こんにちは、良い朝。 良い夕方、みんな。
自分の名前ライサです。
私はある製造業品質エンジニアの適用済み材料、台湾。
私始めましたに学ぶJMPで始まりのこれ年。
最近、私合格これを編集しました認証テスト
とスコア、 925でこれ7月。
今日、私はそうするだろうのようにに作るある短いプレゼンテーション
についてQNの即時修正時間分析によるJMP。
として私たちは知る、一度ある品質通知治すは作成した、
それしなければならない取る追加、もっとまたは少ない時間に修理問題、
そして5月インパクトの上生産計画そしてスケジューリング。
したがって、結婚したのようにに探すある最悪-場合による分析。
わかった。
のために分析、ここは五s UBトピックの上議題。
初め、の根原因分析のQN修正サイクル時間、
グラフィカル根本原因分析の概要、
フィットモデル、パーティションを比較、神経モデル、
そしてそれからHイブリッドテキストMイニング
そしてのデータマイニング分析。
ついに、取る離れて学び。
わかった、しましょう得る始めました。
ヒストグラム。
1位層の根本原因分析のQN修理サイクル時間。
前に調査、考えるについてそれ。
どのようなシナリオインパクトの上QN修正サイクルT私
そしてどうやって長さはそれは耐えられますか？
まずは、
定義する五日々としてある基準
そしてまたある鍵状態にCワイドに従う広める私言葉遣い
そして内で五日々、
私たちは仕様上そして成功基準。
の上の他の手、以上五日々外のスペック失敗分析、
後で、私作る直接ある壊すにSAそしてFA。
知らせこれシェードの分布間SAそしてのFA。
その間、見てでのモザイクプロット
のためにの割合のそれぞれカテゴリー
に推測するあるポテンシャルr大義
のためにの成功分析。
私たちはできる見るの仕上がりそして製造工場の手直し、
思われるに持っている素早い応答そしてより良い修理サイクル時間。
のためにFA寸法問題、取るもっと修理サイクル時間。
それは明らか変化でFAの時間。
分布間SAそしてのFA、
仮定するFAの時ならは1つのの鍵要素、
S1～インパクトf ixcサイクル時間。
のボックスP多く。
箱ひげ図はあるグラフのの分布の継続的な変数。
したがって、プロット続く修理済みサイクル時間対ネストされた構造、
カテゴリー的な国下封じ込め
に検索他の要因インパクト修理サイクル時間またはない。
それディスプレイの五-番号まとめの設定データ。
それは非パラメトリック道具に使用中央値として中央傾向。
その上、そこにははいくつかの観察の上箱ひげ図グラフ。
まず、少しでもセブンポイントに検出するの最初の外れ値。
さもないと、それウィスカー（斜行）になるグループ問題
どこサンプルサイズは少ないよりもセブン。
第二に、観察されたねじ込まれた分布
によるボックスの幅またはひげの長さ。
どうやってにハンドル限界的な外れ値、
どれのは私たちは考える2 シグマ GRR ノイズからヒゲ
そして戻るにの根本原因分析、
それはない難しいに探すあるリサイクルする時間
のの封じ込め交換
は多くのより長いですよりも他の封じ込め。
そしてとそれ、
X₂の封じ込めそしてX₃国ここ。
ヒートマップ。
ヒートマップは別のグラフィカルな道具
欠陥を作るデータ価値による色。
あ今まで得た、私たちは集める三つ入力要因、
からの欠陥の種類ヒストグラム、封じ込めそして国から箱ひげ図
そしてで注文にフォローする研究四半期インパクト
四半期入力インパクトの上修理済みサイクル時間。
ここで戻るカテゴリー的な欠陥タイプと呼ばれるの上Y軸
そしての色サイクル時間
そして保つバス予知的な構造。
カテゴリカル国下封じ込めでバツそしてバツグループ。
それから使用8による9レイアウト見てバランス
に素早くキャッチ外の最大
そしての最小限のサイクルタイムシナリオ。
のためにFA、それは簡単に探すある少し赤エリア、右？
の図書館ハイライトの最長の修理サイクル時間。
それに伴い、交換台湾ダメージ部品、
での最悪場合のためにサイクル時間。
の交換ユナイテッド州
そしての寸法問題部品はの2番最悪シナリオ。
のためにSAはセットのために寸法そして損傷欠陥。
その他は簡単に素早く修理。
のためにパレートCハート、
にさらに遠く分析するのFAそしてSAからヒートマップ、
ヒートマップは必須です使用二-次元のパレートチャートによるに変数
欠陥の種類そしての国下特定の封じ込め。
ここはX₁欠陥タイプ、
X₂封じ込めそしてX₃国私たちは言及された前に。
それから追加追加ワークステーションX₄ここ
でのもちろんパレートCハートに視覚化する頻度イベント。
今のためにFA障害分析、
私たちは得る交換する高い仕事のサプライヤーダメージ問題、
頻繁に起こるでCVDサービス詐欺
または交換するユナイテッド州サプライヤー寸法問題
頻繁起こるでCVDワークステーション。
での同じ方法のためにバツ分析、
代わりに寸法問題または破損した欠陥、
ユナイテッド前、機能的なそしてある出来映え問題
