Quando si risolve un problema del mondo reale, come l’aumento della resa o la diminuzione degli scarti in un processo di produzione; capire quali fattori influenzano la qualità di un prodotto; o eseguire un'analisi delle cause principali dei guasti delle apparecchiature: l'utilizzo dei dati può fornire un potente vantaggio. Tuttavia, molto raramente le risposte vengono offerte liberamente. Prima che si trovino le soluzioni, è necessario accedere ai dati e importarli, pulirli e organizzarli, visualizzarli ed esplorarli e forse anche farli passare attraverso vari algoritmi di apprendimento automatico. I risultati devono poi essere interpretati e considerati insieme alle conoscenze pratiche relative alla situazione in questione. Come passo finale, gli apprendimenti devono essere comunicati in un modo che sia compreso da coloro che prenderanno le decisioni o eseguiranno le azioni necessarie che seguiranno.
Il processo cumulativo mediante il quale i dati non sfruttati vengono acquisiti e convertiti in informazioni preziose è chiamato flusso di lavoro analitico. Vengono utilizzate molteplici funzionalità durante lo spostamento lungo le fasi del flusso di lavoro, potenzialmente anche passando tra individui o dipartimenti responsabili di vari aspetti.
JMP contiene tutto il necessario per trasformare dati grezzi e disordinati in conoscenza e valore per un'organizzazione. È possibile trovare una rappresentazione del flusso di lavoro di JMP Analytic (Figura 1), mediante il quale è possibile estrarre informazioni dai dati grezzi, nella pagina Sito web JMP . Facendo clic sulle caselle arancioni corrispondenti alle varie funzionalità analitiche incluse nel software si accede alla JMP Minute Demo, una breve spiegazione di come è possibile utilizzare la funzionalità.
Figure 1: The JMP Analytic Workflow, showing all the tools needed to transform raw data into shareable insights for any organization.Figura 1: Il flusso di lavoro di JMP Analytic, che mostra tutti gli strumenti necessari per trasformare i dati grezzi in informazioni condivisibili per qualsiasi organizzazione.
Ad esempio, nella fase di accesso ai dati, i dati provenienti da una fonte esterna possono essere:
- Accesso tramite l'importazione guidata di JMP Excel.
- Pulito utilizzando Recode e i vari strumenti presenti nel menu Tabelle.
- Progettato per verificare la presenza di irregolarità o dati strani.
- Modellato per esplorare i vantaggi/rischi delle varie opzioni per determinare la migliore soluzione/compromesso.
I risultati possono quindi essere comunicati utilizzando JMP Live, consentendo agli utenti di visualizzare i report e fornendo accesso su richiesta ai dati grezzi per ulteriori analisi. Forse questi passaggi sono stati registrati utilizzando Action Recorder e automatizzati per quando diventano disponibili nuovi dati, per aggiornamenti periodici (giornalieri/settimanali/ecc.) per monitorare i KPI con grafici di controllo o per inviare un avviso e-mail se il processo va improvvisamente alla deriva. Potrebbe darsi che, nel corso di queste analisi, si sia scoperto che i dati non contenevano le informazioni giuste ed era necessario raccoglierne di più, offrendo l'opportunità di trarre vantaggio dalla progettazione degli esperimenti.
Il punto è che queste tecniche analitiche non sono soluzioni complete in sé e raramente vengono utilizzate indipendentemente l’una dall’altra, sottolineando così la comodità e la necessità di averle all’interno di un’unica piattaforma.
Il rovescio della medaglia è che il flusso di lavoro analitico viene raramente utilizzato nella sua interezza da una persona all'interno di un'organizzazione. Sono numerose le aziende che utilizzano gran parte delle diverse funzionalità analitiche presenti nel software, ma queste sono delineate in base al ruolo del singolo utente (vedere Figura 2).
Figure 2: Examples of specific capabilities of the JMP Analytic Workflow that may be used by various individual user’s roles within an organization.Figura 2: esempi di funzionalità specifiche di JMP Analytic Workflow che possono essere utilizzate dai vari ruoli utente individuali all'interno di un'organizzazione.
Da dove iniziare: definire il problema e i criteri di soluzione
Prima di poter iniziare a determinare i passaggi necessari per risolvere un problema, dobbiamo definire sia il problema che i criteri in base ai quali giudicheremo se è stato risolto. Ti incoraggio a non prendere l'esempio troppo alla lettera. Le tecniche analitiche utilizzate per esplorare e, in definitiva, superare il problema presentato in questo caso di studio possono essere applicate ugualmente in molte situazioni diverse in una vasta gamma di settori. Pertanto, considera esempi nel tuo lavoro in cui potresti utilizzare queste funzionalità a vantaggio tuo e della tua organizzazione.
Come utilizzare questo caso di studio:
Di seguito è riportato un elenco di tutti i passaggi del flusso di lavoro utilizzato per indagare e risolvere il problema presentato in questo caso di studio. Ho anche fornito esempi dei passaggi più comunemente utilizzati da persone con titoli di lavoro diversi. Fai clic sui collegamenti sottostanti per seguire il tuo flusso di lavoro in base al tuo ruolo attuale oppure leggili tutti per avere un'idea di come è possibile utilizzare JMP all'interno di un'organizzazione. Ho incluso il file Excel iniziale in modo che tu possa replicare i passaggi, ma sentiti libero di seguirli utilizzando i tuoi dati.
Scienziato di ricerca e sviluppo: 2-9, 14
Ingegnere di produzione: 2-9, 13-14
Scienziato dei dati: 1-6, 10-14
Amministratore IT: 1-2, 14
Definizione del problema
Questo esempio riguarda un processo di fabbricazione in cui vengono prodotte compresse farmaceutiche. Come molti processi, questo prevede una serie di passaggi. Ad ogni passo, ci sono varie impostazioni che possono essere regolate. Questi possono essere visualizzati nel diagramma di flusso del processo (Figura 3) sotto ogni passaggio. Inoltre, ci sono diverse variabili nominali che devono essere selezionate per ciascun lotto, elencate sopra le fasi (materiali di diversi fornitori, nonché la scelta del compressore per la fase Compress).
Figure 3: Tablet manufacturing process flow map used as an example case study.Figura 3: Mappa del flusso del processo di produzione dei tablet utilizzata come caso di studio di esempio.
La risposta misurata alla fine del processo è la Dissoluzione, una misura della velocità con cui le compresse si dissolvono nel corpo. Sono desiderabili valori elevati di dissoluzione, con una specifica inferiore al 70%; i lotti misurati al di sotto di questo valore vengono scartati. Il compito da svolgere è determinare come produrre le compresse e gestire il processo di produzione con un tasso di scarto attendibilmente inferiore al 5%.
(Promemoria: questa è una dimostrazione di come la potenza dell'analisi, fornita tramite JMP Analytic Workflow, può essere utilizzata per risolvere un problema. Le tecniche qui presentate non si limitano al settore manifatturiero o ai prodotti farmaceutici.)
1) Cancella il registro per essere pronto a registrare l'analisi per l'automazione
- Andare al menu Visualizza in JMP e selezionare Registro.
- Fare clic sull'hotspot rosso vicino all'angolo in alto a sinistra della finestra del registro e selezionare Cancella registro (Figura 4).
Figure 4: Top-left corner of log window, showing menu behind red hotspot with Clear Log indicated.Figura 4: angolo in alto a sinistra della finestra del registro, che mostra il menu dietro l'hotspot rosso con indicato Cancella registro.
2) Accesso ai dati
Poiché i nostri dati sono contenuti in un file Excel, importeremo i dati utilizzando l'Importazione guidata di Excel.
- Trascina semplicemente il file Excel dal desktop, o da dove lo hai salvato, in qualsiasi finestra JMP aperta (la finestra Home, ad esempio). Vedere il risultato nella Figura 5, di seguito.
Figure 5: Excel Import Wizard after dragging Excel file into open JMP window, showing default settings.Figura 5: Importazione guidata di Excel dopo aver trascinato il file Excel nella finestra JMP aperta, mostrando le impostazioni predefinite.
