Lautsprecher
|
Abschrift
|
| Jordan Hiller |
Hallo zusammen. Ich bin Jordan Hiller, Senior Systems Engineer bei JMP, und ich präsentiere mit Steve Hampton, Process Control Manager bei PCC Structurals. Heute sprechen wir über statistische Prozesskontrolle für Prozessvariablen, die eine funktionale Form haben. |
| |
Und das ist ein nettes Bild direkt dort auf dem Titel |
| |
gleiten. Wir sprechen von statistischer Prozesskontrolle, wenn es sich nicht um eine einzelne Zahl handelt, ein Punktmaß, sondern das Ding, das wir zu kontrollieren versuchen, die Form einer Funktionskurve hat. |
| |
Steve wird in ein paar Minuten über den Business Case sprechen, warum wir daran interessiert sind. Ich werde nur ein paar Worte zur Methodik sagen. |
| |
Wir haben die Literatur auf diesem Gebiet in den letzten 20 Jahren oder so überprüft. Es gibt viele, viele Abhandlungen zu diesem Thema. Es scheint jedoch nicht wirklich einen klaren Konsens darüber zu geben, wie man diese Statistik am besten angeht |
| |
Prozesssteuerung |
| |
wenn Ihre Variablen die Form einer Kurve annehmen. Daher haben wir uns von einigen jüngsten Entwicklungen in JMP inspirieren lassen, insbesondere von der modellgesteuerten multivariaten Regelkarte, die in JMP 15 eingeführt wurde, und dem Funktionsdaten-Explorer, der in JMP 14 eingeführt wurde. |
| |
Multivariate Regelkarten sind nicht wirklich eine neue Technik, die es schon lange gibt. Sie haben kürzlich ein Facelifting in JMP erhalten. |
| |
Und sie verwenden entweder Hauptkomponenten oder teilweise kleinste Quadrate, um Daten zu reduzieren, viele, viele Prozessvariablen zu modellieren und zu reduzieren, sodass Sie sie mit einem einzigen Diagramm betrachten können. Wir werden uns auf den PCA-Fall konzentrieren, wir werden nicht wirklich über Teilweise sprechen |
| |
das |
| |
teilweise kleinste Quadrate hier. |
| |
Functional Data Explorer ist die Methode, die wir in JMP verwenden, um mit Daten in Form einer Kurve zu arbeiten, funktional |
| |
Daten. Und es verwendet eine Form der Hauptkomponentenanalyse, eine Erweiterung der Hauptkomponentenanalyse für Funktionsdaten. |
| |
Es war also eine sehr natürliche Idee zu sagen, was wäre, wenn wir unsere Funktionskurven nehmen, diese reduzieren und mit dem Funktionsdaten-Explorer modellieren würden. |
| |
Das Ergebnis davon sind funktionale Hauptkomponenten, und genau wie Sie normale Hauptkomponenten hinzufügen und durch eine modellgesteuerte multivariate Regelkarte schieben würden, |
| |
Was wäre, wenn wir das mit funktionalen Hauptkomponenten machen könnten? Wäre das machbar und wäre das sinnvoll? |
| |
Damit übergebe ich die Sache an Steve und er stellt den Business Case vor, den wir heute besprechen werden. |
| 1253****529 |
Gut. Vielen Dank. Jordanien. |
| |
Da ich kein Video habe, habe ich beschlossen, euch wissen zu lassen, wie ich aussehe. |
| |
Da bin ich mit meiner Frau Megan und meinem Sohn Ethan |
| |
mit dem letztjährigen Kürbisbeet. Deshalb wollte ich mit ein wenig Hintergrundwissen in die Fallstudie einsteigen |
| |
was ich tue, und so haben Sie eine Vorstellung davon, woher diese Informationen kommen. Ich arbeite im Feinguss für Feinguss... |
| |
Abteilung Feinguss. |
| |
Feinguss beinhaltet die Herstellung einer Wachsnachbildung dessen, was Sie verkaufen möchten, und das Einfügen in eine Musterbaugruppe. |
| |
Tauchen Sie es mehrmals in proprietären Beton, bis Sie genug Kraft haben, um diese Form zu entwachsen. |
| |
