Obsidian/00工作/2026年/工艺研发+工业工程平台建设/PPK与CPK/GEMINI.md

**

工业工程视角下设定 Cpk/Ppk 目标的标准方法论及基于制造能力评估与模型仿真的 Cpk/Ppk 预测技术

1. 绪论：从后验质量控制到先验能力设计的范式转移

在现代工业工程（Industrial Engineering, IE）的演进历程中，质量管理已从早期的成品检验（Inspection）和统计过程控制（SPC）阶段，迈向了以“质量源于设计”（Quality by Design, QbD）和“零缺陷投产”（Zero Defect Launch）为核心的预测性工程阶段。过程能力指数（Process Capability Index, Cpk）和过程性能指数（Process Performance Index, Ppk）作为衡量制造系统在统计受控状态下满足工程规范能力的定量指标，其角色已发生了根本性转变。

传统上，Cpk/Ppk 是生产阶段的滞后指标（Lagging Indicator），往往在物理样机制造完成甚至批量生产启动后才被测算。如果此时发现能力不足（例如 Cpk < 1.33），企业将面临高昂的模具修改成本、工艺参数重新验证以及上市时间的延误。随着工业 4.0、数字孪生（Digital Twin）及人工智能（AI）技术的渗透，工业工程师现在具备了在产品诞生过程（Product Emergence Process, PEP）的早期阶段——即在虚拟环境中——设定、分解并精准预测过程能力的技术手段。

本报告旨在构建一套详尽的、基于工业工程视角的 Cpk/Ppk 目标设定标准方法论，并深入探讨结合物理制造能力评估（Manufacturing Capability Assessment, MCA）与高保真模型仿真（Simulation）的预测技术。报告将不仅限于统计学定义，更将涵盖 ISO 22514、AIAG SPC、VDA 4.0 等国际标准的深度解析，以及基于相似度理论（Similarity-based）、蒙特卡洛模拟（Monte Carlo Simulation）和机器学习（Machine Learning）的前沿预测算法，为复杂制造系统的能力规划提供系统性的理论与实践指导。

---

2. 过程能力与性能的工业工程理论深层架构

在深入探讨预测技术之前，必须在工业工程的语境下对过程能力的统计学本质、变异来源及国际标准体系的差异进行严格的理论界定。混淆能力（Capability）与性能（Performance），或误用正态分布假设，是导致预测模型失效的首要原因。

2.1 统计学定义的物理意义与数学推导

从统计物理学的角度来看，制造过程的输出特性（如尺寸、压力、电压）是无数个随机变量相互作用的结果。Cpk 和 Ppk 本质上是对这些随机变量分布形态（位置与离散度）与设计公差域（Tolerance Zone）重叠程度的无量纲度量。

2.1.1 变异的二元性：组内变异与整体变异

工业工程将过程变异（Variation）严格区分为两类，这直接定义了 Cp/Cpk 与 Pp/Ppk 的区别：

1. 组内变异（Within-subgroup Variation）：

• 定义： 仅由普通原因（Common Causes）引起的变异，代表了过程在“完美”受控状态下的技术极限。它是系统固有的“噪音”，如机床主轴的固有跳动、材料内部晶格的微观不均匀性。

• 统计估计： 对于 Cp/Cpk 的计算，标准差 必须基于合理子组（Rational Subgroups）内的变异进行估计。常用的估计量包括平均极差法（）或合并标准差法（Pooled Standard Deviation, ）。

• 数学表达：

• 工业意义： Cp/Cpk 代表了过程的潜在能力（Potential Capability）。如果 但 ，说明设备本身精度极高，但过程控制（如对刀、温度补偿）存在严重问题 1。

2. 整体变异（Overall Variation）：

• 定义： 包含普通原因和特殊原因（Special Causes）的总变异。它不仅包含组内变异，还包含子组之间的均值漂移（Shift）和方差波动（Drift）。这些变异通常源于刀具磨损、批次材料差异、环境温度日夜交替、班次轮换等长期因素。

• 统计估计： 对于 Pp/Ppk 的计算，标准差 使用所有样本数据的总标准差（Sample Standard Deviation）。

• 数学表达：

• 工业意义： Pp/Ppk 代表了过程的实际性能（Actual Performance），即客户最终收到的产品质量一致性体验 4。

2.1.2 1.5$\sigma$ 漂移假设的工业工程应用

六西格玛（Six Sigma）理论中的 1.5$\sigma$ 漂移假设是连接短期能力与长期性能的桥梁，也是设定目标值的核心依据。经验数据表明，随着时间的推移，物理系统的熵增会导致过程均值发生偏移。

• 关联公式：

• 目标设定的推论： 为了确保长期的 Ppk 达到 1.33（即 ），在设计和试生产阶段（短期）必须追求 Cpk 达到 1.67 或更高（即 ）。这 1.5$\sigma$ 的缓冲带是工业工程师为应对未来不可预见的制造干扰（如设备老化、人员流失）所预留的“安全余量” 6。

