基于DOE數據分析的車門輥壓窗框外觀工藝研究

中圖分類號：U466 文獻標識碼：A

0引言

為展現運動時尚色彩，開拓多元化市場，汽車車門更加青睞高亮黑元素。高亮黑車門結構通常分為歐式導槽加外飾板、輥壓窗框加高亮黑膜及一體式車門套色等方案。由于輥壓窗框具有較高的材料利用率等成本優勢，越來越多的車企采用輥壓窗框加高亮黑膜的配置。

車門輥壓窗框是由輥壓導軌通過保護焊拼接而成，焊縫位置處于熱變形影響區，焊縫凹凸屬于系統性結構問題。常規做法是使用亞光膜遮瑕，而高亮膜則會放大外觀缺陷，因此相較于常規車型，輥壓窗框的外觀要求更高，這對車門輥壓窗框的工藝、模具、設備以及加工過程等都是嚴峻的挑戰。為提高效率和產能，降低質量損失，本文使用DOE分析方法對焊縫外觀的工藝進行研究。

1 Minitab和DOE概述

1.1 Minitab簡介

Minitab是一個全方位的統計軟件包。它提供了普通統計學所涉及的所有功能，如假設檢驗、相關與回歸、列聯表和多元統計分析等。該軟件包還包含了豐富的質量分析工具，如統計過程控制、試驗設計和測量系統分析等，這些內容都可以在軟件中輕松實現。同時Minitab能夠繪制直方圖、散點圖、時間序列圖以及曲面圖等統計圖形，生動形象地顯示數據分析結果。

1.2 DOE簡介

試驗設計（DOE）是一種規劃、實施、分析和研究的方法，可用于分析階段的因子篩選和改進階段的因子優化。DOE通過規劃和實施一系列試驗，以控制自變量X的變化來觀測和確定響應變量Y變化。其目的有兩方面：一是分析出哪些自變量X顯著影響Y;二是確定這些自變量X取什么值時將會使Y達到最佳。

全因子試驗設計是DOE試驗方法的一種，是所有因子所有水平的所有組合都至少進行一次試驗的設計，試驗次數較多，分析精度較高。通過模型分析解釋可以找到Y與X的函數關系，給出X的最優解，并預測Y的最佳值是多少以及在什么范圍波動。

2車門輥壓窗框產品和工藝簡介

2.1輥壓窗框產品結構

車門輥壓窗框是由輥壓導軌與;中壓或輥壓件拼接而成。這2個零件的弧面搭接會產生凹陷和面差，設計階段需要檢查零件數模搭接面;開發階段需要根據加工工藝的影響，對輥壓導軌的截型和弧面做工藝補償。

2.2輥壓窗框生產工藝

車門輥壓窗框工序過程長，生產工藝復雜，要經過輥壓、拉彎、沖壓、包邊、切角、焊接和打磨等多種工序（圖1）。根據外觀要求不同，車門輥壓窗框生產線的工藝、工裝和設備也會有較大的區別。

2.3工藝難點

車門輥壓窗框的每個生產環節都可能造成外觀缺陷，外觀能力提升需要做全工序的提升。在經過幾個車型的迭代升級、生產工藝和過程管理的系統改善后，我司對高亮膜發起終極挑戰。而擺在面前的最大難題是焊縫凹凸（圖2）。

焊縫凹凸屬于產品結構上的工藝難點，切角工序根據上框和B柱的型面和輪廓來調整切角尺寸;角焊工序匹配切角工序件的型面并進行拼焊;打磨工序最終把焊縫打磨平整（圖3）。為提高效率并減少外觀不良品，既需要提高工序件尺寸穩定性，又需要改善總成工藝。

3全因子試驗設計與分析

3.1試驗設計目的

公司的使命是為客戶提供更加優質的產品，而目前某車型輥壓窗框角焊區域凹凸問題不良率14%，引起客戶投訴。需要解決的問題是：角焊區域外觀不良率降低到5%。

3.2關鍵因子篩選

經過團隊在測量和分析階段的測量系統分析、現有流程梳理以及潛在失效模式樹圖分析，識別出20個潛在因子;再利用CE矩陣分析和FMEA分析分層聚焦，篩選出10個關鍵因子。最后通過快贏改善、多變異分析和假設檢驗等過程后，保留了4個對外觀影響顯著的因子：X1——上框型面公差;X2——B柱型面公差;X3——切角尺寸;X4——角焊搭接面差（圖4）。

3.3設計試驗和數據收集

3.3.1建立試驗計劃

響應變量Y為不良率p，目標值為5%，關鍵因子分別為X1、X2、X3和X4。用Minitab創建試驗計劃矩陣：4因子，2水平，16次試驗加4中心點試驗，共20組試驗計劃。

3.3.2確定每組抽樣數量

車門輥壓窗框角焊凹凸為合格和不合格，屬于二項分布，數據量較少時不良率Y會存在偏離正態的情況。當ngt;100，不合格數gt;5時，二項分布可以近似正態分布，預估每個試驗組合的樣本量為ngt;5/Y。因為Y的目標為5%，最終設定每種試驗組合收集100個數據。當每組試驗過程中不良數lt;5時，使用國際標準修正公式p=（x+0.5）/（n+1）。

