1、金属板成型时易变原因的验证 卡尔马杰斯卡 美国安娜堡大阪街701号密歇根大学商学院帕德里哈梅特 摘要：生产商用传统的流程控制图程序来检测金属板冲压成型过程时常会这样处理：失控信号意味着冲压成型工序发生了改变，然而在可控或失控的条件下，金属板冲压成型控制进程在流程变量输入设置里并没有必要的校正。结果信号常常被忽略，生产商常常不明白那些变化已经对成品产生了什么样的影响。我们用一个预定实验来定量分析金属板冲压成型变量对进程改变的影响。我们把冲压成型变量分为三部分：局部间、批量间和批次内三个变量，局部间变量指的是短期的既定的平稳变量或趋势批次变量，批次间的变化代表的个别批次的变化之间的冲压模具设置。批
2、次内变量代表的是在一个既定的批次运行中任何运转进程。借助于二位嵌套变量模型分析，制造商可能会估测这三个变量。将变量分为三种并假以分析之后，制造商会在变量削减计划中验证对策是否合理。并且，通过验证短期变量制造商可以预测潜在流程的可行性和平稳进程的固有变量。我们通过运用汽车车身侧面面板案例分析来着重阐述一下该研究法。关键词：变量分析, 特定实验, 运动批次法 ,金属板冲压成型 ,变量削减1 引言大部分客车均是由100到150个冲压成型金属板构成，从小的已成型的安装支架到大的复杂的金属板（比如防护板、车盖和车身面板），用了叙述成型面板的质量特点指的是性能的集合（诸如剪边和用了集中多金属板板的宽底）。
3、用来测量金属板材质的典型方法是测定它沿着制定平面设计规范的背离度。金属板冲压过程的特殊特点下定量分析金属板材质构造变化的分析方法论。 对于每一个机动车身面板来说，金属板冲压成型过程需要两种独特类型的装备：冲压机和打印模，打印模指的是用来制作特殊形状产品的常规生产设备；冲压机指的是灵活的生产设备。通过简单改变例如在车前部的前后或在车中心的里外。（罗恩和胡）这个分析研究法提供了在打印模，冲压机就能生产出多种不同的机动车身面板，为此一个特殊的冲压机能生产出一批独立的面板，使打印模的安装在控制流程方面更加关键。为了监测车身面板的质量，大部分制造商采用统计分析模型，例如SPC(统计过程控制)。沿用SPC
4、，生产流程包括两款变量：一般起因和特殊起因。普通起因变量指的是当所有的输入变量保持平衡时产出过程中固有的变量。特殊起因变量指的是产品变量的增加超过了普通起因变量。生产商通过控制图上的失控信号检测特殊起因变量。生产者必须能调整流程来校正失控条件和消除相关特殊起因变量。在改变打印模后很多北美制造商的冲压设备在控制平均变化的打印模设定时缺乏细节方面的关注。当开始生产批量面板的时候，生产商会评估面板样本来创建SPC分组。如果这个子分组测算失控，冲压流程没有简单的调整机制来改变性能维度。在调整流程方面的无能已经让在冲压工序方面运用SPC的北美汽车制造商倍感沮丧。为此制造商必须持续的调整他们的下游流程来弥
5、补在冲压钢板形状的改变。不过日本的冲压设备就能通过优质结构的冲压模改变流程来避免失控情况。通过消除那些设置的失控条件，日本的制造商有能力清除传统的控制流程图。2 冲压钢板质量的测量和提高制造商用控制图来分析产出过程中的稳定性。X棒表和R表是汽车行业运作协会广泛使用的用来绘制长期的拥有偶发特征（例如钢板与正常测量的偏差）的产品图纸的方法。X棒表跟踪样本均值来探测流程中的改变。R表作为流程变量测试仪来跟踪样品。随着时间的推移，当大量的统计技术能设定一个平稳的流程时，一些人士却已经解决了非稳定流程问题。武道儿和托马斯提出的追踪生产流程的X棒的普通起因变量有两个来源：它们也体现了一个模型，这个模型有第
