Migliorare la produttività degli strumenti di misura per soddisfare la domanda di produzione, mantenendo al contempo una bassa variabilità di misura, può essere impegnativo. Spesso, produttività e variabilità di misura sono variabili in competizione tra loro e comprenderne la relazione può essere difficile senza utilizzare un disegno sperimentale (DOE).
In questo caso di studio, mostriamo come la piattaforma DOE personalizzata di JMP possa essere abbinata a un'analisi dei sistemi di misura (ripetibilità e riproducibilità del misuratore) per aumentare la produttività mantenendone l'accuratezza e la precisione. Utilizzando la piattaforma DOE di JMP, i tempi di sviluppo sono stati ridotti di circa il 50% rispetto a un approccio basato su una variabile alla volta. Dimostriamo i vincoli fisici del misuratore e come questi vincoli vengono aggiunti al DOE personalizzato. Modelliamo quindi i risultati del DOE, ottimizzando lo spazio di progettazione e convalidando sperimentalmente l'aumento del 60% della produttività del misuratore.
Ciao ragazzi. Buongiorno. Mi chiamo Michael Cantwell. Sono un ingegnere di sviluppo presso Peak Nano. Io e Jake Miller vi abbiamo illustrato un caso di studio su cui abbiamo lavorato, su come migliorare la produttività del vostro misuratore combinando un DOE personalizzato con un R&R del misuratore.
Prima di addentrarci in questo caso di studio, vorrei parlarvi brevemente di Peak Nano, così potrete vedere i prodotti e alcuni dei settori in cui operiamo. Siamo suddivisi in due diverse business unit. Jake e io lavoriamo entrambi nel settore ottico, quindi nella business unit ottica ci concentriamo sulla progettazione e produzione di lenti, nonché sull'assemblaggio e la progettazione di sistemi ottici completi.
Questo significa che, come binocoli, visori notturni, potrebbero essere sistemi di controllo del fuoco per un mortaio o per un fucile vero e proprio. Questa unità aziendale è molto focalizzata su applicazioni e contratti per la difesa, e ci sono anche alcune applicazioni commerciali.
Poi l'altra unità aziendale, quella dedicata ai film, inizia con la tecnologia di processo di base che può essere sfruttata per creare proprietà di prodotto davvero uniche. Uno dei prodotti che stanno effettivamente espandendo in questo momento è il film per condensatori. Film per condensatori con proprietà di coda. I loro clienti lo hanno considerato molto prezioso. Alcune delle applicazioni in cui si stanno occupando riguardano i reattori a fusione, quindi un'elevata richiesta di energia in un periodo di tempo molto breve per quella startup, i sistemi di lancio di aeromobili sono un altro caso in cui i condensatori sono molto necessari o ovunque ci sia un'enorme richiesta di energia in un periodo di tempo molto breve.
Altre applicazioni di questa tecnologia di processo di base includono l'imballaggio alimentare, persino il riciclaggio, e le pellicole per ottenere le stesse proprietà fisiche o meccaniche. Di solito, quando si ricorre al riciclaggio, non si riescono a ottenere le stesse proprietà. Questa tecnologia di processo di base consente di ottenere le stesse proprietà con un maggiore utilizzo di materiali riciclabili, il che si è rivelato molto vantaggioso per la divisione pellicole.
Di nuovo, per questo caso di studio di cui parliamo oggi, Jake e io veniamo dal reparto ottico e parleremo del processo di produzione delle lenti e di un calibro specifico per quell'area.
Parleremo dell'agenda, così possiamo vedere come [inudibile 00:02:17] faremo oggi. Inizieremo con lo schema del flusso di processo per aiutare a identificare realmente qual è il problema. Analizzeremo la sfida dell'espansione e come sia diventata un problema sempre più grande man mano che crescevamo e producevamo sempre più componenti.
Esamineremo il DOE, la progettazione dell'esperimento, come lo abbiamo impostato e perché lo abbiamo impostato in questo modo. Analizzeremo brevemente il Gauge R&R e la selezione del campione. Parleremo dei risultati, faremo una breve discussione e concluderemo con alcune conclusioni.