Come si può vedere nella sezione Anteprima dati nella Figura 5, la tabella non sembra del tutto corretta. Portiamolo in un formato pronto per l'analisi regolando le impostazioni del foglio di lavoro individuale come mostrato nella Figura 6.
- Imposta le intestazioni delle colonne che iniziano sulla riga su 2.
- Imposta Numero di righe con intestazioni di colonna su 2.
- Seleziona Importa.
Figure 6: Individual Worksheet Settings in Excel Import Wizard after adjusting values to align data properly.Figura 6: impostazioni dei singoli fogli di lavoro nell'importazione guidata di Excel dopo aver modificato i valori per allineare correttamente i dati.
Ora dovresti avere una tabella chiamata TabletDissolution.
3) Esplorazione e visualizzazione dei dati, parte 1
Sembra immediatamente che ci siano alcuni problemi con la nostra tabella. Sembra che alcuni dei valori nella seconda colonna, API-Particle Size, siano stati inseriti come Small o s, presumibilmente per significare Small. Scorrendo la tabella verso il basso si vede che le voci Medie e Grandi presentano problemi simili. Ci sono altre colonne che hanno problemi simili? Possiamo avere un'idea di ciò attivando i grafici dell'intestazione della colonna.
- Fare clic sul simbolo dell'istogramma nella parte superiore sinistra della tabella per attivare i grafici delle intestazioni di colonna (Figura 7).
Figure 7: Top-left of the table with the Column Header graph button circled in blue.Figura 7: in alto a sinistra della tabella con il pulsante del grafico Intestazione colonna cerchiato in blu.
4) Combinazione e pulizia dei dati, parte 1
Osservando i grafici dell'intestazione della colonna, sembra che il fornitore MgSt abbia alcuni problemi di immissione dei dati, nonché di dimensione delle particelle API. Correggiamo quelli che usano Recode.
- Seleziona la colonna API-Particle Size facendo clic sul nome della colonna nella parte superiore della colonna.
- Con la colonna selezionata, vai al menu Cols e seleziona Ricodifica.
- Nella parte superiore sinistra della finestra Ricodifica, modifica il menu a discesa da Nuova colonna a In posizione.
- Tieni premuto il tasto Maiusc mentre fai clic su l e Grande nelle prime due righe della finestra Ricodifica. Rilasciare lo spostamento e premere il pulsante Gruppo (Figura 8).
Figure 8: Recode window, with Large and l values highlighted, and the Group button highlighted.Figura 8: finestra Ricodifica, con i valori Large e l evidenziati e il pulsante Raggruppa evidenziato.
- Evidenziare e raggruppare i valori Medio e me Piccolo e s (vedere Figura 9).
- Premere Ricodifica.
- Facoltativo: ripetere la procedura di ricodifica per la colonna MgSt-Supplier.
Figure 9: Recode window with the three groups for API-Particle Size defined.Figura 9: finestra Ricodifica con i tre gruppi per API-Particle Size definiti.
Un altro problema che alcuni di voi potrebbero aver notato è che molte delle colonne che dovrebbero contenere dati continui appaiono come categoriche. Ciò può essere visualizzato nel visualizzatore Colonne al centro sinistra della tabella (Figura 10). Tutte le colonne successive e incluse Blend Time-hr, ad eccezione di Compressor e Coating Supplier, devono essere continue. Possiamo correggerlo facilmente modificando prima il formato dei numeri e quindi utilizzando la funzione Standardizza attributi.
NOTA: il motivo per cui le colonne sono categoriche è dovuto al punto utilizzato per indicare una cifra decimale. Vivo in Europa, quindi Windows è configurato per utilizzare una virgola sul mio computer. Se il tuo sistema è configurato per utilizzare un periodo, i dati saranno stati importati correttamente e potrai saltare questi passaggi.Tieni inoltre presente che è possibile utilizzare la lingua JMP, anziché le impostazioni locali del sistema, per numeri, date e formati di valuta; questo può essere impostato nelle preferenze "Specifiche di Windows".
Figure 10: Columns panel, showing that most columns are categorical, with the exceptions of Mill Time-hr and Screen Size.Figura 10: pannello Colonne, che mostra che la maggior parte delle colonne sono categoriche, ad eccezione di Mill Time-hr e Screen Size.
- Dal menu Modifica, scegli Cerca --> Trova.
- Inserisci il simbolo del punto in Trova: e il simbolo della virgola in Sostituisci con:.
- Deseleziona la casella di controllo Corrisponde all'intero valore della cella.
- Premere Sostituisci tutto.
- Chiudere la finestra di dialogo Cerca.
Tutti i punti nelle celle saranno stati sostituiti da virgole. Ora possiamo convertire il tipo di dati e il tipo di modello delle colonne interessate.
- Fare clic su Blend Time-hr per selezionare il pannello Colonne.
- Tenendo premuto il tasto Maiusc, fai clic su Dissoluzione nel pannello Colonne per selezionare tutte le colonne.
- Rilascia il tasto Maiusc, tieni premuto il tasto Control e fai clic su Compressore e Fornitore di rivestimento per deselezionare queste colonne.
- Dal menu Col. scegliere Standardizza attributi...
- Nella finestra Standardizza attributi colonne, seleziona Tipo di dati e Tipo di modellazione dal menu a discesa degli attributi da standardizzare.
- Modificare il tipo di dati in numerico e il tipo di modellazione in continuo.
- Premere OK.
Le colonne dei sensori della macchina ora saranno tutte numeriche e continue. Modificheremo il tipo di modellazione di un'altra colonna: Dimensioni dello schermo. JMP ha riconosciuto i numeri e ha impostato il tipo di modellazione su Continuo per impostazione predefinita, ma sappiamo che 3, 4 e 5 rappresentano forme separate. L'ordinale sarebbe più appropriato se volessimo confrontare le dissoluzioni tra le dimensioni per confermare che esiste una differenza.
- Fai clic sul triangolo blu davanti a Dimensioni schermo nel pannello Colonne.
- Cambia il tipo di modellazione in Ordinale.
5) Esplorazione e visualizzazione dei dati, parte 2
Possiamo utilizzare il visualizzatore Colonne per ottenere una rapida istantanea dei nostri dati sotto forma di statistiche riassuntive relative a ciascuna colonna. Per i dati nominali o ordinali, viene mostrato il numero di categorie distinte in ciascuna colonna. Per il continuo vediamo l'intervallo, la media e la deviazione standard. Se questi rientrano nelle nostre aspettative, dovremmo essere in grado di fare alcune analisi. D'altra parte, se sono lontani, potremmo avere ancora qualche pulizia da fare.
- Dal menu Colonne, seleziona Visualizzatore colonne.
- Nella finestra Selettore visualizzazione colonne, seleziona tutte le colonne e premi Mostra riepilogo.
Immediatamente sembra che vada tutto bene. Abbiamo il numero corretto di categorie e intervalli approssimativi rispettivamente per i dati nominali e ordinali e per i dati continui. Tuttavia, guardandolo, ci viene in mente che potremmo voler includere una colonna Accetta/Rifiuta per indicare i batch accettati o rifiutati (quelli con valori di dissoluzione superiori o inferiori a 70).
6) Combinazione e pulizia dei dati, parte 2
Esistono molti modi in cui possiamo creare una nuova colonna di batch accettati e rifiutati. Se conosci un buon modo con cui ti senti a tuo agio, sentiti libero di usarlo. Oppure puoi seguirmi mentre utilizziamo una nuova funzionalità introdotta in JMP 16, Crea formula di binning...
- Seleziona la colonna Scioglimento.
- Dal menu Col. scegliere Utilità --> Crea formula di categorizzazione...
- Selezionare tutti i punti di taglio predefiniti e premere il segno per rimuoverli (vedere Figura 11).
Figure 11: Binning dialog window, with all default cut points selected and the remove button (-) indicated by a blue circle.Figura 11: finestra di dialogo Categorizzazione, con tutti i punti di taglio predefiniti selezionati e il pulsante di rimozione (-) indicato da un cerchio blu.
- Modificare il valore del punto di taglio su 70 e, se lo si desidera, rinominare le etichette dei valori in Rifiuta e Accetta, come nella Figura 12, facendo doppio clic sulle etichette dei valori e digitando "Rifiuta" e "Accetta".
