第四周黑带培训.docx

2013年7月15日星期一
一、 第三周回顾
1、 抽样：
① 五个抽样方法：常用系统抽样、分层抽样；
2、 样本量计算
α、β、δ
3、 MSA（公差比：%P/T=6公差/T、%R&R=6MSA/6公差）
① 线性
② 偏倚
4、 SPC
① 规格线、控制线
② 普通/特殊
③ 判异原则：8个
5、 流程能力Cpm
① 计量型：Z变换、CP、Cpk、
② 计数型
6、 多元方差
7、 多元回归
① 逐步回归
② 最佳子集回归
③ 回归/回归：二项、顺序、名义
8、 DOE
① 计划
② 全因子
二、 第四周
① 尝试错误法：
② 单因子
③ 部分实验法
部分因子研究：
Ø 筛选设计（在不重要的众多因子中，区分出“至关重要的少数”以少量的实验次数。来检查相对大量的因子）
Ø 特征设计：确认主要变量。研究少量因子（2-6）之间的关系，通常进行全因子实验，或高解析度的部分因子实验
Ø 优化设计：找出主要变量的最佳作业范围，运用全因子实验及响应曲面设计。
问题1
Ø 描述目的
DOE研究：主动进行X和Y的实验，寻找统计上显著的X
DOE和多变量分析的不同之处：多变量分析是通过被动搜集X和Y数据，寻找统计上显著的X
问题2 2-7

量具 R&R

方差分量
来源 方差分量 贡献率
合计量具 R&R 0.0000006 26.84
重复性 0.0000003 11.96
再现性 0.0000004 14.88
Operator 0.0000003 12.73
Operator*Part No. 0.0000001 2.15
部件间 0.0000017 73.16
合计变异 0.0000024 100.00

过程公差 = 0.03

研究变异 %研究变 %公差
来源 标准差(SD) (6 * SD) 异 (%SV) (SV/Toler)
合计量具 R&R 0.0007979 0.0047875 51.81 15.96
重复性 0.0005326 0.0031953 34.58 10.65
再现性 0.0005942 0.0035651 38.58 11.88
Operator 0.0005496 0.0032973 35.68 10.99
Operator*Part No. 0.0002259 0.0013556 14.67 4.52
部件间 0.0013174 0.0079046 85.53 26.35
合计变异 0.0015402 0.0092413 100.00 30.80

可区分的类别数 = 2

问题三
统计-DOE-设计
（1） 速度与颜色：观察主要影响可知，有三因子的交互作用，观察ANOVA的影响
（2） 建议：按照厚度的要求（高或低）
问题四：根据回执的交互作用与主要作用与主要影响图可知，当交互作用存在时若我们只观察X的主要影响图，我们将会被误导。
Ø 若主要影响表现为一条平线，通常我们会认为此变量不显著
Ø 但是，交互作用却显示，当受到其他变量影响时，它是显著的
问题五：哪一种方法会使DOE分析结果缺少P值？
答：无重复性操作或再现性操作。没有P值因为没有F值，没有F=群间变异/群内变异，此题中群内变异为0，是因为每个温度、颜色速度对应一个厚度输出，没有重复性。
若DOE分析结果没有P值，何种工具可用来评价影响的显著性？在minitab中使用上述工具时，如何得知影响是否显著？
答：查看效果值或效果图，离0越远，则越显著。此题中统计-DOE-分析-分析因子设计-结果中去除BC、AB、AC
问题六：
统计-表格-双向表
问题七：
何谓中心点：一因子中，介于两个水平中间的值
它告诉我们什么：曲线性是否存在
它没告诉我们什么：存在何种曲线性
问题八：
统计-DOE-自定义
总结：分析路径-全因子DOE
ε2=1058÷1377.5即实际影响÷总的影响
创建因子设计：见下面链接
C:\Users\林娜\Documents\Bluetooth Folder

