Orateur | Transcription |
| Ronald Andrews | Eh bien, bonjour ou après-midi selon le cas. Je m'appelle Ron Andrews et le sujet du jour est la budgétisation des écarts. |
| Oh, j'ai besoin de |
| partage mon écran. |
| Et il y a un dossier, nous allons y arriver. |
| Et nous commencerons par |
| Power Point. |
| Donc, la budgétisation de l'écart est le sujet. |
| Je suis ingénieur procédés chez Bausch and Lomb; obtenu les informations de contact ici. |
| Ma supervision nécessite cette clause de non-responsabilité. Ils ne veulent pas nécessairement s'attribuer le mérite de ce que je dis aujourd'hui. |
| Aperçu de ce dont nous allons parler |
| Quel est le budget d'écart? |
| Un peu d'histoire. |
| Quand en avons-nous besoin? |
| Nous avons quelques exemples. |
| Nous passerons en revue les éléments du processus, le diagramme de cause à effet, rassemblerons la prescience, ferons quelques DOE pour combler les lacunes, |
| Simulations de Monte Carlo, au besoin. |
| Et nous avons un cas de test qui fonctionnera. |
| Alors vraiment, qu'est-ce qu'un budget d'écart? Les ingénieurs en mécanique aiment parler de cumul de tolérance. |
| L'empilement de la tolérance est fondamentalement un corollaire de la loi de Murphy, selon laquelle toutes les tolérances ajoutent une unité directionnelle dans la direction qui peut faire le plus de mal. |
| Le budget de variance est comme un cumul de tolérances, sauf qu'au lieu de budgétiser le paramètre lui-même, nous budgétisons la variance - sigma au carré. |
| Nous nous appuyons sur des distributions de formes plus ou moins normales, plutôt que sur des distributions uniformes. |
| Les écarts sont additifs et rendent le processus de budgétisation beaucoup plus facile que d'essayer de budgétiser quelque chose comme les écarts-types. |
| Bref exemple ici. |
| Si nous avons utilisé des stratégies de test et de tri ou de test et d'ajustement, nos distributions ressembleront davantage à ces distributions uniformes. |
| Donc, si nous avons la distribution avec la largeur de 1 et une avec une largeur de 2 et l'autre avec un 3, nous les ajoutons toutes ensemble, nous nous retrouvons avec une distribution d'une largeur assez proche de 6. |
| Dans ce cas, nous devons probablement budgétiser davantage les tolérances que les écarts. |
| ... Si nous nous appuyons sur le contrôle des processus, nos distributions seront plus normales. |
| Dans ce cas, si nous avons une distribution normale avec un écart-type de 1, un écart-type de 2, un écart-type de 3, nous les additionnons, nous nous retrouvons avec un écart-type de 3,7, beaucoup moins de six. |
| Nous faisons donc les nombres 1 au carré plus 2 au carré plus 3 au carré égale essentiellement 3,7 au carré. |
| Pour être honnête, sur cette diapositive précédente, si j'avais additionné ces écarts, ils se seraient ajoutés à la variance de celle-ci. |
| Mais lorsque vous avez autre chose qu'une distribution normale, vous devez faire attention à la forme près de la queue. Cela dépend de l'endroit où vous pouvez définir vos spécifications. |
| Alors, |
| Quel est le budget d'écart? |
| Les distributions non normales nécessiteront une attention particulière et nous y reviendrons plus tard. Pour l'instant, le budget d'écart est un peu comme un budget financier. Ils peuvent être tout aussi arbitraires. |
| Il n'y a que trois règles de base. |
| Nous traduisons tout en monnaie commune. Maintenant, nous faisons cela pour chaque mesure de produit d'intérêt, mais nous traduisons toutes les variables de processus pertinentes en leur contribution à la mesure de produit d'intérêt. |
| La règle numéro deux est assez simple. Ne budgétisez pas plus de 100% de la variance autorisée. Ouais, ça semble simple. J'ai vu cette règle violée plus d'une fois dans plus d'une entreprise. |
| Numéro trois. Cela vaut pour la vie en général, ainsi que pour l'ingénierie, utilisez votre meilleur jugement à tout moment. |
