挤出“平均值六西格玛项目”的水分——蒙特卡罗仿真模拟应用案例解析

编者按：

六西格玛项目通常要解决多、偏、胖三方面的问题，“多”代表频次，“偏”代表位置、“胖”代表变差。在六西格玛项目实施中，很多人经常掉入“平均值六西格玛”的陷阱；只关注位置“偏”的问题，而对“多”和“胖”的问题视而不见。导致项目成果难以维持，被人戏称为“水分六西格玛”或“平均值六西格玛”项目。

下文请让我们看看王昕大师如何运用“蒙特卡洛分析”来给“平均值六西格玛项目”正名！

正文      

大家在做六西格玛项目的时候，尤其是初次接触项目的时候，往往将注意力都集中在项目的目标（Y）。欢呼雀跃于项目目标的达成，而忽略了好的输出的根本是好的输入（X）。

项目过多的关注结果平均值，现状的平均值，忽略流程中的变异，及变异对最终结果的影响。导致项目短期见效，成为大家口中的“水分”项目。

蒙特卡洛仿真模拟提供了一种通过随机数据来模拟或接近问题解的方法。能够比较逼真的描述具有随机性质的实物特点及实验过程。

通常的方式就是通过试生产，然后进行测量，来分析我们的产品是否能够达到客户的要求。

这种方式存在很多局限性：

一、由于成本的原因，样本量肯定受到限制；

二、影响项目进度；

三、如果存在问题，修改的成本很高；

四、短期“关注”的结果。

那我们能不能在改进阶段对回归方程进行验证？

下面我用一个典型六西格玛“套路”项目来进行解析。

项      目：提高焦化装置液体收率项目

项目目标：收率提升到70%

研究装置：焦化装置的分馏塔

经过分析确定关键因子：

1、塔顶压力；

2、蒸发段温度。

因子水平设定如下：

X	塔顶压力	蒸发段温度
工艺规格	0.09-0.15MPa	360-400度

X的现状：

塔顶压力分布为正态分布，均值=0.1202，标准差=0.0005；

蒸发段温度分布为正态分布，均值=374.4，标准差=4.429；

DOE设计：

控制阶段结论：目标达成

以上是比较典型的绿带项目套用的思路：①通过筛选找到关键因子；②通过DOE获得回归方程和最佳参数值；③缩小操作范围达到项目目的。

这个结果真的给流程带来改善了吗？项目可以画上圆满的句号了么？

答案是否定的，片面的以Y的短期平均值为判定依据。忽略了①过程没有发生根本变化；②仅考虑X的平均值，并没有考虑波动影响；③X的变异没有得到改善和有效控制；④结果不可持续，不可信。

下面我们通过蒙特卡洛仿真软件来模拟看看：

将原过程关键X的标准差带入

模拟结论：达到目标的概率仅为63.7%。这和我们“平均值”的结论相差很大。

虽然我们通过DOE找到了最佳参数X的取值，但我们并没有改善过程中X的变异。这种变异对输入的影响，直接作用于输出，也就导致实际达到目标的概率大大降低。短期的试生产，由于项目团队的关注，所以呈现较好的结果。但项目移交后，长期就会出现目标偏移。也就出现了“水分”。

那么上例实际情况如何呢？返回过程查找问题发现：

对温度调节阀控制，并没有进行改进。前段的进料分配，并没有得到优化，导致实际控制的时候经常要降低温度，因此装置在实际过程温控变化仍然变异较大，达不到383±1℃的水平。影响项目目标的持续。

如果我们考虑到输入因子的变异，结果又会如何？我们将过程中温度控制的标准差由原来的的 4.43 减小到 1，模拟出来的收率的符合概率将达到94% 。

至此，项目改进方向已经非常清晰。针对'X”变差减小的后续改进略……

上面的案例是否能够给我们一些启示呢？结论：通过应用蒙特卡洛模拟分析软件可以①提供在项目改进后，模拟算出达成目标概率的一种方法；②减少实验成本和风险；③引导项目改进和完善。

正如开始所说，好的输入才能带来好的输出。项目不但要关注输出Y的平均值，更要关注输入X的变异。摒弃“平均值六西格玛”项目的观点，更多的关注流程变异。

以上，供大家交流，如有遗漏或错误，请不吝指正，谢谢！

责任编辑：小令

作者简介：

王昕：六西格玛黑带大师

中国化工集团资深黑带/MBB，中国质量协会全国六西格玛委员会工作委员，蓝星北化机运营官，惠普质量学院培训师。曾获得中国化工集团中国化工人称号、持续改进推进者、持续改进优秀企业一等奖、十佳黑带项目等荣誉。

在制造行业和流程行业有丰富的项目实施辅导经验，辅导项目包括化工装置企业、炼油企业、机械制造、汽车配件制造、冶炼行业等；在绿带培训，流程改进，精益改进，装置优化等方面的拥有丰富的经验；可以提供制造业和服务业的精益、六西格玛等专业培训；服务客户有：蓝星集团、联创集团、宝钛集团等。