你好， 好的 早晨。 好的 各位晚上好。
我的名字 來自 Raisa。
我是 a 製造業 品質 工程師 的 應用 材料， 台灣.
I 開始 到 學習 JMP 在 開始 的 這 年。
最近， I 經過 編輯此 認證 考試
和 分數， 925 在 這 七月。
今天， ID 喜歡 到 製作 a 短的 推介會
關於 QN 即時修復 時間分析 經過 JMP。
作為 我們 知道， 一次 a 品質 通知 治癒 是 已創建，
它 必須 拿 額外的， 更多的 或者 較少的 時間 到 使固定 問題，
和 可能 影響 在 生產 規劃 和 安排日程。
所以， 我們會 喜歡 到 尋找 a 最差 案件 經過 分析。
好的。
為了 分析， 這裡 是 五 s ub 主題 在 議程。
第一的， 這 根 原因 分析 的 問： 修復週期 時間，
圖形 根本原因分析總結
比較擬合模型、分區、 神經模型
和 然後是H 雜交 文字 M 寒冷的
和 這 數據 礦業 分析。
最後， 拿 離開 學習心得。
好的， 我們來吧 得到 開始了。
直方圖。
第一 層 的 根本原因分析 的 問： 使固定 循環 時間。
前 調查， 思考 關於 那。
哪些場景 影響 在 QN 修復 週期 T 要做
和 如何 長的 是 可以忍受嗎？
首先，
定義 五 天 作為 a 標準
和 也 a 鑰匙 狀態 到 遵循C-wide 傳播 i n 措詞
和 之內 五 天，
我們 規格 和 成功 標準。
在 這 其他 手， 超過 五 天 出去 的 規格 失敗 分析，
之後， I 製作 直接地 a 分解 到 在 和 足協。
注意 這 陰影 的 分配 之間 在 和 這 但。
同時， 看 在 這 馬賽克 陰謀
為了 這 部分 的 每個 類別
到 推論 a 潛在 r 原因
為了 這 成功 分析。
我們 能 看 這 做工 和 製造返工，
似乎 到 有 快的 回覆 和 更好的 使固定 循環 時間。
為了 但 方面 問題， 拿 更多的 使固定 循環 時間。
它 是 明顯的 變化 在 FA時間。
分配 之間 在 和 這 但，
認為 如果 FA 時間 是 一 的 這 鑰匙 因素，
S1 至 影響 f 和 c 自行車 時間。
這 盒子 P 很多。
箱線圖是 a 圖形 的 這 分配 的 連續的 多變的。
所以， 陰謀 繼續 固定的 循環 時間 比較嵌套式 結構，
分類 國家 在下面 遏制
到 搜尋 其他 因素 影響 使固定 循環 時間 或者 不是。
它 顯示器 這 五- 數位 概括 的 設定 數據。
它 是 非 參數 工具 到 使用 中位數 作為 中央 趨勢。
除了， 那裡 是 一些 觀察 在 箱線圖 圖形。
首先，在 至少 七 觀點 到 探測 這 第一個異常值。
否則， 它 變成鬍鬚（傾斜） 團體 問題
在哪裡 樣本 尺寸 是 較少的 比 七 .
