课程⑦⑧DMAIC手法绿带教育-改善阶段①课件

改善阶段绿带教育一、改善概述

二、简易的改善手段

1）FMEA改善

2）流程图改善

三、基于分析的改善

1）ANOVA方差分析

2）2k因子DOE实验方法一、改善概述过程特性化过程优化突破性战略Measure测量Analyze分析Improve改善Control管理Define定义１．确定客户CTQ２．产品/过程的树型结构３．指定项目和利益范围１．归纳CTQ特征２．质量特性的量化３．质量特性检测法认证１．当前工程能力验证２．确定改善目标３．找出变动因素１．究明主要要因２．确定要因的最佳值３．允许误差的设定１．主要要因检测法认证２．管理能力验证３．管理的系统化DMAIC步骤中的定位着眼于X着眼于YY=f(x1,x2,...,Xn)着眼于X,Y确定备选的要因Xs究明要因Xs（及其水平）：为了找出起着决定性重要作用的少数要因Xs，制定实验计划并加以实施移动分布

（使分布的中心切合目标，提高过程能力）缩小分散性

（减少波动，提高过程能力）确定要因Xs的最佳值：求出使Ｙ获得最佳值的Xs设定要因Xs的允许误差：根据Ｙ＝f(Xs)的关系、Ｙ的规格确认结果：实际进行试运行确认实验化战略统计性解决问题的定义目的的确定应答变量的选择独立变量的选择变量水平的选择实验计划法的选择数据收集数据分析得出结论达到目的改善阶段：ImprovePhase到达改善阶段（ImprovePhase）的过程１．基于ＦＭＥＡ（FailureModeEffectsAnalysis）

在测量阶段，从过程流程图→过程图、C&E图（特性要因图）中找出对于C&E矩阵来说更为重要的Ｘｓ，并针对这些实施过程ＦＭＥＡ，考虑对于高ＲＰＮ值输入：Ｘｓ，应该如何改善管理现状以降低ＲＰＮ值。由此制定相应的改善方案并作为改善：Improve加以实施。２．基于分析阶段（AnalyzePhase）

在分析阶段，根据Ｙ＝Ｆ（Ｘｓ）的关系找出对于数据分析来说更为重要的Ｘｓ。针对这些重要的Ｘｓ，为确定真正重要的Ｘｓ，求出Ｘｓ重要程度的先后顺序（哪个Ｘｓ有着何种程度的影响）和有意水平（Ｘｓ的哪个值是有效的）。2水准多要因实验计划多元要因实验计划（１个要因、２个要因、３个要因、…）二、简易的改善基于ＦＭＥＡ的改善方案（１）１．若ＲＰＮ值高的要因（输入Ｘｓ）尚未进行现状管理，则应立即确定降低ＲＰＮ值的对策提案→这本身就是改善案。

实施改善案后，要再次对ＲＰＮ值进行重新评估。

过程步骤/输入可能的故障模式可能的故障影响可能的要因现状管理使蒸汽注入DICY/刻度精度

刻度>0

DMF填充不足衣服含有水分衣服的目测检查(SOP5681)刻度不正确DMF填充过多水箱准备欠佳目测检查(SOP5681)刻度零点不准确

DMF填充不佳刻度不准确无

DMF填充/

DMF填充精度

DMF填充不佳超出粘度规格装置不佳保守程序(SOP5821)/目测检查33377违反SOP22225作业人员审批/过程监督139356185442175严重程度频度检出度ＲＰＮ没有进行现状管理→确定管理方案→改善方案基于ＦＭＥＡ的改善方案（２）２．若对ＲＰＮ值较高的要因（输入Ｘｓ）进行了现状管理，

则应对造成ＲＰＮ值现状居高不下的要因提出改善方案，

并明确该方案减少的是严重度、频度或检出度中的哪一项（单个或多个），再针对相应情况重新给ＲＰＮ值打分

违反SOP作业人员审批/过程监督根据TQL组的输入内容，保证该过程的绝对安全。

SZ引进DMF自动注入装置8/96712刻度不准确无包括在每天值班情况的确认和检查项目中

.PQ装置不佳保守程序(SOP5821)/目测检查衣服包含水分衣服的目测检查(SOP5681)

