| Oratore |
Trascrizione |
| Ronald Andrews |
Bene, buongiorno o buon pomeriggio, a seconda dei casi. Mi chiamo Ron Andrews e l'argomento del giorno è il budget di varianza. |
| |
Oh, ho bisogno di |
| |
condividi il mio schermo. |
| |
E c'è un file a cui arriveremo. |
| |
E inizieremo con |
| |
Presa della corrente. |
| |
Quindi l'argomento è la varianza del budget. |
| |
Sono un ingegnere di processo presso Bausch and Lomb; puoi trovare i miei contatti qui. |
| |
La mia supervisione richiede questa precisazione. Non è detto che vogliano prendersi il merito di ciò che dico oggi. |
| |
Panoramica di ciò di cui parleremo |
| |
Qual è il budget di varianza? |
| |
Un po' di storia. |
| |
Quando ne abbiamo bisogno? |
| |
Abbiamo alcuni esempi. |
| |
Esamineremo gli elementi del processo, il diagramma causa-effetto, raccoglieremo le conoscenze preliminari, faremo alcuni DOE per colmare le lacune, |
| |
Simulazioni Monte Carlo, se necessario. |
| |
E abbiamo un caso di prova che funzionerà. |
| |
Quindi, cos'è in realtà un budget di varianza? Gli ingegneri meccanici amano parlare di accumulo di tolleranze. |
| |
Ebbene, l'accumulo di tolleranze è fondamentalmente un corollario della legge di Murphy, secondo cui tutte le tolleranze aggiungeranno unità direzionali nella direzione che può causare il danno maggiore. |
| |
Il budget di varianza è simile a un accumulo di tolleranze, solo che invece di preventivare il parametro stesso, prevediamo la varianza, ovvero il sigma quadrato. |
| |
Ci affidiamo a distribuzioni di forme più o meno normali, piuttosto che a distribuzioni uniformi. |
| |
Le varianze sono additive e rendono il processo di budgeting molto più semplice rispetto al tentativo di budgeting di qualcosa come le deviazioni standard. |
| |
Ecco un breve esempio. |
| |
Se utilizzassimo strategie di test-and-sort o test-and-adjust, le nostre distribuzioni sarebbero più simili a queste distribuzioni uniformi. |
| |
Quindi se abbiamo una distribuzione con larghezza pari a 1, una con larghezza pari a 2 e un'altra con larghezza pari a 3, sommiamo il tutto e otteniamo una distribuzione con larghezza molto vicina a 6. |
| |
In questo caso, probabilmente dovremmo mettere a bilancio più le tolleranze che le varianze. |
| |
...Se ci affidiamo al controllo del processo, le nostre distribuzioni saranno più normali. |
| |
In questo caso, se abbiamo una distribuzione normale con una deviazione standard di 1, una deviazione standard di 2, una deviazione standard di 3, sommiamole e otteniamo una deviazione standard di 3,7, molto meno di sei. |
| |
Quindi facciamo i numeri 1 al quadrato più 2 al quadrato più 3 al quadrato uguale essenzialmente 3,7 al quadrato. |
| |
Ora, per essere onesti, nella diapositiva precedente, se avessi sommato queste varianze, il risultato sarebbe stato uguale alla varianza di questa. |
| |
Ma quando si ha una distribuzione diversa da quella normale, bisogna prestare attenzione alla forma in basso, vicino alla coda. Dipende da dove si possono impostare le specifiche. |
| |
COSÌ, |
| |
Qual è il budget di varianza? |
| |
Le distribuzioni non normali richiederanno un'attenzione particolare e ne parleremo più avanti. Per ora, il budget della varianza è un po' come un budget finanziario. Possono essere altrettanto arbitrari. |
| |
Ci sono solo tre regole di base. |
| |
Traduciamo tutto in un linguaggio comune. Ora lo facciamo per ogni misura di prodotto di interesse, ma traduciamo tutte le variabili di processo rilevanti nel loro contributo alla misura di prodotto di interesse. |
| |
La regola numero due è piuttosto semplice. Non prevedere nel budget più del 100% della varianza consentita. Sì, sembra semplice. Ho visto questa regola violata più di una volta in più di un'azienda. |
| |
