| Vocero |
Transcripción |
| Nicolás Shelton |
Bien, voy a silenciarme y una vez que lo haga, podrán comenzar cuando estén listos y, como mencioné, no se preocupen si cometen un error o cualquier otra cosa, simplemente continúen y luego, cuando terminemos, detendré la grabación y me reactivaré el micrófono. |
| |
Vale, vale, de acuerdo, cuando puedas, empieza cuando estés listo. |
| |
Hola a todos, estoy aquí hoy para hablarles de... |
| |
Un problema industrial que se resolvió utilizando algunas herramientas estadísticas avanzadas y JMP; por lo tanto, este es un problema real al que me enfrenté cuando trabajaba en una empresa fabricante de equipos eléctricos modernos. |
| |
Entonces, ¿cuál era el problema al que nos enfrentábamos en ese momento? Teníamos estos motores eléctricos, y el cliente compraba el destilado del agua. |
| |
Y tiene que conectar este modelo eléctrico a su propia máquina, así que tiene que abrir esta caja. |
| |
Esta caja tiene cuatro tornillos diferentes aquí y cuatro agujeros, por lo que tiene que abrir esta tapa, conectar los cables eléctricos a su propia máquina y volver a fijarla para cerrarla. |
| |
Cuando el cliente intenta hacer esto y, en el momento en que tiene que arreglar el cierre de la caja con esta tapa y estas cuatro diferentes. |
| |
A veces, con los tornillos, surge este problema cuando el tornillo está [mal girado]. En otras palabras, ya no hay agarre entre el tornillo y el orificio de aluminio. |
| |
Según las especificaciones, este tornillo, este proceso de ensamblaje, y estos ensamblajes tienen que soportar al menos 10 veces. |
| |
Y el cliente puede hacerlo sin ningún problema durante mucho, mucho tiempo o en diferentes ocasiones, o si tiene que hacerlo. |
| |
Si se cambia la posición o la máquina donde se utiliza este motor eléctrico, debería poder abrir y cerrar la caja sin ningún problema. Así que aquí tenemos un poco. |
| |
Este breve vídeo ilustra perfectamente cuál es el problema: esta tripulación está perdida, no hay ningún tipo de agarre. |
| |
Cuando esto sucede, no es un problema común al que nos enfrentamos todos los días, pero a veces puede ocurrir, como cuando sucedió, recibió el director. |
| |
Tras una queja, el director llamó al responsable de calidad y este me llamó a mí, Matheus. Tenemos que resolver este problema, así que reúnamos al equipo y comencemos la investigación. |
| |
Y eso fue lo que pasó, eso fue lo que empezamos a hacer. |
| |
Como en otras situaciones, hay otros problemas que debemos investigar. |
| |
Siempre partiremos de algunas hipótesis, al menos algunas sobre qué puede estar afectando este problema, cómo podemos explicar este fallo, así que reuniremos a personas de diferentes áreas, por ejemplo, ingeniería de producto. |
| |
¿Qué podemos estar haciendo mal aquí? Puede ser cualquier problema en el departamento de ingeniería de producto, la causa de estos problemas: errores de diseño, errores en la línea de montaje, variaciones, quizás la máquina de atornillar. |
| |
Está trabajando con un par elevado y generando este problema o este tornillo que estamos comprando a este proveedor, que nos está proporcionando estos tornillos, tal vez ellos lo tengan. |
| |
Diámetro reducido y no podemos tener este agarre o la última hipótesis que enumeramos en ese momento fue el proceso de inyección, por lo que esta caja de aluminio encaja aquí. |
| |
Este diámetro podría ampliarse, de modo que, incluso si tuviéramos una pantalla defectuosa o un tornillo de buen diámetro, podríamos tener un diámetro muy grande y el tornillo no podría sujetarlo correctamente. |
| |
Entero, por lo que podríamos tener un problema. |
