Conférencier | Transcription |
| Kévin | Bonjour, je m'appelle Kevin Gallagher. |
| Je parlerai aujourd'hui de la conception de produits robustes. |
| Je travaille pour PPG Industries, dont le siège est à Pittsburgh, en Pennsylvanie, et notre siège social est indiqué sur le côté droit de la diapositive. PPG est un leader mondial dans le développement de peintures et de revêtements pour une grande variété d'applications, dont certaines sont présentées ici. |
| Et je travaille personnellement dans notre Coatings Innovation Center dans la banlieue nord de Pittsburgh, où nous nous concentrons fortement sur le développement de nouveaux produits innovants. |
| Au cours des 10 dernières années, les gens de cette installation ont développé plus de 600 brevets américains et nous avons reçu plusieurs récompenses de clients et de l'industrie. |
| Je veux parler de la façon de développer des produits robustes en utilisant la conception d'expériences et JMP. La première question est donc, qu'entendons-nous par un produit robuste ? |
| Et c'est un produit qui donne des résultats constants. Et la stratégie de conception d'un produit robuste consiste à |
| définir des facteurs de contrôle pour les entrées du processus, que nous appelons X, pour désensibiliser le produit ou le processus aux facteurs de bruit qui agissent sur le processus. Les facteurs de bruit sont donc |
| des facteurs qui sont des intrants du processus et qui peuvent potentiellement influencer les Y, mais sur lesquels nous avons généralement peu de contrôle, en particulier dans la conception du produit ou de la phase de processus. |
| Penser à |
| conception robuste. Il est bon de commencer avec une carte de processus complétée par des variables associées aux entrées et aux sorties de chaque étape du processus. |
| Donc, si nous pensons à un exemple de développement d'un revêtement pour une application automobile, nous commençons par concevoir cette formulation de revêtement, puis nous la fabriquons. |
| Ensuite, il va à nos clients et ils appliquent notre revêtement sur le véhicule, puis vous l'achetez et le ramenez à la maison et conduisez le véhicule. |
| Ainsi, lorsque nous pensons à la robustesse, nous devons penser à trois choses. Nous devons penser à la sortie qui est importante pour nous. Dans cet exemple, nous envisageons de développer une apparence premium |
| revêtement pour véhicule automobile. Nous devons réfléchir à certaines des variables de bruit pour lesquelles |
| le Y dû à la variable de bruit. |
| Et dans ce cas particulier, je veux me concentrer sur les variables qui se trouvent réellement dans les installations de nos clients. Non pas qu'ils ne puissent pas contrôler l'épaisseur et la température de la cabine et |
| paramètres d'un applicateur, mais il y a toujours une variation naturelle autour de tous ces paramètres. Et pour nous, nous voulons pouvoir nous concentrer sur |
| facteurs que nous pouvons contrôler dans la conception du produit pour rendre le produit insensible à ces variables dans le processus de nos clients afin qu'ils puissent toujours obtenir une belle apparence. |
| Donc, une façon de vraiment mener une expérience conçue autour de certains des facteurs connus pour causer cette variabilité. |
| Dans cet exemple particulier, nous pourrions concevoir une conception factorielle autour de l'humidité de la cabine, du réglage de l'applicateur et de l'épaisseur. |
| Cela suppose, bien sûr, que vous puissiez simuler ces variables de bruit dans votre laboratoire, et dans ce cas, nous le pouvons. Nous pouvons donc exécuter cette même expérience |
| sur chacune de plusieurs formulations prototypes ; il pourrait s'agir de deux à titre de comparaison ou de toute une conception d'expériences portant sur différentes conceptions de formulation. |
| Une fois que nous avons |
| les données pour cela, |
| l'une des meilleures façons de visualiser la robustesse d'un produit est de créer une boîte à moustaches. Alors je vais ouvrir |
| l'ensemble de données comparant deux formulations prototypes testées sur une gamme de |
| conditions d'application, et dans ce cas l'aspect est mesuré pour que |
| des valeurs d'apparence plus élevées sont meilleures. Donc, idéalement, nous voulons, nous aimerions des valeurs d'apparence élevées, puis toujours bonnes dans toutes les différentes conditions de bruit. De manière à |
| regardez ça, on pourrait, on peut aller au Graph Builder. |
| Et nous pouvons prendre l'apparence et en faire notre valeur y; les formules prototypes sont des valeurs X. Et si nous activons la boîte à moustaches, puis ajoutons les points, |
| vous pouvez clairement voir qu'un produit a beaucoup moins de variation que l'autre, donc soyez plus robuste et en plus, il a une meilleure moyenne. |
| Maintenant, les diagrammes en boîte sont agréables car les diagrammes en boîte capturent les 50% du milieu des données et les moustaches sortent aux valeurs maximales et minimales, à l'exclusion des valeurs aberrantes. Cela fait donc un très bel affichage visuel de |
