本文主要讨论了六西格管理中现有的一些统计工具在实现六西格玛管理过程中会遇到困难:在一些复杂情况下,原有的工具无法实现六西格质量水平。然后本文从六西格玛本身的核心过程(DMAIC)入手,着重讨论神经网络和遗传算法这样的数据挖掘技术在复杂的情况下如何解决六西格玛的核心过程中存在的问题。本文围绕实现六西格玛水平质量为核心,以神经网络技术为支撑,将六西格玛管理和神经网路和遗传算法结合在一起。不仅为解决六西格玛管理中存在的问题提供了可行的方法,更是对六西格玛管理流程本身的一种完善。虽然六西格玛管理在如今更多的成为了一种企业的文化理念,而不只是通过统计方法实现的科学管理,但是随着计算机技术的发展,这些高级数据挖掘技术在理论上和实践上都能大大地丰富六西格玛管理的内容,在技术上给与六西格玛管理更多的支持,使其成为一套强大的企业流程改进的工具。本文的第一章主要阐述的是研究背景,一方面介绍了六西格玛的发展进程以及今天在世界各大企业中的重要地位,另一方面提出了随着六西格玛管理在企业界应用的不断深入,人们发现随着企业面临的环境和内部流程的日益复杂化,六西格玛管理的改进流程中数据采集和数据分析过程也日益复杂,工作量大且容易失真,使得最初的一些六西格玛改进技术不能够发挥应有的作用。六西格玛管理流程中如何有效地处理分析复杂的数据,从数据中发现对企业流程改进有用的、隐藏的信息,并且提出更为有效地解决方法,成为目前需要解决的一个实际问题。在这一章的最后也提出了本文研究的实际意义,即通过神经网络和六西格玛管理整合的研究能够为一些较复杂的数据挖掘技术在新的领域的应用开辟方向,同时通过对这些数据挖掘技术在六西格玛管理中的应用研究可以为六西格玛流程改进引入新的方法和手段,从而能够更好的改进企业流程,降低企业经营成本,提高顾客满意度。第二章先是简单介绍了六西格玛的基本概念和特征;六西格玛管理常用的度量,包括什么是西格玛水平Z,什么是百万机会缺陷数DPMO等;六西格玛管理的核心流程DMAIC,本文的结构也是按照六西格玛管理的核心流程来安排的。这些内容主要让读者了解六西格玛管理,也为本文后面的内容服务。在简单介绍的基础上,作者还简单提出了六西格玛管理中统计方法实现存在的主要问题:测量过程中的问题、过程改进中问题、过程控制中的问题。这样就引出了四,五,六三章的核心内容。第三章也是为后面三章服务的,先简单介绍现有的实现六西格玛的工具,总结了这些工具在实现六西格玛时会遇到哪些困难。在此基础上提出了神经网络和遗传算法,并且简单介绍了这两种方法的工作原理和特点。四,五,六章是本文的核心部分,分别涉及的是六西格玛管理核心流程(DMAIC)中测量(M),改进(I),控制(C)三个方面的内容,这三章都是同样的结构,先分析了这些过程中现有的统计工具实现起来有哪些问题,然后阐述用神经网络去解决这些问题的思路和过程,最后部分都是实例分析。在实例分析中,作者主要采用了制造业中的数据,数据并非作者亲自采集得来,而出之其他文献的数据。作者主要目的是方法和思想的引入,通过实例告诉六西格玛管理的执行者什么时候该用这些技术,怎样使用这些技术。这也是不叫实证分析的原因。第四章是六西格玛管理中测量方法的改进,本章阐述了在六西格过程中的核心是最大化顾客满意度,而顾客满意度的提高依靠的是对关键顾客需求的改善。本正是运用了数据挖掘中的神经网络模型,利用训练好的神经网络模型,直接提取神经网络的权数信息,用权数测量出顾客需求的重要度权重。并通过实例分析得到了较好的效果。第五章分析了六西格玛改进中的问题,本章把神经网络和遗传算法引入到六西格玛过程改进技术中,指出了传统六西格玛改进技术的缺陷,提出了用神经网络建模,用遗传算法寻优的方法进行最佳工艺条件配置,从一定程度了克服了传统技术的缺陷,提高了产品的质量。从本章的研究中可以看出,神经网络和遗传算法的运用,大大提高了六西格玛的过程改进能力,实现了传统改进技术所不能达到了要求。但是一种新技术的提出远远做不到完美无缺,神经网络技术也有自身的缺陷,比如映射过程是一个“黑箱”,神经网络并没有确定的函数形式;神经网络的结构设置比较困难(隐层神经元数目难以确定);神经网络容易陷入局部最优等等。很多学者为此研究了许多优化算法,比如小波神经网络和遗传算法的结合,用遗传算法改进网络结构等等,这些内容属于本文的展望部分。第六章先简述了传统的质量控制技术:控制图。在此基础上分析了六西格玛条件下质量控制的难点。在六西格玛质量水平下,传统的控制图技术需要计量控制对象,需要计算中心线和上下线,需要根据不同的判异准则判异。本章的研究尝试回避了这些内容,转而利用数据库资源,成功利用人工神经网络代替了传统的控制图分析,得到了比较精确的控制效果。本文的控制对象是连续合格品数,并没有采取六西格玛控制图采用的计量型控制对象的特点。从一定程度上也解决了当控制对象无法进行计量的难题,同时也为现在的六西格玛控制技术提供了一个新的工具和发展方向。最后是全文的总结和展望。在展望方面,主要提出了针对六西格玛管理的神经网络算法的研究;企业的数据库或者数据仓库与六西格玛管理的质量数据库进行有效的整合;数据挖掘软件与六西格玛管理软件的集成问题三个方面的展望。鉴于在六西格玛管理和一些高级数据挖掘技术整合方面的研究文献较少,加之笔者对神经网络和遗传算法了解水平有限,本文肯定存在着不足和缺陷,恳请各位老师和同学予以批评指正。