Tieni presente che è anche possibile modificare i tipi di etichetta utilizzando il menu del triangolo rosso accanto a "Punti di taglio" e selezionando "Stile etichetta contenitore -> Personalizzato".
Figure 12: Binning dialog window, with cut point value changed to 70 and value labels changed to Reject and Accept.Figura 12: finestra di dialogo Categorizzazione, con il valore del punto di taglio modificato in 70 e le etichette dei valori modificate in Rifiuta e Accetta.
- Premere Crea colonna formula.
- Per rinominare la nuova colonna, fare doppio clic sul nome nella parte superiore della colonna, modificare il nome in Accetta/Rifiuta e premere OK.
Ora che abbiamo ripulito e formattato i nostri dati e aggiunto una colonna che indica se un batch è stato accettato o rifiutato, siamo in una posizione in cui iniziamo a capire la storia dietro i dati. Nello specifico, siamo interessati a conoscere la proporzione di lotti accettati/rifiutati e i fattori che influenzano tale proporzione (e gli altri fattori che non hanno alcuna influenza). In definitiva, vorremmo sapere come dobbiamo adattare il nostro processo per ridurre al minimo il verificarsi di lotti rifiutati.
7) Analisi e modellizzazione dei dati di base, parte 1
Per iniziare a ottenere le risposte a queste domande, dobbiamo avere un’idea di dove cercare. Il processo di creazione di immagini per avere un'idea di dove si trovano le risposte, o forse anche quali domande dovremmo porre, è chiamato analisi esplorativa dei dati (EDA).
- Dal menu Analizza, seleziona Distribuzione. Nella finestra di dialogo pop-up, trascinare la colonna Accetta/Rifiuta nella casella Y, Colonne e fare clic su OK (Figura 13).
Figure 13: Distribution dialog window, with column Accept/Reject in the Y, Columns box.Figura 13: finestra di dialogo Distribuzione, con la colonna Accetta/Rifiuta nella casella Y, Colonne.
Il report Distribuzioni risultante, mostrato nella Figura 14, include una tabella Frequenze che indica che ci sono 14 lotti rifiutati su un totale di 90, corrispondenti a una percentuale di circa il 15,6%.
Figure 14: Distribution report for column Accept/Reject.Figura 14: report di distribuzione per la colonna Accetta/Rifiuta.
Possiamo proseguire con gli istogrammi dei fattori nella nostra tabella, che possono o meno avere alcun effetto sul rapporto accetta/rifiuta. Includeremo anche la colonna di risposta Dissolution.
- Dal menu Analizza, seleziona Distribuzione. Questa volta, trascina tutte le colonne dalla colonna API-Particle Size alla colonna Dissolution Reject nella casella Y, Colonne.
- Prima di fare clic su OK, seleziona la casella Solo istogrammi nella parte inferiore sinistra della finestra di dialogo per nascondere le statistiche di riepilogo. Questi possono essere attivati in seguito utilizzando i menu del triangolo rosso.
- Fare clic su OK.
Nota: se hai premuto OK prima di controllare Solo istogrammi, nessun problema. Chiudi semplicemente il rapporto Distribuzione e torna ad Analizza --> Distribuzione. Premendo Richiama qui verrà impostata la finestra di dialogo così come era l'ultima volta che hai utilizzato Distribuzione. Questo è un bel trucco per risparmiare qualche clic se mai avessi bisogno di rifare un'analisi.
Il rapporto risultante mostra gli istogrammi per tutti i fattori più la risposta. Puoi scorrere verso destra per vedere come vengono distribuiti tutti i valori per ciascun fattore. Ad esempio, la figura più a sinistra mostra che c'erano leggermente più particelle API medie rispetto a quelle piccole o grandi. A destra di questa figura si trova l'istogramma del Mill Time, per il quale esiste una distribuzione approssimativamente uniforme dei valori fino a circa 30 ore. Possiamo imparare molto semplicemente guardando queste cifre e considerando se queste distribuzioni sono in linea con la nostra comprensione del modo in cui sono stati gestiti i batch.
Come tutti gli elementi visivi creati in JMP, questi sono collegati dinamicamente alla tabella dati. Utilizzeremo questa proprietà per approfondire ulteriormente le immagini per scoprire ulteriori informazioni sul nostro processo.
- Fare clic sul rettangolo verde dell'istogramma accanto a Rifiuta nel rapporto di distribuzione Accetta/Rifiuta, illustrato nella Figura 14.
- Si noti che tutte le righe dei batch rifiutati nella tabella dati sono ora selezionate.
- I valori corrispondenti dei fattori sono resi visibili anche all'interno del rapporto di distribuzione come istogrammi incorporati (verde scuro), come mostrato nella Figura 15.
Figure 15: Left-most three histograms of the Distribution report, which indicate embedded histograms for rejected batches.Figura 15: i tre istogrammi più a sinistra del rapporto Distribuzione, che indicano gli istogrammi incorporati per i batch rifiutati.
Gli istogrammi incorporati rappresentano il sottoinsieme di dati comprendente le righe selezionate. Confrontandoli con gli istogrammi dei dati complessivi (verde chiaro nelle figure) si può segnalare un significato quando ci sono differenze drastiche. È vero anche il contrario: gli istogrammi incorporati e complessivi con la stessa forma suggeriscono che il fattore non ha alcun effetto sulla risposta, in questo caso se un lotto viene accettato o rifiutato. Si noti che per Mill Time la distribuzione complessiva è uniforme, mentre è distorta a destra per i lotti scartati. Analizzando le dimensioni dello schermo, la dimensione 5 sembra sovrarappresentata tra i rifiuti, mentre le dimensioni 3 e 4 sembrano sottorappresentate. Questo è curioso e merita un esame più attento di come questi fattori si relazionano esattamente alla Dissoluzione.
Le distribuzioni sono uno strumento potente che può fornire indizi su dove dobbiamo cercare per trovare risposte con pochi clic. Sentiti libero di esplorare ulteriormente per vedere se salta fuori qualcos'altro che potrebbe richiedere un'ispezione più ravvicinata.
8) Esplorazione e visualizzazione dei dati, parte 3
Ora che abbiamo scoperto due fattori che potrebbero influenzare il nostro processo, possiamo approfondirli ulteriormente utilizzando il Costruttore di grafici.
- Dal menu Grafico, scegli Costruttore di grafici.
- Nella finestra del Costruttore di grafici, trascina la colonna Mill Time-hr e rilasciala nell'area rettangolare contrassegnata con una X (al centro in basso).
- Scorri verso il basso le colonne fino a Scioglimento. Trascinalo e rilascialo nell'area Y.
Il risultato è un grafico a dispersione di Dissolution vs Mill Time-hr con una spline blu che serpeggia tra i dati. Questa spline ha lo scopo di guidare gli spettatori verso la forma dei dati. Invece di usarlo, cambiamo il più fluido in una Linea di adattamento.
- Fare clic con il tasto destro al centro del grafico.
- Scegli Più morbido --> Cambia in --> Linea di adattamento. (Nota: avremmo potuto farlo anche utilizzando le caselle appena sopra il titolo del grafico.)
- Premere Fatto.
Ora abbiamo prodotto il grafico come mostrato di seguito nella Figura 16. Guardando la figura, sembra decisamente che ci sia una correlazione positiva tra Mill Time e Dissolution nei nostri lotti storici. Questo è statisticamente significativo (che è un altro modo per valutare la probabilità che ciò sia reale e non solo un colpo di fortuna)?
Figure 16: Dissolution vs Mill time-hr with a Line of Fit depicting a positive correlation between the variables.Figura 16: Tempo di dissoluzione vs Mill-hr con una linea di adattamento che descrive una correlazione positiva tra le variabili.
Cercheremo di rispondere a questa domanda nella sezione successiva. Nel frattempo, potresti ricordare che anche le dimensioni dello schermo sono emerse come un fattore di interesse durante l'esplorazione degli istogrammi. Aggiungiamo la dimensione dello schermo a questo grafico per vedere se possiamo imparare qualcosa in più su come potrebbe influenzare la dissoluzione."
