758531_de-DE

liliconcom

Abweichungsbudgets (2020-US-45MP-531)

Ronald Andrews, leitender Verfahrenstechniker, Bausch + Lomb

Wie legen wir interne Prozessvorgaben fest, wenn mehrere Prozessparameter eine wichtige Produktkennzahl beeinflussen? Wir benötigen einen Prozess, um die zulässige Gesamtvariabilität in separate und wahrscheinlich ungleiche Kategorien aufzuteilen. Da sich Varianzen addieren, ist es viel einfacher, jedem Prozessparameter eine Varianz als eine Abweichung zuzuordnen. Wir beginnen mit einer Liste potenzieller Einflussfaktoren auf den relevanten Produktparameter. Ein Ursache-Wirkungs-Diagramm ist dabei hilfreich. Anschließend erfassen wir die bereits bekannten Sensitivitätsinformationen. Wir differenzieren zwischen bekannten und unbekannten Faktoren und planen Versuchsreihen (DOEs), um die Wissenslücken zu schließen. Wir können unsere Vorhersagevarianzen testen, indem wir sie kombinieren, um die Gesamtvarianz des Produkts vorherzusagen. Weicht unsere Vorhersage der Gesamtproduktvariabilität von den tatsächlichen Werten ab, müssen wir einen noch festzulegenden Faktor (TBD-Faktor) hinzufügen. Sobald wir ein umfassendes Modell haben, können wir mit der Budgetierung beginnen. Die Varianzbudgetierung kann genauso willkürlich sein wie die Finanzbudgetierung. Wir können nach leicht umsetzbaren Optimierungspotenzialen suchen. Möglicherweise müssen wir finanzielle Mittel für Projekte zur Verbesserung der Faktoren bereitstellen, um unsere Budgetziele hinsichtlich der Abweichungen zu erreichen.

Automatisch generiertes Transkript...

Lautsprecher	Transkript
Ronald Andrews	Guten Morgen bzw. guten Tag. Mein Name ist Ron Andrews und das Thema des Tages ist die Abweichungsbudgetierung.
	Oh, ich muss
	Meinen Bildschirm teilen.
	Und da ist eine Datei, auf die wir noch eingehen werden.
	Und wir werden damit beginnen
	Steckdose.
	Das Thema ist also die Varianzbudgetierung.
	Ich bin Verfahrenstechniker bei Bausch & Lomb; meine Kontaktdaten finden Sie hier.
	Meine Vorgesetzten verlangen diesen Haftungsausschluss. Sie möchten sich nicht unbedingt die Lorbeeren für das anrechnen lassen, was ich heute sage.
	Überblick über die Themen, die wir besprechen werden
	Wie hoch ist das Abweichungsbudget?
	Ein kleiner Blick in die Geschichte.
	Wann benötigen wir einen?
	Wir haben einige Beispiele.
	Wir werden die einzelnen Elemente des Prozesses durchgehen, ein Ursache-Wirkungs-Diagramm erstellen, das Vorwissen zusammentragen und einige Versuchsreihen durchführen, um die Lücken zu schließen.
	Bei Bedarf Monte-Carlo-Simulationen.
	Und wir haben einen Testfall, den wir durchgehen werden.
	Was genau ist also ein Varianzbudget? Maschinenbauingenieure sprechen gerne von Toleranzketten.
	Die Toleranzakkumulation ist im Grunde eine Folgerung aus Murphys Gesetz, nämlich dass sich alle Toleranzen in Richtung derjenigen, die den größten Schaden anrichten kann, um eine Einheit addieren.
	Das Varianzbudget ist wie eine Toleranzstapelung, nur dass wir nicht den Parameter selbst budgetieren, sondern die Varianz -- Sigma im Quadrat.
	Wir gehen von annähernd normalförmigen Verteilungen aus, nicht von Gleichverteilungen.
	Varianzen sind additiv, was den Budgetierungsprozess um ein Vielfaches vereinfacht, im Vergleich zur Budgetierung von Standardabweichungen.
	Hier ein kurzes Beispiel.
	Wenn wir Test- und Sortier- oder Test- und Anpassungsstrategien verwenden würden, würden unsere Verteilungen eher diesen Gleichverteilungen ähneln.
	Wenn wir also eine Verteilung mit der Breite 1, eine mit der Breite 2 und eine weitere mit der Breite 3 haben, addieren wir alle drei und erhalten eine Verteilung mit einer Breite von ziemlich genau 6.
