Die Steigerung des Messdurchsatzes für die Produktionsnachfrage bei gleichzeitig geringer Messstreuung kann eine Herausforderung darstellen. Oftmals stehen Durchsatz und Messstreuung im Konflikt zueinander, und das Verständnis ihres Zusammenhangs ist ohne die Anwendung eines Versuchsplanungsmodells (DOE) schwierig.
In dieser Fallstudie zeigen wir, wie die Custom-DOE-Plattform von JMP mit einer Messsystemanalyse (Wiederholbarkeit und Reproduzierbarkeit von Messgeräten) kombiniert werden kann, um den Durchsatz zu erhöhen und gleichzeitig die Genauigkeit und Präzision des Messgeräts zu erhalten. Durch den Einsatz der JMP-DOE-Plattform konnte die Entwicklungszeit im Vergleich zu einem Ansatz, bei dem jeweils nur eine Variable berücksichtigt wird, um schätzungsweise 50 % reduziert werden. Wir demonstrieren die physikalischen Beschränkungen des Messgeräts und wie diese in die Custom-DOE integriert werden. Anschließend modellieren wir die DOE-Ergebnisse, optimieren den Designraum und validieren experimentell die 60%ige Steigerung des Messgerätedurchsatzes.
Hallo zusammen. Guten Morgen. Mein Name ist Michael Cantwell. Ich bin Entwicklungsingenieur bei Peak Nano. Jake Miller und ich stellen Ihnen eine Fallstudie vor, an der wir gearbeitet haben: Wie Sie den Durchsatz Ihrer Messgeräte durch die Kombination eines kundenspezifischen Versuchsdesigns (DOE) mit einer Messgeräte-Analyse und -Bewertung (Gauge R&R) verbessern können.
Bevor wir uns der Fallstudie zuwenden, möchte ich Ihnen Peak Nano kurz vorstellen, damit Sie einen Einblick in unsere Produkte und die Branchen erhalten, die wir bedienen. Wir sind in zwei Geschäftsbereiche unterteilt. Jake und ich arbeiten beide im Bereich Optik. Dort konzentrieren wir uns auf die Entwicklung und Herstellung von Linsen sowie auf die Konstruktion und Montage kompletter optischer Systeme.
Das bedeutet, dass es sich – ähnlich wie bei Ferngläsern oder Nachtsichtgeräten – um Feuerleitsysteme für Mörser oder Gewehre handeln könnte. Dieser Geschäftsbereich konzentriert sich stark auf Verteidigungsanwendungen und -aufträge, es gibt aber auch einige kommerzielle Anwendungen.
Der zweite Geschäftsbereich, der Folienbereich, nutzt Basistechnologie, um einzigartige Produkteigenschaften zu erzielen. Eines der Produkte, dessen Produktion derzeit hochgefahren wird, ist Kondensatorfolie. Die Kondensatorfolie zeichnet sich durch besondere Eigenschaften aus. Kunden schätzen diese Folie sehr. Zu den Anwendungsbereichen gehören Fusionsreaktoren mit hohem Energiebedarf innerhalb kürzester Zeit, Startsysteme für Flugzeuge sowie alle anderen Bereiche mit extrem hohem Energiebedarf in kurzer Zeit.
Weitere Anwendungsgebiete dieser Basistechnologie sind Lebensmittelverpackungen und sogar Recyclingfolien, um dieselben Materialeigenschaften oder mechanischen Eigenschaften zu erzielen. Normalerweise lassen sich diese Eigenschaften beim Recycling nicht erreichen. Dank dieser Basistechnologie können dieselben Eigenschaften mit einem höheren Recyclinganteil erzielt werden, was sich für den Geschäftsbereich Folien als sehr vorteilhaft erwiesen hat.
Nochmals, für diese Fallstudie, über die wir heute sprechen, kommen Jake und ich aus dem Geschäftsbereich Optik, und wir werden uns mit dem Linsenherstellungsprozess und einem Messgerät speziell in diesem Bereich befassen.
Wir gehen die Tagesordnung durch, damit wir genau sehen können, was wir heute machen werden. Wir beginnen mit dem Prozessablaufdiagramm, um das Problem besser zu verstehen. Wir werden die Herausforderung der Skalierung besprechen und wie diese sich mit unserem Wachstum und der steigenden Stückzahl verschärft hat.