2.2 国际标准体系的演进与差异化要求

全球制造业并非采用单一的 Cpk/Ppk 标准。工业工程师必须根据产品所处的供应链体系（如德系、美系、航空系），采用相应的标准族进行目标设定与计算。

表 1：主要工业标准体系对过程能力的定义与要求对比

特性维度	AIAG (北美汽车工业行动集团)	VDA (德国汽车工业协会)	ISO 22514 (国际标准化组织)	AS9100 / AESQ (航空航天)
核心标准	SPC Reference Manual (2nd Ed), PPAP (4th Ed)	VDA Volume 4, Volume 2	ISO 22514-1, -2, -4, -6	AS9103, RM13006
术语定义	Cpk: 稳定过程能力 Ppk: 性能指数（初始研究）	Cp/Cpk: 过程能力（长期/稳定） Pp/Ppk: 过程性能（短期/批次）	: 过程能力 : 过程性能	: 关键特性控制指标
分布假设	传统上倾向于正态分布，非正态需转换（Box-Cox）	强制要求进行分布拟合测试（Best Fit），区分时间依赖模型	极其严谨的数学定义，提供 M1, M2, M3, M4 四种计算模型	强调对非正态和单边公差的处理
新项目要求	(PPAP阶段)		依据风险等级设定
量产监控			依据过程分类 (A/B/C)	持续 SPC 监控
关键区别	强调统计受控（Control Charts）	强调分布模型的正确选择（Distribution Fit）	引入了位置与离散的独立估计量	关注关键特性（KC）的管理

数据来源与综合分析：5

深度洞察：

• VDA 4.0 与 AIAG 的融合： 随着 IATF 16949 的统一，AIAG 和 VDA 标准正在趋同，但 VDA 标准在处理非正态分布（如位置度、同轴度等物理上有界零值的特性）方面提供了更为详尽的数学模型，特别是 ISO 22514-2 中定义的 分位数法（Quantile Method），该方法不依赖于正态分布假设，对于精密制造的 Cpk 预测更为鲁棒 13。

• ISO 22514-4 的多变量处理： 传统 Cpk 是一维的。但在复杂装配中，多个尺寸通常存在相关性。ISO 22514-6 提供了多变量正态分布下的过程能力计算框架，这对于几何尺寸与公差（GD&T）的综合评估至关重要 9。

---

3. 设定 Cpk/Ppk 目标的标准方法论

设定 Cpk/Ppk 目标不应是“一刀切”的行政命令，而应是一个基于顾客需求、技术风险与经济成本的综合决策过程。本章提出了一个四阶段的标准方法论闭环。

3.1 阶段一：基于 QFD 的顾客需求精准转化

质量功能展开（QFD）是将“顾客的声音”（Voice of the Customer, VOC）转化为“工程师的语言”（Voice of the Engineer, VOE）并最终映射为 Cpk 目标的首要工具。

1. 一级质量屋（HOQ）： 识别关键顾客需求（如“车辆静谧性”）。

2. 二级零件展开： 将系统需求分解为子系统特性。例如，“静谧性”分解为“车门密封系统”，进而分解为“密封条压缩负荷”和“车门钣金间隙”。

3. 目标映射逻辑：

• 关键质量特性（CTQ）： 对于直接影响顾客感知的特性（如影响风噪的间隙），Cpk 目标应设定得更高（如 1.67 或 2.0），以提供“惊喜质量”（Kano 模型中的 Excitement Quality）。

• 传递函数分析（Transfer Function）： 利用 关系，如果输出 要求 Cpk=1.33，通过蒙特卡洛灵敏度分析，可能发现输入 必须达到 Cpk=2.0 才能抵消其他因子的波动。这种**反向传播（Back-propagation）**是科学设定零部件 Cpk 目标的核心逻辑 16。

3.2 阶段二：基于 FMEA 的风险导向分级设定

失效模式与影响分析（FMEA）为 Cpk 目标提供了风险维度的量化依据。现代工业工程不再仅依赖 RPN，而是结合严重度（Severity, S）、频度（Occurrence, O）和探测度（Detection, D）及其组合（行动优先级 AP）来动态调整目标。

• 安全/法规特性（Safety/Legal, CC/S=9-10）： 此类特性一旦失效将导致灾难性后果。

• 目标策略： （六西格玛水平）是标准要求。如果工艺无法达到，必须实施 100% 在线自动防错（Poka-yoke）或冗余设计。单纯依赖统计抽样（即使 Cpk=1.67）在法律和伦理上往往被视为不足。

• 主要功能特性（Major Functional, SC/S=7-8）： 失效导致主要功能丧失，客户极度不满。

• 目标策略： （新项目），（量产）。这是汽车和航空业对关键特性的基准线。

• 次要/一般特性（Minor, S=1-6）： 失效造成轻微困扰。

• 目标策略： 或 。在成本压力下，此类特性可接受较低的 Cpk，前提是返工成本可控 20。

3.3 阶段三：基于田口损失函数的经济性优化

过高的 Cpk 意味着指数级增加的制造成本（高精度设备、恒温环境、低加工速度）。田口玄一（Genichi Taguchi）提出的质量损失函数模型 揭示了质量损失与偏离目标值的平方成正比。

• 经济平衡点计算： 最佳 Cpk 目标应位于“质量损失成本（COPQ）”与“制造成本”总和的最低点。

• 应用场景： 对于廉价且易更换的零件（如塑料垫圈），追求 可能是经济上的浪费；而对于不可维修且高价值的组件（如卫星陀螺仪），即便制造成本极高，设定 也是经济合理的，因为其潜在的故障损失（Mission Failure）是天文数字 24。

