Six Sigma 설계

Design for Six Sigma

Design for Six Sigma(DFSS)는 엔지니어링 설계 프로세스로 기존의 Six [1]Sigma와 관련된 비즈니스 프로세스 관리 방법입니다.그것은 금융, 마케팅, 기초 공학, 공정 산업, 폐기물 관리, 전자제품과 같은 많은 산업에서 사용된다.이는 선형 회귀와 같은 통계 도구의 사용에 기초하고 사회과학 등 다른 분야에서 수행된 것과 유사한 경험적 연구를 가능하게 한다.Six Sigma에서 사용되는 툴과 주문은 프로세스를 확립하고 기능하기 위해 필요한 반면 DFSS는 고객과 비즈니스의 요구를 판단하고 이러한 요구를 제품 솔루션에 도입하는 것을 목적으로 하고 있습니다.공정 [1]개선과는 대조적으로 제품 또는 공정 설계에 사용됩니다.측정은 대부분의 Six Sigma 또는 DFSS 도구에서 가장 중요한 부분이지만, Six Sigma 측정은 기존 프로세스에서 이루어지는 반면 DFSS는 고객의 요구에 대한 심층적인 통찰력을 얻고 이를 사용하여 모든 설계 의사 결정과 균형 잡힌 정보를 제공하는 데 중점을 둡니다.

DFSS의 실장에는 다양한 옵션이 있습니다.일반적으로 DMAIC(Define - Measure - Analyze - Import - Control) 프로젝트를 통해 구동되는 Six Sigma와 달리 DFSS는 DMAIC [2]절차 방식으로 여러 단계적 공정을 생성했습니다.

DMADV, 정의 – 측정 – 분석 – 설계 – 검증은 IDOV(Identify, Design, Optimize, Verify) 등의 대체 수단도 사용되지만 동의어로 DFSS라고도 불립니다.종래의 DMAIC Six Sigma 공정은, 통상, 진화적이고 계속적인 개선 제조 또는 서비스 프로세스 개발에 초점을 맞추고 있는 것으로, 통상, 초기 시스템이나 제품의 설계와 개발이 큰폭으로 끝난 후에 행해집니다.통상, DMAIC Six Sigma는, 기존의 제조 또는 서비스 프로세스의 문제를 해결하고, 결함과 관련된 결함이나 변동의 제거에 소비되고 있습니다.제조상의 차이가 제품의 신뢰성에 영향을 줄 수 있음은 분명합니다.따라서 신뢰성 엔지니어링과 Six Sigma(품질) 사이에는 명확한 연계가 존재해야 합니다.반면 DFSS(또는 DMADV 및 IDOV)는 존재하지 않거나 기존 프로세스가 부적절하고 교체가 필요하다고 판단되는 경우 새로운 프로세스를 생성하려고 합니다.DFSS는 Six Sigma 방법론의 효율성을 구현 전에 프로세스에 최적으로 구축하는 것을 염두에 두고 프로세스를 작성하는 것을 목표로 합니다.기존의 Six Sigma는 프로세스가 이미 존재하는 후에도 지속적인 개선을 추구합니다.

설계에 대한 접근법으로서의 DFSS

DFSS는 처음에 프로세스 문제(예: 화재 방지)를 피하기 위해 고급 기술을 사용하여 제조/서비스 프로세스의 문제를 회피하려고 합니다.이러한 방법을 조합하면, 고객의 적절한 요구를 얻을 수 있어 고객과 다른 모든 사람의 관점에서 제품과 서비스의 유효성을 높이는 엔지니어링 시스템의 파라미터 요건을 도출할 수 있습니다.이를 통해 제품 및 서비스는 고객 만족도를 높이고 시장 점유율을 높일 수 있습니다.이러한 기술에는 제품 제공 시스템(프로세스/도구, 직원 및 조직, 제품/서비스를 생산하기 위한 교육, 설비 및 물류)을 예측, 모델링 및 시뮬레이션하는 도구 및 프로세스도 포함됩니다.이와 같이 DFSS는 운영 조사(배낭 문제 해결), 워크플로우 밸런싱과 밀접하게 관련되어 있습니다.DFSS는 주로 단일 또는 다중 응답 최적화를 위한 품질 함수 전개(QFD), 자명 설계, TRIZ, X를 위한 설계, 실험 설계(DOE), 다구치 방법, 공차 설계, 로버스트화 및 반응 표면 방법론을 포함하는 도구를 필요로 하는 설계 활동이다.이러한 툴은 기존의 DMAIC Six Sigma 프로세스에서 사용되기도 하지만 DFSS에서는 새롭고 전례가 없는 제품 및 프로세스를 분석하기 위해 고유하게 사용됩니다.설계와 관련된 제조 최적화에 대한 동시 분석입니다.