| |
Una vez celebradas estas reuniones y elaboradas estas hipótesis, comenzamos a validarlas o invalidarlas. |
| |
Con algunos estudios, algunos datos, y comenzamos aquí hablando de ingeniería de producto y línea de montaje, ambos quedaron invalidados. |
| |
Revisamos todos los diseños, todas las especificaciones, todos los estándares que teníamos al diseñar este ensamblaje, esta combinación entre tornillo y orificio, los diferentes materiales, todo estaba bien, así que no necesitábamos hacer nada aquí. |
| |
Acabamos de adquirir la atornilladora que estábamos utilizando en la línea de montaje. |
| |
Llegamos a los laboratorios, al de metrología, y revisamos el parque, revisamos las máquinas y todo estaba bien, así que no tuvimos problemas aquí, entonces ¿qué puede estar afectando este problema ahora? |
| |
Solo teníamos el tornillo y el orificio de ajuste de esta pieza de aluminio, esta caja de aquí, que podíamos revisar. Bien, hagámoslo. Hablemos del diámetro de Israel, una de las principales hipótesis de este problema. |
| |
Y aquí comenzamos a usar JMP, pero antes de comenzar a medir los tornillos en la fábrica, siempre debemos asegurarnos de que el sistema de medición esté aprobado. |
| |
Aquí tenemos un gráfico de variabilidad simple donde se muestra el diámetro, el diámetro del tornillo; tenemos cinco piezas, cada una de las cuales fue medida tres veces por dos operadores diferentes. |
| |
Aquí tenemos nuestros diversos componentes, donde podemos ver que el 93,8% de la variación fue causada por las piezas, por lo que esta es una de las cosas que nos permite estar seguros de que nuestro sistema de medición es bueno, podemos diferenciar. |
| |
Las partes en el proceso, por lo que el sistema de medición fue aprobado, y ahora podemos seguir adelante, podemos pasar al proceso Aaron, podemos evaluar esto, son tornillos, así que hagámoslo, ¿cómo es la voz del proceso, verdad? Y teníamos una estrategia de muestra en cada paso que les estoy presentando aquí. |
| |
Utilizamos la metodología Six Sigma, así que la seguimos en cierta medida. |
| |
Un enfoque muy estructurado comienza con las evaluaciones del sistema de medición, continúa con el proceso, comprende la voz del proceso y, al final. |
| |
Realizar algunas combinaciones e intentar validar las hipótesis que acabo de presentar, por lo que el muestreo es la estrategia en este caso. |
| |
Teníamos una caja llena de tornillos dentro, así que la única información que teníamos era que habíamos recibido estos tornillos en diferentes lotes, por lo que cada lote tenía sus propias características. |
| |
Tienen una fecha de fabricación o un momento de fabricación, así que simplemente lo separamos en tres lotes diferentes, a cada lote lo llamamos. |
| |
20 partes y cada parte la medimos en dos posiciones diferentes en el cuadrado, como cero grados y 90 grados. |
| |
¿Por qué esto? Para ver, para entender si podríamos tener algún problema de circularidad en este diámetro, ¿verdad? Así que, con esta estrategia de muestreo, comenzamos a recopilar datos y obtuvimos 120 puntos para analizar en JMP. Así que, de nuevo. |
| |
En un análisis muy práctico, al ejecutar un gráfico de variabilidad aquí colocando simplemente los 120 puntos, podemos ver que todo estaba dentro de los límites de especificación. |
| |
Cada punto aquí representa una medida en los tornillos. Estas líneas azules |
| |
Conecta las posiciones uno y dos de este tornillo, por lo que si tenemos una línea azul muy grande aquí, significa que tenemos un error de circularidad muy grande. |
| |
Esto significa que estas dos posiciones diferentes del diámetro son muy diferentes. |
