6 sigma12（ppt 66).ppt

单元1 6sigma简介 1 16Sigma概念1 26Sigma阶段推进内容1 3统计基本概念及理解1 46Sigma品质水平是什么 1 5聚焦问题点阶段 最香甜的果实 全系统设计 大部分的果实 Process特性化 最佳化 下部的果实 QC7tool 掉在地上的果实 仅依靠直接检查 6sigma概念 广义 水平65432 PPM3 42336 21066 807308 537 工序能力 缺陷的机会 分布偏移 1 5 Sigma水平越高 其缺陷以指数形式减少 3sigma水平的公司 6sigma水平的公司 销售额中10 15 是损失费用 销售额中5 是损失费用 百万中有66 807个不合格品 百万中有3 4个不合格品 依靠品质检查 重点是使工序中不产生不良 保证高品质需要很多费用 保证高品质所需费用更低 不能按体系进行 使用测定 分析 改善 管理技法 承认并满足于99 不满足于99 内部决定CTQ 彻底地以顾客观点来决定CTQ 6sigma概念 4sigma的水平是30页报纸中有1个错字的品质水平5sigma的水平是百科全书中有1个错字的品质水平6sigma的水平是小规模图书馆中有1个错字的品质水平 中国最大的资料库下载 每年有54 000次的药品调剂错误 25年中只发生1次药品调剂错误 每年护士或医生的错误造成新生儿死亡40 500名 100年中护士或医生的错误造成新生儿死亡3名 每月有2小时喝污染的食用水 16年中只有1秒钟喝污染的水 每周有2小时不能提供电话服务 100年中6秒不能提供电话服务 每天飞机发生5次着陆错误 美国所有航空公司10年发生1次着陆错误 每周发生1350次外科手术事故 20年发生一次外科手术事故 每小时遗失54 000件邮件 每年遗失35件邮件 6sigma概念 3sigma水平的公司 6sigma水平的公司 阶段 Tools 6sigma概念 使用工具 Measurement 测定 5 GageR R6 RationalSubgroup7 ProcessCapability Analysis 分析 8 HypothesisTest9 Regression10 GraphAnalysis Improvement 改善 11 DoE DesignofExperiment 12 ANOVA Control 管理 13 SPC 6sigma不同推进阶段中 改善问题使用的统计工具 Define 定义 1 ProcessMapping2 LogicTree3 ParetoAnalysis4 QFD FMEA Y f Question1 Y或X中对哪一个聚焦 Question2 假如X良好的话 有没有必要继续实验及检查Y Y从属变数Output结果现象观察监视的对象 X1 Xn独立变数Input原因根源问题管理对象 6sigma概念 活动方法 6Sigma活动是对根本原因的因素 CTQ 聚焦后 展开改善活动 阶段 展开内容 6sigma各阶段推进内容 Measurement 测定 2 选定制品或工序的CTQ3 把握Y的工序能力4 明确Y的测定方法5 将Y的改善对象具体化 Focus YYYY Analysis 分析 6 明确改善Y的目的7 明确影响Y的因素 YX1 Xn Improvement 改善 8 通过筛选抽出关键的少数因素9 把握关键的少数因素的相关关系10 工序最佳化 验证 再现性实验 X1 Xn致命的少数因素Xi致命的少数因素Xi Control 管理 11 确立对X的测定系统12 确立对关键的少数因素的管理方法13 确立关键少数因素的工序管理系统及事后管理 致命的少数因素Xi致命的少数因素Xi致命的少数因素Xi 6SigmaProcess是以D M A I C5阶段构成并经过重要的13步骤 6Sigma活动是通过现象分析 展开问题 查明临时性因素 以D M A I C程序改善关键少数因素 先把握现象 能够1次性改善的部门采取1次性改善活动 然后 下一个阶段再接着进行改善活动 Define 定义 1 确定问题点 具体改善目标 算术平均值 x 调和平均 H S 总变动 TotalSumofSquares 偏差平方和 无偏方差 UnbiasedVariance S除以自由度 n 1 S xi x xi 无偏方差的开方or标准偏差 统计基本概念的理解 数据的计算方法 中心位置特征值的计算 散布的计算 中位值 x 按大小顺序排列时处在中央位置的值 最频数 Mode 资料中最频繁出现的值 区分 参数 统计量 均值 Mean 方差 Variance 偏差 Deviation 均值 样本均值 x 方差 样本方差 无偏方差 V 标准偏差 样本标准偏差 无偏方差的开方 统计基本概念理解 参数和统计量 参数 Parameter 描述变量集合的特性值统计量 Statistics 表示标本的特性值 n个偏差的和通常是 0 因此有 n 1 