Conférencier
|
Transcription
|
| Jordan Hillier |
Salut tout le monde. Je suis Jordan Hiller, ingénieur système senior chez JMP, et je présente avec Steve Hampton, responsable du contrôle des processus chez PCC Structurals. Aujourd'hui, nous parlons de contrôle statistique des processus pour les variables de processus qui ont une forme fonctionnelle. |
| |
Et c'est une belle image juste là sur le titre |
| |
faire glisser. Nous parlons de contrôle de processus statistique, quand ce n'est pas un nombre unique, une mesure ponctuelle, mais plutôt, la chose que nous essayons de contrôler a la forme d'une courbe fonctionnelle. |
| |
Steve va parler de l'analyse de rentabilisation, pourquoi nous nous intéressons à cela dans quelques minutes. Je vais juste dire quelques mots sur la méthodologie. |
| |
Nous avons passé en revue la littérature dans ce domaine depuis une vingtaine d'années. Il existe de très nombreux articles sur ce sujet. Cependant, il ne semble pas y avoir de consensus clair sur la meilleure façon d'aborder cette statistique. |
| |
contrôle de processus |
| |
lorsque vos variables prennent la forme d'une courbe. Nous nous sommes donc inspirés de certains développements récents de JMP, en particulier la carte de contrôle multivariée basée sur un modèle introduite dans JMP 15 et l'explorateur de données fonctionnel introduit dans JMP 14. |
| |
Les cartes de contrôle multivariées ne sont pas vraiment une technique nouvelle, elles existent depuis longtemps. Ils viennent de faire peau neuve dans JMP récemment. |
| |
Et ils utilisent soit des composants principaux, soit des moindres carrés partiels pour réduire les données, modéliser et réduire de très nombreuses variables de processus afin que vous puissiez les examiner avec un seul graphique. On va se concentrer sur l'affaire PCA, on ne va pas vraiment parler de partielle |
| |
la |
| |
moindres carrés partiels ici. |
| |
Functional Data Explorer est la méthode que nous utilisons dans JMP pour travailler avec des données sous la forme d'une courbe, fonctionnelle |
| |
Les données. Et il utilise une forme d'analyse en composantes principales, une extension de l'analyse en composantes principales pour les données fonctionnelles. |
| |
C'était donc une idée très naturelle de dire et si nous prenions nos courbes fonctionnelles, les réduisions et les modélisions à l'aide de l'explorateur de données fonctionnelles. |
| |
Le résultat de cela est des composants principaux fonctionnels et tout comme vous ajouteriez des composants principaux réguliers et pousseriez cela à travers une carte de contrôle multivariée pilotée par un modèle, |
| |
Et si on pouvait faire ça avec des composants principaux fonctionnels ? Serait-ce faisable et serait-ce utile? |
| |
Sur ce, je vais céder la parole à Steve et il présentera l'analyse de rentabilisation dont nous allons discuter aujourd'hui. |
| 1253****529 |
D'accord. Merci beaucoup. Jordan. |
| |
Comme je n'ai pas de vidéo, j'ai décidé de vous faire savoir à quoi je ressemble. |
| |
Il y a moi avec ma femme Megan et mon fils Ethan |
| |
avec le champ de citrouilles de l'an dernier. Je voulais donc entrer dans l'étude de cas avec un peu de contexte sur |
| |
ce que je fais, et ainsi vous avez une idée d'où viennent ces informations. Je travaille dans la fonderie de précision pour la fonderie de précision... |
| |
Division de moulage de précision. |
| |
Le moulage de précision consiste à faire une réplique en cire de ce que vous voulez vendre, à le mettre dans un assemblage de modèle, |
| |
le plonger plusieurs fois dans du béton exclusif jusqu'à ce que vous obteniez suffisamment de force pour pouvoir décirer ce moule. |
| |
Et nous le tirons pour avoir assez de force pour pouvoir y verser du métal. Ensuite, nous supprimons notre béton, nous supprimons l'utilisation excessive de métal pour le processus de coulée. Nous effectuons nos tests non destructifs et nous expédions la pièce. |
| |
La motivation pour rechercher des méthodes de contrôle de processus améliorées est le fait que |
| |
Les étapes 7, 8 et 9 représentent 75 % des coûts permanents en raison de la variabilité du processus dans les étapes 1 à 6. Donc, si nous pouvons resserrer 1-6, |
| |
la plupart de ??? et le coût y va, ce qui est beaucoup moins cher, beaucoup plus court, alors il y a une grande valeur ajoutée pour l'entreprise et pour nos clients en rendant 7, 8 et 9 beaucoup plus petits. |
| |
Donc Structures PCC. Mon usine, Titanium Plant, fabrique principalement des composants aérospatiaux. Sur la gauche, vous pouvez voir un ventilateur ??? qui est vert brillant de certains ??? développeur. |
| |
Et puis nous avons nos produits terrestres, qui sont juste là une jambe stabilisatrice d'obusier N155. |
| |
Et juste pour avoir une idée d'où ça va. Parce que chaque avion dans le ciel a essentiellement une pièce que nous fabriquons ou plusieurs pièces, il s'agit d'une section de moteur ???, il fait environ six pieds de diamètre, c'est un moulage en une seule pièce |
| |
qui va à l'avant même du noyau d'un moteur à turbine à gaz. Celui-ci en particulier est destiné au Trent XWB qui propulse l'Airbus A350 |
| |
jets. |
| |
Entrons donc dans JMP. Donc, le grand moteur ici est, comme vous pouvez l'imaginer, avec quelque chose qui est complexe comme un processus de moulage de précision pour une grande partie, il y a des tonnes de |
| |