| |
El diámetro, en promedio, puede ser bueno, pero la diferencia entre estos y estos diámetros podría ser incorrecta, y esto podría afectar nuestro problema al momento de atornillarlo en la caja de aluminio. |
| |
Este es un análisis muy práctico sobre este tornillo; todo parecía estar bien en un análisis gráfico que compara estas dos posiciones diferentes de los tornillos, podemos ver que podemos invalidar la hipótesis de que los errores de circularidad. |
| |
Podríamos estar influyendo, por lo que la media de la posición uno y la posición dos fue casi la misma. El tamaño de estas barras aquí, no hay nada que... Bueno, la posición dos o la uno es muy diferente, así que... |
| |
Este análisis gráfico que hacemos aquí, con el gráfico de variabilidad que simplemente compara la posición con el diámetro, nos permite ver cualquier cosa. |
| |
Debemos prestar atención. Bien, ahora, en un análisis cuantitativo utilizando la capacidad del proceso en JMP, podemos ver cómo es el proceso del proveedor que nos suministra estos tornillos. ¿Cómo es el proceso? Correcto. |
| |
Aquí tenemos un CPK de aproximadamente 1,47 y un PPK de aproximadamente 1,014. La inestabilidad se sitúa en torno a 1,45, por lo que no es el mejor proceso que tenemos. |
| |
Visto pero. |
| |
Considerando un PPK ideal de 1,33, y pensando en una característica o dimensión crítica para la calidad aquí. |
| |
Podríamos suponer que estos tornillos podrían afectar el problema a largo plazo; ahora mismo, todos cumplen con esta especificación, pero según las estadísticas, según el valor PPK. |
| |
Menos de 1,33 podría ser un problema en el futuro, ¿verdad? |
| |
Pero antes de culpar a los proveedores, debemos comprender el proceso de inyección, nuestro proceso. Si podemos ser resistentes a esta variación del tornillo, mejor para nosotros, porque no tendremos que hacerlo. |
| |
Empieza a hacer cualquier cosa en el proveedor y listo. |
| |
Así pues, esta hipótesis. |
| |
Estaba en suspenso. Dejemos esto de lado y esperemos los estudios sobre nuestro proceso de inyección. |
| |
Veamos cómo lo hicimos. |
| |
Para inyectar estas cajas, tenemos un molde. |
| |
Este molde tiene cuatro cavidades diferentes. Así que cada vez que inyectamos |
| |
En este proceso obtenemos cuatro piezas distintas, ¿verdad? Cada pieza tiene cuatro orificios diferentes, los cuales el cliente utiliza para fijar la tapa. Y cada pieza también se medirá en diferentes posiciones: posición uno y posición dos. |
| |
Así pues, de nuevo, antes de empezar a medir este proceso y ver qué ocurre en el proceso original y real, tenemos que asegurarnos de que nuestro sistema de medición es bueno y está aprobado. |
| |
Tenemos que asegurarnos de que sabemos cómo manejar incluso cinco partes buenas y cinco malas. Así que con una sola pieza, una sola caja, hicimos esto. |
| |
Este sistema de medición presentaba variaciones en cuatro orificios diferentes. Cada orificio fue medido tres veces por dos operadores distintos. Por lo tanto, la mayor variación en este sistema de medición se debió al orificio con un 95% de variación. |
| |
Debo decir que fue muy difícil aprobarlo. |
| |
Fue como la tercera MSA que realizamos. Tenemos que comprar una nueva protección para medir este diámetro interno. La especificación era muy estricta y la resolución sobre la |
| |
En cuanto a los indicadores no asignados inicialmente, conseguimos que se aprobara este tercer MSA. Una vez aprobado, |
| |
Ahora podemos continuar, medir las piezas durante el proceso y comprender cómo varía nuestro proceso de inyección y cómo afecta a nuestro problema. Así que analizamos el proceso y obtuvimos ese modo con cuatro cavidades diferentes. |
