六西格玛（Six Sigma）常被视为"质量人的方法论"，但它其实是工业工程与统计学的交叉产物。理解它的关键在于抓住一句话：六西格玛是把"问题"翻译成"Y = f(X)"的过程，然后系统地控制 X。
一、六西格玛到底在说什么
1. σ（西格玛）是标准差
σ 衡量数据的离散程度。规格限（USL/LSL）与过程分布的关系，决定了不良率。
2. 西格玛水平 = 规格限能容纳几个 σ
如果过程均值与规格中心重合（无偏移），那么：
- ±1σ：合格率 68.27%，不良 317,400 ppm
- ±2σ：合格率 95.45%，不良 45,500 ppm
- ±3σ：合格率 99.73%，不良 2,700 ppm
- ±6σ：合格率 99.9999998%，不良 0.002 ppm
3. 关键的 1.5σ 偏移
现实中，过程均值会随着时间漂移。摩托罗拉（六西格玛的发源地）在定义时引入了一个 1.5σ 的长期偏移假设。所以业界说的"六西格玛水平"指的是：
即使过程均值漂移 1.5σ，长期不良率仍不超过 3.4 ppm（百万分之 3.4）
这是六西格玛最常被引用、也最常被误解的数字。记住它的前提：短期 6σ + 长期 1.5σ 偏移 ≈ 3.4 DPMO。
4. DPMO 与西格玛水平对照表（含 1.5σ 偏移）
| 西格玛水平 | DPMO | 合格率 | 直观类比 |
|---|---|---|---|
| 2σ | 308,537 | 69.15% | 每小时丢 20,000 封邮件 |
| 3σ | 66,807 | 93.32% | 每小时丢 7,000 封邮件 |
| 4σ | 6,210 | 99.38% | 每周有 1 小时供水不安全 |
| 5σ | 233 | 99.977% | 每 5 个月有 1 小时停电 |
| 6σ | 3.4 | 99.99966% | 每 34 年有 1 分钟供水不安全 |
现实对照：大多数企业在 3σ~4σ 运行。达到 4σ（99.38%）听起来不错，但意味着每 100 万件有 6,210 件不良——对汽车、医疗、航空来说是不可接受的。
二、六西格玛的两条路径：DMAIC 与 DMADV
| 路径 | 适用 | 五个阶段 |
|---|---|---|
| DMAIC | 改进现有过程/产品 | Define → Measure → Analyze → Improve → Control |
| DMADV / DFSS | 设计新过程/产品 | Define → Measure → Analyze → Design → Verify |
本篇聚焦 DMAIC，这是黑带/绿带项目的标准套路。
三、Define（定义）：把模糊的抱怨变成可量化的项目
核心交付物
问题陈述（Problem Statement） 要具体到"什么对象、什么缺陷、什么时间段、多大程度、造成什么损失"。
- 反例："装配线质量不好"
- 正例："2026 年 1-6 月，A 产品装配线一次通过率（FPY）为 91.2%，低于目标 97%，导致月均返修工时 480 小时、报废成本 32 万元"
目标陈述（Goal Statement） 符合 SMART 原则：具体、可衡量、可达成、相关、有时限。
例："在 2026 年 12 月 31 日前，将 A 线一次通过率从 91.2% 提升到 97% 以上，月返修成本降低 20 万元以上"
项目范围（Scope）与边界（In / Out）
在范围内 不在范围内 A 线装配工序 3-12 来料质量（另行立项） 白班与夜班 产品设计变更 2026 年数据 供应商体系 VOC → CTQ（关键质量特性） VOC（客户之声）是客户的语言（"这台机器噪音太大"），CTQ 是可测量的工程指标（"运行噪声 ≤ 65 dB(A) @1m"）。
转换链：VOC → CCR（关键客户要求）→ CTQ → 规格限（USL/LSL）
SIPOC 图 宏观流程五要素：
Supplier 供方 Input 输入 Process 流程 Output 输出 Customer 客户 注塑车间 塑料件 上料→装配→锁付→检测→包装 成品组件 总装车间 用途：界定流程边界、识别所有输入变量、发现被忽略的客户。
财务收益预估与项目章程（Charter） 包含项目背景、目标、范围、团队成员、里程碑、预期收益（硬节约/软节约）。
利益相关方分析：谁支持、谁反对、谁受影响。
Define 阶段最重要的事：把范围划清楚。 项目失败有一半是因为范围太大，什么都想解决，最后什么都解决不了。
四、Measure（测量）：建立可信的数据基础
1. 先做测量系统分析（MSA）
