揚聲器
|
成績單
|
| 喬丹·希勒 |
大家好你們好。 我是 JMP 的高級系統工程師 Jordan Hiller，我將與 PCC Structurals 的過程控制經理 Steve Hampton 一起做演講。 今天我們討論的是具有函數形式的過程變量的統計過程控制。 |
| |
這是標題上的一張好照片 |
| |
滑動。我們談論的是統計過程控制，它不是一個單一的數字，一個點測量，而是我們試圖控制的東西具有功能曲線的形狀。 |
| |
史蒂夫將在幾分鐘內討論商業案例，為什麼我們對此感興趣。 關於方法論，我只想說幾句。 |
| |
我們回顧了過去 20 年左右該領域的文獻。 有很多很多關於這個主題的論文。 然而，對於處理這一統計數據的最佳方式，似乎並沒有明確的共識 |
| |
過程控制 |
| |
當您的變量採用曲線的形式時。 因此，我們受到 JMP 的一些最新發展的啟發，特別是 JMP 15 中引入的模型驅動多元控製圖和 JMP 14 中引入的功能數據瀏覽器。 |
| |
多元控製圖實際上並不是一種新技術，它們已經存在了很長時間。 他們最近在 JMP 中進行了整容。 |
| |
他們使用主成分或偏最小二乘法來減少數據，建模和減少許多過程變量，以便您可以使用單個圖表查看它們。 我們將專注於 PCA 案，我們不會真正談論部分 |
| |
這 |
| |
這裡的偏最小二乘。 |
| |
函數式數據瀏覽器是我們在 JMP 中使用的方法，用於處理曲線形狀的數據，函數式 |
| |
數據。它使用一種主成分分析的形式，一種對功能數據的主成分分析的擴展。 |
| |
所以這是一個非常自然的想法，如果我們採用函數曲線，使用函數數據瀏覽器對其進行簡化和建模，會發生什麼。 |
| |
結果是功能主成分，就像您添加常規主成分並通過模型驅動的多元控製圖推動它一樣， |
| |
如果我們可以用一個功能性的主成分來做到這一點呢？ 這是否可行並且有用嗎？ |
| |
因此，我將把事情交給史蒂夫，他將介紹我們今天要討論的商業案例。 |
| 1253****529 |
好的。 非常感謝。 約旦。 |
| |
由於我沒有視頻，所以我決定讓你們知道我的樣子。 |
| |
我和我的妻子梅根和我的兒子伊森在一起 |
| |
去年的南瓜地。 所以我想帶著一點背景進入這個案例研究 |
| |
我做什麼，所以你知道這些信息是從哪裡來的。 我從事精密鑄造的熔模鑄造... |
| |
熔模鑄造事業部。 |
| |
熔模鑄造涉及製作您想要出售的蠟複製品，將其放入模型組件中， |
| |
將其多次浸入專有混凝土中，直到獲得足夠的強度以使模具脫蠟。 |
| |
我們燒製它以使其有足夠的強度能夠將金屬倒入其中。 然後我們敲掉我們的混凝土，我們去掉鑄造過程中過多的金屬使用。 我們進行非破壞性測試並運送零件。 |
| |
尋求改進過程控制方法的驅動力在於： |
| |
由於步驟 1-6 中的過程可變性，步驟 7、8 和 9 佔據了 75% 的固定成本。 所以如果我們可以收緊1-6， |
| |
大多數 ？？？和成本去那裡，這要便宜得多，要短得多，那麼對於公司和我們的客戶來說，將 7、8 和 9 做得更小有很大的附加值。 |
| |
所以PCC結構。 我的工廠，鈦廠，主要生產航空航天部件。 在左邊你可以看到一個風扇？？？那是一些發出綠色的光？？？開發商。 |
| |
然後我們有我們的陸基產品，其中有一個 N155 榴彈砲穩定器腿。 |
| |
只是想知道它的去向。 因為天空中的每一架飛機基本上都有我們製造的一個零件或多個零件，這是一個發動機部分???，它的直徑約為六英尺，它是一個整體鑄件 |
| |
它進入燃氣渦輪發動機核心的最前面。 這個特別適用於為空中客車 A350 提供動力的 Trent XWB |
| |
噴氣機。 |
| |
因此，讓我們進入 JMP。 因此，正如您可以想像的那樣，這裡的主要驅動因素是，對於大部分複雜的熔模鑄造工藝，有大量的 |
| |
數據向我們走來。 隨著我們增加中心數量，我們擁有並且我們增加使用的機器數量，它變得越來越實用。 所以在這個案例研究中，我們正在研究 |