	In diesem Fall müssen wir die Toleranzen wahrscheinlich stärker einplanen als die Abweichungen.
	...Wenn wir uns auf Prozesskontrolle verlassen, werden unsere Verteilungen normaler sein.
	Wenn wir in diesem Fall eine Normalverteilung mit einer Standardabweichung von 1, einer Standardabweichung von 2 und einer Standardabweichung von 3 haben, addieren wir diese Werte und erhalten eine Standardabweichung von 3,7, die deutlich kleiner als sechs ist.
	Wir rechnen also die Zahlen 1 Quadrat plus 2 Quadrat plus 3 Quadrat gleich 3,7 Quadrat.
	Um fair zu sein: Wenn ich auf der vorherigen Folie die Abweichungen addiert hätte, wären sie zusammengenommen der Abweichung dieser Folie entsprochen.
	Bei Verteilungen, die nicht der Normalverteilung entsprechen, muss man besonders auf die Form im unteren Bereich achten. Es kommt darauf an, wo man die Spezifikationen festlegt.
	Also,
	Wie hoch ist das Abweichungsbudget?
	Nicht-normale Verteilungen erfordern besondere Aufmerksamkeit, darauf gehen wir später ein. Fürs Erste ist ein Varianzbudget vergleichbar mit einem Finanzbudget. Es kann genauso willkürlich sein.
	Es gibt nur drei Grundregeln.
	Wir rechnen alles in eine gemeinsame Währung um. Dies tun wir nun für jede relevante Produktkennzahl, wobei wir alle relevanten Prozessvariablen in ihren Beitrag zur jeweiligen Produktkennzahl umrechnen.
	Regel Nummer zwei ist recht einfach: Planen Sie nicht mehr als 100 % der zulässigen Abweichung ein. Klingt einfach. Ich habe jedoch schon mehrfach erlebt, dass diese Regel in verschiedenen Unternehmen missachtet wurde.
	Nummer drei. Das gilt für das Leben im Allgemeinen sowie für die Ingenieurwissenschaften: Setzen Sie stets Ihr bestes Urteilsvermögen ein.
	Wenig
	Ein kleiner historischer Exkurs. Das ist keine Raketenwissenschaft. Andere müssen etwas Ähnliches gemacht haben. Ich habe die Fachliteratur durchsucht, aber keine veröffentlichten Berichte über einen vergleichbaren Prozess gefunden. Sicherlich gibt es so etwas, aber ich bin bisher auf keine Veröffentlichung gestoßen.
	Für mich begann die Geschichte also in den 1980er Jahren, als ich bei Kodak arbeitete und vor einer Herausforderung für das Management stand.
	Die Herausforderung bestand darin, einen Film zu produzieren, bei dem die Kunden keine Abweichungen wahrnehmen konnten.
	Tatsächlich sagten sie ursprünglich, dass man damit einen Film ohne Variationen produzieren könne.
	keine wahrnehmbaren Abweichungen.
	Sie definieren eine Veränderung bei Six Sigma als einen Unterschied von weniger als einer gerade noch wahrnehmbaren Differenz.
	Kodak war in Sachen Wahrnehmung ziemlich gut, und all diese kaum wahrnehmbaren Unterschiede wurden definiert, wir wussten genau, was sie waren.
	Für einen Diafilm wie Kodachrome, mit dem ich damals gearbeitet habe...
	Daran habe ich damals gearbeitet, die größte Herausforderung war der Farbabgleich.
	Hier, in diesem vereinfachten Ursache-Wirkungs-Diagramm, ist der Farbabgleich eine Funktion der Grüngeschwindigkeit, der Blaugeschwindigkeit und der Rotgeschwindigkeit.
	Jetzt habe ich einen dieser Schritte etwas detaillierter ausgearbeitet. Die Rotempfindlichkeit, ich habe den Cyan-Absorberfarbstoff und dann eine der Emulsionen als Faktoren, die zur Empfindlichkeit beitragen, die die Rotempfindlichkeit und die Farbbalance beeinflussen.
	Dies ist eine stark vereinfachte Darstellung. Tatsächlich befinden sich drei verschiedene Emulsionen in der roten Aufnahme, drei weitere in der grünen und zwei weitere in der blauen. Insgesamt tragen 75 Faktoren zur Farbbalance bei.
