Altavoz | Transcripción |
| Ronald Andrews | Bueno, buenos días o buenas tardes según sea el caso. Mi nombre es Ron Andrews y el tema del día es el presupuesto de variaciones. |
| Oh, necesito |
| comparte mi pantalla. |
| Y hay un archivo al que llegaremos. |
| Y empezaremos con |
| PowerPoint. |
| Así que el tema es el presupuesto de varianza. |
| Soy ingeniero de procesos en Bausch and Lomb; obtuve información de contacto aquí. |
| Mi supervisión requiere este descargo de responsabilidad. No necesariamente quieren atribuirse el mérito de lo que digo hoy. |
| Resumen de lo que vamos a hablar |
| ¿Qué es el presupuesto de variación? |
| Un poquito de historia. |
| ¿Cuando necesitamos una? |
| Tenemos algunos ejemplos. |
| Revisaremos los elementos del proceso, el diagrama de causa y efecto, recopilaremos el conocimiento previo, haremos algunas DOE para llenar los vacíos, |
| Simulaciones de Monte Carlo, según sea necesario. |
| Y tenemos un caso de prueba que funcionará. |
| Entonces, ¿qué es un presupuesto de variación? A los ingenieros mecánicos les gusta hablar sobre la acumulación de tolerancia. |
| Bueno, la acumulación de tolerancia es básicamente un corolario de la Ley de Murphy, que al ser todas las tolerancias se agregarán unidades direccionalmente en la dirección que puede causar el mayor daño. |
| El presupuesto de variación es como una acumulación de tolerancia, excepto que en lugar de presupuestar el parámetro en sí, presupuestamos la variación: sigma al cuadrado. |
| Confiamos en distribuciones de formas más o menos normales, en lugar de distribuciones uniformes. |
| Las variaciones son aditivas, hacen que el proceso de presupuestación sea mucho más fácil que intentar presupuestar algo como las desviaciones estándar. |
| Breve ejemplo aquí. |
| Si usamos estrategias de prueba y clasificación o de prueba y ajuste, nuestras distribuciones se parecerán más a estas distribuciones uniformes. |
| Entonces, si tenemos la distribución con un ancho de 1 y una con un ancho de 2 y otra con un 3, las sumamos todas juntas, terminamos con una distribución con un ancho bastante cercano a 6. |
| En este caso, probablemente necesitemos presupuestar las tolerancias más que las variaciones. |
| ... Si confiamos en el control de procesos, nuestras distribuciones serán más normales. |
| En este caso, si tenemos una distribución normal con una desviación estándar de 1, una desviación estándar de 2, una desviación estándar de 3, los sumamos y terminamos con una desviación estándar de 3.7, mucho menos de seis. |
| Así que hacemos que los números 1 al cuadrado más 2 al cuadrado más 3 al cuadrado sean esencialmente 3,7 al cuadrado. |
| Ahora, para ser justos, en la diapositiva anterior, si sumara estas variaciones, se habrían sumado a la variación de esta. |
| Pero cuando tienes algo diferente a una distribución normal, debes prestar atención a la forma cerca de la cola. Depende de dónde pueda establecer sus especificaciones. |
| Entonces, |
| ¿Qué es el presupuesto de variación? |
| Las distribuciones no normales requerirán atención especial y las veremos más adelante. Por ahora, el presupuesto de variación es como un presupuesto financiero. Pueden ser igualmente arbitrarios. |
| Solo hay tres reglas básicas. |
| Traducimos todo a moneda común. Ahora hacemos esto para cada medida de producto de interés, pero traducimos todas las variables de proceso relevantes en su contribución a la medida de producto de interés. |
| La regla número dos es bastante simple. No presupueste más del 100% de la variación permitida. Sí, suena simple. He visto esta regla violada más de una vez en más de una empresa. |
| Número tres. Esto se aplica a la vida en general, así como a la ingeniería, use su mejor juicio en todo momento. |
| Pequeño |
| un poco de historia. Esto no es ciencia de cohetes. Otras personas deben estar haciendo algo similar. He buscado en la literatura y no he podido encontrar relatos publicados de un proceso similar a este. Estoy seguro de que está disponible, pero todavía no he encontrado ninguna cuenta publicada. |
| Entonces, para mí, la historia se remonta a la década de 1980, cuando trabajaba en Kodak con un desafío para la gestión. |
| El desafío fue producir películas sin que los clientes percibieran variaciones. |