水箱准备欠佳52222目测检查(SOP5681)5934417554422424

140000可能的要因现状管理对策建议

负责部门实施对策频度检出度ＲＰＮ严重程度频度检出度ＲＰＮ严重程度73733没有进行现状管理→确定管理方案→改善方案流程改善：通过制作流程图减少步骤

发送原材料检验粗糙的锯木料运送deburrDeburr运送去进行扩展压缩扩展形成运去进行加热处理加热处理达到品均质量标准.运去冷冻扩展形式完成在冷箱中保存形成碳化氟对CF进行检查运去锯断锯木器TransporttodeburrDeburr运送去进行寿命测试寿命测试运送去检验.硬度检验运到

m/c商店

机器TransptodeburrDeburr运去检验.检验运去进行最后的处理化学清洗化学镀膜最初的应用在零件上作标记检验运去存储返回各个地区.ok不行oknotokoknotokok不行ok不行流程改善事例：捆包清单存档方式改善捆包捆包单账务除账复印捆包单财务存档物管存档捆包捆包单账务除账捆包单复印财务存档物管扫描电子共享存档改善前改善后三、基于分析的改善针对在分析阶段得出的Ｘｓ，进一步根据ＤＯＥ（实验计划法）找出重要的少数Ｘｓ（ＶｉｔａｌｆｅｗＸｓ）。具体按照：１．找出主要要因、 ２．确定要因的最佳值、或几个要因的最佳组合、 ３．计算要因影响度和优先顺序客户过程输入输出供应商过程：为了实现某个目标而采取的一系列行为输入：过程所加工或使用的物品或数据输出：过程工作的结果，所得到的物品或数据客户：所有接受过程输出的人（外部客户／内部客户）供应商：所有供应过程输入的人什么是过程

不同的操作员

不同的机器

不同的值班表

供应商/零件

室温

气压

相对湿度

原料特性温度压力

过程可管理输入主要过程的输出Ｙ

认识输入/输出

的工具

C&E矩阵/FMEA

特性要因图：

鱼骨图

短期能力：Short-termCapability干扰输入

(连续性的)干扰输入（离散性的）输入(Xs)与输入（Ｙ）的选择找出要因：研明原因型的情形问题哪一种输入对输出的影响最大？哪种输入组合才能使输出最大限度地满足客户的要求？工具实验计划法（ＤＯＥ:DesignofExperiment）用于下列目的的手法：使用统计学手法合理分配实验使实验计划开展得较经济、但又可得出可进行精确分析的结果筛选对主特性产生影响的要因计算要因影响度和优先顺序问题对目标值（水平比较）与现状值差距起着最关键影响的要因是什么？达成目标值的最佳方案是什么?工具＊水平比较：着眼于最佳业绩的世界顶级实例，分析自身与其之间的差距，通过弥补这些差距来达到同它一致甚至超越它的水平＊过去所有的智慧：通过总结过去的智慧，制定可实现目标的对策方案筛选要因：实现课题型的情况如果能“明确”判断哪个输入Xs对输出Ｙ的影响最大，就可针对这些重要（范围缩小到2-3个以下）Xs，采用适当方法“设置最佳值”。针对这些重要的输入Xs，如何找出最佳设定和手续，确保其正确性，为此必须采用何种方法进行多少次尝试？Ｘｓ的优化

为使输出Ｙ获得理想的最佳值，必须求出重要Ｘｓ的最佳值。

求解方法有以下几种：ＤＯＥ（多元要因实验：多要因多水准）ＰＬＥＸ（PlantExperimentation设备实验)ＥＶＯＰ（EvolutionaryOperation进化性工程改善）ＲＳＭ（ResponseSurfaceMethod应答曲面法）筛选要因：过程优化解决方案的开发、选择与实施前提条件：到分析阶段为止的「基础工作」开展充分，具有独创性，制定解决方案时充分注意到各个方面，有计划地加以实施，并能够排除组织性障碍。改善阶段前的确认事项：解决根本要因、实现目标的必要行动和想法是什么？这些想法中，哪些可能与有效的解决方案相关联？这些想法中，哪些有可能最大限度降低成本和混乱、并实现目标？

确认最终选择的行动和想法的有效性，应该进行怎样的确认（测试）？改善阶段的注意点：随时不忘如何才能从行动中获得最大限度的成果。即使效果（对目标来说）有限，但只要它有助于解决其他问题，就应该积极采用（但这种情形下要先讨论其风险）。手法使用场合Minitab程序一元配置方差分析