3.4 阶段四：六西格玛设计（DFSS/IDOV）的集成

在 IDOV（Identify, Design, Optimize, Verify）流程的“优化”阶段，Cpk 目标被正式确立为设计规范的一部分。

• 记分卡（Capability Scorecard）： 在设计评审中，建立包含所有 CTQ 的能力记分卡。预测的 Cpk 值必须满足特定门槛（Gate Review）才能进入下一阶段。例如，在“设计冻结”节点，关键特性的预测 Cpk 必须 26。

---

4. 制造能力评估（Manufacturing Capability Assessment, MCA）

在进行预测之前，必须对物理制造系统的基础能力进行详尽的评估。这是构建数字模型和仿真预测的物理基石。

4.1 机器能力（Cm/Cmk）与过程能力（Cp/Cpk）的解耦评估

工业工程实践中常犯的错误是用设备能力代表过程能力。预测模型必须明确区分并量化这两者之间的“能力衰减”。

• Cm/Cmk（机器能力）： 仅反映设备在理想条件下的精度（刚性、重复性）。评估条件通常为：连续生产 50 件，无操作员更换，无材料批次变化，恒温。

• 计算：

• Cp/Cpk（过程能力）： 引入了人（Man）、料（Material）、法（Method）、环（Environment）的变异。

• 变异叠加原理：

• 评估策略： 在预测时，工业工程师通常采用“降级系数”（Derating Factor）。例如，经验法则表明，要保证 ，设备的验收标准通常需达到 。这一经验差值（2.0 - 1.33）即为对未来生产中不可控因素（5M1E）的预留空间 13。

4.2 测量系统分析（MSA）的变异侵蚀

测量系统的不确定度会直接“侵蚀”观测到的 Cpk 值。如果测量系统能力不足，即便是完美的过程也会显示为不合格。

• 数学关系：

• 预测修正： 在设定目标时，必须扣除测量系统的贡献。如果量具的 GR&R 达到公差的 30%，实际过程的 Cpk 必须比目标值高出约 15% 才能在观测值上达标。

• 高精度场景： 对于微米级加工，MSA 往往是瓶颈。必须评估量具的分辨率、线性度和稳定性 29。

4.3 绿地（Greenfield）与棕地（Brownfield）项目的评估差异

• 棕地项目（现有产线改造）： 具有巨大的优势，拥有历史数据。可以通过“回溯分析”（Back-testing）来评估现有设备的真实 Cpk，并据此推断新产品的能力。重点在于分析历史数据的分布形态和特殊原因记录。

• 绿地项目（全新工厂）： 缺乏历史数据。评估完全依赖于设备供应商的规格书（Cmk 承诺）、相似工厂的对标数据（Benchmarking）以及物理模型仿真。此时，风险系数更高，通常需要设定更高的安全因子 32。

---

5. 基于模型仿真的 Cpk/Ppk 预测技术

这是本报告的核心技术章节。现代工业工程通过构建数字孪生（Digital Twin），利用计算机辅助公差（CAT）和多物理场仿真，实现了 Cpk 的“事前验尸”。

5.1 尺寸变异分析（Variation Simulation Analysis, VSA）

VSA 是预测复杂装配体（如白车身、发动机、手机壳体）Cpk 的标准技术。

5.1.1 仿真算法的演进

1. 极值法（Worst Case）： 假设所有零件都在公差极限的最差位置组合。

• 适用性： 航天、医疗等零风险领域。

• 局限： 预测结果过于保守，导致制造成本极高，不符合大批量生产的统计规律 35。

2. 均方根法（RSS）： 假设公差独立且服从正态分布。

• 公式：

• 局限： 仅适用于线性一维尺寸链，无法处理杠杆效应、浮动销定位或非正态分布 37。

3. 蒙特卡洛模拟（Monte Carlo Simulation）： 工业界的金标准。

• 原理： 构建 3D 虚拟装配模型，进行成千上万次（通常 5000-10000 次）的虚拟构建。每次构建时，随机数生成器根据设定的概率密度函数（PDF）为每个零件的尺寸和几何特征（GD&T）赋值。

• 输出： 生成装配关键特性（如间隙、面差）的频率直方图，直接计算出预测的 Cpk、Ppk 和废品率。

• 优势： 能处理 3D 几何关系、非正态分布（如由于刀具磨损导致的偏态分布）、条件约束（如间隙不能小于零）以及装配顺序的影响 35。

5.1.2 基于 3DCS/Siemens VSA 的建模工作流

建立高保真 Cpk 预测模型的标准步骤如下 44：

1. 定义几何（Geometry）： 导入 CAD 模型。如果 CAD 尚未完成，可使用“点云”（Points）代表关键特征，实现早期介入。

2. 定义装配操作（Moves）：

• 这是仿真的核心。定义零件如何定位（基准 A/B/C）。

• 刚体装配（Rigid Body Moves）： 假设零件不变形。

• 柔性装配（Compliant Moves）： 结合有限元分析（FEA）矩阵，模拟钣金件、塑料件在夹具夹紧力下的弹性变形和回弹（Spring-back）。这对于汽车覆盖件的 Cpk 预测至关重要 48。

3. 定义公差（Tolerances）： 将 GD&T（位置度、轮廓度等）映射为随机变量。高级应用中，不仅设定范围，还需设定分布形态（如韦伯分布模拟偏磨损）。

4. 定义测量（Measures）： 设定虚拟传感器，监测关键功能尺寸（如门缝间隙）。

5. 运行仿真与灵敏度分析（HLM Sensitivity）：

• 输出预测的 Cpk 分布。

• HLM（High-Low-Median）分析： 识别哪个零件的公差贡献了最大的变异（贡献率 Pareto 图）。这指导工程师将成本投入到关键区域的精度提升上，即“好钢用在刀刃上” 44。