Ora, osservando lo schema del flusso di processo per aiutarci a identificare qual è il problema di cui stiamo parlando oggi, nel processo di produzione delle lenti, lo abbiamo suddiviso in, sapete, solo per semplificare. Quattro aree di processo. La progettazione ottica, dove il progettista definirà il raggio di curvatura della lente per una superficie specifica. Poi il processo di tornitura ad alta precisione. Questo è il processo su cui Jake lavora molto, è dove effettivamente produciamo e lavoriamo quel raggio di curvatura.
Poi, poiché non viviamo in un mondo ideale, dobbiamo misurare l'effettiva entità di quella superficie. Utilizziamo un calibro per lenti. Questo calibro caratterizzerà effettivamente l'aspetto di quella superficie. Questo calibro è il calibro di cui stiamo parlando oggi, quindi questo caso di studio riguarda in realtà questo calibro di superficie. Fornisce molte informazioni, ma per questo caso di studio ci limiteremo a caratterizzare il raggio di curvatura.
Poi il controllo qualità. Per il controllo qualità, abbiamo impostato dei limiti di specifica intorno ai ±10 micron, quindi sappiamo che se siamo entro i ±10 micron, superiamo le specifiche. In caso contrario, abbiamo la possibilità di rilavorare queste lenti, e questo è un processo standard. Ogni passaggio di finitura superficiale può essere di poche centinaia di nanometri, quindi queste lenti possono essere rilavorate due o tre volte per lente.
La prossima cosa che voglio identificare è che il collo di bottiglia in questo processo è diventato proprio il calibro di superficie. Ci sono circa quattro strati per ogni calibro di superficie, e poi ogni pezzo richiede dai cinque ai sette minuti per essere misurato. Il calibro di superficie era un collo di bottiglia nel nostro processo. Essere in grado di acquisire informazioni adeguate e attendibili sui valori effettivi è fondamentale per noi sia durante lo sviluppo che durante l'espansione e la scalabilità.
Parlando di scale-up, ora. Ogni volta che si avvia un nuovo prodotto, soprattutto nell'hardware, si inizia con pochissimi componenti, si inizia con lo sviluppo e poi, man mano che si cresce, si inizia a produrre sempre più componenti, e il controllo qualità e la garanzia della qualità devono adattarsi all'azienda. La produttività ha iniziato a crescere e questo collo di bottiglia ha rappresentato per noi un vincolo più grande, quindi i tempi di misurazione e la disponibilità degli operatori sono diventati un problema più serio.
Considerando l'aspetto di base di questo calibro per la manutenzione delle lenti, ancora una volta, con tempi di misurazione compresi tra sei e sette minuti e una variazione del calibro di circa lo 0,02%, siamo rimasti molto soddisfatti della variazione del calibro. Non credo che nessuno possa lamentarsi dello 0,02% e di un calibro, ma il tempo di misurazione è stato un problema per noi. La domanda è diventata: come possiamo ridurre efficacemente il tempo di misurazione senza influire sull'errore o sulla variazione del calibro?
È qui che entra in gioco il DOE, ovvero la progettazione dell'esperimento. Il nostro approccio per migliorare questo aspetto è stato quello di utilizzare un DOE e, poiché stiamo parlando di un misuratore, di utilizzare anche un Gauge R&R. Inizierò prima con un DOE, e poi parleremo del Gauge R&R.
Sono sicuro che se avete frequentato JMP molto avrete sentito parlare di un DOE, ma vorrei usare questo grafico qui in basso per spiegare perché dovreste adottare un approccio DOE rispetto a un approccio a una variabile alla volta. Un approccio a una variabile alla volta, o OVAT, è un errore che potete vedere qui in basso a sinistra, ovvero perché non dovreste usare un approccio a una variabile alla volta.
Spesso, quando spiego questo concetto a nuovi ingegneri, o magari ad altri colleghi, questo grafico si è rivelato molto utile per mostrare perché si può arrivare a un falso ottimo. Spesso si prende una variabile, la si modifica, la si varia, si trova l'ottimo per quella variabile e poi si dice: "Bene, abbiamo ottimizzato questa variabile, ora dobbiamo ottimizzare la seconda variabile", e si inizia a modificare quella variabile alla prima condizione ottimizzata. Poi si dice: "Bene, questa è la condizione ottimizzata su entrambe le variabili". Ma si può vedere che in realtà si tratta di un falso ottimo.