| En realidad, lo que dijeron originalmente produce una película sin variaciones. |
| sin variaciones perceptibles. |
| Ellos definen que como un cambio Six Sigma sería menos de una diferencia notable. |
| Kodak era bastante bueno en materia de percepción y todas estas diferencias notables se definieron, sabíamos exactamente cuáles eran. |
| Para una película de diapositivas como Kodachrome, que es en lo que estaba trabajando en ... |
| en eso estaba trabajando en ese momento, el equilibrio de color era el mayor desafío. |
| En este diagrama simplificado de causa y efecto, el balance de color es una función de la velocidad del verde, la velocidad del azul y la velocidad del rojo. |
| Ahora he desarrollado una de estas piernas. La velocidad del rojo, obtuve el tinte absorbente cian y luego una de las emulsiones como los factores que contribuyen a la velocidad de eso, que afecta la velocidad del rojo, que afecta el balance de color. |
| Esta es una versión muy simplificada. En realidad, hay tres emulsiones diferentes en el registro rojo, hay tres más en el registro verde. Hay dos más en el registro azul. Sume todo, son 75 factores que contribuyen al equilibrio del color. |
| Estos no son solo contribuyentes potenciales. Estos son realmente contribuyentes demostrados. Así que esta es una tarea bastante abrumadora. |
| Así que pasemos a cuando necesitemos un presupuesto de variación. |
| Obtenga un pequeño árbol de decisiones irónico aquí. ¿Tenemos un lío en la casa? Si no, la vida es buena. Si es así, |
| cuantos hijos tenemos Si es así, probablemente sepamos dónde radica la responsabilidad. Si es más que eso y probablemente necesitemos un presupuesto. |
| Este es un ejemplo de un trabajo que hicimos hace algunos años en un proyecto de lentes de contacto en Bausch and Lomb. |
| Esto fue mucho antes de que saliera por la puerta del mercado. Estábamos teniendo problemas para cumplir con nuestras especificaciones de diámetro. |
| más o menos dos décimas de milímetro |
| Estábamos teniendo problemas para cumplir con eso. |
| Observamos muchas fuentes de variabilidad y logramos caracterizar cada una. |
| Mucho a mucho. Y esto es con los mismos materiales de entrada y los mismos puntos de ajuste, una variabilidad bastante grande. |
| Lente a lente dentro de mucho, menor variabilidad. |
| Componente monomérico No. 1, cambiamos lotes ocasionalmente, |
| variabilidad extrema. El componente monómero No. 2 también tuvo una variabilidad bastante grande. |
| Ahora mezclamos nuestros monómeros y tenemos un proceso bastante bueno con una precisión bastante buena. No es perfecto y podemos estimar la variabilidad a partir de eso. |
| Eso es un contribuyente bastante pequeño. |
| Ponemos el monómero en un molde y lo ponemos bajo lámparas de curado a ??? eso |
| y la intensidad de las lámparas puede marcar la diferencia. Allí también podemos estimar esa fuente de variabilidad. |
| Sumamos todas estas distribuciones |
| y esta es nuestra distribución general. |
| Pertenece ... más allá de los límites de especificaciones en ambos extremos. |
| Desviación estándar de .082 |
| Y como mencioné, especifique elementos de más y menos .2 que nos dan un PPk de .81. No tan bien. |
| Porcentaje fuera de especificación estimado en 1,5% |
| Podría haber sido pasable si fuera realmente tan bueno, pero no lo fue. |
| Esta estimación asume que cada lente es un evento independiente. Ellos no están. Hacemos las lentes por lotes |
| y hay ... cada lote tiene un determinado conjunto de materias primas en un determinado conjunto de condiciones iniciales. |
| Que dentro de mucho, hay mucha correlación. |
| Y |
| dos de los componentes que mencioné, dos componentes monoméricos que tuvieron contribuciones considerables, hay |
| mirando aquí, de vez en cuando se puede ver la línea amarilla y la línea rosa. Éstas son la variabilidad introducida por estos dos componentes monoméricos. |
| Cuando ambos están en el mismo lado de la línea central, empujan el diámetro hacia los límites de las especificaciones y tenemos otras fuentes de variabilidad que se suman a las posibilidades. |
| Otro problema es que |
