📖

术语词典

160 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

🛠️ 正在按 工艺工程师 的常用分类筛选（4 类）。 只是筛掉不相关的分类，词条一条没删——想全部看就点右边。 看全部 352 条 这个岗位还看什么 →
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： X C 控 规 W 普 计 置 P N 失 机 时 试 全 部 正 响 田 方 假 回 检 效 关 故 可 平 浴 威 加 高 环 耐 几 最 基 位 三 校 公 蒙
X-bar R 控制图 Xbar-R
X-bar and R Chart
最常用的变量控制图，X-bar 图监控过程均值的变化，R 图监控过程变异范围的变化。通常每子组取样 2-10 个。
SPC
💬 相关讨论 →
Cp Cp
Process Capability Index
过程能力指数（潜在能力），衡量过程固有变异宽度与规格范围的比值：Cp = (USL−LSL) / 6σ，σ 取组内变异（R̄/d₂ 或 s̄/c₄）。只反映变异宽度，不含中心偏移。使用前提是过程已通过控制图验证统计受控——新版 AIAG & VDA SPC 手册明确：过程存在特殊原因变异时禁止计算和提交 Cp/Cpk，只能提交 Pp/Ppk。常用判定：关键特性 Cp ≥ 1.33，安全/法规特性 ≥ 1.67。
SPC
💬 相关讨论 →
Cpk Cpk
Process Capability Index (centered)
修正过程能力指数，同时考虑变异与中心偏移：Cpk = min[(USL−μ)/3σ, (μ−LSL)/3σ]，σ 取组内变异。与 Cp 一样仅在过程统计受控时有效，失控状态下计算 Cpk 属审核不符合项，应改用 Ppk。汽车行业通用要求 Cpk ≥ 1.33，安全法规特性 ≥ 1.67，客户特殊要求（CSR）可能更高。新版手册中 Cpk 与 Ppk 公式已统一为同一形式，区别只在 σ 的取法（组内 vs 整体）与过程是否受控。
SPC
💬 相关讨论 →
控制界限 UCL/LCL
Upper/Lower Control Limit
控制图上的上下控制线，通常设定为 ±3σ。数据点超出控制界限表明过程出现特殊原因变异，需要调查。不等于规格界限(USL/LSL)。
SPC
💬 相关讨论 →
规格界限 USL/LSL
Upper/Lower Specification Limit
由客户或设计要求规定的允许范围上下限。与控制界限不同，规格界限反映客户要求，控制界限反映过程实际能力。
SPC
💬 相关讨论 →
Western Electric 规则 WECO Rules
Western Electric Rules (WECO Rules)
西方电气公司 1956 年《统计质量控制手册》提出的控制图判异规则，原始共 4 条：①1 点超出 3σ；②连续 3 点中 2 点超出同侧 2σ；③连续 5 点中 4 点超出同侧 1σ；④连续 8 点落在中心线同侧。Nelson 于 1984 年将其扩展为 8 条（见「Nelson 规则」）。行业日常所说的「判异八准则」实际指 Nelson 规则，两个名称常被混用，引用时需区分。
SPC
💬 相关讨论 →
普通原因 vs 特殊原因变异 Common/Special Cause
Common Cause vs Special Cause Variation
普通原因：过程固有的、稳定的随机变异，只能通过系统改进减少。特殊原因：可识别的、非随机的异常变异，需要立即调查和消除。
SPC
💬 相关讨论 →
计数值 vs 计量值 Attribute vs Variable
Attribute Data vs Variable Data
计数值数据：只能分类计数的离散数据（如合格/不合格、通过/不通过）。计量值数据：可连续测量的数值数据（如长度、重量、温度）。SPC 中两种数据类型使用不同的控制图。
SPC
💬 相关讨论 →
置信区间 CI
Confidence Interval
在给定置信水平下，参数真实值可能落入的区间范围。例如 95% 置信区间表示有 95% 的把握真实值在此区间内。
SPC
💬 相关讨论 →
P图 vs NP图 P-chart / NP-chart
P Chart / NP Chart
计数值控制图。P 图监控不合格品率（子组大小可不同），NP 图监控不合格品数（子组大小固定）。适用于通过/不通过类型的质量数据。
SPC
💬 相关讨论 →
Nelson 规则 Nelson Rules
Nelson Rules
Lloyd S. Nelson 于 1984 年在 Western Electric 规则基础上扩展的 8 条控制图判异准则，2026 版 AIAG & VDA SPC 手册统一采用为全球判异标准，任一触发即判定过程失控并须启动 OCAP：①1 点超出 3σ 控制限；②连续 9 点在中心线同侧；③连续 6 点单调递增或递减；④连续 14 点上下交替；⑤连续 3 点中 2 点超出同侧 2σ；⑥连续 5 点中 4 点超出同侧 1σ；⑦连续 15 点落在中心线 ±1σ 内；⑧连续 8 点落在 ±1σ 之外。规则 1 探测大幅偏移，2/5/6 探测均值偏移，3 探测趋势（如刀具磨损），4 探测系统性交替，7/8 探测变异异常减小或增大。
