📖

术语词典

6 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： 线 M 试 回 公 蒙
线性 Linearity
Linearity
测量系统在整个量程范围内偏倚的一致性。理想的测量系统在不同量程位置的偏倚相同。
MSA
💬 相关讨论 →
MSA MSA
Measurement Systems Analysis
测量系统分析，量化测量系统变异占过程变异或公差的比例，判断测量数据是否足以支撑质量决策。传统五性：偏倚、重复性、再现性、线性、稳定性。AIAG MSA 第四版（2010）仍是当前正式版本；AIAG 与 VDA 的 MSA 合并项目（PG MSA/VDA 5）目前状态为 inactive，尚无发布排期，因此不存在「MSA 第五版」，引用需谨慎。已推进的方向是引入测量不确定度量化（GM、Ford、Honda 自 2025 年起在 CSR 中提出要求）与计数型量具的四种分析法（小样法、有效性、Bowker 检验、Kappa 检验）。计量型 GR&R 常用判据：≤10% 接受，10–30% 视情况接受，>30% 不可接受。
MSA
💬 相关讨论 →
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。
工程方法
💬 相关讨论 →
回归分析 Regression
Regression Analysis
建立响应变量与一个或多个自变量之间数量关系的方法，输出是可预测的方程与各变量的影响系数。分线性回归（一元/多元）与非线性回归（含多项式、指数、幂函数）。工程用途：① 预测（给定工艺参数预测尺寸/强度）；② 解释（哪个参数影响最大，看标准化系数）；③ 调优（反解出满足规格的参数窗口）；④ 趋势外推（刀具磨损随加工件数的变化，用于定换刀周期）。判定指标：R²（解释了多少变异，但会随变量增加虚高，看调整 R² 更可靠）、残差图（是否存在弯曲、异方差、异常点）、显著性检验（各系数是否显著）。陷阱：① 相关不等于因果 —— 两个变量同随时间变化会产生伪相关，必须用 DOE 或物理机理佐证；② 多重共线性（自变量之间高度相关会导致系数符号反常）；③ 外推到数据范围之外极不可靠（线性关系在区间外往往不成立）。
工程方法
💬 相关讨论 →
公差分析 Tolerance Stack-up
Tolerance Stack-up Analysis
把装配链上各零件的尺寸与形位公差按一定规则累积，预测装配后的间隙/干涉/功能特性的分布，用以验证「零件公差设定能否保证装配与功能」。分两类方法：最坏情况法（Worst Case，所有零件都取极限公差，结果保守）与统计法（RSS，均方根，假设各偏差独立且服从正态分布，结果更接近实际但要求过程受控）。在汽车行业的典型应用：① 设计阶段分配公差（先定装配间隙目标，再反算各零件公差）；② 分析装配干涉与外观间隙不均（如车门与车身的间隙面差）；③ 判断是否需要增加调整垫片或改为浮动装配；④ 解释「所有零件都合格但装不上」的根因（这是公差叠加的经典问题，也是 GD&T 与 MMC 存在的理由）。关键认知：RSS 结果通常比最坏情况小很多，若用 RSS 定公差但实际过程偏移严重（均值不在中心），实际不良会远高于预测 —— 因此必须先确认过程受控且中心化，再使用统计法。更精确的方法：蒙特卡洛仿真（可处理非正态、非线性、形位公差），适用于关键装配（如电池包与车身、动力总成配合）。
工程方法
💬 相关讨论 →
蒙特卡洛仿真 Monte Carlo
Monte Carlo Simulation
从各输入变量的概率分布中随机抽样，代入模型计算，重复数万至数百万次，从而得到输出分布的方法。用于无法用解析公式求解的累积误差、非线性装配与多变量叠加问题。在公差分析与可靠性中的用途：① 公差叠加（可处理非正态分布、形位公差、装配约束）；② 可靠性评估（把各部件寿命分布代入系统模型，得到系统失效概率）；③ 风险量化（如电池热失控的多因素耦合概率）；④ 成本-良率权衡（给定公差组合预测装配良率，反算最优公差分配）。实施要点：① 输入分布必须有依据（来自过程能力数据或供应商数据），不能凭感觉给正态分布；② 抽样次数要足够（通常 ≥10 万次才能稳定估计尾部的 P99.9）；③ 需做敏感性分析（哪个变量的贡献最大），否则只得到一个数字而无法指导改进；④ 随机数种子应固定以便复现。与 RSS 的关系：正态、线性、独立时蒙特卡洛结果与 RSS 接近；一旦存在非正态或非线性，两者会显著分离，此时蒙特卡洛更可信。
工程方法
💬 相关讨论 →