Salut.Bonjour, tout le monde.
Ce est Cheng Ting ici,
et le autre présentateur aujourd'hui volonté être Cui Yue.
Aujourd'hui, nous sont en allant à partager avec toi notre expérience
de explorant JMP DOE conception
et le la modélisation les fonctions à améliorer le processus de pulvérisation.
D'abord tous,
allons avoir un bref arrière-plan et introduction à propos le projet.
Ce est le Noir Projet Belt Six Sigma DMAIC
concernant à le pulvérisation processus.
Le projet but étaient à optimiser plusieurs film propriétés.
Dans le définir phase, nous avoir identifié le trois CTQ
et le trois corrélé succès critères.
CTQ 1 est le la plupart important et un difficile un.
Le succès critères
est le la mesure résultat est plus grand que 0,5.
CTQ2 et CTQ3 sont également important.
Le succès critères pour les deux de eux
est le mesurable résultat devrait être moins que 0,05.
Différent Outils JMP a a été appliqué massivement tout au long de le mesure phase,
analyser phase, et améliorer phase.
Nous volonté partager notre expérience de en utilisant le Outils JMP ici.
Dans le mesure phase, nous a fait un MSA, et nous finalisé le données collection
pour le ligne de base matériel.
Trois réglage boutons, à savoir X ₁, X ₂, et X₃ sont impliqués.
Après données collection,
nous utiliser un Monte Carlo simulation dans JMP à analyser le ligne de base aptitude.
Ce est le premier outil nous introduire aujourd'hui aussi.
Dans commande à établir ton ligne de base modèle,
nous utiliser augmenté BICHE, RSM, prédiction profil,
comme Bien comme interaction profil, vérifier les fonctions dans JMP.
Après entrer le analyser espace,
dans commande à faire un racine- cause analyse et le aptitude analyse,
nous utiliser le but parcelle,
désirabilité fonction, multivarié méthode,
et le graphique analyse outils.
Dans le amélioration phase, nous a fait matériel modification,
où un autre réglage nœud X₄ était introduit.
Interactif graphique, DOE augmenté,
RSM, désirabilité fonction, et interaction profil étaient utilisé
dans ce section à plus loin améliorer le processus.
Le GOSS par étapes ajuster et désirabilité fonction étaient utilisé
dans le DOE robuste la modélisation à plus loin améliorer le processus.
Quelques de ces outils volonté être démontré par Cui Yue plus tard.
Le contrôle phase volonté pas être couvert à aujourd'hui présentation.
Comme nous mentionné, dans le mesure phase,
donc après le ligne de base collection, nous en fait utiliser le Simulation Monte-Carlo
à comprendre le ligne de base processus aptitude.
Ces sont le ligne de base capacités pour trois CTQ.
Nous peut voir que tous de eux sont normale distribution,
indiquant un fort linéaire corrélation avec le saisir paramètres.
Pour CTQ1, le échantillon signifier est dehors de spécification limite.
Ainsi, nous avoir un très négatif Ppk valeur.
Le 99 % de le ligne de base processus résultat ne peut pas rencontrer CTQ1 spécification à tous.
CTQ2 est fermer à le spécification parmi le trois CTQS.
Échantillon signifier est inférieur que Le haut limite de spécification.
Ainsi, nous avoir un positif Ppk .
Le 48 % de le ligne de base processus résultat, ils faire pas rencontrer le spécification pour CTQ2.
Échantillon signifier pour le CTQ3 est dehors de spécification limite comme Bien.
Ainsi, il a négatif Ppk.
64 % de le ligne de base processus résultat a fait pas rencontrer le spécification.
Ce ligne de base aptitude confirmé
que le le plus grand longévité pour ce projet est C TQ1.
Apparemment, le ligne de base processus condition,
lequel Bien appel processus conditionnel 1 ici,
ne peut pas rencontrer notre CTQ succès critères, en particulier pour CTQ1.
