Mejorar el rendimiento del medidor para la demanda de producción manteniendo una baja variación de la medición puede ser un desafío. A menudo, el rendimiento y la variación de la medición son variables contrapuestas, y comprender la relación entre ellas puede ser difícil sin utilizar un diseño de experimentos (DOE).
En este caso práctico, mostramos cómo la plataforma DOE personalizada de JMP puede combinarse con un análisis de sistemas de medición (repetibilidad y reproducibilidad del medidor) para aumentar el rendimiento, manteniendo al mismo tiempo la precisión y exactitud del medidor. Gracias a la plataforma DOE de JMP, el tiempo de desarrollo se redujo aproximadamente un 50 %, en comparación con un enfoque de una sola variable a la vez. Demostramos las limitaciones físicas del medidor y cómo estas se incorporan al DOE personalizado. A continuación, modelamos los resultados del DOE, optimizando el espacio de diseño y validando experimentalmente el aumento del 60 % en el rendimiento del medidor.
Hola a todos. Buenos días. Me llamo Michael Cantwell. Soy ingeniero de desarrollo en Peak Nano. Jake Miller y yo les hemos estado explicando un caso práctico en el que hemos trabajado: cómo mejorar el rendimiento de su medidor combinando un DOE personalizado con un R&R de medidor.
Antes de abordar este caso práctico, quiero repasar brevemente Peak Nano para que puedan ver algunos de los productos y algunas de las industrias a las que servimos. Nos dividimos en dos unidades de negocio. Jake y yo trabajamos en el sector óptico; en esta unidad de negocio nos centramos en el diseño y la fabricación de lentes, así como en el diseño y ensamblaje de sistemas ópticos completos.
Esto incluye binoculares, gafas de visión nocturna, sistemas de control de fuego para morteros o rifles. Esta unidad de negocio se centra en aplicaciones y contratos de defensa, además de algunas aplicaciones comerciales.
La otra unidad de negocio, la de películas, comienza con la tecnología de proceso base que puede aprovecharse para crear propiedades de producto únicas. Uno de los productos que están ampliando actualmente es la película de condensador. Película de condensador por propiedades de cola. Sus clientes lo han visto como muy valioso. Algunas de las aplicaciones en las que se están involucrando son los reactores de fusión, por lo que la gran demanda de energía en un período muy corto para esa empresa emergente. Los sistemas de lanzamiento de aeronaves son otro caso donde los condensadores son muy necesarios o donde hay una gran demanda de energía en un período muy corto.
Otras aplicaciones de esta tecnología de proceso básico incluyen el envasado de alimentos, incluso el reciclaje, y películas para obtener las mismas propiedades básicas o mecánicas. Normalmente, con el reciclaje, no se pueden lograr las mismas propiedades. Esta tecnología de proceso básico permite mantener las mismas propiedades utilizando más reciclaje, lo que ha sido muy ventajoso para la unidad de negocio de películas.
Nuevamente, para este caso de estudio del que estamos hablando hoy, Jake y yo venimos de la unidad de negocios de óptica, y vamos a hablar realmente sobre el proceso de fabricación de lentes y un medidor específicamente en esa área.
Hablaremos sobre la agenda para que podamos ver cómo [inaudible 00:02:17] lo que haremos hoy. Comenzaremos con el diagrama del flujo del proceso para ayudarnos a identificar el problema. Analizaremos el desafío de la ampliación y cómo se convirtió en un problema a medida que crecemos y fabricamos más piezas.
Revisaremos el DOE, el diseño del experimento, cómo lo configuramos y por qué. Revisaremos brevemente la calibración y la selección de la muestra. Analizaremos los resultados, realizaremos una breve discusión y concluiremos con algunas conclusiones.
