你好，每个人。 这是深渊马里皮。
我是A高级的过程工程师为了光学光刻在魔法飞跃。
今天，我是去到证明
过错检测经过升级控制图表
和改变观点检测在跳转,
和展示你如何这改变观点检测一体化
和控制图表
是高度有用在我们的制造业店铺地面。
患病的开始这推介会
和A简短的介绍关于我们的公司，魔法飞跃，
和这光学制造业，
这DMAIC问题-解决方法
和这JMP工具那我们使用在这制造业，
我们的挑战那我们脸在这控制阶段的德美国际，
升级现存的控制图表和改变观点，
和经过正在做所以，检测和诊断这故障在A过程
一些案件学习那我们经常使用在魔法飞跃和A JMP示范
在如何到创造A改变观点仪表板
和整合改变观点进入你的控制图表，
和很少外卖。
到开始和，在魔法飞跃，
我们预见A世界和身体的和数字的是一个。
我们的使命是到放大人类潜在的
经过交付A最多身临其境AR可穿戴平台，
所以人们能直觉地看，听到，
和触碰数字的内容在这身体的世界。
我们的可穿戴设备设备变换企业生产率
经过提供增强现实解决方案。
为了例子，合作和共同在场
之间偏僻的团队到工作一起作为如果他们是在这相同的房间，
3D可视化到优化过程，
增强的劳动力那帮助火车和提高技能工人
使用看-什么-我-看能力。
这些是仅有的A很少例子。
这设备有行业的领导光学和大的场地的看法，
最好的图像质量，
高的颜色均匀性，
和动态的调光
哪个帮助展示A高的-质量虚拟的内容
在我们的真实的世界。
这光学的镜片那是用过的在这设备
是A小的成分
但A非常批判的成分的魔法飞跃2、
启用最好的-在-班级图像表现。
这光学的镜片去通过25加复杂的
制造业过程和计量学车站
期间这制造业。
它是测试过超过100加批判的-到-质量参数。
每个个人过程需要到抵达高的99%屈服目标
到达到90%轧制吞吐量屈服目标。
我们不能达到这些高的产量和过程能力
没有这帮助的JMP统计工具。
一的这些高的-屈服过程是烙印光刻
在哪里我'米负责任的为了质量和送货工具。
这过程有许多脚步，
和那是可视化在这正确的-手边的你的…
首先步是在哪里我们对齐这面具到这模板
和然后分配佛r抵抗，
降低这模板和极紫外治愈到复制这精确的图案
从这面具模板到这晶片。
这烙印过程独自的有22批判的-到-质量参数
那操作之间紧的控制限制这样的作为只是20纳米电影厚度
和100微米降低准确性。
作为你可以看，这些公差是极其小的。
为了参考，人类头发是只是20微米到100微米。
因此，这烙印光刻需要A精确放置和结盟
那是无法区分到这人类眼睛。
意义我们依靠A很多之上在船上计量学和想象系统
那产生吨的数据从大的数字的输入参数。
JMP帮助我们到容易地分析这些大的数据套
在我们的问题-解决过程。
我们使用DMAIC方法在我们的问题-解决过程。
下列的是这JMP工具
那我们使用在每一个阶段的我们的DMAIC处理器，分别。
喜欢许多制造业团队，
我们成立出去控制阶段作为最多具有挑战性的和被忽视阶段，
因为在A开始向上喜欢魔法飞跃，我们不断地发展，制作改进，
和迭代一些新的设计和修订。
这控制阶段是被忽视
因为它需要更长时间为了这确认。
为了例子，
我们寻找A问题或者一个问题，说喜欢过程超过控制限制
和给予低的CPK价值观，
结果在低的CPK期间我们的控制阶段。
我们定义这问题，
我们措施这历史的数据，
分析这问题
经过多元的方法和相关性矩阵，
提升这问题经过实施这矫正行动，
经过进行做和回复筛选。
但一次这是解决，
我们移动在到我们的下一个严重问题和移动在到严重程度3个问题
一次你解决这严重性，严重性2个问题，
和这循环继续，
俯瞰这最多重要的阶段的德美国际，
哪个是这控制阶段。
这曾是这原因我们来了向上和这改变观点检测仪表板，
哪个是快速地和高效的。
它精确定位问题快点，更轻松到可视化故障和变化。
甚至运营商WHO是不是精通和这统计数据
能使用这仪表板到诊断这问题。
为了例子，前介绍这改变观点仪表板
