QC七大手法培训.ppt

首先，什么是QC？,QC：Quality Control 品质管控/质量管理,-是指控制制造或服务的品质，使产品或服务达到最优良的状态。,QC七大手法,从上个世纪60年代开始，日本的企业通过运用QC七大手法，收集工作现场的数据并进行分析，大大地改善了产品的品质，使日本的产品成为“品质”的代名词。 70年代初，日本人大力推行QCC活动，除了重视现场的数据分析外，并逐步运用一些新的品管手法，对工作现场伙伴的情感表达和语言文字资料进行分析，并逐渐演译成新的品管手法。,QC七大手法是将散漫无章的语言资料变成逻辑思考的一种方法，也是一种事先考虑不利因素的方法，它通过运用系统化的图形，呈现计划的全貌，防止错误或疏漏发生。,旧QC七大手法,层别法,1.检查表-调查数据用于分析,数据的定义：数据，就是根据测量所得到的数值和资料等事实。,收集数据时应注意的重点 收集正确的数据。 避免主观的判断。 要把握事实真相,1.检查表-调查数据用于分析,检查表,检查表定义： 检查表是利用统计表对数据进行整理和初步原因分析的一种工具，将需要检查的内容或者项目一一列举出来，定期或不定期地逐项检查，并将问题点记录下来。主要作为点检用检查表或记录用检查表。,1.检查表-调查数据用于分析,1.检查表-调查数据用于分析,记录用检查表：又称改善用查检表，以符号、记号或数字（如、正）记录的图表，常用于不良原因和不良项目的记录。,电视故障投诉状况检查表,1.检查表-调查数据用于分析,2.点检用检查表：又称备忘点检表，常用于机械设备与活动作业的确认。这种检查表主要是调查作业过程中的情形，可防止作业上的疏忽或遗漏。,1.检查表-调查数据用于分析,1.检查表-调查数据用于分析,决定研究的目的及所要收集的数据。 决定查检表的格式。 决定记录形式。 决定收集数据的方法。,制表的步骤：,注意事项：,查检收集完成的数据应马上使用。（数据的时效性） 数据是否集中在某些项目或某些时段？是否因时间的经过而产生变化？ 适当保留过去、现在及未来的记录，以便日后比较。,2.层别法-从不同的角度看问题,层别法,2.层别法-从不同的角度看问题,层别法又称数据分层法，就是对观察到的现象或所收集到的数据，按照它们共同的特征加以分类、统计的一种分析方法。 层别法是所有品管手法中最基本的概念，是统计方法中最基本的管理工具，通过层别法，可以将杂乱无章的数据归为有意义的类别，达到一目了然的目的，这种科学的统计方法可以弥补靠经验、靠直觉判定管理的不足。,层别法的定义：,层别的对象与项目：,作业者：班组、年龄、工龄、性别、熟练度等 机械设备：型式、性能、位置、新旧、工具等 作业方法：批次、场所、温度、压力、作业方案等 时间：班制、上下班、年月日、改善前后等 测量、检查：检查员、检测方法、检测工具等 材料零件：供应方、购买日期、成分、等级等 环境、气候：气温、湿度、天气、照明等 产品类型：新产品、不良品、合格品、品种等,2.层别法-从不同的角度看问题,确定研究的目的。 确定问题的范围，明确分析方向。 决定层别项目，设计收集数据的表格。 按层别收集数据并记录。 画分层归类图（如分层直方图、分层折线图等） 寻求差异点，找寻真因所在。,步骤：,2.层别法-从不同的角度看问题,例：分层折线图,范例1,按机器层别分开分析,2.层别法-从不同的角度看问题,某电缆厂有A、B两台设备，最近经常有不符合要求的异常产品发生，进过排查，发现问题可能机器设备原因，为了分析异常原因，分别就A、B两台设备测定生产50批产品。 规格值（135210g），样本数：A设备50批，B设备50批。,范例1,2.