优化现有流程以实现六西格玛能力
这是两部分系列文章的第二部分。第一部分出现在一月号上，讨论了实现六西格玛能力的设计过程。一个设计良好、执行良好的系统可以将流程控制在现有的性能水平上。过程的控制图可以识别，甚至预测过程何时变得不稳定。
|
这是两部分系列文章的第二部分。第一部分出现在一月号上，讨论了实现六西格玛能力的设计过程。
一个设计良好、执行良好的系统可以将流程控制在现有的性能水平上。过程的控制图可以识别，甚至预测过程何时变得不稳定。操作程序规定了稳定失控过程并使其恢复控制所必需的行动。然而，控制系统不能做的一件事是提高过程的能力。只有当影响最终输出的重要特性是:
确认;
理解;
优化;和
保持在最佳水平。
在六西格玛(6σ)术语中，这被称为测量、分析、改进和控制(MAIC)。
实现6σ能力并不容易，并且很少在第一次优化过程的尝试中完成。认真考虑实现6σ能力的公司允许接受过统计方法和工具使用培训的黑带实践者，将他们的专业技能应用于确定的改进机会。一个6σ大师第一次通过项目的MAIC会发现“唾手可得的果实”，但是每一次后续的MAIC通过都需要更大的努力、更多的经验和更好的工具。
这些努力会有回报吗?
联合信号公司将6σ原则归功于自1994年以来节省了15亿美元，并计划在1999年再节省6亿美元。
通用电气(General Electric)董事长兼首席执行官杰克•韦尔奇(Jack Welch)预计，6σ将在1998年带来7.5亿美元的净收益。
要获得这些好处，需要了解MAIC的四个阶段和八个关键工具(参见相关图表)。
为了了解MAIC阶段，有12个顺序的步骤确保对过程进行彻底的检查，如下所示:
选择关键的质量特征;
确定所需的性能标准;
验证测量系统、方法和程序;
建立当前流程能力;
定义性能上限和下限;
识别变异的来源;
筛选变异的潜在原因，以确定需要控制的少数关键变量;
发现关键变量的变化关系;
建立每个重要变量的操作公差;
验证测量系统产生可重复数据的能力;
确定过程控制关键变量的能力;和
对关键变量实施统计过程控制。
工具起作用
像统计过程控制(SPC)或统计质量控制(SQC)一样，6σ使用SPC/SQC工具。6σ方法增加的是改进过程的工具、规程和专有技术。
三个度量标准用于度量过程性能。潜在过程能力(Cp)和过程能力(Cpk)指标评估当前过程能力。不稳定性指数(St)用于检查一个过程的时间。
Cp指数是规格宽度与工艺范围之比(Cp =规格上限-规格下限÷ 6 σ)。
当过程处于规范限制之间时，Cp指数假定为理想状态，因此表示过程达到设计目标时可能达到的状态。
在现实生活中，很少有进程以理想的目标为中心。偏离目标的过程应该因偏离目标而受到“惩罚”。Cpk是衡量实际过程能力的指标，适用于脱靶位移。
Cpk定义为Cpk = Cp(1 - k)，其中k =目标-过程均值÷ 1 / 2规格宽度。
根据定义，Cp和Cpk适用于正态分布的过程，但并非所有过程都是正态分布的。如果不了解分布的形状，使用Cpk可能会错误地影响评估并导致错误的业务决策(参见非正态分布曲线)。
有三种技术可以纠正非正态分布:
将数据和规格极限转化为正态分布;
使用经验模型拟合非正态数据，并对超出规格限制的产品百分比进行估计。然后将不合格百分比与具有正态分布的过程的等效能力指数相关联;或
明智地使用Cpk指数，充分了解过程分布的形状，以评估能力趋势。
Cp和Cpk衡量与工艺规范相关的性能，但不考虑跨时间的工艺一致性。不稳定性指数提供了一种确定过程中是否存在可分配原因的方法，其计算公式为:St =(失控数据点数÷总数据点数)× 100。如果所有点都不受控制，St将是100。当所有数据点的St值均为0时，应根据收紧后的分布重新计算控制极限。
因果分析是一种识别问题或结果的可能原因的技术，对于识别期望的结果和解决问题一样有价值。
在将测量系统用于能力研究之前对其进行验证是6σ过程的重要组成部分。测量系统中的过度变化可能会掩盖过程中需要改进的重要变化，无论过程改进了多少，都不可能获得高的过程能力。
测量系统的能力必须评估，并定期重新验证使用适当的统计研究的准确性，可重复性，再现性，稳定性和线性。
良好的测量系统具有以下特点:
变化是由于常见的，而不是特殊的原因;
测量系统的总可变性与过程可变性和规格限值相比必须小;和
测量装置的刻度增量不得大于工艺变异性或规格限值的十分之一，取其中较小者。
一个过程很少有影响过程能力的单一变量，也很少有几百个变量。有了因果关系图，控制工程师的目标是筛选和优先考虑每个原因，以确定影响过程能力和产品质量的少数重要变量。分析多个变量可以使用任意数量的工具，包括变量分离技术、实验设计和微积分。
