Bonjour:
Je me demandais simplement s'il existe un moyen d'incorporer la simulation de Monte-Carlo dans les paramètres de régression.
Je suppose qu'une fois que j'ai l'équation de régression, je peux exécuter une simulation de Monte-Carlo en spécifiant une distribution pour chaque paramètre et obtenir la distribution du paramètre de sortie.
Q1) Mais lors de la création de cette équation de régression, trois points de données (un à chaque LSL et USL de la zone de tolérance et un au milieu) pour chaque paramètre suffiront-ils ?
Je suppose que j'aurai besoin de deux séries de DOE, une pour trouver les facteurs importants. et qu'un autre essai sur des facteurs significatifs variant dans la zone de tolérance.
Mon objectif ultime est de faire varier la limite de tolérance de chaque paramètre du système créé par l'équation de régression et d'obtenir les taux d'échec dans la limite acceptable.
Q2) Combien de répétitions dois-je faire ?
Veuillez accepter mes excuses si la question semble stupide et veuillez expliquer où ma compréhension est erronée.
Cordialement,
VarunK
Sur la base de ce que vous essayez d'accomplir, ce qui me semble être la recherche d'une distribution pour une variable de réponse basée sur une valeur x variable, la simulation de Monte Carlo sur les estimations de paramètres n'est pas la meilleure voie à suivre. Il me semble que vous devriez utiliser le Prediction Profiler pour simuler la distribution des réponses. Ou peut-être que je manque simplement votre objectif ?
Merci P_Bartell pour votre réponse :
Ci-dessous, j'ai essayé d'être plus précis.
Supposons que j'ai obtenu A et B comme facteurs significatifs pour obtenir C comme variable de réponse.
A peut être de 9 à 11, avec une valeur nominale de 10
B peut avoir entre 19 et 21 ans, avec une valeur nominale de 20
Je vais donc lancer un DOE supplémentaire avec A ayant trois niveaux 8,10 et 12 (intentionnellement gardé 1 supplémentaire des deux côtés)
B aura également trois niveaux 18, 20 et 22 (encore une fois intentionnellement augmenté à 1 des deux côtés)
Maintenant, je peux obtenir une équation de régression plus précise pour A et B modélisant le résultat C.
Maintenant, si mon taux de rebut est, disons, de 3 %, je ferai varier la moyenne et la zone de tolérance de A et B de telle sorte que les valeurs de sortie pour C se situent dans le taux de rebut de 3 %.
De cette façon, je peux avoir la tolérance maximale sur la pièce coûteuse (disons usinage) A tandis que B peut être réduit à une limite possible.
C'est pour le moment où nous sommes encore dans la phase de prototype du composant et que nous ne disposons pas de beaucoup de données de production.
Cela nous donnera une bonne idée, car effectuer des modifications plus tard coûte très cher.
La corrélation entre prototype et production sera un autre défi, mais au moins elle nous donnera des données sur les changements possibles pour le prochain projet.
Avons-nous une autre meilleure façon de décider des tolérances ?
Cela semble toujours être une tâche bien adaptée aux capacités de simulation du Prediction Profiler.
Salut @VarunK ,
Comme @P_Bartell , l' outil de simulation intégré au profileur de prédiction est votre meilleur pari - si vous connaissez la variabilité attendue des paramètres de votre processus (A et B dans votre exemple), vous pouvez simuler pour trouver le taux de défauts. Si vous souhaitez découvrir comment définir les limites supérieure et inférieure de ces paramètres, Design Space Profiler fonctionnera bien.
Merci,
Ben
