Al resolver un problema del mundo real, como aumentar el rendimiento o disminuir la chatarra en un proceso de fabricación; comprender qué factores afectan la calidad de un producto; o realizar un análisis de la causa raíz de las fallas de los equipos: aprovechar los datos puede proporcionar una poderosa ventaja. Sin embargo, las respuestas rara vez se ofrecen libremente. Antes de encontrar soluciones, se debe acceder a los datos e importarlos, limpiarlos y organizarlos, visualizarlos y explorarlos, y tal vez incluso pasarlos por varios algoritmos de aprendizaje automático. A continuación, los resultados deben interpretarse y considerarse junto con conocimientos prácticos relacionados con la situación en cuestión. Como paso final, los aprendizajes deben comunicarse de manera que sean comprendidos por quienes tomarán decisiones o realizarán las acciones necesarias a continuación.
El proceso acumulativo mediante el cual se capturan datos no explotados y se convierten en información valiosa se denomina flujo de trabajo analítico. Se utilizan múltiples capacidades mientras se avanza por los pasos del flujo de trabajo, potencialmente incluso pasando entre personas o departamentos responsables de diversos aspectos.
JMP contiene todo lo necesario para transformar datos sin procesar y desordenados en conocimiento y valor para una organización. Puede encontrar una descripción del flujo de trabajo analítico de JMP (Figura 1), mediante el cual se puede extraer información de los datos sin procesar, en la página sitio web del JMP . Al hacer clic en los cuadros naranjas correspondientes a las diversas capacidades analíticas incluidas en el software, accederá a JMP Minute Demo, una breve explicación de cómo se puede utilizar la función.
Figure 1: The JMP Analytic Workflow, showing all the tools needed to transform raw data into shareable insights for any organization.Figura 1: Flujo de trabajo analítico de JMP, que muestra todas las herramientas necesarias para transformar datos sin procesar en información que cualquier organización pueda compartir.
Por ejemplo, en el paso de acceso a los datos, los datos de una fuente externa pueden ser:
- Se accede mediante el asistente de importación de Excel de JMP.
- Se limpia usando Recode y las diversas herramientas que se encuentran en el menú Tablas.
- Trazado para comprobar si hay irregularidades o puntos de datos extraños.
- Modelado para explorar beneficios/riesgos de varias opciones para determinar la mejor solución/compensación.
Luego, los resultados se pueden comunicar mediante JMP Live, lo que permite a los usuarios ver informes y proporcionar acceso bajo demanda a datos sin procesar para su posterior análisis. Quizás estos pasos se registraron usando Action Recorder y se automatizaron para cuando haya nuevos datos disponibles, para actualizaciones periódicas (diarias/semanales/etc.) para monitorear los KPI con gráficos de control o para enviar una alerta por correo electrónico si el proceso cambia repentinamente. Podría ser que, en el transcurso de estos análisis, se descubriera que los datos no contenían la información correcta y fuera necesario recopilar más, brindando la oportunidad de beneficiarse del diseño de experimentos.
La cuestión es que estas técnicas analíticas no son soluciones completas en sí mismas y rara vez se utilizan de forma independiente una de otra, lo que subraya la conveniencia y necesidad de tenerlas dentro de una única plataforma.
La otra cara de la moneda es que el flujo de trabajo analítico rara vez lo utiliza en su totalidad una sola persona dentro de una organización. Existen numerosas empresas que hacen uso de gran parte de las diversas capacidades analíticas que se encuentran en el software, pero estas se delinean según la función de cada usuario individual (consulte la 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: Ejemplos de capacidades específicas del flujo de trabajo analítico de JMP que pueden ser utilizadas por varios roles de usuarios individuales dentro de una organización.
Por dónde empezar: definición del problema y los criterios de solución
Antes de que podamos comenzar a determinar los pasos necesarios para resolver un problema, primero debemos definir tanto el problema como los criterios mediante los cuales juzgaremos si se ha resuelto. Le animo a que no tome este ejemplo demasiado literalmente. Las técnicas analíticas utilizadas para explorar y, en última instancia, superar el problema presentado en este estudio de caso pueden aplicarse igualmente en muchas situaciones diferentes en una variedad de industrias. Por lo tanto, considere ejemplos en su propio trabajo en los que podría emplear estas características para su beneficio y el de su organización.
Cómo utilizar este estudio de caso:
A continuación se muestra una lista de todos los pasos del flujo de trabajo utilizado para investigar y resolver el problema presentado en este caso de estudio. También he dado ejemplos de los pasos que utilizan más comúnmente personas con diferentes puestos de trabajo. Haga clic en los enlaces a continuación para seguir su propio flujo de trabajo de acuerdo con su función actual, o léalos todos para tener una idea de cómo se puede utilizar JMP en toda una organización. He incluido el archivo inicial de Excel para que puedas replicar los pasos, pero siéntete libre de seguirlo usando tus propios datos.
Científico de I+D: 2-9, 14
Ingeniero de Manufactura: 2-9, 13-14
Científico de datos: 1-6, 10-14
Administrador de TI: 1-2, 14
Definición del problema
Este ejemplo implica un proceso de fabricación en el que se producen tabletas farmacéuticas. Como muchos procesos, éste implica una serie de pasos. En cada paso, hay varias configuraciones que se pueden ajustar. Estos se pueden ver en el diagrama de flujo del proceso (Figura 3) debajo de cada paso. Además, hay varias variables nominales que se deben seleccionar para cada lote, que se enumeran encima de los pasos (materiales de diferentes proveedores, así como una opción de compresor para el paso de compresión).
Figure 3: Tablet manufacturing process flow map used as an example case study.Figura 3: Mapa de flujo del proceso de fabricación de tabletas utilizado como estudio de caso de ejemplo.
La respuesta medida al final del proceso es la disolución, una medida de la rapidez con la que las tabletas se disuelven en el cuerpo. Son deseables valores altos de disolución, con una especificación inferior del 70%; los lotes medidos por debajo de este valor se desechan. La tarea que tenemos entre manos es determinar cómo producir las tabletas y ejecutar el proceso de fabricación con una tasa de desperdicio confiablemente inferior al 5%.
(Recordatorio: esta es una demostración de cómo se puede utilizar el poder de la analítica, brindado a través del flujo de trabajo analítico de JMP, para resolver un problema. Las técnicas presentadas aquí no se limitan a la fabricación o a los productos farmacéuticos).
1) Borrar registro para prepararse para registrar el análisis para la automatización
- Vaya al menú Ver en JMP y seleccione Iniciar sesión.
- Haga clic en el punto rojo cerca de la esquina superior izquierda de la ventana de registro y seleccione Borrar registro (Figura 4).
Figure 4: Top-left corner of log window, showing menu behind red hotspot with Clear Log indicated.Figura 4: Esquina superior izquierda de la ventana de registro, que muestra el menú detrás del punto de acceso rojo con la indicación Borrar registro.
2) Acceso a datos
Como nuestros datos están contenidos en un archivo de Excel, los importaremos utilizando el Asistente de importación de Excel.
- Simplemente arrastre el archivo de Excel desde su escritorio, o donde lo haya guardado, a cualquier ventana JMP abierta (la ventana de inicio, por ejemplo). Vea el resultado en la Figura 5, a continuación.
Figure 5: Excel Import Wizard after dragging Excel file into open JMP window, showing default settings.Figura 5: Asistente de importación de Excel después de arrastrar el archivo de Excel a la ventana JMP abierta, que muestra la configuración predeterminada.
