你好， 好的 早晨。 好的 各位晚上好。
我的名字 来自 Raisa。
我是 a 制造业 质量 工程师 的 应用 材料， 台湾。
I 开始 到 学习 JMP 在 开始 的 这 年。
最近， I 经过 编辑此 认证 考试
和 分数， 925 在 这 七月。
今天， ID 喜欢 到 制作 a 短的 推介会
关于 QN 即时修复 时间分析 经过 JMP。
作为 我们 知道， 一次 a 质量 通知 治愈 是 已创建，
它 必须 拿 额外的， 更多的 或者 较少的 时间 到 使固定 问题，
和 可能 影响 在 生产 规划 和 安排日程。
所以， 我们会 喜欢 到 寻找 a 最差 案件 经过 分析。
好的。
为了 分析， 这里 是 五 s ub 主题 在 议程。
第一的， 这 根 原因 分析 的 问： 修复周期 时间，
图形 根本原因分析总结
比较拟合模型、分区、 神经模型
和 然后是H 杂交 文本 M 寒冷的
和 这 数据 矿业 分析。
最后， 拿 离开 学习心得。
好的， 我们来吧 得到 开始了。
直方图。
第一 层 的 根本原因分析 的 问： 使固定 循环 时间。
前 调查， 思考 关于 那。
哪些场景 影响 在 QN 修复 周期 T 要做
和 如何 长的 是 可以忍受吗？
首先，
定义 五 天 作为 a 标准
和 还 a 钥匙 状况 到 遵循C-wide 传播 i n 措辞
和 之内 五 天，
我们 规格 和 成功 标准。
在 这 其他 手， 超过 五 天 出去 的 规格 失败 分析，
之后， I 制作 直接地 a 分解 到 在 和 足协。
注意 这 阴影 的 分配 之间 在 和 这 但。
同时， 看 在 这 马赛克 阴谋
为了 这 部分 的 每个 类别
到 推断 a 潜在 r 原因
为了 这 成功 分析。
我们 能 看 这 做工 和 制造返工，
似乎 到 有 快的 回复 和 更好的 使固定 循环 时间。
为了 但 方面 问题， 拿 更多的 使固定 循环 时间。
它 是 明显的 变化 在 FA时间。
分配 之间 在 和 这 但，
认为 如果 FA 时间 是 一 的 这 钥匙 因素，
S1 至 影响 f 和 c 自行车 时间。
这 盒子 P 很多。
箱线图是 a 图形 的 这 分配 的 连续的 多变的。
所以， 阴谋 继续 固定的 循环 时间 对比嵌套式 结构，
分类 国家 在下面 遏制
到 搜索 其他 因素 影响 使固定 循环 时间 或者 不是。
它 显示器 这 五- 数字 概括 的 设置 数据。
它 是 非 参数 工具 到 使用 中位数 作为 中央 趋势。
除了， 那里 是 一些 观察 在 箱线图 图形。
首先，在 至少 七 观点 到 探测 这 第一个异常值。
否则， 它 变成胡须（倾斜） 团体 问题
在哪里 样本 尺寸 是 较少的 比 七 .
