机厂检漏的方法 不同 高低压不平衡

冷 5 媒封入量过多或过少 绝缘耐压不良 6 检漏人员技能不足 误判压缩机泄漏

7

低压启动不良

误判低压启动不良

9 压缩机本身设计问题 8 员工判断压缩机噪音振 动能力不足 无压缩机噪音振动判定 标准 不重视对下线机的二次 确认

无压缩机噪音振动判断标准 8 误判压缩机噪音大或异音 8 9 下线机无二次确认 误判下线 9

我们按2/8法则从中筛选出了7个影响顾客不良的输入因子,下一步将对该8个重要的输入因 子再进行FMEA分析,进一步找出最关键的输入因子.

例子: 二次FMEA
编号 因子 潜在失效 模式 潜在失效后果 严 重 潜在失效起因/ 度 机理 S 频 度 O 现行 控制 预防 探 测 度 D R P N 建议措施 责任人 日期

Measure
措施结果验证 采取的措 施 S O D RPN

1

投入取出 客户投诉:浸漆 移栽速度 定子不能满足要 投入 慢:13S/台 求 取出 速度 下货定子 客户投诉:浸漆 卡在吊架 定子不能满足要 内 求

控制投入取出 3 移栽的PLC程序 9 控制为13S



控制投入取出 10 243 移栽的PLC程序 王志强 06/11/05 改善

PLC程序 变更: 11S/台

3

9 10 270

4 吊架粘漆

5

定期 清理 吊架 加大 冷却 混风 马达 功率 更换 发热 管

7

140

吊架固定板改 良

冯仲敏 06/11/15



3

5

7

105

预热温度 高于155° 2 预热 温度 预热温度 低于155°

铜线劣化,电机 性能恶化

2

冷却混风马达 混风能力不足

3

3

18



冯仲敏 06/11/10



2

3

3

18

绕组粘漆差

3 发热管破裂

5

5

75



冯仲敏 06/11/10 韩SE



3

5

5

75

3

浸漆 浸漆时间 时间 长达15S

客户投诉:浸漆 定子不能满足要 求

6

浸漆时间工艺 规定长达15S

9

价值 流图 测试

4

216

浸漆时间工艺 优化

冯仲敏 浸漆时间 06/11/10 陈昌晗 工艺优化

5

9

4

180

4

滴漆 滴漆时间 时间 长达30S

客户投诉:浸漆 定子不能满足要 求

6

滴漆时间工艺 规定长达30S

9

价值 流图 测试 价值 流图 测试

4

216

滴漆时间工艺 优化

冯仲敏 滴漆时间 06/11/10 陈昌晗 工艺优化

6

8

4

192

5

转90 转90° 滴漆 客户投诉:浸漆 ° 滴 时间长达 定子不能满足要 漆时 25S 求 间

转90° 滴漆时间 6 工艺规定长达 25S

9

4

144

转90° 滴漆时间 工艺优化

转90°滴 冯仲敏 06/11/15 漆时间工 陈昌晗 艺优化

6

8

4

192

七种基本图形
1、X/Y图 2、柏拉图 3、时间序列图 4、控制图 5、箱图 6、点图 7、直方图
要理解数据,很重要的部分就是用图形展示数据。

基本图形-X/Y图、柏拉图、时间序列图、箱图
Scatterplot
180 160 140 120

of

身高

vs

年龄

Time
180 160 140 120

Series

Plot

of

身高

身高

100 80 60

身高
0 10 20 30 40 年龄 50 60 70 80 90

100 80 60

40

40
20

20 1 2 3 4 5 6 年龄 10 12 15 20 25 30

1、X/Y图:表示两个因素之间的简单关系

3、时间序列图:观察特定时间内的数据变化趋势
Boxplot
9

of

Week

1,

Week

2,

Week

3

8

Min{Q3+1.5(Q3-Q1)} 异常值

7

Data

Q3
中值

6

5

50%数据
Week 1 Week 2 Week 3

Q1

4

Max{Q3-1.5(Q3-Q1)}

2-柏拉图、原理就是2/8原则阐明20 %的原因产生80%的问题

4、箱图:用来分析种植和四分值关系

基本图形-控制图、控制图、直方图
Xbar-R
1

Chart

of

Supp2
1

UCL=602.474 602

Sample Mean

600

_ _ X=600.23

598 1 3 5 7 9 11 Sample 13 15 17 19

LCL=597.986

8

UCL=8.225

Sample Range

6 4 2 0 1 3 5 7 9 11 Sample 13 15 17 19 LCL=0 _ R=3.890

5、控制图:探测和监控过程的变异
1 2 File > Open worksheet > CAMSHAFT.MTW Stat > Control Charts > Variables Charts for Subgroups > Xbar-R.

Dotplot

of

Week

1,

Week

2,

Week

3

Week 1 Week 2 Week 3 4.2 4.8 5.4 6.0 6.6 Data 7.2 7.8 8.4

7、直方图:可以分析不同数据值出现的 频率,数据的中心值以及数据的分布形状。

6、点分布图:用于小样本量(N<10)数据分析
1 File > Open worksheet > PIPE.MTW 2 Graph> Dotplot

S W I P E

标准 工件(如,零件) 仪器 人/程序 环境

Measurement Systems Analysis

测量系统分析

计数型MSA

计量型MSA

测量系统的意义
测量是任何六个西格玛项目的基础

您的数据怎么样? 六个西格玛方法建立在这样一种思想上:基于数据的决策。用于决 策过程的数据必须是可靠的。基于不可靠数据的决策与无数据支持的决 策没有什么差别。

您的测量系统是否好得足以让您放心收集数据? Gage R&R 分析给您答案。

“测量系统”概念
- 与进行测量有关的任何东西:人、测量工具、材料、方法 和环境。 S
-- “测量系统”
部件 观察 测量 数据

标准 W 工件(如,零件) I 仪器 P 人/程序 E 环境

输入

输出

输入

输出

将“测量系统”看作是会给测量数据带来额外误差的子过程,其目 的就是使用误差尽可能小的测量过程。

“测量系统”概念
过程变量
测 量 测 量 环 境

过程变量




输入

被测量对象

测量过程

量 仪 器

测量结果

输出


量 人 员

过程变量

过程变量

● 可用函数关系表示测量过程输入与输出间的关系:

y=f(X1,X2….Xn)
Y:测量结果 X:输入测量对象,测量设备,人员,环境等

测量系统误差的来源
总误差
被测量对象误差 测量系统误差

测量仪器误差

测量人员误差

准确性

线性

稳定性

重复性

测量人员误差

?2总值
观察值 总误差

=

?2产品 + ?2测量
部件差异引起的 误差 测量系统引 起的误差

测量人员和被 测量对象交互 误差

任何观测数据的误差,都是部件的实际误差和测量 系统误差的总和。

LSL

USL

散布源
总过程变差 过程变差 测量系统变差

?2总值

=

?2产品 + ?2测量

测量系统分析的目的:确认总误差,测量系统中的 测量人员误差和测量仪器的大小,并对测量系统的 适用性作出判断。

测量系统的作用
? 测量系统分析(Gage R&R 分析)是用来分析测量系统的 方法,目的是确定测量某种东西时出现的波动(误差)的大小和 类型。 ? 测量系统分析(Gage R&R 分析)将提供以下与您的数据 有关的信息:

? 测量误差是否很小,相对产品规范或过程误 差来说是否可以接受。 ? 如果测量误差不可接受,从何处着手来改进 测量系统 ? 使您能够对数据的“质量”充满信心 ? 测量仪器是否具有足够的分辨率

测量系统分析方法
根据测量对象的性质,测量系统 分析有两种形式:
1.Attributes计数值/定性值(离散数据) 数据不能以连续的标尺描述 通过/不通过,好/坏 采用计数型测量系统分析

注意:
2.Variables计量值/定量值(连续数据) 数据可以用连续的标尺来描述 采用计量型测量系统分析

1、一看到数据,就要确认测 量数据类型
2、计数值和计量值必须用不 同的方法处理

测量系统分析方法
1. ? ? 2. ? ? 3. ? ? ? 4. ? ? 5. ? ? 方差分析法 ※ 可以识别部品、人员、测量仪器的误差 可以识别人员和部品交互作用影响 平均值和极差分析法: 可以识别部品、人员、测量仪器的误差 不可以识别人员和部品交互作用影响 部品内偏差分析方法 可以用于特殊形状部品(如圆形)的测量系统分析 可以识别测量人员、测量仪器、被测部品的误差 此法计算繁琐 简略法 可以识别测量系统总误差 无法区分测量人员误差和测量仪器误差 即时法 可以确定自动测量系统的重复性误差 不提供人员影响数据

测量系统分析步骤
确认测量数据类型 确定误差来源 选择样本 收集数据 分析数据

1、确认测量数据类别
根据数据性质,可 其分为: ? 计数型数据 ? 计量型数据

2、确定误差来源
? ? ? 对于自动测定系统,误差来源为:部品本身误差和测量仪器误差。 对于普通测定系统,误差来源为:测量 人员、测量仪器和部品。 对于目视检查,误差来源为:检查人员和部品。 □ 计量型数据的样本选择 在选择计量型样本时,需使所选样本代表整个过程范围。 □ 计数型数据的样本选择 在选择计数型样本时,需同时选择部分规格内和规格外的样本,并 选择部分接近界限的样本

3、选择样本

测量系统分析步骤
4、收集数据
收集数据即对选定的样本进行测量的选择
⑴ 在测量前确认以下事项: ① 确认测量仪器经过校准,以保证其准确性和线性在规定范围。 ② 确保使用足够的分辨率的仪器进行测量。如被测量对象的规格 范围为0.01mm,则需选用分辨率为0.001mm的测量仪器进行测量 ⑵ 测量时注意事项: ① 每个测量人员以附机顺序测量各样本,以保证在测量时不相互参照 他人或自己以前的测量结果。 ② 记录所有原始测量数据

5、对测量数据进行分析
完成测量后,最后一步是对测量数据进行分析处理,后续将对不同
的测量系统分析方法作以下介绍。

测量系统的波动
? 测量系统的波动主要是由于量具和检验员的变化引起的。为了考 察量具和检验员的波动程度,常常要选用一些零件或产品让检验 员使用量具去测量。因此零件同本身的变异对测量结果也有影响, 帮还要考察零件间波动; ? 如果测量系统的波动来源主要是零件间的变异,则测量系统状况 良好。反之,测量系统的波动主要是由于量具和检验员的变异引 起的,则测量系统状况不良; ? Gauge R&R主要分析各种波动在测量系统总波动中的百分比,从 而判别测量系统的状况。

测量系统分析基本术语
一、准确度和精密度
假定材料的硬度的“真值”是5.0 方法1得到的读数为:3.8,4.4,4.2,4.0 方法2得到的读数为:6.5,4.0,3.2,6.3 哪种方法更准确? 哪种方法更精密? 你倾向哪种方法?为什么?

a

b a

a、精密度高、准确性低 b、精密度高、准确性高 c、精密度低、准确性高 d、精密度低、准确性差
c d

测量系统分析基本术语
二、分辨率(Resolution)
系统可测量的小数部分的位数,测量的增量至少要达到 产品或过程规格宽度的十分之一

差的分辨率

好的分辨率

应该使用哪一把尺测 量具有上述分布的过 程?

测量系统分析基本术语
三、线性度(Linearity)
测量仪器准确度或精密度 在仪器量程内的变异。
测 量 值

线性差

线性好

被测对象真值

四、相关性(Correlation)
对两变量之间的线性关系的测量

测量系统分析基本术语
五、重复性(Repeatability)
? 由同一个测量系统,多次重复测量同一零件的同一特性时,所获 得的测量值的变异称为量具的重复性,或称为测量系统的重复性, 简称为重复性;
? 一个好的测量系统应具有很好的重复性,也就是它的重复测量值 的变异是很小的;
重复性

第一次测量

第二次测量

测量系统分析基本术语
五、重复性(Repeatability)
? 重复性:测量装置的固有变异 ? 对同样的变量在相似条件重复测量时的变异 同一检验员、同一设置、同一量具、相同的环境条件、短期 ? 用重复测量的分布的平均标准差来估计

真值
好的重复 性 差的重复 性

平均值

平均值

? 2总

=

?2产品 + ?2重复性+ ?2再现性

测量系统分析基本术语
六、再现性(Reproducibility)
? 由不同测量系统测量同一零件的同一特性所得重复测量的均值 的变异,称为量具的再现性,或称为测量系统的再现性,简称 再现性。

测量系统B

再现性

测量系统B

? 2总

=

?2产品 + ?2重复性+ ?2再现性

测量系统分析基本术语
六、再现性(Reproducibility)
? 不同条件下同一测量时的变异 不同的操作人员、不同的设置、不同的量具、不同的环境条件、长期测 量变异 用不同测量条件下的测量平均值的标准差来估计
真值

?

差的再现性

好的再现性

作业者 1 作业者 2 作业者 3

作业者 1 作业者 2 作业者 3

测量系统分析基本术语
七、稳定性(Stability)
?稳定性:随着时间而产生变异的程度
? 测量的分布保持不变,均值和标准差皆可预测

? 无漂移、突变、周期性循环等
? 用趋势图评价 ? 通过定期校准和重复性与再现性分析加以控制

八、 P/T比例
? ? ? ? ? 精密度-公差比例 表示测量误差所占公差的百分比 5.15 σmeas代表99%的测量 最佳状况:<10% 勉强可接受:<30% 包含重复性和再现性

5.15*? MS P /T ? 公差
一般用百分比表示

公差=规格上限-规格下限
-2.575 +2.575

应用
?P/T比例是对测量系统精密度最常用的估计 ?它评估测量系统针对相关产品规格的测量效果 ?适当的P/T比例极大依赖于过程能力
99%
5.15 ?

