统计过程控制spc解决问题的方法Word文档下载推荐.docx
《统计过程控制spc解决问题的方法Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《统计过程控制spc解决问题的方法Word文档下载推荐.docx(10页珍藏版)》请在冰豆网上搜索。
![统计过程控制spc解决问题的方法Word文档下载推荐.docx](https://file1.bdocx.com/fileroot1/2022-11/28/856f451f-f4ae-4625-be16-4464e0ca3927/856f451f-f4ae-4625-be16-4464e0ca39271.gif)
通常,少数生产问题造成较大的损失,相当大部分的问题导致了余下的小部分损失。
帕雷托分析法的目的是要清楚地识别那些潜在成本最大的问题。
项目组成员运用帕雷托分析法来分析问题,制定日程来处理问题。
随时间推移的进展,他们也用此方法来反映过程。
帕雷托分析法把问题细分成一系列的类别,并有一个决定分类的共有特性值。
大多数情况下,这一特性值通常用金钱衡量,因为许多问题都反映企业成本的增加额。
然而,如果每个问题领域的成本相同,关注的焦点就转向问题发生的频率了。
帕雷托分析法的结果是一个柱状图和折线图的组合,其中给出了发生最频繁的原因和相应的成本。
图4.1是帕雷托分
析所需收集的数据。
图4.2是由此数据得出的排列图表。
图4.1帕雷托分析的数据
图4.2排列图
建立排列图表的步骤:
第一步:
建立类别
进行帕雷托分析的第一步是定义类别。
定义的类别要和你所关心的领域相一致,如:
缺陷类型,机器,部门等,但质量成本或矫正时间不能作为关注的焦点领域。
具体的操作员最接近和了解问题根源所在,他们非常了解如何对数据进行分类。
图4.1中,就是用缺陷类型来定义类别。
通常6至10个类别已经足够进行帕雷托分析。
类别太少,将不足以把问题进行有效的细化,类别太多,又使研究范围变得太宽。
完成主要类别的定义后,只需把余下的问题归入“其他”类别即可,该类别本身可能包含若干个类别。
对当前的主要问题简化到某个细小的问题后,再着手对“其他”类别进行详细分析。
第二步:
确定时间段
决定类别后,要对你的分析对象设定时间段。
不同的问题发生在不同时间段,所以设定的时间段要满足如下要求:
在此时间段内,要包含发生频率较小的问题,不能滞后,也不能依赖距离现在太远的过去状况。
在开始做分析之前,就要确定好时间段。
第三步:
收集数据
记录问题在时间段内发生的频率。
图4.1和4.2中的收集的就是以两周为时间段的数据。
第四步:
以列表形式汇总数据
以类别的名称作为列建立表格,如:
频率,每个类别估计缺陷百分比和每个类别的总费用。
在表格中键入类别名。
接着,键入每个类别在研究的时间段内发生的次数。
再键入估计的平均缺陷费用,它应包括间接费用,如:
额外处理费用,仓储面积费用,文书工作费用,运输费用及包装费用。
该平均缺陷费用可以估计的,只要对不同的类别该费用具有相关性,就不一定要用精确值。
最后,把问题发生的频率和平均缺陷费用相乘得到每个类别的总成本。
5.建立图表
建立一个坐标系,把其中一条轴按每个类别分段,包括“其他”这个类别。
另一根轴根据类别的公共特性值划分刻度,这里是按照金额来划分刻度的。
依据该公共特性值对类别进行排序,并以此顺序在图中为每个类别画柱形图。
从耗费成本最高的问题开始,以“其他”类别结束(即使“其他”类别耗费的成本要比前面的类别大)。
柱条的长度或高度对应于该公共特性值。
运用统计过程控制软件能使整个制图过程中的计算、画图变得简单。
运用帕雷托分析法决定怎样处理问题时要记住的一点是:
简化最常发生的问题要比彻底排除不常发生的问题来得容易,而且,该方法极有可能立杆见影。
2头脑风暴法
头脑风暴法是用来解决问题的一个比较成熟的方法。
