（统计学专业论文）六西格玛管理中统计分析方法的改进——神经网络的运用.pdf

六西格玛管理中统计分析方法的改进 辟方向，同时通过对这些数据挖掘技术在六西格玛管理中的应用研究可以为 六西格玛流程改进引入新的方法和手段，从而能够更好的改进企业流程，降 低企业经营成本，提高顾客满意度。 第二章先是简单介绍了六西格玛的基本概念和特征；六西格玛管理常用 的度量，包括什么是西格玛水平z ，什么是百万机会缺陷数d p m o 等；六西 格玛管理的核心流程d m a i c ，本文的结构也是按照六西格玛管理的核心流程 来安排的。这些内容主要让读者了解六西格玛管理，也为本文后面的内容服 务。在简单介绍的基础上，作者还简单提出了六西格玛管理中统计方法实现 存在的主要问题：测量过程中的问题、过程改进中问题、过程控制中的问题。 这样就引出了四，五六三章的核心内容。 第三章也是为后面三章服务的，先简单介绍现有的实现六西格玛的工具， 总结了这些工具在实现六西格玛时会遇到哪些困难。在此基础上提出了神经 网络和遗传算法，并且简单介绍了这两种方法的工作原理和特点。 四，五，六章是本文的核心部允，分别涉及的是六西格玛管理核心流程 ( d m a i c ) 中测量( m ) ，改进( i ) ，控制( c ) 三个方面的内容，这三章都 是同样的结构，先分析了这些过程中现有的统计工具实现起来有哪些问题， 然后阐述用神经网终去解决这些问题的思路和过程，最后部分都是实例分析。 在实例分析中，作者主要采用了制造业中的数据，数据并非作者亲自采集得 来，而出之其他文献的数据。作者主要目的是方法和思想的引入，通过实例 告诉六西格玛管理的执行者什么时候该用这些技术，怎样使用这些技术。这 也是不叫实证分析的原因。 第四章是六西格玛管理中测量方法的改进，本章阐述了在六西格过程中 的核心是最大化顾客满意度，而顾客满意度的提高依靠的是对关键顾客需求 的改善本正是运用了数据挖掘中的神经网络模型，利用训练好的神经网络 模型，直接提取神经网络的权数信息，用权数测量出顾客需求的重要度权重。 并通过实例分析得到了较好的效果。 第五章分析了六西格玛改进中的问题，本章把神经网络和遗传算法引入 到六西格玛过程改进技术中，指出了传统六西格玛改进技术的缺陷，提出了 用神经网络建模，用遗传算法寻优的方法进行最佳工艺条件配置，从一定程 2 中文摘要 度了克服了传统技术的缺陷，提高了产品的质量。从本章的研究中可以看出， 神经网络和遗传算法的运用，大大提高了六西格玛的过程改进能力，实现了 传统改进技术所不能达到了要求。但是一种新技术的提出远远做不到完美无 缺，神经网络技术也有自身的缺陷，比如映射过程是一个“黑箱”，神经网络 并没有确定的函数形式；神经网络的结构设置比较困难( 隐层神经元数目难 以确定) ；神经网络容易陷入局部最优等等。很多学者为此研究了许多优化算 法，比如小波神经网络和遗传算法的结合，用遗传算法改进网络结构等等， 这些内容属于本文的展望部分。 第六章先简述了传统的质量控制技术：控制图。在此基础上分析了六西 格玛条件下质量控制的难点。在六西格玛质量水平下，传统的控制图技术需 要计量控制对象，需要计算中心线和上下线，需要根据不同的判异准则判异。 本章的研究尝试回避了这些内容，转而利用数据库资源，成功利用人工神经 网络代替了传统的控制图分析，得到了比较精确的控制效果。本文的控制对 象是连续合格品数，并没有采取六西格玛控制图采用的计量型控制对象的特 点。从一定程度上也解决了当控制对象无法进行计量的难题，同时也为现在 的六西格玛控制技术提供了个新的工具和发展方向。 最后是全文的总结和展望。在展望方面，主要提出了针对六西格玛管理 的神经网络算法的研究；企业的数据库或者数据仓库与六西格玛管理的质量 数据库进行有效的整合；数据挖掘软件与六西格玛管理软件的集成问题三个 方面的展望。 鉴于在六西格玛管理和一些高级数据挖掘技术整合方面的研究文献较 少，加之笔者对神经网络和遗传算法了解水平有限，本文肯定存在着不足和 缺陷，恳请各位老师和同学予以批评指正。 关键词：六西格玛测量改进控制 神经网络 3 a b s t r a c t t h i sp a p e rd i s c u s s e st h e r ea l r l ed i f f i c u l t i e sw h e nw ea p p l yt h ec o n v e n t i o n a l t o o l st os i x s i g m a ：i ns o m ec o m p l e xc a s e s ，w ec a nn o tr e a c ht h es i x s i g m a - q u a l i t y l e v e lb yu s i n g j u s tt o o l s s ot h i sp a p e rs t a r t sw i t ht h ec o r eo f s i x s i g m a ( d m a i c ) ， p u t sm a n ye m p h a s e so nh o w t os e t t l et h ei s s u eb yn e u r a ln e t w o r kw h e nt h e