1. 分析解决问题的方法
1.确定问题所在
首先最好确定需要解决的问题。
这意味着花时间全面评估情况，将症状与原因分开。诊断的目的是了解痛点和原因。这需要时间，可能还要做些调研，揭示问题背后的潜在问题。
2.确定根本原因
确定问题所在之后，需要找出原因。
背后的原因是什么？
是什么原因导致的？
可否将其定量或定性？
核心层面发生了什么情况？
因为在您努力解决问题过程中，您会想要找到一种可以治本而不只是治标的解决方案，对吧？ 所以，这也需要花时间调查情况。收集信息，分析调查结果，并改进诊断。
3.找到多种解决方案
要成为优秀的问题解决者，需要打破常规，创造性地思考。不要满足于您找到的第一种解决方案。要全力以赴继续寻找。找到尽可能多的备选解决方案。然后再找一些。
这可能意味着在不寻常的地方或从不寻常的来源寻找解决方案 - 与其他同事交流、保持开放的心态，或者乐于接受思想或观点的交流。无论如何，在确定一系列备选解决方案后，要对它们进行分析。
4.找到最有效的解决方案
这一点是否说起来容易，做起来难？并非如此。我们可以按逻辑进行处理。回答以下问题：
此方案技术上是否可行？
此方案是否可扩展？
您是否拥有相应资源？
有何风险？能否设法应对风险？
您的解决方案是否会让尽可能多的人受益？
效果可否进行衡量？如何衡量？
5.规划和实施解决方案
这部分也需要认真考虑。制定严密的计划来执行您的解决方案。 需要涵盖实施计划的人员、内容、时间和方式。
同样重要的是，您需要考虑如何确定自己的解决方案是否成功，这就来到了最后一步。
6.衡量解决方案是否成功
如何根据您的目标进行衡量？是否已达到目标？是否控制在预算范围内？工作是否已完成？能否看到可衡量的结果？
评估解决方案成功与否是至关重要也是经常被忽略的一步，因为它能清楚地展示您的解决方案是否正确，或者是否需要返回第一步重新来过。因为有效解决问题的一个关键环节是做好出错的准备，并从错误中吸取教训。
请记住，所有问题都只是有待解开的谜题。练习使用上述六个步骤，培养解决问题的敏锐度，您会发现您的能力深受重视。
2. 目标跟踪检测算法（一）——传统方法
姓名：刘帆；学号：20021210609；学院：电子工程学院
https://blog.csdn.net/qq_34919792/article/details/89893214
【嵌牛导读】目标跟踪算法研究难点与挑战在于实际复杂的应用环境 、背景相似干扰、光照条件的变化、遮挡等外界因素以及目标姿态变化，外观变形，尺度变化、平面外旋转、平面内旋转、出视野、快速运动和运动模糊等。而且当目标跟踪算法投入实际应用时，不可避免的一个问题——实时性问题也是非常的重要。正是有了这些问题，才使得算法研究充满着难点和挑战。
【嵌牛鼻子】目标跟踪算法，传统算法
【嵌牛提问】利用目标跟踪检测算法要达到何目的?第一阶段的单目标追踪算法包括什么?具体步骤有哪些?它们有何特点?