6、三个变量：测量错误。武道儿和托马斯慎用他们的技术“直到所做的努力清除了每一个普通起因变量来源才”。苏罗和范德芬运用运行变量对该流程进行了研究，通过假定二次损失函数和0-1损失函数，他们提出了分析法来为生产流程设定。金属板特性质量评定包括测量工序能力测定，主要指在规格上限(USL)和规格下限(LSL)以内生产产品，即是设计标准。布雷佛歌提出了Cp和Pp两个潜在流程的测量。按照设计规范各部分的比例值是独立的，有如下关系Cp = Pp=(USL-LSL)/ 6x (1)两个指数的不同在于相关流程稳定性的假定和评价标准差方法的运用。Cp假定了一个可控工序流程；而Pp则是长期的能力指数，它不要求标准稳定
7、性的假定。在Cp里面，生产商可以评估生产流程的标准差和样本的标准，并拿它们作比较S。S=x= R /D2.。对于PP ，生产商需要从整体工序中拿出样本，把工序的标准差与样本标准差作对比得出x = S.3 金属板冲压过程的特点在冲压线通过单个或多个冲压，金属板需要多膜操作。冲压模和冲压机有多个能影响冲压钢板质量的输入变量（例如吨位、闭合高度、冲压平行、平衡压力、冲压模氮压、冲压速度等），尤其是在冲压模设置过程中。在组合版生产过程中，运用相同的冲压设定，一个特定的冲压膜一旦设定就会减少整体过程的变量。不幸的是，制造商并不能很好的发现和领悟金属几何板结构里大量冲压设置跟输入过程要素之间的关系。例如在
8、整个金属板成型过程中很多输入变量都是一个单一的值。然而个别面板在不同方面有多元化特性，这些特性必须通过相同系列的输入变量设置来控制。当SPC显示某些特性失控时，把生产工序恢复到目标值就不可能了，尤其是当别的特性没有发生改变时。另外，在金属板特性里过程输入变量是没有因果关系的。例如，增加吨位在金属板特性里引起的改变没有加工过程中的明显，不过调整切割工具的方位对生产工序有客观的影响。哈梅特，瓦尔和巴伦阐述了简单的输入变量调整的缺失是如何激发机身制造商运用函数概念的，这些输入变量是用来调整生产过程的。函数构造（吗杰斯克和哈梅特，2000）包括：评定在下游集装工序里变量的影响后才决定完善冲压模。大量的
9、潜在重要变量已经使调整输入设置的缺失更加复杂。大量的案例分析阐述了金属板冲压跟过程输入变量之间的复杂关系。谢克尔克（1986）将大量生产的薄金属板成型描述为是一种“艺术”，用两个特定实验来分析了冲压过程中成品的质量跟输入过程的关系。谢克尔克发现了五个过程变量的重要性：空白的大小、空白的位置、润滑、压边力、金属板厚度。周和曹验证了冲压门内工序，还验证了金属板成型中的两个变量：运转内变量和运转间变量。他们研究了在运行内三个过程变量的影响。运用既定实验，他们验证了三个变量的影响程度，提出了能更好控制和削减运行内变量54%的方法。王和汉克也研究了门内冲压工序，他们验证了金属板冲压过程中的十五个变量的影
10、响，他们得出如下结论：影响金属板无裂缝成型的三个变量是金属表面本身的粗糙度、冲压设备的外吨位、润滑度。贝利（1996）讨论了金属板的构成和金属板冲压质量的关系。他指出日本的制造商一般用统计控制的方式来运转他们的冲压过程，而美国的制造商则非如此。贝利指出制造商从相同的源头购买金属，而美国的制造商强调从非金属相关的变量上来提高质量。总之，大量的潜在重要输入变量并没有被很好的理解和控制。例如，输入变量的因果关系常常是未知的。该调研以在输入变量中发现的典型变量为基础，提出了定量分析产品产出变量的方式，而非探索冲压参数和钢板几何结构之间的关系。它提供了一个用来决定变量削减是否必须的一个分析攻击。4 模型
