高阶篇:1.5)如何选择更好的概念-Pugh矩阵法
本章目的:系统而有条理地选择更好的概念--pugh矩阵法,有对比就有更好的。
1.前言
在前面的分章中,我们通过各种概念获取的方法获得了很多的初步的概念设计方案。
但这些方案不可能全部实施的。
如何在各种方案中选择一个最好的,Pugh(普式)矩阵法就是一种比较实用的方法。
2.Pugh选择矩阵(Pugh Selection Matrix)举例
Pugh矩阵的完成的例子如下:

3.Pugh Method的作用
pugh选择法是一种由团队讨论进行的概念选择的方法、可以协助设计人员:
①从各种的可能选择方案中得出最佳的设计概念、以满足各项需求准则。
②可以透过整合各种概念设计、强化设计结果。
4.Pugh矩阵法填写流程
4.1 决定概念评估的准则
可以用客观的尺度(或称质量特性)作为评估概念的基础。
例如,可利用设计的零件数目评估组装成本(KISS原则简单明了)。同样的,亦可将使用此装置所需的动作数量(容易使用)来评估这项特性。这些客观尺度降低了评估程序中人为主观判断的影响力。
评估准则来源:Design Requirement from VOC,QFD的绩效需求/设计要求,并加入风险评估、标准法规、售后服务等要求。
作者追加的还有装配、制造、测试、质量和成本的要求;
填写的地方如下表,左侧栏目。

4.2 选择被评估的概念
例如从头脑风暴、TRIZ等方法中得出的概念,并加入图片、描述等,填入下面的顶部栏目。

4.3 选择一个概念当已知“参考点”(Datum/Baseline)
常常是将现有产品或是目前市场上已知的技术当做参考点(Datum)--即标杆产品或竞品。填入右侧栏目。
所以竞品的拆解和分析要先做。

4.4 每个概念与参考点做比较评估
将其他的概念依据参考概念进行一一对比(Pair wise Comparison),评定标准如下:
1)明确产生更加的效果,评定为“+”
2)几乎一样的效能,评定为“S”
3)明确产生更糟的效果,评定为“-”;
填入腹部栏目。

4.5 统计概念的+和-的个数
一旦完成了比较评估,团队便可以将评定分数加以统计。
显然的,一般说来较多+号,较少-号的概念排序较高。
通常到了此阶段,团队便可以理清一至两项似乎可造成概念间差异的基准。
这一项目填入底部栏目。

