扬声器 | 成绩单 |
| 凯文 | 你好，我叫凯文·加拉格尔。 |
| 今天我将讨论设计强大的产品。 |
| 我在总部位于宾夕法尼亚州匹兹堡的 PPG Industries 工作，我们的公司总部显示在幻灯片的右侧。 PPG 是开发各种应用油漆和涂料的全球领导者，此处展示了其中的一些应用。 |
| 我个人在匹兹堡北郊的涂料创新中心工作，我们在那里重点开发创新的新产品。 |
| 在过去 10 年里，该工厂的工作人员已经开发了 600 多项美国专利，并且我们获得了多项客户和行业奖项。 |
| 我想谈谈如何使用实验设计和 JMP 开发稳健的产品。 所以第一个问题是，强大的产品是什么意思？ |
| 这是一款能够提供一致结果的产品。 设计强大产品的策略是有目的地 |
| 为流程的输入设置控制因素（我们称之为 X），以使产品或流程对作用于流程的噪声因素不敏感。 所以噪声因子是 |
| 作为流程输入的因素可能会影响 Y，但我们通常对此几乎无法控制，特别是在产品或流程阶段的设计中。 |
| 想一想 |
| 坚固的设计。 最好从流程图开始，该流程图增加了与每个流程步骤的输入和输出相关的变量。 |
| 因此，如果我们考虑开发汽车应用涂层的示例，我们首先从设计涂层配方开始，然后进行制造。 |
| 然后它交给我们的客户，他们将我们的涂层涂在车辆上，然后您购买它并将其带回家并驾驶车辆。 |
| 因此，当我们考虑稳健性时，我们需要考虑三件事。 我们需要考虑对我们来说重要的输出。 在此示例中，我们正在考虑开发优质外观 |
| 用于机动车辆的涂层。 我们需要考虑一些噪声变量 |
| 由于噪声变量而产生的 Y。 |
| 在这种特殊情况下，我想重点关注客户设施中实际存在的变量。 并不是说他们无法控制厚度和喷漆室温度 |
| 涂抹器设置，但所有这些参数总是存在一些自然变化。 对于我们来说，我们希望能够专注于 |
| 我们在产品设计中可以控制的因素，使产品对客户流程中的这些变量不敏感，从而使他们能够始终如一地获得良好的外观。 |
| 因此，有一种方法可以真正围绕一些已知导致这种变异的因素进行设计实验。 |
| 在这个特殊的例子中，我们可以围绕喷漆室湿度、涂胶机设置和厚度进行因子设计。 |
| 当然，这是假设您可以在实验室中模拟这些噪声变量，在这种情况下，我们可以。 所以我们可以进行同样的实验 |
| 几种原型配方中的每一种；它可以只是两个作为比较，也可以是针对不同配方设计的整个实验设计。 |
| 一旦我们有 |
| 这方面的数据， |
| 可视化产品稳健性的最佳方法之一是创建箱线图。 所以我要打开 |
| 该数据集比较了在一定范围内测试的两种原型配方 |
| 应用条件，在这种情况下，测量外观，以便 |
| 外观值越高越好。 因此，理想情况下，我们想要高外观值，然后在所有不同的噪声条件下始终保持良好的性能。 所以为了 |
| 看看这个，我们可以，我们可以转到图形生成器。 |
| 我们可以将外观作为我们的 y 值；原型公式是 X 值。 如果我们打开箱线图然后将点加回来， |
| 您可以清楚地看到，一种产品的变化比另一种产品少得多，因此更加稳健，而且最重要的是，它具有更好的平均值。 |
| 现在箱线图很不错，因为箱线图捕获了中间 50% 的数据，并且须线显示了最大值和最小值，排除了异常值。 所以它提供了一个非常漂亮的视觉展示 |
| 产品的稳健性。 |
| 所以现在我们想谈谈如何使用实验设计来找到适合的设置 |
| 最适合开发稳健的产品。 如您所知，当您设计实验时，分析它的最佳方法是构建模型。 Y 是 x 的函数，如右上角所示。 |
| 一旦我们建立了模型，我们就可以探索 Y 和 X 之间的关系 |
| JMP 中的各种工具，例如右下角的等高线图以及……还有预测刻画器。 这些使我们能够探索所谓的响应面或响应如何随着 X 因子值的变化而变化。 |
| 找到坚固产品的关键是找到响应表面相对平坦的区域。 |
| 在该区域中，它将对这些输入变量的微小变化非常不敏感。 这里的例子是一个非常简单的例子，其中只有一个 y 和一个 x |
| 这里显示的关系有点像抛物线函数。 如果我们在这里将 X 设置为更高的值，其中函数会更平坦一些， |
| 我们在输入变量中存在某种常见的原因变化，与将 x 设置设置为较低的设置相比，该变化将转化为 y 中更小的变化量，如红色虚线所示。 |
| 以类似的方式，我们可以进行传递或多或少变化的交互。 在这个例子中，噪声变量和控制变量 x 之间存在交互作用。 |
| 在这种情况下，如果再次存在与该噪声变量相关的一些常见原因变化，如果我们将 X 因子设置为较低设置，则将向 y 变量传输较少的变化。 |
| 所以现在我想与您分享第二个案例研究，我们将演示如何构建模型，探索平坦区域的响应面，我们可以在其中进行设置以获得稳健的产品，最后评估稳健性使用一些预测能力分析。 |
| 在这个特定示例中，化学家专注于寻找导致产品黄度变化不可接受的变量，并且黄度是使用光谱光度计和度量 b* 进行测量的。 |