5.15 标准误差包含了正态分 布的99%。

九、 %P/TV
? %P/TV

? MS %R & R ? ?100 %P/TV ? Total

一般以百分比表示

表示由于测量系统的误差占所有变异的百分比

%P/TV:最佳状况:<10% 可接受:<30%

应用 ?%P/TV是6Sigma分析的最好测量
?估计测量系统对整体过程变异的表现 ?%P/TV是实施过程改善分析的最好估计。所挑选的样本必须涵盖整个 过程范围。

十、 明显分类数
明显分类数(差别类数目):指的 是测量系统可以识别出的过程数据 中的非重叠组的数目。

? Part n?( ?1.41)取整数 ? MS

差别类数目
<2 2–3 ?5

决策 / 值 对制定过程控制决策没有价值 只用于二元决策 (“Go/No Go”) 足够的分辨率。 对于制定过程控制决策来说,可以接受

测量系统指标判断准则
Gage R & R评价标准(计量型)
% R & R数值
% R & R<10% 10%<% R & R ≤30% 30%<% R & R

一致性百分比评价标准(计数型)
一致性百分比 判断

判断
测量系统可接受 考虑成本问题决定 测量系统不可接受

90%~100% 80%~90%

测量系统合格

根据具体情况决定测量系 统有效性 测量系统不合格

<80%

测量系统判断准则
区分 好的水准 可以接受的水准 不接受 %P/TV 0~10% 10~30% >30% P/T Ratio 0~10% 10~30% >30% 明显分类数 >10 5~9 <5

LSL
产品公差

USL

观察到的工程散布

P/T = 10%

%R&R = 20%

P/T = 20%

%R&R = 40%

P/T = 50% 测量系统散布

%R&R = 100%

计数型测量系分析
离散数据Gage R&R

计数术语
计数型数据
可用作记录或分析的定性数据(通常为合格/不合格)

计数型测量系统
将每一产品与标准对比,如果符合标准的要求则接受。 可由检验员或合格/不合格量规来实施检查

筛选
用计数测量系统百分百评价产品

筛选效率
区分合格与不合格产品的能力 客户偏好 筛选标准太严格:合格产品被拒收 生产者偏好 筛选标准太宽松:不合格产品被拒收

计数型Gage R&R目的
? 确定各班次、各机器、各流水线的检验员是否用同一标准区分合格 与不合格 ? 量化测量者或测量仪器是否能正确重复检验结果的能力 ? 确定检验员/量仪符合标准的程度,包括:

检验员接受不合格产品的概率
检验员拒收合格产品的概率 ? 识别以下各项:

培训需求(个别或全部检验员) 缺少程度或控制计划 标准没有清晰定明 量仪需要调整或进行相关对比

计数R&R方法
1)从过程中选取至少30件产品 在我们选出做分析的产品中应包括下列产品 不良品/无缺陷产品/边缘产品 2)挑选检验员和量仪,检验员应具有经验和资格

3)让每位检验员独立以随机的次序检验这些产品并确定合格与否,
再重复一次。 4)将数据输入至Minitab中; 5)记录结果,如需要采取恰当的措施修正检验过程。 6)重新进行分析,以验证修正措施

计数型Gage R&R
离散数据 是不能进一步有意义地细分的数据。 二元数据 是具有类似是/不是或者合格/不合格这样的仅有 两种选择的离散数据。
? 应该在预期观察结果的整个范围内选择样本。你必须选取规范内、规 范外和边缘的样本。 ? 按照常规选择数据。
? 通过将试验之间和操作员们之间一致的次数与可能一致的次数进行比 较,来分析数据。

二元离散Gage R&R 目标:
? ? ? ? 估计总体一致量 估计一致的不同类型 确定一致性是否可接受 寻找改进的机会

计数型Gage R&R实例
二元数据Gage R&R Study实例:
现有一注塑的塑料部件:独立式洗碗机的控制面板,从外观上检验部 件,包含直观脏点或其它异常(黑斑)的部件不可接受。 关于Gage R&R Study 50 部件 用于分析 - 一些可以接受,一些不合格,一些处于边缘。

对通常检验这种部件的5 个操作员进行分析。
每个操作员以随机顺序评估每个部件两次。两次评估之间相隔一个星 期。 原始数据被输入表格中。 1 = 合格, 0 = 不合格 打开文件:计数MSA数据

计数型Gage R&R实例
part W eek 1 number op1 op2 op3 op4 op5
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 1 1 1 0 0 1 1 1 0 0 0 1 1 0 0 1 1 0 0 1 0 0 1 1 1 1 1 0 1 1 1 0 0 0 0 1 1 0 1 1 0 0 1 0 0 1 0 1 1 1 1 1 1 0 1 1 0 1 0 0 0 1 1 1 0 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1 1 1 1 0 1 0 0 1 1 1 1 1 1 0 1 1 1 1 0 1 0 1 1 0 0 1 1 1 0 1 0 0 1 0 1 1 1 0 0 1 1 1 0 0 0 0 1 1 1 1 0 0 1 0 0 1 1 1 1 1 1 1 1 0 0 1 0 1 0 0 0 0 0 1 0 0 1 0 0 1 0 0 0 0 1 1 1 1 1 0 1 0 0 0 0 0 1 0 1 1 0 0 1 0 0 1 0 1 0 1 1 1 1 0 0 1 0 1 0 0 0 1 1 1 0 1 1 0 0 1 0 0 1 1 1 1 1 0 1 1 1 1 0 0 0 0 0 0 1 1 1 0 1 0 0 1 0 1 1 1

W eek 2 op1 op2 op3 op4
1 1 1 0 0 1 0 1 0 0 0 1 1 0 0 1 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 0 1 1 0 0 1 0 0 1 0 1 0 1 1 1 1 0 0 1 0 1 0 0 0 1 1 0 0 1 1 1 1 1 0 0 1 0 1 1 1 1 1 1 1 1 1 0 0 0 1 0 1 1 1 0 1 0 0 1 0 1 1 1 1 1 1 0 1 1 0 1 0 0 0 1 1 1 0 1 1 1 0 1 0 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 0 1 0 1 1 1 1 1 1 0 0 1 0 1 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 1 1 1 1 1 1 0 1 0 0 0 0 0 1 0 1 1 0 0 1 0 0 1 0 1 0 1

op5
1 1 1 0 0 1 0 1 0 0 0 1 1 0 0 1 1 0 0 1 0 0 1 1 1 1 1 0 1 1 1 1 0 0 0 0 0 0 1 1 1 0 1 0 0 1 0 1 1 1

在不同的星期对同 一部件进行评估 的结果

所有 10个部件都 相同

一些合格,一 些不合格

原始数据被输入电 子表格, 1 = 合格 0 = 不合格

计数型Gage R&R实例
现在我们有了数据,如何处理这些数据? 对于离散数据,以不同的方式进行Gage R&R分析。 我们可以根据分析确定三个不同的要素: ? 判断结果与标准一致性的百分比 – 量化测量系统误差 ? 重复性一致性百分比 – 量化操作员个人误差 ? 再现性一致性百分比 – 量化操作员之间的误差

百分比将显示系统是好是坏。如果需要改进的话,对数据 的更详细分析将告诉我们从何处入手进行改进。

计数型Gage R&R实例

计数型Gage R&R实例
测量数据依列放置! 测量数据依行放置!