できる素早く修理でCVD選考科目テスト。
現在、私たちは持っている四入力要因そしてSAそしてFA頻度。
のためにインターフェース、私たちははもっとへの関心
は合格または失敗頻度または純粋なサイクル時間。
それから表にします。
ここ置く私たちの前の言及の要因X₁ から X₄のためにの上表にします。
その間、表にする純粋なサイクル時間そして頻度の中へあるアカウント
にするさらに遠く比較。
のためにFA、CVDサービス詐欺、ダメージ問題、
台湾サプライヤー必要とする交換、
それはかかりましたより長いですサイクルタイム
それでもの頻度は今の最高、
のようにセブン回ここ、
の手段ののサイクル時間、 34日々は多くのより長いですよりもその他。
のためにSA、でCVDモーターテスト、
私たちはできる測定問題でユナイテッド州前
そして修理済みによる製造業仕事。
平そこにははのみ1つ日の上のテーブル、
しかしの頻度そしては遠いあまりにも低いになれ真実。
ここ私要約するの要点。
フォローする根本原因分析、
使用違うグラフィカルなJMPプラットフォーム
でエンジニアリングそして大きいコースティクス
順序に導電性プライア根本原因分析。
で前の滑り台、私見せるヒストグラム、箱ひげ図、
ヒートマップ、パレートチャートそしての表にします。
2番、識別するある潜在的入力X
にを守るQN修理済みサイクル時間。
あ記録にの表にして、のFA実績からあるダメージ問題、
交換、台湾サプライヤーそしてCVDサービスワークステーション。
次、建てるあるモデルに予測するQN修理サイクル時間
そして検証のの根原因。
前に入るそれぞれモデルの詳細、
ここ、私はそうするだろうのようにに導入モデル選択そしてのまずは比較から。
のフィットモデル、考慮するデータ構造そしてある分布。
ここはいくつかのチャレンジでフィットモデル。
のために歪んだ分布、使用ログ変換、しかしいいえヘルプ。
すべての入力変数、 X₁ ～ X₄ はカテゴリー的なタイプ。
後私建てる私たちの60 %のワークステーションカテゴリー、
R二乗の増加6 %のみ。
チェック依存の間であるカテゴリー的な変数
通信で分析部分。
それは低い危険なぜならのクローザーものはにある地域、
の少ない明確なそれ彼らはおそらくは。
で他の言葉、のもっと遠くへ離れてのもっと明確な。
2番、近接性間ラベルおそらく示すある類似性。
のためにパーティション木モデル、
のプラスポイントは分布無料モデル、
スプリットベースのの上データ利用可能、
少し過剰適合の懸念、
しかしマイナスポイント再帰的スプリット。
したがって、 JMPを使用するプロジェクター画面によるランダム森
に平均ある再帰的製品
そして探す外ある五入力要素と彼らのランキング。
それは便利そしてある素早く方法に探す重要入力
に最適化するまたは改善するモデル。
に関してあるニューラル通信網、
のプラスポイントは強い変換モデル、
二ステップトレーニングそしてある検証モデル。
しかし、のマイナスは重要な過剰適合の懸念。
どれのモデルはもっとちゃんとしたになれ信じた
それ行きますを通してそれぞれモデル結果？
来る戻るフィットするモデル、主要イベントのみ。
もし私たちのスコアそうではありません高い、
のみ30 %間違っている、
なぜならデータは厳しい正しい歪み。
顕著に観察されたレベルの危険、
それでマックスR-四角その周りただ47 %はない価値がある
そして使用ログ変換ののサイクル時間変数
に避けるあるネガティブ番号の95 %自信間隔、
しかしいいえを助ける多くそれでログに記録します選択は外。
の次はパーティション木モデル。
ここは三つパーティションモデル、
はベースラインモデル、
モデルの拡張
そしてあるモデル簡素化。
経験あるシリーズの改善あたりエンジニアリングそしての論理的な考え
そのR四角改善されたに62 %から38%ベースラインモデル。
全ての詳細意思見せるあなたステップによるステップで続く滑り台。
モデル増強。
その間これステップ、私たちは改善するモデル20 %。
どこは彼らはから？
初め、彼らは意思現在改善する。
ここ、変化QNの年齢に即時修正サイクル時間
礼儀のために経験、しかしいいえヘルプ。
2番、 6%そして追加1つバツ要素ワークステーション。
覚えてそれは輸出、私たちは発見するからパレートCハート。
UDコードになる少ない致命的から26 ％ に8 %のみ。
の3番目とあのそれから4 %による変化に封じ込めからUDコード。
今、チェックある貢献ランキングここ。
の番号二なるワークステーションその代わりの国もう。
モデル内単純化、
ここ、改善する追加6 % R四角によるモデル簡素化。
前に単純化モデル、
のプラスは全てシナリオ下考慮、
しかしのようにマイナス二、多くのカテゴリかもしれない希薄予測する力。
で単純化モデル、
フィルタリング外マイナーカテゴリと少ないカウント、
のように取り除く60 %カテゴリのワークステーション、
の合計額減少したに270から426.
