汽车行业中的统计技术

资深六西格玛咨询专家  周暐

       2002年以来，中国的汽车行业逐步成为一个辉煌的行业，各汽车公司及其零部件供应厂家在中国民众的购车热潮中成为最大的赢家，几乎每个车厂的大部分车型都成为大众的关注，预计这股热潮将伴随着中国经济的持续发展而继续一段时间。

       即使在这种大好形势下，我们必须清醒地认识到，目前的热度是不可能永远下去的。在随着WTO进程的发展，随着百姓的购车水平的提高，国内的汽车行业将会面临巨大的挑战。挑战之一就是：汽车供应链上整车厂和零件供应商如何针对日益激烈的竞争而增加汽车整个供应链的质量管理能力并与国际接轨。

       作为汽车供应链龙头的整车厂，其面临着如何引导和推动整个供应链的质量管理体系发展，共同实现“预防缺陷，持续改进，减少整个供应链的变异和浪费”的目标，最终达到用户满意。而对汽车供应链上的最广大的零部件供应商，其面对的诸多问题之一就是如何应对不同的汽车整车厂的不同的质量管理体系要求。

       从通用、德尔福、丰田、本田等美日领袖型企业的成功经历来看，基于数据驱动的持续改善活动是它们长期保持竞争力的法宝之一。汽车行业一向非常重视数据分析，如早期的行业规范TS16949质量体系的五大工具手册中，就有两类（“测量系统分析”和“统计过程控制”）是专门从统计分析的层面上介绍质量改进的作用和方法。近年来在汽车业界逐步兴起的基于JMP等统计软件的六西格玛运动也体现了这个特点。

       与美日企业相比，中国的汽车行业在这方面的差距非常明显。因为长期以来，中国人习惯了“拍胸脯式”的服从命令的工作模式和“拍脑袋式”的经验导向的思维方式。哪怕有些领导意识到这一缺点，想扭转这一局面，也常常会无奈地发现员工素质差异很大，尤其是不具备相当的统计分析技能。

       幸运的是，信息技术的飞速发展为我们缩小差距、提升质量提供了契机。以高端统计分析工具JMP为代表的桌面式统计软件在奇瑞等国内汽车企业中日益普及，大大减轻了广大非统计专业的工程技术人员的数据计算负担。更重要的是，应用JMP软件提供的图形分析技术、高级试验设计等工具，企业可以用科学客观的分析思路，解决之前长期被困扰的很多实际质量问题，劣质成本成倍下降，生产效率显著提高。

       下面将结合一个成功案例帮助大家理解如何在汽车行业中应用统计技术。

背景介绍：某汽车发动机气缸是由缸体、缸盖、活塞、活塞轴承、连杆、杆轴承和机轴装配而成（如图一所示）。目前令气缸总装车间头痛的是，虽然各个零部件的尺寸都达到原先的规格要求，但总装在一起后总会有相当比例的成品装配过松或过紧，每个批次都要花费大量额外的返修成本。公司虽然已经意识到应该调整零部件的尺寸规格，但却无法确定：调整哪一个或哪几个零部件最有效？该零部件的公差范围又该调整到什么程度最为合适?

           图一  发动机气缸的结构简图

      

       首先，本着量化管理的原则，我们可以将这个产品质量特性定义为装配间隙（ = 缸体 + 缸盖 – 活塞 – 活塞轴承 – 连杆 - 杆轴承 - 机轴）。最终的装配结果不能太松或太紧，也就是说必须将装配间隙的公差规格界定在一定的范围，如[0.005,0.015]之间。

      

       其次，我们再观察一下在各零部件满足当前规格要求的情况下，即缸体～8.50121±0.00468，缸盖～0.70921±0.00219，活塞～2.00156±0.0011，活塞轴承～0.25035±0.00114，连杆～5.00017±0.00327，杆轴承～0.20008±0.00099，机轴～1.74825±0.00249时，装配间隙的质量水平如何。通过专业统计分析软件JMP强大的模拟和图形功能，不难发现此时的不良率达到了4.96%，PPM达到了49600（如图二所示）。

       显然将近5%的装配不良率是无法达到大规模生产要求的，应该从哪里突破寻求改进呢？为了解决这个问题，我们先了解一下总体缺陷率的概念。以零部件“活塞”为例，活塞的长度参数不合适，无非会产生两类缺陷：一是由于参数过大而造成的成品装配间隙过小，即装得过紧；二是由于参数过小而造成的成品装配间隙过大，即装得过松。这两类缺陷不能同时降到最低，只能在某个位置达到总体最小。这个位置就是图三中红色的总体缺陷率曲线的最低点。其他零部件也有类似的总体缺陷率曲线，只不过最低点不同，曲线的陡峭程度不同而已。
       同样，运用专业统计分析软件JMP可以快速方便地制作出如图四所示的所有零部件的缺陷率图。显然，所有零部件的均值都已达到其总体缺陷率曲线的最低点，但缸体的陡峭程度最明显，说明它对装配间隙的缺陷率最敏感，调整它的规格限能够最显著地提高成品的质量水平。
       因此，我们决定将缸体的规格限由原先的8.50121±0.00468缩小为8.50121±0.00234（即标准差减小1/2），其他零部件的规格限保持不变，改进后的结果如图五所示。注意到此时用专业统计分析软件JMP模拟后得到的装配不良率降低到1.76%，PPM降低到17600，与改进前的质量水平相比，效果非常显著。当然，这个结果并不是最最理想的，不过，我们也可以延续刚才的分析思路，一步一步地找到改进的零部件对象进行改善并验证，直到获得令人满意的装配不良率为止。

       以上的案例分析中体现了公差设计的统计分析理念，但在使用统计分析软件JMP实现具体操作时非常简便，不需要特别的统计知识才能理解，而且与传统的试验设计相比，节省了大量的试验数据的收集成本，所以深受国内外汽车企业持续改善实战人士的喜爱。

       统计技术在汽车行业的应用还远远不止这些，中国汽车产业链的整体竞争力提升也不能仅仅依靠统计技术。但不容置疑的是，统计技术为缺乏量化思考的中国企业和员工在解决实际问题时提供了一个新思路、新方法。而且随着统计分析软件JMP的日益普及，从业人员将不再需要死记硬背繁杂的数学公式，不再需要把浪费宝贵的时间在推导计算上，这必然会加速我国汽车质量的突破和创新，早日步入世界先进汽车制造国家的行列。

JMP, 汽车机械, 软件使用, 实验设计DOE, 探索性数据分析EDA