6sigma五大阶段学习内容.ppt

6sigma五大阶段学习内容.ppt

《6sigma五大阶段学习内容.ppt》由会员分享，可在线阅读，更多相关《6sigma五大阶段学习内容.ppt（32页珍藏版）》请在冰点文库上搜索。

分析阶段概述,SixSigma技术与方法,Step1Project选定（背景陈述）Step2Project定义Step3Project承认,改善,Step4Ys的确认Step5现水准确认（把握）Step6潜在原因变数（Xs）的挖掘,Step7-Data收集Step8-Data分析Step9-VitalFewXs的选定,Step10树立改善方案Step11-VitalFewXs最佳化Step12改善结果验证,Step13树立管理计划Step14管理计划实施Step15文件化/共享,Project选定过程及必要技术Project的目标和范围的设定Project实施计划的承认,Project满足CTQ的具体指标测量把握现水准，确定改善目标潜在原因变数（Xs）的挖掘及优先化,Data分析计划的树立及收集活动为了确认VitalFewXs的统计分析分析结果Review,改善优先顺序,VitalFewXs的特性区分明确Y与Xs的关系决定最佳条件决定方案的验证及改善效果的确认,改善结果危险性评价及管理计划中的反应现业适用及维持管理分析预想效果进行文件化共享,定义,测量,分析,控制,分析阶段的目的是找到Y=F（x1,x2,x3）中关键的x,改善阶段目的是对x进行优化，以提升Y,活动Process,突出暂定,选定主因子（VitalFew）,分析坐标图,验证统计的假设,Histogram,PlotMatrixPlot,BoxPlot,假设验证（计量型/离散型）相关性分析,通过Brainstorming突出暂定因子,适用适当的Tool后整理（特性要因图,LogicTree等）,Data收集,实验分析,ANOVA分析,利用在测定阶段收集的Data树立收集Data计划，有体系地收集Data收集Data困难时通过实验收集Data,分析阶段-Analyze阶段Flow,活用Tools,Graph分析,统计的分析,Plot,RunChart,Histogram,MatrixPlot,Box-Plot,ParetoChart,RunChart,ParetoChart,Histogram,Multi-VariChart,相关分析回归分析,回归分析,tTest（平均）,FTest（分散）,ANOVA（方差）,Proportion-Test,连续型,离散型,连续型,离散型,连续型,离散型,连续型,离散型,X,Y,X,Y,活用过去Data，突出暂定/候补因子.,Analyze阶段是通过对各候补因子的统计性验证，进行筛选从而选定主因子（VitalFew）的活动。

其中候补因子是指在Define,Measure阶段定义的有可能影响CTQ的暂定因子/候补因子Xs（X1,X2,Xn）,.,4,Y,Level1,Level2（x）,女孩子的青睐度,物质因素,能力,学历,口才,气质,存款,房子,汽车,外貌,身高,体重,例-logictree,分析阶段-突出暂定因子,其他,？

？

找到几个关键的小x，并最优化小x，来提升大Y的值，这个是六西格玛分析改善阶段的任务,5,Align精度,Machine,Material,Method,IC资材不良,Cell不良,IC热膨胀差异,本压榨,AlignMark间距离偏差,温度差异,平行度,假压榨,位置决定,IC测定高度,假压榨精度,假压受台Gap,Tool下降程度,Tool平行度,平行度确认方法,Man,作业Error,IC型号选择错误,补正输入错误,工程变化Check周期未设定,Feeding不良,IC累计Pitch,平行度调整方法,平行度测量方法,Mark设定,MarkSize,Mark对比度,Delaytime,导热性,缓冲材,缺口,例-特性要因图,分析阶段-突出暂定因子,Histogram:

为连续型Data的统计的分析假定正态分布，验证正态性前可大致地掌握Data的中心和散布等的分布形式.,2.活用主要Graph,分析阶段-Graph（坐标图）分析,对趋势图的解释?

Plot（散点图）:

为大致掌握两个变数（X,Y）的相关关系而使用,收集两个变数的Data（50100个适当）在X,Y表上表示值,看点的形态可比较直观的确认两个变数间的相关关系.首先看点的进行方向，如右侧向上移动的画判断是正向的相关关系,如右侧向下移动的话判断是反向的相关关系,分析阶段-Graph（坐标图）分析,对趋势图的解释?