| Peu |
| peu d'histoire. C'est pas sorcier. D'autres personnes doivent faire quelque chose de similaire. J'ai cherché dans la littérature et je n'ai pas été en mesure de trouver des comptes rendus publiés d'un processus similaire à celui-ci. Je suis sûr que c'est là-bas, mais je n'ai pas encore trouvé de comptes publiés. |
| Donc pour moi, l'histoire est revenue dans les années 1980, lorsque je travaillais chez Kodak avec un défi de gestion. |
| Le défi était de produire un film sans variation perçue par les clients. |
| En fait, ce qu'ils ont dit à l'origine produit un film sans variation. |
| pas de variations perceptibles. |
| Ils définissent que comme un changement Six Sigma serait moins d'une différence juste notable. |
| Kodak était assez bon sur le plan de la perception et toutes ces différences juste perceptibles ont été définies, nous savions exactement ce qu'elles étaient. |
| Pour un film de diapositives comme Kodachrome, c'est sur quoi je travaillais le ... |
| c'est ce sur quoi je travaillais à l'époque, l'équilibre des couleurs était le plus gros défi. |
| Ici, ce diagramme de cause à effet rationalisé, la balance des couleurs est fonction de la vitesse du vert, de la vitesse du bleu et de la vitesse du rouge. |
| Maintenant, j'ai en quelque sorte étoffé une de ces jambes. La vitesse du rouge, j'ai eu le colorant absorbeur cyan, puis l'une des émulsions comme facteurs qui contribuent à la vitesse de cela, qui affecte la vitesse du rouge, qui affecte l'équilibre des couleurs. |
| Ceci est une version très simplifiée. Il y a en fait trois émulsions différentes dans le disque rouge, il y en a trois autres dans le disque vert. Il y en a deux autres dans le disque bleu. Additionnez tout, ce sont 75 facteurs qui contribuent tous à l'équilibre des couleurs. |
| Ce ne sont pas que des contributeurs potentiels. Ce sont en fait des contributeurs démontrés. C'est donc une tâche assez ardue. |
| Nous passons donc au moment où nous avons besoin d'un budget d'écart. |
| Obtenez un petit arbre de décision langue dans la joue ici. Avons-nous un désordre dans la maison? Sinon, la vie est belle. Si c'est le cas, |
| combien d'enfants avons-nous? Si tel est le cas, nous savons probablement où se situe la responsabilité. Si plus que cela et nous avons probablement besoin d'un budget. |
| Voici un exemple de travail que nous avons réalisé il y a quelques années sur un projet de lentilles de contact chez Bausch and Lomb. |
| Il faudra bien longtemps avant qu'il ne soit mis sur le marché. Nous avions du mal à respecter nos spécifications de diamètre. |
| plus ou moins deux dixièmes de millimètre |
| Nous avions du mal à y parvenir. |
| Nous avons examiné de nombreuses sources de variabilité et nous avons réussi à caractériser chacune d'elles. |
| Tellement beaucoup. Et c'est avec les mêmes matériaux d'entrée et les mêmes points de consigne, une assez grande variabilité. |
| Objectif à lentille dans un lot, variabilité plus faible. |
| Composant monomère n ° 1, nous changeons beaucoup de temps en temps, |
| extrême variabilité. Le composant monomère n ° 2 présentait également une assez grande variabilité. |
| Maintenant, nous mélangons nos monomères ensemble et nous avons un assez bon processus avec une assez bonne précision. Ce n'est pas parfait et nous pouvons en estimer la variabilité. |
| C'est un très petit contributeur. |
| Nous mettons le monomère dans un moule et le mettons sous des lampes à polymériser à ??? il |
| et l'intensité des lampes peut faire une différence. Là, nous pouvons également estimer cette source de variabilité. |
| Nous ajoutons toutes ces distributions |
| et c'est notre distribution globale. |
| Cela va appartenir ... au-delà des limites des spécifications aux deux extrémités. |
| Écart type de 0,082 |