r ea r c s o l l l ed i f f i c u l t i e si nt h es i x s i g m ap r o c e s s t h i sp a p e rc o m b i n e ss i x s i g m aa n d n e u r a ln e t w o r k i t sn o to n l yam e t h o dt os o l v et h ep r o b l e m si ns i x s i g m a , i t sa l s o ai m p r o v e m e n tf o rs i x s i g m ai t s e l f t h o u g hs i x s i g m aa p p e a r sa sac u l t u r ei n e n t e r p r i s en o w a d a y s ，t h ea d v a n c e dd a t a - m i n i n gm e t h o d sc a l la p p a r e n t l yr i c ht h e t o o l b o xo f s i x s i g m aa n d p r o v i d eap o w e r f u lw a y t oi m p r o v ee n t e r p r i s e sp r o c e s s c h a p t e r l 龃dc h a p t e r 2a t em a i n l ya b o u tt h eb a c k g r o u n da n dp u r p o s eo f w r i t i n gt h i sp a p e r , a u t h o ra l s os u m m a r i z e st h ep r o b l e m sa n dd i f f i c u l t i e s i n s i x s i g m ai nt h e s ec h a p t e r s c h a p t e r 3i sm a i n l ya b o u ta p p l y i n gt o o l si ns i x s i g m a i nt h e s ec h a p t e r s , a u t h o r s u m m a r i z e ss o l t l ed i t f i e u l t i e sw h e na p p l y i n gt h e s et o o l st oi m p l e m e n ts i x - s i g m ai n s o m e ：c o m p l e xs i t u a t i o n , t h e nr e c o m m e n dn e u r a ln e t w o r k 鹪an e w t 0 0 1 c h a p t e r4i sm a i n l ya b o u th o wt o 懈en e u r a ln e t w o r kt oc 邺o u tt h em e a s u r e p a r to fs i x s i g m a s p e c i f i c a l l y , i ti sa b o u th o w t ou s et h et r a i n i n gw e i g h ti nn na s a n 鲫w e i g h ti nc u s t o m ss a t i s f a c t i o n c h a p t e r5i sm a i n l ya b o u th o w t oi l s e n e u r a ln e t w o r ka n dg e n e t i ca r i t h m e t i ct o i m p l e m e n tt h ei m p r o v e m e n tp a r ti ns i x s i g m a i ti n t r o d u c e su s i n gn nt ob u i l tl | pa m o d e la n di 珥i n gg e n e t i ca r i t l u n e t i et of i n do u tt h eb e s td e s i g nf o rp r o d u c to r s t l i c e 六西格玛管理中统计分析方法的改进 c h a p t e r 6i sm a i n l ya b o u th o w t ou s en e u r a ln e t w o r kt oc a r r yo u tq u a l i t y c o n t r o li ns i x - s i g m aq u a l i t yl e v e l a u t h o rs u b s t i t u t el l e 舡l a ln e t w o r kf o rc o n t r o l l i n g c h a r ta n dp r o v et h i sm e t h o di ss u c c e s s f u l k e yw o r d s ：s i x - s i g m a m e a s u r e i m p r o v e m e n t c o n t r o l n e u r a ln e t w o r k 2 西南财经大学 学位论文原刨性及知识产权声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下， 独立进行研究工作所取得的成果。