第5章 采集数据、分析数据与解决问题
概览
正常
成型工艺质量问题解决：数据分析工具培训手册
1.0 引言：为何要用数据解决问题
在现代化的成型工艺（如注射成型和挤出成型）中，面对日益复杂的质量挑战，依赖经验和直觉的传统问题解决方法已显不足。采用系统化的数据分析方法，已成为提升产品质量、预先发现不合格品并高效解决问题的战略核心。它能帮助我们从纷繁复杂的生产现象中剥离出问题的本质，用客观事实指导决策，从而防止大量不合格品的产生，实现稳定、高效的生产。
本手册将为您介绍一套核心的图表分析工具，包括石川图、排列图和散点图。这些工具并非孤立存在，它们共同构成一个强大的问题解决工具箱，旨在系统性地提升质量控制团队和生产线操作员的实践能力，让每一位成员都能运用数据来洞察、分析并解决质量问题。
在运用任何工具之前，我们必须首先理解我们所处理的数据的基本类型，这是所有分析工作的坚实基础。
——————————————————————————–
2.0 基础知识：问题分析的数据基石
高质量的数据是所有分析的生命线。在启动任何分析之前，理解我们所处理的数据类型，并确保数据采集过程的准确性，是至关重要的第一步。如果基础数据存在偏差，那么再先进的分析工具也无法得出正确的结论。
2.2 数据类型：计数型与计量型
在质量控制中，数据主要分为两种基本类型：
• 计量型数据 (Variable Data)：能够通过连续的标尺或量具进行测量的数据，例如长度、重量、温度等。
• 计数型数据 (Attribute Data)：只有“是”与“非”两种可能结果的数据，通常通过计数获得，例如产品是否合格、是否存在某种缺陷。
下表清晰地对比了两种数据类型的特点：
| 计量型数据 | 计数型数据 |
| 测量结果 | 观计数 |
| 示例 | 97.4°F, 16.24 oz |
| 示例 | 是/否, 在线/离线 |
| 测量工具 | 天平, 湿度计, 千分尺 |
| 测量/不测量 | 通过/不通过检查 |
| 标度类型 | 连续标度 |
| 标度类型 | 离散标度 |
在实际工作中，选择测量何种数据，关键取决于产品的功能要求和客户要求。对有意义的数据进行测量，才能为后续的质量改进提供有效的指引。
2.3 数据采集的关键考量
为了确保分析的准确性，数据采集过程中必须考虑以下三个重要因素：
• 测量系统评价：这是数据采集的基石。如果用于采集数据的测量设备本身不精确、不可靠，那么整个分析过程都将变得毫无意义。必须确保测量工具是经过校准且稳定可靠的。
• 采样方法：过程分析的准确性同样依赖于选用合适的采样方法。样本需要能够真实地代表整个生产批次的特性，通常采用随机抽样等方式来保证其代表性。
• 数据处理：在高速数据采集中，常常会使用数据的平均值进行报告。然而，我们必须警惕，使用平均值可能会掩盖加工过程中的某些关键变化。因此，在使用电子数据采集系统时，理解数据的采集和分析方式至关重要，避免因数据处理不当而忽略重要的过程波动。
专家提示：在开始任何抽样计划前，务必先进行测量系统分析（MSA）。一个不可靠的测量系统会让你追逐错误的信号，浪费大量时间和资源。
在掌握了坚实的数据基础之后，我们就可以开始学习如何运用强大的图表工具，来系统化地分析并解决问题。
——————————————————————————–
3.0 工具一：识别所有潜在原因的图表（石川图）
当质量问题出现时，首要任务是系统性地穷尽所有潜在的变异来源，避免遗漏关键因素。石川图（Ishikawa Diagrams），也因其形状被称为“鱼刺图”，正是一系列用于此目的的强大工具。它们提供了一个结构化的框架，帮助团队系统化、全面地罗列出导致问题的各种可能原因，为后续的深入分析奠定基础。
3.2 因果图（鱼刺图）
