Vocero
|
Transcripción
|
| Jordan Hiller |
Hola a todos. Soy Jordan Hiller, ingeniero senior de sistemas de JMP, y haré una presentación con Steve Hampton, gerente de control de procesos de PCC Structurals. Hoy hablaremos del control estadístico de procesos para variables de proceso que tienen una forma funcional. |
| |
Y esa es una bonita imagen justo en el título. |
| |
deslizar. Estamos hablando de control estadístico de procesos, cuando no es un solo número, una medida puntual, sino que lo que intentamos controlar tiene la forma de una curva funcional. |
| |
Steve hablará sobre el caso de negocios y por qué estamos interesados en eso en unos minutos. Sólo voy a decir algunas palabras sobre metodología. |
| |
Revisamos la literatura en esta área durante los últimos 20 años aproximadamente. Hay muchísimos artículos sobre este tema. Sin embargo, no parece haber realmente un consenso claro sobre la mejor manera de abordar esta estadística. |
| |
control de procesos |
| |
cuando sus variables toman la forma de una curva. Por eso, nos inspiraron algunos desarrollos recientes en JMP, específicamente el gráfico de control multivariado impulsado por modelo introducido en JMP 15 y el explorador de datos funcionales introducido en JMP 14. |
| |
Los gráficos de control multivariados no son realmente una técnica nueva; existen desde hace mucho tiempo. Recientemente acaban de renovar JMP. |
| |
Y utilizan componentes principales o mínimos cuadrados parciales para reducir datos, modelar y reducir muchas, muchas variables de proceso para que pueda observarlas en un solo gráfico. Nos centraremos en el caso de la PCA, en realidad no vamos a hablar de |
| |
el |
| |
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 esto son componentes principales funcionales y, al igual que usted, agregaría componentes principales regulares y los impulsaría a través de un gráfico de control multivariado impulsado por un modelo. |
| |
¿Qué pasaría si pudiéramos hacer eso con componentes principales funcionales? ¿Sería factible y útil? |
| |
Con eso, le pasaré la palabra a Steve y él presentará el caso de negocios que vamos a discutir hoy. |
| 1253****529 |
Está bien. Muchas gracias. Jordán. |
| |
Como no tengo vídeo, decidí dejarles saber cómo me veo. |
| |
Ahí 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 algunos antecedentes sobre |
| |
lo que hago, y así tendrás una idea de dónde viene esta información. Trabajo en microfusión para fundición de precisión... |
| |
División de Fundición a la cera perdida. |
| |
La fundición a la cera perdida implica hacer una réplica en cera de lo que se quiere 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 cocemos para que tenga la fuerza suficiente para poder verterle metal. Luego quitamos nuestro concreto, quitamos 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 representan 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 se ve un fan??? ¿Eso es de color verde brillante en algunos? desarrollador. |
| |
Y luego tenemos nuestros productos terrestres, que son una pata estabilizadora de obús N155. |
| |
Y sólo para tener una idea de hacia dónde va. Debido a que cada avión en el cielo básicamente tiene una parte que fabricamos o varias partes, esta es una sección del 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. |
| |
Entonces entremos en JMP. Entonces, el gran factor aquí es, como se puede imaginar, con algo que es tan complejo como un proceso de casting de inversión en gran parte, hay toneladas de |
| |
datos que nos llegan. Y cada vez más, se vuelve funcional a medida que aumentamos la cantidad de centros que tenemos y aumentamos la cantidad de máquinas que utilizamos. Entonces, en este estudio de caso, estamos analizando |
| |
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 la que normalicé esa marca de tiempo, por lo que es más fácil superponer la ejecución en Graph Builder y también tiene un poco de información adicional. |
| |
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 gráficos de control multivariado impulsado por el modelo. |
| |
para que podamos tener nuestro FDE |
| |
Solo mire el histórico para que no cambie a medida que agregamos más datos actuales. Entonces, esto es como ver esto si estuvieras usando esto en la práctica, y luego el tipo de prueba es mi propia validación. |
| |
intentos. Y lo que verán aquí es que principalmente he entrado y etiquetado las cosas como malas, marginales o buenas. Entonces el rojo es malo, el marginal es morado 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. Esto obviamente es lo que llamaremos fuera de control o malo. |
| |
Esto sería lo que el sector manufacturero llama un desastre porque, en cierto modo, sería un producto discrepante. Por eso queremos ser capaces de identificar aquellos |
| |
antes, para que podamos ver qué está pasando en el proceso y solucionarlo. Esto es lo que parece |
| |
irrumpiendo para que se vea que lo malo tiene alguna desviación importante, a veces de curva media y mucho carácter hacia el final. |
| |
Las marginales no se desvían tanto de las curvas medias, pero tienen más rebote hacia la cola y la buena es bastante ajustada. Puedes ver que todavía hay algunos rebotes. Entonces aquí es donde el |
| |
lo marginal y lo bueno realmente se basan en mi juicio, y probablemente fallaría en un atributo de Gage R&R con solo mirar esto visualmente. Entonces |
| |
tenemos un total de 33 curvas malas, 45 marginales y 67. Y manualmente, puedes ver que alrededor de 10 de ellos están fuera. Así que tendrías una opción si no quisieras usar una estimación puntual, que mostraré un poco más adelante y que no funciona tan bien, de tal vez hacer... |
| |
controlarlos por puntos usando el contador. Y cómo hacerlo sería dividir la tabla mala por contador, ponerla en un gráfico de control de rango móvil individual a través de la construcción del gráfico de control y luego saldría, |
| |
como 3500 gráficos de control en este caso, que puede usar la increíble capacidad de crear tablas de datos combinadas para convertir ese resumen de lista de cada uno en su propia tabla de datos que luego puede vincular nuevamente a su tabla de datos principal y obtendrá una bonita Apariencia guay |
| |
análisis que se parece a este, donde tiene límites de control basados en los contadores y datos históricos y puede superponer sus curvas. Entonces, si tuvieras un algoritmo que etiquetara cada vez que saliera de los límites de control, ya sabes, esa sería una opción para intentar |
| |
tener un control.... |
| |
una funcionalidad de gráfico de control con datos funcionales. Pero puedes ver, especialmente resalté 38 aquí, que puedes tener una desviación importante y permanecer dentro de los límites de control. Entonces ahí es donde este FDE |
| |
La plataforma realmente puede brillar, ya que puede identificar un FPC que se corresponde con algunas de estas desviaciones importantes. Y entonces podemos etiquetar las curvas según las de los FPC. |
| |
Y eso lo veremos un poco más adelante. Entonces, |
| |
Usar la plataforma FDE es realmente sencillo. En esta demostración, nos centraremos en una función escalonada 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 multivariado impulsado por el modelo y el período para que solo nuestro histórico sea lo que impulse el ajuste FDE. |
| |
Y entonces |
| |
Solo mirar el ajuste es en realidad una parte muy importante para asegurarse de que sea correcto. |
| |
gráficos de control más adelante, ¿estoy usando este paso P? |
| |
Función modelo 100 nudos. En realidad, puedes ver que si uso un spline B y, por lo tanto, con 20 nudos cúbicos, en realidad se parece bastante a mi spline P. |
| |
Pero desde el BIC puedes ver que debería ir a más nudos, así que si hago eso, ahora empezaremos a verlos sobreajustados, enfocándonos realmente en los picos aislados y eso provocará que tengas un FDE. |
| |
modelo que no se ve bien y hace que usted no sea tan sensible y su gráfico de control multivariado impulsado por el modelo. |
| |
0 |
