Lautsprecher | Transkript |
| Kevin | Hallo, mein Name ist Kevin Gallagher. |
| Ich werde heute über die Entwicklung robuster Produkte sprechen. |
| Ich arbeite für PPG Industries mit Hauptsitz in Pittsburgh, Pennsylvania. Unser Firmensitz ist auf der rechten Seite der Folie abgebildet. PPG ist weltweit führend in der Entwicklung von Farben und Beschichtungen für eine Vielzahl von Anwendungen, von denen einige hier gezeigt werden. |
| Und ich persönlich arbeite in unserem Coatings Innovation Center im nördlichen Vorort von Pittsburgh, wo wir einen starken Fokus auf die Entwicklung innovativer neuer Produkte legen. |
| In den letzten 10 Jahren haben die Mitarbeiter dieser Einrichtung über 600 US-Patente entwickelt und wir haben mehrere Kunden- und Branchenauszeichnungen erhalten. |
| Ich möchte darüber sprechen, wie man mithilfe von Versuchsplanung und JMP robuste Produkte entwickelt. Die erste Frage ist also: Was verstehen wir unter einem robusten Produkt? |
| Und das ist ein Produkt, das konsistente Ergebnisse liefert. Und die Strategie, ein robustes Produkt zu entwerfen, besteht darin, bewusst zu sein |
| Legen Sie Kontrollfaktoren für Eingaben in den Prozess fest, die wir X nennen, um das Produkt oder den Prozess gegenüber Rauschfaktoren zu unempfindlich zu machen, die auf den Prozess einwirken. Lärmfaktoren sind es also |
| Faktoren, bei denen es sich um Inputs für den Prozess handelt, die möglicherweise die Y-Werte beeinflussen können, auf die wir jedoch im Allgemeinen wenig Kontrolle haben, insbesondere bei der Gestaltung des Produkts oder der Prozessphase. |
| Nachdenken über |
| robustes Design. Es empfiehlt sich, mit einer Prozesslandkarte zu beginnen, die um Variablen ergänzt wird, die den Ein- und Ausgängen jedes Prozessschritts zugeordnet sind. |
| Wenn wir also an ein Beispiel für die Entwicklung einer Beschichtung für eine Automobilanwendung denken, beginnen wir zunächst mit der Entwicklung dieser Beschichtungsformulierung und stellen sie dann her. |
| Dann geht es zu unseren Kunden und sie bringen unsere Beschichtung auf das Fahrzeug auf, und dann kaufen Sie es, nehmen es mit nach Hause und fahren das Fahrzeug. |
| Wenn wir also über Robustheit nachdenken, müssen wir über drei Dinge nachdenken. Wir müssen über den Output nachdenken, der uns wichtig ist. In diesem Beispiel denken wir darüber nach, einen Premium-Auftritt zu entwickeln |
| Beschichtung für ein Kraftfahrzeug. Wir müssen über einige der Rauschvariablen nachdenken, für die |
| das Y aufgrund der Rauschvariablen. |
| Und in diesem speziellen Fall möchte ich mich auf Variablen konzentrieren, die tatsächlich in den Einrichtungen unserer Kunden vorhanden sind. Nicht, dass sie Dicke und Kabinentemperatur nicht kontrollieren können |
| Die Einstellungen eines Applikators sind unterschiedlich, aber bei all diesen Parametern gibt es immer eine gewisse natürliche Variation. Und wir wollen uns darauf konzentrieren können |
| Faktoren, die wir beim Design des Produkts steuern können, um das Produkt unempfindlich gegenüber diesen Variablen im Prozess unserer Kunden zu machen, damit diese stets ein gutes Erscheinungsbild erhalten. |
| Eine Möglichkeit also, ein gezieltes Experiment rund um einige der Faktoren durchzuführen, von denen bekannt ist, dass sie diese Variabilität verursachen. |
| In diesem speziellen Beispiel könnten wir ein faktorielles Design rund um die Kabinenfeuchtigkeit, die Applikatoreinstellung und die Dicke entwerfen. |
| Dies setzt natürlich voraus, dass Sie diese Rauschvariablen in Ihrem Labor simulieren können, und in diesem Fall können wir das. Wir können also dasselbe Experiment durchführen |
