스피커 | 성적 증명서 |
| 로널드 앤드류스 | 글쎄요, 경우에 따라 좋은 아침이나 오후입니다. 제 이름은 Ron Andrews이고 오늘의 주제는 분산 예산입니다. |
| 오, 나는 |
| 내 화면을 공유하세요. |
| 그리고 파일이 있습니다. |
| 그리고 우리는 |
| 파워 포인트. |
| 따라서 분산 예산이 주제입니다. |
| 저는 Bausch와 Lomb의 프로세스 엔지니어입니다. 여기에 연락처 정보가 있습니다. |
| 나의 감독에는이 면책 조항이 필요합니다. 그들은 내가 오늘 말한 것에 대해 반드시 공로를 인정 받기를 원하지 않습니다. |
| 우리가 이야기 할 내용의 개요 |
| 차이 예산이란 무엇입니까? |
| 약간의 역사. |
| 언제 필요합니까? |
| 몇 가지 예가 있습니다. |
| 프로세스의 요소, 원인 및 결과 다이어그램을 살펴보고, 예지력을 수집하고, 몇 가지 DOE를 수행하여 공백을 메우고, |
| 필요에 따라 몬테카를로 시뮬레이션. |
| 그리고 우리는 테스트 케이스가 작동합니다. |
| 그렇다면 분산 예산이란 무엇입니까? 기계 엔지니어는 공차 누적에 대해 이야기하는 것을 좋아합니다. |
| 공차 누적은 기본적으로 결과적으로 머피의 법칙입니다. 모든 공차는 가장 해를 끼칠 수있는 방향으로 단위를 추가 할 것입니다. |
| 분산 예산은 매개 변수 자체의 예산을 책정하는 대신 분산 (시그마 제곱)의 예산을 책정한다는 점을 제외하면 공차 누적과 유사합니다. |
| 우리는 균일 한 분포보다는 다소 정규적인 형태 분포에 의존하고 있습니다. |
| 편차는 가산 적이므로 표준 편차와 같은 예산을 책정하는 것보다 예산 책정 프로세스가 훨씬 쉬워집니다. |
| 여기에 간단한 예가 있습니다. |
| 테스트 및 정렬 또는 테스트 및 조정 전략을 사용하면 분포가 이러한 균일 분포와 더 비슷해 보일 것입니다. |
| 따라서 너비가 1 인 분포와 너비가 2 인 분포와 너비가 3 인 분포가있는 경우 모두 합산하면 너비가 6에 가까운 분포가됩니다. |
| 이 경우 분산보다 공차를 더 많이 할당해야 할 것입니다. |
| ... 공정 제어에 의존하면 분포가 더 정상적입니다. |
| 이 경우 표준 편차가 1, 표준 편차가 2, 표준 편차가 3 인 정규 분포를 가지고 있다면이를 더하면 표준 편차 3.7이되고 6보다 훨씬 작습니다. |
| 그래서 우리는 1 제곱 더하기 2 제곱 더하기 3 제곱은 기본적으로 3.7 제곱과 같습니다. |
| 이제 공정하게 말하면, 이전 슬라이드에서 이러한 분산을 더하면이 분산에 더해 졌을 것입니다. |
| 그러나 정규 분포가 아닌 다른 것이 있으면 꼬리 근처의 모양에주의를 기울여야합니다. 사양을 설정할 수있는 위치에 따라 다릅니다. |
| 그래서, |
| 차이 예산이란 무엇입니까? |
| 비정규 분포는 특별한주의가 필요하며 나중에 다룰 것입니다. 현재 분산 예산은 재정 예산과 비슷합니다. 그들은 마찬가지로 임의적 일 수 있습니다. |
| 세 가지 기본 규칙 만 있습니다. |
| 우리는 모든 것을 공통 통화로 번역합니다. 이제 관심있는 각 제품 측정에 대해이 작업을 수행하지만 모든 관련 프로세스 변수를 관심 제품 측정에 대한 기여도로 변환합니다. |
