简介：面向制造业品质管理、设计与工艺工程师的DRBFM宣讲培训课件，围绕事前预防（Prevention Method）展开，帮助团队理解如何在问题发生前识别并控制风险。课件从品质意识切入，剖析大企业病、品质文化、顾客选择与信赖获取，再过渡到FMEA与DRBFM的对比，并系统讲解DRBXX三大工具——DRBFM、DRBTR、DRBDP的开发流程接轨、参与者作用及实习案例。压缩包共1个ppt文件，约3.4MB，内容以宣讲幻灯片形式呈现，目录涵盖品质意识、事前预防手法的理解、DRBXX工具与案例研究等模块，适合作为内部培训或自学参考。已有503人学习，便于快速建立事前预防方法论框架，掌握从顾客评价、IQS Score到实际数据管理的完整逻辑，并可直接用于业务改善讨论。培训还涉及美国人不买美国车的理由、顾客评价、实际数据与顾客期待的管理、信赖的获得等案例，帮助理解品质意识如何落地。
1. 拿到一份 DRBFM 培训资料 [宣讲].ppt，先别急着翻页
不少人打开这份宣讲资料是从第一页往后翻，看配色、看动画、看讲师备注，翻完一圈觉得“内容挺全”，真到评审会上却一句都用不上。问题不在 PPT 做得好不好，而在 DRBFM（Design Review Based on Failure Mode，基于失效模式的设计评审）本身就是一条“变化点—失效模式—控制措施—验证”的推理链，宣讲资料如果只把定义、流程图和表格截图堆在页面上，听众记住的是名词，不是推理过程。
这份材料的读者至少有三类：负责设计变更的工程师、主持评审的组长、被拉进评审的项目经理。三者诉求不一样，一套叙事讲不完整，常见做法是按 GD3（Good Design / Good Discussion / Good Dissection）的顺序排页，让每页都能回答“这个变化点引出哪些失效模式、用什么控制措施接住”。
下面按宣讲材料的真实结构拆开讲：三大支柱在页面里怎么摆、怎么用脚本把散在文本框和表格里的评审数据抠成结构化数据、评审会上能照着演示的完整流程，以及讲完之后怎么验证听众是真的记住了。
2. DRBFM 三大支柱在宣讲页里怎么摆
DRBFM 的骨架是 GD3：Good Design、Good Discussion、Good Dissection。这三个词放进宣讲资料时最常见的失败，是每一页只写一句口号，听众点头，散会就忘。能让它立住的做法是让三组页面各自承担一种交付物——设计段回答“改了什么”，讨论段回答“这个改动会怎么坏”，剖析段回答“拿什么证据证明它不会坏”。
2.1 GD3 三词对应哪三组页面
把宣讲稿按 3:5:2 的页数比例分三段，这个比例不是硬规定，但大体上讨论段必须最厚，否则整场宣讲就变成了变更通知。
第一段 Good Design 页，主题是变化点识别，产出是一张变化点清单，每条至少写清变化对象、变化前状态、变化后状态、变化原因四个字段。宣讲时不要照着念，挑一到两个典型变化点展开，先让听众建立“变化点等于新引入的不确定性”这个直觉。
第二段 Good Discussion 页，是整份材料的主战场。每张页面围绕一个变化点回答三问：可能以什么模式失效、失效的后果由谁承担、现在有没有控制手段。这一段最容易偷懒成“列出失效模式就收工”，要刻意留出讨论痕迹，比如把评审会上被否掉的假设也留在页面上，标注“该假设已被数据推翻”。
第三段 Good Dissection 页，讲验证。剖析的重点是把验证方法写具体：试验条件、样本量、判定阈值、失败后怎么回退。宣讲页只写“需进行验证”，这一整段就等于没讲。
2.2 变化点清单必须给出的最小字段集
宣讲资料里只画一张空表，听众回去填的时候一定会跑偏。常见做法是在页面上直接给出字段定义加一段示例值，把抽象字段变成可以照着模仿的样板。
| 字段 | 含义 | 填写规则 | 示例 |
|---|---|---|---|
| 变化对象 | 发生改变的设计要素 | 名词短语，精确到零件或参数级 | 卡扣壁厚 |
| 变化前状态 | 基线设计取值 | 写数值或版本号 | 1.8 mm |
| 变化后状态 | 新设计取值 | 写数值或版本号 | 1.2 mm |
| 变化原因 | 为什么要改 | 一句话，不写“优化”这类空词 | 整机减重目标 |
| 关联失效模式 | 该变化可能触发的问题 | 一条变化点至少一条 | 卡扣根部疲劳开裂 |
| 控制措施 | 预防或探测手段 | 写方法不写态度 | 循环插拔试验 5000 次 |
这张表建议直接做成宣讲稿的第一张实操页，后面所有讨论都回到这张表引用字段名，听众的注意力才会被字段咬住，而不是被讲师的语气带着走。
2.3 用 JSON 把一页 DRBFM 宣讲页的描述固定下来
宣讲稿改到第三版以后，最大的痛苦是不同讲师讲同一个变化点时字段顺序不同、口径不同。可以在资料维护阶段先定一份结构定义，页面内容按它填，改版时逐项对照检查缺项。
