粉丝688获赞1664

质量工程师升职加薪的秘密武器其实不是 ppt 长的有多好,而是会用 mini tab! 你 还在用 excel, 一个个的算数据,通宵画图,聪明屌的工程师早就用 mini tab 搞定!统计分析过程能力 d o e 实验已经出炉了,老板看的都直呼专业质 量控制他能帮你做 c p k 分 析,看过程稳不稳。工艺优化 d o e 实验,设计几组数据就能找到最佳参数。异常分析、帕雷特度和假设检验主次问题一眼就能看出来。最 最关键的是,它简单的离谱,不需要写代码,全是菜单操作,点几下就能出结果,图标又美观,汇报时堪称数据显眼包。关键是 mini type 的 保姆级教程,从零基础到精通,我都给你们整理好了 t t 拿走吧!

哈喽,各位质量圈的老伙计们,我是质量扫地僧,你天天抱着迷你 top 算 cpk, 有 没有想过一件细思极恐的事,为什么软件算希格玛的时候,不用咱们上学时背到吐的标准差公式,非要用个莫名其妙的 r 除以第二? 难道是统计学大师闲得慌,故意给咱们设门槛?哎,今天我就用二十年的行业经验,把这个六希格玛最核心的底层逻辑给你扒的明明白白。 别急着看公式,咱们先去奶茶店凑个热闹。假设有家奶茶店,每杯标准是五百毫升。场景一早高峰一分钟内连续出五杯,这时候温度没变,原料没变,连操作的电源都没换,你猜这五杯的 g 叉 r 是 多少? 只有二毫升,这就是机器纯粹的硬件抖动,咱们叫它短期波动,是机器没受任何干扰时的真实状态。那场景二呢? 把这家店一个月几万倍的数据拉出来算大标准差,结果波动高达二十毫升。为啥差这么多?因为这一个月里早晚温差变了,换了三批原料,连电源都换了五个,各种外部干扰全掺进去了。 说到这,你懂了吧?连数据算出来的标准差,那是现实,是被各种乱七八糟因素污染后的结果。而用小分组的极差而算出来的,才是潜力,是机器或者工艺在不受干扰时本来能做到的极限。六希格玛看的就是这个, 他不看你现在被拖累成啥样,就看你本身的基因到底有多强。哎,这时候肯定有人要问了,就算要用极差 r, 那 为啥还要除一个 d 二呢?这就涉及到小样本的谎言了, 你在街上随便抓三个人,用最高身高减最低身高,能代表整个城市的真实身高波动吗?绝对不能,小样本的极差天生就会低估的越厉害, 那怎么办?数学家们就出手了,在正态分布的大前提下,他们算出来,当样本量是五个时,这组样本表现出来的极差平均只有真实标准差的二点三二六倍,这个二点三二六就是第二。 不同的样本量对应不同的第二值,都是这么推导出来的。所以希格玛等于 r 除以第二的本质,就是一把正态分布专属的去偏键放大镜,先把小样本低估的波动给还原回去,放大到最真实的总体找准差水平,让你看到没有干扰时的真实实力。 正因为这个公式能精准剥离外部干扰还原过程的真实实力。正因为这个公式能精准剥离外部干扰过程的真实实力。正因为这个公式能精准剥离外部应用场景。 第一个就是咱们天天用的过程能力分析,算 cpk 的 时候,分母上的希格玛必须用二二除以 d 二来算,为啥?因为 cpk 看的是你的潜在能力,必须排除换班原料波动这些长期干扰,不然算出来的就不是你能做到的,而是你现在被拖累成的样子。 第二个,建立 spc 控制图,尤其是均值极差图,也就是 x 二二图,控制线的上下线怎么定?就是用 r 除以 d 算出来的,希格玛乘以三, 这样定出来的控制线才足够灵敏。机器或者工艺一旦有一点点异常,比如某个零件突然磨损了,立刻就能抓出来,不会等到批量出问题才发现。 第三个, msa 测量系统分析,咱们做量具重复性和在线性分析时,最经典的均值极差法就是靠查第二表,反向推算出量具本身和操作员手法带来的测量误差。 你想啊,要是梁具本身波动就大,那你测出来的数据再准也没用,这个公式就能帮你把测量系统的水分挤干净。 第四个,项目早期的破坏性试验,比如拉力测试、爆破测试,测一个坏一个,成本高的离谱,你不可能测成百上千个, 这时候怎么办?拿三五个小样本测一下,算出 g 叉 r 再除以对应的第二,就能花最少的钱,快速不偏不倚的估算出工艺的真实波动水平,帮你判断这个工艺到底行不行,值不值得往下投钱。 所以你看精益六西格玛哪里只是数学啊,它本质上是一种管理哲学,它告诉你不要盯着眼前的烂摊子叹气,要先找到自己真正的实力在哪里,然后再去解决那些拖后腿的外部问题。 下次老板再问你,为什么我们的实际量率跟 cpk 预测的不一样,你就可以理直气壮的告诉他,因为 r 除以 d 二算出来的是我们的实力,实际量率低是因为有太多组间的长期漂移在拖后腿,要提升先去解决那些外部干扰 啊。今天咱们就把 rdr 这个六 c 格玛的核心公式给聊透了,我是质量扫地僧,带你用大白话解构复杂的质量工具。如果你还有什么想聊的质量话题,欢迎在评论区留言,咱们下期见!