个偏差的值 剩余一个自行决定这叫自由度 DegreeofFreedom 统计基本概念理解 sigma是希腊字母 表示工序的散布 sigma是统计学记述接近平均值的标准偏差 StandardDeviation 或变化 Variation 或定义为事件发生的可能性 Sigma是表示工序能力的统计单位 测定的sigma跟DPU 单位缺陷 DefectPerUnit PPM等一起出现 可以说明拥有高sigma值的工序 具备不良率低的工序能力 Sigma值越大品质费用越少 周期越短 Sigma的定义 1 平均 拐点 USL 3 平均值和拐点之间距离用标准偏差 表示 如果目标值 T 和规格上下限 USLorLSL 距离是标准偏差的3倍的话 说明具备了3Sigma的工序能力 T 某班学生的国语平均分数是60分 按偏差是5的正态分布的话 随意抽取一个学生时 70分以上分数的可能性是多少 Z值是已测定的标准偏差 有几个能进入平均值到规格上下界限 USL LSL 之间的测定值 60 65 70 45 50 55 测定值 分数 0 1 2 3 2 1 Z 值 68 3 95 4 99 7 75 3 假如规格上限是75分的话 现在的工序能力是Z 2或2 统计基本概念理解 正态分布 N 60 5 标准正态分布 N 0 1 70分的情况下Z 值是 Z 0 0 01 0 02 0 03 0 04 0 0 5 00E 01 4 96E 01 4 92E 01 4 88E 01 4 84E 01 0 1 4 60E 01 4 56E 01 4 52E 01 4 48E 01 4 44E 01 0 2 4 21E 01 4 17E 01 4 13E 01 4 09E 01 4 05E 01 0 3 3 82E 01 3 78E 01 3 74E 01 3 71E 01 3 67E 01 0 4 3 45E 01 3 41E 01 3 37E 01 3 34E 01 3 30E 01 0 5 3 09E 01 3 05E 01 3 02E 01 2 98E 01 2 95E 01 0 6 2 74E 01 2 71E 01 2 68E 01 2 64E 01 2 61E 01 0 7 2 42E 01 2 39E 01 2 36E 01 2 33E 01 2 30E 01 0 8 2 12E 01 2 09E 01 2 06E 01 2 03E 01 2 00E 01 0 9 1 84E 01 1 81E 01 1 79E 01 1 76E 01 1 74E 01 1 0 1 59E 01 1 56E 01 1 54E 01 1 52E 01 1 49E 01 1 1 1 36E 01 1 33E 01 1 31E 01 1 29E 01 1 27E 01 1 2 1 15E 01 1 13E 01 1 11E 01 1 09E 01 1 07E 01 1 3 9 68E 02 9 51E 02 9 34E 02 9 18E 02 9 01E 02 1 4 8 08E 02 7 93E 02 7 78E 02 7 64E 02 7 49E 02 1 5 6 68E 02 6 55E 02 6 43E 02 6 30E 02 6 18E 02 1 6 5 48E 02 5 37E 02 5 26E 02 5 16E 02 5 05E 02 1 7 4 46E 02 4 36E 02 4 27E 02 4 18E 02 4 09E 02 1 8 3 59E 02 3 51E 02 3 44E 02 3 36E 02 3 29E 02 1 9 2 87E 02 2 81E 02 2 74E 02 2 68E 02 2 62E 02 2 0 2 07E 02 2 1 1 79E 02 1 62E 02 2 2 1 39E 02 1 25E 02 2 3 1 07E 02 9 64E 03 2 4 8 20E 03 7 34E 03 2 5 6 21E 03 5 54E 03 Z 值的计算 70分以上的可能性有多少 60 65 70 45 50 55 75 Z 正态分布总面积是 1 某概率变量 X 到平均值 之间距离除以标准偏差 的值用 Z 来表示 如果规格上限 or下限 用 X 来代替时超出规格上限的尾部面积可以认为 有缺陷可能性 Z 值是用来测定工序能力 跟工序的标准偏差不同 在这里 Z 值是2 0 把全体面积作为1的时对应的面积0 0228 规格上限 缺陷区域 Pr X 70 Z 2 2 28 或22 800PPM 有时按统计学教材 标记正态分布的左侧尾部的值 统计基本概念理解 表的Z 值表示正态分布右侧尾部面积 2 28E 02 6 能力 工序能力测定方法Z 值 1 Z 3 2 3 3 能力 USL 工序的变动 散布 越小工序能力越高 其结果标准偏差更小 发生不良的可能性就低 通过问题的现象分析把握工序能力 Z 要提高到6 水平 