mintab生成DOE验证操作步骤

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。