📖

术语词典

3 条汽车行业质量管理专业术语,覆盖体系与审核、五大核心工具、供应商质量、工程方法与可靠性、新能源与数字化智造

分类: 全部 📘 通用基础 📜 标准与法规 🏛️ 体系与审核 📊 FMEA 🔄 APQP 📋 PPAP 📈 SPC 🎯 MSA ⚙️ 5M1E 📝 ECN 🔧 8D 🧾 不合格品处置 🤝 供应商质量 📐 工程方法 🔋 新能源与智能网联 🖥️ 数字化与智造
快速跳转: 假 检 效
假设检验 Hypothesis Testing
Hypothesis Testing
先设定一个「无差异/无效应」的原假设 H0,再用样本数据判断是否有足够证据拒绝它的统计推断框架。结论只有两种:拒绝 H0(有统计学证据支持差异存在)或不能拒绝 H0(证据不足,不等于证明无差异)。两类错误:第一类错误 α(H0 为真却拒绝,即「误报」,惯例 0.05)、第二类错误 β(H0 为假却未拒绝,即「漏报」,惯例 0.2)。降低 α 会增大 β,两者只能通过增大样本量同时改善。工程场景的典型应用:改进前后是否真的有提升(不是「看起来好了」)、两家供应商的均值是否有差异、设备维修后精度是否恢复、新工艺的 Cpk 是否显著高于旧工艺。最常被误解的一点:不显著 ≠ 没有差异,可能只是样本量不足;显著 ≠ 有工程意义,可能差异极小但样本极大。因此报告必须同时给「置信区间」与「效应大小」,让读者判断实际意义。
工程方法
💬 相关讨论 →
检出力 Power
Statistical Power (1-β)
当真实差异确实存在时,检验能够正确检出它的概率,等于 1-β。惯例要求 ≥0.8(即 80% 的把握检出真实差异)。检出力不足的直接后果是「明明改进了却没通过检验」,从而错误地放弃有效方案。三个决定因素:① 效应量(差异越大越容易检出);② 样本量(最直接的可控因素);③ 显著性水平 α(放宽 α 会提高检出力,但增加误报)。工程应用:试验前做「样本量估算」—— 先约定要检出的最小有意义差异(如 Cpk 从 1.0 提升到 1.33)、α 与检出力,反算出所需样本量。不做这一步直接取「30 件」,往往检不出真实改进,也可能浪费大量试制。在测量与检验领域的另一个含义:检验工序「能发现不良的能力」,通常以「检出力曲线」或「检出概率 vs 缺陷尺寸」表示 —— 例如某视觉检测对 0.2mm 缺陷的检出率为 95%、对 0.1mm 只有 40%,这类数据是 PFMEA 中探测度评分的依据(而不是凭感觉给 D 值)。
工程方法
💬 相关讨论 →
效应量与样本量 Effect Size / Sample Size
Effect Size and Sample Size Determination
效应量是「差异有多大」的标准化度量(如 Cohen d、均值差、比例差、η²),与样本量共同决定检验能否检出差异。样本量的估算公式本质上是「效应量、α、检出力」三者的函数。工程上的经验取值(供参考,不可硬套):过程能力研究用 30 件只能粗略估计 Cpk,若要求 Cpk 置信区间足够窄通常需 100 件以上;GR&R 通常要求 10 件 × 3 人 × 3 次;计数型抽样按 AQL 与批量的抽样表确定;DOE 的试验次数由设计分辨率与自由度决定。最常犯的错:先用现有样本(如 20 件)做完试验,发现不显著,再问「要多少件才够」—— 这是事后追认,正确做法是试验前算。IATF/顾客要求中的具体口径:初始过程能力研究(PPAP 阶段)通常要求 Ppk ≥1.67 且样本量足够(常见 100 件或连续 25 组子组);量产阶段 Cpk ≥1.33(特殊特性常要求 ≥1.67)。样本量不足时的能力指数只能作参考,不能作为放行依据。
工程方法
💬 相关讨论 →