Lautsprecher
|
Transkript
|
| Jordan Hiller |
Hallo zusammen. Ich bin Jordan Hiller, leitender Systemingenieur bei JMP, und ich präsentiere mit Steve Hampton, Prozesssteuerungsmanager bei PCC Structurals. Heute geht es um die statistische Prozesskontrolle für Prozessvariablen, die eine funktionale Form haben. |
| |
Und das ist ein schönes Bild direkt im Titel |
| |
gleiten. Wir sprechen von statistischer Prozesskontrolle, wenn es sich nicht um eine einzelne Zahl oder ein Punktmaß handelt, sondern das Ding, das wir zu kontrollieren versuchen, die Form einer Funktionskurve hat. |
| |
Steve wird in ein paar Minuten den Business Case besprechen und erläutern, warum wir daran interessiert sind. Ich möchte nur ein paar Worte zur Methodik sagen. |
| |
Wir haben die Literatur in diesem Bereich der letzten etwa 20 Jahre überprüft. Es gibt viele, viele Artikel zu diesem Thema. Allerdings scheint es nicht wirklich einen klaren Konsens darüber zu geben, wie man diese Statistik am besten angeht |
| |
Prozesssteuerung |
| |
wenn Ihre Variablen die Form einer Kurve annehmen. Daher haben wir uns von einigen jüngsten Entwicklungen in JMP inspirieren lassen, insbesondere von der modellgesteuerten multivariaten Kontrollkarte, die in JMP 15 eingeführt wurde, und dem funktionalen Daten-Explorer, der in JMP 14 eingeführt wurde. |
| |
Multivariate Kontrollkarten sind keine wirklich neue Technik, sie gibt es schon seit langem. Sie haben kürzlich ein Facelift in JMP erhalten. |
| |
Und sie verwenden entweder Hauptkomponenten oder partielle kleinste Quadrate, um Daten zu reduzieren, viele, viele Prozessvariablen zu modellieren und zu reduzieren, sodass Sie sie in einem einzigen Diagramm betrachten können. Wir werden uns auf den PCA-Fall konzentrieren, wir werden nicht wirklich über Teilaspekte sprechen |
| |
Die |
| |
teilweise kleinste Quadrate hier. |
| |
Functional Data Explorer ist die Methode, die wir in JMP verwenden, um mit Daten in Form einer funktionalen Kurve zu arbeiten |
| |
Daten. Und es verwendet eine Form der Hauptkomponentenanalyse, eine Erweiterung der Hauptkomponentenanalyse für Funktionsdaten. |
| |
Es war also eine ganz natürliche Idee, zu sagen, was wäre, wenn wir unsere Funktionskurven nehmen, diese reduzieren und mithilfe des Funktionsdaten-Explorers modellieren würden? |
| |
Das Ergebnis sind funktionale Hauptkomponenten, und genau wie Sie reguläre Hauptkomponenten hinzufügen und diese durch ein modellgesteuertes multivariates Kontrolldiagramm übertragen würden, |
| |
Was wäre, wenn wir das mit funktionalen Hauptkomponenten machen könnten? Wäre das machbar und wäre das sinnvoll? |
| |
Damit übergebe ich die Sache an Steve und er wird den Business Case vorstellen, den wir heute besprechen werden. |
| 1253****529 |
In Ordnung. Vielen Dank. Jordanien. |
| |
Da ich kein Video habe, habe ich beschlossen, euch wissen zu lassen, wie ich aussehe. |
| |
Da bin ich mit meiner Frau Megan und meinem Sohn Ethan |
| |
mit dem Kürbisbeet vom letzten Jahr. Deshalb wollte ich mit ein wenig Hintergrundwissen in die Fallstudie einsteigen |
| |
was ich mache, und Sie haben eine Vorstellung davon, woher diese Informationen kommen. Ich arbeite im Feinguss für Präzisionsguss... |
| |
Abteilung Feinguss. |
| |
Beim Feinguss wird ein Wachsnachbau dessen, was Sie verkaufen möchten, angefertigt und in eine Modellbaugruppe eingefügt. |
| |
Tauchen Sie es mehrmals in proprietären Beton, bis Sie genug Festigkeit haben, um die Form entparaffinieren zu können. |
| |
