Lautsprecher | Transkript |
| Ronald Andrews | Nun, guten Morgen oder Nachmittag. Mein Name ist Ron Andrews und das Thema des Tages ist das Varianzbudget. |
| Oh, ich muss |
| teile meinen Bildschirm. |
| Und es gibt eine Datei, zu der wir kommen werden. |
| Und wir fangen an |
| Power Point. |
| Varianzbudgetierung ist also das Thema. |
| Ich bin Verfahrenstechniker bei Bausch und Lomb. Kontaktinformationen hier erhalten. |
| Meine Aufsicht erfordert diesen Haftungsausschluss. Sie wollen nicht unbedingt das anerkennen, was ich heute sage. |
| Überblick darüber, worüber wir sprechen werden |
| Was ist das Varianzbudget? |
| Ein bisschen Geschichte. |
| Wann brauchen wir einen? |
| Wir haben einige Beispiele. |
| Wir werden die Elemente des Prozesses, das Ursache-Wirkungs-Diagramm durchgehen, das Vorwissen sammeln, einige DOEs durchführen, um die Lücken zu füllen. |
| Monte-Carlo-Simulationen nach Bedarf. |
| Und wir haben einen Testfall, der durcharbeiten wird. |
| Was ist ein Varianzbudget? Maschinenbauingenieure sprechen gerne über Toleranzstapel. |
| Nun, Toleranzstapelung ist im Grunde eine Folge von Murphys Gesetz, dass alle Toleranzen die Einheit in die Richtung addieren, die den größten Schaden anrichten kann. |
| Das Varianzbudget ist wie ein Toleranzstapel, mit der Ausnahme, dass wir anstelle der Budgetierung des Parameters selbst die Varianz budgetieren - Sigma im Quadrat. |
| Wir setzen eher auf mehr oder weniger normale Formverteilungen als auf gleichmäßige Verteilungen. |
| Abweichungen sind additiv und machen den Budgetierungsprozess viel einfacher als der Versuch, so etwas wie Standardabweichungen zu budgetieren. |
| Kurzes Beispiel hier. |
| Wenn wir Test-and-Sort- oder Test-and-Adjust-Strategien verwenden, werden unsere Verteilungen eher diesen gleichmäßigen Verteilungen ähneln. |
| Wenn wir also die Verteilung mit der Breite 1 und eine mit einer Breite von 2 und eine mit einer Breite von 3 haben, addieren wir sie alle zusammen und erhalten eine Verteilung mit einer Breite von ziemlich nahe 6. |
| In diesem Fall müssen wir wahrscheinlich die Toleranzen mehr als die Abweichungen budgetieren. |
| ... Wenn wir uns auf die Prozesskontrolle verlassen, sind unsere Verteilungen normaler. |
| Wenn wir in diesem Fall eine Normalverteilung mit einer Standardabweichung von 1, einer Standardabweichung von 2 und einer Standardabweichung von 3 haben, addieren wir diese und erhalten eine Standardabweichung von 3,7, viel weniger als sechs. |
| Also machen wir die Zahlen 1 Quadrat plus 2 Quadrat plus 3 Quadrat gleich im Wesentlichen 3,7 Quadrat. |
| Nun, um fair zu sein, auf dieser vorherigen Folie hätten sich diese Varianzen zu der Varianz dieser addiert, wenn ich sie addiert hätte. |
| Aber wenn Sie etwas anderes als eine Normalverteilung haben, müssen Sie auf die Form in der Nähe des Schwanzes achten. Dies hängt davon ab, wo Sie Ihre Spezifikationen festlegen können. |
| Damit, |
| Was ist das Varianzbudget? |
| Nicht normale Distributionen erfordern besondere Aufmerksamkeit und wir werden später darauf zurückkommen. Im Moment ist das Varianzbudget eine Art Finanzbudget. Sie können genauso willkürlich sein. |
| Es gibt nur drei Grundregeln. |
| Wir übersetzen alles in eine gemeinsame Währung. Jetzt tun wir dies für jedes interessierende Produktmaß, aber wir übersetzen alle relevanten Prozessvariablen in ihren Beitrag zum interessierenden Produktmaß. |