	Es handelt sich hierbei nicht nur um potenzielle Mitwirkende, sondern um bereits bewährte Mitwirkende. Daher ist dies eine durchaus anspruchsvolle Aufgabe.
	Kommen wir nun zu der Frage, wann wir ein Abweichungsbudget benötigen.
	Hier ein etwas augenzwinkernder Entscheidungsbaum. Herrscht Unordnung im Haus? Wenn nicht, ist alles in Ordnung. Wenn ja,
	Wie viele Kinder haben wir? Bei einem Kind wissen wir wahrscheinlich, wer die Verantwortung trägt. Bei mehr als einem Kind brauchen wir vermutlich ein Budget.
	Dies ist ein Beispiel für Arbeiten, die wir vor einigen Jahren im Rahmen eines Kontaktlinsenprojekts bei Bausch & Lomb durchgeführt haben.
	Das war lange bevor das Produkt auf den Markt kam. Wir hatten Schwierigkeiten, unsere Durchmesservorgaben einzuhalten.
	plus oder minus zwei Zehntel Millimeter
	Das bereitete uns Schwierigkeiten.
	Wir haben uns viele Variabilitätsquellen angesehen und es ist uns gelungen, jede einzelne zu charakterisieren.
	Also von Charge zu Charge. Und das bei gleichen Ausgangsmaterialien und gleichen Sollwerten, also ziemlich große Schwankungen.
	Die Variabilität zwischen den einzelnen Linsen innerhalb einer Charge ist geringer.
	Monomerkomponente Nr. 1, die Chargen werden gelegentlich geändert.
	extreme Variabilität. Auch die Monomerkomponente Nr. 2 wies eine recht große Variabilität auf.
	Wir mischen nun unsere Monomere miteinander und haben ein recht gutes Verfahren mit recht guter Präzision. Es ist nicht perfekt, und wir können die Variabilität daraus abschätzen.
	Das ist ein eher kleiner Beitrag.
	Wir geben das Monomer in eine Form und setzen es unter Aushärtungslampen, um es auszuhärten.
	Auch die Lichtstärke der Lampen kann einen Unterschied machen. Dort können wir auch diese Schwankungsquelle abschätzen.
	Wir addieren all diese Verteilungen.
	Und das ist unsere Gesamtverteilung.
	Es gehört dazu... und zwar jenseits der Spezifikationsgrenzen an beiden Enden.
	Standardabweichung von 0,082
	Wie ich bereits erwähnte, ergeben sich bei Abweichungen von plus/minus 0,2 für die Spezifikationen ein PPk-Wert von 0,81. Nicht so gut.
	Der Prozentsatz der Abweichungen von der Spezifikation wird auf 1,5 % geschätzt.
	Es wäre vielleicht akzeptabel gewesen, wenn es wirklich so gut gewesen wäre, aber das war es nicht.
	Diese Schätzung geht davon aus, dass jede Linse ein unabhängiges Ereignis ist. Das ist nicht der Fall. Wir fertigen die Linsen in Chargen.
	Und außerdem... besteht jede Charge aus einer bestimmten Menge an Rohstoffen unter bestimmten Ausgangsbedingungen.
	Innerhalb dieses Spektrums gibt es viele Korrelationen.
	Und
	Zwei der von mir erwähnten Komponenten, zwei Monomerkomponenten mit einem signifikanten Beitrag, sind
	Wenn man hier schaut, kann man gelegentlich die gelbe und die rosa Linie erkennen. Diese stellen die durch die beiden Monomerkomponenten hervorgerufene Variabilität dar.
	Wenn sich beide auf der gleichen Seite der Mittellinie befinden, verschieben sie den Durchmesser in Richtung der Spezifikationsgrenzen, und es gibt noch einige andere Variabilitätsquellen, die die Möglichkeiten erweitern.
	Ein weiteres Problem ist, dass
	Unser Grenzwert von 0,2 gilt für einzelne Linsen. Wir haben dies getan... die Disposition basiert auf Chargen. Und so prognostiziert diese Grafik Chargenmittelwerte. Wenn wir jedoch einen Chargenmittelwert von 0,175 erreichen, ist die Wahrscheinlichkeit hoch, dass wir genügend Linsen jenseits des Grenzwerts haben, die in der Charge ausgefallen sind.
	Alles in allem also …
	Unsere Schätzung geht davon aus, dass 4 % der Lose aussortiert werden.
