使用 JMP 16 數據挖掘和文本挖掘平台分析顯示器生產週期時間 (2022-US-30MP-1104)Raisa Huang，應用材料公司質量工程師
JMP 平台極大地幫助找到了確定最佳流程的正確參數。 本演示演示了使用 JMP 16 數據挖掘和文本挖掘進行生產週期時間分析、使用分佈平台設置直方圖條件以進行系統根本原因分析，以及構建三個分區平台模型以改進 R 方。 然後，我們將優化成功和失敗分析的分區模型，創建神經模型並使用文本瀏覽器平台搜索觸發預測模型中使用的建模參數的關鍵詞。
你好，好的早晨。 好的大家晚上好。
我的名字是賴莎。
我是A製造業品質工程師的應用材料，台灣.
我開始了到學習聯合管理計劃在開始的這年。
最近，我經過編輯了這個認證考試
和分數， 925在這七月。
今天， ID喜歡到製作A短的推介會
關於QN 立即修復時間分析經過JMP。
作為我們知道，一次A品質通知治愈是創建，
它必須拿額外的，更多的或者較少的時間到使固定問題，
和可能影響在生產規劃和調度。
所以，星期三喜歡到尋找A最糟糕的-案件經過分析。
好的。
為了分析，這裡是五s UB主題在議程。
第一的，這根原因分析的QN修復週期時間，
圖形化根本原因分析摘要，
比較擬合模型、分區、神經模型，
和然後H雜種文本M伊寧
和這數據礦業分析。
最後，拿離開學習成果。
好的，讓我們得到開始了。
直方圖。
第一名層的根本原因分析的QN使固定循環時間。
前調查，思考關於那。
什麼場景影響在QN 修復週期T我
和如何長的是它能忍受嗎？
第一，
定義五天作為A標準
和也A鑰匙狀態到關注C-wide傳播我n 措辭
和之內五天，
我們在規格中和成功標準。
在這其他手，超過五天出去的規格失敗分析，
之後，我製作直接地A分解到SA和足協。
注意這陰影的分配之間SA和這F A。
同時，看在這馬賽克陰謀
為了這部分的每個類別
到推斷A電位r根本原因
為了這成功分析。
我們能看這做工和製造返工，
似乎到有快的回复和更好的使固定循環時間。
為了F A方面問題，拿更多的使固定循環時間。
它是明顯的變化在足協時間。
分配之間SA和這F A，
認為如果 FA 時間是一的這鑰匙因素，
S1 至影響的f IXC週期時間。
這P盒很多。
箱線圖是A圖形的這分配的連續的多變的。
所以，陰謀繼續固定的循環時間與嵌套結構，
絕對的國家在下面遏制
到搜索其他因素影響使固定循環時間或者不是。
它顯示這五-數字概括的設置數據。
它是非參數工具到使用中位數作為中央趨勢。
除了，那裡是一些觀察在箱形圖圖形。
首先，在至少七觀點到探測這第一個異常值。
否則，它變成晶須（傾斜）團體問題
在哪裡樣本尺寸是較少的比七。
二、觀察擰緊了分配
經過箱體寬度或者晶須長度。
如何到處理邊緣異常值，
哪個是我們思考兩個 Sigma GRR 噪聲從鬍鬚
和後退到這根本原因分析，
它是不是難的到尋找A回收時間
的這遏制替代品
是很多更長比其他遏制。
和和那，
X2 遏制和X₃國家這裡。
熱圖。
熱圖是其他圖形化的工具
叛逃數據價值經過顏色。
A收穫，到現在為止，我們收集三輸入因素，
缺陷類型來自直方圖，遏制和國家從箱形圖
和在命令到跟隨學習季影響
四分之一輸入影響在固定的循環時間。
這裡在後退絕對的稱為缺陷類型在Y軸
和這顏色循環時間
和保持公共汽車預後的結構。
分類的國家在下面遏制在X和X團體。
然後使用一個 8經過9佈局看平衡
到迅速地抓住出去這最大限度
和這最小的週期場景。
為了F A，它是簡單的到尋找A小的紅色的區域，正確的？
這圖書館強調這最長使固定循環時間。
這樣，更換台灣損害部分，
在這最糟糕的案件為了循環時間。
這替代品團結的狀態
和這方面問題部分是這第二最糟糕的設想。
為了SA是放為了方面和損壞缺陷。
其他的是簡單的到迅速地使固定。
為了帕累托C哈特,
到更遠分析這F A和SA從熱圖,
熱圖必須使用二-維度的帕累托圖表經過到多變的
缺陷類型和這國家在下面具體的遏制。
這裡是X₁缺陷類型，
X2遏制和X₃國家我們提及前。