평론가

반응 표면 방법론 및 기타 DFSS 도구는 통계적(종종 경험적) 모델을 사용하기 때문에 실무자들은 최상의 통계 모델도 현실에 대한 근사치라는 것을 알아야 한다.실제로, 모델과 파라미터 값은 모두 알려지지 않았으며, 무지에 더해 불확실성의 대상이 된다.물론 추정치의 오류와 모델의 불충분함 때문에 추정 최적점이 실제로는 최적일 필요는 없다.불확실성은 최적화의 일부로 모델 매개변수의 불확실성을 고려하는 베이지안 예측 접근법을 통해 처리될 수 있다.최적화는 평균 반응인 E[Y]에 대한 적합 모델을 기반으로 하는 것이 아니라, 사용 가능한 실험 [3]데이터에 따라 반응이 주어진 규격을 충족할 사후 확률이 극대화됩니다.

그럼에도 불구하고 대응 표면 방법론은 연구자들이 제품과 서비스를 개선하는 데 도움이 되는 효과적인 실적을 가지고 있다.예를 들어, George Box의 원래 반응 표면 모델링을 통해 화학 엔지니어는 [4]수년 동안 안장 지점에 갇혀 있던 공정을 개선할 수 있었습니다.

DMAIC와의 차이점

DMAIC, DDICA(Design Develope Initialize Control and Allocate) 및 린 기술의 지지자들은 DFSS가 Six Sigma 또는 린 Six Sigma(LSS)의 일반적인 루브릭에 속한다고 주장할 수 있습니다.두 방법 모두 [5][1]분석의 출발점으로서 고객의 요구와 비즈니스 우선순위를 충족하는 데 초점을 맞추고 있습니다.

DFSS 기술에 사용되는 툴은 DMAIC Six Sigma에 사용되는 툴과 크게 다른 경우가[weasel words] 종종 있습니다.특히 DMAIC, DDICA 실무자는 분석을 수행하기 위해 새로운 또는 기존의 기계 도면 및 제조 프로세스 명령을 원본 정보로 사용하는 경우가 많은 반면 DFSS 실무자는 시뮬레이션 및 파라메트릭 시스템 설계/분석 도구를 사용하여 후보 시스템 아키텍처의 비용과 성능을 예측합니다.두 프로세스가 유사하다고 주장할[weasel words] 수 있지만 실제로는 작업 매체가 충분히 다르기 때문에 DFSS는 설계 태스크를 수행하기 위해 다른 도구 세트를 필요로 한다.DMAIC, IDOV 및 Six Sigma는 시스템 아키텍처 분석에 깊이 우선 투입 시 및 "백엔드" Six Sigma 프로세스에 사용할 수 있습니다.DFSS는 프런트엔드의 복잡한 시스템 설계에 사용되는 시스템 설계 프로세스를 제공합니다.백프런트 시스템도 사용됩니다.이는 잘만 하면 설계 기회 100만 건당 3.4건의 결함이 발생한다는 것을 의미합니다.

기존의 6 시그마 방법론인 DMAIC는 화학 공정 산업의 표준 공정 최적화 도구가 되었습니다.그러나, 6 시그마, 구체적으로는 3.4번의 기회당 결함(DPMO)이라는 약속은 그 이후로는 달성할 수 없다는 것이 분명해졌습니다[weasel words].그 결과, 일반적으로 6 시그마 DFSS 및 DDICA 도구에 대해 6 시그마 설계를 구현하려는 움직임이 증가하고 있습니다.이 방법론은 고객 니즈의 정의에서 시작하여 이러한 [6]니즈를 충족하기 위한 강력한 프로세스의 개발로 이어집니다.