Ahora, si observamos el diagrama del flujo del proceso para identificar el problema del que hablamos hoy, en el proceso de fabricación de lentes, lo hemos dividido, para simplificarlo, en cuatro áreas de proceso. El diseño óptico, donde el diseñador define el radio de curvatura necesario para una superficie específica. Luego, el proceso de torneado de alta precisión. Este es el proceso en el que Jake trabaja intensamente, donde fabricaremos y procesaremos ese radio de curvatura.
Entonces, como no vivimos en un mundo ideal, tenemos que medir la verdadera apariencia de esa superficie. Usamos un medidor de superficie de lente. Este medidor caracterizará su apariencia. Este medidor es el que analizamos hoy, por lo que este caso práctico se centra en este medidor de superficie. Genera mucha información, pero para este caso práctico simplemente caracterizaremos el radio de curvatura.
Luego, el control de calidad. En el control de calidad, hemos establecido límites de especificación de aproximadamente 10 micras, así que sabemos que si nos mantenemos dentro de esa tolerancia, cumplimos con las especificaciones. De lo contrario, tenemos la oportunidad de retrabajar estas lentes, y es un proceso estándar. Cada pasada de acabado superficial puede ser de tan solo unos cientos de nanómetros, por lo que se pueden retrabajar dos o tres veces por lente.
Lo siguiente que quiero identificar es el cuello de botella de este proceso: el calibre de superficie. Hay aproximadamente cuatro capas para cada calibre de superficie, y cada pieza toma de cinco a siete minutos para medirse. El calibre de superficie era un cuello de botella en nuestro proceso. Poder obtener información adecuada y precisa sobre los valores reales es fundamental para nosotros durante el desarrollo e incluso a medida que avanzamos y ampliamos la escala.
Hablando de escalabilidad. Al lanzar un nuevo producto, especialmente en hardware, se empieza con muy pocas piezas, se desarrolla y, a medida que crece, se empiezan a fabricar más piezas, y el control y la garantía de calidad deben escalar con el negocio. El rendimiento de los medidores empezó a ser un problema, lo que supuso una mayor limitación para nosotros, por lo que el tiempo de medición y la disponibilidad de los operadores se convirtieron en un problema mayor.
Considerando el punto de referencia para el aspecto de este medidor de mantenimiento de lentes, con un intervalo de medición de entre seis y siete minutos y una variación del medidor de aproximadamente el 0,02 %, quedamos muy satisfechos con la variación. No creo que nadie pueda quejarse de un 0,02 % y un medidor, pero el tiempo de medición fue un problema para nosotros. La pregunta era: ¿cómo podemos reducir eficazmente el tiempo de medición sin afectar el error ni la variación del medidor?
Ahí es donde entró en juego el DOE o diseño del experimento. Nuestro enfoque para mejorar esto fue utilizar un DOE y, dado que hablamos de un medidor, también utilizar un R&R de medidor. Comenzaré primero con un DOE y luego hablaremos del R&R de medidor.
Estoy seguro de que si han estado en JMP con frecuencia, habrán oído hablar de un DOE, pero quiero usar este gráfico de abajo para defender por qué deberían adoptar un enfoque DOE en lugar de un enfoque de una variable a la vez. Pueden ver la falacia del enfoque de una variable a la vez (OVAT) aquí abajo a la izquierda, o por qué no deberían usar un enfoque de una variable a la vez.
Muchas veces, al explicar esto a ingenieros nuevos, o quizás a otros compañeros, este gráfico me ha sido muy útil para mostrar por qué se puede llegar a un falso óptimo. Muchas veces se toma una variable, se la modifica, se la varía, se encuentra su óptimo y luego se dice: "Bueno, hemos optimizado esta variable, ahora necesitamos optimizar la segunda". Y se empieza a cambiar esa variable en la primera condición optimizada. Luego se dice: "Bueno, esta es la optimización para ambas variables". Pero se puede ver que, en realidad, esto es un falso óptimo.