5个主要特性（最小值,Q1,中位数,Q3,最大值）以Box和线来表示,BoxPlot（箱子构造）:

大致掌握Data的中心和散布形态，想了解异常值存在与否时使用.,制成法:

分析阶段-Graph（坐标图）分析,对趋势图的解释?

1.假设验证概念,假设验证的概要,-原假设拒绝后，可供选择的假设.-“不一样”,“有差异”等的NotEqual概念,假设验证是?

把想要了解的内容（现象）建立成假设，通过收集的Data进行分析，验证假设是否成立的步骤,H0是真，但出现误判错误的容许界限.判断P-Value大小时使用的基准概率.（主要使用1%,5%,10%）,P-Value,在显著性水平下，可以接受的假设“一样”,“无差异“等的Equal概念.,回归假设（NullHypothesis:

H0）,对立假设（AlternativeHypothesis:

H1）,认为回归假设是正确的情况下，利用收集的Data分析发生回归的概率.,显著性水平（）,分析阶段-假设验证,假设验证种类,Data的种类,连续型Data,离散型Data,1Samplet-Test,2Samplet-Test,ANOVA,TestforEqualVariances,1Proportion,2Proportions,-Test,假设验证,Ho:

无差异.H1:

有差异.,决定显著水平（）,一般使用5%,1.测定统计量计算2.P-Value算出,1.测定统计量临界值2.P-Value有意水平,选择测定方法,接受H1（有差异.）,接受H0（无差异.）,假设验证步骤,分析阶段-假设验证,11,第一步：

建立假设H0：

=0.13，H1:

0.13第二步：

正态检验：

P=0.8060.05，符合正态分布第三步：

选择测定方法，已知，所以使用MINITAB“1sampleZ”工具第四步：

利用MINITAB进行计算mu=0.13与0.13的检验假定标准差=0.015N平均值平均值标准误95%置信区间ZP100.135800.00474（0.12650,0.14510）1.220.221第五步：

P0.05，则接受H0，即认为平均值变化到0.1358与0.13并无显著差别，这批产品平均厚度合格,分析阶段-假设验证,一、1SampleZ-Test例子：

二、2Samplet-Test,测定具备Data的正规性.-材料A的P-Value是多少?

是正态分布吗?

-材料B的P-Value是多少?

是正态分布吗?

测定分散的同质性.-F-Test的P-Value是多少?

结果是?

实施t-Test.-设立假设.-有意水平是?

-P-Value是多少?

结果是?

材料A:

73.4,77.0,73.7,73.3,73.1,71.5,74.5,77.5,76.4,77.7材料B:

68.7,71.4,69.8,75.3,71.3,72.7,66.9,70.2,74.4,70.1,Data:

测定步骤:

分析阶段-假设验证,2-Samplet/测定正规性,统计的确认具备的Data是否市正规分布,假设:

目的:

Ho:

是正规分布,H1:

不是正规分布,StatBasicstatisticsNormallityTest,P-Value0.205（0.05）是正规分布.,P-Value0.837（0.05）是正规分布.,（=5%）,分析阶段-假设验证,StatBasicstatistics2Variances（StatANOVATestforEqualVariances）,P-Value0.646（0.05）分散相同.,2-Samplet/测定等分散型性,在具备的两个以上的集团之间，确认统计上是否有有意的散布差异,假设:

目的:

Ho:

12=22,H1:

1222（两侧测定日时）,（=5%）,分析阶段-假设验证,StatBasicstatistics2-Samplet,2-Samplet/测定平均值,（=5%）,分析阶段-假设验证,双样本T检验和置信区间:

材料A,材料B材料A与材料B的双样本T平均值N平均值标准差标准误材料A1074.812.170.69材料B1071.082.540.80差值=mu（材料A）-mu（材料B）差值估计:

3.73差值的95%置信区间:

（1.51,5.95）差值=0（与）的T检验:

T值=3.53P值=0.002自由度=18两者都使用合并标准差=2.3630,一、相关分析（CorrelationAnalysis）的概念,要了解两概率变数X和Y间相关关系时，取两变量X,Y的大小n概率标本（Randomsample）后,从得到的n个数据（X1,Y1）,（X2,Y2）,.,（Xn,Yn）找两变数的相关性.如此,研究两变数间相关性的统计的分析叫“相关分析”.,X和Y存在什么关系?