Und wir feuern es, um genug Kraft zu haben, um Metall hineingießen zu können. Dann schlagen wir unseren Beton ab, wir nehmen den übermäßigen Metalleinsatz für den Gießprozess ab. Wir führen unsere zerstörungsfreien Tests durch und versenden das Teil. |
| |
Der Antrieb für die Suche nach verbesserten Prozesssteuerungsmethoden ist die Tatsache, dass |
| |
Die Schritte 7, 8 und 9 machen aufgrund der Prozessvariabilität in den Schritten 1–6 75 % der laufenden Kosten aus. Also, wenn wir 1-6 straffen können, |
| |
die meisten??? und die Kosten dorthin gehen, was viel billiger, viel kürzer ist, dann gibt es einen großen Mehrwert für das Unternehmen und für unsere Kunden, wenn 7, 8 und 9 viel kleiner gemacht werden. |
| |
Also PCC-Strukturen. Mein Werk, Titanium Plant, stellt hauptsächlich Komponenten für die Luft- und Raumfahrt her. Dort links ist ein Ventilator zu sehen ??? das leuchtet bei manchen grün ??? Entwickler. |
| |
Und dann haben wir unsere landgestützten Produkte, nämlich ein N155-Haubitzen-Stabilisatorbein. |
| |
Und nur um eine Vorstellung davon zu bekommen, wo es hinführt. Da jedes einzelne Flugzeug am Himmel im Grunde ein Teil hat, das wir herstellen, oder mehrere Teile, ist dies ein Triebwerksabschnitt ???, es hat einen Durchmesser von etwa zwei Metern, es ist ein einteiliger Guss |
| |
die ganz vorne in den Kern eines Gasturbinentriebwerks eindringt. Dieser ist insbesondere für den Trent XWB bestimmt, der den Airbus A350 antreibt |
| |
Jets. |
| |
Kommen wir also zu JMP. Der große Treiber hier ist also, wie Sie sich vorstellen können, bei etwas, das für einen großen Teil so komplex ist wie ein Feingussverfahren, es gibt Tonnen von |
| |
Daten kommen auf uns zu. Und es wird mehr und mehr funktional, da wir die Anzahl der Zentren, die wir haben, und die Anzahl der Maschinen, die wir verwenden, erhöhen. In dieser Fallstudie betrachten wir also |
| |
Daten, die mit einem Zeitstempel versehen sind. Wir haben 145 Chargen. Wir haben unser variables Interesse, das X1 ist. |
| |
Wir haben unseren Zähler, mit dem ich diesen Zeitstempel normalisiert habe, sodass es einfacher ist, den Lauf in Graph Builder zu überlagern, und er hat auch ein wenig hinzugefügt |
| |
Nettigkeit in der FTP-Plattform. Wir haben unsere Periode, die es uns ermöglicht, diese historische Periode und eine aktuelle Periode zu haben, die mit der modellgesteuerten multivariaten Regelkartenplattform übereinstimmt, |
| |
damit wir unsere FDE haben können |
| |
Schauen Sie sich nur die Vergangenheit an, damit sie sich nicht ändert, wenn wir aktuellere Daten hinzufügen. Dies ist also eine Art Betrachtung, wenn Sie dies in der Praxis verwenden würden, und dann ist der Testtyp meine eigene Validierung |
| |
Versuche. Und was Sie hier sehen werden, ist, dass ich hauptsächlich hineingegangen bin und Dinge als schlecht, marginal oder gut markiert habe. Rot ist also schlecht, marginal ist lila und grün ist gut, und Sie können sehen, wie sie sich überlagern. |
| |
Auf Anhieb können Sie sehen, dass wir einige Kurven haben |
| |
??? Kurven vom Mittelwert. Dies sind offensichtlich das, was wir als außer Kontrolle oder schlecht bezeichnen werden. |
| |
Dies würde die Herstellung als Katastrophe bezeichnen, denn das wäre ein diskrepantes Produkt. Also wollen wir in der Lage sein, diese zu identifizieren |
| |
früher, damit wir uns ansehen können, was im Prozess vor sich geht, und es beheben können. So sieht es aus |
| |
Ausbrechen, damit Sie sehen können, dass das Schlechte eine große Abweichung hat, manchmal eine mittlere Kurve und viel Charakter gegen Ende. |
| |
