こんにちは、 良い 朝。 良い 皆さん、こんばんは。
私の名前 ライサより。
私は a 製造 品質 エンジニア の 適用済み 材料、 台湾。
I 開始 に 学ぶ JMP で 始まり の これ 年。
最近、 I 合格 これを編集しました 認証 テスト
と スコア、 925 で これ 7月。
今日、 私は のように に 作る a 短い プレゼンテーション
について QN 即時修正 時間分析 による JMP。
として 私たちは 知る、 一度 a 品質 通知 治す は 作成、
それ しなければならない 取る 追加、 もっと または 少ない 時間 に 修理 問題、
そして 5月 インパクト の上 生産 計画 そして スケジュール設定。
したがって、 私たちは のように に 探す a 最悪- 場合 による 分析。
わかった。
のために 分析、 ここ は 五 s ubトピック の上 議題。
初め、 の 根 原因 分析 の QN 修理サイクル 時間、
グラフィカル 根本原因分析の概要、
適合モデル、パーティションを比較します。 ニューラルモデル、
そして 次にH ハイブリッド テキストM 寒い
そして の データ 鉱業 分析。
ついに、 取る 離れて 学び。
わかった、 さあ 得る 開始しました。
ヒストグラム。
1位 層 の 根本原因分析 の QN 修理 サイクル 時間。
前に 調査、 考える について それ。
どのようなシナリオ インパクト の上 QN修正 サイクルT する
そして どうやって 長さ は それは耐えられるものなのか？
まず最初に、
定義する 五 日 として a 基準
そして また a 鍵 状態 に Cワイドをフォロー 広める i n の表現
そして 内で 五 日、
私たちは 仕様内 そして 成功 基準。
の上 の 他の 手、 以上 五 日 外 の 仕様 失敗 分析、
後で、 I 作る 直接 a 壊す に の上 そして FA。
知らせ これ シェード の 分布 間 の上 そして の しかし。
その間、 見て で の モザイク プロット
のために の 割合 の それぞれ カテゴリ
に 推測する a 潜在的なr 原因
のために の 成功 分析。
私たちは できる 見る の 職人技 そして MFGの再作業、
思われる に 持っている 素早い 応答 そして より良い 修理 サイクル 時間。
のために しかし 寸法 問題、 取る もっと 修理 サイクル 時間。
それ は 明らか 変化 で FAの時間です。
分布 間 の上 そして の しかし、
仮定する FA時間の場合 は 1つ の の 鍵 要素、
S1から インパクト f およびc サイクル 時間。
の ボックスP 多く。
ボックスプロットは a グラフ の の 分布 の 連続 変数。
したがって、 プロット 続く 修理済み サイクル 時間 対ネスト 構造、
カテゴリー 国 下 封じ込め
に 検索 他の 要因 インパクト 修理 サイクル 時間 または ない。
それ ディスプレイ の 五- 番号 まとめ の 設定 データ。
それ は 非 パラメトリック 道具 に 使用 中央値 として 中央 傾向。
その上、 そこには は いくつかの 観察結果 の上 箱ひげ図 グラフ。
まず、 少しでも セブン ポイント に 検出する の 最初の外れ値。
さもないと、 それ ひげ状になる（歪む） グループ 問題
どこ サンプル サイズ は 少ない よりも セブン .