定义:

利用数据为掌握两集团间是否存在直线的关系而使用.,适用:

分析阶段-相关分析,r值的范围是-1r1.r值是显示X和Y间线型关系的尺度，r为1时所有点在一直线上.,相关系数（CorrelationCoefficient）,相关系数:

表示变量X和Y的相关大小，X和Y间的紧密性程度的尺度,相关系数判定基准,标本相关系数的性质,分析阶段-相关分析,18,二、相关系数分析例,你统计了16次请女友吃饭的cost与其满意度度，并进行相关性分析,例题:

相关:

cost,满意度cost和满意度的相关性相关系数=-0.111P值=0.681,P值=0.6810.05：

-.cost与满意度无相关性，r=-0.111-.cost与满意度无相关性,分析阶段-相关分析,改善阶段概述,改善案树立,VitalFewXs（少数核心原因变数）的最佳化,结果检验,改善案导出改善案评价及选定选定的改善案实行计划树立,改善对策实行实验计划实施及分析最佳案决定,测量系统再检验（必要时）检验最佳方案短期工程能力把握确认改善结果,导出对VitalFewXs的改善案，树立实行计划.,明确Y和Xs的关系决定VitalFewXs的最佳条件.,实施决定的最佳方案的确认作业.,改善阶段-定义,Improve阶段是为了提高Y,找出Analyze阶段找出的少数核心原因变数（X）的最佳条件的过程,VitalFewXs,InputVitalFewXsList分析阶段资料专家Team成员,根据Xs的特性将因子分类,需要被验证的多种独立的对策方案,Output控制因子优化对策因子优化,控制因子,对策因子,在Process中已经存在的因子,要求发现最佳设定值,现Process中没有或虽存在,但因新问题出现,需要进一步验证的,温度压力位置时间,Process变更标准化改进沟通意见电算化新设备导入,是连续性或离散性,可分为多水平的值,改善阶段-进行process,控制因子,对策因子,选择工具,实施实验评价并选择最佳的对策,制作对策方案风险评价.实施试运行.评价和选择最好的对策方案.,实验设计（DOE）-因子配置法-反应表面曲线.,BrainstormingBenchMarking选定最佳方案矩阵ProcessMap,X的特性,主要工具,展开方向,改善阶段-进行process,Improve主要工具及方向,实验计划法（DesignofExperiment）是-试验内包括的致命因子及因子水准、反应值的选择,现情况下最适当的试验计划、试验顺序决定-对试验实施后所求的结果的统计性分析方法选定等,如：

怎样设计、怎样分析结果,找出通过最少的试验而取得想要的最大的信息的体系性方法.实验设计:

狭义上指DOE,RSM等,但广义上包含以数据的合理分析为目的有计划地实验的所有实验DOE:

DesignofExperiment（实验设计）RSM:

ResponseSurfaceMethod（反应表面法）,1.试验计划法的基本概要,试验计划法的活用目的,工序或System的型号,实验计划法的活用目的,何种变数对反应值Y的影响最大?

如想符合Y值的特定值要求,怎样设置X值?

最小化、控制不了的因子,怎样设置X值?

