Diese Präsentation konzentriert sich auf die Integration der JMP-Software in die Six-Sigma-DMAIC-Methodik. Diese leistungsstarke Kombination optimiert verschiedene Aspekte des Six-Sigma-Werkzeugkastens und erleichtert es Teams, datengestützte Verbesserungen effizient umzusetzen.
JMP bietet fortschrittliche Werkzeuge für statistische Analysen und Visualisierungen, die die DMAIC-Phasen optimieren. Zu den wichtigsten Komponenten von JMP, die hier hervorgehoben werden, gehören die Messsystemanalyse zur Bewertung der Messgenauigkeit, deskriptive Statistiken zur Zusammenfassung von Datenmerkmalen, Pareto-Diagramme zur Identifizierung der wichtigsten Faktoren und die Regressionsanalyse zum Verständnis von Zusammenhängen zwischen Variablen. Darüber hinaus umfasst JMP den Graph Builder für die intuitive Datenvisualisierung, die Funktion für optimale Versuchsplanung (DOE) zur effizienten Versuchsplanung sowie Regelkarten, die für die Überwachung der Prozessstabilität unerlässlich sind. Mithilfe dieser Werkzeuge können Anwender schnell Schlüsselvariablen identifizieren, Datentrends analysieren und Ergebnisse visualisieren, wodurch Entscheidungsprozesse beschleunigt werden.
Die Präsentation zeigt außerdem, wie JMP die Datenerfassung und -analyse vereinfacht und es Teams ermöglicht, sich auf wertvolle Erkenntnisse zu konzentrieren. Es werden Praxisbeispiele vorgestellt, in denen JMP erfolgreich in Six-Sigma-Projekten eingesetzt wurde und dessen Einfluss auf die Projektergebnisse verdeutlicht wird.
Guten Tag. Ich bin Marjoleine Wevers von Robert Bosch. Heute werde ich gemeinsam mit Elodie Delclaux die Anwendung von JMP in der Six-Sigma-Methodik anhand praktischer Beispiele erläutern.
Ich gehöre zur Bosch-Gruppe. Die Bosch-Gruppe kennt ja jeder. Jeder kennt die Geschirrspüler, die Bohrmaschinen, die Akkus, aber nicht jeder weiß, dass Bosch auch im Bereich Mobilitäts-Nachrüstprodukte und Scheibenwischersysteme tätig ist. Ich bin im Bereich Scheibenwischersysteme tätig. Ich arbeite in Tienen in Belgien, wo wir Scheibenwischerblätter herstellen. Wir haben weltweit vier Produktionsstätten für Scheibenwischerblätter. In Tienen sind wir die einzige Produktionsstätte für Gummiprofile. Diese Gummiprofile liefern wir weltweit, und wir produzieren jährlich rund 120 Millionen Stück.
Ich bin Teil der Mini Factory Rubber, die – wie der Name schon sagt – eine eigenständige Fabrik ist und vier Abteilungen umfasst. Zunächst zur Produktentwicklung, wo die Mischungen und Profile hergestellt werden. Dann folgt die chemische Prozessentwicklung, in der ich tätig bin. Hier optimieren wir bestehende Prozesse oder entwickeln neue. Anschließend haben wir zwei Wertschöpfungsketten, zwei Produktionsanlagen im Batch-Verfahren. Dort wird zunächst die Mischung hergestellt und in einem nächsten Schritt die Gummiprofile. Die letzte Abteilung ist unser Chemielabor.
Bei der Anwendung von JMP im Rahmen der Six-Sigma-Methodik, also in der Prozessentwicklung, nutzen wir sowohl die Six-Sigma-Methodik selbst als auch die erweiterte A3-Methodik. Die Six-Sigma-Methodik kommt zum Einsatz, wenn wir uns auf die statistische Ursachenanalyse komplexer Probleme konzentrieren müssen, während die erweiterte A3-Methode zur Visualisierung dient.
Die Six-Sigma-Methodik umfasst fünf Schritte. Der erste Schritt ist die Definitionsphase. Dieser Schritt ist sehr wichtig und wird oft vernachlässigt. Hierbei ist es entscheidend, das Problem und das Ziel präzise zu definieren, da jeder häufig unterschiedliche Vorstellungen davon hat, was erreicht werden soll.