| Regel Nummer zwei ist ziemlich einfach. Budgetieren Sie nicht mehr als 100% der zulässigen Abweichung. Ja, hört sich einfach an. Ich habe gesehen, dass diese Regel in mehr als einer Firma mehr als einmal verletzt wurde. |
| Nummer drei. Dies gilt sowohl für das Leben im Allgemeinen als auch für das Engineering. Verwenden Sie stets Ihr bestes Urteilsvermögen. |
| Wenig |
| ein bisschen Geschichte. Dies ist keine Raketenwissenschaft. Andere Leute müssen etwas Ähnliches tun. Ich habe die Literatur durchsucht und konnte keine veröffentlichten Berichte über einen ähnlichen Prozess finden. Ich bin mir sicher, dass es da draußen ist, aber ich habe noch keine veröffentlichten Konten gefunden. |
| Für mich kam die Geschichte in den 1980er Jahren zurück, als ich bei Kodak mit einer Herausforderung für das Management arbeitete. |
| Die Herausforderung bestand darin, einen Film zu produzieren, bei dem keine Abweichungen von den Kunden wahrgenommen wurden. |
| Eigentlich produzieren sie ursprünglich Filme ohne Variation. |
| keine wahrnehmbaren Abweichungen. |
| Sie definieren, dass eine Six Sigma-Verschiebung weniger als ein merklicher Unterschied wäre. |
| Kodak war ziemlich gut in der Wahrnehmung und all diese nur wahrnehmbaren Unterschiede wurden definiert, wir wussten genau, was sie waren. |
| Für einen Diafilm wie Kodachrome, an dem ich gearbeitet habe ... |
| Daran habe ich damals gearbeitet. Die Farbbalance war die größte Herausforderung. |
| In diesem Stromlinien-Ursache-Wirkungs-Diagramm ist die Farbbalance eine Funktion der grünen Geschwindigkeit, der blauen Geschwindigkeit und der roten Geschwindigkeit. |
| Jetzt habe ich eines dieser Beine ausgearbeitet. Die rote Geschwindigkeit, ich habe den Cyan-Absorber-Farbstoff und dann eine der Emulsionen als die Faktoren, die zur Geschwindigkeit beitragen, die die rote Geschwindigkeit beeinflusst, die die Farbbalance beeinflusst. |
| Dies ist eine sehr vereinfachte Version. Es gibt tatsächlich drei verschiedene Emulsionen in der roten Aufzeichnung, es gibt drei weitere in der grünen Aufzeichnung. Es gibt zwei weitere in der blauen Aufzeichnung. Alles in allem sind es 75 Faktoren, die alle zur Farbbalance beitragen. |
| Dies sind nicht nur potenzielle Mitwirkende. Dies sind tatsächlich demonstrierte Mitwirkende. Das ist also eine ziemlich entmutigende Aufgabe. |
| Fahren Sie also fort, wenn wir ein Abweichungsbudget benötigen. |
| Holen Sie sich hier eine kleine Zunge in den Wangenentscheidungsbaum. Haben wir ein Durcheinander im Haus? Wenn nicht, ist das Leben gut. Wenn ja, |
| Wie viele Kinder haben wir? Wenn ja, wissen wir wahrscheinlich, wo die Verantwortung liegt. Wenn mehr als das und wir brauchen wahrscheinlich ein Budget. |
| Dies ist ein Beispiel für einige Arbeiten, die wir vor einigen Jahren an einem Kontaktlinsenprojekt bei Bausch und Lomb durchgeführt haben. |
| Dies ist lange bevor es aus der Tür zum Marktplatz kam. Wir hatten Probleme, unsere Durchmesserspezifikationen zu erfüllen. |
| plus oder minus zwei Zehntel Millimeter |
| Wir hatten Probleme damit. |
| Wir haben uns viele Variabilitätsquellen angesehen und es geschafft, jede einzelne zu charakterisieren. |
| So viel zu viel. Und dies ist bei gleichen Eingangsmaterialien und gleichen Sollwerten eine ziemlich große Variabilität. |