Wir werden das Versuchsdesign (DOE) und die Versuchsplanung besprechen, den Versuchsaufbau erläutern und die Gründe für die gewählte Vorgehensweise darlegen. Wir werden kurz auf die Messsystemanalyse (MSA) und die Stichprobenauswahl eingehen. Anschließend werden wir die Ergebnisse besprechen, eine kurze Diskussion führen und zum Schluss einige Schlussfolgerungen ziehen.
Um das Problem im Linsenherstellungsprozess zu verdeutlichen, betrachten wir das Prozessablaufdiagramm. Zur Vereinfachung haben wir den Prozess in vier Bereiche unterteilt: die optische Konstruktion, bei der der Designer den Krümmungsradius der Linse für eine bestimmte Oberfläche festlegt; die hochpräzise Drehbearbeitung, an der Jake intensiv arbeitet, bei der der Krümmungsradius gefertigt und bearbeitet wird.
Da wir nicht in einer idealen Welt leben, müssen wir die tatsächliche Beschaffenheit dieser Oberfläche messen. Dazu verwenden wir ein Oberflächenmessgerät. Dieses Messgerät charakterisiert die Oberfläche. Genau dieses Messgerät ist es, über das wir heute sprechen. Daher dreht sich diese Fallstudie im Wesentlichen um dieses Oberflächenmessgerät. Es liefert viele Informationen, aber für diese Fallstudie werden wir uns auf die Charakterisierung des Krümmungsradius beschränken.
Dann folgt die Qualitätskontrolle. Die von uns festgelegten Spezifikationsgrenzen liegen bei etwa ± 10 Mikrometern. Liegen wir innerhalb dieser Toleranz, erfüllen wir die Spezifikationen. Andernfalls können wir die Linsen nachbearbeiten. Dies ist ein Standardverfahren. Jeder Bearbeitungsschritt kann nur wenige hundert Nanometer betragen, sodass eine Nachbearbeitung pro Linse zwei- bis dreimal erforderlich ist.
Als Nächstes möchte ich auf den Engpass in diesem Prozess eingehen: die Oberflächenmessung. Für jede Oberflächenmessung sind etwa vier Messdurchgänge erforderlich, und die Messung jedes einzelnen Teils dauert fünf bis sieben Minuten. Die Oberflächenmessung stellte somit einen Flaschenhals in unserem Prozess dar. Die Erfassung ausreichender und präziser Informationen über die Ist-Werte ist für uns sowohl in der Entwicklung als auch bei der späteren Skalierung von entscheidender Bedeutung.
Kommen wir nun zum Thema Skalierung. Bei der Entwicklung neuer Produkte, insbesondere im Hardwarebereich, beginnt man üblicherweise mit wenigen Teilen und entwickelt diese. Mit dem Wachstum des Unternehmens steigt die Anzahl der gefertigten Teile, und Qualitätskontrolle und Qualitätssicherung müssen entsprechend skalieren. Der Durchsatz der Messgeräte wurde zunehmend zum Engpass, wodurch Messzeit und Verfügbarkeit von Bedienpersonal zu wichtigen Faktoren wurden.
Angesichts der Ausgangswerte für dieses Linsen-Servicemessgerät – Messintervalle von sechs bis sieben Minuten und eine Abweichung von ca. 0,02 % – waren wir mit der Abweichung sehr zufrieden. 0,02 % bei einem Messgerät sind durchaus akzeptabel, die Messzeit hingegen bereitete uns Probleme. Die Frage war nun: Wie können wir die Messzeit effektiv verkürzen, ohne den Messfehler oder die Abweichung zu beeinträchtigen?
Hier kam das Versuchsdesign (Design of Experiments, DOE) ins Spiel. Unser Ansatz zur Verbesserung bestand darin, ein DOE anzuwenden und, da es sich um ein Messgerät handelt, auch eine Messsystemanalyse (Gauge R&R) durchzuführen. Ich beginne mit dem DOE und gehe anschließend auf die Messsystemanalyse ein.
