Hola. Hola, todos.
Este es Cheng Ting aquí,
y el otro presentador hoy voluntad ser Cui Yue.
Hoy, nosotros son yendo a compartir con tú nuestro experiencia
de explorador Departamento de Energía del JMP diseño
y el modelado funciones a mejorar el proceso de pulverización catódica.
Primero de todo,
Vamos tener a breve fondo y introducción acerca de el proyecto.
Este es el Negro Proyecto Belt Six Sigma DMAIC
acerca de a el chisporroteo proceso.
El proyecto meta eran a optimizar varios película propiedades.
En el definir fase, nosotros tener identificado el tres CTQ
y el tres correlacionado éxito criterios.
CTQ 1 es el mayoría importante y a desafiante uno.
El éxito criterios
es el medición resultado es más grande que 0.5.
CTQ2 y CTQ3 son igualmente importante.
El éxito criterios para ambos de a ellos
es el mensurable resultado debería ser menos que 0.05.
Diferente Herramientas JMP tiene estado aplicado macizamente a lo largo de el medida fase,
analizar fase, y mejorar fase.
Nosotros voluntad compartir nuestro experiencia de usando el Herramientas JMP aquí.
En el medida fase, nosotros hizo un MSA, y nosotros finalizado el datos recopilación
para el base hardware.
Tres sintonización perillas, a saber X ₁, X ₂, y X₃ están involucrados.
Después datos recopilación,
nosotros usar a Montecarlo simulación en JMP a analizar el base capacidad.
Este es el primera herramienta nosotros introducir hoy también.
En orden a establecer su base modelo,
nosotros usar aumentado GAMA, RSM, predicción perfil,
como Bueno como interacción perfil, controlar funciones en JMP.
Después entrando el analizar espacio,
en orden a hacer a raíz- causa análisis y el capacidad análisis,
nosotros usar el meta trama,
atractivo función, multivariante método,
y el gráfico análisis herramientas.
En el mejora fase, nosotros hizo hardware modificación,
dónde otro sintonización nodo X₄ era Introducido.
Interactivo gráfico, DOE aumentado,
RSM, atractivo función, y interacción perfil eran usado
en este sección a más mejorar el proceso.
El GOSS paso a paso adaptar y atractivo función eran usado
en el DOE robusto modelado a más mejorar el proceso.
Alguno de estos herramientas voluntad ser demostrado por Cui Yue más tarde.
El control fase voluntad no ser cubierto en de hoy presentación.
Como nosotros mencionado, en el medida fase,
entonces después el base recopilación, nosotros de hecho usar el Simulación de Montecarlo
a entender el base proceso capacidad.
Estos son el base capacidades para tres CTQ.
Nosotros poder ver eso todo de a ellos son normal distribución,
indicando a fuerte lineal correlación con el aporte parámetros.
Para CTQ1, el muestra significar es afuera de especulación límite.
De este modo, nosotros tener a muy negativo Ppk valor.
El 99 % de el base proceso resultado no puedo encontrarse CTQ1 especulación en todo.
CTQ2 es cerca a el especulación entre el tres Sistema de calidad del conocimiento (CTQS).
Muestra significar es más bajo que El arriba límite de especificación
De este modo, nosotros tener a positivo Ppk .
El 48 % de el base proceso resultado, ellos hacer no encontrarse el especulación para CTQ2.
Muestra significar para el CTQ3 es afuera de especulación límite como Bueno.
De este modo, él tiene negativo Ppk.
64 % de el base proceso resultado hizo no encontrarse el especulación.
Este base capacidad confirmado
eso el más grande longevidad para este proyecto es C TQ1.
Aparentemente, el base proceso condición,
cual Bueno llamar proceso condicional 1 aquí,
no puedo encontrarse nuestro CTQ éxito criterios, especialmente para CTQ1.
Nosotros voluntad necesidad a melodía el proceso condición.
Sin embargo, antes eso, nosotros voluntad necesidad de saber
si el actual hardware poder encontrarse el requisito O no.