| la robustesse d'un produit. |
| Alors maintenant, nous voulons parler de la façon dont nous utilisons la conception d'expériences pour trouver des paramètres qui sont |
| idéal pour développer un produit robuste. Donc, comme vous le savez, lorsque vous concevez une expérience, la meilleure façon de l'analyser est de construire un modèle. Y est une fonction de x, comme indiqué en haut à droite. |
| Et puis une fois que nous avons construit ce modèle, nous pouvons explorer la relation entre les Y et les X avec |
| divers outils dans JMP, comme dans le coin inférieur droit, un tracé de contour et sur et... également en bas, un profileur de prédiction. Ceux-ci nous permettent d'explorer ce qu'on appelle la surface de réponse ou comment la réponse varie en fonction des valeurs changeantes des facteurs X. |
| La clé pour trouver un produit robuste est de trouver des zones de cette surface de réponse où la surface est relativement plate. |
| Dans cette région, il sera très insensible aux petites variations de ces variables d'entrée. Un exemple ici est un exemple très simple où il n'y a qu'un y et un x |
| Et la relation est montrée ici comme une sorte de fonction parabolique. Si nous fixons le X à une valeur plus élevée ici où le, où la fonction est un peu plus plate, |
| et nous avons une sorte de variation de cause commune dans la variable d'entrée, cette variation sera traduite en une plus petite quantité de variation dans le y, que si nous avions ce réglage x à un réglage inférieur, comme indiqué par les lignes rouges pointillées. |
| De la même manière, nous pouvons avoir des interactions qui transmettent plus ou moins de variation. Cet exemple nous avons une interaction entre une variable de bruit et et une variable de contrôle x. |
| Et dans ce scénario, s'il y a encore une variation de cause commune associée à cette variable de bruit, si nous avons le facteur X réglé sur le réglage bas, cela transmettra moins de variation à la variable y. |
| Alors maintenant, je veux partager avec vous une deuxième étude de cas où nous allons démontrer comment construire un modèle, explorer la surface de réponse pour les zones planes où nous pourrions faire nos réglages pour avoir un produit robuste, et enfin évaluer la robustesse à l'aide d'une analyse de capacité prédictive. |
| Dans cet exemple particulier, un chimiste se concentre sur la recherche des variables qui contribuent à une variation inacceptable du jaunissement du produit et ce jaunissement est mesuré avec un photomètre à spectre avec la métrique, b*. |
| L'équipe a fait une série d'expériences pour identifier les facteurs importants influençant le jaunissement, et les deux facteurs les plus influents qu'ils ont trouvés étaient la température de réaction |
| et le taux d'addition d'un des ingrédients importants. Ils ont donc décidé de développer une conception factorielle complète avec des points centraux répliqués, comme indiqué dans le coin droit. |
| Maintenant, l'équipe aimerait que la valeur de jaunissement (b*) soit |
| réglé sur une valeur cible de 2 mais dans une spécification de 1 à 3. |
| je vais retourner dans JMP |
| et ouvrez le deuxième exemple d'étude de cas. |
| C'est une petite expérience ici, où les essais factoriels sont affichés en bleu et les points centraux en rouge. Et encore une fois, la métrique d'intérêt (B *) est également répertoriée ici. |
| Maintenant, la première chose que nous ferions normalement est d'adapter, d'adapter l'expérience au modèle qui convient le mieux à cette conception. |
| Et dans ce cas particulier, on retrouve un très bon R carré entre le jaunissement |
| et les facteurs que nous étudions, et tous les facteurs semblent être statistiquement significatifs. |
| Étant donné que c'est le cas, nous pouvons commencer à explorer la surface de réponse à l'aide d'autres outils de JMP. |
| L'un des outils que nous aimons souvent utiliser est le profileur de prédiction, car avec cet outil, nous pouvons explorer différents paramètres et rechercher des paramètres où nous allons obtenir le jaunissement |
| prédit être là où nous voulons qu'il soit, une valeur de 2. |
| Mais lorsqu'il s'agit de trouver des paramètres robustes, un très bon outil à utiliser est le profileur de contour. C'est sous le profilage factoriel. |
| Et je vais mettre un contour ici à 3, parce que nous avons dit que les limites de spécification étaient de 1 à 3 et à l'extrémité supérieure (3), n'importe où le long de ce contour ici la valeur prédite sera 3 |
| et au-dessus de cette valeur dans la zone ombrée sera supérieure à 3, hors de notre plage de spécifications. Cela signifie que tout ce qui est dans le blanc devrait être dans nos limites de spécification. |
| Donc, à l'heure actuelle, de la façon dont nous l'avons configuré, tout ce qui est inférieur à une température à 80 et un taux entre 1,5 et 4 devrait nous donner un produit qui répond en moyenne aux spécifications. |