SPC
💬 相关讨论 →
失控行动计划 OCAP
Out of Control Action Plan
为每张控制图配套的书面响应程序，规定触发判异规则时由谁、在多长时间内、按什么步骤处置。2026 版 AIAG & VDA SPC 手册将其列为强制要求，核心原则是「发现不稳定而无反应措施，比不监控更糟」。一份合格 OCAP 应包含调整矩阵（操作员可自行执行的动作）、责任人、升级路径（超时未解决向上升级）、过程日志（记录每次调整）、培训与能力验证记录。整改完成后须同步更新 PFMEA、控制计划与工艺参数，形成闭环。
SPC
💬 相关讨论 →
机器性能指数 Pm/Pmk
Machine Performance Index
评估单台设备或工装自身加工精度的短期能力指标，ISO 22514 与新版 AIAG & VDA SPC 手册口径。计算方式与 Cp/Cpk 相同，但只采集同一设备、同一批次、排除人料环变异的数据，用于设备采购验收与新模具验收。常用要求：样本量 n ≥ 50 时 Pm ≥ 2.00、Pmk ≥ 1.67。旧称 Cm/Cmk，新版统一为 Pm/Pmk。与 Cpk 的区别：Pmk 只证明设备本身行，Cpk 证明整个人机料法环测系统行。
SPC
💬 相关讨论 →
控制环 Control Loop
Control Loop
2026 版 AIAG & VDA SPC 手册引入的闭环管理框架，把 SPC 从孤立工具升级为分层质量治理体系。控制环 1 为生产现场实时监控（控制图 + OCAP 立即响应）；控制环 2 为批次或短期分析（质量门放行判定）；控制环 3 为回顾性过程控制（长期能力评估与参数化分析，对应旧版长期能力研究）；控制环 4 为跨过程分析（把经验教训反哺研发与策划）。部分资料按 6 环表述，额外纳入产品审核、过程审核与管理评审，引用时应注明所依据的版本。
SPC
💬 相关讨论 →
时间依赖分布模型 ISO 22514-2
Time-dependent distribution model
ISO 22514-2 定义的过程分布随时间演变模型，新版 AIAG & VDA SPC 手册采纳后用于替代「必须正态、必须恒定」的理想假设。分四类共 8 种：A 类位置与变异均恒定（理想量产状态，含 A1、A2）；B 类位置恒定、变异变化；C 类变异恒定、位置变化（C1–C4，覆盖趋势型如刀具磨损、阶跃、漂移等）；D 类位置与变异均变化。识别模型类型后，控制限与能力指数须按对应模型计算——对 C/D 类过程硬套传统 X̄-R 图会大量误报警。
SPC
💬 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 →
全因子试验 Full Factorial
Full Factorial Design
把每个因子的每个水平都组合到的最基础试验设计，k 个二水平因子需 2^k 次试验（3 因子 8 次、5 因子 32 次）。优点：能无混淆地估计全部主效应与全部交互作用（含高阶）。缺点：因子数增加时试验次数指数级上升，成本不可承受。适用场景：因子数 ≤4（即 ≤16 次）且试验成本可控时优先用全因子，因为它给出的信息最完整；因子数 ≥5 时改用部分因子试验先做筛选。实施要点：随机化试验顺序（防止时间趋势混入）、设置中心点（检验是否存在弯曲，若有弯曲则说明需要响应曲面法）、必要时分区组（把不同批次原料或不同班次作为区组）。
工程方法
💬 相关讨论 →
部分因子试验 Fractional Factorial
Fractional Factorial Design
只做全因子的一部分（如 2^(k-p)），用「混淆」换取试验次数的设计：高阶交互作用与主效应（或低阶交互）部分混淆，牺牲对高阶交互的估计能力来保留对主效应的估计。分辨率是关键判据：分辨率 III（主效应与二阶交互混淆，仅适合粗筛）、分辨率 IV（主效应不与二阶交互混淆，但二阶交互之间互相混淆，最常用）、分辨率 V（二阶交互也不与主效应混淆，可估计部分二阶交互）。实务逻辑：工程经验表明三阶及以上交互作用通常可忽略（稀疏效应原则），因此在 5-8 个因子时用分辨率 IV 的 16 或 32 次试验通常足够；筛选出 3-4 个关键因子后，再用全因子或响应曲面做精细优化。风险：若关键因子恰好是别名结构中被牺牲的那一个，会得出错误结论 —— 因此结果需要做验证试验（确认试验）。
工程方法
💬 相关讨论 →
正交试验 Orthogonal Array
Orthogonal Array