チェックまた、の貢献ランキング、
の欠陥タイプそして私たちのワークステーションはまだの番号1つそしての番号二。
今、私たちは持っているもっと自信に使用のモデル
に予測するのFAそしてSA。
のためにパーティション木モデルの最適化
として私言及された前に、
の選考科目貢献者は欠陥の種類&ワークステーション
その周りパレートCの80%とりあえず。
比較するSAの欠陥タイプそしてFA予測。
のためにSAここ、そのラベリング問題。
作るセンス、私たちはしないでください過ごすもっと時間に修理毎問題。
のためにFA、そのダメージ。
はい、それするだろう取る多くのもっとサイクル時間。
についてあるワークステーション比較間SAそしてFA
PVD機械的そしてCVDモジュールテスター。
現在、それまだニーズさらに遠く分析そして理解。
についてFA国ここ、であるプロフィールまたは予測プロフィールはフラット。
そうじゃないt国インパクトQN固定サイクル時間？
はそうでしょう？
に答えの質問ここ、私導入のモデル制限、
再帰的パーティション。
再帰的パーティション、一連依存危険。
要素国は広める六回、
そしてのみ1つ時間起こるでより高いサイクル時間集まる。
そのような再帰的依存制限5月に影響を与える予測的なモデル。
の3番目のモデル、
ニューラル通信網（人工知能）。
ここ観察する厳しいオーバーフィット懸念
間トレーニングそしての変化Rスクエア。
もしR二乗間トレーニングセットそしてV検証セット
は以上20 %、それもっているオーバーフィット懸念。
その上、私たちは探すそれはニューラルモデル、
の番号1つランキングはワークステーション、
そしての番号二は故障による
どれのは違うから前のパーティションモデル。
のためにSA、のワークステーションはで演出、
CCTステージング、どこ材料は持ってくる一緒に
前に入る製造工場の障害、
そしてそれしません競争力がある手術プロセス。
一度の問題起こる、それできるなれ修理済み素早く。
作るセンス。
のためにFAでのCVDサービス詐欺、
それ競争力がある手術プロセス。
はい、それしたに持っているより長いですサイクル時間に扱う難しい問題。
それまで今、私たちはすでに持っている三つモデル、
木モデルパーティションそしてのニューラルモデル、
そしてどれのモデルは多くのもっとちゃんとしたそして会う現実。
したがって、
モデル比較そして選択、
根本原因分析、グラフィカルな道具
ダメージ問題交換、
台湾CVDサービス詐欺はの最悪シナリオとより長いです修理済みサイクル時間。
現在、ニューラルモデルもっているの同一シナリオ
としてのグラフィカル根本原因分析、
しかし唯一の懸念は過剰適合である危険。
その上、の三つモデルもっているとても近い予測
の上最悪サイクル時間内で1.2日々。
の最後に私はそうします導入、テストマイニングそしてのデータマイニングハイブリッド。
現在でQNDあたベース、それまだもっているテストメッセンジャー結果として生じる良い
にそのようなもっと情報について長さサイクル時間QNでテスター変数データベース。
使用JMP テスト エクスプローラーに発見するいくつかの頻度キーワード
そのようなとしてここ、私丸交換する、手直し、寸法そしてのF10246
プロジェクトにするさらに遠く分析、
それから変換する彼らにバイナリ検出器、
行為あるさらに遠くデータマイニングそしての根本原因分析
F10246 ケースでヒートマップグラフ。
ここ、置く寸法インジケータ下F10246
そして封じ込め交換するそして再で働くY.
によるとにの熱地図結果、 F10246
そうでした苦しむたくさんの修理サイクル時間
それ他のプロジェクトによる色結果
そしてチェック寸法検出器観察されたは
ないのみ寸法問題、しかしまた私たちの様々な欠陥原因
長さサイクル時間、平もしただは修理済みによる手直し。
での終わり、ここは私の持ち帰り学習。
JMP G過激なプラットフォームはとても強力なに行為
もっと深くr根本原因分析を通してエンジニアリング
そしての論理的な、データ-駆動されるプロセス
そして比較するそして選択するあるもっと適切なJMPモデル
からクラシックフィットMオーデル、Pパーティションそしてあるニューラル通信網
による知っているのモデル制限
そしての危険の接続するに前のグラフィカル根本原因分析。
行為あるハイブリッドテキストMイニングおよびデータマイニングRおっと原因分析
の上の複雑な QN データベース。
最後の、私はそうするだろうのようにに感謝GCI M BBチャールズ・チェンとして私のプロジェクトメンター
そしてそれは全て私のプレゼンテーション。
感謝あなたのためにあなたの時間そして注意。
感謝あなた。
