輕鬆六西格瑪-梁老師 輕鬆六西格瑪第0講：六西格瑪概述

大家好 我是麥良 我們來了解一下六希格瑪方法論 什麼是希格瑪 希格瑪是希臘字母 希臘字母總共有24個 它是第18個 說起來 統計學家基本上把這些字母都用了個遍 在數理統計中 希格瑪用來表示標準偏差 那什麼又是標準偏差呢 統計分爲描述性統計和推斷性統計 描述統計中最常見的是平均值屬於描述位置 比如這組數據平均值爲6 在桌標上可以這樣圖示 而這組數據平均值也是6 但是兩者的散佈程度卻差別很大 所以呢 是描述位置是不夠的 還需要描述散佈程度 用最大值減去最小值 也就是極差來描述散佈程度是一種方法 但是受異常值的影響太大 這裏呢 僅僅是變了一個數值 極差就大了一倍多 我們可以用方差與標準差來描述散佈 一組數據有均值期望值 每一個點距離均值有差值 叫做離差 可以將每一個值減去均值的平方相加 這叫做離差平方和 它是對總散佈程度的描述 而平方後就不用擔心正負相加爲0 離差平方和除以n-1 就是樣本方差 是平均化的離散程度描述 而講方差開平方就得到了標準偏差 用sigma來表示 它具有初始的工程量綱單位 可以和隨機變量相加或者相減 這種離差也就是sigma標準偏差越小 當然質量就會變好 我們來看看質量的定義 質量不只是針對產品 也包括針對服務、流程以及系統 它有幾個方面 包括符合客戶的規格要求 客戶要用起來好用並感到滿意 如果質量出了問題 其中的劣質成本是驚人的 這些是我們一眼都能看到的明顯的損失 包括檢查、維修物料、報廢成本 工時和分析費用等 還有隱藏在水面下的庫存費用 快遞費用、退換貨 以及丟失訂單和客戶等等不一而足 它們都屬於隱藏工廠 這些質量損失有時候難以量化 但對一個組織來說有極大的危害性 我們需要不斷的提升質量水平 那麼什麼程度是好的質量水平 可以用正態分佈來描述一個質量特性的流程表現 有流程中心 也有上下規格線 那麼大於上規格線和小於下規格線都是缺陷 假如這時候上下規格線與流程中心之間都包含6個σ 我們就說對於這個質量特性 流程有6σ質量水平 其短期內的缺陷概率爲二十一分之二 長期情況下折算下來的漂移約爲1.5個σ寬度 比如向右漂移 這時候呢 小於下規格線的缺陷基本爲0 而大於上規格線的缺陷大約爲百萬分之三點四 當然長期情況也可能向左漂移 可以肯定的是 不可能同時向左又向右漂移 漂移又不是薛定諤的貓 百萬分之三點四的缺陷概率是挺高的質量目標 而99%就不太好 比如手術失誤 一週如果有五千次類似忘了手術刀在病人肚子裏之類的 那就非常的糟糕 但六σ又不僅僅是質量水平 爲了達到六σ水平需要一定的方法 這就發展出了六σ方法論 而六σ的影響越來越大 概念就延伸爲六σ管理了 當然 現在講究六σ與精益結合起來使用 σ這個符號最早出現在高斯的正態分佈公式中 後來 肖哈特在控制途中也使用上下三σ作爲控制線 1980年代 摩托羅拉被缺陷折磨的不成樣 比爾史密斯結合統計學和管理知識發明了六σ方法論 這時候只是MAIC測量分析改進和控制四階段法 但已經在質量提升取得了巨大的成績 以至於僅僅過了兩年就獲得了國家質量獎 於是 摩托羅拉成立了六σ研究院 並於1991年提出黑代等頭銜 頓時就高達上起來 傑克威爾奇也被吸引 並在通用電氣公司內大範圍展開六σ活動 他們發現如果沒有很好的定義項目容易跑偏 於是就加入了D 變成了DMAIC五階段法 其後 美國質量協會提供六σ課程 最終六σ成爲了ISO制定的標準 六σ管理就是將公司戰略與六σ結合起來 爲此需要搭建有效的組織架構 而六σ活動需要自上而下的實施進行 DMAIC是對現有流程實施改進的方法 定義、測量、分析、改進以及控制 注意 這裏面的英文都是動詞 也就是說 六σ流程講究實際動手去做 少一點嘴炮 DMAIC首先是定義階段 