| 두 번째 규칙은 매우 간단합니다. 허용 된 차이의 100 % 이상 예산을 책정하지 마십시오. 네, 간단합니다. 이 규칙이 여러 회사에서 두 번 이상 위반되는 것을 보았습니다. |
| 세 번째. 이것은 엔지니어링뿐만 아니라 일반적인 삶에도 적용되며 항상 최선의 판단을 사용합니다. |
| 작은 |
| 약간의 역사. 이것은 로켓 과학이 아닙니다. 다른 사람들도 비슷한 일을해야합니다. 나는 문헌을 검색했지만 이와 유사한 과정에 대한 출판 된 기록을 찾을 수 없었다. 거기에 있다고 확신하지만 아직 게시 된 계정을 찾지 못했습니다. |
| 그래서 저에게 역사는 1980 년대에 제가 Kodak에서 경영에 도전하면서 일했을 때 돌아 왔습니다. |
| 고객이 느끼는 변화가없는 영화를 제작하는 것이 도전이었습니다. |
| 실제로 그들이 원래 말한 것은 변이가없는 필름을 생산합니다. |
| 인지 할 수있는 변화가 없습니다. |
| 그들은 식스 시그마 시프트가 눈에 띄는 차이보다 적을 것이라고 정의합니다. |
| Kodak은 지각적인면에서 꽤 훌륭했고이 모든 눈에 띄는 차이가 정의되었고 우리는 그것들이 무엇인지 정확히 알고있었습니다. |
| Kodachrome과 같은 슬라이드 필름의 경우 제가 작업 중이었던 것입니다. |
| 그것이 제가 그 당시에 작업하고 있던 것이었고, 색상 균형이 가장 큰 도전이었습니다. |
| 여기에서이 유선형 원인 및 결과 다이어그램, 색상 균형은 녹색 속도, 파란색 속도 및 빨간색 속도의 함수입니다. |
| 이제 저는이 다리들 중 하나를 다듬 었습니다. 빨간색 속도, 저는 시안 흡수제 염료를 얻었고 그 속도에 기여하는 요소로 에멀젼 중 하나를 얻었습니다. 빨간색 속도에 영향을 미치고 색상 균형에 영향을 미칩니다. |
| 이것은 매우 단순화 된 버전입니다. 실제로 빨간색 레코드에는 세 가지 다른 유제가 있고 녹색 레코드에는 세 가지가 더 있습니다. 블루 레코드에는 두 가지가 더 있습니다. 모든 것을 합치면 색상 균형에 기여하는 75 가지 요소가 있습니다. |
| 이들은 단지 잠재적 인 기여자가 아닙니다. 이들은 실제로 시연 된 기여자입니다. 따라서 이것은 상당히 어려운 작업입니다. |
| 따라서 분산 예산이 필요할 때로 넘어갑니다. |
| 여기 뺨 결정 트리에서 약간의 혀를 얻으십시오. 집에 엉망이 있습니까? 그렇지 않다면 인생은 좋다. 그렇다면, |
| 우리 아이는 몇 명입니까? 그렇다면 우리는 아마도 책임이 어디에 있는지 알고있을 것입니다. 그 이상이라면 아마도 예산이 필요할 것입니다. |
| 이것은 우리가 수년 전에 Bausch와 Lomb의 콘택트 렌즈 프로젝트에서 수행 한 작업의 예입니다. |
| 이것은 시장에 출시되기 훨씬 전입니다. 직경 사양을 충족하는 데 문제가있었습니다. |
| +/- 2 / 10mm |
| 우리는 그것을 만나는 데 어려움을 겪고있었습니다. |
| 우리는 많은 변동성의 원인을 살펴보고 각각의 특성을 파악했습니다. |
| 너무 많이. 그리고 이것은 동일한 입력 재료와 동일한 설정 점, 상당히 큰 변동성을 가지고 있습니다. |
| 렌즈 대 렌즈가 많고 변동성이 적습니다. |
