【分享】六西格玛推行阶段的统计工具

还不止这些，要真正用的话，基本上品质手法工具都用的上！

流程绘制方法(Process Mapping),要求把所有重要流程列出，然后把每一个主要流程细化并进行评估，最后发现流程的改进空间


Process Mapping

逻辑树形图是常见的问题成因及对策分析法,特色在于其简便和系统性,可用来拆解问题成因和检讨因应对策的架构及内涵.主要将特定问题拆解成一组子议题,不但有助于厘清问题根本要素,同时还能让负责解决问题的团队或个人,建立起一个清晰的问题架构.

所谓柏拉图乃一长条图﹐是直方图的一种, 其长条之长度代表该项目出现之频率﹐频率最高之项目靠左﹐频率最低者靠右﹐依次排列。通常情况下,20%的项目会占据80%的频率.因此柏拉图分析是以80:20原理进行重点分析的图表，不良／缺点项目依数量之大小排列，横坐标为不良／缺点项目，纵坐标为不良／缺点数量或累积百分比，分析出重点不良／缺点项目供品管人员做为改善之目标。其制作方式如下：
1. 决定分类项目： 以产品或制程订定检查项目或不良原因。
2. 收集数据： 以某一期间收集特定问题的检查记录。
3. 依数量之大小排序整理数据





柏拉图制作方法

品质机能展开（Quality Function Deployment, QFD）是由日本品管大师赤尾洋二（Yoji Akao）与水野滋（Shigeru Mizuno）所提出之重要品管理论.根据文献的整理，相关重要时间点如下：
•赤尾洋二与水野滋于1972 年，将其累积之品管经验于日本Standardization and Quality Control 期刊”Development of New Products and Quality Assurance—A System for Quality Deployment”一文，正式出现「品质展开」一词。
•1978 年，赤尾洋二与水野滋共同编着了QFD 的日文书，Quality Function Deployment: A Company-wide Quality Approach。
•Glenn Mazur于1994年将该书翻译成英文书 QFD: The Customer-Driven Approach to Quality Planning and Deployment，成为QFD圣经。
品质机能展开（QFD）包括”品质”（Quality）、”机能”（Function）与”展开”（Deployment）三部分。”品质”即是品质屋（House of Quality, HOQ）所要达到之品质要求；机能又称为功能，即是倾听客户声音（Voice of Customers, VOC）后所汇整之功能需求，亦可称谓客户需求（Customer Requirement）；”展开”即是要达成产品品质所进行之一连串流程整合，包括概念提出、设计、制造与服务流程等。换言之，品质机能展开即是在了解客户需求后，展开一系列流程改造与整合工作，以达成客户所需产品功能之完整品质管理工作。
品质机能展开的重点有二，其一为品质屋建立，其二为针对品质追求流程进行展开。品质屋组成分为六大部分，如图一所示，分别为1.客户需求、2.需求评估、3.技术需求、4.关系矩阵、5. 技术需求关连矩阵与6.技术目标，分述如下：
1)客户需求（Whats）：倾听顾客声音建立客户需求内容，或称为广义的问题解决标的。
2)需求评估（Whys）：顾客需求中哪些是重要与真实声音，可藉由不同调查与多面向评估准则其需求内容。
3)技术需求（Hows）：技术需求，亦即根据客户需求所提出的技术供给议题。或称为广义的解决方案。
4)关系矩阵（Whats vs. Hows）：建立客户需求与技术需求关系。
5)技术需求关连矩阵（Hows vs. Hows）：技术需求与技术需求关系，以建立技术取舍关系。
6)技术目标（How Muches）：技术需求目标与重要性排序



QFD

FMEA研究产品, 流程, 系统, 软件中的各子部分可能失效的模式和后果, 并根据分析制定相应的预防和改善措施的方法和程序.在SixSigma中用于解决3-4西格玛的问题.
FMEA可以描述为一组系统化的活动，其目的是：
（a）认可并评价产品/过程中的潜在失效以及该失效的后果；
（b）确定能够消除或减少潜在失效发生机会的措施；
（c）将全部过程形成文件。
FMEA是对确定设计或过程必须做哪些事情才能使顾客满意这一过程的补充

论坛有很多关于FMEA的文献
如
http://www.instrument.com.cn/bbs/shtml/20070822/953370/
http://www.instrument.com.cn/bbs/shtml/20070510/832245/

Gage R&R
　　对测量系统进行研究以确定测量系统由量具和测量者
造成的偏差是否在一个可以接受的范围之内的方法. 在DMAIC的测量阶段必须确认测量系统合格之后项目才能继续进行

