世界级质量工具谢宁doe.docx
《世界级质量工具谢宁doe.docx》由会员分享，可在线阅读，更多相关《世界级质量工具谢宁doe.docx（10页珍藏版）》请在冰豆网上搜索。
世界级质量工具谢宁doe
世界级质量管理工具谢宁DOE
谢宁DOE概述
什么是DOE？
designofexperimentDOE：
试验设计是有目的的改变过程输入因素（X）以观测相应的输出变化（Y）的行动。
Y=F（X1,X2,X3……Xn）?
DOE是一种质量工具，要解决的变量X与Y的关系，如果逆向知道问题Y，如何找出X1，X2，X3……..？
变量是有害的需要找出和控制X：
变量Cp和Cpk表征变量分布所有变量的都很重要？
?
DOE分类：
经典DOE、田口DOE和谢宁DOE
DOE逆向：
知道问题Y如何找到X原理8/2原则帕累托定律目的80%的问题（Y）是由哪些20%的原因（X）造成的简单，有效强调与部件对话10大工具
Y：
绿Y，代表要解决的问题和目标利克特尺度：
在好坏之间建立一个好坏程度，如1代表差，10代表好；好处：
减少数据量X：
变量红X粉红X浅粉红X测量精度：
5:
1，（即变量变化范围:
测量工艺精度）≥560%50%50%40%绿YX变量对Y的影响比重30%20%20%10%10%0%红X粉红X原因重要性浅粉红X
多变量分析成对比较集中图变量搜索部件搜索产品/过程搜索全析因针对20个以上的变量思维创新工具确认重要变量BVsC分析散布图响应曲面图SPC确认改善效果优化X变量的公差持续改善
?
为什么首先要讲多变量分析？
最重要的是该工具针对大量没有直接联系的、猜测的可能原因和不可处理的变量减少到少得多的一族相关变量。
多变量分析为其它工具的使用提供一个分析基础。
?
多变量分析是一种过滤技术，将20个以上变量过滤，定位最可能的原因，可以形象的称之“漏斗法”扑克戏法的原理：
对于27张牌，三次定位找出指定的牌（红X），即第一次找出红X所在的列，可以排除18张牌；再次洗牌后，确定红X所在的排，排除6张，只剩3张牌；再次洗牌，则可以轻松的确定唯一的红X
鱼骨图的无奈——常用的分析问题的方法鱼骨图可以分析问题产生的可能原因，但并不能进一步分析，到底哪个是主要原因，次要的原因。
只能每项可能的原因都要进行改善，效率低，很多原因可能只是猜测，这正是多变量分析的优势。
?
目的：
在X1，X2，X3，…Xn中出红X、粉红X、浅粉红X所在的变量族?
方法:
1.针对每个变量，从产品或制程抽出四至五个样品作为样本,并测量有关之质量特性2.定时重复抽取样本,直到样本整体能反映大部份（约80%）的不良变异3.按时序制作多变量图4.观察何种变异最为显著——多变量分析的过滤器
?
变量族的划分1.?
?
?
?
2.?
位臵变量（样本内的）部件内部/组件内的不同位臵在成批加料时出现的位臵或范围的变化不同机器/不同试验位臵不同生产线之间/不同工人之间的质量变化周期性（样本之间的变化）在同样的时段，从一个生产过程中抽取的连续的部件间的变化不同的批次/部件组中的变量时间性的变化小时、天、周、班别的变化差异?
3.?
?
设计多变量具体研究步骤1.测量仪器的精度至少是产品精度的5倍2.确定可出现的变量的族的数目3.画出族谱4.估计所要求的不同时间取样的次数5.确定对在加工过程中连续抽取的部件的数量（一般3~5）6.确定在部件内，族系的取样数量，如方位、机器、模腔的数量）7.将第4、5、6不重的数量相乘，以确定要研究的部件总数8.设计一个图表，简化多变量数据的收集
?
多变量分析案例
（一）印刷电路板在钻孔时产生的过量毛刺，用利克特度量尺度把毛刺分成1到10级，然后对各种变量族系进行甄别。
决定仅用一天的时间进行试验，期望在一天之内就能充分找到至少80%的重要变量。
?
每天三班倒?
有13台同样的钻床?
每台机器有4个钻削夹头?
每班有8个工人操作机器?
每台机器上有3个装在PWB板上的控制板?
每台机有10种钻孔尺寸
?
针对各个x进行族系的划分：
?
每天三班倒?
每班工作时间的变化?
有13台同样的钻床?
每台机器有4个钻削夹头时间对时间时间对时间部件内部件内部件内部件对部件?
每班有8个工人操作机器?
每台机器上有3个装在PWB板上的控制板?
每台机有10种钻孔尺寸部件内
?
