スピーカー | 成績証明書 |
| デイブ | こんにちは、皆さん。 今日はここにお集まりいただきありがとうございます。1997 年以来当社のシックス シグマ ブラック ベルト プログラムの一部となっているトピックを共有したいと思います。 |
| 1997。つまり、これは人々が本当に楽しんでいるツールの 1 つだと思いますし、あなたも楽しんで、どのようにインターフェースするかという点で有益であると感じていただけると思います。 |
| JMP で利用可能なツールの一部。 |
| 最初の 1 ～ 2 スライドはスポンサーからのメッセージです。 私はペンシルベニア州ピッツバーグ郊外の PPG Industries のモンロービル ビジネス & テクニカル センターにいます。 |
| 私はそこで 30 年以上、断続的にデータ サイエンティストとして働いており、技術管理に出入りしました。 そして今、私が本当に楽しんでいること、特にデータと JMP を扱うことに戻ります。 |
| PPG は古くから存在しており、1883 年に設立されました。 昨年、当社はフォーチュン 500 で 180 位にランクされました。 |
| そして私たちは主に塗料を製造していましたが、PPG はピッツバーグ プレート ガラスの略だと思われていますが、1968 年頃の時点ではそうではありませんでした。 つまり、それは...現在はPPGであり、主にコーティング会社です。 |
| パフォーマンスコーティングと工業用コーティング。 |
| 車、飛行機、もちろん家も。 ご自宅で使用するために PPG ペイントまたは PPG のブランドを購入したことがあるかもしれません。 |
| パッケージの内側にも使われているので、 |
| ビール缶の内側にコーティングがないと、ビールはすぐに臭くなってしまいます。 私の専門分野は特殊コーティングと材料です。 |
| 私の部門では、サムスンの携帯電話に搭載されているユニバーサル ディスプレイ社向けの OLED 蛍光体と、それに使用されるフォトクロミック染料を製造しています。 |
| 外に出ると暗くなるトランジションレンズ。 |
| 今日私が皆さんにお話しするのは、サンプリング ツリーと呼ばれるこのツールについてです。 それが何であるかというと、それは実際には単なる単純なグラフィック描写です |
| 収集する予定のデータ、またはすでに収集している可能性のあるデータ。 |
| そのため、Gage R&R の一般的な測定システムの評価、コンポーネント、およびさまざまな研究 (または CoV と呼ばれることもあります) のような変動研究では、 |
| サンプリング ツリーは、さまざまなことについて戦略的に考えるための優れたツールです。 では、たとえば、この研究にはどのような変動要因を含めることができるのでしょうか、あるいは含めるべきなのでしょうか? |
| 各要因または変動源内にレベルをいくつ含めることができますか? そして、それぞれの組み合わせの要因と設定に対して何回の測定を行う必要があるでしょうか? それで、あなたはある種のことに近づいています |
| サンプルサイズに関する質問はこちらから。 したがって、データを収集する前にこれらの質問を戦略的に検討することは、研究の限界、そこから何が学べるかを定義するのにも役立ちます。 |
| そして、実行するための全体的な取り組みがどのようなものになるのか。 そこで、これをシックス シグマ プログラムで教える分類ツールに組み込みました。 |
| これは、前向きに考えるのに役立つため、私たちが批判的思考ツールと呼んでいます。 これは、収集する可能性のあるデータについて前向きに考えるために紙またはホワイトボードに取り組むことができる、一種のホワイトボード演習です。 |
| また、要因計画の構造を理解するのにも非常に役立ちます。 |
| 特にランダム化に制限がある場合。 そこで、最後のほうに概念的な例を 1 つ示します。 |
| サンプリング ツリー上に、制限されたランダム化の線を記述することができます。 |
| これにより、プロット因子全体がどこにあるか、因子の分割プロットがどこにあるかがわかります。 したがって、収集する予定のデータを事前にさらに深く理解できるようになります。 これらは次のような場合にも役立ちます。 |
| ここで、要因計画と変動研究のコンポーネントを組み合わせた別の概念的な例を紹介します。 これは、研究対象のシステムについての学習を加速するので、本当に素晴らしいことです。 したがって、私たちは同時に、私たちが考える要素を操作しようとしています |
| 反応のレベルに影響を与えると同時に、反応の変化に寄与すると考えられる変化の構成要素を理解します。 |