4.6 将较好的概念整合在一起
1)概念是可以完善的
是否因为一个不好的特征而降低优良概念的重要性?小部分的修正是否可以改善整个概念,并同时保持与其他概念的差异。
2)较好的概念是可以合并的
是否有其中两项概念可以结合,如此可消除较差的特征。
4.7 如有需要,反复评估求取优化的设计概念
要很清楚地考虑现阶段所得到的成果,对每个人是否有意义,如果是的,将可减少错误,并确保整个团队在往后的开发活动中能团结一致地投入。
5.对软件的期望
作者一直希望这些简单的机械设计的理念能有配套的软件支持,而不是只能用excel表格来做。能大大减少机械设计工程师的重复内卷的工作量,增加方法的普及程度。
高阶篇:1.5)如何选择更好的概念-Pugh矩阵法的更多相关文章
- 高阶篇:4.3)FTA故障树分析法-DFMEA的另外一张脸
本章目的:明确什么是FTA,及与DFMEA的关系. 1.FTA定义 故障树分析(FTA) 其一:故障树分析(Fault Tree Analysis,简称FTA)又称事故树分析,是安全系统工程中最重要的 ...
- 项目管理构建工具——Maven(高阶篇)
项目管理构建工具--Maven(高阶篇) 我们在之前的文章中已经基本了解了Maven,但也仅仅只止步于了解 Maven作为我们项目管理构建的常用工具,具备许多功能,在这篇文章中我们来仔细介绍 分模块开 ...
- 高阶篇:4.2.2)DFMEA层级分明的失效模式、失效后果、失效原因
本章目的:明确失效模式.失效后果.失效原因的定义,分清楚层次关系,完成DFMEA这部分的填写. 1.失效模式,失效后果,失效原因的定义: 这是FEMEA手册第四册中的定义. 1.1 潜在失效模式 (b ...
- 高阶篇:4.1)QFD质量功能展开-总章
本章目的:了解QFD概念和作用,为FMEA打下基础. 1.QFD定义 质量功能展开QFD(Quality Function Deployment),是把顾客或市场的要求转化为设计要求.零部件特性.工艺 ...
- .NET Core部署到linux(CentOS)最全解决方案,高阶篇(Docker+Nginx 或 Jexus)
在前两篇: .NET Core部署到linux(CentOS)最全解决方案,常规篇 .NET Core部署到linux(CentOS)最全解决方案,进阶篇(Supervisor+Nginx) 我们对. ...
- 高阶篇:4.2.4)DFMEA严重度S(+分类e)、频度O、探测度D、风险优先系数RPN
本章目的:填写严重度S(+分类).频度O.探测度D,判定风险优先系数RPN. 1.前言 实施阶段中, 要求.潜在失效模式.潜在失效后果.潜在失效原因和现有设计控制措施等 5 个为基础项, 它们的分析是 ...
- 高阶篇:4.1.1)QFDI(客户需求转换为设计要求)
本章目的:明确QFDI的作用:收集客户需求(Customer Needs),转换为设计要求(Design Feature).并介绍其制作方法. 1.QFDI质量屋举例 不用怀疑,现在大部分参考教材所谓 ...
- 高阶篇:4.1.2)QFDII(设计要求逐层分配给各零件)
本章目的:明确QFDII的作用:输入为设计要求(Design Feature),输出为零件特征(Part Characteristic),将设计要求分配到每一个零件特征中去: 本章开始介绍产品结构设计 ...
- 高阶篇:4.1.2.3)产品零件级别的QFDII
本章目的:介绍产品零件级别的QFDII编写方法. 1.前言 这章接前面部件级别的QFDII. 产品零件级别的QFDII,其实就是将零件QFDII所得到的设计要求,进一步分配零件的特征(Part Cha ...
- 高阶篇:4.2.1)DFMEA框架搭建,填写项目与要求
本章目的:明确DFMEA的数量及目标,搭建框架,填写项目与要求. 1.步骤: 1)明确DFMEA的数量及目标: 2)搭建框架(所有DFMEA的): 3)填写项目与要求: 2.1明确DFMEA的数量及目 ...
随机推荐
- Java 集合删除重复元素、删除指定元素
目录 List删除指定元素 List删除指定元素 ArrayList的删除元素方法public boolean remove(Object o)只能删除第一次出现的情况,如果想要删除集合中全部位置出现 ...
- 【记录】BASE64|解决JS和C++中文传输乱码,内含两种语言的Base64编码解码的代码
JS 解决方法来源于知乎新码笔记的文章 function b64Encode(str) { return btoa(unescape(encodeURIComponent(str))); } func ...
- .NET 原生驾驭 AI 新基建实战系列(六):Pinecone ── 托管向量数据库的向量数据库的云原生先锋
引言 随着人工智能和机器学习技术的快速发展,向量数据在许多应用场景中变得越来越重要.从推荐系统到自然语言处理,再到图像搜索,向量搜索技术成为实现高效.精准匹配的核心.Pinecone 作为一个托管的向 ...
- 操作系统综合题之“按要求是个进程协调完成任务,补充完整下列程序,将编号①~⑩处空缺的内容填写(Buffer缓冲区问题-代码补充)”
1.问题:假设某系统有四个进程.input1和input2进程负责从不同设备读取数据,分别表示为data1和data2,存放在缓冲区Buffer中,output1和output2进程负责从Buffer ...
- SQL 月同环比 日期 T+1 自动计算
对于离线数据的分析, 数据通常是 T+1 的, 即所有数据更新都是到 "昨天". 对于这样的同环比能自动计算是很需要的. -- 以Mysql为例: -- 今天: 2022/3/1 ...
- C#中扩展方法无法获得多态性的行为
在C#中,扩展方法(Extension Methods)是一种用于给现有类型添加新方法的技术.但是,扩展方法无法实现多态性的行为,因为它们是静态方法,它们的行为是在编译时确定的,而不是在运行时. 多态 ...
- PyYaml简单学习
YAML是一种轻型的配置文件的语言,远比JSON格式方便,方便人类读写,它通过缩进来表示结构,很具有Python风格. 安装:pip insall pyyaml YAML语法 文档 YAML数据流是0 ...
- React-Native开发鸿蒙NEXT-本地与沙盒加载bundle
React-Native开发鸿蒙NEXT-本地与沙盒加载bundle 来晚了来晚了,不是想偷懒,实在是一个图片问题没搞定导致效果出不来,今天刚靠工具查出了原因. RN的加载无非本地加载与沙盒加载两种方 ...
- python3里面比较两个字符串的不同【difflib】
一.difflib库的用法 a = '/Users/melon/Desktop/odoo14/myaddons/watermark_design/fonts/SimSun.ttf' b = '/Use ...
- ActiveMQ消息投递方式+死信队列
死信队列 死信队列(Dead Letter Queue,DLQ),用来保存处理失败或者过期的信息.出现以下情况的时候,消息会被重发: 在一个事务session中调用了session.rollback( ...