Wenn ihr euch schon länger mit JMP beschäftigt, kennt ihr sicher den Begriff DOE (Design of Experiments). Ich möchte euch anhand der Grafik unten verdeutlichen, warum ihr einen DOE-Ansatz dem Ansatz „Einzelvariable nach der anderen“ vorziehen solltet. Die Grafik unten links zeigt den Trugschluss und warum ihr diesen Ansatz nicht verwenden solltet.
Oftmals, wenn ich dies neuen Ingenieuren oder Kollegen erkläre, hat sich diese Grafik als sehr hilfreich erwiesen, um zu veranschaulichen, warum man ein falsches Optimum erreichen kann. Häufig nimmt man eine Variable, ändert sie, variiert sie, findet das Optimum für diese Variable und sagt dann: „Gut, wir haben diese Variable optimiert, jetzt müssen wir die zweite Variable optimieren.“ Man beginnt also, diese Variable unter den optimierten Bedingungen der ersten Variable zu ändern. Dann sagt man: „Das ist das Optimum über beide Variablen.“ Aber man sieht, dass dies tatsächlich ein falsches Optimum ist.
Wenn Sie im Rahmen eines Versuchsplanungsansatzes (DOE) ein Faktor- oder Antwortscreening durchführen, gelangen Sie zu einem besseren, oder besser gesagt, näher am globalen Optimum. Ein weiterer großer Vorteil des DOE-Ansatzes ist, dass Sie in der Regel weniger Experimente durchführen und bessere Ergebnisse erzielen. Es ist also in jedem Fall eine Win-Win-Situation.
Bei diesem Versuchsplanungsansatz (DOE) gibt es mitunter physikalische Einschränkungen im Konstruktionsraum. Dies wird heute behandelt. Wir werden besprechen, wie man in JMP benutzerdefinierte Einschränkungen zur Konstruktionsmatrix hinzufügt, und schließlich die Messsystemanalyse (MSA). Da es um Änderungen an Messgeräten geht, muss bei jeder Änderung berücksichtigt werden, wie sich dies auf die MSA bzw. die Messsystemabweichung auswirkt. Die MSA dient, vereinfacht gesagt, dazu, Abweichungsquellen zu identifizieren, unabhängig davon, ob sie vom Messgerät, vom Bediener oder vom Prozess selbst verursacht werden.
Dann folgt ein kurzer Überblick über die heutige Vorgehensweise in dieser Fallstudie und den Workflow in JMP. Wir beginnen mit der Einrichtung des Versuchsdesigns (DOE) und betrachten die benutzerdefinierten Randbedingungen und Minimal- und Maximalwerte. Anschließend behandeln wir die Messinstrumente, die Messinstrumentenanalyse (Gauge R&R), die Gründe für die Auswahl bestimmter Stichproben zur Repräsentation unserer Produktion und sehen uns dann einige vorab aufgezeichnete Videos zur Datenanalyse in JMP an.
Wir werden die Modellerstellung für unsere Daten durchgehen und dabei die Maximierung der gewünschten Eigenschaften bzw. die Wahl der optimalen Messbedingungen betrachten. Wir werden den Simulator verwenden, um den Raum besser zu visualisieren, und ihn insbesondere zum Testen unseres Modells nutzen. Abschließend erfolgt die Verifizierung. Jedes Modell muss verifiziert werden, und dies haben wir experimentell durchgeführt.
Als Nächstes übergebe ich das Wort an Jake, der uns die DOE- und die Gauge R&R-Einrichtung erläutern wird.
Okay. Hallo zusammen. Um das hier wirklich zu verstehen, müssen wir zunächst klären, was wir erreichen wollen und welche Eingangsvariablen wir verändern müssen, um diesem Ziel näherzukommen. Wie Michael bereits erwähnte, wollen wir zunächst die Messabweichung minimieren, mit der wir zu Beginn zufrieden waren, und die Messzeit verkürzen.
Hier oben links sehen wir die beiden Antwortmöglichkeiten im JMP-Dialogfeld. Daneben befinden sich die Einflussfaktoren: AP, RP und die Rotationsgeschwindigkeit. Dies sind kontinuierliche Variablen, genauer gesagt die Maschineneingabevariablen, die wir anpassen können, um ein besseres Ergebnis zu erzielen. Auf der nächsten Folie werden wir diese Variablen genauer betrachten und ihre Auswirkungen, ihre physikalischen Effekte und ihre Grenzen verstehen.