啊,我们实验设计的目的是什么?我们的目的有两个,第一个要保证我们的实验精度,要消除不可控因子 啊,他的那个波动也就是随机向对我这个实验结果啊的影响,这是第一个目的,那么我们的全脂实验是完全满足了这个目的, 但是我们在保证我们的实验有足够的精度的情况下,我们还是希望要减少实验的次数, 这样我们就有了叫做不分音质的正胶实验设计。那么在我们前面讲到过的啊,这是经典的 部分因子正交实验设计,也就说我们有七个因子,完全不考虑交互作用,那么根据我们数学代数的原则对不对啊?我们 考虑的因子跟我们实验次数的关系呢?就是小于 n 减一的关系,也就说你考虑的因子的数目是小于等于你的实验次数减一。那么在前面的例子我们就讲过了吧,我们 这个七个因子做八次实验啊,实验次数 是大大的减小了,对吧?我们本研本来的实验次数是二百七十方,一百二十八次,结果我们做了八次实验,但是这个时候 我们在处理我们每个因子的效应的时候啊,都是 四次的平均值来处理的啊,那你如果是用七个因子全因子实验,那你是六十四个的因子,因为他一共是一百二十八次实验,那个精度就可能没有那么高, 但是我们因子在两个水平 之间,它的效应差值比较大的时候,我们并不需要 啊,就是用很多实验的次数去平均,所以在有的时候四次实验平均的精度已经是足够了的啊,这是我们考虑的,所以我们的部分因子实验也是合理的。第二个 我们讲过的这七个因子啊,七个因子做八次实验是完全不考虑什么 任何因子的交互作用的啊,交互作用的,但是实际上我们的部分因子实验也是可以考虑部分 因子的交互作用啊,只要大家看到我的这个式子啊,只要你因子的数目加上你的交互作用的数目小于等于你的实验次数 n 减一就够了。我们就啊讲解了一个非常重要的概念, 混淆的概念,什么叫混淆啊?就是因子和因子之间,或者因子和交互作用,对吧?他们在我们实验的计划里头,方案里头,他的每一行的代码值都是相同的, 这样就会导致在解他的系数方程里头,他的那个 因子前面的系数的正负也完全是相同的。那么你在解方程的时候,你就没有办法用消元法啊,单独求出某一个因子或者交互作用的效应,他们是混在一起的,所以这叫混淆,我们就引入了混淆的概念, 所以我们就讲啊,我们从一个全因子的正交实验啊,在保证精度的情况下, 我们就追求实验次数少,我们就可以做部分因子的实验啊实验。所以呢,我们在前面就讲到过正交 部分因子的实验,那么为什么可以这么做呢?是因为我们根据我们的专业知识啊,在我们的回归模型里头是存在部分因子的交互作用,那我就可以适当的选择一些 正交的啊,这个部分因子的表格来安排实验。

d o e 实验设计和谢宁 d o e d o e 基础知识线上培训网络视频课程, 我叫质量管理金周军,金周军是我的真实姓名,大家在网上都可以搜索的到。那么今天呢,我讲本课程的第七课, 那么在前面的课程里头啊,我们着重讲解了部分因子的正交实验设计,那么现在呢,我就把前面讲的内容啊给他 复习一下,或者整理一下啊,这个我们说啊,一个部分因子的设计的这个实验方案, 我们一共有两种生成的办法,第一种办法就是以全因子实验方案为基础,利用 最高阶的交互作用的编码值等于一来切割我们的全因子的方案。 也就是说把我们的全脂方案分割为两个部分,我们就得到啊,高阶的交互作用的编码值等于一的这个方案的 二分之一的部分因子的实验方案。那么比方说啊,我们有四个因子, a、 b、 c、 d, 那么它的全因子的实验方案呢?是要做十六次实验啊,十六次实验,那么我们根据它的 a、 b、 c、 d 啊全因子的十六次实验的方案, 我们首先把它的最高阶的交互作用 a、 b、 c、 d 的 编码值给计算出来, 也就说是三四个因子,它的编码值相乘,对吧?