<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[QTech1999的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/QTech1999</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; QTech1999]]></copyright><item><title><![CDATA[推动新质生产力发展｜2026国产质量管理系统（QMS）推荐榜发布（升级版）]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/160395415</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/160395415</guid><author>QTech1999</author><pubDate>Wed, 22 Apr 2026 10:02:08 +0800</pubDate><description><![CDATA[为帮助制造企业更高效完成系统选型，我们对国内主流QMS供应商进行了综合调研与方案评估，基于技术能力、行业实践、系统架构与落地能力，发布2026国产QMS质量管理系统推荐榜（升级版）。QMS质量管理软件通过整合组织策略、流程、资源与数据，帮助企业实现从设计、制造、检验到售后的全生命周期质量管理，覆盖产品信息、采购、生产、设备、实验室、销售及售后等关键业务场景。覆盖汽车、食品、化工、电子、电器、机械、新能源等全制造行业。汽车、电子、食品、包装、化工、新能源、机械制造等。]]></description><category></category></item><item><title><![CDATA[数据驱动质量革命：QMS系统深度推荐——库得克质量管理QMS系统]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/160394912</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/160394912</guid><author>QTech1999</author><pubDate>Wed, 22 Apr 2026 09:53:26 +0800</pubDate><description><![CDATA[库得克质量管理QMS系统以“全面、灵活、前瞻”为核心设计理念，为汽车零部件、电子电气、食品饮料、新材料、新能源等高端制造领域提供一体化质量数字化解决方案，助力企业实现从“经验管理”到“数据驱动”的质量升级。质量管理的竞争，本质上是数据与体系能力的竞争。系统打通各模块数据，自动生成多维质量指标看板，支持钻取分析、趋势预测与管理决策，帮助企业从“事后处理”走向“事前预防”。库得克QMS以“品质检验+问题闭环管理”为核心，构建覆盖质量全生命周期的系统能力，帮助企业形成真正的质量管理闭环。]]></description><category></category></item><item><title><![CDATA[库得克独有分析方法：零售商指纹分析——从刑侦灵感到零售决策新工具]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/159509271</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/159509271</guid><author>QTech1999</author><pubDate>Thu, 26 Mar 2026 15:39:55 +0800</pubDate><description><![CDATA[通过这种类似指纹匹配的逻辑，零售商能够从纷繁复杂的数据中，精准定位影响业绩的关键因素，为决策提供科学依据。这个案例清晰展现了零售商指纹分析的核心价值：它通过数据模式的比对与关联，像刑侦破案一样抽丝剥茧，帮助零售商跳出“头痛医头”的误区，从复杂的经营数据中找到真正的问题根源。有趣的是，周五流失的客流几乎与周日新增的客流数量相当，似乎有部分消费者将周五的购物计划转移到了周日。步行范围内的一家大型竞争对手缩短了周五的营业时间，导致原本流向该门店的“溢出客流”大幅减少，直接影响了本品牌周五的到店人数；]]></description><category></category></item><item><title><![CDATA[超越常规：极值分布在现代质量管理中的前沿洞察与应用]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/159282452</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/159282452</guid><author>QTech1999</author><pubDate>Fri, 20 Mar 2026 14:02:34 +0800</pubDate><description><![CDATA[极值分布是概率论中专门研究随机变量极大值或极小值概率分布的理论。其核心思想在于，对于一个包含大量独立同分布随机变量的样本，其最大值或最小值的分布会收敛于一个确定的极值分布，这被称为极值定理。这与描述数据主体行为的正态分布形成鲜明对比：正态分布刻画“常规”，而极值分布专注“异常”。Gumbel分布⁺：适用于数据范围无限（无明确上下界）的情况，是极值分布中最常见的一种。Frèchet分布⁺：适用于数据具有较长的右尾，即可能出现极大值的情况。Weibull分布⁺：适用于数据具有有限上限的情况。]]></description><category></category></item><item><title><![CDATA[对数正态分布在现代质量管理中的洞察与应用]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/159282259</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/159282259</guid><author>QTech1999</author><pubDate>Fri, 20 Mar 2026 13:54:29 +0800</pubDate><description><![CDATA[对数正态分布是指一个随机变量的自然对数服从正态分布，则该随机变量本身服从对数正态分布。