Vocero | Transcripción |
| astrid ruck | Así que mi nombre es Astrid Ruck. Estoy trabajando para Autoliv |
| desde hace 15 años y Autoliv es un fabricante líder mundial de |
| componentes de seguridad automotriz como cinturones de seguridad, bolsas de aire y sistemas de seguridad activa. Así que hoy nos gustaría hablar sobre el análisis del sistema de medición para datos de curvas. |
| Y Laura, Chris y yo también escribimos un documento técnico y tiene el mismo tipo de título porque creemos que es un tema muy urgente. |
| porque |
| no hay nada más en nuestro propio conocimiento para MSA para datos de curvas disponibles para máquinas de prueba dinámicas. |
| Entonces, primero comenzaremos con una breve introducción para MSA y análisis de datos funcionales, y luego motivaremos nuestro objetivo de una guía de primavera que investiga |
| comportamiento de abrochado o comportamiento de comodidad abrochándose los cinturones de seguridad y luego Laura |
| explicar nuestra metodología del Gage R&R a través de JMP Pro. |
| Por lo general, el análisis del sistema de medición es un estudio astuto de Tipo 2. |
| Entonces, |
| MSA es un proceso. Aquí, en este diagrama de flujo, puede ver que comienza con el Tipo 1 y el estudio de linealidad y se realizan con piezas de referencia. Se necesitan piezas de referencia, porque necesitamos una forma de referencia para calcular el sesgo del sistema de medición. |
| Y si encaja, si el sesgo es lo suficientemente bueno, entonces verificamos si tenemos influencia del operador o no. |
| Si y solo si tenemos la influencia de un operador, entonces podemos calcular la reproducibilidad. De lo contrario, en todos los demás pasos, la repetibilidad es el único |
| variación que se puede calcular. Entonces, en esta área, estudio de Tipo 2 y Tipo 3, se utilizan piezas de producción. la AIAG, |
| Las pautas de la industria automotriz investigan una salida unidimensional por prueba, pero no describen cómo manejar las curvas de datos como salida y le daremos una idea de cómo |
| cómo hacerlo. Entonces, si uno tiene una buena precisión, la incertidumbre será baja. Y esto se puede ver en este gráfico. Y ves el |
| influencia de la creciente incertidumbre en la decisión de si las partes buenas o malas están cerca de la tolerancia. Así que aquí tenemos un límite de especificación inferior, a la derecha tenemos un límite de especificación superior. |
| Y así, cuanto mejor sea mi precisión, mejor será mi decisión. Y aquí tenemos un área gris muy grande y será muy difícil tomar una decisión correcta. |
| Obviamente, las partes en el medio de la tolerancia siempre se clasificarán de la manera correcta. |
| Y, en contraste con el control estadístico de procesos, las piezas en los límites de una especificación son muy valiosas. |
| Entonces, lo mejor que puede hacer por un MSA es tomar partes en el límite de especificación inferior, todo el límite de especificación superior, |
| más/menos 10% de la cifra de referencia, y en este caso la cifra de referencia es una tolerancia. Si solo tiene un límite de especificación específico, como un límite de especificación superior o inferior, |
| entonces puede usar su índice de capacidad de proceso, Ppk, para calcular la variación de proceso correspondiente, 6s, y esa es su nueva figura de referencia. |
| Y esta idea de cómo seleccionar sus partes para un MSA también se puede usar para curvas de salida y sus límites de especificaciones en lugar de límites de especificación. |
| Por lo tanto, los datos suelen presentarse como una función, una curva o un perfil referidos a datos funcionales. Análisis de datos funcionales disponible en JMP Pro en la plataforma del explorador de datos funcionales. |
| Usaremos splines P para modelar nuestra extracción de curvas falsas versus distantes y luego usaremos modelos mixtos para analizarlas. |
| Por lo tanto, los cinturones de seguridad contribuyen significativamente a prevenir muertes y, en consecuencia, deben garantizarse la funcionalidad y la comodidad de los cinturones de seguridad. |