层别法-从不同的角度看问题,从全体数据的直方图中难以找到异常原因是由哪台设备引起的,范例1,2.层别法-从不同的角度看问题,范例1,2.层别法-从不同的角度看问题,范例2,2.层别法-从不同的角度看问题,公司某天白班、中班、夜班共制造出不良品200个，品管部为了得到更明确的信息，以便采取措施进行改善，从白班、中班、夜班的角度对不良品进行层别分析。 表3 不同班次不良品层别分析,结论：从层别分析来看，夜班是造成不良品的主要班次，应优先采取措施进行改善。,范例3,2.层别法-从不同的角度看问题,某工厂有三个设备，生产中发生的产品缺失总是居高不下，上半年平均缺失148次，于是对缺失情况进行深层分析。,范例3,2.层别法-从不同的角度看问题,51,9,9,8,3.柏拉图-找出主要原因,3.柏拉图-找出主要原因,意大利经济学家Pareto（柏拉图）于1897年分析社会经济结构时，发现意大利80%的财富集中在20%的富人身上，于是将所得大小与拥有所得的关系加以整理，发现有一定的方程式可以表示，称为“柏拉图法则”。 1907年美国经济学家Lorenz使用“累计分配曲线”描绘“柏拉图法则”，也就是经济学所称的“劳伦兹曲线”。 美国品管专家Juran（朱兰博士）将劳伦兹曲线应用于品管上，同时创出“重要的少数，琐细的多数”的见解，并借用Pareto的名字，将此现象定为“柏拉图原理” 。 “柏拉图法”由品管圈（QCC）创始人日本石川馨博士介绍到品管圈的活动中使用，成为QC七大手法之一。,柏拉图的由来,3.柏拉图-找出主要原因,在质量管理过程中，要解决的问题很多，但往往不知从哪里着手，但事实上大部分的问题，只要能找出几个影响较大的原因，并加以处置及控制，就可解决问题的80%以上（二八原则）。 柏拉图就是根据收集的数据，将不良原因，不良状况，以层别分类为基础，计算出各项所产生的数据（如不良率，损失金额）及所占的比例，再依照大小顺序排列，再加上累积值的图形。 柏拉图可以帮助我们找到关键问题及影响程度（TOP3），适用于计数值项目的统计分析，因此也有人称其为ABC图，又因为柏拉图的排列是从大到小，又称为排列图,3.柏拉图-找出主要原因,柏拉图的用途,找到关键的问题 在诸多问题中找出当前最关键、最重要、影响最大的问题。 掌握重要的要因 虽然问题的原因很多，但影响较大的只不过其中的23项而已，改善使只要把握其中的TOP34就行了。 确认改善的效果 通过改善前后的两个柏拉图累计比例的对比，可以很明显地确认改善的效果,柏拉图不仅限于品质不良的改善，亦可以使用在工作中的任何问题上。,实施步骤,3.柏拉图-找出主要原因,步骤一：收集数据 根据改善的目的，用层别法从“结果分类”或“原因分类”着手解析数据，层别分类项目不宜太多，但要全面满足问题的需要。 步骤二：数据整理 制作数据汇总表，对数据进行处理，按从大到小的顺序进行排序，并计算各项比例及累计百分比。 步骤三：绘制柏拉图 画出横轴纵轴，横轴表示研究的项目、原因，左边纵轴表示项目的数据值，右边纵轴表示累计百分比。,3.柏拉图-找出主要原因,步骤四：记入必要事项 标题：如 2015年5月产品不良项目的柏拉图分析； 项目别：如 安装不良、工人熟练度不够、焊缝问题等； 数据收集的区间：如 5月1日5月30 日 数据合计：如 共100件 制作人：XXX,实施步骤,3.柏拉图-找出主要原因,实施步骤,步骤五：分析柏拉图 找出前面累计比例（一般为70%到80%）较大的几项，列入重点解决的对象； 对重点项目进行原因分析，可用特性要因图进行剖析，制定改善措施； 执行改善措施，并根据改善前后的数据对比重新绘制柏拉图，进行效果确认,3.