【嵌牛正文】
第一阶段
目标跟踪分为两个部分，一个是对指定目标寻找可以跟踪的特征，常用的有颜色，轮廓，特征点，轨迹等，另一个是对目标特征进行跟踪。
1、静态背景
1）背景差： 对背景的光照变化、噪声干扰以及周期性运动等进行建模。通过当前帧减去背景图来捕获运动物体的过程。
2）帧差： 由于场景中的目标在运动，目标的影像在不同图像帧中的位置不同。该类算法对时间上连续的两帧或三帧图像进行差分运算，不同帧对应的像素点相减，判断灰度差的绝对值，当绝对值超过一定阈值时，即可判断为运动目标，从而实现目标的检测功能。
与二帧差分法不同的是，三帧差分法（交并运算）去除了重影现象，可以检测出较为完整的物体。帧间差分法的原理简单，计算量小，能够快速检测出场景中的运动目标。但帧间差分法检测的目标不完整，内部含有“空洞”，这是因为运动目标在相邻帧之间的位置变化缓慢，目标内部在不同帧图像中相重叠的部分很难检测出来。帧间差分法通常不单独用在目标检测中，往往与其它的检测算法结合使用。
3）Codebook
算法为图像中每一个像素点建立一个码本，每个码本可以包括多个码元（对应阈值范围），在学习阶段，对当前像素点进行匹配，如果该像素值在某个码元的学习阈值内，也就是说与之前出现过的某种历史情况偏离不大，则认为该像素点符合背景特征，需要更新对应点的学习阈值和检测阈值。
如果新来的像素值与每个码元都不匹配，则可能是由于动态背景导致，这种情况下，我们需要为其建立一个新的码元。每个像素点通过对应多个码元，来适应复杂的动态背景。
在应用时，每隔一段时间选择K帧通过更新算法建立CodeBook背景模型，并且删除超过一段时间未使用的码元。
4）GMM
混合高斯模型（Gaussian of Micture Models，GMM）是较常用的背景去除方法之一（其他的还有均值法、中值法、滑动平均滤波等）。
首先我们需要了解单核高斯滤波的算法步骤：
混合高斯建模GMM（Gaussian Mixture Model）作为单核高斯背景建模的扩展，是目前使用最广泛的一种方法，GMM将背景模型描述为多个分布，每个像素的R、G、B三个通道像素值的变化分别由一个混合高斯模型分布来刻画，符合其中一个分布模型的像素即为背景像素。作为最常用的一种背景建模方法，GMM有很多改进版本，比如利用纹理复杂度来更新差分阈值，通过像素变化的剧烈程度来动态调整学习率等。
5）ViBe（2011）
ViBe算法主要特点是随机背景更新策略，这和GMM有很大不同。其步骤和GMM类似。具体的思想就是为每个像素点存储了一个样本集，样本集中采样值就是该像素点过去的像素值和其邻居点的像素值，然后将每一个新的像素值和样本集进行比较来判断是否属于背景点。
其中pt（x）为新帧的像素值，R为设定值，p1、p2、p3….为样本集中的像素值，以pt（x）为圆心R为半径的圆被认为成一个集，当样本集与此集的交集大于设定的阈值#min时，可认为此为背景像素点（交集越大，表示新像素点与样本集越相关）。我们可以通过改变#min的值与R的值来改变模型的灵敏度。
Step1：初始化单帧图像中每个像素点的背景模型。假设每一个像素和其邻域像素的像素值在空域上有相似的分布。基于这种假设，每一个像素模型都可以用其邻域中的像素来表示。为了保证背景模型符合统计学规律，邻域的范围要足够大。当输入第一帧图像时，即t=0时，像素的背景模型。其中，NG（x,y）表示空域上相邻的像素值，f(xi,yi)表示当前点的像素值。在N次的初始化的过程中，NG（x,y）中的像素点(xi,yi)被选中的可能次数为L=1,2,3,…,N。
Step2：对后续的图像序列进行前景目标分割操作。当t=k时，像素点(x,y)的背景模型为BKm(x,y)，像素值为fk(x,y)。按照下面判断该像素值是否为前景。这里上标r是随机选的；T是预先设置好的阈值。当fk(x,y)满足符合背景#N次时，我们认为像素点fk(x,y)为背景，否则为前景。