除文中已经注明引用的内容外， 本论文不含任何其他个人或集体已经发表或撰写过的作品成果。对 本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标 明。因本学位论文引起的法律结果完全由本人承担。 本学位论文成果归西南财经大学所有。 特此声明 学位申请人：单丹 2 0 0 7 年1 1 月1 5 日 1 前言 1 1 研究背景 1 前言 2 0 世纪7 0 年代后期，m o t o r o l a 公司在强大的竞争压力下，开始了其“质 量振兴计划”公司希望以此来提升竞争力，六西格玛管理因此应运而生。 m o t o r o l a 公司自从采取了六西格玛管理后，取得了巨大的成功，并于1 9 8 8 年 获得了美国波多里奇国家质量奖。美国g e 公司引入了六西格玛管理理念， 通过g e 的不断实践，六西格玛管理发展成不仅适用于质量管理方面，而且 适用于企业经营过程中所有领域的一种先进管理理论，并取得了巨大的成就， 使得六西格玛管理的理念和方法迅速传遍全球。欧美和亚洲的数百家跨国公 司都积极地聘请相关的咨询公司帮助他们设计方案、培训员工、辅导项目， 以期提高客户满意度、降低成本、增加收入、推动公司的快速发展。目前六 西格玛管理正在改变着众多世界上最成功的公司，它的应用为企业注入了前 所未有的活力，带来了巨大的经济效益。 六西格玛管理综合了技术方法( 变异分析、量化度量、统计分析、过程 管理和专业化改进过程) 与人文因素( 领导力、关注顾客、团队合作、文化 变革和人力资源) 等有关企业流程改进的几乎所有要素，是一个庞大的系统 工程。同时，现实中制造行业数控设备、数据仓库( 或数据库) 和服务行业 数据仓库( 或数据库) 的使用日益普及，使得计算机作为数据存储、分析、 处理的重要工具已得到广泛的应用。随着六西格玛管理在企业界应用的不断 深入，人们发现随着企业面临的环境和内部流程的日益复杂化，六西格玛管 理的改进流程中数据采集和数据分析过程也日益复杂，工作量大且容易失真， 使得最初的一些六西格玛改进技术不能够发挥应有的作用。因此，在六西格 玛管理流程中如何有效地处理复杂的数据，从数据中发现对企业流程改进有 六西格玛管理中统计分析方法的改进 用的、隐藏的信息，并且提出更为有效地解决方法，成为目前需要解决的一 个实际问题 另一方面，随着数据库技术的迅速发展以及数据库管理系统的广泛应用， 组织积累的数据越来越多。激增的数据背后隐藏着许多重要的信息，人们希 望能够对其进行更高层次的分析，以便更好地利用这些数据因此，如何从 大量数据和信息中过滤和提取对组织有用的信息，以及识别隐藏在此信息和 数据背后极其重要的商业知识，成为2 l 世纪科学研究的重点神经网络和 遗传算法这些数据挖掘正是得益于此而产生和发展的 神经网络和遗传算法都是使用自动或半自动的方法对大量数据进行探测 和分析，以期发现有用的模型，然后通过研究这些模型寻找新的行为规则 神经网络和遗传算法利用了从各学科借用来的工具，和六西格玛管理一样， 需要反复实施，通过知识发现形成问题和通过设计的试验来检验假设这两个 步骤。神经网路和遗传算法和六西格玛管理的结合致力于提高顾客满意度、 降低成本、缩短生命一周期和改善质量。 神经网路和遗传算法这样的数据挖掘技术是对六西格玛管理中所要用到 的标准工具库的补充，将六西格玛管理和神经网路和遗传算法结合在一起 必将可以形成一套强大的企业流程改进的工具。 1 2 国内外研究现状 目前国内外学者对数据挖掘与六西格玛管理两者的整合以及数据挖掘在 六西格玛管理中的应用研究的文章很少，美国著名六西格玛管理专家t h o m a s p y z d e k 在其著作t h es i xs i g m ah a n d b o o k ) 专门讨论了整合六西格玛与信 息系统技术，包括六西格玛管理与数据挖掘整合。而其他大部分的资料和文 献都限于两者独立的研究。 六西格玛管理方面，从1 9 9 8 年开始，m h a r r y 出版了1 1 l ev i s i o no f s i x s i g m a 和( s i xs i g m a , t h eb r e a k t h r o u g hm a n a g e m e n ts t r a t e g yr e v o l u t i o n i z i n g t h ew o r l d st o pc o r p o r a t i o n s ，首先向人们介绍了g e 等公司实施六西格玛的 成功经验和六西格玛的方法论和思想。此后，大量的有关六西格玛的书籍相 继出版。t h o m a gp y z d e k 等人主要侧重予研究六西格玛的管理和组织结构，六 2 i 前言 西格玛所基于的理念以及六西格玛常用的解决问题的技术和统计方法，六西 格玛管理与其他方法技术的关系等等。 