第二，观察到 螺丝 分配
经过 盒子宽度 或者 胡须长度。
如何 到 处理 边缘 异常值，
哪个 是 我们 思考 双西格玛 GRR 噪声 从 胡须
和 后退 到 这 根本原因分析
它 是 不是 难的 到 寻找 a 回收 时间
的 这 遏制 替代品
是 很多 更长 比 其他 遏制。
和 和 那，
X₂ 容器 和 X₃ 国家 这里。
热力图。
热图 是 其他 图形 工具
背叛 数据 价值 经过 颜色。
A 迄今为止， 我们 收集 三 输入 因素，
缺陷类型 直方图， 遏制 和 国家 从 箱线图
和 在 命令 到 跟随 学习季度 影响
季度投入 影响 在 固定的 循环 时间。
这里 在 后退 分类 称为缺陷类型 在 Y轴
和 这 颜色 循环 时间
和 保持 公共汽车 预后 结构。
分类 国家 在下面 遏制 在 X 和 X 团体。
然后 使用 8 经过 9 布局 看 平衡
到 迅速地 抓住 出去 这 最大限度
和 这 最低限度 周期 场景。
为了 但， 它 是 简单的 到 寻找 a 小的 红色的 区域， 正确的？
这 图书馆 亮点 这 最长 使固定 循环 时间。
就这样，替换 台湾 损害 部分，
在 这 最差 案件 为了 循环 时间。
这 替代品 团结的 各州
和 这 方面 问题 部分 是 这 第二 最差 设想。
为了 在 是 放 为了 方面 和 损坏缺陷。
其他的 是 简单的 到 迅速地 使固定。
为了 帕累托C 心，
到 更远 分析 这 但 和 在 从 热图 ,
热图必须 使用 二- 维度 帕累托 图表 经过 到 多变的
缺陷类型 和 这 国家 在下面 具体的 遏制。
这里 是 X₁ 缺陷类型
X₂ 遏制 和 X₃ 国家 我们 提及 前。
然后 添加 额外的 工作站 X₄ 这里
在 这 课程 帕累托C 哈特 到 可视化 频率 事件。
现在 为了 FA故障 分析，
我们 得到 替换 高的 工作供应商 损害 问题，
频繁地 发生 在 心血管疾病 服务 欺诈罪
或者 替换 团结的 各州 供应商 方面 问题
经常 发生 在 心血管疾病 工作站。
在 这 相同的 方式 为了 X 分析，
相反的是 方面 问题 或者 损坏缺陷
团结的 事先的， 功能性 和 a 做工 问题
能 迅速地 使固定 在 心血管疾病 主要的 测试。
现在， 我们 有 四 输入 因素 和 在 和FA 频率。
为了 界面，我们 是 更多的 对……的兴趣
是 经过 或者 失败 频率 或者 纯的 循环 时间。
然后 制成表格。
这里 放 我们的 以前的 提到 的 因素 X₁ 至 X₄ 为了 在 制成表格。
同时， 制表 纯的 循环 时间 和 频率 进入 a 帐户
到 做 更远 比较。
为了 FA，CVD 服务 欺诈罪， 损害 问题，
台湾 供应商 要求 替代品，
确实需要一段时间 更长 周期
虽然 这 频率 是 现在 这 最高，
喜欢 七 时代 这里，
这 方法 的 这 循环 时间， 34 天数是 很多 更长 比 其他的。
为了 到， 在 CVD电机 测试，
我们 能 措施 问题 在 团结的 各州 事先的
和 固定的 经过 MFG re 工作。
甚至 那里 是 仅有的 一 天 在 这 桌子，
但 这 频率 和 是 远的 也 低的 到 是 真的。
这里 I 总结 这 要点。
跟随 根本原因分析
使用 不同的 图形 JMP 平台
在 工程 和 大的 焦散
顺序 到 导电前 根本原因分析。
在 以前的 滑动， I 展示 直方图 箱线图
热图、帕累托图 图表 和 这 制成表格。
第二， 确认 a 潜在的 输入 X
到 保护 问： 固定的 循环 时间。
A 根据 到 这 制表， 这 FA结果 从 a 损害 问题，
替代品， 台湾 供应商 和 心血管疾病 服务 工作站。
下一个， 建造 a 模型 到 预测 问： 使固定 循环 时间
和 验证 的 这 根 原因。
前 进入 每个 模型的 细节，
这里， ID 喜欢 到 介绍 模型 选择 和 这 首先进行比较。
这 合身 模型， 考虑 数据 结构 和 a 分配。
这里 是 一些 挑战 在 合身 模型。
为了 倾斜 分配， 使用 日志 转变， 但 不 帮助。
所有输入 多变的， X₁ 至 X₄ 是 分类 类型。
后 I 建造 我们的 60 % 的 工作站 类别，
R平方值增加 6 % 仅有的。
查看 依赖关系 之中 a 分类 多变的
通过通信 分析部分。
它 是 低的 风险 因为 这 更近 事物 是 到 a 地区，
这 较少的 清楚的 那 他们 大概 是。
在 其他 单词， 这 更远 离开 这 更多的 清楚的。
第二， 邻近 之间 标签 大概 表明 a 相似。
为了 分割 树 模型，
这 加 积分 是 分配 自由的 模型，
分裂 基于 在 数据 可用的，
小的 过度拟合问题
但 减 积分 递归 分裂。
所以， 使用 JMP 投影仪 屏幕 经过 随机的 森林
到 平均的 a 递归 产品
和 寻找 出去 a 五 输入 因素 和 他们的 排行。
它 是 方便的 和 a 迅速地 方式 到 寻找 重要的 输入
到 优化 或者 提升 模型。
关于 a 神经 网络，
这 加 积分 是 强的 转型 模型，
二 步骤 训练 和 a 验证 模型。
然而， 这 减 是 重要的 过度拟合问题 .