Step3：ViBe算法的更新在时间和空间上都具有随机性。每一个背景点有1/ φ的概率去更新自己的模型样本值，同时也有1/ φ的概率去更新它的邻居点的模型样本值。更新邻居的样本值利用了像素值的空间传播特性，背景模型逐渐向外扩散，这也有利于Ghost区域的更快的识别。同时当前景点计数达到临界值时将其变为背景，并有1/ φ的概率去更新自己的模型样本值（为了减少缓慢移动物体的影响和摄像机的抖动）。
可以有如下总结，ViBe中的每一个像素点在更新的时候都有一个时间和空间上随机影响的范围，这个范围很小，大概3x3的样子，这个是考虑到摄像头抖动时会有坐标的轻微来回变化，这样虽然由于ViBe的判别方式仍认为是背景点，但是也会对后面的判别产生影响，为了保证空间的连续性，随机更新减少了这个影响。而在样本值保留在样本集中的概率随着时间的增大而变小，这就保证了像素模型在时间上面的延续特性。
6）光流
光流是由物体或相机的运动引起的图像对象在两个连续帧之间的视在运动模式。它是2D矢量场，其中每个矢量是一个位移矢量，显示点从第一帧到第二帧的移动。
光流实际上是一种特征点跟踪方法，其计算的为向量，基于三点假设：
1、场景中目标的像素在帧间运动时亮度（像素值或其衍生值）不发生变化；2、帧间位移不能太大；3、同一表面上的邻近点都在做相同的运动；
光流跟踪过程：1）对一个连续视频帧序列进行处理；2）对每一帧进行前景目标检测；3）对某一帧出现的前景目标，找出具有代表性的特征点（Harris角点）；4）对于前后帧做像素值比较，寻找上一帧在当前帧中的最佳位置，从而得到前景目标在当前帧中的位置信息；5）重复上述步骤，即可实现目标跟踪
2、运动场（分为相机固定，但是视角变化和相机是运动的）
1）运动建模（如视觉里程计运动模型、速度运动模型等）
运动学是对进行刚性位移的相机进行构型，一般通过6个变量来描述，3个直角坐标，3个欧拉角（横滚、俯仰、偏航）。
Ⅰ、对相机的运动建模
由于这个不是我们本次所要讨论的重点，但是在《概率机器人》一书中提出了很多很好的方法，相机的运动需要对图像内的像素做位移矩阵和旋转矩阵的坐标换算。除了对相机建立传统的速度运动模型外，也可以用视觉里程计等通关过置信度的更新来得到概率最大位置。
Ⅱ、对于跟踪目标的运动建模
该方法需要提前通过先验知识知道所跟踪的目标对象是什么，比如车辆、行人、人脸等。通过对要跟踪的目标进行建模，然后再利用该模型来进行实际的跟踪。该方法必须提前知道要跟踪的目标对象是什么，然后再去跟踪指定的目标，这是它的局限性，因而其推广性相对比较差。（比如已知跟踪的物体是羽毛球，那很容易通过前几帧的取点，来建立整个羽毛球运动的抛物线模型）
2）核心搜索算法（常见的预测算法有Kalman(卡尔曼)滤波、扩展卡尔曼滤波、粒子滤波）
Ⅰ、Kalman 滤波
Kalman滤波器是通过前一状态预测当前状态，并使用当前观测状态进行校正，从而保证输出状态平稳变化，可有效抵抗观测误差。因此在运动目标跟踪中也被广泛使用。
在视频处理的运动目标跟踪里，每个目标的状态可表示为(x,y,w,h)，x和y表示目标位置，w和h表示目标宽高。一般地认为目标的宽高是不变的，而其运动速度是匀速，那么目标的状态向量就应该扩展为(x,y,w,h,dx,dy)，其中dx和dy是目标当前时刻的速度。通过kalman滤波器来估计每个时刻目标状态的大致过程为：
对视频进行运动目标检测，通过简单匹配方法来给出目标的第一个和第二个状态，从第三个状态开始，就先使用kalman滤波器预测出当前状态，再用当前帧图像的检测结果作为观测值输入给kalman滤波器，得到的校正结果就被认为是目标在当前帧的真实状态。(其中，Zt为测量值，为预测值，ut为控制量，Kt为增益。)
