扬声器
|
成绩单
|
| 乔丹·希勒 |
大家好你们好。 我是 JMP 的高级系统工程师 Jordan Hiller，我将与 PCC Structurals 的过程控制经理 Steve Hampton 一起做演讲。 今天我们讨论的是具有函数形式的过程变量的统计过程控制。 |
| |
这是标题上的一张好照片 |
| |
滑动。我们谈论的是统计过程控制，它不是一个单一的数字，一个点测量，而是我们试图控制的东西具有功能曲线的形状。 |
| |
史蒂夫将在几分钟内讨论商业案例，为什么我们对此感兴趣。 关于方法论，我只想说几句话。 |
| |
我们回顾了过去 20 年左右该领域的文献。 有很多很多关于这个主题的论文。 但是，对于处理此统计数据的最佳方法似乎并没有明确的共识 |
| |
过程控制 |
| |
当您的变量采用曲线的形式时。 因此，我们受到 JMP 的一些最新发展的启发，特别是 JMP 15 中引入的模型驱动多元控制图和 JMP 14 中引入的功能数据浏览器。 |
| |
多元控制图实际上并不是一种新技术，它们已经存在了很长时间。 他们最近在 JMP 中进行了整容。 |
| |
他们使用主成分或偏最小二乘法来减少数据，建模和减少许多过程变量，以便您可以使用单个图表查看它们。 我们将专注于 PCA 案，我们不会真正谈论部分 |
| |
这 |
| |
这里的偏最小二乘。 |
| |
函数式数据浏览器是我们在 JMP 中使用的方法，用于处理曲线形状的数据，函数式 |
| |
数据。它使用一种主成分分析的形式，一种对功能数据的主成分分析的扩展。 |
| |
所以这是一个非常自然的想法，如果我们采用函数曲线，使用函数数据浏览器对其进行简化和建模，会发生什么。 |
| |
结果是功能主成分，就像您添加常规主成分并通过模型驱动的多元控制图推动它一样， |
| |
如果我们可以用一个功能性的主成分来做到这一点呢？ 这是否可行并且有用吗？ |
| |
因此，我将把事情交给史蒂夫，他将介绍我们今天要讨论的商业案例。 |
| 1253****529 |
好的。 非常感谢。 约旦。 |
| |
由于我没有视频，所以我决定让你们知道我的样子。 |
| |
我和我的妻子梅根和我的儿子伊森在一起 |
| |
去年的南瓜地。 所以我想带着一点背景进入这个案例研究 |
| |
我做什么，所以你知道这些信息是从哪里来的。 我从事精密铸造的熔模铸造... |
| |
熔模铸造事业部。 |
| |
熔模铸造涉及制作您想要出售的蜡复制品，将其放入模型组件中， |
| |
将其多次浸入专有混凝土中，直到获得足够的强度以使模具脱蜡。 |
| |
我们烧制它以使其有足够的强度能够将金属倒入其中。 然后我们敲掉我们的混凝土，我们去掉铸造过程中过多的金属使用。 我们进行非破坏性测试并运送零件。 |
| |
寻求改进过程控制方法的驱动力在于： |
| |
由于步骤 1-6 中的过程可变性，步骤 7、8 和 9 占据了 75% 的固定成本。 所以如果我们可以收紧1-6， |
| |
大多数 ？？？和成本去那里，这要便宜得多，要短得多，那么对于公司和我们的客户来说，将 7、8 和 9 做得更小有很大的附加值。 |
| |
所以PCC结构。 我的工厂，钛厂，主要生产航空航天部件。 在左边你可以看到一个风扇？？？那是一些发出绿色的光？？？开发商。 |
| |
然后我们有我们的陆基产品，其中有一个 N155 榴弹炮稳定器腿。 |
| |
只是想知道它的去向。 因为天空中的每一架飞机基本上都有我们制造的一个零件或多个零件，这是一个发动机部分???，它的直径约为六英尺，它是一个整体铸件 |
| |
它进入燃气涡轮发动机核心的最前面。 这个特别适用于为空中客车 A350 提供动力的 Trent XWB |
| |
喷气机。 |
| |
因此，让我们进入 JMP。 因此，正如您可以想象的那样，这里的主要驱动因素是，对于大部分复杂的熔模铸造工艺，有大量的 |
| |
数据向我们走来。 随着我们增加中心数量，我们拥有并且我们增加使用的机器数量，它变得越来越实用。 所以在这个案例研究中，我们正在研究 |