El sujeto asunto expertos, el NOSOTROS, tiene aconsejado a nosotros,
tiene propuesto el dos hipótesis, y aconsejar a nosotros a cambio el proceso
a condición 2 basado en el segundo hipótesis.
Sin embargo, antes eso, nosotros voluntad necesidad a controlar
si el predicción modelo es bien para ambos condición.
Por eso, nosotros usar el dispersión trama a controlar el coleccionado datos estructura.
Como nosotros ver aquí, el datos coleccionado es no en a ortogonal estructura.
Este es porque nosotros de hecho usar a dos- paso evaluación diseño,
y ensanchar el proceso rango a encontrarse el éxito criterios de CTQ1.
Nosotros hizo tener un débil predicción capacidad en el área más blanca.
Sin embargo, nosotros aún tener bien predicción para el condición 1 y condición 2.
Nosotros también hizo a confuso análisis.
El hecho allá es cierto confuso riesgo en el Resolución II entre X ₁ y X₃.
Sin embargo, nosotros aún construido a predicción modelo.
Nosotros usar el respuesta servicio método para el adecuado.
En este caso, el principal efecto, interacciones,
y el términos cuadráticos voluntad ser adecuado juntos.
Residencia en el RS, S R también, RS- equilibrado cuadrado, y el valor p,
nosotros poder ver es a válido predicción modelo.
Desde efecto resumen,
nosotros poder ver eso solo el significativo términos son incluido en el modelo.
Con el interacción perfil, nosotros poder ver dos interacciones
cual son correlacionado con dos hipótesis nosotros mencionado antes.
Con el predicción perfil, nosotros elegir el proceso condición 2.
En este proceso condición,
qué nosotros poder ver aquí es 95 % de el confianza intervalo de CTQ1
es entre el rango de 0.5 y 0.6.
Este CTQ tiene estado sintonizado en especulación.
Sin embargo, en el mientras tanto, el CTQ2 y el CTQ3 son afuera de pila.
Por eso, nosotros usar el meta trama a comparar el dos proceso condiciones,
y re Date cuenta de que cuando nosotros tener mejorado CTQ 1
de proceso condición 1 a proceso condición 2
por conseguir íntimamente a el objetivo
y a estrechamiento abajo de estándar desviación.
Sin embargo, en el mientras tanto, C TQ2 y 3 eran compensado
con más grande estándar desviación y el más distancia a el objetivo.
Por eso, allá es a compensación entre tres CTQ.
En este caso, nosotros intentar a encontrar un optimizado solución
con el atractivo función en JMP.
Para CTQ1 , el éxito criterios es eso modo de 0.5.
H también, nosotros usar el máximo meseta método cuando colocar el atractivo función.
Medio cualquier valor más que o igual a el objetivo
voluntad ser igualmente privilegiado.
Nosotros también destacar el importancia de CTQ 1 por puesta 1.5 como el importante factor.
Para r CTQ2 y 3, el éxito criterios es menos que 0.05.
Por eso, nosotros usar el meseta mínima cuando colocar el atractivo.
Cualquier valor menos que o igual a el objetivo
voluntad ser igualmente privilegiado.
Sin embargo, después maximizar el atractivo,
el calculado optimizado solución es solo alrededor 0.02,
y ninguno de el tres CTQ poder encontrarse el éxito criterios.
Por eso, nosotros poder concluir eso allá es a hardware limitación
en este caso.
Después discusión con el NOSOTROS,
nosotros decidir a introducir Y₄ en nuestro datos análisis.
Y₄ es no un CTQ aquí,
pero él es a medición eso poder reflejar el intrínseco propiedad de el proceso.
Este intrínseco propiedad voluntad afectar el CTQ2 y CTQ3 directamente.
si Y₄ es más que cero, entonces es a positivo proceso,
y cuando eso Y₄ es menos que cero, es un activo proceso.
Si Y₄ es íntimamente a cero, entonces nosotros llamar es a neutral proceso,
cual hacer entrar a a a menor número de CTQ2 y CTQ3 juntos.