计数型Gage R&R实例
各检验员重复性 百 分比

各检验员判定与标 准一致的百分比

各检验员再现性 百分比 各检验员检验结果全部与标 准一致的百分比

计数型Gage R&R实例
评估员的可重复性
操作员 1 2 3 4 5
可重复性一致的 不一致的次数 百分比 7 86% 10 80% 13 74% 2 96% 1 98%

操作员之间存在着较大的差别。 评估员A、B和C有必要改进,目标是象D和E一样。 找出评估员A、B和C 与D和E的做法有什么不同,并进行再培训。

首先解决可重复性问题! 如果一个评估员自身的结果就前后不一致,那 么与其它评估员一致的总次数也就会很低。

计数型Gage R&R实例
我们通过分析部件的数据,可以获得有关可再现性的更多信息:
part number
1 2 3 13 14 15 22 23 24 25 26 31 32 33 34 35 36 37 38 49 50 1 1 1 1 0 0 0 1 1 1 1 1 0 0 0 0 1 1 0 1 1

Week 1 op1 op2 op3 op4 op5
1 1 1 1 1 0 0 1 1 1 1 1 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0 1 0 1 1 1 1 0 0 0 0 1 1 1 1 1 1 1 0 1 0 0 0 0 1 1 1 0 0 0 0 0 1 0 0 1 1 1 1 1 1 0 0 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 0 0 0 1 0 0 1 1 1 1 1 0 0 0 1 0 1 1 1 1 1 0 0 0 1 0 1 1

Week 2 op1 op2 op3 op4 op5
1 1 1 1 1 0 0 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 1 1 1 0 0 0 0 0 1 0 0 1 1 1 1 1 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 1 1

Week 1, Reproducibility

部件 14: 5个操作员中的4 个改变了结果

部件 24、33 和36 5个操作员中的3 个改变了结果

Total

有什么改变了吗?在两次评估之间它们被损坏了还是被清洁了? 行动 ? 确定部件是否在一开始就处于边缘状况

? 改进两次检验之间对部件的处理

计数型Gage R&R实例
对于离散数据gage R&R ,多大的一致百分比可以接受?
一般来说,应该尽量获得95%以上的一致百分比。

如果结果非常主观,95%就是一个不切实际的目标。这时,高于 85%的一致百分比可能是可接受的。
离散变量gage R&R 分析就是确定不同类型的“一致百分比”,并 决定是否可以接受。如果不可接受,找出是什么因素导致不一致。 二元离散变量Gage R&R分析的目的 ? 估计一致总百分比 ? 估计不同类型的一致百分比 ? 确定这些百分比是否可接受

如果不可接受,确定从何处入手加以改进。

例题解析
检验员的评分,评价的是个人的一致性(重复性)

检验员评分比较标准,评价的是检验员和“专家”评价相符的程度。

检验员之间的有效评分,评价的是检验员之间的一致性(再现性)

检验员之间有效评分再比较标准,综合评价全部检验员和专家和一致性 (越接近100%越好!)

MSA样本指南

通常需要大概30个样本,2-4个检验员(如果多个检验员使用量仪), 2-3次检验 根据研究的目的,可用1个或多个量仪 一般来说,选择足够的样本使样本数目×检验员数目/量仪数目>15

样本选择 选择1:如果过程变异未知,样本应包含正常过程/产品变异的全部范 围(以获得TV) 选择2:如果过程变异已知,样本应在规格范围内平均分布

例子: Y的测量系统分析 成品检验测量系统分析
★测量目的:确定成品检验测量系统的 重复性、再现性是否符合要求 ★数据类型:离散型(0表示合格,1表示 不合格) ★测量对象:库存电脑板KD23B-BA-Z ★样本数:40 ★测量工具:目测(结合工装操作) ★测量者:成品检验员3人 ★测量方法: 1.对已选定的已知合格/不合格部品; 2.3名检验员随机作2次检验并判定;
检测员1 检测员2 检测员3 样本 № 真实值 第1次 第2次 第1次 第2次 第1次 第2次 1 0 0 0 0 0 0 0 2 1 0 0 0 1 0 0 3 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 5 1 1 1 1 1 1 1 6 0 0 0 0 0 0 0 7 1 1 1 1 1 1 1 8 1 1 1 1 1 1 1 9 1 1 1 1 1 1 1 10 1 1 1 0 1 0 1 11 1 1 1 1 1 1 1 12 0 1 1 1 1 1 1 13 1 1 1 1 1 1 1 14 1 0 0 0 0 0 0 15 0 0 0 0 0 0 0 16 1 1 1 1 1 1 1 17 0 0 0 0 0 0 0 18 1 1 1 1 1 1 1 19 1 1 1 1 1 1 1 20 1 1 1 1 1 1 1 21 0 0 0 0 0 0 0 22 0 0 1 0 1 0 0 23 0 0 0 0 0 0 0 24 0 0 0 1 0 0 0 25 1 1 1 0 1 1 1 26 1 1 1 1 1 1 1 27 0 0 0 0 0 0 0 28 0 0 0 0 0 0 0 29 0 0 0 0 0 0 0 30 1 1 1 1 1 1 1 31 0 0 0 0 1 0 0 32 0 0 0 0 0 0 0 33 1 1 1 1 1 1 1 34 0 0 0 0 0 0 0 35 0 0 0 0 0 0 0 36 1 1 1 1 1 1 1 37 1 1 1 1 1 1 1 38 0 0 0 0 0 0 0 39 0 0 0 0 0 0 0 40 1 1 1 1 1 1 1

3.记录其结果
★判定基准:按规格书上要求 数据收集:王久华

例子: Y的测量系统分析 成品检验测量系统分析
Assessment Agreement
Date of study: Reported by: Name of product: Misc:

Attribute Agreement Analysis for 检测结果 Within Appraisers Appraiser #?Inspected #?Matched Percent 1 2 3
95.0% ?C I Percent

95 % CI

40 40 40

39 34 39

97.50 (86.84, 99.94) 85.00 (70.16, 94.29) 97.50 (86.84, 99.94)

Within Appraisers
100 95 90
Percent Percent
95.0% ?C I Percent

Appraiser vs Standard
100 95 90 85 80 75 70 65

# Matched: Appraiser agrees with him/herself across trials. Each Appraiser vs Standard

Appraiser #?Inspected #?Matched Percent
1 2 3 40 40 40 36 32 36

95 % CI

85 80 75 70 65 1 2 Appraiser 3

90.00 (76.34, 97.21) 80.00 (64.35, 90.95) 90.00 (76.34, 97.21)

# Matched: Appraiser's assessment across trials agrees with the known standard.
1 2 Appraiser 3

Between Appraisers #?Inspected #?Matched Percent 40 34 95 % CI

结果表明:1.该测量系统重复性为85%, 2.该测量系统再现性为80%。 根据测量系统信赖性判定标准:≥80%

85.00 (70.16, 94.29)

# Matched: All appraisers' assessments agree with each other. All Appraisers vs Standard #?Inspected #?Matched Percent 40 32 95 % CI

结论:该测量系统可信赖。

80.00 (64.35, 90.95)

# Matched: All appraisers' assessments agree with the known standard.

计量型测量系统
连续数据 Gage R&R

连续数据 Gage R&R实例
? 让我们用 Minitab 来分析一些数据 ? 我们将使用 Minitab 的测量仪器 R&R 研究功 能

连续数据 Gage R&R实例

连续数据 Gage R&R实例
Minitab 输出
? Minitab 产生解析的和图表的分析信息
– 解析结果
? ANOVA 表格 ? 散布构成 ? 百分比占有率表

– 图表结果
? ? ? ? X-Bar / R 图 散布构成 操作者*部品交互作用图 操作者别和部品别图

? 让我们先看解析结果,然后再看图表结果

测量仪器 R&R 报表
Source 总测量仪器 重复性 再现性 操作者 操作者*样本 部品-部品 总散布 明显的分类数 = 4 %占有率 10.67 3.10 7.56 2.19 5.37 89.33 100.00 %研究散布 32.66 17.62 27.50 14.81 23.17 94.52 100.00 %公差 68.61 37.02 57.77 31.11 48.68 198.56 210.08

? % P/TV (与总误差比) 必须小于30% ? %P/T ( 与公差比) 必须小于30%

明显的分类数,必须大于5

图表输出

右标相对越高 越好.

