【原文转自微信公众号 体系与管理(tixiyuguanli)】
这周,终于开工了……如果国外疫情回流能被有效控制的话,相信这个病毒在中国的防治马上就进入尾声了。相信我们政府和人民的控制力。武汉加油!湖北加油!中国加油!!
湖北省在中国的汽车版图上影响还是非常非常大的,这波疫情对整个中国甚至全球的汽车产业链都会产生持续而深远的影响,希望我们能够顶住,能够迅速调整过来,赢得整个产业链的信赖!湖北的小伙伴们,大家加油,祝福你们!
好了,我们进入我们的正文。获取更多原创体系管理相关文章,请点击关注本公众号:体系与管理(tixiyuguanli)
------------------------ 分 割 线 ------------------------
上次我们讲了,要想策划并运行NTF过程,必须提前解决几个问题,不然可能会事倍功半,吃力不讨好。如果这几个问题您真的理解并确定解决了,那么,我们就开始来进行NTF分析过程了。
按照VDA的相关规则,NTF分析需要有三大相互协调的模块组成,即数据收集与评估、系统检测、过程研究。
今天我们先讲解数据收集和评估模块。
模块一:数据收集与评估
上文我们也说过了,一旦要进行NTF分析,那分析对象就不是刚刚返厂且进行完零件分析的个别产品了,而是上述产品所在的整个产品组,甚至是一类相似产品了,必须在大数据的支持下,来分析可能引发失效的原因。
只是这一个模块,就能难为死很多的中小供方,让其NTF分析在他们公司只能成为一个可望而不可及的高大上概念。为了收集跟这个产品相关的所有数据信息,需要跟这个产品有关联的整个产业链的相关方共同努力,这就需要主机厂的大力支持和从中协调。VDA甚至认为,相关各方主动执行各自责任范围内可用数据的持续收集和评估,是能进行NTF分析的一项基本先决条件。
为什么呢?因为现实是失效原因根本不知道啊,所以要从各个方面去探寻其可能性。可能是车辆老化的问题,可能是车辆在某个特定环境下持续运行的问题,也能是跟这个部件相匹配的关联零部件的问题,甚至可能是某一地域内竞争对手的恶意破坏。那为了找到这种种可能性,就需要收集车辆生产的数据,车辆运行的数据,车辆保养维修的数据等等。
一般车辆使用状态数据,如故障发生时使用的环境、地域、车辆行驶状态、行驶里程、保养维修记录等等相关信息;车辆组装数据,如生产过程数据,匹配零部件状态、相配合零部件的质量能力等信息。如果没有主机厂协调4S店、售后维修人员,关联供方等共同提供数据收集支持,那这些数据的汇总就不可能,即使很多数据都被收集了,也会形成多个数据孤岛,无法联通,那也没法有效的使用这些数据进行相关分析。
VDA给出了一些示例,我引用一下供大家参考。 OEM数据:1来自指定参考市场和其他市场的投诉/拒收、2车辆数据(如维修历史,生产数据,发动机和变速箱变更,特殊 设备,行驶里程)、3损坏类别(如关键损坏的参考目录)、4顾客拒收/投诉类别、5运行条件(如所述国家那的任何特殊条件,特种车辆,气候条件)、6诊断结果(如错误代码,诊断报告)、7之前的分析结果、8服务及维修说明,诊断要求、9综合失效数据库(如开发,内部生产,Okm,现场失效等)、10生产过程数据、11来自其他顾客的可对比产品的知识 VDA-FFA(2009),版权归VDA所有
供方数据:1来自零件分析的 测量值和信息、2损坏类别(如损坏关键参考)、3顾客投诉/拒收的类别、4执勤的分析结果、5已读出的失效代码、6运行条件(如该国家的任何特殊条件,特种车辆,气候条件)、7产品寿命历史(包括软硬件等级)、8综合失效数据库(如开发,内部生产,0Km,现场失效等)、9来自其他供方的可对比产品的知识。 VDA-FFA(2009),版权归VDA所有
这些数据的有效收集属于一个系统的大工程。一般是建议由主机厂牵头来搭建这样一个数据库,所有的上下游全都用同一个数据库来进行数据登记和管理。数据里登记详细的相关信息,并详细区分类别,如故障类型或代码、国家、地域、环境、投诉类型、使用年限、故障季节、行驶里程范围、保养维修记录等项目,将数据进行尽可能详细的划分,为后续的筛查做好准备。
数据库被策划好且搭建起来了,那一旦某个产品进入了NTF分析过程,那就调取相关数据,用相关的质量分析工具,来进行分析和评估就可以,以获得更深层次的数据,为系统检测和过程研究提供输入。
数据分析的方法,我比较建议的是趋势图、帕卡图、层别图和因果图。通过将相关数据导出,并通过不同的维度的可视化分析,可以更直观的找到可能性最大的原因。针对这些可能性最大的原因,策划相关的系统检测方法和过程研究,来进行相关的核实。这就是我们下次要讲的内容了。
好了,近2000字,今天我们就先聊到这儿,下次我们继续另外两大模块的沟通。以后的文章我争取都控制在1000字左右,这样您读着不累,我写着也轻松
敬请关注微信公众号“体系与管理”(tixiyuguanli),持续跟踪!
|