因果图是最基础的石川图。它的结构非常直观：将需要解决的问题（“果”）放在图的最右侧（鱼头），然后将所有可能的原因作为分支（鱼刺）列在主干上。
以“制品出现空隙”为例，一个简单的因果图可以帮助我们梳理思路。此处罗列的潜在原因，如“冷却太快”或材料“降解”，将成为我们后续进行排列图分析（4.0节）和散点图验证（5.0节）的首要候选对象。
（问题）制品出现空隙
• 冷却太快
• 滞留空气
• 不稳定
• 降解
• 排气不有效
◦ 排气流动
◦ 排气口堵塞
◦ 污染物
◦ 抽真空太慢
关键提示：编制此图时，通过组织专家会诊或团队研讨会，集思广益，尽可能地完善原因列表，这是确保分析全面性的重要一步。
3.3 多变量变化分析图
多变量变化分析图是因果图的一种更系统化的形式。它的构建方式与因果图相同，但其主干分支通常围绕影响加工的几大经典要素展开，确保分析的系统性和完整性。这些要素通常包括：
• 人 (Man)
• 机器设备 (Machine)
• 材料 (Material)
• 方法 (Method)
• 测量 (Measurement)
• 环境 (Environment)
以“注射成型制品尺寸变化”为例，我们可以构建如下的多变量变化分析图：
• 设备
◦ 螺杆设计
◦ 挤出机机筒
◦ 喷嘴设计
◦ 模具设计
◦ 设备控制
• 人
◦ 程序经检
◦ 稳定性
◦ 轮班
• 测量
◦ 量规设计
◦ 准确性
◦ 一致性
• 环境
◦ 模具温度
◦ 相对湿度
◦ 空气流动
◦ 冷却水温度
• 材料
◦ 颗粒密度管理
◦ 给料
◦ 再研磨
◦ 污染
◦ 装料水平
• 方法
◦ 注射速度
◦ 前进压力
◦ 阻滞压力
◦ 阻滞时间
◦ 循环时间
为了进一步深入分析，我们还可以在主干上增加更细的小分支。例如，在“材料”这一主干下，可以进一步细分为“加料问题”、“污染物”、“给料变化”等更具体的原因。
3.4 加工过程分析图表
加工过程分析图表专用于分析按流程步骤进行生产的工艺。它的特点是以一条从左到右的直线连接并标明每一个加工步骤。在每个步骤下方，列出所有可能影响最终制品质量的潜在原因。
以典型的注射成型加工为例，其过程分析图如下：
1. 最初的混合
◦ 杆转速
◦ 污染
◦ 混合时间
2. 在再研磨中的混合
◦ 再研磨百分比
◦ 湿度
3. 混合物干燥
◦ 隔离
◦ 粒子大小
◦ 干燥时间
◦ 湿度
4. 输运加料
◦ 混合物几何形状
◦ 纯度
◦ 材料数量
◦ 湿度变化
5. 成型
◦ 湿度
◦ 压力
◦ 注射速度
◦ 螺杆设计
◦ 模具设计
6. 印刷
◦ 表面条件
7. 包装
◦ (此处未列出原因)
3.5 优势总结
上述三种图表虽然形式略有不同，但它们共同的核心优势在于：
1. 实现系统化的渐近解决问题的目的，确保分析过程有条不紊、逻辑清晰。
2. 为将来提供很好的参考，将解决问题的经验和知识固化下来，使未来处理类似问题时更便利、快捷。
3. 确保所有因素都被考虑到，通过结构化的框架增强分析的全面性，避免因遗漏而导致决策失误。
专家提示：
• 当需要快速进行初步头脑风暴时，选择基础的因果图。
• 当怀疑问题是系统性的，与标准生产要素（人、机、料、法等）相关时，使用多变量变化分析图。
• 当缺陷可能与特定的制造步骤或工序顺序紧密相关时，应采用加工过程分析图。
在识别出所有可能的原因之后，下一步的关键是找出哪些是导致问题最主要的原因。这时，我们需要另一个强大的工具——排列图。
——————————————————————————–
4.0 工具二：聚焦关键少数的排列图
在许多生产过程中，绝大多数的质量问题往往是由少数几个关键原因引起的。排列图（Pareto Chart）正是一种帮助我们从众多琐碎因素中识别出这些“关键的少数”的有效工具。它能帮助团队将有限的资源和精力集中在影响最大的问题上，从而实现事半功倍的改进效果。