6. GeoFactor 分析： 评估几何放大系数（G Factor）。如果 G Factor > 1，说明定位方案设计不当，放大了零件误差，这是设计优化的信号 44。

5.2 基于相似度（Read-Across）的数据驱动预测

对于缺乏物理模型或极复杂的化学/热处理工艺，工业工程师采用“相似度”算法，从历史数据库中推断新产线的 Cpk。这一概念借鉴自化学领域的毒理学预测（Read-Across）51。

1. 特征向量构建： 将新工艺分解为特征向量 。

2. 相似度度量（Similarity Metric）： 计算 与历史工艺库中 的距离。由于各维度量纲不同，通常采用**马氏距离（Mahalanobis Distance）**来消除相关性和量纲影响：

   此外，Jaccard 系数等也常用于分类属性的相似度计算 53。

3. 匹配矩阵（Match Matrix）： 基于计算出的距离，构建匹配矩阵，筛选出最相似的 个历史案例（k-NN 思想）。

4. 加权推断： 基于历史案例的实测 Cpk 值进行加权平均，预测新工艺的 Cpk 基线。

   该方法在从原型线（Prototype）向大批量产线（Mass Production）进行能力放大（Scale-up）时尤为有效 57。

5.3 结合 AI 与代理模型的动态预测

传统的蒙特卡洛模拟计算量大（Computationally Expensive），难以实时运行。结合 AI 的代理模型（Surrogate Modeling）解决了这一痛点。

• 代理模型构建： 利用高斯过程回归（Kriging）、径向基函数神经网络（RBF）或支持向量回归（SVR）训练一个“轻量级”模型，以此替代复杂的有限元或几何仿真。该模型能以毫秒级速度，根据输入的工艺参数（如切削速度、夹紧力）预测 Cpk 39。

• 长短期记忆网络（LSTM）： 针对刀具磨损或设备老化导致的过程漂移，利用 LSTM 处理时间序列数据的能力，预测 Cpk 随时间的衰减趋势（Drift Prediction）。这允许系统在 Cpk 跌破临界值之前发出预警，实现预测性维护 58。

---

6. 影响 Cpk/Ppk 预测精度的物理场耦合建模

为了提高预测模型的真实度，必须将影响过程能力的物理环境因素——特别是振动、热和磨损——数学化并纳入仿真模型。

6.1 环境振动对精密制造能力的量化影响

对于半导体光刻、精密磨削或三坐标测量，地基振动是 Cpk 达标的隐形杀手。

6.1.1 振动标准曲线（VC Curves）

工业界使用 IEST（环境科学与技术学会）定义的 VC 曲线来评估环境对精密设备的影响 63。

表 2：IEST 振动标准 (VC) 与精密设备能力的对应关系

曲线等级	振动限值 (1/3 倍频程 RMS 速度, 8-80Hz)	典型应用场景与设备能力要求	细节尺寸分辨率
ISO Office	400	普通办公、非精密加工	N/A
VC-A	50	光学显微镜 (400X)，微天平，粗加工	8
VC-B	25	光学显微镜 (1000X)，精密光刻 (< 3 )	3
VC-C	12.5	电子显微镜 (1 detail)，高端光刻	1
VC-D	6.25	扫描电镜 (SEM)，透射电镜 (TEM)	0.3
VC-E	3.1	极高精度测量，纳米技术系统	0.1
NIST-A	< 3.1 (低频段更严)	下一代纳米制造，原子级操作	< 0.1

数据来源：63

6.1.2 振动衰减模型与工厂布局

在预测 Cpk 时，必须计算震源（如冲压机、重型叉车）与敏感设备之间的距离衰减。

• 衰减公式：

  其中 为峰值粒子速度， 为距离， 为几何衰减系数（通常取 1.5 对于体波）， 为材料阻尼系数。

• 应用： 工业工程师利用此模型确定精密设备的布局位置。如果计算出的残余振动超过设备允许的 VC 曲线，则该设备的 Cpk 预测值将大幅下降（变异增大）68。

6.2 内部物流（Intralogistics）与传送带振动

传送带系统的动态特性直接影响在线加工或检测的 Cpk。

• 模型输入： 输送带的**横向弯曲刚度（Transverse Flexural Rigidity）**是影响振动频率的最关键参数。

• 敏感度分析： 仿真显示，输送带刚度变化对共振频率的影响远大于皮带质量的影响。在 Cpk 预测模型中，必须将输送速度、皮带张力和滚筒偏心作为随机噪声源叠加到系统变异中 71。

6.3 夹具磨损与热误差的动态补偿

• 夹具误差建模： 在 3DCS 等软件中，定位销（Locator Pin）不能被视为刚性的。

• 浮动模拟（Float）： 销与孔的间隙会导致零件在空间中随机“浮动”。模型需引入随机分布来模拟这种位置不确定性。

• 磨损函数： 定位销直径随生产周期减小：。预测模型应结合产量预测未来的 Cpk 衰减 45。

• 热误差： 。在蒙特卡洛模拟中，环境温度 应被建模为服从特定分布（如正态分布 ）的随机变量，以反映车间昼夜温差对精密尺寸 Cpk 的影响 76。

---

7. 综合实施框架与工业案例研究

本章整合上述理论，提供一个可执行的实施框架，并通过案例展示其实际应用。

7.1 实施工作流：从设计到量产的 Cpk 管理闭环

1. 概念阶段 (Concept Phase):