(ANOVA)判断单要因的不同水平对输出的影响。Stat>ANOVA>OnewayStat>ANOVA>Oneway(Unstacked)满因子实验判断多个要因（在多个水平下）及其交互作用对输出的影响，最佳值的选定方法。Stat>ANOVA>BalancedANOVA(平衡数据）Stat>ANOVA>GLM(非平衡数据）2K因子DOE判断多个要因（在两个水平下）及其交互作用对输出的影响，专用的选定最佳值的实验设计方法。Stat>DOE>AnalyzeFactorialDesigns(orAnalyzeCustomDesigns)2K因子+中心点的DOE考虑到非线性的因素，在高低水平之间增加中间点进行判断。2K半因子DOE为节约实验经费、缩短实验时间，减少实验次数的DOE实验方法。一元配置方差分析（ＡＮＯＶＡ）２００１．０３．１５一元要因试验计划(例)此试验计划调查的是某一要因的2个或2个以上水准输出变数的定量效果。

首先请看与tｰ检验相似的统计学检验法－Fｰ检验。Fｰ检验是信号与噪音的比SN比（Signal-to-Noiseratio),F值越高则偶然发生的概率越低。

若仅有2水准时,一元配置方差分析(ANOVA)结果与tｰ检验相同。

两者关系为:Ｆ=ｔ2

一元要因试验计划试验计划使用的数学模式Ｈo认为处理(小组)效果为零。数学模式假设通常的假设Ｈo:

's=0Ｈa:

tＨo:

Ｈa:

1mmmm===234由处理(对象小组)

ｔ得出的单一应答tti==tey=++mteytittiti=

=

全体平均

m此处：处理(对象小组)

ｔ的效果

随机误差最少有一个最少有一个不同。t不是0。mk如H0假设成立，即这两组数据采自同一总体，则这两组数据可看成在同一总体中采的两次样本。而样本的方差S与样本均值的方差SE的关系为：SE=S/n理论上SE应小于S。检验时亦如此，考察：F=nSE2/

S2有两个自由度：df1=c-1,df2=c(n-1)SE称为组间方差。S称为组内方差，S的计算方法如下：S2=c(n-1)Σ(X1-X1)2+Σ(X2-X2)2+……..+Σ(Xc-Xc)2c为数据的组数，n为组内数据数查F分布表上横轴上df1,竖轴上df2的值为临界值。单因素方差分析例

（UNSTACKED)例如：车间有一条流水线翻日夜班，观察其两班产品的合格率一组数据，判断日班与夜班是否无区别？(95%)这个问题的H0假设可表述为：日班与夜班是属于同一总体，μ1=μ2，上表中均值的差异仅由于随机波动造成的。查F分布表，在信度α=0.05下的F(1,4)=7.71.上题的MINTAB计算方法ANOVA/One-way(unstacked)如下图输入参数，图表可选择二种图：点线图、箱线图样本输入结果：图表选择VariableNMeanStDevSEMean95.0%CI

样本均值样本方差样本均值的方差95%的置信区间

dia614.95000.22580.0922(14.7130,15.1870)结果：One-wayAnalysisofVarianceAnalysisofVarianceSourceDFSSMSFPFactor140000040000053.330.000

n*组间方差平方F值Error8600007500

组内方差平方Total9460000Individual95%CIsForMeanBasedonPooledStDev

两组均值的95%置信区间比较，基于组内方差LevelNMeanStDev------+---------+---------+---------+daywork54000.070.7(-----*-----)nightwor54400.0100.0(-----*-----)------+---------+---------+---------+PooledStDev=86.64000416043204480组内方差F=53.33=400000/7500实际F值远大于7.71，H0不成立。一元要因试验分析步骤１．设定与输出Ｙ(欲调查影响度)对应的要因Ｘ的水准(值),测量各水准下的数据。２．将上述各水准下的数据填入MINITAB工作表，将输出Ｙ(应答变数)的值全部贴入(Stack)1纵列，在另一列中显示与各数据对应的要因水准。