Aquí es el distribución de Y₄ de el base hardware.
Como qué nosotros poder ver aquí con el base hardware,
el Y₄ es siempre más que cero.
Eso, nosotros voluntad siempre tener para positivo proceso.
El multi gráfico de variables aquí de hecho espectáculos el relación
entre el Y₄: CTQ2 y CTQ3.
Ellos son fuertemente correlacionado.
Si nosotros tener menor Y₄, nosotros voluntad también tener menor CTQ2 y CTQ3.
En orden a tener a más amplio rango de Y₄,
nosotros decidir a agregar en otro factor, X₄, en el mejorar el hardware.
Juntos, otro dos científico hipótesis
tiene estado propuesto por el SOMOS.
Nosotros tener coleccionado datos en el nuevo hardware
y comparar el Y₄ distribución en dos hardware.
En el base hardware, sin X₄ , nosotros tener coleccionado datos ortogonalmente
y con cierto rango para cada factor.
Este es el distribución de el Y₄ bajo estos contribuciones.
Con el mejorado hardware, con el X ₄ introducido,
nosotros tener coleccionado datos en el mismo rango de X ₁, X ₂, y X ₃.
Este tiempo, Y₄ a t diferente X ₄, tiene también estado coleccionado.
Comparando el dos distribuciones, nosotros poder ver eso sin X₄ ,
nosotros solo ver uno grupo para Y ₄, con el cima valor más que cero.
Sin embargo, con el X₄ introducido,
nosotros poder observar un bimodal distribución para Y₄,
con uno cima con significar más que cero, y otro cima con significar menos que cero.
El proceso condición marcas Y ₄ menos que cero
de hecho sorteos nuestro atención.
Bajo estos proceso condiciones, nosotros voluntad tener negativo proceso,
y este puede ayuda a nosotros a mejorar CTQ2 y CTQ3,
pero elige eso proceso si nosotros no puedo encontrarse todo CTQ en uno proceso solo,
porque neural proceso beneficios CTQ2 y CTQ3.
Nosotros hizo a simple pantalla de procesado condiciones
cuando nosotros tener un negativo proceso, y este dirigir a nosotros a a cierto rango de X₄.
Eso es por qué nosotros recopilar más datos a en este rango,
porque es nuestro condición de intereses.
Ahora, nosotros concluir eso el X₄ hizo impacto en Y ₄,
y de este modo, él poder impacto en CTQ2 y CTQ3.
Ahora, nosotros poder más con el impacto de X₄ en CTQ1,
y construir otro modelo para el mejorado hardware.
Previo el datos recopilación,
nosotros tener preseleccionado el condiciones de interés
usando el interactivo gráfico en JMP.
Nosotros voluntad recolectar más datos con cierto rango de X₄,
porque este X₄ de hecho poder dar a nosotros el negativo Y₄ valor.
Él también cubiertas mayoría rangos de Y ₄.
Como nosotros poder ver aquí, antes el datos recopilación,
como qué nosotros poder ver aquí,
este es no el mayoría ortogonal estructura,
desde nosotros tener coleccionado más datos en el condiciones de intereses,
incluso aunque después haciendo a diseño evaluación,
nosotros encontrar a bajo con establecimiento riesgo.
El datos estructura es aún bien para modelado.
Este es el modelo nosotros construido.
Como qué nosotros poder ver aquí, nosotros tener un adecuado modelo.
Solo factor con el p valor menos que 0.05,
o qué incluido en el modelo.
El RS porqué es eso más que 0.8.
El diferencia entre el R Cuadrado equilibrado
y R Cuadrado es menos que 10 %.
El p valor para el entero modelo es siempre menos que 0.0 01.
También, a través de el interacción perfil, el hipótesis 1 a 4 tiene estado validado.
Este tiempo, poder nosotros encontrar cualquier optimizado ¿solución?
De nuevo, nosotros correr la deseabilidad función.