{ "change_id": "CP-2024-017", "change_object": "卡扣壁厚", "before": "1.8mm", "after": "1.2mm", "reason": "整机减重 8g", "failure_modes": [ { "mode": "卡扣根部疲劳开裂", "effect": "面板松动、异响", "severity": 7, "cause": "壁厚下降导致截面惯性矩降低", "preventive_control": "CAE 应力分析，安全系数≥1.5", "detective_control": "整机振动台 2h 后目检", "action": "根部增加加强筋 R0.5", "owner": "结构组", "due": "2024-06-30" } ], "verification": { "method": "插拔寿命试验", "condition": "5000 次，频率 10 次/分", "criteria": "无裂纹，插拔力衰减≤15%" } }failure_modes写成数组，是因为一个变化点常常同时引出多个失效模式，宣讲时按数组顺序逐条展开，不容易漏。preventive_control和detective_control分开写，是为了在页面上能一眼看出措施属于“让问题不发生”还是“让问题跑不掉”，很多团队评审卡壳，就卡在这两类混在一起写。severity取 1 到 10 分，只作讨论排序的参考，DRBFM 不靠风险顺序数决定先讲谁，靠的是变化幅度和证据强度。
2.4 把 DRBFM 讲成 DFMEA 简化版是最大的坑
DFMEA 从功能出发，穷举一个系统所有功能的失效；DRBFM 从变化出发，只讨论这次改动动了什么、动了之后哪里可能坏。出发点不同，宣讲时如果混着讲，听众会用“我们已经有 DFMEA 了”来对抗，培训效果直接归零。
提示：宣讲页上出现 DFMEA 三个字时，紧跟一句“本次只讨论变化点”，把边界钉死。
另一个常见误用是把严重度当成排序依据。讨论顺序应该由变化幅度、设计经验薄弱程度、验证手段缺失程度共同决定，一个严重度 9 但已有成熟试验覆盖的失效模式，优先级低于严重度 6 却完全没有验证方案的条目。宣讲时可以拿这种反直觉排序当例子，听众对这套逻辑的记忆会明显加深。同理，GD3 里 Good Discussion 的“Discussion”要落到具体的人和时间，页面上写“评审通过”这种话，等于把讨论段直接删掉。
3. 用 python-pptx 把 DRBFM 宣讲稿拆成结构化数据
宣讲稿里最有价值的部分往往不是页面上的大字标题，而是散落在文本框和表格里的变化点、失效模式、责任人。这些内容要拿去做统计、做追溯、做变更前后对比，靠人工抄写既慢又容易错。用 python-pptx 把它读成结构化数据，是让这份材料真正活起来的第一步。
3.1 环境准备与最小读取脚本
先建一个干净的虚拟环境，避免和系统里已有的 PPT 处理库打架。
python -m venv .venv source .venv/bin/activate # Windows 下用 .venv\Scripts\activate pip install python-pptx pandas装好之后先用最小脚本确认文件能被打开、页数和页面尺寸是否正常。
from pptx import Presentation prs = Presentation("DRBFM培训资料[宣讲].ppt") print("幻灯片总数:", len(prs.slides)) print("页面尺寸(EMU):", prs.slide_width, prs.slide_height) for i, slide in enumerate(prs.slides, 1): title = "" if slide.shapes.title is not None: title = slide.shapes.title.text_frame.text.strip() print(i, title)Presentation()接收的是文件路径，返回的对象里slides是可迭代的幻灯片集合，slide_width和slide_height的单位是 EMU（English Metric Unit），1 英寸等于 914400 EMU。slide.shapes.title只有在页面使用了标题占位符时才存在，很多手工排版的宣讲页会把它删掉，脚本里必须判空，否则AttributeError会直接中断整个循环。
注意：python-pptx 只能读
.pptx。老格式的.ppt需要先用办公软件另存为.pptx，转换这一步没有任何 API 能绕过。
3.2 递归遍历组合形状，别漏掉嵌套文本框
宣讲稿里的表格经常被整体“组合”成一个形状，直接遍历slide.shapes只能拿到那个组合体，里面真正的内容一个都读不到。遍历时必须递归。
from pptx.enum.shapes import MSO_SHAPE_TYPE def walk(shapes, depth=0): """深度优先展开所有形状，组合内的子形状一并产出""" for sh in shapes: if sh.shape_type == MSO_SHAPE_TYPE.GROUP: yield from walk(sh.shapes, depth + 1) else: yield sh, depth for page_no, slide in enumerate(prs.slides, 1): for sh, depth in walk(slide.shapes): if sh.has_text_frame and sh.text_frame.text.strip(): print(f"第{page_no}页 层级{depth} | {sh.text_frame.text[:40]}")MSO_SHAPE_TYPE.GROUP是组合形状的类型枚举，命中后通过sh.shapes拿到子集合再递归。depth记录嵌套层级，宣讲稿里层级大于 1 的文本框通常是作者临时补上去的批注，做正式导出时可以按需过滤。has_text_frame用来排除图片、线条这类没有文本接口的形状，直接访问text_frame会抛异常。
