论文部分内容阅读
中图分类号：U466 文献标识码：A
0引言
为展现运动时尚色彩，开拓多元化市场，汽车车门更加青睐高亮黑元素。高亮黑车门结构通常分为欧式导槽加外饰板、辊压窗框加高亮黑膜及一体式车门套色等方案。由于辊压窗框具有较高的材料利用率等成本优势，越来越多的车企采用辊压窗框加高亮黑膜的配置。
车门辊压窗框是由辊压导轨通过保护焊拼接而成，焊缝位置处于热变形影响区，焊缝凹凸属于系统性结构问题。常规做法是使用亚光膜遮瑕，而高亮膜则会放大外观缺陷，因此相较于常规车型，辊压窗框的外观要求更高，这对车门辊压窗框的工艺、模具、设备以及加工过程等都是严峻的挑战。为提高效率和产能，降低质量损失，本文使用DOE分析方法对焊缝外观的工艺进行研究。
1 Minitab和DOE概述
1.1 Minitab简介
Minitab是一个全方位的统计软件包。它提供了普通统计学所涉及的所有功能，如假设检验、相关与回归、列联表和多元统计分析等。该软件包还包含了丰富的质量分析工具，如统计过程控制、试验设计和测量系统分析等，这些内容都可以在软件中轻松实现。同时Minitab能够绘制直方图、散点图、时间序列图以及曲面图等统计图形，生动形象地显示数据分析结果。
1.2 DOE简介
试验设计（DOE）是一种规划、实施、分析和研究的方法，可用于分析阶段的因子筛选和改进阶段的因子优化。DOE通过规划和实施一系列试验，以控制自变量X的变化来观测和确定响应变量Y变化。其目的有两方面：一是分析出哪些自变量X显著影响Y;二是确定这些自变量X取什么值时将会使Y达到最佳。
全因子试验设计是DOE试验方法的一种，是所有因子所有水平的所有组合都至少进行一次试验的设计，试验次数较多，分析精度较高。通过模型分析解释可以找到Y与X的函数关系，给出X的最优解，并预测Y的最佳值是多少以及在什么范围波动。
2车门辊压窗框产品和工艺简介
2.1輥压窗框产品结构
车门辊压窗框是由辊压导轨与;中压或辊压件拼接而成。这2个零件的弧面搭接会产生凹陷和面差，设计阶段需要检查零件数模搭接面;开发阶段需要根据加工工艺的影响，对辊压导轨的截型和弧面做工艺补偿。
2.2辊压窗框生产工艺
车门辊压窗框工序过程长，生产工艺复杂，要经过辊压、拉弯、冲压、包边、切角、焊接和打磨等多种工序（图1）。根据外观要求不同，车门辊压窗框生产线的工艺、工装和设备也会有较大的区别。
2.3工艺难点
车门辊压窗框的每个生产环节都可能造成外观缺陷，外观能力提升需要做全工序的提升。在经过几个车型的迭代升级、生产工艺和过程管理的系统改善后，我司对高亮膜发起终极挑战。而摆在面前的最大难题是焊缝凹凸（图2）。
焊缝凹凸属于产品结构上的工艺难点，切角工序根据上框和B柱的型面和轮廓来调整切角尺寸;角焊工序匹配切角工序件的型面并进行拼焊;打磨工序最终把焊缝打磨平整（图3）。为提高效率并减少外观不良品，既需要提高工序件尺寸稳定性，又需要改善总成工艺。
3全因子试验设计与分析
3.1试验设计目的
公司的使命是为客户提供更加优质的产品，而目前某车型辊压窗框角焊区域凹凸问题不良率14%，引起客户投诉。需要解决的问题是：角焊区域外观不良率降低到5%。
3.2关键因子筛选
经过团队在测量和分析阶段的测量系统分析、现有流程梳理以及潜在失效模式树图分析，识别出20个潜在因子;再利用CE矩阵分析和FMEA分析分层聚焦，筛选出10个关键因子。最后通过快赢改善、多变异分析和假设检验等过程后，保留了4个对外观影响显著的因子：X1——上框型面公差;X2——B柱型面公差;X3——切角尺寸;X4——角焊搭接面差（图4）。
3.3设计试验和数据收集
3.3.1建立试验计划
响应变量Y为不良率p，目标值为5%，关键因子分别为X1、X2、X3和X4。用Minitab创建试验计划矩阵：4因子，2水平，16次试验加4中心点试验，共20组试验计划。
3.3.2确定每组抽样数量
车门辊压窗框角焊凹凸为合格和不合格，属于二项分布，数据量较少时不良率Y会存在偏离正态的情况。当n>100，不合格数>5时，二项分布可以近似正态分布，预估每个试验组合的样本量为n>5/Y。因为Y的目标为5%，最终设定每种试验组合收集100个数据。当每组试验过程中不良数<5时，使用国际标准修正公式p=（x+0.5）/（n+1）。
3.3.3离散型数据对数转化
