Hallo. Hallo, alle.
Das Ist Cheng Ting Hier,
Und Die andere Moderator Heute Wille Sei Cui Yue.
Heute, Wir Sind gehen Zu Aktie mit Du unser Erfahrung
von erkunden JMP DOE Design
Und Die Modellieren Funktionen Zu verbessern Die Sputterprozess.
Erste von alle,
lasst uns haben a knapp Hintergrund Und Einführung um Die Projekt.
Das Ist Die Schwarz Belt Six Sigma DMAIC-Projekt
hinsichtlich Zu Die Sputtern Verfahren.
Der Projekt Ziel war Zu optimieren mehrere Film Eigenschaften.
In Die definieren Phase, Wir haben identifiziert Die drei CTQ
Und Die drei korreliert Erfolg Kriterien.
CTQ 1 ist Die am meisten wichtig Und a herausfordernd eins.
Der Erfolg Kriterien
Ist Die Messung Ergebnis Ist größer als 0,5.
CTQ2 und CTQ3 Sind gleichermaßen wichtig.
Der Erfolg Kriterien für beide von ihnen
Ist Die messbar Ergebnis sollen Sei weniger als 0,05.
Anders JMP-Tools hat gewesen angewandt massiv hindurch Die messen Phase,
analysieren Phase, Und verbessern Phase.
Wir Wille Aktie unser Erfahrung von mit Die JMP-Tools Hier.
In Die messen Phase, Wir tat ein MSA, Und Wir abgeschlossen Die Daten Sammlung
für Die Basislinie Hardware.
Drei Tuning Knöpfe, nämlich X ₁, X ₂ und X₃ sind beteiligt.
Nach Daten Sammlung,
Wir verwenden a Monte Carlo Simulation In JMP Zu analysieren Die Basislinie Fähigkeit.
Das Ist Die erstes Werkzeug Wir einführen Heute zu.
In Befehl Zu gründen dein Basislinie Modell,
Wir verwenden erweitert DAMHIRSCHKUH, RSM, Vorhersage Profil,
als Also als Interaktion Profil, überprüfen Funktionen In JMP.
Nach Eingabe Die analysieren Raum,
In Befehl Zu Tun a Wurzel- Ursache Analyse und die Fähigkeit Analyse,
Wir verwenden Die Ziel Handlung,
Erwünschtheit Funktion, multivariat Verfahren,
Und Die Grafik Analyse Werkzeuge.
In Die Verbesserung Phase, Wir tat Hardware Änderung,
Wo ein anderer Tuning Knoten X₄ War eingeführt.
Interaktiv Graph, erweitertes DOE,
RSM, Erwünschtheit Funktion, Und Interaktion Profil war gebraucht
In Das Abschnitt Zu weiter verbessern Die Verfahren.
Der GOSS schrittweise fit Und Erwünschtheit Funktion war gebraucht
In Die robustes DOE Modellieren Zu weiter verbessern Die Verfahren.
Manche von diese Werkzeuge Wille Sei demonstriert von Cui Yue später.
Der Kontrolle Phase Wille nicht Sei bedeckt bei heutigen Präsentation.
Als Wir erwähnt, In Die messen Phase,
Also nach Die Basislinie Sammlung, Wir Genau genommen verwenden Die Monte-Carlo-Simulation
Zu verstehen Die Basislinie Verfahren Fähigkeit.
Diese Sind Die Basislinie Fähigkeiten für drei CTQs.
Wir dürfen sehen Das alle von ihnen Sind Normal Verteilung,
Anzeige a stark linear Korrelation mit Die Eingang Parameter.
Für CTQ1, Die Probe bedeuten Ist aus von Spezifikation Limit.
Daher, Wir haben a sehr Negativ Ppk Wert.
Der 99 % von Die Basislinie Verfahren Ergebnis kann nicht treffen CTQ1 Spezifikation bei alle.
CTQ2 Ist schließen Zu Die Spezifikation unter Die drei CTQS.
Probe bedeuten Ist untere als das Auf Spezifikationslimit.
Daher, Wir haben a positiv Ppk .
Der 48 % von Die Basislinie Verfahren Ergebnis, Sie Tun nicht treffen Die Spezifikation für CTQ2.
