Altoparlante | Trascrizione |
| Kevin | Ciao, mi chiamo Kevin Gallagher. |
| Oggi parlerò della progettazione di prodotti robusti. |
| Lavoro per PPG Industries, che ha sede a Pittsburgh, in Pennsylvania, e la nostra sede aziendale è mostrata sul lato destro della diapositiva. PPG è un leader globale nello sviluppo di vernici e rivestimenti per un'ampia varietà di applicazioni, alcune delle quali sono mostrate qui. |
| E lavoro personalmente nel nostro Coatings Innovation Center nel sobborgo settentrionale di Pittsburgh, dove ci concentriamo fortemente sullo sviluppo di nuovi prodotti innovativi. |
| Negli ultimi 10 anni i dipendenti di questa struttura hanno sviluppato oltre 600 brevetti negli Stati Uniti e abbiamo ricevuto numerosi riconoscimenti da parte di clienti e del settore. |
| Voglio parlare di come sviluppare prodotti robusti utilizzando la progettazione di esperimenti e JMP. Quindi la prima domanda è: cosa intendiamo per prodotto robusto? |
| E questo è un prodotto che offre risultati coerenti. E la strategia per progettare un prodotto robusto è volutamente |
| impostare fattori di controllo per gli input al processo, che chiamiamo X, per desensibilizzare il prodotto o il processo ai fattori di rumore che agiscono sul processo. Quindi i fattori di rumore sono |
| fattori che sono input al processo che possono potenzialmente influenzare gli Y, ma per i quali generalmente abbiamo scarso controllo, specialmente nella fase di progettazione del prodotto o del processo. |
| Pensa a |
| design robusto. È bene iniziare con una mappa del processo arricchita con variabili associate agli input e agli output di ogni fase del processo. |
| Quindi, se pensiamo a un esempio di sviluppo di un rivestimento per un'applicazione automobilistica, iniziamo prima con la progettazione della formulazione del rivestimento, quindi la produciamo. |
| Quindi va dai nostri clienti e applicano il nostro rivestimento al veicolo e poi lo acquisti, lo porti a casa e guidi il veicolo. |
| Quindi, quando pensiamo alla robustezza, dobbiamo pensare a tre cose. Dobbiamo pensare all'output che è importante per noi. In questo esempio, stiamo pensando di sviluppare un aspetto premium |
| rivestimento per un veicolo automobilistico. Dobbiamo pensare ad alcune delle variabili del rumore per le quali |
| la Y dovuta alla variabile rumore. |
| E in questo caso particolare, voglio concentrarmi sulle variabili che sono realmente nelle strutture dei nostri clienti. Non che non possano controllare lo spessore e la temperatura della cabina e |
| impostazioni di un applicatore, ma c'è sempre qualche variazione naturale intorno a tutti questi parametri. E per noi, vogliamo essere in grado di concentrarci su |
| fattori che possiamo controllare nella progettazione del prodotto per rendere il prodotto insensibile a tali variabili nel processo dei nostri clienti in modo che possano ottenere costantemente un buon aspetto. |
| Quindi un modo per eseguire davvero un esperimento progettato attorno ad alcuni dei fattori che sono noti per causare quella variabilità. |
| In questo particolare esempio, potremmo progettare un progetto fattoriale in base all'umidità della cabina, all'impostazione dell'applicatore e allo spessore. |
| Ciò presuppone, ovviamente, che tu possa simulare quelle variabili di rumore nel tuo laboratorio e, in questo caso, possiamo farlo. Quindi possiamo eseguire lo stesso esperimento |
| su ciascuna delle numerose formulazioni prototipo; potrebbero essere solo due come confronto o potrebbe essere un intero progetto di esperimenti che esamina diversi progetti di formulazione. |
| Una volta che abbiamo |
| i dati per questo, |
| uno dei modi migliori per visualizzare la robustezza di un prodotto è creare un box plot. Quindi ho intenzione di aprirmi |
| il set di dati confrontando due formulazioni prototipo testate su una gamma di |
| condizioni di applicazione, e in questo caso l'aspetto viene misurato in modo che |
| valori più alti di aspetto sono migliori. Quindi idealmente vogliamo, vorremmo valori di aspetto elevati e quindi costantemente buoni in tutte le diverse condizioni di rumore. Quindi a |
| guarda questo, potremmo, possiamo andare al Costruttore di grafici. |
| E possiamo prendere l'aspetto e renderlo il nostro valore y; le formule prototipo sono valori X. E se attiviamo il box plot e poi riaggiungiamo i punti, |
| puoi vedere chiaramente che un prodotto ha molte meno variazioni rispetto all'altro, quindi essere più robusto e per di più ha una media migliore. |
| Ora i grafici a scatola sono belli perché i grafici a scatola catturano il 50% medio dei dati e i baffi escono ai valori massimo e minimo, esclusi i valori anomali. Quindi fa una bella visualizzazione visiva di |
