Altoparlante | Trascrizione |
| Ronald Andrews | Bene, buongiorno o buon pomeriggio, a seconda dei casi. Mi chiamo Ron Andrews e l'argomento del giorno è il budget di varianza. |
| Oh, ne ho bisogno |
| condividi il mio schermo. |
| E c'è un file, ci arriveremo. |
| E inizieremo con |
| Presa della corrente. |
| Quindi l'argomento è il budget di varianza. |
| Sono un ingegnere di processo presso Bausch and Lomb; ha ottenuto le informazioni di contatto qui. |
| La mia supervisione richiede questo disclaimer. Non vogliono necessariamente prendersi il merito di quello che dico oggi. |
| Panoramica di ciò di cui parleremo |
| Qual è il budget di varianza? |
| Un po 'di storia. |
| Quando ne abbiamo bisogno? |
| Abbiamo alcuni esempi. |
| Esamineremo gli elementi del processo, il diagramma di causa ed effetto, raccoglieremo la preconoscenza, faremo alcuni DOE per colmare le lacune, |
| Simulazioni Monte Carlo, come richiesto. |
| E abbiamo un test case che funzionerà. |
| Quindi, in realtà, cos'è un budget di varianza? Agli ingegneri meccanici piace parlare di accumulo di tolleranza. |
| L'accumulo di tolleranza è fondamentalmente un corollario della legge di Murphy, che essendo tutte le tolleranze aggiungerà unità direzionalmente nella direzione che può fare il maggior danno. |
| Il budget della varianza è come un accumulo di tolleranza, tranne per il fatto che invece di definire il budget del parametro stesso, calcoliamo la varianza - sigma al quadrato. |
| Ci affidiamo a distribuzioni di forma più o meno normali, piuttosto che a distribuzioni uniformi. |
| Gli scostamenti sono additivi, rendono il processo di definizione del budget molto più semplice rispetto al tentativo di preventivare qualcosa come deviazioni standard. |
| Breve esempio qui. |
| Se usassimo strategie di test-and-sort o test-and-Adjust, le nostre distribuzioni assomiglieranno più a queste distribuzioni uniformi. |
| Quindi se abbiamo la distribuzione con la larghezza di 1 e una con una larghezza di 2 e l'altra con 3, le sommiamo tutte insieme, finiamo con una distribuzione con una larghezza abbastanza vicina a 6. |
| In questo caso, probabilmente dovremo preventivare le tolleranze più delle varianze. |
| ... Se ci affidiamo al controllo del processo, le nostre distribuzioni saranno più normali. |
| In questo caso, se abbiamo una distribuzione normale con deviazione standard di 1, deviazione standard di 2, deviazione standard di 3, le sommiamo, otteniamo una deviazione standard di 3,7, lotto inferiore a sei. |
| Quindi facciamo i numeri 1 al quadrato più 2 al quadrato più 3 al quadrato equivalgono essenzialmente a 3,7 al quadrato. |
| Ora per essere onesti, in quella diapositiva precedente, se avessi sommato queste varianze, si sarebbero sommate alla varianza di questa. |
| Ma quando hai qualcosa di diverso da una distribuzione normale, devi prestare attenzione alla forma in basso vicino alla coda. Dipende da dove puoi impostare le tue specifiche. |
| Così, |
| Qual è il budget di varianza? |
| Le distribuzioni non normali richiederanno un'attenzione speciale e ne parleremo più avanti. Per ora il budget di varianza è una specie di budget finanziario. Possono essere altrettanto arbitrari. |
| Ci sono solo tre regole di base. |
| Traduciamo tutto in valuta comune. Ora lo facciamo per ogni misura di prodotto di interesse, ma traduciamo tutte le variabili di processo rilevanti nel loro contributo alla misura di prodotto di interesse. |
| La regola numero due è abbastanza semplice. Non programmare più del 100% della varianza consentita. Sì, sembra semplice. Ho visto questa regola violata più di una volta in più di un'azienda. |
