| Conférencier |
Transcription |
| Ronald Andrews |
Bonjour ou bon après-midi, selon le cas. Je m'appelle Ron Andrews et le sujet du jour est la budgétisation par écarts. |
| |
Oh, j'ai besoin de |
| |
Partager mon écran. |
| |
Et il y a un fichier que nous allons examiner. |
| |
Et nous allons commencer par |
| |
PowerPoint. |
| |
Le sujet est donc la budgétisation par écart. |
| |
Je suis ingénieur de procédés chez Bausch and Lomb ; vous trouverez mes coordonnées ici. |
| |
Ma hiérarchie exige cette précision. Mes supérieurs ne souhaitent pas nécessairement s'attribuer le mérite de ce que je dis aujourd'hui. |
| |
Aperçu de ce dont nous allons parler |
| |
Quel est le budget des écarts ? |
| |
Un peu d'histoire. |
| |
Quand en aurons-nous besoin ? |
| |
Nous avons quelques exemples. |
| |
Nous allons passer en revue les éléments du processus, le diagramme de cause à effet, recueillir les connaissances préalables, effectuer quelques plans d'expériences pour combler les lacunes, |
| |
Simulations de Monte Carlo, selon les besoins. |
| |
Et nous avons un cas test qui fonctionnera. |
| |
Alors, concrètement, qu'est-ce qu'un budget de variance ? Les ingénieurs mécaniciens aiment parler d'accumulation de tolérances. |
| |
L'accumulation des tolérances est en fait un corollaire de la loi de Murphy, selon laquelle toutes les tolérances s'additionnent dans le sens le plus défavorable. |
| |
Le budget de variance est similaire à une accumulation de tolérances, sauf qu'au lieu de budgétiser le paramètre lui-même, nous budgétisons la variance -- sigma au carré. |
| |
Nous nous basons sur des distributions de forme plus ou moins normale, plutôt que sur des distributions uniformes. |
| |
Les variances s'additionnent, ce qui simplifie considérablement le processus budgétaire par rapport à la prise en compte de notions comme les écarts types. |
| |
Voici un bref exemple. |
| |
Si nous utilisions des stratégies de test et de tri ou de test et d'ajustement, nos distributions ressembleraient davantage à ces distributions uniformes. |
| |
Donc si nous avons une distribution de largeur 1, une autre de largeur 2 et une troisième de largeur 3, si nous les additionnons toutes, nous obtenons une distribution de largeur très proche de 6. |
| |
Dans ce cas, il nous faudra probablement davantage budgétiser les tolérances que les variations. |
| |
…Si nous nous appuyons sur le contrôle des processus, nos distributions seront plus normales. |
| |
Dans ce cas, si nous avons une distribution normale avec un écart type de 1, un écart type de 2, un écart type de 3, nous les additionnons, nous obtenons un écart type de 3,7, beaucoup moins que six. |
| |
Donc, on fait les calculs : 1 au carré plus 2 au carré plus 3 au carré est égal à 3,7 au carré. |
| |
Pour être honnête, sur la diapositive précédente, si j'avais additionné ces écarts, j'aurais obtenu la même somme que pour celle-ci. |
| |
Mais lorsqu'on a une distribution autre que normale, il faut prêter attention à la forme près de la queue. Cela dépend des paramètres que l'on peut définir. |
| |
Donc, |
| |
Quel est le budget des écarts ? |
| |
Les distributions non normales nécessiteront une attention particulière et nous les aborderons plus tard. Pour l'instant, le budget de variance est comparable à un budget financier : il peut être tout aussi arbitraire. |
| |
Il n'y a que trois règles de base. |
| |
Nous convertissons toutes les données en une unité de mesure commune. Nous procédons ainsi pour chaque indicateur de produit d'intérêt, en traduisant toutes les variables de processus pertinentes en fonction de leur contribution à cet indicateur. |
| |
La deuxième règle est assez simple : ne prévoyez pas un budget supérieur à 100 % de la marge de manœuvre autorisée. Oui, ça paraît simple. Pourtant, j’ai constaté que cette règle était bafouée à maintes reprises dans différentes entreprises. |
| |
Troisièmement. Cela vaut pour la vie en général, ainsi que pour l'ingénierie : faites toujours preuve de discernement. |