哪个 模型 是 更多的 恰当的 到 是 相信
那 去 通过 每个 模型 结果？
来 后退 以适应 模型， 主要的 事件 仅有的。
如果 我们的 分数 不是 高的，
仅有的 30 % 错了，
因为 数据 是 严重 右偏。
观察到显著 等级 的 风险，
所以 最大限度 R- 正方形 大约 只是 47 % 是 不是 值得
和 使用 日志 转型 的 这 循环 时间 多变的
到 避免 a 消极的 数字 的 95 % 信心 间隔，
但 不 帮助 很多 所以日志 选择 是 出去。
这 下一个 是 分割 树 模型。
这里 是 三 分割 模型，
是 基线 模型，
模型增强
和 a 模型 简化。
经验 a 系列 的 改进 每 工程 和 这 逻辑 思维
那个R 正方形 改进 到 62 % 从 38% 基线 模型。
全部 细节 将要 展示 你 步 经过 步 在 下列的 滑动。
模型 增强。
期间 这 步， 我们 提升 模型 20 %。
在哪里 是 他们 从？
第一的， 他们 将要 展示 提升。
这里， 变化 QN年龄 到 立即修复 循环 时间
为了礼仪 经验， 但 不 帮助。
第二， 6% 和 添加 一 X 因素 工作站。
记住 它 是 出口， 我们 发现 从 帕累托C 心脏。
UD代码 变成 较少的 批判的 从 26 ％ 到 8 % 仅有的。
这 第三和 那里 4 % 经过 变化 到 遏制 从 出去 代码。
现在， 查看 a 贡献 排行 这里。
这 数字 二 变得 工作站 反而 的 国家 不再是了。
在模型中 简化，
这里， 提升 额外的 6 % R 正方形 经过 模型 简化。
前 简化 模型，
这 加 是 全部 设想 在下面 考虑，
但 喜欢 减 二， 许多 类别 可能 稀 预测 力量。
在 简化 模型，
过滤 出去 次要的 类别 和 更少 计数，
喜欢 消除 60 % 类别 的 工作站，
这 全部的 数量 减少 到 270 从 426.