如果测量本身不可信，后面所有分析都是白费。 这是很多初学者忽略的一步。
MSA 关注五个特性：
- 偏倚（Bias）：观测均值与真值的差
- 线性（Linearity）：量程内偏倚是否一致
- 稳定性（Stability）：随时间是否漂移
- 重复性（Repeatability）：同一人、同一量具、同一件，多次测量的变异（设备变异 EV）
- 再现性（Reproducibility）：不同人、同一量具、同一件，测量的变异（评价人变异 AV）
2. 量具 R&R（Gage R&R）
总变异 TV² = 零件间变异 PV² + 测量系统变异 GRR²
GRR² = 重复性 EV² + 再现性 AV²
%GRR = GRR / TV × 100%
判定标准（AIAG 参考）：
| %GRR | 判定 |
|---|---|
| ≤ 10% | 测量系统可接受 |
| 10% ~ 30% | 视应用场景、成本、量具重要性决定，可能可接受 |
| > 30% | 不可接受，必须改进 |
另一个重要指标 NDC（区分类别数）= 1.41 × PV / GRR，要求 NDC ≥ 5，否则测量系统无法有效区分零件间的差异。
典型案例：某尺寸公差 ±0.05 mm，量具 R&R 测得 %GRR = 42%。这意味着测量误差几乎和公差带一样大——你根本分不清零件是合格还是不合格。改善方向：换更高精度量具、做测量夹具、统一测量方法与取点位置、培训测量员。
3. 收集数据前的准备
- 定义操作定义（Operational Definition）：什么叫"一次不良"？谁判定？什么时候记录？必须写成文字，否则三人三个理解。
- 数据收集计划：测什么（Y 与候选 X）、怎么测、谁测、多久测一次、样本量多少、记录在哪
- 抽样方案：随机抽样 / 分层抽样 / 系统抽样，注意避免只抽方便样本（如只抽白班）
4. 过程能力分析（先看现状基线）
在 Measure 阶段先测一次基线能力：
Cp = (USL - LSL) / (6 × σ_组内)
Cpk = min[ (USL - μ) / (3σ), (μ - LSL) / (3σ) ]
Pp = (USL - LSL) / (6 × σ_整体)
Ppk = min[ (USL - μ) / (3σ_整体), (μ - LSL) / (3σ_整体) ]
- Cp/Cpk：短期/组内能力（用组内标准差）
- Pp/Ppk：长期/整体能力（用整体标准差）
- Cpk ≥ 1.33 是一般要求；Cpk ≥ 1.67 用于关键特性；Cpk ≥ 2.0 是六西格玛目标的常见门槛
5. Z 值换算（把能力换算成西格玛水平）
Z_bench = 3 × Cpk （近似）
长期西格玛水平 ≈ Z_bench + 1.5
例：Cpk = 0.85 → Z_bench = 2.55 → 长期西格玛水平约 4.05σ → 对应 DPMO 约 5,900。
五、Analyze（分析）：从候选 X 中找出关键的少数
1. 先发散：找尽可能多的候选原因
- 鱼骨图（因果图 / 石川图）：按 5M1E 分类——人（Man）、机（Machine）、料（Material）、法（Method）、测（Measurement）、环（Environment）
- 头脑风暴
- 流程图 + 价值分析（找出不增值环节）
- FMEA（失效模式与影响分析）
2. FMEA：量化风险
RPN（风险优先数）= 严重度 S × 发生度 O × 探测度 D
每个因子 1~10 分：
| 维度 | 1 分 | 10 分 |
|---|---|---|
| 严重度 S | 无影响 | 危及安全/违反法规 |
| 发生度 O | 极少发生（< 1/1,000,000） | 几乎必然发生（> 1/10） |
| 探测度 D | 几乎必然能检出 | 无法检出 |
RPN 高的项优先处理。近年 AIAG-VDA 新版 FMEA 改用 AP（Action Priority，行动优先级 H/M/L） 替代 RPN，并强调严重度优先原则——S ≥ 9 的项无论 RPN 多少都必须处理。
3. 再收敛：用数据验证哪些 X 真的关键
发散阶段可能列出 30 个候选原因，Analyze 阶段要用数据砍到 3~5 个。
假设检验工具箱（按数据类型选择）：
| 目的 | Y 连续、X 类别（2 组） | Y 连续、X 类别（≥3 组） | Y 连续、X 连续 | Y 类别、X 类别 |
|---|---|---|---|---|
| 比较 | 双样本 t 检验 / 配对 t 检验 | ANOVA 单因子方差分析 | 相关与回归 | 卡方检验 |