| |
Cinco piezas de cada cavidad. |
| |
Así que inyectamos cinco veces en el proceso; cada cavidad nos dio cinco partes. Cada parte tenía |
| |
Cuatro agujeros diferentes, y cada agujero se mide en una posición distinta; esta es una estrategia de ejemplo para una herramienta Six Sigma que llamamos |
| |
Con los componentes de variación, podemos comprender la voz del proceso, compararla con la voz del cliente y, mediante la capacidad del proceso en JMP, entender la magnitud del problema. |
| |
Aquí tenemos el análisis práctico del COVID. Y aquí están todos los datos que recopilamos. |
| |
Así que tenemos cuatro cavidades diferentes en este gráfico de variabilidad. La primera cavidad aquí, la segunda aquí, la tercera aquí y la cuarta aquí. Por lo tanto, podemos ver muchas, muchísimas situaciones diferentes aquí. |
| |
Información que nos resulta muy importante. Por ejemplo, la caries más grave que podemos observar en este gráfico de variabilidad es la número dos. |
| |
Porque podemos, por ejemplo, obtener la pieza número seis aquí, tenemos el primer orificio dentro de esta especificación, el segundo orificio. |
| |
Fuera de esta especificación, el tercer orificio se encuentra dentro de la especificación y el cuarto ocupa una posición tanto externa como interna. Por lo tanto, esto no es correcto. |
| |
Esto está causando... está causando mucha variación en estos datos y quizás aquí tengamos la causa raíz de nuestro problema, ¿verdad? |
| |
¿Y por qué este molde, con sus cuatro cavidades diferentes de siempre, y por qué la cavidad número tres es tan buena, la número dos tan mala, y la uno y la cuatro más o menos bien, verdad? |
| |
Existe mucha variación entre estas dos posiciones en el agujero. Esto significa que el agujero no es circular. Tenemos |
| |
Aquí hay un error de circularidad que puede estar afectando el problema. Por lo tanto, este es un análisis muy práctico; podemos observar muchos aspectos en JMP con este gráfico de variabilidad. |
| |
Un análisis más gráfico: eliminé el agujero de posición y esas líneas azules ahora están dentro de esta barra. Por lo tanto, cuanto más grande es la barra, mayor es el problema de circularidad. |
| |
Podemos ver de nuevo la cavidad tres. No vemos ese problema, pero en las cavidades uno, cuatro y dos todavía podemos verlo. |
| |
siendo muy, muy grande, ¿verdad? En un análisis cuantitativo utilizando ahora nuestra capacidad de proceso, podemos ver, a medida que introducimos los 160 datos |
| |
Dentro del mismo lote, dentro de la misma evaluación, con la misma distribución, podemos ver un proceso muy deficiente; nuestro CPK y PPK son casi iguales a cero, por lo que se trata de un proceso muy deficiente. |
| |
Reflexionar sobre la no conformidad a largo o corto plazo |
| |
En base a esto, estamos hablando de más de 300.000 piezas no conformes. |
| |
En contra de nuestras especificaciones, significa que si compramos 1 millón, lamentablemente, si inyectamos 1 millón de esas cajas, |
| |
Cajas de aluminio; tendremos más de 300, o el 30%, fuera de especificación, así que quizás acabamos de encontrar el problema. Y otra cosa muy interesante que nos proporciona JMP: tenemos estas 160 |
| |
Aquí hay datos, pero sabemos que la persona que está investigando esto, la persona que está analizando esto, |
| |
Sabemos que tenemos cuatro cavidades distintas y unos 40 puntos de datos para cada una, así que ¿por qué no separar estos análisis por cavidades? Eso es lo que hicimos. Así que tenemos un análisis de capacidad del proceso para la cavidad uno. |
| |