| したがって、データを取得したら、サンプリング ツリーはデータの分析を容易にするのに非常に役立ちます。 これは、分散成分モデルを選択しようとする場合に特に当てはまります。 |
| 分散グラフ内...JMP で使用できる分散グラフ。 そのため、そのツールを使用したことがある場合は (ここでは、いくつかの例を示して説明します)、 |
| JMP にさまざまなコンポーネントの計算を依頼する場合は、どのような種類のモデルが必要かを決定する必要があります。 入れ子になっているのでしょうか？ 交差していますか？ おそらく、交差してからネストされているのでしょう。 |
| おそらくネストされてから交差しているのでしょう。 したがって、適切なサンプリング ツリーを使用すると、正しい分散成分モデルが何であるかを理解するのが非常に容易になります。 私たちがこれらを使用したもう 1 つの場所は、管理図について考える場所です。 それで、 |
| 管理図アプリケーションは本当に役に立ちます |
| サブグループ内で何が変化しているのか、サブグループ間で何が変化しているのかを確認します。 したがって、管理図で実際に何が表示されているかについて批判的に考えるのに役立ちます。 先ほども述べたように、それらはある種の用途に適しています。 |
| 分割プロットで制限の線を示していますが、計画された実験の分析にはあまり役に立たないため、DOE タイプのアプリケーションについては、前もって説明する必要があります。 |
| それでは、例を挙げて本題に入りましょう。 これが分散研究の一般的な構成要素と私が呼ぶものです。 |
| この場合、これは実際に文献からのものです。 これは Box Hunter and Hunter の「実験者のための統計学」からのもので、本の後ろの方にあります。 |
| 彼らは分散研究の構成要素について話しているのですが、それはたまたま塗装プロセスに関するものでした。 したがって、この特定の研究で彼らが得たのは、15 バッチの |
| 顔料ペースト。 彼らは各バッチを 2 回サンプリングし、それらのサンプルごとに 2 回の水分測定を行っています。 |
| したがって、最初のバッチの最初のサンプルは 2 番目のバッチとは物理的に異なり、最初のバッチは物理的に異なります。 |
| 2 番目のバッチからのサンプルは、他のサンプルとは物理的に異なります。 そこで、私たちが使用し、教えようとした実践の 1 つは次のとおりです。 |
| ネストされた因子の場合、それらを番号順にリストすると役立つことがよくあります。 これは、物理的に異なる実験ユニットがあり、サンプルからサンプルへと移行していることを再度強調しています。 |
| これがネストされたサンプリング計画です。 したがって、サンプルはバッチの下にネストされます。 それでは、それが JMP 内の変動グラフでどのように展開されるかを見てみましょう。 |
| さて、これがデータです。品質とプロセスの変動の下に変動グラフが表示されます。 |
| そして、ここに x 変数としてバッチ、次にサンプルをリストします。 |
| そして、ネストされたサンプリング計画で非常に重要なことの 1 つは、因子がサンプリング ツリー内での順序と同じ順序でここに読み込まれることです。 したがって、これは階層的です。 |
| したがって、そうでない場合、結果は少し異なります |
| 混乱する。したがって、この起動プラットフォームで、どのような種類の分散コンポーネント モデルを指定するかを決定できます。 したがって、これはネストされたサンプリング計画であると言いました。 |
| これで準備が整いました。 測定値は実際にはサブグループがどこにあるかを定義するだけであるため、測定値を軸のリストから除外します。 |
| したがって、それは省略します。 そして、それが、JMP がバリエーション内と呼ぶバリアント コンポーネントに組み込まれることになります。 |
| さて、これが変動グラフです。 変動グラフの優れた点の 1 つは、いくつかの値を追加するオプションがあることです。 |
| いくつかのグラフィック情報。 ここでセルの平均値を接続しました。 これは実際に、バッチ内のサンプル間にどのような種類の変動があるかを視覚的に示していることになります。 |
| そして、サンプリング ツリーに示されているように、バッチごとに 2 つの測定値が得られます。 したがって、バッチ内の 2 点とサンプル間の距離は、 |
| サブグループ変動内。 したがって、サンプルごとにかなりのばらつきがあることがわかります。 ここで示したいもう 1 つのことは、グループ平均です。 |