	Und sie werden gehäuft auftreten. Es wird Wochen geben, in denen wir nicht einmal die Hälfte unserer Bestellungen abwickeln können.
	Das ist also von vornherein zum Scheitern verurteilt. Wir müssen einige grundlegende Verbesserungen vornehmen.
	Die Chargenvariabilität zweier Monomerkomponenten trug einen großen Teil zu dieser Variabilität bei.
	Wir haben nachgeforscht und festgestellt, dass die Gesamtreinheit von Monomer 1 ein wichtiger Faktor ist und dass bestimmte Verunreinigungen in Monomer 2, sofern vorhanden, dazu beitragen.
	Unsere Chemiker haben die Synthesewege für diese Inhaltsstoffe untersucht und festgestellt, dass es ein einziges Ausgangsmaterial gibt, das den größten Teil der Verunreinigungen ausmacht.
	Sie empfahlen unseren Lieferanten, diesen Ausgangsstoff zu destillieren, um die Verunreinigungen zu entfernen.
	Das führte zu einigen wesentlichen Verbesserungen.
	Wir haben außerdem Variacs an den Aushärtungslampen angebracht, um die Lichtintensität zu steuern.
	Die Lampenintensität spielte keine große Rolle, aber es war einfach. Und wenn es einfach ist, macht man auch Verbesserungen.
	Streng genommen handelte es sich um eine Abweichungsanalyse und nicht um ein Abweichungsbudget. Wir haben nie konkrete numerische Ziele für die einzelnen Komponenten festgelegt.
	Das ist wieder so... wir konzentrieren uns sozusagen auf die offensichtlichsten Dinge. Wir haben zwei Faktoren gefunden, die einen Großteil der Variabilität erklären.
	Vielleicht brauchen wir eine etwas bessere Struktur, um die höheren Zweige zu erreichen, jetzt, wo wir höher hinaus müssen.
	Aktueller Stand bezüglich Linsenabmessungen und Linsendurchmesser.
	Der PPk-Wert liegt bei 2,1. Das Produkt ist seit einigen Jahren auf dem Markt. Das Problem besteht daher nicht mehr.
	Wir haben bei diesen Motorkomponenten bedeutende Verbesserungen erzielt. Wir arbeiten noch daran. Es gibt zwar noch messbare Abweichungen, aber die stellen seit Langem kein Problem mehr dar.
	Die grundlegende Frage lautet also: Was tun wir?
	Wie können Daten auf ein Abweichungsbudget angewendet werden?
	Vielleicht könnte man diese Willkür etwas reduzieren.
	Wir müssen zunächst eine Produktkennzahl auswählen, die verbesserungsbedürftig ist.
	Wir müssen die potenziellen Einflussfaktoren identifizieren; Ursache-Wirkungs-Diagramme sind hierfür ein praktisches Hilfsmittel.
	Wir müssen uns im Vorfeld informieren. Wir müssen die Empfindlichkeit kennen.
	Produktkennzahl geteilt durch Prozesskennzahl; wie groß ist die Steigung dieser Geraden?
	Wir werden einige DOEs benötigen, um die Lücken zu schließen.
	Wir müssen den Schwierigkeitsgrad für die Verbesserung einiger dieser Faktoren abschätzen.
	Und
	Wir schätzen die Varianz jeder Komponente und teilen dann diese Gesamtvarianz, das Ziel der Gesamtvarianz, unter den einzelnen Komponenten auf.
	Klingt einfach genug.
	Betrachten wir ein Beispiel.
	Nehmen wir an, wir arbeiten an einem neuen Projekt. Dabei haben wir ein neues Produktmessverfahren namens CMT (steht für Cascaded Modulation Transfer) entwickelt, um die Gesamtbildschärfe zu messen. Das ist ziemlich wichtig für Kontaktlinsen.
	Zielwert ist 100, plus/minus 10.
	Wir wollen einen PPK-Wert von mindestens 1,33.
	Das bedeutet, die Standardabweichung muss 2,5 oder weniger betragen.
	Die Varianz darf maximal 6,25 betragen.
	Welche Faktoren könnten eine Rolle spielen?
	Betrachten wir ein Ursache-Wirkungs-Diagramm.
	Wir können JMP öffnen und eine Tabelle erstellen. Wir beginnen mit der Auflistung von CMT.
	in der übergeordneten Spalte. Dann listen wir jeden unserer Fertigungsschritte in der untergeordneten Spalte auf.