响应变量Y为外观不良率，不良率是离散型数据，需要通过对数Logistic模型转换，将响应变量转化为连续型数据v。定义“OK”与“NOK”两种结果出现的概率之比为优势比odds=p/（1-p），求优势比的对数v=ln（odds）。用这种类型的函数来拟合比率变化规律的效果比较好，能够实现p从0变到l时，v从负无穷变到正无穷。
3.4试验实施和数据分析
攻关团队严格按照试验计划矩阵的试验条件和试验顺序进行试验，记录每组试验外观不良率，并做了对数转换（表1）。
3.4.1试验模型检验及改进
将收集的数据应用Minitab拟合选定模型、残差诊断以及评估模型的适用性并进行改进，步骤如下。
第一步，模型总体评估。从方差分析中可以看出，主效应项p小于0.05，模型效果显著有效。误差项中弯曲和失拟p大于0.05，都是不显著的，拟合模型没有明显弯曲和失拟。
第二步：拟合效果确认，根据试验模型的相关系数进行判断，本文拟合优度R-Sq、R-Sq调整和R-Sq预测接近1，三者之间差异小，说明模型与试验数据拟合效果较好。 第三步：因子显著性检验。判断试验设计中是否遗漏重要影响因子，以及确认模型是否需要简化。本文去除影响不显著的高阶交互作用后，数据符合正态（图5）。从柏拉图中可以看到，因子A（上框公差）、B（B柱公差）、C（切角尺寸）、D（角焊面差）以及CD的交互作用是显著的（图6）。
第四步：残差诊断，判断残差是否正常。如图了所示，观察右下方的观测点时间序列图，残差随机在水平轴上下无规则的波动，未出现任何时间趋势或异常的点偏离现象;观察右上方的残差拟合预测散点图，图中没有漏斗或喇叭形状;观察左上方的正态概率图和左下方的直方图，残差服从正态分布。如图8所示，各因子的残差散点图没有弯曲，说明残差无异常，模型与试验数据拟合得很好。
第五步：评估模型是否需要改进。通过以上步骤多次反复确认，并经过团队内专家依据技术判断模型符合工艺原理，最终我们获得一个最为满意的模型，将它定为选定的模型。Minitab软件依据选定模型确定试验数据的回归方程，y与因子X的函数关系如下：
v=-4.39306+2.24549×上框公差+2.33393×B柱公差-10.2271×切角尺寸+3.25797×角焊面差+15.6999×切角高度×角焊面差-0.0862654 X中心点
3.4.2试验模型分析解释
经过模型改进和评估适用性后选定了最终模型。接下来对选定模型进行分析解释，输出图形信息并做出解释。主要有以下3方面。
输出1：输出各因子的主效应图和交互作用图。图形化可以更具体地显示各项效应的显著性。从主效应图中可以看出，A（上框公差）、B（B柱公差）、C（切角尺寸）和D（角焊面差）因子对响应变量影响显著（图9）;从交互效应图中可以看出，C（切角尺寸）和D（角焊面差）因子两条线不平行，交互作用对外观不良率影响显著（图10）。
输出2：输出等值线图和响应曲面图。图形化更直观地显示外观不良率受各因子影响的变化规律。从等值线图和曲面图可以看出，CD等高线弯曲（图11），CD曲面偏离平面（图12）。为使不良率降低，应该让C切角尺寸取高水平，D角焊面差取低水平。
输出3：实现目标最优化。期望外观不良率越小越好，使用响应优化器得到一个最佳因子设置。即最优工艺方案为：上框公差取0.4，B柱公差取0.4，切角高度取0.1，角焊面差取0.1，预测的响应y=ln（Odds）=-3.14032。对ln（Odds）进行反转换，得到在最优工艺方案条件下，不良率Y的最优值3.6%，符合目标要求5%。
3.4.3进行验证试验
通过验证试验以确保将来按最优工艺方案实施，外观不良率能获得预期的改善效果，将最优工艺组合自变量X带入回归方程得出y擬合值-3.14032，拟合值和与预测的最优值是一致的。通过反转换，在最优工艺条件下有95%的把握断言，不良率Y在3.2%到4.2%之间。些改进方案使关键因子达到最优组合。控制阶段对车门窗框不良率进行跟踪，断点后不良率满足低于5%的目标。
5结束语
本文运用六西格玛管理的思路定义问题，在测量和分析阶段通层层筛选因子，改进阶段利用DOE方法对车门辊压窗框外观工艺进行研究。DOE具有由局部推测整体状态的性质，提供了一套科学高效的试验方法，最大限度地保证试验精度并降低试验周期和费用。通过分析与计算，得出最优工艺组合并满足预期目标，经过结果监控，效率和质量运行指标也可以满足客户要求。
