揚聲器
|
成績單
|
| 喬丹希勒 |
大家好。 我是 JMP 的高級系統工程師 Jordan Hiller，我和 PCC Structurals 的製程控制經理 Steve Hampton 一起進行示範。 今天我們討論的是具有函數形式的製程變數的統計過程控制。 |
| |
標題上有一張漂亮的圖片 |
| |
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函數曲線的形狀。 |
| |
史蒂夫將在幾分鐘內討論這個業務案例，以及為什麼我們對此感興趣。 我只想簡單談談方法論。 |
| |
我們回顧了過去 20 年左右該領域的文獻。 關於這個主題有很多很多論文。 然而，對於處理這項統計數據的最佳方法似乎並沒有真正達成明確的共識。 |
| |
過程控制 |
| |
當你的變數採取曲線的形式。 因此，我們受到 JMP 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 中引入的函數資料瀏覽器。 |
| |
多元控製圖並不是真正的新技術，它們已經存在很久了。 他們最近剛剛在 JMP 中進行了整容。 |
| |
他們使用主成分或偏最小二乘來減少數據，建模和減少許多過程變量，以便您可以用單個圖表查看它們。 我們將重點關注 PCA 案例，我們不會真正討論部分 |
| |
這 |
| |
這裡是偏最小平方法。 |
| |
函數式資料瀏覽器是我們在 JMP 中使用的方法，用於處理曲線形狀的資料、函數式數據 |
| |
數據。它使用主成分分析的形式，這是函數資料主成分分析的擴展。 |
| |
因此，如果我們使用函數資料瀏覽器來獲取函數曲線，對其進行簡化和建模，這是一個非常自然的想法。 |
| |
結果是功能主成分，就像您添加常規主成分並將其推送到模型驅動的多元控製圖一樣， |
| |
如果我們可以用功能主成分來做到這一點呢？ 這可行並且有用嗎？ |
| |
因此，我將把事情交給 Steve，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。 |
| |
我和我的妻子梅根以及我的兒子伊森 |
| |
和去年的南瓜田。 所以我想透過一些背景知識來進入案例研究 |
| |
我做什麼，這樣你就知道這些資訊來自哪裡。 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物品的蠟複製品，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能夠對模具進行脫蠟。 |
| |
我們將其燒成具有足夠的強度，以便能夠將金屬倒入其中。 然後我們拆除混凝土，取消鑄造過程中過度使用的金屬。 我們進行無損檢測並運送零件。 |
| |
尋找改進的製程控制方法的動力是以下事實： |
| |
由於步驟 1-6 中的流程可變性，步驟 7、8 和 9 佔用了 75% 的常設成本。 所以如果我們能收緊1-6， |
| |
大多數 ？？？成本更便宜，更短，然後對公司和我們的客戶來說，使 7、8 和 9 變得更小，會帶來很大的附加價值。 |
| |
所以PCC結構。 我的工廠，鈦廠，主要生產航空航太零件。 在左邊可以看到一個風扇？？？有些人會發出綠光？？？開發商。 |
| |
然後我們有陸基產品，其中有 N155 榴彈砲穩定腿。 |
| |
只是為了了解它的去向。 因為天空中的每架飛機基本上都有我們製造的一個或多個零件，這是發動機部分？？？，直徑約為六英尺，是一件式鑄件 |
| |
它進入燃氣渦輪發動機核心的最前面。 這款特別適用於為空中巴士 A350 提供動力的遄達 XWB |
| |
噴射機. |
| |
那麼讓我們進入 JMP。 因此，正如您可以想像的那樣，這裡的主要驅動力是複雜的熔模鑄造過程，其中有大量的零件 |
| |
數據正在向我們襲來。 隨著我們擁有的中心數量的增加以及我們使用的機器數量的增加，它變得越來越實用。 所以在這個案例研究中，我們正在研究 |