第二，觀察到 螺絲 分配
經過 盒子寬度 或者 鬍鬚長度。
如何 到 處理 邊緣 異常值，
哪個 是 我們 思考 雙西格瑪 GRR 噪音 從 鬍鬚
和 後退 到 這 根本原因分析
它 是 不是 難的 到 尋找 a 回收 時間
的 這 遏制 替代品
是 很多 更長 比 其他 遏制。
和 和 那，
X₂ 容器 和 X₃ 國家 這裡。
熱力圖。
熱圖 是 其他 圖形 工具
背叛 數據 價值 經過 顏色。
A 迄今為止， 我們 收集 三 輸入 因素，
缺陷類型 直方圖， 遏制 和 國家 從 箱線圖
和 在 命令 到 跟隨 學習季度 影響
季度投入 影響 在 固定的 循環 時間。
這裡 在 後退 分類 稱為缺陷類型 在 Y軸
和 這 顏色 循環 時間
和 保持 公車 預後 結構。
分類 國家 在下面 遏制 在 X 和 X 團體。
然後 使用 8 經過 9 佈局 看 平衡
到 迅速地 抓住 出去 這 最大限度
和 這 最低限度 週期 場景。
為了 但， 它 是 簡單的 到 尋找 a 小的 紅色的 區域， 正確的？
這 圖書館 亮點 這 最長 使固定 循環 時間。
就這樣，替換 台灣 損害 部分，
在 這 最差 案件 為了 循環 時間。
這 替代品 團結的 各州
和 這 方面 問題 部分 是 這 第二 最差 設想。
為了 在 是 放 為了 方面 和 損壞缺陷。
其他的 是 簡單的 到 迅速地 使固定。
為了 帕累托C 心，
到 更遠 分析 這 但 和 在 從 熱圖 ,
熱圖必須 使用 二- 維度 帕累托 圖表 經過 到 多變的
缺陷類型 和 這 國家 在下面 具體的 遏制。
這裡 是 X₁ 缺陷類型
X₂ 遏制 和 X₃ 國家 我們 提及 前。
然後 添加 額外的 工作站 X₄ 這裡
在 這 課程 帕累托C 哈特 到 視覺化 頻率 事件。
現在 為了 FA故障 分析，
我們 得到 替換 高的 工作供應商 損害 問題，
頻繁地 發生 在 心血管疾病 服務 詐欺罪
或者 替換 團結的 各州 供應商 方面 問題
常 發生 在 心血管疾病 工作站。
在 這 相同的 方式 為了 X 分析，
相反的是 方面 問題 或者 損壞缺陷
團結的 事先的， 功能性 和 a 做工 問題
能 迅速地 使固定 在 心血管疾病 主要的 測試。
現在， 我們 有 四 輸入 因素 和 在 和FA 頻率。
為了 介面，我們 是 更多的 對……的興趣
是 經過 或者 失敗 頻率 或者 純的 循環 時間。
然後 製成表格。
這裡 放 我們的 以前的 提到 的 因素 X₁ 至 X₄ 為了 在 製成表格。
同時， 製表 純的 循環 時間 和 頻率 進入 a 帳戶
到 做 更遠 比較。
為了 FA，CVD 服務 欺詐罪， 損害 問題，
台灣 供應商 要求 替代品，
確實需要一段時間 更長 週期
雖然 這 頻率 是 現在 這 最高，
喜歡 七 時代 這裡，
這 方法 的 這 循環 時間， 34 天數是 很多 更長 比 其他的。
為了 到， 在 CVD馬達 測試，
我們 能 措施 問題 在 團結的 各州 事先的
和 固定的 經過 MFG re 工作。
甚至 那裡 是 僅有的 一 天 在 這 桌子，
但 這 頻率 和 是 遠的 也 低的 到 是 真的。
這裡 I 總結 這 要點。
跟隨 根本原因分析
使用 不同的 圖形 JMP 平台
在 工程 和 大的 焦散
順序 到 導電前 根本原因分析。
在 以前的 滑動， I 展示 直方圖 箱線圖
熱圖、帕累托圖 圖表 和 這 製成表格。
第二， 確認 a 潛在的 輸入 X
到 保護 問： 固定的 循環 時間。
A 根據 到 這 製表， 這 FA結果 從 a 損害 問題，
替代品， 台灣 供應商 和 心血管疾病 服務 工作站。
下一個， 建造 a 模型 到 預測 問： 使固定 循環 時間
和 驗證 的 這 根 原因。
前 進入 每個 模型的 細節，
這裡， ID 喜歡 到 介紹 模型 選擇 和 這 首先進行比較。
這 合身 模型， 考慮 數據 結構 和 a 分配。
這裡 是 一些 挑戰 在 合身 模型。
為了 傾斜 分配， 使用 紀錄 轉變， 但 不 幫助。
所有輸入 多變的， X₁ 至 X₄ 是 分類 類型。
後 I 建造 我們的 60 % 的 工作站 類別，
R平方值增加 6 % 僅有的。
查看 依賴關係 之中 a 分類 多變的
透過通訊 分析部分。
它 是 低的 風險 因為 這 更近 事物 是 到 a 地區，
這 較少的 清楚的 那 他們 大概 是。
在 其他 單字， 這 更遠 離開 這 更多的 清楚的。
第二， 鄰近 之間 標籤 大概 表明 a 相似。
為了 分割 樹 模型，
這 加 積分 是 分配 自由的 模型，
分裂 基於 在 數據 可用的，
小的 過度擬合問題
但 減 積分 遞迴 分裂。
所以， 使用 JMP 投影儀 螢幕 經過 隨機的 森林
到 平均的 a 遞迴 產品
和 尋找 出去 a 五 輸入 因素 和 他們的 排行。
它 是 方便的 和 a 迅速地 方式 到 尋找 重要的 輸入
到 最佳化 或者 提升 模型。
關於 a 神經 網路，
這 加 積分 是 強的 轉型 模型，
二 步驟 訓練 和 a 驗證 模型。
然而， 這 減 是 重要的 過度擬合問題 .