Como se puede ver en la sección Vista previa de datos en la Figura 5, la tabla no se ve del todo bien. Pongámoslo en un formato listo para el análisis ajustando la configuración de la hoja de trabajo individual como se muestra en la Figura 6.
- Establezca que los encabezados de columna comiencen en la fila en 2.
- Establezca el Número de filas con encabezados de columna en 2.
- Seleccione Importar.
Figure 6: Individual Worksheet Settings in Excel Import Wizard after adjusting values to align data properly.Figura 6: Configuración de la hoja de trabajo individual en el Asistente de importación de Excel después de ajustar los valores para alinear los datos correctamente.
Ahora debería tener una tabla llamada TabletDissolution.
3) Exploración y visualización de datos, parte 1
Inmediatamente, parece que hay algunos problemas con nuestra mesa. Parece que algunos de los valores en la segunda columna, API-Tamaño de partícula, se ingresaron como Pequeño o s, presumiblemente para significar Pequeño. Al desplazarse hacia abajo en la tabla, se muestran entradas para Mediano y Grande que tienen problemas similares. ¿Alguna otra columna tiene problemas similares? Podemos tener una idea de esto activando los gráficos de encabezado de columna.
- Haga clic en el símbolo de histograma en la parte superior izquierda de la tabla para activar los gráficos de encabezado de columna (Figura 7).
Figure 7: Top-left of the table with the Column Header graph button circled in blue.Figura 7: Parte superior izquierda de la tabla con el botón del gráfico de encabezado de columna rodeado en azul.
4) Combinación y limpieza de datos, parte 1
Al observar los gráficos del encabezado de columna, parece que el proveedor MgSt tiene algunos problemas con el ingreso de datos, así como con el tamaño de las partículas API. Corrijamos aquellos que usan Recode.
- Seleccione la columna API-Tamaño de partícula haciendo clic en el nombre de la columna en la parte superior de la columna.
- Con la columna seleccionada, vaya al menú Cols y seleccione Recodificar.
- En la parte superior izquierda de la ventana Recodificar, cambie el menú desplegable de Nueva columna a In situ.
- Mantenga presionada la tecla Mayús mientras hace clic en l y Grande en las dos primeras filas de la ventana Recodificar. Suelte el cambio y presione el botón Grupo (Figura 8).
Figure 8: Recode window, with Large and l values highlighted, and the Group button highlighted.Figura 8: Ventana Recodificar, con los valores Grande y l resaltados y el botón Grupo resaltado.
- Resalte y agrupe los valores Medio y my Pequeño y s (consulte la Figura 9).
- Pulsa Recodificar.
- Opcional: Repita el procedimiento de Recodificación para la columna MgSt-Supplier.
Figure 9: Recode window with the three groups for API-Particle Size defined.Figura 9: Ventana de recodificación con los tres grupos para API-Tamaño de partícula definidos.
Otro problema que algunos de ustedes habrán notado es que muchas de las columnas que deberían contener datos continuos aparecen como categóricas. Esto se puede ver en el visor de Columnas en el centro izquierdo de la tabla (Figura 10). Todas las columnas después e incluyendo el Tiempo de mezcla-hora, excepto el Compresor y el Proveedor de recubrimiento, deben ser continuas. Podemos corregir esto fácilmente cambiando primero el formato de los números y luego usando la función Estandarizar atributos.
NOTA: La razón por la que las columnas son categóricas se debe al punto utilizado para indicar un lugar decimal. Vivo en Europa, por lo que Windows está configurado para usar una coma en mi computadora. Si su sistema está configurado para utilizar un período, los datos se habrán importado correctamente y podrá omitir estos pasos.Tenga en cuenta también que es posible utilizar el idioma JMP, en lugar de la configuración regional del sistema, para números, fechas y formatos de moneda; esto se puede configurar en las preferencias "Específicas de Windows".
Figure 10: Columns panel, showing that most columns are categorical, with the exceptions of Mill Time-hr and Screen Size.Figura 10: Panel de columnas, que muestra que la mayoría de las columnas son categóricas, con las excepciones de Mill Time-hr y Screen Size.
- En el menú Editar, elija Buscar --> Buscar.
- Ingrese un símbolo de punto en Buscar qué: y un símbolo de coma en Reemplazar con:.
- Desmarque la casilla Coincidir con el valor completo de la celda.
- Presione Reemplazar todo.
- Cierre la ventana de diálogo Buscar.
Todos los puntos en las celdas habrán sido reemplazados por comas. Ahora podemos convertir el tipo de datos y el tipo de modelado de las columnas afectadas.
- Haga clic en Blend Time-hr para seleccionar el Panel de columnas.
- Mientras mantiene presionada la tecla Mayús, haga clic en Disolución en el Panel de columnas para seleccionar todas las columnas.
- Suelte la tecla Mayús, mantenga presionada la tecla Control y haga clic en Compresor y proveedor de recubrimiento para anular la selección de estas columnas.
- En el menú Cols, elija Estandarizar atributos...
- En la ventana Estandarizar atributos de columnas, seleccione Tipo de datos y Tipo de modelado en el menú desplegable de atributos que se estandarizarán.
- Cambie el tipo de datos a numérico y el tipo de modelado a continuo.
- Presiona OK.
Las columnas de sensores de la máquina ahora serán todas numéricas y continuas. Cambiaremos el tipo de modelado de una columna más: Tamaño de pantalla. JMP reconoció los números y configuró el tipo de modelado en Continuo de forma predeterminada, pero sabemos que 3, 4 y 5 representan formas separadas. Ordinal sería más apropiado si quisiéramos comparar las disoluciones entre tamaños para confirmar que existe una diferencia.
- Haga clic en el triángulo azul frente a Tamaño de pantalla en el Panel de columnas.
- Cambie el tipo de modelado a Ordinal.
5) Exploración y visualización de datos, parte 2
Podemos utilizar el visor de columnas para obtener una instantánea rápida de nuestros datos en forma de estadísticas resumidas relacionadas con cada columna. Para los datos nominales u ordinales, se nos muestra el número de categorías distintas en cada columna. Para lo continuo, vemos el rango, la media y la desviación estándar. Si están dentro de nuestras expectativas, deberíamos estar bien para hacer algunos análisis. Por otro lado, si están muy lejos, es posible que tengamos que hacer más limpieza.
- En el menú Columnas, seleccione Visor de columnas.
- En la ventana Selector de vista de columnas, seleccione todas las columnas y presione Mostrar resumen.
Inmediatamente parece que todo está bien. Tenemos el número correcto de categorías y rangos aproximados para los datos nominales y ordinales, y los datos continuos respectivamente. Sin embargo, al observar esto, se nos ocurre que es posible que deseemos incluir una columna Aceptar/Rechazar para indicar los lotes aceptados o rechazados (aquellos con valores de disolución superiores o inferiores a 70).
6) Combinación y limpieza de datos, parte 2
Hay muchas maneras de crear una nueva columna de lotes aceptados y rechazados. Si conoce una buena forma con la que se sienta cómodo, no dude en utilizarla. O puedes seguirme mientras usamos una nueva función introducida en JMP 16, Crear fórmula de agrupamiento...
- Seleccione la columna Disolución.
- En el menú Cols, elija Utilidades --> Crear fórmula de agrupamiento...
- Seleccione todos los puntos de corte predeterminados y presione el signo -para eliminarlos (consulte la Figura 11).
Figure 11: Binning dialog window, with all default cut points selected and the remove button (-) indicated by a blue circle.Figura 11: Ventana de diálogo de agrupación, con todos los puntos de corte predeterminados seleccionados y el botón de eliminación (-) indicado con un círculo azul.
