Fujifilm Diosynth Biotechnologies ist ein Auftragsentwicklungs- und Fertigungsunternehmen (CDMO) mit einer eigenen Abteilung für Prozesscharakterisierung, die sich auf die Durchführung von Prozesscharakterisierungsstudien (PCS) konzentriert. Ziel der PCS ist es, nachzuweisen, dass die Prozesse unserer Kunden gegenüber Änderungen der Parametereinstellungen oder ihrer normalen Betriebsbereiche robust sind.
PCS verwenden üblicherweise Design of Experiments (DOE), um die Auswirkungen von Prozessinputs auf Qualitätsmerkmale (QA) und Prozessleistungsindikatoren (PPI) zu untersuchen. Die DOE-Analyse ist ein nützliches Tool zur Identifizierung der Inputs, die sich auf die QA/PPIs auswirken, ist jedoch hauptsächlich quantitativ.
Zusätzlich zur herkömmlichen DOE-Analyse bietet die Berechnung des Impact Ratio (IR) für jeden Input eine quantitative und qualitative Bewertung und kann bei der Einstufung eines Parameters als kritisch oder nicht kritisch hilfreich sein. Das IR bietet eine Messung der Effektgröße, die für einen akzeptablen Bereich relevant ist.
Die Berechnungen manuell durchzuführen ist zeitaufwändig und fehleranfällig. Wir präsentieren ein Automatisierungstool, das die erforderlichen Informationen aus einem DOE-Modell extrahieren und die IR berechnen kann. Über eine Schnittstelle kann der Benutzer die Berechnung der Ergebnisse individuell anpassen.
Hallo zusammen. Ich freue mich sehr, heute mit meinem Kollegen Sam hier zu sein. Heute sprechen wir über Einflussverhältnisse. Grundsätzlich geht es darum, welchen Einfluss Ihre DoE-Faktoren auf Ihre DoE-Ergebnisse oder -Antworten haben. Ich stelle das Konzept und die Berechnungen sowie Beispiele in JMP vor und übergebe dann an Sam, der Sie durch die Automatisierung dieses Prozesses mit JSL führt und Ihnen zeigt, wie er dies im Add-In gemacht hat.
Zunächst einmal Zeit für ein Geständnis. Eigentlich wollte ich diesen Vortrag „Was haben Prozesscharakterisierungswissenschaftler mit NASA-Wissenschaftlern gemeinsam?“ nennen. Aber die Verbindung war zu vage und vielleicht wäre es ein wenig rätselhaft gewesen. Trotzdem verwende ich die Konzepte hier. Deshalb haben wir auf der ersten Folie Meteorbilder. Das ist meine Metapher. Ich schaue mir die Einschlagkrater an und vergleiche sie mit Einschlagsverhältnissen, weil wir ein bisschen Spaß haben müssen.
Was passiert hier? Wir haben einen sehr ähnlichen Meteor, und er könnte auf die Erde, den Mars oder den Mond fallen, und die Bedingungen wären anders. Hier gibt es zunächst einmal eine Atmosphäre oder sehr wenig Atmosphäre oder gar keine Atmosphäre, was die Explosion verändert, was wiederum das Verhalten des Meteors verändert. Wenn Sie auf der Erde sind, könnte der Einschlagkrater, der entsteht, wirklich massive Auswirkungen auf das haben, was um uns herum passiert, denn auf der Erde leben Menschen.
Was werden wir vor diesem Hintergrund heute durchgehen? Wir werden uns noch ein weiteres statistisches Verhältnis ansehen. Statistiker mögen ihre Verhältnisse. Dann werden wir uns ansehen, was das Impact Ratio konkret misst. Dann werden wir diese Frage beantworten: „Kann ich das in JMP berechnen?“ Die Antwort ist natürlich, dass Sie das können, und zwar auf verschiedene Arten. Sie können es auf die mühsame Art und Weise tun, ich werde Sie manuell durch die Sache führen. Ich werde diesen Schritt überspringen, weil wir keine Zeit haben, aber wir haben einen Workflow erstellt, um die Tabellenverwaltung ein wenig einfacher zu machen.