Probe bedeuten für Die CTQ3 Ist aus von Spezifikation Limit als Also.
Daher, Es hat Negativ Ppk.
64 % von Die Basislinie Verfahren Ergebnis tat nicht treffen Die Spez.
Das Basislinie Fähigkeit bestätigt
Das Die größte Langlebigkeit für Das Projekt Ist C TQ1.
Scheinbar, Die Basislinie Verfahren Zustand,
welche Also Anruf Verfahren bedingt 1 Hier,
kann nicht treffen unser CTQ Erfolg Kriterien, besonders für CTQ1.
Wir Wille brauchen Zu Melodie Die Verfahren Zustand.
Jedoch, vor Das, Wir Wille müssen wissen
Wenn Die aktuell Hardware dürfen treffen Die Erfordernis oder nicht.
Der Thema Gegenstand Experten, Die WIR, hat empfohlen uns,
hat vorgeschlagen Die zwei Hypothese, Und beraten uns Zu Schicht Die Verfahren
Zu Zustand 2 basierend An Die zweite Hypothese.
Jedoch, vor Das, Wir Wille brauchen Zu überprüfen
Wenn Die Vorhersage Modell Ist Gut für beide Zustand.
Somit, Wir verwenden Die streuen Handlung Zu überprüfen Die gesammelt Daten Struktur.
Als Wir sehen Hier, Die Daten gesammelt Ist nicht In a senkrecht Struktur.
Das Ist Weil Wir Genau genommen verwenden a zwei- Schritt Auswertung Design,
Und erweitern Die Verfahren Reichweite Zu treffen Die Erfolg Kriterien von CTQ1.
Wir tat haben eine schwache Vorhersage Fähigkeit In Die weißeren Bereich.
Jedoch, Wir Trotzdem haben Gut Vorhersage für Die Zustand 1 und Zustand 2.
Wir Auch tat a verwirrend Analyse.
Der Tatsache Dort Ist bestimmt verwirrend Risiko In Die Auflösung II zwischen X ₁ Und X₃.
Dennoch, Wir Trotzdem gebaut a Vorhersage Modell.
Wir verwenden Die Antwort Service Verfahren für Die Beschlag.
In Das Fall, Die hauptsächlich Wirkung, Interaktionen,
Und Die quadratische Terme Wille Sei Beschlag zusammen.
Bezogen auf Die RS, S R auch, RS- angepasst Quadrat, Und Die p-Wert,
Wir dürfen sehen es ist a gültig Vorhersage Modell.
Aus dem Wirkung Zusammenfassung,
Wir dürfen sehen Das nur Die bedeutsam Bedingungen Sind inklusive In Die Modell.
Mit Die Interaktion Profil, Wir dürfen sehen zwei Wechselwirkungen
welche Sind korreliert mit zwei Hypothese Wir erwähnt vor.
Mit Die Vorhersage Profil, Wir wählen Die Verfahren Zustand 2.
Bei Das Verfahren Zustand,
Was Wir dürfen sehen Hier Ist 95 % von Die Vertrauen Intervall von CTQ1
Ist zwischen Die Reichweite von 0,5 Und 0,6.
Das CTQ hat gewesen abgestimmt hinein Spez.
Jedoch, In Die inzwischen, Die CTQ2 Und Die CTQ3 sind aus von Stapel.
Somit, Wir verwenden Die Ziel Handlung Zu vergleichen Die zwei Verfahren Bedingungen,
Und Re alisieren, dass Wann Wir haben verbessert CTQ 1
aus Verfahren Zustand 1 bis Verfahren Zustand 2
von bekommen näher Zu Die Ziel
Und a Verengung unten von Standard Abweichung.
Jedoch, In Die inzwischen, C TQ2 Und 3 war kompensiert
mit größer Standard Abweichung Und Die weiter Distanz Zu Die Ziel.
Somit, Dort Ist a Abtausch zwischen drei CTQs.
In Das Fall, Wir versuchen Zu finden ein optimiert Lösung
mit Die Erwünschtheit Funktion In JMP.
Für CTQ1 , Die Erfolg Kriterien Ist Das Modus von 0,5.