| これで、バッチ間の変動がわかります。 ここでの紫色の線は、バッチごとの平均です。 わかった。 さて、ここでのバリエーションの実際の内訳はどうなるでしょうか。 それは、JMP の分散成分の下でうまく行われています。 |
| と |
| それをそこに上げてください、私たちはそれを見ることができます、そうすれば私はこれを折りたたむでしょう。 |
| グラフで見ると、バッチ内のサンプル間の変動がデータ全体の変動に大きく寄与しているように見えました。 そして実際、計算によってそれが裏付けられています。 それで、私たちは |
| 変動全体の約 78% はサンプルに由来します。バリエーションの約 20% がバッチ間で発生し、 |
| 変動の約 2.5% のみが、バッチおよびサンプル内の測定間の変動から生じています。 ここで分散成分表に気づきました。 |
| ここで使用されている表記です。 したがって、これはサンプルがバッチ内にあることを示しています。 したがって、これは入れ子になった研究です。 繰り返しになりますが、要素をロードすることが重要です。 |
| ここでプロットに示されている順序で変動チャートに入力します。 したがって、サンプル 1 の中にバッチ 1 と 2 があると言うのは意味がありません。 それは物理的に意味がありません。 そして、それがツリーに反映されるのです。 |
| そしてちょうど |
| 次に、それを少し異なるものと比較してみましょう。 私はこれを伝統的なゲージの R&R 研究と呼んでいます。 したがって、従来のゲージの R&R 研究で得られるものは次のとおりです。 |
| テスト中の部品サンプル バッチが多数あります。 そして、それらのそれぞれをテストする多数のオペレーターがいます。 そして、それぞれが同じサンプルまたはバッチを複数回テストします。 したがって、この特定の例では 5 つを示しています |
| 部品、サンプル、またはバッチを 3 人のオペレーターがそれぞれ 2 回測定します。 この場合、演算子 1 |
| バッチ番号 1 のオペレータ番号 1 は、バッチまたはサンプル レポート番号 5 のオペレータ番号 1 と同じです。 |
| つまり、これは、オペレーターは、取得されるものが何であれ、パーツ、サンプル、バッチの間を横断するようなものであると考えることができます。 |
| 測定を受けています。 したがって、これは交差研究と呼ばれます。 同じ品物を測定することが重要です。 |
| クロス スタディで重要になるのは、ネストされたスタディにはない、オペレーターと測定対象との間の潜在的な相互作用です。 したがって、それは JMP から得られる分散成分分析に反映されることになります。 では、ここを見てみましょう。 |
| この特定のデータセットでは。 そこで再び、品質とプロセスの下にある便利な変動チャートに進みます。 この場合、サンプリング ツリーに示されているように、X の変数に同じ順序を使用することから始めます。 |
| しかし、これからお見せするように、クロススタディの特徴の 1 つは、ツリーの階層構造に囚われなくなったことです。 これらをひっくり返すことができます。 |
| そしてこれは交差します。 ここは慎重に変更してみます。 以前からネストされた調査があったことを思い出してください。 [OK] をクリックして先に進みます。 |
| そして私たちのものを置くつもりです |
| セルの意味とグループの意味がそこにあります。 |
| したがって、この場合のグループ平均はサンプル (3 つ) であり、演算子は 3 つあります。 |
| 次に、分散成分を求めてみます。 |
| ネストされたスタディの場合のように、演算子表記内にサンプルがないことに注意してください。 この場合に得られるのは、オペレーターとの対話によるサンプルです。 |
| この場合も、同じサンプルを測定しているため、その可能性があるのは当然です。 |
| つまり、マットは QC ラボと同じサンプルを、ティムと同様に測定しています。したがって、この場合の相互作用は、あるサンプルから別のサンプルに移るときにこのパターンがどのように異なるかを実際に反映しています。 大体同じであることがわかります |
| のように見えます |
| マットと QC は、おそらくティムよりも全体的に少し低く物事を測定する傾向があります。このパートCは少し例外です。 つまり、相互作用 |
| ここでの変動の寄与は比較的小さいです。 オペレータごとに多少のばらつきはありますが、実際にはオペレータ内でのばらつきはあります。 |
| 最大の貢献者です。 ここにはかなり幅の広いバーがいくつかあるので、それが簡単にわかります。 しかし、繰り返しになりますが、これは交差研究ですので、 |
| これらの要素をロードする順序を変更しても、同じ結果が得られるはずです。 それがここでの私の提案です。テストしてみましょう。 |
