| 项目阶段 | | | | |
| | | | |
| | | |
| | | 使用历史数据说话，使小Y 可测量，Y 分得越细，工作的思路可以越清晰 |
| | | 1、要涉及到原因分析和感情色彩。 2、用历史数据说话 |
| | | |
| | 了解小Y的具体内容，包括它的特性，怎么定义缺点，它的规格是怎样，我们针对小Y的目标是怎么样 | |
| | | 六西格玛目标设定一般原则是改善现状水平与最佳水平差值的70%，这里的最佳水平可以是历史、同行业、设计应有 应遵循SMART原则 |
| | 明确财务计算法则，了解项目一年可以节省的金额，最大限度的得到公司的支持 | |
| | 项目不是一个黑带或绿带就能完成的，必须发挥团队的作用，要起到1+1>2 的效果 | |
| | | | 基于SIPOC，目标制程的准确可以避免我们少走多少冤枉路 不同的小Y一般又不同的流程图，除非制程是同一个目标制程 |
| | 1、 找到隐形工厂 2、 找到VA和NVA 3、 明确数据收集点 | 1、 对隐形工厂和NVA工序可以采取措施进行改进，是 量测阶段可以下对策直接改进的机会 2、 隐形工厂的观察一定要现场秘密观察 3、 该流程图的绘制一定是团队通过现场才能绘制漂亮，没有干净的动线流程图 4、 围绕目标流程进行 |
| | 1、 找到所有步骤的输入和输出，即所有可能影响小Y的因子 2、 明确这些因子的现状（可控还是不可控C/N） 3、 明确这些因子的上下限 | 1、 该流程图的绘制一定是团队通过现场才能绘制漂亮 2、 流程专家的重要性尤其体现 3、 基于动线流程图的所有步骤，包括隐形工厂 4、 输入输出一定要全面，不要遗漏 5、 针对C的因子可以开始展开措施 |
| | 1、 了解现在的量测系统的能力 2、 找到量测系统改进的机会 3、 使自己对以后的制程能力分析和AI两个阶段的结果有信心 | 1、 量测系统的选择尤其重要，定性性容易改进并通过，但到了后面的阶段样本量要求很大，定量型后面的阶段样本量要求小，但是改进并通过的难度大 2、 量测系统的改进一般在以下方面考虑：A、检验人员的 培训，B、检验 标准的重新制定和宣贯，C、量具精度的重新选择，D、量具的重新校对和修理，E、测量方法的统一，F、量测 设备的检修或更换 |
| | | 尤其注意观察能力图中出来的异常点，对异常点进行分析并改进是工作的重点 |
| | 是对详细流程图的补充，尽可能不要丢掉可能影响Y的因子 | |
| | 对所有因子（流程图和鱼刺图出来的所有输入输出）进行初步筛选，一般剩下30——50个因子 | 团队的打分，分数一般是0\1\3\9，然后根据8020原则进行筛选 权重的设定很重要。 |
| | 针对筛选剩下的因子以及目标确定接下来需要的数据，为后面的分析阶段减轻负担 | 这是第一期项目被忽视的部分，其实他对我们后面分析的对比数据很重要，可以作为历史数据 |
| | 是流程图绘制过程中的一个产出物，主要以消除浪费为主（7大浪费：重工、过量生产、等待、制程中的不良、动作（自动化程度）、库存、运输） | |
分析(并不是每个步骤都必须有，根据项目实际情况选择) | | | 针对初步筛选后的因子进行再次筛选，哪些需要进行图形分析或假设检验分析，哪些可以直接下改善对策，一般剩下8——15个因子 | 1、 FMEA是基于详细流程图和鱼刺图的步骤； 2、 FEMA是团队的结晶； 3、 分数的评定没有绝对的标准，但自己的标准要一致； 4、 严重性高的要尤其注意，不要因为总分低就轻易忽略； 5、 评价后，尤其注意哟啊填写建议措施，并落实人员，组长要注意检查完成情况（这是我们该阶段的改进机会之一） |
| | 寻找引起小Y变异的主要因子，为改善阶段指明方向（尤其是水平的设定）并积累经验。 注意：连续型的X一般可以按水平分成不连续型的X 同时注意：样本大小的不一样，可能影响你的分析结果，故在做假设检验以前，请先进行样本大小选择 一般剩下4——8个因子 优先分析机器别、人员别、班组别等因子，注意这些因子如果是显著的应深入分析到底是哪里的差异导致这种显著的效果 | |
| 不连续的X对连续的Y 除非箱子的中位数和矩形大小相差很明显，不要轻易接受它的结论 |
| 不连续的X对连续的Y 显示因子不同水平下的数据平均数，可以看到Y随因子水平变化的变化趋势 |