| Objektiv zu Objektiv innerhalb einer Menge, geringere Variabilität. |
| Monomerkomponente Nr. 1, wir wechseln gelegentlich die Partien, |
| extreme Variabilität. Die Monomerkomponente Nr. 2 hatte ebenfalls eine ziemlich große Variabilität. |
| Jetzt mischen wir unsere Monomere zusammen und haben einen ziemlich guten Prozess mit ziemlich guter Präzision. Es ist nicht perfekt und wir können die Variabilität daraus abschätzen. |
| Das ist ein ziemlich kleiner Beitrag. |
| Wir legen das Monomer in eine Form und legen es unter Härtungslampen auf ??? es |
| und die Intensität der Lampen kann einen Unterschied machen. Dort können wir auch diese Variabilitätsquelle abschätzen. |
| Wir addieren alle diese Verteilungen |
| und das ist unsere Gesamtverteilung. |
| Es gehört ... über die Spezifikationsgrenzen an beiden Enden hinaus. |
| Standardabweichung von 0,082 |
| Und wie bereits erwähnt, spezifizieren Sie Elemente von Plus und Minus .2, die uns eine PPk von .81 geben. Nicht so gut. |
| Prozent außerhalb der Spezifikation auf 1,5% geschätzt |
| Es wäre vielleicht passabel gewesen, wenn es wirklich so gut gewesen wäre, aber es war nicht so. |
| Diese Schätzung geht davon aus, dass jedes Objektiv ein unabhängiges Ereignis ist. Sie sind nicht. Wir machen die Linsen in Losen |
| und es gibt ... jede Partie hat einen bestimmten Satz von Rohstoffen unter einem bestimmten Satz von Ausgangsbedingungen. |
| Das innerhalb einer Menge gibt es eine Menge der Korrelation. |
| Und |
| Es gibt zwei der Komponenten, die ich erwähnt habe, zwei Monomerkomponenten, die beträchtliche Beiträge geleistet haben |
| Wenn Sie hier schauen, sehen Sie gelegentlich die gelbe und die rosa Linie. Dies ist die Variabilität, die durch diese beiden Monomerkomponenten eingeführt wird. |
| Wenn sie sich beide auf derselben Seite der Mittellinie befinden, verschieben sie den Durchmesser in Richtung der Spezifikationsgrenzen, und wir haben einige andere Variabilitätsquellen, die die Möglichkeiten erweitern. |
| Ein weiteres Problem ist das |
| Unsere .2-Grenze gilt für ein einzelnes Objektiv. Wir haben das getan ... wir haben eine Disposition basierend auf Losen. Und so sagt diese Darstellung viele Durchschnittswerte voraus. Wenn wir jedoch einen Durchschnittswert von 0,175 erreichen, werden wir wahrscheinlich genug Objektive haben, die über das Limit hinausgehen, das häufig versagt hat. |
| Also insgesamt summiert |
| Unsere Schätzung ist, dass 4% der Lose verworfen werden. |
| Und sie werden in Trauben kommen. Wir werden Wochen haben, in denen wir nicht die Hälfte unserer Lose durch das System bekommen können. |
| Das ist also kein Starter. Wir müssen einige wesentliche Verbesserungen vornehmen. |
| Zur Variabilität von Charge zu Charge von zwei Monomerkomponenten trug ein guter Teil dieser Variabilität bei. |
| Wir haben nachgesehen und festgestellt, dass die Gesamtreinheit von Monomer 1 ein signifikanter Faktor war und bestimmte Verunreinigungen in Monomer 2, sofern vorhanden, dazu beitrugen. |
| Unsere Chemiker untersuchten die Synthesewege für diese Inhaltsstoffe und stellten fest, dass es ein einziges Ausgangsmaterial gab, das die meisten Verunreinigungen beitrug. |
| Sie empfahlen unseren Lieferanten, diesen Ausgangsbestandteil zu destillieren, um die Verunreinigungen zu beseitigen. |
