Salut. Bonjour, tout le monde.
Ce est Cheng Ting ici,
et le autre présentateur aujourd'hui volonté être Cui Yue.
Aujourd'hui, nous sont en allant à partager avec toi notre expérience
de explorer JMP DOE conception
et le modélisation fonctions à améliorer le procédé de pulvérisation cathodique.
Tout d'abord tous,
allons avoir a bref arrière-plan et introduction à propos le projet.
Ce est le Noir Projet Belt Six Sigma DMAIC
concernant à le pulvérisation processus.
Le projet but étaient à optimiser plusieurs film propriétés.
Dans le définir phase, nous avoir identifié le trois CTQ
et le trois corrélé succès critères.
CTQ 1 est le la plupart important et a stimulant un.
Le succès critères
est le mesures résultat est plus grand que 0,5.
CTQ2 et CTQ3 sont également important.
Le succès critères pour les deux de eux
est le mesurable résultat devrait être moins que 0,05.
Différent Outils JMP a a été appliqué massivement tout au long de le mesure phase,
analyser phase, et améliorer phase.
Nous volonté partager notre expérience de en utilisant le Outils JMP ici.
Dans le mesure phase, nous a fait un MSA, et nous finalisé le données collection
pour le ligne de base matériel.
Trois réglage boutons, à savoir X ₁, X ₂, et X₃ sont impliqués.
Après données collection,
nous utiliser a Monte-Carlo simulation dans JMP à analyser le ligne de base capacité.
Ce est le premier outil nous introduire aujourd'hui aussi.
Dans commande à établir ton ligne de base modèle,
nous utiliser augmenté BICHE, RSM, prédiction profil,
comme Bien comme interaction profil, vérifier fonctions dans JMP.
Après entrer le analyser espace,
dans commande à faire a racine- cause analyse et le capacité analyse,
nous utiliser le but parcelle,
désirabilité fonction, multivarié méthode,
et le graphique analyse outils.
Dans le amélioration phase, nous a fait matériel modification,
où un autre réglage nœud X₄ était introduit.
Interactif graphique, DOE augmenté,
RSM, désirabilité fonction, et interaction profil étaient utilisé
dans ce section à plus loin améliorer le processus.
Le GOSS étape par étape ajuster et désirabilité fonction étaient utilisé
dans le DOE robuste modélisation à plus loin améliorer le processus.
Quelques de ces outils volonté être démontré par Cui Yue plus tard.
Le contrôle phase volonté pas être couvert à d'aujourd'hui présentation.
Comme nous mentionné, dans le mesure phase,
donc après le ligne de base collection, nous en fait utiliser le Simulation de Monte-Carlo
à comprendre le ligne de base processus capacité.
Ces sont le ligne de base capacités pour trois CTQ.
Nous peut voir que tous de eux sont normale distribution,
indiquant a fort linéaire corrélation avec le saisir paramètres.
Pour CTQ1, le échantillon signifier est dehors de spécifications limite.
Ainsi, nous avoir a très négatif Ppk valeur.
Le 99 % de le ligne de base processus résultat ne peut pas rencontrer CTQ1 spécifications à tous.
CTQ2 est fermer à le spécifications parmi le trois CTQS.
Échantillon signifier est inférieur que le haut limite de spécification.
Ainsi, nous avoir a positif Ppk .
Le 48 % de le ligne de base processus résultat, ils faire pas rencontrer le spécifications pour CTQ2.
Échantillon signifier pour le CTQ3 est dehors de spécifications limite comme Bien.
Ainsi, il a négatif Ppqt.
64 % de le ligne de base processus résultat a fait pas rencontrer le spéc.
Ce ligne de base capacité confirmé
que le le plus grand longévité pour ce projet est C TQ1.
Apparemment, le ligne de base processus condition,
lequel Bien appel processus conditionnel 1 ici,
ne peut pas rencontrer notre CTQ succès critères, en particulier pour CTQ1.