在我们的制造业店铺地面，
这升级进步是喜欢这左边侧身,
在哪里这操作员监视器这屈服仪表板
和标识这屈服损失和故障。
操作员报告到技术员到看进入这故障。
如果技术员无法到解决升级这工程师，
工程师分析这控制图表数据使用控制图表闹钟和趋势,
和然后手动加入这些产出到输入和做这相关性
和寻找出去和诊断这过错。
和然后工程师工具这矫正动作。
但后介绍我们的改变观点仪表板
在这制造业地面，
这操作员，技术员，和工程师
监视器这改变观点仪表板在这店铺地面。
如果改变是成立，
他们看进入相关性的输入前这改变和后这改变
和容易地诊断这问题，
和然后容易地提升这矫正动作。
这帮助我们容易地到过渡进入我们的TPM模型，
在哪里运营商，技术人员和工程师
是全部未来一起到最小化这故障。
这改变观点仪表板使我们的控制阶段非常高效的。
我是去到证明在这下列的幻灯片
在如何这是高效的
作为出色地作为如何到制作这改变观点仪表板。
前显示这改变观点仪表板，
我想到展示你我们的旅行从传统的控制图表监控
到改变观点检测仪表板。
尽管这传统的控制图表是非常有帮助到监视器短途旅行
在我们的过程使用韦斯特加德规则，
他们展示这即时出去的控制点，
但他们经常错过这微妙的漂移在这过程，
哪个是非常渐进的但仍然重要的。
这些控制图表是非常有帮助到监视器这时间基于
和还给我们什么部分是受影响的经过这。
但作为我提及前，
我们有22批判的参数在这过程独自的
和那里是吨的输入参数
那影响这些22批判的参数，
哪个方法我们需要到有许多控制图表监控,
在这相同的时间，到有A稳定的过程。
但然后我们移动在到模型-驱动的多变量控制图表。
这些控制图表，我们监视器两个都输入和产出一起，
和我们立即地得到A相关性之间他们。
但很遗憾，这些没有有任何时间系列或者端口号
到帮助和部署这在这制造业店铺地面。
这多元的相关性是非常重要的为了我们，
给予这关系
之间我们的产出和输入在这过程。
和这再次没有有这时间系列数据
喜欢这控制图表到确认什么时候这问题有开始了。
这改变观点检测，然而我们成立非常有帮助
到容易地探测什么时候那过错或者改变
或者重要的突兀的漂移发生了在我们的过程。
但它仅有的给A价值什么时候A改变观点发生了，
它没有有这时间系列和不是非常有价值的
作为A监控工具在我们的制造业店铺地面。
每个一有它是自己的劣势和优点。
我们结合全部的这些控制图表进入一仪表板
和借力这控制观点检测功能价值观进入这些。
我们的下一个合乎逻辑的步是回归哪个是原因和影响分析。
寻找出去这原因和影响和互锁这工具输入，
停止这失败在你的关键质量批判的-到-质量参数
或者在你的产出
和还移动到预言分析。
这是一例子到展示你如何这控制图表看起来不同的
什么时候你整合这改变观点检测。
为了例子，在这左边，我有A控制图表
没有这改变观点检测。
你能看那里是很少UPS和起伏之间这控制限制。
但什么时候我拿这价值的256、
哪个这改变观点检测给你什么时候你跑步为了这相同的数据，
和拿这和整合进入这相同的控制图表，
你可以看这可视化得到更好的。
在这案件，前这改变观点，你有A演示的变化，
你有A基线，
你有这意思是是以下你的目标线，
和后这改变观点，你的意思是是多于这目标线现在
和你的变化有减少。
在这方式，你可以容易地寻找出去和可视化
什么是这改变在你的现存的控制图表。
一次我们成立出去如何有价值的这改变观点是，
迅速地告诉我们在哪里这改变发生了
或者在哪里这过错发生了在你的过程。
我们开始使用一些使用个案。
我们开始和一些使用案例这样的作为这
在哪里我们介绍A改变和我们想到证实这改变。
在这例子，我们有A过程在哪里它是给予低的CPK价值
因为的这人口是大多分散式向你的积极的边。
我们确定它作为A意思是转移。
它需要到意思是转移，和我们介绍这已知的改变意思是转移。
什么时候我们介绍这均值漂移，
你可以看这过程成为更多的有能力的，
关于2.3或者1.5.