Al adoptar un enfoque de cribado de factores o de respuestas, tanto en un marco de diseño de experimentos (DOE) como de experimentos de diseño, se puede alcanzar un óptimo global mejor o, mejor dicho, más cercano al óptimo. Otra gran ventaja de un enfoque DOE es que, por lo general, se realizan menos experimentos y se obtiene una mejor respuesta, por lo que es una situación beneficiosa para todos.
En este enfoque DOE, a veces existen restricciones físicas en el espacio de diseño. Esto se abordará hoy. Hablaremos sobre cómo agregar restricciones personalizadas dentro de JMP a la matriz de diseño y, por último, sobre la corrección y el ajuste del calibre. Nos referimos a modificaciones del calibre, por lo que siempre que se trate de modificaciones, debemos considerar cómo afectarán la corrección y el ajuste del calibre o su variación. La corrección y el ajuste del calibre, en pocas palabras, se utiliza para separar las fuentes de variación, ya sea del calibre, del operador o del propio proceso.
A continuación, presentaremos una visión general de lo que haremos hoy en este caso práctico y del flujo de trabajo que utilizamos en JMP. Comenzaremos con la configuración del DOE, analizando algunas restricciones personalizadas y los límites mínimos y máximos. Después, analizaremos el medidor, hablaremos sobre la revisión y revisión del medidor, por qué elegimos ciertas muestras para representar nuestra producción y, finalmente, analizaremos algunos videos pregrabados en JMP sobre el análisis de datos.
Analizaremos cómo construir un modelo para nuestros datos, considerando la conveniencia de maximizarlos o eligiendo las condiciones óptimas de configuración del medidor. Usaremos el simulador para visualizar mejor el espacio, especialmente para probar nuestro modelo, visualizarlo y, finalmente, realizar la verificación. Siempre que construimos un modelo, necesitamos realizar una verificación, y esto lo hicimos experimentalmente.
A continuación, le daré la palabra a Jake para que nos explique el DOE y la configuración del Gauge R&R.
Muy bien. Hola a todos. Para profundizar en esto, primero debemos entender qué buscamos obtener y luego qué tipo de variables de entrada debemos considerar para llegar a esa conclusión. Primero, las respuestas que buscamos son, como mencionó Michael, minimizar la variación del calibre (lo cual, por supuesto, nos parecía bien al principio) y minimizar el tiempo de medición.
En la esquina superior izquierda, tenemos estas dos respuestas dentro del cuadro de diálogo JMP, y junto a ellas están los factores: AP, RP y velocidad de rotación. Todas estas son variables continuas, y debo decir que son las variables de entrada de la máquina que podemos modular para obtener una mejor respuesta. En la siguiente diapositiva, repasaremos qué son y comenzaremos a comprender sus ramificaciones, su impacto físico y sus limitaciones.
Si pasamos a la siguiente diapositiva, comenzaremos a analizar el método mediante el cual este medidor califica la superficie de estas lentes. Primero, tenemos una serie de definiciones de nuestras variables de entrada. Tenemos la inclinación azimutal como AP, la inclinación radial como RP y la velocidad de rotación como Omega.
Desde la vista lateral, podemos ver que la pieza de prueba gira bajo un sensor óptico. Este sensor se mueve a lo largo de la pieza a medida que esta gira, lo que nos lleva a la vista superior. Verán que hay varios puntos de datos resaltados con puntos rosas en esta vista superior.
El paso azimutal es la distancia a lo largo de esta trayectoria de medición en espiral entre los puntos de datos, y el paso radial es la distancia entre los brazos espirales de esta trayectoria y, por supuesto, esta trayectoria que estamos viendo aquí es la línea que se dibuja a través de la superficie de la pieza mientras el sensor óptico atraviesa la pieza y la pieza gira debajo.