改善阶段-试验计划法,2.试验计划的进行顺序,改善阶段-试验计划法,3.试验计划法的基本原则,随机化（Randomization）：

以完全随机的方式安排各次试验的顺序，防止实验者未知的但可能对响应变量产生系统性影响。

由于所选定的试验因子以外的其它原因，为防止影响到试验结果的方案（试验步骤地随机化）,为提高试验的水平、制订容易分析的试验计划，所需的基本原理是随机化（Randomization）,块形化（Blocking）,正交化（Orthogonality）,反复（Replication）。

改善阶段-试验计划法,块形化（Blocking）,可能的话，试验环境均一分开为几个模型（Block），以后要调查模型（Block）内的各因子弹的影响。

全体试验以时间、空间分割而作模型（Block）的话，各模型（Block）内的试验环境均一，因此可以得到更佳的试验结果。

在试验计划法上，模型（Block）适用为一个因子，其效果另外分离，总变动除外模型（Block）之间的变动，剩的就是模型（Block）内的纯粹变动.,8回Run按装备号机（1,2号机）Blocking,ABC3个因子的交互作用的效果交叉各装备号机的效果，从而不影响装备号机，可以求因子效果。

正交化（Orthogonality）,正交化是指，在试验上，独立配置各因子（Main&Interaction），使特定因子不受别的因子影响。

计划试验时，使因子之间共有正交性而求数据的话，如同一试验次数，可以得到对因数的效果的检出力更佳的验证，并得到程度更高的追定。

数学上正交性是指，个别因子的程度的合是”0”,乘两个因子的程度的合是“0”.,确认正交排列表（23）的数学上的正交性,改善阶段-试验计划法,反复（Replication）,在各水准的组合上，可能的话，反复进行2次以上，比进行1次试验，得到的试验结果的可靠性高。

反复进行，可以提高误差项的自由度，误差分散的程度也会好，因此可以提高试验结果的可靠性。

反复进行2次22（A,B因子）试验,虽反复实施同一试验条件，全体试验顺序随机化,是因子数为n、各因子的水准数为K的试验计划法，在所有因子间的水准组合上进行试验的试验计划。

Kn因子配置上广泛使用2水准/3水准系，但3水准系因子配置一般是为找出最佳值而使用的。

1.2水准完全配置的理解,Kn因子配置法（KnFactorialDesign）,是因子数为n、各因子的水准数为2的试验计划法，对n个的独立变数（X），实施各个2水准的试验而要掌握各独立变量的影响度时使用的。

2n完全配置法（2nFullFactorialDesign）,2水准完全配置的表示,2n=?

2:

所有因子的水准数n:

配置在试验上的因子数?

:

总试验次数,2n试验配置的意义,改善阶段-因子配置法,28,例题:

洗涤力试验,在开发新的Design洗衣机时制作了几个Sample.对衣料的清洁度进行洗涤时间和水量的实验.,Factor:

X1:

洗涤时间X2:

水量（Gallon）Level1104Level2208反映值:

衣料的洗涤力（清洁度和亮度测定）,FactorialDesign:

在全部水准上组合全部因子进行排列的实验计划,因为是2因子2水准所以有可以用4个个的组合,为了提高实验的精确度，在各实验顺序（Run）上重复4次.,改善阶段-因子配置法,29,反映值（洗涤力）和2Factor的Graph,洗涤力试验:

（排列和实施）,改善阶段-因子配置法,30,洗涤力,19,17,15,102048,time（minutes）,水量（gallons）,18.6,15.8,19.0,15.4,洗涤力试验:

实验分析使用3个Graph总效果Plot-各个别Factor对反映值“Y”产生的效果（使用平均值）交互作用Plot-因子相互组合同时对“Y”产生的影响CubePlot-把从各因子的组合上得出的反映值进行标示,2.8,洗涤时间和水量对对洗涤力产生影响（坡度大-根据因子的水准变化“Y”值变大）,改善阶段-因子配置法,31,交互作用,交互作用Plot是对两个因子同时变化的效果进行比较.,洗涤力,20minutes,20,10minutes,18,16,14,4,8,gallons,18.4,19.7,13.3,17.4,InteractionPlot,20分钟的洗涤时间一直是与使用的水量无关，具有更高的洗涤性能,解释,交互作用是在判断为因子间相互组合对反映值“Y”产生影响时使用,改善阶段-因子配置法,32,CubePlot,体现在因子的个组合上得出的反映值“Y”,Cubeplot,10,20,8,gallons,4,time（minutes）,现在的实验中最佳的值是洗涤时间为20分钟,水量为4加仑时洗涤力为19.7洗涤时间为10分钟,水量为8加仑是洗涤力最低.,解释,改善阶段-因子配置法,