国内的六西格玛管理研究才刚刚起步，还没有形成比较系统的研究体系。 杨跃进在中国质量上开设的六西格玛管理讲座介绍了六西格玛管理的基本概 念和术语。罗国英和朗志正分析了六西格玛管理与i s 0 9 0 0 0 标准、t q m 的关 系。孙静分析了项目管理对实施六西格玛管理的作用。壬金德从消灭“隐蔽工 程”的角度讨论六西格玛质量问题。杨华峰等分析了六西格玛质量管理对传统 质量成本理论的挑战，提出了创新质量成本理论。戈泽宁、王京、陈意华、 宋明顺等讨论了六西格玛管理在中国企业中的具体应用。韩俊仙等人讨论了 六西格玛设计。 综上所述，现在国内大部分文献都集中在六西格玛管理在某个具体行业 的运用上，相当于对某个行业作一个具体的项目计划书。而真正对于六西格 玛本身方法的讨论却很少。 1 3 本文的研究意义 六西格玛管理作为一种崭新的管理哲学，不仅是一种管理理念，而且是 一种旨在改进企业流程逐渐达到完美的新型管理机制，也是一种企业流程改 进的技术，这种技术通过对企业数据的分析，发现改进的机会。它实施于企 业任何的流程包括企业的内部流程和外部流程，只要流程存在缺陷，六西格 玛管理都可以应用于其中，并且能发挥巨大的作用，给企业带来了巨大的利 益，降低企业的经营成本，提高顾客满意度，实现企业与顾客的双赢。 对数据的分析是六西格玛管理的精髓，运用数据挖掘( 比如本文中的神 经网络和遗传算法) ，发现数据中存在的关系和规则，根据现有的数据预测未 来的发展趋势，可以为六西格玛管理流程改进提供更加有效的信息和模型， 因此，对数据挖掘在六西格玛管理中的应用研究具有十分重要的意义。 现阶段数据挖掘与六西格玛管理的整合研究还仅仅处于提出阶段，大部 分的研究并没有涉及两者的整合及其应用研究。通过二者整合的研究能够为 一些较复杂的数据挖掘技术在新的领域的应用开辟方向，同时通过对这些数 据挖掘技术在六西格玛管理中的应用研究可以为六西格玛流程改进引入新的 六西格玛管理中统计分析方法的改进 方法和手段，从而能够更好的改进企业流程，降低企业经营成本，提高顾客 满意度。当然，本文的主要目的在于为六西格玛流程改进引入新的方法和手 段，更好的改进企业流程所以本文从六西格玛本身入手，着重讨论神经网 络和遗传算法这样的数据挖掘技术为六西格玛管理带来了什么 2 六西格玛管理及其统计方法实现存在的问题 2 六西格玛管理及其统计方法 实现存在的问题 2 1 六西格玛管理( 6 a ) 的概念及特征 仃是希腊字母，在统计学中表示标准差，用来描述( 随机) 变量关于其 平均值的散布程度的统计指标。对服务或制造过程而言，仃值是指示流程状 况良好程度的标尺。盯值用来测量流程完成无缺陷作业的能力，d 值越高， 过程不良品率就越低。 六西格玛管理系统定义：是一种通过密切的关注顾客，合理利用数据及事 实，对作业流程进行管理，持续改进，实现和维持企业经营成功的管理系统。 它同时也是一种测量企业运做过程能力的统计方法，达到六西格玛质量水平， 在实际中就是每一百万个机会中有3 4 个出错的机会，即合格率是9 9 9 9 9 6 6 。 六西格玛是一套已经被证明为行之有效的，用于减少产品质量波动或运作结 果波动的方法。西格玛是一种追求企业无缺陷运做，追求质量完美，从而保 持企业赢利的哲学思想，也是一种企业经营策略，是企业文化建设的一部分。 六西格玛主题部分是称为d m a i c 的一套系统的，要工作人员遵循该步骤的 操作方法，用于寻找产生废品或波动的原因，进而最小化分品率或波动，并 使得改善的成果能够保持。 简单来说，六西格玛管理主要有以下几个特征：第一，它注重量化的综 合管理。六西格玛很强调对数据的收集、分析。第二，对企业流程的强烈关 注。在六个西格玛管理体系里，非常注重企业流程，关注的内容一般分为两 个部分。一部分叫流程的提高，第二个叫流程的设计再设计，通常指新产品 的研发，根据顾客的需求及时调整产品。第三，以顾客为中心。即以顾客的 标准为规格，来满足顾客的要求。第四，六西格玛管理体系会影响到企业文化。 六西格玛管理中统计分析方法的改进 六西格玛管理的核心特征是顾客与企业的双赢以及经营成本和风险的降 低。在任何时候，顾客满意的程度对企业都是极其重要的它在很大程度上 决定着企业的市场份额和生存发展。企业要取悦于顾客，可能需要很大的投 入，但大部分企业毕竟是以赢利为目的，管理层的首要任务就是为股东创造 价值，因此这个问题就困扰了许多企业的管理者。而六西格玛管理则强调从 整个经营的角度出发，不止强调单一产品、服务或者过程的质量，而是将注 意力同时集中在顾客与企业两方面 2 2 六西格玛管理常用的度量 2 2 1 西格玛水平z 西格玛水平z 是和生产过程能力指数紧密联系在一起的，过程能力指数 q 是反映过程是否满足产品标准要求的能力的系数，双侧公差限过程能力指 数公式是： q = 警卫6 0 公式中1 - 和1 是产品的上下公差限，盯是质量变异的标准差，公差r 是 r 由各项标准给定的，所以提高过程能力指数。p 唯一的方法是减小变异程度 仃。而不能依靠增大公差范围来提高过程能力指数。