Und wir feuern es ab, um genug Kraft zu haben, um Metall hineingießen zu können. Dann klopfen wir unseren Beton ab, wir entfernen den überschüssigen Metallverbrauch für den Gussprozess. Wir führen unsere zerstörungsfreien Tests durch und versenden das Teil. |
| |
Der Grund für die Suche nach verbesserten Prozesskontrollmethoden ist die Tatsache |
| |
Die Schritte 7, 8 und 9 machen aufgrund der Prozessvariabilität in den Schritten 1–6 75 % der laufenden Kosten aus. Wenn wir also 1-6 enger machen können, |
| |
die meisten ??? und die Kosten dorthin gehen, was viel billiger und viel kürzer ist, dann ergibt sich für das Unternehmen und für unsere Kunden ein großer Mehrwert, wenn 7, 8 und 9 viel kleiner werden. |
| |
Also PCC Structurals. Mein Werk, Titanium Plant, stellt hauptsächlich Komponenten für die Luft- und Raumfahrt her. Links daneben sieht man einen Ventilator??? das leuchtet bei manchen grün??? Entwickler. |
| |
Und dann haben wir unsere landgestützten Produkte, darunter ein N155-Haubitze-Stabilisatorbein. |
| |
Und nur um eine Vorstellung davon zu bekommen, wohin es führt. Da jedes einzelne Flugzeug oben am Himmel grundsätzlich aus einem oder mehreren Teilen besteht, die wir herstellen, handelt es sich hierbei um Triebwerksteile ???, es hat einen Durchmesser von etwa 1,80 m, es ist ein einteiliger Guss |
| |
das geht ganz vorne in den Kern eines Gasturbinentriebwerks. Dies ist insbesondere für den Trent XWB gedacht, der den Airbus A350 antreibt |
| |
Jets. |
| |
Kommen wir also zu JMP. Der große Treiber hier ist, wie Sie sich vorstellen können, dass es bei etwas, das zum großen Teil so komplex ist wie dem Feingussprozess, Unmengen gibt |
| |
Daten kommen auf uns zu. Und es wird immer funktionsfähiger, da wir die Anzahl unserer Zentren und die Anzahl der von uns verwendeten Maschinen erhöhen. In dieser Fallstudie betrachten wir also |
| |
Daten, die mit einem Zeitstempel versehen sind. Wir haben 145 Chargen. Wir haben unseren variablen Zinssatz, der X1 ist. |
| |
Wir haben unseren Zähler, mit dem ich diesen Zeitstempel normalisiert habe, sodass es einfacher ist, den Lauf im Graph Builder zu überlagern, und er hat auch ein wenig mehr hinzugefügt |
| |
Nettigkeit in der FTP-Plattform. Wir haben unsere Periode, die es uns ermöglicht, diese historische Periode und eine aktuelle Periode zu haben, die mit der modellgesteuerten multivariaten Kontrollkartenplattform übereinstimmt. |
| |
damit wir unsere FDE haben können |
| |
Schauen Sie sich nur die historischen Daten an, damit sich diese nicht ändern, wenn wir weitere aktuelle Daten hinzufügen. Das ist also eine Art Betrachtung, wenn Sie dies in der Praxis anwenden, und dann ist der Testtyp meine eigene Validierung |
| |
Versuche. Und was Sie hier sehen werden, ist, dass ich die Dinge hauptsächlich als schlecht, marginal oder gut markiert habe. Rot ist also schlecht, Rand ist violett und Grün ist gut, und Sie können sehen, wie sie sich überlagern. |
| |
Auf den ersten Blick sieht man, dass wir einige Kurven haben |
| |
??? Kurven vom Mittelwert. Dies sind offensichtlich Dinge, die wir außer Kontrolle oder schlecht nennen werden. |
| |
Dies wäre das, was die Fertigung als Katastrophe bezeichnen würde, weil es sich dabei um ein nicht übereinstimmendes Produkt handeln würde. Deshalb wollen wir diese identifizieren können |
| |
früher, damit wir uns ansehen können, was im Prozess vor sich geht, und das Problem beheben können. So sieht es aus |
| |
Es bricht aus, sodass Sie sehen können, dass das Schlechte einige große Abweichungen aufweist, manchmal eine mittlere Kurve und gegen Ende viel Charakter. |
| |
Die Randkurven weichen nicht ganz so stark von den mittleren Kurven ab, haben aber mehr Sprungkraft zum Schwanz hin, und die gute Kurve ist ziemlich eng. Sie können sehen, dass es immer noch einige Sprünge gibt. Hier also |