其核心定义是：若随机变量 X > 0，且 ln(X) ~ N(μ, σ²)，则 X 服从参数为 μ 和 σ 的对数正态分布。对数正态分布是一个严重右偏的分布，意即随机变量的对数服从正态分布。也就是说，如果X服从对数正态分布，则Y=ln（X）服从正态分布。X只能取正值。如果存在负值，则加上偏倚。]]></description><category></category></item><item><title><![CDATA[库得克中国洞见AI如何重塑QMS的未来]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/159119222</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/159119222</guid><author>QTech1999</author><pubDate>Mon, 16 Mar 2026 14:10:54 +0800</pubDate><description><![CDATA[基于自然语言交互的AI智能体，其驱动核心是“赋能与协作”，目标是放大人的能力，让系统成为人的自然延展。这意味着，一线质检员、工艺工程师都可以更便捷地与QMS系统互动，获取所需的知识与决策支持。结语AI在QMS中的运用，归根结底是一场关于“工具”与“目的”的再思考。技术赋能的关键不是取代人，而是通过人机互补释放人的创造力。AI赋能的QMS将推动质量管理从“数字控制”向“人本赋能”深刻转变。理想的模式是。]]></description><category></category></item><item><title><![CDATA[浅谈Logistic分布族群在质量管理领域的应用]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/158730656</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/158730656</guid><author>QTech1999</author><pubDate>Fri, 06 Mar 2026 10:00:16 +0800</pubDate><description><![CDATA[⁺，又称逻辑斯谛分布或罗吉斯蒂克分布，是一种重要的连续型概率分布，因其分布函数呈现经典的S形曲线（⁺）而闻名。logistic分布是一种类似正态分布的连续概率分布，但尾部较重。名字来源于其累积分布函数，即⁺中出现的logistic函数。概率密度函数为：其中µ是平均值，s是与标准差成比例的比例系数。Logistic分布在与正态分布相似的领域有着广泛的应用。Logistic分布最初就是由Pierre François Verhulst为描述人口增长而提出的。]]></description><category></category></item><item><title><![CDATA[正态分布族群之截断正态分布与折叠正态分布在质量管理的运用]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/158730037</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/158730037</guid><author>QTech1999</author><pubDate>Fri, 06 Mar 2026 09:49:22 +0800</pubDate><description><![CDATA[正态分布是最受欢迎的分布之一，因为它可以应用于大多数领域。体重、身高、血压都是服从正态分布的例子。正态分布的直方图与概率图正态分布是有用的。根据⁺，无论原始分布是什么，只要样本量足够大，从随机独立分布中抽样的平均值服从正态分布。正态分布是钟形曲线，当然其它分布也存在钟形曲线的情况。正态分布的概率密度函数为：其中µ是平均值，σ是标准差，根据样本均值和样本标准差估计得出。通常用正态概率图（Normal Probability Plot），来检验一组数据是否服从正态分布。其核心思想是：将与进行对比。]]></description><category></category></item><item><title><![CDATA[《2026 国产QMS市场格局趋势报告》—— 制造业质量管理数字化进入 “长期能力竞争” 时代]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/158616152</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/158616152</guid><author>QTech1999</author><pubDate>Tue, 03 Mar 2026 14:45:42 +0800</pubDate><description><![CDATA[市场将呈现：1️⃣中大型制造企业全面数字化升级2️⃣质量体系与智能制造深度融合3️⃣数据安全与国产自主化需求持续增强4️⃣行业集中度提高，长期深耕型企业优势扩大成立于 1999 年的库得克，在行业经验与市场覆盖方面具备明显历史积累，在新一轮市场集中过程中具备竞争基础。厂商，自 1999 年成立以来，长期专注质量管理领域，强调系统可持续运行 10 年以上的架构设计理念（远高于行业平均 3 年水平）。市场竞争的核心，不再是 “功能多不多”，而是：谁能为企业提供长期稳定、可自主演进的质量能力平台。]]></description><category></category></item><item><title><![CDATA[2026 国产QMSVS 国外QMS对比深度分析]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/158616105</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/158616105</guid><author>QTech1999</author><pubDate>Tue, 03 Mar 2026 14:44:26 +0800</pubDate><description><![CDATA[国外成熟方案如 SAP QM、Dassault ENOVIA/QMS、TrackWise 等在架构上：全球多语种与跨国数据同步支持完备与全球标准流程深度兼容企业级高可用集群架构成熟但在 “系统自行维护能力” 上，大多数仍依赖供应商专业团队配置与支持。