第二に、観察された やられた 分布
による ボックス幅 または ひげの長さ。
どうやって に ハンドル 限界 外れ値、
どれの は 私たちは 考える 2シグマGRRノイズ から ひげ
そして 戻る に の 根本原因分析、
それ は ない 難しい に 探す a リサイクル 時間
の の 封じ込め 交換
は 多くの より長く よりも 他の 封じ込め。
そして と それ、
X₂封じ込め そして X₃ 国 ここ。
ヒートマップ。
ヒートマップ は 別の グラフィカル 道具
脱退する データ 価値 による 色。
A これまで、 私たちは 集める 三つ 入力 要因、
欠陥タイプ ヒストグラム、 封じ込め そして 国 から 箱ひげ図
そして で 注文 に フォローする 学習四半期 インパクト
四半期ごとの入力 インパクト の上 修理済み サイクル 時間。
ここ で 戻る カテゴリー 欠陥タイプと呼ばれる の上 Y軸
そして の 色 サイクル 時間
そして 保つ バス 予後 構造。
カテゴリー 国 下 封じ込め で X そして X グループ。
それから 使用 8 による 9 レイアウト 見て バランス
に 素早く キャッチ 外 の 最大
そして の ミニマル サイクルタイム シナリオ。
のために しかし、 それ は 簡単 に 探す a 少し 赤 エリア、 右？
の 図書館 ハイライト の 最長 修理 サイクル 時間。
ということで、交換 台湾 ダメージ 部品、
で の 最悪 場合 のために サイクル 時間。
の 交換 ユナイテッド 州
そして の 寸法 問題 部品 は の 2番 最悪 シナリオ。
のために の上 は セット のために 寸法 そして 損傷・欠陥。
その他 は 簡単 に 素早く 修理。
のために パレートC ハート、
に さらに遠く 分析する の しかし そして の上 から ヒートマップ ,
ヒートマップは必須 使用 二- 次元的 パレート チャート による に 変数
欠陥の種類 そして の 国 下 特定の 封じ込め。
ここ は X₁ 欠陥の種類、
X2 封じ込め そして X₃ 国 私たちは 言及された 前に。
それから 追加 追加 ワークステーション X₄ ここ
で の コース パレートC ハート に 視覚化する 頻度 イベント。
今 のために FAの失敗 分析、
私たちは 得る 交換 高い 作業サプライヤー ダメージ 問題、
頻繁に 起こる で CVD サービス 詐欺
または 交換 ユナイテッド 州 サプライヤー 寸法 問題
頻繁 起こる で CVD ワークステーション。
で の 同じ 方法 のために X 分析、
代わりに 寸法 問題 または 損傷した欠陥、
ユナイテッド 前、 機能的 そして a 職人技 問題
できる 素早く 修理 で CVD 選考科目 テスト。
現在、 私たちは 持っている 4 入力 要因 そして の上 FA 頻度。
のために インターフェース、私たちが は もっと 関心
は 合格 または 失敗 頻度 または 純粋な サイクル 時間。
それから 表を作成する。
ここ 置く 私たちの 前の 言及 の 要因 X₁からX₄ のために の上 表を作成する。
その間、 表形式 純粋な サイクル 時間 そして 頻度 の中へ a アカウント
に する さらに遠く 比較。
のために FA、CVD サービス 詐欺、 ダメージ 問題、
台湾 サプライヤー 必要とする 交換、
時間がかかりました より長く サイクルタイム
それでも の 頻度 は 今 の 最高、
のように セブン タイムズ ここ、
の 手段 の の サイクル 時間、 34 日は 多くの より長く よりも その他。
のために に、 で CVDモーター テスト、
私たちは できる 測定 問題 で ユナイテッド 州 前
そして 修理済み による MFG re 仕事。
平 そこには は のみ 1つ 日 の上 の テーブル、
しかし の 頻度 そして は 遠い あまりにも 低い に なれ 真実。
ここ I 要約 の 主なポイント。
フォローする 根本原因分析、
使用 違う グラフィカル JMP プラットフォーム
で エンジニアリング そして 大きい 腐食
順序 に 導電性前 根本原因分析。
で 前の スライド、 I 見せる ヒストグラム、 箱ひげ図、
ヒートマップ、パレート図 チャート そして の 表を作成する。
2番、 識別する a 潜在的 入力X
に 保護する QN 修理済み サイクル 時間。
A によると に の 表にまとめる、 の FAの結果 から a ダメージ 問題、
交換、 台湾 サプライヤー そして CVD サービス ワークステーション。
次、 建てる a モデル に 予測する QN 修理 サイクル 時間
そして 検証 の の 根 原因。
前に 入場 それぞれ モデルの 詳細、
ここ、 私は のように に 導入 モデル 選択 そして の まずは比較から。
の フィット モデル、 考慮する データ 構造 そして a 分布。
ここ は いくつかの チャレンジ で フィット モデル。
のために 歪んだ 分布、 使用 ログ 変換、 しかし いいえ ヘルプ。
すべての入力 変数、 X₁からX₄は カテゴリー タイプ。
後 I 建てる 私たちの 60 % の ワークステーション カテゴリ、
R二乗値が増加した 6 % のみ。
チェック 依存 の間で a カテゴリー 変数
通信による 分析部分。
それ は 低い リスク なぜなら の もっと近く もの は に a 地域、
の 少ない 明確な それ 彼らは おそらく は。
で 他の 言葉、 の さらに 離れて の もっと 明確な。
2番、 近接性 間 ラベル おそらく 示す a 類似性。
のために パーティション 木 モデル、
の プラス ポイント は 分布 無料 モデル、
スプリット ベース の上 データ 利用可能、
少し 過学習の懸念、
しかし マイナス ポイント 再帰的 スプリット。
したがって、 JMPを使用する プロジェクター 画面 による ランダム 森
に 平均 a 再帰的 製品
そして 探す 外 a 五 入力 要素 と 彼らの ランキング。
それ は 便利 そして a 素早く 方法 に 探す 重要 入力
に 最適化する または 改善する モデル。
に関して a ニューラル ネットワーク、
の プラス ポイント は 強い 変換 モデル、
二 手順 トレーニング そして a 検証 モデル。
しかし、 の マイナス は 重要な 過学習への懸念 .
