Améliorer le débit des instruments de mesure pour répondre aux exigences de production tout en maintenant une faible variation de mesure peut s'avérer complexe. Souvent, débit et variation de mesure sont des variables antagonistes, et comprendre leur relation peut être difficile sans recourir à un plan d'expériences (DOE).
Dans cette étude de cas, nous montrons comment la plateforme Custom DOE de JMP peut être couplée à une analyse des systèmes de mesure (répétabilité et reproductibilité de l'instrument) afin d'accroître le débit tout en préservant l'exactitude et la précision de l'instrument. Grâce à la plateforme DOE de JMP, le temps de développement a été réduit d'environ 50 % par rapport à une approche par variables individuelles. Nous présentons les contraintes physiques de l'instrument et leur intégration dans le Custom DOE. Nous modélisons ensuite les résultats du DOE, notamment l'optimisation de l'espace de conception et la validation expérimentale de l'augmentation de 60 % du débit de l'instrument.
Salut à tous. Bonjour. Je m'appelle Michael Cantwell. Je suis ingénieur en développement chez Peak Nano. Avec Jake Miller, nous vous avons présenté une étude de cas sur laquelle nous avons travaillé, portant sur l'amélioration du débit de vos instruments de mesure grâce à la combinaison d'un plan d'expériences personnalisé et d'une étude de répétabilité et de reproductibilité.
Avant d'aborder cette étude de cas, j'aimerais vous présenter brièvement Peak Nano, afin que vous puissiez découvrir nos produits et certains des secteurs d'activité que nous desservons. Notre entreprise est structurée en deux divisions. Jake et moi-même travaillons dans le domaine de l'optique ; notre division se concentre sur la conception et la fabrication de lentilles, ainsi que sur l'assemblage de systèmes optiques complets.
Cela inclut des équipements tels que des jumelles, des lunettes de vision nocturne, des systèmes de conduite de tir pour mortier ou pour fusil. Cette division est principalement axée sur les applications et les contrats de défense, mais elle développe également des applications commerciales.
L'autre division, celle des films, s'appuie sur une technologie de base permettant de créer des produits aux propriétés uniques. Parmi les produits qu'elle développe actuellement à grande échelle figurent les films pour condensateurs. Ces films, aux propriétés optimisées, sont très appréciés de ses clients. Ils trouvent des applications dans les réacteurs à fusion, qui nécessitent une forte demande énergétique sur une très courte période, ainsi que dans les systèmes de lancement d'aéronefs, où les condensateurs sont indispensables. On les retrouve également dans tous les systèmes où la demande énergétique est importante et rapide.
Cette technologie de base trouve également des applications dans le domaine de l'emballage alimentaire, voire du recyclage, pour obtenir des films aux propriétés intrinsèques et mécaniques identiques. Habituellement, le recyclage ne permet pas d'atteindre ces mêmes propriétés. Cette technologie de base permet d'obtenir les mêmes propriétés tout en recyclant davantage, ce qui s'est avéré très avantageux pour la division films.
Encore une fois, pour cette étude de cas dont nous parlons aujourd'hui, Jake et moi-même venons de l'unité commerciale optique, et nous allons parler du processus de fabrication des lentilles et plus particulièrement d'un instrument de mesure dans ce domaine.
Nous allons aborder l'ordre du jour afin de vous présenter le programme de la journée. Nous commencerons par le schéma du flux de processus pour bien cerner le problème. Nous examinerons ensuite les difficultés liées à la montée en puissance et comment elles se sont accentuées avec l'augmentation de notre production et du nombre de pièces fabriquées.
Nous allons détailler le plan d'expériences (DOE), sa conception, sa mise en place et les raisons de ces choix. Nous aborderons brièvement l'analyse de la répétabilité et de la reproductibilité (R&R) des instruments de mesure, ainsi que la sélection des échantillons. Nous discuterons des résultats et conclurons par quelques observations.
