Erfahren Sie mehr in unserem kostenlosen Online-Kurs:
Statistisches Denken für die industrielle Problemlösung
In diesem Video zeigen wir, wie Sie mit dem Prediction Profiler eine Monte-Carlo-Simulation in JMP durchführen.
Wir verwenden die Datei Anodize.jmp. Diese Datei enthält die Ergebnisse eines benutzerdefinierten Designs mit 12 Durchläufen mit fünf Faktoren und vier stetigen Antworten. Das experimentelle Ziel war es, Einstellungen der Faktoren zu finden, um die vier Antworten zu optimieren: Dicke, L*, a* und b*.
Die Daten wurden analysiert und optimale Einstellungen als Skript in der Datentabelle gespeichert. Um diese Ergebnisse anzuzeigen, führen wir das Profiler 1-Skript in der Datentabelle aus.
Der Profiler stellt die optimalen Einstellungen für die fünf Faktoren bereit, um Zielwerte für die vier Antworten zu erreichen.
Es ist jedoch wahrscheinlich, dass es einige zufällige Variationen bei den Faktoren und auch einige zufällige Variationen bei den Antworten gibt.
Was ist, wenn wir den Bereich der Response-Werte abschätzen möchten, den wir erwarten könnten, wenn wir die optimalen Einstellungen implementieren?
Wir können eine Simulation verwenden. Oder formaler können wir eine Monte-Carlo-Simulation durchführen.
Dazu wählen wir Simulator aus dem roten Dreieck für den Prediction Profiler aus.
Für jeden Faktor können Sie eine zufällige Variation nach einer bestimmten Verteilung hinzufügen. Bei einem festen Wert von 69,49 könnte die Verteilung von Anodize Temp beispielsweise normalverteilt sein mit einer geschätzten Standardabweichung von 1,5.
Sie können den Antworten auch zufällige Variationen hinzufügen. Dies ist eine Variation in den Antworten, die nicht durch die Faktoren in Ihrem Experiment erklärt wird.
Wir führen ein Skript aus, in das wir geschätzte Standardabweichungen sowohl für die Faktoren als auch für die Antworten eingegeben haben.
Hier variieren vier der Faktoren leicht, aber die Anodisierungszeit ist fest, ohne zufällige Variation.
Für jede der Antworten haben wir Spezifikationsgrenzen als Spalteneigenschaft in die Datentabelle eingegeben. Sie sehen gestrichelte Linien im Simulationsbereich für jede der Antworten, die diese Spezifikationsgrenzen darstellen.
Um Antworten zu simulieren, klicken wir auf die Schaltfläche „Simulieren“. Sie sehen simulierte Verteilungen für jede der Antworten und eine Übersichtstabelle für die Simulation.
Jedes Mal, wenn Sie auf diese Schaltfläche klicken, ändern sich die Ergebnisse geringfügig.
Lassen Sie uns die ppm oder Teile pro Million zu diesen Ergebnissen hinzufügen. Dazu klicken wir mit der rechten Maustaste auf die Tabelle der simulierten Werte und wählen Spalten und dann PPM.
Wenn wir wiederholt auf die Schaltfläche „Simulieren“ klicken, sehen Sie, dass die vorhergesagte Fehlerrate zwischen 0,4 % und 0,9 % liegt. Sie können auch sehen, dass alle Defekte für die Antwort L* gelten.
Sie können diesen Simulator verwenden, um „Was-wäre-wenn“-Szenarien zu untersuchen. Was wäre zum Beispiel, wenn wir die Abweichung von Anodize Temp halbieren könnten? Was wäre also, wenn die tatsächliche Standardabweichung von 1,54 auf 0,75 gesenkt werden könnte? Wie würde sich die Fehlerquote ändern?
Um dies zu sehen, geben wir 0,75 als Standardabweichung für Anodize Temp ein und klicken erneut auf Simulate. Sie können sehen, dass es immer noch einige Fehler für L* gibt, aber die Fehlerrate ist viel niedriger als zuvor.
Beachten Sie, dass Sie auch Daten in einer Datentabelle simulieren können. Sie können dies tun, um die Leistungsfähigkeit bei den optimalen Einstellungen abzuschätzen.
Werfen wir einen kurzen Blick darauf.
Standardmäßig beträgt die Anzahl der simulierten Werte 5000. Wir klicken auf Tabelle erstellen. Dadurch wird eine neue Tabelle mit 5000 simulierten Werten für jede Antwort und jeden Faktor erstellt.
Ein Verteilungsskript wurde in der Datentabelle gespeichert. Stattdessen verwenden wir „Verteilung“ aus dem Menü „Analysieren“, um diese Daten zu analysieren.
Wir wählen Dicke, L*, a* und b* als Y, Spalten und klicken auf OK.
Da die Spezifikationsgrenzen als Spalteneigenschaften gespeichert wurden, werden Prozessfähigkeitsanalysen automatisch für jede Antwort gemeldet.
Sehen wir uns die geschätzte Fähigkeit für L* an.
Sie können sehen, dass die Verteilung leicht vom Ziel abweicht und in Richtung der unteren Spezifikationsgrenze verschoben ist. Einige Teile fallen für diese Reaktion unter die untere Spezifikationsgrenze.