统计上采取什么样的活动 统计基本概念理解 LSL USL LSL Z 6 1 2 3 4 5 6 需要什么样的管理 需要什么样的技术 短期的工序能力 长期的工序能力 判断为短期内工序没有外部影响Zst st Cp技术最佳条件下的工序能力6 Zst 6 0 Cp 2 0Zst 3 Cp 判断为充分长时期内工序有外部影响Zlt lt Cpk技术 工序管理日常条件下的工序能力6 Zlt 4 5 Cpk 1 5Zlt 3 Cpk 长期内的工序能力因工序的中心移动及变动 跟Zlt Zst关系有关Zshift Zst Zlt Zst Zlt 1 5 统计基本概念理解 规格下限 LSL 6 5 4 3 2 1 1 2 3 4 5 6 规格关系 无偏移时不良率 理想的工序时 1 5 偏移时不良率 规格上限 USL 1 2 3 4 5 6 317 30045 5002 700630 570 002 697 700308 70066 8106 2102333 4 6sigma品质水准是什么 6Sigma品质是每百万个中3 4PPM 即Cp 2 0 Cpk 1 5 正态分布的平均偏移 1 5 按规格变化和平均值偏移的不良率 1 5 1 5 4BlockDiagram Zshift工序管理 A B C 1 5 2 0 2 5 0 5 1 0 1 2 3 4 5 6 Poor Good Poor Good Zst技术 A 工序管理状态不足 现在技术水平也低B 需改善工序管理 但技术水平优秀C 工序管理优秀 但技术水平低D WorldTop水平的公司 D 6sigma品质水平是什么 聚焦问题点阶段 ProcessMapping ProcessMapping是调查情报的流程 而使Process文件化 为明确改善的可能性而使用的工具ProcessMapping制定 定义Process范围 要改善的一般领域或特殊的Process 通过大脑风暴法制定Process的阶段顺序 为了容易分析 使用符号 为了验证Process 实际确认 追加KeyProcess的值 Yield Cost 损失费用 加班费用 Cycletime等 按题目的性质 使用分析图 ProcessLoss或浪费要素 改善Cycletime 改善品质 Flow改善 1 确定问题范围 QFD QualityFunctionDeployment 质量指标分解 QFD是将顾客核心要求事项 转换分解成技术要求事项 规格 或暂定的CTQ的工具 由相关工序专家制定QFDProcess 进行市场调查 明确信赖性要求 及一般的要求事项和顾客对现在品质核心问题的要求 对调查内容优先排序 为满足顾客的要求事项制定技术规格 确定对顾客要求事项影响大的技术规格的先后顺序 对已确定的先后顺序的技术要求事项 转换成暂定的Part特性 CTQ 对技术规格影响大的特性要素 CTQ 进行排序 QFD是为了能够改善顾客的核心要求事项 转换成技术规格的工具通过QFD把顾客要求事项系统化 最终选定暂定的CTQ 开展改善活动 1 确定问题范围 聚焦问题点阶段 FMEA FailureModes EffectsAnalysis 故障模式及效果分析 FMEA是明确制品设计上可能发生的问题和排定其顺序 并针对故障模式制定所采取的恰当活动FMEAProcess 对已设计的制品用Brainstorming法列出可能的故障模式 决定每种可能故障模式的重要度和发生可能性 决定消除重要故障模式而采取的方法 开发消除或减少重要故障模式的方法部分分析法 以优先顺序找出问题的核心事项 典型的是 80 的问题由20 产生 用逻辑树等方法展开问题后 找出最终区域 选定经验丰富的工程师来执行课题活动 2 决定活动课题和相关非常勤人员 聚焦问题点阶段 1 确定问题范围 Brainstorming 在短时间内得出很多主意的办法Brainstorming种类 FreeWheeling 全Team员以对话形式即兴发掘Idea RoundRobin 对事件 Team员轮流发掘Idea CardMethod 不经讨论 Team员把Idea写在卡片上 贴到墙上Brainstorming时注意事项 禁止批评 全部Idea都要记录 Idea发掘时不要解释或讨论 粗略的Idea也要鼓励 所有人都积极参与LogicTree StructureTree 为达成目标的手段 用逻辑性表示 Break down 展开 的问题之间MECE 互不重复无遗漏的全体 MECE MutuallyExclusiveandCollectiveExhaustive 不重复 各个的和等于全体 6sigma是对最终展开的低层问题进行改善后 最终问题得到改善的形态 2 找出活动课题的具体事项 聚焦问题点阶段 4 确定活动题目的相关Benefit 利益 定量 定性效果 为保证达成 明确改善金额5 对活动课题的问题记录 在现象分析时 记录现在现象和所希望的现象6 计划时间表管理 