Die marginalen sind nicht ganz so abweichend von den mittleren Kurven, haben aber mehr Federn zum Heck hin und dann ist eine gute ziemlich eng. Sie können sehen, dass es immer noch etwas hüpft. Hier also die |
| |
das marginale und das gute basiert wirklich auf meinem Urteilsvermögen, und ich würde wahrscheinlich ein Attribut Gage R & R versagen, wenn ich es nur visuell betrachte. So |
| |
Wir haben insgesamt 33 schlechte Kurven, 45 marginale und 67. Und manuell können Sie nur sehen, dass etwa 10 von ihnen aus sind. Sie hätten also eine Option, wenn Sie keine Punktschätzung verwenden möchten, die ich etwas später zeigen werde, die nicht so gut funktioniert, oder vielleicht machen ... |
| |
Kontrolliere sie nach Punkten mit dem Zähler. Und wie Sie das machen würden, wäre, die schlechte Tabelle nach Zähler aufzuteilen, sie durch Kontrollkartenerstellung in eine einzelne Regelkarte mit gleitendem Bereich zu stecken, und dann würden Sie herauskommen, |
| |
wie 3500 Regelkarten in diesem Fall, die Sie nutzen können, um kombinierte Datentabellen zu erstellen, um diese Listenzusammenfassung von jeder in eine eigene Datentabelle umzuwandeln, die Sie dann mit Ihrer Hauptdatentabelle verknüpfen können, und Sie erhalten eine schöne cool aussehend |
| |
Analyse, die so aussieht, wo Sie Kontrollgrenzen haben, die auf den Zählern und historischen Daten basieren, und Sie können Ihre Kurven überlagern. Wenn Sie also einen Algorithmus hätten, der markiert, wenn er die Kontrollgrenzen überschreitet, wissen Sie, wäre das eine Möglichkeit, dies zu versuchen |
| |
hab die kontrolle.... |
| |
eine Regelkartenfunktionalität mit Funktionsdaten. Aber Sie können sehen, besonders ich habe hier 38 hervorgehoben, dass Sie eine größere Abweichung haben und innerhalb der Eingriffsgrenzen bleiben können. Das ist also, wo diese FDE |
| |
Die Plattform kann wirklich glänzen, da sie eine FPC identifizieren kann, die einigen dieser Hauptabweichungen entspricht. Und so können wir die Kurven basierend auf denen bei FPCs markieren. |
| |
Und das werden wir etwas später sehen. So, |
| |
Mit der FDE-Plattform ist es wirklich einfach. Hier konzentrieren wir uns für diese Demonstration auf eine Schrittfunktion mit 100 Knoten. |
| |
Und Sie können sehen, wie die FPCs die Variabilität erfassen. Die Haupt-FPC sagt also, wissen Sie, am Anfang der Kurve gibt es ... das ist es, was die größte Variabilität antreibt, diese Abweichung vom Mittelwert. |
| |
Und Setup ist X1 und ihre Ausgabe, Zähler. Unsere Eingabe, Chargennummer und dann habe ich den Testtyp hinzugefügt. Wir können dies also als Teil unserer Validierung in der FPC-Tabelle und dem modellgesteuerten multivariaten Kontrolldiagramm und dem Zeitraum verwenden, sodass nur unsere Historie die FDE-Anpassung antreibt. |
| |
Und so |
| |
Nur auf die Passform zu schauen, ist tatsächlich ein ziemlich wichtiger Teil, um sicherzustellen, dass Sie richtig liegen |
| |
Wenn ich später Regelkarten erstellen möchte, verwende ich diesen P-Schritt |
| |
Funktion 100-Knoten-Modell. Sie können tatsächlich sehen, wenn ich einen B-Spline und damit mit kubischen 20-Knoten verwende, sieht es tatsächlich ziemlich nah an meinem P-Spline aus. |
| |
Aber vom BIC können Sie tatsächlich sehen, dass ich zu mehr Knoten gehen sollte, also wenn ich das tue, sehen wir jetzt, dass sie überanpassen, sich wirklich auf die isolierten Spitzen konzentrieren und es wird dazu führen, dass Sie einen FDE haben |
| |
Modell, das nicht richtig aussieht und dazu führt, dass Sie nicht so empfindlich sind, und Ihre modellgesteuerte multivariate Regelkarte. |
| |
0 |