| Numero tre. Questo vale per la vita in generale, così come per l'ingegneria, usa sempre il tuo miglior giudizio. |
| Poco |
| po 'di storia. Questa non è scienza missilistica. Altre persone devono fare qualcosa di simile. Ho cercato in letteratura e non sono riuscito a trovare resoconti pubblicati di un processo simile a questo. Sono sicuro che sia là fuori, ma non ho ancora trovato nessun account pubblicato. |
| Quindi per me la storia è tornata negli anni '80, quando lavoravo in Kodak con una sfida per il management. |
| La sfida era produrre film senza alcuna variazione percepita dai clienti. |
| In realtà ciò che hanno detto originariamente produce film senza variazioni. |
| nessuna variazione percepibile. |
| Lo definiscono come un cambiamento Six Sigma sarebbe meno di una differenza solo evidente. |
| Kodak era piuttosto brava sulle cose percettive e tutte queste differenze evidenti erano definite, sapevamo esattamente cosa fossero. |
| Per una diapositiva come Kodachrome, che è ciò su cui stavo lavorando ... |
| questo è ciò su cui stavo lavorando in quel momento, il bilanciamento del colore era la sfida più grande. |
| Qui, in questo diagramma di causa ed effetto semplificato, il bilanciamento del colore è una funzione della velocità del verde, della velocità del blu e della velocità del rosso. |
| Adesso ho rimpolpato una di queste gambe. La velocità del rosso, ho ottenuto il colorante assorbitore ciano e poi una delle emulsioni come fattori che contribuiscono alla velocità di quella, che influenza la velocità del rosso, che influisce sul bilanciamento del colore. |
| Questa è una versione molto semplificata. In realtà ci sono tre diverse emulsioni nel record rosso, ce ne sono altre tre nel record verde. Ce ne sono altri due nel record blu. Sommate tutto, sono 75 fattori che contribuiscono tutti all'equilibrio del colore. |
| Questi non sono solo potenziali contributori. Questi sono effettivamente collaboratori dimostrati. Quindi questo è un compito abbastanza arduo. |
| Quindi passiamo a quando abbiamo bisogno di un budget di varianza. |
| Prendi un po 'di lingua nell'albero decisionale delle guance qui. Abbiamo un casino in casa? In caso contrario, la vita è bella. Se è così, |
| quanti bambini abbiamo? Se uno, probabilmente sappiamo dove risiede la responsabilità. Se più di questo e probabilmente abbiamo bisogno di un budget. |
| Questo è un esempio di un lavoro che abbiamo svolto alcuni anni fa su un progetto di lenti a contatto a Bausch and Lomb. |
| Questo è molto prima che sia uscito dal mercato. Abbiamo avuto problemi a soddisfare le nostre specifiche di diametro. |
| più o meno due decimi di millimetro |
| Abbiamo avuto problemi a incontrarlo. |
| Abbiamo esaminato molte fonti di variabilità e siamo riusciti a caratterizzarle. |
| Tanto a molto. E questo con gli stessi materiali di input e gli stessi set point, variabilità abbastanza ampia. |
| Obiettivo a obiettivo entro molto, minore variabilità. |
| Componente monomero n. 1, cambiamo lotto occasionalmente, |
| estrema variabilità. Anche il componente del monomero n. 2 aveva una variabilità abbastanza ampia. |
| Ora mescoliamo i nostri monomeri e abbiamo un processo abbastanza buono con una precisione piuttosto buona. Non è perfetto e possiamo stimare la variabilità da questo. |
| È un contributore piuttosto piccolo. |
| Mettiamo il monomero in uno stampo e lo mettiamo sotto lampade a polimerizzazione ??? esso |
| e l'intensità delle lampade può fare la differenza. Lì possiamo stimare anche quella fonte di variabilità. |
| Aggiungiamo tutte queste distribuzioni |