| Das hat einige wesentliche Verbesserungen gebracht. |
| Wir setzen auch Variacs auf die Kurlampen, um die Intensität zu kontrollieren. |
| Die Lampenintensität war kein großer Faktor, aber das war einfach. Und wenn es einfach ist, machen Sie die Verbesserung. |
| Genau genommen war dies eher eine Varianzbewertung als ein Varianzbudget. Wir haben niemals numerische Ziele für jede Komponente zugewiesen. |
| Das ist zurück ... wir pflücken die niedrig hängenden Früchte. Ich meine, wir haben zwei Faktoren gefunden, die einen großen Teil der Variabilität ausmachen |
| Vielleicht brauchen wir eine etwas bessere Struktur, um die höheren Zweige zu erreichen, jetzt, wo wir höher erreichen müssen. |
| Aktueller Status der Objektivabmessung, Objektivdurchmesser. |
| PPk ist 2.1. Das Produkt ist seit einigen Jahren auf dem Markt. Dies ist nicht mehr das Problem. |
| Wir haben große ... große Verbesserungen an diesen Momoer-Komponenten vorgenommen. Wir arbeiten immer noch daran. Sie haben immer noch nachweisbare Variabilität; erkennbar, aber es war schon lange kein Problem mehr. |
| Die grundlegende Frage ist also, was wir tun |
| Daten auf ein Abweichungsbudget anwenden? |
| Vielleicht diese Willkür ein wenig reduzieren. |
| Wir müssen zunächst eine verbesserungsbedürftige Produktmaßnahme auswählen. |
| Wir müssen die potenziellen Mitwirkenden identifizieren, Ursache-Wirkungs-Diagramme, ein praktisches Werkzeug. |
| Wir müssen etwas Vorwissen sammeln. Wir müssen die Empfindlichkeit kennen. |
| Das Produktmaß geteilt durch das Prozessmaß; Was ist die Steigung dieser Linie? |
| Wir werden einige DOEs brauchen, um die Lücken zu füllen. |
| Wir müssen den Schwierigkeitsgrad für die Verbesserung einiger dieser Faktoren abschätzen. |
| Und |
| Wir schätzen die Varianz aus jeder Komponente und teilen dann diese Varianz, das Gesamtvarianzziel, unter den Mitwirkenden auf. |
| Klingt einfach genug. |
| Kommen wir zu einem Beispiel. |
| Nehmen wir an, wir arbeiten an einem neuen Projekt. Auf dem Weg dorthin haben wir ein neues Produktmaß namens CMT (steht für Cascaded Modulation Transfer), um die Gesamtbildschärfe zu messen. Art wichtig für Kontaktlinsen. |
| Ziel ist 100, plus oder minus 10. |
| Wir wollen eine PPK von mindestens 1,33 |
| Das bedeutet, dass die Standardabweichung 2,5 oder weniger betragen muss. |
| Die Varianz muss 6,25 oder weniger betragen. |
| Welche Faktoren könnten beteiligt sein? |
| Lassen Sie uns über ein Ursache-Wirkungs-Diagramm nachdenken. |
| Wir können in JMP gehen und eine Tabelle erstellen. Wir beginnen mit der Auflistung von CMT |
| in der übergeordneten Spalte. Dann listen wir jeden unserer Herstellungsschritte in der untergeordneten Spalte auf. |
| Und dann beginnen wir, diese untergeordneten Faktoren auf der Seite der Eltern aufzulisten, und dann beginnen wir, Unterfaktoren aufzulisten. Diese Subfaktoren sind offensichtlich generisch und willkürlich, das Ganze ist hypothetisch. |
| Und wir können so viele Ebenen gehen, wie wir wollen. Wir können so viele Zweige im Diagramm haben, wie wir möchten, aber |
| Wir haben hier 14 mögliche Faktoren identifiziert. |
| Also gehen wir in das entsprechende Dialogfeld und identifizieren die übergeordnete Spalte und die untergeordnete Spalte. Klicken Sie auf die Schaltfläche OK und das Ursache-Wirkungs-Diagramm wird angezeigt. |