| zu jeder von mehreren Prototypformulierungen; Es könnten nur zwei Versuche als Vergleich sein, oder es könnte sich um eine ganze Versuchsanordnung handeln, bei der verschiedene Formulierungsentwürfe untersucht werden. |
| Sobald wir haben |
| die Daten dazu, |
| Eine der besten Möglichkeiten, die Robustheit eines Produkts zu visualisieren, ist die Erstellung eines Boxplots. Also werde ich mich öffnen |
| Der Datensatz vergleicht zwei Prototypformulierungen, die über einen Zeitraum von getestet wurden |
| Anwendungsbedingungen, und in diesem Fall wird das Erscheinungsbild so gemessen |
| Höhere Werte für das Aussehen sind besser. Im Idealfall möchten wir also ein hohes Erscheinungsbild und dann bei allen unterschiedlichen Geräuschbedingungen ein gleichbleibend gutes Ergebnis. So zu |
| Schauen Sie sich das an, wir könnten zum Graph Builder gehen. |
| Und wir können den Schein nehmen und ihn zu unserem Wert machen; Prototypformeln sind X-Werte. Und wenn wir den Boxplot einschalten und dann die Punkte wieder addieren, |
| Sie können deutlich erkennen, dass ein Produkt viel weniger Variationen aufweist als das andere, daher robuster ist und darüber hinaus einen besseren Durchschnitt aufweist. |
| Nun sind die Boxplots schön, weil die Boxplots die mittleren 50 % der Daten erfassen und die Whisker bis zu den Maximal- und Minimalwerten reichen, mit Ausnahme der Ausreißer. Es ergibt also eine sehr schöne visuelle Darstellung |
| die Robustheit eines Produkts. |
| Nun wollen wir darüber sprechen, wie wir die Versuchsplanung nutzen, um geeignete Einstellungen zu finden |
| am besten geeignet, um ein robustes Produkt zu entwickeln. Wenn Sie also ein Experiment entwerfen, können Sie es am besten analysieren, indem Sie ein Modell erstellen. Y ist eine Funktion von x, wie oben rechts gezeigt. |
| Und sobald wir dieses Modell erstellt haben, können wir die Beziehung zwischen den Ys und den Xs mit untersuchen |
| Verschiedene Tools in JMP, wie in der unteren rechten Ecke ein Konturdiagramm und so weiter und ... auch dort unten der Vorhersageprofiler. Dadurch können wir untersuchen, was als Reaktionsoberfläche bezeichnet wird oder wie sich die Reaktion als Funktion der sich ändernden Werte der X-Faktoren ändert. |
| Der Schlüssel zur Suche nach einem robusten Produkt besteht darin, Bereiche dieser Reaktionsfläche zu finden, in denen die Oberfläche relativ flach ist. |
| In diesem Bereich reagiert es sehr unempfindlich auf kleine Schwankungen dieser Eingabevariablen. Ein Beispiel hier ist ein sehr einfaches Beispiel, bei dem es nur ein y und ein x gibt |
| Und die Beziehung wird hier als eine Art Parabelfunktion dargestellt. Wenn wir das X hier auf einen höheren Wert setzen, wo die Funktion etwas flacher ist, |
| Und wenn wir eine Art Variation gemeinsamer Ursache in der Eingabevariablen haben, wird diese Variation in einen kleineren Variationsbetrag in y übersetzt, als wenn wir diese x-Einstellung auf eine niedrigere Einstellung hätten, wie durch die gepunkteten roten Linien dargestellt. |
| Auf ähnliche Weise können wir Interaktionen haben, die mehr oder weniger Variation übertragen. In diesem Beispiel haben wir eine Interaktion zwischen einer Rauschvariablen und einer Kontrollvariablen x. |
| Und wenn in diesem Szenario erneut eine Variation aufgrund gemeinsamer Ursache mit dieser Rauschvariablen verbunden ist und wir den X-Faktor auf einen niedrigen Wert eingestellt haben, wird dadurch eine geringere Variation auf die Y-Variable übertragen. |
| Deshalb möchte ich Ihnen nun eine zweite Fallstudie vorstellen, in der wir zeigen, wie man ein Modell erstellt, die Reaktionsoberfläche für flache Bereiche erkunden, in denen wir unsere Einstellungen vornehmen können, um ein robustes Produkt zu erhalten, und schließlich die Robustheit bewerten unter Verwendung einiger prädiktiver Fähigkeitsanalysen. |