国产质量管理软件在数据主权、自主升级、本地定制等方面体现明显优势：企业不依赖厂商进行小范围流程改造自行调整质量流程规则本地部署与源码交付可选以库得克零代码平台为例，企业可快速配置表单、工作流与业务逻辑，减少对供应商的长期依赖。在这一价值演进中，一场国产。]]></description><category></category></item><item><title><![CDATA[正态分布族群之截断正态分布与折叠正态分布在质量管理的运用]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/158421776</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/158421776</guid><author>QTech1999</author><pubDate>Thu, 26 Feb 2026 13:36:27 +0800</pubDate><description><![CDATA[正态分布是最受欢迎的分布之一，因为它可以应用于大多数领域。体重、身高、血压都是服从正态分布的例子。正态分布的直方图与概率图正态分布是有用的。根据中心极限定理，无论原始分布是什么，只要样本量足够大，从随机独立分布中抽样的平均值服从正态分布。正态分布是钟形曲线，当然其它分布也存在钟形曲线的情况。正态分布的概率密度函数为：其中µ是平均值，σ是标准差，根据样本均值和样本标准差估计得出。通常用正态概率图（Normal Probability Plot），来检验一组数据是否服从正态分布。其核心思想是：将与。]]></description><category></category></item><item><title><![CDATA[威布尔分布：从双参数到三参数，及其与指数分布、瑞利分布的关联]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/158384457</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/158384457</guid><author>QTech1999</author><pubDate>Wed, 25 Feb 2026 14:07:43 +0800</pubDate><description><![CDATA[从概率论角度看，威布尔分布是一种连续型概率分布。可靠性工程与寿命预测：尤其适用于机电类产品的磨损累计失效分析，是滚动轴承寿命试验的理论基础。它可用于估计产品的可靠度、失效率、平均寿命等关键特征。疲劳与冲击寿命分析：适用于材料在高、低应力水平下的疲劳试验，以及混凝土等材料的冲击寿命统计分析。极值现象与风速统计：在气象学中，用于对极值风速（如年最大风速）和疲劳风速（平均风）的概率分布进行建模，是风工程领域的重要工具。其他领域：还广泛应用于机械、化工、电气、电子、材料科学，甚至医学研究等领域。]]></description><category></category></item><item><title><![CDATA[何为安德森-达琳（Anderson-Darling）值]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/157802031</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/157802031</guid><author>QTech1999</author><pubDate>Fri, 06 Feb 2026 11:16:09 +0800</pubDate><description><![CDATA[⁺，通常记为A²或AD统计量，是一种用于评估数据样本（最常用的是⁺）的⁺统计量。它属于二次型经验分布函数统计量家族，通过量化样本的经验累积分布函数与假设的理论累积分布函数之间的差异，来判断数据对分布的拟合程度。一、 核心原理与计算方法Anderson-Darling检验的核心思想是比较观测数据的经验累积分布函数与假设分布的理论累积分布函数。]]></description><category></category></item><item><title><![CDATA[BOX-COX分布]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/157551669</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/157551669</guid><author>QTech1999</author><pubDate>Fri, 30 Jan 2026 17:05:49 +0800</pubDate><description><![CDATA[Box–Cox分布的理论直接源于经典的Box–Cox变换。总结来说，Box–Cox分布是一类重要的统计模型，它通过将广为人知的Box–Cox变换嵌入到概率分布的定义中，为分析高度非对称、非正态数据提供了强大而灵活的理论工具和建模框架。：在空间插值（如克里金法）中，当原始数据不满足正态假设时，可使用Box–Cox变换（其背后是Box–Cox分布思想）进行处理，以提高预测精度。其核心思想是，当数据通过Box–Cox变换后，若能服从某个对称分布，则原始数据便被认为服从对应的Box–Cox分布。]]></description><category></category></item><item><title><![CDATA[将“非正态”数据“正态”化：理解Johnson与Box-Cox变换的本质]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/157550794</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/157550794</guid><author>QTech1999</author><pubDate>Fri, 30 Jan 2026 16:51:38 +0800</pubDate><description><![CDATA[评估其拟合效果时，同样是检验。]]