QM-3 设计质量控制

1 设计质量

设计质量概述

朱兰的质量三部曲：计划、控制和改进

• 质量计划：设计顾客想要的产品/服务，以及制造和传递给顾客的过程
• 质量控制：专注于维持目标质量水平
• 质量改进：使产品/服务、过程的质量更好

ISO的产品质量:

• 市场调研质量：与确定产品需要有关的质量；
• 设计质量：与产品设计有关的质量；
• 制造质量：与产品设计的符合性有关的质量；
• 顾客使用质量：与产品保障有关的质量。

设计：将顾客的需求转换为详细功能的过程。
设计质量：所设计的产品/服务满足需求的程度、易于制造和维护的程度、对生态环境保护的程度等。

***稳健性

• 稳健性(Robustness)：产品的抗干扰能力。在各种因素的干扰下，产品质量特性的波动小，稳健性就高。如某因素发生变化，但产品质量不受影响，则称产品对该因素的变化具有稳健性。是统计概念。
• 稳定性：一个处于平衡状态的系统，受到外因影响时，系统能保持原来状态，或者能自己返回原来的状态。是工程概念。

产品质量设计模型：
设计参数(即可控因素)、误差因素(或噪音因素)、信号因素(即输入因素)、质量特性(即输出特性)
产品的质量特性值$y=f(x,z)$, 设计参数 x 和误差因素 z 。
如果通过一组的实验，观测到产品质量特性的一组值，这样就可以计算该组均值和标准差：

• $\overline{Y}={\sum }_1^N{Y}_n/N$
• $S=\sqrt{\frac{1}{N-1}\sum (Y_i-\overline{Y})}$

为了稳定产品性能，就应该使设计结果满足

• 条件1：$\overline{Y}=目标值Y_0$
• 条件2： $S<\frac{1}{k}|∆Y|$

***田口方法

减少质量变异

• 消极方式：限制产品的使用环境，使用更高等级的组件。
• 积极方式：提高产品适应外部环境变化和抵抗内部干扰的能力。

传统设计思想：只有质量最好的零件才能组装成最好的整机；只有最严格的工艺条件，才能制造出质量最好的产品。成本越高，质量越好，可靠性越高。
田口玄一：产品质量并非靠检验得来，也不是加工过程控制得来的，而是设计出来的。最贵的、高等级的、一致性好的的零件，并不能组装出稳健的整机。成本最高，并不一定质量最好！产品抗干扰能力的强弱，取决于各种参数的搭配，搭配不同均值则不同，波动也不同。

田口方法（稳健设计）：把顾客的要求转化成设计参数，通过系统设计、参数设计和容差设计三个阶段，利用正交试验来确定参数的最佳水平组合，使最终生产的产品保持物美价廉且性能稳定。

田口方法能够处理连续、离散或非数值型的设计变量，且设计过程中对模型的连续性和可微性等要求不高，从而可求解较为复杂的设计问题。此外，通过对正交试验的统计分析，可以定量地确定各参数对质量的影响。

田口方法的目的：产品质量稳定，波动小，对噪声不敏感。
田口的质量观：设计不好的产品出厂后，会给社会带来损失，包括直接损失如空气污染、噪声污染等；间接损失，如顾客不满意等。
质量损失函数$L(y)$：实际质量$y$偏离目标质量$y_0$

降低损失

• 减少变异：稳健设计，即找出最稳健的因素水平搭配。
• 减少偏倚：灵敏度设计：通过调整调节因素的取值，在尽可能小增加变异的情况下调到目标值。

稳健性指标：信噪比$\eta =S/N$， S为信号功率，N为噪声功率

• 望目特性: $L(y)=k(y-y_0{)}^2：\eta ={\mu }^2/{\sigma }^2$
• 望小特性: $L(y)=k{y}^2：\eta =1/({\mu }^2+{\sigma }^2)$
• 望大特性: $L(y)=k/y^2：\eta ={\mu }^2/{\sigma }^2$