Auf der nächsten Folie wird die Methode erläutert, mit der dieses Messgerät die Oberfläche der Linsen bestimmt. Zunächst definieren wir die Eingangsvariablen: die Azimutalsteigung (AP), die Radialsteigung (RP) und die Rotationsgeschwindigkeit (Omega).
Ausgehend von der Seitenansicht sehen wir, dass das Prüfstück unterhalb eines optischen Sensors rotiert. Der optische Sensor bewegt sich während der Rotation über das Prüfstück, wodurch wir zur Draufsicht gelangen. Hier sind mehrere Datenpunkte als pinkfarbene Punkte markiert.
Die Azimutalteilung ist der Abstand zwischen den Datenpunkten entlang dieses spiralförmigen Messpfades, und die Radialteilung ist der Abstand zwischen den Spiralarmen dieses Pfades. Dieser Pfad, den wir hier betrachten, ist die Linie, die über die Oberfläche des Teils gezogen wird, während der optische Sensor das Teil abfährt und sich das Teil darunter dreht.
Daraus lassen sich einige Erkenntnisse gewinnen. Um die Messzeit zu maximieren, sollten wir den Radialabstand (Radial Pitch) maximieren. Denn wenn wir bis zu einem bestimmten Punkt mehr Messungen in größeren Abständen durchführen, würde sich die Messzeit vermutlich verkürzen. Die Kombination aus Azimutalabstand und Radialabstand bestimmt die Datendichte, die über die Oberfläche erfasst wird. Diese Parameter (Radial Pitch, Azimutalabstand und Omega) bilden zusammen mit der Verfahrgeschwindigkeit die Maschinenbeschränkungen.
Wir kommen nun zur nächsten Folie. Dort betrachten wir die tatsächlichen limitierenden Faktoren. Die wichtigste Einschränkung im Rahmen des Versuchsdesigns (DOE) besteht darin, dass die optische Sensorgeschwindigkeit des Messgeräts physikalisch begrenzt ist. Gleichung eins zeigt eine Ungleichung mit dem Wert 0,34 mm/Sekunde – genau diese Grenze. Die optische Sensorgeschwindigkeit kann nicht schneller über die Oberfläche fahren.
Aufgrund des Messprinzips, das wir auf der vorherigen Folie erläutert haben, und des spiralförmigen Datenpfads ergibt sich die Erkenntnis, dass bei jeder Drehung des Prüflings ein Zusammenhang zwischen der Radialsteigung und der Rotation besteht, bedingt durch die entstehenden Spiralarme. Dies führt zu Gleichung zwei. Da diese Gleichung jedoch nichtlinear ist, können wir sie nicht innerhalb der JMP-Beschränkung verwenden. Rechts sehen Sie die definierten Faktorbeschränkungen in JMP. Diese können wir jedoch aufgrund der linearen Beschränkung noch nicht nutzen. Auf der nächsten Folie zeigen wir Ihnen daher die Schritte zur Linearisierung dieser Beschränkung.
Wir addieren die ersten beiden Gleichungen, das ergibt Gleichung drei. Wenn wir dann in dieser Gleichung die Radialteilung einfach als eins geteilt durch die Radialteilung definieren, erhalten wir Gleichung vier. Dies ist nun die linearisierte Gleichung, die wir in JMP eingeben müssen. Wir fahren jetzt mit der nächsten Folie fort.
Sie werden hier sehen, dass wir immer noch die gleichen Ergebnisse wie zuvor haben, jedoch mit der zusätzlichen Berücksichtigung der Radialteilung. Wir haben uns dabei kein bestimmtes Ziel gesetzt, denn obwohl unsere Erkenntnisse vermuten lassen, dass die Maximierung dieses Wertes mindestens eine der folgenden Auswirkungen hätte, nämlich die Minimierung der Messzeit, wissen wir nicht genau, wie sich dies auf die Messabweichung auswirken würde. Daher müssen wir abwarten, welche Ergebnisse die Versuchsplanung (DOE) uns hinsichtlich des weiteren Vorgehens liefert.