| 非正态替代 | Mann-Whitney | Kruskal-Wallis | Spearman 相关 | Fisher 精确检验 |
关键概念：
- 原假设 H₀（无差异/无相关）与 备择假设 H₁
- p 值：在 H₀ 成立的前提下，观察到当前或更极端结果的概率。p < 0.05（α 水平）则拒绝 H₀，认为差异/相关显著
- 两类错误：
- 第 I 类（α，弃真）：本来没差异却判定有差异——生产者的风险
- 第 II 类（β，取伪）：本来有差异却没检出——消费者的风险
- 功效（Power）= 1 - β：通常要求 ≥ 0.8，样本量估算就是基于功效做的
必须区分"统计显著"与"实际显著"：样本量足够大时，0.1 mm 的差异也能检出 p < 0.001，但这 0.1 mm 对客户毫无意义。要同时看效应量（Effect Size）和置信区间。
4. 相关 ≠ 因果
这是 Analyze 阶段最常犯的错误。两个变量高度相关，不代表 X 导致 Y：
- 可能是 Y 导致 X（因果反向）
- 可能有第三变量 Z 同时影响 X 和 Y（混杂因子）
- 可能是纯属巧合（尤其在小样本或多重比较时）
确认因果必须做实验（DOE）或受控的前后对比。
六、Improve（改进）：找到最优的 X 设置
1. 实验设计（DOE）
DOE 是六西格玛最强大的工具。它让我们用最少的实验次数，同时研究多个因子及其交互作用。
从全因子到部分因子：
| 因子数 | 全因子（2^k） | 部分因子（2^(k-1)） |
|---|---|---|
| 3 | 8 次 | 4 次 |
| 4 | 16 次 | 8 次 |
| 5 | 32 次 | 16 次 |
| 7 | 128 次 | 8 次（筛选设计） |
基本流程：
- 确定响应变量 Y（可测量的 CTQ）
- 筛选因子（用部分因子设计或 Plackett-Burman 设计，从 10+ 个因子筛到 3~5 个）
- 全因子实验（2^k，加 3~5 个中心点检测弯曲）
- 分析主效应与交互效应（ANOVA、Pareto of Effects、正态概率图）
- 有弯曲时做响应曲面法 RSM（如中心复合设计 CCD、Box-Behnken）
- 求最优设置，做验证实验（Confirmatory runs）
- 必要时做稳健设计（田口方法），用信噪比（S/N）找对噪声不敏感的参数组合
DOE 三原则：随机化（Randomization）、重复（Replication）、区组（Blocking）。
2. 其他 Improve 手段
- 防错（Poka-Yoke）：让错误不可能发生或立即被发现
- SMED / 快速换型
- 参数优化（田口方法）
- 流程再造
- 标准作业
3. 小批量验证（Pilot）
不要直接全线上。选一条线、一个班次，小批量试运行 2~4 周，确认：
- Y 是否真的改善
- 有没有副作用（其他指标恶化）
- 现场是否可执行
七、Control（控制）：让改善保持住
没有 Control，改善会在三个月内回潮。 这是六西格玛项目失败率高的核心原因。
1. 控制计划（Control Plan）
逐项写明：
| 控制对象（CTQ / 关键 X） | 规格 | 测量方法 | 频次 | 样本量 | 控制方法 | 失控反应计划（Reaction Plan） |
|---|---|---|---|---|---|---|
| 锁付扭矩 | 8.0 ± 0.5 N·m | 数显扭力批 | 每 2 小时 | 5 件 | X-R 控制图 | 隔离上批、校准扭力批、通知工艺 |
失控反应计划（Reaction Plan）是控制计划里最常被漏写、也最关键的一栏——写上"发现异常后：停机、隔离、追溯、通知谁、怎么处理"，否则发现了也不会有人行动。
2. 统计过程控制（SPC）
- 控制图（X-R、X-S、I-MR、p、np、c、u）持续监控
- 判异准则：八大判异规则（如连续 9 点同侧、连续 6 点递增/递减、连续 14 点交替上下等，对应不同的标准体系）
- 控制图的作用是区分普通原因变异与特殊原因变异，避免"过度调整"（tampering）
3. 其他控制手段
- 目视化管理：看板、安灯、标准作业组合表、限度样品
- 防错装置的点检：防错装置本身也要定期验证（每天开机时用一个已知不良品测试它是否真的能检出）
- SOP 更新与培训
- 过程能力定期复核（每月/每季）
- 移交与结案：把所有权交给过程 owner，明确后续监控责任
4. 项目收益确认