| |
帶有時間戳記的資料。 我們有145批次。 我們的可變利息是 X1。 |
| |
我們有計數器，這是我標準化時間戳記的一種方式，因此更容易在圖形生成器中覆蓋運行，而且它還添加了一些內容 |
| |
FTP 平台的優點。 我們有自己的時期，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 |
| |
只查看歷史數據，因此當我們添加更多當前數據時它不會改變。 因此，如果您在實踐中使用它，那麼這就是一種看待這個的方式，然後測試類型是我自己的驗證 |
| |
嘗試。你會在這裡看到的是，我主要是把事情標記為壞的、邊緣的或好的。 所以紅色是不好的，邊緣是紫色的，綠色是好的，你可以看到它們是如何重疊的。 |
| |
馬上，你可以看到我們有一些曲線 |
| |
???均值曲線。 這些顯然就是我們所說的失控或糟糕。 |
| |
這就是製造業所說的災難，因為這將是不合格的產品。 所以我們希望能夠辨識那些 |
| |
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 |
| |
突破，這樣你就可以看到壞的有一些重大偏差，有時是平均曲線，並且到最後有很多特徵。 |
| |
邊緣曲線與平均曲線的偏差並不大，但向尾部的彈跳更多，而好的曲線則相當緊。 可以看到還有一些彈跳。 所以這就是 |
| |
邊際和好處實際上是基於我的判斷，並且僅憑視覺觀察我可能會失敗 Gage R&R 屬性。 所以 |
| |
我們總共有 33 條不良曲線，其中 45 條為邊緣曲線，67 條為邊緣曲線。 而手動的話，你只能看到大約 10 個已經被淘汰了。 因此，如果您不想使用點估計，您可以選擇，稍後我將展示它的效果不太好，也許可以… |
| |
使用計數器按點控制它們。 你的做法是按計數器拆分壞表，透過控製圖建構將其放入單獨的移動範圍控製圖中，然後你就可以退出， |
| |
就像本例中的3500 個控製圖一樣，您可以使用建立組合資料表的強大功能，將每個控製圖的清單摘要轉換為自己的資料表，然後您可以將其連結回主資料表，然後您會得到一個漂亮的數據表。看起來很酷 |
| |
分析看起來像這樣，您可以根據計數器和歷史資料進行控制限制，並且可以疊加曲線。 因此，如果您有一種演算法，每當超出控制限制時就會進行標記，您知道，這將是嘗試 |
| |
有控制.... |
| |
具有功能資料的控製圖功能。 但你可以看到，特別是我在這裡強調了 38，你可以有一些重大偏差並保持在控制限度內。 這就是 FDE 的作用 |
| |
平台確實可以大放異彩，因為它可以識別與其中一些主要偏差相對應的 FPC。 因此我們可以根據 FPC 上的曲線來標示曲線。 |
| |
我們稍後會看到這一點。 所以， |
| |
使用 FDE 平台，非常簡單。 在本次示範中，我們將重點放在 100 節的階躍函數。 |
| |
您可以看到 FPC 如何捕捉變化性。 所以主要的 FPC 是說，你知道，在曲線的開始，…這就是驅動最大變異性的原因，即與平均值的偏差。 |
| |
設定是 X1 及其輸出、計數器。 我們輸入批次號，然後新增測試類型。 因此，我們可以將其用作 FPC 表和模型驅動的多元控製圖和週期中的一些驗證，以便只有我們的歷史資料才是推動 FDE 擬合的因素。 |
| |
所以 |
| |
僅僅看合身性實際上是確保正確的一個非常重要的部分 |
| |
稍後控制圖表，我正在使用這個 P 步驟 |
| |
功能100節型號。 實際上，您可以看到，如果我使用 B 樣條線以及三次 20 節，它實際上看起來非常接近我的 P 樣條線。 |
| |
但從 BIC 中你實際上可以看到我應該使用更多的結，所以如果我這樣做，現在我們開始看到它們過度擬合，真正關注孤立的峰值，這將導致你有一個 FDE |
| |
模型看起來不正確，導致您不那麼敏感，而您的模型驅動的多元控製圖。 |
| |
0 |
