Ciao:
Mi stavo solo chiedendo se esiste un modo per incorporare la simulazione Monte-Carlo nei parametri di regressione.
Immagino che una volta ottenuta l'equazione di regressione potrò eseguire una simulazione Monte-Carlo specificando una distribuzione per ciascun parametro e ottenere la distribuzione del parametro di output.
D1) Ma durante la creazione dell'equazione di regressione saranno sufficienti tre punti dati (uno per ciascun LSL e USL della zona di tolleranza e uno al centro) per ciascun parametro?
Immagino che avrò bisogno di due esecuzioni di DOE, una per trovare i fattori significativi. e di un'altra corsa su fattori significativi che variano nella zona di tolleranza.
Il mio obiettivo finale è variare il limite di tolleranza di ciascun parametro nel sistema creato dall'equazione di regressione e mantenere i tassi di fallimento entro il limite accettabile.
Q2) Quante repliche dovrei fare?
Per favore accetta le mie scuse, se la domanda sembra stupida e per favore spiega dove la mia comprensione è difettosa.
Distinti saluti,
VarunK
In base a ciò che stai cercando di realizzare, che mi sembra come trovare una distribuzione per una variabile di risposta basata su un valore x variabile, la simulazione Monte Carlo sulle stime dei parametri non è il modo migliore per procedere. Sicuramente mi sembra che dovresti utilizzare Prediction Profiler per simulare la distribuzione della risposta. O forse semplicemente mi manca il tuo obiettivo?
Grazie P_Bartell per la tua risposta:
Di seguito ho cercato di essere più specifico.
Supponiamo che io abbia A e B come fattori significativi per ottenere C come variabile di risposta.
A può essere compreso tra 9 e 11, con valore nominale pari a 10
B può essere 19-21, con nominale 20
Quindi eseguirò un altro DOE con A avente tre livelli 8,10 e 12 (l'ho mantenuto intenzionalmente 1 aggiuntivo su entrambi i lati)
B avrà anche tre livelli 18,20 e 22 (di nuovo intenzionalmente aumentato sarà 1 su entrambi i lati)
Ora, potrei ottenere un'equazione di regressione più precisa per A e B modellando il risultato C.
Ora, se il mio tasso di scarto è, ad esempio, del 3%, varierò la zona media e di tolleranza di A e B in modo tale che i valori di output per C rientrino nel tasso di scarto del 3%.
In questo modo posso avere la massima tolleranza sulla parte costosa (diciamo lavorazione) A mentre B può essere ridotta al limite possibile.
Questo avviene quando siamo ancora nella fase di prototipo del componente e non abbiamo con noi molti dati di produzione.
Questo ci darà un buon terreno di gioco, apportare modifiche in seguito è molto costoso.
La correlazione tra prototipo e produzione sarà un'altra sfida, ma almeno ci fornirà alcuni dati sui possibili cambiamenti per il prossimo progetto.
Esiste un altro modo migliore per decidere le tolleranze?
Sembra comunque un'attività adatta alle funzionalità di simulazione all'interno del Prediction Profiler.
Ciao @VarunK ,
Come @P_Bartell , lo strumento di simulazione integrato nel profiler di previsione è la soluzione migliore: se conosci la variabilità prevista delle impostazioni del processo (A e B nel tuo esempio) puoi simulare per trovare il tasso di difetti. Se desideri esplorare come impostare i limiti superiore e inferiore per queste impostazioni, Design Space Profiler funzionerà bene.
Grazie,
Ben