| In diesem speziellen Beispiel konzentriert sich ein Chemiker darauf, die Variablen zu finden, die zu einer inakzeptablen Variation der Gelbfärbung des Produkts beitragen, und diese Gelbfärbung wird mit einem Spektralphotometer mit der Metrik b* gemessen. |
| Das Team führte eine Reihe von Experimenten durch, um die wichtigen Faktoren zu identifizieren, die die Vergilbung beeinflussen. Die beiden einflussreichsten Faktoren, die sie fanden, waren die Reaktionstemperatur |
| und die Zugabegeschwindigkeit eines der wichtigen Bestandteile. Deshalb beschlossen sie, einen vollfaktoriellen Entwurf mit einigen replizierten Mittelpunkten zu entwickeln, wie in der rechten Ecke gezeigt. |
| Nun möchte das Team den Gelbwert (b*) haben |
| auf einen Zielwert von 2 eingestellt, jedoch innerhalb einer Spezifikation von 1 bis 3. |
| Ich werde zu JMP zurückkehren |
| und öffnen Sie das zweite Fallstudienbeispiel. |
| Es handelt sich hier um ein kleines Experiment, bei dem die Fakultätsläufe in Blau und die Mittelpunkte in Rot dargestellt werden. Und auch hier ist die interessierende Metrik (B*) aufgeführt. |
| Das erste, was wir normalerweise tun würden, ist, das Experiment an das Modell anzupassen, das für diesen Entwurf am besten geeignet ist. |
| Und in diesem speziellen Fall finden wir ein sehr gutes R-Quadrat zwischen dem Gelbwert |
| und die Faktoren, die wir untersuchen, und alle Faktoren scheinen statistisch signifikant zu sein. |
| Wenn dies der Fall ist, können wir beginnen, die Antwortoberfläche mithilfe einiger anderer Tools in JMP zu erkunden. |
| Eines der Tools, die wir häufig verwenden, ist der Vorhersageprofiler, denn mit diesem Tool können wir verschiedene Einstellungen erkunden und nach Einstellungen suchen, bei denen wir die Gelbfärbung erhalten |
| vorhergesagt, dort zu sein, wo wir es haben wollen, ein Wert von 2. |
| Aber wenn es darum geht, robuste Einstellungen zu finden, ist der Konturprofiler ein wirklich gutes Werkzeug. Es steht unter Faktorprofilierung. |
| Und ich werde hier eine Kontur bei 3 setzen, weil wir gesagt haben, dass die Spezifikationsgrenzen bei 1 bis 3 liegen und am oberen Ende (3) überall entlang dieser Kontur hier der vorhergesagte Wert 3 sein wird |
| und über diesem Wert liegt der Wert im schattierten Bereich über 3, außerhalb unseres Spezifikationsbereichs. Das bedeutet, dass wir davon ausgehen, dass alles, was weiß ist, innerhalb unserer Spezifikationsgrenzen liegt. |
| So wie wir es derzeit eingerichtet haben, sollte alles, was eine Temperatur von weniger als 80 °C und eine Rate irgendwo zwischen 1,5 und 4 hat, uns ein Produkt liefern, das den Spezifikationen im Durchschnitt entspricht. |
| Aber was ist, wenn die Temperatur im Prozess, wenn wir dieses Produkt vergrößern, etwas ist, das wir nicht ganz genau kontrollieren können? Es wird also eine gewisse Temperaturschwankung geben. Wie können wir also das Produkt entwickeln und diese Vorgaben dafür festlegen? |
| Das Produkt wird sein |
| unempfindlich gegenüber Temperaturschwankungen? |
| Um dies zu tun oder darüber nachzudenken, ist es oft nützlich, der Konturdiagramm-Überlagerung hier einige Konturgitterlinien hinzuzufügen. |
| Und ich runde den niedrigen Wert gerne im Inkrement ab, damit die Konturen schöne gerade Zahlen von 1,5 ergeben. 2, 2,5 und 3, von links nach rechts. Also irgendwo entlang dieser Kontur sollte es uns geben |
| ein vorhergesagter Wert von 2. |
| Aber wir wollen hier unten sein, wo die Konturen nahe beieinander liegen, oder hier oben, wo sie in Bezug auf die Temperatur weiter voneinander entfernt sind. |
| Je weiter die Konturen auseinanderdriften, desto mehr deutet das darauf hin, dass wir uns einer flachen Stelle in der Erde nähern |