| |
Petit |
| |
Un peu d'histoire. Ce n'est pas sorcier. D'autres doivent faire quelque chose de similaire. J'ai cherché dans la littérature, mais je n'ai trouvé aucun compte rendu publié d'un procédé comparable. Je suis certain que cela existe, mais je n'ai encore rien trouvé de publié. |
| |
Pour moi, l'histoire a donc débuté dans les années 1980, lorsque je travaillais chez Kodak et que je relevais un défi en matière de gestion. |
| |
Le défi consistait à produire un film sans aucune variation perceptible par les clients. |
| |
En fait, ce qu'ils disaient initialement, c'est produire un film sans aucune variation. |
| |
Aucune variation perceptible. |
| |
Ils définissent cela comme un changement Six Sigma correspondant à une différence inférieure à un seuil de perception. |
| |
Kodak était plutôt bon en ce qui concerne la perception, et toutes ces différences perceptibles étaient définies ; nous savions exactement de quoi il s'agissait. |
| |
Pour un film diapositive comme le Kodachrome, sur lequel je travaillais... |
| |
C'est ce sur quoi je travaillais à l'époque, l'équilibre des couleurs était le plus grand défi. |
| |
Ici, dans ce diagramme simplifié de cause à effet, l'équilibre des couleurs est fonction de la vitesse du vert, de la vitesse du bleu et de la vitesse du rouge. |
| |
J'ai maintenant développé l'un de ces aspects. Concernant la vitesse du rouge, j'ai identifié le colorant absorbeur cyan et l'une des émulsions comme facteurs contribuant à cette vitesse, ce qui influe sur la balance des couleurs. |
| |
Il s'agit d'une version très simplifiée. En réalité, il y a trois émulsions différentes dans l'échantillon rouge, trois autres dans l'échantillon vert et deux autres dans l'échantillon bleu. Au total, ce sont 75 facteurs qui contribuent à l'équilibre des couleurs. |
| |
Il ne s'agit pas de simples contributeurs potentiels, mais de contributeurs confirmés. La tâche est donc ardue. |
| |
Passons maintenant à la question de savoir quand nous avons besoin d'un budget d'écart. |
| |
Voici un petit arbre de décision humoristique. Y a-t-il du désordre à la maison ? Si non, tout va bien. Si oui, |
| |
Combien d'enfants avons-nous ? S'il n'y en a qu'un, nous savons probablement à qui incombe la responsabilité. S'il y en a plus, il nous faudra sans doute établir un budget. |
| |
Voici un exemple de travail que nous avons réalisé il y a quelques années sur un projet de lentilles de contact chez Bausch and Lomb. |
| |
Cela se passait bien avant sa commercialisation. Nous avions du mal à respecter nos spécifications de diamètre. |
| |
plus ou moins deux dixièmes de millimètre |
| |
Nous avions du mal à atteindre cet objectif. |
| |
Nous avons examiné de nombreuses sources de variabilité et nous avons réussi à caractériser chacune d'elles. |
| |
Donc, d'un lot à l'autre. Et ce, avec les mêmes matières premières et les mêmes paramètres de consigne, la variabilité est assez importante. |
| |
D'un objectif à l'autre au sein d'un même lot, la variabilité est moindre. |
| |
Composant monomère n° 1, nous changeons occasionnellement de lots, |
| |
variabilité extrême. Le composant monomère n° 2 présentait également une variabilité assez importante. |
| |
Nous mélangeons maintenant nos monomères et obtenons un procédé assez performant et précis. Il n'est pas parfait, ce qui nous permet d'estimer la variabilité. |
| |
C'est une contribution assez mineure. |
| |
Nous avons placé le monomère dans un moule et l'avons exposé à des lampes de polymérisation pour le durcir. |
| |
L'intensité des lampes peut également avoir une incidence. Nous pouvons ainsi estimer cette source de variabilité. |
| |
Nous additionnons toutes ces distributions. |
| |
Et voici notre répartition globale. |
| |
Cela va bien au-delà des limites de spécification aux deux extrémités. |
| |
Écart type de 0,082 |
| |
Et comme je l'ai mentionné, des éléments de spécification de plus ou moins 0,2 nous donnent un PPk de 0,81. Pas terrible. |