- Dal triangolo rosso accanto al Costruttore di grafici, scegli Mostra pannello di controllo.
- Trascina (ma non rilasciare!) Dimensioni schermo nelle aree Gruppo X, Gruppo Y, Avvolgi, Sovrapponi e Colore della finestra Costruttore di grafici. In questo modo verrà fornita un'anteprima di come apparirebbe il grafico se la colonna venisse rilasciata in quella zona di rilascio.
- Dopo aver esplorato le varie zone di rilascio con Dimensioni schermo, rilascia la colonna nella zona di rilascio del Gruppo X.
- Premere Fatto.
La natura del Costruttore di grafici consente di trascinare le colonne, producendo vari altri grafici, finché non se ne trova uno che scopre qualcosa di utile sui nostri dati. Riducendo le dimensioni dello schermo nel Gruppo X, abbiamo creato tre grafici a dispersione affiancati, ciascuno con la propria linea di adattamento (Figura 17). Dalla figura si vede chiaramente che la correlazione positiva tra Dissolution e Mill Time-hr è stata influenzata dalla dimensione utilizzata; si è verificato un forte effetto quando si utilizzavano le taglie 3 o 5, ma nessun effetto quando si utilizzava la taglia 4. Il suggerimento qui è che esiste un effetto di interazione tra questi due fattori e la nostra risposta. Indagheremo ulteriormente questo aspetto quando raggiungeremo la fase di modellazione della nostra analisi, ma per ora diamo un'occhiata più da vicino a queste variabili individualmente.
Figure 17: Dissolution vs Mill time-hr for all three values of Screen Size, with Lines of Fit depicting positive correlations for Sizes 3 and 5, but no correlation for Size 4.Figura 17: Dissoluzione rispetto al tempo di macinazione in ore per tutti e tre i valori della dimensione dello schermo, con linee di adattamento che rappresentano correlazioni positive per le dimensioni 3 e 5, ma nessuna correlazione per la dimensione 4.
9) Analisi e modellizzazione dei dati di base, parte 2
L'effetto del Mill Time sulla dissoluzione è statisticamente significativo? Quanto possiamo essere sicuri che l'aumento del Mill Time porti davvero ad un aumento della Dissoluzione? Che dire della dissoluzione inferiore misurata per i lotti eseguiti con la dimensione dello schermo 5? È stato solo un incidente? Se continuiamo a utilizzare la dimensione 5, è probabile che continueremo a vedere lotti di qualità inferiore rispetto a quelli che avremmo se utilizzassimo le dimensioni 3 o 4? Questo è il tipo di domande a cui risponderemo in questa parte dell'analisi utilizzando la piattaforma Fit Y by X.
- Seleziona Adatta Y per X dal menu Analizza (il secondo dall'alto, dopo Distribuzione).
- Nella finestra di dialogo, trascina e rilascia Dissolution nella casella della colonna Y, Response.
- Successivamente, trascina e rilascia sia Mill Time-hr che Screen Size nella casella della colonna X, Factor.
- Premere OK.
La prima cosa che potresti notare è che i due grafici risultanti, oltre ad apparire molto diversi, sono anche chiamati in modo diverso: il grafico a sinistra si chiama Bivariate Fit of…, mentre quello a destra si chiama Oneway Analysis of…. Questo perché sono stati realizzati utilizzando tipi di dati diversi, per i quali determinate analisi potrebbero essere applicabili o meno. Nel caso del Mill Time-hr, dei dati continui tracciati sull'asse x e dei dati continui della dissoluzione tracciati sull'asse y, può avere senso tracciare una linea di regressione che si adatti ai dati e descriva come la dissoluzione cambia come un funzione di tutti i valori del Mill Time. Possiamo quindi calcolare la probabilità che ciò sia reale o che si tratti semplicemente di aberrazioni nei dati controllando se la pendenza della nostra linea di adattamento è significativamente diversa da 0 (zero è la pendenza di una linea piatta tracciata come media della nostra risposta). D'altra parte, una linea continua di adattamento tra le dimensioni dello schermo 3 e 4 non ha senso se non ci sono dimensioni tra 3 e 4. In questo caso di studio, la dimensione dello schermo è una variabile discreta. Una domanda ragionevole da porsi è: ci sono differenze reali nella nostra risposta quando confrontiamo i valori ottenuti utilizzando una dimensione con i valori ottenuti utilizzando un’altra? Siamo interessati ad analisi che indagano questi confronti piuttosto che calcolare le pendenze tra le dimensioni.
Iniziamo con il Bivariate Fit a sinistra:
- Dal triangolo rosso della figura Adattamento bivariato, scegliere Adatta linea.
Il grafico e il report risultanti sono mostrati di seguito nella Figura 18. Ci sono molte informazioni sulla linea e su quanto bene si adatta ai dati. Non è necessario comprendere ogni aspetto di questo bollettino per rispondere alle nostre domande, così come non è necessario leggere tutti i dettagli di un bollettino meteo per sapere se portare l'ombrello. Se qualcuno è interessato, una descrizione di tutto ciò può essere trovata nella documentazione online di JMP. Per ora, estraiamo solo ciò di cui abbiamo bisogno per rispondere alle domande che avevamo sul nostro processo.
Figure 18: Bivariate Fit of Dissolution vs Mill time-hr, with a linear fit and accompanying details indicating that the effect is likely real.Figura 18: Adattamento bivariato della dissoluzione rispetto al tempo di macinazione-ora, con un adattamento lineare e dettagli associati che indicano che l'effetto è probabilmente reale.
Possiamo vedere che la linea nel grafico a dispersione è inclinata verso l'alto, indicando che valori di dissoluzione più elevati sono stati ottenuti utilizzando tempi di macinazione più lunghi e valori più bassi utilizzando tempi più brevi. L'equazione di questa linea si trova appena sotto l'adattamento lineare, con la pendenza che ha un valore di circa 0,165%/ora. È significativo? La stima della pendenza viene ripetuta nella sezione Stime dei parametri del rapporto, insieme al relativo valore p associato (0,0004), il che significa che esiste una probabilità su 4 su 10.000 che una pendenza così ripida sia stata ottenuta semplicemente per caso. Naturalmente è possibile che Mill Time non abbia alcun effetto reale su Dissolution, ma è molto più sicuro scommettere che l'effetto sia reale.
Passiamo ora al menu del triangolo rosso accanto al grafico dell'analisi unidirezionale sulla destra. Noterai immediatamente che non è possibile adattare una linea. Come discusso, non ha senso tracciare una linea continua attraverso dati discreti. Tuttavia, abbiamo molte opzioni per confrontare questi lotti. Usiamo un approccio molto comune, il t-test.
- Dal menu triangolo rosso Analisi Oneway, selezionare Confronta medie -> Ogni coppia, t di Student.
Questo è tutto, test t fatto. Naturalmente ora spetta a noi interpretare questo rapporto (Figura 19). Ancora una volta, ci sono molti dettagli qui, ma ne servono solo pochissimi per determinare se le dimensioni dello schermo sono equivalenti.
Figure 19: Oneway Analysis of Dissolution vs Screen Size, with a means comparison done using Student’s t-test. The results suggest a significant negative effect of using Screen Size 5.Figura 19: Analisi unidirezionale della dissoluzione rispetto alle dimensioni dello schermo, con un confronto delle medie effettuato utilizzando il test t di Student. I risultati suggeriscono un effetto negativo significativo derivante dall’utilizzo della dimensione dello schermo 5.
Osservando il Rapporto Lettere di Collegamento si afferma che i livelli non collegati dalla stessa lettera sono significativamente diversi. I livelli che corrispondono alle dimensioni dello schermo 3 e 4 hanno entrambi la lettera A accanto, mentre la lettera B è mostrata accanto alla dimensione 5. L’implicazione è, quindi, che le taglie 3 e 4 sono equivalenti tra loro, ma non la taglia 5. Le probabilità associate che ciò non si sia verificato per caso sono espresse nei valori p del rapporto sulle differenze ordinate. È abbastanza sicuro concludere che le differenze tra le dimensioni 3 e 5 e le dimensioni 4 e 5 sono reali (valori p <0,0001 e 0,0017, rispettivamente). Al contrario, il confronto tra le taglie 3-4 ha meno probabilità di essere reale (il 5,79% è avvenuto per caso, il che può sembrare piccolo ma è superiore all'onere della prova generalmente accettato del 5%).