通过分析把全部日程用具体的图表管理 聚焦问题点阶段 单元2 测定 Measurement 2 1变化的理解2 2GageR R2 3连续型数据分析2 4离散型数据分析 变化的理解 数据的分类 工程问题 BottleNeck Issue事项 解决问题 连续型DATA 离散型DATA 连续型数据 计量型数据 Inchor时间一样能使用测定刻度的数据 比计数值数据提供更多情报离散型数据 计数型数据 提供合格不合格之类情报的数据不能再细分化的数据 测定后不能数据化的话 抓不住改善的机会 即可测定的所有问题都能用6sigmaTool进行改善 变化的理解 群内变化 WhiteNoise WhiteNoise是工程内存在的日常因素引起的变化 偶然因素 现在的技术水平是不可能控制的变化一般工程的散布工程上受细小的多数因素的影响Z st来表示 群间变化 BlackNoise BlackNoise是工程外部因素影响中心值移动一般情况下 可查明原因的变化 异常原因 现在工程上可控制的变化一般情况下 在工程的目标值上平均值偏移实际上可以知道随时间的变化 工程能力会怎样变化 群内 群间变化的区分例 作业者1作业者2作业者3 作业者4作业者5作业者6 作业者7作业者8作业者9 Line1 Line2 Line3 群内变化 每Line1 2 3内出现的 即Line内作业者间的变化 工程变化群间变化 各Line间的差异而出现的工程变化 变化的理解 RationalSubgroup 合理分组 指跟数据的种类无关 在可能的短时间内彼此类似的条件下作业的样本群 ProcessResponse Time 群间变化 BlackNoise 群内变化 WhiteNoise RationalSubgroups RationalSubgrouping是指Subgroup内只存在群内变化 Subgroup间只发生群间变化 将数据Grouping通过这种区分可把握长期 短期工程能力经长期收集的数据是不管业务部门还是制造部门都包含在群内 群间变化 为什么要RationalSubgrouping RationalSubgroup是6Sigma的一个强大的工具 是区分工程的短期工程能力或长期工程能力的重要方法 可以把握平均值移动问题还是散布问题 把问题特殊化的第一个阶段RationalSubgroup要包含的要素 为了明确给工序变化暂定影响的 X 因素 使用5M求解特性要因图 Man 作业者变更 昼夜班次交换 新作业者等 Machine 机械设定值变更 设备维修 维护等 Material 交付LOT 作业安排 原材料等 Method 作业者间的作业方法差异等 Measurement 测定者的变化 测定设备误差等 变化的理解 RationalSubgrouping事例 改善供应TVBackCover协力社的品质 为了分析部品变化的原因制定RationalSubgrouping计划 预想的暂定 X 因素及实际计划两台注塑机 对两台注塑机实施下列内容交接班 对交接班别取样分析每周作业者的变更 对每周变更的作业者别取样分析按原材料别构成Lot 分析Lot别有无差异 GageR RStudy GageR RStudy有下面3种 反复性 Repeatability 再现性 Reproduceability 全体测定变化即对比Process或Spec决定测定系统的变化有多少程度比率的系统 Total Part Part R R 数据全体变化 部品间变化 测定Error变化 GageR R的重要性 GageR R的实行结果提供下面的情报 选定计测器的适合性 Gage分解能力的恰当性 测定系统时间上稳定性 or可信赖 测定满足误差时 是工程变化或规格值关联可以接受 因素测定的变化量小 以具备正确找出诱发 Y 变化的 X 因素 GageR R是什么 测定系统给工程的变化值造成多少影响 GageR R GageR R GageR R判断基准 计测器选定 测量的精度 一般来说量具要求是工序变化 Spec许可误差的10 或更小的精度是合理的 精度 在量具上能读到的测定最小单位例 部品的公差 0 020时 量具精度要满足 0 002 30 以上 判断 20 以下 Accept 20 30 考虑适用部品的重要度等判断能否Accept 一般情况下Accept 设计许可误差对比Gage GageR R值越大 要制定改善计划并进行改善 如果不顾测定系统的误差 不改善系统的话 在6 Project实行中 要愿意接受测定系统可能发生误差的危险 GageR R的Sampling实施 以随机原则实施 但为了把握Spec的所有范围的变化 实施前必须制定抽样计划 GageR R 对测定系统变化的理解 反复性 Repeatability 1名测定者使用同样计测器测定同样部品的同样特性时得到的变化 再现性 Reproduceability 同样部品的同样特性使用同样计测器由多名测定者测定时得到的变化 GageR