Proceso muy inestable. La cavidad dos presenta nuevamente un proceso muy inestable; tenemos valores PPK y CPK negativos. |
| |
Esto significa que la medida de este proceso, su significado, está fuera de la especificación de uno de ellos. Por lo tanto, podemos ver aquí que la media muestral es 4.50075. |
| |
Si bien el límite superior de especificación es 4.5000, estamos fuera de especificación. Esto significa que nuestro PPK es negativo. Por lo tanto, |
| |
Es un proceso muy malo, mucho peor que el de la cavidad uno. La cavidad tres es la buena. Por lo tanto, podemos observar un proceso muy estable. El índice de estabilidad es cercano a uno. |
| |
Los valores de CPK y PPK son muy buenos. La expectativa de las formas normales es muy buena. Por lo tanto, en la cavidad cuatro, también tenemos un proceso deficiente. |
| |
CPK y PPK están mal, y al comparar cada año queda muy claro ahora dónde está nuestro problema, ¿verdad? ¿Está en la cavidad 1, 2, 3 o 4? |
| |
Entonces, si tuviéramos que empezar a actuar en nuestro proceso, debemos evaluar las dimensiones, las situaciones, las características de la cavidad dos, y la uno, y la cuatro, y no necesitamos hacer nada en la cavidad tres. |
| |
Así pues, se valida la hipótesis sobre nuestro proceso de inyección. |
| |
Y seguimos teniendo en suspenso la hipótesis del diámetro del tornillo. ¿Por qué la he puesto en suspenso? Porque podemos evaluarlas conjuntamente. |
| |
Tenemos una interferencia entre el tornillo y el orificio de montaje. ¿Cómo podemos evaluar su interacción durante el proceso de fabricación del producto? |
| |
¿Y qué tan buenos o malos son una vez que tenemos la información sobre esos dos procesos? Tenemos la media y la desviación estándar de cada proceso, así que podemos juntar todo esto. Así que empecemos a correr. |
| |
Ajuste bivariado del diámetro del agujero en función del diámetro del tornillo. ¿Qué hice aquí? |
| |
Simplemente entré en JMP en estos Fit Y por X, puse el diámetro del agujero en Y y el diámetro del tornillo en X. Aquí, |
| |
Estas sombras azules indican los límites de especificación. Tenemos los límites de especificación del diámetro de la pantalla y del diámetro del orificio de montaje. Todos estos puntos representan la combinación entre el diámetro del tornillo y el del orificio. |
| |
Una vez que medí esto en el proceso, identifiqué cada una de las partes de la siguiente manera: esta es la parte número uno, la parte número cinco y yo [ininteligible]. |
| |
Pieza número 25, pieza número 30, para los tornillos y la caja de aluminio. Por ejemplo, este punto de aquí, este otro, esta es la caja número seis, el orificio número dos y el tornillo número nueve. El número del tornillo está aquí, el diámetro del orificio está aquí. Y para cada punto de aquí. |
| |
Combino de forma estratégica porque quería ver |
| |
¿Cuál será el comportamiento de estas piezas, de estos componentes, al ensamblarlos con un tornillo de diámetro pequeño y un orificio de diámetro pequeño? ¿Y qué ocurrirá si utilizo un tornillo pequeño con un orificio de diámetro grande? |
| |
¿Encaja todo correctamente, verdad? ¿Qué puede pasar si tengo un tornillo de gran diámetro con un agujero de gran diámetro? ¿Y qué puedo obtener en el proceso si tengo |
| |
¿Un diámetro de tornillo muy grande con un diámetro de agujero muy pequeño? Y tenemos muchos puntos intermedios. Así que teníamos aquí como 60 combinaciones diferentes de estos datos y |
| |
Aquí tengo todas las combinaciones posibles. ¿Intentas reproducir este fallo, verdad? ¿Verdad? Porque, una vez que lo reproduzcamos, podremos entender qué ocurre en el proceso. ¿Qué? |
| |
