使用 JMP 16 数据挖掘和文本挖掘平台分析显示器生产周期时间 (2022-US-30MP-1104)Raisa Huang，应用材料公司质量工程师
JMP 平台极大地帮助找到了确定最佳流程的正确参数。 本演示演示了使用 JMP 16 数据挖掘和文本挖掘进行生产周期时间分析、使用分布平台设置直方图条件以进行系统根本原因分析，以及构建三个分区平台模型以改进 R 方。 然后，我们将优化成功和失败分析的分区模型，创建神经模型并使用文本浏览器平台搜索触发预测模型中使用的建模参数的关键词。
你好，好的早晨。 好的大家晚上好。
我的名字是赖莎。
我是A制造业质量工程师的应用材料，台湾。
我开始了到学习联合管理计划在开始的这年。
最近，我经过编辑了这个认证考试
和分数， 925在这七月。
今天， ID喜欢到制作A短的推介会
关于QN 立即修复时间分析经过JMP。
作为我们知道，一次A质量通知治愈是创建，
它必须拿额外的，更多的或者较少的时间到使固定问题，
和可能影响在生产规划和调度。
所以，星期三喜欢到寻找A最糟糕的-案件经过分析。
好的。
为了分析，这里是五s UB主题在议程。
第一的，这根原因分析的QN修复周期时间，
图形化根本原因分析摘要，
比较拟合模型、分区、神经模型，
和然后H杂种文本M伊宁
和这数据矿业分析。
最后，拿离开学习成果。
好的，让我们得到开始了。
直方图。
第一名层的根本原因分析的QN使固定循环时间。
前调查，思考关于那。
什么场景影响在QN 修复周期T我
和如何长的是它能忍受吗？
第一，
定义五天作为A标准
和还A钥匙状况到关注C-wide传播我n 措辞
和之内五天，
我们在规格中和成功标准。
在这其他手，超过五天出去的规格失败分析，
之后，我制作直接地A分解到SA和足协。
注意这阴影的分配之间SA和这F A。
同时，看在这马赛克阴谋
为了这部分的每个类别
到推断A电位r根本原因
为了这成功分析。
我们能看这做工和制造返工，
似乎到有快的回复和更好的使固定循环时间。
为了F A方面问题，拿更多的使固定循环时间。
它是明显的变化在足协时间。
分配之间SA和这F A，
认为如果 FA 时间是一的这钥匙因素，
S1 至影响的f IXC周期时间。
这P盒很多。
箱线图是A图形的这分配的连续的多变的。
所以，阴谋继续固定的循环时间与嵌套结构，
绝对的国家在下面遏制
到搜索其他因素影响使固定循环时间或者不是。
它显示这五-数字概括的设置数据。
它是非参数工具到使用中位数作为中央趋势。
除了，那里是一些观察在箱形图图形。
首先，在至少七观点到探测这第一个异常值。
否则，它变成晶须（倾斜）团体问题
在哪里样本尺寸是较少的比七。
二、观察拧紧了分配
经过箱体宽度或者晶须长度。
如何到处理边缘异常值，
哪个是我们思考两个 Sigma GRR 噪声从胡须
和后退到这根本原因分析，
它是不是难的到寻找A回收时间
的这遏制替代品
是很多更长比其他遏制。
和和那，
X2 遏制和X₃国家这里。
热图。
热图是其他图形化的工具
叛逃数据价值经过颜色。
A收获，到现在为止，我们收集三输入因素，
缺陷类型来自直方图，遏制和国家从箱形图
和在命令到跟随学习季影响
四分之一输入影响在固定的循环时间。
这里在后退绝对的称为缺陷类型在Y轴
和这颜色循环时间
和保持公共汽车预后的结构。
分类的国家在下面遏制在X和X团体。
然后使用一个 8经过9布局看平衡
到迅速地抓住出去这最大限度
和这最小的周期场景。
为了F A，它是简单的到寻找A小的红色的区域，正确的？
这图书馆强调这最长使固定循环时间。
这样，更换台湾损害部分，
在这最糟糕的案件为了循环时间。
这替代品团结的状态
和这方面问题部分是这第二最糟糕的设想。
为了SA是放为了方面和损坏缺陷。
其他的是简单的到迅速地使固定。
为了帕累托C哈特,
到更远分析这F A和SA从热图,
热图必须使用二-维度的帕累托图表经过到多变的
缺陷类型和这国家在下面具体的遏制。
这里是X₁缺陷类型，
X2遏制和X₃国家我们提及前。