有效的6σ过程控制系统需要考虑每个过程的潜在失效模式和产品特性。所获得的知识用于制定控制系统计划，包括考虑如何控制重要变量和特性，如何在过程不稳定时做出反应，以及如何改进过程。
失效模式和影响分析(FMEA)是一种分析技术，必须在所有重要过程中使用，以确保考虑和解决潜在的失效模式。FMEA应该是对过程中可能出现的问题、每个故障的潜在影响以及如何处理或纠正问题的总结。
FMEA通常用于以下目的:
识别已知或潜在的过程失效模式;
评估失效对内部和外部客户的潜在风险影响;
识别潜在的制造、装配或服务过程原因和控制措施;和
检测必须控制的过程变量，以减少类似的故障。
为了与6σ过程的意图保持一致，必须生成一个计划来成功地跨时间控制过程。控制计划的典型要素包括:
要控制的过程的详细说明;
识别生产过程中使用的设备、技术、方法、工具等;
所有需要控制的重要输入和输出变量及特性的清单;
识别用于获取数据的测量设备、技术、方法、工具等;
最小单位、样品或读数数量和最小可接受监测频率的说明;
定义用于分析所收集数据的技术;和
当过程失控时采取的具体措施的说明。
图表可以讲述一个故事
在分析过程以获得改进机会和作为维持长期过程控制的手段时，绘制数据图表是很重要的。控制图提供了一个过程如何随时间或从单元到单元变化的可视化表示。控制图有两种类型，映射属性的图和映射变量的图。
属性控制图包括子组的缺陷分数，子组的缺陷数量，以及每个子组的缺陷数量。
可变控制图监控过程或产品的特性，包括平均值、范围、标准偏差和移动平均图。
在整个企业中开始实现六西格玛能力的旅程并不是“在公园里散步”。实现和保持长期的竞争优势需要成为一个优秀的公司，每天提供优秀的产品。也许还有其他方法可以实现卓越，但六西格玛是联合信号、通用电气和摩托罗拉等企业巨头采用的方法。
复杂系统的六西格玛
统计过程控制(SPC)作为过程改进的有效工具，在工业中得到了广泛的应用。六西格玛扩展了几十年来开发的SPC方法，提供了更严格的质量工具。虽然SPC用于离散零件制造以及连续和批量制造过程，但六西格玛设计与SPC的关联在过程应用中更清晰，更容易理解。
“然而，在复杂的、小批量的(甚至是独一无二的)生产中实现六西格玛质量是一项更复杂的努力，”通用电气工业系统公司(Salem, Va.)的高级黑带技术大师查尔斯·贝克尔(Charles Becker)说。贝克尔博士举了一个为轧钢厂生产大型交流电机及其相关变速驱动器的例子。“这种应用需要更复杂，但同样严格地使用统计工具，并辅以坚实的系统工程和计算机建模。”
质量必须从对产品功能和特性的理解开始，这些功能和特性对客户满意度至关重要，即所谓的质量关键项目(CTQs)。质量功能部署(QFD)过程——六西格玛的一个组成部分——系统地将这些客户层面的ctq转换为清晰的、可量化的设计目标，并对其进行优先级排序。例如，轧机生产的“精确稳定的钢厚控制”
设计师然后使用系统工程原理来评估和权衡各种子系统在实现这些设计目标方面的贡献，从而将需求“向下流动”到子系统级别，Becker博士解释道。在轧机的例子中，允许的速度误差的一部分将分配给电机转速计，而其余部分分配给驱动电子设备。
六西格玛设计是一个迭代的过程。在组件和组件级重复，直到设计人员可以确定关键单个部件和组装过程的六西格玛设计的目标值和允许误差(变化)(例如，驱动控制板中的主时钟振荡器的精度)。“分析和蒙特卡罗计算机模型，以及实验设计，用于开发预测方程(传递函数)，最终将零件精度与驱动器调节速度的能力联系起来，因此在轧机中金属的厚度，”Becker博士说。
有了将部件和工艺的变化与客户可观察到的ctq相关的传递函数，设计团队可以在制造过程和零件供应商的能力范围内优化整体设计。分析和权衡一个部件或子组件的能力，同时仍然确保客户CTQ水平的六西格玛性能，对于以市场驱动的价格设计最高质量的产品至关重要。在钢厂驱动的情况下，更低的成本或更可靠的系统可能会导致通过交易的转速计精度改进的驱动电子和软件。
对大型复杂系统中的数百或数千个部件中的每一个执行这种分析是不切实际的(甚至是不必要的)。这是一个确定在哪里集中六西格玛任务的问题。贝克尔博士补充说:“六西格玛设计的艺术很大程度上依赖于工程经验，并通过统计验证来识别和分析那些对最终产品性能最重要的项目。”
——弗兰克·j·巴托斯fbartos@cahners.com
您是否具有本内容中提到的主题的经验和专业知识?您应该考虑为我们的CFE媒体编辑团队做出贡献，并获得您和您的公司应得的认可。点击在这里开始这个过程。