| |
帶有時間戳的數據。 我們有 145 個批次。 我們有我們的可變利益，即 X1。 |
| |
我們有我們的計數器，這是我標準化該時間戳的一種方式，因此更容易在 Graph Builder 中覆蓋運行，並且它還添加了一些 |
| |
在 FTP 平台上的好處。 我們有我們的時期，這使我們能夠擁有與模型驅動的多元控製圖平台一致的歷史時期和當前時期， |
| |
這樣我們就可以擁有我們的 FDE |
| |
僅查看歷史數據，因此隨著我們添加更多當前數據，它不會改變。 所以如果你在實踐中使用它，這有點像看這個，然後測試類型是我自己的驗證 |
| |
嘗試。你將在這裡看到的是，我主要將事物標記為壞、邊緣或好。 所以紅色是壞的，邊緣是紫色的，綠色是好的，你可以看到它們是如何疊加的。 |
| |
馬上，你可以看到我們有一些曲線 |
| |
？？？來自均值的曲線。 這些顯然是我們所說的失控或壞的。 |
| |
這將是製造業所謂的災難，因為這將是差異化的產品。 所以我們希望能夠識別那些 |
| |
早些時候，這樣我們就可以去看看這個過程發生了什麼並修復它。 這就是它的樣子 |
| |
爆發，因此您可以看到壞處有一些重大偏差，有時是平均曲線，並且在結尾處有很多特徵。 |
| |
邊緣曲線不太偏離平均曲線，但向尾部彈跳更多，然後好的曲線非常緊。 你可以看到仍然有一些彈跳。 所以這就是 |
| |
邊緣和好的真的是基於我的判斷，我可能會失敗一個基於視覺上的 Gage R&R 屬性。 所以 |
| |
我們總共有 33 條不良曲線，45 條邊緣曲線和 67 條曲線。 手動，您可以看到其中大約 10 個已出局。 因此，如果您不想使用點估計，您將有一個選擇，稍後我將展示它並不能很好地工作，也許會... |
| |
使用計數器通過點來控制它們。 而你如何做到這一點是通過計數器拆分壞表，通過控製圖構建將其放入一個單獨的移動範圍控製圖，然後你會出去， |
| |
就像在這種情況下的 3500 個控製圖，您可以使用令人敬畏的能力來製作組合數據表，將每個列表摘要轉換為自己的數據表，然後您可以鏈接回您的主數據表，您會得到一個漂亮的看起來很酷 |
| |
看起來像這樣的分析，其中您有基於計數器和歷史數據的控制限制，並且您可以覆蓋您的曲線。 因此，如果您有一個算法可以在超出控制範圍時進行標記，您知道，這將是一個嘗試 |
| |
有控制權…… |
| |
具有功能數據的控製圖功能。 但是你可以看到，特別是我在這裡突出顯示的 38，你可以有一些重大偏差並保持在控制範圍內。 這就是這個 FDE |
| |
平台確實可以大放異彩，因為它可以識別出與其中一些主要偏差相對應的 FPC。 因此，我們可以根據 FPC 上的曲線標記曲線。 |
| |
我們稍後會看到。 所以， |
| |
使用 FDE 平台，非常簡單。 在此演示中，我們將重點關注 100 節的階躍函數。 |
| |
您可以看到 FPC 如何捕捉可變性。 所以主要的 FPC 是說，你知道，曲線的開始，有……這就是驅動最大可變性的原因，即與平均值的偏差。 |
| |
設置是 X1 和它們的輸出，計數器。 我們的輸入，批號，然後我添加了測試類型。 因此，我們可以將其用作我們在 FPC 表和模型驅動的多元控製圖和周期中的一些驗證，這樣只有我們的歷史數據才是推動 FDE 擬合的因素。 |
| |
所以 |
| |
只看合身實際上是確保你正確的一個非常重要的部分 |
| |
稍後控製圖表，我正在使用這個 P 步驟嗎 |
| |
功能 100 節模型。 實際上，您可以看到，如果我使用 B 樣條曲線，因此使用 Cubic 20 節，它實際上看起來非常接近我的 P 樣條曲線。 |
| |
但是從 BIC 中你實際上可以看到我應該去更多的節，所以如果我這樣做，現在我們開始看到它們過度擬合，真正關注孤立的峰，這將導致你有一個 FDE |
| |
看起來不正確並導致您不那麼敏感的模型以及您的模型驅動的多元控製圖。 |
| |
0 |