首先画出族谱图，按照三个族系分类，然后确定各个x的取样数目，一般3~5就可以。
从上可以得看，存在3大族系，个子族系，如下图：
?
然后设计数据收集表格
多变量分析案例
（二）某芯片生产线对芯片与基带的黏贴度进行多因素分析,并得出如下结果:
?
变量图，利用收集到的数据做图。
图标可以直观的判断哪个变量族变化最大。
水平线表示时间——也可以是周对周、天天天，小时对小时，批次对批次，垂直轴表示正在研究的绿Y。
从图中可以看出，位置变量的变化最大，这说明红X在位置变量内
多变量分析案例（三）某加工者在制造直径要求为0.0250英寸±0.001英寸的圆柱体转子轴时，出了很多废品。
有3个轴式上午8点加工的，其它的为上午9、10、11和12点加工的。
对每个轴要进行四次测量——2次在右面，两次在右面，对每个轴从左到右测量锥度；从上到下测试不同心度，让轴转动，测量最大直径点和最小直径点。
这样，在部件内变量中，就会出现两个子族，即锥度和不同心度，绿Y为转子的直径。
针对数据做变量图如下：
第一种变量图第二种变量图针对同一个问题，两种变量图，从图可以看出，第二种变量图更为直观明了，可以很快发现，时间变量最大。
多变量分析案例（四）具体应用到切片生产中，可以针对一般线痕的问题做相关分析的案例。
相关变量如下：
1、车间3个班（A、B、C）2、车间有36台机3、每个班有6个主操手，没人负责6台机器4、每个班12个小时5、切片机使用M（380kg）和N（270kg+120kg）两种砂浆6、切片机存在两种40工艺和42工艺将线痕的轻重（即硅片的最大粗糙度）做绿Y
?
族谱图分析绿Y：
线痕粗糙度时间对时间班次对班次（3）时间对时间（3）部件对部件工艺对工艺
（2）部件内员工对员工（3）机台对机台（9）砂浆对砂浆
（2）注：
针对各个变量选取适当的取样次数，每4小时取样一次，主操手6个选取3个，机台36台选取9台。
?
设计数据收集表变量族班#时间工艺#时间对时间A前4h中间4h后4h前4hB中间4h后4h前4hC中间4h后4h变量族员工#机台砂浆#M1NM甲2NM3NM15N工艺40乙16MNM17NM34NM丙35NM36N
多变量图的后续分析1.2.3.首先确定重要变量的族系（注意：
红X仅可能存在于几个族系之一中）如果红X是位臵变量族，则需要使用集中图，分析出绿Y所在具体的位臵；如果红X是部件对部件的变量组,就要检验周期图形、灰尘及管理等，这些银子可以影响一个部件，蛋不会连续影响其它部件，为进一步使用部件搜索和成对比较相对顺利；
4.如果是时间变量组，注意过程中随时间变化的规律，可进行产品/过程搜索。
5.6.如果残留的相关变量在5~20个，可以进行变量搜索；如果少至2~4之间，可再进行全析因分析。
如果只有一个，可直接进行BVsC比较，确认改善效果。
?
适用的条件：
变量处于部件内，为位臵变量，下一步应当绘制部件内问题的精确定位。
?
目的精确定位部件内问题的位臵，为多变量分析的续篇。
从谢宁DOE解决问题的路径图中可以看出其所在位臵：
?
应用于：
1、检查问题/缺陷是否集中发生在产品或过程中的某一特定区域；2、当缺陷可能发生在产品的多个位臵上（如气孔、针孔、污损）；3、缺陷可能产生于过程中的多“流”，且流的数量较多，无法应用多变量分析（如：
批量式热处理）；“流”可以是设备、夹具等?
方法：
1、画出零件草图，并划分成多个区域（栅格）；2、将Y（结果）按1-5的等级量化；3、从过程中连续收集零件，如有缺陷，确定其区域和严重程度，在相应的栅格处标上等级数；4、持续收集零件，直到80%的历史不合格状况能够被覆盖。
某公司在控制面板上进行喷漆的过程中，成品率仅为82%。
于是进行了多变量分析，经确定重要变量是控制面板内的变量。
研究人员制作了一个集中图，显示出4种缺陷，以及每种缺陷的数目和位臵。
从图中可以看出，铁钴镍合金的缺陷达43个，占到总缺陷的79.4%，集中于控制面板顶部的中部，这是由于控制面板是用铁铬镍合金制的钩子沿面板上棱的中部挂起来的，这些钩子没有进行定期清洗，导致钩上的碎屑掉到了控制面板上。
?
分析和结论1、仅需进行目视分析；2、检查缺陷是否集中发生在产品或过程中的特定区域；3、如缺陷集中于某过程流，则变异源于该过程（如：
炉内各区域温度的不同）；4、如缺陷不是集中于某过程流，则变异源于原材料的差异;如缺陷集中于某产品流，则变异源于该过程的缺陷/不足；5、如缺陷不是集中于某产品流，则变异源于该过程设计或材料问题；
部件搜索部件的交换是否能将绿Y带走？
?