| そこで、この分析を再起動し、これらを変更することにします。 演算子を最初に置き、サンプルを 2 番目に置きます。 他はすべて同じままにしておきます。 |
| そして先に進んで、携帯電話の手段を入れてみましょう |
| そこにはグループという意味があります。 |
| 次に、分散成分を求めてみましょう。 |
| それでは、それらはどのように比較されるのでしょうか? レポートのその部分を折りたたむつもりです。 |
| グラフィック部分では、これは交差研究で認識できる素晴らしいことです。 |
| 繰り返しになりますが、入れ子になった調査のような階層に固執する必要はなく、データの見方の視点を変えることができるからです。 |
| そのため、演算子をロードするという観点から、まずグループ平均の観点から演算子間の直接比較を行うことができます。 そして再び、その相互作用は、このパターンが次の期間にどのように変化するかを反映しています。 |
| ここでは、パート A、B、または C、A、B、または C から順に演算子を示します。 |
| 分散成分の数字はどうなるでしょうか? さて、ここでの分散成分表は、これらをロードした順序を反映していることがわかります。 |
| 要因となる |
| ダイアログボックスに入力すると... |
| しかし、出てくる数字はほぼ同じです。 したがって、ここの左側のサンプルの標準偏差は 1.7 です。 |
| 演算子による標準偏差は約 2.3 で、ここでも同じ値です。 |
| 必要に応じて、オペレータごとのサンプルまたはオペレータごとのサンプル インタラクションはまったく同じです。 そして中身は全く同じです。 それで、 |
| 交差研究では、これらの要素をどのように読み込むかについてある程度の柔軟性があり、その後の解釈は少し異なります。 これらが異なるサンプルだった場合、 |
| オペレータが異なるものを測定しているため、このパターンはオペレータからオペレータに渡っていくぶんランダムであると予想されるかもしれません。 したがって、このパターンが繰り返されると期待する理由はありません。 |
| ここで示したように、典型的な種類の伝統的なゲージ R&R 研究で重要な交互作用項が見られた場合は、実際の結果が得られたことになります。 |
| それはあなたにそれを伝えているので、対処すべき問題です |
| サンプルの性質により、オペレーターの測定方法が異なることがあります。 したがって、単にインタラクションがない状況にある場合よりも、問題を解決するのが少し難しくなります。 |
| OK。 |
| デイブ | 繰り返しになりますが、ご参考までに、これをここにリストしました。 |
| さて、それでは、もう少し興味深いことに移りましょう。 ここでは、交差因子と入れ子因子の両方を含む混合研究のようなものを示しています。 つまり、これが私が働いているビジネスでした。 |
| 私たちが製造する材料の純度は非常に重要であり、純度を測定するための主力手法は高速液体クロマトグラフィー (略して HPLC) です。 |
| つまり、これは製品であり、FDA 承認のアプリケーションで使用されていたため、適切な純度が非常に重要でした。 |
| これは大規模な研究からの一部です。 しかし、私が示しているのは 3 つのサンプルがある場合です。ここではそれらに S1、S2、S3 というラベルを付けています。 この調査には2人のアナリストが参加しています。 |
| したがって、各分析者はそれぞれのケースで同じサンプルを測定することになります。 前の例で示したものと同様、私が伝統的なゲージ R&R と呼んでいるものであることがわかります。 |
| この場合、各オペレーターまたは分析者はまったく同じ部品またはサンプルを測定します。 したがって、その部分は交差しています。 あなたがアナリストの下に降りると、各アナリストは資料を受け取り、2 回に分けて準備します。 |
| そして、各準備品を 2 回測定します。 彼らは、各調製物で HPLC に 2 回注入します。 つまり、準備 1 は準備 2 とは異なり、次の分析者のための最初の準備とは物理的に異なります。 そしてもう一度、私たちは次のことを忘れないように努めます。 |
| これらの入れ子になった要素に順番にラベルを付けて、ここでは物理的に異なる単位であることを示します。 |
| JMP の観点からは実際には何の違いもありません。JMP はそれをうまく処理します。1-2、1-2、1-2 などと進んでいくとしても、それで問題ありません。 |
| 最初に適切な分散成分モデルを指定している限り。 したがって、これは交差されてからネストされます。 それでは、それが JMP でどのように機能するかを見てみましょう。 |