Se non siamo convinti, possiamo andare avanti e provare a raccogliere più dati per essere sicuri. In alternativa, se smettiamo immediatamente di utilizzare la dimensione dello schermo 5 e aumentiamo il tempo di macinazione fino a 30 ore, dovremmo iniziare a vedere un miglioramento nei valori di dissoluzione. Continueremo inoltre lungo il flusso di lavoro analitico verso la modellazione statistica avanzata, in primo luogo per identificare i fattori probabilmente significativi che potremmo aver perso durante la nostra EDA. Vogliamo anche costruire un modello statistico utilizzando tutti questi fattori per scoprire eventuali interazioni sottostanti tra loro e, idealmente, trovare un punto debole nel nostro processo in cui possiamo produrre in modo affidabile e coerente lotti della massima qualità possibile, riducendo al contempo il verificarsi di rifiuti a un minimo.
10) Modellazione statistica avanzata
Cominciamo con la prima domanda: ci sono altri fattori che potremmo aver trascurato e che dovremmo considerare più attentamente oltre al Mill Time e alle dimensioni dello schermo?
- Dal menu Analizza scegliere Modellazione predittiva --> Partizione.
- Selezionare Dissoluzione dall'elenco delle colonne nella finestra di dialogo Partizione e premere Y, Risposta.
- Seleziona tutte le colonne da API-Particle Size ad Atom. Pressione-Pa e premere X, Fattore.
- Selezionare OK.
- Nella nuova finestra del report Partizione per dissoluzione visualizzata, seleziona Dividi.
Ancora una volta, questo rapporto contiene molte informazioni, ma non abbiamo bisogno di tutte per riconoscere che le dimensioni dello schermo sono risultate la variabile più significativa. Nessuna grande sorpresa qui, dato che lo avevamo già notato durante l'EDA. Si noti che il report ora contiene due caselle che indicano Dimensioni schermo (3, 4) e Dimensioni schermo (5). L'algoritmo di partizione ha identificato un punto di taglio all'interno di questo fattore significativo che divide, o partiziona, i dati per catturare la maggior quantità possibile di variazioni nel nostro processo. A quanto pare, siamo giunti alla stessa conclusione a cui siamo arrivati quando abbiamo esplorato questo fattore utilizzando Adatta Y rispetto a X.
Andiamo avanti:
- Seleziona di nuovo Dividi.
Mill Time-hr è emerso come il secondo fattore più importante nel nostro processo. Ancora una volta, non è una grande sorpresa. Ma abbiamo scoperto un altro punto limite (11 ore). Inoltre, potresti aver notato che le caselle Mill Time-hr sono radicate nella casella Screen Size(5). Ciò significa che il punto di taglio si applica solo quando si utilizza la dimensione 5 e quindi ci fornisce un limite di specifiche nel caso in cui fossimo costretti a usarla. La dimensione 5 non è l'ideale, ma se proprio dobbiamo usarla, dovremmo almeno assicurarci di macinare per 11 ore o più. Questo ci darà la possibilità di realizzare lotti semi-decenti.
- Seleziona di nuovo Dividi.
Ah! Blend Time-hr non era qualcosa che avevamo notato prima.
- Seleziona Dividi ancora e ancora, finché le foglie non vengono più aggiunte al nostro albero decisionale. (Dovresti essere in grado di eseguire altre 11 divisioni.)
Ebbene, ora all'albero sono stati aggiunti una serie di fattori. In effetti, alcuni fattori sono stati aggiunti più volte. Ogni foglia di questo albero è una ricetta, con i fattori nelle foglie superiori (foglie madri, più vicine al tronco) posizionati sopra o sotto, a seconda dei casi, e tutti gli altri fattori impostati sulla loro media (o assegnati casualmente nel caso della categoria categoriale). variabili). Il valore medio previsto della dissoluzione prodotta con questa ricetta è riportato all'interno della foglia. Una cosa che potremmo fare è esaminare tutte le foglie per trovare la ricetta migliore, ovvero quella con la media prevista più alta. Prenditi un minuto per vedere se riesci a trovarlo... Suggerimento: è vicino al centro-basso dell'albero: dimensioni dello schermo (3 o 4), tempo di miscelazione (≥15,9 ore), fornitore di lattosio (Bond Inc.) e viscosità del rivestimento (≥99,3 cp), con tutti gli altri fattori impostati su i loro valori medi. Come puoi vedere, si prevede che produrrà lotti con una dissoluzione media di circa 79.
Potremmo provare a eseguire quella ricetta e monitorare i lotti risultanti per vedere se il nostro modello è accurato e se i valori di dissoluzione dei lotti risultanti sono vicini al nostro valore previsto di 79. E' giusto fermarsi qui per verificare se funziona, se produrre lotti di questa qualità risolve il nostro problema. In tal caso, possiamo passare al problema successivo da risolvere. Tuttavia, in questo scenario, questo non è abbastanza buono. Dovremo trovare un modo per salire più in alto, il che significa spremere ancora più informazioni da questi dati per cercare di ottenere la nostra soluzione.
- Dal menu del triangolo rosso per Partizione per la dissoluzione, scegli Contributi di colonna.
Questa azione aggiunge il report Contributi colonna, mostrato nella Figura 20, alla nostra finestra Partizione. Partendo dall’alto, il rapporto ci racconta, in ordine decrescente, il significato di ciascuno dei nostri fattori. Sembra che le dimensioni dello schermo siano il fattore più significativo, seguito da Mill Time, Blend Time, Blend Speed e così via. Leggendo più in basso, alla fine raggiungiamo fattori (a partire da API-Particle Size e inferiori) che non compaiono in nessuna delle foglie e, quindi, non sembrano avere alcun effetto sulla Dissoluzione.
Figure 20: Column Contributions from the Partition for Dissolution report, showing the significance of the factors in descending order. Spray Rate is seen to be the last significant factor; everything below it is considered not to have any effect on Dissolution.Figura 20: colonna Contributi del report Partizione per dissoluzione, che mostra la significatività dei fattori in ordine decrescente. La velocità di spruzzatura è considerata l'ultimo fattore significativo; tutto ciò che è al di sotto è considerato non avere alcun effetto sulla Dissoluzione.
Possiamo quindi concentrare i nostri sforzi per aumentare la Dissoluzione sugli otto fattori che sono significativi, e possiamo in gran parte ignorare i restanti nove fattori che non lo sono.
- Dal rapporto Contributi colonna, selezionare gli otto fattori significativi (dimensioni dello schermo e velocità di irrorazione). Tieni presente che queste colonne sono ora selezionate nella tabella.
- Dal menu Analizza, scegli Stima modello. Viene ora visualizzata la finestra di dialogo Adatta modello con le colonne già selezionate (Figura 21).
Figure 21: Fit Model dialog window, with columns of significant factors selected.Figura 21: finestra di dialogo Stima modello, con colonne di fattori significativi selezionati.
- Premere il pulsante Macro nella finestra di dialogo Adatta modello e selezionare Superficie di risposta.
- Infine, seleziona la colonna Dissoluzione e premi Y (pulsante in alto al centro della finestra di dialogo).
- Premi Esegui.
Nota: un modello di superficie di risposta include tutti gli effetti principali (in questo caso, i nostri otto fattori significativi), tutte le interazioni bidirezionali e tutti i termini al quadrato. È stato dimostrato più volte che questo tipo di modello è un ottimo punto di partenza per affrontare problemi di ottimizzazione, cercando di trovare lo sweet spot tra le impostazioni del nostro processo. Escludendo alcuni perfezionamenti del modello, di cui parleremo di seguito, di solito è anche un punto finale abbastanza buono, il che significa che cattura informazioni sufficienti sul nostro processo per risolvere qualunque problema stessimo cercando di risolvere.