柏拉图-找出主要原因,注意事项：,对于原因项目中所占比例较小但项目多的可用“其他”代替，放于最右端，“其他”项不大于前几项，若大于则进行细分。 重点把握，一般而言前三项的累计比例应在5080%之间，分类是前提。 改善前后对比： 改善后项目别大小会变化，按大小顺序重新排列； 前后比较的基准一致，刻度比例应相同。,3.柏拉图-找出主要原因,范例1,1.收集数据,2012年3月底XX厂仓库按采购类别的明细,3.柏拉图-找出主要原因,2.数据整理,范例1,对各类别的金额按从大到小排列，并计算出累计百分比：,3.柏拉图-找出主要原因,范例1,3.绘制柏拉图,制作人：XXX,3.柏拉图-找出主要原因,4.柏拉图分析,范例1,根据上图结果，发现市构件和控制器占总库存金额的70%，列为重点解决对象。 对这两项进行进一步的分析，可再利用柏拉图法或者特性要因图进行分析，制定改善措施。,3.柏拉图-找出主要原因,范例1,5.改善后的数据整理,制作人：XXX,3.柏拉图-找出主要原因,范例1,6.改善前后的效果对比,3.柏拉图-找出主要原因,EXCEL实际操作,4.直方图-展示过程的分布情况,直方图,4.直方图-展示过程的分布情况,在质量管理中，如何预测并监控产品质量状况?如何对质量波动进行分析?直方图就是一目了然地把这些问题图表化处理的工具。它通过对收集到的貌似无序的数据进行处理，来反映产品质量的分布情况，判断和预测产品质量及不合格率。 简单来说，直方图就是把特性值（如长度、时间、温度等）的数据分成几个组，计算各组的数据制作成频数表的图表。,直方图的定义,4.直方图-展示过程的分布情况,直方图的目的：,了解分配的形态，观察过程是否异常。 计算制程能力（满足产品质量要求的程度）。 过程分析与控制。 观察数据的真伪（发现异常值）。 计算产品的不合格率。 求平均值与标准差。 可用以制定规格界限。 与规格或标准值比较。 调查是否混入两个以上的不同群体。 了解设计控制是否合乎过程控制。,例：计算不合格率为32.25%,4.直方图-展示过程的分布情况,直方图的制作步骤：,步骤一：收集数据,收集数据时，对于抽样分布必须特别注意，不可取部分样品，应全部均匀地加以随机抽样。所收集的数据个数应大于50以上。,例: 某厂成品尺寸规格为130至160mm，今按随机抽样方式抽取60个样本，其测定值如附表，试制作直方图。,4.直方图-展示过程的分布情况,步骤二：找出数据中的最大值(L)与最小值(S),先从各行（或列）求出最大值，最小值，再予比较。 最大值用“”框起来，最小值用“”框起来,求得 最大值L=148 最小值S=121,4.直方图-展示过程的分布情况,步骤三：求极值（R）,数据最大值(L)-最小值(S)=极差(R) 例：R=148-121=27,步骤四：决定组数, 组数过少，虽然可得到相当简单的表格，却失去次数分配的本质与意义； 组数过多，虽然表格详尽，但无法达到简化的目的。 通常，应先将异常值剔除再进行分组。 一般可用数学家史特吉斯提出的公式，根据测定次数n来计算组数k，公式为： k=1+3.32 log n 例：n=60 则k=1+3.32 log 60=1+3.32(1.78)=6.9 即约可分为6组或7组 另外可参照右表对数据分组（经验法则）,例：取7组,4.直方图-展示过程的分布情况,步骤五：定组距（H）,组距H=极差R组数K 为便于计算平均数及标准差，组距常取为2，5或10 的倍数。 