| nuestro límite de 0,2 es para una lente individual. Hicimos esto ... dispusimos en base a lotes. Y, entonces, este gráfico predice promedios de lotes, sin embargo, cuando obtenemos un promedio de lotes de .175, es probable que tengamos suficientes lentes más allá del límite que fallaron mucho. |
| Entonces, en total, sumado |
| nuestra estimación es que el 4% de los lotes se descartarán. |
| Y vendrán en racimos. Tendremos semanas en las que no podamos pasar la mitad de nuestros lotes a través del sistema. |
| Así que esto no es para empezar. Tenemos que hacer algunas mejoras importantes. |
| A la variabilidad de lote a lote de dos componentes de monómero contribuyó una buena parte de esa variabilidad. |
| Buscamos y descubrimos que la pureza general del Monómero 1 era un factor significativo y ciertas impurezas en el Monómero 2, cuando estaban presentes, contribuían. |
| Nuestros químicos observaron las rutas sintéticas de estos ingredientes y encontraron que había un solo material de partida que contribuía con la mayoría de las impurezas. |
| Recomendaron que nuestros proveedores destilen este ingrediente de partida para eliminar las impurezas. |
| Eso hizo algunas mejoras importantes. |
| También colocamos variantes en las lámparas de curado para controlar la intensidad. |
| La intensidad de la lámpara no fue un factor importante, pero fue fácil. Y cuando es fácil, haces la mejora. |
| Estrictamente hablando, esta fue una evaluación de variación, en lugar de un presupuesto de variación. En realidad, nunca asignamos metas numéricas para cada componente. |
| Esto está de vuelta ... estamos recogiendo la fruta madura. Quiero decir, encontramos dos factores que explican una gran parte de la variabilidad |
| Tal vez necesitemos una estructura un poco mejor para alcanzar las ramas más altas, ahora que necesitamos llegar más alto. |
| Estado actual de la dimensión de la lente, diámetro de la lente. |
| PPk es 2,1. El producto está en el mercado ahora, lo ha estado durante algunos años. Este ya no es el problema. |
| Hemos realizado importantes ... importantes mejoras en estos componentes de momoer. Todavía estamos trabajando en ellos. Todavía tienen una variabilidad detectable; detectable, pero no ha sido un problema en mucho tiempo. |
| Entonces la pregunta básica es, ¿qué hacemos |
| aplicar datos a un presupuesto de variación? |
| Tal vez reduzca un poco esa arbitrariedad. |
| Tenemos que empezar por elegir una medida de producto que necesite mejora. |
| Necesitamos identificar los contribuyentes potenciales, diagramas de causa y efecto, una herramienta conveniente. |
| Necesitamos reunir algunos conocimientos previos. Necesitamos conocer la sensibilidad. |
| La medida del producto dividida por la medida del proceso; ¿Cuál es la pendiente de esa línea? |
| Nosotros, vamos a necesitar algunas DOE para llenar los vacíos. |
| Necesitamos estimar el grado de dificultad para mejorar algunos de estos factores. |
| Y |
| estimamos la varianza de cada componente y luego dividimos esa varianza, la meta de varianza total entre los contribuyentes. |
| Suena bastante fácil. |
| Entremos en un ejemplo. |
| digamos que estamos trabajando en un nuevo proyecto. Y en el camino, tenemos una nueva medida de producto llamada CMT (significa transferencia de modulación en cascada) para medir la nitidez general de la imagen. Algo importante para los lentes de contacto. |
| El objetivo es 100, más o menos 10. |
| Queremos un PPK de al menos 1,33 |
| Eso significa que la desviación estándar debe ser 2.5 o menos. |
| La varianza tiene que ser 6.25 o menos. |
| ¿Qué factores podrían estar involucrados? |
| Pensemos en un diagrama de causa y efecto. |
| Podemos ir a JMP y crear una tabla. Comenzamos enumerando CMT |
| en la columna principal. Luego enumeramos cada uno de nuestros pasos de fabricación en la columna secundaria. |
| Y luego comenzamos a enumerar estos factores secundarios del lado de los padres y luego comenzamos a enumerar los subfactores. Estos subfactores son obviamente genéricos y arbitrarios, todo es hipotético. |
| Y podemos ir tantos niveles como queramos. Podemos tener tantas ramas en el diagrama como queramos, pero |
| hemos identificado 14 factores potenciales aquí. |
| Entonces vamos al cuadro de diálogo apropiado, identificamos la columna principal y la columna secundaria. Haga clic en el botón Aceptar y aparecerá el diagrama de causa y efecto. |