按正交表安排的试验，使各因子的各水平在试验中出现次数相同、且任意两因子的水平组合均匀分布（即「均衡分散、整齐可比」）。本质是一种高度结构化的部分因子设计，可独立分析每个因子的主效应而不受其他因子干扰。常用表：L8(2^7)（8 次试验、最多 7 个二水平因子）、L9(3^4)（9 次试验、最多 4 个三水平因子）、L18(2^1×3^7)。国内工程实践中，日系与国产项目用正交表很普遍，欧美项目更常用部分因子/响应曲面。与部分因子试验的关系：正交表是部分因子设计的一种，区别在于正交表预先固定了表结构（不能任意选择分辨率），因此更适合「因子与水平都已确定、不想用软件生成设计」的场景。局限：正交表默认假设因子间无交互作用（或交互作用可忽略），若存在强交互，主效应分析会失真 —— 这是正交试验最常被批评的地方。有交互时应在表头做交互列安排，或改用部分因子设计。
工程方法
💬 相关讨论 →
响应曲面法 RSM
Response Surface Methodology
当目标不是「找出显著因子」而是「找到最优参数组合」时使用的方法：用二次模型（含平方项与交互项）拟合响应与因子之间的曲面，再通过对曲面求极值确定最优点。与筛选试验的衔接：先部分因子/全因子筛选出关键因子并确认存在弯曲（中心点与角点差异显著），再进入 RSM。常用设计：中心复合设计（CCD，可序贯加入试验点）与 Box-Behnken（BBD，无角点，适合不允许极端组合的场景）。输出：最优点（各因子的最优水平）、预测响应值与置信区间、等高线图/曲面图、以及稳健区（在最优附近参数有波动仍能满足规格的区域 —— 工程上比「单点最优」更有价值）。典型应用：把焊接强度做到最大且飞溅最小、把涂装膜厚控制在窗口中心、把注塑周期压到最短同时保证尺寸。
工程方法
💬 相关讨论 →
田口方法 Taguchi Method
Taguchi Method / Robust Design
田口玄一提出的稳健设计方法，核心不是「把输出调到目标值」，而是「让输出对噪声不敏感」。三个支柱：① 用信噪比（SN 比）衡量质量，分望目（越接近目标越好）、望小（越小越好，如噪声、变形）、望大（越大越好，如强度、寿命）三类；② 用正交表安排「可控因子 × 噪声因子」的内外表，找出对噪声最不敏感的参数组合；③ 用质量损失函数把「偏离目标的程度」换算成经济损失。与常规 DOE 的差别：常规 DOE 优化均值，田口同时优化均值与变异（先减小变异，再调均值），因此能设计出「即使材料批次有波动、设备有漂移，产品仍合格」的参数。在汽车行业的价值：量产中原材料批次、环境温湿度、设备磨损都是不可控噪声，稳健设计能显著降低对来料与环境的苛刻要求，是降低质量成本最有效的手段之一。争议：学术界批评信噪比在某些情形下与交互作用分析冲突、内外表试验次数偏多；实务中的折中是「用田口思想（稳健性优先），用现代 DOE 工具（部分因子 + 响应曲面）实现」。
工程方法
💬 相关讨论 →
方差分析 ANOVA
Analysis of Variance
通过比较「组间变异」与「组内变异」来判断某因子不同水平下的均值是否存在显著差异的统计方法，是 DOE 结果分析的基础工具。核心是 F 检验：F = 组间均方 / 组内均方，F 越大说明该因子的效应越不可能由随机误差造成。两种用法：① 单因子 ANOVA（比较 3 个以上供应商/设备/批次/班次的均值是否有差异 —— 注意两组比较应用 t 检验，三组以上用 ANOVA，两两反复做 t 检验会放大第一类错误）；② 多因子 ANOVA（DOE 分析，同时给出各主效应与交互作用的显著性）。实操要点：ANOVA 的前提是残差近似正态、方差齐性、独立；若不满足需做数据变换（对数、Box-Cox）或改用非参数方法（Kruskal-Wallis）。报告时应给出效应大小（如 η²、贡献率），只看 p 值会忽略「显著但很小」的效应 —— 在样本量很大时几乎任何差异都会显著。
工程方法
💬 相关讨论 →
假设检验 Hypothesis Testing
Hypothesis Testing
先设定一个「无差异/无效应」的原假设 H0，再用样本数据判断是否有足够证据拒绝它的统计推断框架。结论只有两种：拒绝 H0（有统计学证据支持差异存在）或不能拒绝 H0（证据不足，不等于证明无差异）。两类错误：第一类错误 α（H0 为真却拒绝，即「误报」，惯例 0.05）、第二类错误 β（H0 为假却未拒绝，即「漏报」，惯例 0.2）。降低 α 会增大 β，两者只能通过增大样本量同时改善。工程场景的典型应用：改进前后是否真的有提升（不是「看起来好了」）、两家供应商的均值是否有差异、设备维修后精度是否恢复、新工艺的 Cpk 是否显著高于旧工艺。最常被误解的一点：不显著 ≠ 没有差异，可能只是样本量不足；显著 ≠ 有工程意义，可能差异极小但样本极大。因此报告必须同时给「置信区间」与「效应大小」，让读者判断实际意义。
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 →
p 值 p-value
p-value
在原假设 H0 成立的前提下，观察到当前数据或更极端结果的概率。p < 0.05 时的通行表述是「在 5% 显著性水平下拒绝 H0」，而不是「H0 为真的概率小于 5%」。最常见的三个误读：① 把 p 值当作「原假设成立的概率」（p 值是在 H0 为真的假设下算出来的，不是 H0 本身的概率）；② 把 p > 0.05 当作「证明无差异」（实为证据不足）；③ 只看 p 不看效应大小（样本量足够大时，0.01 的差异也会显著）。与多重比较的关系：同时做 20 次独立检验，即使全无真实差异，平均也会有 1 次 p < 0.05。因此在 DOE 的多因子分析、多组两两比较、多特性同时判定时必须做多重比较校正（Bonferroni、Tukey HSD、FDR），否则会「挑出」假阳性。这也是「数据挖掘式找原因」最容易犯错的地方。