R 对测定系统变化的理解 稳定性 Stability 在一定的时间间隔下把标准品用同一的计测器测定同一的特性值时得出的变化 偏移 Bias 实际测定值跟试料平均值的差异值叫准确度 Accuracy GageR R 对测定系统变化的理解 线性 Linearity 通过期望的Gage工作范围比较精确度得到的值即在已定的工作范围的两边界线区间上 最少研讨1回的精确度得到的值的差 GageR R GageR R类型 短期的方法 只需要2名测定者和5个部品 不能分离反复性和再现性 可以迅速确认想测定的计测器的接受与否长期的方法 典型的是2 3名的测定者对10个部品反复测定2 3次 可以明确把握测定系统的变化有多大 能分离反复性和再现性 部品12345 测定值12 0031 9982 0072 0011 999 测定值22 0012 0032 0061 9982 003 测定差 1 2 0 0020 0050 0010 0030 004 范围的界限 测定差平均值 R 5 0 015 5 0 003 测量误差 5 15 1 19 R 4 33 0 003 0 013 公差的测量误差 0 013 100 0 030 43 35 参考 测量误差用测定差的平均值乘以常数 这里是4 33 来计算 常数在5 15 d 里已有计算 d 是下表中的值 5 15是Gage引起的变化能满足5 15 99 值 12345678910 R 0 015 21 411 281 231 211 191 181 171 171 161 16 31 911 811 771 751 741 731 731 721 721 72 42 242 152 122 112 102 092 092 082 082 08 52 482 402 382 372 362 352 352 352 342 34 部品数 测定者数 GageR R 短期的方法时GageR R运用 CTQ部品的Spec是2 000 0 015时 对测定差平均分布的d 值 GageR R 长期方法时GageR R的Minitab运用 选定MonitorCover为SixSigmaThemeSpec 2 3 1 5为确认测定系统 3名检查者对10个部品反复测试2次Filename Gageaiag mtw 为确认测定系统 3名检查者对10个部品反复测试2次 Stat QualityTools GageR RStudy GageR R 输入变量 选择ANOVA 点击OK后 DownPage 长期方法时GageR R的Minitab运用 GageR RStudy ANOVAMethodTwo WayANOVATableWithInteractionSourceDFSSMSFPPart 92 058710 22874539 71790 00000Operator20 048000 0240004 16720 03256Operator Part 180 103670 0057594 45880 00016Repeatability300 038750 001292Total592 24913GageR RSourceVarCompStdDev5 15 SigmaTotalGageR R0 0044370 0666150 34306Repeatability0 0012920 0359400 18509Reproducibility0 0031460 0560880 28885Operator0 0009120 0302000 15553Operator Part 0 0022340 0472630 24340Part To Part0 0371640 1927810 99282TotalVariation0 0416020 2039651 05042Source Contribution StudyVar ToleranceTotalGageR R10 6732 6611 44Repeatability3 1017 626 17Reproducibility7 5627 509 63Operator2 1914 815 18Operator Part 5 3723 178 11Part To Part89 3394 5233 09TotalVariation100 00100 0035 01NumberofDistinctCategories 4 GageR R StudyVar 表示能区分部品与部品间的差异点的检测系统的能力 GageR R 工程管理中 要求20 以下 Tolerance 表示部品在已定公差基准内 区分接受可否的检测系统的能力 判断总体GageR R的合格与不合格 长期方法时GageR R的Minitab运用 NumberofDistinctCategories 4 表示检测部品的信赖性区间不重叠的个数 GageR R 4个Categories