陈浩

（上汽通用五菱汽车股份有限公司，柳州 545007）

0 引言

为展现运动时尚色彩，开拓多元化市场，汽车车门更加青睐高亮黑元素。高亮黑车门结构通常分为欧式导槽加外饰板、辊压窗框加高亮黑膜及一体式车门套色等方案。由于辊压窗框具有较高的材料利用率等成本优势，越来越多的车企采用辊压窗框加高亮黑膜的配置。

车门辊压窗框是由辊压导轨通过保护焊拼接而成，焊缝位置处于热变形影响区，焊缝凹凸属于系统性结构问题。常规做法是使用亚光膜遮瑕，而高亮膜则会放大外观缺陷，因此相较于常规车型，辊压窗框的外观要求更高，这对车门辊压窗框的工艺、模具、设备以及加工过程等都是严峻的挑战。为提高效率和产能，降低质量损失，本文使用DOE 分析方法对焊缝外观的工艺进行研究。

1 Minitab 和DOE 概述

1.1 Minitab 简介

Minitab 是一个全方位的统计软件包。它提供了普通统计学所涉及的所有功能，如假设检验、相关与回归、列联表和多元统计分析等。该软件包还包含了丰富的质量分析工具，如统计过程控制、试验设计和测量系统分析等，这些内容都可以在软件中轻松实现。同时Minitab 能够绘制直方图、散点图、时间序列图以及曲面图等统计图形，生动形象地显示数据分析结果[1]。

1.2 DOE 简介

试验设计（DOE）是一种规划、实施、分析和研究的方法，可用于分析阶段的因子筛选和改进阶段的因子优化。DOE 通过规划和实施一系列试验，以控制自变量X 的变化来观测和确定响应变量Y 变化。其目的有两方面：一是分析出哪些自变量X 显著影响Y；二是确定这些自变量X 取什么值时将会使Y 达到最佳[2-3]。

全因子试验设计是DOE 试验方法的一种，是所有因子所有水平的所有组合都至少进行一次试验的设计，试验次数较多，分析精度较高。通过模型分析解释可以找到Y 与X 的函数关系，给出X 的最优解，并预测Y 的最佳值是多少以及在什么范围波动[4]。

2 车门辊压窗框产品和工艺简介

2.1 辊压窗框产品结构

车门辊压窗框是由辊压导轨与冲压或辊压件拼接而成。这2个零件的弧面搭接会产生凹陷和面差，设计阶段需要检查零件数模搭接面；开发阶段需要根据加工工艺的影响，对辊压导轨的截型和弧面做工艺补偿。

2.2 辊压窗框生产工艺

车门辊压窗框工序过程长，生产工艺复杂，要经过辊压、拉弯、冲压、包边、切角、焊接和打磨等多种工序（图1）。根据外观要求不同，车门辊压窗框生产线的工艺、工装和设备也会有较大的区别。

图1 辊压窗框生产线

2.3 工艺难点

车门辊压窗框的每个生产环节都可能造成外观缺陷，外观能力提升需要做全工序的提升。在经过几个车型的迭代升级、生产工艺和过程管理的系统改善后，我司对高亮膜发起终极挑战。而摆在面前的最大难题是焊缝凹凸（图2）。

图2 焊缝凹凸

焊缝凹凸属于产品结构上的工艺难点，切角工序根据上框和B 柱的型面和轮廓来调整切角尺寸；角焊工序匹配切角工序件的型面并进行拼焊；打磨工序最终把焊缝打磨平整（图3）。为提高效率并减少外观不良品，既需要提高工序件尺寸稳定性，又需要改善总成工艺。

图3 角焊焊缝

3 全因子试验设计与分析

3.1 试验设计目的

公司的使命是为客户提供更加优质的产品，而目前某车型辊压窗框角焊区域凹凸问题不良率14%，引起客户投诉。需要解决的问题是：角焊区域外观不良率降低到5%。

3.2 关键因子筛选

经过团队在测量和分析阶段的测量系统分析、现有流程梳理以及潜在失效模式树图分析，识别出20 个潜在因子；再利用CE矩阵分析和FMEA 分析分层聚焦，筛选出10 个关键因子。最后通过快赢改善、多变异分析和假设检验等过程后，保留了4 个对外观影响显著的因子：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（图4）。

图4 关键影响因素图示

3.3 设计试验和数据收集

3.3.1 建立试验计划

响应变量Y 为不良率p，目标值为5%，关键因子分别为X1、X2、X3 和X4。用Minitab 创建试验计划矩阵：4 因子，2 水平，16 次试验加4 中心点试验，共20 组试验计划。

3.3.2 确定每组抽样数量

车门辊压窗框角焊凹凸为合格和不合格，属于二项分布，数据量较少时不良率Y 会存在偏离正态的情况。当n＞100，不合格数＞5 时，二项分布可以近似正态分布，预估每个试验组合的样本量为n＞5/Y。因为Y 的目标为5%，最终设定每种试验组合收集100 个数据。当每组试验过程中不良数＜5 时，使用国际标准修正公式p=(x+0.5)/(n+1) 。