Dann haben wir hier rechts die Faktoren AP und den neu definierten Faktor RP, dann die Rotationsgeschwindigkeit und darunter die linearen Nebenbedingungen, die wir nun in JMP eingeben können. Wir sehen dann, wie sich dies auf die Generierung der DOE-Methoden auswirkt, mit denen wir die Daten erfassen müssen. Wir fahren nun mit der nächsten Folie fort.
Im Zuge dieser Untersuchung stellten wir fest, dass die azimutale und die radiale Steigung keine Wechselwirkung aufweisen. Die azimutale Steigung ergibt sich quasi automatisch. Innerhalb der Grenzen des vom Messgerät verwendeten digitalen Datenerfassungssystems lassen sich prinzipiell unendlich viele Datenpunkte entlang jedes Spiralarms erfassen. Die eigentliche Schwierigkeit liegt darin, wie nah die Spiralarme beieinander liegen, wie schnell sich das Bauteil über eine Oberfläche bewegen und wie schnell es rotieren kann. All diese physikalischen Randbedingungen sind für uns von Interesse.
Die Azimut-Steigung hat keinen nennenswerten Einfluss auf die Zeit und scheint auch die Messabweichung nicht wesentlich zu beeinflussen. Das wussten wir aus Erfahrung und haben einige einfache Tests durchgeführt, die nichts mit diesem Versuchsplan zu tun haben. Daher haben wir diese Wechselwirkung im Versuchsplan außen vor gelassen. Wie Sie sehen, haben wir hier das Response-Surface-Modell ausgewählt. Es liefert uns alle Effekte, die wir mit den in JMP eingegebenen Faktoren testen möchten. Um diese Response Surface vollständig zu definieren, benötigen wir laut JMP mindestens sieben verschiedene Methoden zur Definition des Raums. Wir fahren nun mit der nächsten Folie fort.
Wir haben hier zwei wirklich wichtige Dinge. Links befindet sich die Tabelle, die die sieben bereits erwähnten Methoden auflistet. Noch hilfreicher als die Tabelle selbst ist die grafische Darstellung daneben, die DOE-Testmatrix. Auf der Y-Achse ist die Radialsteigung und auf der X-Achse die Rotationsgeschwindigkeit abgetragen.
Die Azimutneigung wird hier offensichtlich vernachlässigt, da ihr Einfluss gering ist. Die hier dargestellten Minimal- und Maximalwerte sind blau markiert. Eine Radialneigung unter Null ist natürlich nicht möglich, da dies keinen Sinn ergibt. Selbstverständlich gibt es auch für die Radialneigung einen Maximalwert.
Dasselbe gilt für die Rotationsgeschwindigkeit. Interessant ist hierbei, dass die rote Nebenbedingung die zuvor definierte linearisierte Nebenbedingung darstellt, die den Zusammenhang zwischen Radialsteigung und Rotationsgeschwindigkeit beschreibt. Sobald wir diesen Bereich definiert haben, können wir innerhalb dieses Bereichs eine Antwortfläche für dieses Messgerät und seine Leistung modellieren.
Sie werden sehen, dass die Messmethoden hier die Grenzen der DOE-Testmatrix abbilden. Sobald wir alle Daten haben, können wir jeden beliebigen Zustand innerhalb dieses grafisch dargestellten Raums statistisch definieren. Genau das tun wir hier. Das ist der notwendige Umfang der Methode. Für die Messsystemanalyse (MSA) benötigen wir natürlich die Maschinenwiederholgenauigkeit. Wir wollen überprüfen, ob sich diese bei keiner der Methoden ändert. Falls doch, könnten wir feststellen, dass bestimmte Methoden ein höheres Risiko bergen als andere.
Jede dieser Methoden wurde dreimal wiederholt, und nun werden wir ein wenig über die Stichprobenauswahl sprechen und warum, was wir getan haben, um etwaige damit verbundene potenzielle Risiken zu minimieren. Wir gehen jetzt zur nächsten Folie über.