Nous volonté besoin à régler le processus condition.
Cependant, avant que, nous volonté besoin de savoir
si le actuel matériel peut rencontrer le exigence ou non.
Le sujet matière experts, le PME, a informé nous,
a proposé le deux hypothèse, et conseiller nous à changement le processus
à condition 2 basé sur le deuxième hypothèse.
Cependant, avant que, nous volonté besoin à vérifier
si le prédiction modèle est bien pour les deux condition.
Ainsi, nous utiliser le dispersion parcelle à vérifier le collecté données structure.
Comme nous voir ici, le données collecté est pas dans un orthogonal structure.
Ce est parce que nous en fait utiliser un deux- étape évaluation conception,
et élargir le processus gamme à rencontrer le succès critères de CTQ1.
Nous a fait avoir une faible prédiction aptitude dans le zone plus blanche.
Cependant, nous toujours avoir bien prédiction pour le condition 1 et condition 2.
Nous aussi a fait un confondant analyse.
Le fait là est certain confondant risque dans le Résolution II entre X ₁ et X₃.
Néanmoins, nous toujours construit un prédiction modèle.
Nous utiliser le réponse service méthode pour le raccord.
Dans ce cas, le principal effet, interactions,
et le termes quadratiques volonté être raccord ensemble.
Basé sur le RS, S R aussi, RS- ajusté carré, et le valeur p,
nous peut voir c'est un valide prédiction modèle.
Du effet résumé,
nous peut voir que seulement le significatif termes sont inclus dans le modèle.
Avec le interaction profil, nous peut voir deux interaction
lequel sont corrélé avec deux hypothèse nous mentionné avant.
Avec le prédiction profil, nous prendre le processus condition 2.
À ce processus condition,
quoi nous peut voir ici est 95 % de le confiance intervalle de CTQ1
est entre le gamme de 0,5 et 0,6.
Ce CTQ a a été à l'écoute dans spécification.
Cependant, dans le entre temps, le CTQ2 et le CTQ3 sont dehors de empiler.
Ainsi, nous utiliser le but parcelle à comparer le deux processus conditions,
et concernant réaliser que quand nous avoir amélioré CTQ 1
depuis processus condition 1 à processus condition 2
par obtenir plus proche à le cible
et un rétrécissement vers le bas de standard déviation.
Cependant, dans le entre temps, C TQ2 et 3 étaient rémunéré
avec plus grand standard déviation et le plus loin distance à le cible.
Ainsi, là est un troquer entre trois CTQ.
Dans ce cas, nous essayer à trouver un optimisé solution
avec le désirabilité fonction dans JMP.
Pour CTQ1 , le succès critères est que mode de 0,5.
H avant, nous utiliser le maximum plateau méthode quand ensemble le désirabilité fonction.
Moyens n'importe lequel valeur plus que ou égal à le cible
volonté être également préféré.
Nous aussi souligner le importance du CTQ 1 par en mettant 1,5 comme le important facteur.
Fo r CTQ2 et 3, le succès critères est moins que 0,05.
Ainsi, nous utiliser le plateau minimum quand ensemble le désirabilité.
N'importe lequel valeur moins que ou égal à le cible
volonté être également préféré.
Cependant, après maximiser le désirabilité,
le calculé optimisé solution est seulement autour 0,02,
et aucun de le trois CTQ peut rencontrer le succès critères.
Ainsi, nous peut conclure que là est un matériel limitation
dans ce cas.
Après discussion avec le PME,
nous décider à introduire Y₄ dans notre données analyse.
Y₄ est pas un CTQ ici,
mais il est un la mesure que peut refléter le intrinsèque propriété de le processus.
Ce intrinsèque propriété volonté affecter le CTQ2 et CTQ3 directement.
si Y₄ est plus que zéro, alors c'est un positif processus,
et quand cela Y₄ est moins que zéro, c'est un actif processus.
