| 扬声器 |
抄本 |
| 乔丹·希勒 |
大家好。我是JMP高级系统工程师Jordan Hiller，今天我将与PCC Structurals过程控制经理Steve Hampton一起进行演讲。今天我们将讨论具有函数形式的过程变量的统计过程控制。 |
| |
标题上的这幅图真漂亮 |
| |
幻灯片。我们讨论的是统计过程控制，它不是一个单一的数字，一个点的测量，而是我们试图控制的东西，具有函数曲线的形状。 |
| |
史蒂夫一会儿会讲解一下这个商业案例，以及我们为什么对此感兴趣。我只想简单谈谈方法论。 |
| |
我们回顾了过去20年左右该领域的文献。关于这个主题的论文有很多。然而，对于如何最好地处理这一统计问题，似乎并没有达成明确的共识。 |
| |
过程控制 |
| |
当你的变量呈现曲线形式时。因此，我们受到了 JMP 最新进展的启发，特别是 JMP 15 中引入的模型驱动多元控制图和 JMP 14 中引入的函数数据探索器。 |
| |
多元控制图其实并不是什么新技术，它已经存在很久了。最近，JMP 才对其进行了改进。 |
| |
他们使用主成分分析或偏最小二乘法来简化数据，对大量过程变量进行建模和精简，以便你可以通过一张图表查看它们。我们将重点讨论主成分分析的情况，而不是偏最小二乘法。 |
| |
这 |
| |
这里是偏最小二乘法。 |
| |
函数数据探索器是我们在 JMP 中用来处理曲线、函数 |
| |
数据。它使用了一种主成分分析的形式，这是主成分分析对函数数据的一种扩展。 |
| |
因此，如果我们采用函数曲线，使用函数数据探索器进行简化和建模，那么这是一个非常自然的想法。 |
| |
其结果就是功能性主成分，就像你添加常规主成分并将其推送到模型驱动的多元控制图一样， |
| |
如果我们能用函数式主成分来实现呢？这可行吗？有用吗？ |
| |
因此，我将把话题交给史蒂夫，他将介绍我们今天要讨论的商业案例。 |
| 1253****529 |
好的。非常感谢。乔丹。 |
| |
由于我没有视频，所以我决定让你们知道我的样子。 |
| |
这是我和妻子 Megan 以及儿子 Ethan |
| |
去年的南瓜田。所以我想先介绍一下这个案例研究的背景。 |
| |
我从事什么工作，所以你知道这些信息的来源。我从事熔模铸造，用于精密铸造…… |
| |
熔模铸造部门。 |
| |
熔模铸造包括制作您想要出售的产品的蜡质复制品，将其放入模型组件中， |
| |
将其多次浸入专用混凝土中，直到获得足够的强度才能对模具进行脱蜡。 |
| |
我们将其烧制至足够强度，以便将金属倒入其中。然后，我们敲掉混凝土，去除铸造过程中多余的金属。我们进行无损检测，然后发货。 |
| |
寻求改进过程控制方法的动力在于 |
| |
由于步骤 1-6 的工艺差异，步骤 7、8 和 9 占了常规成本的 75%。因此，如果我们能收紧步骤 1-6， |
| |
大部分???和成本都花在那里，这样更便宜，更短，那么对于公司和我们的客户来说，将 7、8 和 9 做得更小可以带来巨大的附加值。 |
| |
是PCC结构厂。我的工厂，钛工厂，主要生产航空航天部件。在左边你可以看到一个风扇？？？发出绿光，是某个？？开发商的。 |
| |
然后我们有陆基产品，那就是 N155 榴弹炮稳定器支架。 |
| |
先大概了解一下它的用途。因为天上飞的每一架飞机基本上都有我们制造的一个或多个部件，这是一个发动机部件？？？直径大约六英尺，是一体式铸件。 |
| |
它位于燃气涡轮发动机核心的最前端。这台发动机是为空客A350飞机提供动力的遄达XWB发动机设计的。 |
| |
喷气机。 |
| |
那么，让我们开始讨论 JMP。正如你所想象的，这里最大的驱动力在于，对于像熔模铸造这样复杂的大型部件来说，有大量的 |
| |