- Cambie el valor del punto de corte a 70 y, si lo desea, cambie el nombre de las Etiquetas de valor a Rechazar y Aceptar, como en la Figura 12, haciendo doble clic en las Etiquetas de valor y escribiendo "Rechazar" y "Aceptar".
Tenga en cuenta que también es posible cambiar los tipos de etiquetas usando el menú del triángulo rojo al lado de "Puntos de corte" y seleccionando "Estilo de etiqueta de contenedor -> Personalizado".
Figure 12: Binning dialog window, with cut point value changed to 70 and value labels changed to Reject and Accept.Figura 12: Ventana de diálogo de agrupación, con el valor del punto de corte cambiado a 70 y las etiquetas de valor cambiadas a Rechazar y Aceptar.
- Presione Crear columna de fórmula.
- Para cambiar el nombre de la nueva columna, haga doble clic en el nombre en la parte superior de la columna, cambie el nombre a Aceptar/Rechazar y presione Aceptar.
Ahora que limpiamos y formateamos nuestros datos y agregamos una columna que indica si un lote fue aceptado o rechazado, estamos en una posición en la que empezamos a comprender la historia detrás de los datos. Específicamente, nos interesa conocer la proporción de lotes aceptados/rechazados y los factores que afectan esa proporción (y los demás factores que no tienen ninguna influencia). En última instancia, nos gustaría saber cómo debemos ajustar nuestro proceso para minimizar la aparición de lotes rechazados.
7) Análisis y modelado de datos básicos, parte 1
Para empezar a obtener respuestas a estas preguntas, necesitamos tener una idea de dónde buscar. El proceso de crear imágenes para tener una idea de dónde se encuentran las respuestas, o incluso qué preguntas deberíamos hacer, se llama análisis de datos exploratorios (EDA).
- En el menú Analizar, seleccione Distribución. En la ventana de diálogo emergente, arrastre la columna Aceptar/Rechazar al cuadro Y, Columnas y haga clic en Aceptar (Figura 13).
Figure 13: Distribution dialog window, with column Accept/Reject in the Y, Columns box.Figura 13: Ventana de diálogo Distribución, con la columna Aceptar/Rechazar en el cuadro Y, Columnas.
El informe de Distribuciones resultante, que se muestra en la Figura 14, incluye una tabla de Frecuencias que indica que hay 14 lotes rechazados de un total de 90, lo que corresponde a una proporción de aproximadamente el 15,6%.
Figure 14: Distribution report for column Accept/Reject.Figura 14: Informe de distribución para la columna Aceptar/Rechazar.
Podemos hacer un seguimiento con histogramas de los factores en nuestra tabla, que pueden tener o no algún efecto en la relación de aceptación/rechazo. También incluiremos la columna de respuesta Disolución.
- En el menú Analizar, seleccione Distribución. Esta vez, arrastre todas las columnas desde API-Tamaño de partícula hasta la columna Disolución Rechazada al cuadro Y, Columnas.
- Antes de hacer clic en Aceptar, marque la casilla Sólo histogramas en la parte inferior izquierda de la ventana de diálogo para ocultar las estadísticas resumidas. Estos se pueden activar más tarde usando los menús del triángulo rojo.
- Haga clic en Aceptar.
Nota: Si presionó Aceptar antes de marcar Solo histogramas, no hay problema. Simplemente cierre el informe de Distribución y vuelva a Analizar --> Distribución. Al presionar Recuperar aquí se configurará el cuadro de diálogo tal como estaba la última vez que usó Distribución. Este es un buen truco para ahorrarse unos cuantos clics si alguna vez necesita rehacer un análisis.
El informe resultante muestra histogramas de todos los factores más la respuesta. Puede desplazarse hacia la derecha para ver cómo se distribuyen todos los valores de cada factor. Por ejemplo, la figura de la izquierda muestra que había un poco más de partículas API medianas que pequeñas o grandes. A la derecha de esta figura está el histograma de Mill Time, para el cual existe una distribución de valores aproximadamente uniforme hasta aproximadamente las 30 horas. Podemos aprender mucho simplemente mirando estas cifras y considerando si estas distribuciones se alinean con nuestra comprensión de la forma en que se ejecutaron los lotes.
Como todos los objetos visuales creados en JMP, estos están vinculados dinámicamente a la tabla de datos. Usaremos esta propiedad para profundizar más en las imágenes y descubrir aún más sobre nuestro proceso.
- Haga clic en el rectángulo de histograma verde al lado de Rechazar en el informe de distribución Aceptar/Rechazar, que se muestra en la Figura 14.
- Observe que todas las filas de lotes rechazados en la tabla de datos ahora están seleccionadas.
- Los valores correspondientes de los factores también se hacen visibles en el informe de distribución como histogramas incrustados (verde oscuro), como se ve en la Figura 15.
Figure 15: Left-most three histograms of the Distribution report, which indicate embedded histograms for rejected batches.Figura 15: Tres histogramas situados más a la izquierda del informe de Distribución, que indican histogramas incrustados para lotes rechazados.
Los histogramas incrustados representan el subconjunto de datos que comprende las filas seleccionadas. Contrastarlos con los histogramas de los datos generales (verde claro en las figuras) puede indicar significancia cuando hay diferencias drásticas. Lo contrario también es cierto: los histogramas integrados y generales con la misma forma sugieren que el factor no tiene ningún efecto sobre la respuesta (en este caso, si un lote se acepta o rechaza). Observe que para Mill Time, la distribución general es uniforme, mientras que está sesgada hacia la derecha para los lotes rechazados. Si analizamos el tamaño de pantalla, el tamaño 5 parece estar sobrerrepresentado entre los rechazos, mientras que los tamaños 3 y 4 parecen estar subrepresentados. Esto es curioso y merece una inspección más detallada de cómo se relacionan exactamente estos factores con la Disolución.
Distributions es una poderosa herramienta que puede proporcionar pistas sobre dónde debemos buscar para encontrar respuestas con solo unos pocos clics. Siéntase libre de explorar más a fondo para ver si surge algo más que pueda justificar una inspección más detallada.
8) Exploración y visualización de datos, parte 3
Ahora que hemos descubierto dos factores que pueden estar afectando nuestro proceso, podemos profundizar aún más en ellos utilizando Graph Builder.
- En el menú Gráfico, elija Generador de gráficos.
- En la ventana Graph Builder, arrastre la columna Mill Time-hr y suéltela en el área rectangular marcada con una X (centro-abajo).
- Desplácese hacia abajo en las columnas hasta Disolución. Arrástralo y suéltalo en el área Y.
El resultado es un diagrama de dispersión de Disolución vs. Tiempo de molienda-hora con una línea azul que serpentea a través de los datos. Esta spline está destinada a ayudar a guiar a los espectadores hacia la forma de los datos. En lugar de usar esto, cambiemos el suavizado a una Línea de ajuste.
- Haga clic derecho en el medio del gráfico.
- Elija Más suave --> Cambiar a --> Línea de ajuste. (Nota: también podríamos haber hecho esto usando los cuadros justo encima del título del gráfico).
- Presione Listo.
Ahora hemos producido el gráfico como se ve a continuación en la Figura 16. Al observar la figura, definitivamente parece que existe una correlación positiva entre el tiempo de molienda y la disolución en nuestros lotes históricos. ¿Es esto estadísticamente significativo (que es otra forma de preguntar la probabilidad de que esto sea real y no sólo una casualidad)?