哪個 模型 是 更多的 恰當的 到 是 相信
那 去 透過 每個 模型 結果？
來 後退 以適應 模型， 主要的 事件 僅有的。
如果 我們的 分數 不是 高的，
僅有的 30 % 錯了，
因為 數據 是 劇烈 右偏。
觀察到顯著 等級 的 風險，
所以 最大限度 R- 方塊 大約 只是 47 % 是 不是 值得
和 使用 紀錄 轉型 的 這 循環 時間 多變的
到 避免 a 消極的 數位 的 95 % 信心 間隔，
但 不 幫助 很多 所以日誌 選擇 是 出去。
這 下一個 是 分割 樹 模型。
這裡 是 三 分割 模型，
是 基線 模型，
模型增強
和 a 模型 簡化。
經驗 a 系列 的 改進 每 工程 和 這 邏輯 思維
那個R 方塊 改進 到 62 % 從 38% 基線 模型。
全部 細節 將要 展示 你 步 經過 步 在 下列的 滑動。
模型 增強。
期間 這 步， 我們 提升 模型 20 %。
在哪裡 是 他們 從？
第一的， 他們 將要 展示 提升。
這裡， 變化 QN年齡 到 立即修復 循環 時間
為了禮儀 經驗， 但 不 幫助。
第二， 6% 和 添加 一 X 因素 工作站。
記住 它 是 出口， 我們 發現 從 帕累托C 心臟。
UD程式碼 變成 較少的 批判的 從 26 ％ 到 8 % 僅有的。
這 第三和 那裡 4 % 經過 變化 到 遏制 從 出去 代碼。
現在， 查看 a 貢獻 排行 這裡。
這 數位 二 變得 工作站 反而 的 國家 不再是了。
在模型中 簡化，
這裡， 提升 額外的 6 % R 方塊 經過 模型 簡化。
前 簡化 模型，
這 加 是 全部 設想 在下面 考慮，
但 喜歡 減 二， 許多 類別 可能 稀 預測 力量。
在 簡化 模型，
濾 出去 次要的 類別 和 更少 計數，
喜歡 消除 60 % 類別 的 工作站，
這 全部的 數量 減少 到 270 從 426.
查看 再次， 這 貢獻 排行，
這 缺點 類型 和 我們的 工作站 是 仍然 這 數位 一 和 這 數位 二。
現在， 我們 有 更多的 信心 到 使用 這 模型
到 預測 這 但 以及 SA。
為了 分割 樹 模型最佳化
作為 I 提及 前，
這 主要的 貢獻者 是 缺陷類型 & 工作站
大約 帕累托 C 佔 80%。 概念。
比較 SA中的缺陷類型 和FA 預言。
為了 在 這裡， 它是 標籤 問題。
製造 感覺， 我們 不 花費 更多的 時間 到 使固定 每一個 問題。
為了 但， 它是 損害。
是的， 它 會 拿 很多 更多的 循環 時間。
關於 a 工作站 比較 之間 在 和 但
PVD 機械的 和 心血管疾病 模組 測試員。
現在， 它 仍然 需求 更遠 分析 和 理解。
關於 英足總 國家 這裡， 在 a 輪廓 或者 預言 輪廓 是 平坦的。
不 t 國家 影響 QN 固定 循環 時間？
是 對吧？
到 回答 這 問題 這裡， I 介紹 這 模型 局限性，
遞迴 分割。
遞迴 分區， 順序 依賴關係 風險。
因素 國家 是 傳播 六 次數，
和 僅有的 一 時間 發生 在 更高 循環 時間 簇。
這樣的 遞迴 依賴關係 限制 可能 影響 預測 模型。
這 第三款模型，
神經 網路 (人工智慧).