然后添加额外的工作站X₄这里
在这当然帕累托C哈特到可视化频率事件。
现在为了FA故障分析，
我们得到替换高的工作供应商损害问题，
频繁地发生在CVD服务欺诈罪
或者替换团结的状态供应商方面问题
经常发生在CVD工作站。
在这相同的方式为了X分析，
代替方面问题或者损坏的缺陷，
团结的事先的，功能性的和A做工问题
能迅速地使固定在CVD主要的测试。
现在，我们有四输入因素和SA和FA频率。
为了界面，我们一是更多的感兴趣
是经过或者失败频率或者纯的循环时间。
然后制表。
这里放我们的以前的提到的因素X₁ 至 X₄为了在制表。
同时，制表纯的循环时间和频率进入A帐户
到做更远比较。
为了化学气相沉积服务欺诈罪，损害问题，
台湾供应商要求替代品，
确实需要一个更长周期
虽然这频率是现在这最高，
喜欢七次这里，
这方法的这循环时间， 34天是很多更长比其他的。
为了萨，在CVD电机测试，
我们能措施问题在团结的状态事先的
和固定的经过制造商重新工作。
甚至那里是仅有的一天在这桌子，
但这频率和是远的也低的到是真的。
这里我总结这要点。
跟随根本原因分析，
使用不同的图形化的联合管理计划平台
在工程和大的焦散
顺序到传导先验根本原因分析。
在以前的滑动，我展示直方图，箱形图，
热图，帕累托图表和这制表。
第二，确认A潜在的输入X
到保护QN固定的循环时间。
A记录到这制表，这足协结果从A损害问题，
替代品，台湾供应商和CVD服务工作站。
下一个，建造A模型到预测QN使固定循环时间
和验证的这根原因。
前进入每个楷模细节，
这里， ID喜欢到介绍模型选择和这先对比一下。
这合身模型，考虑数据结构和A分配。
这里是一些挑战在合身模型。
为了倾斜的分配，使用日志转型，但不帮助。
所有输入多变的， X₁ 至 X₄ 为绝对的类型。
后我建造我们的60 %的工作站类别，
R 方增加6 %仅有的。
查看依赖性之中A绝对的多变的
通过信件分析部分。
它是低的风险因为这更近事物是到A地区，
这较少的清楚的那他们大概是。
在其他单词，这更远离开这更多的清楚的。
第二，接近之间标签大概表明A相似。
为了分割树模型，
这加点是分配自由的模型，
分裂基于在数据可用的，
小的过度拟合的担忧，
但减点递归的分裂。
所以，使用 JMP投影仪屏幕经过随机的森林
到平均的A递归的产品
和寻找出去A五输入因素和他们的排行。
它是方便的和A迅速地方式到寻找重要的输入
到优化或者提升模型。
关于A神经的网络，
这加点是强的转型模型，
二脚步训练和A验证模型。
然而，这减是重要的过度拟合的担忧。
哪个模型是更多的恰当的到是相信
那去通过每个模型结果？
来后退适合模型，主要的事件仅有的。
如果我们的分数不是高的，
仅有的30 %错了，
因为数据是严重右偏度。
观察到显着等级的风险，
所以最大限度R-正方形大约只是47 %是不是值得
和使用日志转型的这循环时间多变的
到避免A消极的数字的95 %信心间隔，
但不帮助一个很多所以记录选择是出去。
这下一个是分割树模型。
这里是三分割楷模，
是基线模型，
模型增强
和A模型简化。
经验A系列的改进每工程和这逻辑的思维
那个R正方形改进的到62 %从38%基线模型。
一切细节将要展示你步经过步在下列的滑动。
模型增加。
期间这步，我们提升模型20 %。
在哪里是他们从？
第一的，他们将要展示提升。
这里，改变QN年龄到立即修复循环时间
为了礼节经验，但不帮助。
第二， 6%和添加一X因素工作站。
记住它是出口，我们发现从帕累托C哈特。
UD代码变成较少的批判的从26 ％ 到8 %仅有的。
这第三和阿诺那里4 %经过改变到遏制从UD代码。
现在，查看A贡献排行这里。
这数字二变得工作站反而的国家不再了。
模型中简化，
这里，提升额外的6 %右正方形经过模型简化。
前简化模型，
这加是全部设想在下面考虑，
但喜欢减二，许多类别可能稀预测力量。
在简化模型，
过滤出去次要的类别和更少计数，
喜欢消除60 %类别的工作站，
这全部的数量减少到270从426.