就得到 a、 b、 c、 d 的 它的编码值,那么这样的话,我就用这个 最高阶的交互作用 a、 b、 c、 d, 它的编码值等于一, 做了一个切割,就得到一个二分之一的部分因子的实验的方案。那么在这里头,我们就根据 a、 b、 c、 d 等于一啊,就得到八个实验,就选取了这八个实验, 因为我们是用这个方法来选举的八个实验,我就保证了我们二分之一部分的啊,这个部分因子的实验方案,它也是 正交的啊,正交的,那每一个说是自我平衡,两两平衡,对吧?那就保证了我们用可以用每个因子的 高水平的均值减去低水平的均值算它的效应,也可以去计算某些因子的交互作用。交互作用,那么我们用 a、 b、 c、 d 等于一 来选取我们的部分因子方案的话,那么这个 a、 b、 c 等于一,我们就把它叫做生成元, 为什么把它叫做生成元呢?就是我们的生成元呐,这个等式是可以有一个计算的, 这个我们把等式的两边啊全部乘以 a、 b, 那么在等式的左面就是有 a 平方、 b 平方,那么 a 平方、 b 平方呢?因为我们的编码值要么等于正一,要么等于负一,所以它的平方永远是等于一,我们就可以得到 ab 等于也得 a 乘 b 啊,等于 c 乘 d, 这是什么意思呢?这个意思就是代表 对所有的行 a、 b 的 交互作用的编码值等于 c、 d 的 交互作用的编码值。 也就说在我计算每个因子系数的那个方程里头, 它那个系数前面的乘符号对每个方程都是一样的,也就说你在解这个交互作用 ab 和 cd 的 这个系数的时候, 它们俩总是在一起的,你分不开,也就说这就表示 ab 和 cd 的 效应它发生了混淆, 那么我们这个生成元这个方程两边全部乘以 d 啊, d 的 平方就等于 e, 所以 你就有 d 等于 abc 的 交互作用,也就说 d 跟 abc 混淆了,那么通过这个我们又就知道了啊,我们一般的新的原则, 我们选取这个生成元,我们一般都是选择一个最高阶的交互作用作为生成元,为什么这样的,我们举个例啊, 对于这个啊,这样一个全因子的交互作用,我们是可以把 ab 的 代码值算出来, 算出来啊, ab 代码值就是 a 乘 a 的 代码,乘以 b 的 代码,把它等于一,作为我们的生成元的话,那你这样的话, a 乘 b 等于一的话啊,你的这个等式两边同时乘以 a 的 话, 这样的话就导致 a 等于 b, 也就说你取从一个全因子实验 得到一个二分之一的部分因子实验,实际上你的 a 和 b 的 编码值都是一样的, a 和 b 都混淆了,所以我们知道啊,这是个现实问题, 我们选择一个从全因子的实验取一个二分之一的实验啊,实验方案, 那么因为在我们全因子实验的时候,对吧?你的实验的这样一个次数,比方说四因子,对吧?你是十六次实验对吧?你加上交互作用,主效应,你有十五项, 也就是说你全原子实验可以解出来所有的主效应和交互作用,对吧?那你现在你 a、 b、 c、 d 还是有十五项, 对不对?那你现在做八次实验,那肯定里头有很多主效应和交互作用,它是混淆的,那么一般来说我们是希望啊,至少是希望主效应没有混淆, 对不对?第二个二次交换作用也没有毁掉,是最好的,对吧?是有这个顺序的,所以我们可以从这个例子可以看到啊,就我们选择生成元的时候, 这个交互作用的基数是越高越好,所以在这个例子喽,我们选择的是一个最高阶的四阶的交互作用, a、 b、 c、 d 作为生成元, 尽量选择最高的。