| |
Das Geringfügige und das Gute hängt wirklich von meinem Urteil ab, und ich würde wahrscheinlich ein Attribut von Gage R&R nicht bestehen lassen, wenn ich es nur visuell betrachte. Also |
| |
wir haben insgesamt 33 schlechte Kurven, 45 Rand- und 67. Und manuell sieht man gerade einmal, dass etwa 10 davon ausgefallen sind. Wenn Sie also keine Punktschätzung verwenden möchten, von der ich etwas später zeigen werde, dass sie nicht so gut funktioniert, hätten Sie die Möglichkeit, vielleicht ... |
| |
Kontrolliere sie nach Punkten mithilfe des Zählers. Und wie Sie das tun würden, wäre, die fehlerhafte Tabelle nach Zählern aufzuteilen, sie durch die Erstellung von Kontrollkarten in eine einzelne Regelkarte mit gleitendem Bereich einzufügen und dann würden Sie herauskommen, |
| |
Wie in diesem Fall 3500 Regelkarten, bei denen Sie die großartige Möglichkeit nutzen können, kombinierte Datentabellen zu erstellen, um die Listenzusammenfassung jeder einzelnen in eine eigene Datentabelle umzuwandeln, die Sie dann wieder mit Ihrer Hauptdatentabelle verknüpfen können, und Sie erhalten eine hübsche sieht cool aus |
| |
Eine Analyse, die so aussieht, bei der Sie Kontrollgrenzen haben, die auf den Zählern und historischen Daten basieren, und Ihre Kurven überlagern können. Wenn Sie also einen Algorithmus hätten, der markiert, wann immer er die Kontrollgrenzen überschreitet, wäre das eine Möglichkeit, dies zu versuchen |
| |
eine Kontrolle haben.... |
| |
eine Kontrolldiagrammfunktionalität mit Funktionsdaten. Aber Sie können sehen, insbesondere, dass ich hier 38 hervorgehoben habe, dass es zu erheblichen Abweichungen kommen und innerhalb der Kontrollgrenzen bleiben kann. Da ist also diese FDE |
| |
Die Plattform kann wirklich glänzen, da sie eine FPC identifizieren kann, die einigen dieser großen Abweichungen entspricht. Und so können wir die Kurven basierend auf denen bei FPCs kennzeichnen. |
| |
Und das werden wir später noch sehen. Also, |
| |
Mit der FDE-Plattform ist es wirklich unkompliziert. In dieser Demonstration konzentrieren wir uns auf eine Schrittfunktion mit 100 Knoten. |
| |
Und Sie können sehen, wie die FPCs die Variabilität erfassen. Der Haupt-FPC sagt also, wissen Sie, am Anfang der Kurve gibt es ... das ist es, was die größte Variabilität verursacht, diese Abweichung vom Mittelwert. |
| |
Und Setup ist X1 und ihre Ausgabe, Zähler. Unsere Eingabe, Chargennummer und dann habe ich den Testtyp hinzugefügt. Wir können dies also als Teil unserer Validierung in der FPC-Tabelle und der modellgesteuerten multivariaten Kontrollkarte und dem Zeitraum verwenden, sodass nur unser historischer Wert die FDE-Anpassung bestimmt. |
| |
Und so |
| |
Nur auf die Passform zu achten, ist eigentlich ein ziemlich wichtiger Teil, um sicherzustellen, dass man richtig liegt |
| |
Wenn ich später Kontrolldiagramme erstellen möchte, verwende ich diesen P-Schritt |
| |
Funktion 100-Knoten-Modell. Sie sehen tatsächlich, wenn ich einen B-Spline verwende und so mit kubischen 20 Knoten, dann sieht es tatsächlich meinem P-Spline ziemlich ähnlich. |
| |
Aber anhand des BIC können Sie tatsächlich erkennen, dass ich zu mehr Knoten gehen sollte. Wenn ich das also mache, sehen wir jetzt, dass sie sich überanpassen und sich wirklich auf die isolierten Spitzen konzentrieren, und das wird dazu führen, dass Sie einen FDE haben |
| |
Modell, das nicht richtig aussieht und dazu führt, dass Sie nicht so empfindlich sind wie Ihr modellgesteuertes multivariates Kontrolldiagramm. |
| |
0 |