Quando si adotta un approccio di screening dei fattori o di screening delle risposte, entrambi all'interno di un framework DOE o di un framework di progettazione sperimentale, si può raggiungere un risultato migliore, o meglio, più vicino all'ottimo globale. L'altro grande vantaggio di un approccio DOE è che di solito si finisce per eseguire meno esperimenti e si ottiene una risposta migliore, quindi adottare un approccio DOE è una situazione vantaggiosa per tutti.
In questo approccio DOE, a volte si presentano vincoli fisici nello spazio di progettazione. Questo aspetto sarà trattato oggi. Parleremo di come aggiungere vincoli personalizzati alla matrice di progettazione all'interno di JMP e, infine, del Gauge R&R. Stiamo parlando di modifiche al gauge, quindi ogni volta che parliamo di modifiche al gauge, dobbiamo considerare come ciò influirà sul Gauge R&R o sulla variazione del gauge. Il Gauge R&R, in parole povere, viene utilizzato per separare le fonti di variazione, che provengano dal gauge, dall'operatore o dal processo stesso.
Poi un'altra panoramica generale di ciò che faremo oggi in questo caso di studio e del flusso di lavoro che stiamo utilizzando in JMP. Inizieremo con la configurazione DOE, esaminando alcuni vincoli personalizzati e limiti min-max. Poi analizzeremo il gauge, parleremo del Gauge R&R, del perché abbiamo scelto determinati campioni per rappresentare la nostra produzione e infine guarderemo alcuni video preregistrati in JMP dell'analisi dei dati.
Vedremo come costruire un modello per i nostri dati, analizzando la desiderabilità massima o scegliendo le condizioni ottimali di impostazione del gauge. Useremo il simulatore per visualizzare meglio lo spazio, lo utilizzeremo per testare il nostro modello, per visualizzarlo e infine per la verifica. Ogni volta che costruiamo un modello, dobbiamo sempre eseguirne una verifica, e lo abbiamo fatto sperimentalmente.
Ora passerò la parola a Jake, che ci guiderà nella configurazione del DOE e del Gauge R&R.
Bene. Ciao a tutti. Per entrare davvero nel vivo dell'argomento, dobbiamo prima capire cosa stiamo cercando di ottenere, e poi capire che tipo di variabili di input dobbiamo essere in grado di trasformare per cercare di arrivare a questa conclusione. Innanzitutto, le risposte che stiamo cercando di ottenere qui sono, come ha detto Michael, la minimizzazione della variazione di gauge, che, ovviamente, ci andava bene fin dall'inizio, e la minimizzazione del tempo di misurazione.
Nell'angolo in alto a sinistra, abbiamo queste due risposte all'interno della finestra di dialogo JMP, e accanto ci sono i fattori. Abbiamo AP, RP e velocità di rotazione. Queste sono tutte variabili continue e sono le variabili di input della macchina, direi, che possiamo modulare per cercare di ottenere una risposta migliore. Nella prossima diapositiva, analizzeremo concretamente cosa sono e inizieremo a capire quali sono le ramificazioni, qual è il loro impatto fisico e quali sono tutti i loro limiti.
Passando alla diapositiva successiva, inizieremo a esaminare il metodo con cui questo strumento qualifica effettivamente la superficie di queste lenti. Innanzitutto, abbiamo una serie di definizioni delle nostre variabili di input. Abbiamo il passo azimutale come AP. Il passo radiale è RP e la velocità di rotazione è Omega.
Partendo dalla vista laterale, possiamo vedere che il pezzo in prova viene ruotato sotto un sensore ottico. Il sensore ottico si muove lungo il pezzo mentre questo ruota, e questo ci porta alla vista dall'alto. Ora, noterete che ci sono diversi punti dati evidenziati da punti rosa in questa vista dall'alto.
Il passo azimutale è la distanza lungo questo percorso di misurazione a spirale tra i punti dati, mentre il passo radiale è la distanza tra i bracci a spirale di questo percorso e, naturalmente, questo percorso che stiamo osservando qui è la linea tracciata sulla superficie della parte mentre il sensore ottico attraversa la parte e la parte ruota al di sotto.
Ci sono alcuni spunti che potresti trarre da questo. Beh, per massimizzare, o meglio minimizzare, il tempo di misurazione, probabilmente vorremmo massimizzare il passo radiale qui, perché se prendiamo una distanza maggiore tra le misurazioni fino a un certo punto, si presumerebbe che il tempo di misurazione si riduca. Ma la combinazione del passo azimutale e del passo radiale ci fornisce la densità dei dati raccolti sulla superficie. Questi RP, AP e Omega, insieme alla velocità di attraversamento, costituiscono i vincoli della nostra macchina.