Pour mieux comprendre le problème que nous abordons aujourd'hui dans le processus de fabrication des lentilles, nous avons divisé ce processus en quatre étapes principales, comme la conception optique. Le concepteur définit le rayon de courbure nécessaire pour une surface donnée. Ensuite, l'usinage de haute précision, étape dans laquelle Jake intervient principalement, permet de réaliser ce rayon de courbure.
Comme nous ne vivons pas dans un monde idéal, nous devons mesurer la surface réelle. Pour cela, nous utilisons un appareil de mesure de surface. Cet appareil permet de caractériser précisément l'aspect de la surface. C'est cet appareil dont nous allons parler aujourd'hui ; cette étude de cas porte donc entièrement sur lui. Il fournit de nombreuses informations, mais nous nous concentrerons ici sur la caractérisation du rayon de courbure.
Ensuite, le contrôle qualité. Nous avons établi des limites de spécification d'environ ± 10 microns. Ainsi, si nous respectons ces limites, les lentilles sont conformes aux spécifications. Dans le cas contraire, nous pouvons les retravailler, une procédure standard. Chaque passe de finition de surface ne représente que quelques centaines de nanomètres, ce qui permet de retravailler une lentille deux ou trois fois.
Le point suivant que je souhaite identifier est le goulot d'étranglement de ce processus : la surface de contrôle. Chaque surface de contrôle nécessite environ quatre passes, et la mesure de chaque pièce prend ensuite entre cinq et sept minutes. La surface de contrôle constituait un goulot d'étranglement dans notre processus. Il est primordial pour nous, dès la phase de développement et lors de la mise à l'échelle, de pouvoir recueillir des informations précises sur les valeurs réelles.
Parlons maintenant de montée en puissance. Lorsqu'on lance un nouveau produit, surtout dans le secteur du matériel, on commence avec très peu de pièces pour le développement, puis, à mesure que l'activité se développe, la production augmente et le contrôle et l'assurance qualité doivent évoluer en conséquence. Le débit des instruments de mesure a commencé à devenir un goulot d'étranglement important, ce qui a engendré des contraintes majeures, notamment en termes de temps de mesure et de disponibilité des opérateurs.
Compte tenu des caractéristiques initiales de cet instrument de mesure pour lentilles, avec un intervalle de mesure de six à sept minutes et une variation d'environ 0,02 %, nous étions très satisfaits de cette dernière. Il est difficile de se plaindre d'une variation de 0,02 % pour un instrument de mesure, mais le temps de mesure posait problème. La question était donc : comment réduire efficacement ce temps sans impacter la précision de l'instrument ?
C'est là qu'intervient le plan d'expériences (DOE). Pour améliorer ce système, nous avons utilisé un DOE et, puisqu'il s'agit d'un instrument de mesure, une étude de répétabilité et de reproductibilité (R&R). Je vais commencer par le DOE, puis nous aborderons l'étude R&R.
Si vous utilisez JMP régulièrement, vous avez certainement déjà entendu parler de la méthode DOE. Cependant, je souhaite utiliser le graphique ci-dessous pour expliquer pourquoi il est préférable d'opter pour une approche DOE plutôt que pour une approche par variable unique (OVAT). Comme vous pouvez le constater en bas à gauche, l'erreur de raisonnement liée à l'utilisation d'une approche par variable unique (OVAT) est illustrée.
Bien souvent, lorsque j'explique cela à de nouveaux ingénieurs, ou peut-être à d'autres collègues, ce graphique s'avère très utile pour montrer pourquoi on peut aboutir à un faux optimum. On prend souvent une variable, on la modifie, on la fait varier, on trouve son optimum, puis on se dit : « Bon, on a optimisé cette variable, maintenant il faut optimiser la deuxième », et on commence à modifier cette dernière à partir de la première condition optimisée. On conclut alors : « Voilà l'optimum pour les deux variables. » Mais comme on le voit, il s'agit en réalité d'un faux optimum.
En adoptant une approche de sélection des facteurs ou des réponses, toutes deux intégrées à un plan d'expériences (DOE), on peut s'approcher d'un optimum global plus précis. L'autre avantage majeur du DOE est qu'il permet généralement de réaliser moins d'expériences tout en obtenant de meilleurs résultats ; c'est donc une solution gagnante à tous les égards.