| Et comme je l'ai mentionné, des éléments de spécification de plus et moins .2 qui nous donnent un PPk de .81. Pas si bon. |
| Pourcentage hors spécifications estimé à 1,5% |
| Cela aurait pu être passable si c'était vraiment si bon, mais ce n'était pas le cas. |
| Cette estimation suppose que chaque lentille est un événement indépendant. Ils ne sont pas. Nous fabriquons les lentilles en lots |
| et il y a ... chaque lot a un certain ensemble de matières premières dans un certain ensemble de conditions de départ. |
| Dans beaucoup de choses, il y a beaucoup de corrélation. |
| Et |
| deux des composants que j'ai mentionnés, deux composants monomères qui ont eu des contributions importantes, il y a |
| en regardant ici, vous pouvez parfois voir la ligne jaune et la ligne rose. Telles sont la variabilité introduite par ces deux composants monomères. |
| Lorsqu'ils sont tous les deux du même côté de la ligne centrale, ils poussent le diamètre vers les limites des spécifications et nous avons d'autres sources de variabilité qui ajoutent aux possibilités. |
| Un autre problème est que |
| notre limite de .2 est pour une lentille individuelle. Nous avons fait cela ... nous avons une disposition basée sur des lots. Et donc, ce graphique prédit des moyennes de beaucoup, cependant, lorsque nous obtenons une moyenne de .175, il y a de fortes chances que nous ayons suffisamment d'objectifs au-delà de la limite qui ont beaucoup échoué. |
| Donc en tout, ajouté |
| notre estimation est que 4% des lots seront abandonnés. |
| Et ils vont venir en grappes. Nous allons avoir des semaines où nous ne pouvons pas faire passer la moitié de nos lots par le système. |
| Donc ce n'est pas un démarreur. Nous devons apporter des améliorations majeures. |
| La variabilité d'un lot à l'autre de deux composants monomères a contribué en grande partie à cette variabilité. |
| Nous avons examiné et constaté que la pureté globale du monomère 1 était un facteur significatif et que certaines impuretés du monomère 2, lorsqu'il était présent, étaient des contributeurs. |
| Nos chimistes ont examiné les voies de synthèse de ces ingrédients et ont découvert qu'il y avait un seul matériau de départ qui contribuait à la plupart des impuretés. |
| Ils ont recommandé à nos fournisseurs de distiller cet ingrédient de départ pour éliminer les impuretés. |
| Cela a apporté des améliorations majeures. |
| Nous avons également mis des variacs sur les lampes à polymériser pour contrôler l'intensité. |
| L'intensité de la lampe n'était pas un facteur important, mais c'était facile. Et quand c'est facile, vous améliorez. |
| À proprement parler, il s'agissait d'une évaluation de l'écart plutôt que d'un budget d'écart. Nous n'avons jamais assigné d'objectifs numériques pour chaque composant. |
| C'est de retour ... nous cueillons en quelque sorte les fruits à portée de main. Je veux dire, nous avons trouvé deux facteurs qui représentaient à peu près une grande partie de la variabilité |
| Peut-être avons-nous besoin d'une structure un peu meilleure pour atteindre les branches supérieures, maintenant que nous devons aller plus haut. |
| État actuel de la dimension de l'objectif, diamètre de l'objectif. |
| PPk est 2,1. Le produit est sur le marché maintenant, depuis quelques années. Ce n'est plus le problème. |
| Nous avons apporté des améliorations majeures ... majeures à ces composants plus récents. Nous y travaillons toujours. Ils ont encore une variabilité détectable; détectable, mais cela n’a pas été un problème depuis longtemps. |
| La question fondamentale est donc: que faisons-nous |
| appliquer des données à un budget d'écart? |
| Réduisez peut-être un peu cet arbitraire. |
| Nous devons commencer par choisir une mesure de produit à améliorer. |
| Nous devons identifier les contributeurs potentiels, des diagrammes de cause à effet, un outil pratique. |