Passiamo ora alla diapositiva successiva. Daremo un'occhiata a quali sono i fattori limitanti effettivi. Il principale vincolo DOE che abbiamo incontrato è che questo misuratore ha un limite fisico alla velocità con cui il sensore ottico può attraversare il provino durante la misurazione. Qui, con l'equazione uno, abbiamo una disuguaglianza pari a 0,34 mm/secondo, che rappresenta proprio il limite. Il misuratore ottico non può attraversare la superficie più velocemente.
Quindi, grazie al principio di misurazione che abbiamo esaminato nella diapositiva precedente e al percorso dati a spirale, si ricava che, ogni volta che questo provino viene ruotato, abbiamo una relazione tra il passo radiale e la rotazione, dovuta ai bracci a spirale generati. Questo ci porta all'equazione due. Tuttavia, questa equazione qui è non lineare, quindi non possiamo effettivamente utilizzarla all'interno del vincolo JMP. Come vedete, qui a destra abbiamo definito i vincoli fattoriali all'interno di JMP. Tuttavia, non possiamo ancora utilizzarlo perché si trova in un vincolo lineare, quindi passeremo alla diapositiva successiva e vi mostreremo lo sforzo profuso per linearizzarlo.
Sommando le prime due equazioni, otteniamo l'equazione tre. Quindi, se semplicemente ridefiniamo il passo radiale a uno su passo radiale all'interno di questa equazione, otteniamo l'equazione quattro, che è ora l'equazione linearizzata che dobbiamo poter inserire in JMP. Passiamo ora alla diapositiva successiva.
Qui vedrete che abbiamo ancora le stesse risposte che avevamo prima, ma con l'aggiunta del passo radiale, e non abbiamo realmente selezionato alcun obiettivo con questo, perché mentre la nostra intuizione potrebbe portarci a credere che massimizzare questo valore probabilmente farebbe almeno una di queste cose, che sarebbe quella di ridurre al minimo il tempo di misurazione, non sappiamo realmente cosa farebbe alla variazione di gauge, quindi dobbiamo vedere cosa i risultati del DOE ci direbbero che dovremmo fare.
Poi abbiamo i fattori qui a destra, AP, e poi quello ridefinito su RP, e poi la velocità di rotazione, e poi ancora più in basso, abbiamo i vincoli lineari che ora possiamo effettivamente inserire in JMP, e saremo in grado di vedere come questo si applica alla generazione dei metodi DOE in cui dobbiamo raccogliere i dati. Passiamo ora alla diapositiva successiva.
Grazie a questa indagine, ci siamo resi conto che il passo azimutale e il passo radiale in realtà non interagiscono. Sapete, il passo azimutale è un'aggiunta gratuita. Entro i limiti del sistema di acquisizione digitale utilizzato dal misuratore, è possibile raccogliere un numero sostanzialmente infinito di punti dati lungo ogni braccio a spirale. La vera difficoltà sta nella distanza tra i bracci a spirale? Nella velocità con cui questo oggetto può attraversare una superficie? Nella velocità con cui può ruotare il pezzo? Tutti questi vincoli fisici sono ciò che ci interessa davvero.
Il passo azimutale non influisce realmente sul tempo, e non sembra influenzare molto la variazione di gauge. Lo sapevamo per esperienza, e come alcuni semplici test che abbiamo eseguito, non c'entra nulla con questo DOE, quindi abbiamo escluso questa interazione dal DOE. Come potete vedere, abbiamo selezionato il modello della superficie di risposta, che ci fornisce tutti gli effetti che vogliamo testare con i fattori che abbiamo inserito in JMP. Per poter definire completamente questa superficie di risposta, ci dice che abbiamo bisogno di un minimo di sette metodi diversi per definire lo spazio, se così possiamo dire. Passiamo alla diapositiva successiva.
Abbiamo due cose davvero importanti qui. A sinistra abbiamo la tabella, che descrive i sette metodi che ho menzionato in precedenza. Poi, probabilmente molto più utile della tabella è la rappresentazione grafica che si trova accanto, la matrice di test DOE. Vedete qui sull'asse Y il passo radiale e sull'asse X la velocità di rotazione.