| Mais que se passe-t-il si la température dans le processus qui, lorsque nous mettons à l'échelle ce produit, est quelque chose que nous ne pouvons pas contrôler avec précision. Il y aura donc des variations de température. Alors, comment pouvons-nous développer le produit et trouver ces points de consigne pour que |
| le produit sera |
| insensible aux variations de température ? |
| Donc, pour ce faire, ou pour y penser, il est souvent utile d'ajouter ici quelques lignes de grille de contour à la superposition de tracé de contour. |
| Et j'aime arrondir la valeur basse dans l'incrément, de sorte que les contours soient à de beaux nombres pairs 1,5. 2, 2.5 et 3, de gauche à droite. Donc, n'importe où le long de ce contour ici devrait nous donner |
| une valeur prédite de 2. |
| Mais nous voulons être ici en bas où les contours sont rapprochés ou ici en haut où ils sont plus éloignés en ce qui concerne la température. |
| Au fur et à mesure que les contours s'éloignent, cela indique que nous approchons d'un point plat dans le |
| en surface de réponse. Donc, pour être le plus robuste à la température, c'est là que nous voulons être près du sommet ici. Ainsi, un réglage de près de 75 degrés et un taux d'environ 4 pourraient être les plus idéaux. |
| Et nous pouvons également le voir dans le profileur de prédiction lorsque ces profileurs sont liés, car dans ce cadre, |
| nous prévoyons que le b* sera 2. Mais remarquez que la relation entre b* et la température est relativement plate, mais si je clique sur ce niveau inférieur, même si le b* est toujours de 2, la relation entre b* et la température est très raide. |
| Donc, si nous savons quelque chose sur la variation de température susceptible de se produire lorsque nous mettons à l'échelle ce produit, nous pouvons en fait utiliser un modèle que nous avons construit à partir de notre DOE pour simuler la capacité du processus dans le futur. |
| Et la façon dont nous pouvons le faire avec JMP est d'ouvrir |
| l'option simulateur. |
| Et cela nous permet d'introduire une variation aléatoire dans le modèle de différentes manières. Et puis utilisez le modèle pour calculer la sortie pour ceux |
| conditions d'entrée sélectionnées. Nous pourrions ajouter du bruit aléatoire, comme une variation de cause commune qui pourrait être due à une variation de mesure et autres, dans la conception. |
| Nous pouvons également mettre une variation aléatoire dans l'un des facteurs. Dans ce cas, nous parlons peut-être d'avoir des difficultés à contrôler la température en production, nous pourrions donc vouloir |
| en faire une variable aléatoire. |
| Et il définit la moyenne à l'endroit où je l'ai défini. Je vais donc le faire glisser un peu vers le bas. Il s'agit donc d'une moyenne de 70. |
| Et puis JMP a un défaut d'un écart type de 10. Vous pouvez changer cela en tout ce qui a du sens pour le processus que vous étudiez. Mais pour l'instant, je vais juste laisser cela à 10 et vous pouvez choisir de sélectionner au hasard parmi n'importe quelle distribution que vous voulez. |
| Et je vais le laisser à la distribution normale. |
| Je vais laisser le taux fixe. Alors peut-être que dans ce scénario, nous pouvons contrôler le taux très précisément, mais la température, pas autant. Nous voulons donc nous assurer que nous sélectionnons nos points de consigne pour le taux et la température afin qu'il y ait |
| car peu d'impact de la variation de température sur le jaunissement. |
| Nous pouvons donc évaluer les résultats de cette simulation en cliquant sur le bouton simuler dans le tableau, créer un tableau. |
| Maintenant, ce que nous avons, c'est chaque ligne, il y a 5 000 lignes ici qui ont été simulées, chaque ligne étant une sélection aléatoire de température à partir de la distribution, illustrée ici. |
| Et puis les limites de localisation tarifaire que nous avons pour ce produit. Et nous pouvons le faire avec la capacité de traitement. |
| Et puisque j'ai déjà les limites de spécification en tant que propriété de colonne, elles sont automatiquement remplies, mais si vous ne les avez pas remplies, vous pouvez les saisir ici. |
| Et cliquez simplement sur OK, et maintenant il nous montre l'analyse de capacité pour ce produit particulier. Il nous montre la limite de spécification inférieure, la limite de spécification supérieure, la valeur cible et |
| en superpositions qui sur la distribution des réponses de notre simulation. |
| Dans ce cas particulier, les résultats ne semblent pas trop prometteurs car il y a un grand pourcentage du produit qui semble être en dehors des spécifications. En fait 30% de celui-ci est à l'extérieur. Et si nous utilisons l'indice de capacité Cpk, qui compare la plage de spécification à la plage dans |
| variation du procédé, on voit que le Cpk n'est pas très bon à .3. |