工程方法
💬 相关讨论 →
检出力 Power
Statistical Power (1-β)
当真实差异确实存在时，检验能够正确检出它的概率，等于 1-β。惯例要求 ≥0.8（即 80% 的把握检出真实差异）。检出力不足的直接后果是「明明改进了却没通过检验」，从而错误地放弃有效方案。三个决定因素：① 效应量（差异越大越容易检出）；② 样本量（最直接的可控因素）；③ 显著性水平 α（放宽 α 会提高检出力，但增加误报）。工程应用：试验前做「样本量估算」—— 先约定要检出的最小有意义差异（如 Cpk 从 1.0 提升到 1.33）、α 与检出力，反算出所需样本量。不做这一步直接取「30 件」，往往检不出真实改进，也可能浪费大量试制。在测量与检验领域的另一个含义：检验工序「能发现不良的能力」，通常以「检出力曲线」或「检出概率 vs 缺陷尺寸」表示 —— 例如某视觉检测对 0.2mm 缺陷的检出率为 95%、对 0.1mm 只有 40%，这类数据是 PFMEA 中探测度评分的依据（而不是凭感觉给 D 值）。
工程方法
💬 相关讨论 →
效应量与样本量 Effect Size / Sample Size
Effect Size and Sample Size Determination
效应量是「差异有多大」的标准化度量（如 Cohen d、均值差、比例差、η²），与样本量共同决定检验能否检出差异。样本量的估算公式本质上是「效应量、α、检出力」三者的函数。工程上的经验取值（供参考，不可硬套）：过程能力研究用 30 件只能粗略估计 Cpk，若要求 Cpk 置信区间足够窄通常需 100 件以上；GR&R 通常要求 10 件 × 3 人 × 3 次；计数型抽样按 AQL 与批量的抽样表确定；DOE 的试验次数由设计分辨率与自由度决定。最常犯的错：先用现有样本（如 20 件）做完试验，发现不显著，再问「要多少件才够」—— 这是事后追认，正确做法是试验前算。IATF/顾客要求中的具体口径：初始过程能力研究（PPAP 阶段）通常要求 Ppk ≥1.67 且样本量足够（常见 100 件或连续 25 组子组）；量产阶段 Cpk ≥1.33（特殊特性常要求 ≥1.67）。样本量不足时的能力指数只能作参考，不能作为放行依据。
工程方法
💬 相关讨论 →
关键质量特性 CTQ
Critical to Quality
从顾客需求（VOC，Voice of Customer）转化而来的、可量化并可测量的关键产品特性 —— 顾客说的「关门声音要厚实」，CTQ 可能是「关门力 20-28 N、关门声压级 ≤ 68 dB(A)、无金属撞击异响」。CTQ 是六西格玛（DMAIC 的 Measure 阶段）与 QFD 的核心输出。与特殊特性的关系：CTQ 是「从顾客需求推导出来的完整清单」，特殊特性（SC/CC、KPC）是其中被顾客或法规强制标识、必须在控制计划中单独控制的那部分。因此 CTQ 通常远多于特殊特性。质量要求：每个 CTQ 必须有明确的测量方法、量具、样本量与判定标准 —— 无法测量的「特性」不能叫 CTQ。这一步没做好，后续的 MSA、能力研究、控制计划都会悬空。落地：QFD 把 VOC 逐级展开为技术要求（质量屋），再从中筛选出 CTQ；CTQ 向下传递到图纸特性、过程参数、控制计划与检验规范。
工程方法
💬 相关讨论 →
CTQ 树 CTQ Tree
CTQ Tree
把模糊的顾客需求逐层拆解为可测量特性的树状图，层级通常为：需求（Need，顾客原话）→ 驱动因素（Driver，什么决定了这个需求被满足）→ 可测量要求（Requirement，具体指标与目标值）。与 QFD 的差别：QFD 是矩阵式的（需求 × 技术要求，可做竞争对比与相关性分析），CTQ 树是单向展开的（更轻、更快、更适合单个特性的深挖）。实务中先用 CTQ 树把一个笼统需求拆开，再用 QFD 做多需求之间的权衡。示例：需求「电池包不能进水」→ 驱动因素「密封结构、密封胶涂布、装配压紧」→ 可测量要求「气密测试泄漏率 ≤5 mL/min、水密 IP67、密封胶宽度 3±0.5 mm」。价值：把「顾客投诉」翻译成「过程参数」，是从售后问题反推控制点的标准路径。
工程方法
💬 相关讨论 →
故障树分析 FTA
Fault Tree Analysis