越重合越好.

形状尽量重合, 大于50%红线 以外

越平越好

形状尽量重合, 点大部红线以 内,分级大于5

越窄越好.

图表解读—Xbar / R 图
Gage R&R (ANOVA) for Measurement
Gage name: Date of study: Reported by: Tolerance: Misc:

Xbar Chart by Operator
1.1 1.0
1 2 3

? 我们想看到在 X bar图中散 布在控制限的外面
3.0SL=0.8796 X=0.8075 -3.0SL=0.7354

Sample Mean

0.9 0.8 0.7 0.6 0.5 0.4 0.3 0

? 这显示的是部品 - 部品的散 布 ? 如果没有超限点, 你很可能 没能获得生产中覆盖正常范 围的样本

R Chart by Operator
0.15
1 2 3

Sample Range

3.0SL=0.1252 0.10

0.05

R=0.03833 -3.0SL=0.00E+00 0

0.00

? 极差( Range )图可以帮助确定不合适的分辨率 ? 我们要求在控制限内有最少 5 个可能的数值

图表解读— X-bar Chart by 测量者
? 测量者对同一部品进行重复测量时测量值的平均

? 如果每个操作者的平均值不同,再现性是可疑的
? 我们要求更多的平均值落在控制限外部,但所有 的操作者是一致的
– 这预示着更多的部品-部品散布,正是我们所要求的

? 我们想看到图上多数点落在控制限外部
– X-bar有多点超出规格,则说明偏差来自部品本身,否 则来自测量系统。

图表解读— R chart by 测量者
? 测量者对同一部品进行测量时最大值与最小值差异R值
? 可疑的不适当的分辨率,如果:
– R-图在控制限内有少于5个的明显水平

– 5 或更多的R水平,但多于1/4的值为0

? 如果R-图显示非受控情况,重复性可疑

? 如果一个操作者的范围非受控,而其他操作者受控,那 么方法可疑
? 如果所有的操作者的范围都非受控,那么系统对操作者 方法敏感

Gage R&R (ANOVA) for Measurement

图表解读—测量者-部品交互作用图
1.1 1.0 0.9

Date of study: Reported by: Tolerance: Misc:

Operator*Sample Interaction
Operator
1 2 3

Average

0.8 0.7 0.6 0.5 0.4

Sample

1

2

3

4

5

6

7

8

9

10

? ? ? ? ?

样本别测量者的测量值 对每个操作者按照部品别画一条线 显著的交互作用由两个操作者之间的交叉线来显示 我们期望对所有的操作者,所有的部品都是平行线 如果存在操作者 - 部品交互作用,我们需要了解并加以解决

散布的构成
200

Tolerance: Misc:

Components of Variation
P/TV值
Percent

P/T值

%Total Var %Study Var %Toler

100

0 Gage R&R Repeat Reprod Part-to-Part

精密度

重复性

再现性

? 以前讨论的数据图表表示 (测量仪器,人员,部品) ? 我们要求测量仪器 R&R 部分越小越好,以使部品 - 部品部分尽可能的大

如果我的数据来自破坏性检验怎么办?
有些检验 (扭矩、抗屈强度、张力、模数、延伸率、硬度 、电流强度等) 是破坏性的检验。样本不能由一个以上的操 作员来测量。 ? 样本的选择应该使“部件”自身的误差降至最低限度。 ? 每个操作员不只是测量同一个样本。 ? 每个操作员测量同一样本的一部分。这样,样本必须尽可 能是同一类别的。
Sample 1 Sample 2

Sample 3

样本内是相同的

样本之间存在差别

? 按照常规收集数据。 ? ANOVA 用来分析来自破坏性检验GR&R 分析 的数据。

MSA练习
计数型MSA练习

计量型MSA练习
? 实验目的 判断测量系统的信赖性 ? 实验内容 10个纸杯,装满不同高度的水。(水深差异越大越好) 试用直尺测。 设公差为8mm,分为小分队,每队选2名为测量者。各 队实验并发表结果。

过程能力分析

过程能力是……
? 过程在受控状态时,客户要求与过程表现(产品 质量或服务的质量变动程度)的比值,如果过程 表现越能满足客户要求,则过程能力越充分,反 之则不足.

四个过程
? 这些过程的过程能力如何?

LSL

USL

LSL

USL

过程能力如何?

LSL



LSL USL

USL

过程能力充分

过程能力很充分


LSL USL

过程能力非常充分

过程能力如何?
0.48
LSL USL

标准差 过程能力充分 σ =0.08

sigma水平 3σ

LSL

USL


过程能力很充分

σ=0.06



LSL

USL

过程能力非常充分

σ=0.04



过程能力与客户要求
? 对于某一客户的要求,标准差越小,sigma 水平越高,发生不良的可能性越小,过程能 力越充分. ? 当标准差没有变化时,客户要求很严,这对 不合格率和过程能力有什么影响呢?

什么导致缺陷?
? 额外的变异来源
? 制造过程和测量系统 ? 原材料的偏差 ? 不合理的或过窄的规格
不适当的规格设计

不稳定的原材料

不充分的过程能力

过程能力分析
不充分的测量能力 不充分的过程能力
LSL

原材料的偏差 不适当的规格设计
USL

过程能力

多少产品超出了规格?短期的/长期的?

不同类别数据的过程能力分析
计量型
客户的要求

计数型
客户的要求

无缺陷 (<130Min)
110 115

缺陷 (>130Min)

120 125 130 135 140

1

2

3

4

5

6

7

装配时间(Min)

缺陷数

过程抽样--短期
? 短期数据
? 无特殊原因
? 仅受普通原因的影响 ? 从小范围数据收集而来

? 从一个班次收集而来
? 仅使用一台机器 ? 仅有一个操作者

? 仅使用一批原材料中的元件
? 很少过程具备提供真实短期样本的能力 ? 很少数据采集系统具备真实的能力

过程抽样--长期
?长期数据
? 反映了普通原因和特殊原因的影响
? 从大范围数据收集而来 ? 从许多生产班次而来

? 使用许多机器

? 使用许多机器

? 有许多操作者
? 从大多数过程所收集的数据都代表长期过程
注意:长期能力sigma是总体sigma。

长期/短期过程能力
长期

短期

标准差大 偏离目标值

标准差小 达到目标值

短期能力

LSL

USL

长期能力

长期和短期能力(Z-偏差)
? 通常长期和短期Sigma 水平相差1.5σ ? ZLT=ZST-1.5
要知道 ZST 收 集 了
短期能力
ZST
ZLT

ZLT
长期能力
-1.5

短期数据
长期数据

+1.5

过程能力
一个处在中心位 置的6Sigma过程

0.01 ppm
LSL

0.01 ppm
USL

初始过程数据 给出的是短期6 σ 换成长期:
6σ-1.5σ=4.5σ

长期和短期能力(Z-偏差)
Sigma水平 短期DPMO 1 158655.3 2 22750.1 3 1350.0 4 31.7 5 0.3 6 0.0018 长期DPMO 691462.5 308537.5 66807.2 6209.7 232.7 3.4