Numero tre. Questo vale per la vita in generale, così come per l'ingegneria: usate sempre il vostro buon senso. |
| |
Poco |
| |
Un po' di storia. Non è una scienza missilistica. Altre persone devono aver fatto qualcosa di simile. Ho cercato in letteratura e non sono riuscito a trovare resoconti pubblicati di un processo simile a questo. Sono sicuro che esista, ma non ne ho ancora trovati. |
| |
Per me la storia risale agli anni '80, quando lavoravo alla Kodak e mi trovavo di fronte a una sfida manageriale. |
| |
La sfida era produrre un film che non presentasse alcuna variazione percepita dai clienti. |
| |
In realtà, ciò che avevano detto inizialmente era che la pellicola non presentava alcuna variazione. |
| |
nessuna variazione percepibile. |
| |
Definiscono che un cambiamento Six Sigma sarebbe inferiore a una differenza appena percettibile. |
| |
Kodak era piuttosto brava con la percezione e tutte queste differenze appena percettibili erano definite, sapevamo esattamente quali fossero. |
| |
Per una pellicola diapositiva come la Kodachrome, su cui stavo lavorando... |
| |
era quello su cui stavo lavorando in quel momento, il bilanciamento del colore era la sfida più grande. |
| |
In questo diagramma causa-effetto semplificato, il bilanciamento del colore è una funzione della velocità del verde, della velocità del blu e della velocità del rosso. |
| |
Ora ho in un certo senso sviluppato una di queste gambe. Per la velocità del rosso, ho preso il colorante assorbente ciano e poi una delle emulsioni, come fattori che contribuiscono alla velocità di questo, che influenza la velocità del rosso, che influenza il bilanciamento del colore. |
| |
Questa è una versione molto semplificata. In realtà ci sono tre emulsioni diverse nel disco rosso, ce ne sono altre tre nel disco verde e altre due nel disco blu. Sommando tutto, si ottengono 75 fattori che contribuiscono tutti al bilanciamento del colore. |
| |
Questi non sono solo potenziali contributori. Sono effettivamente collaboratori comprovati. Quindi si tratta di un compito piuttosto arduo. |
| |
Passiamo quindi a quando abbiamo bisogno di un budget di varianza. |
| |
Ecco un piccolo albero decisionale ironico. Abbiamo un disastro in casa? Se non è così, la vita è bella. Se è così, |
| |
Quanti figli abbiamo? Se ne abbiamo uno, probabilmente sappiamo di chi è la responsabilità. Se ne abbiamo di più, probabilmente abbiamo bisogno di un budget. |
| |
Questo è un esempio di un lavoro che abbiamo svolto alcuni anni fa su un progetto di lenti a contatto presso Bausch and Lomb. |
| |
Questo molto prima che arrivasse sul mercato. Avevamo difficoltà a rispettare le specifiche di diametro. |
| |
più o meno due decimi di millimetro |
| |
Abbiamo avuto difficoltà a raggiungere questo obiettivo. |
| |
Abbiamo esaminato numerose fonti di variabilità e siamo riusciti a caratterizzarle tutte. |
| |
Quindi, da un lotto all'altro. E questo con gli stessi materiali di input e gli stessi punti di regolazione, con una variabilità piuttosto ampia. |
| |
Da lente a lente all'interno di un lotto, minore variabilità. |
| |
Componente monomerico n. 1, cambiamo lotti occasionalmente, |
| |
estrema variabilità. Anche il componente monomerico n. 2 presentava una variabilità piuttosto ampia. |
| |
Ora mescoliamo i nostri monomeri e otteniamo un processo piuttosto buono, con una precisione piuttosto buona. Non è perfetto e possiamo stimarne la variabilità in base a questo. |
| |
Si tratta di un contributo piuttosto modesto. |
| |
Mettiamo il monomero in uno stampo e lo mettiamo sotto lampade di polimerizzazione per ??? |
| |
e l'intensità delle lampade può fare la differenza. Anche in questo caso possiamo stimare questa fonte di variabilità. |
| |
Sommiamo tutte queste distribuzioni |