| Breve aparte aquí. He estado usando JMP durante 30 años. Tengo muy, muy pocos arrepentimientos. Este es uno de ellos. Y lo que lamento es que solo encontré esto el año pasado. |
| En realidad, no sé cuándo se implementó esta herramienta. Ojalá lo hubiera encontrado antes porque esta es la forma más fácil que encontré para generar un diagrama de causa y efecto. |
| Por tanto, necesitamos recopilar los datos de confidencialidad. |
| La física a veces nos dará la respuesta. |
| En óptica, si conocemos el índice de refracción y el radio de curvatura, eso puede darnos alguna información sobre la potencia óptica de la lente. |
| A veces la física, muchas veces necesitamos datos experimentales. |
| Entonces, |
| pregunte a los expertos en la materia. Quizás alguien haya hecho algunos experimentos que nos den una idea. |
| Vamos a necesitar algunos experimentos bien diseñados porque de ninguna manera se han cubierto los 14 factores. |
| Varias muescas hacia abajo en la lista, en mi opinión, son datos históricos. |
| Y si ha utilizado datos históricos para generar modelos, ya sabe, algunas de las preocupaciones que me preocupan. Debemos ser muy cautelosos con esto. Información histórica, |
| suele ser desordenado; Tiene |
| muchos números mal identificados, a veces cosas en la columna incorrecta, necesita mucha limpieza. También hay mucha, también mucha correlación entre factores. |
| La práctica estándar es reservar el 25% de los puntos de datos al azar, reservar esos datos para confirmación, generar el modelo con el 75% de los datos y luego probarlo con un 25% de datos de reserva. |
| Si funciona, tal vez tengamos algo que valga la pena usar. Si no es así, no lo toques. |
| Por lo tanto, al recopilar conocimientos previos, queremos pedir a los expertos en la materia de forma independiente que contribuyan con cualquier información confidencial que tengan. |
| Estoy tomando una página de una presentación el año pasado en Discovery Summit por Cy Wegman y Wayne Levin. |
| Ésta es su sugerencia en la recopilación de conocimientos previos para evitar la voz más fuerte en el síndrome de las reglas de la habitación. |
| A veces hay un ingeniero silencioso sentado en la parte de atrás que puede tener información importante para impartir, |
| puede o no hablar. Entonces queremos obtener esa información. Pregunte a todos de forma independiente para empezar. |
| Luego, reúna a la gente y discuta las discrepancias. Habrá algunos. |
| ¿Dónde están las lagunas? ¿Qué parámetros aún necesitan información de sensibilidad o distribución? |
| ¿Qué parámetros podemos descontar? |
| Me gustaría encontrar estos. |
| ¿Qué parámetros son condicionales? |
| No sucede muy a menudo, pero en nuestro proceso de lentes de contacto, incluimos indicadores biológicos en cada ciclo de esterilización. |
| Estos indicadores están sesgados intencionalmente, por lo que los falsos positivos son mucho más probables que los falsos negativos. Cuando fallamos en esta prueba, |
| esterilizamos de nuevo. Sabemos que nuestra rutina de esterilización probablemente fue correcta, pero esterilizamos nuevamente. Por eso, a veces esterilizamos dos veces. Eso puede tener un pequeño efecto en nuestras dimensiones. Es pequeño, pero medible. |
| Así que vamos a tener que planificar algunos experimentos para recopilar sensibilidades sobre cosas que no conocemos. |
| Y veremos los datos de distribución de producción; utilícelo con precaución para generar sensibilidad. Podemos usarlo para generar información sobre la variabilidad de cada uno de los componentes y la variabilidad general de la medida del producto de interés. |
| Necesitamos llevar un registro a lo largo del camino. Podemos comenzar con esa tabla que usamos para generar el diagrama de causa y efecto, agregar algunas columnas más. |
| Complete las sensibilidades, unidades de medida, varias columnas. Cualquier tipo de mesa servirá. Solo mantenga los registros y manténgalos actualizados. |
| Vamos a necesitar algunos DOE para llenar los vacíos. |
| Hay algunas técnicas más nuevas: diseños de tramado definitivos, diseños ortogonales de grupo súper saturados. |
| proporcionar una buena inversión cuando la situación encaje. |
