基于六西格玛统计方法的白车身装配稳定性的研究

张皓源

北京奔驰汽车有限公司 北京 100176

汽车制造过程产生的问题解决方法有8D方法、PDCA方法和六西格玛方法。8D及PDCA方法侧重于流程的建立，而六西格玛方法侧重于定性定量地找到问题的根本原因，并且通过验证的方式明确根本原因。现吸取这几种方法中重要的思想，通过建立流程，定性定量地分析及验证问题的根本原因。

研究流程的建立

现在以白车身自动装配线左后门自动装配工位稳定性为研究对象，用Cpk作为衡量指标，建立项目研究流程，流程分为项目定义阶段、项目分析阶段、项目验证阶段及项目总结阶段。问题定义阶段借助于过程能力指数Cpk、浓度图判定样本数据的原始状态。项目分析阶段利用三相图，流程图的方法分析出数据的偏差来源，并针对根本原因，对问题进行优化。项目验证阶段通过假设检验的临界值法判定白车身装配稳定性是否有提升。具体如图1所示。

图1 项目研究流程

过程能力指数的建立

选取白车身自动装配线后门工位为例，白车身自动装配线的目的是将覆盖件安装到车身上并将车门与车门匹配的间隙数值、平顺度数值安装到公差范围内，通过自动装配技术保证装配的稳定性。如图2所示，白车身装配线左后门装配工位，车门装配后，生产线统计装配后的一次合格率作为质量指标，通过浓度图选取图片绿色及黄色方框的间隙平顺度指标作为评价装配质量，通过浓度图划分A2（车门装配高度）、G3（装配上间隙）和E5（装配下平顺）。随机取样5个班次，每个班次随机取样25个样本，通过Cpk过程能力指数评估生产线稳定性。

图2 自动装配工位现场实例及浓度图

式中 USL——样本取样的数据上限；

LSL——样本取样的公差下限；

X——一组样本的平均值；

X1，…Xn——随机取样的25组数据；

n——样本数量。

根据此公式算出Cpk（A2）=0.53，Cpk（G3）=0.66，Cpk（E5）=0.62。现在根据这三个区域的Cpk状态进行提升，见表1。

表1 装配线现有Cpk状态

问题分析及验证

通过鱼骨图的方式对过程进行分析，对于过程稳定性的分析包括人、机、料、法、环五个因素。这里研究的是自动生产系统，可以排除人工的影响，故主要从设备、材料、工艺方法及环境进行研究。

1.零件对过程能力指数的研究

Cpk反应了生产线的制造能力，反映了制造过程的稳定性，现在通过浓度图方法进行分析。通过浓度图把对应区域的零部件的数据进行分析，对车门A2、E3、G5，侧围A1、E3、G5，对应区域的质量状态进行分析，如图3所示。借助于在线检测系统大量的测量数据，采用随机取样5个班次，每个班次共选25个测量数据，同样采用式（1）和式（2）算法进行评估。车门及侧围数据在公差内的分布得知单件的状态比较好，计算出各个侧量点Cpk数值，见表2和表3 ，Cpk＞1.33，接近“0”缺陷水平，故对装配系统的稳定性没有贡献。

表2 车门Cpk状态

表3 车身Cpk状态

图3 零件尺寸浓度图

2.设备对过程能力指数的研究

排除了单件对生产线制造稳定性的贡献后，采用三相图的方法继续分析，三相图分为三个阶段。第一个阶段验证测量系统的准确性及稳定性，选择同一台间隙平顺度符合质量要求的白车身，以及一台间隙平顺度质量NOK、超出工艺设置的白车身，第一个阶段利用自动装配系统对这两个车进行测量，重复25次，每一次数据一致，偏差小于0.1mm，数据没有形成交叉，第一个阶段通过。第二个阶段，分别将两个白车身的车门进行重复拆装试验，拆掉车门后，再一次安装到白车身上，进行拆装试验后，发现第一台质量OK的白车身数据变为NOK，与第二辆车数据交叉，将试验重复8次，需要重复25次，但前几次数据已经交叉，造成第二个阶段未通过。表示同一台车、同一个车门，重复安装后数据发送明显差异，如图4所示。通过第二个阶段，可以判定自动装配系统对装配合格率有直接影响，故不进行下一个阶段。并且继续分析自动装配系统如何影响装配数据。

图4 三相图证明系统对装配稳定性有不利贡献

2.设备对过程能力指数影响的分析及验证

通过三相图已经发现自动装配系统对装配稳定性有影响，三相图中系统将质量OK的白车身经过重复安装车门后，装配的结果变成了NOK，接着通过流程图的方法分解自动系统装配各个环节，将左右侧后门进行对比，发现左右侧存在差距，右侧后门的Cpk均大于1.33，在第一个流程传感器检测环节发现传感器位置发生偏差，传感器优化（见图5）后，装配合格率得到明显提升。根据假设检验临界值法进行验证，原始假设Ho：σ1=2，备择假设Ha：σ1≠σ2。现取样X、Y各25个样本，具体数据见表4，现在图2中右侧浓度图A2车门装配高度为例，取样X为优化传感器通之前车门高度数据，得到σ1≠σ2，车门高度Cpk从0.66提升到1.37，故车门装配高度稳定性得到提升。并且通过计算，车门上间隙及下平顺没有提升，故继续分析。

表4 传感器数据优化数据

图5 左右后门流程中传感器的优化

通过流程图继续分析发现（见图6），在第四步安装位，左右后门工序存在明显。通过随机取样，计算出右侧的各测量点Cpk＞1.33，一次交付合格率＞95%，所以将右侧作为基准对比左侧，发现在安装位，左右侧的零件之间的匹配间隙存在明显差异，右后门上下铰链与侧围匹配间隙均匀，上下铰链与侧围间隙通过塞尺测量均为1.4mm，而左侧上铰链间隙为2.9mm，下铰链间隙为2.0mm，不仅间隙不均匀，且间隙较大，通过选择机器人安装角度C及Y方向，实现匹配上下铰链间隙1.4mm。优化后通过根据假设检验临界值法进行验证，原始假设Ho：σ1=2，备择假设Ha：σ1≠σ2，现取样X、Y各25个样本，用假设检验的方法验证车门高度、上间隙及下平顺，σ1≠σ2，拒绝原始假设，车门装配上间隙Cpk从0.66提升到1.43，上间隙Cpk0.62提升到1.21。稳定性得到明显提升。

图6 左右后门流程中铰链与车身匹配问题优化

现将左后门装配稳定性Cpk作为纵坐标，采取措施作为横坐标，如图7所示。发现传感器优化使装配高度Cpk从0.53提升到1.37，而车门上间隙及下平顺没有明显变化，通过优化铰链与车身匹配缝隙优化装配上间隙，装配下平顺Cpk分别从0.66优化到1.43，0.62优化到1.21。

图7 稳定性优化数据统计

结语

对白车身装配稳定性的研究，并建立问题研究流程，现借助六西格玛统计方法中过程能力指数Cpk、浓度图、三相图及流程图，对问题进行定性分析，发现传感器优化使装配高度Cpk从0.53提升到1.37。通过优化铰链与车身匹配缝隙优化装配上间隙，装配下平顺Cpk分别从0.66优化到1.43，0.62优化到1.21。并根据假设检验的临界值法，进行定量分析，找到了影响制造稳定性的根本原因，对制造过程起到流程化解决实际问题的意义。