Dans cette approche DOE, il arrive que des contraintes physiques limitent votre espace de conception. Nous aborderons ce point aujourd'hui. Nous verrons comment ajouter des contraintes personnalisées à votre matrice de conception dans JMP, puis nous traiterons de l'analyse R&R de l'instrument de mesure. Nous parlerons des modifications apportées à l'instrument ; par conséquent, toute modification doit être analysée afin d'évaluer son impact sur l'analyse R&R et la variation de l'instrument. L'analyse R&R permet, en résumé, d'identifier les sources de variation, qu'elles proviennent de l'instrument, de l'opérateur ou du processus lui-même.
Voici un aperçu général de ce que nous allons faire aujourd'hui dans cette étude de cas, et plus précisément du flux de travail que nous utilisons dans JMP. Nous commencerons par la configuration du plan d'expériences (DOE), en examinant certaines contraintes personnalisées et les limites min-max. Ensuite, nous aborderons l'instrument de mesure, son analyse R&R, et expliquerons pourquoi nous avons choisi certains échantillons pour représenter notre production. Enfin, nous visionnerons des vidéos préenregistrées dans JMP présentant l'analyse des données.
Nous allons détailler la construction d'un modèle pour nos données, en nous concentrant sur la maximisation de l'attractivité et le choix des conditions optimales de réglage des jauges. Nous utiliserons le simulateur pour mieux visualiser l'espace, tester notre modèle et le visualiser, puis procéderons à sa vérification. Toute modélisation nécessite une vérification, que nous avons effectuée expérimentalement.
Ensuite, je vais laisser la parole à Jake pour qu'il nous explique le fonctionnement du DOE et la configuration de la jauge R&R.
Très bien. Bonjour à tous. Pour bien comprendre ce sujet, il faut d'abord ce que nous cherchons à obtenir, puis identifier les variables d'entrée sur lesquelles nous pouvons agir pour parvenir à cette conclusion. Premièrement, comme l'a mentionné Michael, nous cherchons à minimiser la variation de l'instrument de mesure (dont la valeur initiale nous convenait) et à minimiser le temps de mesure.
Dans le coin supérieur gauche, nous avons ces deux réponses dans la boîte de dialogue JMP, et à côté se trouvent les facteurs : AP, RP et la vitesse de rotation. Ce sont toutes des variables continues, c'est-à-dire les variables d'entrée de la machine, que nous pouvons moduler pour obtenir une meilleure réponse. Sur la diapositive suivante, nous examinerons en détail ces variables et commencerons à comprendre leurs implications, leur impact physique et leurs limitations.
Si nous passons à la diapositive suivante, nous aborderons la méthode par laquelle cet instrument de mesure qualifie la surface de ces lentilles. Nous commençons par définir nos variables d'entrée : le pas azimutal (AP), le pas radial (RP) et la vitesse de rotation (Omega).
En observant la vue de côté, on constate que la pièce à tester est placée sous un capteur optique, lequel pivote. Le capteur se déplace le long de la pièce pendant sa rotation, ce qui nous amène à la vue de dessus. Sur cette vue, vous pouvez observer plusieurs points de données, délimités par des points roses.
Le pas azimutal est la distance le long de cette trajectoire de mesure en spirale entre les points de données, et le pas radial est la distance entre les bras de la spirale de cette trajectoire. Bien entendu, cette trajectoire que nous observons ici est la ligne tracée à la surface de la pièce lorsque le capteur optique parcourt la pièce et que celle-ci tourne en dessous.
On peut en tirer quelques enseignements. Pour optimiser, ou plutôt minimiser, le temps de mesure, il est préférable de maximiser le pas radial. En effet, si l'on effectue des mesures plus espacées jusqu'à un certain point, on peut supposer que le temps de mesure sera réduit. La combinaison du pas azimutal et du pas radial détermine la densité des données collectées sur la surface. Ces paramètres (RP, AP et Omega) constituent les contraintes de notre machine, avec la vitesse de déplacement.
