756626_zh-CN

liliconcom

如何将统计数据用作通用语言——以及如何通过这样做来提高流程质量 (2021-EU-30MP-788)

Envases 质量与六西格玛主管 Marcus Soerensen

本案例研究将展示如何通过使用统计数据作为公司各部门之间的通用语言来提升流程质量。起初，项目数据非常有限，令人困惑，但随着团队开始使用 JMP 进行结构化和数据导向的改进，最终取得了成功。本案例展示了各部门如何利用数据和统计数据作为流程改进的基础，携手合作。

自动生成的成绩单...

扬声器	抄本
马库斯	欢迎
	到此处的演示，使用 SAS JMP。
	本次演讲的主题是如何使用统计数据作为通用语言以及如何通过这样做来提高流程质量。
	我在一家叫 Envases 的公司担任质量经理。Envases 是一家大型公司，
	一家为食品行业生产罐头的跨国公司。您可以在左上角看到部分产品。
	有些产品你可能很熟悉。它们是超市里买的罐装食品，里面有肉、鱼、奶粉、果汁等等。
	我们在以下地区设有生产基地
	墨西哥和欧洲以及
	我今天想在这里讨论的话题与我们在丹麦的生产设施有关。
	基本上，我在这里要介绍的是一个使用 SAS JMP 作为工具之一解决的问题。
	我将花一些时间在 JMP 上展示一些功能，并介绍如何使用 SAS JMP 解决这类问题，我相信很多看过这个演示的人对此都很熟悉。
	好吧，回到去年，
	我们的生产线出了点问题，生产部门的人来找我。我是质量主管，我负责处理这类问题，有人来找我，说：Marcus，我们的生产线上有一些锡灰。
	锡是我们用来制作罐头的材料，所以锡粉本身不是
	这不是我们生产过程中可以看到的东西，但人们抱怨说他们在我们的生产线上看到了太多的锡尘。
	因此，他们需要经常清理管道。
	这就像问题的开始。我们没有任何数据来证明这一点。我们没有任何文件可供查阅。我们没有任何Excel表格。我们没有任何JMP文件可供查阅。我们只是听到一些人说我们有太多数据。
	我们的生产线上有很多锡尘，需要我们经常清理。
	让它更均匀一点
	更令人困惑的是，有人说我们以前见过很多次这种情况，也有人说我们以前从未见过这种情况。
	我开始和电话里的人交谈，问他们：“这对你来说是新情况吗？这周发生过，还是上周发生的？或者去年发生过什么？”我听到了很多不同的意见，也有很多
	输入，而且人们也没有告诉我同样的事情，所以我有点困惑我们如何开始这个项目。
	但无论如何，我们需要开始。
	所以我做的第一件事
	是为了组建团队，说，
	组织中的人员需要组建一个团队。团队里应该有谁参与？我们确定了一些生产部门的人员、一些技术人员、一些运营部门的人员、一些维护部门的人员等等，这些都是项目相关的人员。
	我们在这里用来解决问题的结构受到了六西格玛 DMAIC 的启发，也许你们中的一些人已经知道它了。
	DMAIC 是关于定义问题、衡量问题、分析问题的原因、改进然后控制，看看您是否真的成功地运用了您提出的解决方案。
	DMAIC 的其中一个想法，对我来说，使用这里的结构是为了定义和衡量问题，因为有时你
	您可能认为自己遇到了问题，但是通过开始衡量问题，您可能会意识到，您认为的问题实际上根本不是问题。
	所以没必要继续解决实际上并不存在的问题，我之前也跟大家说过，好的，首先，让我们来衡量一下这个问题。我们真的有问题吗？还是这只是我们在生产过程中的一种感觉？
	这是第一步。
	所以我们去了生产线???，去生产线看看，
	我们能否了解这个过程，甚至可以看到问题发生在哪里。
	这个过程相当简单。我试着用这张简单的图来简化它。
	给你个大概的思路。锡板被送进传送带，然后我们有一个活塞
	制作罐头的盖子，所以过程相当简单。
	由于这个活塞和这些盖子的制作，我们可以看到我们可以在传送带上收集一些灰尘，这是操作员需要不时清洁的地方。
	通过做???我们可以看到，在 25,000 个盖子之后，我们可以收集大约两公斤或更多的锡尘。
	这时候我们就需要清理生产线了。所以这就像我们的基准线，比如说，当我们生产了25000个相当于两公斤以上的盖子时，我们就需要清理生产线了。
	不可接受，因为清洁占用了生产时间，而生产时间减少导致我们无法生产想要生产的盖子。这意味着我们可能会延迟交货，甚至根本无法交货。
	因此，我们所有人都有兴趣减少这种清洁工作，并且我们发现，如果我们可以减少生产线上产生的锡尘，我们就可以减少您的清洁工作。
	所以问题很简单，当我们收集了
	这
	此处的数据以公斤为单位。
	记得，你们可以在图片上看到背面，这是我们用吸尘器收集了25000个盖子之后的灰尘。一开始，有人来找我的时候，我们甚至连装灰尘的行李都没有，只有
