Vielen Dank an alle fürs Dabeisein. Der Titel dieser Präsentation lautet „Entscheidungsablaufdiagramm zur Prozessfähigkeit“. Ich bin Patrick Giuliano, und mein Co-Autor dieser Präsentation ist Dr. Charles Chen.
Okay. Dies wird eine Präsentation auf Systemebene. JMP ist hierbei umfassend integriert, aber die gesamte Analyse – tatsächlich alle Analysen – wird dokumentiert und ist auf der Projektseite „Discovery“ zur Einsichtnahme verfügbar. Ziel dieses Projekts ist die Erstellung eines Entscheidungsablaufdiagramms zur durchgängigen Bewertung der Prozessfähigkeit in einer Hightech-Fertigungsumgebung.
Wir verfolgen einen systematischen, datengetriebenen Ansatz mit besonderem Fokus auf effektive Methoden zur Normalverteilungsapproximation und -schätzung sowie auf eine aussagekräftige und effektive Ursachenanalyse, um tatsächliche Verbesserungen zu erzielen. Unser Ziel ist die Anwendung der DMAIC-Projektmethodik, einem klassischen Ansatz aus dem Ingenieurwesen und Six Sigma. Auch dieser Ansatz ist systematisch und datengetrieben. Anhand eines aussagekräftigen Flussdiagramms demonstrieren wir die Auswahl geeigneter JMP-Plattformen und die Anwendung geeigneter Normalverteilungsapproximationsmethoden, um die Prozessfähigkeit präzise zu bestimmen.
Sobald der Prozess kodifiziert ist, möchten wir den Workflow Builder von JMF nutzen, um ihn zu standardisieren und alle Schritte effektiv zu dokumentieren, sodass jeder die Analyse von Anfang an nachvollziehen kann. Zur Verdeutlichung: PCFC steht für Process Capability Flowchart und ist klar von jeglichen Abläufen oder Workflows in JMP zu unterscheiden, die wir als JMP-Workflow oder Workflow Builder bezeichnen.
Diese Folie erläutert die Inspiration für dieses Projekt. Das hier unten rot markierte Projekt (JCT-13) ist Teil eines viel umfassenderen Projekts im Rahmen der JMP University, das von meinem Co-Autor konzipiert wurde. Ziel dieser Präsentation ist es, einen Projektleiter vorzustellen, der die Methodik entwickelt, vorantreibt und verfeinert.
Jedes einzelne Projekt, das in dieses JMP University-Konzept einfließt, steht in Verbindung mit diesem speziellen Projekt und interagiert mit ihm. In dieser Präsentation werden Ihnen weitere Elemente der Ursachenanalyse und datengestützten Entscheidungsfindung vorgestellt, die sich mit der Messung der Prozessfähigkeit in einem Produktionsumfeld überschneiden oder diese ergänzen.
Das Konzept der JMP University gliedert sich in drei Phasen. Zunächst werden gemeinsam mit den Kernteamleitern Umfang, Ablaufplan und Bewertungskriterien definiert. Anschließend wird das Kernteamprojekt – beispielsweise das hier dargestellte Prozessfähigkeitsdiagramm – vorgestellt. Danach wird das Projekt entweder im Rahmen eines Discovery Summits oder in anderen internen Formaten präsentiert. Schließlich erfolgt die Skalierung, indem das Projekt übernommen und den Mitarbeitern vor Ort an einem bestimmten Produktionsstandort die Implementierung in ihren jeweiligen Produktions- oder Projektszenarien erklärt wird.
Getreu der DMAIC-Tradition definieren wir die Problemstellung und die Problemziele sehr präzise. Ich werde das hier nicht im Detail erläutern. Sie können das später nachlesen. Kurz gesagt: Ziel ist es, dieses Flussdiagramm zu erstellen und ein Bewertungssystem einzuführen, das die Fähigkeit des Ingenieurs oder Analysten zur Anwendung des Flussdiagramms bewertet. Das ist das Hauptziel, Punkt 1: die Entwicklung der Methodik.
Nummer 2 ist die Scorecard-Vorlage. Dabei handelt es sich um die Methodik, mit der dieses Flussdiagramm konsequent umgesetzt und anschließend der gesamte Workflow im JMP Workflow Builder entwickelt wird.