Passons à la diapositive suivante. Nous allons examiner les facteurs limitants. La principale contrainte liée à notre plan d'expériences est la vitesse de déplacement du capteur optique sur la pièce à mesurer. L'équation 1, une inégalité, montre que la valeur de 0,34 mm/s représente cette limite. Le capteur optique ne peut pas parcourir la surface plus rapidement.
Ensuite, grâce au principe de mesure présenté dans la diapositive précédente et à la trajectoire des données en spirale, on constate qu'à chaque rotation de la pièce d'essai, il existe une relation entre le pas radial et la rotation, due aux bras spiraux générés. Ceci nous amène à l'équation deux. Cependant, cette équation étant non linéaire, nous ne pouvons pas l'utiliser dans le cadre de la contrainte JMP. Comme vous pouvez le voir à droite, nous avons défini des contraintes de facteur dans JMP. Toutefois, nous ne pouvons pas encore les utiliser car elles sont incluses dans une contrainte linéaire. Nous allons donc passer à la diapositive suivante pour vous montrer comment nous avons procédé pour linéariser cette équation.
En additionnant les deux premières équations, on obtient l'équation trois. En redéfinissant ensuite le pas radial comme étant égal à 1/pas radial dans cette équation, on obtient l'équation quatre, qui est maintenant l'équation linéarisée que nous devons pouvoir entrer dans JMP. Passons donc à la diapositive suivante.
Vous constaterez ici que nous avons toujours les mêmes réponses qu'auparavant, mais avec l'ajout du pas radial, et nous n'avons pas vraiment sélectionné d'objectif avec cela, car même si notre intuition peut nous amener à croire que maximiser cette valeur permettrait probablement d'obtenir au moins l'un de ces résultats, à savoir minimiser le temps de mesure, nous ne savons pas vraiment quel serait son impact sur la variation de la jauge. Nous devons donc attendre les résultats de la planification d'expériences pour savoir ce que nous devrions faire.
Nous avons ensuite les facteurs à droite : AP, puis le facteur redéfini sur RP, puis la vitesse de rotation, et enfin, en dessous, les contraintes linéaires que nous pouvons maintenant saisir dans JMP. Nous pourrons ainsi observer comment elles contribuent à générer les méthodes DOE nécessaires à la collecte des données. Passons à la diapositive suivante.
Cette étude nous a permis de constater que le pas azimutal et le pas radial sont en réalité indépendants. Le pas azimutal est indépendant du pas radial. Grâce aux limitations du système d'acquisition numérique utilisé par l'appareil, il est possible de collecter un nombre quasi infini de points de données le long de chaque bras spiralé. La véritable difficulté réside dans la proximité de ces bras spiraux, la vitesse de déplacement de l'appareil sur une surface et la vitesse de rotation de la pièce. Ce sont précisément ces contraintes physiques qui nous intéressent.
Le pas azimutal n'a pas vraiment d'incidence sur le temps, ni sur la variation de la jauge. Nous l'avons constaté par expérience, et comme l'ont montré quelques tests simples, sans lien avec ce plan d'expériences, nous avons exclu cette interaction. Nous avons ensuite sélectionné le modèle de surface de réponse, qui nous fournit tous les effets que nous souhaitons tester avec les facteurs entrés dans JMP. Pour définir précisément cette surface de réponse, il nous faut au minimum sept méthodes différentes. Passons à la diapositive suivante.
Nous avons ici deux éléments essentiels. À gauche, le tableau qui récapitule les sept méthodes que j'ai mentionnées précédemment. Juste à côté, la représentation graphique (la matrice de test DOE) est sans doute bien plus utile. L'axe des ordonnées représente le pas radial, et l'axe des abscisses, la vitesse de rotation.
Le pas azimutal est évidemment omis car son impact est négligeable. On voit ici les valeurs minimales et maximales définies par la jauge en bleu. Bien entendu, le pas radial ne peut pas être inférieur à zéro ; cela n'aurait aucun sens. De plus, le pas radial possède une valeur maximale.