| |
e questa è la nostra distribuzione complessiva. |
| |
Va bene...oltre i limiti delle specifiche su entrambe le estremità. |
| |
Deviazione standard di 0,082 |
| |
E come ho detto, specificando elementi di più e meno 0,2, si ottiene un PPk di 0,81. Non proprio un granché. |
| |
Percentuale fuori specifica stimata all'1,5% |
| |
Se fosse stato davvero così bello sarebbe stato passabile, ma non lo è stato. |
| |
Questa stima presuppone che ogni lente sia un evento indipendente. Non lo è. Produciamo le lenti in lotti. |
| |
e c'è...ogni lotto ha un certo insieme di materie prime in un certo insieme di condizioni di partenza. |
| |
Che all'interno di un lotto c'è molta correlazione. |
| |
E |
| |
due dei componenti che ho menzionato, due componenti monomerici che hanno avuto contributi considerevoli, c'è |
| |
Guardando qui, occasionalmente si possono vedere la linea gialla e la linea rosa. Queste rappresentano la variabilità introdotta da questi due componenti monomerici. |
| |
Quando si trovano entrambi sullo stesso lato della linea centrale, spingono il diametro verso i limiti delle specifiche e abbiamo altre fonti di variabilità che aumentano le possibilità. |
| |
Un altro problema è che |
| |
Il nostro limite di 0,2 si riferisce a una singola lente. Abbiamo fatto questo... abbiamo effettuato la disposizione in base ai lotti. Quindi questo grafico prevede le medie dei lotti, tuttavia, quando otteniamo una media dei lotti pari a 0,175, è probabile che avremo abbastanza lenti oltre il limite che hanno fallito in molti casi. |
| |
Quindi, sommati tutti |
| |
la nostra stima è che il 4% dei lotti verrà scartato. |
| |
E arriveranno a frotte. Ci saranno settimane in cui non riusciremo a far passare la metà dei nostri lotti attraverso il sistema. |
| |
Quindi non c'è modo di iniziare. Dobbiamo apportare alcuni miglioramenti sostanziali. |
| |
Una buona parte di tale variabilità è dovuta alla variabilità da lotto a lotto dei due componenti monomerici. |
| |
Abbiamo esaminato e scoperto che la purezza complessiva del Monomero 1 era un fattore significativo e che alcune impurità nel Monomero 2, quando presenti, contribuivano. |
| |
I nostri chimici hanno esaminato i metodi di sintesi di questi ingredienti e hanno scoperto che esisteva un unico materiale di partenza che contribuiva alla maggior parte delle impurità. |
| |
Hanno raccomandato ai nostri fornitori di distillare questo ingrediente di partenza per eliminare le impurità. |
| |
Ciò ha portato a notevoli miglioramenti. |
| |
Abbiamo anche installato dei variac sulle lampade di polimerizzazione per controllarne l'intensità. |
| |
L'intensità della lampada non era un fattore determinante, ma era facile. E quando è facile, si ottengono miglioramenti. |
| |
In senso stretto, si è trattato di una valutazione della varianza, piuttosto che di un budget di varianza. Non abbiamo mai assegnato obiettivi numerici per ciascuna componente. |
| |
Eccoci di nuovo qui...stiamo in un certo senso cogliendo i frutti più facili. Voglio dire, abbiamo trovato due fattori che hanno praticamente rappresentato una gran parte della variabilità. |
| |
Forse abbiamo bisogno di una struttura un po' migliore per raggiungere i rami più alti, ora che dobbiamo arrivare più in alto. |
| |
Stato attuale delle dimensioni e del diametro della lente. |
| |
PPk è 2.1. Il prodotto è sul mercato ormai da qualche anno. Questo non è più un problema. |
| |
Abbiamo apportato miglioramenti importanti... importanti a questi componenti momoer. Ci stiamo ancora lavorando. Presentano ancora una variabilità rilevabile; rilevabile, ma non è un problema da molto tempo. |
| |
Quindi la domanda fondamentale è: cosa facciamo? |
| |
per applicare i dati a un budget di varianza? |