Dann übergebe ich an Sam, der Ihnen zeigt, wie Sie die Impact Ratio ganz einfach berechnen, indem Sie auf sein JMP-Add-In klicken. Hier haben wir eine schlechte Handzeichnung, die ich selbst angefertigt habe, um Ihnen etwas zu zeigen, das Sie wahrscheinlich schon oft gesehen haben, denn das ist eine Kontrollkarte, und die sind in der Welt der Statistiker allgegenwärtig. Hier haben wir eine Ausgabe, und sie ändert sich im Laufe der Zeit, wenn wir beispielsweise mehr Stapel erstellen.
Wir haben Zonen in diesem Diagramm. In der bläulich-violetten Zone liegt unsere Ausgabe. Da es sich hier um normal verteilte Daten handelt, können wir eine Vorhersage darüber treffen, wo sie im Laufe der Zeit liegen werden. Hier haben wir Statistiken, die uns eine Vorhersage darüber geben, wie breit diese blaue Zone werden könnte. In Grün zwischen zwei Spezifikationen haben wir eine Art sichere Zone vom Kundentyp. Kunden neigen dazu, uns Spezifikationen zu geben, oder wir haben beispielsweise ein Akzeptanzkriterium aus Entwicklungsarbeit berechnet.
Wir möchten sicherstellen, dass unser Prozess in einer Zone liegt, die vollständig von der Sicherheitszone umschlossen ist, wenn wir Prozesskontrolle betreiben. Ein Verhältnis, das hierfür verwendet wird, ist der Capability Index, ähnlich wie der CPK, der PPK, der im Grunde diese Zone mit dieser grünen Zone ins Verhältnis setzt. Dies ist das ähnlichste Verhältnis, das ich zum Impact Ratio gefunden habe. Hier haben wir fast dieselbe Grafik. Sie können erkennen, dass ich dieselbe Zeichnung wiederverwendet habe. Das Einzige, was sich hier ändert, ist, dass wir diesmal keine Statistiken haben, die die Streuung der Daten vorhersagen, sondern Statistiken, die die Form der Daten vorhersagen. Wir modellieren, was mit einer bestimmten Ausgabe passiert, wenn Sie die Eingabe ändern und ihren Wert von niedrig nach hoch verschieben.
Dies würden Sie tun, wenn Sie ein DoE durchführen und die Betriebsbedingungen systematisch ändern würden. Insbesondere bei der Prozesscharakterisierung wäre dieser Bereich von niedrig bis hoch ein Bereich, bei dem Sie nachweisen möchten, dass er akzeptabel ist. Hier haben wir am Ende eine Gleichung und eine blaue Zone, das für unsere Reaktion vorhergesagte Minimum bis Maximum, und wir haben immer noch eine grüne Zone, was akzeptabel ist, um uns am Ende des Prozesses ein Qualitätsprodukt zu liefern.
Wir prüfen erneut, ob die Abweichung einen akzeptablen Anteil unseres sicheren oder Spielbereichs einnimmt. Dieses Einflussverhältnis kann uns helfen, die Auswirkungen verschiedener Faktoren zu vergleichen, da wir für alle unsere Faktoren ein solches Modell erhalten. Es könnte auch ein Kriterium für die Klassifizierung dieser Faktoren sein, wenn dies Teil eines DoE ist. Was misst dieses Einflussverhältnis wirklich? Auf der Folie zuvor hatten Sie eine Ahnung, aber wir sind wieder bei Meteoriten.
Unsere NASA-Wissenschaftler haben zwei Dinge berechnet. Den Ort, an dem unser Meteorit auf den Planeten einschlagen wird, und den Radius des Einschlagskraters. Sie haben gesagt, solange wir uns innerhalb dieser grünen Sicherheitszone befinden, wird es jedem, der außerhalb lebt, gut gehen. Für Meteoriten gilt das natürlich nicht, aber bleiben Sie noch einen Moment dran. Was wir hier berechnen, ist im Grunde der Radius des Kraters zum Radius der Sicherheitszone. Wir hoffen, dass diese Zahl viel kleiner ist als diese. Dass die Sicherheitszone im Vergleich zum Einschlagskrater sehr groß ist.