></description><category></category></item><item><title><![CDATA[过程能力分析-4大关键前提及3大常见误区]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/157247424</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/157247424</guid><author>QTech1999</author><pubDate>Thu, 22 Jan 2026 10:09:37 +0800</pubDate><description><![CDATA[然而，其价值的充分发挥不仅依赖正确的公式计算，更取决于用户是否严格遵守“过程稳定、数据正态、测量可靠、样本充足”等关键前提，并对“规格限的经济设定”和“适用性原则”等核心逻辑具有深刻把握。过程能力分析并非简单的合格率检查，而是一种基于统计学的、对过程内在变异性（variability）的量化评估。其核心思想是：一个过程的能力由其固有的变异（通常用标准差σ表示）相对于客户要求的规格范围（公差T）所决定。过程能力分析是质量管理中的核心工具，用于量化一个稳定过程持续生产符合规格产品的能力。]]></description><category></category></item><item><title><![CDATA[PPK/CPK傻傻分不清？——拆解变差来把事情说明白]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/157247003</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/157247003</guid><author>QTech1999</author><pubDate>Thu, 22 Jan 2026 09:59:57 +0800</pubDate><description><![CDATA[如果你对回归分析/方差分析有一定的了解，你可以将普通原因的变差近似理解成回归分析中的残差SSE（Sum of Squared Error），因为他们都是模型无法解释的或者说无法通过精进模型而避免的随机波动，而特殊原因变差则类似于回归分析中的回归变差SSR（Sum of Squared Regression），因为他们都对应着那些可以在模型中找到解释的，或者说可以通过精进模型或者过程而消除的变差。换言之，CPK指的是，在一切都很完美的依照设计的过程进行情况下，不可避免的变化是多少的问题。]]></description><category></category></item><item><title><![CDATA[MSA之核心判定规则]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/156729436</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/156729436</guid><author>QTech1999</author><pubDate>Thu, 08 Jan 2026 17:28:15 +0800</pubDate><description><![CDATA[实践中，没有任何测量系统是完美的。因此，判定一个测量系统是否“靠谱”，即是否可接受，需要基于一套系统性的分析方法和量化的判定准则。这些方法主要围绕评估测量系统的五大核心特性：重复性、再现性、偏倚、线性和稳定性。若10% < %GRR ≤ 30%：根据测量系统的重要性、改进成本等因素，可能可接受，但需要评估风险。另一种判定方式是公差比（%P/T），即测量系统变异占公差带的比例，判定标准与%GRR类似。若%GRR > 30%：测量系统不可接受，必须进行改进。若%GRR ≤ 10%：测量系统可接受。]]></description><category></category></item><item><title><![CDATA[库得克分布优化X-Bar控制图-解决完美正态数据下标准X-Bar控制图依然失灵问题]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/156305355</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/156305355</guid><author>QTech1999</author><pubDate>Fri, 26 Dec 2025 14:46:39 +0800</pubDate><description><![CDATA[本文通过一个精心设计的案例揭示，即使过程数据完全服从正态分布，标准X-Bar控制图也可能错误地发出“失控”信号。其根本原因在于子组数据的构成方式破坏了控制图的关键假设。我们深入剖析了这一现象，并介绍了不依赖正态假设、更稳健的“分布优化X-Bar控制图”，为质量监控提供了更可靠的工具。]]></description><category></category></item><item><title><![CDATA[谈谈六西格玛（2）-超越“六西格玛”的愿景，直面“过程卓越”的现实挑战]]></title><link>https://blog.youkuaiyun.com/QTech1999/article/details/156305094</link><guid>https://blog.youkuaiyun.com/QTech1999/article/details/156305094</guid><author>QTech1999</author><pubDate>Fri, 26 Dec 2025 14:39:46 +0800</pubDate><description><![CDATA[六西格玛（Six Sigma）以其“每百万机会缺陷数不超过3.4个”的完美愿景，自诞生以来便成为全球企业追求卓越质量的圣杯。然而，六西格玛的本质是“统计学概念”，如何将这一“噱头”般的愿景转化为企业实实在在的竞争力提升，是管理者面临的最大挑战。库得克基于超过25年深耕质量数字化领域的实践与观察，认为真正的挑战不在于是否接受这个“理想愿景”，而在于如何穿越从“概念崇拜”到“价值落地”的复杂现实地带。本文将深入剖析实现六西格玛期望结果所必须跨越的几大核心障碍，并探讨在数字化时代下，企业如何务实前行。]]></description><category></category></item></channel></rss>