然後添加額外的工作站X₄這裡
在這當然帕累托C哈特到可視化頻率事件。
現在為了FA故障分析，
我們得到替換高的工作供應商損害問題，
頻繁地發生在CVD服務欺詐罪
或者替換團結的狀態供應商方面問題
經常發生在CVD工作站。
在這相同的方式為了X分析，
代替方面問題或者損壞的缺陷，
團結的事先的，功能性的和A做工問題
能迅速地使固定在CVD主要的測試。
現在，我們有四輸入因素和SA和FA頻率。
為了界面，我們一是更多的感興趣
是經過或者失敗頻率或者純的循環時間。
然後製表。
這裡放我們的以前的提到的因素X₁ 至 X₄為了在製表。
同時，製表純的循環時間和頻率進入A帳戶
到做更遠比較。
為了化學氣相沉積服務欺詐罪，損害問題，
台灣供應商要求替代品，
確實需要一個更長週期
雖然這頻率是現在這最高，
喜歡七次這裡，
這方法的這循環時間， 34天是很多更長比其他的。
為了薩，在CVD電機測試，
我們能措施問題在團結的狀態事先的
和固定的經過製造商重新工作。
甚至那裡是僅有的一天在這桌子，
但這頻率和是遠的也低的到是真的。
這裡我總結這要點。
跟隨根本原因分析，
使用不同的圖形化的聯合管理計劃平台
在工程和大的焦散
順序到傳導先驗根本原因分析。
在以前的滑動，我展示直方圖，箱形圖，
熱圖，帕累托圖表和這製表。
第二，確認A潛在的輸入X
到保護QN固定的循環時間。
A記錄到這製表，這足協結果從A損害問題，
替代品，台灣供應商和CVD服務工作站。
下一個，建造A模型到預測QN使固定循環時間
和驗證的這根原因。
前進入每個楷模細節，
這裡， ID喜歡到介紹模型選擇和這先對比一下。
這合身模型，考慮數據結構和A分配。
這裡是一些挑戰在合身模型。
為了傾斜的分配，使用日誌轉型，但不幫助。
所有輸入多變的， X₁ 至 X₄ 為絕對的類型。
後我建造我們的60 %的工作站類別，
R 方增加6 %僅有的。
查看依賴性之中A絕對的多變的
通過信件分析部分。
它是低的風險因為這更近事物是到A地區，
這較少的清楚的那他們大概是。
在其他單詞，這更遠離開這更多的清楚的。
第二，接近之間標籤大概表明A相似。
為了分割樹模型，
這加點是分配自由的模型，
分裂基於在數據可用的，
小的過度擬合的擔憂，
但減點遞歸的分裂。
所以，使用 JMP投影儀屏幕經過隨機的森林
到平均的A遞歸的產品
和尋找出去A五輸入因素和他們的排行。
它是方便的和A迅速地方式到尋找重要的輸入
到優化或者提升模型。
關於A神經的網絡，
這加點是強的轉型模型，
二腳步訓練和A驗證模型。
然而，這減是重要的過度擬合的擔憂。
哪個模型是更多的恰當的到是相信
那去通過每個模型結果？
來後退適合模型，主要的事件僅有的。
如果我們的分數不是高的，
僅有的30 %錯了，
因為數據是劇烈右偏度。
觀察到顯著等級的風險，
所以最大限度R-正方形大約只是47 %是不是值得
和使用日誌轉型的這循環時間多變的
到避免A消極的數字的95 %信心間隔，
但不幫助一個很多所以記錄選擇是出去。
這下一個是分割樹模型。
這裡是三分割楷模，
是基線模型，
模型增強
和A模型簡化。
經驗A系列的改進每工程和這邏輯的思維
那個R正方形改進的到62 %從38%基線模型。
一切細節將要展示你步經過步在下列的滑動。
模型增加。
期間這步，我們提升模型20 %。
在哪裡是他們從？
第一的，他們將要展示提升。
這裡，改變QN年齡到立即修復循環時間
為了禮節經驗，但不幫助。
第二， 6%和添加一X因素工作站。
記住它是出口，我們發現從帕累托C哈特。
UD代碼變成較少的批判的從26 ％ 到8 %僅有的。
這第三和阿諾那裡4 %經過改變到遏制從UD代碼。
現在，查看A貢獻排行這裡。
這數字二變得工作站反而的國家不再了。
模型中簡化，
這裡，提升額外的6 %右正方形經過模型簡化。
前簡化模型，
這加是全部設想在下面考慮，
但喜歡減二，許多類別可能稀預測力量。
在簡化模型，
過濾出去次要的類別和更少計數，
喜歡消除60 %類別的工作站，
這全部的數量減少到270從426.