在双侧公差限，生产中 心与规格中心不重合时，需要对过程能力指数作修正： q = m 觚，吒) = i t - 2 c = ( 1 一七) q 妫中心漂移量= 1 1 1 m l ，k 为偏移度= 等 经验表明，在当前的科技水平下，生产过程稳定时由各种随机因素造成 的中心漂移能保持在1 5 口之内。飘移量过大表明出现了异常的变异，通过实 施过程控制可以及时发现，一般只需要对过程作简单的调整就能够重新回到 1 5 仃之内。而减小变异盯是很困难的，属于过程改进的内容，也是质量管理 6 2 六西格玛管理及其统计方法实现存在的问题 的核心内容。 西格玛水平z 和过程能力指数c j 在数值关系上是等价的，是三倍系数的 关系： z = 警= r 撕= 3 c ,2 仃2 仃 西格玛水平z = 6 时就是6 盯管理所追求的质量目标。因此使用西格玛水 平与6 仃管理的概念更一致。 6 0 管理强调顾客满意度，西格玛水平的计算公式中，瓦和巧被解释为顾 客允许的过程变异范围。在过程能力指数g 的计算中，互和巧被解释产品的 公差限。 2 2 ，2 百万机会缺陷数d p m o d p m o 表示百万机会缺陷数( d e f e c t sp e rm i l l i o no p p o r t u n i t y ) ： 一= 篇篇x 舞 产品数机会数 例如：某调查表有3 0 个需要填写的栏目，也就是每张表有3 0 个出现缺 陷的机会，现在1 0 0 0 张表中查出1 7 张表有缺陷，其中1 5 张表有1 个缺陷， 有1 张表有2 个缺陷，又i 张表有3 个缺陷，共有2 0 个缺陷，则 伽；垫兰! 旦：6 6 7 1 0 0 0 x 3 0 当d p m o 达到3 4 时，就是6 盯管理所追求的质量目标。 表2 2 2 过程能力与d p 帅转换裹 无漂移 有1 5 0 漂移 c 口 zd p m o c k d p m o 1 0 03 0 0 2 7 0 0 0 5 0 0 6 6 8 l l 1 1 73 5 04 6 5o 6 6 72 2 7 5 0 i 3 34 6 30 8 3 36 2 1 0 1 5 04 5 06 81 o 1 3 5 0 7 六西格玛管理中统计分析方法的改进 i 1 6 7 5 o 5 71 1 6 72 3 3 l 1 8 35 5 00 0 3 8 1 3 3 33 2 i 2 0 06 0 0 0 0 0 21 5 3 4 过程能力分析针对的是计量型的质量特征时，用西格玛水平z 反映质量 能力，前文已经说到，西格玛水平z = 6 时就是衍管理所追求的质量目标。 过程能力分析针对的是计数型的质量特征时，用d p m o 反映质量能力， 6 盯质量水平就是d p m o = 3 4 ；d p m o ；3 4 就是缸质量水平。 需要强调的是，六西格玛管理站在满足顾客和企业战略的角度来思考， 不只是关注质量，它有更完整具体的架构，包含许多管理工具，对企业的影 响更为广泛。在推动六西格玛管理时，企业要真正能够获得巨大成效，必须 把六西格玛管理当成一种管理哲学。 同时，六西格玛管理强调对流程的管理。通过六西格玛管理关注顾客的 需求，对整个业务流程的设计、再设计，实现整体上更为高效的生产、分销、 销售和服务活动，通过六西格玛管理优化生产流程、缩短交货周期、降低周 转库存、缩小顾客响应时间、增加组织的盈利能力，最终达到每百万次机会 缺陷次数( d p m 0 ) 为3 4 的6 盯标准。 2 3 六西格玛管理的过程改进模式d 舭ic 六西格玛管理的核心流程是一个个性化的改进模式d m a i c ，d k 一 定义( d e f i n e ) ，m 一测量( m e a s u r e ) ，a 分析( a n a l y z e ) ，卜 改进( i m p r o v e ) 和g 控制( c o n t r 0 1 ) 。该模式从顾客需求出发，了解顾 客所关心的问题，从而确定所要研究的关键产品或流程质量特性，即关键输 出变量y ，并对其进行测量，以寻找改进空间，确立改进的流程指标。然后在 整个过程中寻找影响关键产品或流程特性的因素，并确定少数的关键因索， 即关键输入变量x 。在此分析的基础上，建立y 与x 的函数关系，通过改进 x 值对y 进行优化，然后将此统计解决方案转化为现实方案。 1 定义阶段：界定阶段是六西格玛项目的第一个阶段，主要阐明团队使命， 陈陈述价值，问题和机会。除此之外，识别过程中最重要的是角色顾客及其 0 2 六西格玛管理及其统计方法实现存在的问题 需求。当顾客的需求被理解被恰当地确定为过程的输出质量要求时，才能识 别哪些是关键的要求也就是关键质量特性。 2 测量阶段：测量阶段是d m a i c 过程的第二个阶段。是界定阶段的后续 活动，也是衔接下一过程的桥梁。工作重点是在界定阶段工作的基础上，进 一步明确y 的测量通过收集y 的测量数据，定量化地描述y 。开始建立初步 的y = f ( x ) ，六西格玛项目的实施过程，就是不断地揭示它们之间关系的过 程。 3 分析阶段：在这个阶段六西格玛团队要认真研究相关的数据资料，增强 对过程和问题的理解，在此基础上，通过分析来寻找问题根源。团队数据的测 量歼始，通过过程分析形成对原因的初始推测或假设，团队然后关注更多 数据和其它证据，采用数据分析和过程分析来研究问题的真正原因。 