Hola:
Me preguntaba si hay alguna manera de incorporar la simulación de Montecarlo en los parámetros de regresión.
Supongo que una vez que tenga la ecuación de regresión puedo ejecutar una simulación de Monte Carlo especificando una distribución para cada parámetro y obtener la distribución del parámetro de salida.
P1) Pero al crear esa ecuación de regresión, ¿serán suficientes tres puntos de datos (uno en cada LSL y USL de la zona de tolerancia y uno en el medio) para cada parámetro?
Supongo que necesitaré dos ejecuciones del DOE, una para encontrar los factores importantes. y que otra corrida basada en factores significativos que varían en la zona de tolerancia.
Mi objetivo final es variar el límite de tolerancia de cada parámetro en el sistema creado por la ecuación de regresión y conseguir que las tasas de falla estén dentro del límite aceptable.
P2) ¿Cuántas réplicas debo hacer?
Acepte mis disculpas si la pregunta parece estúpida y explique dónde falla mi comprensión.
Atentamente,
VarunK
Según lo que está tratando de lograr, lo que me suena a encontrar una distribución para una variable de respuesta basada en un valor de x variable, la simulación de Monte Carlo en las estimaciones de los parámetros no es la mejor manera de hacerlo. Seguro que me parece que deberías utilizar Prediction Profiler para simular la distribución de respuestas. ¿O tal vez simplemente me estoy perdiendo tu objetivo?
Gracias P_Bartell por tu respuesta:
A continuación he intentado ser más específico.
Digamos que obtuve A y B como factor significativo para obtener C como variable de respuesta.
A puede ser del 9 al 11, con un valor nominal de 10
B puede ser 19-21, con un valor nominal de 20
Entonces ejecutaré un DOE más con A teniendo tres niveles 8,10 y 12 (intencionalmente lo mantuve 1 adicional en ambos lados)
B también tendrá tres niveles 18,20 y 22 (nuevamente aumentado intencionalmente a 1 en ambos lados)
Ahora puedo obtener una ecuación de regresión más precisa para A y B modelando el resultado C.
Ahora bien, si mi tasa de desperdicio es, digamos, 3%, variaré la zona media y de tolerancia de A y B de modo que los valores de salida para C estén dentro de la tasa de desperdicio del 3%.
De esta manera puedo tener la máxima tolerancia en la pieza costosa (por ejemplo, mecanizado) A, mientras que B se puede reducir a un límite posible.
Esto es para cuando todavía estamos en la fase de prototipo del componente y no tenemos muchos datos de producción disponibles.
Esto nos dará una buena perspectiva, hacer cambios más adelante es muy costoso.
La correlación entre prototipo y producción será otro desafío, pero al menos nos dará algunos datos sobre los posibles cambios para el próximo proyecto.
¿Tenemos alguna otra manera mejor de decidir sobre las tolerancias?
Todavía parece una tarea muy adecuada para las capacidades de simulación dentro de Prediction Profiler.
Hola @VarunK ,
Como @P_Bartell , la herramienta de simulación integrada en el generador de perfiles de predicción es su mejor opción: si conoce la variabilidad esperada de la configuración de su proceso (A y B en su ejemplo), puede simular para encontrar la tasa de defectos. Si desea explorar cómo puede establecer los límites superior e inferior para estas configuraciones, Design Space Profiler funcionará bien.
Gracias,
ben