Bei der Auswahl der Stichprobe war es uns wichtig, dass die gefundene Methode auf jede mögliche Stichprobe, die wir herstellen könnten, oder auch zukünftig, anwendbar ist. Denn es besteht das Risiko, dass das Messgerät, wenn wir nur eine Stichprobe getestet hätten, bei jeder anderen möglichen Stichprobe, die wir messen möchten, möglicherweise nicht gleichwertig funktioniert. So könnten wir zwar ein globales Optimum für unsere aktuelle Produktion erreichen, aber es wäre nicht zukunftssicher und somit nicht verallgemeinerbar, sodass wir es nicht verwenden könnten.
Für diesen Zweck beschränkten wir uns auf den Krümmungsradius. Natürlich spielten noch einige weitere Faktoren eine Rolle. Wie Sie hier sehen, haben wir eine Reihe von konvexen und konkaven Oberflächen. Die Proben sind aufgelistet, und es wurden selbstverständlich drei Messungen pro Methode durchgeführt, um die Gauge-R&R-Daten aus diesem Versuchsplan generieren zu können.
Wir gehen jetzt zur nächsten Folie über. Okay, wir sind jetzt beim Ergebnisteil angelangt, also übergebe ich das Wort wieder an Michael, und er wird das hier für Sie abschließen.
Danke, Jake. Lass uns kurz zu unserem Arbeitsablauf zurückkehren, um das Ganze noch einmal zu besprechen. Jake hat uns gerade erklärt, wie wir das Versuchsdesign (DOE) und die Messsystemanalyse (Gauge R&R) eingerichtet und die Stichproben ausgewählt haben. Die Datenerfassung überspringen wir natürlich. Bevor wir uns aber mit der Datenanalyse befassen, habe ich hier ein oder zwei Folien, die zeigen, was wir anhand der Ergebnisse überprüfen werden, bevor wir das Modell erstellen.
Sobald wir mit JMP arbeiten, werden wir uns ansehen, wie wir ein Modell mit den Daten erstellen und wie wir die Zielgenauigkeit maximieren oder die Messbedingungen optimieren. Wir werden den Simulator verwenden, um die Aussagekraft des Modells besser zu visualisieren, und einige experimentelle Überprüfungen durchführen, deren Ergebnisse wir ebenfalls auswerten werden.
Was genau steckt in diesen Ergebnissen? Was müssen wir analysieren? Zunächst die Genauigkeit. Wir haben hier eine Folie, die sich mit der Genauigkeit befasst, und überprüfen, ob die Methode den Sollwert der Messung beeinflusst. Ein gutes Beispiel dafür ist die Messung dünner Schichten. Verwendet man einen Messschieber, kann man die Schicht zusammendrücken und so die Dicke verfälschen. Die Messmethode kann also die Genauigkeit beeinflussen. Wir wollen sicherstellen, dass wir die Genauigkeit nicht beeinträchtigen.
Zweitens geht es um die Messstreuung. Dies ist einer der entscheidenden Punkte, die wir bereits erwähnt haben. Wir wollen die Streuung im Vergleich zum Ausgangswert verringern oder sogar reduzieren. Auch die Messzeit spielt eine wichtige Rolle. Wir wollen den Durchsatz erhöhen oder die Messzeit verkürzen, und alle drei Aspekte sind für den Erfolg dieser Fallstudie entscheidend.
Was die Genauigkeit betrifft, haben wir die Ergebnisse in einem einzigen Diagramm zusammengefasst. Das Messgerät liefert eine große Datenmenge. Allein beim Krümmungsradius beträgt unsere Toleranz etwa ± 10 Mikrometer. Daher ist es wichtig, die Toleranzen stets zu beachten.
Betrachtet man insbesondere Teil Nummer zwei, so liegen wir bei allen Methoden, mit Ausnahme vielleicht von Methode Nummer sechs, innerhalb eines Bereichs von plus/minus einem Mikron. Da wir unsere Spezifikationsgrenze bzw. unsere Toleranzgrenze kennen, sind wir nach der Überprüfung dieser Daten sehr zuversichtlich, dass die Genauigkeit nicht durch die Methode beeinträchtigt wurde. Somit haben wir bei den wichtigsten Punkten unserer Ergebnisse einen Haken gesetzt.
