Altoparlante
|
Trascrizione
|
| Giordano Hiller |
Ciao a tutti. Sono Jordan Hiller, ingegnere di sistemi senior presso JMP, e sto presentando con Steve Hampton, responsabile del controllo di processo presso PCC Structurals. Oggi parliamo di controllo statistico di processo per variabili di processo che hanno una forma funzionale. |
| |
E questa è una bella immagine proprio lì sul titolo |
| |
diapositiva. Parliamo di controllo statistico del processo, quando non è un singolo numero, una misura puntuale, ma invece la cosa che stiamo cercando di controllare ha la forma di una curva funzionale. |
| |
Steve parlerà del business case, perché ci interessa tra pochi minuti. Dirò solo poche parole sulla metodologia. |
| |
Abbiamo esaminato la letteratura in questo settore negli ultimi 20 anni circa. Ci sono molti, molti documenti su questo argomento. Tuttavia, non sembra esserci un chiaro consenso sul modo migliore per affrontare questa statistica |
| |
controllo di processo |
| |
quando le tue variabili assumono la forma di una curva. Quindi siamo stati ispirati da alcuni recenti sviluppi in JMP, in particolare il grafico di controllo multivariato guidato dal modello introdotto in JMP 15 e l'esploratore di dati funzionali introdotto in JMP 14. |
| |
I grafici di controllo multivariati non sono in realtà una nuova tecnica che esistono da molto tempo. Di recente hanno appena ricevuto un restyling in JMP. |
| |
E usano componenti principali o minimi quadrati parziali per ridurre i dati, per modellare e ridurre molte, molte variabili di processo in modo che tu possa guardarle con un singolo grafico. Ci concentreremo sul caso PCA, non parleremo davvero di parziale |
| |
IL |
| |
minimi quadrati parziali qui. |
| |
Functional Data Explorer è il metodo che utilizziamo in JMP per lavorare con i dati sotto forma di una curva, funzionale |
| |
dati. E utilizza una forma di analisi delle componenti principali, un'estensione dell'analisi delle componenti principali per i dati funzionali. |
| |
Quindi è stata un'idea molto naturale dire cosa succede se prendiamo le nostre curve funzionali, le riduciamo e le modelliamo usando l'esploratore di dati funzionali. |
| |
Il risultato sono componenti principali funzionali e proprio come aggiungeresti componenti principali regolari e lo spingerai attraverso un grafico di controllo multivariato basato su modello, |
| |
e se potessimo farlo con componenti principali funzionali? Sarebbe fattibile e sarebbe utile? |
| |
Quindi, con questo, consegnerò le cose a Steve e lui presenterà il business case di cui discuteremo oggi. |
| 1253****529 |
Va bene. Grazie mille. Giordania. |
| |
Dato che non ho video, ho deciso di farvi sapere come sono. |
| |
Ci sono io con mia moglie Megan e mio figlio Ethan |
| |
con il campo di zucche dell'anno scorso. Quindi volevo entrare nel caso di studio con un piccolo background |
| |
cosa faccio, e così hai un'idea di dove provengono queste informazioni. Lavoro nella microfusione per microfusione... |
| |
Divisione colata di investimento. |
| |
La fusione a cera persa comporta la creazione di una replica in cera di ciò che si desidera vendere, inserendolo in un assemblaggio di modelli, |
| |
immergendolo più volte nel cemento proprietario fino a quando non ottieni abbastanza forza per poter decerare quella muffa. |
| |
E lo spariamo per avere abbastanza forza da poterci versare del metallo. Quindi togliamo il nostro cemento, togliamo l'eccessivo uso di metallo per il processo di fusione. Facciamo i nostri test non distruttivi e spediamo la parte. |
| |
La spinta a guardare a metodi di controllo del processo migliorati è il fatto che |
| |
Le fasi 7, 8 e 9 assorbono il 75% dei costi permanenti a causa della variabilità del processo nelle fasi 1-6. Quindi, se riusciamo a stringere 1-6, |
| |
la maggior parte ??? e il costo va lì, che è molto più economico, molto più breve, quindi c'è un grande valore aggiunto per l'azienda e per i nostri clienti nel rendere 7, 8 e 9 molto più piccoli. |
| |
Quindi Strutture PCC. Il mio impianto, Titanium Plant, produce principalmente componenti aerospaziali. A sinistra c'è un fan ??? che è verde brillante da alcuni ??? sviluppatore. |
| |
E poi abbiamo i nostri prodotti terrestri, che proprio lì c'è una gamba stabilizzatrice dell'obice N155. |
| |
E solo per avere un'idea di dove va. Poiché ogni singolo aeroplano in cielo ha fondamentalmente una parte che produciamo o più parti, questa è una sezione del motore ???, ha un diametro di circa sei piedi, è un pezzo fuso |
| |
che va nella parte anteriore del nucleo di un motore a turbina a gas. Questo in particolare è per il Trent XWB che alimenta l'Airbus A350 |
| |
getti. |
| |
Quindi entriamo in JMP. Quindi il grande driver qui è, come puoi immaginare, con qualcosa che è complesso come un processo di microfusione per gran parte, ci sono tonnellate di |
| |
dati in arrivo. E sempre di più sta diventando funzionale man mano che aumentiamo il numero di centri, abbiamo e aumentiamo il numero di macchine che utilizziamo. Quindi, in questo caso di studio, stiamo guardando |