Il en va de même pour la vitesse de rotation. Le plus intéressant, c'est que la ligne de contrainte rouge correspond à la contrainte linéarisée que nous avons définie précédemment, qui concerne la relation entre le pas radial et la vitesse de rotation. Une fois ce rectangle défini, nous obtenons l'espace dans lequel nous modéliserons la surface de réponse de cet instrument et de ses performances.
Vous constaterez que les méthodes de mesure délimitent ici les contours de la matrice de test DOE. Une fois toutes ces données recueillies, nous pourrons définir statistiquement n'importe quel état arbitraire dans cet espace représenté graphiquement. C'est précisément ce que nous faisons ici. Cette méthode s'arrête là. Concernant l'analyse R&R de l'instrument de mesure, nous avons évidemment besoin de la répétabilité de la machine. Nous voulons vérifier que cette répétabilité ne varie pas selon les méthodes utilisées. Si c'est le cas, nous pourrons alors déterminer si certaines méthodes présentent plus de risques que d'autres.
Chacune de ces méthodes a été répétée trois fois, et nous allons maintenant parler un peu de la sélection de l'échantillon et des raisons de ce choix, de ce que nous avons fait pour atténuer tout risque potentiel qui pourrait en découler, alors passons à la diapositive suivante.
Concernant la sélection des échantillons, nous souhaitions que la méthode trouvée puisse être généralisée à tout échantillon potentiel que nous pourrions réaliser, ou à l'avenir, dès maintenant, à tout moment, car il existe un risque que si nous n'avions testé qu'un seul échantillon, cet indicateur ne soit pas aussi performant sur tous les échantillons potentiels que nous pourrions vouloir mesurer. Ainsi, nous pourrions obtenir un optimum global pour ce que nous réalisons actuellement, mais il ne serait pas pérenne et ne serait donc pas généralisable pour l'avenir.
Pour cette étude, nous nous sommes limités au rayon de courbure. Bien sûr, d'autres paramètres ont été pris en compte. Vous pouvez constater ici que nous avons un éventail de surfaces convexes et concaves. Les échantillons sont listés, et bien entendu, trois mesures ont été effectuées pour chaque méthode, ce qui nous a permis de générer les données de répétabilité et de reproductibilité (R&R) de l'instrument à partir de ce plan d'expériences.
Passons à la diapositive suivante. Bien, nous arrivons à la partie des résultats. Je laisse donc la parole à Michael, qui va conclure pour vous.
Merci, Jake. Reprenons notre flux de travail pour récapituler. Jake vient de nous expliquer comment nous avons configuré le plan d'expériences, l'étude de répétabilité et de reproductibilité des instruments, et comment nous avons sélectionné certains échantillons. Nous allons ensuite passer la collecte des données. Mais avant d'aborder l'analyse des données, voici une ou deux diapositives sur les résultats que nous allons examiner avant de construire le modèle.
Une fois que nous aurons commencé à travailler dans JMP, nous verrons comment construire un modèle à partir des données, comment maximiser la désirabilité ou optimiser les conditions de réglage des indicateurs. Nous utiliserons le simulateur pour mieux visualiser les informations fournies par ce modèle, et nous effectuerons des vérifications expérimentales dont nous analyserons également les résultats.
Que devons-nous observer dans ces résultats ? Que devons-nous analyser précisément ? Tout d’abord, la précision. Une diapositive est consacrée à ce sujet, et notamment à la vérification que la méthode n’affecte pas la mesure nominale. Par exemple, lors de la mesure de films minces, l’utilisation d’un pied à coulisse peut fausser la mesure d’épaisseur en comprimant le film. La méthode de mesure peut donc impacter la précision. Nous devons nous assurer que la précision n’est pas affectée.
Deuxièmement, il y a la variation de l'instrumentation. C'est un point crucial que nous avons déjà évoqué. Nous devons respecter, voire réduire, cette variation par rapport à la valeur de référence, ainsi que le temps de mesure. Nous cherchons à augmenter le débit ou à diminuer le temps de mesure ; ces trois éléments sont indispensables à la réussite de cette étude de cas.