Figure 16: Dissolution vs Mill time-hr with a Line of Fit depicting a positive correlation between the variables.Figura 16: Disolución frente a tiempo de molienda por hora con una línea de ajuste que muestra una correlación positiva entre las variables.
Intentaremos responder esa pregunta en la siguiente sección. Mientras tanto, tal vez recuerdes que el tamaño de pantalla también surgió como un factor de interés al explorar los histogramas. Agreguemos el Tamaño de pantalla a este gráfico para ver si podemos aprender algo más sobre cómo puede influir en la Disolución”.
- En el triángulo rojo al lado de Graph Builder, elija Mostrar panel de control.
- Arrastre (¡pero no lo suelte!) Tamaño de pantalla a las áreas Grupo X, Grupo Y, Ajuste, Superposición y Color de la ventana Generador de gráficos. Al hacerlo, se proporcionará una vista previa de cómo se vería el gráfico si la columna se colocara en esa zona de colocación.
- Después de explorar las distintas zonas de colocación con Tamaño de pantalla, suelte la columna en la zona de colocación del Grupo X.
- Presione Listo.
La naturaleza de Graph Builder permite arrastrar columnas, produciendo varios otros gráficos, hasta que se topa con uno que descubre algo útil sobre nuestros datos. Al incluir el Tamaño de pantalla en el Grupo X, hemos creado tres diagramas de dispersión uno al lado del otro, cada uno con su propia Línea de ajuste (Figura 17). En la figura, podemos ver claramente que la correlación positiva entre la disolución y el tiempo de molienda-h estuvo influenciada por el tamaño utilizado; hubo un fuerte efecto cuando se utilizaron los tamaños 3 o 5, pero ningún efecto cuando se utilizó el tamaño 4. La sugerencia aquí es que existe un efecto de interacción entre estos dos factores y nuestra respuesta. Investigaremos esto más a fondo cuando lleguemos a la fase de modelado de nuestro análisis, pero por ahora, echemos un vistazo más de cerca a estas variables 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: Disolución versus tiempo de molienda por hora para los tres valores de Tamaño de pantalla, con líneas de ajuste que representan correlaciones positivas para los tamaños 3 y 5, pero ninguna correlación para el tamaño 4.
9) Análisis y modelado de datos básicos, parte 2
¿Es estadísticamente significativo el efecto del tiempo de molienda sobre la disolución? ¿Qué tan seguros podemos estar de que aumentar el Tiempo de Molino realmente conduce a un aumento en la Disolución? ¿Qué pasa con la disolución más baja que se midió para los lotes ejecutados con tamaño de pantalla 5? ¿Fue solo un accidente? Si seguimos usando el tamaño 5, ¿es probable que sigamos viendo lotes de menor calidad que si usáramos el tamaño 3 o 4? Este es el tipo de preguntas que responderemos en esta parte del análisis utilizando la plataforma Fit Y by X.
- Seleccione Ajustar Y por X en el menú Analizar (el segundo desde arriba, después de Distribución).
- En la ventana de diálogo, arrastre y suelte Disolución en el cuadro de la columna Y, Respuesta.
- A continuación, arrastre y suelte Mill Time-hr y Screen Size en el cuadro de la columna X, Factor.
- Presiona OK.
Lo primero que puede notar es que los dos gráficos resultantes, además de verse muy diferentes, también se llaman cosas diferentes: el gráfico de la izquierda se llama Ajuste bivariado de…, mientras que el de la derecha se llama Análisis unidireccional de…. Esto se debe a que se elaboraron utilizando tipos de datos diferentes, para los cuales ciertos análisis pueden aplicarse o no. En el caso de Mill Time-hr, datos continuos representados en el eje x y datos continuos de disolución representados en el eje y, puede tener sentido trazar una línea de regresión que se ajuste a los datos y describa cómo cambia la disolución como función de todos los valores de Mill Time. Luego podemos calcular la probabilidad de que esto sea real o simplemente aberraciones en los datos verificando si la pendiente de nuestra línea de ajuste es significativamente diferente de 0 (siendo cero la pendiente de una línea plana trazada en la media de nuestra respuesta). Por otro lado, una línea continua de ajuste entre los tamaños de pantalla 3 y 4 no tiene sentido si no hay tamaños entre 3 y 4. En este caso de estudio, el tamaño de pantalla es una variable discreta. Una pregunta razonable es: ¿existen diferencias reales en nuestra respuesta al comparar los valores obtenidos con un tamaño con los valores obtenidos con otro? Estamos interesados en análisis que investiguen estas comparaciones en lugar de calcular pendientes entre los tamaños.
Comencemos con el Ajuste Bivariado de la izquierda:
- En el triángulo rojo de la figura de Ajuste bivariado, elija Ajustar línea.
El gráfico y el informe resultantes se muestran a continuación en la Figura 18. Hay mucha información sobre la línea y qué tan bien se ajusta a los datos. No es necesario comprender todos los aspectos de este informe para responder a nuestras preguntas, del mismo modo que no es necesario leer todos los detalles de un informe meteorológico para saber si llevar paraguas. Si alguien está interesado, puede encontrar una descripción de todo esto en la documentación en línea de JMP. Por ahora, simplemente extraigamos lo que necesitamos para responder las preguntas que teníamos sobre nuestro proceso.
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: Ajuste bivariado de disolución frente a tiempo de Mill-hora, con un ajuste lineal y detalles adjuntos que indican que el efecto probablemente sea real.
Podemos ver que la línea en el diagrama de dispersión tiene pendiente hacia arriba, lo que indica que se lograron valores de disolución más altos usando tiempos de molienda más largos y valores más bajos usando tiempos más cortos. La ecuación de esta línea se puede encontrar justo debajo del Ajuste lineal, y la pendiente tiene un valor de aproximadamente 0,165 %/h. ¿Es esto significativo? La estimación de la pendiente se repite en la sección Estimaciones de parámetros del informe, junto con su valor p asociado (0,0004), lo que significa que hay una probabilidad de cuatro entre 10 000 de que una pendiente tan pronunciada se haya logrado simplemente por casualidad. Por supuesto, es posible que Mill Time no tenga un efecto real sobre la Disolución, pero es mucho más seguro apostar que el efecto sea real.
Pasemos ahora al menú del triángulo rojo al lado del gráfico de Análisis unidireccional a la derecha. Notarás inmediatamente que no hay ninguna opción para ajustar una línea. Como ya se ha dicho, no tiene sentido trazar una línea continua a través de datos discretos. Sin embargo, tenemos muchas opciones para comparar estos lotes. Utilicemos un enfoque muy común, la prueba t.
- En el menú del triángulo rojo del Análisis unidireccional, seleccione Comparar medias -> Cada par, t de Student.
Eso es todo, prueba t realizada. Por supuesto, ahora nos corresponde a nosotros interpretar este informe (Figura 19). Una vez más, hay muchos detalles aquí, pero sólo necesitamos muy pocos para determinar si estos tamaños de pantalla son equivalentes.
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: Análisis unidireccional de disolución versus tamaño de pantalla, con una comparación de medias realizada mediante la prueba t de Student. Los resultados sugieren un efecto negativo significativo del uso del tamaño de pantalla 5.