Nun, was passiert, ist, dass wir vom Ziel abweichen könnten, sodass die NASA-Wissenschaftler vorausgesagt haben, dass der Meteorit hier einschlagen würde, aber er ist hier eingeschlagen. Obwohl der sichere Bereich wahrscheinlich groß genug für einen zentrierten Meteoriten/Prozess war, liegt der Einschlagskrater in diesem Fall tatsächlich weit außerhalb des sicheren Bereichs. Ich hoffe, Sie wohnen nicht hier in der Nähe. Eine andere Möglichkeit, und es gibt viele andere Möglichkeiten, wäre, dass wir hier im Ziel liegen, aber den Krater falsch berechnet haben. Der Krater ist viel größer als wir dachten. Er liegt wieder außerhalb des sicheren Bereichs und der Radius des sicheren Bereichs ist tatsächlich kleiner als der des Kraters hier. Dies ist nur ein Bild, und sehen wir uns an, wie dies in einem Diagramm aussehen würde. Dasselbe Diagramm noch einmal mit einigen zusätzlichen Pfeilen hier und einigen Gleichungen.
Im Klartext: Ihr Einflussverhältnis ist das Verhältnis der Effektgröße zur Distanz zu Ihrer Spezifikation oder Ihrem Akzeptanzkriterium. Die Effektgröße sind in diesem Fall diese schmalen blauen und orangefarbenen Pfeile. Es ist die Distanz von der minimalen Vorhersage zum Mittelpunkt oder der maximalen Vorhersage zum Mittelpunkt. Wir setzen dies ins Verhältnis zur Distanz vom Mittelpunkt zu Ihrer Spezifikation auf beiden Seiten. In diesem Fall nimmt diese Distanz 70 % unserer sicheren Zone ein. Das ist kein gutes Einflussverhältnis. Hier sind es nur 40 %, das ist immer noch ein ziemlich hoher Wert. Aber um fair zu sein, müssen wir das Maximum dieser beiden Werte nehmen, also würden wir hier 70 % in Betracht ziehen.
Das ist meine Handzeichnung. Gehen wir zu einem echten JMP-Diagramm. Das ist ein Sprungdiagramm und nur ein Teil eines Profilers, den Sie am Ende einer DoE-Analyse erhalten würden. In diesem Fall haben wir eine leichte Krümmung, aber die Zonen sind gleich. Wenn wir hier unser Auswirkungsverhältnis zum Minimum berechnen möchten, ist die Vorhersage, dass Minimum zur Mitte etwa 42 % des Minimums zur Spezifikation benötigt. Auf der anderen Seite benötigt die Vorhersage von Minimum zur Spitze oder Maximum nur etwa 7 % unserer sicheren Zone.
Trotzdem müssen wir diese Zahl melden, es ist also immer noch eine ziemlich hohe Zahl. Die Frage, die wir hier beantworten möchten, lautet: Sind wir im Plan mit einer geringen Auswirkung im Vergleich zu dem, was akzeptabel ist? Ich werde jetzt hier aufhören und in JMP gehen, um Ihnen zu zeigen, wie Sie dies manuell und auf die mühsame Art durchführen können. Hier haben wir eine Box-Standard-DoE, fünf Faktoren. Wir haben hier nur vier Antworten geteilt. Es ist alles anonymisiert, also tut es mir sehr leid, aber die Zahlen sehen ein bisschen komisch aus, weil sie alle zwischen minus eins und eins liegen.
Aber was wir hier suchen, ist, dass wir Antwortgrenzen festgelegt haben, damit wir mit dem Ziel für diese Antworten herumspielen können. Maximieren Sie die meisten von ihnen für etwas wie Verunreinigungen, die minimiert werden könnten, und wir sind vielleicht nicht einmal daran interessiert, wie hoch sie gehen. Ich werde nicht auf die Modellierung eingehen, weil das nicht unser Ziel ist. Tut mir leid. Falsches Skript. So ist es. Wir haben das bereits angepasst, und dies ist das Beispiel, das ich in den Notizen hatte, also werde ich bei diesem bleiben.
Hier verwenden wir den Profiler, um alle Zahlen zu erhalten, die wir für unsere Gleichung benötigen. Wir setzen dies auf den Mittelpunkt und zeichnen diese Zahl auf. Das ist es. Das sind die Mittelpunktbedingungen. Hier wird alles am Mittelpunkt gehalten. Ich werde JMP bitten, sich diese Einstellung zu merken. Ich werde dies Lastmittelpunkt nennen, weil mich die Last hier interessiert. Das ist mein erster. Manuell müsste ich JMP hier nicht wirklich um Hilfe bitten. Bei diesen beiden ist alles am Mittelpunkt. Ich könnte dies hier einfach auf das Minimum verschieben und dies erneut als Mindestwert aufzeichnen. Das ist hier mein Lastminimum.