	Dann beginnen wir, diese kindlichen Faktoren auf der Elternseite aufzulisten und anschließend Unterfaktoren. Diese Unterfaktoren sind natürlich allgemein und willkürlich, das Ganze ist hypothetisch.
	Und wir können so viele Ebenen hinzufügen, wie wir wollen. Wir können so viele Verzweigungen im Diagramm haben, wie wir möchten, aber
	Wir haben hier 14 potenzielle Faktoren identifiziert.
	Wir öffnen also das entsprechende Dialogfeld, identifizieren die übergeordnete und die untergeordnete Spalte. Nach einem Klick auf „OK“ erscheint das Ursache-Wirkungs-Diagramm.
	Kurzer Exkurs: Ich nutze JMP seit 30 Jahren. Ich habe nur sehr wenige Dinge bereut. Dies ist eines davon. Und ich bedauere, dass ich es erst letztes Jahr entdeckt habe.
	Ich weiß ehrlich gesagt nicht, wann dieses Tool eingeführt wurde. Ich wünschte, ich hätte es früher entdeckt, denn es ist die einfachste Methode, die ich kenne, um ein Ursache-Wirkungs-Diagramm zu erstellen.
	Wir müssen also die Sensitivitätsdaten erfassen.
	Manchmal liefert uns die Physik die Antwort.
	In der Optik können wir aus dem Brechungsindex und dem Krümmungsradius Rückschlüsse auf die optische Leistung einer Linse ziehen.
	Manchmal benötigen wir in der Physik experimentelle Daten.
	Also,
	Fragen Sie die Experten auf diesem Gebiet. Vielleicht hat ja jemand Experimente durchgeführt, die uns eine Idee geben könnten.
	Wir werden gut konzipierte Experimente benötigen, denn es ist unmöglich, dass alle 14 Faktoren berücksichtigt wurden.
	Ein paar Plätze weiter unten auf der Liste stehen meiner Meinung nach historische Daten.
	Und wenn Sie historische Daten zur Modellerstellung verwendet haben, dann kennen Sie ja einige der Bedenken, die mir Sorgen bereiten. Wir müssen hier sehr vorsichtig sein. Historische Daten,
	Es ist meistens chaotisch; es hat
	Viele Zahlen sind falsch zugeordnet, manchmal stehen Daten in der falschen Spalte – es muss dringend aufgeräumt werden. Außerdem gibt es viele Korrelationen zwischen den Faktoren.
	Üblicherweise werden 25 % der Datenpunkte zufällig reserviert, diese Daten zur Bestätigung verwendet, das Modell mit 75 % der Daten generiert und anschließend mit den verbleibenden 25 % der Daten getestet.
	Wenn es funktioniert, haben wir vielleicht etwas Brauchbares. Wenn nicht, lassen wir es lieber.
	Um also im Vorfeld Informationen zu sammeln, möchten wir Fachexperten unabhängig voneinander bitten, alle ihnen vorliegenden Sensibilitätsdaten beizusteuern.
	Ich orientiere mich an einer Präsentation von Cy Wegman und Wayne Levin vom Discovery Summit im letzten Jahr.
	Dies ist ihr Vorschlag, um durch das Sammeln von Vorwissen das „Lauter-Stimme-im-Raum-Regel“-Syndrom zu vermeiden.
	Manchmal sitzt im Hintergrund ein stiller Ingenieur, der möglicherweise wichtige Informationen mitzuteilen hat.
	Manche äußern sich, andere nicht. Deshalb wollen wir diese Information erhalten. Fragen Sie zunächst jeden einzeln.
	Dann sollte man die Betroffenen zusammenbringen und die Unstimmigkeiten besprechen. Es wird welche geben.
	Wo liegen die Lücken? Welche Parameter benötigen noch Sensitivitäts- oder Verteilungsinformationen?
	Welche Parameter können wir vernachlässigen?
	Ich würde diese gerne finden.
	Welche Parameter sind bedingt?
	Das kommt zwar nicht sehr oft vor, aber bei unserem Kontaktlinsenprozess setzen wir in jedem Sterilisationszyklus biologische Indikatoren ein.