Al observar el Informe de letras conectadas, se afirma que los niveles que no están conectados por la misma letra son significativamente diferentes. Los niveles que corresponden a los tamaños de pantalla 3 y 4 tienen la letra A al lado, mientras que la letra B se muestra al lado del tamaño 5. Por lo tanto, la implicación es que los tamaños 3 y 4 son equivalentes entre sí, pero no al tamaño 5. Las probabilidades asociadas de que esto no haya ocurrido por casualidad se expresan en los valores p del Informe de diferencias ordenadas. Es bastante seguro concluir que las diferencias entre los tamaños 3 y 5 y los tamaños 4 y 5 son reales (valores de p <0,0001 y 0,0017, respectivamente). Por el contrario, es menos probable que la comparación entre las tallas 3 y 4 sea real (5,79% que ocurrió por casualidad, lo que puede parecer pequeño pero está por encima de la carga de la prueba generalmente aceptada del 5%).
Si no estamos convencidos, podemos seguir adelante e intentar recopilar más datos para estar seguros. Alternativamente, si dejamos de usar inmediatamente el tamaño de pantalla 5 y aumentamos el tiempo de molienda hasta 30 horas, deberíamos comenzar a ver una mejora en los valores de disolución. También continuaremos con el flujo de trabajo analítico hacia el modelado estadístico avanzado, en primer lugar para identificar factores que probablemente sean significativos y que es posible que hayamos pasado por alto durante nuestra EDA. También queremos construir un modelo estadístico utilizando todos estos factores para descubrir cualquier interacción subyacente entre ellos e, idealmente, encontrar un punto óptimo en nuestro proceso donde podamos producir de manera confiable y consistente lotes de la más alta calidad posible y al mismo tiempo reducir la ocurrencia de rechazos. un mínimo.
10) Modelado estadístico avanzado
Comencemos con la primera pregunta: ¿hay algún factor que hayamos pasado por alto y que deberíamos analizar más de cerca además del tiempo de procesamiento y el tamaño de pantalla?
- En el menú Analizar, elija Modelado predictivo --> Partición.
- Seleccione Disolución de la lista de columnas en la ventana de diálogo Partición y presione Y, Respuesta.
- Seleccione todas las columnas desde API-Tamaño de partícula hasta Atom. Presión-Pa y presione X, Factor.
- Seleccione Aceptar.
- En la nueva ventana del informe Partición para disolución que apareció, seleccione Dividir.
Una vez más, hay mucha información en este informe, pero no la necesitamos toda para reconocer que el tamaño de pantalla surgió como la variable más importante. No es una gran sorpresa, ya que ya lo habíamos notado durante la EDA. Observe que el informe ahora contiene dos cuadros que dicen Tamaño de pantalla (3, 4) y Tamaño de pantalla (5). El algoritmo de partición identificó un punto de corte dentro de este importante factor que divide los datos para capturar la mayor cantidad posible de variación en nuestro proceso. Aparentemente, llegamos a la misma conclusión que cuando exploramos este factor usando Ajustar Y por X.
Avancemos:
- Seleccione Dividir nuevamente.
Mill Time-hr se ha convertido en nuestro segundo factor más importante en nuestro proceso. Una vez más, no es una gran sorpresa. Pero hemos descubierto otro punto límite (11 horas). Además, es posible que haya notado que los cuadros Mill Time-hr están ubicados en el cuadro Tamaño de pantalla (5). Esto significa que el punto de corte solo se aplica cuando se usa el tamaño 5 y, por lo tanto, nos da un límite de especificaciones si alguna vez nos vemos obligados a usarlo. El tamaño 5 no es el ideal, pero si debemos usarlo, al menos debemos asegurarnos de moler durante 11 horas o más. Eso nos dará la mejor oportunidad de hacer lotes medio decentes.
- Seleccione Dividir nuevamente.
¡Ja! Blend Time-hr no era algo que notáramos antes.
- Seleccione Dividir una y otra vez, hasta que ya no se agreguen hojas a nuestro árbol de decisión. (Deberías poder hacer 11 divisiones más).
Bueno, ahora se han agregado una serie de factores al árbol. De hecho, se han agregado algunos factores varias veces. Cada hoja de este árbol es una receta, con factores en las hojas superiores (hojas parentales, más cercanas al tronco) establecidos arriba o abajo, según corresponda, y todos los demás factores establecidos en su media (o asignados aleatoriamente en el caso de la categoría categórica). variables). El valor medio previsto de disolución producida con esta receta se da dentro de la hoja. Una cosa que podríamos hacer es revisar todas las hojas para encontrar la mejor receta, es decir, la receta con la media prevista más alta. Tómate un minuto para ver si puedes encontrarlo... Sugerencia: está cerca del centro inferior del árbol: Tamaño de pantalla (3 o 4), Tiempo de mezcla (≥15,9 horas), Proveedor de lactosa (Bond Inc.) y Viscosidad del recubrimiento (≥99,3 cp), con todos los demás factores establecidos en sus valores medios. Como puede ver, se prevé que produzca lotes con una disolución media de aproximadamente 79.
Podríamos intentar ejecutar esa receta y monitorear los lotes resultantes para ver si nuestro modelo es preciso y si los valores de disolución de los lotes resultantes están cerca de nuestro valor previsto de 79. Está perfectamente bien detenernos aquí para comprobar si esto funciona, si producir lotes de esta calidad resuelve nuestro problema. En ese caso, podemos pasar a cualquier problema que deba resolverse a continuación. Sin embargo, en este escenario, esto no es suficiente. Necesitaremos encontrar una manera de llegar más alto, lo que significa extraer aún más información de estos datos para intentar exprimir nuestra solución.
- En el menú del triángulo rojo de Partición para disolución, elija Contribuciones de columna.
Esta acción agrega el informe Contribuciones de columnas, que se muestra en la Figura 20, a nuestra ventana Partición. Comenzando desde arriba, el informe nos dice, en orden descendente, la importancia de cada uno de nuestros factores. Parece que el tamaño de la pantalla es el factor más importante, seguido del tiempo de molienda, el tiempo de licuado, la velocidad de licuado, etc. Leyendo más abajo, eventualmente llegamos a factores (comenzando con API-Tamaño de partícula y más abajo) que no aparecen en ninguna de las hojas y, por lo tanto, no parecen tener ningún efecto en la Disolución.
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: Contribuciones de columnas del informe Partición para disolución, que muestra la importancia de los factores en orden descendente. Se considera que la tasa de pulverización es el último factor importante; todo lo que figura a continuación se considera que no tiene efecto alguno sobre la Disolución.
Por lo tanto, podemos centrar nuestros esfuerzos en aumentar la Disolución en los ocho factores que son significativos, y podemos ignorar en gran medida los nueve factores restantes que no lo son.
- En el informe Contribuciones de columnas, seleccione los ocho factores importantes (tamaño de pantalla a tasa de pulverización). Observe que estas columnas ahora están seleccionadas en la tabla.
- En el menú Analizar, elija Ajustar modelo. La ventana de diálogo Ajustar modelo ahora aparece con las columnas ya seleccionadas (Figura 21).
Figure 21: Fit Model dialog window, with columns of significant factors selected.Figura 21: Ventana de diálogo Ajustar modelo, con columnas de factores significativos seleccionados.
- Presione el botón Macros en la ventana de diálogo Ajustar modelo y seleccione Superficie de respuesta.
- Finalmente, seleccione la columna Disolución y presione Y (botón en la parte superior central de la ventana de diálogo).
- Presione Ejecutar.
Nota: Un modelo de superficie de respuesta incluye todos los efectos principales (en este caso, nuestros ocho factores significativos), todas las interacciones bidireccionales y todos los términos al cuadrado. Se ha demostrado muchas veces que este tipo de modelo es un excelente punto de partida para abordar problemas de optimización, intentando encontrar el punto óptimo entre las configuraciones de nuestro proceso. Salvo algunas mejoras del modelo, que discutiremos a continuación, generalmente también es un punto final bastante bueno, lo que significa que captura suficiente información sobre nuestro proceso para resolver cualquier problema que intentábamos resolver.