puede estar afectando el proceso. ¿Cuál es la causa principal? ¿Es el tornillo? ¿O es el orificio de ajuste? ¿Qué dimensión deberíamos tener para evitar este problema? |
| |
Por ejemplo, este de aquí, cuando ponen este tornillo número nueve en el orificio número dos de la caja número seis, lo ensamblo usando esa máquina. |
| |
que estábamos usando en el proceso. Y lo desmonté. Y cuando intenté |
| |
No pude volver a intentarlo. Ese era el problema. El número de este ensamblaje era uno, lo que significa que solo podía hacerlo una vez. |
| |
Imaginemos otra situación. Este punto, justo aquí. Cuando consigo el tornillo número 15, que tenía un diámetro de aproximadamente 4,73 |
| |
En el orificio número dos de la caja número 14, con un diámetro de aproximadamente 4,43 mm, la interferencia entre el tornillo y el diámetro total era de aproximadamente 0,3 milímetros. ¿Cuántas veces? |
| |
Podría hacerlo, ¿verdad? Podría repetir este proceso de abrir y cerrar la caja, abrir y cerrar, abrir y cerrar, 30 veces. Esta situación de aquí, cinco veces. Esta otra, 21 veces. Así, en cada uno de estos puntos, ejecutamos este proceso de ensamblaje hasta que se presente el problema. Podríamos hacerlo. |
| |
Contar el número de veces que repetimos este proceso. Así, como tenemos una columna en nuestra tabla de datos llamada |
| |
En cuanto a la cantidad de estos elementos, podemos colocar una leyenda aquí, por ejemplo, con puntos que van del rojo al verde. Los puntos rojos indican que están dañados. |
| |
Entre cero y diez. Recuerda que el límite inferior de especificación es diez. Debemos poder repetir este proceso al menos diez veces. Por lo tanto, todos los puntos en rojo son incorrectos. |
| |
Otra herramienta muy interesante que usamos aquí en JMP es el Perfilador de Predicción. En este momento, utilizo el Modelo de Ajuste, donde introduzco sus tres grados de libertad: el diámetro del agujero, el diámetro del tornillo y la interacción entre ellos. |
| |
Un coeficiente de determinación (R²) de aproximadamente 0,88. Esto es bastante bueno, ¿verdad? Podemos representar bien este modelo. Así que ahora podemos empezar a experimentar con diferentes situaciones en nuestros datos, ¿cierto? |
| |
Porque tenemos |
| |
Aquí tenemos el diámetro del orificio, aquí el diámetro del tornillo, y aquí tenemos el resultado, nuestro valor Y, nuestro objetivo, nuestra meta. Es decir, la cantidad de este conjunto que podemos obtener en este proceso. |
| |
Entonces, si corregimos el primer escenario que probé aquí fue si fijamos el diámetro del tornillo en el promedio que nos proporcionan los proveedores. |
| |
Hoy, ¿cuál debería ser el diámetro medio total para garantizar al menos 11 como desmontaje, verdad? Este promedio debería ser de 4,50 milímetros, ¿cierto? ¡Genial! Ya tenemos nuestro primer escenario, pero ¿qué pasa con la variación del proceso? |
| |
Recuerda que medimos |
| |
160. |
| |
Las piezas, la caja de aluminio. Medimos 120 diámetros. Entonces, tenemos la desviación estándar de esos productos, ¿verdad? Cuando usamos el Simulador en el Perfilador de Predicción |
| |
Colocando aquí, guardando el límite inferior de especificación, agregamos nuestra variación aleatoria. |
| |
alrededor de este diámetro de agujero. Al introducir la desviación estándar que obtuvimos en el proceso y la desviación estándar del tornillo que obtuvimos en el proceso, podemos simular. Acabo de simular aquí 10.000. |
| |
Con diferentes combinaciones tenemos una tasa de fallos de alrededor del 44%, lo cual es muy, muy grande, así que comencemos con algunos escenarios diferentes. |
| |
Supongamos que no hacemos nada en nuestro proceso de inyección y le pedimos al proveedor que |