どれの モデル は もっと ちゃんとした に なれ 信じていた
それ 行く を通して それぞれ モデル 結果？
来る 戻る 適合する モデル、 主要 イベント のみ。
もし 私たちの スコア ではない 高い、
のみ 30 % 間違っている、
なぜなら データ は 厳しい 右に歪んでいる。
有意な レベル の リスク、
それで マックス R- 四角 その周り ただ 47 % は ない 価値がある
そして 使用 ログ 変換 の の サイクル 時間 変数
に 避ける a ネガティブ 番号 の 95 % 自信 間隔、
しかし いいえ 助けて 多く ログ 選択 は 外。
の 次 は パーティション 木 モデル。
ここ は 三つ パーティション モデル、
は ベースライン モデル、
モデル拡張
そして a モデル 簡略化。
経験 a シリーズ の 改善 1回あたり エンジニアリング そして の 論理的 考え
そのR 四角 改善 に 62 % から 38% ベースライン モデル。
すべての 詳細 意思 見せる あなた ステップ による ステップ で 続く スライド。
モデル 増強。
その間 これ ステップ、 私たちは 改善する モデル 20 ％。
どこ は 彼らは から？
初め、 彼らは 意思 現在 改善する。
ここ、 変化 QN年齢 に 即効性のある解決策 サイクル 時間
適切性を保つため 経験、 しかし いいえ ヘルプ。
2番、 6% そして 追加 1つ X 要素 ワークステーション。
覚えて それ は 輸出、 私たちは 発見する から パレートC ハート。
UDコード になる 少ない 致命的 から 26 ％ に 8 % のみ。
の 3番目と、 そこ 4 % による 変化 に 封じ込め から 外 コード。
今、 チェック a 貢献 ランキング ここ。
の 番号 二 なる ワークステーション その代わり の 国 もう。
モデルでは 簡略化、
ここ、 改善する 追加 6 % R 四角 による モデル 簡略化。
前に 簡略化 モデル、
の プラス は 全て シナリオ 下 考慮、
しかし のように マイナス 二、 多くの カテゴリ かもしれない 希薄 予測する 力。
で 簡略化 モデル、
フィルタリング 外 マイナー カテゴリ と 少ない カウント、
のように 取り除く 60 % カテゴリ の ワークステーション、
の 合計 額 減少 に 270 から 426.