Aparece una ventana de informe de Disolución de respuesta. Una vez más, hay mucha información, toda explicada en detalle en la documentación en línea de JMP, pero la mayor parte no es conocimiento necesario para resolver nuestro problema.
Podemos comenzar a examinar este informe desde arriba y avanzar hacia abajo, saltándonos cosas que no sean de particular interés. Lo primero que encontramos es el gráfico real por predicción, replicado a continuación en la Figura 22. Lo importante aquí es que todos los puntos caen en su mayoría a lo largo de la línea recta de color rojo oscuro. Nunca caerán todos exactamente en la línea; Siempre habrá alguna variación en nuestro proceso que no sea capturada por el modelo. La pregunta entonces es cuánta variación es capturado por el modelo? El valor RSq justo debajo del gráfico proporciona esa información: 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: Gráfico real por predicción para un modelo de superficie de respuesta completa con ocho efectos principales, que captura el 88 % de la variación en la disolución (RSq = 0,88).
Debajo del gráfico Real por Predicho se encuentra el Resumen de Efectos (Figura 23), que enumera todos los efectos que incluimos en nuestro modelo en orden de importancia decreciente. Por supuesto, todo esto se basa en los datos históricos contenidos en la tabla. La columna de la derecha, denominada ValorP, proporciona las probabilidades de que veríamos una mayor influencia en la Disolución de los efectos respectivos si recopiláramos más datos, asumiendo que el efecto no tiene influencia alguna. Parece que hay una probabilidad del 0%, redondeada a cinco decimales, de que ejecuciones adicionales muestren que el tamaño de pantalla parece tener un efecto mayor si no lo tuviera. Es prácticamente una certeza matemática que el tamaño de la influencia que estamos viendo no se debe al azar. Por lo tanto, podemos concluir que el tamaño de pantalla realmente afecta los valores de disolución.
Figure 23: Effects Summary for a full response surface model with eight main effects.Figura 23: Resumen de efectos para un modelo de superficie de respuesta completo con ocho efectos principales.
En el otro extremo está el efecto de interacción entre el proveedor de lactosa y la velocidad de mezcla, el factor que se encuentra al final de la lista. Con un valor p de aproximadamente 0,959, que está muy por encima del límite aceptado de 0,05, podemos concluir con seguridad que este efecto no tiene ninguna influencia en la disolución. Sigamos adelante y eliminémoslo del modelo.
- Haga clic en "Proveedores de lactosa*Velocidad de mezcla-rpm" en la tabla Resumen de efectos y presione la parte inferior Eliminar justo debajo.
¿Notaste que todos los valores p y todo lo demás en el informe cambiaron ligeramente? Como muchos de los informes en JMP, los cambios hacen que todos los valores se vuelvan a calcular inmediatamente, lo que nos permite refinar el modelo eliminando todos los efectos no significativos sin tener que reiniciar el análisis.
- Uno por uno, elimine el efecto menos significativo (el último en la parte inferior del informe Resumen de efectos) hasta que todos los efectos restantes tengan valores de p superiores a 0,05, como en la Figura 24.
Figure 24: Effect Summary for a refined RSM model containing only effects with a p-value greater than 0.05.Figura 24: Resumen de efectos para un modelo RSM refinado que contiene solo efectos con un valor p superior a 0,05.
Nota: No elimine los efectos que tienen un símbolo ^ a la derecha de su valor p. El símbolo pretende hacerle consciente de que el efecto está contenido dentro de otros efectos más significativos. Como regla general, los dejamos en el modelo y solo los eliminamos si y después de que se hayan eliminado primero todos los efectos que los contienen.
El valor RSq por debajo del gráfico real según lo previsto disminuyó a 0,83, lo que significa que este modelo nuevo y refinado captura menos variación en nuestra respuesta. Está bien. El RSq original de 0,88 era engañosamente alto debido a la inclusión de términos no significativos que se ajustan al ruido aleatorio y no a nuestro proceso real. Eliminar factores de valor p alto de un modelo conduce naturalmente a un RSq más bajo, pero es más probable que resulte en predicciones más precisas para lotes futuros.
Entonces, ¿es bueno poder explicar el 83% de la variación en nuestro proceso o es completamente inadecuado? Recordemos el objetivo de todo este ejercicio: estamos tratando de resolver el problema de cómo producir de manera confiable lotes con disoluciones superiores a 70 para reducir la tasa de desperdicio del 15 % a menos del 5 %. Una vez que hayamos entendido lo suficiente como para descubrir cómo hacerlo, habremos terminado y podremos pasar al siguiente problema. Si este modelo nos permite hacer eso, entonces es suficientemente bueno . Podemos averiguarlo desplazándonos hacia abajo hasta el final del informe Ajustar mínimos cuadrados al Generador de perfiles de predicción, que se replica a continuación en la Figura 25.
Figure 25: Prediction Profiler for our refined RSM model.Figura 25: Generador de perfiles de predicción para nuestro modelo RSM refinado.
Prediction Profiler es una representación gráfica del modelo y se puede utilizar para ver el resultado previsto de una combinación de configuraciones. Por ejemplo, en la Figura 25, se predice que la media de lotes producidos usando esas configuraciones (tiempo de molienda de 17,011 horas, tamaño de pantalla 3, etc.) será del 77,49 %. También podemos ver en los perfiles que aumentar el tiempo de molienda, el tiempo de mezcla y la viscosidad del recubrimiento, mientras se disminuye la tasa de pulverización, dará lugar, según el modelo, a lotes con disoluciones aún mayores.
- Haga clic en las líneas discontinuas rojas verticales dentro de los perfiles y arrástrelas hacia la derecha o hacia la izquierda.
- Continúe moviendo manualmente las líneas para encontrar la configuración que el modelo predice que logrará la disolución más alta.
Además de intentar encontrar la configuración más óptima manualmente, podemos utilizar la función Maximizar la deseabilidad del Prediction Profiler:
- Haga clic en el menú del triángulo rojo para Prediction Profiler.
- Seleccione Optimización y deseabilidad --> Maximizar deseabilidad.
- Regrese al menú del triángulo rojo y seleccione Optimización y deseabilidad --> Maximizar deseabilidad.
Después de maximizar la conveniencia, se ve la configuración óptima resultante (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: Generador de perfiles de predicción con funciones de deseabilidad activadas, con factores en la configuración óptima que dan como resultado el valor más alto de disolución, 86,5 % (eje y ajustado desde el valor predeterminado).
El valor previsto es superior a nuestro objetivo del 70%. Por supuesto, la verdadera prueba llegará cuando probemos estos ajustes en nuestra fábrica.
11) Modelado predictivo y aprendizaje automático (JMP Pro)
En JMP Pro, la implementación de modelos en producción se simplifica con Formula Depot. A partir de ahí, podemos generar fácilmente código de puntuación para implementar nuestro modelo en producción.
- En el menú del triángulo rojo junto a Disolución de respuesta en la parte superior del informe Ajustar mínimos cuadrados, elija Guardar columnas --> Publicar fórmula de predicción.
- En el informe Formula Depot, haga clic en el menú del triángulo rojo Ajustar mínimos cuadrados – Disolución y seleccione Generar… (consulte la Figura 27).
Nota: Formula Depot se puede utilizar para generar 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: Depósito de fórmulas con el modelo de ajuste de mínimos cuadrados para disolución (izquierda), con código Python generado automáticamente (derecha).