| |
Pourcentage de valeurs hors spécifications estimé à 1,5 % |
| |
Ça aurait pu être acceptable si ça avait été vraiment aussi bon, mais ça ne l'était pas. |
| |
Cette estimation suppose que chaque lentille est un événement indépendant. Or, ce n'est pas le cas. Nous fabriquons les lentilles par lots. |
| |
et il y a... chaque lot a un certain ensemble de matières premières dans un certain ensemble de conditions initiales. |
| |
Au sein de ce groupe, il existe une forte corrélation. |
| |
Et |
| |
Deux des composants que j'ai mentionnés, deux composants monomères qui ont apporté des contributions importantes, il y a |
| |
En observant cette zone, on peut parfois apercevoir la ligne jaune et la ligne rose. Elles représentent la variabilité introduite par ces deux composants monomères. |
| |
Lorsque les deux éléments se trouvent du même côté de la ligne centrale, ils repoussent le diamètre vers les limites spécifiées, et d'autres sources de variabilité viennent s'ajouter aux possibilités. |
| |
Un autre problème est que |
| |
Notre limite de 0,2 s'applique à chaque lentille. Nous avons procédé ainsi : nous effectuons un tri par lots. Ce graphique prédit donc les moyennes par lot. Cependant, lorsque la moyenne par lot atteint 0,175, il est probable que nous ayons un nombre important de lentilles défectueuses, dépassant la limite. |
| |
Donc, au total, en additionnant |
| |
Nous estimons que 4 % des lots seront mis au rebut. |
| |
Et ça va arriver par vagues. Il y aura des semaines où on ne pourra pas traiter la moitié de nos lots. |
| |
C'est donc hors de question. Il nous faut apporter des améliorations majeures. |
| |
La variabilité d'un lot à l'autre due aux deux composants monomères a contribué de manière significative à cette variabilité. |
| |
Nous avons examiné et constaté que la pureté globale du monomère 1 était un facteur important et que certaines impuretés dans le monomère 2, lorsqu'elles étaient présentes, y contribuaient. |
| |
Nos chimistes ont examiné les voies de synthèse de ces ingrédients et ont constaté qu'un seul matériau de départ était à l'origine de la plupart des impuretés. |
| |
Ils ont recommandé à nos fournisseurs de distiller cet ingrédient de départ afin d'éliminer les impuretés. |
| |
Cela a permis d'apporter des améliorations majeures. |
| |
Nous avons également installé des variateurs sur les lampes de polymérisation pour contrôler l'intensité. |
| |
L'intensité de la lampe n'était pas un facteur déterminant, mais c'était facile. Et quand c'est facile, on améliore les choses. |
| |
À proprement parler, il s'agissait d'une évaluation des écarts, et non d'un budget des écarts. Nous n'avons jamais fixé d'objectifs chiffrés pour chaque composante. |
| |
Nous revoilà au point de départ… nous nous contentons en quelque sorte de cueillir les fruits mûrs. Je veux dire, nous avons trouvé deux facteurs qui expliquent une grande partie de la variabilité. |
| |
Peut-être avons-nous besoin d'une structure un peu plus solide pour atteindre les branches supérieures, maintenant que nous devons viser plus haut. |
| |
État actuel des dimensions et du diamètre de la lentille. |
| |
Le PPk est de 2,1. Le produit est commercialisé depuis quelques années. Ce n'est plus le problème. |
| |
Nous avons apporté des améliorations majeures à ces composants principaux. Nous continuons à travailler dessus. Une légère variabilité subsiste ; certes, mais cela ne pose plus de problème depuis longtemps. |
| |
La question fondamentale est donc : que faire ? |
| |
appliquer des données à un budget d'écart ? |
| |
Peut-être faudrait-il réduire un peu cette part d'arbitraire. |
| |
Nous devons commencer par choisir une mesure de produit qui nécessite des améliorations. |
| |
Nous devons identifier les contributeurs potentiels, à l'aide de diagrammes de cause à effet, un outil pratique. |
| |
Nous devons recueillir des informations préalables. Nous devons connaître le niveau de sensibilité. |