4.2 排列图的构建与解读
排列图本质上是一个特殊的柱形图，它将导致问题的各种原因按发生的频率从高到低进行排序，从而清晰地区分出主要因素和次要因素。
让我们以“注射成型制品在一个24小时周期内的缺陷”为例。首先，我们需要将收集到的缺陷数据按数量从高到低重新排列：
表：注射成型制品的缺陷（重新排列后）
| 等级 | 缺陷类型 | 缺陷数 | 百分比 |
| (1) | 空隙 | 78 | 52.00% |
| (2) | 其他 | 26 | 17.33% |
| (3) | 缩痕 | 23 | 15.33% |
| (4) | 飞边 | 12 | 8.00% |
| (5) | 属套 | 4 | 2.67% |
| (6) | 开口 | 2 | 1.33% |
| 总计 | 150 | 100.00% |
基于上表数据，我们可以绘制出排列图。其构成要素如下：
• 横轴：代表不同的缺陷类型，按发生频率从高到低排列。
• 右边纵轴：表示每种缺陷类型的具体数量。
• 左边纵轴：表示缺陷百分比。
• 黑实线：表示累积百分数，显示从最主要原因开始，各项原因累计占总问题的百分比。
通过解读此图，我们可以清晰地看到：
• 柱形高度：最高的柱形是“空隙”，其次是“其他”，表明它们是发生频率最高的问题。
• 累积百分比曲线：曲线显示，“空隙”和“其他”两项缺陷加起来，已经占到了总缺陷的近70% (52.0% + 17.33% = 69.33%)。
这个结论为我们指明了改进的方向：集中精力解决“空隙”和“其他”这两类问题，将能最有效地提升产品质量。
专家提示：请注意，“其他”类别有时会掩盖一组相关的重大问题。如果“其他”是一个主要贡献者（如本例所示），那么下一步行动就应该是对“其他”类别中的缺陷进行细分，并制作一个新的排列图，以揭示其背后真正的根本原因。
4.3 排列图的核心优势与应用
排列图具有两个显著的优势：
1. 它不会掩盖引起问题的一些重要原因。通过直观的排序，确保最高频的问题无所遁形。
2. 它能清晰地表明实行改进措施后的结果。在实施改进后，再次绘制排列图，可以直观地对比前后变化，验证改进措施的有效性。
应用要点：在使用排列图时，用纵轴表示缺陷数（而不仅仅是百分比）非常重要。因为这能更真实、更清晰地展示改进措施带来的实际效果。例如，即使某个缺陷的百分比下降了，但如果总缺陷数也在下降，那么该缺陷的绝对数量可能没有改变。用绝对数量更能衡量改进的真实成效。
排列图已经告诉我们什么是最常见的缺陷（例如，“空隙”）。现在，我们必须使用散点图来调查和确认导致这些“空隙”的疑似原因（例如，机筒温度真的会影响空隙的发生率吗？）。这将引导我们从问题识别转向根本原因的验证。
——————————————————————————–
5.0 工具三：验证因果关系的散点图与相关表
在识别并优先排序了问题的主要原因后，解决问题的关键一步是科学地验证这些假设的因果关系。散点图和相关表就是用于直观展示和量化两个变量之间关系强度的有效工具，它们能帮助我们确认某个“原因”的变化是否真的会引起“结果”的相应变化。
5.2 散点图
散点图是一种非常简单的图表，它以横轴表示原因（自变量），纵轴表示结果（因变量），通过绘制一系列数据点来观察两者之间的关系模式。
例如，对于挤出机机筒温度对制品脆性的影响，散点图可以清晰地揭示其关系。根据图5.6所示，数据点的分布趋势清楚地表明：随着机筒温度的提高，制品的脆性也随之增加。这种清晰的视觉关系为我们调整工艺参数提供了有力的依据。
5.3 相关性分析
散点图中的数据点分布模式揭示了变量间的相关性，主要有以下三种类型：
• 正相关 (Positive Correlation)：结果随原因的增加而增加。