查看再次，這貢獻排行，
這缺點類型和我們的工作站是仍然這數字一和這數字二。
現在，我們有更多的信心到使用這模型
到預測這F A和SA。
為了分割樹模型優化
作為我提及前，
這主要的貢獻者是缺陷類型&工作站
大約帕累托 C 為 80%概念。
比較SA 中的缺陷類型和FA預言。
為了SA這裡，它是標籤問題。
使感覺，我們不花費更多的時間到使固定每一個問題。
為了F A，它是損害。
是的，它會拿很多更多的循環時間。
關於A工作站比較之間SA和F A
物理氣相沉積機械的和CVD模塊測試員。
現在，它仍然需要更遠分析和理解。
關於足協國家這裡，在A輪廓或者預言輪廓是平坦的。
沒有t國家影響QN 固定循環時間？
是對的？
到回答這問題這裡，我介紹這模型局限性，
遞歸的分割。
遞歸分區，順序的依賴性風險。
因素國家是傳播六次，
和僅有的一時間發生在更高循環時間簇。
這樣的遞歸的依賴性局限性可能影響預測性的模型。
這第三個模型，
神經網絡（人工智能）。
這裡觀察劇烈過擬合憂慮
之間訓練和這變化R方。
如果R方之間訓練放和V確認放
是超過20 %,它有過擬合憂慮。
除了，我們尋找它在神經的模型，
這數字一排行是工作站，
和這數字二是過錯經過
哪個是不同的從以前的分割模型。
為了薩，這工作站是在舞台表演，
CCT 分期，在哪裡材料是帶來一起
前進入製造故障,
和它不有競爭力手術過程。
一次這問題發生，它能是固定的迅速地。
使感覺。
為了F A在這CVD 服務欺詐，
它具有競爭力手術過程。
是的，它做過到有更長循環時間到對待難的問題。
直到現在，我們已經有三模型，
樹模型分割和這神經模型，
和哪個模型是很多更多的恰當的和見面現實。
所以，
模型比較和選擇，
根本原因分析，圖形化的工具
損害問題替代品，
台灣CVD服務欺詐是這最糟糕的設想和更長固定的循環時間。
現在，神經模型有這完全相同的設想
作為這圖形化根本原因分析，
但唯一擔心的是過度擬合風險。
除了，這三模型有非常關閉預言
在最不好循環時間之內1.2天。
這最後我會介紹，測試礦業和這數據礦業雜交種。
現在在QND阿塔根據，它仍然有測試信使結果出色地
到這樣的更多的信息關於長的循環時間在 QN測試員多變的數據庫。
使用JMP 測試瀏覽器到發現一些頻率關鍵詞
這樣的作為這裡，我圓圈代替，重工，方面和這F10246
一個專案到做更遠分析，
然後轉變他們到二進制探測器，
執行A更遠數據礦業和這根本原因分析
在 F10246 案例上通過熱圖圖形。
這裡，放方面指標在下面F10246
和遏制代替和關於工作於Y。
根據到這熱地圖結果， F10246
它做了遭受地段的使固定循環時間
那其他項目經過顏色結果
和查看方面探測器觀察到的是
不是僅有的方面問題，但也我們的各種各樣的缺陷原因
長的循環時間，甚至如果只是是固定的經過重工。
在這結尾，這裡是我的外賣學習。
JMP G拉菲卡的平台是非常強大的到執行
更深r根本原因分析通過工程
和這邏輯性，數據-驅動的過程
和比較和選擇A更多的合適的聯合管理計劃模型
從經典的適合中號奧德爾，P分工和A神經網絡
經過會心這模型局限性
和這風險的連接到以前的圖形化根本原因分析。
執行A雜交種文本M伊寧和數據挖掘R烏特原因分析
在這複雜的QN數據庫。
最終的， ID喜歡到感謝GCI中號BB查爾斯·陳作為我的項目導師
和那是全部我的推介會。
感謝你為了你的時間和注意力。
感謝你。
