L'explorateur de données fonctionnelles est généralement utilisé lorsque la sortie d'un processus est constituée de données fonctionnelles/courbes. Cependant, avec quelques astuces, les données fonctionnelles peuvent également être utilisées comme entrée dans un DOE. Pour illustrer cela, j'utiliserai une étude de cas fictive, passant en revue les étapes nécessaires ainsi qu'une explication de ce qui se passe. J'ai également joint un journal JMP à ce billet de blog, afin que les lecteurs puissent suivre.
Contexte : l'entreprise de recyclage de plastique ACME
ACME Plastic Recycling achète du plastique déchiqueté en vrac, qu'il fond et transforme en billettes pour le vendre aux fabricants de plastique. Ce plastique déchiqueté se présente sous différentes tailles, ce qui affecte le processus de fusion. ACME a créé un moyen peu coûteux et rapide d'obtenir une courbe de distribution des tailles pour chaque expédition entrante. Ils souhaitent optimiser les paramètres de leur processus de fusion afin de minimiser le temps nécessaire à chaque expédition spécifique.
Étape 1 : Analyser les données de courbe
L’équipe a créé un ensemble de données qui inclut l’éventail de ce qu’elle voit généralement pour les distributions de tailles entrantes. Ceci est illustré dans le graphique ci-dessous :
En utilisant la plateforme FDE, ils ont découvert qu'une simple B Spline avec 2 FPC explique 98,6 % de leurs données. Augmenter les FPC à 3 explique 1% supplémentaire, mais ajoute de la complexité et comporte le risque d'essayer de prédire le bruit. Ils ont opté pour 2 FPC, comme indiqué ci-dessous.
2. Composantes principales fonctionnelles des résultats
La plate-forme FDE a la capacité de produire les FPC à partir de n'importe quel modèle adapté. Cela signifie que les courbes, telles que représentées par le FPCS, peuvent être utilisées sur d'autres plates-formes dans JMP. L'exportation des FPC peut être effectuée en sélectionnant le triangle rouge à côté du contour des résumés de fonctions, puis en sélectionnant Personnaliser. En utilisant le bouton "Désélectionner tout", puis en sélectionnant "OK et enregistrer", vous créez un nouveau tableau de données avec les FPC pour chaque groupe, comme le montrent les 2 images ci-dessous.
Une astuce avec la table de données est nécessaire pour plus tard : renommer les colonnes "Data FPC 1" et "Data FPC 2" en "FPC 1" et FPC 2" facilitera la liaison des profileurs plus tard dans le processus. Les lecteurs qui suivent doivent s'assurer que leur tableau de données comporte des noms de colonnes mis à jour, comme indiqué ci-dessous.
3. Créez et exécutez un DOE personnalisé
Le processus de fusion et de billettage comporte 4 facteurs, dont 3 sont continus, le 4ème étant la répartition du plastique déchiqueté. L'équipe a commencé par utiliser Custom Designer pour tout renseigner, à l'exception de la distribution du plastique déchiqueté, comme indiqué ci-dessous.
La partie suivante est essentielle : l'utilisation des FPC comme facteurs de covariables dans le concepteur personnalisé oblige JMP à utiliser ces distributions spécifiques dans l'expérience. Ceci est possible car chaque ligne contient une combinaison de FPC, qui représentent, dans ce cas, 98,6 % de toutes les informations contenues dans les courbes elles-mêmes. Pour y parvenir dans le concepteur personnalisé, l'équipe a suivi ces étapes :
- Assurez-vous que le tableau Récapitulatif FPC est le tableau le plus haut, dans le Concepteur personnalisé, sélectionnez Ajouter un facteur... Covariable.
- Dans la boîte qui apparaît, sélectionnez les deux colonnes "Data FPC" et appuyez sur OK.
- Après avoir cliqué sur "Continuer" et "RSM" pour créer le modèle, cochez la case "Autoriser la répétition des lignes de covariables".
- Cliquez sur "Make Design" pour créer le tableau d'expérience et de collecte de données.
Permettre aux lignes de covariables d'être répétées signifiait que l'équipe devait trouver et utiliser des matières premières correspondant à la distribution spécifiée. Cela a été facilité par l'inclusion par JMP du numéro de ligne de la table de données FPC dans la table de conception expérimentale. Par exemple, dans la capture d'écran ci-dessous, la première exécution a utilisé la ligne 11 du tableau des résumés, qui était la distribution « k » de l'ensemble de données d'origine utilisé dans la plateforme FDE.
L’équipe a réalisé l’expérience avec les facteurs continus spécifiés (X1 à X3) et la distribution granulométrique spécifiée du plastique. Ils ont ensuite utilisé le script de modèle généré par Custom Designer, en supprimant les termes non significatifs un par un jusqu'à ce que seuls les termes significatifs restent dans le modèle (le script « Modèle final » dans le journal, pour ceux qui suivent). Ce modèle est présenté ci-dessous :
4. Utiliser FDE et ajuster le modèle ensemble
Plutôt que d'essayer de comprendre les facteurs FPC 1 et FPC 2 dans le profileur de prédiction, l'équipe a trouvé une méthode plus simple : relier les profileurs du modèle et du FDE. Pour ce faire, ils ont sélectionné le triangle rouge dans le profileur de prédiction... Paramètres de facteurs... Profileurs de liens. Ensuite, ils ont disposé les fenêtres côte à côte, de sorte que la modification des FPC dans le Prediction Profiler modifie également la forme de la courbe dans la fenêtre FDE.
Désormais, le flux de travail chez ACME Plastics est le suivant :
- Chaque nouveau lot a une distribution de taille effectuée au début du processus. Dans l'exemple ci-dessous, le lot Target ne correspond parfaitement à aucune des distributions précédentes. C'est normal : c'est la raison pour laquelle l'équipe a voulu utiliser la plateforme FDE en premier lieu.
- Cette distribution est saisie en tant que cible dans la plateforme FDE, ce qui rend le bouton Optimiser la cible disponible. Dans ce cas, le lot entrant est décrit avec des FPC d'environ -0,359 et 0,032.
Avec le Prediction Profiler du DOE lié au FPC Profiler de la plateforme FDE, lorsque le bouton « Optimiser la cible » est sélectionné, le Prediction Profiler est mis à jour. Le verrouillage des deux FPC dans le Prediction Profiler permet ensuite à l'équipe de maximiser la désirabilité pour les 3 facteurs continus restants. Dans ce cas, les paramètres optimaux de la machine sont X1 à l'extrémité inférieure, X2 à l'extrémité supérieure et X3 réglé à -0,341.
L'équipe d'ACME Plastics a obtenu d'excellents résultats et envisage maintenant de prendre le relais. excellent cours de script JSL gratuit , afin qu'ils puissent combiner les deux fenêtres et rationaliser davantage leur processus. Pour l’instant, ils sont heureux de pouvoir utiliser les données fonctionnelles comme entrées dans leur processus.