| Hier kurz beiseite. Ich benutze JMP seit 30 Jahren. Ich bereue es sehr, sehr wenig. Dies ist einer von ihnen. Und ich bedaure, dass ich das erst letztes Jahr gefunden habe. |
| Ich weiß eigentlich nicht, wann dieses Tool implementiert wurde. Ich wünschte, ich hätte es früher gefunden, weil dies der einfachste Weg ist, ein Ursache-Wirkungs-Diagramm zu erstellen. |
| Wir müssen also die Sensitivitätsdaten sammeln. |
| Die Physik gibt uns manchmal die Antwort. |
| Wenn wir in der Optik den Brechungsindex und den Krümmungsradius kennen, können wir einige Informationen über die optische Leistung der Linse erhalten. |
| Manchmal braucht die Physik oft experimentelle Daten. |
| Damit, |
| Fragen Sie die Fachexperten. Vielleicht hat jemand einige Experimente durchgeführt, die uns eine Idee geben. |
| Wir werden einige gut konzipierte Experimente benötigen, da keinesfalls alle 14 dieser Faktoren abgedeckt wurden. |
| Einige Punkte auf der Liste sind meiner Meinung nach historische Daten. |
| Und wenn Sie historische Daten verwendet haben, um Modelle zu generieren, wissen Sie, einige der Bedenken, über die ich nervös bin. Wir müssen damit sehr vorsichtig sein. Historische Daten, |
| es ist normalerweise chaotisch; es hat |
| Viele falsch identifizierte Zahlen, manchmal Dinge in der falschen Spalte, es muss viel gereinigt werden. Es gibt auch viele, auch viele Korrelationen zwischen Faktoren. |
| Standardmäßig werden 25% der Datenpunkte zufällig reserviert, diese Daten zur Bestätigung reserviert, das Modell mit 75% der Daten generiert und anschließend mit 25% Reservedaten getestet. |
| Wenn es funktioniert, haben wir vielleicht etwas, das es wert ist, verwendet zu werden. Wenn nicht, berühren Sie es nicht. |
| Um Vorwissen zu sammeln, möchten wir Fachexperten unabhängig bitten, ihre Sensitivitätsdaten beizutragen. |
| Ich nehme eine Seite aus einer Präsentation von Cy Wegman und Wayne Levin auf dem Discovery Summit im letzten Jahr. |
| Dies ist ihr Vorschlag beim Sammeln von Vorwissen, um die lauteste Stimme im Raumregelsyndrom zu vermeiden. |
| Manchmal sitzt hinten ein leiser Ingenieur, der wichtige Informationen zu vermitteln hat. |
| kann oder kann nicht sprechen. Also wollen wir diese Informationen bekommen. Bitten Sie alle unabhängig, damit zu beginnen. |
| Dann bringen Sie die Leute zusammen und diskutieren Sie die Diskrepanzen. Es wird einige geben. |
| Wo sind die Lücken? Welche Parameter benötigen noch Sensitivitäts- oder Verteilungsinformationen? |
| Welche Parameter können wir diskontieren? |
| Ich würde diese gerne finden. |
| Welche Parameter sind bedingt? |
| Kommt nicht sehr oft vor, aber in unseren Kontaktlinsenprozess beziehen wir biologische Indikatoren in jeden Sterilisationszyklus ein. |
| Diese Indikatoren sind absichtlich voreingenommen, so dass falsch positive Ergebnisse weitaus wahrscheinlicher sind als falsch negative. Wenn wir bei diesem Test einen Fehler bekommen, |
| wir sterilisieren wieder. Wir wissen, dass unsere Sterilisationsroutine wahrscheinlich richtig war, aber wir sterilisieren erneut. Manchmal sterilisieren wir also zweimal. Das kann sich geringfügig auf unsere Dimensionen auswirken. Es ist klein, aber messbar. |
| Wir müssen also einige Experimente planen, um die Sensibilität für Dinge zu sammeln, von denen wir nichts wissen. |