| Nous devons rassembler une certaine prescience. Nous devons connaître la sensibilité. |
| La mesure du produit divisée par la mesure du processus; quelle est la pente de cette ligne? |
| Nous, nous allons avoir besoin de certains DOE pour combler les lacunes. |
| Nous devons estimer le degré de difficulté pour améliorer certains de ces facteurs. |
| Et |
| nous estimons la variance de chaque composante, puis nous divisons cette variance, l'objectif de variance totale entre les contributeurs. |
| Cela semble assez facile. |
| Prenons un exemple. |
| disons que nous travaillons sur un nouveau projet. Et en cours de route, nous avons une nouvelle mesure de produit appelée CMT (signifie transfert de modulation en cascade) pour mesurer la netteté globale de l'image. Assez important pour les lentilles de contact. |
| La cible est de 100, plus ou moins 10. |
| Nous voulons un PPK d'au moins 1,33 |
| Cela signifie que l'écart type doit être de 2,5 ou moins. |
| L'écart doit être de 6,25 ou moins. |
| Quels facteurs pourraient être impliqués? |
| Pensons à un diagramme de cause à effet. |
| Nous pouvons entrer dans JMP et créer une table. Nous commençons par lister CMT |
| dans la colonne parent. Ensuite, nous listons chacune de nos étapes de fabrication dans la colonne enfant. |
| Et puis nous commençons à lister ces facteurs enfants du côté des parents, puis nous commençons à lister les sous-facteurs. Ces sous-facteurs sont évidemment génériques et arbitraires, le tout est hypothétique. |
| Et nous pouvons aller autant de niveaux que nous le voulons. Nous pouvons avoir autant de branches dans le diagramme que nous le souhaitons, mais |
| nous avons identifié 14 facteurs potentiels ici. |
| Nous entrons donc dans la boîte de dialogue appropriée, identifions la colonne parent et la colonne enfant. Cliquez sur le bouton OK et le diagramme de cause à effet apparaît. |
| Bref de côté ici. J'utilise JMP depuis 30 ans maintenant. J'ai très, très peu de regrets. C'est l'un d'eux. Et mon regret est que je n'ai trouvé cela que l'année dernière. |
| Je ne sais pas, en fait, quand cet outil a été mis en place. J'aurais aimé l'avoir trouvé plus tôt car c'est le moyen le plus simple que j'ai trouvé pour générer un diagramme de cause à effet. |
| Nous devons donc rassembler les données de sensibilité. |
| La physique nous donnera parfois la réponse. |
| En optique, si l'on connaît l'indice de réfraction et le rayon de courbure, cela peut nous donner quelques informations sur la puissance optique de la lentille. |
| Parfois la physique, souvent nous avons besoin de données expérimentales. |
| Alors, |
| demandez aux experts en la matière. Peut-être que quelqu'un a fait des expériences qui nous donneront une idée. |
| Nous allons avoir besoin d'expériences bien conçues, car il est impossible que tous ces 14 facteurs aient été couverts. |
| À mon avis, plusieurs crans sur la liste sont des données historiques. |
| Et si vous avez utilisé des données historiques pour générer des modèles, vous savez, certaines des préoccupations qui m'inquiètent. Nous devons être très prudents à cet égard. Données historiques, |
| c'est généralement salissant; il a |
| beaucoup de numéros mal identifiés, parfois des choses dans la mauvaise colonne, il faut beaucoup de nettoyage. Il y a aussi beaucoup, aussi beaucoup de corrélation entre les facteurs. |
| La pratique courante consiste à réserver 25% des points de données au hasard, à réserver ces données pour confirmation, à générer le modèle avec 75% des données, puis à le tester avec une réserve de données de 25%. |
| Si cela fonctionne, nous avons peut-être quelque chose qui vaut la peine d'être utilisé. Sinon, n'y touchez pas. |
| Ainsi, en rassemblant les connaissances préalables, nous voulons demander à des experts en la matière de fournir indépendamment les données de sensibilité dont ils disposent. |
