Altavoz
|
Transcripción
|
| jordán hiller |
Hola a todos. Soy Jordan Hiller, ingeniero sénior de sistemas en JMP, y me presento con Steve Hampton, gerente de control de procesos en PCC Structurals. Hoy estamos hablando de control estadístico de procesos para variables de proceso que tienen una forma funcional. |
| |
Y esa es una buena imagen justo ahí en el título. |
| |
deslizar. Estamos hablando de control estadístico de procesos, cuando no es un solo número, una medida puntual, sino que lo que estamos tratando de controlar tiene la forma de una curva funcional. |
| |
Steve va a hablar sobre el caso de negocios, por qué estamos interesados en eso en unos minutos. Sólo voy a decir unas pocas palabras acerca de la metodología. |
| |
Revisamos la literatura en esta área durante los últimos 20 años más o menos. Hay muchos, muchos artículos sobre este tema. Sin embargo, en realidad no parece haber un consenso claro sobre la mejor manera de abordar esta estadística. |
| |
control de procesos |
| |
cuando sus variables toman la forma de una curva. Así que nos inspiramos en algunos desarrollos recientes en JMP, específicamente el gráfico de control multivariante basado en modelos presentado en JMP 15 y el explorador de datos funcionales presentado en JMP 14. |
| |
Los gráficos de control multivariados no son realmente una técnica nueva que hayan existido durante mucho tiempo. Acaban de recibir un lavado de cara en JMP recientemente. |
| |
Y utilizan componentes principales o mínimos cuadrados parciales para reducir datos, para modelar y reducir muchas, muchas variables de proceso para que pueda verlas con un solo gráfico. Nos vamos a centrar en el caso de PCA, en realidad no vamos a hablar de parcial |
| |
la |
| |
mínimos cuadrados parciales aquí. |
| |
Functional Data Explorer es el método que utilizamos en JMP para trabajar con datos en forma de curva, funcional |
| |
datos. Y utiliza una forma de análisis de componentes principales, una extensión del análisis de componentes principales para datos funcionales. |
| |
Así que fue una idea muy natural decir qué pasa si tomamos nuestras curvas funcionales, las reducimos y las modelamos usando el explorador de datos funcionales. |
| |
El resultado de eso son los componentes principales funcionales y, al igual que agregaría los componentes principales regulares y los impulsaría a través de un gráfico de control multivariado basado en un modelo, |
| |
¿Qué pasaría si pudiéramos hacer eso con componentes principales funcionales? ¿Sería factible y útil? |
| |
Entonces, con eso, le pasaré la palabra a Steve y él presentará el caso de negocios que vamos a discutir hoy. |
| 1253****529 |
Está bien. Muchísimas gracias. Jordán. |
| |
Como no tengo video, decidí hacerles saber cómo me veo. |
| |
Estoy yo con mi esposa Megan y mi hijo Ethan |
| |
con el huerto de calabazas del año pasado. Así que quería entrar en el estudio de caso con un poco de información sobre |
| |
lo que hago, y así tienes una idea de dónde viene esta información. Trabajo en fundición de precisión para fundición de precisión... |
| |
División de Fundición de Inversión. |
| |
La fundición de inversión implica hacer una réplica en cera de lo que desea vender, colocarlo en un conjunto de patrones, |
| |
sumergiéndolo varias veces en concreto patentado hasta que obtenga la fuerza suficiente para poder desparafinar ese molde. |
| |
Y lo disparamos para que tenga la fuerza suficiente para poder verterle metal. Luego eliminamos nuestro concreto, eliminamos el uso excesivo de metal para el proceso de fundición. Hacemos nuestras pruebas no destructivas y enviamos la pieza. |
| |
El impulso para buscar métodos mejorados de control de procesos es el hecho de que |
| |
Los pasos 7, 8 y 9 absorben el 75 % de los costos permanentes debido a la variabilidad del proceso en los pasos 1 a 6. Entonces, si podemos ajustar 1-6, |
| |
La mayoría de ??? y el costo va allí, que es mucho más barato, mucho más corto, entonces hay un gran valor agregado para la empresa y para nuestros clientes al hacer 7, 8 y 9 mucho más pequeños. |
| |
Entonces PCC Estructurales. Mi planta, Titanium Plant, fabrica principalmente componentes aeroespaciales. A la izquierda ahí se puede ver un abanico??? eso es verde brillante de algunos ??? desarrollador. |
| |
Y luego tenemos nuestros productos basados en tierra, que allí mismo es una pata estabilizadora de obús N155. |
| |
Y solo para tener una idea de a dónde va. Debido a que cada avión en el cielo básicamente tiene una parte que fabricamos o varias partes, ¿¿estas son las secciones de un motor? Tiene aproximadamente seis pies de diámetro, es una pieza fundida. |
| |
que va al frente del núcleo de un motor de turbina de gas. Este en particular es para el Trent XWB que propulsa el Airbus A350 |
| |
chorros. |
| |
Así que entremos en JMP. Entonces, el gran impulsor aquí es, como puede imaginar, con algo que es complejo como un proceso de fundición de inversión en gran parte, hay toneladas de |
| |
