我们需要创建和开发一个内部工具来规范分析，范围从数据库查询到对流程能力的最终评估以及特殊原因调查。
该技术最初从一个结构简单的数据库（统计实验室检查）开始发展，并逐渐扩展到由在线过程测量数据填充的更大的数据库。
我们的目标是开发一个简单快捷的内部工具，以便我们能够：
- 创建标准化数据集，这涉及到通过图形用户界面筛选和选择最重要的参数来定制数据下载。
- 通过正确使用控制图和主要 KPI 趋势，实现分析自动化，从而标准化过程能力分析并开发有效的图表，以便快速检测异常情况。
- 深入研究该过程，并将自动分析的结果联系起来，重点关注产品特性和工艺参数之间的潜在相关性，这将使我们能够识别重要变量并找到提高质量水平的空间。
大家好，我是 Massimo Pampurini，在倍耐力担任制造质量工程师。
大家好，我是萨拉·索伦蒂诺，我在倍耐力公司担任工艺质量工程师。
我们将介绍我们公司去年开发的数据工作流整合与集成项目。我们从半成品加工环节入手。这是我们制造流程的概览，一个总体概述。我们从数据分析方面最薄弱的环节——半成品加工环节入手。
这个项目诞生的原因是什么？首先，对我们来说，至关重要的第一步是确保以独特的方式收集可靠的实验室数据，从而保证所有工厂的数据收集方法都相同且可靠。这将使我们能够建立倍耐力独一无二的全球数据库。
两个关键点。第一点是基本要素和赋能要素。此外，还需要能够轻松地将数据直接下载到 JMP 中，使用户能够快速高效地下载数据，并可按时间间隔和工厂选择进行筛选。最终，这将引导用户进行自动分析，包括过程能力分析和主要质量特性控制图评估。
好的，我们先从数据标准化开始。这只是我们最初情况的一个例子。以前我们只有一些文件夹，里面装着收集了植物生长计划的Excel文件，这些数据无法保证是标准化的。在过去的四年里，我们开发了一款高质量的应用程序，专门用于数据可视化和处理，并在JMP中开发了一个基于相同数据源的专用工具。现在，我们正在将Python集成到我们的JMP工具中。
我们在 JMP 中开发的项目目标主要有三点。首先，我们希望通过 JMP 的图形用户界面创建一个标准化的数据集。其次，我们希望找到一种方法来实现自动分析，从而生成标准化的过程能力结果报告，并开发一个能够通过正确使用控制图快速检测异常情况的工具。最后，也是至关重要的一点，我们希望开发一个能够深入研究过程参数本身的工具，以便从在线生产数据中了解最重要的变量。
现在我们快速回顾一下Sara刚才提到的三个要点。第一部分是我们如何构建标准化数据集。首先，我们需要开发一个图形用户界面，用户可以通过它选择要创建的初始数据集的植物和时间范围。这是数据下载的直接输出。数据已经过标准化处理，也就是说，它们已经按照相同的标准进行了清洗。
在创建了作为分析基础的第一个数据集之后，我们集成了另一个专门用于特定能力分析的脚本。在该脚本中，用户可以选择工厂或其他主要参数（例如，除材料之外的其他参数）。我们开发了不同的按钮，分别用于按月或按材料进行分析。重要的是，用户只需单击一下即可获得此报告。这是我们工厂使用的主要报告，用于了解按材料、按月、按规格、按特性划分的实际能力，并可确定干预的优先级，以便在短时间内获得真正的改进。
在自动分析工具的最后两个按钮中，我们新增了一个专门用于分析过程稳定性的按钮。我们选择最佳可行控制图。我们还激活了所有类型的警报，以便了解何时出现特殊原因，从而找到改进空间，并深入调查异常值案例。此外，我们还持续监控控制图的评估结果，按月进行，以便了解是否存在漂移，例如过程均值的变化。
然后，我们添加了一个与分布相关的重要按钮，正如我们所见，它不仅关注特征本身的分布，还关注过程能力的结果，包括过程能力、CP 和 CPK 在西格玛报告中的体现。同时，我们也希望密切关注整体西格玛能力报告以及我们的性能能力指标。
该工具开发的最后一个重要优势在于其能够进行深入分析。基于实验室数据，我们希望直接利用在线生产数据，找到相关性，从而获取所有可用的工艺参数，进而了解工艺能力与质量特性之间的联系，以及最重要的工艺参数的影响。为此，我们深入研究了预测分析器等工具。此外，我们始终谨慎地启用外推控制，以检测其他工艺变量的 X 因子之间是否存在相关性。
这是最后一张幻灯片，我们之所以这么说，是因为我们正在进行初步概述，并想与大家分享接下来的步骤。下一步是：一是与 Python 集成，二是将所有这些工具扩展到我们优先考虑的其他领域。感谢大家的关注，期待在探索峰会上与您相见。
谢谢您的关注。下次再见。