田口设计三阶段

• 系统设计：也称基础设计，综合考虑产品的结构、性能、寿命、材料等，以探讨如何最经济、合理地满足用户要求。
• 参数设计：运用正交试验等方法，通过多因素的优先方法来考察三种干扰对系统质量的影响，寻求零部件参数的最佳组合，使质量最稳健，且成本低。探求影响因素水平的最佳搭配，使质量平均水平达到设计要求，使质量指标的变异性达到稳健性要求，包括内外表设计和分析信噪比。
• 容差设计：将各组件自身的波动控制在一定范围内。首先，按参数设计确定的最佳水平组合取值，若选用低成本组件，系统质量的波动有多大？其次，各因子的各水平确定后，将误差因子分配给选定的正交表，判断哪些误差因子对质量特征值贡献大，贡献大的要选用质量等级高的组件。

2 正交试验

正交试验概述

试验设计（DESIGN OF EXPERIMENT，DOE）：通过对产品质量、工艺参数的量化分析，设计实验，寻找关键因素，发现如何控制各种影响因素，从而提升质量。

全面试验：如果某产品的质量受6个因素的影响，每个因素有5个水平，则有5^6=15625次试验。
正交试验设计(Orthogonal experimental design)：挑选出部分有代表性的均匀分散、齐整可比的点进行试验，是一种高效率、快速、经济的实验设计方法。

例：3个因素3个水平
全面试验：每个交叉点。3个因素3个水平是 $3^3=27$次试验。
简单对比法：变化一个因素而固定其它因素。单一数据的简单比较，误差较大。7次。
正交试验表：均匀分布地选择具有代表性的点。3行3列共9个平面，每个平面每行每列的选点一样多。9次。

1. 正交表$L_a(b^c)$中的列数c≥(因素所占列数+交互作用所占列数+空列)
   • $L8(2^7)$：最多可安排7个因子，因子的水平数为2，试验次数8。
   • $L16(2\times 3^7)$：有1列2水平，7列3水平，做16次试验。

2. 自由度：总自由度=a-1 ≥（因素自由度+交互作用自由度+误差自由度）

3. 试验次数=Σ(每列水平数-1)+ 1
   • $L8(2^7)$中，7*(2-1)+1=8；
   • $2\times 3^5$，至少5*(3-1)+1*(2-1)+1=12

正交性：
任一列中，各水平都出现，且次数相同；
任两列中，各水平的所有组合都出现，且次数相同。
均匀分布，齐整可比。

• 等水平正交表$L9(3^4)$
• 混合水平正交表$L16(4^4\times 2^3)$

***正交试验步骤

1. 试验目的

2. 试验指标

3. 选因素、定水平

4. 选正交表：尽可能选择较小的试验次数，
   各因素及交互作用的总自由度要小于所选正交表的总自由度。

5. 表头设计

   • 把因素及相互作用，分别排到正交表的各列中。
   • 不考虑相互作用时，因素可以随机排到各列。
   • 考虑相互作用时，要防止混杂。
   • 实验号，并非试验顺序，可随机安排。

6. 进行试验

7. 试验结果分析

***极差分析

确定影响因素的优水平组合和主次顺序。
极差代表波动，波动越大，影响越大。

n为总试验次数，m为水平数 ，r为水平重复次数
$K_{ij}$表示因素j在i水平下试验结果之和
$k_{ij}$表示因素j在i水平下试验结果均值= $K_{ij}/r$
因素j极差$R_j=max(k_{ij})-min(k_{ij})$，表示因素j变化的幅度，决定因素的主次顺序。

举例：

• 多指标正交试验
• 混合型正交试验

极差的折算：当各因素的水平不一致时，水平数多的，极差可能大一些，需要折算。
d折算系数
折算极差：$R’=dR{r}^{0.5}$
每个水平试验的重复数$r=n/m$；

交互作用：交互作用对指标有影响
2级交互:AXB；3级交互:AXBXC
交互作用当因素来看，可以占$(m-1)p$列，m为因素的水平数，p为交互级数。
一般原则：