| 모노머 성분 1 번, 우리는 때때로 많이 변경합니다. |
| 극도의 가변성. 2 번 모노머 성분도 상당히 큰 변동성을 가졌다. |
| 이제 우리는 단량체를 함께 혼합하고 꽤 우수한 정밀도로 꽤 좋은 공정을 얻었습니다. 완벽하지 않으며 그로부터 변동성을 추정 할 수 있습니다. |
| 아주 작은 기여자입니다. |
| 모노머를 몰드에 넣고 큐어 램프 아래에 넣어 ??? 그것 |
| 램프의 강도가 차이를 만들 수 있습니다. 여기에서 변동성의 원인도 추정 할 수 있습니다. |
| 우리는이 모든 분포를 더합니다. |
| 이것이 우리의 전체 분포입니다. |
| 그것은 양쪽 끝의 사양 한계를 넘어서는 것입니다. |
| .082의 표준 편차 |
| 그리고 앞서 언급했듯이 플러스와 마이너스 .2의 스펙 요소는 .81의 PPk를 제공합니다. 별로 좋지 않습니다. |
| 1.5 %로 추정되는 사양 외 비율 |
| 정말 그렇게 좋았다면 무난할 수도 있었지만 그렇지 않았습니다. |
| 이 추정치는 각 렌즈가 독립적 인 이벤트라고 가정합니다. 그들은 아니다. 우리는 렌즈를 많이 만듭니다. |
| 그리고 ... 모든 로트에는 특정 시작 조건에서 특정 원료 세트가 있습니다. |
| 그 안에는 많은 상관 관계가 있습니다. |
| 과 |
| 제가 언급 한 두 가지 성분, 상당한 기여를 한 두 가지 단량체 성분, |
| 여기를 보면 가끔 노란색 선과 분홍색 선이 보입니다. 이것은이 두 가지 단량체 성분에 의해 도입 된 가변성입니다. |
| 둘 다 중심선의 같은쪽에있을 때 직경을 사양 한계까지 밀어 내고 가능성을 추가하는 다른 변동성 소스가 있습니다. |
| 또 다른 문제는 |
| .2 제한은 개별 렌즈에 대한 것입니다. 우리는 이것을했습니다. 우리는 제비를 기반으로 처분합니다. 그래서이 플롯은 많은 평균을 예측합니다.하지만 우리가 .175로 많은 평균을 얻었을 때 우리는 많은 실패한 한계를 넘어서 충분한 렌즈를 가질 가능성이 있습니다. |
| 그래서 전체적으로 |
| 우리의 추정치는 로트의 4 %가 폐기 될 것입니다. |
| 그리고 그들은 다발로 올 것입니다. 시스템을 통해 부지의 절반을 얻을 수없는 몇 주가있을 것입니다. |
| 그래서 이것은 시작이 아닙니다. 우리는 몇 가지 중요한 개선을해야합니다. |
| 두 모노머 성분의 로트 간 변동성은 그 변동성의 좋은 덩어리에 기여했습니다. |
| 우리는 모노머 1의 전체 순도가 중요한 요소였으며 모노머 2의 특정 불순물이 기여한 것으로 나타났습니다. |
| 우리의 화학자들은 이러한 성분의 합성 경로를 조사한 결과 대부분의 불순물에 기여하는 단일 출발 물질이 있음을 발견했습니다. |
| 그들은 우리 공급 업체들이 불순물을 제거하기 위해이 시작 성분을 증류 할 것을 권장했습니다. |
| 그것은 몇 가지 중요한 개선을 이루었습니다. |
| 또한 강도를 제어하기 위해 경화 램프에 변수를 넣었습니다. |
| 램프 강도는 큰 요소는 아니지만 이것은 쉬웠습니다. 그리고 그것이 쉬울 때, 당신은 개선합니다. |
| 엄밀히 말해서 이것은 분산 예산이 아니라 분산 평가였습니다. 실제로 각 구성 요소에 대해 숫자 목표를 할당 한 적이 없습니다. |