| ここに、データサンプル、アナリストの準備番号、そして実際にはサブグループ内の一種の注入番号があります。 |
| そこで、もう一度分析、品質、プロセスに進みます。 変動チャートに進みます。 |
| そしてここに入れます |
| 因子はサンプリング ツリーに表示されていたのと同じ順序で表示されます。 |
| 次に、面積パーセントが応答となるため、そこに面積を入力します。 そして、これは交差されてからネストされたと言いました。 |
| 他にもここから選択できるものがいくつかあります。 この場合も、サンプリング ツリーは、これが事実であると確信し、適切なモデルを選択するのに役立ちます。 これを交差させてネストします。 |
| 「OK」をクリックしましょう。 |
| そこにセル平均とグループ平均を入れます。 繰り返しますが、内側の上に 2 番目の要素が関係しています。 それでは、両方を選択しましょう。 |
| そしてもう一度分散成分を求めてみましょう。 |
| そして、できればこの部分を折りたたんで、標準偏差のグラフも折りたたむつもりです。 |
| 画面を少し上に移動します。 |
| したがって、グラフを進めていくと、サンプルごとにかなりのばらつきがあることが分かります。 |
| インサイドバリエーションはそれほど悪くないようです。 |
| しかし、私たちはおそらく少しは見ることができます |
| 準備中のバリエーション。 |
| この場合のサンプルは、これまでで最大のものです |
| これは私たちが本当に望んでいたものです。 |
| アナリストは、 |
| 本当に |
| それ以下はサブグループ変動内です。 そして、これは私たちにとって非常にうまく説明されています。 つまり、 |
| ここの分散成分の表に成分の観点から何が示されているか、それが標本分析であるか、そしてこれら 2 つが交差しているため、この場合は潜在的な交互作用を考慮する必要があります。 |
| 全体的な変動にはあまり貢献していないようです。 繰り返しになりますが、これは、分析者から分析者へ、サンプルからサンプルへと進むにつれて、パターンがどのように変化するかということです。 |
| 今、 |
| 以前私が完全交差研究で主張したのは、 |
| クロスファクターの観点から |
| 順番的には大丈夫です。 それでは、この場合にそれを試してみましょう。 |
| それで、これをやり直して、再起動するだけです。そうすれば、 |
| ここでは要素が交差していますが、ここでもネストされた要素をツリー内の場所に残すように注意する必要があります。 ここの分散成分表で、準備ができたときにこれを読む方法に気づきました。 |
| サンプルとアナリスト内にネストされています。 つまり、ツリー上のものの下に行かなければなりません。 |
| それでは、先に進みましょう |
| ここに何かを接続します。 |
| 私はそれを取るつもりです |
| 標準偏差グラフをオフにし、分散成分を求めました。 |
| さて、従来の Gage R&R の例で見たように、次のようになります。 |
| 分析者とサンプルの切り替え。 |
| しかし、最後の列の標準偏差を見ると、それらの値は同一です。 |
| 再び相互作用項に同一の値が得られ、prep に対して同一の値で相互作用します。 |
| この用語もサンプルとアナリスト内でネストされます。 繰り返しになりますが、ここでサンプリング ツリーはデータの構造を完全に理解するのに役立ち、データに表示される内容をうまく補完します。 |
| 分散成分 |
| JMPのチャートです。 |
| これらは、バリエーション研究のコンポーネントを対象としたいくつかの例です。 |
| あなたも気づくかもしれない点が 1 つありますが、先ほど指摘するのを忘れていましたが、 |
| ここのサンプリングツリーを見てください。 そしてこれを持ち帰ったら |
| そして私はただそうしようとしているだけです |
| これを再現します。 |
| そのバックアップ。 |
| デイブ | 変動グラフの横軸を見ると興味深いのですが、実際にはサンプリング ツリーが逆さまになっています。 |
| したがって、これは、どの分散成分コンポーネント モデルを適用するかを決定しようとしているときに、ここで正しい構造を見ているかどうかを確認するもう 1 つの方法です。 |
| もう一度、そのスクリーンショットを示します。 |
| 以下に例を示します。 |
| サンプリング ツリーは、あらゆるものの管理図における変動の原因を理解するのに役立ちます。 したがって、この特定のケースでは、 |