données qui nous parviennent. Et de plus en plus, cela devient fonctionnel à mesure que nous augmentons le nombre de centres, nous avons et nous augmentons le nombre de machines que nous utilisons. Ainsi, dans cette étude de cas, nous examinons |
| |
données accompagnées d'un horodatage. Nous avons 145 lots. Nous avons notre intérêt variable qui est X1. |
| |
Nous avons notre compteur, qui est une façon dont j'ai normalisé cet horodatage, il est donc plus facile de superposer l'exécution dans Graph Builder et il a également un peu ajouté |
| |
gentillesse dans la plate-forme FTP. Nous avons notre période, ce qui nous permet d'avoir cette période historique et une période actuelle qui s'aligne sur la plate-forme de carte de contrôle multivariée pilotée par modèle, |
| |
pour que nous puissions avoir notre FDE |
| |
ne regardez que l'historique afin qu'il ne change pas à mesure que nous ajoutons des données plus actuelles. Donc, c'est en quelque sorte regarder cela si vous utilisiez cela dans la pratique, puis le type de test est ma propre validation |
| |
tentatives. Et ce que vous verrez ici, c'est que je suis principalement entré et étiqueté les choses comme mauvaises, marginales ou bonnes. Donc, le rouge est mauvais, le marginal est violet et le vert est bon et vous pouvez voir comment ils se superposent. |
| |
Dès le départ, vous pouvez voir que nous avons des courbes |
| |
??? courbes à partir de la moyenne. Ce sont évidemment ce que nous appellerons hors de contrôle ou mauvais. |
| |
Ce serait ce que la fabrication appellerait un désastre parce que, par exemple, ce serait un produit non conforme. Nous voulons donc être en mesure d'identifier ces |
| |
plus tôt, afin que nous puissions aller voir ce qui se passe dans le processus et y remédier. C'est à quoi ça ressemble |
| |
éclater pour que vous puissiez voir que le mauvais a une déviation majeure, parfois de courbe moyenne et beaucoup de caractère vers la fin. |
| |
Les courbes marginales ne sont pas aussi déviantes des courbes moyennes mais ont plus de rebond vers la queue et la bonne est assez serrée. Vous pouvez voir qu'il y a encore des rebonds. C'est donc là que le |
| |
le marginal et le bon sont vraiment basés sur mon jugement, et j'échouerais probablement à un attribut Gage R&R basé sur une simple observation visuelle de cela. Alors |
| |
nous avons au total 33 mauvaises courbes, 45 marginales et 67. Et manuellement, vous pouvez voir qu'environ 10 d'entre eux sont sortis. Vous auriez donc la possibilité, si vous ne vouliez pas utiliser une estimation ponctuelle, que je montrerai un peu plus tard et qui ne fonctionne pas très bien, de faire peut-être... |
| |
contrôlez-les par points à l'aide du compteur. Et la façon dont vous faites cela serait de diviser la mauvaise table par compteur, de la mettre dans une carte de contrôle de plage mobile individuelle via la construction de la carte de contrôle, puis vous sortiriez, |
| |
comme 3500 cartes de contrôle dans ce cas, que vous pouvez utiliser la capacité impressionnante de créer des tableaux de données combinés pour transformer ce résumé de liste de chacun en son propre tableau de données que vous pouvez ensuite relier à votre tableau de données principal et vous obtenez une jolie beau |
| |
analyse qui ressemble à ceci, où vous avez des limites de contrôle basées sur les compteurs et les données historiques et vous pouvez superposer vos courbes. Donc, si vous aviez un algorithme qui marquerait chaque fois qu'il sortait des limites de contrôle, vous savez, ce serait une option pour essayer de |
| |
avoir un controle.... |
| |
une fonctionnalité de carte de contrôle avec des données fonctionnelles. Mais vous pouvez voir, en particulier j'ai souligné 38 ici, que vous pouvez avoir des écarts importants et rester dans les limites de contrôle. C'est donc là que ce FDE |
| |
plate-forme peut vraiment briller, en ce sens qu'elle peut identifier un FPC qui correspond à certaines de ces déviations majeures. Et ainsi nous pouvons étiqueter les courbes en fonction de celles des FPC. |
| |
Et nous verrons cela un peu plus tard. Alors, |
| |
en utilisant la plate-forme FDE, c'est vraiment simple. Ici pour cette démonstration, nous allons nous concentrer sur une fonction échelon à 100 nœuds. |
| |
Et vous pouvez voir comment les FPC capturent la variabilité. Donc le FPC principal dit, vous savez, le début de la courbe, il y a... c'est ce qui entraîne le plus de variabilité, cet écart par rapport à la moyenne. |
| |
Et la configuration est X1 et leur sortie, les compteurs. Notre entrée, le numéro de lot, puis j'ai ajouté le type de test. Nous pouvons donc utiliser cela comme une partie de notre validation dans le tableau FPC et la carte de contrôle multivariée pilotée par le modèle et la période de sorte que seul notre historique est ce qui motive l'ajustement FDE. |
| |
Et donc |
| |
le simple fait de regarder l'ajustement est en fait une partie assez importante pour s'assurer que vous obtenez le bon |
| |
graphique de contrôle plus tard, est-ce que j'utilise cette étape P |
| |
Fonction modèle 100 nœuds. Vous pouvez voir, en fait, si j'utilise une spline B et donc avec Cubic 20 nœuds, cela semble en fait assez proche de ma spline P. |
| |
Mais à partir du BIC, vous pouvez en fait voir que je devrais aller à plus de nœuds, donc si je fais cela, maintenant nous commençons à les voir sur-adapter, en se concentrant vraiment sur les pics isolés et cela vous fera avoir un FDE |
| |
modèle qui ne semble pas correct et vous rend moins sensible et votre carte de contrôle multivariée pilotée par le modèle. |
| |
0 |