| Y aquí, en el lado derecho, ven una imagen de las fuerzas de extracción del cinturón de seguridad, en azul, y las fuerzas de retracción a lo largo de la distancia, en rojo. |
| Y ambas fuerzas son factores importantes que afectan tanto la seguridad como la comodidad. |
| Y para probar estas fuerzas y la configuración de prueba de fuerza de extracción/retracción se utiliza y esto simula el comportamiento del cinturón de seguridad en un vehículo. |
| Así que echemos un vistazo más de cerca a esto. Así que aquí ven una configuración de prueba y aquí ven el cinturón de seguridad. Y aquí hay un pequeño carrito en movimiento que se mueve sobre un brazo de carrito y ahora ves que el cinturón de seguridad está |
| retraído Y ahora comenzó la extracción y aquí en el lado derecho se ve el cinturón de seguridad, que es fijo, de acuerdo a su posición en el coche. |
| Sí. |
| ¡Vaya! |
| Entonces, |
| Cuando miras estas pequeñas curvas y ves que dentro de mi curva de fuerza de extracción, |
| hay algunas ondulaciones y tienen una estructura semiperiódica. Y si ajustara esta estructura semiperiódica con |
| un polinomio, por ejemplo, entonces realmente sobreajustarás la repetibilidad. Esa es la razón por la que necesitamos |
| algunos modelos flexibles. ¿Y de dónde vienen estas pequeñas olas? Esto será más claro cuando miremos dentro de mi cinturón de seguridad. Y hay un huso y hay un resorte. Y como se comporta esto |
| se puede ver en este video. Aquí dentro está mi huso y aquí a la derecha está mi resorte. Y la tapa del resorte está abierta para que podamos mirar dentro. |
| la tapa, como se comporta el resorte. Y al principio, cuando la red total está girando, entonces mi resorte está totalmente relajado. Y ahora mi cincha se extrae y al mismo tiempo se enrolla el resorte. Así que ahora tenemos la retracción y mi resorte se vuelve a relajar. |
| Y estos pequeños movimientos dan como resultado esta estructura ondulada y esa es la razón por la que realmente necesitamos modelos flexibles basados en FDE. |
| Por lo que la creación de la guía de resorte es nuestro objetivo, quienes requieren un comportamiento de sujeción específico. |
| Entonces, el comportamiento de sujeción está dado por mis curvas de fuerza de extracción. Y aquí se ve en esta imagen, diferentes grupos de cinco diferentes |
| tipos de cinturones de seguridad y los espesores de resorte correspondientes. Si el grosor de mi resorte es pequeño, entonces puede ver que mi fuerza de extracción también es pequeña y si mi resorte |
| el grosor es grande que mi fuerza de extracción a lo largo de la distancia también será grande. Y luego ven que aquí tenemos diferentes colores y tenemos un color oscuro. Y el color oscuro resulta de mediciones de la vida real de tres operadores con cada... |
| cada operador hizo cinco repeticiones por cinturón de seguridad y se puede ver que realmente han hecho un gran trabajo. Y el color de la luz, ese es nuestro modelo de las p splines dadas por FDE. Entonces, como nuestro objetivo es una guía de primavera, nos gustaría saber para qué primavera obtendremos |
| el comportamiento de abrochado correspondiente del cinturón de seguridad, pero antes de comenzar con el proyecto, comience siempre con un MSA |
| Entonces, |
| De acuerdo con el procedimiento de Autoliv, usamos cinco cinturones de seguridad diferentes, tres operadores experimentados y cinco réplicas como han visto en la |
| gráfico anterior. Y nuestra observación y viene dada por los valores reales más algún ruido aleatorio, por lo que el ruido de los operadores, la parte, la interacción del operador y la parte y el correspondiente |
| repetibilidad Y luego mi Gage R&R se define por seis veces el |
| variación del proceso del error de medición, que viene dado por mi reproductibilidad y la repetibilidad. |
| Y ahora nos gustaría saber cuál es mi tolerancia mínima, de modo que mi Gage R&R sea aceptable, y aceptable significa que el porcentaje de Gage R&R es inferior al 20 %. Si mi Gage R&R es |