0引言
为展现运动时尚色彩，开拓多元化市场，汽车车门更加青睐高亮黑元素。高亮黑车门结构通常分为欧式导槽加外饰板、辊压窗框加高亮黑膜及一体式车门套色等方案。由于辊压窗框具有较高的材料利用率等成本优势，越来越多的车企采用辊压窗框加高亮黑膜的配置。
车门辊压窗框是由辊压导轨通过保护焊拼接而成，焊缝位置处于热变形影响区，焊缝凹凸属于系统性结构问题。常规做法是使用亚光膜遮瑕，而高亮膜则会放大外观缺陷，因此相较于常规车型，辊压窗框的外观要求更高，这对车门辊压窗框的工艺、模具、设备以及加工过程等都是严峻的挑战。为提高效率和产能，降低质量损失，本文使用DOE分析方法对焊缝外观的工艺进行研究。
1 Minitab和DOE概述
1.1 Minitab简介
Minitab是一个全方位的统计软件包。它提供了普通统计学所涉及的所有功能，如假设检验、相关与回归、列联表和多元统计分析等。该软件包还包含了丰富的质量分析工具，如统计过程控制、试验设计和测量系统分析等，这些内容都可以在软件中轻松实现。同时Minitab能够绘制直方图、散点图、时间序列图以及曲面图等统计图形，生动形象地显示数据分析结果。
1.2 DOE简介
试验设计（DOE）是一种规划、实施、分析和研究的方法，可用于分析阶段的因子筛选和改进阶段的因子优化。DOE通过规划和实施一系列试验，以控制自变量X的变化来观测和确定响应变量Y变化。其目的有两方面：一是分析出哪些自变量X显著影响Y;二是确定这些自变量X取什么值时将会使Y达到最佳。
全因子试验设计是DOE试验方法的一种，是所有因子所有水平的所有组合都至少进行一次试验的设计，试验次数较多，分析精度较高。通过模型分析解释可以找到Y与X的函数关系，给出X的最优解，并预测Y的最佳值是多少以及在什么范围波动。
2车门辊压窗框产品和工艺简介
2.1輥压窗框产品结构
车门辊压窗框是由辊压导轨与;中压或辊压件拼接而成。这2个零件的弧面搭接会产生凹陷和面差，设计阶段需要检查零件数模搭接面;开发阶段需要根据加工工艺的影响，对辊压导轨的截型和弧面做工艺补偿。
2.2辊压窗框生产工艺
车门辊压窗框工序过程长，生产工艺复杂，要经过辊压、拉弯、冲压、包边、切角、焊接和打磨等多种工序（图1）。根据外观要求不同，车门辊压窗框生产线的工艺、工装和设备也会有较大的区别。
2.3工艺难点
车门辊压窗框的每个生产环节都可能造成外观缺陷，外观能力提升需要做全工序的提升。在经过几个车型的迭代升级、生产工艺和过程管理的系统改善后，我司对高亮膜发起终极挑战。而摆在面前的最大难题是焊缝凹凸（图2）。
焊缝凹凸属于产品结构上的工艺难点，切角工序根据上框和B柱的型面和轮廓来调整切角尺寸;角焊工序匹配切角工序件的型面并进行拼焊;打磨工序最终把焊缝打磨平整（图3）。为提高效率并减少外观不良品，既需要提高工序件尺寸稳定性，又需要改善总成工艺。
3全因子试验设计与分析
3.1试验设计目的
公司的使命是为客户提供更加优质的产品，而目前某车型辊压窗框角焊区域凹凸问题不良率14%，引起客户投诉。需要解决的问题是：角焊区域外观不良率降低到5%。
3.2关键因子筛选
经过团队在测量和分析阶段的测量系统分析、现有流程梳理以及潜在失效模式树图分析，识别出20个潜在因子;再利用CE矩阵分析和FMEA分析分层聚焦，筛选出10个关键因子。最后通过快赢改善、多变异分析和假设检验等过程后，保留了4个对外观影响显著的因子：X1——上框型面公差;X2——B柱型面公差;X3——切角尺寸;X4——角焊搭接面差（图4）。
3.3设计试验和数据收集
3.3.1建立试验计划
响应变量Y为不良率p，目标值为5%，关键因子分别为X1、X2、X3和X4。用Minitab创建试验计划矩阵：4因子，2水平，16次试验加4中心点试验，共20组试验计划。
3.3.2确定每组抽样数量
车门辊压窗框角焊凹凸为合格和不合格，属于二项分布，数据量较少时不良率Y会存在偏离正态的情况。当n>100，不合格数>5时，二项分布可以近似正态分布，预估每个试验组合的样本量为n>5/Y。因为Y的目标为5%，最终设定每种试验组合收集100个数据。当每组试验过程中不良数<5时，使用国际标准修正公式p=（x+0.5）/（n+1）。
3.3.3离散型数据对数转化