	只是通过观察，我们就能表达出我们遇到的问题。现在至少我们能看到这就是我们遇到的问题。灰尘太多了，这灰尘太多了，因为我们需要清理它。所以我们必须减少
	生产 25,000 个盖子后重量减少 1 公斤，这就是该项目的成功标准。
	我们召集了合适的人员，就像开了个研讨会一样，把所有人都聚集在一个房间里，说我们这里出了问题。生产了25000个盖子后，我们产生了超过两公斤的灰尘。这是什么原因造成的？
	然后我们进行了头脑风暴，观察这个过程，观察过程中发生了什么，以及过程中产生了什么。这些变量能解释我们最近看到的锡粉吗？
	所以第一步是定义变量。你们可以看到，我用黄色标记了团队预计导致锡尘的一些根本原因。
	我们从输入开始，因为我们知道锡板，锡板的厚度可以
	可能会有所不同，所以我们可以得到一些更厚的锡板和一些
	薄片不会太薄。
	我们还发现，活塞的涂层可能是造成锡涂层的原因。
	我们可以看到，与其他有涂层的生产线相比，没有出现同等规模的问题。
	我们还可以看到活塞的测量值，活塞上有四个不同的测量值，这可以解释锡尘的原因。
	我们从来没有尝试过，所以这只是纸上谈兵，所以这可能是原因，但让我们试着找出答案。
	去年或两年前，当我们遇到这样的问题时，
	通常的做法是，我们会尝试不同的方法，比如尝试改变涂层的厚度，看看这是否会改变涂层。但在这里，我们想将所有变量合并到一个实验中，以加快这个过程。
	因此我们建立了一个实验设计，即 DOE。
	随着时间的推移，我们必须对此进行一些改变，以便它能够反映我们的现实情况以及我们可以用于实验的分配的生产时间。
	设置实验和定义变量并不难，大概花了几个小时。设置实验设计 (DOE) 也不难，我们在 SAS JMP 中完成了。但执行实验设计 (DOE) 比较棘手，因为它耗时很长，大约花了一周时间。
	所以我们需要计划把机器取出来，然后进行大约五天的试用。简单来说，我们用一种设置生产了25000个盖子，然后用另一种设置又生产了25000个盖子，以此类推。
	然后，一周后，我们分析了结果，并根据这些结果得出结论。
	让我试着向你展示
	我们在 SAS JMP 中所做的。
	大家可以看到，光是看看这些数字，就能看出我们自起步以来取得了巨大的进步。一开始，人们只是说我们灰尘太多，需要经常打扫。现在至少我们有了一些数字……一些显而易见的数字。
	你可以看到，这里有锡粉。这是
	生产25,000个盖子后会产生锡粉，而且我们对进入生产线的材料厚度也有不同的设置。
	这里有四种不同尺寸的活塞。我们还提供了一份声明，标明它是否涂层。所以我们测试了不同类型的活塞。
	这很容易让人理解。如果进来的材料厚度是5.74，测量值是1.47等等，他们就能知道有多少锡粉。
	因此，这是一个巨大的进步，从最初的观察到现在我们真正掌握了工作集背后的一些真实数字。
	因此，仅仅收集这里的数字就从我们的起点取得了巨大的进步，但我们的想法是利用这些数字来看看我们能否解释
	锡粉产生的原因取决于进入的材料的厚度、活塞的四种不同测量值以及活塞是否已涂层。
	我们使用 SAS JMP 中的一些工具，其中最常用的工具之一是拟合模型。拟合模型可以解释你的响应值和变量之间是否存在关系。
	我们在这里得到了答复。
	这是我们的锡尘。
	这里有模型，所以我们想看看材料厚度是否影响
	10尘埃，活塞的测量，
	以及活塞涂层是否会产生任何影响。
	在这里运行模型
	并说，尝试结合不同的变量，告诉我什么对我们的锡尘影响最大。
	这就是我们得到的基本结果。
	我们可以看到，我们用p值来判断这是否合理。外套很低，p值意味着，嗯，看起来我们有一个显著的
	涂层和锡粉之间的关系。我们还认为，材料的厚度将有一个
	与锡尘之间存在某种关系，并且我们相信测量值 3 也与锡尘存在某种关系。这也意味着，当我们谈论锡尘时，测量值 1、2 和 4 似乎并不重要。
	请记住，我们一开始没有任何数字，所以现在我们讨论的是 P 值以及它如何帮助我们。
	这对我们来说实际上相当容易解释，人们也确实明白，好的“重要”意味着这可能不是巧合。
	通过使用合适的人员，我们可以验证这对他们来说也是有意义的，因此看起来涂层可能会对锡尘产生影响。
	而技术......技术人员说，是的，涂层对锡尘有影响是有道理的，因为我们在其他生产线上也看到过这种情况。
	并且可以验证厚度是有意义的，测量3也是有意义的，所以我们开始相信这是
	对我们来说有一些很好的指导方针，但我们需要看到，是的，我们可以看到涂层似乎很重要，但有无涂层对我们来说是否重要？
	所以我们扩大了这个...