• 忽略高级交互作用
• 有选择地考察1级交互
• 试验允许的条件下，试验因素尽量选择2水平。

有交互的表头设计：严格按照交互作用列表进行安排，重要的因素、涉及交互作用多的因素，优先安排。

***方差分析

极差分析

• 优点：工作量小，通俗易懂。
• 缺点：
  • 不能区分试验结果的差异是因为因素水平不同，还是由于试验误差引起；
  • 不能判断因素的作用是否显著。

总偏差$S_T={\sum }_{i=1}^n(x_i-\overline{x}{)}^2={\sum }_{i=1}^n{x}_i^2-\frac{1}{n}({\sum }_{i=1}^n{x}_i{)}^2$
记$Q_T={\sum }_{i=1}^n{x}_i^2,P=\frac{1}{n}({\sum }_{i=1}^n{x}_i{)}^2$
则：$S_T=Q_T-P$
偏差$S_T$越大，说明试验结果的差异越大：可能是因素水平变化引起；可能是试验误差引起。
因而需要计算因素水平与试验误差。

$X_{ij}$表示因素A第i个水平第j个实验的结果（i=1,2,…,na, j=1,2,…,a)
${\sum }_{i=1}^{n_a}{\sum }_{j=1}^a{x}_{ij}={\sum }_{k=1}^n{x}_k$
因素偏差$S_A=\frac{1}{a}{\sum }_{i=1}^{n_a}({\sum }_{j=1}^a{x}_{ij}{)}^2-\frac{1}{n}({\sum }_{i=1}^{n_a}{\sum }_{j=1}^a{x}_{ij}{)}^2=\frac{1}{a}{\sum }_{i=1}^{n_a}{K}_i^2-\frac{1}{n}({\sum }_{k=1}^n{x}_k{)}^2$
记$Q_A=\frac{1}{a}{\sum }_{i=1}^{n_a}{K}_i^2,K_i={\sum }_{j=1}^a{x}_{ij}$
则：$S_A=Q_A-P$
$K_i$表示第i个水平a次试验结果的总和；
$S_A$反映了因素A对试验结果的影响。
同样对其它因素、交互作用计算。

方差分析：将偏差分成因素偏差与误差偏差，构造F统计作F检验，判断是否显著。

• 总偏差平方和：$S{S}_T=S{S}_{因素}+S{S}_{空列（误差）}$
• 误差：$S{S}_e=S{S}_{e1}+S{S}_{e2},f_e=f_{e1}+f_{e2}$
  • 空列误差：$S{S}_{e1}$
  • 重复试验误差：$S{S}_{e2}={\sum }_{i=1}^n{\sum }_{t=1}^S{x}_{it}^2-\frac{1}{S}{\sum }_{i=1}^n({\sum }_{t=1}^S{x}_{it}{)}^2$
• 调整方差：$M{S}_{因素}=\frac{S{S}_{因素}}{f_{因素}},M{S}_{误差}=\frac{S{S}_{误差}}{f_{误差}}$,两个偏差项数不一样，需要调整到平均意义下可比。
• 总自由度$f_T=f_{因}+f_e=n-1$，因素自由度$f_j=m-1，f_{AXB}=f_A\ast f_B$

要研究的问题是因为因素的不同水平引起，还是随机误差引起？

• 假设：$H_0:u_1=u_2=\cdots =u_n$
• 如果因素i的各个水平的差别不显著，则接受$H_0$ ；
• 若因素i至少有两个水平的差别是显著的，则拒绝$H_0$。
• 当有显著差异时，因素对指标才有影响,否则就是因为随机误差引起的差异.

构造F统计量：$F_{因素}=\frac{M{S}_{因素}}{M{S}_{误差}}$，查表$F_a(f_{因},f_e)$

列方差分析，作F检验：

• 若$F<F_{0.05}(f_{因},f_e)$,则接受假设$H_0$，该因素是不显著的。
• 若$F>F_{0.05}(f_{因},f_e)$,但$F<F_{0.01}(f_{因},f_e)$,则该因素显著的
• 若$F>F_{0.01}(f_{因},f_e)$,则该因素高度显著的

注意：

• 应留出一定空列，以计算误差偏差平方$S{S}_e$和偏差自由度$f_e$。
• F检验的灵敏度要求$f_e$ ≥ 2。
• 检验前若$M{S}_{因}<2M{S}_e$,可将因素和交互的偏差平方和、自由度并入误差的偏差平方和和自由度，以提高检验的灵敏度。