| Und wir werden uns die Produktionsverteilungsdaten ansehen. Verwenden Sie es mit Vorsicht, um Empfindlichkeit zu erzeugen. Wir können es verwenden, um Informationen über die Variabilität jeder der Komponenten und die Gesamtvariabilität des interessierenden Produktmaßes zu generieren. |
| Wir müssen auf dem Weg einige Aufzeichnungen machen. Wir können mit der Tabelle beginnen, mit der wir das Ursache-Wirkungs-Diagramm erstellt haben, und einige weitere Spalten hinzufügen. |
| Füllen Sie die Empfindlichkeiten, Maßeinheiten und verschiedenen Spalten aus. Jede Art von Tisch reicht aus. Halten Sie einfach die Aufzeichnungen und halten Sie sie auf dem neuesten Stand. |
| Wir werden einige DOEs brauchen, um die Lücken zu füllen. |
| Es gibt einige neuere Techniken - definitive Screening-Designs, gruppenorthogonale super gesättigte Designs - |
| bieten einen guten Knall für das Geld, wenn die Situation passt. |
| In dieser besonderen Situation haben wir 14 Faktoren. |
| Wir haben unsere Fachexperten gefragt. |
| Einige von ihnen haben genug Erfahrung, um Richtungsinformationen vorherzusagen, aber niemand hat eine gute Schätzung der tatsächlichen Steigungen. Wir müssen also 14 Faktoren bewerten. Ich würde gerne eine DSD betreiben, für die keine 33 Läufe erforderlich sind. Ich habe nicht das Budget dafür. |
| Also werden wir auf das benutzerdefinierte DOE zurückgreifen. |
| Damit, |
| Gehen Sie zur benutzerdefinierten DOE-Funktion und verwenden Sie dann ... PowerPoint schon lange genug ... Zeit, als wir einige Dinge live in JMP demonstrierten. |
| Das würde zu DOE Custom Design gehen. |
| Und |
| Sie müssen nicht, aber es ist eine sehr gute Praxis, die Antwortinformationen einzugeben |
| (wenn ich es richtig tippen könnte). |
| Match-Ziel |
| von 90 bis 110. |
| Die Bedeutung von 1 macht nur dann einen Unterschied, wenn wir mehr als eine Antwort haben. Die Faktoren. |
| Ich habe meine Datei, damit ich sie dort schnell laden kann. Hier haben wir alle 14 |
| der Faktoren. |
| Dieser Faktor schränkt ein, |
| Ich habe es nie benutzt. Aber ich weiß, dass es da ist, wenn eine Kombination von Faktoren gefährlich wäre. Ich weiß, dass wir es verbieten können. |
| Die Modellspezifikation. Dies ist wahrscheinlich der wichtigste Teil. |
| Dies ist im Grunde eine Screening-Operation. Wir werden uns nur die Haupteffekte ansehen. |
| Jetzt schlugen unsere Fachexperten vor, dass die Wechselwirkungen nicht wahrscheinlich sind. |
| Und |
| Nichtlinearität ist möglich, aber wahrscheinlich nicht stark. |
| Also werden wir diese vorerst ignorieren, zumindest für das Screening-Experiment. |
| Wir müssen das nicht blockieren. |
| Wir brauchen keine zusätzlichen Mittelpunkte. |
| Für 14 Haupteffekte gibt JMP mindestens 15 an, das ist eine gegebene Standardeinstellung von 20. |
| Ich habe gelernt, dass wenn ich ein Budget habe, das die Standardeinstellung ausführen kann, dies ein guter Anfang ist. Ich kann 20 Läufe machen; 33 war zu viel. Ich kann die 20 verwalten. |
| Lassen Sie uns diesen Entwurf machen. |
| Ich habe dies in Designeinheiten belassen. Es gibt ein hypothetisches Beispiel. Ich hatte keine Lust, diese willkürlichen Einheiten durch andere willkürliche Einheiten zu ersetzen. |
| Ich habe eine ganze Reihe von Bewertungswerkzeugen entwickelt. |