4 改进阶段：改进阶段是六西格玛过程显示效果的核心步骤。该步骤将获 得解决闯题的方案。在改进阶段，关键是对潜在闯题的原因进行分析，团队 要明确如何才能改进项目指标y ，这里包括在更广泛的可行范围内研究到底 哪些自变量x 显著地影响y 。这些自变量x 取什么值时将会使y 达到最佳值。 团队要策划试验设计方案，还要应用筛选试验的方法来识别关键输入变量或 “关键的少数”原因。 5 控制阶段：控制阶段是项目团队维持改进成果的重要步骤。作为过程的 最后一个阶段，控制是十分关键的。避免“突然”回到旧的习惯和程序是控制 步骤的主要目的。建立监视过程，明确过程己经实现的改变；制定处理可能 出现问题的应变计划；帮助经营者集中精力于最新确定的少数关键变量x 的 测量上，这些测量将告知这些变量的取值以及如何通过控制它们来实现监控 最终结果y 。 2 4 六西格玛管理中统计方法实现存在的主要问题 如上一节提到，六西格玛管理的核心流程是一个个性化的改进模式 ( d m a i c ) ，在这个改进模式中，每一个过程都将用统计方法加以实现。而 在实现的过程中，由于一些问题的复杂性，使一些传统的实现方法无法达到 六西格玛质量的要求，在这种情况下，六西格玛管理的实现就成了问题。这 9 六西格玛管理中统计分析方法的改进 些问题主要体现在以下几个方面： 1 在测量过程中，为了实现最大化顾客满意度这个目的，这个阶段的工作 中很多时候需要找到各个顾客需求的重要度权重。传统方式获取的顾客需求 重要度一般是使用层次分析法和专家打分，但是这种测量无法考虑各个顾客 需求之间的相关性；最终顾客需求重要度也是通过顾客需求规划矩阵对调查 获取的重要度进行修正得到的，是间接进行的；直接让顾客表达对某一需求 的关心程度在实际实施中存在一定困难。如果是这样，六西格玛质量实现的 第一步就出现误差，那么后面那些针对顾客满意度最大化而进行的产品或服 务的改造的支撑点在哪里呢? 2 在过程改进中，我们面对的问题主要是优化，对于一些简单的生产或者 服务程序，也许很容易找到一个较佳的改进途径。但是，在一些高科技产品 的生产中或者较为复杂的服务环节中，改进的问题就会非常复杂，比如一些 多输入，多输出的生产或者服务的过程；又如，质量指标的影响因素复杂众多 且各因素之间存在着高阶交互作用的生产或者服务的过程。在这种情况下。 一些统计方法根本无法运用，更别说达到“六西格玛要求”了。面对复杂的改 进过程，六西格玛质量该如何实现呢? 3 在过程控制中，过程改进实现了六西格玛质量水平，这就意味着所生产 的全部产品中只有3 4 x 1 0 1 是不合格品( 含l ，5 盯波动) 在这种情况下，传统 的很多控制图在实际应用中将会出现问题，比如虚发警告的概率提高；期望 值不合品率的观测值接近于零等等。如果传统的控制图在高合格率的生产中 无法做到质量控制，那么前几个阶段所实现的六西格玛质量水平要靠什么来 保持呢? 2 5 六西格玛管理总结 从以上的六西格玛简介中可以知道，六西格玛管理要解决的关键问题就 是：减少产品生产或者服务的波动，提高产品或者服务的质量，从而达到降 低成本，提高顾客满意度的目的。要达到六西格玛管理的目标。对生产或者 服务过程进行d m a i c 改进是关键。d m a i c 过程的重点是将所有的工作作为 2 六西格玛管理及其统计方法实现存在的问题 一种流程，采用量化的方法分析流程中影响质量的因素，找出最关键的因素 加以改进从而达到更高的客户满意度。要成功实现d m a i c 过程并不是一件 容易的事情，其中涉及到大量的数据分析，优化组合的统计方法，在很多复 杂的情况下，要通过传统的d m a i c 中的实现方法进行六西格玛改进是很困 难的本文以下的研究正是以d m a i c 为切入点，专门提出了其中的三个非 常关键而且比较复杂的过程，即测量( m ) 。改进( 1 ) ，控制( c ) ，将新的数 据挖掘工具运用其中，从而实现传统方法无法达到的目的。 六西格玛管理中统计分析方法的改进 3 六西格玛管理工具箱的拓展 3 1 六西格玛管理现有主要工具的评价 1 显著性检验：显著性检验就是根据小概率原理，判断两个或多个比较对 象有无显著性差异的统计技术。如果经过判断，有显著性差异，则说明有本 质的区别，反之，则说明无本质差别。 2 方差分析与回归分析：方差分析是通过比较因素的方差与实验误差的方 差，来检验因素对试验指标的影响是否显著。其实质是假定多个总体方差相 等的情况下，判断它们的均值是否相等，其广泛应用于优化设计、理论分析、 绩效考评等中。方差分析有单因素方差分析和多因素方差分析。回归分析是 通过对两个或多个变量的数据观测，建立变量间的数学模型，利用此模型解 决预测与控制问题。回归分析有一元回归与多元回归，亦有线性回归与非线 性回归之分。 3 实验设计和田口方法：实验设计( d o e ) 是一种多因素的选优方法，它 广泛应用于产品开发设计、工艺优化、配方研制等领域。其中应用广泛的是 正交实验设计，它利用一种规格化的表“正交表”，科学的挑选实验条件， 合理的分析试验结果田口方法( t a g u c h im e t h o d ) ，是日本田口玄一博士在 2 0 世纪7 0 年代提出的。