Six Sigma의 설계는 Six Sigma와 Define-Measure-Analyze-Improve-Control(DMAIC) 품질 방법론에서 비롯되었으며, 이는 결함을 제거함으로써 프로세스를 체계적으로 개선하기 위해 모토로라가 개발했습니다.통상 기존의 Six Sigma/DMAIC가 기존의 제조상의 문제를 해결하는 데 초점을 맞추고 있는 것과 달리, DFSS는, 보다 프로 액티브한 어프로치를 실시해, 발생할 가능성이 있는 문제를 삭감하기 위한 초기 단계의 대처에 임하는 것으로, 제조상의 문제를 회피하는 것을 목표로 하고 있습니다(즉, 「화재 방지」).ention").DFSS의 주요 목표는 부적합 단위 수와 생산 변동의 유의한 감소를 달성하는 것입니다.설계를 완료하기 전에 고객의 기대, 요구 및 중요 품질 문제(CTQ)를 이해하는 것부터 시작합니다.일반적으로 DFSS 프로그램에서는 CTQ의 극히 일부만이 신뢰성 관련(CTR)이기 때문에 DFSS에서는 신뢰성이 중심이 되지 않습니다.DFSS에서는 제품에서 발생할 수 있는 장기적(제조 후) 문제(복잡한 피로 문제 또는 전기적 마모, 화학적 영향, 캐스케이드 효과 등)에 대해 거의 검토하지 않습니다.장애, 시스템 수준 상호 작용).[7]

다른 방법과의 유사점

DFSS가 Six Sigma와 다른 이유에 대한 논쟁은 DFSS와 확률론적 설계 및 품질 설계와 같은 기타 확립된 엔지니어링 관행 간의 유사성을 입증한다.일반적으로 Six Sigma의 DMAIC 로드맵은 기존 프로세스의 개선에 초점을 맞추고 있습니다.DFSS는 고객, 공급업체 및 비즈니스 요구로부터 의견을 얻어 새로운 가치를 창출하는 데 초점을 맞추고 있습니다.기존의 Six Sigma도 이러한 입력을 사용할 수 있지만, 새로운 제품이나 시스템의 설계가 아닌 개선에 초점을 맞추고 있습니다.또, DFSS의 엔지니어링 배경도 나타냅니다.그러나 엔지니어링에서 개발된 다른 방법과 마찬가지로 DFSS를 엔지니어링 이외의 영역에서 사용할 수 없는 이론적 이유는 없습니다.

소프트웨어 엔지니어링 애플리케이션

역사적으로 1989년과 1991년에 최초로 성공한 6 시그마 설계 프로젝트는 DMAIC 프로세스 개선 프로세스를 확립하기 전에 이루어졌지만, Six Sigma 조직이 제품을 근본적으로 재설계하지 않고는 3개 또는 4개의 Sigma 이후에 제품을 최적화할 수 없다는 것을 발견했기 때문에 DFSS(Design for Six Sigma)는 부분적으로 인정되었습니다.출시 후 프로세스나 제품을 개선하는 것은 품질 설계보다 효율과 효과가 떨어진다고 생각하기 때문입니다.'식스 시그마' 수준의 성능을 '빌트인'해야 한다.

소프트웨어용 DFSS는 소프트웨어의 특성과 특성이 다른 공학 분야와 다르기 때문에 본질적으로 "클래식 DFSS"의 표면적인 수정입니다.이 방법론에서는 소프트웨어 제품 설계 전체에 걸쳐 DFSS 방법 및 도구를 성공적으로 적용하기 위한 자세한 프로세스를 설명합니다.요건, 아키텍처, 설계, 구현, 통합, 최적화, 검증, 검증(RADIOV) 등 소프트웨어 개발 라이프 사이클 전체를 망라합니다.이 방법론은 소프트웨어 신뢰성과 견고성을 위한 예측 통계 모델을 구축하는 방법을 설명하고 시뮬레이션 및 분석 기법을 구조 설계 및 아키텍처 방법과 결합하여 Six Sigma 수준에서 소프트웨어와 정보 시스템을 효과적으로 생산하는 방법을 보여줍니다.

소프트웨어의 DFSS는 객체 지향 설계 또는 진화적 급속 개발과 같은 소프트웨어 엔지니어링의 기존 모델링 기법을 통계, 예측 모델 및 시뮬레이션 기법과 혼합하는 접착제 역할을 합니다.이 방법론은 소프트웨어 엔지니어에게 소프트웨어 제품의 품질 속성을 측정하고 예측하기 위한 실용적인 도구를 제공하고 시스템 신뢰성 모델에 소프트웨어를 포함시킬 수 있도록 합니다.