ZLT=ZST-1.5

分析短期和长期波动
?绝大多数的数据是介于短期和长期之间 ?为评估真实的短期数据:
?设计过程能力分析 ?分组的方法是否合理

?有些过程是不宜进行短期能力分析;
?取样非常昂贵或非常困难 ?过程生产的输出很少或过程周期时间很长

短期还是长期
?准则:如果80%的输入是在它们自然的范围中 起伏,则输出的数据可被认为是长期的;

另外一个方法可用来观察长期与短期:
长期 SSTotal SSBetween SSwithin
100 90 80 70 60 0 5 10 15 20

短期

X x x

25

短期还是长期
机会
σ
2 Total



2 Within


2

2 Between

σ

2 Long - Term

=σ +σ +σ +σ +σ +σ +

Short - Term 2 Machinen 2 Day-to-day 2 Operators 2 Batchs 2 Seasonal ……

机会

长期分析

Cp与潜在最佳值
? Cp是描述潜在最佳值的好指标; ? 潜在最佳值—观察得到的,过程短期绩效的最佳表现; ? 机会—所观察的过程长期绩效与潜在最佳值之间的差异; ? 6 Sigma项目—通过驱使长期绩效朝着短期潜在最佳值; 方向发展,以缩短两者间的差距。

短期(潜在最佳值)

长期

短期还是长期
?合并标准差与总标准差
?各子组的方差可被合并,以得出一组内的标准差;
σ
2 Total 2 Within 2 Between





?总的标准差是从所有的数据中计算而得,并没有考虑子组; ?合并标准差没有计入组间的波动,而总的标准差考虑了; ?合并Sigma是组内波动的最佳值。

短期还是长期
?长期数据与短期数据的分别 ?短期
?数据是在有限的几个运行周期内收集; ?数据收集的范围局限在几台设备和操作工; ?数据特性几乎总是连续变量;

?长期
?数据的收集跨越许多原形周期或设备和操作工; ?数据可能是连续,也可能是离散的; ?离散数据几乎总是属于长期过程。

能力分析的类型
计量型参数
步骤1

计量型参数
步骤1 步骤2 步骤3

检查规格
对过程抽样 计算Z值

缺陷数据确认
计算PPM

步骤2

步骤3

计算Z值
计算Cp,Cpk,Pp,Ppk

步骤4

估算 ppm

估算
Cp,Cpk,Pp, Ppk

步骤4

过程能力--计量型数据
LSL 规格下限

?计量型输出的能力确定
? 产品规格确认 ? 抽样检验规格的实际数据(短 期或长期) ? 计算Z值 ? 将Z值转化成需要的指标

USL 规格上限

ppm,Cp,Cpk,Pp,Ppk
计量型数据等于?力 量!!!

计量型数据过程分析能力 步骤1:规格确认
? 参数Y的规格正确吗?

? 参数Y是否在规格上下限之间的中心点? ? 要确定真实的能力, 真实的规格是必要的
? 这些是否被忽略: 如何设定规格? ? 由设计者----蓝图 例:125±1.5mm ? 由客户

例题:

? 一名钢笔生产工程师想评估生产钢笔时控制钢笔长度的能力.客户要求 为:125±1.5mm.
? 该工程师每日随机抽取5支笔, 进行了7天, 共35个数据(见pen .mtw).试求Zst, Cp, Cpk, Zlt, Ppk ?

计量型数据过程分析能力 步骤2: 采集数据----合理分组 ?数据采集应能捕捉过程的短期绩效和长

期绩效(若有可能)
?可通过快速采集一系列数据来完成,这些数

据按时间序列排列
?快速采集的数据应从合理分组中抽样

计量型数据过程分析能力
步骤2:采集数据--合理分组
? 何谓合理分组
? 从某一过程中连续产生的部件或单元中合理的选择,试图捕捉 到过程最小的波动; ? 组内的差异只由偶因所致,组间的差异主要由异因造成; ? 合并标准差(合并是一种平均的形式)-Pooled SD是一种对潜在 最佳能力的较好估计. 取样实例: 工程师每日随机抽取5支笔, 进行了7天采集长度数据(见pen .mtw).
T(1) T(1) T(1) T(1) T(1)
H is t ogra m of Ch ambT e mp
12 10

D1 D2 D3 D4 D5 D6 D7

8

LSL=123 .5

USL=126 .5

Frequency

6

4

2

0 123.6 124.2 124.8 ChambTemp 125.4

计量型数据过程分析能力 步骤3: 计算ZUSL和ZLSL
Z
USL

=
=

USL - X S short-term
X -LSL Sshort-term

=
=

126.5 -

124.61 0.49
0.49

? Z-值
=
=

3.86
2.26

Z

124.61- 123.5

? 提供了一个标准统计 值 ? 反映了与规格的上下 限相关的过程能力

LSL

步骤4: 计算Cp
Cp

=

客户的要求 过程的表现

Cp

=

USL - LSL 6σ

Cp

=

产品公差 过程的容差(散布)

计量型数据过程分析能力 步骤5:计算过程潜在的能力(Cp)
Cp = 产品公差 USL - LSL = 过程的容差(散布) 6σ st
例题: 产品公差 一个过程的均值为325,标准差 为15,规格上限为380,规格下限 为270;Cp为多少? 若均值为355,标准差没有变化, 则Cp又为多少?
3σ -3σ 过程容差

计量型数据过程分析能力 步骤6:钢笔长度的Cp值
? LSL=123.5 ? u=124.61 USL=126.5 σ=0.49
Cp = 产品公差 过程的容差(散布)

=

USL - LSL 6σ st

126.5 - 123.5 Cp = 6*0.49
Minitab计算结果
Process Capability of ChambTemp
LSL
Process Data LSL 123.5 Target * USL 126.5 Sample Mean 124.607 Sample N 35 StDev(Within) 0.49662 StDev(Overall) 0.489815

= 1.02

USL Within Overall
Potential (Within) Capability Cp 1.01 CPL 0.74 CPU 1.27 Cpk 0.74 Overall Capability Pp PPL PPU Ppk Cpm 1.02 0.75 1.29 0.75 *

123.5

U=124.61

126.5

123.6
Observed Performance PPM < LSL 28571.43 PPM > USL 0.00 PPM Total 28571.43

124.2

124.8

125.4

126.0

Exp. Within Performance PPM < LSL 12897.49 PPM > USL 69.05 PPM Total 12966.54

Exp. Overall Performance PPM < LSL 11902.71 PPM > USL 55.66 PPM Total 11958.37

计量型数据过程分析能力 步骤7: 计算钢笔长度Cpk-过程绩效
Cp =
Cpk =

USL - LSL

6*σ
min[

short-term
X - LSL 3*σ st 124.6 - 123.5 3* 0.49

=
,

126.5 - 123.5 = 1.02 6*0.49
ULS - X 3*σ st

] ]