| ein paar, die ich normalerweise anschaue. Die Leistungsanalyse. |
| Wenn sich die mittlere quadratische Fehlerschätzung von 1 irgendwo im Baseballstadion befindet, befinden sich diese Leistungsschätzungen irgendwo im Baseballstadion. .9 und höher, ziemlich gut. Ich mag es. |
| Das andere, was ich normalerweise betrachte, ist die Farbkarte der Korrelationen. |
| Ich mache es gerne zu einer Farbkarte. |
| Und es ist irgendwie kompliziert. Wir haben 14 Haupteffekte und ich habe ehrlich gesagt nicht alle Wechselwirkungen in beide Richtungen gezählt. Was wir suchen, sind verwirrende Effekte, bei denen wir rote Blöcke in derselben Reihe haben müssen. |
| Nun, das sehe ich nicht. Das ist gut. Wir haben etwas Dunkelblau, wo es keine Korrelation gibt. Wir haben etwas Hellblau, wo es eine leichte Korrelation gibt. Und wir haben etwas hellrosa wo |
| Vielleicht ist es ein Korrelationskoeffizient von 0,6. |
| Das ist erträglich. Solange wir keine vollständige Verwirrung haben, können wir wahrscheinlich abschätzen, was was ist, was den Effekt verursacht. |
| Das ist gut so. Mach weiter, mach den Tisch. |
| Nun, das ist unser Design. |
| Habe den Platz, um die Ergebnisse auszufüllen. |
| Ich werde eine Seite aus der Julia Child Kochschule nehmen. |
| Machen Sie die Vorbereitung für Sie und legen Sie sie dann in den Ofen und nehmen Sie dann eine zuvor vorbereitete Datei aus dem Ofen, in dem bereits das Experiment durchgeführt wurde. Das sind die Ergebnisse. |
| CMT-Werte wollten wir zwischen 90 und 110. |
| Wir haben hier in den 80ern ein paar. Es gibt 110,5, wir haben 111 hier. |
| Sieht so aus, als hätten wir ein wenig zu tun. |
| Lasst uns |
| Analysieren Sie die Daten. |
| Alles ist für uns erledigt. Es gibt eine Antwort. Hier sind alle Faktoren. Wir wollen den Screening-Bericht. Klicken Sie auf Ausführen. |
| r im Quadrat .999. |
| Ja, Sie können sagen, dass dies gefälschte Daten sind. Ich hätte den Rauschfaktor wahrscheinlich etwas höher einstellen sollen. |
| Die ersten sechs Faktoren sind hoch signifikant; die nächsten acht nicht so sehr. |
| Ich war faul, als ich es generiert habe. |
| Ich habe dort für die ersten sechs etwas hineingesteckt. |
| In der Regel eliminieren wir jetzt die unbedeutenden Faktoren. |
| Also können wir sie entweder alle auf einmal beseitigen. |
| Ich neige dazu, es einzeln zu tun. |
| Beseitigen Sie jedes Mal den niedrigstwertigen Faktor und sehen Sie, was er mit den anderen Zahlen macht. Manchmal ändert es sich, manchmal nicht. |
| Beseitigen Sie dieses und es sieht so aus, als ob Cure1 unter den Draht .0478 gerutscht ist. |
| Es ist knapp unter 0,05. Ich bezweifle, dass es eine große Sache ist, aber wir werden es dort belassen. |
| Also schauen wir uns die Residuen an; das ist irgendwie zufällig, das ist gut. Studentisierte Residuen, auch zufällig. |
| Wir müssen uns die Parameterschätzungen ansehen. |
| Dafür haben wir bezahlt. |
| Dies sind die |
| Die ... Regressionskoeffizienten sind die Steigungen, nach denen wir gesucht haben. Das sind die Empfindlichkeiten. |
| Deshalb haben wir das Experiment gemacht. Ich bin ein visueller Typ, also schaue ich immer auf den Vorhersageprofiler. |
| Und eines der Dinge, die ich hier mag ... nun, ich schaue immer auf das ... Grundstück der Pisten und auf das ... |