這個步驟比想象的重要 做好定義 項目就成功了一半 最開始我們需要傾聽客戶的聲音 領導當然是客戶 孰歸孰 兄弟部門也是客戶 內部客戶 當然 更需要忍受外部客戶的怒吼 來了解客戶爲什麼不爽 然後 我們需要將客戶的聲音轉化爲關鍵質量特性 這樣就有了前進的方向 比如 交貨慢 客戶不高興 經過分析後 發現主要由四個方面造成的 我們可以稱之爲大歪 然後準備項目規劃書 其中完備的問題陳述是必不可少的 這裏面肯定包括是誰提出了問題 什麼問題 發生在哪裏 這種情況多久了 有什麼影響等等 就跟寫作文差不多 這裏呢 寫了個樣板供參考 項目規劃書的項目目標 需要遵循smart原則 目標具體 指標可測量 目標可與客戶的聲音相關 有時間的限制 這個很重要 能有效的杜絕三拍 即拍腦門決定 拍大腿後悔 拍屁股走人 項目指標有很多種 比如 直通良率 DPMO DPPM 6S水平 即是消負力 甚至日期時間等等 確定項目目標有很多種方法 比如根據歷史數據的運行圖 找出最高點 以及計算中心值 兩者的差值乘以一個係數 再加上平均值就是個目標值 當然 如果是缺陷目標就是相減 另外 管理團隊的期望和內外部的對標 都可以用來作爲目標 通常設兩個 還有一個是挑戰目標 如果一個指標改善 可能會導致另外一個指標的變差 這就需要設定首要目標和次要目標 比如質量上升 零物件成本上升幅度要有控制 Scipark高階流程圖 則可以幫助我們設定項目範圍和團隊成員 這裏需要注意的是 供應商不僅僅是供應物料 也包括內部團隊對人機 料法環等生產要素的供應 團隊的成員剛開始不要怕多 畢竟關鍵人員一開始被忽視掉會得罪人的 而如果一些成員確實不需要 慢慢離開即可 項目計劃書的項目收益需要財務的審覈 從內部收益率和投資回報率來衡量 防止被忽悠 項目需要從很多計劃中進行篩選 保證實施最重要的項目改進 篩選工具包括收益四項驗圖 以及帕雷多優先級指數等 而可以直接動手改善的 就不要在這裏濫語充數了 M階段的主要任務是進行流程圖分析 建立當前基線與過程能力分析 以及測量系統分析 比如我們分解大Y的直通量率 是由七個步驟的直通率相乘而得 共有十個缺陷機會 我們講十個缺陷機會的歷史數據 用柏拉圖擺出來 根據2080原則 選擇三個缺陷 Y1、Y2、Y3作爲改善目標 這些具體的缺陷就是小Y 除了柏拉圖 當然還可以用餅圖等 只是不建議用3D餅圖 原因是容易失真 確定了小Y就對流程圖進行分析 相信我 實際的流程圖和你設計的肯定不一樣 這個需要實地再考察重新繪製 可以製作宏觀流程圖 詳細步驟流程圖以及動作流程圖 甚至更詳細都可以 只要有需要 缺陷涉及的數據類型可能有多種 數據類型包括定據、定比、定類、定序等四種 後兩者的數據都是數數 六σ中設定需要研究的總體範圍非常的重要 也就是人機料法環測的範圍 否則就會迷失在數據的海洋 而總體通常是無限的 所以在學習統計學的過程中 有時間如果迷糊了 請記住我們的最終目的是研究總體 不是樣本 而描述統計分爲位置和散佈兩大類 爲了對無限總體進行推斷 就需要抽取能夠代表總體的樣本 這樣的樣本通常是靠隨機的方法獲得的 隨機抽樣的定義就是 總體中任意個體被抽中的概率相等 抽樣方法則包括概率抽樣和非概率抽樣兩大類 測量階段的一個非常重要的任務是測量系統分析 就是讓我們得到的數據靠譜 我們來看看其中的理念 一個樣件有參考值 反覆測量理論上應該得到相同的數值 但這只是幻想 應該是每次測量結果都有差異 不斷測量下來就會形成一個分佈 這個分佈有一個平均值 也就是處於某一個位置 理論上最左和最右的數據是無法區分的 也就是重複測量值還有一個散佈程度 這個測量系統測量值的精密度和準確度都不好 不準不精是最差的情況 位置移向了參考值 準確度有了保證 但精密度還是不行 準而不精 