例：H=27/7=3.86，组距取4,步骤六：求各组上限，下限(小大),第一组下组界最小值最小测定值2 第一组上组界下组界组距 （以此类推）,例： 第一组=121-1/2=120.5124.5 第二组=124.5128.5 第三组=128.5132.5 第四组=132.5136.5 第五组=136.5140.5 第六组=140.5144.5 第七组=144.5148.5,4.直方图-展示过程的分布情况,步骤七：求组中点,组中点值=（上组界下组界）2,例： 第一组=(120.5+124.5)2=122.5 第二组=(124.5+128.5)2=126.5 第三组=(128.5+132.5)2=130.5 第四组=(132.5+136.5)2=134.5 第五组=(136.5+140.5)2=138.5 第六组=(140.5+144.5)2=142.5 第七组=(144.5+148.5)2=146.5,4.直方图-展示过程的分布情况,步骤八：做次数分配表,将所有数据，按其数值大小记在各组的组界内，并计算其次数。,次数分配表,4.直方图-展示过程的分布情况,步骤九：制作直方图,1.以各组内的次数为高，组距为宽，每一组上画成矩形，完成直方图。 2.在图的右上角记入相关数据（测量次数n，平均值x，标准差），并划出规格的上、下限。 3.填入必要事项：产品名称、工序名称、时间、制作日期、制作者,120.5,124.5,128.5,132.5,136.5,140.5,144.5,148.5,4.直方图-展示过程的分布情况,直方图形态的观察分析：,4.直方图-展示过程的分布情况,4.直方图-展示过程的分布情况,4.直方图-展示过程的分布情况,补充：过程精密度Cp的求法,Cp是指过程满足技术要求的能力，常用客户满意的偏差范围除以六倍的西格玛的结果来表示。,4.直方图-展示过程的分布情况,根据Cp的大小判断过程能力的好坏（偏差越小越好）,4.直方图-展示过程的分布情况,6,5.特性要因图-寻找因果关系,5.特性要因图-寻找因果关系,特性要因图是日本管理大师石川馨博士在1952年所创的一种把握结果（特性）与原因（要因）的又方便又有效的方法，又叫“石川图”。 其主要目的在阐述因果关系，发现问题根本原因，亦被称为“因果图”，因其形状像鱼骨架，也被称为“鱼骨图”。,5.特性要因图-寻找因果关系,一个质量问题的发生往往不是单纯一种或几种原因的结果，而是多种因素综合作用的结果。要从这些错综复杂的因素中理出头绪，抓住关键因素，就需要利用科学方法，从质量问题这个“结果”出发，依靠群众，集思广益，由表及里，逐步深入，直到找到根源为止。 因果图就是用来根据结果寻找原因的一种QC手法。可以使我们的工作更系统化,条理化,科学化。,概述,5.特性要因图-寻找因果关系,特性要因图可以用来分析的问题类型,(1)、表示产品质量的特性：尺寸、强度、寿命、不合格率、废品件数、纯度、透光度等； (2)、费用特性：价格、收率、工时数、管理费用等； (3)、产量特性：产量、交货时间、计划时间等 (4)、其他特性：出勤率、差错件数、合理化建议件数,5.特性要因图-寻找因果关系,特性要因图的思考原则 (1)脑力激荡法 (2)5W1H法(What Where When Who Why How) (3)5M1E法(Man、Machine、Material、Method、Measurement、Environment；人、机、料、法、环、测) (3)5Why法,5.特性要因图-寻找因果关系,不要批评构想 欢迎自由联想 创意越多越好 欢迎搭便车，利用别人的灵感刺激创意 不要太早下结论 讨论要力求集中，针对某一问题 破除阶级尊卑的意念，无拘无束一起讨论 将提出的意见，利用特性要因图一一记录下来 不要以个人冒充大家的意见 想出来的创意，要加以整理评价运用,脑力激荡法、头脑风暴(BS)十大原则,5.