12) Automatización y secuencias de comandos
Ahora es el momento de guardar el script para importar la tabla a JMP y obtenerla en el formato correcto. Esto hará que sea mucho más fácil repetirlo cuando haya nuevos datos disponibles. No nos preocuparemos de guardar las instrucciones de todos los análisis que hicimos en este momento, ya que no es probable que tengamos que rehacerlo exactamente como se hizo antes. Con el tiempo, querremos monitorear el efecto de implementar la nueva receta en lotes futuros, así como asegurarnos de que todo permanezca estable y que el proceso no se desvíe. Por ahora, simplemente capturemos las operaciones de la tabla de datos del Grabador de acciones dentro del registro.
- Desde la ventana Registro, haga clic en el menú del triángulo rojo en la esquina superior izquierda y seleccione Grabadora de acciones.
- Seleccione Lanzamiento de plataforma para anular la selección de esta opción.
- Repita también para anular la selección de Informar instantánea al cerrar, de modo que solo aparezcan seleccionadas Operaciones de tabla de datos, como en la Figura 28.
Figure 28: Log window, showing the Action Recording options within the red triangle menu, with only Data Table Operations selected.Figura 28: Ventana de registro, que muestra las opciones de Grabación de acciones dentro del menú del triángulo rojo, con solo Operaciones de tabla de datos seleccionadas.
- Haga clic nuevamente en el menú del triángulo rojo en la ventana de Registro. Seleccione Guardar script --> En ventana de script.
- Desde la ventana del script, seleccione Archivo --> Guardar como. Asigne al script el nombre Importación de datos de tableta y guárdelo en un lugar conveniente de su escritorio.
Ahora que hemos guardado el script, puede cerrar la tabla de datos JMP, incluidos todos los informes abiertos. Nos queda nuestra tabla de Excel original, así como todas las instrucciones necesarias para importarla a JMP y prepararla para el análisis. También hemos enviado las instrucciones para que nuestra fábrica comience a producir productos utilizando la nueva receta. Borremos el registro y luego tomemos un descanso mientras esperamos que haya nuevos datos disponibles.
- En el menú del triángulo rojo en la ventana Registro, seleccione Borrar registro.
13) Calidad e ingeniería de procesos
Imagine que ha pasado algún tiempo y se han completado varias ejecuciones utilizando nuestra nueva y mejorada receta de proceso. Estas nuevas ejecuciones se han agregado como nuevas filas en el trabajo de Excel; Es posible que esto se haya hecho automáticamente o que las filas se hayan agregado manualmente y luego el archivo se haya vuelto a guardar. El nuevo proceso se denomina B para diferenciarlo del proceso antiguo, conocido como A.
- Guarde el archivo Tablet Data actualizado.xlsx en la misma ubicación que el archivo Tablet Data.xlsx utilizado anteriormente.
- Eliminar datos de tableta.xlsx.
- Cambie el nombre del nuevo archivo Tablet Data.xlsx.
- Abra el archivo de script Tablet Data Import.jsl guardado en Sección 12 y presione el botón Ejecutar (Figura 29).
Figure 29: Script window with the Run button near the top of the window circled in blue.Figura 29: Ventana de secuencia de comandos con el botón Ejecutar cerca de la parte superior de la ventana con un círculo azul.
Tenga en cuenta que los cambios de formato que realizamos en nuestra tabla JMP original se han automatizado en la importación de esta tabla, incluida la recodificación de las columnas API-Particle Size y MgSt-Supplier, cambiando el tipo de modelado de Screen Size a ordinal, usando una coma como símbolo decimal. y convertir las columnas afectadas a numéricas y agregar la columna Aceptar/Rechazar al final. Observe también que se han agregado 25 ejecuciones a la tabla, correspondientes a nuestras nuevas ejecuciones, así como una columna que indica la receta para cada lote. Al inspeccionar brevemente la tabla, parece que el script de importación y formato acomodó exitosamente estas adiciones. Esta es una buena noticia porque, a medida que haya nuevos datos disponibles, aún podremos confiar en este script.
Al desplazarse hasta la parte inferior de la tabla, las nuevas ejecuciones se han indicado en la columna Receta como B.Desde la columna Aceptar/Rechazar (última, en el extremo derecho), podemos ver que todos los lotes nuevos se han clasificado como Aceptados. Esto, por supuesto, también es una excelente noticia. Es posible que haya notado que los puntos de ajuste de la receta no coinciden con lo que aparece en la tabla. Por ejemplo, el modelo determinó que el ajuste óptimo de Mill Time era 25,7 horas, pero los valores de la tabla varían algo de este ajuste. Esto se debe a que la tabla contiene los valores reales medidos durante cada lote, que no siempre corresponden exactamente al punto de ajuste. Ajustar estos valores a través de un mejor control de las variables del proceso puede ser una futura vía de mejora para nuestro proceso.
Mientras tanto, podemos usar un Gráfico de control para ver cómo ha cambiado nuestro proceso después de implementar la nueva receta. También podemos usarlo para rastrear y monitorear el proceso y alertarnos sobre cualquier deriva gradual o cambios repentinos que requieran intervención.
- En el menú Analizar, elija Calidad y proceso --> Generador de gráficos de control.
- En la ventana Generador de gráficos de control, desplácese hacia abajo hasta la columna Disolución en el panel de columnas. Haga clic en Disolución y arrástrelo a la zona de colocación Y.
- Arrastre la columna Receta a la zona de colocación de Fase en la parte superior del gráfico de control.
- Seleccione Listo.
Ahora tenemos dos gráficos de rango individual y móvil uno al lado del otro, con el gráfico de la Receta A a la izquierda del de la Receta B, como se ve en la Figura 30. Lo primero que notamos es que los puntos de la Receta B son más altos, correspondientes a sus valores de disolución más altos. Las líneas verdes continuas que atraviesan el centro de los gráficos designan las medias de cada proceso, mientras que las líneas rojas continuas por encima y por debajo de la media son los límites de control superior e inferior, respectivamente. Sus valores calculados se proporcionan en los Resúmenes de límites de disolución, justo a la derecha del gráfico de control.
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: Gráfico de rango individual y móvil para ambas recetas, A (izquierda) y B (derecha), con resúmenes de límites que proporcionan las medias calculadas (Promedio) y los límites de control inferior/superior (LCL/UCL).
Hay más variación en los lotes elaborados con la Receta B, la nueva, que con la antigua, la Receta A. Podemos decir esto porque los puntos en sí se distribuyen en un rango más amplio de valores de Disolución. También observamos que las líneas rojas están más separadas, lo que indica una desviación estándar mayor. Sin embargo, como señalamos, al observar la columna Aceptar/Rechazar, todos los lotes de la Receta B son aceptables, que es nuestro objetivo principal. Una media de 86,76% es bastante superior a 72,86%, la media de nuestra receta original; El 86,76% también está notablemente cerca del valor del 86,5% predicho por nuestro modelo.
A pesar de la gran desviación estándar que conduce a límites de control amplios, a primera vista parece que nuestro proceso es estable. Dicho esto, es posible que la Receta B tenga una tendencia ascendente. Una opción, disponible en el menú Calidad y Proceso, podría ser vigilarlo mediante un gráfico CUSUM para determinar lo antes posible si se trata de una tendencia real.
Una prueba simple de estabilidad, y una indicación de que algo puede haber cambiado, sería que uno de los puntos sobrepase las líneas rojas. También existen otras pruebas que se pueden activar para que sirvan como alertas para el seguimiento del proceso.
- Haga clic derecho en el medio del gráfico Rango individual y móvil.