| Ich schaue mir die Konfidenzintervalle an, die ziemlich klein sind. Hier kann man kaum sehen, dass es ein blau schattiertes Intervall gibt. Ich benutze den Simulator auch gerne, wenn ich Informationen über die Eingabe habe, damit wir die Variabilität für jede dieser Eingaben eingeben können. |
| Wenn Sie mir jetzt noch einmal erlauben, verwenden Sie den Julia-Child-Ansatz und gehen Sie zurück zu |
| das zuvor vorbereitete Beispiel, in das ich bereits eingegeben habe |
| die Variationen auf jedem von diesen. In Formwerkzeug 1 gebe ich einen Ausdruck ein, der zu einer bimodalen Verteilung führt. |
| Geben Sie für Formwerkzeug 2 eine gleichmäßige Verteilung ein. |
| Und ich muss sagen, zur Verteidigung meiner Freunde im Werkzeugraum: |
| Die bimodale Verteilung geschieht nur in einer Situation ... was letzten Monat passiert ist, |
| Wo die Werkzeuge, die wir verwenden wollten, in der Produktion beschäftigt waren, verwenden wir für Experimente einige alte Iterationen. Wir haben tatsächlich Iterationen gemischt. |
| In diesem Fall können wir eine bimodale Verteilung erhalten. |
| Diese gleichmäßige Verteilung passiert bei diesen Jungs nie. Sie schießen immer auf den Mittelpunkt und kommen normalerweise innerhalb von ein paar Mikrometern. Andere Verteilungen sind alle normal. |
| Verschiedene Breiten. In einem Fall waren wir ein bisschen voreingenommen. |
| Dies sind die Eingangsverteilungen. Hier ist unsere vorhergesagte Ausgabe. |
| Obwohl wir einige nicht normale Startverteilungen hatten, haben wir so ziemlich eine normale Ausgabeverteilung. |
| Es geht über unsere Ziele hinaus. |
| Das wussten wir irgendwie. |
| Wenn Sie hier beginnen, beträgt der Standardwert jetzt 5.000 Läufe. Normalerweise erhöhe ich es, erhöhe es auf ungefähr 100.000. Die Ausführung dauerte nicht länger und sorgt für etwas flüssigere Verteilungen. |
| Hier wird auch eine Tabelle erstellt, wir können die Tabelle erstellen. |
| Bewegen Sie dies hierher. Großer Vorteil davon |
| ist, dass wir bekommen können |
| (will diese CMT noch nicht) ... schauen wir uns die Verteilungen der Eingabefaktoren an. |
| Dies ist eine größere, schickere Handlung. Dies ist unsere bimodale Verteilung, gleichmäßig, diese verschiedenen Normalverteilungen, verschiedene Breiten, diese hat eine Art Tendenz dazu. |
| Also können wir all diese und nehmen |
| wir haben sie addiert. |
| Wir schauen uns das an |
| und wir haben eine Verteilung. |
| Es sieht ziemlich normal aus. Obwohl einige der Eingänge nicht normal waren. |
| Wir können hierfür konventionelle Techniken anwenden. Wenn wir also anfangen, die Spezifikationen festzulegen, |
| es geht über unsere Spezifikationsgrenzen hinaus. Wir müssen uns also verbessern und einige Verbesserungen vornehmen. Scrolle hier runter. Sehen Sie sich die Funktionsinformationen an. |
| PPk a .6. |
| Das ist ein Nichtstarter. Die Fertigung wird einen solchen Prozess auf keinen Fall akzeptieren. |
| Wir müssen also einige wesentliche Verbesserungen vornehmen. |
| Also geh zurück zum |
| PowerPoint-Datei. |
| Und ich scrolle durch die Folien, die mein Backup waren, falls ich ein Problem damit hatte |
| Live-Version von JMP. |
| Weil ich das Problem habe, nicht JMP. |
| Hier haben wir also die Faktoren. |
| Standardabweichungen stammen aus unseren Vorproduktionsversuchen, schätzen die Variabilität. Die Empfindlichkeiten, das sind die Ergebnisse unseres DOE. |