El izquierda lado es el optimizado solución proporcionó con el base hardware
antes el X₄ entrega,
y el bien lado es el optimizado solución
con el mejorar hardware d con X₄ cuotas.
Como qué nosotros poder ver aquí, comparado con el base hardware,
mejorar d hardware hizo proporcionar un optimizado solución
con más alto atractivo y mejorar el resultado para cada C TQ.
Sin embargo, el atractivo es aún bajo, cual es solo 0.27.
No todo Los CTQ se reúnen el éxito criterios en uno paso.
Entonces nosotros aún hizo no encontrar eso adecuado solución
en un paso proceso para el proyecto.
Sin embargo, pero como qué nosotros mencionado previamente,
desde nosotros tener a grupo de el proceso condiciones,
permitir a nosotros dos negativo proceso con el Y ₄ menos que cero.
Nosotros poder proponer a potencial solución con dos- paso proceso.
El solución con dos- paso proceso puede no ser eso directo.
Como nosotros saber, si nosotros poder encontrar el optimizado solución en uno paso,
todo nosotros necesidad a hacer es justo a redondo el proceso en el condiciones,
da el maximizado atractivo.
El resultado voluntad ser previsible desde nosotros tener a conocido modelo para él.
Ahora nosotros desear a tener a dos- paso proceso.
Para cada paso, nosotros tener un conocido modelo,
y si el proceso condición es determinado.
Sin embargo, pendiente a el diferente proceso duración para cada paso,
nosotros voluntad tener a nuevo modelo para el final resultados.
En este nuevo modelo, nosotros voluntad tener nueve variables en total:
X ₁ a X₄ para cada paso, y la duración para cada paso.
Ahora, el pregunta es,
cómo son nosotros yendo a encontrar a adecuado solución para el dos- paso ¿procesos?
Nosotros tenemos consiguió dos estrategias.
El primero es a hacer a DSD modelado para el nueve variables.
En este caso, nosotros voluntad necesidad a tener al menos 25 corre para el primer juicio.
De curso, nosotros voluntad tener ortogonal datos estructura.
El RS M modelo poder ser construido, pero el costo voluntad ser muy alto.
El otro estrategia es a pantalla diseño
con el grupo ortogonal supersaturado diseño primero,
cual es el GOSS diseño.
En este caso, nosotros poder pantalla el impacto de Siete variables con seis correr.
Este es por qué es súper- saturado.
Nosotros tener más variables que el datos agujas.
De curso, nosotros voluntad necesidad a pantalla afuera dos variables
antes el GOSS,
y nosotros usar el interactivo gráfico de nuevo en este caso,
y el detalles voluntad ser revisado por el próximo diapositivas.
El GOSS diseño proporciona
dos independiente bloques para cada paso del proceso.
Allá es No interacciones entre el factores al otro lado de bloquear.
El datos estructura es ortogonales en cada uno bloquear,
haciendo él posible a pantalla efecto con el supersaturado datos recopilación.
Sin embargo, este GOSS voluntad espectáculo el impacto de principal efecto solo,
y No interacción voluntad ser consideró.
Este es a bajo- costo acercarse, y nosotros administrar más GAMA diseño.
El seguimiento del DOE poder ser DSD, aumentar, o OFAT.
Cada de estos tiene es propio pros y contras,
y él voluntad no ser cubierto en este presentación.
De todos modos, a ahorrar el costo, nosotros decidir a proceder con estrategia 2.
Nosotros comenzar con un GOSS diseño.
Como nosotros conversar ed ahora, nosotros tener nueve diferente variables.
Sin embargo, en el GOSS, nosotros poder Sólo incluir Siete variables.
En orden a angosto abajo el parámetros para el GOSS diseño,
nosotros hizo a simple pantalla con el interactivo gráfico.
Para paso 1, nosotros elegir el proceso condiciones,
permitir a nosotros a tener a bien CTQ2.
Después cribado,
nosotros decidir a arreglar X₂ en este caso, basado en el anterior aprendiendo.