特性要因图-寻找因果关系,人、机、料、法、环、测(5M1E),5.特性要因图-寻找因果关系,5WIH,什么(What) 改善对象是什么? 改善的目的是什么? 做什么? 是否无其他的可做?,何处(Where) 在何处做? 是否在别处做的效率较好? 发生在何处? 作业的地点是否适当? 为什么在那地方做?,何时(When) 可否改变时间、顺序? 何时做最好? 为何需在那时做? 是否在别的时间较有利?,谁(Who) 由谁来做? 是否可找其他人来做? 有谁可以做得更好? 人的组合或工作分担恰当否?,为何(Why) 把其他5W用Why来质问、检讨, 并找出最好的改善方案 为何要如此做? 为何要机器、人来做这工作? 为何要照此方法来做? 为何不那么做?,如何(How) 如何使方法更简单? 如何使作业方法简化? 如何做才省费用? 如何做最好?,5.特性要因图-寻找因果关系,5Why,对以上问题运用5Why分析法对原因进行分析： 问：为什么驱动组装取工具、零件耗时多？ 答：因为要用行吊吊运。 问：为什么要使用行吊？ 答：因为要吊取驱动桥、变速箱、发动机。 问：为什么吊取驱动桥、变速箱、发动机耗时多？ 答：因为缓存摆放位置较远。 经过以上的提问，找到取工具、零件耗时较多问题的根本原因，即大件物料的缓存区位置较远，需要走较远距离进行吊运。,表4-6 驱动组装实测时间,5Why分析法，又称为“为什么-为什么”分析，是一种探索问题原因的方法和诊断性技术，被用来识别和说明因果关系链。对一个问题连续发问5个为什么，每一个原因都会紧跟着一个为什么，直到问题的根本原因被挖掘出来。,5.特性要因图-寻找因果关系,特性要因图的种类,1.追求原因型：鱼头在右，特性值通常用“为什么”来写,5.特性要因图-寻找因果关系,特性要因图的种类,2.追求对策型：鱼头在左，特性值通常用“如何改善/提高”来写,5.特性要因图-寻找因果关系,5.特性要因图-寻找因果关系,5.特性要因图-寻找因果关系,实施步骤,第一步：决定问题的目的 应先决定研究的目的，是为了调查原因还是为了追求对策，改善问题的。并确定如不良率、效率低等有关质量的具体问题特性，确定研究方向。 第二步：绘制主干线 画一条较粗的箭头向右或向左的主干线（称母线），将特性现在右（左）边，如下图：,5.特性要因图-寻找因果关系,第三步：画入主要因 将原因分成几个大类，并用“ ”圈起来。再用箭头斜插到母线上。大原因可根据5M1E类型分类，一般分为人员、机器/工具、材料、方法、环境、测量、其他等。,5.特性要因图-寻找因果关系,第四步：探讨中要因，小要因 将主要因再进行分析，细分为中、小要因，分析小要因时要反复论证，避免父子关系颠倒。,5.特性要因图-寻找因果关系,第五步：决定重要程度较大的要因 以集中思考、自有考虑的方式，在所列的原因中，将认为影响较大的画上“ ”。选出46项。,5.特性要因图-寻找因果关系,范例,5.特性要因图-寻找因果关系,范例,5.特性要因图-寻找因果关系,1、某电脑键盘制造厂连续3个月的成品，最终检验均为字键作动力不良，故由生产课课长召集字键插入班人员，利用特性要因图解析发生原因。试解之,范例,5.特性要因图-寻找因果关系,范例,5.特性要因图-寻找因果关系,6.散布图-展示变数之间的线性关系,散布图,6.散布图-展示变数之间的线性关系,一、散布图的定义： 是一种研究成对出现的、两组相关数据之间关系的图示技术，表示两个变量之间变化关系。 