从一确定的顶事件（如「制动失效」「电池起火」）出发，自上而下用逻辑门（与门 AND、或门 OR、表决门）逐层分解其发生原因，直到基本事件（元器件失效、人为差错、环境因素）的分析方法。与 FMEA 的分工：FMEA 自下而上（从零件/工序推到影响），穷举但容易漏掉组合失效；FTA 自上而下（从后果追到原因），聚焦但能捕捉「两个独立失效同时发生才出事」的组合场景。安全相关件（制动、转向、气囊、高压）通常两者都做，FTA 的顶事件常直接取自 FMEA 中严重度 9-10 的失效影响。定量分析：给每个基本事件赋失效率（来自可靠性预计、现场数据或供应商数据），按逻辑门计算顶事件发生概率，识别关键路径（割集 / 最小割集）—— 由此判断「降低哪个基本事件的失效率最有效」。标准依据：IEC 61025；汽车功能安全 ISO 26262 中的「安全分析」要求 FTA 或等同方法，用于验证随机硬件失效指标（SPFM/LFM）。
工程方法
💬 相关讨论 →
可靠性框图 RBD
Reliability Block Diagram
用图形表示系统各组成部分在可靠性上的逻辑关系：串联（任一失效则系统失效）、并联（冗余，全部失效才失效）、表决（k-out-of-n，如 3 取 2）。用于计算系统可靠度并识别薄弱环节。与 FTA 的关系：RBD 描述「系统如何构成」，FTA 描述「系统如何失效」，两者是对偶的；RBD 更直观适合设计阶段，FTA 更适合分析特定失效模式。计算：串联系统 R = R1×R2×…×Rn（部件越多越不可靠，这是「减少零件数」这一设计原则的数学依据）；并联系统 R = 1-(1-R1)(1-R2)；带表决的系统按二项分布展开。工程价值：量化「加一个冗余到底提升了多少可靠度」—— 若单件可靠度 0.99，两个并联后为 0.9999，但代价是成本翻倍与新增的共因失效风险（两个冗余件共用同一电源或同一软件，则冗余失效）。共因失效是冗余设计最常见的隐性缺陷。
工程方法
💬 相关讨论 →
可靠性预计 Reliability Prediction
Reliability Prediction
在设计阶段根据零件清单、工作应力与环境条件估算产品失效率或可靠度的方法。两种常用途径：① 零件计数法（早期，只有零件种类与数量时快速估算）；② 应力分析法（详细，逐个零件按其实际电应力/热应力与降额情况查失效率模型）。标准与模型：MIL-HDBK-217（历史悠久但已停止维护，业界普遍认为过于保守）、Telcordia SR-332（商用电子）、IEC 62380 / FIDES（法系，考虑制造与使用环境）、以及厂商提供的 FMEA/失效率数据。用途：① 设计阶段比较方案的可靠性水平；② 找出失效率贡献最大的零件（通常是电解电容、连接器、功率器件、焊点），指导降额与冗余设计；③ 为 FTA 提供基本事件失效率。重要限制：预计值是「模型给出的期望」，与实际现场失效率常有差距（可能差一个数量级），因此不能替代可靠性试验与现场数据；它的价值在于相对比较与识别短板，而非绝对数值。
工程方法
💬 相关讨论 →
平均故障间隔时间 MTBF
Mean Time Between Failures
可修复产品在两次相邻故障之间的平均工作时间。在失效率恒定的假设下（指数分布），MTBF = 1/λ，其中 λ 为失效率。最常见的误读：把 MTBF 当作「设计寿命」或「保证无故障运行时间」。MTBF = 10 万小时不代表能连续工作 10 万小时，而是表示在 10 万小时内平均发生 1 次故障 —— 若某产品 MTBF 为 10 万小时，则 1000 台运行 100 小时平均会出现 1 次故障。与相关指标的区别：MTTF（平均失效前时间）用于不可修复产品（如灯泡、一次性保险丝）；MTTR（平均修复时间）是修好的平均耗时；可用性 A = MTBF / (MTBF + MTTR)。汽车行业的注意事项：整车零部件通常只要求「在质保里程内失效率低于某目标」（如 3 年/10 万公里内 ≤ 1%），而非 MTBF；对可维修性与售后成本敏感的系统（如电驱、域控制器）才会同时约束 MTBF 与 MTTR。
工程方法
💬 相关讨论 →
平均修复时间 MTTR
Mean Time To Repair
从发生故障到恢复功能所需的平均时间，包含故障定位（诊断）、拆卸、更换、装配、功能验证的全过程。与 MTBF 一起决定可用性：A = MTBF / (MTBF + MTTR)。为什么在汽车行业越来越重要：随着域控制器与软件占比上升，「能不能快速定位」比「修得多快」更关键 —— 若诊断能力不足，MTTR 会被「反复试换件」拖长，直接推高保修成本与客户抱怨。降低 MTTR 的手段：① 提升可诊断性（DTC 故障码、冻结帧、故障发生时的工况快照）；② 模块化与易拆装设计（把易损件放在可快速接近的位置）；③ 标准化接口与免调整装配；④ 备件可得性（售后备件供应年限通常要求 10-15 年）；⑤ 维修工艺标准化与培训。与设计阶段的关联：维修性（Maintainability）应在设计评审中与可靠性并列评估，DFMEA 中的「可维修性差导致维修时引入新失效」也是常被忽略的失效模式（如拆装时损坏卡扣、漏装密封圈）。
工程方法
💬 相关讨论 →
浴盆曲线 Bathtub Curve
Bathtub Curve