3.3 把页面里的 DRBFM 表导成 CSV
表格才是评审数据的载体，导出的关键是把每张表的首行当表头，其余行带上页码来源。
import csv from pptx import Presentation from pptx.enum.shapes import MSO_SHAPE_TYPE def walk(shapes): for sh in shapes: if sh.shape_type == MSO_SHAPE_TYPE.GROUP: yield from walk(sh.shapes) else: yield sh def export_tables(ppt_path, out_csv): prs = Presentation(ppt_path) rows = [] for page_no, slide in enumerate(prs.slides, 1): for sh in walk(slide.shapes): if not getattr(sh, "has_table", False) or not sh.has_table: continue tbl = sh.table header = [c.text.strip().replace("\n", " ") for c in tbl.rows[0].cells] for r in list(tbl.rows)[1:]: cells = [c.text.strip().replace("\n", " ") for c in r.cells] rows.append({"page": page_no, **dict(zip(header, cells))}) if not rows: print("没有找到任何表格，检查是否被组合形状包裹") return with open(out_csv, "w", newline="", encoding="utf-8-sig") as f: writer = csv.DictWriter(f, fieldnames=list(rows[0].keys())) writer.writeheader() writer.writerows(rows) print(f"导出 {len(rows)} 行 -> {out_csv}") export_tables("DRBFM培训资料[宣讲].ppt", "drbfm_rows.csv")用getattr加has_table双重判断，是因为部分形状类型根本没有这个属性。encoding="utf-8-sig"保证文件带 BOM，用表格软件双击打开时中文不会乱码。每行都注入page字段，后面定位“哪一页的哪一条缺项”时不用再回头翻 PPT。DictWriter的字段名来自第一张表的表头，所以宣讲稿里所有 DRBFM 表的列顺序必须统一，不统一就得在导出前做列名归一。
3.3.1 合并单元格与表头对齐
DRBFM 表里经常把“变化点”竖着合并两行，python-pptx 对合并单元格的处理方式和直觉不同：同属一个合并区域的多个单元格会指向同一个底层元素，cell.text会重复返回同一段文字，列数看着对，数据全是重影。
seen = set() cells = [] for c in row.cells: key = id(c._tc) if key in seen: cells.append("") # 合并区域用空值占位，保持列数一致 else: seen.add(key) cells.append(c.text.strip())去重的依据是底层 XML 元素的id，同一合并区域里的多个单元格指向同一个_tc对象。用空字符串占位而不是直接跳过，是为了让每行的列数保持一致，落 CSV 时不会整体错位。这一步做完再去pandas里read_csv，列名和数据就能一一对上了。
4. 把 DRBFM 工作表单做成能现场演示的评审流程
宣讲材料读得再透，最终还是要落到评审会上的那张表。把表格结构、字段口径和一次完整的演示脚本固定下来，讲师换人也不会走形。
4.1 DRBFM 表的必填字段与取值口径
下面这张表把“必填”和“选填”拆开，字段名建议直接沿用宣讲页上的用词，听众在页面上见过一遍，填表时不需要二次翻译。
| 字段 | 是否必填 | 取值口径 | 常见错误 |
|---|---|---|---|
| 变化对象 | 必填 | 零件名 + 参数名 | 写成“结构件”这种泛称 |
| 变化前后状态 | 必填 | 带单位和数值 | 只写“增大”“减小” |
| 失效模式 | 必填 | 失效发生的物理形态 | 写成“功能异常” |