Ein zentrales Thema, das wir hier im Zusammenhang mit der Problemdefinition, -erweiterung und -bearbeitung hervorheben möchten, ist effektive Führung. Diese umfasst funktionsübergreifende Entscheidungsfindung und die Bildung von Teams mit Stakeholdern. Ein wichtiges Instrument hierfür ist die Konsensfindung mithilfe eines Flussdiagramms oder einer Prozesslandkarte. So können alle Beteiligten die Entscheidungsfindung unterstützen und ihr zustimmen.
Wir konzentrieren uns auf das Flussdiagramm mit den hier beschriebenen zusätzlichen Aspekten. Letztendlich ermöglicht uns dies, ein Entscheidungsfindungsmodell vor Ort für weitere Personen einzuführen, sodass wir es effektiv skalieren und vereinheitlichen können.
Was fließt in die Definitionsphase ein? Da es sich um eine so entscheidende Phase handelt, geht es im Wesentlichen um die Problemdefinition, die in der DMAIC-Tradition von großer Bedeutung ist. Wir stellen uns das gerne anhand eines sogenannten JMP-Diagramms vor.
Es gibt im Grunde drei Bereiche. Man kann sie sich als Augen, Gehirn und Hand vorstellen. Wir nennen sie die JMP-Augen, das JMP-Gehirn und die JMP-Hände: langfristige Vision, datengestütztes kritisches Denken und praktische Anwendung. Um eine langfristige Vision zu entwickeln, müssen wir zunächst das Problem klar definieren, unsere Ziele kritisch bewerten und die JMP-Werkzeuge beherrschen, um unsere Konzepte zu testen und zu validieren. Dies ist der erste Bereich: Kopf, Augen und Hände.
Dieser Ansatz knüpft eng an das zweite Thema an, nämlich JMP Nase, Ohren, Mund und Beine, bei dem es darum geht, Daten in JMP effektiv zu präsentieren, um eine klare und objektive Überprüfung durch die Stakeholder zu ermöglichen.
Natürlich ist Flexibilität bei der Datenpräsentation entscheidend. Das ist das dritte Thema im Kontext dieses JMP-Diagramms. Die Entscheidungsbefugnisse und Verhandlungsmacht des JMP erfordern Flexibilität und die Fähigkeit, flexibel, aber gleichzeitig standhaft zu sein. Die Basis bilden die datengestützten und durch JMP-Analysen untermauerten Entscheidungen.
Um dies zu erreichen, müssen wir bereit sein, uns anzupassen und zusätzliche Analysemethoden oder neue Präsentationsformen derselben Analysen oder Daten einzusetzen, um unsere fundierte, risikobasierte Entscheidungsfindung in unserem Qualitätsumfeld zu unterstützen. All dies basiert auf dem tiefen Wunsch, sich selbst, die Prozesse und die Menschen um sich herum stetig zu verbessern. Das ist der Kern von JMP, unsere DNA, unsere Leidenschaft und unsere Überzeugung.
Worum geht es hier? Wir gehen hier etwas genauer auf die Definitionsphase ein. Was ich im Kontext der vorherigen Folien nicht erwähnt habe, sind die Stimmen der Talente, der Prozesse, des Unternehmens und der Kunden. Es ist hilfreich, alle wichtigen Stakeholder in diesem übergeordneten Komponentenformat zu betrachten. Wir können die sogenannte High-Value-Problem-High-Value-Opportunity-Analyse (HVP/HVO) verwenden.
Unternehmen beginnen häufig mit einer solchen Reifegradanalyse. Daraus lassen sich allgemeine Richtlinien für kontinuierliche Verbesserungen ableiten, die in den Reifegradprozess einfließen und so ein effektives Qualitätsmanagement im Rahmen des Qualitätsmanagementsystems ermöglichen. Dies ist eine weitere Methodik für einen ganzheitlichen Ansatz, der analytische Werkzeuge wie die Messsystemanalyse, die statistische Prozesskontrolle und die Prozessfähigkeitsanalyse einbeziehen sollte. Letztere stehen im Mittelpunkt dieser Präsentation und der vorgestellten analytischen Methodik.
Hier ist eine Folie, die Ihnen einen Eindruck davon vermittelt, wie dieses Reifegradmodell für Qualität aussehen könnte, wenn wir es planen würden. Wir können den Reifegrad der Prozessqualität bestimmen. Rechts können wir die Komponenten Design, Produkteinführung und Fertigung identifizieren. Dort können wir Meilensteine – oder auch Phasenüberprüfungen – festlegen. Als interdisziplinäres Team würden wir dann prüfen, ob bestimmte Komponenten auf jeder Ebene in jeder Phase vorhanden sind, sei es Design, Produkteinführung oder Fertigung.