Sｔａｃｋ的数据表可进行更多的分析，如多重比较，残差分析等。３．进行一元要因的方差分析。

按照Stat>ANOVA>Oneway

顺序进行MINITAB操作。４．根据sessionwindow方差分析表解释(F值)P值。若(F值高)P值未满0.05ｰ0.1,则舍弃Ｈo。一元配置分析步骤(续)

５．若F值生成的概率＝P值未满0.05,可按此顺序将平均的差异绘图。

Stat>ANOVA>MainEffectsPlot

或

Graph>IntervalPlot。６．使用MINITAB＞ANOVA>OnewayANOVAの的图表功能进行残差诊断。７．计算ε2,检验效果实际上是否具有意差。８．检验方差的均值性(等方差性)：

Stat>BasicStat>HomogeneityofVariance

９．总结结论和建议事项。

10．重复最佳组合。

11．将建议事项标准化。两个以上小组的比较下例看的是牵引速度与破坏强度的关系。此例在Montgomery教材第65页有很好的讲解。显示已输入破坏强度输出的设计矩阵。15 20 25 30 357 12 14 19 77 17 18 25 1015 12 18 22 1111 18 19 19 159 18 19 23 11牵引速度破坏强度ＦＮ：ｍｏｎｔ５２．ＭｔｗSSADataFiles练习左下表在MINITAB中称为“未处理（Ｕｎｓｔａｃｋｅｄ）”形式。分析数据时,需将牵引速度要因各水准（Level）

列成一纵列(Sｔａｃｋ)。如右下图重新排列数据后,再使用MINITAB为其范畴定义。操作顺序:Manip>Stack/Unstack>StackColumns15 20 25 30 357 12 14 19 77 17 18 25 1015 12 18 22 1111 18 19 19 159 18 19 23 11Break Ratio7 17 115 111 19 112 217 212 218 218 214 318 318 319 319 319 425 422 419 423 47 510 511 515 511 5输出和输入分别排成一纵列。Ｒａｔｉｏ１２３４５Sｔａｃｋ的数据表可进行更多的分析破坏强度的方差分析SourceDFSSMSFpRatio（

比）

4475.76118.9414.760.000Error（误差）20161.208.06Total（合计）24636.96

以累计标准偏差(PooledStDev)

为基础的各个平均值的95％CI(信赖区间）

LevelNMean(平均）

StDev(标准偏差）

------+---------+---------+--------159.8003.347(-----*----)2515.4003.130(----*----)3517.6002.074(----*----)4521.6002.608(----*----)5510.8002.864(-----*----)

------+---------+---------+--------累计标准偏差(PooledStDev)

=2.839MINITAB分析：Stat>ANOVA>Oneway（自由度）（平方和）（平均平方和＝方差）破坏强度的方差分析SourceDFSSMSFpRatio（比）

4

475.76118.9414.760.000Error（誤差）20161.208.06Total（合計）24636.96

以累计标准偏差为基础的

各个平均值的95%ＣＩ(信赖区间）

LevelNMeanStDev------+---------+---------+--------159.8003.347(-----*----)2515.4003.130(----*----)3517.6002.074(----*----)4521.6002.608(----*----)5510.8002.864(-----*----)累计标准偏差

=2.839

------+---------+---------+------将这些值平方后,求出平均值，再求其平方根。F值大,偶然发生的概率则小,此例为10,000分之１以下

!MINITAB的ANOVA(方差分析)SourceDFSSMSF

pRatio4475.76118.9414.760.000Error20161.208.06Total24636.96ＡＮＯＶＡ表（方差分析表）小组平均相同时则Ｆｰ检验的值接近1.00。这里的Ｆ值非常大。若P未满５％,意味着最少有1个小组的平均值不同。此例中,要舍弃所有小组平均值相等的假设,至少有一个处理的平均值不同于其他。Ｆ值有可能是一个很大的值,但这是10,000分之１以下的偶然。相当于连续抛10次硬币,10次均正面朝上。sssssPooled212223242５=+++