| e questa è la nostra distribuzione globale. |
| Va bene ... oltre i limiti delle specifiche su entrambe le estremità. |
| Deviazione standard di .082 |
| E come ho già detto, gli elementi delle specifiche più e meno .2 che ci danno un PPk di .81. Non così buono. |
| Percentuale fuori specifica stimata all'1,5% |
| Sarebbe potuto essere passabile se fosse stato davvero così buono, ma non lo era. |
| Questa stima presume che ogni lente sia un evento indipendente. Loro non sono. Produciamo le lenti in lotti |
| e c'è ... ogni lotto ha un certo insieme di materie prime in un certo insieme di condizioni di partenza. |
| Che in molto, c'è molta correlazione. |
| E |
| due dei componenti che ho menzionato, due componenti monomeri che hanno avuto contributi considerevoli, ci sono |
| guardando qui, di tanto in tanto puoi vedere la linea gialla e la linea rosa. Queste sono la variabilità introdotta da questi due componenti monomeri. |
| Quando sono entrambi sullo stesso lato della linea centrale, spingono il diametro verso i limiti delle specifiche e abbiamo altre fonti di variabilità che si aggiungono alle possibilità. |
| Un altro problema è quello |
| il nostro limite .2 è per un obiettivo individuale. Abbiamo fatto questo ... abbiamo una disposizione basata sui lotti. E quindi questo grafico predice le medie dei lotti, tuttavia, quando otteniamo una media dei lotti fino a 0,175, è probabile che avremo abbastanza obiettivi oltre il limite che ha fallito molto. |
| Quindi, tutto sommato |
| la nostra stima è che il 4% dei lotti verrà scartato. |
| E arriveranno a grappoli. Avremo settimane in cui non potremo ottenere la metà dei nostri lotti attraverso il sistema. |
| Quindi questo non è un antipasto. Dobbiamo apportare alcuni importanti miglioramenti. |
| Alla variabilità da lotto a lotto da due componenti monomeri ha contribuito una buona parte di quella variabilità. |
| Abbiamo esaminato e scoperto che la purezza complessiva del monomero 1 era un fattore significativo e alcune impurità del monomero 2, quando presenti, contribuivano. |
| I nostri chimici hanno esaminato le vie sintetiche di questi ingredienti e hanno scoperto che c'era un unico materiale di partenza che contribuiva alla maggior parte delle impurità. |
| Hanno raccomandato ai nostri fornitori di distillare questo ingrediente di partenza per eliminare le impurità. |
| Ciò ha apportato alcuni importanti miglioramenti. |
| Mettiamo anche delle variabili sulle lampade di cura per controllare l'intensità. |
| L'intensità della lampada non era un fattore importante, ma questo era facile. E quando è facile, fai il miglioramento. |
| A rigor di termini, questa era una valutazione della varianza, piuttosto che un budget di varianza. In realtà non abbiamo mai assegnato obiettivi numerici per ogni componente. |
| Questo è tornato ... stiamo raccogliendo i frutti bassi. Voglio dire, abbiamo trovato due fattori che spiegavano più o meno gran parte della variabilità |
| Forse abbiamo bisogno di una struttura un po 'migliore per raggiungere i rami più alti, ora che dobbiamo arrivare più in alto. |
| Stato attuale sulla dimensione della lente, diametro della lente. |
| PPk è 2.1. Il prodotto è sul mercato ora, lo è da alcuni anni. Questo non è più il problema. |
| Abbiamo apportato importanti ... importanti miglioramenti a questi componenti momoer. Ci stiamo ancora lavorando. Hanno ancora una variabilità rilevabile; rilevabile, ma non è stato un problema da molto tempo. |
| Quindi la domanda di base è: cosa facciamo |
| applicare i dati a un budget di varianza? |
| Forse riduci un po 'quell'arbitrio. |
