想象一下，我有一个多步骤过程，就像添加剂分配过程一样，我使用特征良好的泵将设定的体积输送到容器，然后最后检查容器的质量。 我想知道的是最终填充重量预计会有多少变化。 在我之前的博客我展示了如何模拟一个分类级别。 将该方法扩展到多个输入会有点棘手，并且需要做更多的工作。 还有另一种方法可以结合使用 JMP 中的多个工具来解决该问题。
步骤1.制作一个数据表，如下所示：
在此表中只有 2 行！ :Final 列有一个对前 4 列求和的公式。 还有一些特殊的格式。 我进入“列信息”和“属性”，并添加了一个 Sigma 属性（大约位于属性下拉列表中的 2/3）。 由于我在每个步骤中都使用类似的明确定义的泵，因此我将 sigma 设置为 0.25 ml。
运行这段 JSL 来制作表格：
dt=New Table( "Propagation of Error Profiler",
Add Rows( 2 ),
New Column( "Step 1", Set Property( "Sigma", 0.25 ), Set Values( [10, 12] )),
New Column( "Step 2", Set Property( "Sigma", 0.25 ), Set Values( [4, 5] )),
New Column( "Step 3", Set Property( "Sigma", 0.25 ), Set Values( [20, 22] )),
New Column( "Step 4", Set Property( "Sigma", 0.25 ), Set Values( [10, 12] )),
New Column( "Final",Formula( :Step 1 + :Step 2 + :Step 3 + :Step 4 ))
);
第2步。 描述公式
从图形菜单中，选择刻画器。 将“最终”列添加到对话框中，然后单击“确定”。
在 Profiler 红色三角菜单 (RTM) 中，有一个特殊选项可帮助可视化输入中的已知错误。 （即，仅当 sigma 被指定为列属性时才存在。）选择“误差线概率”选项。
分析器的下一步是打开模拟器。 此选项位于预测刻画器轮廓栏 RTM 下方。 由于指定了 sigma，模拟器会自动开始对表中指定值和列属性中的 sigma 的中点处的每个变量进行正态分布模拟。 （节省了很多点击时间）
此时您的分析器应如下所示：
步骤 3 开始模拟
这就是有趣的地方。 我需要模拟运行该过程足够多次，以便能够很好地掌握最终重量的变化程度。 要获得代表性的运行次数，请将 N 次运行中的 5000 更改为 500,000 之类的值。 （100万很好，1亿还需要一段时间，虽然最后的估计会好一点）
然后打开“模拟到表”大纲栏并单击“制作表”按钮。
现在我有一个包含 500K 次运行的表。 对于每个过程输入，每次运行都处于不同的随机级别。 检查输入和输出的分布，我可以看到我的最终填充重量的高侧主要来自输入位于其范围高侧的运行。
现在我对最终填充重量的变化有了很好的了解，我可以使用分配平台中的典型工作流程来计算我可以预期填充重量占据的合理范围。
步骤 4 获取 4 西格玛限值
所以，是的，我可以在计算器上计算 4 个标准差范围，几乎与我下一步要做的事情一样快。 但这更好一点，也更酷一点。
分析>分布> 选择模拟的最终列。
从分布轮廓栏中，选择“拟合连续”并选择“正态”。
从“拟合法线”轮廓栏中，单击“设置 k 西格玛的规格限值”。
在这种情况下，我将选择 4 sigma。 我想要一个极不可能发生的最终填充重量来触发警报或控制操作。
最后一步，在“拟合法线”轮廓栏下，选择“保存规格限制”选项
并且不要关闭此报告。 （理想情况下，JMP 会动态地使规格限制属性可用于探查器的模拟器，但事实并非如此，我们必须手动传输这些值。）
步骤5
从技术上讲我已经完成了。 我对过程输入对最终填充重量的影响进行了大规模的蒙特卡罗模拟，然后估计了一组不太可能偶然发生的限制。
但等等，还有更多。
我要回到分析器报告。 在底部的模拟器轮廓栏下，打开两个选项。 1. 规格限制，以及 2。 自动直方图更新。
在规格限制对话框中，使用 45.5 和 49.5 作为 LCL 和 UCL。 这些是我们从分发平台的分析中得出的四舍五入值。
接下来，在分析器的右上角，分析器图表旁边有一个“模拟”按钮，单击该按钮。 还可以尝试移动过程输入的滑块，通过这样做，我可以看到过程对多个泵之一中的漂移有多大的容忍度。 我还可以相当清楚地看到，如果我有更高精度的泵，我可以容忍更多的污垢或校准误差，而不会冒最终填充重量高或低的风险。
这是生成图中分析器的脚本
dt<<PROFILER></PROFILER>
该脚本将从分发平台生成分析
dt<<DISTRIBUTION></DISTRIBUTION>
希望这个对你有帮助。 我确信有人（或我）之前已经写过这个工作流程，但本周早些时候我无法写出，所以这里又写了。
干杯，
乙