NumberofDistinctCategories判断方法 NumberofDistinctCategories 0 1不适用 改善检测系统 NumberofDistinctCategories 2 4附加条件时可接受 NumberofDistinctCategories 5以上可接受 对同样部品的同样特征值测量 由3名检查者反复检测2次 可以分为4组对特定部品测定 信赖性区间小说明测定者和测定有反复 且测定很准确 如果信赖性区间重叠意味 信赖区间不重叠意味着组数小 测定的变化大 长期方法时GageR R的Minitab运用 GageR R GageR R的Graph解释 Xbar管理图 测定值超出管理界限 表现为良好的结果 如果测定值的50 以上在管理界限内的话 这个系统不适合 管理界限是用测定者间的测定值变化来计算 因此测定值的变化小说明管理界限的幅小即 说明测定者间的测定值变化很小 测定的变化 测定者 测定系统 比部品间变化相对小可以读出Parts间变化的情况R管理图 大部分的测定值在管理界限内 表示所测定的数据的值是正常的 长期方法时GageR R的Minitab运用 GageR R GageR R的Graph解释 除了Operator1和Part4之间的关系 整体上Operator和Part之间表现出好的测定结果 有必要对Operator1 2 3间的Part10 找出散布大的原因并查明 可以知道 Oper Part 间的交互作用 这是主效果的操作者 测定者 影响Y的值 操作者的测定值 跟Part彼此调合后影响Y GageR R 长期方法时GageR R的Minitab运用 GageR R 适合贯能判断时GageR R 对各Parts用贯能来判定合格与不合格 或go nogo时 TV外观检查时 2名评价者反复测试20个管子 评价者1 评价者2 1 2 1 2 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 G G G G G G G G NG G G G NG NG NG NG G G G G G G G G NG NG NG NG NG NG G G G G G G G G G G G G G G G G G G G NG G G G G G G G G G G G G G G G G G G G G G G G G G G G G G G 实验顺序 如果各部品别4次都有出现同样结果的话 其评价是可接受的 GageR R 3 20 100 15 GageR R GageR R实行时注意事项 以Blind测定来评价决定几名评价者为合理按产品的重要性和统计特性决定试料数和反复次数预先决定评价周期抽取样本时运用随机原则 但实施GageR R时须对试料事先计划再行抽样利用贯能法检查实施GageR R时 要选定技能相同的评价者实施GageR R一般是看 Tolerance值来判断Gage的接受与否 但 StudyVar在20 以上时 有必要点检工序ProcessGageR R值较大时 必须制定改善计划进行改善 如果测定系统有误差 但不改善系统的话 在执行6 Project期间要接受测定系统可能发生误差的危险 短期工序能力是只存在群体内变化 表示取样的数据都具有同样的品质特性 但有主要技术要素引起品质特性变化 因此 品质特性变化越大 散布也就越大 短期工序能力也就越差 ShortTermProcessCapabilityIndex 短期工序能力指数 Zst st Cp Zst 3 Cp长期工序能力是包括群内变化和群体间变化 为了改善技术和工序管理 必须判断工序是否稳定时 用长期工序能力的特性来取样 来确认包括管理要素引起的变化和技术的要素引起的变化 LongTermProcessCapabilityIndex 长期工序能力指数 Zlt lt Cpk Zlt 3 Cpk 什么是工序能力 工序能力 工序在管理状态时 其工序生产的产品品质变化有多少程度的值 或指在管理状态 稳定状态 下 工序能制造出来的品质水平的程度 SixSigma工序能力是指工序的变化 or标准偏差 小 即使乘以6倍 变化值也能够满足规格的工序能力 短期 长期工序能力的意义 Short termCapability 6 Long termCapability 3 st lt 工序能力度评价 工序能力 随着时间的变化 工序因各种外部因素 4M 变化 长期工序能力比短期工序能力散布大 时间 st st st SL SU 工序能力 两侧有规格时的工序能力 Cpk 1 K Cp 有偏移时的工序能力 K 用语解释 K 偏移系数 如果K 0 则Cp Cpk M Mid range 规格的中心 T Tolerancne 公差 SU UpperSpec 规格上限 SL LowerSpce 规格下限 SL SU SL SU M 工序能力的数学式 工序能力的数学式 工序能力 只有规格上限时的工序能力 