	Diese Indikatoren sind absichtlich so verzerrt, dass falsch positive Ergebnisse weitaus wahrscheinlicher sind als falsch negative. Wenn dieser Test fehlschlägt,
	Wir sterilisieren erneut. Wir wissen, dass unser Sterilisationsverfahren wahrscheinlich korrekt war, sterilisieren aber trotzdem noch einmal. Manchmal sterilisieren wir also zweimal. Das kann einen kleinen, aber messbaren Einfluss auf unsere Abmessungen haben.
	Wir müssen also einige Experimente planen, um die Empfindlichkeiten für Dinge zu ermitteln, über die wir noch nichts wissen.
	Wir werden uns die Produktionsverteilungsdaten ansehen; diese sollten jedoch mit Vorsicht verwendet werden, um Sensitivitätsanalysen durchzuführen. Mithilfe dieser Daten können wir Informationen über die Variabilität der einzelnen Komponenten sowie die Gesamtvariabilität des relevanten Produktmerkmals gewinnen.
	Wir müssen den Prozess dokumentieren. Wir können mit der Tabelle beginnen, die wir zur Erstellung des Ursache-Wirkungs-Diagramms verwendet haben, und einige weitere Spalten hinzufügen.
	Füllen Sie die Felder für Empfindlichkeiten, Maßeinheiten und verschiedene Spalten aus. Jede Tabellenform ist geeignet. Hauptsache, Sie erfassen die Daten und halten sie aktuell.
	Wir werden einige DOEs benötigen, um die Lücken zu schließen.
	Es gibt einige neuere Techniken – definitive Screening-Designs, gruppenorthogonale supersaturierte Designs –
	bieten ein gutes Preis-Leistungs-Verhältnis, wenn die Situation passt.
	In diesem speziellen Fall haben wir 14 Faktoren.
	Wir haben unsere Fachexperten befragt.
	Einige haben genug Erfahrung, um Richtungsinformationen vorherzusagen, aber niemand kann die tatsächlichen Steigungen genau einschätzen. Daher müssen wir 14 Faktoren bewerten. Ich würde gerne ein DSD durchführen, das keine 33 Läufe erfordert, aber dafür fehlt mir das Budget.
	Wir werden also auf das benutzerdefinierte DOE zurückgreifen.
	Also,
	Gehen Sie zur benutzerdefinierten DOE-Funktion und dann... da ich PowerPoint nun schon lange genug benutze... wird es Zeit, dass wir ein paar Dinge live in JMP demonstrieren.
	Das würde in den Bereich der kundenspezifischen Konstruktion des Energieministeriums fallen.
	Und
	Sie müssen es nicht, aber es ist eine sehr gute Vorgehensweise, die Antwortinformationen auszufüllen.
	(Wenn ich es nur richtig tippen könnte).
	Ziel übereinstimmen
	von 90 bis 110.
	Die Bedeutung von 1 spielt nur dann eine Rolle, wenn mehrere Antworten vorliegen. Die Faktoren.
	Ich habe meine Datei, damit kann ich sie dort schnell laden. Hier sind alle 14.
	der Faktoren.
	Dieser Faktor beschränkt sich
	Ich habe es nie benutzt. Aber ich weiß, dass es da ist, falls eine bestimmte Kombination von Faktoren gefährlich wäre. Ich weiß, dass wir es unterbinden können.
	Die Modellspezifikation. Dies ist wahrscheinlich der wichtigste Teil.
	Dies ist im Grunde eine Voruntersuchung. Wir werden uns nur die Haupteffekte ansehen.
	Unsere Fachexperten gehen nun davon aus, dass solche Interaktionen unwahrscheinlich sind.
	Und
	Nichtlinearität ist möglich, aber wahrscheinlich nicht stark ausgeprägt.
	Daher werden wir diese vorerst ignorieren, zumindest für das Screening-Experiment.
	Wir müssen das nicht blockieren.
	Wir benötigen keine zusätzlichen Mittelpunkte.
	Bei 14 Haupteffekten gibt JMP ein Minimum von 15 an, das ist gegeben, Standardwert ist 20.
	Ich habe gelernt, dass es ein guter Ausgangspunkt ist, wenn mein Budget für die Standardeinstellungen ausreicht. 20 Durchläufe sind möglich; 33 waren zu viel. Mit 20 komme ich klar.
	Lasst uns dieses Design erstellen.
	Ich habe das in den Designeinheiten belassen. Hier ist ein hypothetisches Beispiel. Ich hatte keine Lust, diese willkürlichen Einheiten durch andere willkürliche Einheiten zu ersetzen.
