派可数据BI 助力生产企业数字化质量管理,全面提升产品品质

在制造业中,出了质量问题,生产和质检部的同事都先抱怨。大家觉得质量问题是品控部门的问题,生产质量有瑕疵,检验人员就要负责。而检验人员又觉得,品质是生产出来的,而不是检验出来的,只有在生产过程中的每个环节,严格按照生产工艺和作业指导要求进行,才能保证产品质量。

制造企业一件产品的生产,其实经历了很多工序,涉及了各个部门,各个层级,要很好的控制生产质量,就得对人、机、料、法、环这五个影响产品质量的主要因素进行分析,环环相扣,解决质量问题,但现实中,在质量因素数据分析与解决问题的过程中存在以下难点:

1、产品质量缺陷追溯周期长,找寻规律较慢。

2、数据跨工厂/跨车间/跨业务系统,只做数据展示,无法关联分析。

3、数据不全,数据准确性不稳定,数据分析决策支持功能弱。

4、很难发现经验已知之外的影响产品质量的因素。

精细化质量管理,用"数据说话"

数字化质量管理,提倡“用数据说话”,真正实现“用数据说话”的前提和关键是需要有及时、可靠、完整的质量检验数据,作为后续质量管理、过程分析、过程控制、质量报告、报表呈现、以及决策的依据和基础。如何保证质量管理有完整、可靠、及时的数据能够为质量管理所用,派可数据数字化生产质量分析为企业数字化质量管理提供了可靠的保障。

派可数据一站式企业级数据平台预置了制造企业在来料,生产过程,客户、效益与成本损失等多个方面的质量分析模型、聚集企业生产计划、车间、质量、品控等各管理岗位的PC、大屏、移动端的可视化效果,全面构建制造企业数字化质量管理指标体系,帮助企业快速进行质量因素分析,洞察质量现象深层次问题,持续改善企业质量与品控体系,以数据驱动业务价值创新。

01 面向客户的质量管理

制造企业提供给客户的产品是企业创造价值的核心,围绕客户对企业产品的满意度反馈,是促进和推动制造企业进行产品质量提升,工艺创新,流程优化的直接因素与动力。基于此,派可数据针对制造企业的客户,预置了面向客户的质量分析指标,重点关注以下两个指标:

  • 客验批次合格率,用来衡量客户对企业提供的产品质量的要求。客验合格率=(客户检验产品合格数量/客户检验产品总数量)×100%;批次合格率=(客户检验产品合格批次/客户检验产品总批次)×100%
  • 退货率,用来衡量客户对产品质量的接受程度。客户退货率=(客户退货/拒收的数量或/全部发运数量)×100

02 面向来料的质量管理

制造企业对从供应商采购来的物料进行严格的质量管控是企业质量管理的一切源头,是企业产品生产质量、品质优良的基础保障。派可数据基于U9采购及生产、质量管控过程,预置了针对采购物料的质量分析指标,包括来料质量事故损金额、来料质量事故次数、来料检验及时性等衡量企业质量管理水平的价值指标,更关注来料本身质量及供应商提供物料的质量水平,其重点指标有:

  • 来料检验合格率,来料检验批次合格率,用来监督供应商供应的物料质量水平,也体现了企业物料采购水平。来料检验合格率=(来料检验合格数量/来料检验总数量)×100%;来料检验批次合格率=(来料检验合格批次/来料检验总批次)×100%
  • 在线质量问题批次发生率,用来衡量品质检验部门检验能力和来料品质。在线质量问题批次发生率=在线发现的批量来料质量问题数/总来料批数×100%

动图封面

03 面向制造的质量管理

制造企业的产品是在车间经过多个工序,复杂的工艺流程,通过人、机、料、法、环等综合条件生产加工而来,对于产品加工过程的质量管控,是提升产品品质,有效降低成本的关键手段。派可数据质量分析模型与制造企业品控与质量标准体系相融合,构建数字化生产质量分析指标体系,助力生产部门严把过程质量环节,排除质量风险,其主要指标包括:

  • 巡检合格率,(或工序合格率),用来衡量各工序的质量控制水平。巡检合格率或工序合格率=(工序一次合格数量/该工序生产总数量)×100%
  • 产品直通率,用来衡量产品制造过程各个工序综合品质水平,指产品可以无缺损通过整个生产流程的概率值。产品直通率=工序1检验合格率×工序2检验合格率×…×工序N检验合格率
  • 产品出货检验合格率(或批次合格率),用来衡量整个生产过程的最终产成质量水平。出货检验合格率=(出货检验合格数量/出货检验总数量)×100%出货检验批次合格率=(出货检验合格批次/出货检验总批次)×100%

04 面向成本的质量管理

制造企业生产过程的质量管控,是保障产品质量的核心机制,在这个过程中,如何有效控制成本,在质量品质与成本费用中平衡,需要数字化的效益指标来进行精细化的管理。派可数据数字化质量管理预置了生产制造过程中效率与成本损失的质量管理指标,主要包括:

  • 返工率,用来衡量因质量问题导致的工时损失,返工率=(返工工时/总生产工时)×100%,返工工时量化了再次加工、分拣、修复那些否则将成为废品的工件所花费的时间。
  • 废品率,用来衡量因质量问题而导致的废品损失。废品率=(废品的物料金额/总生产成本)×100%或=(废品数量/产品总生产数量)×100%
  • 质量成本控制率,用来衡量对质量成本损失的控制能力,体现企业品质管理综合水平。质量成本控制率=(质量成本/产品销售收入)×100%质量成本=报废损失费用+返工或返修损失费用+客户退货损失费用+产品责任损失费用+客户投诉受理费用等

总 结

当前很多制造型企业拥有了ERP、PLM、MES、SPC、WMES等业务系统,获得了大量的数据。在跨工厂、跨系统的异构数据中,如何找到生产各个环节的规律和异常,如何获得优化见解,是制造型企业面临的关键挑战。通过派可数据一站式企业级平台构建数字化质量管理是提升产品质量,提高产品合格率、成品率的关键抓手。

派可数据基于客户U9生产制造系统的应用,通过实时质量风险预警平台、质量大数据分析平台、智能质量报告平台、自动化分析程序及报告等数字化管理平台,将工业统计与大数据技术、行业质量管理及持续改进最佳实践完美融合、洞察质量与流程数据,从而提高效率、降低成本、预测末知、科学决策,提高持续盈利能力。

派可数据致力于用数据赋能制造企业价值创造,持续提升企业数字化运作能力!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/230792.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

服务器为什么大多用 Linux?

服务器为什么大多用 Linux? 在开始前我有一些资料,是我根据自己从业十年经验,熬夜搞了几个通宵,精心整理了一份「Linux的资料从专业入门到高级教程工具包」,点个关注,全部无偿共享给大家!&#…

1.3 金融数据可视化

跳转到根目录:知行合一:投资篇 已完成: 1.1 编程基础   1.1.1 投资-编程基础-numpy   1.1.2 投资-编程基础-pandas 1.2 金融数据处理 1.3 金融数据可视化 文章目录 1. 金融数据可视化1.1. matplotlib1.1.1. 沪深300走势图1.1.2. 日线均线…

计算机网络-动态路由

网络层协议:ip,ospf,rip,icmp共同组成网络层体系 ospf用于自治系统内部。 一个路由器或者网关需要能够支持多个不同的路由协议,以适应不同的网络环境。特别是在连接不同自治系统的边缘路由器或边界网关的情况下&#…

Qt之自定义分页(翻页)控件

当数据量较大时,分页显示是个不错的选择。这里用百家姓来演示分页效果,包括首页、上一页、下一页、尾页和跳转。 一.效果 每页15个姓氏。 二.实现 QHPageWidget.h #ifndef QHPAGEWIDGET_H #define QHPAGEWIDGET_H#include <QWidget> #include <QStandardItemMod…

Docker安装Elasticsearch,kibana,ik分词器

安装elasticsearch 下载elasticsearch&#xff0c;查看版本&#xff1a;Elasticsearch Guide [8.11] | Elastic docker pull elasticsearch:7.17.16 查看镜像是否下载成功 docker images 创建网络&#xff0c;因为需要部署kibana容器&#xff0c;要让es和kibana容器互联 …

Linuk安装Prometheus+grafana监控

Linuk安装Prometheusgrafana监控 文章目录 Linuk安装Prometheusgrafana监控服务器环境配置1.prometheus监控框架工具介绍2.Prometheus 源码安装和启动配置2.1 下载2.2安装2.3默认prometheus.yml 配置解释2.4直接启动服务2.5 访问http://localhost:90902.6将Prometheus配置为系统…

webRTC实时通信demo

参考文档&#xff1a; https://www.jianshu.com/p/f439ce5cc0be https://www.w3cschool.cn/socket demo流程示意图&#xff08;用户A向用户B推送视频&#xff09;&#xff1a; #mermaid-svg-0KZaDQ5DBl28zjmZ {font-family:"trebuchet ms",verdana,arial,sans-seri…

SpringBoot从配置文件中获取属性的方法

方式一&#xff1a;Value 基本类型属性注入&#xff0c;直接在字段上添加Value("\${xxx.xxx}")即可&#xff0e;注意这里用的是$&#xff0c;而不是&#xff03;&#xff0c;Value注入的属性&#xff0c;一般其他属性没有关联关系。 配置文件 user:name: Manaphya…

Docker介绍、常用命令、项目部署

什么是Docker 简单说&#xff1a;Docker就是一个虚拟机&#xff0c;专业说&#xff1a;它是一个开源的容器平台。它和我们常用的VMware有很多相似的地方。 名词解释 镜像/images 由本体打包出来的文件。并不是文件本身&#xff0c;但是具有该文件的功能。举个不太贴切的例子&…