用途：
用于装配操作，可拆卸的部件对比?
适用条件：
通过多变量分析发现重要的变量存在于部件对部件时；或在同样的运行条件下，同时存在好坏时，直接使用部件搜索。
?
试验样品：
2个，1“好”和1“坏”，两个部件的差异应该尽可能的大，考虑两种极端情况。
?
原理：
交换理论，两个相同部件的对换，绿Y是否被带走
?
试验具体步骤：
1、取样：
1个最好的样品和1个最差的样品，差异尽量大，有利于重要的因子的捕捉。
2、分别拆卸/重装2个样品部件2次，测量绿Y是否重现。
3、显著性检验，两个样品之间的差别是否显著。
?
3次绿Y的输出都是好的样品高于差的样品，之间没有重叠交叉。
?
D/?
≥1.25，才进行下一步；低于1.25则说明问题在与部件的拆卸/重装过程。
（D和?
具体应用时讲解）4、子部件交换，测量每次交换后两个部件的输出。
5、使用判断极限，如果输出超出了判断极限，则为重要因子。
（判断极限，具体应用时讲解）6、进行析因分析，量化因子的重要性和相互作用。
某厂生产的振荡器的时间延迟，同时存在高值（H）和低值（L）。
通过拆卸/重装，结果如下：
阶段一初始第一次拆卸/重装第二次拆卸/重装高值组件（H）配臵所有组件，高所有组件，高所有组件，高配臵ALRHBLRH结果（ms）131615低值组件（L）配臵所有组件，低所有组件，低所有组件，低配臵AHRLBHRL结果（ms）343835结果（ms）1935部件阶段二A：
晶体B：
微处理器结果（ms）1616C：
晶体管D：
电容C2E：
电容C1阶段三A和ECLRHDLRHELRHALELRH14151632CHRLDHRLEHRLAHEHRL33371617
1、根据一阶段图表进行显著性判断：
D/?
≥1.25D=高中值—低中值=高中值（34、38、35）—低中值（13、16、15）=20?
=[高中值（34、38、35）取值范围+低中值（13、16、15）取值范围]/2=3.5D/?
=20/3.5＞1.25，这说明部件的差异不在组装过程，而是在子部件的差异。
2、进行第二阶段的部件互换，根据阶段一得数据做判断极限：
高值范围=高中值±2.776?
/1.81=35±2.776*3.5/1.81=35±5.37低值范围=低中值±2.776?
/1.81=15±2.776*3.5/1.81=15±5.373、做曲线图，看哪些子部件的交换导致输出超出了判断极限，即为重要因子
4、做析因分析通过上表，可以算出A的主效应=[（35+17.5）—（15.5+17.5）]/2=10E的主效应=[（35+17.5）—（15.5+17）]/2=10AE之间的交互效应=[（35+15.5）—（17.5+17）]/2=8
成对比较复杂的东西简单化，统计的东西非理论化
?
用途：
用于装配操作，部件不能拆卸分离时对部件的属性进行比较鉴别重要因子?
适用条件：
在同样的运行条件下，同时存在好坏时，直接使用成对比较，避开多变量分析。
?
试验样品：
6-8个好部件和6-8个差部件。
?
成对比较的通用性很强，可以用于设计、管理、技术等各种场合的部件对比。
后一章关于部件/过程搜索的方法与本章基本一样，成对比较主要针对不能拆卸的子部件参数，而产品/过程搜索主要针对过程参数，如温度，角度，湿度、时间等变化的因子。
其实在具体使用中，子部件的参数和过程参数都可以同时使用成对比较。
产品/过程搜索就不再累述。
?
使用方法：
1、选则采样量。
选取相对于调查的绿Y尽可能远的6个或者8个好的部件以及同样数量的差的部件。
好的和差的部件的绿Y值应该相差越大越好，有利于找出红X。
2、尽可能多的罗列出可以表达好的和差的部件绿Y差异的参数或者质量特性。
3、将每项参数从大到小，或者从小到大的排列，使用图基检验，计算每项参数的终结计数。
4、终结计数如果大于或等于6，臵信度大于90%，为重要因子；如果小于6，则为不不重要因子。
终结计数越大，臵信度越大。
?