Nous volonté besoin à régler le processus condition.
Cependant, avant que, nous volonté besoin de savoir
si le actuel matériel peut rencontrer le exigence ou non.
Le sujet matière experts, le NOUS, a informé nous,
a proposé le deux hypothèse, et conseiller nous à changement le processus
à condition 2 basé sur le deuxième hypothèse.
Cependant, avant que, nous volonté besoin à vérifier
si le prédiction modèle est bien pour les deux condition.
Ainsi, nous utiliser le dispersion parcelle à vérifier le collecté données structure.
Comme nous voir ici, le données collecté est pas dans a orthogonal structure.
Ce est parce que nous en fait utiliser a deux- étape évaluation conception,
et élargir le processus gamme à rencontrer le succès critères de CTQ1.
Nous a fait avoir un faible prédiction capacité dans le zone plus blanche.
Cependant, nous toujours avoir bien prédiction pour le condition 1 et condition 2.
Nous aussi a fait a déroutant analyse.
Le fait là est certain déroutant risque dans le Résolution II entre X ₁ et X₃.
Néanmoins, nous toujours construit a prédiction modèle.
Nous utiliser le réponse service méthode pour le convenable.
Dans ce cas, le principal effet, interactions,
et le termes quadratiques volonté être convenable ensemble.
Basé sur le RS, S R aussi, RS- ajusté carré, et le valeur p,
nous peut voir c'est a valide prédiction modèle.
De la effet résumé,
nous peut voir que seulement le significatif termes sont compris dans le modèle.
Avec le interaction profil, nous peut voir deux interactions
lequel sont corrélé avec deux hypothèse nous mentionné avant.
Avec le prédiction profil, nous prendre le processus condition 2.
À ce processus condition,
quoi nous peut voir ici est 95 % de le confiance intervalle de CTQ1
est entre le gamme de 0,5 et 0,6.
Ce CTQ a a été accordé dans spéc.
Cependant, dans le en attendant, le CTQ2 et le CTQ3 sont dehors de empiler.
Ainsi, nous utiliser le but parcelle à comparer le deux processus conditions,
et concernant réaliser que quand nous avoir amélioré CTQ 1
depuis processus condition 1 à processus condition 2
par obtenir plus proche à le cible
et a rétrécissement en bas de standard déviation.
Cependant, dans le en attendant, C TQ2 et 3 étaient compensé
avec plus grand standard déviation et le plus loin distance à le cible.
Ainsi, là est a compromis entre trois CTQ.
Dans ce cas, nous essayer à trouver un optimisé solution
avec le désirabilité fonction dans JMP.
Pour CTQ1 , le succès critères est que mode de 0,5.
H aussi, nous utiliser le maximum plateau méthode quand ensemble le désirabilité fonction.
Moyens n'importe lequel valeur plus que ou égal à le cible
volonté être également préféré.
Nous aussi souligner le importance du CTQ 1 par putting 1,5 comme le important facteur.
Fo r CTQ2 et 3, le succès critères est moins que 0,05.
Ainsi, nous utiliser le plateau minimum quand ensemble le désirabilité.
N'importe lequel valeur moins que ou égal à le cible
volonté être également préféré.
Cependant, après maximiser le désirabilité,
le calculé optimisé solution est seulement autour 0,02,
et aucun de le trois CTQ peut rencontrer le succès critères.
Ainsi, nous peut conclure que là est a matériel limitation
dans ce cas.
Après discussion avec le NOUS,
nous décider à introduire Y₄ dans notre données analyse.
Y₄ est pas un CTQ ici,
mais il est a mesures que peut refléter le intrinsèque propriété de le processus.
Ce intrinsèque propriété volonté affecter le CTQ2 et CTQ3 directement.
si Y₄ est plus que zéro, alors c'est a positif processus,
et quand cela Y₄ est moins que zéro, c'est un actif processus.