财务部门确认硬节约（Hard Savings：物料、人工、报废、能耗等可入账的节省）与软节约（Soft Savings：产能释放、客户满意度等）。
八、六西格玛与精益的关系
| 维度 | 精益（Lean） | 六西格玛（Six Sigma） |
|---|---|---|
| 关注 | 速度：消除浪费、缩短周期 | 变异：减少波动、提高一致性 |
| 方法 | 现场观察、定性为主、快速改善 | 统计分析、定量为主、项目周期较长 |
| 典型工具 | 价值流图、5S、看板、SMED | DOE、SPC、假设检验、回归 |
| 改善节奏 | 快速改善周（Kaizen Event，3~5 天） | 黑带项目（3~6 个月） |
| 参与者 | 全员 | 专职黑带 + 绿带 |
精益六西格玛（Lean Six Sigma） 是两者的结合：
- 先用精益把流程打通、把浪费削掉（让流速变快）
- 再用六西格玛把剩下的关键质量问题解决掉（让波动变小）
顺序很重要：对一个流程混乱、大量浪费的组织，直接上六西格玛统计工具是低效的——先把显而易见的浪费拿掉，问题会简单很多。
九、绿带、黑带与认证
常见的六西格玛人员分级（不同机构标准略有差异）：
| 级别 | 培训时长 | 能力要求 | 项目要求 |
|---|---|---|---|
| 黄带（Yellow Belt） | 1~2 天 | 了解基本概念，参与项目 | 无 |
| 绿带（Green Belt） | 5~10 天 | 能独立带领中小型 DMAIC 项目，掌握基础统计工具 | 1 个完整项目 |
| 黑带（Black Belt） | 20~40 天 | 掌握高级统计（DOE、回归、多元分析），能带跨部门复杂项目，能指导绿带 | 2 个以上项目 + 考试 |
| 黑带大师（MBB） | 长期 | 战略部署、黑带培养、方法论开发 | 多年经验 + 多个项目 |
关于认证的选择：
- 国际机构：ASQ（美国质量学会）、IASSC（国际六西格玛认证协会）
- 企业内训体系：GE、摩托罗拉、丹纳赫（DBS）、霍尼韦尔（HOS）等，企业内部认证在业内认可度往往更高
- 中国质量协会（CAQ）也有六西格玛推进工作委员会的黑带/绿带认证
给学生的建议：六西格玛绿带是性价比最高的一个证——考期短、费用相对低、方法论通用。但要注意，没有真实项目经验的六西格玛证书含金量有限，最好能在实习或工作中做一个完整项目。
十、常见失败模式
- 为了用工具而用工具：一个明显的问题（传送带太高导致弯腰）根本不需要做 DOE，直接改就行。先想清楚问题，再选工具。
- 项目范围太大："提升全厂质量"不是项目，"降低 A 线锁付工序的扭矩不良率"才是。
- 跳过 MSA：测量系统不可信，所有分析都是空中楼阁。
- 缺少管理层支持（Sponsor）：跨部门项目没有高层背书，推不动。
- 忽视 Control：项目结案即回潮。
- 把六西格玛当裁员工具：团队会立刻停止提供真实数据。
小结
- 六西格玛水平的含义：短期 6σ + 长期 1.5σ 偏移 ≈ 3.4 DPMO。
- DMAIC 五阶段各有核心交付物：D 定义问题 → M 建立可信数据 → A 找出关键 X → I 优化 X 设置 → C 固化成果。
- MSA 必须先于数据分析；%GRR ≤ 10% 可接受，> 30% 必须改。
- 找原因先发散（鱼骨图、FMEA）再收敛（假设检验、回归）；相关不等于因果，确认因果靠 DOE。
- Control 阶段的核心是控制计划 + 失控反应计划 + SPC，没有它改善必然回潮。
- 精益削浪费、六西格玛降变异，顺序上先精益后六西格玛。
配套阅读：《SPC 统计过程控制入门》《质量管理七大手法》《精益生产与七大浪费》。
相关阅读
- SPC 统计过程控制入门：控制图怎么读、Cp/Cpk 怎么算：受控不等于有能力。本文讲清两类变异原因、控制图选型与系数表、八大判异准则，以及 Cp/Cpk…
- 质量管理七大手法：从检查表到控制图的完整工具箱：七种不需要高深统计就能上手的质量工具，含柏拉图算例、5 Whys 示例、直方图六种形态判断与…
- 质量管理七项原则（附八项原则对照）：从 ISO 9001 条文到车间里可执行的动作：把七项质量管理原则逐条翻译成现场动作：VOC→CTQ 展开与 Kano 的 Better/W…
- 质量管理完全学习指南：从 QC 七大手法到六西格玛：质量问题的本质是变异，质量管理的所有方法都在描述变异、区分变异、减小变异。本文按四层展开：质…
- Minitab 工业工程实战指南：从数据到结论的完整链路：工业工程领域出镜率最高的统计软件。本文按拿到数据后的真实使用顺序组织：数据导入清洗、图形化汇…