	这里的拟合模型和
	你可以在分析器中看到不同的变量对锡粉的影响。你可以在左边看到锡粉。
	您可以看到板材在加工过程中的厚度，测量值 3，然后是涂层。然后，如果我们启用了测量值 3，就可以尝试模拟是否需要涂层。
	预计该过程会产生多少公斤？
	这里说的是，我们可以预期0.0057。这里也有一个置信区间，但我们可以预期，这将是该过程中产生的锡尘数量。
	然后看看如果我们的活塞没有涂层会怎么样。我们可以看到，显著性会发生变化，而且会更高。
	我们从一开始就知道，如果锡尘超过 0.2 公斤，我们需要清理，0.2 左右就会改变游戏规则，所以我们希望低于 0.2。
	我们在这里所做的甚至更进一步，因为我们知道材料的厚度对我们来说很难控制，这是指定的，并且厚度会有一些变化，这对于我们来说很难改变。
	因此，我们需要一个非常强大的流程，也就是说，我们需要保持厚度的灵活性。
	但我们可以控制的是测量 3 和涂层。
	因此我们将此分析器扩展为
	模拟器，这样我们就可以模拟厚度变化的情况
	具有一些指定的标准差。
	所以我们说我们知道厚度是可以改变的。
	我们知道平均值约为 5.595，该材料的标准差为 0.058。我们可以稍后修改。我们想要修正测量值，也想要修正涂层，因此
	活塞上的涂层。
	我们还知道我们的目标不高于 0.2，所以我们可以在这里添加一个目标。
	然后我们就可以模拟。
	测量 3 将是固定的，外套将是固定的，但厚度将随着时间而改变。
	然后我们可以模拟一下，如果我们想要在这个过程中处理 5,000 张纸，我们期望看到什么
	在锡尘里？然后我们可以模拟。你可以看看我们是否有
	一块厚度约为5.6英寸的锡板，测量值3位于1英寸处，加上涂层，我们预期效果会非常好。您可以看到，我们在2英寸处画了一条红线……
	抱歉，是 0.2，我们还可以看到缺陷率，即高于 0.1 的测量率为 0，所以这对我们来说是好事。
	您还可以看到，如果我们改变它，测量值 3，而不是 1，
	但达到 2.5。
	并再次进行模拟。
	我们将在
	略高一点
	锡粉量。如果我们除此之外，
	对不起，
	将其更换为没有涂层的活塞并运行 5,000 片板，我们可能会得到非常差的响应。
	我们可以看到
	在我们开始这些改变之前，我们生产线上的设备是没有任何涂层的活塞。所以这对我们来说非常新颖，我们很高兴看到我们能够真正控制锡粉，甚至可以自己控制它。
	因此，根据我们这里的模拟，我们决定
	a
	测量 3 在 2 上，然后活塞与涂层，
	这意味着我们将拥有一个非常强大的流程，可以处理板材厚度的变化。
	然后我们也可以尝试模拟一下，如果这个偏差不是 0.058，而是
	1.5.
	你看，这太多了，所以这是我们与供应商达成的一些协议，他们需要将标准差保持在特定水平，因为这样我们就会有
	一个强大的过程。
	这对我们来说真是大开眼界，因为这对我们来说是一张非常非常好的照片，而且我们花费不多。唯一的花费就是我们设定的为期五天的实验。
	这对我们来说是个好消息。
	因此，在第五点上，我们得出结论，好的，现在我们知道应该改进什么，我们需要涂层工具或活塞，我们需要将测量值调整为 2.0。
	它大约来自 3.0 版本。所以这算是一个改进，这是一张来自分析器的非常简单的图片。
	展示我们的锡皮和我们预期的不同变量之间的关系。我们做了一个控制实验，说让我们试着改变
	我们改进了流程，然后又生产了25,000个盖子，然后你就可以看到对比结果了。这是我们的基准。你可以看到，在我们改进流程之前，行李箱里有一些小灰尘，你可以看到25,000个
	改变后，我们生产了 25,000 个盖子，而这里我们没看到任何锡尘。
	所以这对我们来说就像……一个非常好的概念验证。这是我们使用 SAS JMP 的首批项目之一，它是一个很好的概念验证，人们确实非常依赖这种解决问题的方法。
	我们在这里学到的是数据的使用，它给我们带来了好处，因为我们有了一些共同点，一些我们可以与每个人联系起来的东西，
	而不是拥有我们难以量化的不同意见，因此这对我们所有人都非常有帮助。
	并使用合适的人才，技术人员，
	拥有来自生产线的知识，并且能够使用 JMP 等统计软件的人也了解如何设置
	进行实验，了解如何建立拟合模型、回归模型等等。SAS JMP 的使用非常强大。我们以前无法做到这一点，就像在 Excel 中一样，因为他们没有相应的工具。
	然后，使用像他们这样的结构化流程让我们变得非常强大，所以这对我们来说是一个非常好的学习，这是我们后来在许多项目中实施的东西，并得到了非常好的反响。

高级统计建模基础数据分析与建模内容组织质量与工艺工程可靠性分析