	Verfügt über eine ganze Reihe von eigens entwickelten Evaluierungsinstrumenten.
	Ein paar Dinge, die ich mir normalerweise ansehe. Die Leistungsanalyse.
	Wenn der mittlere quadratische Fehler von 1 in etwa hinkommt, dann werden auch diese Power-Schätzungen in etwa hinkommen. 0,9 und darüber ist ziemlich gut. Das gefällt mir.
	Als weiteres Kriterium schaue ich mir normalerweise die Farbskala der Korrelationen an.
	Ich würde es gerne als Farbkarte gestalten.
	Und es ist ziemlich kompliziert. Wir haben 14 Haupteffekte, und ich habe ehrlich gesagt nicht alle Wechselwirkungen gezählt. Wir suchen nach Störeffekten, bei denen zwei rote Blöcke in derselben Zeile vorkommen.
	Nun, das sehe ich nicht. Das ist gut. Wir haben einige dunkelblaue Bereiche, wo keine Korrelation besteht. Wir haben einige hellblaue Bereiche, wo eine leichte Korrelation besteht. Und wir haben einige hellrosa Bereiche, wo
	Vielleicht ist es ein Korrelationskoeffizient von 0,6.
	Das ist tolerierbar. Solange keine vollständige Verfälschung der Ergebnisse vorliegt, können wir wahrscheinlich abschätzen, was was ist, was den Effekt verursacht.
	Das ist gut. Weiter geht's, mach den Tisch.
	Nun, das ist unser Entwurf.
	Es gab Platz, um die Ergebnisse einzutragen.
	Ich werde mir ein Beispiel an Julia Child in Sachen Kochen nehmen.
	Bereiten Sie alles für Sie vor, legen Sie es dann in den Ofen und entnehmen Sie anschließend eine bereits vorbereitete Datei aus dem Ofen, die das durchgeführte Experiment enthält. Dies sind die Ergebnisse.
	Wir wollten CMT-Werte zwischen 90 und 110.
	Wir haben hier ein paar in den 80ern. Da ist 110,5, wir haben hier 111.
	Sieht so aus, als hätten wir noch einiges zu tun.
	Lass uns
	Analysiere die Daten.
	Alles ist für uns vorbereitet. Es liegt eine Antwort vor. Hier sind alle Faktoren. Wir benötigen den Screening-Bericht. Klicken Sie auf „Ausführen“.
	r² = 0,999.
	Ja, man kann erkennen, dass das gefälschte Daten sind. Ich hätte den Rauschfaktor wohl etwas höher einstellen sollen.
	Die ersten sechs Faktoren sind von großer Bedeutung; die nächsten acht weniger.
	Ich war faul, als ich es erstellt habe.
	Ich habe für die ersten sechs etwas hineingelegt.
	Normalerweise eliminieren wir nun die unbedeutenden Faktoren.
	Wir können sie also entweder alle auf einmal eliminieren.
	Ich mache das meistens eins nach dem anderen.
	Entferne jedes Mal den unwichtigsten Faktor und beobachte, wie sich das auf die anderen Zahlen auswirkt. Manchmal ändert sich etwas, manchmal nicht.
	Wenn man diesen einen eliminiert, sieht es so aus, als ob Cure1 in letzter Sekunde noch reingerutscht ist, 0,0478.
	Es sind knapp unter 0,05. Ich bezweifle, dass es eine große Sache ist, aber wir lassen es trotzdem drin.
	Wir betrachten also die Residuen; die sind gewissermaßen zufällig, das ist gut. Studentisierte Residuen sind ebenfalls gewissermaßen zufällig.
	Wir müssen uns die Parameterschätzungen ansehen.
	Dafür haben wir bezahlt.
	Dies sind die
	Die Regressionskoeffizienten sind die Steigungen, nach denen wir gesucht haben. Dies sind die Sensitivitäten.
	Deshalb haben wir das Experiment durchgeführt. Ich bin eher ein visueller Typ, deshalb schaue ich mir immer das Vorhersageprofil an.
	Und eines der Dinge, die ich hier mag... nun ja, ich schaue mir immer den Verlauf der Hänge an und betrachte...
