术语词典

试验设计 DOE

Design of Experiments

通过有计划地同时改变多个因子并分析其主效应与交互作用，来找出影响输出的关键因子与最优组合的统计方法。与传统的「一次只变一个因子」（OFAT）相比，DOE 能在相同试次下识别交互作用 —— 而工程问题中的大部分非线性与意外，恰恰来自交互作用（A 单独调好、B 单独调好，A+B 一起反而变差）。四类典型用途：① 筛选（因子太多，用部分因子试验找出少数关键因子）；② 表征（量化各因子影响大小与方向）；③ 优化（响应曲面法找最优参数组合）；④ 稳健性（田口方法降低对噪声因素的敏感度）。在汽车行业的落点：焊接参数（电流/时间/压力）、注塑（温度/压力/保压/冷却）、涂装（膜厚/烘烤曲线）、热处理（温度/时间/气氛）、装配扭矩与顺序。DOE 的结果应回写 PFMEA（验证原因是否成立、探测手段是否有效）与控制计划（把关键参数纳入监控）。常见误用：样本量不足、未随机化（把批次/班次的影响混进因子效应）、忽略区组、只做一次确认试验就宣布结论。

💬 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）。

💬 相关讨论 →

有限元分析 FEA

Finite Element Analysis

把连续的几何体离散为有限个单元（网格），在每个单元内用近似函数求解偏微分方程（结构应力、传热、模态等），从而得到整个结构上的应力、变形、温度分布的方法。汽车行业的典型应用：车身与底盘强度刚度、悬架疲劳寿命预测、电池包箱体在挤压与振动下的强度、焊接接头的应力集中、零部件的轻量化拓扑优化。可信度的三个前提：① 网格质量（关键区域网格过粗会漏掉应力集中，网格无关性验证不可省）；② 边界条件与载荷的真实性（约束方式错误是最常见误差来源，把实际柔性连接当刚性约束会显著高估或低估应力）；③ 材料模型（弹性模量、屈服准则、硬化曲线、温度相关性）。与试验的关系：仿真不能替代试验，两者必须互相校验（相关性分析）—— 用应变片/加速度计实测值与仿真对比，偏差在可接受范围内（通常 ≤10-15%）才能用仿真做设计决策。审核时常查「仿真报告是否做了试验相关性验证」，只有仿真而无验证是常见弱点。在 PFMEA 与设计验证中的落点：仿真是 DVP&R 中「分析」类验证手段（A 类），可减少实物试验数量，但不能单独作为安全特性符合性的唯一证据。

💬 相关讨论 →