364792_es-ES

liliconcom

Identificación de parámetros que derivan en no conformidad

Hola comunidad

Tengo un dato de potencia que aumenta con el número de ejecución hasta que se aplasta.

¿Cuál debería ser una buena forma estadística de identificarlo algunas ejecuciones antes de que se aplaste para evitar el aplastamiento al arreglarlo a tiempo?

adjunto, muestra de datos.

BR,

Yoav

 

AnalíticaTabla de datosGráficosOtroRe: Identificación de parámetros que derivan en no conformidad

¡Hola, Yoav!

 

Probablemente hay un gran número finito de "buenas formas estadísticas" para señalar ejecuciones en los datos.

 

Una forma es usar las reglas de Nelson en el menú desplegable Analizar,> Calidad y proceso> Gráficos de control heredados> Levey Jennings.Después de convertir las variables en sus roles y hacer clic en Aceptar, se crea un gráfico de control.Debajo del pequeño triángulo rojo invertido (LIRT), elija Pruebas> Todas las pruebas.Obtienes algo que se parece a esto:

 

 

Demostré todas las reglas, pero puedes usar las reglas que consideres apropiadas para detectar específicamente lo que deseas. Se adjuntan un par de artículos de referencia de Lloyd Nelson que detallan las reglas y sus justificaciones.

 

Por supuesto, incluso podría crear sus propias reglas, si así lo desea, e implementarlas con JSL.Y, como mencioné anteriormente, hay muchas otras pruebas para ejecuciones en datos.Elija uno que detecte de manera confiable lo que desea.

 

¡Buena suerte!

Re: Identificación de parámetros que derivan en no conformidad

Estimado @YAlemán , como podemos ver en el gráfico SPC de @Kevin_Anderson el poder siempre aumenta antes del aplastamiento. Puede encontrar una regla para detectar el enamoramiento antes de que suceda. No pude obtener ningún resultado razonable con las reglas de SPC que están en la plataforma, pero también puede calcular un límite superior para alcanzar antes de que ocurra el enamoramiento, y usarlo para arreglar la potencia antes de que ocurra el enamoramiento. Vea el ejemplo en la captura de pantalla.

• Primero eliminé las filas de energía 0 (porque no las conoces antes de que se aplaste)
• luego hice una fórmula de columna para calcular la media y la desviación estándar de la potencia en esa fase
• luego lo comparo con el valor actual
• Cuando el valor actual> (media (potencia) + 2 x stddev (potencia)), es justo antes del accidente

Esto funciona para los datos actuales, es posible que necesite muchos más datos para mostrar si esta regla es confiable.

También todo depende de los costos de tener una ejecución triturada y los costos de solucionar el problema antes.

BR

 

 

 

 

 

Re: Identificación de parámetros que derivan en no conformidad

Hola @YAlemán ,

 

Además de lo que ambos @Kevin_Anderson y @Georg han proporcionado, agregaría lo siguiente:

 

Otra opción es que si tiene datos adicionales que acompañan a la potencia, puede utilizar la plataforma de gráficos de control multivariante impulsados por modelos (en Analizar> Calidad y proceso). Esta plataforma reduce los datos multidimensionales (asumiendo que tiene otros parámetros de proceso que se registran junto con la energía) usando PCA e informa el valor de T ^ 2 y, al observar los valores atípicos, puede averiguar qué parte de su proceso estaba saliendo de control. Esto suele ser útil en circunstancias en las que hay muchos parámetros de proceso como velocidad, temperatura, velocidad de mezcla, potencia, etc. que forman parte del proceso. A veces, puede ser que la temperatura cambie, lo que da como resultado un consumo de corriente mayor, lo que cambia la potencia, por lo que, dependiendo de la situación, podría ser una combinación de factores, y la plataforma MDMVCC es muy útil para eso.

 

Teniendo en cuenta que la falla tiende a ocurrir a medida que aumenta el número de lote, eso sugeriría que algo está sucediendo durante el proceso que está cambiando con el tiempo. Puede ver que justo antes de la falla, la energía aumenta antes de la falla para ambas fases, por lo que si tiene datos de entradas de procesamiento adicionales, esto podría ayudar a detectar un factor latente que es la causa raíz de la falla. Además, hay un gran cambio en las salidas de potencia entre las fases 1 y 2. ¿Cambió la configuración o la falla de la fase 1 afectó la energía durante la fase 2?

 

Traer más datos podría ayudar a determinar la causa.

 

¡Buena suerte!,

DS

Re: Identificación de parámetros que derivan en no conformidadGracias por tu respuesta detallada. Con respecto a la última pregunta, la segunda fase obtuvo la huella digital de configuración y no se ve afectada por el bloqueo de la fase 1. también podría ser más alto que la primera fase.
los datos son un ejemplo simplificado de lo que realmente manejé. de hecho, obtuvimos miles de filas de datos y, como expliqué antes, estoy buscando alguna prueba que pueda advertir a los ingenieros sobre algunos procesos antes de que la herramienta falle. Estoy seguro de que se puede hacer porque se puede ver en el gráfico de ejecución también a simple vista.Re: Identificación de parámetros que derivan en no conformidad

Hola @YAlemán ,

 

¿Tiene también muchas columnas de diferentes fuentes de datos: por ejemplo, velocidad de la herramienta, temperatura de la herramienta o algo así? Las miles de filas son buenas, pero también puede ser útil tener otros datos para incorporar al análisis. Para mí, realmente parece que hay un factor latente que es la causa raíz de la falla y no necesariamente la energía en sí misma, más como algo más que se está saliendo de control y finalmente hace que la energía aumente y la herramienta se bloquee.

 

Una cosa que podría hacer es considerar un promedio móvil de las últimas tres o cinco mediciones y estimar dónde está la última lectura antes de un choque y encontrar el cambio relativo en la potencia, digamos que si la potencia comienza a aumentar en más del 20% de el punto de ajuste, esto indica que la herramienta está a punto de fallar. Dado que la configuración promedio en la fase 2 es más baja que en la fase 1 y aún falla, parece que es más un cambio relativo en la potencia al punto de ajuste en lugar de un cambio absoluto.

 

Pero nuevamente, si puede traer otros datos y observar cualquier correlación o picos / caídas similares en un punto de caída, esto podría ayudar a encontrar un factor latente.

 

Me interesa saber lo que encuentres.

 

¡Buena suerte!,

DS