In der Messphase erfassen wir relevante Daten zum Prozess und zum Problem. In der Analysephase identifizieren wir die Ursache-Wirkungs-Beziehungen zwischen Input und Output. In der Verbesserungsphase bestimmen wir die optimalen Werte für die Prozessinputs. In der letzten Phase, der Kontrollphase, legen wir die Standards fest, um die Verbesserungen langfristig zu sichern. Diese Phase wird oft vernachlässigt, doch wenn sie nicht ordnungsgemäß durchgeführt wird, gerät der Prozess wieder außer Kontrolle.
Sie haben auch Ihren Werkzeugkasten, und hier sehen Sie den DMAIC-Werkzeugkasten. Jede Phase hat spezifische Werkzeuge und Techniken, und dies ist eine Übersicht der gängigen Werkzeuge. Ich werde nicht ins Detail gehen, sondern Ihnen nur zeigen, was Sie im Rahmen der Six-Sigma-Methodik tun können. Elodie übernimmt jetzt.
Hallo, ich bin Elodie. Ich arbeite als Systemingenieurin bei JMP und möchte Ihnen unseren Marktplatz mit Add-ins vorstellen. Wie Marjoleine bereits erwähnte, gibt es eine in Six Sigma sehr bekannte Vorgehensweise: Definieren, Messen, Analysieren, Verbessern und Kontrollieren. Für JMP bieten wir ein Add-in an, das Sie in die Software integrieren können, falls Sie an dieser Vorgehensweise interessiert sind. Wo finde ich die Add-ins?
Letztes Jahr haben wir einen Marktplatz gestartet. Das ist der JMP-Marktplatz. Dort gibt es eine Suchleiste, mit der wir nach den benötigten Produkten suchen können. Wir bieten ein Six-Sigma-Add-in an, das „Modern Six Sigma Add-in“ heißt. Sie können es dort herunterladen und direkt in JMP einbinden. Es sieht so aus: Es ist ein neues Menü, das Ihrer Software hinzugefügt wird, mit den fünf verschiedenen Schritten. Das Tool ist integriert, und es stehen Ihnen außerdem Webinare und Hilfestellungen zur Verfügung, falls Sie mit dem Tool üben möchten. Dann übergebe ich an Marjoleine.
Ich habe in der ersten Phase, der Definitionsphase, bereits erwähnt, dass es sich um die Messphase handelt. Die zweite Phase ist die Messphase. In der Messphase quantifizieren wir die aktuelle Leistung des Prozesses und erfassen relevante Daten. Warum ist das wichtig? Weil wir oft ein Bauchgefühl haben, dass es ein Problem gibt, aber nicht immer sicher sind, ob dieses Problem tatsächlich existiert.
Ich habe hier die grünen Kästchen. Die grünen Kästchen sind Teil der Six-Sigma-Methodik, die Sie in JMP anwenden können. Dort gibt es zwei Möglichkeiten. Erstens die Messsystemanalyse, mit der Sie die Genauigkeit und Präzision der Messsysteme bewerten können. Der zweite Teil der Messphase ist die deskriptive Statistik. Hier fassen Sie die Daten mithilfe von Mittelwert, Median, Modus oder den für Ihre Anwendung benötigten Kennzahlen zusammen.
Ich gebe Ihnen nun ein kleines Beispiel für einen Äquivalenztest des Mittelwerts zwischen einer alten und einer neuen Messung von TOST (Two One-Sided Tests). Hier sehen Sie die Daten. Wir haben 329 Proben auf zwei verschiedene Arten gemessen – mit der alten und der neuen Anwendung – und wollten herausfinden, ob ein signifikanter Unterschied zwischen den beiden Methoden besteht.
Das geht im Prinzip so: Man analysiert die Daten, passt Y an X an und führt dann den Äquivalenztest durch. Dabei muss man angeben, ab welcher Differenz der Mittelwerte eine praktische Relevanz besteht. In diesem Fall waren es 5 Millimeter. Führt man den TOST-Test durch, sieht man, dass die Daten im Forest-Plot normalerweise im blauen Bereich liegen, wenn sie äquivalent sind.
In diesem Fall befanden wir uns nicht im blauen, sondern im roten Bereich, da die tatsächliche Differenz des Mittelwerts 10 Millimeter betrug. Daher mussten wir feststellen, dass die Daten unseres alten jährlichen Messsystems für die Anwendungsmenge nicht mehr korrekt waren und dass zusätzliche Maßnahmen erforderlich waren.