Como visto aquí, cuando el CTQ1 es más que 0.5,
todo nosotros tener es a positivo proceso con el Y₄ para más que 20 %.
Por eso en este caso, para paso 2, nosotros proceso de elección condiciones,
permitir a nosotros a tener el Y ₄ menos que -0.5 Así que nosotros poder tener a negativo proceso.
En este caso, añadiendo dos pasos juntos, el final Y ₄ voluntad ser íntimamente a cero.
Este forma poder mejorar en CTQ2 y CTQ3.
Después cribado, nosotros decidir a arreglar X₁ para este paso,
basado en el anterior aprendiendo.
Después datos recopilación,
nosotros hizo a paso ajuste inteligente con principal efecto solo,
desde en el GOSS, como nosotros mencionado previamente,
solo principal efecto es consideró.
Todo tres CTQ validado el modelo con el valor p menos que 0.05,
y el RS por qué equilibrado alrededor 0.8, y VIF menos que 5.
Después maximizar el atractivo,
el modelo proporcionar a nosotros con un optimizado solución
con atractivo más que 0,96, cual es forma más alto que 0,27,
y no a mencionar 0.02.
Por eso, nosotros poder de hecho cerrar el proceso parámetros
y más por el optimizado solución en próximo paso,
cual es nosotros elegir a usar el DESASTRE.
Pero este voluntad no ser cubierto aquí.
Aquí, I como a resumir
qué nosotros tener discutido en este presentación.
En este presentación, nosotros tener y compartir con tú el experiencia.
Nosotros usar diferente JMP herramientas involucrado en el datos análisis
a lo largo de el DMAIC proyecto en diferente etapas.
Para el base capacidad de línea análisis, nosotros tener usado Simulación de Montecarlo.
Nosotros también usado a meta trama.
Para el raíz- causa análisis, nosotros usado método multivariado.
Nosotros también usado a gráfico análisis.
En orden a ayuda con el GAMA,
nosotros usado el aumentado GAMA, GOSS y diagnóstico de diseño.
En términos a tener a bien modelo y predicción,
nosotros usado diferente funciones de ajuste, y nosotros también usado el predicción perfil.
Nosotros también usado el interacción perfil.
Él también era mencionado eso estos perfiles son no solo usado
para el modelo y el predicción,
pero él también ayuda a nosotros a tener a Más adentro comprensión
de el proceso sí mismo.
En orden a pantalla afuera el condiciones de interés,
nosotros de hecho usar el interactivo gráfico,
cual es simple, pero muy útil y poderoso.
En orden a hacer d escisión haciendo,
nosotros de hecho usar el atractivo funciones ayuda a nosotros a hacer a decisión.
Hasta ahora, nosotros compartir con tú nuestro experiencia
de cómo el JMP poder ayuda a nosotros a hacer el analizar.
El último pero no el menos,
nosotros quería como a agradecer Carlos para su mentoría a lo largo de el progreso.
Agradecer tú.
Mi socio Cui Yue,
Ella lo hará compartir con tú alguno demostración con el JMP lado.
Ella voluntad ayuda a nosotros a demostrar
cómo poder nosotros usar el interactivo gráfico análisis
como Bueno el paso a paso adecuado en el GOSS modelo.
Bueno, agradecer tú.
Gracias, Cheng Ting.
I pensar tú poder ver mi pantalla ahora, ¿bien?
El Lo primero, I quería como a introducir tú
el interactivo trama Cheng Ting tiene justo mencionado.
Este es de hecho uno de mi personal favorito función en JMP.
Es simple, pero es muy poderoso.
Aquí, nuestro objetivo es a pantalla qué el mayoría relativo función,
un factor relativo a Y₄.
Cual uno contribuye el mayoría a Y₄, de X₁ a X ₄?
Nosotros poder simplemente seleccionar todo el factor de interés nosotros desear aquí,
y Haga clic en Aceptar.
Ahora, nosotros son teniendo el distribución de todo el factores.