datos que nos llegan. Y cada vez más, se está volviendo funcional a medida que aumentamos la cantidad de centros que tenemos y aumentamos la cantidad de máquinas que usamos. Entonces, en este estudio de caso, estamos viendo |
| |
datos que vienen con una marca de tiempo. Tenemos 145 lotes. Tenemos nuestro interés variable que es X1. |
| |
Tenemos nuestro contador, que es una forma en que normalicé esa marca de tiempo, por lo que es más fácil superponer la ejecución en Graph Builder y también tiene un poco de agregado |
| |
amabilidad en la plataforma FTP. Tenemos nuestro período, lo que nos permite tener ese período histórico y un período actual que se alinea con la plataforma de gráfico de control multivariante impulsada por modelos, |
| |
para que podamos tener nuestro FDE |
| |
solo mire el historial para que no cambie a medida que agregamos más datos actuales. Entonces, esto es una especie de mirar esto si estuviera usando esto en la práctica, y luego el tipo de prueba es mi propia validación |
| |
intentos Y lo que verá aquí es que principalmente entré y etiqueté las cosas como malas, marginales o buenas. Entonces, el rojo es malo, el marginal es púrpura y el verde es bueno y puedes ver cómo se superponen. |
| |
De buenas a primeras, puedes ver que tenemos algunas curvas |
| |
??? curvas desde la media. Estos son obviamente lo que llamaremos fuera de control o malo. |
| |
Esto sería lo que la fabricación llamó un desastre porque, como, sería un producto discrepante. Así que queremos ser capaces de identificar esos |
| |
antes, para que podamos ir a ver qué está pasando en el proceso y arreglarlo. Esto es lo que parece |
| |
rompiendo para que se vea que lo malo tiene alguna desviación importante, a veces de media curva y mucho carácter hacia el final. |
| |
Los marginales no se desvían tanto de las curvas medias, pero tienen más rebote hacia la cola y luego el bueno es bastante estrecho. Puedes ver que todavía hay algunos rebotes. Así que aquí es donde el |
| |
lo marginal y lo bueno realmente se basa en mi juicio, y probablemente fallaría en un atributo Gage R&R basado solo en mirar esto visualmente. Asi que |
| |
tenemos un total de 33 malas curvas, 45 marginales y 67. Y manualmente, puede ver que alrededor de 10 de ellos están fuera. Así que tendría una opción si no quisiera usar una estimación puntual, que mostraré un poco más adelante que no funciona tan bien, de tal vez hacer... |
| |
controlarlos por puntos usando el contador. Y la forma de hacerlo sería dividir la tabla mala por contador, colocarla en un gráfico de control de rango móvil individual a través de la creación de gráficos de control y luego saldría, |
| |
como 3500 gráficos de control en este caso, que puede usar la increíble capacidad de hacer tablas de datos combinados para convertir ese resumen de lista de cada uno en su propia tabla de datos que luego puede vincular a su tabla de datos principal y obtiene una bonita Apariencia guay |
| |
análisis que se ve así, donde tiene límites de control basados en los contadores y datos históricos y puede superponer sus curvas. Entonces, si tuviera un algoritmo que etiquetara cada vez que saliera de los límites de control, esa sería una opción para intentar |
| |
tener un control.... |
| |
una funcionalidad de gráfico de control con datos funcionales. Pero puede ver, especialmente resalté 38 aquí, que puede tener una desviación importante y mantenerse dentro de los límites de control. Entonces ahí es donde esta FDE |
| |
La plataforma realmente puede brillar, ya que puede identificar un FPC que se corresponda con algunas de estas desviaciones importantes. Y así podemos etiquetar las curvas en función de las de los FPC. |
| |
Y eso lo veremos un poco más adelante. Asi que, |
| |
usando la plataforma FDE, es realmente sencillo. Aquí, para esta demostración, nos vamos a centrar en una función de paso con 100 nudos. |
| |
Y puedes ver cómo los FPC capturan la variabilidad. Entonces, el FPC principal dice, ya sabes, al comienzo de la curva, hay... eso es lo que genera la mayor variabilidad, esta desviación de la media. |
| |
Y la configuración es X1 y su salida, contadores. Nuestra entrada, número de lote y luego agregué el tipo de prueba. Entonces, podemos usar eso como parte de nuestra validación en la tabla FPC y el gráfico de control multivariante impulsado por el modelo y el período para que solo nuestro historial sea lo que impulsa el ajuste FDE. |
| |
Y entonces |
| |
solo mirar el ajuste es en realidad una parte muy importante para asegurarse de que obtenga el ajuste correcto |
| |
gráficos de control más adelante, ¿estoy usando este paso P? |
| |
Función modelo 100 nudos. Puede ver, en realidad, si uso una spline B y así con Cubic 20 nudos, en realidad se parece bastante a mi spline P. |
| |
Pero a partir del BIC, en realidad puede ver que debería ir a más nudos, así que si hago eso, ahora comenzamos a verlos sobreajustados, centrándonos realmente en los picos aislados y provocará que tenga un FDE. |
| |
modelo que no se ve bien y hace que usted no sea tan sensible y su gráfico de control multivariante impulsado por el modelo. |
| |
0 |