Cpk = min (Cpl ,Cpu ) Cpl = Cpu = u - LSL 3 σ st ULS - u 3 σ st

= min[ = 0.775

126.5 - 124.6 , 3* 0.5

Minitab计算结果
Process Capability of ChambTemp
LSL
Process Data LSL 123.5 Target * USL 126.5 Sample Mean 124.607 Sample N 35 StDev(Within) 0.49662 StDev(Overall) 0.489815

USL Within Overall
Potential (Within) Capability Cp 1.01 CPL 0.74 CPU 1.27 Cpk 0.74 Overall Capability Pp PPL PPU Ppk Cpm 1.02 0.75 1.29 0.75 *

123.5

U=124.6 1

126.5

123.6
Observed Performance PPM < LSL 28571.43 PPM > USL 0.00 PPM Total 28571.43

124.2

124.8

125.4

126.0

Exp. Within Performance PPM < LSL 12897.49 PPM > USL 69.05 PPM Total 12966.54

Exp. Overall Performance PPM < LSL 11902.71 PPM > USL 55.66 PPM Total 11958.37

计量型数据过程分析能力 步骤8-1: 计算Sigma水平(Zst)
选: Calc>Probability Distributions>Normal填入数据得出:

x 123. 5

P( X <= x ) 0.0117470

x 126.5

P( X <= x ) 0.999943

Total=0.01175+(1-0.999943)=0.0118=11,800 DPOM

计量型数据过程分析能力
步骤8-2: 计算Sigma水平(Zst)
? Calc>Probability Distributions>Normal
用标准正 态分布 ?选Stat>Quality Tools>Capability Analysis>Normal
Process Capability of ChambTemp
LSL
Process Data LSL 123.5 Target * USL 126.5 Sample Mean 124.607 Sample N 35 StDev(Within) 0.49662 StDev(Overall) 0.489815

USL Within Overall
Potential (Within) Capability Cp 1.01 CPL 0.74 CPU 1.27 Cpk 0.74 Overall Capability Pp PPL PPU Ppk Cpm 1.02 0.75 1.29 0.75 *

P( X <= x ) 0.9882

x 2 .26358
123.6
Observed Performance PPM < LSL 28571.43 PPM > USL 0.00 PPM Total 28571.43

124.2 124.8 125.4 126.0
Exp. Overall Performance PPM < LSL 11902.71 PPM > USL 55.66 PPM Total 11958.37

Exp. Within Performance PPM < LSL 12897.49 PPM > USL 69.05 PPM Total 12966.54

CPm:考虑偏离与期望的过程能力=T/6*√σ 2+(M-μ )2

计量型数据过程分析能力 步骤9: 计算Zlt
? 把短期的Sigma水平转换成长期的Sigma水平
? 问题:需要加1.5还是减1.5? ? 提示:长期Sigms水平不会比短期大. ? 答案:减1.5

Z long-term=Z short-term

=2.26-1.5
Z long-term=0.76
1.5 σ漂移--从Zst到Zlt
? 被用作根据短期能力来测算长期 能力,反之亦然 ? 被用作计算过程中的长期波动

计量型数据过程分析能力 步骤10:预测长期能力Ppk
? 用长期能力代替短期波动
Cpk = Ppk =

min[ min[

?- LSL
3*σ st

,

ULS - ? 3*σ st ULS - ? 3*σ lt

] ]

?- LSL
3*σ lt

,

Minitab认为长期的波动可通过组间的波动来预测

ZLT=ZST-1.5

Process Capability of ChambTemp
LSL
Process Data LSL 123.5 Target * USL 126.5 Sample Mean 124.607 Sample N 35 StDev(Within) 0.49662 StDev(Overall) 0.489815

USL Within Overall
Potential (Within) Capability Cp 1.01 CPL 0.74 CPU 1.27 Cpk 0.74 Overall Capability Pp PPL PPU Ppk Cpm 1.02 0.75 1.29 0.75 *

ZLT=2.26-1.5=0.76
ZLT=3*Ppk Ppk= ZLT/3=0.25

123.6
Observed Performance PPM < LSL 28571.43 PPM > USL 0.00 PPM Total 28571.43

124.2

124.8

125.4

126.0

Exp. Within Performance PPM < LSL 12897.49 PPM > USL 69.05 PPM Total 12966.54

Exp. Overall Performance PPM < LSL 11902.71 PPM > USL 55.66 PPM Total 11958.37

能力计算公式汇总
短期过程能力指标
6*σ short-term Cpk = min(Cpk (USL) , Cpk (LSL))
USL - x

长期过程能力指标
Pp

Cp =

USL - LSL

=

USL - LSL

6*σ

long-term
(LSL)

Ppk = min(Ppk (USL) , Ppk
USL - x

) )

Cpk = min(

σ 3* 组内
USL - x

,

x-

LSL

σ 3* 组内

)

Ppk = min( )

σ 3* 总体
USL - x

,

x-

LSL

σ 3* 总体
x-

Z

short

= min(

σ 组内

,

x-

LSL

σ 组内

Z long= min(

σ 总体

,

LSL

σ 总体

)

过程变异幅度 设计变异幅度

标准差的计算
方法1: 长期标准差

δ

总体

s?

?

n i ?1

( xi ? x )

2

n ?1

总体的抽样数据标准差,不进行子组分组,计算出来的过程能力为PPK值

方法2: 子组级差法
σ 组内 =R/d2
其中,R是控制图子组极差的均值,而d2可以从休哈特系数表查得,它取决于子组的样本容量 。用极差来估计标准差时,此种计算方法是“不精确”的,因为每一个子组只用了两个数据 ,且随着子组样本容量的增加而越不精确。

标准差的计算
方法3: 移动极差法
σ 组内 = MR/d2=MR/1.128

其中,MR是两个连续样本的移动极差,而d2可根据子组样本为2的从休哈特系数。最新研究 表明,这种方法对各种失控类型都有很好的预警效果。

方法4: 子组标准差法
σ 组内 = S/C4
其中,S是控制图子组标准差的均值,而C4可根据子组的样本从休哈特系数表查出。与“子组 极差法”比较,计算起来有些麻烦(手工),但精确性更好。

标准差的计算
方法5: 子组标准差法
σ
组内

= Sp/C4(d)
( l -1)
组内

其中:Sp = SSE/

SSE ? ?? ?xij ? x ?
l m i ?1 j ?1

2

l

d=(

i ?1

l i)-m-1

Level of Factors (There are L Levels) 因子的水平(假设共有L个水平) A1 No. of repeated trials . (Each level is repeated m times)实验的重复次数 (假设每一水平重复m次) A2 A3 A4 A5 A6 … AL x11 x21 x31 x41 x51 x61 … XL1 x12 x22 x32 x42 x52 x62 … xL2 x13 x23 x33 x43 x53 x63 … xL3 ………………………………………….. x1m x2m x3m Sum 总和 Average平均数 T1 x1 T2 x2 T3 x3 x4m x5m x6m … T4 x4 T5 x5 xLm T xL x

T6 … TL x6 …

标准差的计算
方法6: 标准普尔法

σ

组内

的计算如下:

a、当每组子样本容量ni相等时: σ =√(s1 组内
2+s22+s32+……+sn2)