| |
La mesure du produit divisée par la mesure du processus ; quelle est la pente de cette droite ? |
| |
Nous allons avoir besoin de quelques ministères de l'Énergie pour combler les lacunes. |
| |
Nous devons estimer le degré de difficulté lié à l'amélioration de certains de ces facteurs. |
| |
Et |
| |
Nous estimons la variance de chaque composante, puis nous répartissons cette variance, l'objectif de variance totale, entre les contributeurs. |
| |
Ça a l'air assez simple. |
| |
Prenons un exemple. |
| |
Imaginons que nous travaillions sur un nouveau projet. Nous avons alors intégré une nouvelle mesure de produit appelée CMT (pour transfert de modulation en cascade) afin d'évaluer la netteté globale de l'image. C'est particulièrement important pour les lentilles de contact. |
| |
L'objectif est de 100, plus ou moins 10. |
| |
Nous voulons un PPK d'au moins 1,33 |
| |
Cela signifie que l'écart type doit être inférieur ou égal à 2,5. |
| |
La variance doit être inférieure ou égale à 6,25. |
| |
Quels facteurs pourraient être impliqués ? |
| |
Prenons l'exemple d'un diagramme de cause à effet. |
| |
Nous pouvons utiliser JMP pour créer un tableau. Nous commençons par lister les CMT. |
| |
Dans la colonne parente, nous listons les étapes de fabrication. Ensuite, dans la colonne enfant, nous listons chacune d'elles. |
| |
Ensuite, nous listons ces facteurs enfants du côté parent, puis nous listons les sous-facteurs. Ces sous-facteurs sont évidemment génériques et arbitraires ; tout cela est hypothétique. |
| |
Et nous pouvons aller aussi loin que nous le souhaitons. Nous pouvons avoir autant de branches dans le diagramme que nous le voulons, mais |
| |
Nous avons identifié ici 14 facteurs potentiels. |
| |
On accède donc à la boîte de dialogue appropriée, on identifie la colonne parente et la colonne enfant. On clique sur le bouton OK et le diagramme de cause à effet apparaît. |
| |
Petite parenthèse : j’utilise JMP depuis 30 ans. Je n’ai que très peu de regrets. Celui-ci en est un. Et mon regret est de ne l’avoir découvert que l’année dernière. |
| |
Je ne sais pas exactement quand cet outil a été mis en place. J'aurais aimé le découvrir plus tôt, car c'est la méthode la plus simple que j'aie trouvée pour générer un diagramme de causes et effets. |
| |
Nous devons donc recueillir les données de sensibilité. |
| |
La physique nous apporte parfois la réponse. |
| |
En optique, si l'on connaît l'indice de réfraction et le rayon de courbure, cela peut nous donner des informations sur la puissance optique de la lentille. |
| |
En physique, nous avons parfois besoin de données expérimentales, et souvent même. |
| |
Donc, |
| |
Interrogez les spécialistes du sujet. Peut-être que certains ont mené des expériences qui pourraient nous éclairer. |
| |
Nous allons avoir besoin d'expériences bien conçues, car il est impossible que les 14 facteurs aient tous été pris en compte. |
| |
À mon avis, les données historiques occupent une place bien plus bas dans la liste. |
| |
Et si vous avez utilisé des données historiques pour générer des modèles, vous connaissez certaines des préoccupations qui m'inquiètent. Nous devons être très prudents avec cela. Les données historiques, |
| |
C'est généralement désordonné ; c'est |
| |
Il y a beaucoup de chiffres mal identifiés, parfois des éléments dans la mauvaise colonne ; un important travail de nettoyage est nécessaire. De plus, il existe une très forte corrélation entre les facteurs. |
| |
La pratique courante consiste à réserver 25 % des points de données de manière aléatoire, à mettre ces données de côté pour confirmation, à générer le modèle avec 75 % des données, puis à le tester avec les 25 % de données de réserve. |
| |
Si ça marche, on tient peut-être quelque chose d'utile. Sinon, n'y touchez pas. |
| |
Afin de recueillir des informations préalables, nous souhaitons demander à des experts du domaine de contribuer indépendamment à toutes les données sensibles dont ils disposent. |