| la solidità di un prodotto. |
| Quindi ora vogliamo parlare di come usiamo la progettazione degli esperimenti per trovare le impostazioni che sono |
| migliore per lo sviluppo di un prodotto robusto. Quindi, come sai, quando progetti un esperimento, il modo migliore per analizzarlo è costruire un modello. Y è una funzione di x, come mostrato in alto a destra. |
| E poi, una volta costruito quel modello, possiamo esplorare la relazione tra le Y e le X con |
| vari strumenti in JMP, come nell'angolo in basso a destra, un grafico di contorno e oltre e... anche laggiù, profiler di previsione. Questi ci permettono di esplorare quella che viene chiamata la superficie di risposta o come la risposta varia in funzione dei valori variabili dei fattori X. |
| La chiave per trovare un prodotto robusto è trovare aree di quella superficie di risposta in cui la superficie è relativamente piatta. |
| In quella regione sarà molto insensibile a piccole variazioni in quelle variabili di input. Un esempio qui è un esempio molto semplice in cui c'è solo una y e una x |
| E la relazione è mostrata qui come una funzione parabolica. Se impostiamo la X a un valore più alto qui dove la, dove la funzione è un po' più piatta, |
| e se abbiamo una sorta di variazione di causa comune nella variabile di input, tale variazione verrà tradotta in una minore quantità di variazione nella y, rispetto a se avessimo quell'impostazione x a un'impostazione inferiore, come mostrato dalle linee rosse tratteggiate. |
| In modo simile, possiamo avere interazioni che trasmettono più o meno variazioni. In questo esempio abbiamo un'interazione tra una variabile noise e una variabile di controllo x. |
| E in questo scenario, se c'è di nuovo qualche variazione di causa comune associata a quella variabile di rumore, se abbiamo il fattore X impostato su un valore basso, ciò trasmetterà meno variazione alla variabile y. |
| Quindi ora voglio condividere con voi un secondo caso di studio in cui dimostreremo come costruire un modello, esplorare la superficie di risposta per le aree piatte in cui potremmo effettuare le nostre impostazioni per avere un prodotto robusto e infine valutare la robustezza utilizzando alcune analisi della capacità predittiva. |
| In questo particolare esempio, un chimico si concentra sulla ricerca delle variabili che contribuiscono a una variazione inaccettabile del colore giallo del prodotto e il colore giallo viene misurato con uno spettrofotometro con la metrica, b*. |
| Il team ha condotto una serie di esperimenti per identificare i fattori importanti che influenzano l'ingiallimento e i due fattori più influenti che hanno trovato sono stati la temperatura di reazione |
| e il tasso di aggiunta di uno degli ingredienti importanti. Così hanno deciso di sviluppare un disegno fattoriale completo con alcuni punti centrali replicati, come mostrato nell'angolo a destra. |
| Ora, la squadra vorrebbe che il valore di giallo (b*) fosse |
| impostato su un valore target di 2 ma all'interno di una specifica da 1 a 3. |
| Torno in JMP |
| e aprire il secondo esempio di case study. |
| È un piccolo esperimento qui, dove le corse fattoriali sono mostrate in blu ei punti centrali in rosso. E ancora, anche la metrica di interesse (B*) è elencata qui. |
| Ora la prima cosa che faremmo normalmente è adattare, adattare l'esperimento al modello migliore per quel progetto. |
| E in questo caso particolare, troviamo un ottimo quadrato R tra il giallo |
| e i fattori che stiamo studiando, e tutti i fattori sembrano essere statisticamente significativi. |
| Quindi, dato che è così, possiamo iniziare a esplorare la superficie di risposta utilizzando alcuni altri strumenti all'interno di JMP. |
| Uno degli strumenti che ci piace usare spesso è il profiler di previsione, perché con questo strumento possiamo esplorare diverse impostazioni e cercare di trovare le impostazioni in cui otterremo il giallo |
| previsto per essere dove vogliamo che sia, un valore di 2. |
| Ma quando si tratta di trovare impostazioni solide, un ottimo strumento da utilizzare è il contour profiler. È sotto il profilo dei fattori. |
| E inserirò un contorno proprio qui a 3, perché abbiamo detto che i limiti di specifica erano da 1 a 3 e all'estremità superiore (3), ovunque lungo questo contorno qui il valore previsto sarà 3 |
| e al di sopra di questo valore nell'area ombreggiata sarà superiore a 3, fuori dal nostro intervallo di specifiche. Ciò significa che qualsiasi cosa in bianco dovrebbe rientrare nei limiti delle nostre specifiche. |