/n

b、当每组子样本容量ni不相等时:

σ =√(f1*s1 组内

2+f2*

s2 +f3*s3 +……+fn*sn )/(f1+f2+f3+……+fn)
2 2 2

其中fi=ni -1 , ni=1,2,3…… Sn为每组子样本的组内标准差。样本根据抽样时间进行分组;

过程能力计算练习1
? 某工程师欲分析杀菌过程,分析方法是监控每批产品杀菌 室温度,所有不合格产品会重新返工. ? 产品合格率显示过去9个月有11.5%批的产品不合格. PPM=缺陷比率× 1000000=0.115× 1000000=115000 ? Z-值: 假定所有缺陷发生在左或右的一端 ? P(z<?)=1- 0.115,那么Z为多少? ? P(z<1.2)=0.885

? 用Minitab计算
? ZLT =1.2
Z

计算Ppk,Zst和Cpk
Ppk = Z l t / 3 = 1.2/3 = 0.4 Z short-term=Z long-term + 1.5 =1.2+1.5 = 2.7 Cpk = Z st / 3 = 2.7 / 3 = 0.9

过程能力计算练习2
? 一PCB生产商想评估沉银工序微蚀速度的能力。 微蚀速度规格: 101± 3? m/min。 ? 假设每天抽取5个数据,共抽取了20天的数据, 测量各样本的微蚀速率并记录在Minitab中 (rating.mtw)

? 试求Zst,Cp,Cpk,Zlt,Ppk?

计数型过程能力分析
寻找计量型数据 太难了! 遇上计数型数据 该怎么办

计数型数据

1

2

3

4

5

6

7

缺陷数

计数型过程能力分析
使用Minitab计算Cp,Cpk,Pp,Ppk
问题: 如果你收集的是短期数据样本,然
后在Minitab中进行能力分析,哪个统计 量能代表过程真实的短期能力?

计数型过程能力分析
对计数型输出的能力确定: 步骤1: ? 验证缺陷的定义/描述 ? 计算缺陷数量(并计算总产量)。通常可以 使用历史数据并当作长期来考虑。 ? 步骤2: ? 计算缺陷的比例和PPM ? 步骤3: ? 计算Z值,适用时偏移1.5 ? 步骤4: ? 估计能力指标 ? 将Z转化成Cp,Cpk,Pp,Ppk

缺陷数据确认

计算PPM
计算Z值 计算Cpk,Ppk

计数型过程能力分析
? 练习:用下面的Pareto图,计算Intrepid交付无缺陷产品的能力
Pareto Chart by Prooluot 7000 6000 5000 4000 3000 2000 1000 0 120 100 80 60 40 20 0
percent

不合格点数

Scrapped Units

计算PPM

Ls uz u

Es co rt

Le xu s

In te rp id

Ot he rs

计算Z值

Total Units:35000 5000 60000 15000 20000

计算Cpk,Ppk

计数型过程能力分析
步骤1:缺陷数据计算
1、验证缺陷的定义/描述 2、计算缺陷数量(并计算总产量)。通常可以使用历史数据并当作 长期来考虑。

步骤2:计算PPM
Pareto Chart by Prooluot 7000 6000 5000 4000 3000 2000 1000 0
Ls uz u Es co rt Le xu s In te rp id Ot he rs

Scrapped Units

120 100 80 60 40 20 0
percent

Total Units:35000 5000 60000 15000 20000

假设:每一个产品有一个缺陷机会 Intrepid产品缺陷数量:4000 Intrepid产品总产量:35000 ③ 计算缺陷比例和PPM Proportion of defects=0.1143 PPM=0.1143*1,000,000 =114,300 PPM 缺陷比例=0.11473 PPM=0.1143*1,000,000 =114,300 PPM

计数型过程能力分析
步骤3:计算Z值
计算Z值,适用时偏移1.5σ ? 在缺陷率为11.43%时,ZLT=1.204

步骤4:计算Cpk,Ppk 估计能力指标 将Z转换成Cpk & Ppk Cpk=ZST/3=0.9013 Ppk=ZLT/3=0.4013
?练习:同上例 路径:Stat>Quality Tools>Capability Analysis>Binomial

计算缺陷水平
计算每单位缺陷(DPU)
DPU= 缺陷总数 生产的总数

计算每百万机会缺陷(DPMO)
DPMO= DPU*1,000,000 在一个单位中错误的总机会


相关文章:
六西格玛绿带考试题目
方差(S) D.极值(R) A.Sigma(σ) 4、( )六西格玛改进的五个阶段 D、M...六西格玛绿带培训教材 217页 免费 六西格玛 绿带 106页 免费 六西格玛绿带试题 ...
六西格玛绿带知识考试试题
中国3000 万经理人首选培训网站 六西格玛绿带知识考试试题(A 卷-选择题)一、单项选择(26 分) : 1.六西格玛改进的五个阶段 D、M、A、I、C 中的 D 表示 a...
六西格玛绿带试题及答案
六西格玛绿带试题及答案_从业资格考试_资格考试/认证...确定项目的 指标是六西格玛 DMAIC 哪一个阶段的 ...六西格玛绿带培训教材.p... 217页 免费 六...
六西格玛绿带知识考试试题
六西格玛绿带知识考试试题(A 卷-选择题)一、单项选择(26 分) : 1.六西格玛改进的五个阶段 D、M、A、I、C 中的 D 表示 a.Do 实施 b.Design d.Defect ...
六西格玛 绿带A阶段考试
六西格玛 绿带A阶段考试_经管营销_专业资料。本钢第四期六西格玛绿带知识测试题(A 阶段) 本钢第四期六西格玛绿带知识测试题 阶段一.选择题(每题 4 分). 1. ...
04 A 六西格玛绿带课程
01-绿带教材-六西格玛概论... 21页 免费如要投诉...M A I I C C 2.2 确定根本原因/波动源(SOV).... 向局外人传达阶段性的结果。 .通过数据揭示问题的...
BmkduSixSigma六西格玛绿带培训
01-绿带教材-六西格玛概... 24页 免费B​m​k​d​u​S​i​...重点讲解六西格玛项目各阶段所用工具。经考核合格学员颁发《六西格玛绿带培训合格...
6西格玛培训教材
6西格玛培训教材_调查/报告_表格/模板_实用文档。6...黑带、绿带等新名词成 为企业内让人羡慕的新职位。...再回 到上述电视机的质量上,色彩浓度的目标值是 m...
3.六西格玛绿带考试试题 - 含答案
六西格玛绿带知识考试试题(A 卷-选择题)一、单项选择(26 分) : 1.六西格玛改进的五个阶段 D、M、A、I、C 中的 D 表示 a.Do 实施 b.Design d.Defect ...
六西格玛绿带知识要点
32) 在 DMAIC 控制阶段,使用适宜的精益生产工具(如 5S、目视管 理、改善、看板...六西格玛黑带考试知识要... 94页 5下载券 六西格玛绿带培训教材.p... 217...
更多相关标签:
六西格玛绿带教材 | 6西格玛绿带培训教材 | 六西格玛绿带培训教材 | 六西格玛绿带 | 六西格玛绿带培训 | 六西格玛绿带工资多少 | 六西格玛绿带手册 | 6西格玛绿带考试 |