| |
dati forniti con un timestamp. Abbiamo 145 lotti. Abbiamo il nostro interesse variabile che è X1. |
| |
Abbiamo il nostro contatore, che è un modo in cui ho normalizzato quel timestamp, quindi è più facile sovrapporre l'esecuzione in Graph Builder e ha anche un po' di aggiunta |
| |
gentilezza nella piattaforma FTP. Abbiamo il nostro periodo, che ci permette di avere quel periodo storico e un periodo attuale che si allinea con la piattaforma della carta di controllo multivariata guidata dal modello, |
| |
in modo che possiamo avere il nostro FDE |
| |
guarda solo lo storico in modo che non cambi man mano che aggiungiamo più dati attuali. Quindi questo è un po 'guardare questo se lo stessi usando in pratica, e quindi il tipo di test è la mia convalida |
| |
tentativi. E quello che vedrai qui è che sono entrato principalmente e ho etichettato le cose come cattive, marginali o buone. Quindi il rosso è cattivo, il marginale è viola e il verde è buono e puoi vedere come si sovrappongono. |
| |
All'inizio, puoi vedere che abbiamo un po 'di curve |
| |
??? curve dalla media. Questi sono ovviamente ciò che chiameremo fuori controllo o cattivi. |
| |
Questo sarebbe ciò che la produzione chiamava un disastro perché, ad esempio, sarebbe un prodotto discrepante. Quindi vogliamo essere in grado di identificarli |
| |
prima, in modo che possiamo andare a vedere cosa sta succedendo nel processo e risolverlo. Questo è quello che sembra |
| |
scoppiando così puoi vedere che il cattivo ha qualche deviazione importante, a volte di curva media e molto carattere verso la fine. |
| |
Quelle marginali non sono così devianti dalle curve medie ma hanno più rimbalzi verso la coda e quindi quella buona è piuttosto stretta. Puoi vedere che c'è ancora qualche rimbalzo. Quindi è qui che il |
| |
il marginale e il buono si basano davvero sul mio giudizio, e probabilmente fallirei un attributo Gage R&R basato solo sul guardare visivamente questo. COSÌ |
| |
abbiamo un totale di 33 curve cattive, 45 marginali e 67. E manualmente, puoi solo vedere che circa 10 di loro sono fuori. Quindi avresti un'opzione se non volessi usare una stima puntuale, che mostrerò un po' più avanti che non funziona così bene, di forse fare... |
| |
controllali per punti usando il contatore. E il modo in cui lo fai sarebbe dividere il tavolo sbagliato per contatore, metterlo in un singolo grafico di controllo del range mobile attraverso la costruzione del grafico di controllo e poi usciresti, |
| |
come 3500 carte di controllo in questo caso, che puoi usare la straordinaria capacità di creare tabelle di dati combinate per trasformare quel riepilogo dell'elenco da ciascuna nella propria tabella di dati che puoi quindi ricollegare alla tua tabella di dati principale e ottieni un bel bello |
| |
analisi simile a questa, in cui hai limiti di controllo basati sui contatori e sui dati storici e puoi sovrapporre le tue curve. Quindi, se avessi un algoritmo che taggherebbe ogni volta che esce dai limiti di controllo, sai, quella sarebbe un'opzione per provare a |
| |
avere il controllo.... |
| |
una funzionalità del grafico di controllo con dati funzionali. Ma puoi vedere, in particolare ho evidenziato 38 qui, che puoi avere qualche deviazione importante e rimanere entro i limiti di controllo. Ecco dove questo FDE |
| |
piattaforma può davvero brillare, in quanto può identificare un FPC che corrisponde ad alcune di queste deviazioni principali. E così possiamo etichettare le curve in base a quelle degli FPC. |
| |
E lo vedremo poco dopo. COSÌ, |
| |
utilizzando la piattaforma FDE, è davvero semplice. Qui per questa dimostrazione, ci concentreremo su una funzione di gradino con 100 nodi. |
| |
E puoi vedere come gli FPC catturano la variabilità. Quindi l'FPC principale sta dicendo, sai, all'inizio della curva, c'è... questo è ciò che sta guidando la maggior variabilità, questa deviazione dalla media. |
| |
E l'installazione è X1 e la loro uscita, contatori. Il nostro input, il numero di lotto e poi ho aggiunto il tipo di test. Quindi possiamo usarlo come parte della nostra convalida nella tabella FPC e nel grafico di controllo multivariato basato sul modello e nel periodo in modo che solo il nostro storico sia ciò che sta guidando l'adattamento FDE. |
| |
E così |
| |
solo guardare la vestibilità è in realtà una parte piuttosto importante per assicurarti di essere corretto |
| |
grafico di controllo in seguito, sto usando questo P Step |
| |
Funzione Modello 100 nodi. Puoi vedere, in realtà, se uso una spline B e quindi con 20 nodi cubici, in realtà sembra molto vicino alla mia spline P. |
| |
Ma dal BIC puoi effettivamente vedere che dovrei andare a più nodi, quindi se lo faccio, ora iniziamo a vederli sovradimensionati, concentrandoci davvero sui picchi isolati e ti farà avere un FDE |
| |
modello che non sembra giusto e ti fa non essere così sensibile e il tuo grafico di controllo multivariato basato sul modello. |
| |
0 |