- Seleccione Advertencias --> Pruebas --> Todas las pruebas.
Aparece una advertencia en A (pase el cursor sobre la advertencia para ver los detalles), mientras que no aparece ninguna en B.Sin embargo, podemos (y absolutamente debemos) actualizar el gráfico de control para monitorear los cambios a medida que haya nuevos datos disponibles y hacerlo regularmente mientras el producto se esté produciendo en nuestra fábrica.
- En el menú del triángulo rojo al lado de Control Chart Builder, seleccione Guardar secuencia de comandos --> Al portapapeles.
- Vaya al script de importación de datos de tableta y péguelo (haga clic derecho --> Pegar o Ctrl-v) después de la última línea del script.
- Guarde el script actualizado Archivo --> Guardar.
Ahora podemos cerrar el gráfico y la tabla de control sin guardar. Al ejecutar el script se volverá a importar la tabla y se creará el gráfico de control. Como el trabajo necesario para actualizar el análisis ahora se ha reducido a solo presionar un botón, es poco esfuerzo repetirlo regularmente y con tanta frecuencia como sea necesario. Incluso se puede automatizar mediante el uso del Programador de tareas en Windows o iCal en Mac (o cualquiera de las otras innumerables herramientas gratuitas para la programación automatizada). Pero, ¿qué pasa si nuestros colegas responsables de monitorear el proceso no son expertos en JMP? ¿Cómo podemos mantenerlos actualizados e informados en tiempo real?
14) Compartir y comunicar resultados
JMP Live es una herramienta para que científicos e ingenieros accedan a informes JMP a través de una conexión web segura sin necesidad de utilizar JMP. Incluso es posible habilitar el envío de correos electrónicos de advertencia en caso de que se active una alarma de proceso dentro de un gráfico de control. Todo el procedimiento de importación de datos, reproducción del análisis, publicación del informe en JMP Live (un gráfico de control, en nuestro caso) y envío de advertencias por correo electrónico en caso de un proceso fuera de control se puede automatizar fácilmente para actualizaciones periódicas. .
JMP Live, que permite cargar informes confidenciales o sensibles en un servidor seguro y compartirlos en círculos cerrados, es un producto independiente dentro de la familia JMP. JMP Public es una versión pública de JMP Live. Cualquier persona con un navegador web puede ver los informes (disponibles en public.jmp.com), mientras que cualquier persona con JMP 15 o superior puede publicar libremente en JMP Public.
Comencemos publicando nuestro informe en JMP Live:
Nota: Si no tiene acceso a JMP Live, puede publicar en JMP Public. Alternativamente, puedes simplemente leer los pasos e intentar seguirlos más tarde. Si es la primera vez que publica en JMP Live o JMP Public, comience estableciendo una conexión (Archivo --> Publicar --> Administrar conexiones…). Los detalles se pueden encontrar en esta publicación de blog , así como instrucciones sobre la publicación automática.
- En la ventana del informe del Generador de gráficos de control, seleccione Archivo --> Publicar --> Publicar en JMP Live...
- Seleccione el informe a publicar y presione Siguiente.
- Asegúrese de que la casilla de verificación Habilitar advertencias esté marcada, lo que indica que se enviarán correos electrónicos en caso de que se active una advertencia del gráfico de control (consulte la Figura 31).
- Seleccione el grupo (lista de correos electrónicos previamente guardada) al que se le permitirá acceder al informe.
- Presione Publicar.
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: Ventana de configuración de nueva publicación de JMP Live, con la casilla Habilitar advertencias marcada, para correos electrónicos de advertencia del gráfico de control. Hacia la parte inferior, podemos ver que el acceso al informe estará limitado al grupo de Ingeniería.
Al completar estos pasos, se muestra un mensaje que indica que el informe se publicó correctamente.
Nota: Para los fines de este blog, se ha publicado una réplica del informe en Público JMP .
Ahora que el informe se ha publicado una vez, es sencillo actualizarlo en línea a medida que haya nuevos datos disponibles. Como se mencionó anteriormente, se pueden encontrar detalles y consejos útiles. aquí . En resumen, se necesitan tres datos:
- El nombre del informe en JMP.
- El nombre de la conexión JMP Live.
- El identificador de informe de nuestro informe publicado en JMP Live.
El nombre del informe (en nuestro caso, informe del Generador de gráficos de control) es el nombre que se utilizó para hacer referencia al objeto en JSL. De nuevo en Sección 13 cuando copiamos el script y lo pegamos en nuestra ventana JSL, no le pusimos ningún nombre. Regresemos y hagamos eso ahora.
- Justo antes de la función Generador de gráficos de control que se utilizó para crear el gráfico de control en la ventana del script JSL, coloque un signo igual y asígnele un nombre único (consulte la Figura 32).
Figure 32: JSL script window with the Control Chart Builder, now referenced by the name ccb.Figura 32: Ventana de script JSL con Control Chart Builder, ahora referenciada con el nombre ccb.
A continuación, el nombre de la conexión a JMP Live se puede encontrar usando la función Administrar conexiones… del menú Archivo --> Publicar. Se indica la primera vez que se establece una conexión a JMP Live, como se detalla en la Trucos de administración de JMP Live: automatización de la publicación entrada en el blog.
Finalmente, el identificador del informe es el código que aparece después de la última barra diagonal (/) en la dirección web del informe publicado. Por ejemplo, en el informe visto en JMP Public, corresponde al código rodeado en azul en la Figura 33.
Figure 33: JMP Public report with the report identifier code circled in blue.Figura 33: Informe público de JMP con el código de identificación del informe encerrado en un círculo azul.
Con esa información, todo lo que queda por hacer es agregar las siguientes cuatro líneas de código a su script:
liveconnection = Nuevo JMP Live( Conexión( *Nombre de conexión JMP Live* ) );
webreport = Nuevo informe web();
webreport<
jmpliveresult=liveconnection<
Las líneas se pueden copiar en su secuencia de comandos exactamente como aparecen arriba, con los nombres de los marcadores de posición delimitados por asteriscos (*) reemplazados por sus nombres reales.
Observaciones finales
En este punto, el proceso funciona dentro de las especificaciones y se ha configurado un monitoreo automatizado con alertas por correo electrónico. Finalmente estamos listos para pasar al siguiente problema, con todos sus desafíos no resueltos y preguntas sin respuesta que ofrecen nuevas oportunidades para mejorar el rendimiento, acelerar el desarrollo, reducir costos o aumentar la eficiencia, tal vez todo a la vez. Los caminos hacia esto requerirán que tomemos nuevas rutas a través del flujo de trabajo analítico de JMP, descubriendo nuevos conocimientos a lo largo del camino.
Pero, ¿qué pasa con el problema que acabamos de resolver? ¿Podemos aumentar aún más el rendimiento? ¿Hay alguna manera de impulsar la disolución aún más? ¿Qué pasa si una máquina se estropea o un proveedor cambia? ¿Cómo afectará eso a nuestro proceso? ¿Cómo debemos responder cuando se activan las alertas por correo electrónico del gráfico de control que configuramos a través de JMP Live?
El valor real proviene de ver el flujo de trabajo analítico de JMP como una guía a lo largo de un ciclo continuo de mejora, en lugar de un viaje unidireccional que comienza con un problema y termina con una solución. Cada ronda del ciclo mejora incrementalmente el desempeño, lo que conduce a mejores productos o procesos, fortaleciendo nuestro negocio.
Para obtener más información sobre cómo el flujo de trabajo analítico de JMP puede ayudarle a afrontar sus desafíos, visite nuestra página web.