| Dobbiamo iniziare scegliendo una misura di prodotto che necessita di miglioramento. |
| Dobbiamo identificare i potenziali contributori, diagrammi di causa ed effetto, uno strumento conveniente. |
| Dobbiamo raccogliere alcune preconoscenze. Dobbiamo conoscere la sensibilità. |
| La misura del prodotto divisa per la misura del processo; qual è la pendenza di quella linea? |
| Noi, avremo bisogno di alcuni DOE per colmare le lacune. |
| Dobbiamo stimare il grado di difficoltà per migliorare alcuni di questi fattori. |
| E |
| stimiamo la varianza da ogni componente e poi dividiamo quella varianza, l'obiettivo della varianza totale tra i contributori. |
| Sembra abbastanza facile. |
| Facciamo un esempio. |
| diciamo che stiamo lavorando a un nuovo progetto. E lungo la strada, abbiamo una nuova misura di prodotto chiamata CMT (sta per trasferimento di modulazione a cascata) per misurare la nitidezza complessiva dell'immagine. Un po 'importante per le lenti a contatto. |
| L'obiettivo è 100, più o meno 10. |
| Vogliamo un PPK di almeno 1,33 |
| Ciò significa che la deviazione standard deve essere 2,5 o meno. |
| La varianza deve essere pari o inferiore a 6,25. |
| Quali fattori potrebbero essere coinvolti? |
| Pensiamo a un diagramma di causa ed effetto. |
| Possiamo entrare in JMP e creare una tabella. Iniziamo elencando CMT |
| nella colonna padre. Quindi elenchiamo ciascuna delle nostre fasi di produzione nella colonna figlio. |
| E poi iniziamo a elencare questi fattori figlio dalla parte dei genitori e poi iniziamo a elencare i subfattori. Questi subfattori sono ovviamente generici e arbitrari, l'intera faccenda è ipotetica. |
| E possiamo raggiungere tutti i livelli che vogliamo. Possiamo avere tanti rami nel diagramma quanti ne vogliamo, ma |
| abbiamo identificato 14 potenziali fattori qui. |
| Quindi andiamo nella finestra di dialogo appropriata, identifichiamo la colonna padre e la colonna figlio. Fare clic sul pulsante OK e viene visualizzato il diagramma di causa ed effetto. |
| Breve a parte qui. Uso JMP da 30 anni ormai. Ho pochissimi rimpianti. Questo è uno di loro. E il mio rammarico è che l'ho trovato solo l'anno scorso. |
| Non so, in realtà, quando è stato implementato questo strumento. Vorrei averlo trovato prima perché questo è il modo più semplice che ho trovato per generare un diagramma di causa ed effetto. |
| Quindi dobbiamo raccogliere i dati sulla sensibilità. |
| La fisica a volte ci darà la risposta. |
| In ottica, se conosciamo l'indice di rifrazione e il raggio di curvatura, questo può darci qualche informazione sulla potenza ottica della lente. |
| A volte la fisica, spesso abbiamo bisogno di dati sperimentali. |
| Così, |
| chiedere agli esperti in materia. Forse qualcuno ha fatto degli esperimenti che ci daranno un'idea. |
| Avremo bisogno di alcuni esperimenti ben progettati perché in nessun modo tutti e 14 questi fattori sono stati coperti. |
| Diverse tacche più in basso nell'elenco, secondo me, sono dati storici. |
| E se hai utilizzato dati storici per generare modelli, sai, alcune delle preoccupazioni mi preoccupano. Dobbiamo essere molto cauti con questo. Dati storici, |
| di solito è disordinato; esso ha |
| molti numeri identificati erroneamente, a volte le cose nella colonna sbagliata, ha bisogno di molta pulizia. C'è anche molta, anche molta correlazione tra i fattori. |
| La pratica standard consiste nel prenotare il 25% dei punti dati in modo casuale, riservare i dati per conferma, generare il modello con il 75% dei dati e quindi testarlo con un 25% dei dati di riserva. |
| Se funziona, forse abbiamo qualcosa che vale la pena usare. In caso contrario, non toccarlo. |