| |
colocaron sus resultados específicos en la media de los límites de especificación en el nominal de la especificación |
| |
y reducir un poco la variación. Así que, voy a cambiar los valores aquí. Simplemente pongo la media de los diámetros de los tornillos en el valor nominal para reducir la variación. Así que este verde |
| |
Aquí, la distribución verde se redujo en esta curva. La simulé de nuevo y pasamos del 44% al 32%. Entonces, |
| |
Poco beneficio y demasiado esfuerzo, pero como le pediremos al proveedor un mejor resultado, sus resultados ya eran buenos, ¿verdad? Todo cumplía con las especificaciones. |
| |
¿Qué pasó? Trabajamos en nuestro proceso, ¿verdad? Veamos qué sucede si simplemente... |
| |
Volvemos a incluir el diámetro del tornillo en la media que están entregando actualmente con la desviación estándar. Y simplemente reducimos un poco nuestra variación en el proceso, y ambos, |
| |
La media del procesamiento del nominal es 4,45. Recuerde que la variación de estas cavidades fue muy, muy grande, así que supongamos que corregimos, arreglamos, nuestro proceso. |
| |
Se calcula la media del procesamiento, el valor nominal y se reduce la variación. ¿Cuántos desmontajes podríamos tener? ¿Por qué? El perfilador de predicción muestra como resultado 20 desmontajes repetidos. La tasa de fallos. |
| |
baja al 0,009%. Esto es muy, muy bueno para nosotros. Así que, |
| |
Incluso con esta variación de grupo, el proceso funcionaría con un promedio de 20 desmontajes. Esto es muy bueno. Acabamos de validar el problema del proceso de inyección, ¿verdad? Si la hipótesis es cierta, no tenemos un problema con el diámetro del tornillo, pero sí, tenemos un problema en nuestro proceso de inyección. |
| |
Una vez que vimos esto, pasamos a un plan de acción. Redactamos estas instrucciones y las presentamos a los gerentes, a los gerentes de calidad, al gerente de ingeniería, al director y |
| |
El responsable del proceso de inyección, ¿verdad? El dueño de esa máquina de inyección, el dueño de ese molde. Así que, tras compartir los resultados y las predicciones con la dirección. |
| |
Se han realizado acciones en el molde de inyección de aluminio. El pasador utilizado para crear el orificio de ajuste se reemplazó por uno nuevo. El molde modificado arrojó los siguientes resultados para su validación. Por lo tanto, |
| |
una vez que arreglemos los pasadores que estamos entregando. |
| |
Tras realizar estos agujeros en la caja, ejecutamos otro estudio de validación COV. Y obtuvimos este resultado. Así pues, otras 20 piezas en esas mismas cuatro cavidades diferentes para los agujeros, en dos posiciones distintas. Ahora tenemos |
| |
Nuevas cavidades con resultados excelentes. Incluso mejores que los que habíamos previsto en nuestro perfilador predictivo. |
| |
Una variación muy pequeña. Veamos qué sucede cuando hablamos de estabilidad, ¿de acuerdo? Tenemos una muy buena capacidad de proceso. |
| |
cero no conformidad con [ininteligible], así que esto es todo. |
| |
Casi cero, ¿verdad? Este es un proceso nuevo muy bueno. Y ahora podemos comparar las acciones antes y después aquí. |
| |
Con nuestro nuevo proceso. Así que, el mismo gráfico bivariado que utilicé al principio de la investigación, ahora lo presento aquí con los nuevos valores, porque con lo que hicimos, obtuvimos estas 20 nuevas partes. |
| |
Medimos unos tornillos nuevos. Y, volvimos a combinar, a reunir diferentes situaciones. Diferentes valores para el diámetro de los tornillos y el diámetro de los agujeros y |
| |
