Wie kann gezeigt werden, dass Abweichungen zwischen Teilen auf verschiedenen Werkzeugen dem Teil innewohnen und nicht durch das Werkzeug verursacht werden?Alle,
ich habe folgendes Problem bei dem ich um Hilfe bitten möchte:
Ich habe eine Population von Teilen, die jeweils in ihrem jeweiligen Tool installiert sind. Es gibt einige Parameter, die an dem Teil vor der Installation im Werkzeug gemessen werden (:InspectionValue) und auch denselben Parameter, der an diesem Teil gemessen wird, während es im Werkzeug installiert wurde (:CurrentValue).
Die Aufgabe lautet wie folgt: Ich muss zeigen, dass die Variationen zwischen den Teilen den Teilen selbst innewohnen und nicht von der Installation auf einem bestimmten Werkzeug herrühren. Was wäre der statistisch korrekte Weg, dies auf der Grundlage der bereitgestellten Daten zu zeigen?
Bisher ist meine Idee, zwei Werte zu vergleichen:
:InspectionValue - :CurrentValue - das ist mein Unterschied zwischen Inspektions- und Werkzeugergebnissen
:CurrentValue - Mean(:CurrentValue) - So unterscheidet sich der aktuelle Wert von Tool zu Tool.
Aber sie sind ungefähr in der gleichen Größenordnung. Visuell kann ich sehen, dass Werkzeuge die Werte der Teile nicht beeinflussen und Unterschiede den Teilen innewohnen, aber ich bin mir nicht sicher, wie ich das statistisch zeigen soll. Irgendwelche Ideen?
AnalytikBetreff: Wie zeigt man, dass Abweichungen zwischen Teilen auf verschiedenen Werkzeugen dem Teil innewohnen und nicht durch das Werkzeug verursacht werden?Klingt so, als wollten Sie zeigen, dass die Ausgabe des Teilezustands Ihrer Messung auf die Werkzeuge zurückzuführen ist, in die sie eingefahren sind, und nicht auf die Variabilität von Teil zu Teil.Ich würde sagen, Sie müssen ein OLS-Modell ausführen, bei dem die Teile in den verwendeten Werkzeugen verschachtelt sind.
Ich würde es so einrichten: eine Spalte mit dem Namen "Teil #" (für jedes verwendete Teil 1 bis n), eine mit dem Namen "Messzeit" (vorher und aktuell), eine Spalte mit dem Namen "Werkzeug verwendet" (Werkzeug1, Werkzeug2 usw ) und eine Spalte namens „Messwert“ (mit den Messwerten).Aufgrund der Vorher-Nachher-Messungen haben Sie für jeden Teil zwei Reihen.Erstellen Sie dann das Modell mit y = "Messwert" und X = "Teilenummer", verschachtelt in "Die verwendet" & zufällig, "Die verwendet", "Messzeit" und die Wechselwirkung zwischen Messzeit und verwendeter Matrize.Wenn die Begriffe mit sterben darin nicht signifikant sind, dann machen die Werkzeuge keinen Unterschied.
Hoffe das hilft!
Betreff: Wie zeigt man, dass Abweichungen zwischen Teilen auf verschiedenen Werkzeugen dem Teil innewohnen und nicht durch das Werkzeug verursacht werden?Ich empfehle Ihnen, den JMP-Hilfeeintrag für zu besuchen Messsystemanalyse für etwas Hintergrundwissen.
Betreff: Wie zeigt man, dass Abweichungen zwischen Teilen auf verschiedenen Werkzeugen dem Teil innewohnen und nicht durch das Werkzeug verursacht werden?Meine Gedanken mit der begrenzten Beschreibung der Situation. Ich entschuldige mich, wenn ich Ihre Anfrage völlig falsch verstanden habe.
Sie haben ein Maß an einem Teil vor dem Zusammenbau und nach dem Zusammenbau in einem Werkzeug. Kennen Sie die Genauigkeit des Messgeräts? Erfolgt die Messung an der gleichen Stelle des Teils? Wenn Sie diese Komponenten nicht untersucht und getrennt haben, dann sind die Komponenten aller Variationen in Ihrer Studie eine Kombination aus Teil-zu-Teil, Werkzeug-zu-Werkzeug, innerhalb von Teil und Messung (und zugehörigen Variablen auf jeder Ebene). Sie haben möglicherweise mehrere Messungen innerhalb des Werkzeugs, aber diese sind mit den Variablen des Montageprozesses verwechselt.
Zu den Möglichkeiten, Ihre Daten einzusehen, gehören:
1. Multivariate Methoden > Multivariat
2. Regelkarten mit einer Teilgruppengröße von 2 (die Vorher- und Nachher-Messungen). Dies würde die Variabilität von Teil zu Teil, innerhalb von Teil und die Messvariabilität innerhalb der Untergruppe setzen und dann die Mittelwerte (aufgrund von Werkzeugen) darstellen.
3. Graph Builder ... viele Optionen, um anzuzeigen, was Sie möchten (abhängig vom Benutzer).
4. Fit-Modell für einige quantitative Analysen
