こんにちは、
私の
名前
は
コリーン
マッケンドリー
そして I 午前 a シニア 統計的 作家 で JMP、
しかし I また のように に 遊ぶ その周り と 機能的 データ。
これ プロジェクト は の上 測定 システム 分析 のために 曲線 データ。
初め、 私は ただ 行く に 与える a とても 簡単な 背景 の上 MSA 研究 で 一般的な。
MSA 研究 決定する どうやって 良い a プロセス
できる なれ 測定された 前 に 勉強する その プロセス 自体。
それ 回答 その 質問、 どうやって 多くの 測定 変化 は
貢献する に その 全体 プロセス 変化。
具体的には、 その ゲージ R&R 方法、 どれの は 何 病気 なれ 使用して で 私の 分析、
決定する どうやって 多くの 変化 は 期限 に 手術 変化
対 測定 変化。
あなた できる 使用 a ゲージ R&R 交差した MSA モデル いつ あなた 持っている 両方 a 一部 そして 一つの オペレーター。
その モデル あなた できる 見る ここ のために あなたの 測定 Y サブ I J K、
それは 行く に なれ その K番目 測定 作った による その J番目 オペレーター の上 その I番目 一部。
で これ モデル、 あなた 持っている a 平均 学期、
a ランダム 効果 それ 対応する に その 一部、
a ランダム 効果 それ 対応する に その オペレーター、
そして a ランダム 効果 それ 対応する に その 交流 または クロス 学期。
あなた また 持っている 一つの エラー 学期。
これ は 単に a ランダム 効果 モデル、
そして 全て の これら ランダム 効果 は 通常 分散型 ランダム 変数
と 平均 ゼロ そして いくつかの 対応する 分散 成分。
いつ あなた フィット これ モデル、
あなた できる 使用 それ に 見積もり その 分散 コンポーネント
そして それから 使用 それらの 分散 成分 推定値
に 計算する その パーセンテージ ゲージ R&R 使用して その 式 表示されている そこには。
で a 標準 MSA 勉強、
全て の あなたの 測定値 は 行く に なれ シングル ポイント。
しかし 何 起こる もし それは ない その 場合？
何 もし その代わり あなたは 測定 何か のように a 曲線？
それ 質問 だった その モチベーション 後ろに これ プロジェクト。
そこには だった a クライアント の ジャンプ それ だった a サプライヤー の 自動車 部品、
そして 彼らは 持っていた a お客様 それ 指定された
それ a 一部 必要 に 持っている a 特定の 力 による 距離 曲線。
明らかに、 その クライアント 望んでいた に デザイン
彼らの 製品 に マッチ その お客様 指定された 曲線。
で 注文 に する それ、
彼らは 望んでいた に 走る a 機能的 応答 DOE 分析
そして ジャンプ に デザイン 彼らの 製品 で 注文 に する それで。
しかし、 前に 支出 お金 の上 それ 実験、
彼らは 望んでいた に 実行する 一つの MSA の上 彼らの 能力 に 測定 その 部品 力。
そこには は a 多く もっと 詳細 について その 実際の データ そして これ 問題 具体的には
で 一つの 以前 2020 白 紙
タイトル 測定 システム 分析 のために 湾曲した データ。
もし あなた 欲しい どれでも もっと 詳細、 見て それ 上。
それ すべき なれ の上 その コミュニティ。
これ で これ グラフ、 それは 何 その データ 見た目 のように。
の上 その Y軸、 私たちは 持っている 力、 そして の上 その X軸、 私たちは 持っている 距離。
それ 見た目 のように そこには は のみ 10 曲線 で これ グラフ、
しかし そこには は 実は 250 合計 曲線。
そこには ただ いくつかの クラスタリング 行く の上。
そこには は 10 違う 部品、 五 違う オペレーター、
そして 五 複製 あたり 一部 オペレーター 組み合わせ。
A 少し 少し について これ データ、 明らかに、
これら 測定値 は 曲線 そして ない ポイント。
その データ だった 収集された 均等に 間隔をあけた で 時間、 しかし ない 均等に 間隔をあけた で 距離。
そこには だった いくつかの 以前 プロジェクト
それ 試した a 少し 違う 方法 に 実行する いくつかの タイプ の MSA 勉強 の上 これ データ。
彼らは 使用済み いくつかの 機能的 コンポーネント、 しかし 滞在した かわいい 真実 に a 標準 MSA。
いつ I 見た で これ データ、 I 望んでいた に 取る a 真実 機能的 アプローチ
なぜなら I 持っている a 背景 で 機能的 データ。
機能的 データ 分析
は 役に立つ のために データ それ は で その 形状 の 機能 または 曲線。
そこには は 多くの テクニック に ハンドル 不平等に 間隔をあけた データ、
a 多く の どれの は 利用可能 で その 機能的 データ エクスプローラ プラットフォーム で ジャンプ。
私の ゴール だった に 組み合わせる 機能的 データ 方法 と 伝統的 MSA 方法
に 実行する いくつかの タイプ の 機能的 測定 システム 分析。
私の 解決 だった に 作成する a 機能的 ランダム 効果 モデル
による 拡大中 その 機能的 モデル 使用して 自分の 関数 拡大、
書き直し それ として a ランダム 効果 または a 混合 モデル