Hay algunas ideas que se pueden extraer de esto. Bueno, para maximizar, o mejor dicho, minimizar, el tiempo de medición, probablemente queramos maximizar la inclinación radial, ya que si tomamos más distancia entre mediciones hasta cierto punto, se asumiría que el tiempo de medición se reduciría. Pero la combinación de la inclinación azimutal y la inclinación radial nos da la densidad de los datos recopilados en la superficie. Estos RP, AP y Omega, junto con la velocidad de recorrido, conforman las restricciones de nuestra máquina.
Pasemos a la siguiente diapositiva. Analizaremos los factores limitantes reales. La principal restricción de DOE que encontramos es que este medidor tiene un límite físico en la velocidad a la que el sensor óptico puede atravesar la pieza de prueba mientras mide. En la ecuación uno, tenemos una desigualdad con 0,34 mm/segundo, que es precisamente el límite. El medidor óptico no puede atravesar la superficie a mayor velocidad.
Luego, gracias al principio de medición que vimos en la diapositiva anterior y a la trayectoria de datos en espiral, se obtiene la siguiente conclusión: cada vez que se gira esta pieza de prueba, existe una relación entre el paso radial y la rotación debido a los brazos espirales generados. Esto nos lleva a la ecuación dos. Sin embargo, esta ecuación no es lineal, por lo que no podemos usarla dentro de la restricción JMP. Como pueden ver aquí a la derecha, hemos definido restricciones de factor dentro de JMP. Sin embargo, aún no podemos usarla porque está en una restricción lineal, así que pasaremos a la siguiente diapositiva para mostrarles el esfuerzo invertido en linealizarla.
Sumamos las dos primeras ecuaciones, lo que nos da la ecuación tres. Si simplemente redefinimos el paso radial a uno sobre el paso radial dentro de esta ecuación, obtenemos la ecuación cuatro, que es la ecuación linealizada que necesitamos para poder introducir en JMP. Así que pasemos a la siguiente diapositiva.
Verá aquí que todavía tenemos las mismas respuestas que teníamos antes, pero con el paso radial agregado, y realmente no hemos seleccionado ningún objetivo con esto, porque si bien nuestra percepción puede llevarnos a creer que maximizar este valor probablemente haría al menos una de estas cosas, que sería minimizar el tiempo de medición, realmente no sabemos qué haría con la variación del calibre, por lo que tenemos que ver qué nos dirían los resultados del DOE que deberíamos hacer.
A continuación, tenemos los factores a la derecha, AP, el redefinido sobre RP, y la velocidad de rotación. A continuación, tenemos las restricciones lineales que ahora podemos introducir en JMP. Podremos ver cómo esto se aplica a la generación de los métodos DOE que necesitamos para recopilar los datos. Pasaremos a la siguiente diapositiva.
Gracias a esta investigación, nos dimos cuenta de que la inclinación azimutal y la inclinación radial no interactúan. Como saben, la inclinación azimutal es gratuita. Dentro de las limitaciones del sistema de adquisición digital que utiliza el medidor, se puede recopilar prácticamente un número infinito de puntos de datos a lo largo de cada brazo espiral. La verdadera dificultad radica en la proximidad entre estos brazos espirales. ¿A qué velocidad puede desplazarse el dispositivo sobre una superficie? ¿A qué velocidad puede girar la pieza? Todas estas limitaciones físicas son lo que realmente nos interesa.
La inclinación azimutal no afecta realmente al tiempo ni parece afectar mucho la variación del calibre. Sabíamos esto por experiencia, y como en algunas pruebas sencillas que realizamos, no tenía nada que ver con este DOE, por lo que omitimos esa interacción. Como pueden ver, seleccionamos el modelo de superficie de respuesta, que nos proporciona todos los efectos que queremos probar con los factores introducidos en JMP. Para definir completamente esta superficie de respuesta, necesitamos un mínimo de siete métodos diferentes para definir el espacio. Pasaremos a la siguiente diapositiva.