H Auch, Wir verwenden Die maximal Plateau Verfahren Wann Satz Die Erwünschtheit Funktion.
Bedeutet beliebig Wert mehr als oder gleich Zu Die Ziel
Wille Sei gleichermaßen bevorzugt.
Wir Auch Highlight Die Bedeutung von CTQ 1 von Putten 1,5 als Die wichtig Faktor.
Für r CTQ2 und 3, Die Erfolg Kriterien Ist weniger als 0,05.
Somit, Wir verwenden Die minimales Plateau Wann Satz Die Begehrlichkeit.
Beliebig Wert weniger als oder gleich Zu Die Ziel
Wille Sei gleichermaßen bevorzugt.
Jedoch, nach maximieren Die Begehrlichkeit,
Die berechnet optimiert Lösung Ist nur um 0,02,
Und keiner von Die drei CTQs dürfen treffen Die Erfolg Kriterien.
Somit, Wir dürfen abschließen Das Dort Ist a Hardware Einschränkung
In Das Fall.
Nach Diskussion mit Die WIR,
Wir entscheiden Zu einführen Y₄ hinein unser Daten Analyse.
Y₄ Ist nicht ein CTQ Hier,
Aber Es Ist a Messung Das dürfen reflektieren Die intrinsisch Eigentum von Die Verfahren.
Das intrinsisch Eigentum Wille beeinflussen Die CTQ2 Und CTQ3 direkt.
Wenn Y₄ Ist mehr als null, Dann es ist a positiv Verfahren,
Und wenn das Y₄ Ist weniger als null, es ist ein aktiv Verfahren.
Wenn Y₄ ist näher Zu null, Dann Wir Anruf Ist a neutral Verfahren,
welche führen in Zu a kleiner Nummer von CTQ2 Und CTQ3 zusammen.
Hier Ist Die Verteilung von Y₄ von Die Basislinie Hardware.
Als Was Wir dürfen sehen Hier mit Die Basislinie Hardware,
Die Y₄ ist stets mehr als null.
Das, Wir Wille stets haben für positiv Verfahren.
Der Multi Variablendiagramm hier Genau genommen zeigt Die Beziehung
unter Die Y₄: CTQ2 Und CTQ3.
Sie Sind stark korreliert.
Wenn Wir haben kleiner Y₄, Wir Wille Auch haben kleiner CTQ2 Und CTQ3.
In Befehl Zu haben a breiter Reichweite von Y₄,
Wir entscheiden Zu hinzufügen In ein anderer Faktor, X₄, In Die verbessern Die Hardware.
Zusammen, ein anderer zwei wissenschaftlich Hypothese
hat gewesen vorgeschlagen von Die WIR SIND.
Wir haben gesammelt Daten An Die neu Hardware
Und vergleichen Die Y₄ Verteilung In zwei Hardware.
In Die Basislinie Hardware, ohne X₄ , Wir haben gesammelt Daten orthogonal
Und mit bestimmt Reichweite für jede Faktor.
Das Ist Die Verteilung von Die Y₄ unter diese Beiträge.
Mit Die verbessert Hardware, mit Die X ₄ eingeführt,
Wir haben gesammelt Daten In Die Dasselbe Reichweite von X ₁, X ₂, Und X ₃.
Das Zeit, Y₄ a t anders X ₄, hat Auch gewesen gesammelt.
Vergleichen Die zwei Verteilungen, Wir dürfen sehen Das ohne X₄ ,
Wir nur sehen eins Cluster für Y ₄, mit Die Gipfel Wert mehr als null.
Jedoch, mit Die X₄ eingeführt,
Wir dürfen beobachten ein bimodales Verteilung für Y₄,
mit eins Gipfel mit bedeuten mehr als null, Und ein anderer Gipfel mit bedeuten weniger als null.
Der Verfahren Zustand macht Y ₄ weniger als null
Genau genommen zieht unser Aufmerksamkeit.
Unter diese Verfahren Bedingungen, Wir Wille haben Negativ Verfahren,
Und Das Mai helfen uns Zu verbessern CTQ2 und CTQ3,
aber wählen Das Verfahren Wenn Wir kann nicht treffen alle CTQs In eins Verfahren nur,
Weil neuronal Verfahren Vorteile CTQ2 und CTQ3.