Si Y₄ est plus proche à zéro, alors nous appel est un neutre processus,
lequel conduire à un plus petit nombre de CTQ2 et CTQ3 ensemble.
Ici est le distribution de Y₄ de le ligne de base matériel.
Comme quoi nous peut voir ici avec le ligne de base matériel,
le Y₄ est toujours plus que zéro.
Que, nous volonté toujours avoir pour positif processus.
Le multi graphique variable ici en fait montre le relation
parmi le Y₄ : CTQ2 et CTQ3.
Ils sont fortement corrélée.
Si nous avoir plus petit Y₄, nous volonté aussi avoir plus petit CTQ2 et CTQ3.
Dans commande à avoir un plus large gamme de Y₄,
nous décider à ajouter dans un autre facteur, X₄, dans le améliorer le matériel.
Ensemble, un autre deux scientifique hypothèse
a a été proposé par le PME.
Nous avoir collecté données sur le nouveau matériel
et comparer le Y₄ distribution dans deux matériels.
Dans le ligne de base matériel, sans X₄ , nous avoir collecté données orthogonalement
et avec certain gamme pour chaque facteur.
Ce est le distribution de le Y₄ sous ces contributions.
Avec le amélioré matériel, avec le X ₄ présenté,
nous avoir collecté données dans le même gamme de X ₁, X ₂, et X ₃.
Ce temps, Y₄ un pas différent X ₄, a aussi a été collectés.
Comparant le deux distributions, nous peut voir que sans X₄ ,
nous seulement voir un grappe pour Y ₄, avec le culminer valeur plus que zéro.
Cependant, avec le X₄ présenté,
nous peut observer un bimodal distribution pour Y₄,
avec un culminer avec signifier plus que zéro, et un autre culminer avec signifier moins que zéro.
Le processus condition fait du Oui ₄ moins que zéro
en fait dessine notre attention.
Sous ces processus conditions, nous volonté avoir négatif processus,
et ce peut aide nous à améliorer CTQ2 et CTQ3,
mais choisis que processus si nous ne peut pas rencontrer tous CTQ dans un processus seulement,
parce que neural processus avantages CTQ2 et CTQ3.
Nous a fait un simple écran de traité conditions
quand nous avoir Un négatif processus, et ce plomb nous à un certain gamme de X₄.
C'est pourquoi nous collecter plus de données un dans ce gamme,
parce que c'est notre condition de intérêts.
Maintenant, nous conclure que le X₄ a fait impact sur Oui ₄,
et ainsi, il peut impact sur CTQ2 et CTQ3.
Maintenant, nous peut plus loin avec le impact de X₄ sur CTQ1,
et construire un autre modèle pour le amélioré matériel.
Avant le données collection,
nous avoir présélectionné le conditions de intérêt
en utilisant le interactif graphique dans JMP.
Nous volonté collecter plus données avec certain gamme de X₄,
parce que ce X₄ en fait peut donner nous le négatif Y₄ valeur.
Il aussi couvre la plupart gammes de Oui ₄.
Comme nous peut voir ici, avant le données collection,
comme quoi nous peut voir ici,
ce est pas le la plupart orthogonal structure,
depuis nous avoir collecté plus données à le conditions de intérêts,
même cependant après faire un conception évaluation,
nous trouver un faible con fondation risque.
Le données structure est toujours bien pour la modélisation.
Ce est le modèle nous construit.
Comme quoi nous peut voir ici, nous avoir un adéquat modèle.
Seulement facteur avec le p valeur moins que 0,05,
ou quoi inclus dans le modèle.
Le RS carré est plus que 0,8.
Le différence entre le R. Carré ajusté
et R. Carré est moins que dix %.
Le p valeur pour le entier modèle est toujours moins que 0,0 01.
Aussi, à travers le interaction profil, le hypothèse 1 à 4 a a été validé.
Ce temps, peut nous trouver n'importe lequel optimisé solution?