描述产品失效率随使用时间变化的三段式曲线：早期失效期（失效率随时间递减，原因是制造缺陷、装配不良、材料内部缺陷）、偶然失效期（失效率大致恒定，原因是随机过应力）、耗损失效期（失效率随时间递增，原因是磨损、疲劳、老化、腐蚀）。对应的工程对策：早期失效用「老化筛选 / 环境应力筛选（ESS）/ 早期生产遏制（GP12）」消除；偶然失效靠降额设计、冗余与过应力保护；耗损失效靠定期更换（预防性维护）或设计寿命匹配。对汽车质量管理的意义：售后故障率按月份绘制的曲线若在 0-3 个月出现高峰，说明是早期失效（制造与装配问题，责任在供应商与过程）；若在质保末期上升，说明是耗损失效（设计与材料问题，需重新评估设计寿命）。两者对应的改进方向完全不同 —— 这是用数据定位责任边界的基本方法。注意：现代电子件的实际曲线往往没有明显的耗损段（在有效寿命内失效率近似恒定），因此不能机械套用三段式。
工程方法
💬 相关讨论 →
威布尔分析 Weibull Analysis
Weibull Analysis
用威布尔分布拟合失效时间数据、推断失效机理与寿命特征的分析方法，是可靠性工程最常用的工具（因形状参数能直接反映失效类型）。形状参数 β 的含义：β < 1 表示失效率随时间下降（早期失效）；β ≈ 1 表示失效率恒定（随机失效，等同于指数分布）；β > 1 表示失效率随时间上升（磨损/疲劳失效，β 在 2-4 常见于疲劳，β > 4 常见于快速磨损）。因此 β 本身就是失效机理的线索，比单看寿命数值更有价值。尺度参数 η（特征寿命）：可靠度降到 36.8% 时对应的时间。工程上更常关注 B10 寿命（10% 失效对应的时间）—— 售后目标通常按 B10 或 B1 制定。实操：把售后返回件的失效时间（或试验中的失效时间）做威布尔概率图，若数据点近似直线则模型合适；若出现折线（两个斜率）说明存在两种失效机理混合，必须分开分析 —— 直接合并拟合会得出错误的寿命结论。删失数据处理：未失效的样本（试验结束时仍正常、或售后未返回）不能丢弃，须作为右删失（right-censored）纳入，否则寿命会被严重低估。
工程方法
💬 相关讨论 →
加速寿命试验 ALT
Accelerated Life Testing
在高于正常水平的应力下试验，用较短时间内激发与正常使用相同的失效机理，再通过加速模型外推到正常使用条件下的寿命。前提是「失效机理不变」—— 若加速应力过高引入了正常使用中不会出现的失效模式（如材料熔化），外推结果无效。常用加速模型：Arrhenius（温度，适用于化学反应类失效如老化、绝缘劣化）、逆幂律（电压、载荷、压力）、Coffin-Manson（热循环，适用于焊点疲劳与热膨胀失配）、Peck 模型（温湿度）。试验设计要点：① 至少 3 个应力水平才能拟合加速模型（2 个点只能假设模型形式）；② 每个水平需足够样本以得到失效分布；③ 需验证「不同应力水平下失效机理一致」（用威布尔形状参数 β 是否接近来检验）；④ 需包含正常使用的应力剖面（真实工况是温度循环 + 振动 + 湿度的综合，单一应力加速往往无法代表）。在汽车行业的应用：电子件的温度循环与高温存储、电池的循环寿命与日历寿命、橡胶件的老化、焊点的热疲劳。客户通常要求提供「加速试验 → 外推 → 与设计寿命目标对比」的完整证据链，而不只是「通过了某项试验」。
工程方法
💬 相关讨论 →
高加速寿命试验 HALT
Highly Accelerated Life Test
在设计阶段用步进应力（逐级提高温度、快速温变、六自由度随机振动、综合应力）把产品逼到失效，以找出其工作极限与破坏极限的试验方法。目的不是「验证合格」，而是「找出设计余量有多大、最先坏在哪里」。与 ALT 的区别：ALT 是「在已知机理下量化寿命」，HALT 是「在未知短板下寻找极限」；ALT 要求应力不超过机理改变的门槛，HALT 恰恰要一直加到破坏。关键输出：工作极限（产品仍能正常工作的应力上限）、破坏极限（出现不可恢复损坏的应力）、以及每个失效对应的最弱环节。设计余量 = 破坏极限与规格上限之间的差距，余量不足则需要改设计（加固、减振、散热、选型降额）。与 HASS（高加速应力筛选）的关系：HALT 用于设计验证（找极限），HASS 用于量产筛选（用低于破坏极限的应力剔除早期失效件）。两者不能混用 —— HASS 的应力若照搬 HALT 的破坏极限，会把好件也筛坏。局限：HALT 的失效不一定代表现场会出现的失效（应力远超实际使用），因此结论须结合现场数据判断优先级。
工程方法
💬 相关讨论 →
环境应力筛选 ESS
Environmental Stress Screening
在量产阶段对 100% 产品施加规定水平的环境应力（通常为温度循环 + 随机振动），以激发并剔除存在制造缺陷（虚焊、松动、污染、材料内应力）的早期失效件，使出厂产品的失效率接近浴盆曲线的平坦段。与老化的区别：老化（Burn-in）通常是高温通电静置，主要激发与时间相关的缺陷；ESS 用的是温度循环与振动，主要激发与热膨胀失配和机械连接相关的缺陷，筛选效率更高、时间更短。关键设计：应力水平必须「高于使用环境但低于破坏极限」—— 太低筛不出缺陷，太高会引入新损伤（消耗寿命）。因此 ESS 的剖面必须基于 HALT 的结果与产品的破坏极限来确定，不能照抄他人参数。在汽车电子中的形态：常见于 ECU、域控制器、传感器、BMS 的量产下线流程；与 EOL 检测结合（先 ESS 再功能测试），并需记录每台的筛选参数以便追溯。争议：ESS 会占用产能与设备投资，且对成熟稳定产品收益递减，因此需要通过「筛选前后失效率对比」证明其有效性，否则应评估取消或降级。