3.3.3 离散型数据对数转化

响应变量Y 为外观不良率，不良率是离散型数据,需要通过对数Logistic 模型转换，将响应变量转化为连续型数据y。定义“OK”与“NOK”两种结果出现的概率之比为优势比odds=p/(1-p)，求优势比的对数y=ln(odds)。用这种类型的函数来拟合比率变化规律的效果比较好，能够实现p 从0 变到1 时，y 从负无穷变到正无穷。

3.4 试验实施和数据分析

攻关团队严格按照试验计划矩阵的试验条件和试验顺序进行试验，记录每组试验外观不良率，并做了对数转换（表1）。

表1 试验计划和结果

3.4.1 试验模型检验及改进

将收集的数据应用Minitab 拟合选定模型、残差诊断以及评估模型的适用性并进行改进，步骤如下。

第一步，模型总体评估。从方差分析中可以看出，主效应项p 小于0.05，模型效果显著有效。误差项中弯曲和失拟p 大于0.05，都是不显著的，拟合模型没有明显弯曲和失拟。

第二步：拟合效果确认，根据试验模型的相关系数进行判断，本文拟合优度R-Sq、R-Sq 调整和R-Sq 预测接近1，三者之间差异小，说明模型与试验数据拟合效果较好。

第三步：因子显著性检验。判断试验设计中是否遗漏重要影响因子，以及确认模型是否需要简化。本文去除影响不显著的高阶交互作用后，数据符合正态（图5）。从柏拉图中可以看到，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 的交互作用是显著的（图6）。

图5 主效应正态图

图6 柏拉图

第四步：残差诊断，判断残差是否正常。如图7所示，观察右下方的观测点时间序列图，残差随机在水平轴上下无规则的波动，未出现任何时间趋势或异常的点偏离现象；观察右上方的残差拟合预测散点图，图中没有漏斗或喇叭形状；观察左上方的正态概率图和左下方的直方图，残差服从正态分布。如图8所示，各因子的残差散点图没有弯曲，说明残差无异常，模型与试验数据拟合得很好。

图7 残差诊断

图8 中心点残差

第五步：评估模型是否需要改进。通过以上步骤多次反复确认，并经过团队内专家依据技术判断模型符合工艺原理，最终我们获得一个最为满意的模型，将它定为选定的模型。Minitab 软件依据选定模型确定试验数据的回归方程，y 与因子X 的函数关系如下：

y=-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×中心点

3.4.2 试验模型分析解释

经过模型改进和评估适用性后选定了最终模型。接下来对选定模型进行分析解释，输出图形信息并做出解释。主要有以下3方面。

输出1：输出各因子的主效应图和交互作用图。图形化可以更具体地显示各项效应的显著性。从主效应图中可以看出，A（上框公差）、B（B 柱公差）、C（切角尺寸）和D（角焊面差）因子对响应变量影响显著（图9）；从交互效应图中可以看出，C（切角尺寸）和D（角焊面差）因子两条线不平行，交互作用对外观不良率影响显著（图10）。

图9 主效应图

图10 交互作用图

输出2：输出等值线图和响应曲面图。图形化更直观地显示外观不良率受各因子影响的变化规律。从等值线图和曲面图可以看出，CD 等高线弯曲（图11），CD 曲面偏离平面（图12）。为使不良率降低，应该让C切角尺寸取高水平，D角焊面差取低水平。

图11 等值线图

图12 曲面图

输出3：实现目标最优化。期望外观不良率越小越好，使用响应优化器得到一个最佳因子设置。即最优工艺方案为：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，预测的响应y=ln(Odds) =-3.14032。对ln(Odds)进行反转换，得到在最优工艺方案条件下，不良率Y 的最优值3.6%，符合目标要求5%。

3.4.3 进行验证试验

通过验证试验以确保将来按最优工艺方案实施，外观不良率能获得预期的改善效果，将最优工艺组合自变量X 带入回归方程得出y拟合值-3.14032，拟合值和与预测的最优值是一致的。通过反转换，在最优工艺条件下有95%的把握断言，不良率Y在3.2%到4.2%之间。

4 改善实施和效果跟踪

不良率Y 低于5%的试验目标已达成，Minitab 给出不良率Y 的预测值及X 的最优方案。通过改进阶段的一系列措施，对现有工艺进行了改善。如基准一致性优化；辊压批次管理、线速及焊点距离优化；拉弯模型面研配、设备参数优化；冲压模具型面预回弹补偿；切角工序前/后角间隙控制；角焊面差校正等。这些改进方案使关键因子达到最优组合。控制阶段对车门窗框不良率进行跟踪，断点后不良率满足低于5%的目标。

5 结束语

本文运用六西格玛管理的思路定义问题，在测量和分析阶段通层层筛选因子，改进阶段利用DOE 方法对车门辊压窗框外观工艺进行研究。DOE 具有由局部推测整体状态的性质，提供了一套科学高效的试验方法，最大限度地保证试验精度并降低试验周期和费用。通过分析与计算，得出最优工艺组合并满足预期目标，经过结果监控，效率和质量运行指标也可以满足客户要求。