母集团尺寸相同时s52+主效果与区间图Stat>ANOVA>MainEffectsPlotGraph>BoxplotStat>ANOVA>IntervalPlot残差诊断ー残差分析ANOVA(方差分析)假设误差平均值=o,且具一定方差、呈正态分布。通过探讨残差(与样本平均的差),验证上列假设。可在MINITAB中验证。下一步。按Stat>ANOVA>Oneway顺序,求出残差,套用该值。正态图显示没有无法管理的残差。波动以输出值为中心变化残差直方图操作顺序为Stat>Regression>ResidualPlotsの残差分析破坏强度的残差ε2…的实际有意性虽然ε2是尚有谈论余地的统计值,但它为实际效果的有意性提供了良好的线索。ε2用于从有问题的输出测量输出波动量。这一统计值易于计算。计算方法为:平方和(效果)/平方和(合计)。首先用此值判断。e2475766369675===SSSSRatioTotal...表示破坏强度中75％的波动可由牵引速度说明。要因的平方和总的平方和满因子实验(FullFactorialExperiments染色性における湿度と縮れの効果压力1压力2温度12040温度25012单因子(OFAT)及交互作用如果我们在水平一下固定温度而改变压力，那么我们能得出压力在水平二时最好.如果我们在水平二下固定压力而改变温度，那么我们能得出温度在水平一时最好.在我们可能取得进步的同时，我们可能错过了最佳点.运行一运行二假定我们进行了一个如下所示的单因子(OFAT)研究多因子实验的众多优点比单因子实验（OFAT）更有效能观测到因子间的联合效应(交互作用）比单因子实验研究覆盖更广的实验领域可识别关键的因子(输入)在估计输入与噪声对输出的影响上更有效.双因子实验–交互作用效应考虑初始数据集:在

压力的第一水平,温度的效应是:

Temp=50-20=30在压力的第二水平,温度的效应是:

Temp=12-40=-28既然温度关于产出的效应依赖于压力的水平，那么我们认为在温度和压力之间存在

交互作用.在一些实验中我们发现一个因子不同水平的效应与别的因子不同水平的效应是不同的练习–将数据输入Minitab目标:将简单的因子数据输入Minitab并使用

Anova>InteractionsPlot

确认有无交互作用特征.过程要领将两个数据集输入

Minitab文件(提示:你仅须一次输入实验矩阵就可看见分别在两栏中出现的各实验的输出)选择

ANOVA>InteractionsPlot并填好对话框.继续进行练习温度压力产出1产出21 1 20 201 2 30 402 1 40 502 2 52 12你的数据应象这样交互作用将以前两表中的数据输入Minitab并使用方差分析部分的交互作用画图工具来画如下的图形:分析满因子实验的14个步骤1.在

MINITAB中创建数据集，使所有的回应值都在一列中.每一个输入变量或因子都被指定到一列,各列代表该因子的不同的水平

.2.对平衡数据运行方差分析程序,或对非平衡数据运行

GLM程序. -如果在每次实验中只有一个观察起作用，那么或者使用效应图，或者在随机块因子中仅使用线性模型(没有交互作用）3.在Minitab的方差分析部分使用残差图来对残差进行诊断4.首先对最强的交互作用解释

F-比值5.如果联系

F-比值的概率P小于.05,那么使用

TABLES命令来产生恰当的数据表.例如:如果对于响应D来说A,B,C之间有交互作用

,那么我们可用如下命令来总结数据:

Stat>Tables>CrossTabulation> usingA,B,&CandY.

6.总结表中的数据并因此产生图形。对两元交互作用使用

Miinitab的交互作用图。(InteractionPlot)7.如果最强的交互作用（＝ＡとＢとＣの間の交互作用）不重要，那么解释相对较弱的交互作用集（例如，A和B之间的交互作用，B和C之间的交互作用，A和C之间的交互作用）

8.如果任意一个相对较弱的交互作用比较重要，那么作出相应的图表.分析因子实验(cont’d)9.如果这些交互作用都不重要,针对主效应考查F-比值.用相同方法将这些解释为一元方差分析，并用主效应图来研究.10.上述基础上,仅用显著的效应重新运行简化的模型并重新运行残差.11.对每个显著效应计算ε2，由此测验实际的重要性.12.公式化表示结论和建议13.重复最佳的方案.14.计划下一个实验或制度化改变过程.分析因子实验(cont’d)练习–两因子的交互作用目的:使我们能对带有显著交互作用的两因子实验进行分析。