| |
Forse bisognerebbe ridurre un po' questa arbitrarietà. |
| |
Dobbiamo iniziare scegliendo una misura di prodotto che necessita di miglioramento. |
| |
Dobbiamo identificare i potenziali contributori, diagrammi causa-effetto, uno strumento utile. |
| |
Dobbiamo raccogliere una certa conoscenza preventiva. Dobbiamo conoscere la sensibilità. |
| |
La misura del prodotto divisa per la misura del processo; qual è la pendenza di questa linea? |
| |
Noi, noi avremo bisogno di alcuni DOE per colmare le lacune. |
| |
Dobbiamo stimare il grado di difficoltà per migliorare alcuni di questi fattori. |
| |
E |
| |
stimiamo la varianza di ogni componente e poi dividiamo tale varianza, ovvero l'obiettivo di varianza totale, tra i contributori. |
| |
Sembra abbastanza facile. |
| |
Facciamo un esempio. |
| |
Supponiamo di lavorare a un nuovo progetto. E lungo il percorso, abbiamo sviluppato una nuova misura di prodotto chiamata CMT (acronimo di Cascaded Modulation Transfer) per misurare la nitidezza complessiva dell'immagine. Un aspetto piuttosto importante per le lenti a contatto. |
| |
L'obiettivo è 100, più o meno 10. |
| |
Vogliamo un PPK di almeno 1,33 |
| |
Ciò significa che la deviazione standard deve essere pari o inferiore a 2,5. |
| |
La varianza deve essere pari o inferiore a 6,25. |
| |
Quali fattori potrebbero essere coinvolti? |
| |
Pensiamo a un diagramma causa-effetto. |
| |
Possiamo andare in JMP e creare una tabella. Iniziamo elencando CMT |
| |
nella colonna padre. Quindi elenchiamo ciascuna delle nostre fasi di produzione nella colonna figlio. |
| |
E poi iniziamo a elencare questi fattori figlio sul lato padre e poi iniziamo a elencare i sottofattori. Questi sottofattori sono ovviamente generici e arbitrari, il tutto è ipotetico. |
| |
E possiamo andare a tutti i livelli che vogliamo. Possiamo avere tutti i rami che vogliamo nel diagramma, ma |
| |
abbiamo identificato 14 potenziali fattori. |
| |
Quindi andiamo nella finestra di dialogo appropriata, identifichiamo la colonna padre e la colonna figlia. Clicchiamo sul pulsante OK e apparirà il diagramma causa-effetto. |
| |
Breve parentesi. Uso JMP da 30 anni ormai. Ho pochissimi, pochissimi rimpianti. Questo è uno di quelli. E il mio rammarico è di averlo scoperto solo l'anno scorso. |
| |
In realtà non so quando questo strumento sia stato implementato. Avrei voluto scoprirlo prima, perché è il modo più semplice che abbia mai trovato per generare un diagramma causa-effetto. |
| |
Quindi dobbiamo raccogliere i dati sulla sensibilità. |
| |
A volte la fisica ci darà la risposta. |
| |
In ottica, se conosciamo l'indice di rifrazione e il raggio di curvatura, possiamo ottenere alcune informazioni sul potere ottico della lente. |
| |
A volte la fisica, spesso abbiamo bisogno di dati sperimentali. |
| |
COSÌ, |
| |
Chiedi agli esperti in materia. Magari qualcuno ha fatto degli esperimenti che ci daranno un'idea. |
| |
Avremo bisogno di esperimenti ben progettati, perché è impossibile che siano stati presi in considerazione tutti e 14 questi fattori. |
| |
A mio parere, i dati storici occupano un posto diverso nella lista. |
| |
E se avete utilizzato dati storici per generare modelli, sapete, alcune delle preoccupazioni che mi preoccupano. Dobbiamo essere molto cauti in questo. Dati storici, |
| |
di solito è disordinato; ha |
| |
Molti numeri identificati erroneamente, a volte cose nella colonna sbagliata, tutto necessita di molta pulizia. C'è anche molta, molta correlazione tra i fattori. |
| |
La prassi standard è quella di riservare casualmente il 25% dei punti dati, riservare tali dati per la conferma, generare il modello con il 75% dei dati e quindi testarlo con una riserva di dati del 25%. |
| |