Concernant la précision, nous avons résumé ces données sur un seul graphique. L'instrument génère une grande quantité de données ; par exemple, pour le rayon de courbure, notre tolérance est d'environ ± 10 microns. Il est donc essentiel de toujours tenir compte des tolérances.
En examinant plus précisément la pièce numéro deux, pour toutes les méthodes, à l'exception peut-être de la méthode numéro six, nous nous situons dans une plage d'environ plus ou moins un micron, et connaissant notre limite de spécification ou notre limite de tolérance, nous sommes très confiants après avoir examiné ces données que la précision n'a pas été affectée par la méthode, nous avons donc coché la première case pour ce qui est important dans nos résultats.
Nous allons maintenant utiliser JMP pour construire les modèles de mesure du temps de variation de jauge. Voici quelques vidéos préenregistrées et intégrées à cette présentation PowerPoint ; veuillez nous excuser pour les éventuelles erreurs de frappe.
Très bien, alors tout d'abord, je voulais vous montrer le tableau de données. J'ai déjà effectué quelques calculs préliminaires : le rayon de courbure est la donnée fournie par l'appareil de mesure. Nous l'avons converti en variation d'échelle à l'aide de l'appareil de mesure sur notre plateforme dans JMP, puis nous avons enregistré le temps de mesure. Ce temps est enregistré lors de la collecte des données.
J'ai regroupé ces deux variables en tant que variable de sortie. J'ai également regroupé les trois variables d'entrée : le pas radial, le pas azimutal et la vitesse de rotation (exprimée en degrés par seconde). Une fois notre tableau de données établi, nous utiliserons la plateforme de modélisation pour commencer à modéliser l'influence de nos variables d'entrée sur nos variables de sortie.
Dans ce modèle, nous allons spécifier nos variables de sortie dans le rôle Y et nos variables d'entrée. Nous allons choisir la macro de surface de réponse en fonction de la configuration de notre plan d'expériences (DOE). Lorsque nous choisissons une macro de surface de réponse, elle intègre tous les effets testés dans le DOE. Cependant, elle a ajouté l'interaction entre le pas radial et le pas azimutal, qui avait été omise du DOE. Nous allons voir pourquoi c'est important. Dès que nous exécuterons ce modèle, une erreur devrait s'afficher.
Pour ce semestre, nous avons omis le plan d'expériences (DOE). Nous ne l'avons pas testé directement, mais nous allons essayer de construire un modèle en l'intégrant. Lors de l'exécution de ce modèle, je souhaite que chacun prête attention en premier lieu au détail de singularité qui apparaît. Ce détail nous indique : « Attention, il y a un problème avec vos données. Vous ne pouvez pas tester tous les effets présents dans le modèle. » Cela est dû au fait que le pas radial et le pas azimutal n'ont pas été inclus dans la configuration du DOE.
Si je retire ce terme du modèle, vous constaterez que ce détail singulier a disparu. Une fois ce détail disparu, nous pouvons examiner les valeurs p pour tester la significativité statistique. Personnellement, j'utilise par défaut un seuil d'environ 0,05. Pour certains jeux de données, j'utilise 0,1 comme seuil. Nous utiliserons la valeur de 0,05 pour cette étude de cas.
J'ai commencé par supprimer le terme ayant la valeur p la plus élevée. Comme vous pouvez le constater, une fois cette opération effectuée, les valeurs p restantes et les effets restants deviennent significatifs. Ces effets resteront dans le modèle pour la suite de notre analyse.
Ensuite, nous allons utiliser un profileur pour optimiser les paramètres de la jauge. Vous pouvez faire glisser un profileur sous le menu déroulant en forme de triangle rouge, et la toute première chose que nous allons faire est d'activer les fonctions de désirabilité.