| 이게 돌아 왔어요 ... 우리는 좀 더 낮은 과일을 따고 있습니다. 내 말은, 우리는 변동성의 많은 부분을 차지하는 두 가지 요인을 발견했습니다. |
| 더 높은 지점에 도달하려면 좀 더 나은 구조가 필요할 수 있습니다. 이제 더 높은 지점에 도달해야합니다. |
| 렌즈 치수, 렌즈 지름에 대한 현재 상태. |
| PPk는 2.1입니다. 이 제품은 현재 시장에 나와 있으며 몇 년 동안 사용되었습니다. 이것은 더 이상 문제가 아닙니다. |
| 우리는 이러한 momoer 구성 요소를 대폭 개선했습니다. 아직 작업 중입니다. 그들은 여전히 감지 가능한 가변성을 가지고 있습니다. 감지 가능하지만 오랫동안 문제가되지 않았습니다. |
| 그래서 기본적인 질문은, 우리는 무엇을 |
| 분산 예산에 데이터를 적용하려면? |
| 그 임의성을 조금 줄이십시오. |
| 개선이 필요한 제품 척도를 선택하는 것부터 시작해야합니다. |
| 잠재적 인 기여자, 원인 및 결과 다이어그램, 편리한 도구를 식별해야합니다. |
| 우리는 몇 가지 예지가 필요합니다. 우리는 감도를 알아야합니다. |
| 제품 측정을 프로세스 측정으로 나눈 값입니다. 그 선의 기울기는 얼마입니까? |
| 우리는 공백을 메우기 위해 몇 가지 DOE가 필요할 것입니다. |
| 이러한 요소 중 일부를 개선하기위한 난이도를 추정해야합니다. |
| 과 |
| 각 구성 요소의 분산을 추정 한 다음 기여자 간의 총 분산 목표 인 분산을 나눕니다. |
| 충분히 쉬운 것 같습니다. |
| 예를 들어 보겠습니다. |
| 우리가 새로운 프로젝트를 진행하고 있다고 가정 해 봅시다. 그리고 그 과정에서 전반적인 이미지 선명도를 측정하기위한 CMT (계단 변조 전송의 약자)라는 신제품 측정이 있습니다. 콘택트 렌즈에 중요한 종류입니다. |
| 목표는 100, 플러스 또는 마이너스 10입니다. |
| 1.33 이상의 PPK를 원합니다. |
| 즉, 표준 편차가 2.5 이하가되어야합니다. |
| 분산은 6.25 이하 여야합니다. |
| 어떤 요인이 관련 될 수 있습니까? |
| 원인과 결과 다이어그램에 대해 생각해 봅시다. |
| JMP로 이동하여 테이블을 만들 수 있습니다. CMT 목록으로 시작합니다. |
| 부모 열에서. 그런 다음 하위 열에 각 제조 단계를 나열합니다. |
| 그런 다음 이러한 자식 요소를 부모쪽에 나열하기 시작하고 하위 요소를 나열하기 시작합니다. 이러한 하위 요인은 분명히 일반적이고 임의적이며 모든 것은 가설입니다. |
| 그리고 우리는 원하는만큼 많은 레벨을 갈 수 있습니다. 다이어그램에 원하는만큼 분기를 가질 수 있지만 |
| 여기서 14 개의 잠재적 인 요소를 확인했습니다. |
| 따라서 적절한 대화 상자로 이동하여 상위 열과 하위 열을 식별합니다. 확인 버튼을 클릭하면 원인 및 결과 다이어그램이 나타납니다. |
| 여기에 간략히. 저는 지금까지 30 년 동안 JMP를 사용해 왔습니다. 저는 후회가 거의 없습니다. 이것은 그들 중 하나입니다. 그리고 제 후회는 작년에 이것을 발견했습니다. |
