Conférencier
|
Transcription
|
| Jordan Hiller |
Salut tout le monde. Je m'appelle Jordan Hiller, ingénieur système senior chez JMP, et je présente 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 |
| |
glisser. Nous parlons de contrôle statistique de processus, alors qu'il ne s'agit pas d'un nombre unique, d'une mesure ponctuelle, mais plutôt de la chose que nous essayons de contrôler a la forme d'une courbe fonctionnelle. |
| |
Steve va parler de l'analyse de rentabilisation et des raisons pour lesquelles cela nous intéresse 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 manière d'aborder cette question 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 de la carte de contrôle multivariée pilotée par modèle introduite dans JMP 15 et de l'explorateur de données fonctionnelles introduit dans JMP 14. |
| |
Les cartes de contrôle multivariées ne sont pas vraiment une nouvelle technique, elles existent depuis longtemps. Ils ont récemment fait peau neuve dans JMP. |
| |
Et ils utilisent soit des composantes principales, soit des moindres carrés partiels pour réduire les données, pour modéliser et réduire de très nombreuses variables de processus afin que vous puissiez les examiner avec un seul graphique. Nous allons nous concentrer sur le dossier PCA, nous n'allons pas vraiment parler de partiel |
| |
le |
| |
moindres carrés partiels ici. |
| |
Functional Data Explorer est la méthode que nous utilisons dans JMP pour travailler avec des données sous forme de courbe, fonctionnelle |
| |
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 est des composants principaux fonctionnels et, tout comme vous, vous ajouteriez des composants principaux réguliers et les transmettriez à travers une carte de contrôle multivariée pilotée par modèle, |
| |
et si nous pouvions faire cela avec des composants principaux fonctionnels ? Est-ce que cela serait réalisable 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'année dernière. Je voulais donc entrer dans l'étude de cas avec un peu d'information sur |
| |
ce que je fais, et vous avez donc une idée d'où viennent ces informations. Je travaille dans le moulage de précision pour le moulage de précision... |
| |
Division du moulage à modèle perdu. |
| |
Le moulage de précision consiste à fabriquer une réplique en cire de ce que vous souhaitez vendre, à la placer dans un assemblage de modèles, |
| |
en le trempant plusieurs fois dans du béton exclusif jusqu'à ce que vous obteniez suffisamment de résistance pour pouvoir décirer ce moule. |
| |
Et nous le tirons pour avoir suffisamment de force pour pouvoir y verser du métal. Ensuite, nous enlevons notre béton, nous éliminons l'utilisation excessive de métal pour le processus de coulée. Nous effectuons nos contrôles non destructifs et nous expédions la pièce. |
| |
La motivation pour rechercher des méthodes améliorées de contrôle des processus 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 on peut 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 les structures PCC. Mon usine, Titanium Plant, fabrique principalement des composants aérospatiaux. A gauche là tu peux voir un éventail ??? c'est du vert brillant de la part de certains ??? développeur. |
| |
Et puis nous avons nos produits terrestres, notamment une jambe stabilisatrice d’obusier N155. |
| |
Et juste pour avoir une idée de où ça va. Parce que chaque avion dans le ciel a essentiellement une pièce que nous fabriquons ou plusieurs pièces, il s'agit de sections de moteur ???, il fait environ six pieds de diamètre, c'est un moulage d'une seule pièce. |
| |
qui pénètre tout à l'avant du noyau d'un moteur à turbine à gaz. Celui-ci en particulier est destiné au Trent XWB qui équipe l'Airbus A350. |
| |
jets. |
| |
Passons donc à JMP. Donc, le principal facteur ici est, comme vous pouvez l'imaginer, qu'avec quelque chose qui est en grande partie complexe comme un processus de moulage de précision, il y a des tonnes de |
| |