中心点显著的情况下，统计-DOE-分析-项中的中心点选项要点上。中心点显著用全因子分析，不显著要用曲面什么什么的分析
曲面：
① RSM
② 修改设计

20130715下午上课内容
一、 部分因子实验
1、 实验的H level
2、 为什么执行部分因子设计？
答：如果实验者能假设高阶交互作用可忽略，虽然只执行全因子设计的部分实验，仍能适当估计较低阶交互作用的影响
部分因子设计的主要用途为筛选变量，相对较少的实验次数可用来评估相对较多的因子。
3、 因子设计
成功因子设计的基础：
Ø 影响的稀少性原理
Ø 投射特性：若某些因子不显著，则部分因子。。。。。。。
Ø 序贯实验
4、½设计
通常我们选择最高阶交互作用，来被另一因子取代，在本例子中，当我们用因子D取代AXBXC交互作用，我们称与D互为别名。
我们称此为½设计，我们可用
必考
l 标记法 部分因子实验设计，一般的标记法为2k-pR K:研究的因子书 R：分辨率 2k-p ：实验次数
l 例子:5因子2水平
4、 别名结构
交互作用图
5、 其他部分因子设计考虑事项
Ø 就像全因子设计，部分因子设计也能被区租化分并使用中心点
Ø 部分因子设计能被并入至另一实验设计
Ø 连续合并部分因子设计，因子影响能由。。。。。。
6、 week3最后一个例子
创建因子实验中，设置仿行数为3，将Y1\Y2\Y3分别拷进去。然后进行分析。见桌面bolt2那个表
二、 田口实验
在噪音下，使Y运行稳定。
三、贯序试验
1、 实验计划
① 实验的构成
Ø 输出变量（响应）——连续、离散
Ø 可控的输入变量（因子）
Ø 噪音（背景）变量—如果可能必须受控或能够解决
Ø 噪音因素
② 要问的问题
Ø 可测量的目标是什么？它是否依赖于商业指标？
Ø 它的成本是多少？
Ø 我们如何确定样本量？
Ø 我们的随机计划是什么？
Ø 是否和内部客户进行沟通
Ø 需要多长时间
Ø 我们将如何分析数据？
Ø 我们是否计划进行领航性实验？
Ø 实施建议在哪儿？
③ 方案格式
Ø 问题陈述
Ø 目标
Ø 。。。
④ 履行实验
永远要进行领航试验（试运行），从而检验并改进数据收集程序。
注意并记录任何来自外部的变异
确保对适当的数据收集工作
⑤ 最终报告
⑥ 实验的贯序特征
⑦ 贯序实验的构成
Ø 一般步骤与选项：
由部分因子实验开始着手
增加运行次数以孤立不明确的效应
将实验转移到新的变量水平
。。。。。。。。。。
一般建议：
Ø 尽量加中心点；
Ø 删除不重要的因子并重新运行缩减模型
要问的问题：
管理层考虑：对于未充分了解的流程，很难设定结果的最后期限。实验可以增加认知但并一定解决问题。
响应曲面方法论（RSM）
一、一维概述
当我们仅有关键输入变量KPIV时，能很容易观察出关键输入。。。。。。
二、一维搭配模型KPIV/KPOV最佳化
依据这些数据点我们能够绘制一条曲线，决定KPIV水平后，就能得到KPOV的最佳值
三、二维分类
四、一次一变量法：只能用来找局部最佳方案
实验设计：
序贯实验：如果弯曲存在的可能性很小，则“一阶。。。。”
自然分数=（自然）

将输入变量编码必考：公式

2013年7月16日星期二
一、 回顾
① 分辨度：Ⅲ——A+BC Ⅳ——AB+CD Ⅴ——AB+CDE
② DOE解决方法
C:\Users\林娜\Documents\Bluetooth Folder
二、 为决定PSA做决定
由于无弯曲影响存在，因此寻找从中心点开始与等值线垂直的线段。由于起始原点未已知，我们需计算该线段的斜率
PSA案例
1、 建设一阶回归模型为Y=62.3+2.35X1+4.5X2
2、 第一个点是所有X为0处，即实验的中心值（常数）
3、 选择变量的步进量，△X1=1.0
4、 其余变量的步进量为△X2=4.5÷2.35=1.91
该直线的斜率为4.5÷2.35=1.91
注意此处是一维显著
三、 策略
若已知不多，一阶模型与筛选方面的研究将会有很大的帮助
若一直充分，更详细的实验设计将被用以研究极大值。
响应曲面与回归的区别：回归只能是内推法，在已采集数据范围内进行推定结果，响应曲面法则能进行外推法，找到最佳值。
响应曲面设计要求X、Y必须都是连续的。

属性实验设计
一、 目的
Ø 评价缺陷和不良品的不同
Ø 介绍适合计数型响应变量的DOE
Ø 说明数据转换可降低每个实验组和的抽样大小：尽量少抽还能得到比较好的结果。
Ø 实例讲解

二、 用minitab计算抽样大小
结论：抽样量越少，功效值就越小 功效值=1-β
三、 DOE 理念
当P值趋于极值（0或1）必须增加样本抽样。

2013/7/16下午
一、处理缺陷
①缺陷计数
Ø 缺陷在每个子群中发生的概率为常数
Ø 缺陷在任何子群间发生的概率是相互独立的
Ø Poisson分布：标准转换Y=√P FT转换
Ø 二项分布:两种转换方法，

