364792_es-ES

liliconcom

Identificación de parámetros que se desvían hacia la disconformidad

hola comunidad,

Tengo datos de potencia que aumentan con el número de ejecución hasta que se aplastan.

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

adjunto, muestra de datos.

BR,

Yoav

 

Investigación del Consumidor y del MercadoRe: Identificación de parámetros que se desvían hacia la disconformidad

Hola DS,

Parece que el promedio móvil de los últimos 5 puntos puede darme una buena advertencia. Todavía tengo que encontrar el punto de ajuste de cambio exacto para alertar, pero parece que esta es una buena manera. desafortunadamente, no puedo compartir en línea muchos datos detallados.

otra opción que creo que se puede hacer es encontrar la "fuerza de tendencia" con el promedio móvil y buscar una ruptura de tendencia fuerte (cambio fuerte, aumento de la tendencia)

Atentamente,

Yoav

 

Re: Identificación de parámetros que se desvían hacia la disconformidad

Hola @YGerchman ,

 

¿También tiene muchas columnas de diferentes fuentes de datos: por ejemplo, la velocidad de la herramienta, o la temperatura de la herramienta, o algo así? Las miles de filas son buenas, pero también puede ser útil tener otros datos para incluir en el 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 bien algo más está fuera de control que finalmente hace que la energía se dispare 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 se dirige a la falla. 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 choque, esto podría ayudar a encontrar un factor latente.

 

Me interesa saber lo que encuentras.

 

¡Buena suerte!,

SD

Re: Identificación de parámetros que se desvían hacia la disconformidadGracias por tu respuesta detallada. Con respecto a la última pregunta: la segunda fase configuró la huella digital y no se ve afectada por el bloqueo de la fase 1. también podría ser superior a la primera fase.
los datos son un ejemplo simplificado de lo que realmente logré. de hecho, tenemos 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 falle la herramienta. Estoy seguro de que se puede hacer porque se puede ver desde el gráfico de ejecución también a simple vista.Re: Identificación de parámetros que se desvían hacia la disconformidad

Hola @YGerchman ,

 

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 usar la plataforma de gráficos de control multivariados basados en modelos (en Analizar > Calidad y proceso). Esta plataforma reduce los datos multidimensionales (suponiendo que tenga otros parámetros de proceso que se registran junto con la potencia) utilizando PCA e informa el valor de T^2 y al observar los valores atípicos, puede averiguar qué parte de su proceso estaba saliendo. de mando 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 resulta en un mayor consumo de corriente, 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. ¿Cambiaron los ajustes o la falla de la fase 1 impactó la energía durante la fase 2?

 

Traer más datos podría ayudar a determinar la causa.

 

¡Buena suerte!,

SD

Re: Identificación de parámetros que se desvían hacia la disconformidad

Estimado @YGerchman , como podemos ver en el gráfico SPC de @Kevin_Anderson el poder siempre aumenta antes de aplastar. 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 puedes calcular un límite superior para alcanzar antes de que ocurra el aplastamiento y usarlo para fijar la potencia antes de que ocurra el aplastamiento. Ver ejemplo en captura de pantalla.

• Primero eliminé las 0 filas de potencia (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 bloqueo

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 carrera aplastada y los costos de solucionar el problema antes.

BR

 

 

 

 

 

Re: Identificación de parámetros que se desvían hacia la disconformidad

¡Hola, Yoav!

 

Probablemente hay un número finito muy grande de "buenas formas estadísticas" para señalar corridas 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), seleccione Pruebas>Todas las pruebas.Obtienes algo que se parece a esto:

 

 

Demostré todas las reglas, pero puede usar las reglas que considere apropiadas para detectar específicamente lo que desea. 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 ejecutar datos.Elige uno que detecte de forma fiable lo que deseas.

 

¡Buena suerte!