	Ich schaue mir die Konfidenzintervalle an, die ziemlich klein sind. Hier kann man gerade noch erkennen, dass es ein blau schattiertes Intervall gibt. Ich nutze den Simulator auch gerne, wenn ich Informationen über die Eingangsdaten habe, sodass wir die Variabilität für jeden einzelnen Wert eingeben können.
	Wenn Sie mir nun gestatten, noch einmal den Ansatz von Julia Child zu verwenden und zu Folgendem zurückzukehren:
	das zuvor vorbereitete Beispiel, in dem ich bereits eingegeben habe
	die Variationen jedes einzelnen davon. Im Formwerkzeug 1 gebe ich einen Ausdruck ein, der zu einer bimodalen Verteilung führt.
	Und für das Formwerkzeug 2 geben Sie eine Gleichverteilung ein.
	Und ich muss sagen, um meine Freunde im Werkzeugraum zu verteidigen,
	Eine bimodale Verteilung tritt nur in einer bestimmten Situation auf... wie im letzten Monat.
	Da die von uns gewünschten Werkzeuge in der Produktion im Einsatz waren, haben wir für unsere Experimente auf ältere Versionen zurückgegriffen. Wir haben sogar verschiedene Versionen miteinander kombiniert.
	Wenn das passiert, erhalten wir eine bimodale Verteilung.
	Eine gleichmäßige Verteilung kommt bei diesen Jungs nie vor. Sie zielen immer auf den Mittelpunkt und liegen meist innerhalb weniger Mikrometer. Alle anderen Verteilungen sind normal.
	Verschiedene Breiten. In einem Fall hatten wir eine leichte Tendenz.
	Dies sind die Eingangsverteilungen. Hier ist unsere vorhergesagte Ausgabe.
	Obwohl einige Ausgangsverteilungen nicht normal waren, haben wir im Wesentlichen eine normale Ausgabeverteilung.
	Es geht über unsere Zielvorgaben hinaus.
	Das hatten wir irgendwie schon geahnt.
	Standardmäßig werden hier 5.000 Durchläufe durchgeführt. Ich erhöhe diesen Wert normalerweise auf etwa 100.000. Die Ausführungszeit verlängert sich dadurch nicht, und die Verteilungen werden etwas gleichmäßiger.
	Es erzeugt hier auch eine Tabelle, wir können die Tabelle erstellen.
	Schieben Sie das hierher. Das ist ein großer Vorteil.
	ist, dass wir bekommen können
	(Wir wollen das CMT noch nicht)... schauen wir uns die Verteilungen der Eingangsfaktoren an.
	Dies ist ein größeres, aufwändigeres Diagramm. Dies ist unsere bimodale Verteilung, die Gleichverteilung, diese verschiedenen Normalverteilungen, verschiedene Breiten, diese hier hat eine gewisse Tendenz.
	Wir können also all diese und
	Wir haben sie zusammengezählt.
	Wir schauen uns das an
	und wir haben eine Verteilung.
	Es sieht ziemlich normal aus. Auch wenn einige der Eingaben nicht normal waren.
	Wir können hierfür herkömmliche Verfahren anwenden. Wenn wir also mit der Festlegung der Spezifikationen beginnen,
	Es geht über unsere Spezifikationen hinaus. Daher müssen wir hier Verbesserungen vornehmen. Scrollen Sie hier nach unten. Sehen Sie sich die Leistungsinformationen an.
	PPk a .6.
	Das ist völlig ausgeschlossen. Die Fertigungsindustrie wird ein solches Verfahren niemals akzeptieren.
	Wir müssen also einige wesentliche Verbesserungen vornehmen.
	Gehen Sie also zurück zum
	PowerPoint-Datei.
	Und ich scrolle durch die Folien, die als Backup dienten, falls ich ein Problem mit
	Live-Version von JMP.
	Das Problem liegt an mir, nicht an JMP.
	Hier sind also die Faktoren.
	Die Standardabweichungen stammen aus unseren Vorproduktionsversuchen und dienen der Abschätzung der Variabilität. Die Sensitivitäten sind die Ergebnisse unserer Versuchsplanung.

Fortgeschrittene statistische ModellierungGrundlagen der Datenanalyse und ModellierungVerbraucher- und MarktforschungDatenzusammenführung und -bereinigungDatenexploration und -visualisierungVersuchsplanungMassenanpassungPrädiktive Modellierung und maschinelles LernenQualitäts- und ProzessentwicklungZuverlässigkeitsanalyse