Wir werden nun JMP verwenden, um diese Modelle für die Messzeitmessung von Messabweichungen zu erstellen. Die Videos dazu sind vorab aufgezeichnet und in die PowerPoint-Präsentation eingefügt. Wir bitten daher um Nachsicht, falls uns während der Präsentation Tippfehler unterlaufen.
Okay, zuerst möchte ich Ihnen die Datentabelle zeigen. Ich habe bereits einige Vorarbeiten geleistet. Der Krümmungsradius ist der Ausgabewert des Messgeräts. Wir haben diesen Wert mithilfe des Messgeräts auf unserer Plattform in JMP in die Messgerätevariation umgerechnet. Hinzu kommt die Messzeit. Die Messzeit wird während der Datenerfassung aufgezeichnet.
Ich habe diese beiden Variablen als Ausgabevariable zusammengefasst. Ebenso habe ich die drei Eingabevariablen – Radialneigung, Azimutneigung und Rotationsgeschwindigkeit – zusammengefasst, wobei die Rotationsgeschwindigkeit in Grad pro Sekunde angegeben wird. Sobald wir unsere Datentabelle haben, öffnen wir die Plattform zur Modellanpassung, um zu modellieren, wie sich unsere Eingabevariablen auf unsere Ausgabevariablen auswirken.
In diesem Modell spezifizieren wir unsere Ausgabevariablen in der Y-Achse und unsere Eingabevariablen. Wir wählen das Antwortflächen-Makro basierend auf der Einrichtung des Versuchsplans (DOE). Wenn wir ein Antwortflächen-Makro auswählen, werden alle Effekte, die wir im Versuchsplan untersucht haben, berücksichtigt. Zusätzlich wurde die im Versuchsplan nicht berücksichtigte Kreuzung von Radial- und Azimutalneigung hinzugefügt. Wir werden sehen, warum dies wichtig ist; sobald wir das Modell ausführen, sollte eine Fehlermeldung erscheinen.
In diesem Semester haben wir die Versuchsplanung (DOE) weggelassen. Wir haben sie nicht explizit getestet, werden aber versuchen, ein Modell damit zu erstellen. Wenn wir dieses Modell ausführen, möchte ich, dass alle als Erstes auf die auftretende Singularität achten. Diese Singularität signalisiert uns: „Etwas stimmt mit euren Daten nicht. Ihr könnt nicht alle Effekte im Modell testen.“ Das liegt daran, dass die Radial- und Azimutalsteigung nicht in die Versuchsplanung einbezogen wurden.
Wenn ich diesen Term aus dem Modell entferne, ist dieses einzelne Detail verschwunden. Sobald dieses Detail wegfällt, können wir die p-Werte betrachten, um die statistische Signifikanz zu prüfen. Ich persönlich verwende standardmäßig einen Schwellenwert von etwa 0,05. Bei manchen Datensätzen verwende ich 0,1 als Schwellenwert. Für diese Fallstudie verwenden wir jedoch den Wert von 0,05.
Ich habe zuerst den Term mit dem höchsten p-Wert entfernt. Wie Sie sehen, werden danach die verbleibenden p-Werte und Effekte signifikant. Diese Effekte bleiben für den Rest unserer heutigen Betrachtung im Modell enthalten.
Als nächstes werden wir einen Profiler verwenden, um die Einstellungen der Anzeige zu optimieren. Sie können einen Profiler unterhalb des roten Dreiecks-Dropdown-Menüs aufrufen. Als Erstes werden wir die Wünschenswürdigkeitsfunktionen aktivieren.
Standardmäßig werden alle Ausgabevariablen maximiert. Wenn Sie die benutzerdefinierte Versuchsplanung (DOE) von Anfang bis Ende durchführen, werden die Einstellungen und die Zielwerte für jede Ausgabevariable gespeichert. Da wir für diese Fallstudie jedoch Daten von vor etwa einem Jahr verwendet haben, sind die Ausgabevariablen standardmäßig maximiert. Sie können dies ganz einfach ändern. Halten Sie die Strg-Taste gedrückt und klicken Sie mit der rechten Maustaste in das Fenster mit den Zielwerten, um die Einstellung von Maximieren auf Minimieren zu ändern.