Ⅱ、扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）
由于卡尔曼滤波的假设为线性问题，无法直接用在非线性问题上，EKF和UKF解决了这个问题（这个线性问题体现在用测量量来计算预测量的过程中）。EKF是通过构建线性函数g(x)，与非线性函数相切，并对每一时刻所求得的g（x）做KF，如下图所示。
UKF与EKF去求解雅可比矩阵拟合线性方程的方法不同，通过对那个先验分布中的采集点，来线性化随机变量的非线性函数。与EKF所用的方法不同，UKF产生的高斯分布和实际高斯分布更加接近，其引起的近似误差也更小。
Ⅲ、粒子滤波
1、初始状态：基于粒子滤波的目标追踪方法是一种生成式跟踪方法，所以要有一个初始化的阶段。对于第一帧图像，人工标定出待检测的目标，对该目标区域提出特征；
2、搜索阶段：现在已经知道了目标的特征，然后就在目标的周围撒点(particle), 如：a)均匀的撒点;b)按高斯分布撒点，就是近的地方撒得多，远的地方撒的少。论文里使用的是后一种方法。每一个粒子都计算所在区域内的颜色直方图，如初始化提取特征一样，然后对所有的相似度进行归一化。文中相似性使用的是巴氏距离；
3、重采样：根据粒子权重对粒子进行筛选，筛选过程中，既要大量保留权重大的粒子，又要有一小部分权重小的粒子；
4、状态转移：将重采样后的粒子带入状态转移方程得到新的预测粒子；
5、测量及更新：对目标点特征化，并计算各个粒子和目标间的巴氏距离，更新粒子的权重；
6、决策阶段：每个粒子都获得一个和目标的相似度，相似度越高，目标在该范围出现的可能性越高，将保留的所有粒子通过相似度加权后的结果作为目标可能的位置。
3）Meanshift算法
MeanShift算法属于核密度估计法，它不需要任何先验知识而完全依靠特征空间中样本点的计算其密度函数值。对于一组采样数据，直方图法通常把数据的值域分成若干相等的区间，数据按区间分成若干组，每组数据的个数与总参数个数的比率就是每个单元的概率值；核密度估计法的原理相似于直方图法，只是多了一个用于平滑数据的核函数。采用核函数估计法，在采样充分的情况下，能够渐进地收敛于任意的密度函数，即可以对服从任何分布的数据进行密度估计。
Meanshift算法步骤
1、通过对初始点（或者上一帧的目标点）为圆心，绘制一个半径为R的圆心，寻找特征和该点相似的点所构成的向量；
2、所有向量相加，可以获得一个向量叠加，这个向量指向特征点多的方向；
3、取步骤二的向量终点为初始点重复步骤一、二，直到得到的向量小于一定的阈值，也就是说明当前位置是特征点密度最密集的地方，停止迭代，认为该点为当前帧的目标点；
4）Camshift算法
Camshift算法是MeanShift算法的改进，称为连续自适应的MeanShift算法。Camshift 是由Meanshift 推导而来 Meanshift主要是用在单张影像上，但是独立一张影像分析对追踪而言并无意义，Camshift 就是利用MeanShift的方法，对影像串行进行分析。
1、首先在影像串行中选择目标区域。
2、计算此区域的颜色直方图（特征提取）。
3、用MeanShift算法来收敛欲追踪的区域。
4、通过目标点的位置和向量信息计算新的窗口大小，并标示之。
5、以此为参数重复步骤三、四。
Camshift 关键就在于当目标的大小发生改变的时候，此算法可以自适应调整目标区域继续跟踪。
3、小结