Beim Maximum ist es etwas schwieriger. Ich könnte versuchen, dies zu tun. Ich könnte es größer machen und versuchen, hier das Maximum zu erreichen. Aber ich vertraue hier JMP. Ich klicke auf Strg + Alt und klicke auf die beiden anderen Diagramme hier. Ich sperre die Faktoreinstellungen am Mittelpunkt. Denn mich interessiert nur, was die Last macht und was das Maximum für die Last ist, wenn alles andere an diesem Punkt gehalten wird. Dann verwende ich den Maximierer in JMP.
So, das war’s. Ich hätte das auch manuell erreichen können, aber jetzt weiß ich, dass es genau das Maximum ist. Ich werde das auch speichern. Wir haben das Maximum. Jetzt habe ich fast alles, was ich brauche. Wenn Sie das manuell machen, machen Sie das für jeden Faktor oder Gleichungsparameter in dieser Liste für jede Antwort. Wenn Sie ziemlich große Modelle haben und vielleicht 5–10 Antworten, wird das sehr schnell zu viel Arbeit.
Dann müssten Sie alle diese Daten in eine Tabelle exportieren. Sie würden dies verwenden, wenn Sie viele fertig hätten, aber ich habe nur eine, also mache ich das hier. Hier haben Sie alle Informationen, die Sie brauchen, im falschen Format. Was wir behalten müssen, ist, wo diese sind. Dann wollen wir diese Nummer hier. Jetzt würden Sie hier in Tabellen transponieren, aber das werde ich nicht tun, weil ich es bereits im Voraus getan habe. Ich möchte das nur schnell mit Ihnen teilen. Warum ist es nicht glücklich? Hier haben wir die transponierten Daten. Wir haben alle Beschriftungen aus der Tabelle hier.
Manuell müssten wir unsere untere und obere Spezifikation hinzufügen. Aus diesen und dem Minimum und Maximum sowie dem CP können wir den Zähler für die Verhältnisse hier, den Nenner für die Verhältnisse und die Verhältnisse selbst berechnen. Sie haben die kleine Distanz über die große Distanz, die Ihnen Ihr Verhältnis mit geringer Auswirkung gibt. Dann verwenden Sie einfach die Formel, um das Maximum der beiden zu erhalten, und Sie müssten das für jedes davon wiederholen. Ich überlasse das Wort jetzt Sam, der Ihnen zeigen könnte, wie viel einfacher das ist, wenn Sie ein Add-In dafür haben. Sam?
Danke, Gwen. Wie Gwen erwähnte, haben wir beschlossen, ein Add-In zu erstellen, um diese Aufgabe zu automatisieren. Ich werde jetzt kurz demonstrieren, wie das Add-In funktioniert. Ich verwende dieselbe Datentabelle, mit der Gwen gerade gearbeitet hat. Der Grund, warum wir beschlossen haben, ein Add-In zu erstellen, war, dass es einfacher ist, als ein Skript direkt aus einem Skriptfenster auszuführen. Das Schöne daran, ein Add-In zu haben, ist, dass Sie einen Tooltip hinzufügen können, wenn Sie mit der Maus über den Add-In-Namen fahren. In diesem Fall zeigt Ihnen der Tooltip nur das richtige Fenster an, aus dem das Add-In ausgeführt werden muss.
Wenn ich versuche, darauf zu klicken, werden Sie sehen, dass nichts passiert, weil ich nicht an der richtigen Stelle bin. Wenn ich jetzt das Skript mit den Modellen öffne, die wir zuvor erstellt haben, können Sie sehen, dass ich das Skript jetzt ausführen kann und es dann ordnungsgemäß ausgeführt wird. Zunächst werden dem Benutzer einige Fenster mit Anweisungen und später einige Bereiche für Benutzereingaben angezeigt. Das erste Fenster enthält nur einige Anweisungen zu den Anforderungen an die zugrunde liegende Datentabelle.
Beispielsweise müssen die Faktorspalten codiert werden und alle Einheiten müssen ebenfalls als Spalteneigenschaften eingegeben werden. Wenn das bei einer der Spalten nicht der Fall ist, können Sie einfach auf Abbrechen klicken und ich kann zurückgehen und diese Änderungen vornehmen. Aber in diesem Fall weiß ich, dass sie alle richtig codiert sind. Ich drücke erneut auf Ausführen und dann auf OK. Dann enthält das nächste Fenster nur noch den Bereich zur Eingabe der Faktoreinstellungen. Sie werden feststellen, dass wir hier eine Eingabe für kategoriale Faktoren haben.