你可以看什么时候我们部署这改变观点检测功能
为了这相同的数据，
这改变观点给你价值和这方向
无论你的改变有采取地方或者不是在你的过程。
这是高度视觉的为了我们
到评价无论我的已知的改变，哪个我只是介绍,
是影响我的过程，这积极的或消极。
这第二使用案件，作为我提及，
我们有很多的在船上计量学工具在我们的过程，
哪个是给予A很多的数据。
我们做期刊测量和测试在这些计量学工具，
但我们总是依靠之上
这重复性和再现性数据，
哪个是气体休养生息数据
从这些图表。
但这气体 R&R数据是不是发现我们任何故障在这过程
或者什么时候这计量学家工具开始漂流
在任何一个积极的或者消极的。
但为了这相同的数据，
什么时候我们已部署这改变观点功能，
它立即地告诉我们什么时候这微妙的变化
和突兀的重要的漂移发生了在这计量学，也。
那是非常高的或者高度有帮助数据到确认
和制作当然我们的计量学家工具是仍然稳定的和不是漂流这数据。
这第三和最多重要的一
是到探测和诊断这故障轻松。
这是A仪表板那我们工作过在到部署在我们的制造业店铺地面。
我们的工作流程会是，我们监视器多种的回复参数
或者批判的-到-质量参数作为输出，
和然后我们确认如果那里是任何变化
使用这改变观点仪表板。
在这相同的时间，
我们还看进入模型-驱动的多元的改变观点仪表板
在哪里它将要告诉我们什么是这短途旅行
和容易地关联那短途旅行到这输入参数。
但这真的价值来了在
什么时候我们拿这改变观点价值观
和整合他们进入我们的现存的控制图表。
在这例子，我们有A基线数据前这改变和后这改变，
哪个方法什么时候这过错发生了，你可以看那里是A轻微意思是转移
和有A巨大的变化在我们的过程。
在这观点，我们去到我们的相关性矩阵。
它是关联我们的输出参数到我们的输入参数在这过程。
这相关性矩阵将要立即地告诉你
哪个因素有A强的积极的或者A消极的相关性
期间这阶段什么时候比较的到期间你的普通的阶段。
那将要立即地告诉你什么输入范围有走了错误的
或者那可能有贡献了A很多到这个错区域。
那是如何我们是有能力的到迅速地寻找这故障和诊断这问题。
从这里在，我是去到证明在JMP
在如何到创造这些种类的仪表板，
在这相同的时间，如何到创造多种的改变点。
作为你可以看在我们的以前的幻灯片，
这改变观点功能是给予仅有的一价值。
让我转动在到JMP。
在这例子，我是使用波士顿住房数据哪个是从1978.