Unsere Ziele und Ergebnisse lassen sich jeweils klar dem Reifegrad unseres Designs oder Prozesses zuordnen. Ein zentrales Thema, das mein Co-Referent gerne betont, ist: groß denken, klein anfangen, handeln. Zu diesem kleinen Anfang gehört auch, detailliert festzulegen, was wir benötigen, um dann handeln zu können.
Hier ist eine weitere Folie zur Definitionsphase dieses Projekts. Konkret geht es darum, wie wir die vier Kundenstimmen (VOC, VOB, VOT, VOP) in qualitätskritische Merkmale übersetzen können. Ein hilfreiches Werkzeug ist die Stärken-Schwächen-Chancen-Analyse (siehe unten rechts). Alternativ können wir die SIPOC-Methode anwenden, deren Beispiel Sie unten links sehen: Lieferant, Input, Prozess, Output, Kunde.
Das Beispiel unten links bezieht sich auf die Erstellung eines DOE-Modells. Der Prozessaspekt des SIPOC umfasst die Verfeinerung des Modells selbst. Das Beispiel der SWOT-Analyse ist zwar anders, aber wir können es als Beispiel betrachten… Es ist in diesem Projektkontext ein anderes Beispiel, aber wir können es im Sinne der Ergebnisse der Scorecard betrachten, mit der wir die Konsistenz der Flussdiagrammanalyse der Analysten bewerten werden. Diese Scorecard können wir in einem SWOT-Framework verwenden.
Um auf unser Projekt zurückzukommen: Wenn wir an die Definitionsphase denken, konzentrieren wir uns heute vor allem auf Phase 1, in der wir die Methodik für eine rigorose PPK-Analyse demonstrieren.
Nun kommen wir zur Messphase. Auch hier ist die Entwicklung einer Scorecard der Schlüsselfaktor. So können wir das Prozessfähigkeitsdiagramm systematisieren und die Vergleichbarkeit der Ergebnisse aller Beteiligten sicherstellen. Mithilfe der Scorecard können wir Verzerrungen reduzieren, indem wir unsere eigene Leistung, die Leistung jedes Einzelnen und die Leistung unserer Kollegen bewerten. Dabei ist zu beachten, dass wir nicht unbedingt einen objektiven Standard haben. Stellen Sie sich vor: Was bedeutet es, wenn Sie Ihre Fähigkeit, etwas umzusetzen, mit 1 bewerten? Oder mit 3, 5 oder 10?
Es geht nicht nur um die Sicherstellung der Konsistenz der Bewertungen untereinander, sondern auch um die Reproduzierbarkeit der Ergebnisse verschiedener Bewertender. Ein praktisches Beispiel: Jemand könnte dazu neigen, sich selbst höher zu bewerten, weil er glaubt, einen Standard besser einzuhalten als andere. Oder ein Experte in einem bestimmten Bereich, beispielsweise der Prozessfähigkeit, bewertet andere möglicherweise strenger, weil er über umfassendere Fachkenntnisse verfügt und deren Vorgehensweise genauer analysieren kann. Wir müssen einen Standard entwickeln. Das ist ein zentraler Bestandteil der Bewertungsmethode.
Ein Teil dieses Entscheidungsablaufdiagramms, auf den wir später genauer eingehen werden, befasst sich mit der Beurteilung von Abweichungen von der Normalverteilung. Wir betrachten die Daten und gehen davon aus, dass sie im Allgemeinen normalverteilt sind. Doch welche Mechanismen können dazu führen, dass sie dieser angenommenen Verteilung nicht folgen? Welche potenziellen Signale in den Daten deuten auf ein besonderes Phänomen hin?
Die sechs wichtigsten Problemfelder, die wir identifiziert haben, sind: potenzielle Ausreißerprobleme in den Daten, Schiefeprobleme, bimodale Verteilungen, Kurtosisprobleme, Probleme mit der Messauflösung und Probleme mit der Stichprobengröße.