Es ist nicht möglich, ein Einflussverhältnis für einen kategorialen Faktor zu berechnen. Alle in den Modellen enthaltenen kategorialen Faktoren müssen jedoch auf eine bestimmte Einstellung festgelegt werden, sodass der Benutzer diese hier einfach eingeben kann. Für die verbleibenden Faktoren, die kontinuierliche Faktoren waren, die im DoE ausgewertet wurden, können Sie sehen, dass wir einen Bereich zum Eingeben dieser Einstellungen haben. Sie können sehen, dass das Skript den Mindest- und Höchstwert automatisch einliest, indem es ihn einfach aus der Tabelle liest. Außerdem hat es den Mittelpunkt berechnet, indem es einfach die Mitte zwischen dem Minimum und dem Maximum betrachtet hat.
In manchen Fällen liegt der Mittelpunkt jedoch nicht genau in der Mitte des Bereichs. In diesem Fall war das bei der Last der Fall, also ändere ich den Wert auf 20. Jeder dieser Werte kann bearbeitet werden. Der Vorteil, die Eingabe hier ändern zu können, besteht darin, dass wir, wenn wir die Addition ausführen und Auswirkungsverhältnisse erhalten, die für einige der Faktoren zu hoch sind. Wir können die Addition dann einfach erneut ausführen und ich ändere die Werte hier. Ich versuche beispielsweise, einen reduzierten Faktorbereich auszuwerten. Dann sehen wir, ob das Auswirkungsverhältnis in diesem neuen Bereich besser aussieht.
Aber ich lasse die restlichen Werte gleich und klicke auf „OK“. Dann enthält das letzte Fenster nur noch die Eingabe für die Antwortakzeptanzkriterien. Diese Werte gebe ich jetzt ein. Wenn es nur ein Kriterium gibt, können Sie einfach eines eingeben und das andere leer lassen. Wenn Sie kein Kriterium haben, können Sie beide Felder leer lassen, und das Auswirkungsverhältnis kann trotzdem berechnet werden. In diesem Fall ist es nur die prozentuale Differenz zwischen der Sollwertantwort und der minimalen oder maximalen Vorhersage. Es bietet nicht ganz dieselbe Messung in Bezug auf die praktische Signifikanz, wird aber trotzdem vom Skript berechnet.
Wenn ich jetzt auf „OK“ klicke, können Sie sehen, dass die Übersichtstabelle generiert wurde. Wenn ich jedoch zu dem Fenster zurückkehre, in dem ich das Add-In ausgeführt habe, können Sie sehen, dass die Einstellungen unter jedem Vorhersageprofiler gespeichert wurden. Dies sind die Einstellungen, die verwendet wurden, um die minimale und maximale Vorhersage für jeden Faktor im Modell zu erhalten. Dies ist nützlich, damit Sie später zurückgehen und sehen können, wie die Berechnungen durchgeführt wurden. Es ist gut, dies überprüfen zu können.
Aber jetzt gebe ich nur einen sehr allgemeinen Überblick darüber, wie das Skript tatsächlich funktioniert. Zunächst durchläuft das Skript jedes Antwortmodell im Fenster. Dann legt es die Erwünschtheit fest, um die Antwort zu maximieren. Dann durchläuft das Skript jeden Term im Modell. Für den ersten Term, in diesem Fall die Last, werden dann die Faktoreinstellungen entsperrt, sodass er frei verschoben werden kann. Dann werden alle anderen Faktoren auf ihren Sollwerteinstellungen gesperrt. Dann führt das Skript die Funktion „Maximieren und merken“ aus. Sie können jetzt sehen, dass diese Einstellung jetzt unter dem Profiler gespeichert wurde, und Sie können sehen, dass wir diese Antwort maximiert haben, indem wir in diesem Fall nur den Lastfaktor geändert haben.
Anschließend wird dieser Vorgang für jeden Term im Modell fortgesetzt. Anschließend wird die Erwünschtheit so eingestellt, dass die Antwort minimiert wird. Anschließend wird dieser Vorgang erneut wiederholt. Jeder Term wird dann erneut ausgewertet, um die minimale Vorhersage zu erhalten. Abschließend werden alle gespeicherten Einstellungen aktualisiert, damit der Name aussagekräftig ist. Anschließend zeigen wir den Faktornamen an und ob das Ziel darin bestand, die Antwort zu minimieren oder zu maximieren. Abschließend wird dieser gesamte Vorgang für jedes im Fenster enthaltene Antwortmodell wiederholt. So funktioniert das Skript. Ich kehre jetzt einfach zur ausgegebenen Übersichtstabelle zurück.
