质 量 “ 可 视 化 ” 与 统 计 思 维

    现场质量状况管理和总结某种调查或测量结果的最有效方法就是以图表的形式可视化地说明数据。可视化的目的是澄清当前问题的恶劣程度和缺陷的原因，但数据图表的要点是使用统计方法总结测量结果、将测量结果与过去的性能或标准值进行比较和确定测量值和测量的不足。

    虽然人们知道“三现”（现地、现物、现实）原则的含义，但在实际行为上，人们却往往简化了对事实的观察（在“现场”诊断“实际事物”，确认其所处的“真实性”），而仅根据过去的经验和假设做出随意的判断和决定，这些判断和决定并不十分确定。要改变这种行为，必须回到起点，实证地、逻辑地、系统地思考和行动。为了做到这一点，首先需要通过图表来掌握“现场”和“现实”。

数据图表的主要好处包括以下几点：

（1）提高信息传递能力

 ● 它易于掌握全局，是科学思维不可或缺的一部分。

 ● 图表是许多人感兴趣的一个常用词

 ● 每个人都能获得正确的理解（消除主观性）

（2） 基于未来预测的缺陷规避

    通过分析过去的过渡数据和当前数据，可以预测未来。因此，通过先发制人的管理，可以避免将来可能发生的问题。

（3）为解决问题做贡献（把握解决问题的线索）

 ● 比较大小并澄清差异（例如，问题的严重性或是否存在异常）

 ● 比较造成结果的各类因素的百分比，以了解应该关注的地方

 ● 了解问题的程度和随着时间的推移而改进的情况

（四）培养科学思维

 ● 图文并茂，支持自己的想法

 ● 提高材料的可信度

    基于科学思维的适当决策：您可以量化一切，养成用数字思考的习惯，并使用统计质量控制（SQC）来做你所做的每一件事，这将使你能够根据科学思维做出适当的决策

    为了掌握“领域”和“现实”，并鼓励不依赖于想法或过去经验的判断，因此通过图标实现对变化的可视化非常重要。

变化是指测量值在平均值或标准值之间不规则分布的不规则程度。在这些变化中，有一些变化具有两种含义：“受控变化”和“由于异常引起的变化”。

    当制造相同的产品时，人们很难制作出“一致”的东西。例如，即使您制造100个电容.，引脚的长度为 10 mm，但是所有电容的引脚长度都不完全为10 mm，并导致一些差异，这是很常见的。这纯粹是偶然的变化，在制造中很难避免。调查变异的原因没有多大意义，允许的变化被称为“受控变异”。

    其次，即便是同一个人，使用同一台机器，制造同一种产品，您可能无法制作完全相同的产品，例如，由于材料质量的差异或工作错误。这种变异是“由于异常引起的变异（不受控制的变异）”，可以被人为地消除（减少变异）。这些具有两种含义的变体混淆在一起，因此它们不可能完全相同。我们根据数据观察各种现象，但我们必须始终记住，很多数据总是存在变化。

    抽样是统计学的基本概念之一，是指满足调查对象条件的“集合”，该调查对象试图通过进行某项调查来获得某种结果。换句话说，可以说它是一个群体，是人口普查的目标。统计学可以说是一个逻辑运算系统，它将通过样本获得的知识归因于总体。

     例如，群体是具有可被视为对象的特征（例如引脚的尺寸、钢板的厚度、线材的抗拉强度、电容器的电容等）的个体的集合。如果工厂每小时生产100件产品，那么这100件产品就是一个群体。

     但是，如果生产者想知道在给定的一天中生产的产品的状态，那么当天将有几个产品群体。如果你想知道你的产品在一个月内的表现如何，那么一个月内生产的所有产品将是一个群体。一旦以这种方式确定了总体，就有必要确定总体的平均值和变异。

    此外，当需要进行破坏性测试时，例如材料或组件的寿命测试或强度测试，不可能测试所有每一个产品。因此，我们将从一部分总体中提取样本，并测量和观察它们以了解总体的特性。

    这样，提取的群体的一部分被称为样本。我们真正调查的正是样本，但我们不能忘记，我们真正想知道的是总体的性质。

    然而，即使你收集了数据，如果你不能以统计上有意义的方式掌握它，它也是毫无意义的。那么，统计的思维方式是什么呢？

    当我们试图了解一个群体的特征时，一种方法是收集这个群体的个体特征，即测量值，对这些测量值进行分类，计算平均值、标准差等，并确定这个群体的性质。如果测量整个数量的工作量太大，在经济上不可行，或者如果不破坏就无法测量，那么可能无法测量整个数量。在这种情况下，通过规定的方法提取所需的数量作为样本，并将该样本的平均值计算为代表值，或者根据计算出的标准差判断未测量总体的属性。

     在这两个示例中，我们可以看到前者处理了大量数据并产生了准确的样本。由于样本数量少，后者似乎不太准确。

    为了掌握总体的特征，对每种方法都进行了数据采集和分析，但如果只计算平均值和变异，则不能说进行了充分的分析。即使样本数量很少，如果知道估计总体所需的统计方法，也可以根据统计方法以这种变异为尺度来判断总体的质量特征，而不是简单地计算变异。这意味着根据统计方法，即使是最少的所需样本也足以获得所需的结果。

    可以说，当我们根据统计思路做出各种决策时，有必要积极利用变异来理解总体的特征，而不是简单地计算变异。总而言之，当我们从统计学角度考虑质量时，我们必须主要关注以下几点：

    我们通过测量和其他方式获得的数据各不相同。在所有情况下，都必须通过考虑平均值和变化来判断测量结果，它不是关于单个产品，而是关于整体（集体）的质量。

    如果您获取大量数据并对其进行分层，你就可以很好地了解总体中的变异性。但是，为了管理和改进制造过程，有必要在制造过程中充分掌握过程中的过程波动，并根据过程的变化采取适当的行动。为此，必须要确定过程中随时间的变化。

    但是，在许多情况下，有价值的数据往往并没有按时间顺序呈现，因此您获取的数据常常没有被利用。例如，为了从质量状况中提取有关过程的有价值的信息，在做出各种判断时，将数据视为随时间推移的点移动通常更有效，一种方法是使用控制图，该控制图以图形方式显示每个生产批次中质量特征如何变化。

    因此，在现场质量控制中，重要的是要培养对过程运动的洞察力，并考虑到时间因素。