只有规格下限时的工序能力 SU SL Cpu CpL 葡萄酒农场为了参加庆祝大会 在准备过程中 有必要改善葡萄酒品质而准备Project 首先为了把握现象 按合理分组计划规划得出了包括下列 X 因素的葡萄酒质量 Y 的样本 X因素 地域 木塞 葡萄酒味 透明性 香气 葡萄酒瓶Filename training s1 sixsigma mtw 工序能力的Minitab运用 工序能力 Stat BasicStatistics NormalityTest 点击OK后 键入变量 p value值比留意水平 0 05 大 因此可以知道是正态分布 数据的正规性验证 工序能力 计算工序能力指数 工序能力的Minitab运用 工序能力 Edit CommandLineEdit 继续输入命令语句 5 表示subgroupsize n 5 表示命令语句输入完毕 点击SubmitCommands 工序能力的Minitab运用 对Long termPPM的线是平坦的Subgroup数的地点 表示工序稳定 用这个可以看出数据是否充分 表示对短期 长期Z level及PPM值 工序能力 点击SubmitCommands 工序能力的Minitab运用 工序能力 与spec对比工序能力比较 提供对工序能力的多样的情报 短期工序能力有关的统计值Cp Cpk Cpu Cpl长期工序能力有关的统计值有Pp Ppk Ppu Ppl为了计算短期工序能力 使用只考虑组内的滚动 即群内变化的Zst 所以用暂定的工序能力或最高的工序能力来表示 并且表示通过改善活动 消除平均值移动引起的偏移时的最高的能力 为了计算长期工序能力 考虑规格的上 下限 表示实际的工序能力 使用群内 群间变化都考虑在内的Zlt 工序能力Minitab运用 工序能力 Stat QualityTools CapabilityAnalysis Normal SingleColumn QualitySubgroupSize 5Lowerspec 8Upperspec 22键入变量 工序能力Minitab运用 工序能力 点击OK ObservedPerformance 表示现在的工序能力状态下 实际超出上 下限规格的不良率 观察特性 ExpectedPerformance 表示现在的工序能力状态下超出上 下限规格的所预测的不良率 预测特性 在实际测定数据中 计算超出规格上限或下限的不良率 用PPM单位表示的值 在长期工序能力状态下超出规格上限或规格下限的不良率有多少程度把期待的不良率用PPM单位表示的值 用语解释 离散型数据分析 D Defect 缺陷or不良 事项 为了满足顾客的要求事项而浪费的再作业或失败的工作 例 把顾客的要求事项记错的差错情报 DO DefectOpportunity 机会损失 缺陷 可能引发的机会损失 缺陷 的行动或事件 例 须在一张要求式样上记录的项目数 U Unit 元件元件测定可能机会的细节例 要求样式 DPU DefectPerUnit 每个元件内存在的缺陷数 DPO DefectPerOpportunity 每个机会损失数每个Unit中存在机会数和关联的元件内存在的缺陷数 DPMO DefectPerMillionOpportunity 每百万机会损失数 1 000 000单元存在的损失数DPO 1 000 000转换SixSigma比率 P ND NoneDefect 无损失机会不能成为损失的可能性 P ND 1 DPO DPU DPO DPMO P ND 改善 离散型数据分析 发出了100张送货单 其中检出100个不符合项 如果各单元有10个项目 DPU DPO DPMO P ND 各是多少 DPO D U Opp DPO 100 100 10 0 1 10 该值表示所发出的送货单的每个项目最少有1个不良的可能性是10 DPMO DPO 1 000 000例 上例DPMO是0 1 1 000 000 100 000DPMO P ND 1 DPO 1 0 1 0 9 90 DPU D UDPU 100 100 1 0 100 该值表示平均值 所以每张送货单包含1个不符合项 利用泊松公式计算收率 离散型的数据分析 利用泊松公式 这里 Y 收率 DPU 元件缺陷数 r e 指数函数2 71828 Y 0 r 0时 对缺陷机会数越大 Y 越接近 0 ProcessYield 例题 离散型数据分析 如果750元件有34个的缺陷时 计算DPU DPO DPMO Yield Sigma各是多少 各元件有10个的机会数 DPU 缺陷数 元件数 34 750 0 0453DPO 缺陷数 元件数 机会数 34 750 10 0 00453Yield值是 2 7138 0 9559 99 6 0 045 Y P ND 1 DPO 1 0 0045 0 9559 95 6 DPMO DPO 1 000 000 0 0045 1 000 000 4 500PPM1个元件有