当然啊,假设你要做一个,做一个这个 二分之一的部分因子实验,你要选择,你要去计算某一个特定的交互作用的话,当然你就不能用这个交互作用作为生成源 啊,这是大家要注意,后面我们有这样的例子啊,有这样的例子,好,那么这是我们部分因子生成方法的第一种方法, 就是取一个高阶的胶合作用,让它等于一,选择它的编码中等于一的 部分因子实验,那么保证它是正胶的第二种方法是什么呢?八次实验的针对的这个全因子实验, 就是三个因子的全因子实验,他等于八次,对不对?那我们就先就把一个三因子两水平的全因子实验作为我们的一个 基础,基础啊,基础,我首先就把它的所有的主效应和交互作用都这个列啊,都列出来啊,我这里就列出来了啊, abc 啊, a、 b, c, e 啊,再加上这个,呃, a, b, c 啊,再加上 a、 b 的 交换作用, a、 c 的 交换作用, b、 c 的 交换作用, abc 的 交换作用,也就说我有四个主效应, 哎,说错了,三个主效应,四个交互作用一共是七项,对吧?那么你这个全因子实验是三个因子的,对不对?是三个因子的,那我如果是有五个因子的话, 五个因子,大家注意啊,我本身是要做几次实验,那三十二次实验,那三十二次实验。

啊,我们实验设计的目的是什么?我们的目的有两个,第一个要保证我们的实验精度,要消除不可控因子 啊,他的那个波动也就是随机向对我这个实验结果啊的影响,这是第一个目的,那么我们的全脂实验是完全满足了这个目的, 但是我们在保证我们的实验有足够的精度的情况下,我们还是希望要减少实验的次数, 这样我们就有了叫做不分音质的正胶实验设计。那么在我们前面讲到过的啊,这是经典的 部分因子正交实验设计,也就说我们有七个因子,完全不考虑交互作用,那么根据我们数学代数的原则对不对啊?我们 考虑的因子跟我们实验次数的关系呢?就是小于 n 减一的关系,也就说你考虑的因子的数目是小于等于你的实验次数减一。那么在前面的例子我们就讲过了吧,我们 这个七个因子做八次实验啊,实验次数 是大大的减小了,对吧?我们本研本来的实验次数是二百七十方,一百二十八次,结果我们做了八次实验,但是这个时候 我们在处理我们每个因子的效应的时候啊,都是 四次的平均值来处理的啊,那你如果是用七个因子全因子实验,那你是六十四个的因子,因为他一共是一百二十八次实验,那个精度就可能没有那么高, 但是我们因子在两个水平 之间,它的效应差值比较大的时候,我们并不需要 啊,就是用很多实验的次数去平均,所以在有的时候四次实验平均的精度已经是足够了的啊,这是我们考虑的,所以我们的部分因子实验也是合理的。第二个 我们讲过的这七个因子啊,七个因子做八次实验是完全不考虑什么 任何因子的交互作用的啊,交互作用的,但是实际上我们的部分因子实验也是可以考虑部分 因子的交互作用啊,只要大家看到我的这个式子啊,只要你因子的数目加上你的交互作用的数目小于等于你的实验次数 n 减一就够了。我们就啊讲解了一个非常重要的概念, 混淆的概念,什么叫混淆啊?就是因子和因子之间,或者因子和交互作用,对吧?他们在我们实验的计划里头,方案里头,他的每一行的代码值都是相同的, 这样就会导致在解他的系数方程里头,他的那个 因子前面的系数的正负也完全是相同的。那么你在解方程的时候,你就没有办法用消元法啊,单独求出某一个因子或者交互作用的效应,他们是混在一起的,所以这叫混淆,我们就引入了混淆的概念, 所以我们就讲啊,我们从一个全因子的正交实验啊,在保证精度的情况下, 我们就追求实验次数少,我们就可以做部分因子的实验啊实验。所以呢,我们在前面就讲到过正交 部分因子的实验,那么为什么可以这么做呢?是因为我们根据我们的专业知识啊,在我们的回归模型里头是存在部分因子的交互作用,那我就可以适当的选择一些 正交的啊,这个部分因子的表格来安排实验。