第一阶段的单目标追踪算法基本上都是传统方法，计算量小，在嵌入式等设备中落地较多，opencv中也预留了大量的接口。通过上面的两节的介绍，我们不难发现，目标检测算法的步骤分为两部分，一部分是对指定目标寻找可以跟踪的特征，常用的有颜色，轮廓，特征点，轨迹等，另一部分是对目标特征进行跟踪，如上文所提及的方法。所以目标检测方法的发展，也可总结为两个方面，一个是如何去获得更加具有区分性的可跟踪的稳定特征，另一个是如何建立帧与帧之间的数据关联，保证跟踪目标是正确的。
随着以概率为基础的卡尔曼滤波、粒子滤波或是以Meanshift为代表向量叠加方法在目标检测的运用，使得目标检测不再需要假设自身的一个状态为静止的，而是可以是运动的，更加符合复杂场景中的目标跟踪。
3. 什么是QC的7大手法和8D
一、QC七大手法分为：
1、简易七大手法：甘特图、流程图、5W2H、愚巧法、雷达法、统计图、推移图
2、QC旧七大手法：特性要因分析图、柏拉图、查检表、层别法、散布图、直方图、管制图
3、QC新七大手法：关连图、系统图法、KJ法、箭头图法、矩阵图法、PAPC法、矩阵数据解析法
4、QC旧七大手法由五图，一表一法组成：
五图：柏拉图、散布图、直方图、管制图、特性要因分析图（鱼骨图）
一表：查检表（甘特图）
一法：层别法
新QC七大手法
1. 关联图法--TQM推行, 方针管理, 品质管制改善, 生产方式,
生产管理改善
2.KJ法--开发, TQM推行, QCC推行, 品质改善
3. 系统图法--开发, 品质保证, 品质改善
4.矩阵图法--开发, 品质改善, 品质保证
5.矩阵开数据解析法--企划, 开发, 工程解析
6. PDPC法--企划, 品质保证, 安全管理, 试作评价, 生产量管理
改善, 设备管理改善
7. 箭法图解法--品质设计, 开发, 品质改善
二： 8D
8D 的原名叫做 8 Disciplines，意思是8 个人人皆知解决问题的固定步骤。原始是由Ford 公司，全球化品质管制及改善的特殊必备方法，之后已成为QS9000/ ISO TS16949、福特公司的特殊要求。凡是做 FORD 的零件，必需采用 8D 作为品质改善的工具，目前有些企业并非 FORD 的供应商或汽车业的合作伙伴，也很喜欢用这个方便而有效的方法解决品质问题，成为一个固定而有共识的标准化问题解决步骤。 Discipline 1. 成立改善小组(Form the Team)：由议题之相关人员组成，通常是跨功能性的，说明团队成员间的彼此分工方式或担任的责任与角色。 Discipline 2. 描述问题(Describe the Problem)：将问题尽可能量化而清楚地表达，并能解决中长期的问题而不是只有眼前的问题。 Discipline 3. 实施及确认暂时性的对策(Contain the Problem)：对于解决 D2 之立即而短期行动，避免问题扩大或持续恶化，包含清库存、缩短PM时间、加派人力等。 Discipline 4. 原因分析及验证真因(Identify the Root Cause)：发生 D2 问题的真正原因、说明分析方法、使用工具(品质工具)的应用。 Discipline 5. 选定及确认长期改善行动效果(Formulate and Verify Corrective Actions)：拟订改善计划、列出可能解决方案、选定与执行长期对策、验证改善措施，清除 D4 发生的真正原因，通常以一个步骤一个步骤的方式说明长期改善对策， 可以应用专案计划甘特图(Gantt Chart)，并说明品质手法的应用。 Discipline 6. 改善问题并确认最终效果(Correct the Problem and Confirm the Effects)：执行 D5 后的结果与成效验证。 Discipline 7. 预防再发生及标准化(Prevent the Problem)：确保 D4 问题不会再次发生的后续行动方案，如人员教育训练、改善案例分享(Fan out) 、作业标准化、产出BKM、执行ECN 、分享知识和经验等。 Discipline 8. 恭喜小组及规划未来方向(Congratulate the Team)：若上述步骤完成后问题已改善，肯定改善小组的努力，并规划未来改善方向。