| Je prends une page d'une présentation de l'année dernière au Discovery Summit par Cy Wegman et Wayne Levin. |
| C'est leur suggestion en rassemblant la prescience pour éviter la voix la plus forte dans le syndrome des règles de la salle. |
| Parfois, il y a un ingénieur silencieux assis à l'arrière qui peut avoir des informations importantes à transmettre, |
| peut ou ne peut pas parler. Nous voulons donc obtenir cette information. Demandez à tout le monde indépendamment de commencer. |
| Rassemblez ensuite les gens et discutez des écarts. Il y en aura. |
| Où sont les lacunes? Quels paramètres nécessitent encore des informations de sensibilité ou de distribution? |
| Quels paramètres pouvons-nous actualiser? |
| J'aimerais les trouver. |
| Quels paramètres sont conditionnels? |
| Cela n'arrive pas très souvent, mais dans notre processus de lentilles de contact, nous incluons des indicateurs biologiques dans chaque cycle de stérilisation. |
| Ces indicateurs sont intentionnellement biaisés, de sorte que les faux positifs sont beaucoup plus probables que les faux négatifs. Lorsque nous avons un échec dans ce test, |
| nous stérilisons à nouveau. Nous savons que notre routine de stérilisation était probablement la bonne, mais nous stérilisons à nouveau. Alors parfois, nous stérilisons deux fois. Cela peut avoir un petit effet sur nos dimensions. C'est petit, mais mesurable. |
| Nous allons donc devoir planifier des expériences pour rassembler les sensibilités pour des choses que nous ne savons pas. |
| Et nous examinerons les données de distribution de la production; utilisez-le avec prudence pour générer de la sensibilité. Nous pouvons l'utiliser pour générer des informations sur la variabilité de chacun des composants et la variabilité globale de la mesure du produit d'intérêt. |
| Nous devons tenir des registres en cours de route. Nous pouvons commencer avec ce tableau que nous avons utilisé pour générer le diagramme de cause à effet, ajouter quelques colonnes supplémentaires. |
| Remplissez les sensibilités, les unités de mesure, les différentes colonnes. N'importe quel type de table fera l'affaire. Gardez simplement les registres et tenez-les à jour. |
| Nous allons avoir besoin de certains DOE pour combler les lacunes. |
| Il existe quelques techniques plus récentes - conceptions de criblage définitives, conceptions super saturées orthogonales de groupe - |
| fournir un bon rapport qualité-prix lorsque la situation convient. |
| Maintenant, dans cette situation particulière, nous avons 14 facteurs. |
| Nous avons demandé à nos experts en la matière. |
| Certains d'entre eux ont suffisamment d'expérience pour prédire certaines informations directionnelles, mais personne n'a une bonne estimation des pentes réelles. Nous devons donc évaluer 14 facteurs. J'adorerais exécuter un DSD qui ne nécessite pas 33 courses, je n'ai pas le budget pour cela. |
| Nous allons donc recourir au DOE personnalisé. |
| Alors, |
| allez à la fonction DOE personnalisée et ensuite ... j'utilise PowerPoint depuis assez longtemps maintenant ... nous avons démontré quelques choses en direct dans JMP. |
| Cela irait à la conception personnalisée du DOE. |
| Et |
| vous n'êtes pas obligé, mais c'est une très bonne pratique de remplir les informations de réponse |
| (si je pouvais le taper correctement). |
| Objectif de correspondance |
| de 90 à 110. |
| L'importance de 1 ne fait une différence que si nous avons plus d'une réponse. Les facteurs. |
| J'ai mon fichier, donc je peux les charger rapidement. Ici, nous avons tous les 14 |
| des facteurs. |
| Ce facteur contraintes, |
| Je ne l'ai jamais utilisé. Mais je sais que c'est là si une combinaison de facteurs serait dangereuse. Je sais que nous pouvons le refuser. |