• 利用 QFD 将 VOC 转化为关键特性 (KPC)。

• 基于 Taguchi Loss 设定初步 Cpk 目标。

• 绿地评估： 参考 VC 曲线 规划厂房选址与地基设计。

2. 设计阶段 (Design Phase):

• 构建 3DCS/VSA 虚拟装配模型。

• 定义基准 (Datums) 与 GD&T 方案。

• 运行 Monte Carlo 仿真，进行公差分配与灵敏度分析。如果预测 Cpk < 目标，优化定位方案或收紧公差。

3. 工艺规划阶段 (Process Planning):

• MSA 规划： 预留测量系统变异余量。

• 相似度预测 (Read-Across)： 利用历史数据库校准仿真模型参数（如夹具刚度系数）。

4. 试生产阶段 (Pilot Run):

• 采集小样本数据 (n=30~50)。

• 计算 Ppk（关注整体性能）。

• 验证仿真模型的准确性，修正输入参数。

5. 量产阶段 (SOP):

• 监控 Cpk（关注稳定能力）。

• 部署 LSTM 模型进行趋势预测与维护预警。

7.2 案例研究：汽车白车身（BiW）侧围总成 Cpk 预测

• 背景： 某新款 SUV 侧围总成，涉及 40+ 个冲压件的焊接拼装。关键质量特性（CTQ）为 B 柱门洞宽度，公差 ，目标 。

• 建模过程：

1. 输入： 导入 CATIA 几何模型，定义焊接顺序（GEO Station -> Respot Station）。

2. 柔性建模： 由于侧围尺寸大且薄，必须采用**柔性装配（Compliant Assembly）**算法。导入 FEA 网格，模拟焊枪夹紧时的板材变形。

3. 公差注入： 基于冲压车间历史数据，设定冲压件轮廓度服从偏态分布（模拟回弹）。

4. 仿真运行： 运行 5000 次蒙特卡洛模拟。

• 分析与优化：

• 初始结果： 预测 ，远低于目标。直方图显示均值偏向负侧。

• 灵敏度分析 (HLM)： 发现“B 柱内板”的一个圆形主定位孔贡献了 35% 的变异。

• 根本原因： 该定位孔在焊接夹紧时限制了板材的热膨胀自由度，导致变形。

• 优化方案： 将该圆形孔改为长圆孔（Slot），释放非关键方向的自由度（2-way locator）。

• 最终结果： 再次仿真预测 。实际投产后实测 ，模型预测精度极高，成功避免了模具修改。

---

8. 结论

设定 Cpk/Ppk 目标和预测过程能力是现代工业工程连接设计与制造的“防波堤”。

1. 目标设定不再是单一的统计计算，而是基于 QFD-FMEA-Cost 的多维决策模型。必须严格区分 AIAG 与 VDA 标准体系下的定义差异，特别是对非正态分布和时间依赖性的处理。

2. 预测技术已从二维的线性 RSS 堆叠，演进为三维、包含物理属性（柔性、热、磨损、振动）的 数字孪生仿真。

3. 多物理场耦合是提升预测精度的关键。工业工程师必须具备跨学科能力，将 VC 振动曲线、土壤衰减模型、输送带动力学等物理参数映射为仿真模型的边界条件。

4. 数据驱动与 AI（如相似度算法、LSTM）正在重塑预测的实时性和自适应性，使得“零缺陷投产”成为可能。

工业工程师应掌握从统计理论到物理仿真，再到数据科学的全栈能力，利用数字化工具在产品诞生早期消除变异风险，从而在物理样机制造之前就确信过程具备达标的能力。这不仅是技术的进步，更是制造哲学的升维。

引用的著作

1. Process Capability & Performance (Pp, Ppk, Cp, Cpk) - Six Sigma Study Guide, 访问时间为 一月 29, 2026， https://sixsigmastudyguide.com/process-capability-pp-ppk-cp-cpk/

2. Process Capability Statistics: Cpk vs. Ppk - Minitab Blog, 访问时间为 一月 29, 2026， https://blog.minitab.com/en/blog/process-capability-statistics-cpk-vs-ppk

3. Blog: Process Capabilities explained: Cp, Cpk, Pp and Ppk - Datalyzer, 访问时间为 一月 29, 2026， https://datalyzer.com/blog-process-capabilities-explained-cp-cpk-pp-and-ppk/

4. Improve Process Capability and Performance with Process Performance Index (PpK) - SixSigma.us, 访问时间为 一月 29, 2026， https://www.6sigma.us/process-improvement/ppk-process-performance-index/

5. Ppk vs Cpk: Understand Process Capability with Clear Formulas and Examples, 访问时间为 一月 29, 2026， https://amrepinspect.com/blog/ppk-vs-cpk

6. Six Sigma Conversion Table | MoreSteam, 访问时间为 一月 29, 2026， https://www.moresteam.com/toolbox/six-sigma-conversion-table

7. Process Sigma Level: Strategies for Superior Quality Outcomes - SixSigma.us, 访问时间为 一月 29, 2026， https://www.6sigma.us/six-sigma-in-focus/process-sigma-level/

8. When to use Cp Cpk and Pp Ppk - Elsmar Cove Quality and Business Standards Discussions, 访问时间为 一月 29, 2026， https://elsmar.com/elsmarqualityforum/threads/when-to-use-cp-cpk-and-pp-ppk.67012/