| |
Je m'inspire d'une présentation faite l'an dernier au Discovery Summit par Cy Wegman et Wayne Levin. |
| |
Voici leur suggestion pour recueillir des informations préalables afin d'éviter le syndrome de la voix la plus forte qui impose ses règles. |
| |
Parfois, un ingénieur discret, assis au fond de la salle, peut avoir des informations importantes à transmettre. |
| |
Ils ne s'exprimeront peut-être pas. Nous souhaitons donc obtenir ces informations. Commençons par interroger chaque personne individuellement. |
| |
Ensuite, réunissez les personnes concernées et discutez des divergences. Il y en aura forcément. |
| |
Où se situent les lacunes ? Quels paramètres nécessitent encore des informations sur leur sensibilité ou leur distribution ? |
| |
Quels paramètres pouvons-nous écarter ? |
| |
Je voudrais trouver ceux-ci. |
| |
Quels paramètres sont conditionnels ? |
| |
Cela n'arrive pas très souvent, mais dans notre processus de fabrication de lentilles de contact, nous incluons des indicateurs biologiques à chaque cycle de stérilisation. |
| |
Ces indicateurs sont intentionnellement biaisés afin que les faux positifs soient beaucoup plus probables que les faux négatifs. Lorsqu'un échec est constaté à ce test, |
| |
On stérilise à nouveau. On sait que notre protocole de stérilisation était probablement correct, mais on stérilise encore. Il arrive donc qu'on stérilise deux fois. Cela peut avoir un léger impact sur nos dimensions. C'est minime, mais mesurable. |
| |
Nous allons donc devoir planifier des expériences pour mieux comprendre les sensibilités à des choses que nous ne connaissons pas. |
| |
Nous examinerons les données de distribution de la production ; il convient de les utiliser avec prudence afin d’évaluer la sensibilité. Elles nous permettront d’obtenir des informations sur la variabilité de chaque composant et sur la variabilité globale de l’indicateur de produit qui nous intéresse. |
| |
Il nous faut consigner certaines informations au fur et à mesure. Nous pouvons partir du tableau utilisé pour générer le diagramme de causes et effets et y ajouter quelques colonnes. |
| |
Renseignez les champs relatifs aux sensibilités, aux unités de mesure et aux différentes colonnes. N'importe quel type de tableau fera l'affaire. Il suffit de conserver les données et de les tenir à jour. |
| |
Nous allons avoir besoin de quelques ministères de l'Énergie pour combler les lacunes. |
| |
Il existe des techniques plus récentes — plans de criblage définitifs, plans orthogonaux de groupe super saturés — |
| |
offrir un bon rapport qualité-prix lorsque la situation s'y prête. |
| |
Dans cette situation particulière, nous avons 14 facteurs. |
| |
Nous avons consulté nos experts en la matière. |
| |
Certains ont suffisamment d'expérience pour prédire certaines indications de direction, mais personne ne dispose d'une estimation précise des pentes réelles. Il nous faut donc évaluer 14 facteurs. J'aimerais beaucoup effectuer une simulation DSD qui ne nécessite pas 33 itérations, mais mon budget ne me le permet pas. |
| |
Nous allons donc recourir à un plan d'expériences personnalisé. |
| |
Donc, |
| |
Accédez à la fonction DOE personnalisée et ensuite... cela fait assez longtemps que nous utilisons PowerPoint... il est temps de faire une démonstration en direct de quelques fonctionnalités dans JMP. |
| |
Cela relèverait de la conception personnalisée du DOE. |
| |
Et |
| |
Vous n'êtes pas obligé, mais il est fortement recommandé de renseigner les informations de réponse. |
| |
(si je peux l'écrire correctement). |
| |
Cible correspondante |
| |
de 90 à 110. |
| |
L'importance de 1 n'a d'importance que si nous avons plus d'une réponse. Les facteurs. |
| |
J'ai mon fichier, je peux donc les charger rapidement. Voici les 14. |
| |
des facteurs. |
| |
Ce facteur contraint, |
| |
Je ne l'ai jamais utilisé. Mais je sais qu'il existe si une combinaison de facteurs s'avère dangereuse. Je sais que nous pouvons l'interdire. |