| La spécification du modèle. C'est probablement la partie la plus importante. |
| Il s'agit essentiellement d'une opération de dépistage. Nous allons juste regarder les principaux effets. |
| Maintenant, nos experts en la matière ont suggéré que les interactions ne sont pas probables. |
| Et |
| la non-linéarité est possible mais pas susceptible d'être forte. |
| Nous allons donc les ignorer pour le moment, du moins pour l'expérience de dépistage. |
| Nous n'avons pas besoin de bloquer cela. |
| Nous n'avons pas besoin de points centraux supplémentaires. |
| Pour 14 effets principaux, JMP dit un minimum de 15, c'est un 20 par défaut. |
| J'ai appris que si j'ai un budget qui peut exécuter la valeur par défaut, c'est un bon point de départ. Je peux faire 20 courses; 33 était trop. Je peux gérer le 20. |
| Faisons cette conception. |
| J'ai laissé cela dans les unités de conception. Il y a un exemple hypothétique. Je n'avais pas envie de remplacer ces unités arbitraires par d'autres unités arbitraires. |
| Vous avez toute une suite d'outils d'évaluation conçus, |
| un couple que je regarde normalement. L'analyse de puissance. |
| Si l'estimation de l'erreur quadratique moyenne de 1 est quelque part dans le ballpark, alors ces estimations de puissance vont être quelque part dans le ballpark. .9 et plus, plutôt bien. J'aime ça. |
| L'autre chose que je regarde normalement est la carte des couleurs sur les corrélations. |
| J'aime en faire une carte de couleurs. |
| Et c'est un peu compliqué. Nous avons 14 effets principaux, et honnêtement, je n'ai pas compté toutes les interactions bidirectionnelles. Ce que nous recherchons, ce sont des effets de confusion, où nous devons bloquer les blocs rouges dans la même ligne. |
| Eh bien, je ne vois pas ça. C'est bon. Nous avons du bleu foncé là où il n'y a pas de corrélation. Nous avons du bleu clair là où il y a une légère corrélation. Et nous avons du rose clair où |
| c'est peut-être un coefficient de corrélation de 0,6. |
| C'est tolérable. Tant que nous n'avons pas de confusion totale, nous pouvons probablement estimer ce qui est quoi, ce qui cause l'effet. |
| Maintenant c'est bon. Passez à autre chose, faites la table. |
| Eh bien, c'est notre conception. |
| Vous avez l'espace pour remplir les résultats. |
| Je vais prendre une page de l'école de cuisine Julia Child. |
| Faites la préparation pour vous, puis mettez-la dans le four, puis sortez un fichier préalablement préparé du four sur lequel l'expérience a déjà été exécutée. Voici les résultats. |
| Valeurs CMT, nous les voulions entre 90 et 110. |
| Nous en avons eu quelques-uns ici dans les années 80. Il y a 110,5, nous en avons 111 ici. |
| On dirait que nous avons un peu de travail à faire. |
| Allons |
| analyser les données. |
| Tout est fait pour nous. Il y a une réponse. Voici tous les facteurs. Nous voulons le rapport de dépistage. Cliquez sur Exécuter. |
| r au carré .999. |
| Ouais, vous pouvez dire que ce sont de fausses données. J'aurais probablement dû régler le facteur de bruit un peu plus haut que cela. |
| Les six premiers facteurs sont très significatifs; les huit suivants, pas tellement. |
| J'étais paresseux quand je l'ai généré. |
| J'ai mis quelque chose là-dedans pour les six premiers. |
| Maintenant, généralement, nous éliminons les facteurs insignifiants. |
| Nous pouvons donc les éliminer tous en même temps. |
| J'ai tendance à le faire un à la fois. |
| Éliminez à chaque fois le facteur le moins significatif et voyez ce qu'il fait aux autres nombres. Parfois cela change, parfois non. |
| Éliminez celui-ci et il semble que Cure1 se soit glissé sous le fil, .0478. |
| C'est un peu moins de 0,05. Je doute que ce soit un gros problème, mais nous allons en rester là. |
| Nous examinons donc les résidus; c'est un peu aléatoire, c'est bien. Résidus studentisés, également en quelque sorte aléatoires. |