9. INTERNATIONAL STANDARD ISO 22514-6, 访问时间为 一月 29, 2026， https://cdn.standards.iteh.ai/samples/52962/30fc686bd46549aaa4128dfa9c0910c3/ISO-22514-6-2013.pdf

10. capable, stable, in control – is this really common practice? - wolfgang schultz | q-das gmbh - Nexus by Hexagon, 访问时间为 一月 29, 2026， https://nexus.hexagon.com/community/cfs-filesystemfile/__key/articles/0507c73afdac42d1a9701fa1d68c4cd1-a-37ae876836ea43ccbe420a10c170f1ec/1680.Capable_5F00_October2017.pdf?_=638629360126607258

11. Pp Ppk - Process Performance, formulas and recommendations - Super Engineer, 访问时间为 一月 29, 2026， https://www.superengineer.net/blog/spc-pp-ppk

12. Automotive SPICE® V4.0 Automotive SPICE® Guidelines V2.0 - EuroSPI Conference, 访问时间为 一月 29, 2026， https://conference.eurospi.net/images/eurospi/2023/20230828_EuroSPI-TechDay_Presentation_Wlokka_PG13-Status.pdf

13. Booklet No. 9 Machine and Process Capability - Bosch, 访问时间为 一月 29, 2026， https://assets.bosch.com/media/global/bosch_group/purchasing_and_logistics/information_for_business_partners/downloads/quality_docs/general_regulations/bosch_publications/booklet-no09-machine-and-process-capability_en.pdf

14. Iso 22514-4-2016 PDF | PDF | International Organization For Standardization - Scribd, 访问时间为 一月 29, 2026， https://www.scribd.com/document/470886879/ISO-22514-4-2016-pdf

15. INTERNATIONAL STANDARD ISO 22514-4, 访问时间为 一月 29, 2026， https://cdn.standards.iteh.ai/samples/65289/325f727a372b47518aa9d047a5b2eee8/ISO-22514-4-2016.pdf

16. Best of Back to Basics: QFD Explained - Quality Progress - ASQ, 访问时间为 一月 29, 2026， https://asq.org/quality-progress/articles/best-of-back-to-basics-qfd-explained?id=5f52b777dc954361a63b37e5f1790447

17. Quality Function Deployment: The Customer-Driven Methodology - SixSigma.us, 访问时间为 一月 29, 2026， https://www.6sigma.us/six-sigma-in-focus/quality-function-deployment-qfd/

18. Quality Function Deployment (QFD), 访问时间为 一月 29, 2026， https://quality-one.com/qfd/

19. QUALITY FUNCTION DEPLOYMENT(QFD) AND USING QFD IN SIX SIGMA PROJECTS - AVESİS, 访问时间为 一月 29, 2026， https://avesis.deu.edu.tr/dosya?id=f0506753-cdc1-497d-abe6-46b6d15c03d0

20. DFSS Stage-Gate Best Practices: IDOV Product Development - Air Academy Associates, 访问时间为 一月 29, 2026， https://airacad.com/design-for-six-sigma-in-product-development-stage-gate-alignment-and-best-practices/

21. FMEA Scoring: How to Calculate and Interpret Risk Priority Numbers for Process Improvement - Lean 6 Sigma Hub, 访问时间为 一月 29, 2026， https://lean6sigmahub.com/fmea-scoring-how-to-calculate-and-interpret-risk-priority-numbers-for-process-improvement/

22. FMEA RPN - Risk Priority Number. How to Calculate and Evaluate? | IQASystem, 访问时间为 一月 29, 2026， https://www.iqasystem.com/news/risk-priority-number/

23. Examining Risk Priority Numbers in FMEA - HBK, 访问时间为 一月 29, 2026， https://www.hbkworld.com/en/knowledge/resource-center/articles/examining-risk-priority-numbers-in-fmea

24. (PDF) DESIGN FOR PROCESS CAPABILITY AND CAPACITY AT THE PRODUCT CONCEPTION STAGE - ResearchGate, 访问时间为 一月 29, 2026， https://www.researchgate.net/publication/255445024_DESIGN_FOR_PROCESS_CAPABILITY_AND_CAPACITY_AT_THE_PRODUCT_CONCEPTION_STAGE

25. Investigation of production parameters for process capability analysis: A case study, 访问时间为 一月 29, 2026， https://www.researchgate.net/publication/348823000_Investigation_of_production_parameters_for_process_capability_analysis_A_case_study

26. IDOV: A Systematic Approach to Design Excellence in Six Sigma - SixSigma.us, 访问时间为 一月 29, 2026， https://www.6sigma.us/six-sigma-in-focus/idov-identify-design-optimize-validate/

27. What is IDOV roadmap of DFSS approach? - Six Sigma Certification Course, 访问时间为 一月 29, 2026， https://www.sixsigmacertificationcourse.com/what-is-idov-roadmap-of-dfss-approach/

28. Design for Six Sigma - IDOV Methodology - Process News, 访问时间为 一月 29, 2026， https://processnews.blogspot.com/2019/11/design-six-sigma-idov-methodology.html

29. Measuring process capability based on C PK with gauge measurement errors, 访问时间为 一月 29, 2026， https://www.researchgate.net/publication/238802473_Measuring_process_capability_based_on_C_PK_with_gauge_measurement_errors