| 0,2 veces mi tolerancia mínima, entonces también obtendremos un límite para mis curvas que ha visto, y este límite de error de más/menos 3 s |
| nos ayudará mucho a encontrar el resorte correcto para un comportamiento de sujeción específico. Entonces |
| nuestra metodología será |
| ser mostrado por Laura Langcaster. Entonces, comenzaremos a estimar una curva de fuerza de extracción media y usaremos modelos flexibles por FDE. |
| Luego, se calcularán las fuerzas de extracción residuales y, después de eso, se estimarán los modelos de efectos aleatorios a través de los modelos de combinación de plataformas y, finalmente, se calculará el Gage R&R. Entonces, Laura, ¿quieres empezar? |
| laura | Sí, déjame compartir mi pantalla. Sí. |
| Excelente. |
| laura | Bueno. |
| Así que sí, gracias, Astrid. Así que quería demostrar cómo usamos JMP Pro 15 |
| para realizar este análisis de sistemas de medición con datos de curvas. Así que primero quiero mostrarles los datos que tenemos. Y se parece mucho a los datos regulares de MSA, excepto que en lugar de solo |
| medidas regulares, en realidad tenemos curvas. Entonces tenemos esta función de fuerza en términos de distancia. Así que lo primero que queremos hacer es |
| use el explorador de datos funcionales para crear las curvas de extracción de fuerza parcial. Así que voy a abrir datos funcionales |
| explorer, voy a ir al menú de análisis, luego a modelado especializado, explorador de datos funcionales. Entonces, la fuerza sería mi salida, la distancia es mi entrada y quiero ajustar uno para cada parte o tipo de cinturón de seguridad. Y esa va a ser mi identificación y hago clic en Aceptar. |
| Y obtengo un montón de información resumida, gráficos resumidos, y voy a ampliar este. Estas son mis curvas y pueden ver que tengo curvas muy distintas para cada parte, que son de diferentes colores. |
| Y también puedo ver ese comportamiento semiperiódico del que hablaba Astrid. ahora ya tengo |
| ajuste estos datos, así que sé que una spline p lineal de 300 nodos encaja muy bien. Así que seguiré adelante y ajustaré ese modelo en particular. Así que voy a modelos, controles de modelo, controles de modelo p spline y |
| elimine todos estos nodos. |
| Agregue 300 porque sé que esa es la estructura de nodos que funciona bien. Sólo voy a hacer un ajuste lineal. Hago clic en ir, y no toma mucho tiempo ajustar esta spline p lineal de 300 nodos a estos datos. |
| Y solo quería mencionar rápidamente que solo voy a mostrar un poco de la funcionalidad de esta plataforma FDE. Lo es, hace muchas más cosas de las que tengo tiempo para mostrarles, o que usamos para este análisis de sistemas de medición. |
| Pero, te recomiendo que le eches un vistazo. Agregamos mucho para JMP 15. |
| Por lo tanto, le recomiendo que consulte otras charlas al respecto también. Bien, entonces este es nuestro ajuste. Y una vez más, obtenemos un buen gráfico de nuestras curvas y el ajuste. |
| Y quiero comprobar y asegurarme de que esto encaja bien. Así que voy a ir a las gráficas de diagnóstico y voy a ver la gráfica real por la predicha, veo que se ve muy bien. Bonito lineal y los residuos son realmente pequeños. Así que estoy muy contento con este ajuste. |
| Ahora, cuando hicimos este ajuste, tuvimos que combinar el operador y el error de replicación. Entonces, estas curvas tienen esa variación promediada, pero necesitamos |
| esa variación para hacer realmente el estudio Gage R&R. Entonces, lo que vamos a hacer es crear una fuerza residual y una vez que lo hagamos al restar estas funciones de fuerza parcial de la función de fuerza original, |
| tendremos residual que contendrá el operador y su error de replicación. Así que voy a volver a la tabla de datos. |
| Y ya he creado scripts para hacerlo fácil. Así que creé un script para agregar mi fórmula de predicción a la tabla de datos. Y te lo mostraré muy rápido. Esto viene directamente del explorador de datos funcionales. Esta es mi fórmula para los ajustes p spline para cada parte. |