Wir tat a einfach Bildschirm von verarbeitet Bedingungen
Wann Wir haben ein Negativ Verfahren, Und Das führen uns Zu a bestimmt Reichweite von X₄.
Das ist Warum Wir mehr Daten sammeln a In Das Reichweite,
Weil es ist unser Zustand von Interessen.
Jetzt, Wir abschließen Das Die X₄ tat Auswirkungen An Y ₄,
Und daher, Es dürfen Auswirkungen An CTQ2 Und CTQ3.
Jetzt, Wir dürfen weiter mit dem Auswirkungen von X₄ An CTQ1,
Und bauen ein anderer Modell für Die verbessert Hardware.
Vor Die Daten Sammlung,
Wir haben vorgesiebt Die Bedingungen von Interesse
mit Die interaktiv Graph In JMP.
Wir Wille sammeln mehr Daten mit bestimmt Reichweite von X₄,
Weil Das X₄ Genau genommen dürfen geben uns Die Negativ Y₄ Wert.
Es Auch Abdeckungen am meisten Bereiche von Y ₄.
Als Wir dürfen sehen Hier, vor Die Daten Sammlung,
als Was Wir dürfen sehen Hier,
Das Ist nicht Die am meisten senkrecht Struktur,
seit Wir haben gesammelt mehr Daten bei Die Bedingungen von Interessen,
sogar obwohl nach tun a Design Auswertung,
Wir finden a niedrig mit Gründung Risiko.
Der Daten Struktur Ist Trotzdem Gut für Modellieren.
Das Ist Die Modell Wir konstruiert.
Als Was Wir dürfen sehen Hier, Wir haben ein angemessen Modell.
Nur Faktor mit Die p Wert weniger als 0,05,
oder Was inklusive In Die Modell.
Der RS warum ist das mehr als 0,8.
Der Unterschied zwischen Die R Quadrat angepasst
Und R Quadrat Ist weniger als 10 %.
Der p Wert für Die ganz Modell Ist stets weniger als 0,0 01.
Auch, durch Die Interaktion Profil, Die Hypothese 1 bis 4 hat gewesen validiert.
Das Zeit, dürfen Wir finden beliebig optimiert Lösung?
Wieder, Wir laufen die Erwünschtheit Funktion.
Der links Seite Ist Die optimiert Lösung bereitgestellt mit Die Basislinie Hardware
vor Die X₄ Rate,
Und Die Rechts Seite Ist Die optimiert Lösung
mit Die verbessern d-Hardware mit X₄ Raten.
Als Was Wir dürfen sehen Hier, verglichen mit Die Basislinie Hardware,
verbessern d Hardware tat bieten ein optimiert Lösung
mit höher Erwünschtheit Und verbessern Die Ergebnis für jede C TQ.
Jedoch, Die Erwünschtheit Ist Trotzdem niedrig, welche Ist nur 0,27.
Nicht alle CTQs treffen sich Die Erfolg Kriterien In eins Schritt.
Also Wir Trotzdem tat nicht finden Das angemessen Lösung
In einstufige Verfahren für Die Projekt.
Jedoch, Aber als Was Wir erwähnt vorher,
seit Wir haben a Cluster von Die Verfahren Bedingungen,
erlauben uns zwei Negativ Verfahren mit Die Y ₄ weniger als null.
Wir dürfen vorschlagen a Potenzial Lösung mit zwei- Schritt Verfahren.
Der Lösung mit zwei- Schritt Verfahren Mai nicht Sei Das einfach.
Als Wir wissen, Wenn Wir dürfen finden Die optimiert Lösung In eins Schritt,
alle Wir brauchen Zu Tun Ist Nur Zu runden Die Verfahren bei Die Bedingungen,
gibt Die maximiert Begehrlichkeit.
Der Ergebnis Wille Sei vorhersehbar seit Wir haben a bekannt Modell für Es.
Jetzt Wir wollen Zu haben a zwei- Schritt Verfahren.
Für jede Schritt, Wir haben ein bekannter Modell,
und wenn Die Verfahren Zustand Ist bestimmt.
Jedoch, fällig Zu Die anders Verfahren Dauer für jede Schritt,
Wir Wille haben a neu Modell für Die Finale Ergebnisse.