工程方法
💬 相关讨论 →
耐久试验 Durability Test
Durability Test
模拟实际使用中的载荷、振动、温度与操作循环，在规定循环数或里程内验证产品是否出现功能失效、性能衰减或结构损伤的试验。与「环境试验」的区别：环境试验验证「能不能在某种环境下工作」，耐久试验验证「能工作多久」。载荷谱的确定：来自实车道路载荷采集（用户关联），用里程分布与工况比例加权合成；常见类型有等幅谱（简化，便于对比）、程序谱（分段多级）、随机谱（最接近真实）。典型项目：悬架与车身的道路模拟（四立柱）、开闭件的循环耐久（车门 10 万次、座椅 3 万次）、线束的弯折耐久、电池的充放电循环、连接器的插拔次数。判定与加速：判定标准必须在试验前约定（功能失效、性能衰减超限、出现异响或裂纹均可能算失效）；为压缩周期常用「加速因子」（提高载荷幅值或频率），但必须验证加速后失效机理不变，否则结论无效。与售后数据的闭环：耐久试验的失效模式应与售后 FFA 的失效模式一致，若不一致说明载荷谱或用户关联模型有偏差 —— 这是可靠性验证最常见的系统性误差。
工程方法
💬 相关讨论 →
几何尺寸与公差 GD&T
Geometric Dimensioning and Tolerancing
用符号在图纸上表达零件几何要素的形状、方向、位置与跳动允许偏差的国际通用语言，标准依据 ASME Y14.5（美系）与 ISO 1101（国际/欧系）。核心价值是把「功能要求」直接翻译成「可测量且与装配功能对应的公差」，而传统正负公差无法表达「孔的位置相对于基准的偏移」这类要求。14 个几何特征符号分五类：形状（直线度、平面度、圆度、圆柱度）、轮廓（线轮廓度、面轮廓度）、方向（平行度、垂直度、倾斜度）、位置（位置度、同轴度/同心度、对称度）、跳动（圆跳动、全跳动）。三个基本概念：① 基准（Datum）—— 测量的参照，须按功能（装配面、定位孔）而非「加工方便」选定；② 公差带（Tolerance Zone）—— 符号规定的是公差带的形状（圆柱、两平行面、两同心圆），与正负公差的长方体带不同；③ 最大/最小实体要求（MMC/LMC）—— 用 Ⓜ/Ⓛ 修饰，允许在尺寸偏离实体极限时获得补偿公差。在质量工作中的落点：① 尺寸结果（PPAP 的 DSR）必须按 GD&T 语义测量，而不是用卡尺量「两点距离」；② CMM 编程须与图纸的基准体系一致，否则测出来的「合格」没有意义；③ 检具设计依据 MMC 的功能检具（Functional Gage）思路；④ 图纸解读不一致是供应商与顾客争议的高发点，签约前须做 GD&T 对齐评审。
工程方法
💬 相关讨论 →
最大实体要求 MMC
Maximum Material Condition
尺寸要素处于包含材料最多的极限状态：孔为最小孔径、轴为最大轴径。当形位公差标注后加 Ⓜ 修饰符时，表示该形位公差在 MMC 状态下取标注值，当实际尺寸偏离 MMC（孔变大、轴变小）时，可获得等于偏离量的补偿公差（Bonus Tolerance）。工程意义：配合件（孔与轴）在间隙最大时最容易装配，因此位置度用 MMC 修饰最贴近装配功能 —— 只要保证「最坏情况（MMC）下能装进去」，实际生产中孔做大一点就该允许位置偏一点。这既符合功能，又降低了加工成本。检验优势：MMC 下的位置度可用功能检具（按 MMC 尺寸做的销/环）直接验证，通规通过即合格，无需三坐标逐点测量，适合大批量 100% 检验，这是汽车行业大量使用 MMC 的现实原因。常见误用：在不涉及装配配合的特性（如外形轮廓、密封面平面度）上乱加 MMC（语义上不成立）；检验时仍按标注值判定而忽略补偿公差（会误判合格件为不合格）。
工程方法
💬 相关讨论 →
最小实体要求 LMC
Least Material Condition
尺寸要素处于包含材料最少的极限状态：孔为最大孔径、轴为最小轴径。形位公差加 Ⓛ 修饰时，公差在 LMC 下取标注值，实际尺寸偏离 LMC 时可获得补偿。为什么需要它：有些失效不是「装不进去」，而是「壁太薄、边距太小」—— 例如孔到边缘的距离不足会导致破裂，此时希望孔不要太大、位置不要偏向边缘，控制方向与 MMC 正好相反。典型应用：孔到边的距离（防止边距过小开裂）、薄壁件的壁厚控制、密封槽的最小壁厚、铸件的加工余量。实务提示：LMC 在汽车图纸上出现频率远低于 MMC，容易被检验人员忽略或错按 MMC 判定；一旦标注了 Ⓛ，测量程序与检具方案都必须相应调整，这一点在 PPAP 的尺寸结果审查中常被漏检。
工程方法
💬 相关讨论 →
基准 Datum
Datum