| Quindi, raccogliendo la preconoscenza, vogliamo chiedere agli esperti in materia in modo indipendente di fornire i dati di sensibilità di cui dispongono. |
| Prendo una pagina da una presentazione dello scorso anno al Discovery Summit di Cy Wegman e Wayne Levin. |
| Questo è il loro suggerimento nel raccogliere la preconoscenza per evitare la voce più forte nella sindrome delle regole della stanza. |
| A volte c'è un ingegnere silenzioso seduto dietro che potrebbe avere informazioni importanti da impartire, |
| può o non può parlare. Quindi vogliamo ottenere queste informazioni. Chiedi a tutti in modo indipendente di iniziare. |
| Quindi riunisci le persone e discuti le discrepanze. Ce ne saranno alcuni. |
| Dove sono le lacune? Quali parametri necessitano ancora di informazioni sulla sensibilità o sulla distribuzione? |
| Quali parametri possiamo scartare? |
| Mi piacerebbe trovarli. |
| Quali parametri sono condizionali? |
| Non accade molto spesso, ma nel nostro processo di lenti a contatto includiamo indicatori biologici in ogni ciclo di sterilizzazione. |
| Questi indicatori sono intenzionalmente distorti in modo che i falsi positivi siano molto più probabili dei falsi negativi. Quando otteniamo un errore in questo test, |
| sterilizziamo di nuovo. Sappiamo che la nostra routine di sterilizzazione era probabilmente corretta, ma sterilizziamo di nuovo. Quindi a volte sterilizziamo due volte. Ciò può avere un piccolo effetto sulle nostre dimensioni. È piccolo, ma misurabile. |
| Quindi avremo bisogno di pianificare alcuni esperimenti per raccogliere la sensibilità per le cose che non sappiamo. |
| E esamineremo i dati sulla distribuzione della produzione; usalo con cautela per generare sensibilità. Possiamo usarlo per generare informazioni sulla variabilità di ciascuna delle componenti e sulla variabilità complessiva della misura del prodotto di interesse. |
| Dobbiamo tenere dei registri lungo la strada. Possiamo iniziare con quella tabella che abbiamo usato per generare il diagramma di causa ed effetto, aggiungere qualche altra colonna. |
| Compilare le sensibilità, le unità di misura, le varie colonne. Va bene qualsiasi tipo di tavolo. Conserva i registri e tienili aggiornati. |
| Avremo bisogno di alcuni DOE per colmare le lacune. |
| Ci sono alcune tecniche più recenti - progetti di screening definitivi, progetti di gruppo ortogonali super saturi - |
| fornire un buon rapporto qualità-prezzo quando la situazione si adatta. |
| In questa situazione particolare, abbiamo 14 fattori. |
| Abbiamo chiesto ai nostri esperti in materia. |
| Alcuni di loro hanno abbastanza esperienza per prevedere alcune informazioni direzionali, ma nessuno ha una buona stima delle pendenze effettive. Quindi dobbiamo valutare 14 fattori. Mi piacerebbe eseguire un DSD che non richiede 33 esecuzioni, non ho il budget per farlo. |
| Quindi ricorreremo al DOE personalizzato. |
| Così, |
| vai alla funzione DOE personalizzata e poi ... uso PowerPoint da abbastanza tempo ... ora abbiamo dimostrato alcune cose dal vivo in JMP. |
| Questo andrebbe al design personalizzato DOE. |
| E |
| non è necessario, ma è un'ottima pratica compilare le informazioni di risposta |
| (se potessi scriverlo bene). |
| Obiettivo della corrispondenza |
| da 90 a 110. |
| Importanza di 1, fa la differenza solo se abbiamo più di una risposta. I fattori. |
| Ho il mio file, quindi posso caricarli rapidamente lì. Qui abbiamo tutti e 14 |
| dei fattori. |
| Questo fattore vincola, |
| Non l'ho mai usato. Ma so che c'è se una combinazione di fattori sarebbe pericolosa. So che possiamo non consentirlo. |