もし あなた 持っていた どれでも 修理済み 効果 また、
そして それから 推定する その 分散
コンポーネント 関連する と その 一部 そして オペレーター 条項。
に 行く a 少し 少し の中へ その モデル 表記法。
のために あなたの 機能的 モデル、 あなた 持っている Y サブ I J K、
しかし これ 時間 で a 特定の 距離、 D、
に アカウント のために その 機能的 自然 の その データ。
あなたは 行く に 持っている a 機能的 平均 学期、
a 機能的 ランダム 効果 それ 対応する に その 一部、
a 機能的 ランダム 効果 それ 対応する に その オペレーター、
そして a 機能的 ランダム 効果 それ 対応する に その クロス 学期
そして また あなたの エラー 学期。
ここ、 いつ あなた する その モデル 拡大、
その a 少し マシー、 しかし 本質的には、
その代わり の 持つ 1つ 分散 成分 関連する と その 一部
そして 1つ 分散 成分 関連する と その オペレーター、
あなた 今 持っている 複数 分散 コンポーネント 関連する と それぞれ の それらの もの。
それは 行く に アカウント のために その 機能的 自然。
いつ あなたは フィッティング その モデル そして 推定する その 分散 コンポーネント、
のように I 言った、 今 あなたは 行く に 持っている これ
セット の 分散 コンポーネント それ あなた できる 和 一緒に
に 見積もり その 機能的 分散 成分 のために 一部
そして その 同じ もの のために オペレーター そして その クロス 学期。
一度 あなた 持っている 全て それらの 個人 分散 コンポーネント、
あなた できる 使用 それらの に 見積もり その % ゲージ R&R ただ のように で a 標準 MSA。
どうやって する I する これ で ジャンプ？
その a マルチ ステップ プロセス それは 概説 ここ、
そして そこには は いくつかの もっと 詳細 で 他の スライド。
しかし 本質的には、 I 見積もり その 平均 曲線 で FDE そして 得る その 残留 曲線。
I それから モデル その 残留 曲線 で FDE に 得る その 自分の 機能 必要
のために その 自分の 関数 拡大 の その 機能的 モデル
そして 保存 それらの 自分の 機能 に その オリジナル データ テーブル。
私は 行く に 使用 それらの 保存された 自分の 機能 で フィットミックス
に 作成する a ランダム 効果 モデル
または a 混合 モデル もし あなた また 持っている 修理済み 効果 で あなたの データ。
私は 行く に 使用 ネスティング の その 自分の 関数 式 列
そして また その について そして オペレーター 変数
に 定義する その 適切な モデル 仕様。
これ は 何 あなたの フィット モデル ウィンドウ だろう 見て のように。
一度 I した 全て それ のために これ データ、
I だった できる に 見積もり その 分散 コンポーネント そして 計算する その % ゲージ R&R、
どれの で これ 場合 だった 3.3030.
これ 示された 一つの 許容できる 測定 システム
によると に いくつかの 範囲 それ だった 定義された で これ 紙 による バー チーム。
それ だった それ のために その データ 分析 のために 私の 一部。
これ 結果 だった 実は とても 似ている に a 最悪の場合 シナリオ
それ だった 得られた で a プレゼンテーション で 2019年。
それ だろう なれ 面白い に 知る もし それ だった a 偶然
または もし その 結果 だろう なれ 似ている のために 違う データ として 良い。
いくつかの 考え それ これ プロジェクト 挑発された。
すべき 私たちは 追加 a 機能的 ランダム 効果 のために ID
に 捕獲 その 内で 関数 相関 横切って 距離？
これ タイプ の 機能的 ランダム 効果
は 実は 本当に 重要 で 機能的 データ
そして は a 大きい 利点 の 会計 のために その 機能的 自然 の その データ。
残念ながら、 で これ データ で 特定の。
いつでも I 作成された a モデル と これ 学期、
その 対応する 分散 コンポーネント だった ゼロ、
それで それ しなかった 本当に 捕獲 何でも 余分な、 しかし それ だろう なれ 面白い
に 見る もし それ できた なれ 役に立つ で 違う 種類 の データ。
I また 考える それ だろう なれ 面白い もし 私たちは
できた 計算する a 自信 間隔 のために その % ゲージ R&R。
そこには だった また いくつかの マイナー、 ない 問題、
しかし 持ってくる 上 質問 の その 残差 で その ランダム 効果 モデル。
I 観察された a 循環的な 自然 で それらの。
それは ない いつも 素晴らしい。
I しない 考える それ だった a 巨大な 取引、
しかし I だろう のように に 持っている a 良い 理由 のために なぜ それ だった その 場合。
それは それ。 ありがとう のために リスニング。
もし あなた 欲しい もっと 詳細 の上 これ プロジェクト、
その とても 似ている に a 満杯 30分 話す それ I 提示された で 発見 ヨーロッパ、
そして それで それ ビデオ は の上 その コミュニティ として 良い。
感謝 あなた。