把互相有关联的对应数据，在方格纸上以纵轴表示结果，以横轴表示原因；然后用点表示出分布形态，根据分布的形态來判断对应数据之间的相互关系。,6.散布图-展示变数之间的线性关系,散布图的作用,(1)验证两个变量间的相关关系。 寻找影响产品质量的各因素并对其进行质量分析；（当怀疑两个变量可能有关系，但不能确定这种关系的时候，就可以使用。） (2)根据相关程度，掌握要因对特性的影响程度,6.散布图-展示变数之间的线性关系,6种分布形态,6.散布图-展示变数之间的线性关系,1、强正相关：在图中当X增加,Y也增加,也就是表示原因与结果有相对的正相关,如下图所示:,6.散布图-展示变数之间的线性关系,2、弱正相关：散布图点的分布较广但是有向上的倾向,这种形态叫做似有正相关称为弱正相关,6.散布图-展示变数之间的线性关系,3、强负相关：当X增加,Y反而减少,而且形态呈现一直线发展的现象,这叫做完全负相关.如下图所示:,6.散布图-展示变数之间的线性关系,4、弱负相关：当X增加,Y减少的幅度不是很明显,这时的X 除了受Y的影响外,尚有其他因素影响X,这种形态叫作弱负相关,如下图所示:,6.散布图-展示变数之间的线性关系,5、无相关：如果散布点的分布呈现杂乱,没有任何倾向时,称为无相关,也就是说X与Y之间没有任何的关系,这时应再一次先将资料层别化之后再分析,如下图所示:,A,B,6.散布图-展示变数之间的线性关系,6、曲线相关：假设X增大,Y也随之增大,但是X增大到某一值之后,Y反而开始减少,因此产生散布图点的分布有曲线倾向的形态,称为曲线相关,如下图所示:,6.散布图-展示变数之间的线性关系,散布图的做法,1、收集成对数据（x，y）： 收集成对数据一般在30组以上； 2、确定坐标并标明刻度： 横坐标x轴为自变量（原因或因素），纵坐标y轴为因变量（结果或特性），且两轴的长度大体相等。 3、描点，形成散布图： 当两组数据相等时，即数据点重合时，可围绕数据点画同心圆表示，或在离第一个点最近出画上第二个点表示； 4、填写必要信息： 填上资料的收集地点、时间、测定方法、制作者等项目,6.散布图-展示变数之间的线性关系,散布图的分析判断方法, 对照典型图形分析法： 将绘制的散布图与6种典型图相对比，从而确定其相关关系和程度。,6.散布图-展示变数之间的线性关系, 简单象限法： 在图上画一条与y轴平行的P线，使P线左、右两侧的点数相等或大致相等 在图上再画一条与x轴平行的Q线，使Q线上、下两侧的点数相等或大致相等 PQ两线把图形分成四个象限，计算各象限区域内的点数，线上的不计 计算对角象限内的点数，即 n+n， n+n 当n+nn+n时，为正相关； 当n+nn+n时，为负相关； 当n+nn+n时，为不相关；,Y,P,Q,X,n,n,n,n,6.散布图-展示变数之间的线性关系,使用注意事项,1、散布图反映的只是一种趋势，对于定性的结果还需要具体的分析。 2、分析时，应注意对数据的正确分层，否则可能会发生误判。 3、对散布图进行分析时，需要观察是否有异常点或者离群点出现。 4、当数据较多时，可能会重复数据出现，对重复数据要进行区分，并加以分析。 5、一般情况下，至少应取30组以上的数据进行分析。 6、通常情况下，横坐标用来表示原因或者自变量，纵坐标用来表示效果或者因变量。 7、在使用散布图调查两个因素之间的关系时，应尽可能固定对这两个因素有影响的其他因素（控制变量法），才能保证通过散布图分析的结果比较的准确。,6.散布图-展示变数之间的线性关系,实例1,第一步：收集淬火温度与硬度的相应数据； 第二步：从下面数据中找出最大值和最小值；,6.