les données nous parviennent. Et de plus en plus, cela devient fonctionnel à mesure que nous augmentons le nombre de centres, que nous disposons et que 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, c'est une façon pour moi de normaliser cet horodatage, il est donc plus facile de superposer l'exécution dans Graph Builder et il a également un peu d'ajout |
| |
gentillesse dans la plateforme FTP. Nous avons notre période, ce qui nous permet d'avoir cette période historique et une période actuelle qui correspond à la plate-forme de cartes de contrôle multivariées pilotées par modèle, |
| |
pour qu'on puisse avoir notre FDE |
| |
il suffit de regarder l'historique pour que cela ne change pas à mesure que nous ajoutons des données plus actuelles. C'est donc un peu ce que vous pensez si vous l'utilisiez dans la pratique, et ensuite le type de test est ma propre validation |
| |
tentatives. Et ce que vous verrez ici, c'est que j'ai principalement marqué les choses comme étant 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 qualifierons de hors de contrôle ou de mauvais. |
| |
Ce serait ce que le secteur manufacturier appellerait un désastre, car il s’agirait d’un produit défectueux. Nous voulons donc pouvoir identifier ces |
| |
plus tôt, afin que nous puissions examiner ce qui se passe dans le processus et y remédier. Voilà à quoi ça ressemble |
| |
éclater pour que vous puissiez voir que le mauvais a une déviation majeure, parfois une courbe moyenne et beaucoup de caractère vers la fin. |
| |
Les marginaux ne s'écartent pas autant des courbes moyennes mais ont plus de rebond vers la queue et puis le bon est assez serré. Vous pouvez voir qu'il y a encore des rebondissements. C'est donc là que |
| |
le marginal et le bon sont vraiment basés sur mon jugement, et j'échouerais probablement un attribut Gage R&R basé simplement sur un examen visuel. Donc |
| |
nous avons un total de 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 souhaitez pas utiliser une estimation ponctuelle, que je montrerai un peu plus tard et qui ne fonctionne pas très bien, de peut-être faire... |
| |
contrôlez-les par points à l'aide du compteur. Et comment procéder serait de diviser la mauvaise table par compteur, de la placer dans une carte de contrôle de plage mobile individuelle via la construction de cartes de contrôle, puis vous en sortiriez, |
| |
comme 3500 cartes de contrôle dans ce cas, que vous pouvez utiliser l'impressionnante capacité 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 un joli 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 sort des limites de contrôle, vous savez, ce serait une option pour essayer de |
| |
avoir un contrôle.... |
| |
une fonctionnalité de carte de contrôle avec des données fonctionnelles. Mais vous pouvez voir, surtout que j'ai souligné 38 ici, qu'il est possible d'avoir des écarts majeurs et de rester dans les limites de contrôle. C'est donc là que ce FDE |
| |
La plate-forme peut vraiment briller, dans la mesure où elle peut identifier un FPC qui correspond à certains de ces écarts majeurs. Nous pouvons ainsi étiqueter les courbes en fonction de celles des FPC. |
| |
Et nous verrons cela un peu plus tard. Donc, |
| |
en utilisant la plateforme FDE, c'est vraiment simple. Ici pour cette démonstration, nous allons nous concentrer sur une fonction pas à pas à 100 nœuds. |
| |
Et vous pouvez voir comment les FPC capturent la variabilité. Donc le FPC principal dit, vous savez, au 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 modèle et la période afin que seul notre historique soit ce qui détermine l'ajustement FDE. |
| |
Et ainsi |
| |
le simple fait de regarder l'ajustement est en fait un élément assez important pour s'assurer que vous avez raison |
| |
cartographie 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 des nœuds cubiques de 20, elle semble en fait assez proche de ma spline P. |
| |
Mais à partir du BIC, vous pouvez réellement voir que je devrais aller vers plus de nœuds, donc si je fais cela, maintenant nous commençons à les voir sur-ajuster, en se concentrant vraiment sur les pics isolés et cela vous donnera un FDE. |
| |
modèle qui ne semble pas correct et qui vous rend moins sensible et votre carte de contrôle multivariée pilotée par modèle. |
| |
0 |