Ahora, como Cheng Ting tiene mencionado, nosotros desear a saber qué contribuye el mayoría
a el Y₄ y negativo lado.
Para ejemplo, aquí.
Entonces ahora, nosotros poder ver solo X₄ de 13- 14, X₃ de 0- 1,
y X₂ en este rango, 2.5 -5.
También, X ₁ en 19-20, poder hacer este suceder.
De este modo, es más fácil a dar a nosotros a rango de diferente factores,
cómo él voluntad contribuir a Y₄, y cómo eran yendo a elegir el factores
si nosotros desear el Y₄ alcanza cierto nivel.
Similarmente, si nosotros desear él a ser levemente más alto que 0 %,
nosotros poder también simplemente hacer clic este área.
De hecho, a ser bastante directo, a resolver el problema en uno disparo,
nosotros justo Seleccione estos dos juntos.
Entonces, nosotros poder ver, bueno, X ₄ debería ser en este rango,
tal vez 10- 14.
X₃, definitivamente debería concentrarse en 0-1.
X₂ es a levemente más amplio distribución.
X ₁, hay o solamente dos c andidatos para este dirección.
De este uno, nosotros poder fácilmente y intuitivamente encontrar
el contribución factores nosotros desear.
Este es el primera función I quería como a demostrar a tú,
el distribución función.
Allá son muchos otro cosas el distribución función poder hacer,
incluido ver el datos distribución y prueba a lote de cosa,
[inaudible 00:24:49] prueba , etcétera.
Entonces I no venir en aquí.
El segundo cosa I desear a compartir con tú es el GOSS.
Es de hecho el Ajuste GOSS paso a paso.
Ahora, nosotros son teniendo tres CTQ.
Todo el CTQ, el análisis diálogo es abierto aquí.
Para todo el tres, ellos tener separado análisis diálogo.
A hacer a muy directo forma, nosotros justo el Control y hacer clic Ir.
Él voluntad seleccionar el factores para todo tres C TQs y una vez.
Muy directo.
Estos tres voluntad usar el mismo parada regla,
cual es el BI mínimo DO.
Entonces, Vamos Haga clic en Ejecutar M modelo.
Este adaptar modelo voluntad dar a nosotros nuestro adecuado por separado para C TQ1, 2, 3.
Entonces, nosotros necesidad a modificar el modelo o reducir el modelo uno por uno.
Aquí, nuestro criterios es a elegir el p valor más bajo que 0. 05.
Nosotros definir eso valor.
Cuando el valor p más bajo que 5 %, el factor es significativo.
Aquí, nosotros poder eliminar X₄ .
Próximo uno, para C TQ2...
Para CTQ1, nosotros son abajo aquí.
Para CTQ2, nosotros poder eliminar X ₁ y X2 .
Bueno, ahora nosotros son teniendo ambos más bajo de 0,05.
Para X₃, w e también poder hacer el mismo cosa respectivamente.
Vamos mover X₄ primero .
Todo el tres factores, p los valores son más bajos de 0,05.
Nosotros tener conseguir el reducido modelo.
Aquí en el abajo, nosotros voluntad tener a predicción perfilador.
Si tú no tener él, nosotros poder agregar él de el perfilador función.
Entonces, nosotros quería como a encontrar el óptimo condición.
Cómo nosotros son yendo a hacer ¿eso?
Nosotros son yendo a usar el función de deseabilidad.
Primer paso, nosotros voluntad siempre ser colocar el atractivo,
cual es ya colocar aquí.
Nosotros tener uno a mí puerta de enlace a minimizar.
Entonces, Vamos usar el máximo atractivo función.
H también, nosotros poder encontrar nuestro óptimo condición.
Si nosotros usar Maximizar y Recordar, aquí es nuestro óptimo condición.
Entonces, nosotros poder usar este condición a correr el proceso
y válido comió el secuencia de nuevo.
Estos son dos funciones Identificación como a introducir tú.
Bueno, agradecer tú.
Gracias.