散佈變得很小 這時候精密度和準確度都很好 叫做即精切準 是我們理想的狀況 這樣則是精而不準 假如某一個質量特性的流程是這樣的分佈 我們當然希望測量系統的變差越小越好 能夠將流程分成足夠的可識別的數值段 像這樣只能識別出三段 測量出來的數據是一堆漿糊 這是萬萬不能接受的 圖示一下測量系統精密度差的直接影響 這是質量特性的分佈 這是上下規格線 測量系統在規格線波動 那麼測量出來的綠色區域的合格品 很可能是不合格的 這就犯了第二類錯誤 納偉錯誤 會增加退貨的風險 而紅色區域的所謂不良品 由於測量系統的波動 則實際上很可能是良品 這就犯了第一類錯誤 矩陣錯誤 錯誤的降低了合格率 解決方案之一是提高精密度 降低測量系統的變差 也就降低了錯誤概率 另外一種方法是增加內控規格線保護帶 能夠基本消除兩類錯誤的風險 我們通過CR驗證分析來評估並提升精密度 首先做到的是一定要消除異常原因 然後是分析系統原因 而確定變異源則是非常重要的工作 尤其是在當前自動測量設備越來越流行的情況下 可以看出GR分析的重要性 很多項目做完GR就差不多達到目標了 所以呢 有可能儘量增加GR評估的頻次 準確度的偏移分析常常和線性分析在一起 這是擔心數值大小不同 偏移量會不一樣 需要找出規律 多個樣件反覆測量 不可能完全考值 但如果是這樣 不論參考值的大小有相同的偏移量 那麼我們做一個常量的校正即可 這種情況差了一些 但還能接受 因爲可以線性校正測量值 迴歸線變成二次 這樣就很不靠譜 通常要維修良具 甚至報廢 GR是分析散佈程度 線性和偏移是分析位置 而日常的穩定性分析維護 同時監控散佈和位置 對企業來說 用樣件做好日常的穩定性 重要的一塌糊塗 還有其他的MSA分析 比如破壞性GR 以及屬性一致性分析等等 這裏就不展開了 做完測量系統分析 數據靠譜了 然後就分析當前的過程能力 其實也就是預測缺陷概率 如圖上下規格線外是缺陷 它的大小可以用CPK來表示 而CPK等於CPU和CPL中的較小數值 那爲什麼只考慮最小值作爲指標呢? 我們可以這樣想 既然流程向一邊偏移 當然也有可能向另一邊偏移 所以就用最壞的情況評估當前的能力 我們講CPK稱爲過程能力 而長期情況下 標準偏差會變化 於是就有PPK過程績效這個概念 顯然計算CPK需要知道總體的標準偏差 這可以通過分子組計算組內的極差 或者標準差平均值 再通過控制圖常數計算出來 這個過程沒有也不需要考慮子組之間的差異 可以看到測量階段有很多抽樣的工作需要完成 這就需要制定一個緘密的抽樣計劃 下面是A階段 主要任務是得到並驗證關鍵因子 也就是尋找對Y造成顯著影響的X 可以通過因果圖分析得到一個清單 當然還有其他的工具 比如FTA,FMR,五個Y等等 然後使用因果矩陣初步篩選出關鍵因子 並對因子進行分類 同樣也有其他的工具 因子的顯著性可以用假設檢驗來驗證 使用假設檢驗是因爲我們不能用百分比的變化 來試圖解釋有顯著的變化 而需要用數理統計的方法 再次強調一下 我們檢驗的是總體 樣本只是手段 而假設檢驗是非常重要的 對它的使用貫穿所有的六Sigma統計工具 假設檢驗是檢驗受檢總體的統計量 是否出現在顯著不同的區域內 根據檢驗目的有三種的顯著情況 即大餘、小余和不等餘 這裏舉的例子是連續變量的均值檢驗 還有不連續變量的比例檢驗 假設檢驗分爲參數和非參數兩大類 如果對總體沒有分佈的假設 就是非參數檢驗 參數檢驗的主要統計量是均值方差和比例 而非參數則是中位數方差和比例等 也可以用歷史數據建立Y和X之間的關係 這就是迴歸 如圖 一個因子X值有一個對應Y的觀測值 這樣X和Y之間就有相關關係 這種關係的緊密程度可以用一定的數學方法建立起來 後面大家就可以看到 統計學真是一門很有趣味性的學科 四個觀測值有一個平均值 