Encore, nous courir la désirabilité fonction.
Le gauche côté est le optimisé solution fourni avec le ligne de base matériel
avant le X₄ Versement,
et le droite côté est le optimisé solution
avec le améliorer matériel informatique avec X₄ versements.
Comme quoi nous peut voir ici, par rapport avec le ligne de base matériel,
améliorer d matériel a fait fournir un optimisé solution
avec plus haut désirabilité et améliorer le résultat pour chaque C QT.
Cependant, le désirabilité est toujours faible, lequel est seulement 0,27.
Pas tous Les CTQ se réunissent le succès critères dans un étape.
Donc nous toujours a fait pas trouver que adéquat solution
dans un pas processus pour le projet.
Cependant, mais comme quoi nous mentionné précédemment,
depuis nous avoir un grappe de le processus conditions,
permettre nous deux négatif processus avec le Oui ₄ moins que zéro.
Nous peut proposer un potentiel solution avec deux- étape processus.
Le solution avec deux- étape processus peut pas être que direct.
Comme nous savoir, si nous peut trouver le optimisé solution dans un étape,
tous nous besoin à faire est juste à rond le processus à le conditions,
donne le maximisé désirabilité.
Le résultat volonté être prévisible depuis nous avoir un connu modèle pour il.
Maintenant nous vouloir à avoir un deux- étape processus.
Pour chaque étape, nous avoir un connu modèle,
et si le processus condition est déterminé.
Cependant, exigible à le différent processus durée pour chaque étape,
nous volonté avoir un nouveau modèle pour le final résultats.
Dans ce nouveau modèle, nous volonté avoir neuf variables dans total:
X ₁ à X₄ pour chaque étape, et la durée pour chaque étape.
Maintenant, le question est,
comment sont nous en allant à trouver un approprié solution pour le deux- étape processus ?
Nous avons a obtenu deux stratégies.
Le Premier est à faire un DSD la modélisation pour le neuf variables.
Dans ce cas, nous volonté besoin à avoir au moins 25 court pour le premier essai.
De cours, nous volonté avoir orthogonal données structure.
La RS M modèle peut être construit, mais le coût volonté être très haut.
Le autre stratégie est à écran conception
avec le groupe orthogonal sursaturé conception d'abord,
lequel est le GOSS conception.
Dans ce cas, nous peut écran le impact de Sept variables avec six courir.
Ce est pourquoi c'est super- saturé.
Nous avoir plus variables que le données points.
De cours, nous volonté besoin à écran dehors deux variables
avant le GOSS,
et nous utiliser le interactif graphique encore dans ce cas,
et le détails volonté être révisé par le suivant diapositives.
Le GOSS conception fournit
deux indépendant blocs pour chaque marche à suivre.
Là est Non interactions entre le facteurs à travers bloc.
Le données structure est orthogonal dans chacun bloc,
fabrication il possible à écran effet avec le sursaturé données collection.
Cependant, ce GOSS volonté montrer le impact de principal effet seulement,
et Non interaction volonté être considéré.
Ce est un faible- coût approche, et nous gérer plus loin BICHE conception.
Le suivi DOE peut être DSD, augmenter, ou OFAT.
Chaque de ces a c'est propre avantages et inconvénients,
et il volonté pas être couvert dans ce présentation.
De toute façon, à sauvegarder le coût, nous décider à procéder avec stratégie 2.
Nous commencer avec un GOSS conception.
Comme nous discuter éd maintenant, nous avoir neuf différent variables.
Cependant, dans le GOSS, nous peut inclure seulement Sept variables.
Dans commande à étroit vers le bas le paramètres pour le GOSS conception,
nous a fait un simple écran avec le interactif graphique.
Pour étape 1, nous choisir le processus conditions,
permettre nous à avoir un bien CTQ2.
Après dépistage,
nous décider à réparer X₂ dans ce cas, basé sur le précédent apprentissage.