In Das neu Modell, Wir Wille haben neun Variablen In gesamt:
X ₁ Zu X₄ für jede Schritt, Und die Dauer für jede Schritt.
Jetzt, Die Frage Ist,
Wie Sind Wir gehen Zu finden a richtig Lösung für Die zwei- Schritt Prozesse?
Wir haben bekommen zwei Strategien.
Der erster Ist Zu Tun a DSD Modellieren für Die neun Variablen.
In Das Fall, Wir Wille brauchen Zu haben mindestens 25 Läufe für Die erster Versuch.
Von Kurs, Wir Wille haben senkrecht Daten Struktur.
Der RS M Modell dürfen Sei konstruiert, Aber Die kosten Wille Sei sehr hoch.
Der andere Strategie Ist Zu Bildschirm Design
mit Die Gruppe senkrecht übersättigt Design Erste,
welche Ist Die GOSS Design.
In Das Fall, Wir dürfen Bildschirm Die Auswirkungen von Sieben Variablen mit sechs laufen.
Das Ist Warum es ist super- gesättigt.
Wir haben mehr Variablen als Die Daten Punkte.
Von Kurs, Wir Wille brauchen Zu Bildschirm aus zwei Variablen
vor Die GOSS,
Und Wir verwenden Die interaktiv Graph wieder In Das Fall,
Und Die Details Wille Sei überprüft von Die nächste Folien.
Der GOSS Design bietet
zwei unabhängig Blöcke für jede Prozessschritt.
Dort Ist NEIN Wechselwirkungen zwischen Die Faktoren über Block.
Der Daten Struktur Ist orthogonal in jedem Block,
Herstellung Es möglich Zu Bildschirm Wirkung mit Die übersättigt Daten Sammlung.
Jedoch, Das GOSS Wille zeigen Die Auswirkungen von hauptsächlich Wirkung nur,
Und NEIN Interaktion Wille Sei berücksichtigt.
Das Ist a niedrig- kosten Ansatz, Und Wir verwalten weiter DAMHIRSCHKUH Design.
Der Folge-DOE dürfen Sei DSD, erweitern, oder OFAT.
Jede von diese hat es ist eigen Für und Wider,
Und Es Wille nicht Sei bedeckt In Das Präsentation.
Wie auch immer, Zu speichern Die kosten, Wir entscheiden Zu fortfahren mit Strategie 2.
Wir Start mit ein GOSS Design.
Als Wir diskutieren ed Jetzt, Wir haben neun anders Variablen.
Jedoch, In Die GOSS, Wir dürfen nur enthalten Sieben Variablen.
In Befehl Zu eng runter Die Parameter für Die GOSS Design,
Wir tat a einfach Bildschirm mit Die interaktiv Graph.
Für Schritt 1, Wir wählen Die Verfahren Bedingungen,
erlauben uns Zu haben a Gut CTQ2.
Nach Screening,
Wir entscheiden Zu Fix X₂ In Das Fall, basierend An Die vorherige Lernen.
Als gesehen Hier, Wann Die CTQ1 Ist mehr als 0,5,
alle Wir haben Ist a positiv Verfahren mit Die Y₄ für mehr als 20 %.
Somit In Das Fall, für Schritt 2, Wir Prozess auswählen Bedingungen,
erlauben uns Zu haben Die Y ₄ weniger als -0,5 also wir dürfen haben a Negativ Verfahren.
In Das Fall, Hinzufügen zwei Schritte zusammen, Die letztes Y ₄ wird Sei näher Zu null.
Das Weg dürfen verbessern In CTQ2 Und CTQ3.
Nach Screening, Wir entscheiden Zu Fix X₁ für Das Schritt,
basierend An Die vorherige Lernen.
Nach Daten Sammlung,
Wir tat a Schritt kluge Passform mit hauptsächlich Wirkung nur,
seit In Die GOSS, als Wir erwähnt vorher,
nur hauptsächlich Wirkung Ist berücksichtigt.
Alle drei CTQs validiert Die Modell mit Die p-Wert weniger als 0,05,
Und Die RS Warum angepasst um 0,8, Und VIF weniger als 5.