查看再次，这贡献排行，
这缺点类型和我们的工作站是仍然这数字一和这数字二。
现在，我们有更多的信心到使用这模型
到预测这F A和SA。
为了分割树模型优化
作为我提及前，
这主要的贡献者是缺陷类型&工作站
大约帕累托 C 为 80%概念。
比较SA 中的缺陷类型和FA预言。
为了SA这里，它是标签问题。
使感觉，我们不花费更多的时间到使固定每一个问题。
为了F A，它是损害。
是的，它会拿很多更多的循环时间。
关于A工作站比较之间SA和F A
物理气相沉积机械的和CVD模块测试员。
现在，它仍然需要更远分析和理解。
关于足协国家这里，在A轮廓或者预言轮廓是平坦的。
没有t国家影响QN 固定循环时间？
是对的？
到回答这问题这里，我介绍这模型局限性，
递归的分割。
递归分区，顺序的依赖性风险。
因素国家是传播六次，
和仅有的一时间发生在更高循环时间簇。
这样的递归的依赖性局限性可能影响预测性的模型。
这第三个模型，
神经网络（人工智能）。
这里观察严重过拟合忧虑
之间训练和这变化R方。
如果R方之间训练放和V确认放
是超过20 %,它有过拟合忧虑。
除了，我们寻找它在神经的模型，
这数字一排行是工作站，
和这数字二是过错经过
哪个是不同的从以前的分割模型。
为了萨，这工作站是在舞台表演，
CCT 分期，在哪里材料是带来一起
前进入制造故障,
和它不有竞争力手术过程。
一次这问题发生，它能是固定的迅速地。
使感觉。
为了F A在这CVD 服务欺诈，
它具有竞争力手术过程。
是的，它做过到有更长循环时间到对待难的问题。
直到现在，我们已经有三模型，
树模型分割和这神经模型，
和哪个模型是很多更多的恰当的和见面现实。
所以，
模型比较和选择，
根本原因分析，图形化的工具
损害问题替代品，
台湾CVD服务欺诈是这最糟糕的设想和更长固定的循环时间。
现在，神经模型有这完全相同的设想
作为这图形化根本原因分析，
但唯一担心的是过度拟合风险。
除了，这三模型有非常关闭预言
在最不好循环时间之内1.2天。
这最后我会介绍，测试矿业和这数据矿业杂交种。
现在在QND阿塔根据，它仍然有测试信使结果出色地
到这样的更多的信息关于长的循环时间在 QN测试员多变的数据库。
使用JMP 测试浏览器到发现一些频率关键词
这样的作为这里，我圆圈代替，重工，方面和这F10246
一个专案到做更远分析，
然后转变他们到二进制探测器，
执行A更远数据矿业和这根本原因分析
在 F10246 案例上通过热图图形。
这里，放方面指标在下面F10246
和遏制代替和关于工作于Y。
根据到这热地图结果， F10246
它做了遭受地段的使固定循环时间
那其他项目经过颜色结果
和查看方面探测器观察到的是
不是仅有的方面问题，但还我们的各种各样的缺陷原因
长的循环时间，甚至如果只是是固定的经过重工。
在这结尾，这里是我的外卖学习。
JMP G拉菲卡的平台是非常强大的到执行
更深r根本原因分析通过工程
和这逻辑性，数据-驱动的过程
和比较和选择A更多的合适的联合管理计划模型
从经典的适合中号奥德尔，P分工和A神经网络
经过会心这模型局限性
和这风险的连接到以前的图形化根本原因分析。
执行A杂交种文本M伊宁和数据挖掘R乌特原因分析
在这复杂的QN数据库。
最终的， ID喜欢到感谢GCI中号BB查尔斯·陈作为我的项目导师
和那是全部我的推介会。
感谢你为了你的时间和注意力。
感谢你。