3.3.3離散型數據對數轉化

響應變量Y為外觀不良率，不良率是離散型數據，需要通過對數Logistic模型轉換，將響應變量轉化為連續型數據v。定義“OK”與“NOK”兩種結果出現的概率之比為優勢比odds=p/（1-p），求優勢比的對數v=ln（odds）。用這種類型的函數來擬合比率變化規律的效果比較好，能夠實現p從0變到l時，v從負無窮變到正無窮。

3.4試驗實施和數據分析

攻關團隊嚴格按照試驗計劃矩陣的試驗條件和試驗順序進行試驗，記錄每組試驗外觀不良率，并做了對數轉換（表1）。

3.4.1試驗模型檢驗及改進

將收集的數據應用Minitab擬合選定模型、殘差診斷以及評估模型的適用性并進行改進，步驟如下。

第一步，模型總體評估。從方差分析中可以看出，主效應項p小于0.05，模型效果顯著有效。誤差項中彎曲和失擬p大于0.05，都是不顯著的，擬合模型沒有明顯彎曲和失擬。

第二步：擬合效果確認，根據試驗模型的相關系數進行判斷，本文擬合優度R-Sq、R-Sq調整和R-Sq預測接近1，三者之間差異小，說明模型與試驗數據擬合效果較好。

第三步：因子顯著性檢驗。判斷試驗設計中是否遺漏重要影響因子，以及確認模型是否需要簡化。本文去除影響不顯著的高階交互作用后，數據符合正態（圖5）。從柏拉圖中可以看到，因子A（上框公差）、B（B柱公差）、C（切角尺寸）、D（角焊面差）以及CD的交互作用是顯著的（圖6）。

第四步：殘差診斷，判斷殘差是否正常。如圖了所示，觀察右下方的觀測點時間序列圖，殘差隨機在水平軸上下無規則的波動，未出現任何時間趨勢或異常的點偏離現象;觀察右上方的殘差擬合預測散點圖，圖中沒有漏斗或喇叭形狀;觀察左上方的正態概率圖和左下方的直方圖，殘差服從正態分布。如圖8所示，各因子的殘差散點圖沒有彎曲，說明殘差無異常，模型與試驗數據擬合得很好。

第五步：評估模型是否需要改進。通過以上步驟多次反復確認，并經過團隊內專家依據技術判斷模型符合工藝原理，最終我們獲得一個最為滿意的模型，將它定為選定的模型。Minitab軟件依據選定模型確定試驗數據的回歸方程，y與因子X的函數關系如下：

v=-4.39306+2.24549×上框公差+2.33393×B柱公差-10.2271×切角尺寸+3.25797×角焊面差+15.6999×切角高度×角焊面差-0.0862654 X中心點

3.4.2試驗模型分析解釋

經過模型改進和評估適用性后選定了最終模型。接下來對選定模型進行分析解釋，輸出圖形信息并做出解釋。主要有以下3方面。

輸出1：輸出各因子的主效應圖和交互作用圖。圖形化可以更具體地顯示各項效應的顯著性。從主效應圖中可以看出，A（上框公差）、B（B柱公差）、C（切角尺寸）和D（角焊面差）因子對響應變量影響顯著（圖9）;從交互效應圖中可以看出，C（切角尺寸）和D（角焊面差）因子兩條線不平行，交互作用對外觀不良率影響顯著（圖10）。

輸出2：輸出等值線圖和響應曲面圖。圖形化更直觀地顯示外觀不良率受各因子影響的變化規律。從等值線圖和曲面圖可以看出，CD等高線彎曲（圖11），CD曲面偏離平面（圖12）。為使不良率降低，應該讓C切角尺寸取高水平，D角焊面差取低水平。

輸出3：實現目標最優化。期望外觀不良率越小越好，使用響應優化器得到一個最佳因子設置。即最優工藝方案為：上框公差取0.4，B柱公差取0.4，切角高度取0.1，角焊面差取0.1，預測的響應y=ln（Odds）=-3.14032。對ln（Odds）進行反轉換，得到在最優工藝方案條件下，不良率Y的最優值3.6%，符合目標要求5%。

3.4.3進行驗證試驗

通過驗證試驗以確保將來按最優工藝方案實施，外觀不良率能獲得預期的改善效果，將最優工藝組合自變量X帶入回歸方程得出y擬合值-3.14032，擬合值和與預測的最優值是一致的。通過反轉換，在最優工藝條件下有95%的把握斷言，不良率Y在3.2%到4.2%之間。些改進方案使關鍵因子達到最優組合?？刂齐A段對車門窗框不良率進行跟蹤，斷點后不良率滿足低于5%的目標。

5結束語

本文運用六西格瑪管理的思路定義問題，在測量和分析階段通層層篩選因子，改進階段利用DOE方法對車門輥壓窗框外觀工藝進行研究。DOE具有由局部推測整體狀態的性質，提供了一套科學高效的試驗方法，最大限度地保證試驗精度并降低試驗周期和費用。通過分析與計算，得出最優工藝組合并滿足預期目標，經過結果監控，效率和質量運行指標也可以滿足客戶要求。