8D方法简介
8D又称团队导向问题解决方法、8D问题求解法（8D Problem Solving）是福特公司处理问题的一种方法,亦适用于制程能力指数低于其应有值时有关问题的解决,它提供了一套符合逻辑的解决问题的方法,同时对于统计制程管制与实际的品质提升架起了一座桥梁。 二战期间，美国政府率先采用一种类似8D的流程——“军事标准1520”，又称之为“不合格品的修正行动及部署系统”。 1987年，福特汽车公司首次用书面记录下8D法，在其一份课程手册中这一方法被命名为“团队导向的问题解决法”（Team Oriented Problem Solving）。 当时，福特的动力系统部门正被一些经年累月、反复出现的生产问题搞得焦头烂额，因此其管理层提请福特集团提供指导课程，帮助解决难题。
8D适用范围
该方法适用于解决各类可能遇到的简单或复杂的问题； 8D方法就是要建立一个体系，让整个团队共享信息，努力达成目标。 8D本身不提供成功解决问题的方法或途径，但它是解决问题的一个很有用的工具； 亦适用于过程能力指数低于其应有值时有关问题的解决； 面对顾客投诉及重大不良时，提供解决问题的方法。 8D法是美国福特公司解决产品质量问题的一种方法，曾在供应商中广泛推行，现已成为国际汽车行业（特别是汽车零部件产家）广泛采用来解决产品质量问题最好的、有效的方法。
8D工作方法的8个步骤
8D是解决问题的8条基本准则或称8个工作步骤，但在实际应用中却有9个步骤： D0：征兆紧急反应措施 D1：小组成立 D2：问题说明 D3：实施并验证临时措施 D4：确定并验证根本原因 D5：选择和验证永久纠正措施 D6：实施永久纠正措施 D7：预防再发生 D8：小组祝贺 D0：征兆紧急反应措施 目的:主要是为了看此类问题是否需要用8D来解决，如果问题太小，或是不适合用8D来解决的问题，例如价格，经费等等，这一步是针对问题发生时候的紧急反应。 关键要点: 判断问题的类型、大小、范畴等等。与D3不同，D0是针对问题发生的反应，而D3是针对产品或服务问题本身的暂时应对措施。 D1：小组成立 目的:成立一个小组,小组成员具备工艺/产品的知识,有配给的时间并授予了权限,同时应具有所要求的能解决问题和实施纠正措施的技术素质。小组必须有一个指导和小组长。 关键要点: 成员资格，具备工艺、产品的知识;目标 ;分工 ;程序 ;小组建设 D2：问题说明 目的:用量化的术语详细说明与该问题有关的内/外部顾客抱怨,如什么、地点、时间、程度、频率等。 “什么东西出了什么问题” 方法：质量风险评定，FMEA分析，5W3H 关键要点:收集和组织所有有关数据以说明问题;问题说明是所描述问题的特别有用的数据的总结;审核现有数据，识别问题、确定范围;细分问题，将复杂问题细分为单个问题;问题定义，找到和顾客所确认问题一致的说明，“什么东西出了什么问题”，而原因又未知风险等级。 D3：实施并验证临时措施 目的:保证在永久纠正措施实施前，将问题与内外部顾客隔离。（原为唯一可选步骤，但发展至今都需采用） 方法：FMEA、DOE、PPM 关键要点: 评价紧急响应措施;找出和选择最佳“临时抑制措施”;决策 ;实施，并作好记录;验证（DOE、PPM分析、控制图等） D4：确定并验证根本原因 目的:用统计工具列出可以用来解释问题起因的所有潜在原因，将问题说明中提到的造成偏差的一系列事件或环境或原因相互隔离测试并确定产生问题的根本原因。 