后来被现实打了脸。❗
当时我们一条轴承产线，OEE常年在72%晃荡。换型时间长得离谱，不良品堆成小山，每周一的计划会都像追悼会。老板拍桌子喊：“必须搞精益六西格玛！”于是黑带大师来了。
他做的第一件事——不是教我们画图，而是把所有人拉到车间，盯着那台CNC磨床看了整整两小时。没错，就站着看。
然后他说：“换型时操作工有17次走到工具柜取东西，每次平均28秒。你们算过吗？”
我当时心里咯噔一下。这就是观察的力量。很多工厂一上来就急着搞DMAIC，工具用了一堆，却忘了最基本的东西。
DMAIC？不，先从鸡毛蒜皮开始
比如我们起初定义的问题：“降低缺陷率”。太笼统了。后来被逼着聚焦到：“减少外圈磨削工序的圆度超差”。这一改，项目立马落地。
测量阶段更坑。数据采集表设计得跟天书一样，操作工填得不耐烦，数据全是假的。😡 后来干脆简化成——每班只记三次数：调机首件合格数、中途异常停机次数、末件尺寸。就这三个数，够用了。
问：精益六西格玛是不是只适合大批量生产？我们工厂是小批量多品种，感觉没法用。
答：恰恰相反。小批量多品种更要用。关键是把快速换型（SMED）和标准化作业做扎实。我们有个车间就专门做非标夹具，单件流。用精益六西格玛的方法，把内部作业转外部，再让设计人员参与工装预调，换型时间从45分钟压到12分钟。效果立竿见影。别被“六西格玛需要大数据”的说法吓住，小数据也能找出规律，尤其是当你的缺陷很显眼的时候。
统计工具不是魔术，别神化SPC
市面上有些培训把统计过程控制（SPC）吹得神乎其神。动不动就Cpk必须大于1.33。可车间里温湿度一变，机床热机不够，什么控制图都白搭。我们吃过亏。💔
有段时间工序能力指数测出来1.6，高兴坏了。结果连续三批货被客户退货，一查，测量系统偏倚了0.002mm——量具没校准。这就是典型的测量系统分析（MSA）没做导致的误判。
所以现在我的习惯：先花半天时间验证量具，再谈过程能力。有些老师傅凭手感都能发现的问题，别死磕数据。
问：精益和六西格玛到底先搞哪个？我们资源有限。
答：这个问题我也纠结过。后来一位老厂长点拨我：先精益，后六西格玛。 或者更准确地说，先用精益工具把流程理顺畅，消除明显的浪费，让问题暴露出来，再用六西格玛解决顽固的变异。比如我们那条线，先做5S和快速换型，把因混乱和等待造成的损失砍掉，OEE从72%提到81%；剩下一直波动的磨削圆度问题，用DOE试验设计找到最佳砂轮转速和进给量组合，这才冲到85%以上。顺序反了会很痛苦，因为统计方法在混乱环境里根本发挥不出来。
搞精益六西格玛最缺的不是工具，是“现场感”
我见过最夸张的案例：一家汽配厂斥资上了整套智能工厂系统，结果一线员工为了不让红灯亮起（影响考核），把传感器用胶带贴住。纯粹的笑话。
精益六西格玛的核心是人。尊重人，培养人，然后才是工具。 我们现在推行的模式是：每个改善项目必须由一名现场主管和一名工程师结对，改善报告用手画，不准用PPT。这样逼着他们去现场观察、手绘价值流图、在白板上讨论。回归到最质朴的状态，反而效果奇好。
问：那精益六西格玛在智能工厂里过时了吗？AI都能自动分析数据了。
答：不过时，反而更重要。AI分析的是历史数据，但现场每天都在变化。比如刀具磨损趋势，算法能预测，可换刀决策仍要考虑物料批次差异、冷却液浓度这些模糊变量。精益六西格玛提供的是一种发现问题、界定边界、验证因果关系的思维框架。我们把DMAIC中的“分析”和“改进”与机器学习结合起来：先用I-MR图识别异常点，再用决策树找关键因子，最后用DOE验证。人机协作吧。别指望AI取代改善周，那玩意儿的价值在于跨部门争执和共识——这点AI做不到。
折腾半年，我们那条线的OEE总算站上85%，虽然离世界级还远，但团队信心起来了。最让我触动的是，有一次夜班操作工主动找我，说他把砂轮修整频次从每10件调到12件，圆度稳定，还能省砂轮钱。💡 这种来自现场的智慧，才是精益六西格玛真正的生命力。
别把它当成一套冰冷的方法论。它就是帮你系统性地聆听现场声音的方法。
免责声明：文章内容来自互联网，本站仅作为分享，不对其真实性负责，如有侵权等情况，请与本站联系删除。
转载请注明出处：精益六西格玛：我们在产线折腾半年，终于把OEE拉上了85% https://www.dachanpin.com/a/tg/65784.html