Si Y₄ est plus proche à zéro, alors nous appel est a neutre processus,
lequel plomb dans à a plus petit nombre de CTQ2 et CTQ3 ensemble.
Ici est le distribution de Y₄ de le ligne de base matériel.
Comme quoi nous peut voir ici avec le ligne de base matériel,
le Y₄ est toujours plus que zéro.
Que, nous volonté toujours avoir pour positif processus.
Le multi graphique variable ici en fait spectacles le relation
parmi le Y₄ : CTQ2 et CTQ3.
Ils sont fortement corrélé.
Si nous avoir plus petit Y₄, nous volonté aussi avoir plus petit CTQ2 et CTQ3.
Dans commande à avoir a plus large gamme de Y₄,
nous décider à ajouter dans un autre facteur, X₄, dans le améliorer le matériel.
Ensemble, un autre deux scientifique hypothèse
a a été proposé par le NOUS SOMMES.
Nous avoir collecté données sur le nouveau matériel
et comparer le Y₄ distribution dans deux matériel.
Dans le ligne de base matériel, sans X₄ , nous avoir collecté données orthogonalement
et avec certain gamme pour chaque facteur.
Ce est le distribution de le Y₄ sous ces contributions.
Avec le amélioré matériel, avec le X ₄ introduit,
nous avoir collecté données dans le même gamme de X ₁, X ₂, et X ₃.
Ce temps, Y₄ a pas différent X ₄, a aussi a été collecté.
Comparaison le deux distributions, nous peut voir que sans X₄ ,
nous seulement voir un grappe pour Y ₄, avec le culminer valeur plus que zéro.
Cependant, avec le X₄ introduit,
nous peut observer un bimodal distribution pour Y₄,
avec un culminer avec signifier plus que zéro, et un autre culminer avec signifier moins que zéro.
Le processus condition fait Y ₄ moins que zéro
en fait tirages notre attention.
Sous ces processus conditions, nous volonté avoir négatif processus,
et ce peut aide nous à améliorer CTQ2 et CTQ3,
mais choisis que processus si nous ne peut pas rencontrer tous CTQ dans un processus seulement,
parce que neural processus avantages CTQ2 et CTQ3.
Nous a fait a simple écran de traité conditions
quand nous avoir un négatif processus, et ce plomb nous à a certain gamme de X₄.
C'est pourquoi nous collecter plus de données a dans ce gamme,
parce que c'est notre condition de intérêts.
Maintenant, nous conclure que le X₄ a fait impact sur Y ₄,
et ainsi, il peut impact sur CTQ2 et CTQ3.
Maintenant, nous peut plus loin avec le impact de X₄ sur CTQ1,
et construire un autre modèle pour le amélioré matériel.
Avant le données collection,
nous avoir présélectionnés le conditions de intérêt
en utilisant le interactif graphique dans JMP.
Nous volonté collecter plus données avec certain gamme de X₄,
parce que ce X₄ en fait peut donner nous le négatif Y₄ valeur.
Il aussi couvertures la plupart gammes de Y ₄.
Comme nous peut voir ici, avant le données collection,
comme quoi nous peut voir ici,
ce est pas le la plupart orthogonal structure,
depuis nous avoir collecté plus données à le conditions de intérêts,
même cependant après faire a conception évaluation,
nous trouver a faible avec fondation risque.
Le données structure est toujours bien pour modélisation.
Ce est le modèle nous construit.
Comme quoi nous peut voir ici, nous avoir un adéquat modèle.
Seulement facteur avec le p valeur moins que 0,05,
ou quoi compris dans le modèle.
Le RS pourquoi donc plus que 0,8.
Le différence entre le R Carré ajusté
et R Carré est moins que 10 %.
Le p valeur pour le entier modèle est toujours moins que 0,0 01.
Aussi, à travers le interaction profil, le hypothèse 1 à 4 a a été validé.
Ce temps, peut nous trouver n'importe lequel optimisé solution?
Encore, nous courir la désirabilité fonction.