| in Antwortfläche. Um also bei den Temperaturen möglichst robust zu sein, wollen wir hier ganz oben sein. Eine Einstellung von etwa 75 Grad und eine Rate von etwa 4 dürften also am idealsten sein. |
| Und wir können dies auch im Vorhersageprofiler sehen, wenn wir diese Profiler verknüpft haben, denn in dieser Einstellung |
| Wir sagen voraus, dass b* 2 ist. Beachten Sie jedoch, dass die Beziehung zwischen b* und der Temperatur relativ flach ist. Wenn ich jedoch auf diese niedrigere Ebene klicke, ist die Beziehung zwischen b* und der Temperatur sehr steil, obwohl b* immer noch 2 beträgt. |
| Wenn wir also etwas darüber wissen, wie stark die Temperaturschwankungen wahrscheinlich sein werden, wenn wir dieses Produkt vergrößern, können wir tatsächlich ein Modell verwenden, das wir aus unserem DOE erstellt haben, um die Prozessfähigkeit für die Zukunft zu simulieren. |
| Und die Art und Weise, wie wir das mit JMP erreichen können, ist, uns zu öffnen |
| die Simulator-Option. |
| Und es ermöglicht uns, zufällige Variationen auf verschiedene Arten in das Modell einzugeben. Und dann verwenden Sie das Modell, um die Ausgabe für diese zu berechnen |
| ausgewählte Eingabebedingungen. Wir könnten dem Design zufälliges Rauschen hinzufügen, beispielsweise Abweichungen aufgrund gemeinsamer Ursachen, die auf Messabweichungen usw. zurückzuführen sein könnten. |
| Wir können jedem der Faktoren auch zufällige Variationen hinzufügen. In diesem Fall sprechen wir davon, dass wir vielleicht Schwierigkeiten haben, die Temperatur in der Produktion zu kontrollieren, also möchten wir das vielleicht tun |
| Machen Sie daraus eine Zufallsvariable. |
| Und es legt den Mittelwert dort fest, wo ich ihn eingestellt habe. Deshalb werde ich es einfach ein wenig nach unten ziehen, ganz nach unten. Es liegt also im Mittel bei 70. |
| Und dann hat JMP standardmäßig eine Standardabweichung von 10. Sie können dies so ändern, dass es für den Prozess, den Sie studieren, sinnvoll ist. Aber vorerst belasse ich es einfach bei 10 und Sie können eine beliebige Verteilung nach dem Zufallsprinzip auswählen. |
| Und ich werde es bei der Normalverteilung belassen. |
| Ich werde den Tarif fest belassen. Vielleicht können wir in diesem Szenario die Geschwindigkeit sehr genau steuern, die Temperatur jedoch nicht so sehr. Deshalb möchten wir sicherstellen, dass wir unsere Sollwerte für Rate und Temperatur so wählen, dass dies der Fall ist |
| So wenig Einfluss von Temperaturschwankungen auf den Gelbstich. |
| Daher können wir die Ergebnisse dieser Simulation auswerten, indem wir auf die Schaltfläche „In Tabelle simulieren, Tabelle erstellen“ klicken. |
| Was wir nun haben, ist jede Zeile, hier gibt es 5.000 Zeilen, die simuliert wurden, jede Zeile als zufällige Auswahl der Temperatur aus der hier gezeigten Verteilung. |
| Und dann die Preisstandortbeschränkungen, die wir für dieses Produkt haben. Und das gelingt uns mit der Prozessfähigkeit. |
| Und da ich die Spezifikationsgrenzen bereits als Spalteneigenschaft habe, werden sie automatisch ausgefüllt. Wenn Sie sie jedoch nicht ausgefüllt haben, können Sie sie hier eingeben. |
| Klicken Sie einfach auf „OK“ und schon wird die Fähigkeitsanalyse für dieses bestimmte Produkt angezeigt. Es zeigt uns die untere Spezifikationsgrenze, die obere Spezifikationsgrenze, den Zielwert usw |
| in überlagert dies mit der Verteilung der Antworten aus unserer Simulation. |
| In diesem speziellen Fall sehen die Ergebnisse nicht allzu vielversprechend aus, da ein großer Prozentsatz des Produkts außerhalb der Spezifikation zu liegen scheint. Tatsächlich sind 30 % davon draußen. Und wenn wir den Fähigkeitsindex Cpk verwenden, der den Spezifikationsbereich mit dem Bereich in vergleicht |
| Aufgrund der Prozessvariation sehen wir, dass der Cpk mit 0,3 nicht sehr gut ist. |