| La specifica del modello. Questa è probabilmente la parte più importante. |
| Questa è fondamentalmente un'operazione di screening. Vedremo solo gli effetti principali. |
| Ora i nostri esperti in materia hanno suggerito che le interazioni non sono probabili. |
| E |
| la non linearità è possibile ma è improbabile che sia forte. |
| Quindi li ignoreremo per ora, almeno per l'esperimento di screening. |
| Non abbiamo bisogno di bloccarlo. |
| Non abbiamo bisogno di punti centrali extra. |
| Per 14 effetti principali, JMP dice un minimo di 15, ovvero un valore predefinito 20. |
| Ho imparato che se ho un budget che può eseguire l'impostazione predefinita, è un buon punto di partenza. Posso fare 20 corse; 33 era troppo. Posso gestire i 20. |
| Facciamo questo disegno. |
| L'ho lasciato nelle unità di progettazione. C'è un esempio ipotetico. Non avevo voglia di sostituire queste unità arbitrarie con altre unità arbitrarie. |
| Hai un'intera suite di strumenti di valutazione progettati, |
| una coppia che normalmente guardo. L'analisi di potenza. |
| Se la stima dell'errore quadratico medio radice di 1 è da qualche parte nello stadio di baseball, allora queste stime di potenza saranno da qualche parte nello stadio di baseball. .9 e sopra, abbastanza buono. Mi piace. |
| L'altra cosa che normalmente guardo è la mappa dei colori sulle correlazioni. |
| Mi piace renderlo effettivamente una mappa dei colori. |
| Ed è un po 'complicato. Abbiamo ottenuto 14 effetti principali e onestamente non ho contato tutte le interazioni a due vie. Quello che stiamo cercando sono effetti di confusione, dove dobbiamo mettere i blocchi rossi nella stessa riga. |
| Beh, non lo vedo. Quello è buono. Abbiamo un po 'di blu scuro dove non c'è correlazione. Abbiamo un po 'di azzurro dove c'è una leggera correlazione. E abbiamo un po 'di rosa chiaro dove |
| forse è un coefficiente di correlazione .6. |
| Questo è tollerabile. Finché non abbiamo una confusione completa, possiamo probabilmente stimare cosa è cosa, cosa sta causando l'effetto. |
| Adesso va bene. Vai avanti, prepara il tavolo. |
| Bene, questo è il nostro design. |
| Hai lo spazio per compilare i risultati. |
| Prendo una pagina dalla scuola di cucina Julia Child. |
| Fai la preparazione per te e poi mettila nel forno e poi prendi una lima preparata in precedenza dal forno che ha già eseguito l'esperimento. Questi sono i risultati. |
| Valori CMT, li volevamo compresi tra 90 e 110. |
| Ne abbiamo un paio qui negli anni '80. C'è 110,5, ne abbiamo 111 qui. |
| Sembra che abbiamo un po 'di lavoro da fare. |
| Andiamo |
| analizzare i dati. |
| È tutto fatto per noi. C'è una risposta. Ecco tutti i fattori. Vogliamo il rapporto di screening. Fare clic su Esegui. |
| r al quadrato .999. |
| Sì, puoi dire che si tratta di dati falsi. Probabilmente avrei dovuto impostare il fattore di rumore un po 'più alto di questo. |
| I primi sei fattori sono altamente significativi; gli otto successivi, non così tanto. |
| Ero pigro quando l'ho generato. |
| Ho inserito qualcosa per i primi sei. |
| Ora, tipicamente eliminiamo i fattori insignificanti. |
| Quindi possiamo eliminarli tutti in una volta. |
| Tendo a farlo uno alla volta. |
| Elimina ogni volta il fattore meno significativo e guarda cosa fa agli altri numeri. A volte cambia, a volte no. |
| Elimina questo e sembra che Cure1 sia scivolato sotto il filo, 0,0478. |
| È appena sotto 0,05. Dubito che sia un grosso problema, ma lo lasceremo lì. |
| Quindi guardiamo i residui; è un po 'casuale, va bene. Residui studenteschi, anche un po 'casuali. |
| Dobbiamo esaminare le stime dei parametri. |