方法：FMEA、PPM、DOE、控制图、5why法 关键要点: 评估可能原因列表中的每一个原因;原因可否使问题排除;验证;控制计划 D5：选择并验证永久纠正措施 目的:在生产前测试方案，并对方案进行评审以确定所选的校正措施能够解决客户问题，同时对其它过程不会有不良影响。 方法：FMEA 关键要点: 重新审视小组成员资格;决策，选择最佳措施;重新评估临时措施，如必要重新选择;验证;管理层承诺执行永久纠正措施;控制计划 D6：实施永久纠正措施 目的:制定一个实施永久措施的计划，确定过程控制方法并纳入文件，以确保根本原因的消除。在生产中应用该措施时应监督其长期效果。 方法：防错、统计控制 关键要点: 重新审视小组成员;执行永久纠正措施，废除临时措施;利用故障的可测量性确认故障已经排除;控制计划、工艺文件修改 D7：预防再发生 目的:修改现有的管理系统、操作系统、工作惯例、设计与规程以防止这一问题与所有类似问题重复发生。 关键要点:选择预防措施;验证有效性;决策 ;组织、人员、设备、环境、材料、文件重新确定 D8：小组祝贺 目的:承认小组的集体努力，对小组工作进行总结并祝贺。 关键要点: 有选择的保留重要文档;流览小组工作，将心得形成文件;了解小组对解决问题的集体力量，及对解决问题作出的贡献;必要的物质、精神奖励。
对8D工作方法的评价
1.优点 发现真正肇因的有效方法，并能够采取针对性措施消除真正肇因，执行永久性矫正措施。 能够帮助探索允许问题逃逸的控制系统。 逃逸点的研究有助于提高控制系统在问题再次出现时的监测能力。 预防机制的研究有助于帮助系统将问题控制在初级阶段。 2.缺点 8D培训费时，且本身具有难度。 除了对8D问题解决流程进行培训外，还需要数据挖掘的培训，以及对所需用到的分析工具（如帕累托图、鱼骨图和流程图，等等）进行培训。
8D应用
供方A公司为顾客B制造塑料制品，根据顾客的塑料制品外观标准，2007年5月29日，他们收到顾客B工厂发来的缩模投诉: 塑料制品外观不符合标准. 不管问题怎样提出或来自谁，A公司都会以8D过程作为反应。为鼓励供方和顾客之间的良好联系，B应该辅助供方A在24小时内对任何问题迅速反应。理想的情况，A派一个代表到B工厂评审问题，帮助确定问题的根本原因。如A不能派代表到B工厂，A应请求B将有问题的零件马上发运回以便A能够帮助解决问题。对问题反应的等待将对顾客产生负面影响，如果等待反应越久，供方解决问题将越困难，积极反应的态度和互助的意愿可以使过程迅速平顺的进行。 D-1小组成员 成立小组并任命领导者。小组成员由具备相关技术知识的生产工程师和质量工程师组成，避免仅有一两个人在实施该过程。 D-2问题详述 基本上，零件可能有三种问题：A的问题，设计的问题，B的问题。如果A确认是A的问题，A应该立即开始8D过程的遏制步骤；如果是设计问题，A仍应该开始8D过程，正式形成原因是设计问题的文件；如果A相信是B的问题而不是A的问题，A仍应该开始8D过程以帮助B验证问题，在以文件和8D报告的形式支持B对问题的确认后，A可以移交，虽然这种情况可能很难快速解决，但是A以积极方式处理问题帮助B解决问题将有助于问题得到快速和容易的改进并和B有更佳的工作联系。 常见错误 该步骤发生的常见性错误：针对征兆而不是针对真正问题工作；对问题的根本原因过早假设；修订顾客对问题的描述作为自己的描述，这往往只是问题的征兆而不是真正的问题。 质量工具 排列图，流程图，因果图。 A公司在接到顾客抱怨后，马上展开调查，在对样品进行检验后，结论与顾客一致，确认问题如下：所有样品经过小组成员确认，总共有500K的产品出货到B工厂，其中发现有17件缩模，现剩余208K。 D-3 立即对策和问题确认 D-3.1立即对策和问题确认 1.打印缩模缺陷图片通知所有生产操作员，质检员，挑选员重视检查这一问题。 2.