| 研究小组做了一系列实验来找出影响黄变的重要因素，他们发现影响最大的两个因素是反应温度 |
| 以及其中一种重要成分的添加比例。 因此，他们决定开发带有一些复制中心点的全因子设计，如右角所示。 |
| 现在，团队希望将黄色值 (b*) 设为 |
| 设置为目标值 2，但在 1 到 3 的规格范围内。 |
| 我要返回 JMP |
| 并打开第二个案例研究示例。 |
| 这是一个小实验，阶乘运行显示为蓝色，中心点显示为红色。 同样，此处也列出了感兴趣的指标 (B*)。 |
| 现在我们通常要做的第一件事就是拟合，将实验拟合到最适合该设计的模型。 |
| 在这种特殊情况下，我们发现黄度之间有一个非常好的 R 方 |
| 以及我们正在研究的因素，所有因素似乎都具有统计显着性。 |
| 因此，鉴于这种情况，我们可以开始使用 JMP 中的一些其他工具来探索响应面。 |
| 我们经常喜欢使用的工具之一是预测刻画器，因为使用此工具，我们可以探索不同的设置并寻找要获得黄色的设置 |
| 预测到我们想要的位置，值为 2。 |
| 但是，当谈到寻找稳健的设置时，轮廓刻画器是一个非常好的工具。 它正在因子分析中。 |
| 我将在 3 处放置一个轮廓，因为我们说规格限制是 1 到 3，在高端 (3)，沿着该轮廓的任何位置，预测值都将为 3 |
| 高于此值进入阴影区域的值将高于 3，超出了我们的规格范围。 这意味着任何白色的东西都应该在我们的规格限制之内。 |
| 因此，目前我们的设置方式是，任何温度低于 80 且速率在 1.5 到 4 之间的任何值都应该为我们提供符合平均规格的产品。 |
| 但是，如果当我们扩大产品规模时，过程中的温度是我们无法完全准确控制的，该怎么办？ 所以温度会有一定的变化。 那么我们如何开发产品并提出这些设定点，以便 |
| 该产品将是 |
| 对温度变化不敏感？ |
| 因此，为了做到这一点，或者考虑这一点，在此处的等高线图叠加中添加一些等高线网格线通常很有用。 |
| 我喜欢对增量中的低值进行四舍五入，以便轮廓达到很好的偶数 1.5。 2、2.5 和 3，从左到右。 所以沿着这个轮廓的任何地方都应该给我们 |
| 预测值为 2。 |
| 但我们希望在下面这些轮廓线靠近的地方，或者在上面这些轮廓线相对于温度而言距离较远的地方。 |
| 随着轮廓的距离越来越远，这表明我们正在接近平坦点 |
| 在响应面。 因此，为了在温度下保持最稳健，我们希望在该温度下接近顶部。 因此，接近 75 度的设置和大约 4 的速率可能是最理想的。 |
| 当我们链接这些分析器时，我们也可以在预测分析器中看到这一点，因为在这种设置中， |
| 我们预测 b* 为 2。 但请注意，b* 和温度之间的关系相对平坦，但如果我点击到这个较低的级别，现在即使 b* 仍然是 2，b* 和温度之间的关系非常陡峭。 |
| 因此，如果我们知道扩大产品规模时温度可能会发生多少变化，我们实际上可以使用我们从 DOE 构建的模型来模拟未来的工艺能力。 |
| 我们通过 JMP 做到这一点的方法就是开放 |
| 模拟器选项。 |
| 它允许我们以多种不同的方式将随机变化输入到模型中。 然后使用模型计算这些的输出 |
| 选定的输入条件。 我们可以在设计中添加随机噪声，例如可能由于测量变化等造成的共因变化。 |
| 我们还可以将随机变化放入任何因素中。 在这种情况下，我们讨论的是可能在控制生产中的温度时遇到困难，所以我们可能想要 |
| 使其成为随机变量。 |
| 它将平均值设置为我设置的位置。 所以我只是将它稍微拖到最底部。 所以平均值大约是 70。 |
| 然后 JMP 的默认标准差为 10。 您可以将其更改为对您正在学习的过程有意义的任何内容。 但现在，我将其保留为 10，您可以选择从您想要的任何分布中随机选择。 |
| 我将把它保留为正态分布。 |
| 我将保持利率不变。 所以也许在这种情况下，我们可以非常精确地控制速率，但温度却不能控制得那么精确。 因此，我们要确保选择速率和温度的设定点，以便 |
| 温度变化对黄度的影响很小。 |
| 因此，我们可以通过单击“模拟到表”、“制作表”按钮来评估此模拟的结果。 |
| 现在，我们拥有的是每一行，这里有 5,000 行已被模拟，每一行都是从分布中随机选择的温度，如下所示。 |
| 然后是我们对该产品的费率位置限制。 我们可以通过流程能力做到这一点。 |
| 由于我已经将规格限制作为列属性，因此它们会自动填写，但如果您没有填写它们，则可以在此处键入它们。 |
| 只需单击“确定”，现在它就会向我们展示该特定产品的能力分析。 它向我们显示了规格下限、规格上限、目标值和 |
| 覆盖我们模拟的响应分布。 |
| 在这种特殊情况下，结果看起来不太有希望，因为有很大一部分产品似乎超出了规格。 事实上，其中 30% 是在室外。 如果我们使用能力指数 Cpk，它将规格范围与中的范围进行比较 |
| 过程变化，我们看到 Cpk 不是很好，为 0.3。 |