◦ 强正相关：数据点紧密地聚集在一条上升的直线周围，分散度很小（图5.7a）。
◦ 弱正相关：数据点虽然整体呈上升趋势，但分布较为分散（图5.7b）。
• 负相关 (Negative Correlation)：结果随原因的增加而降低。
◦ 强负相关：数据点紧密地聚集在一条下降的直线周围（图5.8a）。
◦ 弱负相关：数据点整体呈下降趋势，但分布较为分散（图5.8b）。
• 不相关 (No Correlation)：数据点分布杂乱无章，看不出原因和结果之间有任何明显的关系（图5.9）。
为了更精确地描述这种关系，我们可以使用相关系数（r）。它的取值范围在-1到+1之间：
• +1：表示完全正相关。
• -1：表示完全负相关。
• 0：表示完全不相关。
5.4 相关表
当数据量很大，并且有许多数据值相同时，使用相关表是散点图的一种有效替代方法。它将两个变量的数据分组，并在表格中记录每个交叉区域内的数据点数量。
例如，下表展示了模具温度与制品翘曲量的关系：
表：模具温度与翘曲量关系
| 翘曲量/mm | 100°F | 110°F | 120°F | 130°F | 140°F | 150°F | 数据个数 |
| 2.0 | 0 | ||||||
| 1.8 | 0 | ||||||
| 1.6 | 卄 | 2 | |||||
| 1.4 | △ | 7 | |||||
| 1.2 | △ | 卄 | 8 | ||||
| 1.0 | △ | 卄 | 卄 | 10 | |||
| 0.8 | △ | 卄 | 卄 | 卄 | 8 | ||
| 0.6 | △ | 卄 | 卄 | 8 | |||
| 0.4 | △ | 卄 | 卄 | 3 | |||
| 0.2 | △ | 卄 | 4 | ||||
| 数据个数 | 2 | 4 | 5 | 4 | 4 | 4 | 50 |
| (注：表中符号为计数符号，代表落入该单元格的数据点数量) |
通过观察表中数据点的分布，我们可以得出结论：随模具温度的升高，翘曲量呈现减少的趋势。
本手册介绍的石川图、排列图和散点图共同构成了一套系统的问题解决方法。然而，所有这些分析的成功都依赖于一个共同的基础——可靠的数据记录。
——————————————————————————–
6.0 附录：数据记录的基础——检查表
所有数据分析工具的有效性，都建立在准确、系统、高效的数据记录之上。检查表（Check Sheet）是记录数据最基础、最灵活、也是应用最广泛的方式。它能确保以最小的出错机会采集到最有效的数据。
6.2 检查表的应用
检查表的设计和使用非常简单，但其作用却至关重要。
• 优点：制作容易，方式灵活，能适应各种数据采集需求。
• 设计要点：
◦ 包含相关信息：一份好的检查表应包含数据采集者的姓名、日期、时间、所用设备、研究目的等背景信息。
◦ 采用竖直栏记录：为了减少抄写和读取数据时出错的概率，应采用竖直栏来记录数据。
◦ 留出备注空间：用于记录采集过程中的异常情况或特殊说明。
检查表可以灵活地应用于不同类型的数据记录：
• 记录计量型数据： 如下例所示，一张检查表可以同时记录一个产品的多种测量值，如管的长度、外径和内径。
• 记录计数型数据： 用于统计不同类型缺陷发生的次数，是制作排列图的数据基础。
6.3 总结
本手册为您介绍了一套系统化解决质量问题的方法：
1. 从使用石川图开始，全面识别所有潜在原因。
2. 接着使用排列图，从众多原因中聚焦关键少数。
3. 然后通过散点图或相关表，科学验证因果关系。
请牢记，所有这些强大的分析步骤，都始于像检查表这样简单而可靠的数据记录。
希望您能将这些工具积极应用于日常工作中，养成用数据说话、用数据决策的习惯。当数据被有效利用时，它将成为您手中提升质量、优化工艺最锋利的武器。