Par défaut, chaque variable de sortie est maximisée. Si vous suivez la configuration DOE personnalisée du début à la fin, le logiciel mémorisera les paramètres et l'objectif de chaque variable. Cependant, pour cette étude de cas, nous avons utilisé des données datant d'environ un an ; c'est pourquoi la maximisation de ces variables est activée par défaut. Vous pouvez très facilement modifier ces paramètres. En maintenant la touche Ctrl enfoncée et en cliquant avec le bouton droit dans la fenêtre de désirabilité, vous pouvez passer de « maximiser » à « minimiser ».
Une fois vos objectifs définis pour chaque variable de sortie, vous pouvez optimiser leur désirabilité. Examinons maintenant les trois variables d'entrée et les réglages optimaux des jauges selon ce modèle. Ces réglages constitueront la méthode huit présentée dans les diapositives suivantes. Voici les conditions optimales de réglage des jauges.
Lorsque j'aborde JMP et son utilisation pour la modélisation des données, je constate souvent que ce n'est qu'une façon de visualiser les données. Certaines personnes ont des difficultés avec ces profileurs ; il existe donc de meilleures méthodes de visualisation, et nous allons utiliser un simulateur pour une meilleure visualisation.
Sous le profileur de prédiction, nous pouvons ouvrir le simulateur, ce qui nous permettra de tester différents paramètres d'entrée pour chaque variable. Je vais modifier les paramètres d'entrée pour examiner aléatoirement différentes valeurs. En maintenant la touche Ctrl enfoncée et en cliquant, vous pourrez effectuer une sélection multiple. J'utilise généralement une distribution uniforme. Le type de distribution dépend de vos données et de votre instrument de mesure ou de votre configuration. Les valeurs minimales et maximales sont définies par défaut dans le tableau de données.
Je vais ensuite simuler ces données dans un nouveau tableau. Une fois ces données importées, vous pourrez utiliser la plateforme graphique de votre choix. Sur la diapositive suivante, nous examinerons un graphique de contours pour observer comment ce modèle et ces données définissent notre espace de conception.
Vous pouvez maintenant observer à gauche un graphique de contours représentant le temps de mesure et à droite un graphique de contours représentant la variation de l'instrument de mesure ; il s'agit de deux variables de sortie. Les axes Y et X sont les mêmes que ceux que nous avons utilisés précédemment avec Jake dans l'espace de conception. J'ai ensuite superposé la contrainte ainsi que les sept méthodes DOE différentes.
J'ai également indiqué ici les conditions de réglage optimales des jauges, en fonction du moment où l'on maximise la satisfaction. Je pense que cela permet de mieux visualiser l'espace de conception pour les réglages de sortie de nos jauges. Pour ces variables, nous avons eu la chance que le modèle soit assez similaire. Ce graphique de contours peut être très différent ; il dépend vraiment de votre système.
Nous allons maintenant examiner la vérification de cet optimum global. Les sept méthodes DOE sont représentées en gris, et la méthode optimisée en rouge. Il s'agit de la méthode huit, et vous pouvez constater que, tant pour la variation de l'instrument que pour le temps de mesure, nous avons obtenu une réduction par rapport aux résultats DOE.
C'est exactement ce que nous recherchions dans notre étude de cas. Nous sommes ravis de ces résultats. On part d'un résumé de plan d'expériences. On commence par analyser les résultats, puis on construit le modèle. Il reste encore un peu abstrait tant qu'on ne l'a pas concrétisé par la vérification, donc ces résultats sont vraiment très positifs pour nous.
En conclusion, une étude de répétabilité et de reproductibilité (R&R) de l'instrument de mesure a été combinée à un plan d'expériences (DOE) afin d'accroître rapidement et efficacement notre capacité de mesure. Nous estimons avoir réduit le temps de développement d'environ trois semaines. Nous avons également pu intégrer des contraintes personnalisées à la matrice de conception pour éviter tout fonctionnement hors des limites physiques de l'instrument. Enfin, nous avons pu élaborer une méthode optimisée pour créer un modèle statistiquement valide à partir des résultats de notre plan d'expériences.
Merci à tous de votre écoute. Je vais terminer ici en remerciant certains de nos partenaires financiers. Merci.