Se funziona, forse abbiamo qualcosa che vale la pena usare. Altrimenti, non toccarlo. |
| |
Pertanto, per raccogliere informazioni preliminari, vogliamo chiedere agli esperti in materia di fornire in modo indipendente i dati sensibili in loro possesso. |
| |
Prendo spunto da una presentazione tenuta l'anno scorso al Discovery Summit da Cy Wegman e Wayne Levin. |
| |
Questo è il loro suggerimento per raccogliere informazioni preventive ed evitare la sindrome della voce più alta nella stanza. |
| |
A volte c'è un ingegnere silenzioso seduto dietro che potrebbe avere informazioni importanti da comunicare, |
| |
Potrebbero o meno parlare. Quindi vogliamo ottenere queste informazioni. Chiedi a tutti in modo indipendente, per iniziare. |
| |
Poi riunite le persone e discutete delle discrepanze. Ce ne saranno alcune. |
| |
Dove sono le lacune? Quali parametri necessitano ancora di informazioni sulla sensibilità o sulla distribuzione? |
| |
Quali parametri possiamo scartare? |
| |
Vorrei trovarli. |
| |
Quali parametri sono condizionali? |
| |
Non capita molto spesso, ma nel nostro processo di produzione delle lenti a contatto includiamo indicatori biologici in ogni ciclo di sterilizzazione. |
| |
Questi indicatori sono intenzionalmente distorti, in modo che i falsi positivi siano molto più probabili dei falsi negativi. Quando otteniamo un fallimento in questo test, |
| |
sterilizziamo di nuovo. Sappiamo che la nostra routine di sterilizzazione era probabilmente corretta, ma sterilizziamo di nuovo. Quindi a volte sterilizziamo due volte. Questo può avere un piccolo effetto sulle nostre dimensioni. È piccolo, ma misurabile. |
| |
Quindi dovremo pianificare alcuni esperimenti per raccogliere le sensibilità per cose che non conosciamo. |
| |
Esamineremo i dati sulla distribuzione della produzione; usiamoli con cautela per generare sensibilità. Possiamo usarli per generare informazioni sulla variabilità di ciascuna componente e sulla variabilità complessiva della misura di prodotto di interesse. |
| |
Dobbiamo tenere traccia dei dati lungo il percorso. Possiamo iniziare con la tabella che abbiamo usato per generare il diagramma causa-effetto e aggiungere qualche colonna in più. |
| |
Compila i campi relativi a sensibilità, unità di misura e varie colonne. Qualsiasi tipo di tabella andrà bene. L'importante è conservare i dati e tenerli aggiornati. |
| |
Avremo bisogno di alcuni DOE per colmare le lacune. |
| |
Esistono alcune tecniche più recenti: progetti di screening definitivi, progetti super saturi ortogonali di gruppo. |
| |
offrono un buon rapporto qualità-prezzo quando la situazione lo consente. |
| |
Ora, in questa particolare situazione, abbiamo 14 fattori. |
| |
Lo abbiamo chiesto ai nostri esperti in materia. |
| |
Alcuni di loro hanno abbastanza esperienza per prevedere alcune informazioni direzionali, ma nessuno ha una stima precisa delle pendenze effettive. Quindi dobbiamo valutare 14 fattori. Mi piacerebbe eseguire un DSD che non richieda 33 discese, ma non ho il budget per farlo. |
| |
Quindi ricorreremo al DOE personalizzato. |
| |
COSÌ, |
| |
andiamo alla funzione DOE personalizzata e poi...ormai uso PowerPoint da abbastanza tempo...ora abbiamo dimostrato alcune cose dal vivo in JMP. |
| |
Questo andrebbe al progetto personalizzato del DOE. |
| |
E |
| |
non è obbligatorio, ma è una buona pratica compilare le informazioni di risposta |
| |
(se riuscissi a scriverlo correttamente). |
| |
Obiettivo di corrispondenza |
| |
da 90 a 110. |
| |
L'importanza di 1 fa la differenza solo se abbiamo più di una risposta. I fattori. |
| |
Ho il mio file, quindi posso caricarli velocemente lì. Qui abbiamo tutti e 14 |
| |
dei fattori. |
| |
Questo fattore limita, |
| |