11、发展通过减少一些冲压模和植入一些别的冲压模，制造商用相同的冲压机生产出了许多不同的钢板。冲压过程中放置一些冲压模就是通常所说的冲压模设置。冲压模设置包括设置冲压模过程变量，例如闭合高度和压边力。因此冲压模设置强调了冲压过程的再配置。伴随着冲压模设置而生产的部件的数量就叫一批 图1 冲压工艺数据（注：水平线代表一批手段）图1 展示了一个来自批量生产过程中的数据，每一批量都有自己的方法，从长期看，批量方法能随机的改变一些整体生产工序。整体生产流程和设定的正常值或目标值之间的差异代表了生产过程中的平均偏差。我们把关于当时工序的变量定义为固有变量。4.1 总体过程（TP）TP代表着被顾客感受到的长期产
12、出，这个变量代表着质量特征变量的所有来源。对于金属板成型，历史数据展示的是TP会按正常的分配而不是一个工作的假定。TP的期望值代表了长期生存过程中产品质量的平均值，ETP = TP = x .TP变量VarTP =TPTP=xx。代表了传递到下游工序和消费者的变量。当为了实现工程规格而评定冲压能力时我们就会用到TP变量。4.2 批量过程（B）大量的冲压工序变量会影响到单一的批量工序，冲压工和冲压模设置人员常常无法每次都进行同样的冲压工序设置。控制输入变量的一些困难（金属材料或润滑度）都可能影响到批量工序，因此我们的模型过程代表了随机变量，每一个批量Bi代表了第i批量的平均数。假定相等的批量规模
13、，B的期望值跟长期工序平均数是相等的，即EB = ETP.变量B代表着跟批对批流程转换相关的金属板变量，即VarB = BBBB43 批量内方法（PP）尽管Bi代表了第i批金属板冲压工序的平均值，这个模型允许批内工序的非稳定性。即是它允许非速成的动态批量方法，批内工序改变被认为是输入改变和流程参数改变（例如在购进的材料中金属材质的差异）或因为氮气罐泄露而导致冲压模压力改变造成的。我们让WB代表即时平均数或金属板批量冲压工序平均数，作为从整体批量平均数的偏差Bi，即EWB = 0。在一个批量中WB变量包括所有的批量工序改变Bi。因此，批量内变量VarWB = VarBi =WBWB。代表着批量内
14、工序变量。4.4 PPPP代表着给固有变量赋予一个特定的值，我们假定冲压工序在一定条件下正常分配，即时给现有的批量工序一个特定的值，该生产工序生产出正常分配的产出。PP变量旨在干扰变量捕获干扰变量，干扰变量常被看做是正常生产运作的一部分。PP变量的期望值是EPP = 0。VarPP = PPPP。PP变量代表的是TP变量的潜变量或TP变量的程度，而这些都是通过消除批量内工序变量和批量对批量工序变量可以实现的。4.5 变量模型的源泉该模型假定变量是附加的即TP = B +WB+PP。我们进一步假定各要素是独立的，由方差派生模型TPTP= BBBB+ WBWB+ PPPP 。PP变量在该模型中代表
15、的是短期过程变量。如果制造商想要控制冲压过程，PP方差将等于TP方差，等式CPP = （USL LSL）/6PP （2）与Pp相结合评定冲压 过程的能力，Cpp代表的是潜在的能力，制造商将会通过控制过程标准值来获取Cp的水平。5 评估模型参数我们提出用既定实验或DOE来评估变量成分。然而关于该模型的性质，抽样方案不可能是完全随机的。抽样方案应该更加贴近控制图标合理抽样，即是从总流程中获取连续的部分。该模型并不要求查看样品是连续件的，他们应当从相对短的间隔获取。例如每隔一个或每隔两个选一个。当进行该实验时，我们应当让工序按照它本来的方式运行，制造商不应当尝试影响金属板变量的任何工序，估计模型参数，我们提出从吧b批量或冲压模设置里进行观察。从多批量里抽样将会允许估计批量对批量方差，在批量内或在冲压模设置里，制造商应当不同时多次采样，来评估批量内方差标准值。最后，每次过程采样时制造商应当采样n尺寸的，N=bsn。运用对应的变量X，这种方法将会产生形式数据：Xijk, i = 1, . . . , b (batch),j = 1, . . . , s (sample