GD&T 中用于建立测量参照的、理论精确的点、线或面，由零件的实际要素（基准要素）按优先级（A→B→C）建立。基准体系决定了「测量什么方向上的偏差」，因此选错基准会让合格的零件判为不合格（或反之）。选择原则（按功能优先）：① 优先选与装配定位实际接触的面或孔（装配面、定位销孔）；② 其次是加工与检测时的定位面（保证可重复装夹）；③ 避免选「加工方便但不参与装配」的面。基准顺序必须与装配顺序一致，否则会放大装配偏差。三种形态：基准要素（零件上的实际面/孔）、模拟基准（检验时用的平板、心轴、检具定位件 —— 实际要素总有不平度，用模拟基准把不确定度固定下来）、基准体系（三个相互垂直的基准面构成的坐标系统）。最常见的现场争议：供应商按图纸基准测合格、顾客按装配状态测不合格 —— 根因是图纸基准与装配基准不一致。这类问题在 PPAP 阶段若不做「基准与装配关系」的评审，量产后必然以装配干涉的形式爆发。
工程方法
💬 相关讨论 →
位置度 Position Tolerance
Position Tolerance
控制要素（通常为孔、轴、槽的中心）相对于基准的位置偏差的形位公差，公差带通常是直径等于公差值的圆柱（对孔/轴）或两平行平面之间的区域。标注形如「⌖ ⌀0.2 Ⓜ A B C」。为什么汽车图纸大量用位置度而非坐标正负公差：① 坐标公差给出的是矩形公差带，四个角超出圆形装配需求（等于把不必要的精度要求转成成本）；② 位置度可直接用 MMC 获得补偿公差并用功能检具检验；③ 位置度能明确表达「相对于哪几个基准」的完整约束。计算与判定：实际偏差 = 2×√(Δx²+Δy²)（即偏差量的两倍与直径公差带比较）；在 MMC 下允许加上补偿量。CMM 测量后须按此换算，直接拿 Δx、Δy 分别与公差比是常见错误（会误判）。与装配的关联：位置度公差通常由「最坏情况公差叠加」反算得出 —— 孔位偏、孔径小、销径大三者叠加仍能装配，才说明公差设定合理；这也是为什么位置度常与 MMC 一起出现。
工程方法
💬 相关讨论 →
三坐标测量机 CMM
Coordinate Measuring Machine
通过探针在三个坐标方向上逐点接触（或光学非接触）工件表面，由软件拟合出几何要素并计算尺寸与形位误差的精密测量设备，是 GD&T 特性的主要测量手段，精度通常在微米级。使用要点：① 测点策略 —— 圆至少 3-4 点、圆柱需多层截面、平面需覆盖整个面（点数不足会拟合出错误结果）；② 基准建立必须与图纸基准体系一致（先建坐标系再测，而不是随便找个面建）；③ 温度补偿（20±2℃ 标准温度，工件与设备需等温）；④ 探针校准与测球半径补偿；⑤ 程序须经 MSA 验证（同一工件重复测量与不同操作员测量的变异）。常见问题：PPAP 的尺寸结果用 CMM 测但程序未验证、基准与图纸不符、薄壁件夹持变形（夹紧力导致测得的尺寸偏小）、把「测出来合格」当作「功能合格」（尺寸合格但装配干涉，因为公差叠加未考虑）。替代与补充：大批量生产常用专用检具（更快但只能判定通止），CMM 更多用于首件、抽检、争议仲裁与模具修正。
工程方法
💬 相关讨论 →
校准 Calibration
Calibration
在规定条件下，将测量设备（或测量系统）的示值与对应的标准器示值进行比较，确定其示值误差的一组操作。注意：校准的产出是「误差值与不确定度」，不是「合格/不合格」判定 —— 是否可用（是否符合使用要求）由使用者按公差与测量要求判断（部分场景下称为「检定」或「计量确认」）。管理要求（IATF 16949 条款 7.1.5.2）：① 建立台账，标识校准状态与有效期；② 校准须可溯源至国家或国际基准；③ 校准记录须包含标准器信息、环境条件、误差值与结论；④ 规定校准周期（按使用频次、历史漂移、重要性确定，而非一律一年）；⑤ 发现失准时须评估「上次校准以来用该设备检验的产品」的影响范围并处置 —— 这一条是审核高频不符合项。易被忽略的对象：检具与工装上的测量元件（定位销尺寸）、试验设备（拉力机、扭矩扳手、盐雾箱温控）、软件（CMM 程序、视觉算法版本）、以及生产线上的在线量仪。实务提示：校准周期的设定应基于数据（历史校准结果是否总是零漂移），一味缩短周期是浪费，一味延长则会漏掉漂移风险。
工程方法
💬 相关讨论 →
计量溯源 Metrological Traceability
Metrological Traceability
通过一条不间断的、每步均有规定不确定度的校准链，把测量结果与国家或国际测量基准联系起来的性质。链条通常是：工作量具 → 企业最高标准器 → 法定计量机构标准 → 国家基准 → SI 单位定义。为什么必须：若测量结果无法溯源，则「合格」只是相对于某台未知设备的状态，供应商与顾客各用不同的尺子，争议无法裁决。汽车供应链的跨地域供货（不同国家工厂生产同一零件）尤其依赖溯源一致性。实操要求：① 校准证书须由具备资质的机构出具，且证书上须体现标准器信息与不确定度；② 内部校准须建立「企业最高标准器」并送外校准；③ 校准链上的不确定度应满足「测量不确定度 ≤ 公差 1/10」或顾客规定的比率（VDA 5 对此有明确判据）；④ 记录须能证明链条完整（不能中间断链，例如用未经校准的量块去校准卡尺）。常见不符合：采购的检具只有厂家「出厂合格证」而无校准证书（合格证不等于校准）；校准证书已过期未续；使用未经溯源的自制检具做 PPAP 尺寸判定。
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 →
‹ 上一页 1 2 3 4 下一页 › 101-150 / 160