30. EFFECTS OF MEASUREMENT ERROR IN PROCESS CAPABILITY ANALYSIS - ScholarWorks, 访问时间为 一月 29, 2026， https://scholarworks.calstate.edu/downloads/ws859g17m

31. The Relationship between Process Capability and Quality of Measurement System - MDPI, 访问时间为 一月 29, 2026， https://www.mdpi.com/2076-3417/12/12/5825

32. Greenfield vs. Brownfield Development: Cost Analysis for Corporate Expansion, 访问时间为 一月 29, 2026， https://www.bluecapeconomicadvisors.com/post/greenfield-vs-brownfield-development-cost-analysis-for-corporate-expansion

33. Greenfield vs Brownfield Projects: Everything You Need to Know - Cenango, 访问时间为 一月 29, 2026， https://www.cenango.com/blog/greenfield-vs-brownfield-development-mobile-apps/

34. Greenfield Warehouse Projects vs. Brownfield Warehouse Projects | OPSdesign, 访问时间为 一月 29, 2026， https://opsdesign.com/greenfield-warehouse-projects-vs-brownfield-warehouse-projects/

35. Understanding Tolerance Stack-Up Analysis: Building Confidence in Your Designs, 访问时间为 一月 29, 2026， https://blog.minitab.com/en/blog/understanding-tolerance-stack-up-analysis

36. Why your tolerance stack-up keeps failing & FREE spreadsheet to fix it - Drafter, 访问时间为 一月 29, 2026， https://www.drafterinc.com/post/why-your-tolerance-stack-up-keeps-failing--and-a-free-guide-to-fix-it

37. Tolerance Stack Up Analysis - Cheat Sheet - RD8, 访问时间为 一月 29, 2026， https://www.rd8.tech/guides/tolerance-stack-up/cheatsheet

38. How to Perform a Tolerance Stack Up Analysis, 访问时间为 一月 29, 2026， https://www.jacksonhedden.com/iterate/tolerance-stack-up-guide

39. An Investigation of Surrogate Models for Efficient Performance-Based Decoding of 3D Point Clouds | J. Mech. Des., 访问时间为 一月 29, 2026， https://asmedigitalcollection.asme.org/mechanicaldesign/article/141/12/121401/975226/An-Investigation-of-Surrogate-Models-for-Efficient

40. On the Assessment of Monte Carlo Error in Simulation-Based Statistical Analyses - PMC, 访问时间为 一月 29, 2026， https://pmc.ncbi.nlm.nih.gov/articles/PMC3337209/

41. Monte Carlo Simulation of Device Variations and Mismatch in Analog Integrated Circuits - CISL - Columbia University, 访问时间为 一月 29, 2026， https://cisl.columbia.edu/kinget_group/student_projects/montecarlotools/MonteCarloDeviceMismatch.pdf

42. Using Monte Carlo Simulations and Little's Law to Improve Process Planning, 访问时间为 一月 29, 2026， https://repo.uni-hannover.de/bitstream/123456789/17900/1/Grimm_2024_CPSL-Using_Monte_Carlo_Simulations_And_Littles_Law_To_Improve_Process_Planning.pdf

43. Monte Carlo Simulation in Manufacturing - Lumivero, 访问时间为 一月 29, 2026， https://lumivero.com/resources/blog/monte-carlo-simulation-in-manufacturing/

44. 3DCS Modeling Process - How to Create a Tolerance Analysis Model, 访问时间为 一月 29, 2026， https://blog.3dcs.com/how-to-create-a-tolerance-analysis-model

45. 3DCS Variation Analyst Tutorial, 访问时间为 一月 29, 2026， https://community.3dcs.com/help_manual/3dcs-variation-analyst-tutorial.htm

46. CATIA V5 Integrated Tolerance Analysis | 3DCS Variation Analyst CAA V5 Based, 访问时间为 一月 29, 2026， https://www.3dcs.com/en-gb/tolerance-analysis-software-and-spc-systems/catia-v5-integrated

47. Model-based quality - Siemens PLM Software, 访问时间为 一月 29, 2026， https://plm.sw.siemens.com/en-US/tecnomatix/model-based-quality/

48. Digital Twin-Based Analysis and Optimization for Design and Planning of Production Lines, 访问时间为 一月 29, 2026， https://www.mdpi.com/2075-1702/10/12/1147

49. Tecnomatix Variation Analysis VSA - Simsol, 访问时间为 一月 29, 2026， https://www.simsol.co.uk/wp-content/uploads/2021/03/Siemens-PLM-Tecnomatix-Variation-Analysis-fs_tcm1023-120264.pdf

50. Model Variants - New for 3DCS Tolerance Analysis! Create Different Tolerance, Assembly and Tooling Configurations in One Model, 访问时间为 一月 29, 2026， https://blog.3dcs.com/model-variants-new-for-3dcs-tolerance-analysis-create-different-tolerance-assembly-and-tooling-configurations-in-one-model

51. Application of read-across methods as a framework for the estimation of emissions from chemical processes - PMC - NIH, 访问时间为 一月 29, 2026， https://pmc.ncbi.nlm.nih.gov/articles/PMC10866300/

52. A Case Study on the Application of An Expert-driven Read-Across Approach in Support of Quantitative Risk Assessment of p,p'-Dichlorodiphenyldichloroethane - PMC - PubMed Central, 访问时间为 一月 29, 2026， https://pmc.ncbi.nlm.nih.gov/articles/PMC6854443/