定性测量系统研究:
定性型量具 R&R -术语:
检验员分数（%）-在定性型R&R检验过程中，检验员前后一致的比例
定性数据--定性（合格/不合格）数据，可用来做记录和分析
定性型测量系统--把每个部件与标准进行比较，从而决定部件是否符合标准的测量系统。
消费者偏见--员工倾向把合格产品判为废品
有效筛选分数（%）--在定性型R&R检验过程中，所有员工本身前后一致且相互之间也一致的比例。
标准值--由一个高准确度量具所测的平均值
生产者偏差--员工倾向于把不合格（有缺陷的）产品判为合格
筛选--用检验方法对产品进行100%的评估
筛选有效性--定性量具系统区别合格与不合格的能力

使用定性型量具 R&R 的目的:
工艺评估
评估你的检查标准或工作质量标准与客户要求的一致性
确定所有班次，机器等的检查人员是否使用相同标准来决定合格与不合格
量化检查人员准确重复其检验结果的能力
确定检查人员与“已知标准”的一致性及倾向于消费者偏差还是生产者偏差
工艺改进
发现是否需要培训，缺少工序或缺乏标准

定性型量具 R&R 的方法:
准备
从工艺中挑选30个部件，50%合格，50%次品
可能的话，挑选近乎于合格和不合格样本
挑选检查人员--受过完全培训的和有资格的
实施
要求每一个检查人员随机地检查部件，决定合格与不合格并重复此检查
评估
将结果载入文件
如果必要，采取适当的措施调整测量工艺
重做R&R试验，核实调整后的有效性

定性型量具 R&R --结论:

检查员分数
如果大多数员工都是100%，则培训作用极为有限
筛选有效分数
如果员工本身前后一致但是相互间不一致，则重新培训可帮助减少错误。
标准化分数
如果员工时常与标准不一致，则需要改变测量系统（或局部标准）
工艺能力分析:
为何测量工艺能力?
使我们根据数据分配资源！ （这可不常见！）
缺陷率得以量化
确认可以改进机会
分析工艺能力可使组织预测其所有产品和服务的真实质量水平
确认工艺发生问题的本质-居中程度或分散度

工艺能力研究
连续数据 离散数据
1.确认标准限 1.确认标准限
2.收集数据 2.收集数据
3.确定短期偏差 3.决定：短期还是长期？
4.计算工艺能力指标： （通常是长期）
a.短期： 4.计算工艺能力指标：
Ⅰ ZU,ZL a.长期：
Ⅱ CP Ⅰ PPM
Ⅲ CPK Ⅱ Sigma水平ZLT
Ⅳ Sigma水平ZST Ⅲ PPK
b.长期： b.短期：
Ⅰ Sigma水平ZLT Ⅰ Sigma水平ZST
Ⅱ PPK Ⅱ CPK

工艺能力计算实例
一位技师负责医院设备的蒸汽杀菌过程。其中一个关键参数是控制“暴露”阶段的温度。
设备室温度和在最小饱和蒸汽浓度的周期时间决定杀菌程度在整个设备室维持前后一致的温度范围很重要。
第一步：确认标准
这一阶段常被忽视。
我们如何设定标准？
设计部门-设计蓝图
设计部门如何得到各项要求？
工艺部门-标准由工艺以前能够做到的或开始使用时的能力定
这想法有错吗？
客户
我们总是对客户说可以吗？
对上例而言：
设备室目标温度是1250C±1.50C
第二步：采集数据-合理编组
应采集数据获得“短期”性能，如可能，“长期”性能
通过固定时间区间采集一系列快照型数据
应按合理编组采集快照数据
什么是合理编组？
从流程连续不断产生的零件或产品中合理取样以期捕获最小工艺偏差的方法
组内偏差反映一般偏差
平均标准差（用一种均方差方法平均）是对工艺应有能力的良好估计
第二步：采样-例子
例子：技师在暴露周期从控温探针读数中选取五个数据，并从连续七个杀菌运转周期采集数据，数据列在ChamberTemp2.mtw文件的杆ChambTemp栏中
第三步：确定短期偏差
多数现有数据居于长期和短期之间