图基检验1、关键词：
图基（人）、统计学规律、确定质量参数是否重要2、使用程序：
A不管好坏，将12个或16个参数按照从高到低，或者从低到高的顺序排列开；B在参数的后面标出好（G）或差（B）的部件；C排列在顶端参数由“全部是差的”开始改变成“好的”或者“差的”变成“好的”的分界线处划断，好的或坏的个数为顶部的终结计数；同理，可以划定底部的终结计数。
两个相加为该参数的终结计算；D如果分界线处“好的”和“坏的”参数一样，则该终结计数减1/2；
内外环跳动差异比较
案例分析：
1、样品选取8个“好的”8个“差的”，好的和坏的存在一定差距；2、参数排序，每项参数的终结计数的确定；3、成对比较，并不是问题解决的最后，还要使用变量搜索和全析因分析，量化重要因子和相互影响。
参数L1356-B121-B38-B37-BL2211-B43-B39-G33-GL3100-B35-B18-B17-BL252-B73-B42-B34-G36-B36-G35-B33-G33-B32-B28-G28-G27-G26-G25-G25-B23-G22-B20-G19-B17-B15-G11-B10-B16-B14-B14-B13-G11-B11-G10-G10-G10-G8-G29-G25-G25-B22-B22-G21-B21-B18-B17-G16-G25-G22-G终结计数5+61/2=10.510-G5-G2+21/2=3.58-G7-G6+71/21/2=1215-B15-B3
全析因分析复杂的东西简单化，统计的东西非理论化
?
用途：
简洁而正确的识别量化每一个一阶影响、二阶影响、三阶影响及四阶相互影响效应。
?
适用条件：
在使用其它DOE线索生成工具确定变量个数不大于4个时使用。
?
试验个数：
2n，n为变量个数（≤4，大于4则繁琐）?
试验原则：
随机化，各变量的输入试验应该交错开，前后顺序随机化；重复性，各变量重复输入一次，输出如果相差大于10%，则需要消除干扰误差；必须使用其他DOE方法确认4因子为重要因子，不可直接使用全析因。
?
方法：
1、选择输入的变量和因子，编号为A、B、C和D。
2、为每个因子选择两个水平（任意两个，一好一坏）。
两个水平分别标记为（－）和（+）。
3、绘制16种组合的矩阵，使每一个因子组合的水平都能得到检验。
4、随机选择检验任何一个因子组合顺序，输入每一个组合两次，记录所对应的绿Y（输出，两次读书的平均值）。
如果每一个组合两次输入误差不大于10%，则试验具有重复性，否则需调节试验，消除误差因子。
5、绘制方差分析表，将每个因子（－）和（+）分别相加，得出每个因子的变化，所引起输出的变化，确定红X、粉红X和浅粉红X。
同时分析各因子之间的交互影响。
具体操作，从事例中讲解。
?
案例波焊试验（4因子），确认相互之间的影响因子代码ABCD因子描述焊剂类型传送速度（英尺/分钟）倾角（°）预热温度（°F）因子水平（—）A1945160（+）A88067220绿Y（输出）：
波焊缺陷水平
波焊试验24因子方差分析表（重点）（-）乘以（+）为（-）错误的，应该是ABC、BCD、ABD、ACD浅粉红X意义：
ABCD四个因子，任意不重复的（—）和（+）两水平组合（红色框子）输入，得到绿Y（输出）的值（蓝色框子）；总和（橙色框子）表示每个因子栏（A、B…AB、CD…ABC…ABCD）中[（+）符号的所有输出之和]减去[（—）符号的所有输出之和]。
※总和的值从大到小的因子组合即为红X、粉红X和浅粉红X。
总和包含的意义可理解为该因子变化所引起的输出的变化大小，即该因子组合对输出的影响力。
交互影响效应应该是BC（-）和BC（+）输出比较：
AB交互影响—四组数值，在AB栏中（A,B）的两水平（-,+）,（-,-）,（+,-）和（+,-）组合四个组合，将四个组合的输出分别相加所得数值做交叉图；AD则为（A，D）组合，类似AB交互影响；BCD三阶交互影响则为（BC，D）组合，具体方法类似于AB二阶，只不过将A栏换成BC栏（三阶方法，书本解释错了）。
图表意义：
如果两条直线交叉，说明交互影响很大，验证了为其为重要影响因子，两条直线未相交，弱交互影响；从图选取数值最小的为因子应处的水平为最佳水平，如AB交互影响，应A和B都处于（+）水平为宜。
可应用全析因分析确定切片过程中重要影响因子对切片线痕的影响，具体方案如下：
1、输入因子：
（DG机台，假如通过多变量分析确定砂浆相同条件下，4因子为重要因子）A张力水平（+）水平（-）22/19N21/16NB砂浆温度21℃19℃C切割线速方案12m/s14m/sD台面速度方案0.335mm/min0.360mm/min2、绿Y（输出）：
硅片的线痕程度，利克特尺度综合粗糙度和线痕面积，划分为1、2、3…..10等级。
3、目标：
确定4因子之间的相互影响和最佳参数水平。
谢谢~~~！
升级会员 