FN:Montint.mtw输出变量:产出输入变量：

温度(低，中，高)催化液(低，中，高）数据:Minitab的数据入口Catalyst Temp Yield1 1 761 1 821 1 641 1 871 2 551 2 561 2 651 2 641 3 521 3 631 3 651 3 602 1 812 1 672 1 832 1 752 2 772 2 742 2 712 2 732 3 532 3 632 3 602 3 57Catalyst Temp Yield3 1 783 1 723 1 853 1 833 2 863 2 743 2 813 2 783 3 693 3 703 3 653 3 60Zinc进行方差分析转到

Stat>Anova>BalancedAnova

并输入以下值:Zinc所得到的方差分析表Zinc主效应和交互作用都是显著的AnalysisofVariance(BalancedDesigns)FactorTypeLevelsValuesCatalystfixed3123Tempfixed3123AnalysisofVarianceforYieldSource DF SS MS F PCatalyst 2 529.39 264.69 7.58 0.002Temp 2 1620.72 810.36 23.20 0.000Catalyst*Temp4 442.44 110.61 3.17 0.029Error 27 943.00 34.93Total 35 3535.56残差分析

残差图没有大的离心率。针对拟合线的残差图表明残差的方差随着产出的增加而增加.我们也可使用

Graphs>Plot

函数

针对因子花出残差图Zinc残差和因子Zinc分析方差分析表交互作用是重要的p—值低于(<5%).我们停止对

F-检验的分析并估计交互作用.ZincAnalysisofVarianceforYieldSourceDFSSMSF PCatalyst 2 529.39 264.69 7.58 0.002Temp 2 1620.72 810.36 23.20 0.000Catalyst*Temp 4 442.44110.61 3.17 0.029Error 27 943.0034.93Total 35 3535.56从图上估计交互作用选择

Anova>InteractionsPlot

并填好对话框.对未来的过程控制解释其结果

我们能对过程的强健性说些什么?Zinc描述性统计MTB>tablesc1c2;SUBC>statc3.(orStat>Tables>CrossTabulation)ROWS:CatalystCOLUMNS:Temp123ALL14441277.25060.00060.00065.7509.9125.2285.71510.73824441276.50073.75058.25069.5007.1882.5004.2729.54934441279.50079.75066.00075.0835.8025.0584.5468.174ALL1212123677.75071.16761.41770.1117.2009.5235.61610.051

CELLCONTENTS--Yield:NMEANSTDDEVZincε2分析对过程来说哪个因子（输入）是最关键的？ZincAnalysisofVarianceforYieldSourceDFSSE-sqCatalyst 2 529.39 15%Temp 2 1620.72 46%Catalyst*Temp 4 442.44 13%Error 27 943.00 27%Total 35 3535.56让我们运行Anova>GLM程序命令Stat>Anova>BalancedAnova是为带平衡数据的实验设计的.命令

Stat>Anova>GeneralLinearModels(GLM)是为带非平衡数据的实验设计的.删除最后一个文件的一排数据重新运行

GLM命令平衡数据是指每个要因组合做的试验次数是一样多的.非平衡数据是指要因组合做的试验次数是不一样多的.多水平3因子-例子目的:确定卷曲效应,过程温度，着色尼龙纤维的湿度.输出:着色性

Dye(高较好)输入:卷曲Crimp(低，高)过程温度Temp(低，中，高)湿度Moisture(低，中，高)N=3每种方法组合有3个观察1.定义KxKxK

2×3×3

矩阵的因子并陈述有多少种方法组合.2.定义主效应和交互作用.3.计算实验的总样本数.4.定义实验的统计模型.

Zinc创建设计矩阵使用

Calc>MakePatternedData>样本集来创建设计矩阵.MTB>corrc1-c3Correlation's(Pearson)C1C2C20.000C30.0000.000创建设计矩阵后，最好通过计算三列的关联来检验数据.所有的关联都应该为0ZincOpen

Carpet.Mtw查看数据得到对矩阵的了解通过我们以前使用过的步骤用方差分析的方法分析数据。主效应和交互作用卷曲(Crimp)(C)温度(Temp)(T)湿度(Moist)(M)CxTCxMTxMCxTxMZinc进行方差分析转到

Stat>Anova>BalancedAnova

并输入以下值:存储残差得到的方差分析表结果表明三元交互作用是显著的,我们需要分析它,但我们首先确保残差是好的并且我们的模型拟合的很好.AnalysisofVarianceforDyeSourceDFSS