Le gauche côté est le optimisé solution fourni avec le ligne de base matériel
avant le X₄ tranche,
et le droite côté est le optimisé solution
avec le améliorer matériel informatique avec X₄ versements.
Comme quoi nous peut voir ici, comparé avec le ligne de base matériel,
améliorer d matériel a fait fournir un optimisé solution
avec plus haut désirabilité et améliorer le résultat pour chaque C Q.T.
Cependant, le désirabilité est toujours faible, lequel est seulement 0,27.
Pas tous Les CTQ se rencontrent le succès critères dans un étape.
Donc nous toujours a fait pas trouver que adéquat solution
dans une étape processus pour le projet.
Cependant, mais comme quoi nous mentionné précédemment,
depuis nous avoir a grappe de le processus conditions,
permettre nous deux négatif processus avec le Y ₄ de moins que zéro.
Nous peut proposer a potentiel solution avec deux- étape processus.
Le solution avec deux- étape processus peut pas être que direct.
Comme nous savoir, si nous peut trouver le optimisé solution dans un étape,
tous nous besoin à faire est juste à rond le processus à le conditions,
donne le maximisé désirabilité.
Le résultat volonté être prévisible depuis nous avoir a connu modèle pour il.
Maintenant nous vouloir à avoir a deux- étape processus.
Pour chaque étape, nous avoir un connu modèle,
et si le processus condition est déterminé.
Cependant, exigible à le différent processus durée pour chaque étape,
nous volonté avoir a nouveau modèle pour le final résultats.
Dans ce nouveau modèle, nous volonté avoir neuf variables dans total:
X ₁ à X₄ pour chaque étape, et la durée pour chaque étape.
Maintenant, le question est,
comment sont nous en allant à trouver a approprié solution pour le deux- étape processus ?
Nous avons a obtenu deux stratégies.
Le le premier est à faire a DSD modélisation pour le neuf variables.
Dans ce cas, nous volonté besoin à avoir au moins 25 courses pour le premier essai.
De cours, nous volonté avoir orthogonal données structure.
Le RS M modèle peut être construit, mais le coût volonté être très haut.
Le autre stratégie est à écran conception
avec le groupe orthogonal sursaturé conception d'abord,
lequel est le GOSS conception.
Dans ce cas, nous peut écran le impact de Sept variables avec six courir.
Ce est pourquoi c'est super- saturé.
Nous avoir plus variables que le données points.
De cours, nous volonté besoin à écran dehors deux variables
avant le GOSS,
et nous utiliser le interactif graphique encore dans ce cas,
et le détails volonté être révisé par le suivant diapositives.
Le GOSS conception fournit
deux indépendant blocs pour chaque étape du processus.
Là est Non interactions entre le facteurs à travers bloc.
Le données structure est orthogonales dans chaque bloc,
fabrication il possible à écran effet avec le sursaturé données collection.
Cependant, ce GOSS volonté montrer le impact de principal effet seulement,
et Non interaction volonté être considéré.
Ce est a faible- coût approche, et nous gérer plus loin BICHE conception.
Le suivi du DOE peut être DSD, augmenter, ou OFAT.
Chaque de ces a c'est propre avantages et inconvénients,
et il volonté pas être couvert dans ce présentation.
De toute façon, à sauvegarder le coût, nous décider à procéder avec stratégie 2.
Nous commencer avec un GOSS conception.
Comme nous discuter éd. maintenant, nous avoir neuf différent variables.
Cependant, dans le GOSS, nous peut inclure uniquement Sept variables.
Dans commande à étroit vers le bas le paramètres pour le GOSS conception,
nous a fait a simple écran avec le interactif graphique.
Pour étape 1, nous choisir le processus conditions,
permettre nous à avoir a bien CTQ2.
Après dépistage,
nous décider à réparer X₂ dans ce cas, basé sur le précédent apprentissage.