| 실제로이 도구가 언제 구현되었는지 모르겠습니다. 이것이 원인 및 결과 다이어그램을 생성하는 가장 쉬운 방법이기 때문에 더 일찍 발견했으면합니다. |
| 따라서 민감도 데이터를 수집해야합니다. |
| 물리학은 때때로 우리에게 답을 줄 것입니다. |
| 광학 분야에서 굴절률과 곡률 반경을 안다면 렌즈의 광학 파워에 대한 정보를 얻을 수 있습니다. |
| 때때로 물리학, 종종 실험 데이터가 필요합니다. |
| 그래서, |
| 주제 전문가에게 문의하십시오. 누군가 우리에게 아이디어를 줄 몇 가지 실험을했을 수도 있습니다. |
| 14 가지 요인을 모두 다루지 않았기 때문에 잘 설계된 실험이 필요합니다. |
| 제 생각에는 목록에서 몇 가지 노치가 역사적 데이터입니다. |
| 과거 데이터를 사용하여 모델을 생성했다면 제가 걱정하는 몇 가지 우려 사항이 있습니다. 우리는 이것에 대해 매우 조심해야합니다. 역사적 데이터, |
| 일반적으로 지저분합니다. 그것은 가지고있다 |
| 잘못 식별 된 숫자가 많고 때로는 잘못된 열에있는 항목이 많으므로 많은 청소가 필요합니다. 요인들 간에도 많은 상관 관계가 있습니다. |
| 표준 관행은 데이터 포인트의 25 %를 무작위로 예약하고, 확인을 위해 해당 데이터를 예약하고, 데이터의 75 %로 모델을 생성 한 다음 25 % 예약 데이터로 테스트하는 것입니다. |
| 작동한다면 사용할 가치가있는 것이있을 수 있습니다. 그렇지 않다면 만지지 마십시오. |
| 따라서 예지력을 모아 주제별 전문가에게 독립적으로 보유한 민감도 데이터를 제공하도록 요청하고 싶습니다. |
| 작년에 Cy Wegman과 Wayne Levin의 Discovery Summit에서 한 프레젠테이션의 한 페이지를 가져 왔습니다. |
| 이것은 방 규칙 증후군에서 가장 큰 목소리를 피하기 위해 예지력을 모으는 제안입니다. |
| 때로는 전달해야 할 중요한 정보가있을 수있는 조용한 엔지니어가 뒤에 앉아 있습니다. |
| 말하거나 말하지 않을 수도 있습니다. 그래서 우리는 그 정보를 얻고 싶습니다. 모든 사람에게 독립적으로 시작하도록 요청하십시오. |
| 그런 다음 사람들을 모아서 불일치를 논의하십시오. 약간있을 것입니다. |
| 간격은 어디입니까? 민감도 또는 분포 정보가 여전히 필요한 매개 변수는 무엇입니까? |
| 할인 할 수있는 매개 변수는 무엇입니까? |
| 이걸 찾고 싶어요. |
| 조건부 매개 변수는 무엇입니까? |
| 자주 발생하지는 않지만 콘택트 렌즈 공정에서 모든 살균주기에 생물학적 지표를 포함합니다. |
| 이러한 지표는 의도적으로 편향되어 있으므로 거짓 양성이 거짓 음성보다 훨씬 더 높습니다. 이 테스트에서 실패하면 |
| 다시 살균합니다. 우리는 우리의 살균 루틴이 아마도 옳았음을 알고 있지만 다시 살균합니다. 그래서 때때로 우리는 두 번 살균합니다. 그것은 우리의 차원에 작은 영향을 미칠 수 있습니다. 작지만 측정 가능합니다. |
| 그래서 우리는 우리가 모르는 것에 대한 민감도를 수집하기 위해 몇 가지 실험을 계획해야 할 것입니다. |
| 그리고 우리는 생산 분배 데이터를 볼 것입니다. 민감도를 생성하기 위해주의해서 사용하십시오. 이를 사용하여 각 구성 요소의 변동성과 관심 제품 측정의 전체 변동성에 대한 정보를 생성 할 수 있습니다. |