散布图-展示变数之间的线性关系,第三步：画出横轴和纵轴，将数据描点上去 第四步：填写必要信息，工序名称、单位、组数、时间。,6.散布图-展示变数之间的线性关系,实例2,某酒厂要判定中间产品酒中的酸度喝酒度2个变量之间有无关系，存在什么关系？（搜集到的数据如下表）,6.散布图-展示变数之间的线性关系,解答： 1、确定坐标：横坐标x轴为酸度，纵坐标y轴为酒度 2、描点，形成散布图：,3、图形分析：可以认为酸度和酒度之间存在着弱负相关关系,EXCEL实际操作,6.散布图-展示变数之间的线性关系,7.控制图-识别波动的来源,控制图,7.控制图-识别波动的来源,控制图又叫做管制图，是对过程质量加以测定、记录从而进行控制管理的一种用科学方法设计的图，用于分析和判断工序是否处于稳定状态所使用的带有控制界限的一种工序管理图。 图上有中心线（CL）、上控制线（UCL）、下控制线（LCL），并有按时间顺序抽取的样本计量值的描点序列。,定义,7.控制图-识别波动的来源,控制图的种类,、计量值控制图：控制图所依据的数据均属于由量具实际测量而得。,A、平均值与全距（或极差）控制图（XR Chart）； B、平均值与标准差控制图（XS Chart）； C、中位值与全距控制图（XR Chart）； D、单值控制图（X Chart）；,、计数值控制图：控制图所依据的数据均属于以计数值（如：不良品率、不良数、缺点数、件数等）。,A、不良率控制图（P Chart）；,B、不良数控制图（Pn Chart）； C、缺点数控制图（C Chart）； D、单位缺点数控制图（U Chart）。,7.控制图-识别波动的来源,控制图的用途,根据控制图在实际生产过程中的运用，可以将其分为分析用控制图、控制用控制图。,、分析用控制图（先有数据，后有控制界限）： 用于制程品质分析用，如：决定方针、制程解析、制程能力研究、制程管制之准备。 分析用控制图的主要目的是 （1）分析生产过程是否处于稳态。若过程不处于稳态，则须调整过程，使之达到稳态（称为统计稳态）； （2）分析生产过程的工序能力是否满足技术要求。若不满足，则须调整工序能力，使之满足（称为技术稳态）。,7.控制图-识别波动的来源,、控制用控制图（先有控制界限，后有数据）： 用于控制制程的品质，如有点子跑出界时，应立即采取相应的纠正措施。,7.控制图-识别波动的来源,原理,控制图的作图原理被称为“3原理”，或千分之三法则”。 根据统计学可以知晓，如果过程受控，数据的分布将呈钟形正态分布，位于“3”区域间的数据占据了总数据的99.73%，位于此区域之外的数据占据总数据的0.27%（约千分之三，上、下界限外各占0.135%） 因此，在正常生产过程中，出现不良品的概率只有千分之三，所以我们一般将它忽略不计（认为不可能发生），如果一旦发生，就意味着出现了异常波动。 ：中心线，记为CL，用实线表示； +3：上界线，记为UCL，用虚线表示； 3：下界线，记为LCL，用虚线表示。,7.控制图-识别波动的来源,对原理的2种解释,、控制图原理的第1种解释：点出界出判异（小概率事件原理）,小概率事件原理：在一次实验中，小概率事件几乎不可能发生，若发生即判断异常,在生产过程处理统计控制状态（稳态）时，点子出界的可能性只有千分之三，根据小概率事件原理，要发生点子出界的事件几乎是不可能的，因此，只要发现点子出界，就判定生产过程中出现了异波，发生了异常。,7.控制图-识别波动的来源,例：螺丝加工过程中，为了解螺丝的质量状况，从中抽取100个螺丝进行检查，量取螺丝的直径值,7.控制图-识别波动的来源,在以上数据中，各样本的标准偏差为0.26，平均值为10，由此可以得出控制图的控制线：,UCL=+310.78 CL=10.0 LCL=39.21,7.