Sie können hier sehen, dass alle Daten einfach gesammelt und in diese Tabelle ausgegeben werden. Jede Zeile enthält einen bestimmten Faktor für jedes ausgewertete Antwortmodell. Wir haben Spalten für die vom Benutzer eingegebenen Akzeptanzkriterien. Dann gibt es Spalten, die die Vorhersage bei den Sollwerteinstellungen zeigen, und dann die minimale und maximale Vorhersage für jeden Faktor, der in diesem Antwortmodell enthalten ist. Die restlichen Spalten sind dann nur Formeln. Hier haben wir den Unterschied zwischen der minimalen Vorhersage und der Sollwertvorhersage und dann, in ähnlicher Weise, für die maximale Vorhersage und die Sollwertvorhersage.
Die letzten beiden Spalten sind dann nur die berechneten Einflussverhältnisse. Wir haben das untere und das obere Einflussverhältnis. Sie werden feststellen, dass wir dort, wo wir nur ein Kriterium haben, also in diesem Fall für die Verunreinigung, nur ein oberes Akzeptanzkriterium berechnen, da wir nur ein oberes Akzeptanzkriterium haben. Die letzte Spalte ist dann nur das Gesamtauswirkungsverhältnis. Dies ist einfach das Maximum des unteren und oberen Einflussverhältnisses. Ich werde diesen Teil des Vortrags abschließen, indem ich die Vorteile der Verwendung eines Add-Ins zur Automatisierung dieser Aufgabe zusammenfasse und springe.
Erstens ist die Verwendung des Add-Ins viel schneller als die manuelle Ausführung. Zweitens lässt sich die Aufgabe dadurch viel einfacher wiederholen. Wie bereits erwähnt, können Sie, wenn Sie das Add-In ausführen und Auswirkungsverhältnisse erhalten, die als zu hoch angesehen werden, das Add-In einfach erneut ausführen, die Faktoreinstellungen ändern und prüfen, ob Sie akzeptable Auswirkungsverhältnisse erzielen können. Und schließlich besteht viel weniger Fehlerwahrscheinlichkeit, da Sie keine Datentranskription oder -manipulation durchführen müssen. Das Skript sammelt alle Daten und fügt sie dann in diese Tabelle ein, die am Ende ausgegeben wird.
Okay, danke. Damit ist mein Teil des Vortrags abgeschlossen. Ich übergebe an Gwen, die alles zusammenfassen wird. Danke.
Zusätzlich zu dem, was Sam gesagt hat, besteht ein großer Vorteil des Add-Ins darin, dass Sie die Berechnungen wiederholen und Ihre Eingaben in den ersten paar Tabellen ändern können. Sie können die Faktoreinstellungen ändern, wenn Sie beispielsweise das einbringen möchten, was Sie sich vorgenommen haben, um zu zeigen, wo Ihr nachweislich akzeptabler Bereich liegt, vermutlich etwas außerhalb Ihres normalen Betriebsbereichs. Sie können auch Ihre Spezifikation oder Akzeptanzkriterien überarbeiten. Wenn Ihre Auswirkungsverhältnisse wirklich hoch wären, wäre Ihre Sicherheitszone möglicherweise etwas zu klein gewesen, um bequem darin arbeiten zu können.
Sie könnten die Spezifikationen erweitern und prüfen, ob alle Ihre Einflussverhältnisse etwas kleiner sind. Sie könnten dies wahrscheinlich tatsächlich als Begründung für die Änderung dieser Akzeptanzkriterien verwenden. Eine weitere Möglichkeit, die Sie mit diesen Einflussverhältnissen tun können, ist, sie gemeinsam als Kriterium zur Klassifizierung Ihrer getesteten Prozessparameter zu verwenden. Es könnte sein, dass ein Prozessparameter am Ende des DoE kritisch, hochkritisch oder unkritisch ist, weil sein Einfluss sehr gering ist. Ich denke, das schließt ab, was wir heute über Einflussverhältnisse zu sagen hatten. Wir stehen beide zur Verfügung, um Fragen zu beantworten, falls Sie welche haben. Vielen Dank.