| 우리는 그 과정에서 몇 가지 기록을해야합니다. 원인 및 결과 다이어그램을 생성하는 데 사용한 테이블로 시작하여 열을 몇 개 더 추가 할 수 있습니다. |
| 민감도, 측정 단위, 다양한 열을 입력합니다. 모든 종류의 테이블이 가능합니다. 기록을 유지하고 최신 상태로 유지하십시오. |
| 공백을 메우기 위해 DOE가 필요할 것입니다. |
| 확정 스크리닝 설계, 그룹 직교 초 포화 설계와 같은 몇 가지 새로운 기술이 있습니다. |
| 상황이 맞을 때 돈에 대한 좋은 기회를 제공합니다. |
| 이 특별한 상황에서 우리는 14 개의 요소를 얻었습니다. |
| 우리는 주제 전문가에게 물었습니다. |
| 그들 중 일부는 방향 정보를 예측하기에 충분한 경험을 가지고 있지만 아무도 실제 경사에 대한 좋은 추정치를 가지고 있지 않습니다. 따라서 우리는 14 가지 요인을 평가해야합니다. 33 회 실행이 필요하지 않은 DSD를 실행하고 싶습니다. 예산이 없습니다. |
| 그래서 우리는 맞춤 DOE에 의지 할 것입니다. |
| 그래서, |
| 사용자 지정 DOE 기능으로 이동 한 다음 지금까지 PowerPoint를 충분히 사용했습니다. JMP에서 몇 가지 사항을 시연했습니다. |
| 그것은 DOE 맞춤형 디자인으로 갈 것입니다. |
| 과 |
| 그럴 필요는 없지만 응답 정보를 입력하는 것은 매우 좋은 습관입니다. |
| (올바르게 입력 할 수 있다면). |
| 일치 대상 |
| 90에서 110까지. |
| 1의 중요성은 둘 이상의 응답이있는 경우에만 차이를 만듭니다. 요인. |
| 내 파일이 있으므로 여기에서 빠르게로드 할 수 있습니다. 여기에 14 개가 모두 있습니다. |
| 요인의. |
| 이 요인 제약, |
| 나는 그것을 사용한 적이 없습니다. 하지만 몇 가지 요인 조합이 위험하다면 거기에 있다는 것을 알고 있습니다. 나는 우리가 그것을 허용하지 않을 수 있다는 것을 압니다. |
| 모델 사양. 이것은 아마도 가장 중요한 부분 일 것입니다. |
| 이것은 기본적으로 스크리닝 작업입니다. 우리는 단지 주 효과를 볼 것입니다. |
| 이제 우리의 주제 전문가들은 상호 작용이 가능성이 없다고 제안했습니다. |
| 과 |
| 비선형 성은 가능하지만 강하지는 않습니다. |
| 그래서 우리는 적어도 스크리닝 실험을 위해 지금은 그것들을 무시할 것입니다. |
| 우리는 이것을 차단할 필요가 없습니다. |
| 추가 중심점이 필요하지 않습니다. |
| 14 개의 주 효과에 대해 JMP는 최소 15 개, 즉 기본적으로 20 개라고 말합니다. |
| 기본값을 실행할 수있는 예산이 있다면 시작하기에 좋은 곳이라는 것을 알게되었습니다. 나는 20 번을 할 수있다. 33은 너무 많았습니다. 20 명을 관리 할 수 있습니다. |
| 이 디자인을 만들어 봅시다. |
| 나는 이것을 디자인 단위로 남겨 두었다. 가상의 예가 있습니다. 이 임의의 단위를 다른 임의의 단위로 교체하고 싶지 않았습니다. |
| 설계된 평가 도구의 전체 제품군을 확보했습니다. |
| 내가 보통 보는 커플. 전력 분석. |