控制图-识别波动的来源,、控制图原理的第2种解释：,根据影响质量的因素不同，可将其分为人、机、料、法、环（即4M1E），但对影响质量大小的因素来看，可分为偶然因素（简称偶因）和异常因素（简称异因）。另外的一种说法，将影响质量大小的因素分为一般原因与异常原因。,偶然因素：是始终存在的，对质量影响甚微，但难以消除。如：机床开动时的轻微振动。 异然因素：是有时存在的，对质量影响较大，但不难去除。如：车刀磨损、机床螺丝松动等。,7.控制图-识别波动的来源,由于生产过程的质量波动是由偶因、异因引起的，因此，将质量波动分为偶然波动、异常波动：,偶然波动：由偶然因素造成的质量波动，简称偶波。偶波是系统固有的，不可避免。 异常波动：由异常因素造成的质量波动，简称异波。异波不是系统本身所具有的，有时会发生，只要采取有效措施，不难消除。,经验和理论分析表明，如果生产过程中只存在偶因时，产品质量将形成某种典型分布，例如：在车制螺纹的例子中形成正态分布。 如果除去偶波之外还有异波，则产品质量的分布必将偏离原来的典型分布。可由控制图检出。,7.控制图-识别波动的来源,20字方针,查出异因,采取措施,保证消除,不再出现,纳入标准,控制图的流程模型,7.控制图-识别波动的来源,1.判异准则,判异准则用来判断过程是否存在异常因素，生产过程的质量波动是正常的还是异常的。判异准则主要有两条：,判异准则1：点出界（或在控制线上）就判断异常； 判异准则2：控制界限内的点排列不随机就判断异常。,在“判异准则2”中，“点排列不随机”是指点的排列呈现某种规律，具体来说，可能会出现以下6种排列现象,7.控制图-识别波动的来源,、异常模式一 控制点屡屡接近控制界线 A、连续3点中，至少有2点接近控制界限； B、连续7点中，至少有2点接近控制界限； C、连续10点中，至少有4个点接近控制界限。,7.控制图-识别波动的来源,、异常模式二 在控制线中心一侧连续出现的点叫做链，其点子数目称为链长。 链长不少于7时，判断点子为非随机排列，存在异常因素,7.控制图-识别波动的来源,、异常模式三 间断链。如果链较长，有个别点出现在中心线的另一侧，叫做间断链。此种情况被视为点子非随机排列，判为异常。,7.控制图-识别波动的来源,、异常模式四 倾向。点子逐渐上升或下降的状态称为倾向。当有7个点连续上升或下降倾向时，判定点子为非随机排列，存在异常因素,7.控制图-识别波动的来源,、异常模式五 点集中在中心线附近（点子距离中心线在1以内）。 如连续15点位于中心线附近，判定点子为非随机排列，存在异常原因。,7.控制图-识别波动的来源,、异常模式六 点子呈现周期性变化。 导致此现象的原因可能是：操作人员疲劳、原材料的发送有问题等。,7.控制图-识别波动的来源,判稳准则用来判断生产过程是否处于稳定状态，对于分析用控制图来说，过程处于稳定状态即意味着可将其控制限延长，转化为控制用控制图。 判稳准则1：连续25个点都在控制界限内； 判稳准则2：连续35个点至多1个点子落在控制界限外； 判稳准则3：连续100个点子至多2个点子落在控制界限外。,2.判稳准则,7.控制图-识别波动的来源,绘制过程,收集相应数据,判断工序是否处于稳定状态,7.控制图-识别波动的来源,7.控制图-识别波动的来源,实例1,7.控制图-识别波动的来源,实例1,7.控制图-识别波动的来源,实例2,7.控制图-识别波动的来源,实例2,1查检集数据 2分层作解析 3排列抓重点 4直方显分布 5因果追原因 6散布看相关 7控制找异常,QC七大手法口诀,