| |
La spécification du modèle. C'est probablement la partie la plus importante. |
| |
Il s'agit essentiellement d'une opération de sélection. Nous allons simplement examiner les principaux effets. |
| |
Nos experts en la matière estiment désormais que ces interactions sont peu probables. |
| |
Et |
| |
Une non-linéarité est possible, mais il est peu probable qu'elle soit importante. |
| |
Nous allons donc les ignorer pour le moment, du moins pour l'expérience de dépistage. |
| |
Nous n'avons pas besoin de bloquer cela. |
| |
Nous n'avons pas besoin de points centraux supplémentaires. |
| |
Pour 14 effets principaux, JMP indique un minimum de 15, c'est une évidence, 20 par défaut. |
| |
J'ai constaté qu'avec un budget permettant d'utiliser les paramètres par défaut, c'est un bon point de départ. Je peux faire 20 exécutions ; 33, c'était trop. Je peux gérer 20. |
| |
Réalisons ce design. |
| |
J'ai laissé cela en unités de conception. Voici un exemple hypothétique. Je n'avais pas envie de remplacer ces unités arbitraires par d'autres unités arbitraires. |
| |
Nous disposons d'une suite complète d'outils d'évaluation conçus à cet effet. |
| |
Deux exemples que je consulte habituellement : l’analyse de puissance. |
| |
Si l'erreur quadratique moyenne estimée à 1 est raisonnable, alors ces estimations de puissance le seront également. 0,9 et plus, c'est très bien. J'apprécie. |
| |
L'autre chose que je regarde habituellement, c'est la carte des couleurs des corrélations. |
| |
J'aimerais bien en faire une carte des couleurs. |
| |
Et c'est assez compliqué. Nous avons 14 effets principaux, et je dois avouer que je n'ai pas compté toutes les interactions à deux facteurs. Ce que nous recherchons, ce sont les effets confondants, c'est-à-dire la présence de deux blocs rouges sur la même ligne. |
| |
Eh bien, je ne vois pas ça. C'est bien. Nous avons du bleu foncé là où il n'y a pas de corrélation. Nous avons du bleu clair là où il y a une légère corrélation. Et nous avons du rose clair là où |
| |
Il s'agit peut-être d'un coefficient de corrélation de 0,6. |
| |
C'est acceptable. Tant qu'il n'y a pas de confusion totale, on peut probablement estimer les causes de l'effet. |
| |
Voilà qui est bien. Passons à la suite, dressons la table. |
| |
Eh bien, voici notre conception. |
| |
J'ai l'espace nécessaire pour saisir les résultats. |
| |
Je vais m'inspirer de l'école de cuisine de Julia Child. |
| |
Préparez le tout, puis enfournez. Ensuite, sortez du four un fichier préalablement préparé contenant déjà l'expérience réalisée. Voici les résultats. |
| |
Nous souhaitions que les valeurs de CMT se situent entre 90 et 110. |
| |
On en a quelques-unes ici, dans les années 80. Il y a la 110,5, on a la 111 ici. |
| |
Il semblerait que nous ayons un peu de travail à faire. |
| |
Allons-y |
| |
analyser les données. |
| |
Tout est prêt. Il y a une réponse. Voici tous les facteurs. Nous voulons le rapport de sélection. Cliquez sur « Exécuter ». |
| |
r au carré .999. |
| |
Oui, ça se voit que ce sont des données fictives. J'aurais probablement dû augmenter un peu le facteur de bruit. |
| |
Les six premiers facteurs sont très significatifs ; les huit suivants, beaucoup moins. |
| |
J'ai eu la flemme quand je l'ai généré. |
| |
J'y ai mis quelque chose pour les six premiers. |
| |
Normalement, nous éliminons les facteurs insignifiants. |
| |
Nous pouvons donc soit tous les éliminer d'un coup. |
| |
J'ai tendance à les faire un par un. |
| |
Éliminez à chaque fois le facteur le moins significatif et observez son impact sur les autres chiffres. Parfois, cela change, parfois non. |
| |
Éliminez celui-ci et il semble que Cure1 se soit glissé sous le fil, .0478. |
| |
C'est légèrement inférieur à 0,05. Je doute que ce soit important, mais nous allons le laisser tel quel. |
| |
On examine donc les résidus ; c'est plutôt aléatoire, c'est bon signe. Les résidus studentisés sont également plutôt aléatoires. |