Nach maximieren Die Begehrlichkeit,
Die Modell bieten uns mit ein optimiert Lösung
mit Erwünschtheit mehr als 0,96, welche Ist Weg höher als 0,27,
Und nicht Zu erwähnen 0,02.
Somit, Wir dürfen Genau genommen sperren Die Verfahren Parameter
Und weiter von die optimierte Lösung In nächste Schritt,
welche Ist Wir wählen Zu verwenden Die KATASTROPHE.
Aber Das Wille nicht Sei bedeckt Hier.
Hier, I wie Zu zusammenfassen
Was Wir haben diskutiert In Das Präsentation.
In Das Präsentation, Wir haben Und Aktie mit Du Die Erfahrung.
Wir verwenden anders JMP Werkzeuge beteiligt In Die Daten Analyse
hindurch Die DMAIC Projekt In anders Stufen.
Für Die Base Leitungskapazität Analyse, Wir haben gebraucht Monte-Carlo-Simulation.
Wir Auch gebraucht a Ziel Handlung.
Für die Wurzel- Ursache Analyse, Wir gebraucht multivariate Methode.
Wir Auch gebraucht a Grafik Analyse.
In Befehl Zu helfen mit Die DAMHIRSCHKUH,
Wir gebraucht Die erweitert DAMHIRSCHKUH, GOSS und Designdiagnose.
In Bedingungen Zu haben a Gut Modell Und Vorhersage,
Wir gebraucht anders Anpassungsfunktionen, Und Wir Auch gebraucht Die Vorhersage Profil.
Wir Auch gebraucht Die Interaktion Profil.
Es Auch War erwähnt Das diese Profile Sind nicht nur gebraucht
für Die Modell Und Die Vorhersage,
Aber Es Auch helfen uns Zu haben a Tiefer Verständnis
von Die Verfahren selbst.
In Befehl Zu Bildschirm aus Die Bedingungen von Interesse,
Wir Genau genommen verwenden Die interaktiv Graph,
welche Ist einfach, Aber sehr nützlich Und leistungsstark.
In Befehl Zu Tun d Entscheidung Herstellung,
Wir Genau genommen verwenden Die Erwünschtheit Funktionen helfen uns Zu machen a Entscheidung.
Bis Jetzt, Wir Aktie mit Du unser Erfahrung
von Wie Die JMP dürfen helfen uns Zu Tun Die analysieren.
Der zuletzt Aber nicht am wenigsten,
Wir würde wie Zu Dank Karl für sein Mentoring entlang Die Fortschritt.
Dank Du.
Mein Partner Cui Yue,
sie wird Aktie mit Du manche Demonstration mit Die JMP Seite.
Sie Wille helfen uns Zu zeigen
Wie dürfen Wir verwenden Die interaktiv Grafik Analyse
als Also Die schrittweise Beschlag In Die GOSS Modell.
Okay, Dank Du.
Danke, Cheng Ting.
I denken Du dürfen sehen Mein Bildschirm Jetzt, Rechts?
Der als erstes, I würde wie Zu einführen Du
Die interaktiv Handlung Cheng Ting hat Nur erwähnt.
Das Ist Genau genommen eins von Mein persönlich Favorit Funktion In JMP.
Es ist einfach, Aber es ist sehr leistungsstark.
Hier, unser Zweck Ist Zu Bildschirm was ist Die am meisten relativ Funktion,
ein Faktor relativ zu Y₄.
Welche eins trägt bei Die am meisten Zu Y₄, aus X₁ Zu X ₄?
Wir dürfen einfach wählen alle Die Faktor von Interesse Wir wollen Hier,
Und Klicken Sie auf OK.
Jetzt, Wir Sind haben Die Verteilung von alle Die Faktoren.
Jetzt, als Cheng Ting hat erwähnt, Wir wollen Zu wissen Was trägt bei Die am meisten
Zu Die Y₄ und Negativ Seite.
Für Beispiel, Hier.
Dann Jetzt, Wir dürfen sehen nur X₄ aus 13- 14, X₃ aus 0- 1,
Und X₂ bei Das Reichweite, 2.5 -5.
Auch, X ₁ bei 19-20, dürfen machen Das passieren.