這裡 觀察 劇烈 過度擬合 憂慮
之間 訓練 和 這 變化 R 平方。
如果 R 平方 之間 訓練 放 和 V 艾迪 放
是 超過 20 %。 它 有 過度擬合 憂慮。
除了， 我們 尋找 把它放 神經 模型，
這 數位 一 排行 是 工作站，
和 這 數位 二 是 過錯 經過
哪個 是 不同的 從 以前的 分割 模型。
為了 到， 這 工作站 是 在 舞台搭建，
CCT分期， 在哪裡 材料 是 帶來 一起
前 進入 製造缺陷 ,
和 它 不 具競爭力 手術 過程。
一次 這 問題 發生， 它 能 是 固定的 迅速地。
製造 感覺。
為了 但 在 這 CVD服務詐欺，
它 具競爭力 手術 過程。
是的， 它 做過 到 有 更長 循環 時間 到 對待 難的 問題。
直到 現在， 我們 已經 有 三 模型，
樹 模型 分割 和 這 神經 模型，
和 哪個 模型 是 很多 更多的 恰當的 和 見面 現實。
所以，
模型 比較 和 選擇，
根本原因分析 圖形 工具
損害 問題 替代品，
台灣 心血管疾病 服務詐欺 是 這 最差 設想 和 更長 固定的 循環 時間。
現在， 神經 模型 有 這 完全相同的 設想
作為 這 圖形 根本原因分析
但 唯一需要擔心的是過度擬合。 風險。
除了， 這 三 模型 有 非常 關閉 預言
在 最糟糕的 循環 時間 之內 1.2 天。
這 最後我將 介紹， 測試 礦業 和 這 數據 礦業 雜交種。
現在 在 QN D 分分鐘 根據， 它 仍然 有 測試 信差 結果 出色地
到 這樣的 更多的 資訊 關於 長的 循環 時間 在 QN 測試員 多變的 資料庫.
使用 JMP 測試瀏覽器 到 發現 一些 頻率 關鍵字
這樣的 作為 這裡， I 圓圈 代替， 重做， 方面 和 這 F10246
一個專案 到 做 更遠 分析，
然後 轉變 他們 到 二進位 探測器，
執行 a 更遠 數據 礦業 和 這 根本原因分析
透過 F10246 案例 熱圖 圖形。
這裡， 放 方面 指標 在下面 F10246
和 遏制 代替 和 關於 在工作 和。
根據 到 這 熱 地圖 結果， F10246
確實如此。 遭受 很多 的 使固定 循環 時間
那 其他 專案 經過 顏色 結果
和 查看 方面 偵測器 觀察到 是
不是 僅有的 方面 問題， 但 也 我們的 各種各樣的 缺陷原因
長的 循環 時間， 甚至 如果 只是 是 固定的 經過 重做。
在 這 結尾， 這裡 是 我的收穫和心得。
JMP G 繪圖 平台 是 非常 強大的 到 執行
更深 r 故障原因分析 透過 工程
和 這 合乎邏輯的， 數據- 驅動 流程
和 比較 和 選擇 a 更多的 合適的 JMP 模型
從 經典的 適合 M 訴訟，P 藝術 和 a 神經 網路
經過 會心 這 模型 限制
和 這 風險 的 連接 到 以前的 圖形 根本原因分析。
執行 a 雜交種 文字 M 寒冷的 以及資料探勘 R oot 原因 分析
在 這 複雜的QN資料庫。
最終的， ID 喜歡 到 感謝 地面控制指數 M BB 陳查爾斯 作為 我的 專案 導師
和 那就是 全部 我的 推介會。
感謝 你 為了 你的 時間 和 注意力。
感謝 你。