| Questo è ciò per cui abbiamo pagato. |
| Queste sono le |
| i ... coefficienti di regressione sono le piste che stavamo cercando. Queste sono le sensibilità. |
| Ecco perché abbiamo fatto l'esperimento. Sono un tipo visivo, quindi guardo sempre il profiler delle previsioni. |
| E una delle cose che mi piacciono qui ... beh, guardo sempre il ... la trama delle piste e guardo il ... |
| Guardo gli intervalli di confidenza, che sono piuttosto piccoli. Qui puoi appena vedere che c'è un intervallo ombreggiato in blu. Mi piace anche usare il simulatore quando ho alcune informazioni sull'input, che possiamo inserire la variabilità per ciascuno di questi. |
| Ora, se mi permetti di nuovo, usa l'approccio Julia Child e torna a |
| l'esempio precedentemente preparato in cui ho già inserito |
| le variazioni su ciascuna di queste. Da Mold Tool 1, ho inserito un'espressione che risulta in una distribuzione bimodale. |
| E per Mold Tool 2, inserisci una distribuzione uniforme. |
| E devo dire, in difesa dei miei amici nella stanza degli attrezzi, |
| la distribuzione bimodale avviene solo in una situazione ... cosa è successo il mese scorso, |
| dove gli strumenti che volevamo utilizzare erano occupati in produzione, quindi per sperimentare, usiamo alcune vecchie iterazioni. In realtà abbiamo mescolato le iterazioni. |
| Quando ciò accade, possiamo ottenere una distribuzione bimodale. |
| Questa distribuzione uniforme non accade mai con questi ragazzi. Scattano sempre per il punto centrale e di solito arrivano entro un paio di micron. Altre distribuzioni sono tutte normali. |
| Varie larghezze. In un caso, abbiamo avuto un po 'di pregiudizio. |
| Queste sono le distribuzioni di input. Ecco il nostro output previsto. |
| Anche se abbiamo avuto alcune distribuzioni iniziali non normali, abbiamo praticamente una distribuzione di output normale. |
| Si estende oltre i nostri obiettivi. |
| In un certo senso lo sapevamo. |
| Ora, l'impostazione predefinita quando inizi qui è di 5.000 corse. Di solito lo aumento, aumento questo a qualcosa come 100.000. Non ci è voluto altro tempo per l'esecuzione e ti dà distribuzioni un po 'più fluide. |
| Produce anche un tavolo qui, possiamo fare il tavolo. |
| Sposta questo qui. Grande vantaggio di questo |
| è che possiamo ottenere |
| (non voglio ancora questo CMT) ... diamo un'occhiata alle distribuzioni dei fattori di input. |
| Questa è una trama più elaborata. Questa è la nostra distribuzione bimodale, uniforme, queste varie distribuzioni normali, varie larghezze, questa ha una sorta di polarizzazione. |
| Quindi possiamo prendere tutti quelli e |
| li abbiamo aggiunti. |
| Guardiamo questo |
| e abbiamo una distribuzione. |
| Sembra abbastanza normale. Anche se alcuni degli input non erano normali. |
| Possiamo usare tecniche convenzionali su questo. Quindi, quando iniziamo a impostare le specifiche, |
| si estende oltre i nostri limiti delle specifiche. Quindi avremo bisogno di migliorare, apportare alcuni miglioramenti in questo. Scorri qui. Guarda le informazioni sulla capacità. |
| PPk a .6. |
| Questo è un non-antipasto. In nessun modo la produzione accetterà un processo come questo. |
| Quindi dobbiamo apportare alcuni miglioramenti significativi. |
| Quindi torna al file |
| File PowerPoint. |
| E scorro le diapositive che erano il mio backup nel caso avessi un problema con |
| Versione live di JMP. |
| Perché ho il problema io, non JMP. |
| Quindi qui abbiamo i fattori. |
| Le deviazioni standard provengono dalle nostre prove di pre-produzione, stimano la variabilità. Le sensibilità, questi sono i risultati del nostro DOE. |