Viene visualizzata una finestra di report sullo scioglimento della risposta. Ancora una volta, ci sono molte informazioni, tutte spiegate in dettaglio nella documentazione online di JMP, ma la maggior parte di esse non è una conoscenza necessaria per risolvere il nostro problema.
Possiamo iniziare a esaminare questo rapporto dall'alto e procedere verso il basso, saltando le cose che non sono di particolare interesse. La prima cosa che incontriamo è il grafico Effettivo/Previsto, replicato di seguito nella Figura 22. Ciò che è importante qui è che tutti i punti cadano principalmente lungo la linea retta rosso scuro. Non cadranno mai tutti esattamente lungo la linea; ci sarà sempre qualche variazione nel nostro processo che non viene catturata dal modello. La domanda quindi diventa quanta variazione È catturato dalla modella? Il valore RSq appena sotto il grafico fornisce questa informazione: 0,88 (o 88%).
Figure 22: Actual by Predicted Plot for a full response surface model with eight main effects, capturing 88% of the variation in Dissolution (RSq = 0.88).Figura 22: Grafico effettivo in base a quello previsto per un modello di superficie a risposta completa con otto effetti principali, che cattura l'88% della variazione nella dissoluzione (RSq = 0,88).
Sotto il grafico Effettivo per Previsto è presente il Riepilogo degli effetti (Figura 23), che elenca tutti gli effetti che abbiamo incluso nel nostro modello in ordine decrescente di importanza. Naturalmente, tutto questo si basa sui dati storici contenuti nella tabella. La colonna più a destra, denominata PValue, fornisce le probabilità che vedremmo una maggiore influenza sulla dissoluzione dei rispettivi effetti se dovessimo raccogliere più dati, presupponendo che l'effetto non abbia alcuna influenza. Sembra che ci sia una probabilità dello 0%, arrotondata a cinque decimali, che esecuzioni extra mostrino che le dimensioni dello schermo sembrano avere un effetto maggiore se non ne avessero. È praticamente una certezza matematica che la dimensione dell’influenza che stiamo vedendo non è dovuta al caso. Possiamo quindi concludere che Screen Size influisce davvero sui valori di Dissolution.
Figure 23: Effects Summary for a full response surface model with eight main effects.Figura 23: Riepilogo degli effetti per un modello di superficie a risposta completa con otto effetti principali.
All'estremo opposto c'è l'effetto di interazione tra il fornitore di lattosio e la velocità di miscelazione, il fattore in fondo alla lista. Con un valore p di circa 0,959, che è molto al di sopra del limite accettato di 0,05, possiamo tranquillamente concludere che questo effetto non ha alcuna influenza sulla dissoluzione. Andiamo avanti e rimuoviamolo dal modello.
- Fai clic su "Lactose-Suppliers*Blend Speed-rpm" nella tabella di riepilogo degli effetti e premi il pulsante Rimuovi in basso proprio sotto di essa.
Hai notato che tutti i valori p e tutto il resto nel rapporto sono leggermente cambiati? Come molti dei report di JMP, le modifiche comportano l'immediato ricalcolo di tutti i valori, il che ci consente di perfezionare il modello rimuovendo tutti gli effetti non significativi senza dover riavviare l'analisi.
- Uno per uno, rimuovere l'effetto meno significativo (l'ultimo in fondo al report Riepilogo effetti) finché tutti gli effetti rimanenti non avranno valori p superiori a 0,05, come nella Figura 24.
Figure 24: Effect Summary for a refined RSM model containing only effects with a p-value greater than 0.05.Figura 24: riepilogo degli effetti per un modello RSM perfezionato contenente solo effetti con un valore p maggiore di 0,05.
Nota: non rimuovere gli effetti che hanno un simbolo ^ a destra del loro valore p. Il simbolo ha lo scopo di renderti consapevole che l'effetto è contenuto all'interno di altri effetti più significativi. Di norma, li lasciamo nel modello, rimuovendoli solo se e dopo che tutti gli effetti che li contengono sono stati prima rimossi.
Il valore RSq al di sotto del grafico effettivo in base alla previsione è sceso a 0,83, il che significa che meno variazione nella nostra risposta viene catturata da questo nuovo modello perfezionato. Va bene. L'RSq originale di 0,88 era ingannevolmente elevato a causa dell'inclusione di termini non significativi che si adattano al rumore casuale e non al nostro processo effettivo. La rimozione di fattori con valore p elevato da un modello porta naturalmente a un RSq inferiore ma è più probabile che dia luogo a previsioni più accurate per i lotti futuri.
Quindi, essere in grado di spiegare l’83% della variazione nel nostro processo è positivo o è del tutto inadeguato? Ricordiamoci l'obiettivo dell'intero esercizio: stiamo cercando di risolvere il problema di come produrre in modo affidabile lotti con dissoluzioni superiori a 70 per ridurre il tasso di scarto dal 15% a meno del 5%. Una volta che abbiamo capito abbastanza per capire come farlo, abbiamo finito e possiamo passare al problema successivo. Se questo modello ci consente di farlo, allora lo è abbastanza buono . Possiamo scoprirlo scorrendo fino alla fine del report Fit Least Squares nel Prediction Profiler, replicato di seguito nella Figura 25.
Figure 25: Prediction Profiler for our refined RSM model.Figura 25: Profiler di previsione per il nostro modello RSM perfezionato.
Il Prediction Profiler è una rappresentazione grafica del modello e può essere utilizzato per vedere il risultato previsto di una combinazione di impostazioni. Ad esempio, nella Figura 25, si prevede che la media dei lotti prodotti utilizzando tali impostazioni (Tempo di macinazione di 17.011 ore, Dimensioni dello schermo 3, ecc.) sarà del 77,49%. Dai profili possiamo anche vedere che l'aumento del tempo di macinazione, del tempo di miscelazione e della viscosità del rivestimento, diminuendo al tempo stesso la velocità di spruzzatura, porterà, secondo il modello, a lotti con dissoluzioni ancora più elevate.
- Fai clic sulle linee tratteggiate rosse verticali all'interno dei profili e trascinale a destra o a sinistra.
- Continua a spostare manualmente le linee per trovare l'impostazione che il modello prevede otterrà la massima dissoluzione.
Oltre a cercare di trovare manualmente l'impostazione ottimale, possiamo utilizzare la funzione Massimizza desiderabilità del Prediction Profiler:
- Fare clic sul menu del triangolo rosso per il Prediction Profiler.
- Seleziona Ottimizzazione e desiderabilità --> Massimizza la desiderabilità.
- Torna al menu del triangolo rosso e seleziona Ottimizzazione e desiderabilità --> Massimizza la desiderabilità.
Dopo aver massimizzato la desiderabilità, si vede l'impostazione ottimale risultante (Figura 26).
Figure 26: Prediction Profiler with Desirability Functions enables on, with factors at optimum settings resulting in highest value of Dissolution, 86.5% (y-axis adjusted from default).Figura 26: Il profiler di previsione con funzioni di desiderabilità è attivato, con fattori con impostazioni ottimali che danno come risultato il valore più alto di dissoluzione, 86,5% (asse y regolato rispetto a quello predefinito).
Il valore previsto è superiore al nostro traguardo del 70%. Naturalmente, il vero test arriverà quando proveremo queste impostazioni nella nostra fabbrica.
11) Modellazione predittiva e machine learning (JMP Pro)
In JMP Pro, la distribuzione dei modelli in produzione è semplificata con Formula Depot. Da lì, possiamo facilmente generare codice di punteggio per distribuire il nostro modello in produzione.
- Dal menu a forma di triangolo rosso accanto a Dissoluzione della risposta nella parte superiore del report Adatta ai minimi quadrati, seleziona Salva colonne --> Pubblica formula di previsione.
- Nel report Formula Depot, fare clic sul menu del triangolo rosso Adatta ai minimi quadrati – Dissoluzione e selezionare Genera… (vedere Figura 27).
Nota: il deposito formule può essere utilizzato per generare C++, Python, JavaScript, SAS o SQL.