L'inclinazione azimutale è ovviamente esclusa perché non ha un impatto così significativo, e quindi vedete qui i valori minimi e massimi definiti dall'indicatore in blu. Ovviamente, non si può avere un'inclinazione radiale inferiore a zero. Non ha alcun senso, e naturalmente esiste un valore massimo per l'inclinazione radiale.
Lo stesso vale per la velocità di rotazione. La cosa interessante qui è che, se si guarda la linea rossa del vincolo, questo è il vincolo linearizzato effettivo che abbiamo definito in precedenza, che ha a che fare con la relazione tra il passo radiale e la velocità di rotazione. Una volta definito questo riquadro, questo è lo spazio in cui vogliamo essere in grado di modellare una superficie di risposta per questo misuratore e le sue prestazioni.
Vedrete che i metodi di misurazione delineano i bordi della matrice di test DOE qui. Una volta ottenuti tutti questi dati, saremo in grado di definire statisticamente qualsiasi stato arbitrario all'interno di questo spazio rappresentato graficamente, quindi è proprio quello che stiamo facendo qui. Questo è tutto ciò che dobbiamo fare per il metodo. Ora, per il Gauge R&R, ovviamente, abbiamo bisogno della ripetibilità della macchina. Vogliamo vedere e verificare che questa non cambi con nessuno di questi metodi, o se lo fa, allora potremmo dire che alcuni metodi presentano un rischio maggiore rispetto ad altri.
Ognuno di questi metodi è stato ripetuto tre volte e ora parleremo un po' della selezione del campione e del perché, di cosa abbiamo fatto per mitigare qualsiasi potenziale rischio che ne sarebbe derivato, quindi passeremo alla diapositiva successiva.
Nella selezione del campione, volevamo che qualsiasi metodo avessimo trovato fosse generalizzato a qualsiasi campione potenziale che potessimo realizzare, o in futuro, in qualsiasi momento, perché c'è il rischio che se avessimo testato solo un campione, forse questo indicatore non avrebbe funzionato in modo equivalente su nessun campione potenziale che potremmo voler misurare, e quindi avremmo potuto ottenere un ottimo globale per quello che stiamo realizzando esattamente adesso, ma non sarebbe stato a prova di futuro e quindi non sarebbe stato generalizzato in modo da poterlo utilizzare.
A questo scopo, ci siamo limitati al solo raggio di curvatura. Naturalmente, ci sono stati altri fattori da considerare. Ma potete vedere qui che abbiamo una gamma di superfici sia convesse che concave. Abbiamo elencato i campioni e, naturalmente, abbiamo effettuato tre misurazioni per metodo, in modo da poter effettivamente generare i dati Gauge R&R da questo DOE.
Passiamo ora alla diapositiva successiva. Bene, siamo alla parte dei risultati, quindi passo la parola a Michael, che completerà il tutto per voi.
Grazie, Jake. Torna al nostro flusso di lavoro, giusto per ripassarlo. Jake ci ha appena spiegato come abbiamo impostato il DOE, il Gauge R&R e come abbiamo scelto alcuni campioni, saltando ovviamente la raccolta dati. Ma prima di passare all'analisi dei dati, ho qui una o due diapositive su cosa analizzeremo dai risultati prima di costruire effettivamente il modello.
Una volta iniziato a lavorare all'interno di JMP, vedremo come costruire un modello con i dati, come massimizzare la desiderabilità o ottimizzare le condizioni di impostazione del gauge. Utilizzeremo il simulatore per aiutarci, ancora una volta, a visualizzare meglio ciò che questo modello ci sta dicendo, ed eseguiremo alcune verifiche sperimentali, quindi esamineremo anche quei risultati.
Cosa stiamo cercando in questi risultati? Cosa dobbiamo realmente analizzare? Innanzitutto, l'accuratezza. Abbiamo una diapositiva qui per parlare dell'accuratezza e, ancora una volta, per verificare che il metodo non influisca sulla misurazione nominale. Un buon esempio è quando si misurano film sottili, utilizzando un calibro: si può effettivamente schiacciare il film e finire per alterarne lo spessore, quindi il metodo di misurazione può influire sull'accuratezza. Vogliamo verificare di non influire sull'accuratezza.