Comme vu ici, quand le CTQ1 est plus que 0,5,
tous nous avoir est a positif processus avec le Y₄ pour plus que 20 %.
Ainsi dans ce cas, pour étape 2, nous choisir le processus conditions,
permettre nous à avoir le Y ₄ moins que -0,5 alors nous peut avoir a négatif processus.
Dans ce cas, ajout deux mesures ensemble, le Y final ₄ volonté être plus proche à zéro.
Ce chemin peut améliorer dans CTQ2 et CTQ3.
Après dépistage, nous décider à réparer X₁ pour ce étape,
basé sur le précédent apprentissage.
Après données collection,
nous a fait a étape ajustement judicieux avec principal effet seulement,
depuis dans le GOSS, comme nous mentionné précédemment,
seulement principal effet est considéré.
Tous trois CTQ validé le modèle avec le valeur p moins que 0,05,
et le RS pourquoi ajusté autour 0,8, et VIF moins que 5.
Après maximiser le désirabilité,
le modèle fournir nous avec un optimisé solution
avec désirabilité plus que 0,96, lequel est chemin plus haut que 0,27,
et pas à mention 0,02.
Ainsi, nous peut en fait verrouillage le processus paramètres
et plus loin par l'optimisé solution dans suivant étape,
lequel est nous choisir à utiliser le CATASTROPHE.
Mais ce volonté pas être couvert ici.
Ici, I comme à résumer
quoi nous avoir discuté dans ce présentation.
Dans ce présentation, nous avoir et partager avec toi le expérience.
Nous utiliser différent JMP outils impliqué dans le données analyse
tout au long de le DMAIC projet dans différent étapes.
Pour le base capacité de ligne analyse, nous avoir utilisé Simulation de Monte-Carlo.
Nous aussi utilisé a but parcelle.
Pour le racine- cause analyse, nous utilisé méthode multivariée.
Nous aussi utilisé a graphique analyse.
Dans commande à aide avec le BICHE,
nous utilisé le augmenté BICHE, GOSS et diagnostic de conception.
Dans termes à avoir a bien modèle et prédiction,
nous utilisé différent fonctions d'ajustement, et nous aussi utilisé le prédiction profil.
Nous aussi utilisé le interaction profil.
Il aussi était mentionné que ces profils sont pas seulement utilisé
pour le modèle et le prédiction,
mais il aussi aide nous à avoir a Plus profond compréhension
de le processus elle-même.
Dans commande à écran dehors le conditions de intérêt,
nous en fait utiliser le interactif graphique,
lequel est simple, mais très utile et puissant.
Dans commande à faire d décision fabrication,
nous en fait utiliser le désirabilité fonctions aide nous à faire a décision.
Jusqu'à maintenant, nous partager avec toi notre expérience
de comment le JMP peut aide nous à faire le analyser.
Le dernier mais pas moins,
nous serait comme à remercier Charles pour son mentorat le long de le progrès.
Remercier toi.
Mon partenaire Cui Yue,
elle le fera partager avec toi quelques démonstration avec le JMP côté.
Elle volonté aide nous à démontrer
comment peut nous utiliser le interactif graphique analyse
comme Bien le étape par étape convenable dans le GOSS modèle.
D'accord, remercier toi.
Merci, Cheng Ting.
I pense toi peut voir mon écran maintenant, droite?
Le première chose, I serait comme à introduire toi
le interactif parcelle Cheng Ting a juste mentionné.
Ce est en fait un de mon personnel préféré fonction dans JMP.
C'est simple, mais c'est très puissant.
Ici, notre but est à écran qu'est-ce que le la plupart relatif fonction,
un facteur par rapport à Y₄.
Lequel un contribue le la plupart à Y₄, depuis X₁ à X ₄?
Nous peut simplement sélectionner tous le facteur de intérêt nous vouloir ici,
et Cliquez sur OK.
Maintenant, nous sont ayant le distribution de tous le facteurs.