Figure 27: Formula Depot with the Fit Least Squares model for Dissolution (left), with automatically generated Python code (right).Figura 27: Formula Depot con il modello Fit Least Squares per Dissolution (a sinistra), con codice Python generato automaticamente (a destra).
12) Automazione e scripting
È giunto il momento di salvare lo script per importare la tabella in JMP e ottenerla nel formato corretto. Ciò renderà molto più semplice la ripetizione quando saranno disponibili nuovi dati. Non ci preoccuperemo di salvare le istruzioni per tutte le analisi che abbiamo fatto in questo momento, poiché probabilmente non dovremo rifarle esattamente come prima. Alla fine, vorremo monitorare l'effetto dell'implementazione della nuova ricetta sui lotti futuri, nonché assicurarci che tutto rimanga stabile e che il processo non subisca deviazioni. Per ora, catturiamo semplicemente le operazioni della tabella dati dal registratore di azioni all'interno del registro.
- Dalla finestra Log, fai clic sul menu del triangolo rosso nell'angolo in alto a sinistra e seleziona Registratore di azioni.
- Selezionare Lancio piattaforma per deselezionare questa opzione.
- Ripetere per deselezionare anche Istantanea report alla chiusura, in modo che solo Operazioni tabella dati appaia selezionata, come nella Figura 28.
Figure 28: Log window, showing the Action Recording options within the red triangle menu, with only Data Table Operations selected.Figura 28: finestra Registro, che mostra le opzioni di registrazione delle azioni nel menu del triangolo rosso, con selezionate solo Operazioni tabella dati.
- Fare nuovamente clic sul menu del triangolo rosso nella finestra Log. Selezionare Salva script --> Nella finestra dello script.
- Dalla finestra dello script, seleziona File --> Salva con nome. Assegna un nome allo script Tablet Data Import e salvalo in una posizione comoda sul desktop.
Ora che abbiamo salvato lo script, puoi chiudere la tabella dei dati JMP, inclusi tutti i report aperti. Ci rimane la nostra tabella Excel originale, insieme a tutte le istruzioni necessarie per importarla in JMP e prepararla per l'analisi. Abbiamo anche inviato le istruzioni affinché la nostra fabbrica inizi a produrre prodotti utilizzando la nuova ricetta. Cancellamo il registro e poi prendiamoci una pausa mentre aspettiamo che nuovi dati diventino disponibili.
- Dal menu del triangolo rosso nella finestra Registro, seleziona Cancella registro.
13) Qualità e ingegneria di processo
Immagina che sia passato del tempo e che siano state completate una serie di esecuzioni utilizzando la nostra ricetta di processo nuova e migliorata. Queste nuove esecuzioni sono state aggiunte come nuove righe nel lavoro di Excel; ciò potrebbe essere stato fatto automaticamente oppure è possibile che le righe siano state aggiunte manualmente e quindi il file sia stato nuovamente salvato. Il nuovo processo si chiama B per differenziarlo dal vecchio processo, noto come A.
- Salvare il file Tablet Data aggiornato.xlsx nella stessa posizione del file Tablet Data.xlsx utilizzato in precedenza.
- Elimina Tablet Data.xlsx.
- Rinominare il nuovo file Tablet Data.xlsx.
- Aprire il file script Tablet Data Import.jsl salvato in Sezione 12 e premere il pulsante Esegui (Figura 29).
Figure 29: Script window with the Run button near the top of the window circled in blue.Figura 29: finestra dello script con il pulsante Esegui nella parte superiore della finestra cerchiato in blu.
Tieni presente che le modifiche di formattazione apportate alla nostra tabella JMP originale sono state automatizzate nell'importazione di questa tabella, inclusa la ricodifica delle colonne API-Particle Size e MgSt-Supplier, la modifica del tipo di modellazione di Screen Size in ordinale, utilizzando una virgola come simbolo decimale e convertendo le colonne interessate in numeriche e aggiungendo la colonna Accetta/Rifiuta alla fine. Si noti inoltre che alla tabella sono state aggiunte 25 esecuzioni, corrispondenti alle nostre nuove esecuzioni, nonché una colonna che indica la ricetta per ciascun lotto. Esaminando brevemente la tabella, sembra che lo script di importazione e formattazione abbia accolto correttamente queste aggiunte. Questa è una buona notizia perché, man mano che nuovi dati continueranno a essere disponibili, potremo ancora fare affidamento su questo script.
Scorrendo fino in fondo alla tabella le nuove esecuzioni sono state indicate nella colonna Ricetta come B.Dalla colonna Accetta/Rifiuta (ultima, all'estrema destra), possiamo vedere che tutti i nuovi lotti sono stati classificati come Accettati. Anche questa, ovviamente, è un’ottima notizia. Potresti aver notato che i setpoint della ricetta non corrispondono a quanto riportato nella tabella. Ad esempio, il modello ha determinato che l'impostazione ottimale del Mill Time è di 25,7 ore, ma i valori nella tabella variano leggermente da questa impostazione. Questo perché la tabella contiene i valori effettivi misurati durante ogni batch, che non sempre corrispondono esattamente al setpoint. Il rafforzamento di questi valori attraverso un migliore controllo delle variabili di processo potrebbe rappresentare una futura via di miglioramento per il nostro processo.
Nel frattempo, possiamo utilizzare un grafico di controllo per vedere come è cambiato il nostro processo dopo aver implementato la nuova ricetta. Possiamo anche usarlo per tracciare e monitorare il processo e avvisarci di eventuali derive graduali o cambiamenti improvvisi che richiedono un intervento.
- Dal menu Analizza, scegli Qualità e processo --> Generatore di grafici di controllo.
- Nella finestra Control Chart Builder, scorri verso il basso fino alla colonna Dissoluzione nel pannello delle colonne. Fai clic su Dissoluzione e trascinalo nella zona di rilascio Y.
- Trascina la colonna Ricetta nella zona di rilascio Fase nella parte superiore del grafico di controllo.
- Seleziona Fatto.
Ora abbiamo due grafici Individuale e Intervallo mobile affiancati, con il grafico per la Ricetta A a sinistra di quello per la Ricetta B, come mostrato nella Figura 30. La prima cosa che notiamo è che i punti per la Ricetta B sono più alti, in corrispondenza dei loro valori di dissoluzione più alti. Le linee verdi continue al centro dei grafici indicano le medie di ciascun processo, mentre le linee rosse continue sopra e sotto la media rappresentano rispettivamente i limiti di controllo superiore e inferiore. I loro valori calcolati sono forniti nei Riepiloghi dei limiti di dissoluzione, appena a destra del grafico di controllo.
Figure 30: Individual & Moving Range chart for both recipes, A (left) and B (right), with Limit Summaries providing the calculated means (Avg) and lower/upper control limits (LCL/UCL).Figura 30: Grafico Individuale e Intervallo mobile per entrambe le ricette, A (sinistra) e B (destra), con i riepiloghi dei limiti che forniscono le medie calcolate (Avg) e i limiti di controllo inferiore/superiore (LCL/UCL).
C'è più variazione nei lotti realizzati utilizzando la Ricetta B, la nuova, rispetto a quella precedente, la Ricetta A. Possiamo dirlo perché i punti stessi sono distribuiti su una gamma più ampia di valori di dissoluzione. Notiamo anche che le linee rosse sono più distanti, indicando una deviazione standard maggiore. Tuttavia, come abbiamo notato, esaminando la colonna Accetta/Rifiuta, tutti i lotti della Ricetta B sono accettabili, che è il nostro obiettivo principale. Una media dell'86,76% è leggermente superiore al 72,86%, la media della nostra ricetta originale; L'86,76% è anche notevolmente vicino al valore dell'86,5% previsto dal nostro modello.
Nonostante l’ampia deviazione standard che porta ad ampi limiti di controllo, a prima vista sembra che il nostro processo sia stabile. Detto questo, è possibile che la Ricetta B abbia una tendenza al rialzo. Un'opzione, disponibile nel menu Qualità e Processo, potrebbe essere quella di tenerlo d'occhio utilizzando un grafico CUSUM per determinare il prima possibile se si tratta di una tendenza reale.