这是一好的例子作为A初学者学习者
为了相关性和回归。
许多教程使用这例子。
所以我想法我可以使用这例子哪个是容易可用的。
大家的JMP样本数据套和看如何这相关性是，
和如果那里是任何多种的改变积分在这数据，
在这相同的时间，关联到这实践。
这样本数据桌子看起来喜欢这。
在我们的案件，
我想到看这中位数市场价值或者中位数价格
的这自住家园在波士顿和看如何它是变化的和时间。
在这相同的时间，那里是相应的因素
喜欢什么是这犯罪速度在这镇或者什么是这污染速度在这镇
或者这年龄的其他因素这样的作为年龄的这家园
或者显示tance在这些地区。
你能读这数据关于这些柱子名字
在这柱子笔记那是呈现超过这里。
我是去到跑步这脚本哪个给我们…
前跑步这脚本，我还想到告诉你
那我是附着这全部的脚本作为部分的我的推介会，
在哪里你可以去通过这脚本或者跑步这脚本
和它将要给你A好的仪表板关于波士顿住房价值观变化
和还A相关性。
你可以下载这脚本和看进入我的分数
和你可以使用这相同的方法和这逻辑
在如何我是有能力的到探测多种的改变积分
从这仪表板使用这JS下标。
什么时候我跑步这脚本，
跑和我得到A好的仪表板喜欢这。
作为我提及，
我们的问题-解决框架会是喜欢看在这改变积分
在我们的中位数价值的这家园在波士顿。
你可以看它给了我们这中位数价值那那里是A大的改变这里
和它告诉你这改变观点出现到是在排373、
和还那里是一些第二个小的改变。
什么时候你看在这模型-驱动的控制图表数据，
你可以看那里是高的短途旅行
在这中等的价值的这住房市场。
你可以容易地告诉什么引起的这短途旅行
经过看着进入你的输入范围，那是犯罪速度。
你可以徘徊在任何的这些和寻找出去什么是影响
这些巨大的短途旅行
在你的监控多变的，哪个是中位数价值的这房屋。
作为我提及，这真实的价值来了出去什么时候我们拿这些
和整合进入我们的控制图表。
看这一，这控制图表将要给你
这些融合的改变积分从这里。
出色地给你A好的视觉的。
你可以看到现在在波士顿住房市场例子，
我们有A基线住房中位数价值变化，
A基线价值在20百万。
和然后什么时候这住房繁荣发生了，或者什么时候这改变观点1个发生了，
你可以看那里是A好的数量的变化在这住房市场。
在这相同的时间，那里是A意思是转移，也。
但很快，那里是其他改变发生和这住房市场碰撞
结果在你的中位数价值是以下你的基线。
这是容易地告诉我们，给予我们A视觉的进入部分
在哪里什么是这基线数据，什么时候这第一的改变发生了，
什么是和如何很多是这改变？
这第二改变发生和如何很多是这改变现在。
你能比较和你的以前的二变化。
如果你作为A前景给购房者在波士顿
和你是看着进入这种类的数据，
你想到知道什么可能有发生了那有受影响的这些种类的变化。
在你的数据放，你有一些好的因素
关于这犯罪区，
这犯罪速度在那相同的区域在这相同的时期的时间，
和这污染费率，等等。
如果你看在我们的前改变
你可以看这市场价值，如何它是关联和你的因素。
在这案件，你能看有A好的数量的消极的相关性
和这犯罪
和这消极的相关性和这行业区域和还污染。
和那里是A强的积极的相关性哪个是关于0.8和这阶段。
现在，看在这第二改变观点1个阶段
在哪里这住房繁荣发生[听不清 00:22:46]均值偏移向上。
你可以看在这时间框架
你的犯罪速度是低的或者不相关性和这些变化。
你的污染是低的再次，
但你的房间仍然相同的强的积极的相关性在这些二阶段。
如果你问我什么会有发生了这时间，
我会说或许这犯罪有增加在这区域
或者这污染有增加在这区域，
这样的种类的主导的因素那是可见的,
那是不是有利为了A预期家。
那是去在到这住房碰撞什么时候它发生了。
一个对比之间这阶段到这个阶段，
变点查看如何这相关性只是变了。
你能立即地告诉， “好的，我的比较
和这中位数市场价值从这阶段，
我的相关性和这客户是漂亮的低的，
我的房间有非常积极的相关性，
和那里是统计数据和其他因素。”
但如果你来到这改变第 2 点时间，
你可以看这犯罪速度有增加再次，
你的污染有增加再次，
哪个结果在这消极的线性的相关性的这改变。
什么时候你看在你的房间，
哪个有到过积极地贡献为了你的改变有跌倒向下完全地。
在这方式，这是告诉你A很多的信息数据关于这些变化
那发生在1978.