数据正在涌入我们的生活。随着我们拥有的数据中心数量和使用的机器数量的增加，数据也变得越来越有用。因此，在这个案例研究中，我们关注的是 |
| |
带有时间戳的数据。我们有 145 个批次。我们的变量利息是 X1。 |
| |
我们有计数器，这是我标准化时间戳的方式，因此更容易在 Graph Builder 中覆盖运行，并且它还添加了一点 |
| |
FTP 平台的友好性。我们有自己的周期，这使得我们能够拥有与模型驱动的多元控制图平台一致的历史周期和当前周期。 |
| |
这样我们就可以拥有我们的 FDE |
| |
只关注历史数据，所以它不会随着我们添加更多当前数据而改变。所以如果你在实践中使用它，这有点像是观察一下，然后测试类型是我自己的验证 |
| |
尝试。你会看到，我主要把事情标记为“不好”、“勉强”或“好”。红色代表不好，紫色代表勉强，绿色代表好，你可以看到它们是如何叠加的。 |
| |
一开始，你可以看到我们有一些曲线 |
| |
??? 曲线偏离均值。这些显然就是我们所说的失控或糟糕。 |
| |
这就是制造业所谓的灾难，因为那会是不符合要求的产品。所以我们希望能够识别这些 |
| |
更早地，这样我们就可以查看流程中发生了什么并修复它。它看起来是这样的 |
| |
突破后，你可以看到坏处有一些重大偏差，有时是平均曲线，并且在结束时有很多特征。 |
| |
边缘曲线与平均曲线的偏差较小，但尾部有更多弹跳，而好的曲线则相当紧。你可以看到仍然有一些弹跳。所以这就是 |
| |
边际效益和效益实际上是基于我的判断，仅凭肉眼观察，我很可能无法通过属性量具的重复性和重复性检验。所以 |
| |
我们总共有33条不好的曲线，45条边缘曲线和67条。手动操作的话，你只能看到其中大约10条不准确。所以，如果你不想使用点估计法（我稍后会演示它的效果不太好），你可以选择…… |
| |
使用计数器按点控制它们。具体方法是将坏表按计数器拆分，通过控制图构建将其放入单独的移动极差控制图中，然后就可以了。 |
| |
比如本例中的 3500 个控制图，你可以使用制作组合数据表的强大功能，将每个控制图的列表摘要转换为各自的数据表，然后你可以将其链接回主数据表，这样你就可以获得一个非常酷的 |
| |
像这样的分析，你根据计数器和历史数据设定控制限，然后叠加曲线。所以，如果你有一个算法，可以在超出控制限时进行标记，那么，这将是一个尝试 |
| |
有控制权.... |
| |
带有函数数据的控制图功能。但你可以看到，尤其是我在这里突出显示的38，你可以有一些较大的偏差，但仍在控制限度内。这就是FDE的作用所在 |
| |
该平台的真正优势在于，它能够识别出与某些主要偏差相对应的FPC。因此，我们可以根据FPC的曲线来标记曲线。 |
| |
我们稍后会看到。所以， |
| |
使用FDE平台，非常简单。本次演示中，我们将重点关注100节的阶跃函数。 |
| |
你可以看到FPC是如何捕捉变异性的。所以，主FPC会告诉你，在曲线的起点，那里……这就是导致最大变异性的原因，也就是与平均值的偏差。 |
| |
设置是 X1 及其输出、计数器。我们的输入是批号，然后我添加了测试类型。因此，我们可以将其用作 FPC 表、模型驱动的多元控制图和周期中的部分验证，这样，只有我们的历史记录才能驱动 FDE 拟合。 |
| |
所以 |
| |
看看合身度实际上是确保你得到正确的一个非常重要的部分 |
| |
稍后的控制图，我正在使用这个 P 步骤 |
| |
函数 100 节点模型。实际上，您可以看到，如果我使用 B 样条函数，并结合三次 20 节点，它实际上看起来非常接近我的 P 样条函数。 |
| |
但从 BIC 中你实际上可以看到我应该使用更多的节点，所以如果我这样做，现在我们开始看到它们过度拟合，真正关注孤立的峰值，这将导致你有一个 FDE |
| |
模型看起来不正确，导致您对模型驱动的多元控制图不那么敏感。 |
| |
0 |