响应变量Y为外观不良率，不良率是离散型数据，需要通过对数Logistic模型转换，将响应变量转化为连续型数据v。定义“OK”与“NOK”两种结果出现的概率之比为优势比odds=p/（1-p），求优势比的对数v=ln（odds）。用这种类型的函数来拟合比率变化规律的效果比较好，能够实现p从0变到l时，v从负无穷变到正无穷。
3.4试验实施和数据分析
攻关团队严格按照试验计划矩阵的试验条件和试验顺序进行试验，记录每组试验外观不良率，并做了对数转换（表1）。
3.4.1试验模型检验及改进
将收集的数据应用Minitab拟合选定模型、残差诊断以及评估模型的适用性并进行改进，步骤如下。
第一步，模型总体评估。从方差分析中可以看出，主效应项p小于0.05，模型效果显著有效。误差项中弯曲和失拟p大于0.05，都是不显著的，拟合模型没有明显弯曲和失拟。
第二步：拟合效果确认，根据试验模型的相关系数进行判断，本文拟合优度R-Sq、R-Sq调整和R-Sq预测接近1，三者之间差异小，说明模型与试验数据拟合效果较好。 第三步：因子显著性检验。判断试验设计中是否遗漏重要影响因子，以及确认模型是否需要简化。本文去除影响不显著的高阶交互作用后，数据符合正态（图5）。从柏拉图中可以看到，因子A（上框公差）、B（B柱公差）、C（切角尺寸）、D（角焊面差）以及CD的交互作用是显著的（图6）。
第四步：残差诊断，判断残差是否正常。如图了所示，观察右下方的观测点时间序列图，残差随机在水平轴上下无规则的波动，未出现任何时间趋势或异常的点偏离现象;观察右上方的残差拟合预测散点图，图中没有漏斗或喇叭形状;观察左上方的正态概率图和左下方的直方图，残差服从正态分布。如图8所示，各因子的残差散点图没有弯曲，说明残差无异常，模型与试验数据拟合得很好。
第五步：评估模型是否需要改进。通过以上步骤多次反复确认，并经过团队内专家依据技术判断模型符合工艺原理，最终我们获得一个最为满意的模型，将它定为选定的模型。Minitab软件依据选定模型确定试验数据的回归方程，y与因子X的函数关系如下：
v=-4.39306+2.24549×上框公差+2.33393×B柱公差-10.2271×切角尺寸+3.25797×角焊面差+15.6999×切角高度×角焊面差-0.0862654 X中心点
3.4.2试验模型分析解释
经过模型改进和评估适用性后选定了最终模型。接下来对选定模型进行分析解释，输出图形信息并做出解释。主要有以下3方面。
输出1：输出各因子的主效应图和交互作用图。图形化可以更具体地显示各项效应的显著性。从主效应图中可以看出，A（上框公差）、B（B柱公差）、C（切角尺寸）和D（角焊面差）因子对响应变量影响显著（图9）;从交互效应图中可以看出，C（切角尺寸）和D（角焊面差）因子两条线不平行，交互作用对外观不良率影响显著（图10）。
输出2：输出等值线图和响应曲面图。图形化更直观地显示外观不良率受各因子影响的变化规律。从等值线图和曲面图可以看出，CD等高线弯曲（图11），CD曲面偏离平面（图12）。为使不良率降低，应该让C切角尺寸取高水平，D角焊面差取低水平。
输出3：实现目标最优化。期望外观不良率越小越好，使用响应优化器得到一个最佳因子设置。即最优工艺方案为：上框公差取0.4，B柱公差取0.4，切角高度取0.1，角焊面差取0.1，预测的响应y=ln（Odds）=-3.14032。对ln（Odds）进行反转换，得到在最优工艺方案条件下，不良率Y的最优值3.6%，符合目标要求5%。
3.4.3进行验证试验
通过验证试验以确保将来按最优工艺方案实施，外观不良率能获得预期的改善效果，将最优工艺组合自变量X带入回归方程得出y擬合值-3.14032，拟合值和与预测的最优值是一致的。通过反转换，在最优工艺条件下有95%的把握断言，不良率Y在3.2%到4.2%之间。些改进方案使关键因子达到最优组合。控制阶段对车门窗框不良率进行跟踪，断点后不良率满足低于5%的目标。
5结束语
本文运用六西格玛管理的思路定义问题，在测量和分析阶段通层层筛选因子，改进阶段利用DOE方法对车门辊压窗框外观工艺进行研究。DOE具有由局部推测整体状态的性质，提供了一套科学高效的试验方法，最大限度地保证试验精度并降低试验周期和费用。通过分析与计算，得出最优工艺组合并满足预期目标，经过结果监控，效率和质量运行指标也可以满足客户要求。