| |
带有时间戳的数据。 我们有 145 个批次。 我们有我们的可变利益，即 X1。 |
| |
我们有我们的计数器，这是我标准化该时间戳的一种方式，因此更容易在 Graph Builder 中覆盖运行，并且它还添加了一些 |
| |
在 FTP 平台上的好处。 我们有我们的时期，这使我们能够拥有与模型驱动的多元控制图平台一致的历史时期和当前时期， |
| |
这样我们就可以拥有我们的 FDE |
| |
仅查看历史数据，因此随着我们添加更多当前数据，它不会改变。 所以如果你在实践中使用它，这有点像看这个，然后测试类型是我自己的验证 |
| |
尝试。你将在这里看到的是，我主要将事物标记为坏的、边缘的或好的。 所以红色是坏的，边缘是紫色的，绿色是好的，你可以看到它们是如何叠加的。 |
| |
马上，你可以看到我们有一些曲线 |
| |
？？？来自均值的曲线。 这些显然是我们所说的失控或坏的。 |
| |
这将是制造业所谓的灾难，因为这将是有差异的产品。 所以我们希望能够识别那些 |
| |
早些时候，这样我们就可以去看看这个过程发生了什么并修复它。 这就是它的样子 |
| |
爆发，因此您可以看到坏处有一些重大偏差，有时是平均曲线，并且在结尾处有很多特征。 |
| |
边缘曲线不太偏离平均曲线，但向尾部弹跳更多，然后好的曲线非常紧。 你可以看到仍然有一些弹跳。 所以这就是 |
| |
边缘和好的真的是基于我的判断，我可能会失败一个基于视觉上的 Gage R&R 属性。 所以 |
| |
我们总共有 33 条不良曲线，45 条边缘曲线和 67 条曲线。 手动，您可以看到其中大约 10 个已出局。 因此，如果您不想使用点估计，您将有一个选择，稍后我将展示它并不能很好地工作，也许会... |
| |
使用计数器通过点来控制它们。 而你如何做到这一点是通过计数器拆分坏表，通过控制图构建将其放入一个单独的移动范围控制图，然后你会出去， |
| |
就像在这种情况下的 3500 个控制图，您可以使用令人敬畏的能力来制作组合数据表，将每个列表摘要转换为自己的数据表，然后您可以链接回您的主数据表，您会得到一个漂亮的看起来很酷 |
| |
看起来像这样的分析，其中您有基于计数器和历史数据的控制限制，并且您可以覆盖您的曲线。 因此，如果您有一个算法可以在超出控制范围时进行标记，您知道，这将是一种尝试 |
| |
有控制权…… |
| |
具有功能数据的控制图功能。 但是你可以看到，尤其是我在这里强调的 38，你可以有一些重大的偏差并保持在控制范围内。 这就是这个 FDE |
| |
平台确实可以大放异彩，因为它可以识别出与其中一些主要偏差相对应的 FPC。 因此，我们可以根据 FPC 上的曲线标记曲线。 |
| |
我们稍后会看到。 所以， |
| |
使用 FDE 平台，非常简单。 在此演示中，我们将重点关注 100 节的阶跃函数。 |
| |
您可以看到 FPC 如何捕捉可变性。 所以主要的 FPC 是说，你知道，曲线的开始，有……这就是驱动最大可变性的原因，即与平均值的偏差。 |
| |
设置是 X1 和它们的输出，计数器。 我们的输入，批号，然后我添加了测试类型。 因此，我们可以将其用作我们在 FPC 表和模型驱动的多元控制图和周期中的一些验证，这样只有我们的历史数据才是推动 FDE 拟合的因素。 |
| |
所以 |
| |
只看合身实际上是确保你正确的一个非常重要的部分 |
| |
稍后控制图表，我正在使用这个 P 步骤吗 |
| |
功能 100 节模型。 实际上，您可以看到，如果我使用 B 样条曲线，因此使用 Cubic 20 节，它实际上看起来非常接近我的 P 样条曲线。 |
| |
但从 BIC 中你实际上可以看到我应该去更多的节，所以如果我这样做，现在我们开始看到它们过度拟合，真正关注孤立的峰，这将导致你有一个 FDE |
| |
看起来不正确并导致您不那么敏感的模型以及您的模型驱动的多元控制图。 |
| |
0 |