| Ahora, en esta situación particular, tenemos 14 factores. |
| Preguntamos a nuestros expertos en la materia. |
| Algunos de ellos tienen suficiente experiencia para predecir alguna información direccional, pero nadie tiene una buena estimación de las pendientes reales. Entonces necesitamos evaluar 14 factores. Me encantaría ejecutar un DSD que no requiera 33 ejecuciones, no tengo el presupuesto para ello. |
| Así que vamos a recurrir al DOE personalizado. |
| Entonces, |
| vaya a la función DOE personalizada y luego ... he estado usando PowerPoint durante el tiempo suficiente ... tiempo que demostramos algunas cosas en vivo en JMP. |
| Eso iría al diseño personalizado del DOE. |
| Y |
| no es necesario, pero es una muy buena práctica completar la información de respuesta |
| (si pudiera escribirlo bien). |
| Objetivo de coincidencia |
| de 90 a 110. |
| La importancia de 1, solo marca la diferencia si tenemos más de una respuesta. Los factores. |
| Tengo mi archivo, así que puedo cargarlos rápidamente allí. Aquí tenemos los 14 |
| de los factores. |
| Este factor limita, |
| Nunca lo he usado. Pero sé que está ahí si alguna combinación de factores fuera peligrosa. Sé que podemos rechazarlo. |
| La especificación del modelo. Esta es probablemente la parte más importante. |
| Esta es básicamente una operación de cribado. Solo veremos los efectos principales. |
| Ahora, nuestros expertos en la materia sugirieron que las interacciones no son probables. |
| Y |
| la no linealidad es posible pero no es probable que sea fuerte. |
| Así que vamos a ignorarlos por ahora, al menos para el experimento de detección. |
| No necesitamos bloquear esto. |
| No necesitamos puntos centrales adicionales. |
| Para 14 efectos principales, JMP dice un mínimo de 15, eso es un 20 predeterminado. |
| Aprendí que si tengo un presupuesto que puede ejecutar el predeterminado, ese es un buen lugar para comenzar. Puedo hacer 20 carreras; 33 fue demasiado. Puedo manejar los 20. |
| Hagamos este diseño. |
| Dejé esto en unidades de diseño. Hay un ejemplo hipotético. No tenía ganas de reemplazar estas unidades arbitrarias con otras unidades arbitrarias. |
| Tengo un conjunto completo de herramientas de evaluación diseñadas |
| una pareja que normalmente miro. El análisis de poder. |
| Si la estimación del error cuadrático medio de la raíz de 1 está en algún lugar del estadio, entonces estas estimaciones de potencia estarán en algún lugar del estadio. .9 y superior, bastante bien. Me gusta eso. |
| La otra cosa que normalmente miro es el mapa de colores sobre correlaciones. |
| Me gusta convertirlo en un mapa de colores. |
| Y es algo complicado. Tenemos 14 efectos principales y, sinceramente, no he contado todas las interacciones bidireccionales. Lo que estamos buscando son efectos de confusión, donde tenemos bloques rojos en la misma fila. |
| Bueno, no veo eso. Eso es bueno. Tenemos algo de azul oscuro donde no hay correlación. Tenemos algo de azul claro donde hay una ligera correlación. Y tenemos un rosa claro donde |
| tal vez sea un coeficiente de correlación de .6. |
| Esto es tolerable. Mientras no tengamos una confusión completa, probablemente podamos estimar qué es qué, qué está causando el efecto. |
| Ahora bien, esto es bueno. Adelante, haz la mesa. |
| Bueno, este es nuestro diseño. |
| Tengo el espacio para completar los resultados. |
| Voy a tomar una página de la escuela de cocina Julia Child. |
| Haz la preparación por ti y luego mételo al horno y luego saca del horno un archivo previamente preparado que ya tiene el experimento ejecutado. Estos son los resultados. |
| Valores CMT, los queríamos entre 90 y 110. |
| Tenemos un par aquí en los 80. Hay 110,5, tenemos 111 aquí. |
| Parece que tenemos un poco de trabajo que hacer. |
| Vamos |
| analizar los datos. |
| Todo está hecho por nosotros. Hay una respuesta. Aquí están todos los factores. Queremos el informe de detección. Haga clic en Ejecutar. |
| r al cuadrado .999. |
| Sí, puedes decir que se trata de datos falsos. Probablemente debería haber establecido el factor de ruido un poco más alto que esto. |
| Los primeros seis factores son muy importantes; los siguientes ocho, no tanto. |
| Fui vago cuando lo generé. |
| Puse algo allí para los primeros seis. |