Sobald Sie Ihre Ziele für jede Ausgabevariable festgelegt haben, können Sie die Zielwerte optimieren. Nun betrachten wir die drei Eingabevariablen und die auf diesem Modell basierenden optimierten Messeinstellungen. Diese werden in einer der folgenden Folien als Methode acht behandelt. Dies sind die optimalen Messbedingungen.
Eine Sache, auf die ich bei der Diskussion über JMP und dessen Verwendung zur Datenmodellierung gestoßen bin, ist, dass dies nur eine von vielen Möglichkeiten ist, die Daten zu betrachten. Manche haben Schwierigkeiten mit diesen Profilern, daher gibt es bessere Visualisierungsmethoden. Wir werden einen Simulator verwenden, um die Daten besser darzustellen.
Unterhalb des Vorhersageprofilers können wir den Simulator aufrufen. Damit können wir verschiedene Eingabeeinstellungen für jede Variable testen. Ich ändere die Einstellungen so, dass wir zufällig verschiedene Werte auswählen. Wenn Sie Strg gedrückt halten und klicken, können Sie mehrere Elemente gleichzeitig auswählen. Ich verwende gerne eine Gleichverteilung. Die Wahl der Verteilung hängt von Ihren Daten und Ihrem Messinstrument bzw. Ihrer Konfiguration ab. Die Werte für Minimum, Untere und Obere entsprechen standardmäßig den Grenzwerten in der Datentabelle.
Dann simuliere ich das in einer neuen Tabelle. Sobald die Daten in der neuen Tabelle vorliegen, können Sie jedes beliebige Grafikprogramm verwenden. Auf der nächsten Folie sehen wir uns ein Konturdiagramm an, um zu sehen, wie dieses Modell und diese Daten unseren Designraum definieren.
Sie sehen nun links ein Konturdiagramm für die Messzeit und rechts ein Konturdiagramm für die Messabweichung – zwei Ausgabegrößen. Die Y- und X-Achse entsprechen denen, die wir zuvor mit Jake im Designraum betrachtet haben. Zusätzlich habe ich die Randbedingungen und die sieben verschiedenen Versuchsplanungsmethoden (DOE) überlagert.
Ich habe hier auch die optimierten Einstellbedingungen für das Messgerät aufgeführt, basierend auf dem Zeitpunkt, an dem wir die gewünschte Funktionalität maximieren. Dies hilft meiner Meinung nach sehr dabei, den Gestaltungsspielraum für unsere Messgeräte-Ausgangseinstellungen zu veranschaulichen und zu visualisieren. Wir hatten das Glück, dass die Modelle für diese Variablen recht ähnlich waren. Dieses Konturdiagramm kann jedoch stark variieren. Es hängt ganz von Ihrem System ab.
Nun betrachten wir die Verifizierung dieses globalen Optimums. Die sieben DOE-Methoden sind hier grau dargestellt, die optimierte Methode rot. Das ist Methode acht, und Sie sehen, dass wir sowohl bei der Messbereichsabweichung als auch bei der Messzeit im Vergleich zu den DOE-Ergebnissen eine Reduzierung erzielt haben.
Genau das haben wir uns von unserer Fallstudie erhofft. Wir waren sehr erfreut über diese Ergebnisse. Man beginnt mit einem DOE-Abstract. Zuerst betrachtet man die Ergebnisse und entwickelt dann das Modell. Es bleibt noch etwas abstrakt, bis man es hier durch die Verifizierung konkretisiert. Daher sind dies wirklich gute, positive Ergebnisse für uns.
Zusammenfassend lässt sich sagen, dass wir durch die Kombination von Messsystemanalyse und Versuchsplanung (DOE) den Messdurchsatz unserer Messgeräte schnell und erfolgreich steigern konnten. Wir schätzen, dass wir die Entwicklungszeit um etwa drei Wochen verkürzt haben. Zudem konnten wir benutzerdefinierte Randbedingungen in die Designmatrix integrieren, um den Betrieb außerhalb der physikalischen Grenzen unserer Messgeräte zu verhindern. Schließlich haben wir eine optimierte Methode zur Erstellung eines statistisch validen Modells auf Basis unserer DOE-Ergebnisse entwickelt.
Vielen Dank fürs Zuhören. Zum Schluss möchte ich mich noch bei einigen unserer Förderpartner bedanken. Vielen Dank.