| |
Nous devons examiner les estimations des paramètres. |
| |
Voilà ce pour quoi nous avons payé. |
| |
Ce sont les |
| |
Les coefficients de régression correspondent aux pentes que nous recherchions. Ce sont les sensibilités. |
| |
C'est pourquoi nous avons réalisé cette expérience. Étant plutôt visuel, je consulte toujours le profileur de prédiction. |
| |
Et une des choses que j'aime ici... eh bien, je regarde toujours... le graphique des pentes et je regarde... |
| |
J'examine les intervalles de confiance, qui sont assez étroits. On distingue à peine un intervalle bleu. J'aime aussi utiliser le simulateur lorsque je dispose d'informations sur les données d'entrée, afin de pouvoir saisir la variabilité pour chacune d'elles. |
| |
Maintenant, si vous me permettez d'utiliser à nouveau l'approche de Julia Child et de revenir à |
| |
l'exemple préparé précédemment où j'ai déjà saisi |
| |
les variations de chacune de ces variables. À partir de l'outil Moule 1, j'ai entré une expression qui produit une distribution bimodale. |
| |
Et pour l'outil Moule 2, saisissez une distribution uniforme. |
| |
Et je dois dire, pour défendre mes amis de l'atelier d'outillage, |
| |
La distribution bimodale ne se produit que dans une situation... comme celle qui s'est produite le mois dernier. |
| |
Les outils que nous souhaitions utiliser étant déjà occupés en production, nous avons, pour expérimenter, utilisé d'anciennes versions. En fait, nous avons même mélangé plusieurs versions. |
| |
Dans ce cas, on peut obtenir une distribution bimodale. |
| |
Cette répartition uniforme est impossible avec ces gars-là. Ils visent toujours le point central et s'en sortent généralement à quelques microns près. Les autres répartitions sont toutes normales. |
| |
Largeurs variables. Dans un cas précis, nous avions une légère préférence. |
| |
Voici les distributions des données d'entrée. Voici les résultats prévus. |
| |
Même si nous avions des distributions initiales non normales, nous avons une distribution de sortie à peu près normale. |
| |
Cela va bien au-delà de nos objectifs. |
| |
On s'en doutait plus ou moins. |
| |
Par défaut, le nombre d'exécutions est de 5 000. Je l'augmente généralement à environ 100 000. Cela ne prend pas plus de temps et permet d'obtenir des distributions plus homogènes. |
| |
Il génère également un tableau ici, nous pouvons créer le tableau. |
| |
Déplacez ceci ici. C'est un gros avantage. |
| |
c'est que nous pouvons obtenir |
| |
(Je ne veux pas encore de cette méthode CMT)... examinons la répartition des facteurs d'entrée. |
| |
Voici un graphique plus grand et plus sophistiqué. Il s'agit de notre distribution bimodale, uniforme, ces différentes distributions normales, de largeurs variées ; celle-ci présente une sorte de biais. |
| |
Nous pouvons donc prendre tout cela et |
| |
Nous les avons additionnés. |
| |
Nous examinons ceci |
| |
et nous avons une distribution. |
| |
Ça a l'air plutôt normal. Même si certaines entrées n'étaient pas normales. |
| |
Nous pouvons utiliser des techniques conventionnelles pour cela. Donc, lorsque nous commencerons à définir les spécifications, |
| |
Cela dépasse nos limites de spécifications. Nous allons donc devoir apporter des améliorations. Faites défiler vers le bas pour consulter les informations sur les capacités. |
| |
PPk à .6. |
| |
C'est tout simplement inacceptable. L'industrie manufacturière n'acceptera jamais un tel procédé. |
| |
Nous devons donc apporter des améliorations significatives. |
| |
Alors retournez au |
| |
Fichier PowerPoint. |
| |
Et je fais défiler les diapositives qui me servaient de sauvegarde au cas où j'aurais un problème avec |
| |
Version live de JMP. |
| |
Le problème vient de moi, pas de JMP. |
| |
Voici donc les facteurs. |
| |
Les écarts types proviennent de nos essais de préproduction et permettent d'estimer la variabilité. Les sensibilités, quant à elles, sont issues de notre plan d'expériences. |