Comme vu ici, quand le CTQ1 est plus que 0,5,
tous nous avoir est un positif processus avec le Y₄ pour plus que 20 %.
Ainsi dans ce cas, pour étape 2, nous choisir le processus conditions,
permettre nous à avoir le Oui ₄ moins que -0,5 alors on peut avoir un négatif processus.
Dans ce cas, ajouter deux pas ensemble, le finale Y ₄ sera être plus proche à zéro.
Ce chemin peut améliorer dans CTQ2 et CTQ3.
Après dépistage, nous décider à réparer X₁ pour ce étape,
basé sur le précédent apprentissage.
Après données collection,
nous a fait un étape ajustement judicieux avec principal effet seulement,
depuis dans le GOSS, comme nous mentionné précédemment,
seulement principal effet est considéré.
Tous trois CTQ validé le modèle avec le valeur p moins que 0,05,
et le RS carré ajusté autour 0,8, et VIF moins que 5.
Après maximiser le désirabilité,
le modèle fournir nous avec un optimisé solution
avec désirabilité plus que 0,96, lequel est chemin plus haut que 0,27,
et pas à mention 0,02.
Ainsi, nous peut en fait verrouillage le processus paramètres
et plus loin par l'optimisé solution dans suivant étape,
lequel est nous choisir à utiliser le OFAT.
Mais ce volonté pas être couvert ici.
Ici, je comme à résumer
quoi nous avoir discuté dans ce présentation.
Dans ce présentation, nous avoir et partager avec toi le expérience.
Nous utiliser différent JMP outils impliqué dans le données analyse
tout au long de le DMAIC projet dans différent étapes.
Pour le base capacité de ligne analyse, nous avoir utilisé Simulation Monte-Carlo.
Nous aussi utilisé un but parcelle.
Pour le racine- cause analyse, nous utilisé méthode multivariée.
Nous aussi utilisé un graphique analyse.
Dans commande à aide avec le BICHE,
nous utilisé le augmenté BICHE, GOSS et diagnostic de conception.
Dans termes à avoir un bien modèle et prédiction,
nous utilisé différent fonctions de montage, et nous aussi utilisé le prédiction profil.
Nous aussi utilisé le interaction profil.
Il aussi était mentionné que ces profils sont pas seulement utilisé
pour le modèle et le prédiction,
mais il aussi aide nous à avoir un Plus profond compréhension
de le processus lui-même.
Dans commande à écran dehors le conditions de intérêt,
nous en fait utiliser le interactif graphique,
lequel est simple, mais très utile et puissant.
Dans commande à faire d décision fabrication,
nous en fait utiliser le désirabilité les fonctions aide nous à faire un décision.
Jusqu'à maintenant, nous partager avec toi notre expérience
de comment le JMP peut aide nous à faire le analyser.
Le dernier mais pas moins,
nous serait comme à remercier Charles pour son mentorat le long de le progrès.
Remercier toi.
Mon partenaire Cui Yue,
elle va partager avec toi quelques manifestation avec le JMP côté.
Elle volonté aide nous à démontrer
comment peut nous utiliser le interactif graphique analyse
comme Bien le par étapes raccord dans le GOSS modèle.
D'accord, remercier toi.
Merci, Cheng Ting.
je pense toi peut voir mon écran maintenant, droite?
Le première chose, je serait comme à introduire toi
le interactif parcelle Cheng Ting a juste mentionné.
Ce est en fait un de mon personnel préféré fonction dans JMP.
C'est simple, mais c'est très puissant.
Ici, notre but est à écran qu'est-ce que c'est le la plupart relatif fonction,
un facteur par rapport à Y₄.
Lequel un contribue le la plupart à Y₄, depuis X₁ à X ₄?
Nous peut simplement sélectionner tous le facteur de intérêt nous vouloir ici,
et cliquez sur OK.
Maintenant, nous sont ayant le distribution de tous le facteurs.