它是一个连珠炮似的方法,可以给出一连串可行的解决方案而不拘泥在某个特定的方案上。
虽然,个人也可采用此方法,但集体讨论将更加有效。
这是因为集体讨论中,一个人的想法会激励其他成员的思维。
头脑风暴法的5条准则:
1.设定发言时间限制
对大多数问题,通常设定15分钟至一小时。
2.确定具体讨论任务
讨论主题本身不一定是一个问题。
头脑风暴法能帮助确定解决方案,可能的起因,输入输出的结果。
讨论主题需在讨论开始前选定。
3.在发言时间限制内产生尽可能多的想法
头脑风暴法的目的在于产生尽可能多的想法,其中甚至包括偏离原始想法的念头和其他离奇的想法。
4.指定一名记录员
在会议期间就把讨论产生的想法记录下来,让组员们可以一目了然地看到,这样是最有效的。
利用黑板或活动挂图来记录观点是条有效的途径。
这样容易使讨论成员回想起先前的观点,由此激发新的想法。
讨论其间所有的观点都要被记录,即使是对问题没有帮助的以及重复的观点。
5.在会议结束前,避免对产生的设想进行评价、批评,或做出任何好坏的判断。
想法的可行与否将在以后作出决定。
对问题没有多大帮助的设想能开阔思路,引导我们找到可行的解决方案,所以对此要给予鼓励。
批评,甚至是窃笑,都会阻碍组员们畅所欲言和限制组员产生新设想的潜力,这种情况在一个或两个人的观点控制整个讨论会议时也会发生。
要避免这种情况的发生,就要询问每个与会者的观点。
虽然每个与会者不可能以同等的机会参与意见的发表,但这足以产生尽可能多的想法。
如果你想得到更多的意见,给与会者一份在讨论中产生的设想清单,便于他们想到什么就能直接加上去,并再安排一个简短的会议让他们发表各自的新想法。
这两次会议的间隔通常是几天或几周,其依赖于问题的缓急程度。
如果问题急需解决,或当你觉得手上的建议已经足够时,就可以对每个观点给出其优点,可行性的评价。
制定一些标准来决定接受或摒弃某个观点,在清单上删除不满足要求的项。
精简了记录清单后,就能决定问题的处理方案。
近似图是组织头脑风暴法产生的大量信息的另一种工具。
它把具有相似共性的想法聚集在一起,写在一张纸上或制成索引卡片,这有助于把产生的想法有意义地分类。
3因果图
问题定义后,它的起因也就确定。
因果图(又被称为Ishikawa或“鱼刺”图)能说明怎样选出影响质量的因素,并将它们联系起来。
通过阐明每个因素是怎样同绩效相联系的,因果图使我们集中解决问题的症结而非其表象。
因果图将问题的起因分成若干个类别,如果某个类别复杂的话,再对其进一步细分。
一些主要因素的分类如下:
.材料
.设备
.员工
.方法
.度量
.管理
.环境
画因果图的4个步骤:
1.决定哪方面的特性是你想改进和控制的。
2.记录下“效果”。
将“效果”写入右边的框中,从左边画一箭头指向这个框,详见图4.4。
图4.4因果制图的第二步
3.把主要因素的类别沿箭头写在其上方和下方。
在类别之间和类别与箭头之间留出空间。
这样写有“效果”的方框与类别之间就没有联系,把各个类别与主箭头连接,详见图4.5。
图4.5因果制图的第三步
4.列出可能的影响因素作为每个类别的分支。
如果某个类别的分支因素对绩效的影响比该类别大,就要将其单独列出。
任何影响问题起因的因素都应被列出,详见图4.6。
如同头脑风暴法一样,在画因果图时,集体讨论是种最有效的途径。
画因果图的目的在于识别所有同绩效相关联的因素,而集体讨论总能比个人提出更多的方案。
图画好后,通过研究,要确认每个领域的哪些因素对绩效起主要作用。
改良绩效的尝试就从这些因素中选出。
4散点图
散点图用来揭示因与果或两因素之间是否具有相关性,它还揭示了一个变量增大的同时,另一个变量是否随之增大,减小还是不受其影响。
作散点图的步骤:
1.收集数据。
2.画平面坐标系。
两根轴的长度要大致相同。
在两个变量各自的轴上标记刻度,见图4.7A。
3.在图上根据数据描点。