Daher, es ist Einfacher Zu geben uns a Reichweite von anders Faktoren,
Wie Es Wille beitragen Zu Y₄, Und Wie war gehen Zu wählen Die Faktoren
Wenn Wir wollen Die Y₄ erreicht bestimmt Ebene.
Ähnlich, Wenn Wir wollen Es Zu Sei leicht höher als 0 %,
Wir dürfen Auch einfach klicken Das Bereich.
Eigentlich, Zu Sei ganz einfach, Zu lösen Die Problem bei eins Schuss,
Wir Nur wählen Sie diese zwei zusammen.
Dann, Wir dürfen sehen, Okay, X ₄ sollen Sei bei Das Reichweite,
Vielleicht 10- 14.
X₃, definitiv sollen konzentrieren bei 0:1.
X₂ Ist a leicht breiter Verteilung.
X ₁, es gibt o nur zwei c Kandidaten für Das Richtung.
Aus Das eins, Wir dürfen leicht Und intuitiv finden
Die Beitrag Faktoren Wir wollen.
Das Ist Die erste Funktion I würde wie Zu zeigen Zu Du,
Die Verteilung Funktion.
Dort Sind viele andere Dinge Die Verteilung Funktion dürfen Tun,
einschließlich sehen Die Daten Verteilung Und prüfen a viel von Ding,
[unverständlich 00:24:49] prüfen , und so weiter.
Also I Gewohnheit kommen In Hier.
Der zweite Ding I wollen Zu Aktie mit Du Ist Die GOSS.
Es ist Genau genommen Die GOSS-Passform schrittweise.
Jetzt, Wir Sind haben drei CTQs.
Alle Die CTQ, Die Analyse Dialog Ist offen Hier.
Für alle Die drei, Sie haben separate Analyse Dialog.
Zu Tun a sehr einfach Weg, Wir Nur Die Kontrolle Und klicken Gehen.
Es Wille wählen Die Faktoren für alle drei C TQs und einmal.
Sehr einfach.
Diese drei Wille verwenden Die Dasselbe Stoppen Regel,
welche Ist Die minimale BI C.
Dann, lasst uns Klicken Sie auf Ausführen M Modell.
Das fit Modell Wille geben uns unser Beschlag separat für C TQ1, 2, 3.
Dann, Wir brauchen Zu ändern Die Modell oder reduzieren Die Modell eins von eins.
Hier, unser Kriterien Ist Zu wählen Die p Wert untere als 0. 05.
Wir definieren Das Wert.
Wann Die p-Wert untere als 5 %, Die Faktor Ist bedeutsam.
Hier, Wir dürfen entfernen X₄ .
Nächste eins, für C TQ2...
Für CTQ1, Wir Sind runter Hier.
Für CTQ2, Wir dürfen entfernen X ₁ Und X2 .
Okay, Jetzt Wir Sind haben beide untere als 0,05.
Für X₃, w e Auch dürfen Tun Die Dasselbe Ding entsprechend.
Lasst uns bewegen X₄ zuerst .
Alle Die drei Faktoren, p Wert sind niedriger als 0,05.
Wir haben erhalten Die reduziert Modell.
Hier bei Die unten, Wir Wille haben a Vorhersage Profiler.
Wenn Du nicht haben Es, Wir dürfen hinzufügen Es aus Die Profiler Funktion.
Dann, Wir würde wie Zu finden Die Optimum Zustand.
Wie Wir Sind gehen Zu Tun Das?
Wir Sind gehen Zu verwenden Die Erwünschtheitsfunktion.
Erster Schritt, Wir Wille stets Sei Satz Die Begehrlichkeit,
welche Ist bereits Satz Hier.
Wir haben eins Mich ta-gate zu minimieren.
Dann, lasst uns verwenden Die maximal Erwünschtheit Funktion.
H Auch, Wir dürfen finden unser Optimum Zustand.
Wenn Wir verwenden Maximieren und Erinnern, Hier Ist unser optimal Zustand.
Dann, Wir dürfen verwenden Das Zustand Zu laufen Die Verfahren
Und gültig aß die Sequenz wieder.
Diese Sind zwei Funktionen Ausweis wie Zu einführen Du.
Okay, Dank Du.
Danke schön.