Maintenant, comme Cheng Ting a mentionné, nous vouloir à savoir quoi contribue le la plupart
à le Y₄ et négatif côté.
Pour exemple, ici.
Alors maintenant, nous peut voir seulement X₄ depuis 13- 14, X₃ depuis 0- 1,
et X₂ à ce gamme, 2,5 -5.
Aussi, X ₁ à 19-20, peut faire ce arriver.
Ainsi, c'est Plus facile à donner nous a gamme de différent facteurs,
comment il volonté contribuer à Y₄, et comment étaient en allant à choisir le facteurs
si nous vouloir le Y₄ atteint certain niveau.
De la même manière, si nous vouloir il à être légèrement plus haut que 0 %,
nous peut aussi simplement cliquez ce zone.
En fait, à être assez direct, à résoudre le problème à un tir,
nous juste sélectionnez-les deux ensemble.
Alors, nous peut voir, d'accord, X ₄ devrait être à ce gamme,
peut être 10- 14.
X₃, certainement devrait se concentrer à 0-1.
X₂ est a légèrement plus large distribution.
X ₁, il y en a o seulement deux c candidats pour ce direction.
Depuis ce un, nous peut facilement et intuitivement trouver
le contribution facteurs nous vouloir.
Ce est le première fonction I serait comme à démontrer à toi,
le distribution fonction.
Là sont beaucoup autre des choses le distribution fonction peut faire,
y compris voir le données distribution et test a parcelle de chose,
[inaudible 00:24:49] test , et ainsi de suite.
Donc I ne le fera pas viens dans ici.
Le deuxième chose I vouloir à partager avec toi est le GOSS.
C'est en fait le Coupe GOSS étape par étape.
Maintenant, nous sont ayant trois CTQ.
Tous le CTQ, le analyse dialogue est ouvrir ici.
Pour tous le trois, ils avoir séparé analyse dialogue.
À faire a très direct chemin, nous juste le Contrôle et cliquez Aller.
Il volonté sélectionner le facteurs pour tous trois C TQ et une fois.
Très direct.
Ces trois volonté utiliser le même arrêt règle,
lequel est le BI minimum C.
Alors, allons cliquez sur Exécuter M modèle.
Ce ajuster modèle volonté donner nous notre convenable séparément pour C TQ1, 2, 3.
Alors, nous besoin à modifier le modèle ou réduire le modèle un par un.
Ici, notre critères est à choisir le p valeur inférieur que 0. 05.
Nous définir que valeur.
Quand le valeur p inférieur que 5 %, le facteur est significatif.
Ici, nous peut retirer X₄ .
Suivant un, pour C TQ2...
Pour CTQ1, nous sont vers le bas ici.
Pour CTQ2, nous peut retirer X ₁ et X2 .
D'accord, maintenant nous sont ayant les deux inférieur que 0,05.
Pour X₃, w e aussi peut faire le même chose par conséquent.
Allons-y se déplacer X₄ premier .
Tous le trois facteurs, p les valeurs sont inférieures que 0,05.
Nous avoir obtenir le réduit modèle.
Ici à le bas, nous volonté avoir a prédiction profileur.
Si toi ne le faites pas avoir il, nous peut ajouter il depuis le profileur fonction.
Alors, nous serait comme à trouver le optimum condition.
Comment nous sont en allant à faire que?
Nous sont en allant à utiliser le fonction de désirabilité.
Premier pas, nous volonté toujours être ensemble le désirabilité,
lequel est déjà ensemble ici.
Nous avoir un moi porte d'entrée à minimiser.
Alors, allons utiliser le maximum désirabilité fonction.
H aussi, nous peut trouver notre optimum condition.
Si nous utiliser Maximiser et Souviens-toi, ici est notre optimal condition.
Alors, nous peut utiliser ce condition à courir le processus
et valide mangé le séquence encore.
Ces sont deux fonctions Identifiant comme à introduire toi.
D'accord, remercier toi.
Merci.