还，简单的相关性数据和你的因素
那可能有受影响的这些变化。
患病的重复。
我们的框架是检测，为了任何时间系列数据，
我们第一的探测数字的变化，
如果它是一改变或者二改变或者更多的变化，
和然后整合这些改变积分
进入我们的控制图表到得到A更好的可视化关于这变化。
是它A意思是转移或者变异转移，或者什么是发生了什么？
和然后看进入你的因素那可能有贡献了到这些变化
和看什么因素A强的贡献为了这改变
或者虚弱的贡献或者不贡献或者消极的贡献。
现在那你知道这犯罪速度，你的市场价值
-这中位数市场价值是受影响的经过这犯罪速度，
污染，和这房间——
让我们看在A简单的可视化。
什么时候你去这里，你能看这是A简单的图形阴谋。
我是服用我的改变观点和可视化它在A更好的方式。
我是比较我的中位数价值
和这氮氧化物，这污染价值在这相同的城市，
在这相同的时间时期和这房间和这犯罪速度。
你可以看什么时候我的住房中位数市场价值观增加
或者这住房蓬勃发展阶段，
你可以看这污染是非常低的和这房间为了住宅有增加
和你的犯罪速度是在至少可能的状态。
作为A预期购房者，
这些是全部有利因素为了我，
不污染区域，不犯罪区域或安全的区域，
和然后我是得到A大家与方便的数字的房间。
但让我们看，在这阶段，什么时候这住房市场坠毁,
在这相同的时间，你的污染速度有增加。
这数字的房间为了住宅有减少。
和然后有一个天文数字高的犯罪速度
哪个是影响这相同的事物。
这是A清除视觉的，
但你登陆向上在这问题或者和这种类的结论
和这帮助的你的相关性矩阵。
相关性矩阵和然后A改变观点。
你的相关性矩阵和然后这改变观点
和然后A更好的解决喜欢这。
让我去和展示你
如何这JSL脚本是池化多种的改变点。
你可以寻找这改变观点数据
在你的控制图表，多元的控制图表。
和再次，这是A多变量控制图表。
你可以使用作为许多作为变量
作为你的多元的控制图表输入参数。
但在我的案件，我是使用中位数市场价值，
和我得到A多元的相关性和A改变观点。
清楚地，看，它给我373作为A数字。
如何我是服用或者提取这373数字
是使用这种类的JMP或者JSL能提炼任何的这文本盒子列
从任何的你的报告和然后放它进入你的数据桌子。
在这案件，我集这数据观点。
你可以看这方程1个持有这短语称呼或者这文本盒子称呼。
这改变观点出现到是373.
这一简单的代码将要抓住或者提炼那价值从这报告。
和然后我拿那进入我的列
在这改变观点1个柱子，
和我提炼这数字价值出去的它。
我写了这JSL作为简单的作为可能的。
我是非常初学者和脚本和编码。
你可以看我用过的简单的公式和简单的方法到得到这个。
你能看这改变观点报告是仅有的给予你
一改变观点价值。
但你可以看在你的过程，那里是其他变化，也，
那你可能是感兴趣的在和我们想到寻找他们出去。
什么我做是一次你得到你的第一的价值，
你隐藏和排除一切后你的改变观点。
后这373、你排除一切。
现在你是左边和这阶段。
你想到看什么是我的改变在这阶段，
和这循环继续。
为了例子，在我的方程2个从我的报告2、
我是拉这文本盒子短语称为这改变观点。
对不起，这是难的到展示。
什么时候你徘徊在这，
你能看那多变的有这短语[听不清 00:29:49]。
多变的有这阶段的这改变观点出现在排157.