Aquí tenemos dos elementos muy importantes. A la izquierda, la tabla describe los siete métodos que mencioné anteriormente. Además, probablemente mucho más útil que la tabla, la representación gráfica que aparece a su lado, la matriz de prueba DOE. Aquí, en el eje Y, tenemos el paso radial y en el eje X, la velocidad de rotación.
Obviamente, se omite la inclinación azimutal porque no tiene un impacto significativo, por lo que aquí se ven los valores mínimos y máximos definidos por el indicador en azul. Obviamente, no se puede tener una inclinación radial inferior a cero. Eso no tiene sentido y, por supuesto, la inclinación radial tiene un valor máximo.
Lo mismo ocurre con la velocidad de rotación. Lo interesante es que, si observan la línea de restricción roja, esta es la restricción linealizada que definimos anteriormente, relacionada con la relación entre el paso radial y la velocidad de rotación. Una vez definido este cuadro, este es el espacio donde queremos modelar una superficie de respuesta para este medidor y su rendimiento.
Verán que los métodos de medición delinean los bordes de la matriz de prueba DOE. Una vez que tengamos todos estos datos, podremos definir estadísticamente cualquier estado arbitrario dentro de este espacio representado gráficamente; eso es realmente lo que estamos haciendo. Hasta ahí llegamos con el método. Ahora bien, para la repetición y repetición del calibre, obviamente, necesitamos la repetibilidad de la máquina. Queremos ver y verificar que esto no cambie con ninguno de estos métodos; de ser así, podríamos decir que ciertos métodos presentan mayor riesgo que otros.
Cada uno de estos métodos se repitió tres veces, y ahora vamos a hablar un poco sobre la selección de la muestra y por qué, qué hicimos allí para mitigar cualquier riesgo potencial que pudiera venir con esto, así que pasaremos a la siguiente diapositiva ahora.
La selección de la muestra, queríamos que cualquier método que encontráramos se pudiera generalizar a cualquier muestra potencial que pudiéramos hacer, o en el futuro ahora, cuando sea, porque existe el riesgo de que si solo hubiéramos probado una muestra, tal vez este medidor en realidad no funcione de manera equivalente en cualquier muestra potencial que queramos medir, y así podríamos obtener un óptimo global para exactamente lo que estamos haciendo ahora mismo, pero no sería a prueba de futuro, entonces no se podría generalizar para que pudiéramos usarlo.
Para este propósito, nos limitamos únicamente al radio de curvatura. Por supuesto, se incluyeron algunos factores adicionales. Pero pueden ver que aquí tenemos una gama de superficies convexas y cóncavas. Tenemos las muestras listadas y, por supuesto, se realizaron tres mediciones por método, de modo que pudimos generar los datos de Gauge R&R a partir de este DOE.
Pasamos a la siguiente diapositiva. Bien, estamos en la parte de resultados, así que le devuelvo la palabra a Michael, quien terminará esto por ustedes.
Gracias, Jake. Volvamos a nuestro flujo de trabajo para repasar esto. Jake nos explicó cómo configuramos el DOE, el Gauge R&R y cómo elegimos ciertas muestras. Por supuesto, omitiremos la recopilación de datos. Pero antes de analizar los datos, tengo una o dos diapositivas sobre lo que revisaremos de los resultados antes de construir el modelo.
Una vez que empecemos a trabajar en JMP, veremos cómo construimos un modelo con los datos, cómo maximizamos la conveniencia u optimizamos las condiciones de configuración del medidor. Utilizaremos el simulador para visualizar mejor lo que nos dice este modelo y realizaremos una verificación experimental, por lo que también revisaremos esos resultados.
¿Qué buscamos en estos resultados? ¿Qué necesitamos analizar realmente? Primero, la precisión. Tenemos una diapositiva aquí para hablar sobre la precisión y, nuevamente, para verificar que el método no afecte la medición nominal. Un buen ejemplo de esto es que, al medir películas delgadas con un calibrador, se puede presionar la película y alterar el espesor, por lo que el método de medición puede afectar la precisión. Queremos verificar que no estemos afectando la precisión.