包括线外质量工程学即设计开发阶段的质量工程学， 主要是稳健( r o b u s td e s i g n ) 又称为三次设计( 系统设计，参数设计和容差 设计) ：线内质量工程学即制造阶段的质量工程学；测量质量工程学即线内、 线外质量工程学在计量测试中的应用。 4 质量功能展开：质量功能展开( q u a l i t yf u n c t i o nd e p l o y m e n t ，简称q f d ) 是一种立足于在产品开发过程中最大限度的满足顾客需求的系统化、用户驱 动式的质量保证与改进方法。q f d 的核心是要求产品承制者在听取顾客对产 1 2 3 六西格玛管理工具箱的拓展 品的意见和需求后，通过合适的方法和措施将顾客需求进行量化，采取工程 分析的方法一步步的将顾客需求落实到产品的研制和生产的整个过程中，从 而最终在研制的产品中体现顾客的需求，同时在实现顾客的需求中，帮助组 织各职能部门能制定出相应的技术要求和措施，使它们之间能协调一致的工作。 在现在的六西格玛管理中，这些工具都还发挥着举足轻重的作用。但是， 正如上文已经提到的，随着科技的发展，随着生产过程和服务过程的复杂化， 要成功实现d m a i c 过程并不是一件容易的事情，其中涉及到大量的数据分 析，优化组合的统计方法，在很多情况下，要通过传统的d m a i c 中的实现 方法进行六西格玛改进是很困难的。比如说线形回归在面对存在交互作用的 多目标的优化问题时就无法实现六西格玛质量水平；质量功能展开中的顾客 需求权重的测量也是一个困难的任务等等。所以，新的工具也就呼之欲出了。 数据挖掘中的神经网络和遗传算法为解决这些问题，重新实现六西格玛质量 水平提供了帮助。 3 2 实现六西格玛的新工具一神经网络技术 神经网络( n e u r a ln e t w o r k s ，简称n n ) 是在对人脑组织结构和运行机制 的认识理解基础之上模拟其结构和智能行为的一种工程系统。早在2 0 世纪4 0 年代初期，学者就提出了人工神经网络的第一个数学模型，从此开创了神经 科学理论的研究时代。自从1 9 5 8 年r o s e n b l a t t 提出了感知机( p e r c e p t i o n ) 及 其学习算法，在经历了一次低潮以后，人工神经网络在理论上的研究不断深 入，多种网络模型的建立、网络性能的数学理论分析、学习算法的分析与研 究、特别是与统计学的结合，使其形成了“统计学习理论”的研究方向。同时 其应用领域也越来越广，包括工程、金融、医学、社会科学等：而且新的神经 网络软件包、加速板、芯片和实现技术的不断涌现，使得神经网络的应用速 度和能力不断提高。 3 1 1 神经网络模型 神经网络是生物神经网络的一种模拟和近似。其实质是一个并行和分布 六西格玛管理中统计分析方法的改进 式的 信息处理网络结构，是由大量的人工神经元相互连接而成的 神经元是利用数学模型模拟生物神经元的基本数学单元。图3 1 1 表示的 是神经网络基本单元的神经元模型。它有三个基本要素： 1 一组连接权( x , j - 应于生物神经元的突触) ，连接强度由各连接上的权值 表示 2 一个求和单元，用于求取各输入信息的加权和( 线性组合) 。 3 一个非线性激励函数，起非线性映射作用并限制神经元输出幅度在一定 的范围之内( 一般限制在【o ，l 】或【i ，+ l 】之闻) 田3 1 1 神经网络模型 以上作用可以用数学式表达： = 兰j - ! 一唯：一幺儿：( ) 式中五”为输入信号，心是网络权值，只为阈值，厂( ) 为传递函数。 3 1 2 神经网络的工作原理 神经网络的工作过程主要分为两个阶段，一个阶段是学习期，此时各计 算单元状态己知，各连线上的权值通过学习算法来逐步调整。学习过程根据 测试结果来决定是否需要重新开始。当学习完成后，进入第二个阶段，即工 作期。此时连接权固定。计算单元状态变化，以得到相应的输出。 1 4 3 六西格玛管理工具箱的拓展 对于b p 网络，首先利用给定的输入输出样本集对网络进行训练，即对网 络的连接权系数和神经元的阈值进行反复调整，以使该网络实现给定的输入 输出映射关系。经过训练后的网络，对于不是样本集中的输入也能给出合适 的输出这种特征被称为泛化功能，也称为推广能力 如果把学习过程看作一个曲线拟合过程，推广相当于内插，包括网络在 内的各种神经网络模型都具有插值功能。 3 1 3 神经网络学习的即算法 b p 学习算法由正向传播和反向传播所组成。在正向传播过程中，输入信 息经隐含单元逐层处理并传向输出层。如果输出层不能得到期望的输出，则 转入反向传播过程，将实际值与网络输出之间误差沿原来的连接通路返回， 通过修改各层神经元的连接权值，使误差减小，然后再转入正向传播过程， 反复迭代，直到两络的输出误差小于给定值，或达到预定的学习次数。 b p 学习算法的主要步骤有：1 计算隐含单元输入2 计算隐含单元输出 3 计算输出单元输入4 计算输出单元输出5 计算训练误差6 计算输出层权 值和阈值调整量7 计算隐含层权值和阈值的调整量8 。计算一批1 1 个样本的 均方差。 3 ，1 4 神经网络的特征 神经网络是一种具有高度非线性的超大规模连续时间系统。它突破了传 统的以线性处理为基础的数字电子计算机的局限，标志着人们智能信息处理 能力和模拟人脑智能行为的一大飞跃。 