保姆级教程:从0到1搭建web自动化测试环境

之前都是在linux上安装&#xff0c;第一次在windows上配置环境&#xff0c;加上距离上次配置环境有点久了&#xff0c;竟也花了点时间。特此记录下保姆级教程&#xff0c;给初学者一个有效的参考&#xff01; 一. 环境搭建 工具清单 工具工具名版本Java开发工具包JDK1.8浏览…

2024美赛数学建模思路A题B题C题D题E题F题思路汇总 选题分析

文章目录 1 赛题思路2 美赛比赛日期和时间3 赛题类型4 美赛常见数模问题5 建模资料 1 赛题思路 (赛题出来以后第一时间在CSDN分享) https://blog.csdn.net/dc_sinor?typeblog 2 美赛比赛日期和时间 比赛开始时间&#xff1a;北京时间2024年2月2日&#xff08;周五&#xff…

Spring AOP的环境搭建、切入点表达式、通知注解

Spring AOP的实现 Spring AOP环境搭建AOP坐标依赖引入添加xml配置实现三层架构 定义切入点Pointcut("匹配规则")切入点表达式1. 执行所有的公共方法2.执行任意的set方法3.设置指定包下的任意类的任意方法 (指定包: com.svt.service)4.设置指定包及于包下的任意类的任…

SpringBoot整合ElasticSearch实现CRUD操作

本文来说下SpringBoot整合ES实现CRUD操作 文章目录 概述项目搭建ES简单的crud操作保存数据修改数据查看数据删除数据 本文小结 概述 SpringBoot支持两种技术和es交互。一种的jest&#xff0c;还有一种就是SpringData-ElasticSearch。根据引入的依赖不同而选择不同的技术。反正作…

【如何选择Mysql服务器的CPU核数及内存大小】

文章目录 &#x1f50a;博主介绍&#x1f964;本文内容&#x1f4e2;文章总结&#x1f4e5;博主目标 &#x1f50a;博主介绍 &#x1f31f;我是廖志伟&#xff0c;一名Java开发工程师、Java领域优质创作者、CSDN博客专家、51CTO专家博主、阿里云专家博主、清华大学出版社签约作…

HackTheBox - Medium - Linux - Interface

Interface Interface 是一种中等难度的 Linux 机器&#xff0c;具有“DomPDF”API 端点&#xff0c;该端点通过将“CSS”注入处理后的数据而容易受到远程命令执行的影响。“DomPDF”可以被诱骗在其字体缓存中存储带有“PHP”文件扩展名的恶意字体&#xff0c;然后可以通过从其…

LC 2397. 被列覆盖的最多行数

2397. 被列覆盖的最多行数 2397. 被列覆盖的最多行数 文章目录 2397. 被列覆盖的最多行数二进制枚举代码实现&#xff1a; 递归回溯实现代码实现 Gospers Hack代码实现 难度&#xff1a; 中等 题目大意&#xff1a; 给你一个下标从 0 开始、大小为 m x n 的二进制矩阵 matri…

Midjourney表情包制作及变现最全教程

盘点Midijourney&#xff08;AIGF&#xff09;热门赚米方法&#xff0c;总有一种适合你之AI绘画操作技巧及变现渠道剖析 【表情包制作】 首先我们对表情包制作进行详细的讲解&#xff1a; 当使用 Midjourney&#xff08;AIGF&#xff09; 绘画来制作表情包时&#xff0c;你可以…

python学完之后可以做什么,python学完可以做什么

大家好&#xff0c;小编来为大家解答以下问题&#xff0c;python学完可以做哪些工作&#xff0c;python学完之后可以做什么&#xff0c;今天让我们一起来看看吧&#xff01; Python是一种全栈的开发语言&#xff0c;你如果能学好Python&#xff0c;前端&#xff0c;后端&#x…

【Python机器学习】k近邻——k近邻分类

k-NN算法最简单的版本是只考虑一个最近邻&#xff0c;也就是想要预测的数据点最近的训练数据点&#xff0c;预测结果就是这个训练数据点的已知输出。 除了仅考虑最近邻&#xff0c;还可以考虑任意&#xff08;k个&#xff09;邻居&#xff0c;这也是k近邻算法名字的由来。在考…

Windows 安装配置 Anaconda、CUDA、cuDNN、pytorch-cuda全流程

Windows 安装配置 Anaconda、CUDA、cuDNN、pytorch-cuda全流程 1. 安装Anaconda 网址&#xff1a;https://repo.anaconda.com/archive/ 选择第一个下载即可 双击exe文件&#xff0c;按安装向导安装即可&#xff08;除安装路径自己选择外&#xff0c;其余均可按默认选项&#x…