Un semplice test di stabilità, e un’indicazione che qualcosa potrebbe essere cambiato, sarebbe che uno dei punti andasse oltre le linee rosse. Esistono anche altri test che possono essere attivati per fungere da avvisi per il monitoraggio del processo.
- Fai clic con il pulsante destro del mouse al centro del grafico Individuo e intervallo mobile.
- Selezionare Avvisi --> Test --> Tutti i test.
Un avviso appare in A (passa con il mouse sopra l'avviso per vedere i dettagli), mentre nessuno appare in B.Tuttavia, possiamo – e assolutamente dovremmo – aggiornare la carta di controllo per monitorare i cambiamenti man mano che nuovi dati diventano disponibili e farlo regolarmente finché il prodotto viene fabbricato nella nostra fabbrica.
- Dal menu del triangolo rosso accanto a Control Chart Builder, seleziona Salva script --> Negli appunti.
- Vai allo script Tablet Data Import e incolla (fai clic con il pulsante destro del mouse --> Incolla o ctrl-v) dopo l'ultima riga dello script.
- Salva lo script aggiornato File --> Salva.
Ora possiamo chiudere il grafico e la tabella di controllo senza salvare. L'esecuzione dello script reimporterà la tabella e creerà il grafico di controllo. Poiché il lavoro necessario per aggiornare l'analisi è stato ora ridotto alla semplice pressione di un pulsante, ripetere l'operazione regolarmente e con la frequenza necessaria è minimo. Può anche essere automatizzato tramite l'uso dell'Utilità di pianificazione in Windows o iCal nei Mac (o qualsiasi altra miriade di strumenti gratuiti per la pianificazione automatizzata). Ma cosa succederebbe se i nostri colleghi responsabili del monitoraggio del processo non fossero esperti di JMP? Come possiamo mantenerli aggiornati e informati in tempo reale?
14) Condivisione e comunicazione dei risultati
JMP Live è uno strumento che consente a scienziati e ingegneri di accedere ai report JMP tramite una connessione Web sicura senza la necessità di utilizzare JMP. È anche possibile consentire l'invio di e-mail di avviso nel caso in cui venga attivato un allarme di processo all'interno di un diagramma di controllo. L'intera procedura di importazione dei dati, riproduzione dell'analisi, pubblicazione del report su JMP Live (un grafico di controllo, nel nostro caso) e invio di avvisi via email nel caso di un processo fuori controllo può essere facilmente automatizzata per aggiornamenti periodici .
JMP Live, che consente di caricare report riservati o sensibili su un server sicuro e di condividerli all'interno di circoli chiusi, è un prodotto separato all'interno della famiglia JMP. JMP Public è una versione pubblica di JMP Live. Chiunque disponga di un browser Web può visualizzare i report (disponibili su public.jmp.com), mentre chiunque abbia JMP 15 o versione successiva può pubblicarli liberamente su JMP Public.
Iniziamo pubblicando il nostro report su JMP Live:
Nota: se non hai accesso a JMP Live, puoi pubblicare su JMP Public. In alternativa, puoi semplicemente leggere i passaggi e provare a seguirli più tardi. Se è la prima volta che pubblichi su JMP Live o JMP Public, inizia stabilendo una connessione (File --> Pubblica --> Gestisci connessioni…). I dettagli possono essere trovati in questo post del blog , nonché istruzioni sulla pubblicazione automatica.
- Dalla finestra del report di Control Chart Builder, selezionare File --> Pubblica --> Pubblica su JMP Live...
- Selezionare il report da pubblicare e premere Avanti.
- Assicurarsi che la casella di controllo Abilita avvisi sia selezionata, indicando che le e-mail verranno inviate in caso di avviso di un grafico di controllo attivato (vedere Figura 31).
- Seleziona il gruppo (elenco di email precedentemente salvato) a cui sarà consentito l'accesso al report.
- Premi Pubblica.
Figure 31: JMP Live new post configuration window, with the Enable Warnings box checked, for Control Chart warning emails. Toward the bottom, we can see that access to the report will be limited to the Engineering group.Figura 31: finestra di nuova configurazione post di JMP Live, con la casella Abilita avvisi selezionata, per le e-mail di avviso del grafico di controllo. Verso il basso possiamo vedere che l'accesso al rapporto sarà limitato al gruppo Ingegneria.
Al termine di questi passaggi viene visualizzato un messaggio che indica che il report è stato pubblicato correttamente.
Nota: ai fini di questo blog, una replica del rapporto è stata pubblicata in JMP Pubblico .
Ora che il report è stato pubblicato una volta, aggiornarlo online non appena diventano disponibili nuovi dati è semplice. Come accennato in precedenza, è possibile trovare dettagli e suggerimenti utili Qui . In breve, sono necessarie tre informazioni:
- Il nome del report in JMP.
- Il nome della connessione JMP Live.
- L'identificatore del report pubblicato in JMP Live.
Il nome del report (nel nostro caso, report Control Chart Builder) è il nome utilizzato per fare riferimento all'oggetto in JSL. Di nuovo dentro Sezione 13 quando abbiamo copiato lo script e incollato nella nostra finestra JSL, non gli abbiamo dato alcun nome. Torniamo indietro e facciamolo adesso.
- Immediatamente prima della funzione Control Chart Builder utilizzata per creare la carta di controllo nella finestra dello script JSL, inserire un segno di uguale e assegnargli un nome univoco (vedere Figura 32).
Figure 32: JSL script window with the Control Chart Builder, now referenced by the name ccb.Figura 32: finestra dello script JSL con il Control Chart Builder, ora indicato con il nome ccb.
Successivamente, è possibile trovare il nome della connessione a JMP Live utilizzando la funzione Gestisci connessioni… del menu File --> Pubblica. Viene indicato la prima volta che viene stabilita una connessione a JMP Live, come dettagliato nel Trucchi per l'amministrazione di JMP Live: automatizzazione della pubblicazione post sul blog.
Infine, l'identificatore del report è il codice dopo l'ultima barra (/) nell'indirizzo web del report pubblicato. Ad esempio, nel report visto in JMP Public, corrisponde al codice cerchiato in blu nella Figura 33.
Figure 33: JMP Public report with the report identifier code circled in blue.Figura 33: report pubblico JMP con il codice identificativo del report cerchiato in blu.
Con queste informazioni, tutto ciò che resta da fare è aggiungere le seguenti quattro righe di codice al tuo script:
liveconnection = Nuovo JMP Live( Connessione( *Nome connessione JMP Live* ) );
webreport = Nuovo rapporto Web();
webreport<
jmpliveresult=liveconnection<
Le righe possono essere copiate nello script esattamente come appaiono sopra, con i nomi dei segnaposto terminati da asterischi (*) sostituiti con i nomi effettivi.
Osservazioni finali
A questo punto, il processo funziona secondo le specifiche ed è stato impostato il monitoraggio automatizzato con avvisi e-mail. Siamo finalmente pronti per passare al problema successivo, con tutte le sfide irrisolte e le domande senza risposta che offrono nuove opportunità per migliorare le prestazioni, accelerare lo sviluppo, ridurre i costi o aumentare l'efficienza, forse tutto in una volta. Il percorso verso questi obiettivi ci imporrà di intraprendere nuovi percorsi attraverso il flusso di lavoro di JMP Analytic, scoprendo nuove informazioni lungo il percorso.
Ma che dire del problema che abbiamo appena risolto? Possiamo aumentare ulteriormente la resa? C'è un modo per spingere Dissolution ancora più in alto? Cosa succede se una macchina si rompe o cambia un fornitore, come influirà sul nostro processo? Come dovremmo rispondere quando vengono attivati gli avvisi e-mail del grafico di controllo che abbiamo impostato tramite JMP Live?
Il valore reale deriva dal considerare JMP Analytic Workflow come una guida lungo un ciclo continuo di miglioramento, piuttosto che un viaggio a senso unico che inizia con un problema e termina con una soluzione. Ogni fase del ciclo migliora in modo incrementale le prestazioni, portando a prodotti o processi migliori, rafforzando la nostra attività.
Per ulteriori informazioni su come JMP Analytic Workflow può aiutarti a superare le tue sfide, visita il nostro sito web.