| 不连续的X对连续的Y 显示在第二个因子水平不变的情况下输出变数Y在第一个因子不同水平变化的趋势 如果线是平行的证明这两个因子没有交互作用 |
| 不连续的X对连续的Y 一般最多载入两个因子进行分析，不然图形会很复杂 |
| | 不连续的X对连续的Y 2T时还要注意样本是随机取自独立的母体且变异数相等，即应对变异数是否相等进行检查 P《0.05，接受对立假设，证明因子对Y是有明显影响的 |
| 不连续的X对不连续的Y 进行假设检验的前提是样本是由母体随机抽取的，样本收集的时候，不良个数一般应》5个 P《0.05，接受对立假设，证明因子对Y是有明显影响的 |
| 不连续的X对连续的Y 进行假设检验的前提是数据必须服从正态分布 2T时还要注意样本是随机取自独立的母体 P《0.05，接受对立假设，证明因子对Y是有明显影响的 |
| 基本与2T 相同，但一般用于相同项目比较处理前后的区别，比如热处理前后的硬度 |
| 3个因子以上的不连续X对不连续Y 进行假设检验的前提是样本是由母体随机抽取的，样本收集的时候，不良个数一般应》5个 |
| 3个因子以上的不连续X对连续Y， 每个因子收集的数据都应是正态分布且之间的变异数相等 别忘记了残差检验（残差正态、随机分布） P《0.05，接受对立假设，证明因子对Y是有明显影响的（注意只能说明其中一个组的结果不一样，要看具体是哪个组不一样要用到FISHER比较法或ANOM分析） |
| | 连续型的X对连续型的Y。 注意用残差图来检查回归方程是否可用。 |
| | | 根据需要进行DOE试验设计，以指导下步收集数据的计划和方法 | 1、 可选择全因子或部分因子试验设计，如果因子比较多，数据收集比较困难可使用部分因子试验设计，但尽量采用2^K因子试验设计。 2、 应注意考虑区组的概念（因为我们的Y很多都是不连续的数据，需要大样本量，一个班很难完成），区组一般用人员、班组、机器别来进行区分。 3、 中心点的概念要注意，一般如果你认为你的因子对Y的影响不是线性的影响时，并想找到最佳的点的时候应加入，这个时候，你应先将因子水平设得比较分开。 4、 因子水平的设定应团队讨论并现场了解，要基于现状（不能设出永远不可能的水平）也要适当拉开水平，以避免因水平设定的问题丢掉重要的因子 5、 拉出你的试验设计表格，给车间进行生产 |
| | 收集数据并分析数据，找到影响Y的真正X，并找到这些X与Y的关系：Y=f（X）,并找到最佳解 样本大小的不一样，可能影响你的分析结果，故在做假设检验以前，请先进行样本大小选择 | 1、 做一个坏的试验很简单，做一个好的试验很难，注意应保证除了你要验证的因子外，其它的因子（详细流程图里面的）应水平不变。 2、 柏拉图可以方便你去选择影响的主要因子（主作用的影响或交互作用的影响），简化模型是你分析的第一步。 3、 残差分析是个很重要的参考，残差过了，你的Y=f（X）才是可用的。 4、 注意这里的最终目的是要转化成实务的问题。 5、 优化工具可以告诉你想要的结果 |
| | 不是每个因子都需要进行DOE试验设计，有很多可以直接改善的的机会要直接先下去，可以比较快速的看到效益 | |
| | 检查你的DOE试验设计分析的结果和NON—DOE优化的结果推广的批量中的情况，验证你的结论是否正确 | |
| | | 通过你的试运行计划，你可能发现你DOE试验设计的一些缺点，或者还有改善空间，EVOP其实就是不断缩小你的X的范围，直到找到你的最优解（中心点显著） | |
| | | |
| | | |
| | 对你的Y和关键X进行控制，使之在你的允许范围内，一般用图形进行表示，可以方便你的判断 | 1、 SPC不是挂在墙上的图表。 2、 注意对异常点的管理，每个超过控制线的点都应该分析，找到引起异常的原因，并立即改进。 |
| | 让你的成果标准化到你的作业流程中去，让每个流程拥有着都了解你的改善内容 | |
| | | |
| | 项目中肯定有你不能按时完成的工作或者新的想法，这些需要你或流程拥有着持续进行，以保证你的成果持续 | 1、 为了使自己的项目移交成功，从D阶段就要考虑拉拢流程拥有者。 2、 流程拥有者应全面了解你的项目过程和内容 |
发表于 2017-8-9 13:26:33
发表于 2017-9-9 20:30:03
发表于 2020-2-28 13:48:47
发表于 2020-2-28 14:38:00
发表于 2024-4-7 19:08:59