| 평균 제곱근 오차 추정치 1이 야구장 어딘가에있는 경우 이러한 전력 추정치는 야구장 어딘가에있을 것입니다. .9 이상, 꽤 좋습니다. 나는 그것을 좋아한다. |
| 내가 일반적으로 보는 다른 것은 상관 관계에 대한 색상 맵입니다. |
| 저는 실제로 컬러 맵을 만들고 싶습니다. |
| 그리고 그것은 다소 복잡합니다. 우리는 14 개의 주요 효과를 얻었고 솔직히 양방향 상호 작용을 모두 계산하지 않았습니다. 우리가 찾고있는 것은 같은 줄에 빨간색 블록이 있어야하는 혼란스러운 효과입니다. |
| 글쎄요. 좋습니다. 상관 관계가없는 진한 파란색이 있습니다. 약간의 상관 관계가있는 밝은 파란색이 있습니다. 그리고 우리는 밝은 분홍색이 있습니다. |
| .6 상관 계수 일 수 있습니다. |
| 이것은 참을 수 있습니다. 우리가 완전한 혼란을 가지고 있지 않는 한, 우리는 아마도 무엇이 효과를 일으키는 지 추정 할 수있을 것입니다. |
| 이제 이것은 좋습니다. 계속해서 테이블을 만드세요. |
| 이것이 우리의 디자인입니다. |
| 결과를 채울 공간이 있습니다. |
| Julia Child 요리 학교의 페이지를 가져갈 것입니다. |
| 준비를 한 다음 오븐에 넣은 다음 이미 실험을 실행 한 오븐에서 미리 준비한 파일을 꺼냅니다. 이것이 결과입니다. |
| CMT 값은 90에서 110 사이입니다. |
| 80 년대에 여기에 몇 명 있습니다. 110.5가 있고 111이 있습니다. |
| 할 일이 좀있는 것 같습니다. |
| 하자 |
| 데이터를 분석하십시오. |
| 모든 것이 우리를 위해 이루어졌습니다. 응답이 있습니다. 여기에 모든 요소가 있습니다. 심사 보고서를 원합니다. 실행을 클릭하십시오. |
| r 제곱 .999. |
| 네, 이것이 가짜 데이터라고 말할 수 있습니다. 노이즈 팩터를 이보다 약간 높게 설정해야 할 것 같습니다. |
| 처음 6 개 요소는 매우 중요합니다. 다음 8 개는 그다지 많지 않습니다. |
| 나는 그것을 생성 할 때 게으르다. |
| 처음 6 개를 위해 거기에 뭔가를 넣었습니다. |
| 이제 일반적으로 우리는 중요하지 않은 요소를 제거합니다. |
| 따라서 한 번에 모두 제거 할 수 있습니다. |
| 나는 한 번에 하나씩하는 경향이 있습니다. |
| 매번 최하위 요인을 제거하고 다른 숫자에 어떤 영향을 미치는지 확인하십시오. 때로는 변하고 때로는 그렇지 않습니다. |
| 이것을 제거하면 Cure1이 .0478 와이어 아래에 들어간 것처럼 보입니다. |
| .05 미만입니다. 큰 문제는 아닌지 의심 스럽지만 그대로 두겠습니다. |
| 그래서 우리는 잔차를 봅니다. 그것은 일종의 무작위입니다. 스튜던트 화 잔차, 또한 일종의 무작위입니다. |
| 모수 추정치를 살펴볼 필요가 있습니다. |
| 이것이 우리가 지불 한 것입니다. |
| 이것들은 |
| 회귀 계수는 우리가 찾던 기울기입니다. 이것들은 감도입니다. |
| 그것이 우리가 실험을 한 이유입니다. 저는 시각적 인 사람이므로 항상 예측 프로파일 러를 봅니다. |
| 그리고 제가 여기서 좋아하는 것 중 하나는 ... 글쎄요, 저는 항상 ... 슬로프의 플롯을보고 ... |