对数据值重复的点,在该点周围画同心圆表示。
如果两变量间存在相关关系,其散点图会呈现“雪茄形”。
变量间的相关性越强,图形就越紧密。
图4.7B-4.7D中,散点图不同的形状代表不同的相关性。
图4.7A散点图的建立图4.7B正相关性
图4.7C负相关性图4.7D不相关性图4.7B表示正相关性。
这时,自变量的增加导致因变量的增加。
图4.7C表示负相关性。
这时,自变量的增加导致因变量的减小。
图4.7D表明两变量不相关。
5直方图
直方图说明观测范围内数据出现的频率,还表明数据的分布与规格的联系以及数据是否超出规格限制范围。
我们透过直方图的形状,数据的中心值,数据的离散方式可以知道一个过程的许多信息。
建立直方图的步骤:
1.收集和记录数据。
许多信息依赖于所收集数据的类型和记录的方式。
2.确定数据的最大值和最小值。
查找数据的最大,最小值。
3.决定分组的数目。
经验告诉我们,通常使分组的数目与观测数据量的平方根大致相等。
4.确定每组数据的极差。
每组数据的极差必须相等,如果观测值是舍入值,这将使问题易于处理。
让极差的起始值和终止值落在两个数值之间,这样就能很容易看出数据所在的范围。
5.设定各组的宽度。
宽度可由(最大值-最小值)除以分组数得到。
6.画一表格来记录数据。
表格里的每行反映直方图的范围。
7.记录数据,
检查每个数据,并在相应的行做标记。
接着,合计每行的标记数,如图4.8所示。
图4.8直方图用检验单
8.建立平面坐标系。
两坐标轴应足够长,能包含所有的数据点。
可能还需在直方图里标出生产指标线,上限和下限。
9.作直方图。
根据步骤5决定柱体的宽度,高度应等于表格中记录的频数。
图4.9A给出了上述数据的直方图。
怎样解释图表取决于你的目的和数据的分布。
近似正态分布的形状通常意味着过程的变化源于普通原因。
如图4.9B所示,正态分布是对称的,这在第2章已进一步讨论过。
实际分布与正态分布曲线的接近程度能告诉我们过程的许多信息。
虽然我们通常能看到分布是否接近正态,但我们并不能每次都识别出反映过程问题的微小变化,当我们比较直方图时,尤其是这样。
为了说明这点,统计学家提出了检验数据正态性的若干方法,其中有些是偏度、峰度的检验和卡方(χ2)检验。
这些检验能使我们在数据具有相同均值、方差的分布下,发现差异性。
这类分析能告诉我们过程的改进是否有效。
图4.9A来自图4.8数据的直方图图4.9B拟合曲线显示出正态性的直方图
正偏负偏
图4.10负偏和正偏
偏态系数表现均值与众数的差异。
偏度检验是用来度量曲线的对称性的。
如果偏态系数为0,表示数据分布关于均值左右对称。
偏态系数为正数,表示均值比众数大。
偏态系数为负数,表示众数比均值大。
图4.10分别是偏态系数为正,负的情况。
偏态系数的计算公式如下:
其中y是偏差,μ是均值,ο是标准差。
比较直方图时,偏态系数让我们知道过程是否有向上限或下限倾斜的趋势。
两个不同的分布可能会有相同的标准差、均值、偏态系数,但一个分布的峰是平缓的,另一个分布的峰是陡峭的。
曲线的平缓程度就叫做峰度。
峰度的计算公式如下:
如果峰度=0,该曲线是正态分布曲线,峰度>
0,该曲线比正态分布曲线或尖峰态曲线平缓,峰度<
0,该曲线比正态分布曲线或低峰态曲线陡峭,见图4.11。
尖峰态曲线低峰态曲线
图4.11尖峰态曲线和低峰态曲线
卡方(χ2)检验反映了实际分布和期望分布的拟和程度。
该检验通常用于检验分布的相似性。
许多统计软件能计算卡方统计量的值。
χ2统计量的计算公式如下:
其中fa为实际频率,fe为估计或先前频率。
根据计算得出的值查χ2表(附录B)决定显著性。
6链图
链图能用来研究过程的稳定性和趋势。
因为链图反映了随时间变化的过程,数据依产生的先后次序被标在图上。
链图中x轴的刻度通常是简单的计数,如1,2,……。
y轴的刻度是数据的值,见图4.12。
图4.12链图