Im Rahmen der Fallstudie, die zur Veranschaulichung des Ablaufdiagramms verwendet wurde, haben wir zwei Fälle untersucht: Fall 1 und Fall 3. Fall 1 basierte auf simulierten Daten mit Ausreißern unterschiedlicher Stärke (jeweils 5 % der Werte lagen in einem normalen, marginalen und extremen Abstand vom Median). Anschließend betrachteten wir einen bimodalen Fall mit ebenfalls simulierten Daten (80 % – keine firmenspezifischen oder geschützten Daten). Hierbei handelte es sich um eine Verteilung, bei der 80 % der Daten einem einzigen Modalwert und weitere 20 % einem zweiten Modalwert zugeordnet waren.
Hier sehen Sie eine sogenannte Normalverteilungsverletzungstabelle. Anhand unserer Daten und der statistischen Identifizierung des Problems, wie bereits auf der vorherigen Folie beschrieben, lassen sich sechs mögliche Verletzungsmodi ermitteln: Ausreißer-Schiefe, Schiefe anderer Art, Schiefe, Rechtsschiefe versus Schiefe in beide Richtungen, Bimodalität sowie schwere oder leichte Randverteilungen, die von Kurtosis, Messgenauigkeit und Stichprobengröße abhängen.
Als erstes würden wir uns gemäß der JMP-Philosophie das geeignete Visualisierungswerkzeug ansehen, überlegen, wie wir die Mitte dieser Verteilung messen, die eine Verletzung aufweist, wie wir die Streuung messen, was wir hinsichtlich der Diagnose der Form in Bezug auf die Schiefe- und Kurtosisstatistik erwarten können, welche Anpassung wir in JMP anwenden würden und wie wir die Normalverteilung in Bezug auf den Mittelwert und die Standardabweichung annähern würden, wenn wir eine Normalapproximation verwenden würden.
In jedem dieser Fälle haben wir uns eingehend Gedanken darüber gemacht, wie eine gültige Normalapproximationsstatistik aussehen würde und warum. Wir haben Simulationen durchgeführt, um zu verstehen und zu bestätigen, wie sich diese Statistiken in den verschiedenen Kontexten der Verletzungsmodi verhalten.
Der Schlüssel liegt in der Visualisierung des Verletzungsmodus. Die ersten beiden Spalten bestätigen, ob ein Verstoß vorliegt und wie dieser aussieht. In den letzten drei Spalten identifizieren wir nicht nur das Problem, sondern ermitteln durch diese Analyse auch die beste PBK-Schätzung für den jeweiligen Normalitätsverletzungsmodus. Anschließend werden wir die Ursachenanalyse und Prozessverbesserungen durchführen, um den Verletzungsmodus zu beseitigen. Diese Folie ist meiner Meinung nach die zentrale Komponente dieses Projekts.
In der Community finden Sie ein Word-Dokument, das wie ein Notizbuch aufgebaut ist und diese Analyse anhand der beiden Fallstudien, die ich bereits erwähnt habe, Schritt für Schritt erläutert. Das ist eine Menge Stoff. Worauf achten wir, insbesondere für jemanden, der das noch nie gesehen hat? Ich versuche, das Ganze anschaulicher zu gestalten. Die erste Gruppe nennen wir A.
Dies ist die erste Phase. Wie Sie sehen, ist es wichtig, die Terminologie der Gruppe einheitlich zu verwenden. Es geht darum, die Erfolgskriterien für PPK festzulegen, den Normalitätstest durchzuführen und die erforderlichen Statistiken zur Diagnose der Verteilung zu bestimmen. Anschließend wird ein Anpassungstest durchgeführt, um die am besten passende Verteilung zu finden. In bestimmten Kontexten, auf die ich später noch eingehen werde, ist Bootstrapping möglich. Die Tabelle der Prozessverletzungen bei Normalitätsproblemen, die ich Ihnen eben gezeigt habe, dient uns als Bewertungskriterium. Darauf aufbauend optimieren wir den Prozess, um die festgestellten Verletzungen der Normalitätsanforderungen zu reduzieren oder zu eliminieren. Das ist die erste Gruppe, A.
Sobald wir das getan haben, gehen wir zu Gruppe B oder C über. Gruppe B umfasst Situationen, in denen wir laut PPK-Analyse das Ziel verfehlen. Das bedeutet, dass der Prozessmittelpunkt, also der Bereich, in dem unser Prozess hinsichtlich seines Mittelpunkts arbeitet, nicht dem Zielwert entspricht. Wir haben eine zweiseitige Spezifikation, und der Mittelwert liegt genau zwischen der unteren und der oberen Spezifikationsgrenze. Wenn wir im Durchschnitt um mehr als 20 % von diesem Mittelwert abweichen, müssen wir dieses Problem, das wir als Zielverfehlung bezeichnen, genauer untersuchen.