데이터 마이닝 및 예측 분석 애플리케이션

응답 표면 방법론, 선형 및 비선형 모델링을 통한 함수 전달, 자명 설계, 시뮬레이션 등 DFSS 컨설팅에 사용되는 많은 도구들이 추리 통계에서 유래하지만 통계 모델링은 데이터 분석 및 마이닝과 중복될 수 있다.

그러나 방법론으로서의 DFSS는 분석 및 채굴 프로젝트의 엔드 투 엔드 [기술 프로젝트 프레임워크]로 성공적으로 사용되고 있지만, 이는 CRISP-DM의 라인과 다소 유사한 것으로 도메인 전문가들에 의해 관찰되고 있다.

DFSS는 정의의 정밀도와 분석 및 데이터 마이닝 태스크에 관한 절대 총수 측면에서 누락 및 불확실한 데이터를 포함한 더 많은 불확실성을 캡슐화하고 효과적으로 처리하는 데 더 적합하다고 주장되며, 데이터 마이닝에 대한 6 시그마 접근방식은 일반적으로 DFSS over CRISP로 알려져 있다.SPSS의 데이터 마이닝 애플리케이션 프레임워크 방법론을 참조하는 CRISP-DM ]

DFSS를 통해 데이터 마이닝 프로젝트는 개발 라이프 사이클을 상당히 단축한 것으로 관찰되었습니다.이는 일반적으로 데이터 세트에 다단계 품질 함수 배치를 사용하는 기술 기능 접근방식을 통해 미리 설계된 템플릿 일치 테스트에 대한 데이터 분석을 수행함으로써 달성됩니다.

실무자들은 점진적으로 복잡한 KDD 템플릿이 시뮬레이션된 복잡한 다변량 데이터에서 여러 DOE 실행에 의해 생성되고, 템플릿은 로그와 함께 의사결정 트리 기반 알고리즘을 통해 광범위하게 문서화된다고 주장한다.

DFSS는 이미 알려진 독립 변수의 기능 엔지니어링에 Quality Function Deployment 및 SIPOC를 사용하여 파생된 Atribut의 테크노 기능 계산을 지원합니다.

예측 모델이 계산되면 DFSS 연구를 사용하여 실제 시나리오에서 예측 모델 등급의 더 강력한 확률적 추정을 제공할 수 있다.

DFSS 프레임워크는 HR 분석 분야와 관련된 예측 분석에 성공적으로 적용되었으며, 이 응용 분야는 인간 행동 예측의 특수한 복잡성 때문에 전통적으로 매우 어려운 분야로 여겨져 왔습니다.

레퍼런스

  1. ^ a b c Chowdhury, Subir(2002) Six Sigma용 설계:비범한 이익을 얻기 위한 혁명적인 과정 프렌티스 홀, ISBN9780793152247
  2. ^ Hasenkamp, Torben; Ölme, Annika (2008). "Introducing Design for Six Sigma at SKF". International Journal of Six Sigma and Competitive Advantage. 4 (2): 172–189. doi:10.1504/IJSSCA.2008.020281.
  3. ^ Peterson, John J. (2004-04-01). "A Posterior Predictive Approach to Multiple Response Surface Optimization". Journal of Quality Technology. 36 (2): 139–153. doi:10.1080/00224065.2004.11980261. ISSN 0022-4065.
  4. ^ "Response Surfaces, Mixtures, and Ridge Analyses, 2nd Edition Wiley". Wiley.com. Retrieved 2022-04-09.
  5. ^ Bertels, Thomas (2003) Rath & Strong's Six Sigma Leadership Handbook.존 와일리와 아들들, 페이지 57-83 ISBN 0-471-25124-0.
  6. ^ Lee, Sunggyu (2012). Encyclopedia of Chemical Processing Vol 1. Taylor & Francis. pp. 2719–2734. doi:10.1081/E-ECHP. ISBN 978-0-8247-5563-8.
  7. ^ "Design for Reliability: Overview of the Process and Applicable Techniques". www.reliasoft.com.

추가 정보