扬声器
|
成绩单
|
| 乔丹希勒 |
大家好。 我是 JMP 的高级系统工程师 Jordan Hiller，我和 PCC Structurals 的过程控制经理 Steve Hampton 一起进行演示。 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。 |
| |
标题上有一张漂亮的图片 |
| |
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函数曲线的形状。 |
| |
史蒂夫将在几分钟内讨论这个业务案例，以及为什么我们对此感兴趣。 我只想简单谈谈方法论。 |
| |
我们回顾了过去 20 年左右该领域的文献。 关于这个主题有很多很多论文。 然而，对于处理这一统计数据的最佳方法似乎并没有真正达成明确的共识。 |
| |
过程控制 |
| |
当你的变量采用曲线的形式时。 因此，我们受到 JMP 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 中引入的函数数据浏览器。 |
| |
多元控制图并不是真正的新技术，它们已经存在很长时间了。 他们最近刚刚在 JMP 中进行了整容。 |
| |
他们使用主成分或偏最小二乘来减少数据，建模和减少许多过程变量，以便您可以用单个图表查看它们。 我们将重点关注 PCA 案例，我们不会真正讨论部分 |
| |
这 |
| |
这里是偏最小二乘法。 |
| |
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 |
| |
数据。它使用主成分分析的一种形式，这是函数数据主成分分析的扩展。 |
| |
因此，如果我们使用函数数据浏览器获取函数曲线，对其进行简化和建模，这是一个非常自然的想法。 |
| |
其结果是功能主成分，就像您添加常规主成分并将其推送到模型驱动的多元控制图一样， |
| |
如果我们可以用功能主成分来做到这一点怎么办？ 这可行并且有用吗？ |
| |
因此，我将把事情交给 Steve，他将介绍我们今天要讨论的业务案例。 |
| 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。 |
| |
我和我的妻子梅根以及我的儿子伊森 |
| |
和去年的南瓜地。 所以我想通过一些背景知识来进入案例研究 |
| |
我做什么，这样你就知道这些信息来自哪里。 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物品的蜡复制品，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能够对模具进行脱蜡。 |
| |
我们将其烧成具有足够的强度，以便能够将金属倒入其中。 然后我们拆除混凝土，取消铸造过程中过多使用的金属。 我们进行无损检测并运送零件。 |
| |
寻找改进的过程控制方法的动力是以下事实： |
| |
由于步骤 1-6 中的流程可变性，步骤 7、8 和 9 占用了 75% 的常设成本。 所以如果我们能收紧1-6， |
| |
大多数 ？？？成本更便宜，更短，然后对公司和我们的客户来说，使 7、8 和 9 变得更小，会带来很大的附加值。 |
| |
所以PCC结构。 我的工厂，钛厂，主要生产航空航天零部件。 在左边你可以看到一个风扇？？？一些人发出绿光？？？开发商。 |
| |
然后我们有陆基产品，其中有 N155 榴弹炮稳定腿。 |
| |
只是为了了解它的去向。 因为天空中的每架飞机基本上都有我们制造的一个或多个零件，这是发动机部分？？？，直径约为六英尺，是一件式铸件 |
| |
它进入燃气涡轮发动机核心的最前面。 这一款特别适用于为空客 A350 提供动力的遄达 XWB |
| |
喷气式飞机。 |
| |
那么让我们进入 JMP。 因此，正如您可以想象的那样，这里的主要驱动力是复杂的熔模铸造过程，其中有大量的零件 |
| |
数据正在向我们袭来。 随着我们拥有的中心数量的增加以及我们使用的机器数量的增加，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批次。 我们的可变利息是 X1。 |
| |
我们有计数器，这是我标准化时间戳的一种方式，因此更容易在图形生成器中覆盖运行，而且它还添加了一些内容 |
| |
FTP 平台的优点。 我们有自己的时期，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 |
| |
只查看历史数据，因此当我们添加更多当前数据时它不会改变。 因此，如果您在实践中使用它，那么这就是一种看待这个的方式，然后测试类型是我自己的验证 |
| |
尝试。你会在这里看到的是，我主要是把事情标记为坏的、边缘的或好的。 所以红色是不好的，边缘是紫色的，绿色是好的，你可以看到它们是如何重叠的。 |
| |
马上，你可以看到我们有一些曲线 |
| |
???均值曲线。 这些显然就是我们所说的失控或糟糕。 |
| |
这就是制造业所说的灾难，因为这将是不合格的产品。 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 |
| |
突破，这样你就可以看到坏的有一些重大偏差，有时是平均曲线，并且到最后有很多特征。 |
| |
边缘曲线与平均曲线的偏差并不大，但向尾部的弹跳更多，而好的曲线则相当紧。 可以看到还有一些弹跳。 所以这就是 |
| |
边际和好处实际上是基于我的判断，并且仅凭视觉观察我可能会失败 Gage R&R 属性。 所以 |
| |
我们总共有 33 条不良曲线，其中 45 条为边缘曲线，67 条为边缘曲线。 而手动的话，你只能看到大约 10 个已经被淘汰了。 因此，如果您不想使用点估计，您可以选择，稍后我将展示它的效果不太好，也许可以…… |
| |
使用计数器按点控制它们。 你要做的就是按计数器拆分坏表，通过控制图构建将其放入单独的移动范围控制图中，然后你就可以退出， |
| |
就像本例中的 3500 个控制图一样，您可以使用创建组合数据表的强大功能，将每个控制图的列表摘要转换为自己的数据表，然后您可以将其链接回主数据表，然后您会得到一个漂亮的数据表。看起来很酷 |
| |
分析看起来像这样，您可以根据计数器和历史数据进行控制限制，并且可以叠加曲线。 因此，如果您有一种算法，每当超出控制限制时就会进行标记，您知道，这将是尝试 |
| |
有控制.... |
| |
具有功能数据的控制图功能。 但你可以看到，特别是我在这里强调了 38，你可以有一些重大偏差并保持在控制限度内。 这就是 FDE 的作用 |
| |
平台确实可以大放异彩，因为它可以识别与其中一些主要偏差相对应的 FPC。 因此我们可以根据 FPC 上的曲线来标记曲线。 |
| |
我们稍后会看到这一点。 所以， |
| |
使用 FDE 平台，非常简单。 在本次演示中，我们将重点关注 100 节的阶跃函数。 |
| |
您可以看到 FPC 如何捕捉变化性。 所以主要的 FPC 是说，你知道，在曲线的开始，……这就是驱动最大变异性的原因，即与平均值的偏差。 |
| |
设置是 X1 及其输出、计数器。 我们输入批次号，然后添加测试类型。 因此，我们可以将其用作 FPC 表和模型驱动的多元控制图和周期中的一些验证，以便只有我们的历史数据才是驱动 FDE 拟合的因素。 |
| |
所以 |
| |
仅仅看合身性实际上是确保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 |
| |
功能100节型号。 实际上，您可以看到，如果我使用 B 样条线以及三次 20 节，它实际上看起来非常接近我的 P 样条线。 |
| |
但从 BIC 你实际上可以看到我应该使用更多的结，所以如果我这样做，现在我们开始看到它们过度拟合，真正关注孤立的峰值，这将导致你有一个 FDE |
| |
模型看起来不正确，导致您不那么敏感，而您的模型驱动的多元控制图。 |
| |
0 |