Wir würden diesen Arbeitsablauf durchlaufen, um das Problem zu lösen. Wenn wir von Gruppe C sprechen, meinen wir ein Streuungsproblem. Das bedeutet, dass wir zwar im Zielbereich liegen, aber zu große Abweichungen aufweisen. Wie diagnostizieren wir eine zu große Streuung? Wie gehen wir damit um, wie bewerten wir sie und wie treiben wir letztendlich eine Prozessverbesserung voran? Gruppe A, B und C – dies ist das Ablaufdiagramm.
Gruppe A, dies ist nur ein kurzer Blick auf Gruppe A. Ich denke, wir haben schon einiges über Gruppe A gesprochen, und ich habe bereits auf die Fallstudien hingewiesen, die Sie auf unserer Projektseite finden.
Wir beginnen mit einer PPK-Bewertung, nachdem wir Gruppe A analysiert haben, und wählen eine geeignete Normalverteilungsapproximation zur Schätzung der PPK. Falls ein Problem auftritt – was letztendlich der Sinn der Sache ist –, prüfen wir, ob wir ein Zielverfehlungs- oder Streuungsproblem beheben können.
Dies ist Gruppe B im Detail. Um es kurz zu erklären: Wir würden in JMP auf der Vertriebsplattform einen Einstichproben-Mittelwerttest gegen den Zielwert durchführen. Sollte dieser Test nicht erfolgreich sein, d. h. der p-Wert unter dem Kriterium von 0,05 oder dem gewählten Alpha-Kriterium liegen, würden wir einen Äquivalenztest mit einem Schwellenwert durchführen.
Wenn wir den Äquivalenztest anhand dieser von uns festgelegten praktischen Schwelle nicht bestehen würden, müssten wir weitere Prozessverbesserungen vornehmen, bis wir die Kriterien des Äquivalenztests anhand der von uns festgelegten Schwelle erfüllen.
Dies passt sehr gut in die Analyse der Gruppe C, ähnlich wie die vorherige. Wenn wir hier ein Streuungsproblem hätten und unsere Prozessstreuung statistisch unter 1,33 läge, würden wir einen Einstichproben-Test auf Varianzgleichheit gegen einen durch 8 geteilten Spezifikationsbereich durchführen. Würden wir diesen Test nicht bestehen, würden wir einen Äquivalenztest der Standardabweichung durchführen. Angenommen, auch dieser Test wäre nicht erfolgreich, würden wir in den Modus zur Verbesserung der Prozessstreuung übergehen und praktische Verbesserungen vor Ort im Prozess prüfen, bevor wir zu diesem Entscheidungsablaufdiagramm zurückkehren, um eine erneute Bewertung vorzunehmen.
Die Phase der Prozessverbesserung ist ein zentraler Bestandteil, und die Ursachenanalyse unter Einbeziehung von Fachwissen und einer sorgfältigen Bewertung der Normalitätsverletzungen ist von entscheidender Bedeutung. Dies entspricht der robusten Prozessmethodik.
Hier ist ein Beispiel für die bereits erwähnte Scorecard, die entscheidend ist, um die Konsistenz der Analysten beim Befolgen des Flussdiagramms zu gewährleisten. Jeder Schritt des Flussdiagramms ist beschriftet. Wie zuvor beschrieben, enthält die erste Spalte der A-, B- und C-Gruppen im Wesentlichen den Schritt und dessen Namen, gefolgt vom „Was“, dem Ziel des Schritts, dem „Warum“ und den empfohlenen Werkzeugen zur Ausführung.
Dies ist eine weitere, möglicherweise detailliertere Methode, das Flussdiagramm neu zu strukturieren und gleichzeitig eine faire Bewertung der Ausführung sicherzustellen. Die Idee ist, diese Indizes (A bis C) zu verwenden und das Flussdiagramm mit den entsprechenden Zeilen zu beschriften, um die Konsistenz bei der Ausführung des Flussdiagramms zu erhöhen.
