<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />친애하는 JMP 팬 및 전문가 여러분
공정 연구에서 공정 능력 연구를 위해 데이터 세트를 수집하는 경우가 종종 있습니다. 불행히도 우리가 수집하는 데이터 세트는 비정규 분포이지만 Cpk를 계산하려면 데이터 세트가 정규 분포가 되어야 합니다. 여기서는 비정규 분포를 정규 분포로 변환하는 방법을 먼저 생각합니다.
JMP에 대한 내 생각을 공유하고 싶습니다.
1. 분석> 분포
2. 분포의 빨간색 삼각형 아래에서 연속 적합> 정상을 선택하고,
3. Normal Fitted의 빨간색 삼각형 아래에서 적합 분위수 저장을 선택합니다.
그런 다음 설계된 열의 모든 데이터를 새 열의 일반 데이터로 전송할 수 있습니다.
맞아?
이 기능은 배포 플랫폼(기본 배포를 이해할 수 있음)> 기능 분석에서 찾을 수 있습니다.
... JMP를 사용하면 명시적 변환을 수행하지 않고도 비정규 분포에 대한 공정 능력 통계를 계산할 수 있습니다.
샘플이 충분하고 계측이 매우 정밀하고 정확하다면 대부분의 데이터는 비정규 데이터입니다.
대부분의 p-값과 마찬가지로 많은 데이터에 쉽게 압도당합니다.
그리고 SPC 차트 데이터를 기반으로 하는 경우 자동 게이지가 실행 규칙 위반으로 나타나고 SPC 과잉 제어로 이어질 수 있는 많은 자동 상관 데이터를 제공하므로 샘플링 계획에 주의하십시오.
그리고 기능 연구를 위해 SPC 통계 데이터가 아닌 RAW 데이터를 사용한다는 것을 기억하십시오....제 생각에는...사양 제한은 일반적으로 개별 부품에 관한 것이기 때문입니다.그러나 산업마다 모니터링되는 계측 및 "중요" 변수가 매우 다릅니다.Cpk 또는 Ppk 지수를 얻기 위해 피팅 분포로 시간을 낭비하기 전에 산업별 전문가와 상담하십시오.많은 산업에서 사양 제한을 피하고 Taguchi 스타일 기능의 TARGETS 및 Cpm 측정을 사용합니다.목표를 유지하십시오.변형을 지속적으로 강화하십시오.
데이터를 그래프로 표시하고 이상값을 연구하고 이해할 수 있는 항목을 제거하면 도움이 됩니다.
그런 다음 데이터가 심하게 왜곡된 경우 이를 변환해야 할 수 있지만 그렇지 않은 경우 단순히 정상이라고 부르고 JMP를 사용하여 표본 크기 및 신뢰 구간 데이터를 포함한 지수 값을 얻을 수 있습니다.
그런 다음 인덱스 값이 매우 높으면 충분합니다.
그들이 매우 낮으면 .. 충분합니다.
인덱스가 1과 2 사이일 때만 일부 보고 제한을 통과하거나 실패하도록 "고문"해야 할 수 있습니다.
장기 공정 능력은 많은 공장에서 매월 돌아다니며, 이러한 종류의 연구는 주로 주요 프로젝트나 도구 또는 계측 투자를 결정하는 데 사용되므로(보통 SPC 차트 및 OCAPS로 수행되는 미세 조정이 아님) 데이터를 변환하여 고문할 필요는 거의 없지만 일부는 특이점을 연구해야 합니다.그리고 데이터가 심하게 왜곡된 경우에도 로그 또는 기타 변환으로 인해 오해의 소지가 있을 수 있습니다.이상값을 연구하여 데이터 변환에 대해 걱정하기 전에 이러한 이상값에 대한 조치의 경제성을 살펴보고 어디에서 왔는지 확인하는 것이 좋습니다.고문된 데이터는 당신이 듣고 싶은 모든 것을 말해 줄 것입니다!
근본 원인 범주를 추론하기 위해 탐색 데이터 시간을 Variance Components Studies에 소비한 다음 일부 스크리닝 DOE를 실행하여 검증하는 것이 좋습니다.저는 수십 년 동안 비정규 데이터를 여러 방법으로 그래프로 작성하고 작업에 대한 분산 구성 요소 힌트에 집중함으로써 매우 효과적으로 작업했습니다.Multi-Vari 플롯은 조명에 도움이 됩니다.그래프를 공유하면 많은 피드백을 받습니다.
그러나 가능한 수율 문제로 감시할 매개변수가 수백 개 있는 경우 JMP Capability Platform은 Pareto 보기에 유용하며 분포 플랫폼은 운영자, 엔지니어, 유지 관리 담당자와 그래프를 공유한 후 롱테일을 보고 다른 분포를 피팅하여 가변성 알려진 문제 및 이에 대한 조치 비용에 대한 정보를 얻습니다.일부 공장 프로세스 변수에는 NORMAL이 아니지만 잘 이해되는 NATURAL 분포가 있습니다.예를 들어 입자 수는 거의 정상이 아니며 일부는 포아송 또는 레이놀즈 분포를 따르지만 다시 꼬리를 다듬는 비용과 함께 사는 비용을 연구해야 합니다.
마지막 포인트.
기능은 통계적 제한이 아닌 ENG 또는 고객 사양 제한을 사용하며, R/D 기간 동안 설정되었을 수 있으므로 대량 제조가 이러한 매개변수가 수율이나 신뢰성 또는 기타 비용에 미치는 영향에 대한 정보를 제공하면 업데이트되지 않기 때문에 종종 잘못됩니다.가짜 한계를 기반으로 기능을 보고하는 것은 막대한 시간과 비용 낭비입니다.
정규 분포로 변환하기 위해 내가 선호하는 방법은 Continuous Fit==>All을 사용하는 것입니다.
그러면 데이터에 가장 적합한 분포의 정렬된 목록이 제공됩니다.그런 다음 GLot를 사용하는 것과 같이 가장 적합한 변환을 선택하고 데이터를 분위수로 강제할 필요 없이 변환된 데이터를 직접 저장할 수 있습니다.