| 꽤 작은 신뢰 구간을 봅니다. 여기에서 파란색 음영 간격이 거의 보이지 않습니다. 또한 입력에 대한 정보가있을 때 시뮬레이터를 사용하여 각각에 대한 가변성을 입력 할 수 있습니다. |
| 이제 다시 Julia Child 접근 방식을 사용하고 |
| 내가 이미 입력 한 예전에 준비한 예제 |
| 이들 각각의 변형. Mold Tool 1에서 바이 모달 분포를 생성하는 표현식을 입력했습니다. |
| 그리고 Mold Tool 2의 경우 균일 분포를 입력합니다. |
| 공구 실에있는 친구들을 보호하기 위해 |
| 바이 모달 배포는 상황에서만 발생합니다. 지난달에 일어난 일, |
| 우리가 사용하고자하는 도구가 생산 현장에서 바쁘기 때문에 실험을 위해 오래된 반복을 사용합니다. 우리는 실제로 반복을 혼합했습니다. |
| 그럴 때 우리는 바이 모달 분포를 얻을 수 있습니다. |
| 이 균일 한 분포는이 사람들에게는 결코 일어나지 않습니다. 그들은 항상 중심점을 향해 촬영하며 일반적으로 몇 미크론 이내입니다. 다른 분포는 모두 정상입니다. |
| 다양한 너비. 어떤 경우에는 약간의 편견이있었습니다. |
| 이것이 입력 분포입니다. 다음은 예측 된 결과입니다. |
| 비정규 시작 분포가 있었지만 거의 정규 출력 분포가 있습니다. |
| 그것은 우리의 목표 이상으로 확장됩니다. |
| 우리는 그것을 알고있었습니다. |
| 이제 여기에서 시작할 때 기본값은 5,000 회 실행입니다. 나는 보통 그것을 증가시키고, 이것을 100,000 정도로 증가시킵니다. 실행하는 데 추가 시간이 걸리지 않았으며 조금 더 부드러운 배포를 제공합니다. |
| 그것은 또한 여기에 테이블을 생성합니다. 우리는 테이블을 만들 수 있습니다. |
| 여기로 옮겨주세요. 이것의 큰 장점 |
| 우리가 얻을 수 있다는 것입니다 |
| (아직이 CMT를 원하지 않음) ... 입력 요인의 분포를 살펴 보겠습니다. |
| 이것은 더 멋진 플롯입니다. 이것은 우리의 바이 모달 분포이고, 균일하고, 이러한 다양한 정규 분포, 다양한 너비입니다. 이것은 일종의 편향을 가지고 있습니다. |
| 그래서 우리는 그 모든 것을 가지고 |
| 우리는 그것들을 더했습니다. |
| 우리는 이것을 본다 |
| 분포가 있습니다. |
| 꽤 정상적인 것 같습니다. 일부 입력은 정상이 아니었지만. |
| 우리는 이것에 전통적인 기술을 사용할 수 있습니다. 따라서 사양 설정을 시작하면 |
| 사양 제한을 넘어서 확장됩니다. 그래서 우리는 개선해야 할 것입니다. 여기로 스크롤하십시오. 기능 정보를보십시오. |
| PPk a .6. |
| 그것은 비스타 터입니다. 제조업에서는 이와 같은 프로세스를 받아 들일 수 없습니다. |
| 그래서 우리는 몇 가지 중요한 개선이 필요합니다. |
| 그러니 다시 |
| PowerPoint 파일. |
| 그리고 문제가 발생할 경우를 대비하여 백업이었던 슬라이드를 스크롤합니다. |
| JMP의 라이브 버전. |
| JMP가 아닌 나 때문에 문제가 있습니다. |
| 여기에 요인이 있습니다. |
| 표준 편차는 사전 생산 시험에서 비롯되며 변동성을 추정합니다. 민감도는 DOE의 결과입니다. |