| Ahora, normalmente eliminamos los factores insignificantes. |
| Entonces podemos eliminarlos todos a la vez. |
| Tiendo a hacerlo de uno en uno. |
| Elimine el factor menos significativo cada vez y vea qué hace con los otros números. A veces cambia, a veces no. |
| Elimina este y parece que Cure1 se deslizó debajo del cable, .0478. |
| Es un poco menos de .05. Dudo que sea gran cosa, pero lo dejaremos ahí. |
| Entonces miramos los residuos; eso es algo aleatorio, eso es bueno. Residuos estudentizados, también algo aleatorios. |
| Necesitamos mirar las estimaciones de los parámetros. |
| Esto es por lo que pagamos. |
| Estos son los |
| los ... coeficientes de regresión son las pendientes que estábamos buscando. Estas son las sensibilidades. |
| Por eso hicimos el experimento. Soy un tipo visual, así que siempre miro al generador de perfiles de predicciones. |
| Y una de las cosas que me gustan aquí ... bueno, siempre miro el ... la trama de las pistas y miro el ... |
| Miro los intervalos de confianza, que son bastante pequeños. Aquí apenas se puede ver que hay un intervalo sombreado en azul. También me gusta usar el simulador cuando tengo alguna información sobre la entrada, que podemos ingresar la variabilidad para cada uno de estos. |
| Ahora, si me permiten, use de nuevo el enfoque de Julia Child y vuelva a |
| el ejemplo preparado previamente donde ya he ingresado |
| las variaciones de cada uno de estos. Desde la Herramienta Molde 1, ingreso una expresión que da como resultado una distribución bimodal. |
| Y para la Herramienta de molde 2, ingrese una distribución uniforme. |
| Y debo decir, en defensa de mis amigos en la sala de herramientas, |
| la distribución bimodal solo ocurre en una situación ... lo que sucedió el mes pasado, |
| donde las herramientas que queríamos usar estaban ocupadas en el piso de producción, así que para experimentar, usamos algunas iteraciones antiguas. De hecho, mezclamos iteraciones. |
| Cuando eso sucede, podemos obtener una distribución bimodal. |
| Esta distribución uniforme, nunca sucede con estos tipos. Siempre apuntan al punto central y, por lo general, se encuentran dentro de un par de micrones. Otras distribuciones son todas normales. |
| Varios anchos. En un caso, tuvimos un poco de parcialidad. |
| Estas son las distribuciones de entrada. Aquí está nuestra salida prevista. |
| Aunque tuvimos algunas distribuciones iniciales no normales, tenemos una distribución de salida bastante normal. |
| Se extiende más allá de nuestros objetivos. |
| Nosotros lo sabíamos. |
| Ahora, el valor predeterminado cuando comienzas aquí es 5,000 ejecuciones. Normalmente lo aumento, lo aumento a algo así como 100.000. No le tomó más tiempo ejecutarlo y le brinda distribuciones un poco más suaves. |
| También produce una mesa aquí, podemos hacer la mesa. |
| Mueva esto aquí. Gran ventaja de esto |
| es que podemos conseguir |
| (no quiero esta CMT todavía) ... veamos las distribuciones de los factores de entrada. |
| Esta es una trama más elegante. Esta es nuestra distribución bimodal, uniforme, estas diversas distribuciones normales, varios anchos, esta tiene una especie de sesgo. |
| Entonces podemos tomar todos esos y |
| los sumamos. |
| Miramos esto |
| y tenemos una distribución. |
| Parece bastante normal. Aunque algunas de las entradas no fueron normales. |
| Podemos utilizar técnicas convencionales en esto. Entonces, cuando comenzamos a establecer las especificaciones, |
| se extiende más allá de los límites de nuestras especificaciones. Así que vamos a necesitar mejorar, hacer algunas mejoras en esto. Desplácese hacia abajo aquí. Mire la información de capacidad. |
| PPk a .6. |
| Eso es inútil. De ninguna manera la fabricación va a aceptar un proceso como este. |
| Por tanto, necesitamos realizar algunas mejoras importantes. |
| Así que vuelve al |
| Archivo de PowerPoint. |
| Y me desplazo por las diapositivas que eran mi copia de seguridad en caso de que tuviera un problema con |
| Versión en vivo de JMP. |
| Porque yo tengo el problema, no JMP. |
| Entonces aquí tenemos los factores. |
| Las desviaciones estándar provienen de nuestros ensayos de preproducción, estime la variabilidad. Las sensibilidades, estos son los resultados de nuestro DOE. |