通知注塑部门检查目前生产产品是否存在此问题，培训和教育所有注塑部操作员及挑选员以让其知道最重要的事情是遵守工作程序和指导书以保持顾客产品质量，使其意识到他们在产品质量保证中的重要职责，强调任何由于不小心引起的错误都是不允许的并不能重复发生，因为那样将会给顾客带来不必要的损失。因此要把给顾客造成损失的错误展示以教育员工。 3.成立客户投诉处理团队，查找真实原因并解决。 D-3.2库存处理 1.100%挑选所有仓库成品，总数为128k，发现5件产品有同样的问题，挑选后的合格产品内外包装上贴OK标签； 2.对客户库存208k安排换货处理。 常见错误 该步骤发生的常见性错误：筛选材料的审核是一个不令人满意的遏制措施；所有可疑地点的库存没有清查，不合格品重新进入生产循环中。 质量工具 排列图，统计过程控制，故障与失效模式分析。 D-4 不良原因分析与确认 D-4.1不良原因分析：生产过程中，如有异常发生，注塑机监控报警。报警处理后，生产的前几模可能有缩模产生。 D-4.2不良原因确认：统计5月31日全天的15次报警，共有13次在报警后生产的前3模产品中发现了缩模17件，不良率17件/（13次*每一生产周期可生产12件）=10.9%，依1天的数量计算不良率大概为：17件／1天的产量1036800﹦0.018%）确认此种情况下，如处理不当，确实会造成缩模混入良品中。 D-4.3不良品流出原因分析： 报警处理后，生产的前几模产品没有完全隔离干净而混入良品中。 D-4.4流出原因：因不良比例较小，质检员抽验时没有发现。 常见错误 该步骤发生的常见性错误：声明的根本原因不是真正的根本原因，操作者错误你准备的问题你或者是问题的征兆或结果被作为根本原因给出。 质量工具 因果图，故障与失效模式分析，是否分析，实验设计，稳健设计。 D-5 不良原因及对策 D-5.1不良原因改善对策： 1.针对该系列产品制定操作规范，要求操作员在报警时确保隔开不良品。 2.改善收料装置，由改善前：产品直接顶出脱模后落到料斗内。改善后：机械手上装吸盘吸附产品，然后放入良品箱，报警后重新开启全自动后，前5模自动放入料杆入口，这样，保证缩模产品不会进入良品箱。 D-5.2流出原因改善对策：操作员在报警时确保隔开不良品。 质量工具：因果图，故障与失效模式分析，设计验证和报告，稳健设计。 D-6确定执行之改善行动 1. 已在一台注塑机上试点改善该产品，待确认后推广到所有的系列产品。 2. 质检人员作为稽核项目定期稽核。 3. 针对改善对策执行后一周内的产品安排作业员进行100%挑选，以验证对策的有效性，改善后不良率为0。 以上工作，小组成员共同进行了验证，并请顾客事先批准。 质量工具：故障与失效模式分析，是否分析，统计过程控制。 D-7类似产品或工序问题产生之预防措施 操作规范的产品范围包含同此产品类似的产品。 常见错误 该步骤发生的常见性错误：预防措施是否单独包括了一个审核过程。 质量工具 控制计划，故障与失效模式分析，过程流程图。 D-8 小组及成员成绩之认可 此改善行动有效，可以完结；如果此改善行动无效，需重新进行改善行动。若A的技术工程师需改进不完善的8D，可通过如下途径：推荐和建议基于8D过程的可靠知识来论证该过程的步骤的质量工具知识和每个步骤的目的，基于真实证据的基础上提供开放的，互助的批判；强调进行8D过程培训的重要性，训练有关8D过程，持续的8D过程反映了他们整个质量系统完善与否；鼓励预防为主的哲学，将防止再发生作为完成8D过程的最终目标。 在B要求A参加会议并提供关注问题的最新文件之前，A技术工程师要提供足够的8D过程改善的支持文件，数字化图片，需要更新的故障与失效模式分析，控制计划和任何其他文件；召集制造过程的小组成员开会进行检查；在会议前评审所有的信息和文件并确保这些信息已获得并且是足够的，掌握该事件的知识；如果具备和需要，咨询顾客以决定会议的焦点及更好的准备。