DOE缺陷联系：Grillpanel案例结果：数据量够大，转换不转换差距不大。
其他方法：
Ø 尝试将响应转换为计量数据
Ø 设定新的响应变量
使用三个方法：
摘要：
一、优化操作 EVOP(类似六西格玛，基本思路也是DMAIC，但是周期短，一周左右)
1、EVOP中心思想：制造顾客满意的产品、收集数据以改善产品
2、什么是EVOP?
Ø 是持续改善工具
Ø 是针对争产制造的在线产品的设计实验
Ø 使用加中心点的22或23全因子实验设计
Ø 动员员工及管理层投身于流程改善
3、 EVOP的循环
Ø 一个循环表示对设计点的再现
Ø 低水平和高水平间的步
Ø 。。。
4、 EVOP的阶段
① 阶段是一组特定因子及相关水平的循环
② 以多个阶段用来引导我们改善的方向
③ 多个阶段得到的数据形成响应曲面
5、 EVOP案例：6-4图 统计-DOE-因子图
6、 EVOP的输出数据
7、 HF工厂案例
8、 EVOP-30 EVOP优缺点 适于现场持续改进
9、 EVOP-29接下来要做什么：以温度255,压力140为中心点做框图，看看是不是最佳点
三、 PLEX
PLEX是一系列的一次性的DOE计划，而EVOP是一种连续的研究程序。一般比PLEX范围大。
10、 总结：
①、 一个流程运行目的：生产产品和提供如何改善质量，合格率和生产量。。。。。。
②、 EVOP和PLEX是针对制造环境中在线产品的特殊实验方法
③、 EVOP：两个或三个因子持续的被改变，直到其影响被确认为显著，改善的因子将并入流程
④、 在其他技术的协助下，PLEX是一种大胆的尝试，它应用了更大范围的变量，但仍然存在可接受的或被证实的限制。
四、 田口实验
1、 不可控导致不稳定，在有可控和不可控的情况下，一种稳健的方法
2、 田口方法的哲学思想：相对于通过检查来强调质量成果而言，田口方法的主要思想更关注在生产前对产品和流程的优化上；质量和可靠性的概念被推回到设计阶段；该方法提供了在进入生产阶段前的设计产品测试技术。该方法只需定义一个目标值，而不是公差；其思想就是尽可能接近目标值；田口思想就是：任何偏离都应该得到及时矫正，这样才能防止对社会造成损失；田口通过计算损失函数对该损失进行量化。
3、 田口方法的目的：研究产品和流程的变差性，进而发现一组条件，使该组条件导致的变差性尽可能小。
4、 田口：质量流程
我们本次只学习参数设计
① 目的是所有噪音因素的条件下生产稳健的产品
② 为了达到稳健性，必须在设计阶段开始质量
③ 三个步骤：系统设计、参数设计、公差设计。
④ 田口方法用两个步骤优化流程完成这个目标
Ø 第一步致力于减少变差，第二步瞄准向目标进攻
Ø 首先将所有对信号-噪音比有。。。。。。

5、 评论：田口方法不能优化流程，它可以使流程变得更好，但它是不是更适合的流程要依机会而定。我们将说明两种优化方法的应有：方法一：使用信噪比S/N和均值。方法二：使用标准差。。。。。。
6、 田口方法设计阵列-正交阵列
田口方法使用：全因子设计和部分因子设计。。。。
7、 田口响应：损失函数（通过减少损失函数改进流程）、信号对噪声（信号对噪音比大的是操作条件好的流程）
8、 田口流程输出的中心位置可以用均值衡量，流程输入的分布或分散程度可以用标准差或方差来衡量，田口识别用三种不同情况：额定的是最好的，越大越好，和越小越好，有不同的方程表达式
① 稳健性：实验者试图发现一组条件，在这组条件下，在制造或使用产品。。。。。。。
② 内部和外部阵列变量
Ø 该方法定义了。。。。。。。
Ø 。。。。。
均值已满足要求，但是波动性大建议做田口
找到最佳设置，看波动有没有变化。

2013年7月17日星期三
一、 蒙特卡罗模拟（水晶球CRYSTAL BALL）
1、 含义：也叫统计模拟方法，利用随机数进行数值模拟的方法
假设有连续的4个子流程：平均值s=10+10+8+8=36，σ=开根号（σ2+σ2+σ2）=2
Z=(usl-s)/ σ=(40-36)/2=2 确定六西格玛水平。用概率图进行查超过40秒的概率。
下列费用预测值。。。。那题答案：平均值=175，σ= 12.2474，在185内完成的概率为79.3%
方差分析中SS是。。。。。MS是什么。。。。。要考？F=MS÷误差 MS=SS÷自由度，SS群内变动和。
2、 装配行业案例
3、 服务行业案例：

2013/7/17下午
一、混料实验设计
1、混料设计的概念
①经典的实验设计方法适用于因素间无约束条件，但在化工、冶金等工程和其他一些领域中，经常出现配比的问题。可以证明在混料条件限制下，单纯形质心混料回归设计的回归方程中没有常数项、二次项、三次项。。。。。。
2、 单纯形质点设计
3、 因子不管显著不显著，主因子都不能去除掉
4、