Wir sprachen über Wiederholbarkeit und Reproduzierbarkeit. Eines der wichtigsten Werkzeuge dafür, das wir – und branchenweit üblich – einsetzen werden, ist die Messsystemanalyse (MSA). Da wir in diesem Fall jedoch ein Peer-Review durchführen und eine Bewertungsmethode verwenden, benötigen wir kein kontinuierliches Bewertungssystem. Wir brauchen ein diskretes oder attributives System.
Da wir eine Skala verwenden, sei es eine 5-stufige oder eine 10-stufige Skala, in diesem Fall eine angenommene 5-stufige Skala, müssen wir den Datentyp in JMP als ordinal behandeln. Zu diesem Zweck würden wir wahrscheinlich eine ordinale Gauge R&R-Analyse unter Verwendung der Kontingenztafelanalyse in JMPs Fit, Contingency Personality und Fit Y by X durchführen.
Dies ist ein Beispiel dafür, wie das aussehen könnte. Übrigens gibt es weitere Werkzeuge für die ordinale Messsystemanalyse (MSA). Kendalls Konkordanzkoeffizient ist eines davon. Die Prüfung der Signifikanz von Kendalls Konkordanzkoeffizient ist ein weiteres. Fleis Kappa kann ebenfalls für die ordinale MSA verwendet werden, obwohl es typischerweise für die attributive MSA eingesetzt wird. Genau das nutzt die Plattform für die Diagrammerstellung von Variabilitätsattributen in JMP.
Hier wird die Ursachenanalyse genauer beschrieben und wie wir systematisch in der analysierten Phase vorgehen. Wir haben ausführlich darüber gesprochen, wie wir die Gruppe A nutzen, um potenzielle Fehlerquellen (X) anhand von Normalitätsverletzungen zu validieren und um voneinander unabhängige Prozessfehlermodi zu verstehen. Dazu betrachten wir die Verteilung und verwenden die dynamischen Visualisierungswerkzeuge von JMP im Kontext der Verteilung.
Wir haben das bereits kurz angesprochen, aber hier geht es um die Ursachenanalyse und die Identifizierung der wichtigsten Faktoren (X), die die Abweichungen von der Normalität erklären. Wie Sie sehen, führen wir die drei Gruppen A, B und C wieder ein und benennen die Abweichungsmodi und ihre Metriken neu. Generell sind Ursachenanalyse und Fachwissen unerlässlich, um diese Abweichungsmetriken in unserem JMP-Problemlösungsmodell zu bewerten und zu minimieren.
Diese Folie dient lediglich als weiteres Beispiel für die Überprüfung des Projektumfangs und der Erfolgskriterien. Es handelt sich hierbei um einen anderen Kontext, nämlich die Berechnung statistischer Toleranzintervalle. Der Mechanismus zur Dokumentation und Systematisierung des Entscheidungsprozesses wäre jedoch ähnlich. Auch hier wird, analog zur PPK-Berechnungsmethode, entweder die vorhandenen Daten genutzt und die Methodik aus Gruppe B und C angewendet, oder der Prozess überarbeitet, indem fehlerhafte Datenpunkte durch Identifizierung der Ursachen und deren Beseitigung entfernt werden. Anschließend wird die Analyse erneut durchgeführt.
Dies ist ein sehr analytisches und präskriptives Beispiel dafür, wie wir Spezifikationsgrenzen überarbeiten könnten und wie die Statistiken unter der aktuellen und der neuen Methodik aussehen würden. In diesem speziellen Fall konzentrieren wir uns auf das Verhältnis von P zu T im Rahmen der Messsystemanalyse (MSA) mit variabler Messsystemanalyse. Wohlgemerkt, nicht im Kontext dieses Flussdiagramms, sondern im Kontext kontinuierlicher Messungen. Hier ist eine Tabelle zur Auftretenswahrscheinlichkeit und Erkennbarkeit der DFMEA. Dies ist ein weiteres wichtiges Analysewerkzeug, das wir verwenden können. Wir wollten es beispielhaft vorstellen.
Nun kommen wir zur verbesserten Phase auf höherer Ebene und stoßen auf ähnliche Themen, indem wir spezielle Abweichungen aufgrund bekannter Ursachen eliminieren. In diesem Fall können wir diese Situation simulieren, indem wir Datenpunkte in unseren simulierten Daten herausfiltern und unsere Methodik auf diesen simulierten Daten aufbauen, was wir im Grunde auch in unserer Fallstudie getan haben.