Seguimos el proceso, conseguimos la máquina y comenzamos a desmontarla y volverla a montar, repitiendo este proceso una y otra vez, hasta que se produjo el fallo. Así que, |
| |
Como pueden ver, todos los puntos se encuentran ahora dentro de esta especificación para ambas características. El peor punto, el rojo, presenta 10, 11, 12 y 15 desmontajes. Así que ahora tenemos el problema. |
| |
¿Resuelto, verdad? Ya no tenemos el problema. Simplemente implementamos este proceso. |
| |
algunos planes de control en la fábrica, por lo que tienen que controlar el |
| |
diámetro de los pasadores ahora para estar seguros de que |
| |
En un momento específico, deben reemplazar estos pasadores para garantizar el diámetro del orificio y evitar este problema al cliente, ¿verdad? Ese era el problema. El problema se solucionó. |
| |
Y eso es todo, chicos. Voy a usar unos minutos para mostrarles cómo lo hice correctamente. |
| |
JMP. Aquí tengo nuestra tabla de datos donde aparecen las cajas que utilizo, los agujeros que utilizo y, para cada agujero, tenemos su diámetro. |
| |
Aquí se medirá el diámetro de cada tornillo, así como el número de combinaciones posibles. Tenemos 60 combinaciones y la cantidad de desmontaje para cada una. |
| |
Una de las cosas que hice aquí fue usar Analizar -> Ajustar Y por X. Donde introduje el diámetro del agujero en Y y el diámetro del tornillo en X. |
| |
Aquí tengo este gráfico, que es diferente de lo que presenté porque ahí están los límites de especificación, ¿verdad? Los límites de especificación, aquí los rangos permitidos. |
| |
Este es el tornillo, así que es de 4.617 a 4.8. Simplemente puse azul aquí y añadí. Así que, ya tenemos la especificación. |
| |
el diámetro del tornillo y aquí tenemos el 4,4, 4,5. |
| |
Y pondré aquí el |
| |
También se incluyen las especificaciones de los agujeros. |
| |
Especificación del orificio. |
| |
Por eso está aquí. |
| |
Me iría. |
| |
Entonces. |
| |
¡Ups! |
| |
Un rango nuevamente de 4,4 a 4,5. |
| |
Ahora tenemos ese gráfico. Todos los puntos que tenemos ahí. |
| |
Y la leyenda la veo haciendo clic derecho aquí, Leyenda de fila |
| |
Desmontaje. Elegí aquí, estos de verde a rojo. |
| |
Elegí invertir la escala aquí porque quiero que el verde sea el mejor. Así que aquí están. Bueno, también podría... |
| |
Aquí se ven puntos más grandes. Este es uno de los gráficos que utilicé. |
| |
Otra cosa que hice, simplemente borrando los estados de fila aquí, fue usar Analizar -> Ajustar modelo. Entonces, mi objetivo aquí es la cantidad de desmontajes. El diámetro total y el diámetro del tornillo los introduje aquí. También incluí la interacción entre ellos y ejecuté el análisis. |
| |
Y aquí tengo, |
| |
Mi resumen de ajuste con nuestro R cuadrado aquí y |
| |
El perfilador está aquí mismo. Así que, |
| |
Aquí fue donde coloqué el diámetro, donde cambié el diámetro de este agujero, el simulador II utilizado aquí, así que guardé los límites de especificación aquí, por lo que sé que 10 es el límite de especificación inferior para la cantidad de desmontaje. |
| |
Aquí introduje una variación aleatoria en torno a estas medias. Así que, una vez que tuve esto, simplemente... |
| |
Podría haber realizado 5000 simulaciones y obtuve esta tasa de fallos. Es diferente porque no utilicé los mismos valores que en la presentación. Por lo tanto, podríamos probar diferentes escenarios. Supongamos que comenzamos a generar agujeros en la versión 4.43. |
| |
Por lo tanto, la cantidad de desmontajes será de 24 con la misma media de |
| |
el diámetro del tornillo. Y esta es una herramienta muy, muy útil en JMP, y la uso mucho en mis presentaciones. Así que, |
| |
Gracias por ver el vídeo, y eso es todo, chicos. Se acabó. |
