统计试验设计在σ中和作用.ppt

统计试验设计在6σ中的作用（试验优化设计WORKSHOP） 引言 6σ是取得、维系和最大化商业成功的质量管理方法。 6σ从与执行工艺中存在的变化相适应的数值角度来评价质量。 在6σ概念中，单σ表示高的偏差，六个及以上表示低的偏差 。 DMAIC 表格 既然统计试验设计是改进阶段的一个很大组成部分，那么，简单回顾一下其用来提高质量的历史，对我们会很有用。 70多年前，Fisher为使统计学家有效研究复杂系统，提出了试验设计概念。 Shainin’s的故障检验技术，经过了发展20多年的发展后，由于Box 和Hunter多年的努力，在20世纪70年代开始流行起来 。 20世纪80年代，Box等统计学家开始对Taguchi方法进行研究，这种方法审察和提高实验设计中的精度和功效。 20世纪90年代，质量和学术界对Taguchi方法进行了热烈的争论，直到6σ的诞生及其在美国著名企业的成功应用。 质量研究 质量的概念可从多个角度定义，但对于从事产品生产和商业的人员来说，给定质量要求可通过一组规格在小范围定义。 例如，一个模塑件的尺寸y可能要求分布在SL和SU之间，即用mm来度量的上极限和下极限。而在另一种情况下，y可能是回应用户投诉并提供解决方案所花费的时间，要求不超过SR。于是，要事先做足够的研究来建立SL, SU,SR。 不管用何种物理准测来表示质量和能够满足规格的方法，所有在产品和服务中产生的质量问题，都可归结为一个原因：偏差。 因此，要处理好质量问题，就得对偏差充分管理 。 探测偏差、预防提高质量 1. 传统保证质量的方法是测试、检查 。但对真正意义上的质量改善并没有作用。较好的方法是把注意力集中在生产产品的源头上，这里两种主要的统计监测和控制工具可派上用场：工艺能力分析和工艺控制图。 2. 在工艺能力分析中，产品质量特性Y的测量在一般水平和偏差上进行。用工艺能力指标（CPI）来衡量存在的偏差，如下方方程： CPI=允许偏差量/实际偏差量 (1) 在正态分布中，如果U位于离最近规格极限的适当距离之内，那么就认为满足要求。这种情形下，CPI可用下式计算： CPI=Min{(μ-SL)/3σ,(Su-μ)/3σ} (2) CPI值用来判断工艺是否可继续进行。在 σ时代以前，至少要求1.33的量才可说明超出规范。 图1. 工艺能力分析 另一种预防偏差的方法采取统计工艺控制图的形式，来监控工艺行为。工艺控制图是必要的，因为只要存在μ和σ，不满意的工艺行为和随之的缺陷产品就有可能出现。因此，工艺能力分析和控制图分别从静态和动态角度研究工艺行为，提供了预防产品缺陷的机理。 积极干预提高质量 1. 简单的工艺能力分析或绘制控制图不能得到明显的改善方法，因为这种被动的分析是在输出端观察的。 2. 必须认识到按照某些准则即使输出是满意的——例如，按照控制图得到结论“在满意控制之下”——仍然不表明这种工艺现在处于它能达到的最好状态;就拿显示在满意的控制之下p－图来说吧，教科书式的程序不干涉工艺，这实际上忽略了工艺生产在有不合格产品情况下仍在进行的事实。这种产品的值为控制图中心线的值。什么也不作意味着没有可能改进。 3. 如果输出不理想，那么只有对工艺输入进行改变才有可能得到改善。如图2所示，其中xi=1, 2, …, k 表示诸如温度，压力，流速和材料种类等可控因素，称它们为因子。要对因子调整和优化，就必须理解输入－输出关系： ?= fc(x1, x2,…, xk) (3) (其中?是函数关系式中给定xi值的预期响应)。 图二. 工艺中的因子和响应 4.更合乎实际的工艺结构图如图三所示，当把y视作由确定组分?和可能组分e合成时，噪音的效应可通过y的变化显示出来。e是一个噪音因子函数: y= ? +e (4) 其中， e= fn (n1, n2,…, nk) (5) 5.由于很多工艺很复杂或我们对之了解甚少，从而不能用科技第一原则去分析，那么就必须用试验技术建立等式（3） 。20世纪20年代，R.A.Fisher等人建立起一般称之为试验设计的