El segundo punto es la variación del calibre. Este es uno de los aspectos críticos que mencionamos anteriormente. Queremos alcanzar o reducir la variación con respecto a la línea base y, posteriormente, el tiempo de medición. Queremos aumentar el rendimiento o reducir el tiempo de medición, y necesitamos estos tres factores para que este caso práctico tenga éxito.
En cuanto a la precisión, la hemos resumido para mostrarles un gráfico. El instrumento genera una gran cantidad de datos, así que, al observar el radio de curvatura, nuestra tolerancia es de aproximadamente ±10 micras, por lo que es importante tener siempre presentes las tolerancias.
Mirando la parte número dos, específicamente, en todos los métodos, excepto quizás el método número seis, estamos realmente dentro de un rango de más o menos un micrón, y conociendo nuestro límite de especificación o nuestro límite de tolerancia, nos sentimos muy confiados después de revisar estos datos de que la precisión no se vio afectada por el método, así que esto es, obtuvimos una marca de verificación para lo que es importante de nuestros resultados.
Ahora, usaremos JMP para construir estos modelos para la medición del tiempo de variación del calibre. Estos son algunos videos pregrabados e incluidos en la presentación de PowerPoint, así que tengan paciencia si encontramos algún error tipográfico mientras los revisamos.
Bien, primero quiero mostrarles la tabla de datos. He realizado un trabajo previo sobre ella, así que la curvatura del radio es la salida del medidor. La hemos convertido en la variación del medidor usando el medidor en nuestra plataforma dentro de JMP, y luego el tiempo de medición. El tiempo de medición se registra al recopilar los datos.
He agrupado esas dos variables como variable de salida. También he agrupado las tres variables de entrada: inclinación radial, inclinación azimutal y velocidad de rotación, y los grados por segundo representan la velocidad de rotación. Una vez que tengamos la tabla de datos, abriremos la plataforma de ajuste del modelo para empezar a modelar cómo nuestras variables de entrada afectan a las de salida.
En ese modelo, especificaremos nuestras variables de salida en el rol Y y nuestras variables de entrada. Elegiremos la macro de superficie de respuesta según la configuración del DOE. Al elegir una macro de superficie de respuesta, se incluyen todos los efectos que probamos en el DOE. Sin embargo, se ha añadido la intersección de la inclinación radial con la inclinación azimutal, que se omitió en el DOE. Veremos su importancia. Al ejecutar este modelo, debería aparecer un error.
Este trimestre, omitimos el DOE. No lo probamos, pero intentaremos construir un modelo con él. Al ejecutar el modelo, lo primero que quiero que todos tengan en cuenta es el detalle de singularidad que aparece. Este detalle singular nos indica: "Algo no está bien con tu conjunto de datos. No puedes probar todos los efectos del modelo". Esto se debe a que la inclinación radial y la inclinación azimutal no se incluyeron en la configuración del DOE.
Si elimino ese término del modelo, se puede observar que ese detalle singular ha desaparecido. Una vez que desaparece, podemos empezar a analizar los valores p para comprobar la significancia estadística. Personalmente, utilizo un umbral predeterminado de aproximadamente 0,05. En algunos conjuntos de datos, utilizo 0,1 como umbral. En este caso práctico, usaremos ese valor de 0,05.
Primero eliminé el término con el valor p más alto, y pueden ver que, una vez hecho esto, los valores p y los efectos restantes se vuelven significativos. Estos efectos permanecerán en el modelo durante el resto del análisis de hoy.
A continuación, vamos a utilizar un generador de perfiles para optimizar la configuración del indicador. Puedes colocar un generador de perfiles debajo del menú desplegable con un triángulo rojo. Lo primero que haremos será activar las funciones de deseabilidad.