| 数時間かけてサンプルがラインから取り出されます。 実はこれ、レンズのサンプルなんです。 トランジションレンズに入れるフォトクロミック染料を製造していると言いましたが、 |
| 彼らは定期的にレンズの膜の厚さを検査しますが、これは破壊的な検査です。 それで、そのレンズを取り出して膜の厚さを測定すると、そのサンプルでの作業は完了です。 など |
| このために X 棒グラフと R グラフを作成すると、X 棒グラフに平均、つまり時間ごとの平均が表示されることになります。 |
| そして、サブグループ内の変動は、サンプル間で何が起こっているか、そして厚さ、厚さの測定で構成されます。 |
| この場合、サンプリング ツリーに垂直線があることに注意してください。これにより、この場合ツリーは分岐しません。 |
| したがって、サンプリング ツリーに垂直線を引いているときに垂直線が表示される場合、それはツリーの 2 つのレベル間の変動が混乱していることを示しています。 |
| それで、 |
| 膜厚の固有の測定変動と、サンプルごとの固有の変動を区別することはできません。 したがって、この測定システムがどのように機能するかという点で、私はそれらにちょっと行き詰まっています。 それでは、このデータを使用して管理図を作成してみましょう。 |
| そのために、繰り返しになりますが、品質とプロセスに移ります。 そして管理図ビルダーに移ります。 繰り返しになりますが、ここでの測定変数は膜厚です。 |
| そして私たちはそれを1時間ごとに行っています。 したがって、これを実行してセットアップすると、サンプリング ツリーに示されているように、JMP がサブグループ サイズが 3 であることを賢明に認識していることがわかります。 |
| しかし、この例で興味深いのは、x 棒グラフには制御不能な点が非常に多くあるため、一見すると心配したくなるかもしれないということです。 |
| しかし、サンプリング ツリーが何を伝えているかという観点から少し考えてみましょう。 |
| つまり、サンプリング ツリーは、サブグループ内で何が変化しているのか、何が平均範囲に寄与しているのかを再び示しています。 |
| 膜厚ごとの測定とサンプルごとのばらつき。 また、X 棒グラフで管理限界がどのように構築されるかを思い出してください。 |
| これらは平均範囲から構築されます。 そこで全体の平均をとります。 そして、その範囲にプラスまたはマイナスを加えます |
| これらの管理限界の幅が平均範囲の大きさによって決まるように、サブグループのサンプル サイズに関連する係数。 |
| このグラフが実際に比較しているのは、ツリーの一番下にあるこの測定値の変動について考えてみましょう。 測定値のばらつきを比較しています |
| ラインから得られる時間ごとの変動です。 それは、私たちが見ることができるということを示しているので、実際には良いことです。 |
| サブグループ内で見られるノイズを上回る変動。 したがって、この場合、それは実際には望ましいことです。 |
| 繰り返しになりますが、サンプリング ツリーは、サブグループ内およびサブグループ間の変動に関して Xbar チャートで何が起こっているかを思い出させるのに非常に役立ちます。 |
| ここで、実験計画の世界における概念的な例をいくつか紹介します。 したがって、分割プロット実験は、実験の実行順序に制限がある実験です。 |
| そして、それは結局、いくつかの異なるエラー構造を与えることになります。JMP は、ランダム化に制限がある状況に備えて実験を設計するという素晴らしい仕事をしています。 |
| それらを分析しています。 したがって、それでも、時には役立つこともありますが、 |
| それらのエラー構造がどこにあるのかを理解するため |
| 分割、分割プロット設計では、全体プロット係数とサブプロット係数と呼ばれるものに入ります。 そして、ランダム化に制限がある理由は、通常、1 つ以上の要素を変更することが難しいためです。 したがって、この特定の点では |
| このシナリオでは、さまざまな温度と湿度で塗料をスプレーできる管理された環境室があります。 |
| しかし問題は、部屋の湿度をランダムに変更できないことです。安定するまでに時間がかかりすぎて、実験がかなり非現実的になるためです。 このサンプリング ツリーに示されているのは、実際にあるものです。 |
| ここでの 3 つの要因は、湿度、樹脂、溶剤です。 これらは青色で表示されます。 湿度は変更が難しいため、湿度は 1 回だけ変更します。 これが、JMP で分割プロット実験を設定する方法です。 |
| 要因がどの程度変化しにくいかを指定します。 したがって、この場合、湿度は変更するのが非常に難しい要素です。 |