チェック また、 の 貢献 ランキング、
の 欠陥 タイプ そして 私たちの ワークステーション は まだ の 番号 1つ そして の 番号 二。
今、 私たちは 持っている もっと 自信 に 使用 の モデル
に 予測する の しかし そしてSA。
のために パーティション 木 モデル最適化
として I 言及された 前に、
の 選考科目 寄稿者 は 欠陥の種類 & ワークステーション
その周り パレートCの場合80% コンセプト。
比較する SAにおける欠陥タイプ FA 予測。
のために の上 ここ、 その ラベリング 問題。
作る センス、 私たちは しないで 過ごす もっと 時間 に 修理 毎 問題。
のために しかし、 その ダメージ。
はい、 それ だろう 取る 多くの もっと サイクル 時間。
について a ワークステーション 比較 間 の上 そして しかし
PVD 機械式 そして CVD モジュール テスター。
現在、 それ まだ ニーズ さらに遠く 分析 そして 理解。
について FA 国 ここ、 で a プロフィール または 予測 プロフィール は フラット。
しない t 国 インパクト QN固定 サイクル 時間？
は そうですよね？
に 答え の 質問 ここ、 I 導入 の モデル 制限、
再帰的 パーティション。
再帰的 パーティション、 一連 依存 リスク。
要素 国 は 広める 六 回数、
そして のみ 1つ 時間 起こる で より高い サイクル 時間 クラスタ。
そのような 再帰的 依存 制限 5月 影響 予測 モデル。
の 3番目のモデル、
ニューラル ネットワーク （人工知能）。
ここ 観察する 厳しい 過剰適合 懸念
間 トレーニング そして の 変化 R二乗。
もし R二乗 間 トレーニング セット そして V アリデーション セット
は 以上 20 ％、 それ もっている 過剰適合 懸念。
その上、 私たちは 探す それを ニューラル モデル、
の 番号 1つ ランキング は ワークステーション、
そして の 番号 二 は 故障 による
どれの は 違う から 前の パーティション モデル。
のために に、 の ワークステーション は で ステージング、
CCTステージング、 どこ 材料 は 持ってくる 一緒に
前に 入場 製造上の欠陥 ,
そして それ しない 競争力がある 手術 プロセス。
一度 の 問題 起こる、 それ できる なれ 修理済み 素早く。
作る センス。
のために しかし で の CVDサービス詐欺、
それ 競争力がある 手術 プロセス。
はい、 それ した に 持っている より長く サイクル 時間 に 扱う 難しい 問題。
それまで 今、 私たちは すでに 持っている 三つ モデル、
木 モデル パーティション そして の ニューラル モデル、
そして どれの モデル は 多くの もっと ちゃんとした そして 会う 現実。
したがって、
モデル 比較 そして 選択、
根本原因分析、 グラフィカル 道具
ダメージ 問題 交換、
台湾 CVD サービス詐欺 は の 最悪 シナリオ と より長く 修理済み サイクル 時間。
現在、 ニューラル モデル もっている の 同一 シナリオ
として の グラフィカル 根本原因分析、
しかし 唯一の懸念は過学習である。 リスク。
その上、 の 三つ モデル もっている とても 近い 予測
の上 最悪 サイクル 時間 内で 1.2 日。
の 最終的に私は 導入、 テスト 鉱業 そして の データ 鉱業 ハイブリッド。
現在 で QN D 分 ベース、 それ まだ もっている テスト メッセンジャー 結果として 良い
に そのような もっと 情報 について 長さ サイクル 時間 QNで テスター 変数 データベース。
使用 JMPテストエクスプローラー に 発見する いくつかの 頻度 キーワード
そのような として ここ、 I 丸 交換する、 再作業、 寸法 そして の F10246
プロジェクト に する さらに遠く 分析、
それから 変換する 彼ら に バイナリ 検出器、
行為 a さらに遠く データ 鉱業 そして の 根本原因分析
F10246のケースで ヒートマップ グラフ。
ここ、 置く 寸法 インジケータ 下 F10246
そして 封じ込め 交換する そして 再 働く そして。
によると に の 熱 地図 結果、 F10246
そうだった 苦しむ たくさん の 修理 サイクル 時間
それ 他の プロジェクト による 色 結果
そして チェック 寸法 検出器 観測された は
ない のみ 寸法 問題、 しかし また 私たちの 様々な 欠陥の原因
長さ サイクル 時間、 平 もし ただ は 修理済み による 再設計。
で の 終わり、 ここ は 私が得た学び。
JMP G グラフィック プラットフォーム は とても 強力な に 行為
もっと深く r 原因分析 を通して エンジニアリング
そして の 論理的、 データ- 駆動 プロセス
そして 比較する そして 選択 a もっと 適切な JMP モデル
から クラシック Mサイズ スーツ、P アーティション そして a ニューラル ネットワーク
による 知っている の モデル 制限
そして の リスク の 接続中 に 前の グラフィカル 根本原因分析。
行為 a ハイブリッド テキストM 寒い データマイニングR oot 原因 分析
の上 の 複雑なQNデータベース。
ファイナル、 私は のように に 感謝 GCI M BB チャールズ・チェン として 私の プロジェクト メンター
そして それは 全て 私の プレゼンテーション。
感謝 あなた のために あなたの 時間 そして 注意。
感謝 あなた。