Non l'ho mai usato. Ma so che è lì se una combinazione di fattori dovesse risultare pericolosa. So che possiamo vietarlo. |
| |
Le specifiche del modello. Questa è probabilmente la parte più importante. |
| |
Si tratta fondamentalmente di un'operazione di screening. Ci limiteremo a esaminare gli effetti principali. |
| |
Ora i nostri esperti in materia hanno ipotizzato che tali interazioni siano improbabili. |
| |
E |
| |
la non linearità è possibile ma è improbabile che sia forte. |
| |
Quindi per ora li ignoreremo, almeno per l'esperimento di screening. |
| |
Non abbiamo bisogno di bloccarlo. |
| |
Non abbiamo bisogno di punti centrali aggiuntivi. |
| |
Per 14 effetti principali, JMP indica un minimo di 15, il che è scontato, mentre il valore predefinito è 20. |
| |
Ho imparato che se ho un budget che mi permette di gestire il budget predefinito, è un buon punto di partenza. Posso fare 20 corse; 33 erano troppe. Posso gestire anche le 20. |
| |
Realizziamo questo progetto. |
| |
Ho lasciato questo in unità di progettazione. Ecco un esempio ipotetico. Non avevo voglia di sostituire queste unità arbitrarie con altre unità arbitrarie. |
| |
Ho un'intera suite di strumenti di valutazione progettati, |
| |
una coppia che normalmente guardo. L'analisi di potenza. |
| |
Se la stima dell'errore quadratico medio di 1 è approssimativa, allora anche queste stime di potenza saranno approssimativamente approssimative. 0,9 e oltre, abbastanza buono. Mi piace. |
| |
L'altra cosa che normalmente guardo è la mappa dei colori sulle correlazioni. |
| |
Mi piace trasformarla in una mappa a colori. |
| |
Ed è un po' complicato. Abbiamo 14 effetti principali, e onestamente non ho contato tutte le interazioni bidirezionali. Quello che stiamo cercando sono effetti di confusione, dove dobbiamo avere due blocchi rossi nella stessa riga. |
| |
Beh, non lo vedo. Va bene. Abbiamo del blu scuro dove non c'è correlazione. Abbiamo del blu chiaro dove c'è una leggera correlazione. E abbiamo del rosa chiaro dove |
| |
forse è un coefficiente di correlazione pari a 0,6. |
| |
Questo è tollerabile. Finché non ci troviamo in una situazione di confusione totale, probabilmente possiamo stimare cosa sta causando l'effetto. |
| |
Bene, questo è buono. Andiamo avanti, prepariamo il tavolo. |
| |
Bene, questo è il nostro progetto. |
| |
Ho lo spazio per compilare i risultati. |
| |
Voglio prendere spunto dalla scuola di cucina di Julia Child. |
| |
Preparate il tutto per voi, poi mettetelo nel forno e tirate fuori dal forno un file preparato in precedenza che contenga già l'esperimento eseguito. Questi sono i risultati. |
| |
Valori CMT, li volevamo tra 90 e 110. |
| |
Ne abbiamo un paio qui negli anni '80. Ce n'è 110,5, qui ne abbiamo 111. |
| |
Sembra che abbiamo un po' di lavoro da fare. |
| |
Andiamo |
| |
analizzare i dati. |
| |
Tutto è pronto per noi. C'è una risposta. Ecco tutti i fattori. Vogliamo il rapporto di screening. Fai clic su Esegui. |
| |
r quadrato .999. |
| |
Sì, si vede che si tratta di dati falsi. Probabilmente avrei dovuto impostare il fattore rumore un po' più alto. |
| |
I primi sei fattori sono molto significativi; i successivi otto, non così tanto. |
| |
Sono stato pigro quando l'ho generato. |
| |
Ho messo qualcosa lì dentro per i primi sei. |
| |
Ora, solitamente eliminiamo i fattori insignificanti. |
| |
Quindi possiamo eliminarli tutti in una volta. |
| |
Di solito faccio le cose una alla volta. |
| |
Elimina ogni volta il fattore meno significativo e osserva cosa succede agli altri numeri. A volte cambia, a volte no. |
| |
Eliminando questo, sembra che Cure1 sia riuscito a passare inosservato, .0478. |
| |
È poco meno di 0,05. Dubito che sia un granché, ma lo lasciamo lì. |
| |
Quindi osserviamo i residui; sono piuttosto casuali, il che è positivo. Anche i residui studentizzati sono piuttosto casuali. |