53. Analysis of the Use of Similarity Coefficients in Manufacturing Cell Formation Processes, 访问时间为 一月 29, 2026， https://www.mdpi.com/2571-5577/8/1/23

54. Developing a Capability-Based Similarity Metric for Manufacturing Processes | Request PDF, 访问时间为 一月 29, 2026， https://www.researchgate.net/publication/318659702_Developing_a_Capability-Based_Similarity_Metric_for_Manufacturing_Processes

55. [2001.05312] Learning similarity measures from data - arXiv, 访问时间为 一月 29, 2026， https://arxiv.org/abs/2001.05312

56. Developing a capability-based similarity metric for manufacturing processes | NIST, 访问时间为 一月 29, 2026， https://www.nist.gov/publications/developing-capability-based-similarity-metric-manufacturing-processes

57. Similarity based method for manufacturing process performance ..., 访问时间为 一月 29, 2026， https://www.researchgate.net/publication/223340731_Similarity_based_method_for_manufacturing_process_performance_prediction_and_diagnosis

58. Prediction of Process Quality Performance Using Statistical Analysis and Long Short-Term Memory - ResearchGate, 访问时间为 一月 29, 2026， https://www.researchgate.net/publication/357784103_Prediction_of_Process_Quality_Performance_Using_Statistical_Analysis_and_Long_Short-Term_Memory

59. AI-Based Surrogate Models for the Food and Drink Manufacturing Industry: A Comprehensive Review - MDPI, 访问时间为 一月 29, 2026， https://www.mdpi.com/2227-9717/13/9/2929

60. Surrogate modeling of microstructure prediction in additive manufacturing | NIST, 访问时间为 一月 29, 2026， https://www.nist.gov/publications/surrogate-modeling-microstructure-prediction-additive-manufacturing

61. Feature Engineering for Surrogate Models of Consolidation Degree in Additive Manufacturing - PMC - NIH, 访问时间为 一月 29, 2026， https://pmc.ncbi.nlm.nih.gov/articles/PMC8123691/

62. Prediction of Process Quality Performance Using Statistical Analysis and Long Short-Term Memory - MDPI, 访问时间为 一月 29, 2026， https://www.mdpi.com/2076-3417/12/2/735

63. Vibration Criteria for Facilities with Sensitive Equipment, 访问时间为 一月 29, 2026， https://www.crystalinstruments.com/vibration-criteria-for-facilities-with-sensitive-equipment

64. Understanding and Meeting Vibration Specifications with Piezoelectric Accelerometers - PCB Piezotronics, 访问时间为 一月 29, 2026， https://www.pcb.com/contentstore/mktgcontent/whitepapers/WPL_106_PiezoAccels.pdf

65. CHAPTER 49. NOISE AND VIBRATION CONTROL - ashrae, 访问时间为 一月 29, 2026， https://handbook.ashrae.org/Handbooks/A23/IP/A23_Ch49/a23_ch49_ip.aspx

66. Vibration Criterion (VC) Curves-Charts | Minus K Vibration Isolation Technology, 访问时间为 一月 29, 2026， https://www.minusk.com/content/technology/vc_curves_minus_k_vibration_isolation.html

67. Footfall vibration analysis of a high precision manufacturing facility, 访问时间为 一月 29, 2026， https://www.acoustics.asn.au/conference_proceedings/INTERNOISE2014/papers/p299.pdf

68. Vibration and Distance - Vibrationdamage.com, 访问时间为 一月 29, 2026， https://vibrationdamage.com/vibration_and_distance.htm

69. A Frequency-Dependent Soil Propagation Model - Colin Gordon Associates, 访问时间为 一月 29, 2026， https://colingordon.com/wp-content/uploads/2012/07/0a61a384dbecfe9ef6aa0d84528a319d.pdf

70. Analysis of Soil Differences in Subway Vibration Transmission Paths - MDPI, 访问时间为 一月 29, 2026， https://www.mdpi.com/2075-5309/14/5/1338

71. Modelling of transverse vibration of conveyor belt in aspect of the trough angle - PMC, 访问时间为 一月 29, 2026， https://pmc.ncbi.nlm.nih.gov/articles/PMC10645942/

72. Noise and Vibration Analysis of Conveyor Belt - Manufacturing Technology, 访问时间为 一月 29, 2026， https://journalmt.com/pdfs/mft/2019/04/10.pdf

73. Vibration Analysis on a conveyor unit, 访问时间为 一月 29, 2026， https://www.etssolution-asia.com/blog/vibration-analysis-on-a-conveyor-unit

74. Creating Fixture Features - 3DCS Community, 访问时间为 一月 29, 2026， https://community.3dcs.com/help_manual/creating-fixture-features.htm

75. Capability Studies Involving Tool Wear - ASQ, 访问时间为 一月 29, 2026， https://asq.org/quality-resources/articles/capability-studies-involving-tool-wear?id=6cbe45b8bec34ae5829dcc35b81ab897

76. Relation between Process Capability Indices and Geometric Errors of Machine Tool - Diva-Portal.org, 访问时间为 一月 29, 2026， http://www.diva-portal.org/smash/get/diva2:1150475/FULLTEXT01.pdf

77. The finishing touches: the role of friction and roughness in haptic perception of surface coatings - PMC - NIH, 访问时间为 一月 29, 2026， https://pmc.ncbi.nlm.nih.gov/articles/PMC7286865/

**