做好 B757 飞机最终进近和着陆

1. 做好B757飞机最终进近和着陆 王锐 飞行部 2004/07/21

2. Project Title:做好B757飞机最终进近和着陆 Problem Description: 最终进近和着陆的飞行时间平均约占总时间的4%，但一半的飞行事故发生在这两个阶段. Defect Definition: 将B757在低高度发生二级偏差事件平均每月发生率大于2.28%定义为一个缺陷。 Goal/Objective: 通过提高并统一飞行机组的操纵程序，将B757飞机在低高度发生二级偏差事件控制在1.14%以下。 Data Source:QAR每月数据监控 • Leader: • 王锐 • Team Members: • 张少春：训练处经理助理 • 王船贵：飞行一队副队长 • 刘晓峰：飞行一队队长助理 • 计宏辉：飞行一队机长 • 张斯博文: QAR技术统计员 • Sponsor: • 孙按之 ：飞行部经理 • Business Y Affected: • 改善飞行质量，提高安全运行保障. • Expected Benefit: • 机务检查一次飞机必须的人工费,波音标准工时为40,公司工时为2.8.每工时160-280的工资按照平均值220计算:40*2.8*220=24640元. Project High Level Program Plan Date M: Data validation, cost analysis, 6/28/2004 process mapping, A: Cause and effect analysis, 7/28/2004 Fishbone, ctrl vs. technology plot I: Develop action plans for 8/26/2004 improvement C: Institutionalize improvements 9/27/2004

3. 流程图 按需使用减速板,油门调整 是否和计划相符 ATIS 证实跑道使用方向 是 和进近建立联系 按程序调整飞机进近高度速度 是否能够正常进近 进入进近区域 完成进近准备 否 否 和塔台建立联系 是 否 地面是否会调整速度 调整速度建立着陆形态 建立五边稳定进近 进近方式是否有所变化 确定进近方式 有 是 否 完成正常落地 检查飞机速度、高度匹配 DA,MDA

4. QAR数据分析报告(757) 四个季节的区分 夏 秋 冬 春 1.14% 根据图表的显示,季节对于二级事件中的目测高影响显著,但由于季节是无法改变的客观因素也无法进一步做改进.

5. 公司现有状况

6. Run Chart 数据采集原则: 根据2003年全年数据,以B757(2833,2834,2842,2843)为基准,每周采集数据分析二级事件的发生. 分析阶段数据采集原则: 将每月航班随机抽取两周作为数据分析,共采集数据1576个.

7. 控制技术图 • Study Var %Study Var %Tolerance • Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler) • Total Gage R&R 0.014644 0.07542 1.90 0.75 • Repeatability 0.014003 0.07211 1.81 0.72 • Reproducibility 0.004287 0.02208 0.56 0.22 • Operator 0.004287 0.02208 0.56 0.22 • Part-To-Part 0.772057 3.97610 99.98 39.76 • Total Variation 0.772196 3.97681 100.00 39.77 • Number of Distinct Categories = 74 Meanoverall = 2.288 StDevoverall = 1.286 Meanshort term= 1.087 StDevshort term= 0.604 Zlt=0 Zst=1.975 Zshift= 1.975

9. 分析阶段卡方检验结果 • 操作人员： • Ｐ＝0.302>0.05表明操作人员与二级事件是否发生之间无统计差异 工龄： P = 0.055 >0.05 表明工龄与二级事件是否发生之间无统计差异 白天晚上： P = 0.982 >0.05 表明白天晚上飞行与二级事件是否发生之间无统计差异 本场外场： P = 0.9070>0.05 表明本场外场与二级事件是否发生之间无统计差异 备注: 操作人员 : Ａ:机长以上级别 Ｂ:５阶段以上飞行员 Ｃ:５阶段以下级别飞行员 白天晚上区分: D”指白天操纵落地. N”指夜间操纵落地 本场外场区分: SHANGHAI”指上海虹桥或浦东落地. OTHER”指上海以外机场落地 工龄区分指： Ａ”到上航１５年以上， Ｂ”到上航７年以上 Ｃ”到上航４年左右

10. 备注: • 民航部队”是指公司飞行员的来源是空军或航校大学生. • 机长教员”是指左座是否是机长或是训练飞行. • 航段”指一天飞行中的第几次航段. • 飞机号”指所统计的当天使用的飞机 • 几人制”是指执行该航班的机组成员人数 机长教员： P-Value = 0.255P>0.05 表明机长教员与二级事件是否发生之间无统计差异 民航部队： P-Value = 0.587P>0.05 表明民航部队与二级事件是否发生之间无统计差异 航段： P-Value = 0.000P<0.05 表明航段与二级事件是否发生之间存在统计差异 飞机号： P-Value = 0.001P<0.05 表明飞机号与二级事件是否发生之间存在统计差异 几人制： P-Value = 0.002P<0.05 表明几人制与二级事件是否发生之间存在统计差异

11. 分析 • Binary Logistic Regression: 二级事件 versus 飞机号 • Link Function: Logit • Response Information • Variable Value Count • 二级事件 2 320 (Event) • 1 1256 • Total 1576 • Logistic Regression Table • Odds 95% CI • Predictor Coef SE Coef Z P Ratio Lower Upper • Constant -1.07264 0.113600 -9.44 0.000 • 飞机号 • 2834 -0.609122 0.177304 -3.44 0.001 0.54 0.38 0.77 • 2842 -0.536801 0.185293 -2.90 0.004 0.58 0.41 0.84 • 2843 -0.156029 0.162389 -0.96 0.337 0.86 0.62 1.18 • 分析结果表明2833二级事件发生比例最高

12. Binary Logistic Regression: 二级事件 versus 航段 Link Function: Logit Response Information Variable Value Count 二级事件 2 320 (Event) 1 1256 Total 1576 Logistic Regression Table Odds 95% CI Predictor Coef SE Coef Z P Ratio Lower Upper Constant -1.83621 0.114783 -16.00 0.000 航段 2 0.467935 0.156130 3.00 0.003 1.60 1.18 2.17 3 1.34373 0.177435 7.57 0.000 3.83 2.71 5.43 4 0.514455 0.229692 2.24 0.025 1.67 1.07 2.62 分析结果表明第3航段二级事件发生比例最高

13. Binary Logistic Regression: 二级事件 versus 几人制 • Link Function: Logit • Response Information • Variable Value Count • 二级事件 2 320 (Event) • 1 1256 • Total 1576 • Logistic Regression Table • Odds 95% CI • Predictor Coef SE Coef Z P Ratio Lower Upper • Constant -1.82455 0.170389 -10.71 0.000 • 几人制 • 3 0.543615 0.183291 2.97 0.003 1.72 1.20 2.47 • 分析结果表明3人制时二级事件发生比例高

14. 改进措施 I

15. 改进措施 II

16. 改进措施 III风险评估

17. 控制 阶段

18. Take Away • ☺ 通过6Sigma的学习,使我了解到如何将零缺陷、追求卓越的质量管理 方法和提高飞行品质两者融为一体,特别是在飞机本身自动化程度不 断提高,飞行员从纯粹的控制者转化到飞机的管理者,为我们飞行员 提供了一个全新解决问题的理念和方法. • ☺ 通过这次学习,了解到许多飞行以外的知识以及公司其他部门的工作 方式和方法,对于自己的本职工作有很大的启发. • ☺ 希望能将这次学习的知识以及方法带回飞行部门,从而使飞行员都了 解到公司推广6Sigma,进行科学管理降低缺陷的目的.