Selbstverständlich haben wir für jeden Verstoßmodus eine Strategie definiert, die wir in der Tabelle, die ich in Gruppe A erwähnt habe, festgehalten haben. In der Verbesserungsphase können wir dann auch Initiativen zur kontinuierlichen Verbesserung umsetzen. Auch hier gehen wir strukturiert vor und definieren Ergebnisse, Aufgaben, Verantwortliche, Fachexperten und Fertigstellungstermine.
Hier ist ein Beispiel für einige der Werkzeuge, die wir im Kontext der Design- und Prozessverifizierungsvalidierung für die verbesserte Phase verwenden könnten, einige der JMP-Werkzeuge, die wir verwenden könnten.
Hier beginnt nun die Wissensvermittlung, die Kontrollphase. Wir nutzen das Flussdiagramm, schulen in Statistik, der Analyse von Sonderursachen, der JMP-Analyse und der zugehörigen Workflow-Builder-Methodik. Alle Schulungen werden dokumentiert, und wir bilden Führungskräfte aus, die das Flussdiagramm konsequent anwenden können.
Verstehe. Ein weiterer wichtiger Bestandteil dieser Phase ist der Kontrollplan. Er dient dazu, die Einhaltung der Analysemethodik zu messen und diejenigen auszuzeichnen, die im Hinblick auf diesen Plan besonders gut abschneiden. So lässt sich der Erfolg quantifizieren und bei denjenigen würdigen, die das Analyseframework implementiert haben. Diese Folie verdeutlicht das Konzept der Entwicklung dieses Workflow-Builder-Pakets. Das ist tatsächlich sehr praxisnah.
Wir haben im Wesentlichen dieses Flussdiagramm entwickelt. Anhand dieses Flussdiagramms speichern wir jeden Analyseschritt als Skript in JMP in der Datentabelle. Anschließend öffnen wir einen neuen Workflow. Wir öffnen die Tabelle, führen jedes der gespeicherten Skripte aus, nachdem wir zu Beginn des Workflows auf „Aufzeichnen“ geklickt haben, und beenden dann den Workflow. Dies ist eine einfache Möglichkeit, den Workflow in JMP konsistent und in einem Schritt zu erfassen.
Hierbei geht es über die PPK-Bewertung hinaus. Wir betrachten die Prozessfähigkeit und Stabilität des Messsystemanalyse- und -bewertungsverfahrens (MSR) sowie die Messsystemanalyse und -quantifizierung. Dies ergänzt die PPK-Analyse optimal. Es handelt sich um ein separates Projekt mit ähnlicher Methodik und ähnlichem Implementierungsrahmen.
Abschließend möchten wir den Wert hervorheben, die Bedeutung erläutern und den relevanten Kontext sowie die Mechanismen für eine Konsensfindung mithilfe eines Prozessfähigkeitsdiagramms aufzeigen. Ein Beispiel hierfür könnte die Messsystemanalyse (Gauge R&R) betreffen, aber wir haben … Oder vielleicht würde die Messsystemanalyse ein Beispiel ergänzen. Wir haben jedoch ein Beispiel aufgenommen, ohne den Kontext der Messsystemanalyse als Fallstudie im Rahmen dieses Projekts zu berücksichtigen, wie ich bereits beschrieben habe und wie sie in unserem Projektpaket für die Community enthalten sein wird.
Für zukünftige Arbeiten planen wir, in unserem nächsten Prozessfähigkeitsdiagramm eine Messsystemanalyse (MSA) in unseren Teilbereich zu integrieren. Im Sinne der kontinuierlichen Verbesserung möchten wir das Flussdiagramm weiter verfeinern, da wir wissen, dass die Messfähigkeit die Prozessstreuung beeinflusst. Später können wir dieses K-Shift-Problem auch mit dem Konzept des robusten Designs und den entsprechenden Werkzeugen verknüpfen.
Ich und der Co-Autor müssen uns noch genauer überlegen, wie wir verschiedene Kernteams im Rahmen des JMP University-Frameworks, das ich zu Beginn der Präsentation beschrieben habe, miteinander verbinden können, um gemeinsame Möglichkeiten zu schaffen, diese Problemlösungsmethodik weiter zu verbessern und zu verfeinern.
Vielen Dank für Ihre Zeit. Bei Fragen können Sie sich jederzeit an uns wenden. Nochmals vielen Dank.