Il secondo aspetto è la variazione di gauge. Questo è uno degli aspetti critici che abbiamo illustrato in precedenza. Vogliamo soddisfare o ridurre la variazione rispetto alla baseline, e quindi il tempo di misurazione. Vogliamo aumentare la produttività o ridurre il tempo di misurazione, e abbiamo bisogno di tutti e tre questi fattori per ottenere risultati concreti in questo caso di studio.
Per quanto riguarda la precisione, l'abbiamo riassunta solo per mostrarvi un grafico. Lo strumento produce molti dati, quindi, considerando solo il raggio di curvatura, la nostra tolleranza è di circa più o meno 10 micron, quindi è sempre importante tenere a mente le tolleranze.
Esaminando in particolare la parte numero due, in tutti i metodi, fatta eccezione forse per il metodo numero sei, siamo in un intervallo di circa più o meno un micron e, conoscendo il nostro limite di specifiche o il nostro limite di tolleranza, ci sentiamo molto sicuri, dopo aver esaminato questi dati, che la precisione non è stata influenzata dal metodo, quindi abbiamo ottenuto un segno di spunta per ciò che è importante nei nostri risultati.
Ora utilizzeremo JMP per costruire effettivamente questi modelli per la misurazione del tempo di variazione del gauge. Questi sono alcuni video preregistrati e aggiunti alla presentazione PowerPoint, quindi abbiate pazienza se dovessimo riscontrare errori di battitura durante la lavorazione.
Bene, per prima cosa voglio mostrarvi la tabella dei dati, su cui ho svolto un po' di lavoro preliminare: la curvatura del raggio è ciò che viene visualizzato dal misuratore. L'abbiamo trasformata nella variazione del misuratore utilizzando il misuratore sulla nostra piattaforma all'interno di JMP, e poi abbiamo calcolato il tempo di misurazione. Il tempo di misurazione viene registrato durante la raccolta dei dati.
Ho raggruppato queste due variabili come variabile di output. Ho anche raggruppato le tre variabili di input, quindi passo radiale, passo azimutale e velocità di rotazione, e i gradi al secondo rappresentano la velocità di rotazione. Una volta ottenuta la tabella dati, utilizzeremo la piattaforma di adattamento per iniziare a modellare l'impatto delle variabili di input sulle variabili di output.
In quel modello, specificheremo le nostre variabili di output nel ruolo Y e le nostre variabili di input. Sceglieremo la macro della superficie di risposta in base a come abbiamo impostato il DOE. Quando scegliamo una macro della superficie di risposta, questa inserisce tutti gli effetti che stavamo testando nel DOE. Tuttavia, ha aggiunto l'incrocio tra il passo radiale e il passo azimutale che era stato escluso dal DOE, e vedremo perché questo è importante. Non appena eseguiamo questo modello, dovreste vedere un errore.
In questo trimestre abbiamo tralasciato il DOE. Non l'abbiamo testato, ma proveremo a costruire un modello che lo includa. Quando eseguiamo quel modello, la prima cosa a cui voglio che tutti prestino attenzione è il dettaglio della singolarità che emerge, quindi questo dettaglio singolare ci dice: "Ehi, qualcosa non va nel tuo set di dati. Non puoi testare tutti questi effetti presenti nel modello". Questo perché il passo radiale e il passo azimutale non erano inclusi nella configurazione del DOE.
Se prendo quel termine e lo rimuovo dal modello, ora potete vedere che quel dettaglio singolare è scomparso. Una volta scomparso quel dettaglio, possiamo iniziare a esaminare i valori p per testare la significatività statistica. Personalmente, imposto di default una soglia di circa 0,05. Per alcuni set di dati, userò 0,1 come soglia. Useremo proprio quel valore di 0,05 per questo caso di studio.
Ho rimosso per primo il termine con il valore p più alto e, come potete vedere, una volta rimosso, i valori p rimanenti e gli effetti rimanenti diventano significativi. Questi effetti rimarranno nel modello per il resto di ciò che analizzeremo oggi.
Successivamente, utilizzeremo un profiler per ottimizzare effettivamente le impostazioni dell'indicatore. Puoi trascinare un profiler sotto il menu a discesa con il triangolo rosso e la prima cosa che faremo sarà attivare le funzioni di desiderabilità.