本视频就教大家在欧众后台上,我们该怎么样去上传这个 e s e 的 合格证,以及符合证明和注册证书,还有拒绝性。 首先第一步你需要准备的材料如下,比如对应的产品证书文件,还有对应的产品 sku 型号等等,这些基本资料都准备好之后,我们就可以去打开欧众店铺的后台, 找到商品的板块,然后点击质量证书这个选项,这个时候呢我们就找到添加证书的按钮,然后点击添加证书, 然后呢我们就会看到文件类型,这里有很多选项是可以选择的,比如说 esc 合格证书,还有这个复合声明,注册证书和拒绝信等等之类的。那么我们大家就可以按照自己 对应的文件去进行选择,然后就可以去上传提交对应的文件,然后我们还需要按照我们文件中的内容填写对应的信息,比如说像这个文件编号,有效期等等,这些内容 都是可以在你的证书中去找到的,假如你实在是不会填写,我建议你直接用 ai 来识别,把你的证书文件发给 ai, 然后 把 o 座后台这些选项内容发给 ai, 然后 ai 呢也会帮你自动匹配信息,你对应着去填写就好了。然后在这里呢我们还需要对应着去上传你的证书文件,无论是 eic 文件还是拒绝性, 都是要保证是真实有效的,否则你的审核会不通过。文件上传好之后呢,我们还需要去添加对应的产品编号与之匹配,添加好之后,最后呢就可以保存了,你学会了吗?那么说了这么多,你可能还是记不住,所以呢,我给大家整理了一份 步骤手册,里面详细的介绍了 esc 的 证书和这个福音声明,包括拒绝信等等,该如何上传,咱们每一步都可以对应着来操作。那么这份文件呢?如果需要的话可以跟我说,需要那么我发给你。

怎么利用 midi type 来做偏语分析?那首先我们要在 excel 表建立一个数据的结构,那这个就是我们呃 测对某个零件测量十五次的值。一般我们做片与分析的时候,都会连续对某个零件进行测量,然后这个就是十五次的测量值, 那我们把这个卡到我们的 mini type 里面复制,然后打开我 mini type 的软件, 然后粘贴到这里,啊啊,这测量值就刨出来,然后我们再选这个统计,基本统计量基本统计,再选单样本 t, 单样本 t 找一下在这里啊,点他好,然后我们在这个一个或多个样本美丽一个,这个不用管他,那我们点下面这个,把这个数值输进来,然后点这个进行假设检验, 然后呃假设的均值就是这个零件的标准值,如果你用标准件去做的话,你就把标准件的值取进来,如果不是用标准件测的话,就是这个零件用更高精度测的 真实的值,或者说标准值输进去。比如说我们这个标准值是六点零啊,这个这个产品的标准值是六点零,然后再选这个图形,选这里点一下值班图, 点确定,然后他就再点这个查看,仅输出啊,这个就出来了,这个就是片影分析的,这个就是这个的值班图,这值班图看起来还算比较正常的啊, 然后再看这个图形啊,图形,先看图形,再看这个数值啊,图形这边有一个 h 零零的圆点要落在这个 两个区间里面,就是偏移,就是可以被接受的。如果这个 h 等于零的这个圆点不在这个 区间内,在外面,在外面呢,说明这个拼音是不能被接受的啊。然后你看最终我们看这个,呃,数值啊,看这个批值,批值要大于 零点零五,就说明这个片也是可以被接受的,明白吧?好,就是这样,其实我们可以把这个,把这个复制到我们一个 co 表里面,然后做一个结论,做一个表头就可以了。