为了估计真实短期数据：
小心设计工艺能力研究方法
确保编组策略合理
某些工艺无法研究短期数据
如低产量和长循环周期工艺
采样昂贵或难以取样的工艺
第三步：短期还是长期？
一个指导思想：如果允许80%的输入指标
在其自然范围内浮动，数据就是长期的
短期及长期：组内及组间
平均标准差与总标准差
对各组方差取平均值可得到组内标准差的平均值
总标准差由所有数据算出，不计编组
平均标准差不计组间偏差，而总标准差计入组间偏差
平均标准差是对组内标准差的最佳估计
长期和短期指导思想
短期
数据在有限的周期或间隔采集
数据在有限的机器和员工中采集
差不多总是连续变量

长期
数据在很多的周期，间隔，机器和员工中采集
可以是离散或连续数据
离散数据几乎都是长期性的
第四步： 计算ZU和ZL:
Z-分数
提供统计数据以便用共同语言交流
提供一个与标准上下限相关的工艺性能指标
第四步： 计算CP
例子
工艺平均值为325
标准差为15
标准上限为380，下限为270
CP是多少？
若平均值为 355而标准差不变CP又是多少？
Cp与工艺应有能力
Cp是工艺应有能力的良好指标
工艺应有能力--一个工艺观察到的最好的短期性能
机会--工艺长期性能与工艺应有能力间的差距
Sigma项目--致力与把长期性能与工艺应有能力的差距缩短
定量测量系统研究:
定性型量具 R&R --模型
测量系统 μ总和=μ工艺+Δμ测量系统
偏离度： 观察值=实际真实值+测量偏移
通过“校准计划” Δ 测量偏移
来评估 真实值 测量值
（准确度）
测量系统 σ2 总合=σ2工艺+σ2测量系统
偏离度： 观察的偏差=工艺的偏差+测量的偏差
通过“校准计划”
来评估 真实值 测量值
（准确度）

测量系统的指标:
量具R&R结果->量具偏差（σmeasurement system ）
真实值 精确度（量具偏差）
观察值
测量系统的精确度（P）：

精确度包括重复性和复制性
测量系统的指标-PT:
精确度与公差之比--P/T
代表量具偏差占公差的部分
此部分通常用百分数来表示
最好的情形P/T<10%--可接受的P/T<30%

测量系统的测量方法--P/TV:
精确度与总偏差之比
代表量具偏差占据总偏差的部分
此部分通常用百分率来表示
最好情形<10% 量具可接受条件<30%
测量系统的指标--分辨指数 :
分辨指数是测量系统从工艺数据中可辨认的不同读数的数量
分辨指数是一个分辨率指标
分辨指数是重复性和复制性的函数
最好情形：>4 ，可接受的：3-4
P/T 和 P/TV 的用处:
P/T （% 公差）
最常用于测量系统的精确度评估
将量具的精确度与公差要求进行对比
如果量具用来对生产样品进行分类 P/T 还可以
P/SV（%R&R）--6 Sigma 首选
测量量具与量具研究偏差相比其性能如何
最适合进行工艺改进的评估
使用时应小心。量具研究偏差并不一定代表真实的工艺偏差
P/TV（%R&R）--6 Sigma 首选
测量量具与工艺偏差相比其性能如何
使用时应小心。量具研究偏差并不一定代表真实的工艺偏差
当量具样本中的偏差代表真实工艺偏差时，P/TV等于P/SV
定量型量具 R&R --使用方法说明:
1，校准量具或确认最近校准仍然有效
2，收集10个代表工艺偏差全部范围的样本
3，从每日使用这种测量方法的员工中选出检验员
4，运用 Clac>Make Patterned Data> 准备量具研究数据表
5，让员工测量所有无标识，随机次序的样本
6，分别让另外其他员工测量所有无标识，随机次序的样本
7，重复第五步及第六步循环三次。也尽量打乱员工次序
8，用 Minitab 作下列两个分析
Stat>Quality Tools>Gage R&R Study(Crossed)
Stat>Quality Tools>Gage Run Chart
9，对测量系统能力研究结果进行分析
10，确定适当的后续措施
定量型量具 R&R --Minitab 实例:
一个黑带想对冶金工艺使用的温度表进行量具研究，他严格按前面一页的方法进行实验，并将数据输进了R&Rexample.xls 中。
运用Minitab分析数据并评估量具能力
Stat>Quality Tools>Gage R&R Study(Crossed)...
Minitab 量具R&R研究--选项
输入该工艺公差和偏差，如果你想要Minitab帮你计算P/T 和 P/TV的话。
Minitab 默认计算P/SV
量具R&R结果--ANOVA表
P值是变化源在统计上对总偏差影响是否不显著的概率
在这个例子中，部件和员工均为显著的偏差源