你拿这价值和然后放它在你的柱子称呼，
CP文本，某物喜欢那，
在哪里你可以提炼你的第二改变观点。
一次你得到A数据喜欢那，
它是非常简单的到构造A仪表板喜欢这，
在哪里你创造你的控制图表仪表板，
每个个人成分，模型-驱动的多元的控制图表，
和创造这仪表板使用这新的仪表板应用。
一次你创造A好的仪表板喜欢这，
你只是去这里和你只是拿一切进入这脚本。
我是交换向下到我的推介会。
我希望这波士顿住房数据例子是非常清除，
因为如何容易地你能探测变化在任何时间系列数据
和关联那些和你的输入参数。
在真实的生活或者制造业设想，
你会有一些输入参数喜欢这。
在这案件，在我的仪表板，
我们看进入大约50输入参数比较和我们的输出参数。
我们还监视器这多元的控制收费。
你可以看我是监控多种的关键质量一起
反而的每个个人传统的控制图表。
我是出口这些价值观进入我的现存的控制图表
和然后立即地诊断我的故障。
这仪表板，作为你能看，它是漂亮的自己-解释性的，
简单的到读，简单的到部署在你的制造业地面。
技术人员甚至不是舒服的和统计分析，
和正在做这种类的建筑控制图表和一切，
他们会只是看在这过程说那，
“哦凯，我有二变化在我的过程，
和让我看什么是这输入参数
那是关联这些变化和看如果我能改变他们
或者操纵他们所以那我的过程后退到稳定的像这样的状态。
再次，这相关性系数是漂亮的简单的到解释到任何人
在这制造业车间。
为了例子， A强的积极的相关性会给你A蓝色的数字更近到1、
或者A强的消极的相关性会是某物喜欢-0.7,
但这变化会是某物喜欢这
什么时候你增加某物。
和微妙的少量的变化，
你会看A消极的相关性那里，
和然后A虚弱的消极的相关性会是某物喜欢这，
A很多的变化反而的A直的像这样的线。
和然后有不相关性。
这数字会是漂亮的很多关闭到0。
你会看，
甚至如果你增加一，这其他可能是减少。
它是非常简单的到解释。
它是非常视觉的在这制造业店铺地面
到寻找出去这些种类的数字，
看着到看什么输入有变了和什么输入有A强的相关性。
那里是一个添加奖金和这改变观点一体化。
作为你能看，这些是全部数字数据，
哪个是得到A数字相关性喜欢这。
但这改变观点是告诉你什么时候这过错有发生
和什么时候你知道什么时候这过错有发生了，
你只是看进入你的数据这样的作为模板改变或者你的加载港口身份证，
和你将要得到A相关性和你的非数字数据[听不清 00:34:10] .
你会开始A讨论在你的制造车间。
嘿，什么时候这时间发生了，我做过这改变超过下午
或者这工具是环境闲置的，
或者我做过A防止天到维护在这精确的时间。
或许那防止天到维护时间，
一些问题有发生。
这是给予你A满的图片。
你是看着进入吨的50加输入参数
和容易地得到A相关性和你的关键质量
和容易地检测这故障。
在这相同的时间，你有非数字数据这样的作为喜欢这，
和你寻找出去和你涉及喜欢，
什么曾是我正在做什么时候这改变或者过错有发生在我的过程？
这最终的带走
是经过整合改变观点功能到我们的现存的控制图表。
是迅速地发现故障和诊断他们快点，
保存百万的美元在我们的快速地-节奏制造业。
和JSL脚本，
是有能力的到寻找出去那里是多种的改变积分在我们的过程
和整合他们到我们的控制图表仪表板。
这改变观点和多元的方法能是用过的在任何时间系列，
作为我曾是提到。
为了例子，什么时候我是准备为了这推介会，
我给了A小的放的我们的每月储蓄数据放到我的妻子
WHO是不是熟悉的和统计数据和控制图表。
之上追踪这仪表板，
我的妻子容易地成立那里是改变积分在我们的储蓄。
但在这相同的时间，她做过不是喜欢这事实
那什么时候这仪表板尖出去那我们的亚马逊开支
是出色地关联为了我们的低的保存个月。
作为你能看，喜欢这时间，这改变观点，
你可以使用它在任何时间系列数据。
你可以寻找出去你的变化在你的时间系列
和什么时候这改变有发生
或者什么时候这重要的改变有发生了，
和然后你能关联到你的输入参数。
在我们的案件，我们是只是关联你的亚马逊开支或者拿-出去晚餐
和一些其他因素[听不清 00:36:18] .
那是漂亮的很多，和我希望你成立这推介会非常有用，
和你还学到了如何你能容易地寻找多种的改变积分
通过JSL脚本和创造简单的仪表盘
到在哪里示威者
到寻找出去故障和容易地诊断他们。
感谢你。