概括起来，神经网络有如下四个主要方面： 1 巨量并行分布处理：信息的处理依靠结构简单且相同的大量神经元同 时协同作用来完成，信息的存储和学习功能则依靠它们之间的突轴连接强度 的变化来实现，就是所谓连接主义的信息处理方法，并使处理速度大大提高。 2 信息处理单元和信息存储单元合二而为一：计算机每个存储器的地址 和存储器的内容是分开的，而神经网络则是两者合在一起的，由改变连接权 值来迸行控制，这就能按内容记忆联想。 六西格玛管理中统计分析方法的改进 3 具有自组织、自学习、自适应的能力：它不是被动的执行预先编好的程 序，而是根据环境条件的变化或人为的学习来自行调节权值。使网络的行为 适应于规定的任务。 4 它能处理模拟的、模糊的和随机的信息：它不像计算机那样求得精确到 若干几位的精确解，而是迅速给出能解决问题的满意解输出。 其次还有：非线性运算、规模效应、弹性结构、分散处理、高度集成等。 3 2 六西格玛管理工具的补充遗传算法 遗传算法是在2 0 世纪7 0 年代初期由美国密执根( m i c h i g a n ) 大学的 h o l l a n d 教授发展起来的，它的内涵哲理是启迪于自然界生物从低级、简单， 到高级、复杂乃至人类这样一个漫长而绝妙的进化过程，借鉴于达尔文的物 竞天择，优胜劣汰、适者生存的自然选择和自然遗传的机理，其本质是一种 求解问题的高效并行全局搜索方法。遗传算法的两大主要特点是群体搜索策 略和群体中个体之间的信息相互交换，搜索不依赖于梯度信息。在过去的3 0 年中，己广泛应用于复杂函数系统优化、机器学习、系统识别、故障诊断， 分类系统、控制器设计、神经网络设计、自适应滤波器设计等领域。在优化 问题中，如果目标函数是多峰的，或者搜索空问不规则，就要求所使用的算 法必须具有高度的稳健性，以避免在局部最优解附近徘徊，遗传算法的优点 恰好是擅长全局搜索。这也是本文采用遗传算法的一个主要原因 3 2 1 遗传算法的基本原理 遗传算法可以认为是一个进化过程( 即迭代过程) 。首先，根据具体问题 建立评价群体的评价函数，为了测试个体的适应性，可以用评价函数对染色 体进行评价，也可以用目标函数的数学公式对染色体进行评价遗传算法的 描述如下： 1 髓机选择n 个初始点组成一个群体，群体内的每个点叫一个个体，或 叫染色体。群体内个体的数量n 就是群体规模，群体内每个染色体必须以某 种编码形式表示。编码的内容可以表示染色体的某些特征，随着求解问题的 1 6 3 六西格玛管理工具箱的拓展 不同，它所表示的内容也不同。通常染色体表示被优化的参数，每个初始个 体就表示着问题的初始解。 2 按照一定的选择策略选择合适的个体，选择体现“适者生存”的原理。根 据群体中每个个体的适应度，从中选择具有最好的m 个个体作为重新繁殖的 下一代群体。 3 以事先给定的杂交概率p 在选择出的m 个体中任意两个个体进行杂交 运算或重组运算，产生两个新的个体，重复此过程直到所有要求杂交的个体 杂交完毕。杂交是两个染色体之间随机交换信息的一种机制。 4 根据需要可以以事先给定的变异概率p 在m 个体中选择若干个体，并 按一定的策略对选中的个体进行变异运算，变异运算增加了遗传算法找到最 优解的能力。 5 检验停止条件，若满足收敛条件或固定迭代次数则停止，若不满足条件 则转步骤2 重新进行进化过程。没一次进化过程产生新一代的群体，群体内 个体所表示的解经过进化最终达到最优解。如图3 2 1 ： 圈3 2 1 遗传算法的基本流程图 遗传算法是一种群体操作，该操作以群体中的所有个体为对象。选择 ( s e l e c t i o n ) 。交叉( c r o s s o v e r ) 和变异( m u t a t i o n ) 是遗传算法的3 个主要操 作算子，它们构成了所谓的遗传操作，使遗传算法具有了其它传统方法所没 有的特性。在遗传算法的实现中主要涉及5 个主要因素：参数的编码、初始 群体的设定、评估函数即适应度函数的设计、遗传操作的设计和算法控制参 数的设定。这5 个要素构成了遗传算法的核心内容，是实现遗传算法的关键 1 7 六西格玛管理中统计分析方法的改进 性问题。 3 2 2 遗传算法的特点 遗传算法具有十分顽强的稳健性，这是因为比起普通的优化搜索方法， 它采用了许多独特的方法和技术，主要有以下几个方面： 1 遗传算法的处理对象不是参数本身，而是对象参数集进行编码的个体， 此编码操作使得遗传算法可以直接对结构对象进行操作。这一特点使得遗传 算法具有广泛的应用领域。 2 许多传统韵搜索方法都是单点搜索算法，即通过一些变动规则，问题 的解从搜索空间中的当前解( 点) 移到另一解( 点) 这种点对点的搜索方法， 对于多峰分布的搜索空间常常会陷入局部的某个单峰的最优解。相反，遗传 算法同时对搜索空间中的多个解进行评估。更形象的说，遗传算法是并行地 爬多个峰。这一特点使遗传算法具有较好的全局搜索性能，减少了陷入局部 最优解的风险。同时，这使遗传算法本身也十分易于并行化。 3 在标准的遗传算法中，基本上不用搜索空间的知识或其它辅助信息， 而仅用适应函数值来评估个体，并在此基础上进行遗传操作。而且，遗传算 法的适应度函数不仅不受连续函数可微的约束，其定义域可以任意设定。遗 传算法