| したがって、JMP は実験を設計するとき、およびそれを分析するときにそれを考慮します。 |
| しかし、これが示しているのは、湿度がライン制限を超えているため、湿度がプロット全体の要素として考慮され、樹脂と溶剤が影響を受けるということです。 |
| サブプロット要素。彼らは制限ラインを下回っています。 つまり、プロット因子全体の制限線の上には、サブプロット因子とは異なる誤差構造が存在します。 |
| この場合、ここに示されているその他の要素がたくさんあり、それらは実際に配合方法に影響を与えます。 |
| これは樹脂で構成されており、溶剤がコーティングに加えられます。 これは、実際には制限をランダム化した 2 対 3 の実験です。 |
| 8種類の異なる配合が入っています。 それぞれをパネルに適用し、そのパネルを 1 回測定します。 |
| 測定値ごとの変動という観点から見られるものは、パネル内のコーティングの変動と混同されています。 前にも言ったように、上に縦の線がある場合、 |
| サンプリングツリーでは、次のようになります。 |
| その場合、それらのレベルではいくつかの混乱が生じます。 つまり、これは、分割プロット設計のどこで分割があるかを示すためにこれを使用している例です。 |
| この例も概念的なものですが、実際にはそうなります。 |
| PPG がグラスファイバーを製造していた時代から。私たちはもうグラスファイバーのビジネスには携わっていません。 しかし、この場合、求められていたのは最適化、または少なくともいわゆる損失に対する 4 つの制御可能な変数の影響を理解することだったので、彼らは基本的に対処しました。 |
| ファイバーマットを使用し、サンプルを基本的に燃焼させたときに失われるコーティングの量を測定します。 ここでツリーの一番上にあるものは、実際には 2 対 4 のデザインです。 したがって、この場合、計画の各実行には 4 つの因子の組み合わせが 16 通りあります。 |
| マットは、ここで言うところの 12 の異なるレーンに分割されていました。 だから君はマットを横切るつもりだ |
| 1 から 12 レーンまでを調べてから、それらの各レーン内の 3 つのセクションを取り出して、それぞれのレーンについて破壊的な測定を行っています。 つまり、これは実際に要因計画実験を組み合わせたものです。 |
| バリエーションスタディのコンポーネントを使用します。 |
| 繰り返しになりますが、ツリーの一番下に垂直線があり、測定値間の変動が、測定値間の変動と混同されていることを示しています。 |
| セクション間のバリエーション。 そして、ここで分析の観点から最終的に行ったことは、各 DOE 実行からのデータを、サンプル間の変動のようなものとして扱うことでした。 |
| Box Hunter と Hunter の水分の例では、バッチの代わりに DOE を 1、2、3 などから 16 まで実行し、それより下でサブサンプリングを行っています。 など |
| この部分を変動研究のコンポーネントとして扱い、基本的にすべてのデータを平均して、最適な設定が何かを確認します。 |
| ここには 4 つの制御可能な要素が関係しています。 このプロセスに関して私たちが抱えていた多くの疑問を非常に効率的な方法で解決できたので、これは本当に良い研究でした。 |
| ここでも、COV と DOE を組み合わせて、バリエーション研究のコンポーネントを使用した実験計画を立てます。 |
| 要約すると、木のサンプリングは非常にシンプルであるということが理解していただけたと思います。 |
| それらは理解しやすいです。 これらは構築が簡単ですが、プロセスのサンプリングや測定システムの理解に関して私たちが考えていることについて話し合うのに役立ちます。 |
| そして彼らも私たちを助けてくれます |
| JMP の変動チャートからさまざまな成分を取得する場合に最適な分散成分モデルを決定する |
| 私たちはこの特定のツールをよく利用していますが、これには JMP の入場料を払う価値があると言いたいです。 |
| それはそのツール自体のためです。 ここでは、ネストされている場所、交差している場所、交差してからネストされている場所、そしてこの種の考え方を適用した例をいくつか示しました。 |
| 管理図は、サブグループ内での変化とサブグループ間での変化を理解するのに役立ちます。 そしてまた、おそらくあまり役に立ちません...あまり役に立ちません |
| 計画された実験でもそれらを使用できます。 ここで数分お時間を割いていただき、ありがとうございます。カバー スライドに私の電子メールが掲載されていますので、ご質問がございましたら、喜んでお話しさせていただきます。 ありがとうございます。 |