查看 再次， 这 贡献 排行，
这 缺点 类型 和 我们的 工作站 是 仍然 这 数字 一 和 这 数字 二。
现在， 我们 有 更多的 信心 到 使用 这 模型
到 预测 这 但 以及 SA。
为了 分割 树 模型优化
作为 I 提及 前，
这 主要的 贡献者 是 缺陷类型 & 工作站
大约 帕累托 C 占 80%。 概念。
比较 SA中的缺陷类型 和FA 预言。
为了 在 这里， 它是 标签 问题。
制造 感觉， 我们 不 花费 更多的 时间 到 使固定 每一个 问题。
为了 但， 它是 损害。
是的， 它 会 拿 很多 更多的 循环 时间。
关于 a 工作站 比较 之间 在 和 但
PVD 机械的 和 心血管疾病 模块 测试员。
现在， 它 仍然 需求 更远 分析 和 理解。
关于 英足总 国家 这里， 在 a 轮廓 或者 预言 轮廓 是 平坦的。
不 t 国家 影响 QN 固定 循环 时间？
是 对吧？
到 回答 这 问题 这里， I 介绍 这 模型 局限性，
递归 分割。
递归 分区， 顺序 依赖关系 风险。
因素 国家 是 传播 六 次数，
和 仅有的 一 时间 发生 在 更高 循环 时间 簇。
这样的 递归 依赖关系 局限性 可能 影响 预测 模型。
这 第三款模型，
神经 网络 （人工智能）。
这里 观察 严重 过度拟合 忧虑
之间 训练 和 这 变化 R 平方。
如果 R 平方 之间 训练 放 和 V 艾迪 放
是 超过 20 %。 它 有 过度拟合 忧虑。
除了， 我们 寻找 把它放 神经 模型，
这 数字 一 排行 是 工作站，
和 这 数字 二 是 过错 经过
哪个 是 不同的 从 以前的 分割 模型。
为了 到， 这 工作站 是 在 舞台搭建，
CCT分期， 在哪里 材料 是 带来 一起
前 进入 制造缺陷 ,
和 它 不 具有竞争力 手术 过程。
一次 这 问题 发生， 它 能 是 固定的 迅速地。
制造 感觉。
为了 但 在 这 CVD服务欺诈，
它 具有竞争力 手术 过程。
是的， 它 做过 到 有 更长 循环 时间 到 对待 难的 问题。
直到 现在， 我们 已经 有 三 模型，
树 模型 分割 和 这 神经 模型，
和 哪个 模型 是 很多 更多的 恰当的 和 见面 现实。
所以，
模型 比较 和 选择，
根本原因分析 图形 工具
损害 问题 替代品，
台湾 心血管疾病 服务欺诈 是 这 最差 设想 和 更长 固定的 循环 时间。
现在， 神经 模型 有 这 完全相同的 设想
作为 这 图形 根本原因分析
但 唯一需要担心的是过度拟合。 风险。
除了， 这 三 模型 有 非常 关闭 预言
在 最糟糕的 循环 时间 之内 1.2 天。
这 最后我将 介绍， 测试 矿业 和 这 数据 矿业 杂交种。
现在 在 QN D 分钟 根据， 它 仍然 有 测试 信使 结果 出色地
到 这样的 更多的 信息 关于 长的 循环 时间 在 QN 测试员 多变的 数据库。
使用 JMP 测试浏览器 到 发现 一些 频率 关键词
这样的 作为 这里， I 圆圈 代替， 重做， 方面 和 这 F10246
一个项目 到 做 更远 分析，
然后 转变 他们 到 二进制 探测器，
执行 a 更远 数据 矿业 和 这 根本原因分析
通过 F10246 案例 热图 图形。
这里， 放 方面 指标 在下面 F10246
和 遏制 代替 和 关于 在工作 和。
根据 到 这 热 地图 结果， F10246
确实如此。 遭受 很多 的 使固定 循环 时间
那 其他 项目 经过 颜色 结果
和 查看 方面 探测器 观察到 是
不是 仅有的 方面 问题， 但 还 我们的 各种各样的 缺陷原因
长的 循环 时间， 甚至 如果 只是 是 固定的 经过 重做。
在 这 结尾， 这里 是 我的收获和心得。
JMP G 绘图 平台 是 非常 强大的 到 执行
更深 r 故障原因分析 通过 工程
和 这 合乎逻辑的， 数据- 驱动 过程
和 比较 和 选择 a 更多的 合适的 JMP 模型
从 经典的 适合 M 诉讼，P 艺术 和 a 神经 网络
经过 会心 这 模型 局限性
和 这 风险 的 连接 到 以前的 图形 根本原因分析。
执行 a 杂交种 文本 M 寒冷的 以及数据挖掘 R oot 原因 分析
在 这 复杂的QN数据库。
最终的， ID 喜欢 到 感谢 地面控制指数 M BB 陈查尔斯 作为 我的 项目 导师
和 那就是 全部 我的 推介会。
感谢 你 为了 你的 时间 和 注意力。
感谢 你。