L'impostazione predefinita è quella di massimizzare ciascuna variabile di output. Se si utilizza la configurazione DOE personalizzata, dall'inizio alla fine, il programma ricorderà le impostazioni e l'obiettivo per ciascuna variabile di output. Tuttavia, per questo caso di studio abbiamo recuperato questi dati da circa un anno fa, quindi l'impostazione predefinita è quella di massimizzare queste variabili di output. È possibile ripristinare queste impostazioni in modo molto semplice. Tenendo premuto Ctrl e cliccando con il pulsante destro del mouse nella finestra delle preferenze, è possibile passare da massimizza a minimizzi.
Una volta definiti gli obiettivi per ciascuna variabile di output, è possibile tornare indietro e massimizzare la desiderabilità. Ora possiamo esaminare le tre variabili di input e le impostazioni ottimizzate del gauge basate su questo modello. Queste diventeranno il metodo 8 in alcune delle diapositive che vi mostrerò in futuro. Queste sono le condizioni di impostazione ottimizzata del gauge.
Un aspetto che ho riscontrato quando ho parlato di JMP e di come si usa JMP e si modellano i dati è che questo è un modo per visualizzare i dati. Alcune persone hanno difficoltà a usare questi profiler, quindi esistono modi migliori per visualizzarli, e useremo un simulatore per visualizzare meglio questi dati.
Sotto il profiler di previsione possiamo aprire il simulatore, che ci permetterà di testare diverse impostazioni di input per ogni variabile. Modificherò le nostre impostazioni di input per esaminare casualmente diverse impostazioni per gli input. Se tieni premuto Ctrl e clicchi, selezionerà più elementi mentre ti sposti. Preferisco usare "uniforme". Il tipo di distribuzione dipende in realtà dai tuoi dati, dal tuo indicatore o dalla tua configurazione. Quindi questi limiti minimi, inferiore e superiore, vengono impostati di default sui limiti minimi e massimi. Questo è effettivamente nella tabella dati.
Poi simulerò tutto questo in una nuova tabella e, una volta che questa sarà stata convertita in una nuova tabella dati, potrete utilizzare qualsiasi piattaforma grafica desideriate. Nella prossima diapositiva, esamineremo un grafico a contorno per vedere come questo modello e questi dati definiscono effettivamente il nostro spazio di progettazione.
Ora potete vedere un grafico a contorno per il tempo di misurazione a sinistra e un grafico a contorno per la variazione di gauge a destra: sono due variabili di output. Gli assi Y e X sono gli stessi assi che abbiamo osservato prima con Jake nello spazio di progettazione, e poi ho sovrapposto il vincolo insieme ai sette diversi metodi DOE.
Ho anche inserito qui le condizioni di impostazione ottimizzate del gauge in base al momento in cui massimizziamo la desiderabilità. Questo, credo, aiuti davvero a mostrare e a visualizzare come appare lo spazio di progettazione per le impostazioni di output del gauge, e ora queste variabili... siamo stati fortunati che il modello per ciascuna fosse in realtà piuttosto simile. Questo grafico di contorno può essere molto diverso. Dipende solo dal sistema.
Ora esamineremo la verifica di questo ottimo globale. I sette metodi DOE sono mostrati in grigio, mentre il metodo ottimizzato è mostrato in rosso. Questo è il metodo otto, e come potete vedere, sia per la variazione di gauge che per il tempo di misurazione, abbiamo riscontrato una riduzione rispetto ai risultati DOE.
Questo è esattamente ciò che ci aspettiamo dal nostro caso di studio. Siamo rimasti molto soddisfatti quando abbiamo visto questi risultati. Si inizia con un abstract del DOE. Inizialmente, si esaminano i risultati e poi si costruisce il modello. È ancora un po' astratto finché non lo si concretizza con la verifica, quindi per noi si tratta di risultati davvero buoni e positivi.
Bene, per concludere con le conclusioni, un Gauge R&R è stato combinato con il DOE per aumentare rapidamente e con successo la nostra capacità di misurazione del calibro, e abbiamo stimato di aver ridotto i tempi di sviluppo di circa tre settimane. Siamo anche riusciti a includere vincoli personalizzati nella matrice di progettazione per impedire operazioni al di fuori dei limiti fisici del calibro. Infine, siamo stati in grado di produrre un metodo ottimizzato per creare un modello statisticamente valido basato sui risultati del DOE.
Grazie ragazzi per l'ascolto. Concludo ringraziando alcuni dei nostri partner finanziatori. Grazie.