我們前面說過這其中的差值叫做離差 然後有四個離差平方 加起來就是離差平方和 或者叫做總平方和 四個點可以用最小二乘法得到一條迴歸值線 每一個觀測值到這條線的差值叫做殘差 有四個殘差平方 相加後得到殘差平方和 迴歸線點和均值的差值叫做迴歸差值 有四個迴歸平方 相加後得到迴歸平方和 最小二乘法的加值之下 總平方和是等於殘差平方和加上回歸平方和的 這就是一元線性迴歸平方和的分解公式 於是我們就可以使用決定係數R平方來描述相關的程度 也就是迴歸平方和佔比越大 說明殘差越小 相關程度更高 而這裏呢是弱正相關 這樣就是強正相關 當然還有負相關 如果相關程度高 那麼建立起的迴歸方程就會有很好的預測作用 我們就能設定因子的輸入來得到良好的質量特性輸出 還有一個重要的統計工具叫做ANOVA方差分析 舉例單因子 因子爲化肥的種類有三種 每種呢 多個實驗 各有不同的產量 就問化肥種類是否對產量有顯著的影響 可以先計算主平均 然後計算主間平方和以及主間均方和 然後呢 是主內均方和 之後計算F值和P值 得出主間效應並不顯著 就是化肥因子對產量沒有顯著的影響 可以看出方差分析能夠進行多樣本的均值檢驗 所謂的雙因子方差分析 舉例就是每一個化肥種類 其實呢 有兩個膠水量 這樣就是化肥和膠水量兩個因子 這裏面就有吸因設計的意思了 而雙因子或者多因子以上伴隨有交互作用 確定了關鍵因子 有些可以直接進行改善 而有些就需要實驗設計得到最佳的設置 從而實現最優化 這就是I階段的作用 DOE實驗設計融合了方差分析和迴歸分析的技術 可以吸因並得到迴歸方程 其因子水平通常是2 這樣有巨大的好處 和迴歸相比 2K因子設計簡單高效 容易實現區組控制 可以進行很好的誤差估計 代碼化迴歸方程裏面的效應相互獨立等等 當然也能實現正膠部分因子設計 比如一個兩水平三因子的設計 就有八次實驗 我們可以在這個基礎上重複分析後 得到線性加交互的迴歸方程 預測響應值 實施驗證實驗等 還可以進行中心點設計 比如兩因子兩水平兩次重複 得到這樣的響應曲面 再加上四個中心點 中心點的響應值在這裏 可以看到與線性響應曲面差別很大 暗示這裏面一定有二次迴歸 需要擬合二次方程 有時候當前並不在山包包附近 這就需要快速登高爬上去 爬上去之後再實施響應曲面設計 得到完備的曲面迴歸方程 這樣就能得到最大或最小值 爲了減少實驗次數 全因子設計還可以縮水爲部分因子設計 這個部分因子設計裏面 光怪陸離 妙趣橫生 大家學習的過程可以細細體會 對於前面所述的傳統DOE實驗 我們改進的是平均值 而假定方差是不變的 而填口DOE設計是既要也要 平均值要優化 也選擇因子組合 從而實現最小的方差 爲此填口設計了內外表 內表是控制因子的水平組合 外表是噪聲因子的組合 然後實驗計算分析得到最佳因子組合 這時候的方差最小 填口DOE可以使用在研發階段 最小化噪聲因子的影響 所以它也是DFSS六Sigma設計的基石 最後階段是C控制階段 更新文件 實施防呆措施 模式化管理 以及控制圖監控等等 也需要財務覈算實施改進後的收益 控制圖是針對沒有異常原因的總體實施監控 同時監控位置和散佈 只不過換成極差或者方差等等 它其實也是基於假設檢驗 將假設檢驗的圖形旋轉90度 加上時間的因素就變成了控制圖 而控制圖種類繁多 需要小心選擇 這就是六Sigma方法論 工程師最需要的是理解系統性解決問題的思路 並在實際工作中加以靈活運用 寫項目報告固然可以助力我們邏輯性的思考 但遠遠不是六Sigma的全部 另外摩托羅拉和通用電器不是被六Sigma搞死的 一個企業的完蛋是無數因子的合力作用 六Sigma肯定不在其中 畢竟華爲和蘋果也在要求和督促 展開六Sigma持續改進 而如果不是綠帶或者黑帶 在華爲某些部門甚至無法提升級別 謝謝觀看