| 失效影响 | 必填 | 从使用者视角描述 | 写成“影响质量” |
| 控制措施 | 必填 | 预防或探测，二选一标注 | 两类混写一条 |
| 验证方法 | 必填 | 条件 + 样本量 + 判定阈值 | 只写“做试验” |
| 责任人 | 必填 | 姓名而非部门 | 写“结构组” |
| 完成日期 | 必填 | 具体到日 | 写“尽快” |
| 严重度 | 选填 | 1 到 10 的整数 | 当作唯一排序依据 |
口径统一之后，评审会的对话效率会有明显变化：大家讨论的是“这条控制措施属于预防还是探测”，而不是“这行到底该填什么”。
4.2 一次变更点评审的演示脚本
评审前用脚本把缺项扫一遍，比在会上逐行瞪眼快得多。
import pandas as pd REQUIRED = ["变化对象", "变化前状态", "变化后状态", "失效模式", "控制措施", "验证方法", "责任人", "完成日期"] df = pd.read_csv("drbfm_rows.csv") df.columns = [c.strip() for c in df.columns] blank = df[REQUIRED].isna() | (df[REQUIRED].astype(str).str.strip() == "") bad = df[blank.any(axis=1)] print(f"总行数: {len(df)} 缺项行数: {len(bad)}") for _, r in bad.iterrows(): empty = [c for c in REQUIRED if pd.isna(r[c]) or str(r[c]).strip() == ""] print(f" 第 {r['page']} 页 | {r.get('变化对象', '未填')} -> 缺: {','.join(empty)}")isna()覆盖整格空白的单元格，astype(str).str.strip() == ""覆盖填了一堆空格的情况，两个条件用|合并后再any(axis=1)，得到“任意一个必填字段为空”的行。输出里带上页码和变化对象，会上可以直接翻到那一页让人补，不用来回找。如果缺项行数超过总行数的三成，说明这份表在评审前根本没准备好，会议应该往后推，而不是硬开。
提示：把这个脚本存成
check.py，会前十分钟跑一次，比在会上念“大家检查一下有没有漏填”有用得多。
4.3 宣讲节奏与三个翻车点
第一，别在开场讲完整套 DRBFM 理论。听众坐下十分钟内最想知道的是“今天这个变更跟我有什么关系”，所以开场直接抛变化点清单，理论穿插在讨论里讲。
第二，别让截图代替数据。宣讲页上贴一张模糊的评审表截图，听众既看不清也记不住，宁可把关键三行用表格重新排一遍。
第三，别把讨论段压成结论段。如果一张页面只有“已确认无风险”这几个字，没有一个失效模式、没有一条控制措施，这张页在评审里是无效的。合格的做法是：每一页至少能被追问“如果这条控制措施失效了，下一步怎么办”，讲师能当场答上来，就说明这段讨论是真的做过。
5. 讲完之后怎么验证 DRBFM 培训真的落地
培训效果不能靠散会时的掌声判断，要靠变化点推理链的完整性来量化。DRBFM 的核心是“变化点→失效模式→控制措施→验证方法”四段推理，任何一段断掉，这条记录在评审里都是废的。
import pandas as pd def chain_score(row) -> float: """四段推理齐全才计 1 分，缺一段就扣 0.25""" seg = [ bool(str(row.get("变化对象", "")).strip()), bool(str(row.get("失效模式", "")).strip()), bool(str(row.get("控制措施", "")).strip()), bool(str(row.get("验证方法", "")).strip()), ] return sum(seg) / 4 df = pd.read_csv("drbfm_rows.csv") df["推理完整度"] = df.apply(chain_score, axis=1) broken = df[df["推理完整度"] < 1] print(f"推理链不完整: {len(broken)} / {len(df)}") print(df["推理完整度"].value_counts().sort_index())chain_score用布尔值求和再除以 4，得到 0、0.25、0.5、0.75、1 五档，value_counts()出来的分布比一个平均值信息量大得多——如果大量记录停在 0.5，说明控制措施写了但验证方法没跟上，下一轮培训的重点就落在 Good Dissection 这一段；如果停在 0.25，问题出在失效模式根本没识别出来，得回头补 GD3 的讨论段。
讲完之后最有效的验证技巧是反向复述：随机抽三个变化点，让听众当场说出它的失效模式和控制措施，说不出来的那条记录直接标红。这件事在宣讲现场做一次，比事后发十页练习题管用。配合上面的完整度分布图，下一版 [宣讲].ppt 该加哪几页、该删哪几页，数据会直接告诉你答案。
本文还有配套的精品资源，点击获取