| Quindi in questo momento il modo in cui l'abbiamo impostato, qualsiasi cosa che sia inferiore a una temperatura di 80 e una velocità compresa tra 1,5 e 4 dovrebbe darci un prodotto che soddisfa in media le specifiche. |
| Ma cosa succede se la temperatura nel processo che, quando ridimensioniamo questo prodotto, è qualcosa che non possiamo controllare in modo completamente accurato. Quindi ci sarà una certa variazione di temperatura. Quindi, come possiamo sviluppare il prodotto e trovare questi set point in modo che |
| il prodotto sarà |
| insensibile alle variazioni di temperatura? |
| Quindi, per farlo, o per pensarci, è spesso utile aggiungere alcune linee di griglia di contorno alla sovrapposizione del grafico di contorno qui. |
| E mi piace arrotondare il valore basso nell'incremento, in modo che i contorni siano a numeri pari pari 1,5. 2, 2.5 e 3, andando da sinistra a destra. Quindi ovunque lungo questo contorno qui dovrebbe darci |
| un valore previsto di 2. |
| Ma vogliamo essere quaggiù dove i contorni sono vicini o quassù dove sono più distanti rispetto alla temperatura. |
| Man mano che i contorni si allontanano, è un'indicazione che ci stiamo avvicinando a un punto piatto nel |
| nella superficie di risposta. Quindi, per essere più robusti alla temperatura, è qui che vogliamo essere vicino al top qui. Quindi un'impostazione di circa 75 gradi e una velocità di circa 4 potrebbe essere l'ideale. |
| E possiamo vederlo anche nel profiler di previsione quando abbiamo questi profiler collegati, perché in questa impostazione, |
| prevediamo che b* sia 2. Ma nota che la relazione tra b* e la temperatura è relativamente piatta, ma se clicco su questo livello inferiore, ora anche se b* è ancora 2, la relazione tra b* e la temperatura è molto ripida. |
| Quindi, se sappiamo qualcosa su quanta variazione è probabile che si verifichi nella temperatura quando ridimensioniamo questo prodotto, possiamo effettivamente utilizzare un modello che abbiamo costruito dal nostro DOE per simulare la capacità di processo nel futuro. |
| E il modo in cui possiamo farlo con JMP è aprirci |
| l'opzione simulatore. |
| E ci consente di inserire variazioni casuali nel modello in diversi modi. E poi usa il modello per calcolare l'output per quelli |
| condizioni di ingresso selezionate. Potremmo aggiungere rumore casuale, come la variazione di causa comune che potrebbe essere dovuta a variazioni di misurazione e simili, nel progetto. |
| Possiamo anche inserire variazioni casuali in uno qualsiasi dei fattori. In questo caso stiamo parlando di avere forse problemi a controllare la temperatura in produzione, quindi potremmo volerlo |
| rendila una variabile casuale. |
| E imposta la media dove l'ho impostata. Quindi lo trascinerò un po' giù fino in fondo. Quindi si tratta di una media di 70. |
| E poi JMP ha un valore predefinito di una deviazione standard di 10. Puoi cambiarlo in qualsiasi cosa abbia senso per il processo che stai studiando. Ma per ora, lo lascerò solo a 10 e potrai scegliere di selezionare casualmente da qualsiasi distribuzione desideri. |
| E lo lascerò alla distribuzione normale. |
| Lascerò la tariffa fissa. Quindi forse in questo scenario possiamo controllare la velocità in modo molto accurato, ma la temperatura non così tanto. Quindi vogliamo assicurarci di selezionare i nostri set point per velocità e temperatura in modo che ci siano |
| come un piccolo impatto della variazione di temperatura sul giallo. |
| Quindi possiamo valutare i risultati di questa simulazione facendo clic sul pulsante simula in tabella, crea tabella. |
| Ora, quello che abbiamo è ogni riga, qui ci sono 5.000 righe che sono state simulate, ogni riga come una selezione casuale di temperatura dalla distribuzione, mostrata qui. |
| E poi i limiti di posizione della tariffa che abbiamo per questo prodotto. E possiamo farlo con la capacità di processo. |
| E poiché ho già i limiti di specifica come proprietà della colonna, vengono compilati automaticamente, ma se non li hai compilati, puoi digitarli qui. |
| E fai semplicemente clic su OK, e ora ci mostra l'analisi delle capacità per questo particolare prodotto. Ci mostra il limite inferiore delle specifiche, il limite superiore delle specifiche, il valore target e |
| in sovrapposizioni che sulla distribuzione delle risposte dalla nostra simulazione. |
| In questo caso particolare, i risultati non sembrano molto promettenti perché c'è un'ampia percentuale del prodotto che sembra essere al di fuori delle specifiche. Infatti il 30% è all'esterno. E se usiamo l'indice di capacità Cpk, che confronta l'intervallo delle specifiche con l'intervallo in |
| variazione di processo, vediamo che il Cpk non è molto buono a 0,3. |