| Nous devons examiner les estimations des paramètres. |
| C'est ce que nous avons payé. |
| Voici les |
| les ... coefficients de régression sont les pentes recherchées. Ce sont les sensibilités. |
| C'est pourquoi nous avons fait l'expérience. Je suis un type visuel, donc je regarde toujours le profileur de prédiction. |
| Et une des choses que j'aime ici ... eh bien, je regarde toujours le ... l'intrigue des pistes et regarde le ... |
| Je regarde les intervalles de confiance, qui sont assez petits. Ici, vous pouvez à peine voir qu'il y a un intervalle ombré en bleu. J'aime aussi utiliser le simulateur lorsque j'ai des informations sur l'entrée, que nous pouvons saisir la variabilité pour chacun d'entre eux. |
| Maintenant, si vous me permettez à nouveau d'utiliser l'approche Julia Child et de revenir à |
| l'exemple précédemment préparé où j'ai déjà entré |
| les variations de chacun d’entre eux. À partir de l'outil de moulage 1, j'entre une expression qui se traduit par une distribution bimodale. |
| Et pour Mold Tool 2, saisissez une distribution uniforme. |
| Et je dois dire, pour défendre mes amis dans la salle des outils, |
| la distribution bimodale ne se produit que dans une situation ... ce qui s'est passé le mois dernier, |
| où les outils que nous voulions utiliser étaient occupés dans l'atelier de production, donc pour expérimenter, nous utilisons d'anciennes itérations. Nous avons en fait mélangé des itérations. |
| Lorsque cela se produit, nous pouvons obtenir une distribution bimodale. |
| Cette distribution uniforme n'arrive jamais avec ces types. Ils visent toujours le point central et se situent généralement à quelques microns. Les autres distributions sont toutes normales. |
| Différentes largeurs. Dans un cas, nous avons eu un peu de parti pris. |
| Ce sont les distributions d'entrée. Voici notre sortie prévue. |
| Même si nous avons eu des distributions de départ non normales, nous avons à peu près une distribution de sortie normale. |
| Cela va au-delà de nos objectifs. |
| Nous le savions un peu. |
| Désormais, la valeur par défaut lorsque vous démarrez ici est de 5 000 exécutions. Je l'augmente habituellement, je l'augmente à quelque chose comme 100 000. Cela n'a pas pris plus de temps pour s'exécuter, et cela vous donne des distributions un peu plus fluides. |
| Il produit également un tableau ici, nous pouvons faire le tableau. |
| Déplacez ceci ici. Gros avantage de cela |
| est que nous pouvons obtenir |
| (je ne veux pas encore de ce CMT) ... regardons les distributions des facteurs d'entrée. |
| C'est une parcelle plus sophistiquée. C'est notre distribution bimodale, uniforme, ces différentes distributions normales, différentes largeurs, celle-ci a une sorte de biais. |
| Donc on peut prendre tout ça et |
| nous les avons additionnés. |
| On regarde ça |
| et nous avons une distribution. |
| Cela semble assez normal. Même si certaines des entrées n'étaient pas normales. |
| Nous pouvons utiliser des techniques conventionnelles à ce sujet. Donc, quand nous commençons à définir les spécifications, |
| il va au-delà de nos limites de spécifications. Nous allons donc devoir nous améliorer, y apporter des améliorations. Faites défiler ici. Regardez les informations de capacité. |
| PPk a .6. |
| C'est un non-démarreur. Il est impossible que la fabrication accepte un processus comme celui-ci. |
| Nous devons donc apporter des améliorations significatives. |
| Revenez donc à la |
| Fichier PowerPoint. |
| Et je fais défiler les diapositives qui étaient ma sauvegarde au cas où j'aurais un problème avec |
| Version en direct de JMP. |
| Parce que j'ai le problème, pas JMP. |
| Nous avons donc ici les facteurs. |
| Les écarts-types proviennent de nos essais de pré-production, estiment la variabilité. Les sensibilités, ce sont les résultats de notre DOE. |