El valor predeterminado es maximizar cada variable de salida. Si revisa la configuración personalizada del DOE de principio a fin, recordará la configuración y el objetivo de cada variable de salida. Sin embargo, para este caso práctico, obtuvimos estos datos de hace aproximadamente un año, por lo que el valor predeterminado es maximizar estas variables de salida. Puede volver a cambiarlos fácilmente. Si mantiene presionada la tecla Ctrl y hace clic derecho en la ventana de conveniencia, puede cambiarla de maximizar a minimizar.
Una vez que hayas establecido tus objetivos para cada variable de salida, puedes volver atrás y maximizar tu atractivo. Ahora podemos analizar las tres variables de entrada y en qué se basan las configuraciones optimizadas del medidor según este modelo. Estas se convertirán en el método ocho en las próximas diapositivas que les mostraré. Estas son las condiciones optimizadas de configuración del medidor.
Al hablar de JMP y su uso y modelado de datos, me he encontrado con que esta es una forma de visualizar los datos. A algunas personas les cuesta usar estos perfiladores, así que existen mejores maneras de visualizarlos, y vamos a usar un simulador para visualizar mejor los datos.
Debajo del perfilador de predicción, podemos abrir el simulador, lo que nos permitirá probar diferentes configuraciones de entrada para cada variable. Voy a cambiar la configuración de entrada para que vea aleatoriamente diferentes configuraciones. Si mantienes presionada la tecla Ctrl y haces clic, se realizarán múltiples selecciones a medida que avanzas. Me gusta usar la distribución uniforme. El tipo de distribución depende de tus datos, tu indicador o configuración. Entonces, estos valores mínimos, máximos y mínimos se establecen de forma predeterminada en los límites mínimos y máximos. Esto se encuentra en la tabla de datos.
Luego simularé esto en una nueva tabla, y una vez que esté en la nueva tabla de datos, podrán usar cualquier plataforma gráfica que deseen. En la siguiente diapositiva, veremos un gráfico de contorno para ver cómo este modelo y estos datos definen nuestro espacio de diseño.
Ahora pueden ver un gráfico de contorno para el tiempo de medición a la izquierda y un gráfico de contorno para la variación del calibre a la derecha, que son dos variables de salida. Los ejes Y y X son los mismos que vimos antes con Jake en el espacio de diseño, y luego he superpuesto la restricción junto con los siete métodos DOE diferentes.
También incluí aquí las condiciones optimizadas de configuración del indicador según cuándo maximizamos la conveniencia. Creo que esto ayuda a mostrar y visualizar cómo se ve el espacio de diseño para la configuración de salida del indicador. Afortunadamente, el modelo de cada variable era bastante similar. Este gráfico de contorno puede ser muy diferente. En realidad, depende del sistema.
Ahora analizaremos la verificación de ese óptimo global. Los siete métodos DOE se muestran en gris, y el método optimizado se muestra en rojo. Este es el método ocho, y pueden ver que, tanto para la variación del calibre como para el tiempo de medición, obtuvimos una reducción en comparación con los resultados del DOE.
Esto es exactamente lo que buscábamos en nuestro caso práctico. Nos alegramos mucho de ver estos resultados. Se empieza con un resumen del DOE. Al principio, se analizan los resultados y luego se construye el modelo. Sigue siendo un poco abstracto hasta que se verifica, así que estos resultados son realmente buenos y positivos para nosotros.
Bien, para concluir, se combinó una revisión y revisión de calibres con el DOE para aumentar rápida y exitosamente nuestro rendimiento de medición de calibres, y estimamos que redujimos el tiempo de desarrollo en aproximadamente tres semanas. También pudimos incluir restricciones personalizadas en la matriz de diseño para evitar la operación fuera de los límites físicos de nuestros calibres. Finalmente, logramos desarrollar un método optimizado para crear un modelo estadísticamente válido basado en los resultados de nuestro DOE.
Gracias a todos por escuchar. Para terminar, quiero agradecer a algunos de nuestros socios financieros. Gracias.