| Y luego también tengo un script para crear mi columna residual y así |
| la fórmula para eso es simplemente la diferencia entre la fuerza y esas funciones de extracción de fuerza parcial. |
| Bien. Y ahora que tengo este residuo |
| fórmula que contiene el operador y el error de replicación, puedo ajustar un modelo de efectos aleatorios y estimar mi operador... operador por parte y mi error de replicación. |
| Y para hacer eso, en realidad voy a usar la plataforma de modelos mixtos porque no vamos a ajustar la variación de partes, porque ya hemos |
| lo factorizó creando el residual y restando la función de fuerza parcial. |
| Así que ya he creado un script para iniciar la plataforma de modelos mixtos. Y pueden ver que tengo una fuerza de extracción residual como respuesta. |
| Y tengo operador y operador por partes como mis efectos aleatorios. Voy a ejecutar esto. |
| operador, operador por parte (que es cero), y el residual. |
| Y para calcular el Gage R&R, me resulta fácil usar una tabla de datos JMP como una hoja de cálculo. |
| Lo hace fácil. Solo puedo usar una fórmula de columna. Así que ingresé mis componentes de varianza en la tabla. |
| Y acabo de crear una fórmula para calcular el Gage R&R, que es solo 6 veces la raíz cuadrada de la variación total sin la parte. Y luego veo que mi Gage R&R es .4385 y puedo tomar eso y aplicarlo a mis pautas de primavera |
| en mis límites de especificación. Y también puedo volver a resolver para la tolerancia mínima. |
| Y ahora voy a devolverle esto a Astrid para que continúe hablando sobre cómo se aplicó. |
| astrid ruck | Sí, gracias, Laura. Es, es genial. Pero para la audiencia, por supuesto, esto no es el original de los datos. |
| Entonces, |
| Sí. |
| Ahora, como explicó Laura, ahora sabemos |
| el Gage R&R y también conocemos mi tolerancia mínima, de modo que mi sistema de medición es capaz. Así que aquí se ve la función de fuerza de extracción de piezas. |
| Y también ve el límite de error de más/menos 3 y ve que las partes están muy bien seleccionadas debido a que los límites no se superponen y, por lo tanto, |
| son significativamente diferentes. Y podemos usarlo para encontrar el derecho |
| primavera. Y aquí se ve en negro, la tolerancia mínima que es... |
| usamos la línea verde para centrarlo a su alrededor. |
| Así que ahora tenemos nuestro Gage R&R pero, por otro lado, podemos usar FDE |
| para cargar una curva dorada como una función objetivo. Así que ya les dije, sí, estamos interesados en una guía de resorte, pero ¿qué tipo de resorte usaremos? Entonces también podemos usar FDE para |
| carga esta función dorada y luego se calcula el espesor del resorte correspondiente para obtener un comportamiento específico. |
| Entonces FDE es una gran herramienta. Y lo usamos también para un estudio de Tipo 3 que es independiente de los operadores y se usa para la cámara. |
| Y mide la distancia entre la costura y el borde de corte de los cinturones de seguridad inflables y el proceso de corte y esa también fue una gran historia de éxito en el uso de FDE. |
| Entonces, para terminar, me gustaría decir que la mayoría de nuestros procesos y pruebas tienen curvas como salida. |
| Y hasta ahora ha sido imposible estandarizar un procedimiento MSA utilizando datos de curvas completas y, por lo tanto, tuvimos que limitarnos a |
| un máximo de la curva de fuerza de extracción, toda el área entre extracción y retracción y, por lo tanto, nos redujimos y perdimos mucho de mucho |
| considerable cantidad de información. Así que estoy muy contento de que podamos hacer MSA para datos de curvas. Y por lo que sabemos, |
| no hay otras publicaciones que analicen este tipo de generalización de MSA para datos de curvas con otro software comercial. Y al final, me gustaría mostrarles que el documento correspondiente también está disponible en Internet. Así que gracias por la atención. |