| |
Dobbiamo esaminare le stime dei parametri. |
| |
Ecco per cosa abbiamo pagato. |
| |
Questi sono i |
| |
I...coefficienti di regressione sono le pendenze che stavamo cercando. Queste sono le sensibilità. |
| |
Ecco perché abbiamo fatto l'esperimento. Sono un tipo visivo, quindi guardo sempre il profiler di previsione. |
| |
E una delle cose che mi piace qui...beh, guardo sempre...la trama dei pendii e guardo... |
| |
Osservo gli intervalli di confidenza, che sono piuttosto piccoli. Qui si vede appena un intervallo ombreggiato in blu. Mi piace anche usare il simulatore quando ho informazioni sull'input, in modo da poter inserire la variabilità per ciascuno di essi. |
| |
Ora, se mi permettete di usare di nuovo l'approccio di Julia Child e tornare a |
| |
l'esempio precedentemente preparato in cui ho già inserito |
| |
le variazioni di ciascuna di queste. Da Mold Tool 1, inserisco un'espressione che produce una distribuzione bimodale. |
| |
E per Mold Tool 2, immettere una distribuzione uniforme. |
| |
E devo dire, in difesa dei miei amici nella stanza degli attrezzi, |
| |
la distribuzione bimodale si verifica solo in una situazione...quella accaduta il mese scorso, |
| |
dove gli strumenti che volevamo usare erano già in produzione, quindi per sperimentare abbiamo utilizzato alcune vecchie iterazioni. In realtà abbiamo mescolato le iterazioni. |
| |
Quando ciò accade, possiamo ottenere una distribuzione bimodale. |
| |
Questa distribuzione uniforme non si verifica mai con questi tipi. Mirano sempre al punto centrale e di solito arrivano entro un paio di micron. Altre distribuzioni sono tutte normali. |
| |
Varie larghezze. In un caso, eravamo un po' sbilanciati. |
| |
Queste sono le distribuzioni di input. Ecco il nostro output previsto. |
| |
Anche se abbiamo avuto alcune distribuzioni iniziali non normali, abbiamo una distribuzione di output pressoché normale. |
| |
Si estende ben oltre i nostri obiettivi. |
| |
In un certo senso lo sapevamo. |
| |
Ora, il valore predefinito all'inizio è 5.000 esecuzioni. Di solito lo aumento, arrivando a circa 100.000. Non ci è voluto altro tempo per eseguirlo e le distribuzioni sono un po' più fluide. |
| |
Qui si crea anche una tabella, possiamo creare la tabella. |
| |
Spostalo qui. Un grande vantaggio di questo |
| |
è che possiamo ottenere |
| |
(non voglio ancora questo CMT)... diamo un'occhiata alle distribuzioni dei fattori di input. |
| |
Questo è un grafico più grande e dettagliato. Questa è la nostra distribuzione bimodale, uniforme, con diverse distribuzioni normali, diverse ampiezze, e questa presenta una sorta di distorsione. |
| |
Quindi possiamo prendere tutto ciò e |
| |
li abbiamo sommati. |
| |
Guardiamo questo |
| |
e abbiamo una distribuzione. |
| |
Sembra abbastanza normale. Anche se alcuni input non erano normali. |
| |
Possiamo usare tecniche convenzionali per questo. Quindi, quando iniziamo a impostare le specifiche, |
| |
Si estende oltre i nostri limiti di specifiche. Quindi dovremo migliorare, apportare alcuni miglioramenti. Scorri verso il basso. Guarda le informazioni sulle capacità. |
| |
PPk a .6. |
| |
Non è possibile. Non c'è modo che il settore manifatturiero accetti un processo come questo. |
| |
Dobbiamo quindi apportare alcuni miglioramenti significativi. |
| |
Quindi torna al |
| |
File PowerPoint. |
| |
E scorro le diapositive che erano il mio backup nel caso avessi avuto un problema con |
| |
Versione live di JMP. |
| |
Perché il problema è mio e non di JMP. |
| |
Ecco quindi i fattori. |
| |
Le deviazioni standard provengono dai nostri test di pre-produzione e servono a stimare la variabilità. Le sensibilità, invece, sono i risultati del nostro DOE. |