Maintenant, comme Cheng Ting a mentionné, nous vouloir à savoir quoi contribue le la plupart
à le Y₄ à négatif côté.
Pour exemple, ici.
Alors maintenant, nous peut voir seulement X₄ depuis 13- 14, X₃ depuis 0- 1,
et X₂ à ce gamme, 2.5 -5.
Aussi, X ₁ à 19-20, peut faire ce arriver.
Ainsi, c'est Plus facile à donner nous un gamme de différent facteurs,
comment il volonté contribuer à Y₄, et comment étaient en allant à choisir le facteurs
si nous vouloir le Y₄ atteint certain niveau.
De la même manière, si nous vouloir il à être légèrement plus haut que 0 %,
nous peut aussi simplement Cliquez sur ce zone.
En fait, à être assez direct, à résoudre le problème à un tir,
nous juste sélectionnez-les deux ensemble.
Alors, nous peut voir, d'accord, X ₄ devrait être à ce gamme,
peut être dix- 14.
X₃, certainement devrait se concentrer à 0-1.
X₂ est un légèrement plus large distribution.
X ₁, il y a o seulement deux c andidates pour ce direction.
Depuis ce un, nous peut facilement et intuitivement trouver
le contribution facteurs nous vouloir.
Ce est le première fonction je serait comme à démontrer à toi,
le distribution fonction.
Là sont beaucoup autre des choses le distribution fonction peut faire,
y compris voir le données distribution et test un parcelle de chose,
[inaudible 00:24:49] test , etc.
Donc je ne le fera pas viens dans ici.
Le deuxième chose je vouloir à partager avec toi est le GOSS.
C'est en fait le Coupe GOSS par étapes.
Maintenant, nous sont ayant trois CTQ.
Tous le CTQ, le analyse dialogue est ouvrir ici.
Pour tous le trois, ils avoir séparé analyse dialogue.
À faire un très direct chemin, nous juste le Contrôle et Cliquez sur Aller.
Il volonté sélectionner le facteurs pour tous trois C TQ à une fois.
Très direct.
Ces trois volonté utiliser le même arrêt règle,
lequel est le BI minimum C.
Alors, allons cliquez sur Exécuter M modèle.
Ce ajuster modèle volonté donner nous notre raccord séparément pour C TQ1, 2, 3.
Alors, nous besoin à modifier le modèle ou réduire le modèle un par un.
Ici, notre critères est à choisir le p valeur inférieur que 0. 05.
Nous définir que valeur.
Quand le valeur p inférieur que 5 %, le facteur est significatif.
Ici, nous peut retirer X₄ .
Suivant un, pour C TQ2...
Pour CTQ1, nous sont vers le bas ici.
Pour CTQ2, nous peut retirer X ₁ et X2 .
D'accord, maintenant nous sont ayant les deux inférieur que 0,05.
Pour X₃, w e aussi peut faire le même chose par conséquent.
Allons se déplacer X₄ en premier .
Tous le trois facteurs, p la valeur est inférieure que 0,05.
Nous avoir obtenir le réduit modèle.
Ici à le bas, nous volonté avoir un prédiction profileur.
Si toi ne le faites pas avoir il, nous peut ajouter il depuis le profileur fonction.
Alors, nous serait comme à trouver le optimum condition.
Comment nous sont en allant à faire que?
Nous sont en allant à utiliser le fonction de désirabilité.
Premier pas, nous volonté toujours être ensemble le désirabilité,
lequel est déjà ensemble ici.
Nous avoir un moi ta-gate à minimiser.
Alors, allons utiliser le maximum désirabilité fonction.
H avant, nous peut trouver notre optimum condition.
Si nous utiliser Maximiser et Souviens-toi, ici est notre optimale condition.
Alors, nous peut utiliser ce condition à courir le processus
et valide mangé le séquence encore.
Ces sont deux les fonctions Identifiant comme à introduire toi.
D'accord, remercier toi.
Merci.