Außerdem die deskriptiven Statistiken, die Beschreibung des aktuellen Prozesses und die Bestätigung der Problemstellung. Ich kann Ihnen ein Beispiel zeigen. Dies hier ist eine Nullreihe, die wir erstellt haben. Wir haben sie an verschiedenen Tagen durchgeführt und wollten herausfinden, ob die Messwerte tatsächlich höher waren als unsere vorherigen Untersuchungen.
Wenn ich mir die Verteilung hier ansehe, sehen wir, dass der Mittelwert bei etwa 97 Millimetern lag, während er in den vorherigen Sitzungen bei 50 Millimetern lag. Unser Bauchgefühl hat uns also nicht getäuscht, wir hatten ein Problem.
Die dritte Phase ist die Analysephase, in der die Ursachen von Fehlern oder Leistungsproblemen ermittelt werden. Zuerst identifizieren wir immer die Ursachen. Dazu verwenden wir die Ishikawa-Methode, die 5-Why-Methode oder ein Fischgrätendiagramm – das ist immer die Basis.
In der zweiten Phase erstellen wir ein Pareto-Diagramm, um die drei wichtigsten Faktoren im Datensatz zu identifizieren. Mit diesen drei Faktoren führen wir dann die weitere Analyse durch. Anschließend wird Elodie das Pareto-Diagramm erläutern.
Ich werde über das Pareto-Diagramm sprechen. Ziel eines Pareto-Diagramms ist es, die Häufigkeit eines Problems oder seiner Ursachen zu analysieren, um die häufigsten Problemursachen zu ermitteln. Dies ist dank des Add-ins möglich. Normalerweise ist das Pareto-Diagramm in der Analysephase enthalten. In unserem Add-in befindet es sich jedoch in der Messphase, genauer gesagt im Menü von Modern Six Sigma. Dort finden Sie das Pareto-Diagramm. Um ein Pareto-Diagramm zu erstellen, gehen Sie einfach über dieses Menü.
Ich zeige Ihnen ein Beispiel. Ich habe hier eine Datentabelle mit verschiedenen Fehlertypen. Es gibt zehn Fehlertypen und die jeweilige Häufigkeit. Mein Pareto-Diagramm könnte in diesem Fall so aussehen: Es zeigt die kumulierten Prozentsätze der Fehlerursachen. Es endet bei 100 %, also allen Problemen, und ist nach Häufigkeit vom häufigsten zum seltensten Fehler sortiert.
Wir sehen beispielsweise, dass die drei Hauptproblemarten Metallbrücken, Metallkratzer und Metallfehler sind. Sie sind die Hauptursachen für Probleme. Wir haben sie identifiziert und können nun in den nächsten Schritten daran arbeiten. Ich schalte die Folie um und übergebe an Marjoleine.
Ein weiterer Teil der Analysephase ist die Regressionsanalyse, in der wir die Beziehungen zwischen den verschiedenen Variablen untersuchen, sowie der Hypothesentest, bei dem wir Annahmen und Theorien mithilfe statistischer Methoden überprüfen. Auch hierzu habe ich ein Beispiel.
Zunächst einmal haben wir hier dieselben Daten wie beim letzten Mal, die Messwerte der Nullreihe, und wir hatten den Verdacht, dass die Messwerte von Tag zu Tag schwanken. Als Erstes haben wir den Graph Builder aufgerufen und unsere Messwerte im Verhältnis zum Datum überprüft. Im Graph Builder können Sie in Ihrem Bedienfeld verschiedene Histogrammtypen auswählen; wir haben uns hier jedoch für Boxplots entschieden.
Aus den Boxplots geht bereits deutlich hervor, dass es Unterschiede zwischen den verschiedenen Daten gibt. Um sicherzugehen, haben wir einen Hypothesentest durchgeführt. Dabei handelte es sich um eine einfaktorielle Varianzanalyse (ANOVA). Diese Methode wird auch im Rahmen der Anpassung von Y an X angewendet. Hier kann man dann die Mittelwert-/ANOVA-Methode und anschließend die Analyse der Mittelwerte auswählen.
Wenn Sie sich die Daten hier ansehen, erkennen Sie die Rauten, die sich nicht überlappen. Das ist bereits der deutlichste Hinweis auf eine tatsächliche Varianz von Tag zu Tag. Auch die Mittelwerte zeigen dies: Die unteren und oberen 95%-Konfidenzintervalle der verschiedenen Datensätze überlappen sich nicht, was ebenfalls eindeutig auf eine Varianz von Tag zu Tag hinweist. Die Analyse der Mittelwerte im ANOVA-Diagramm verdeutlicht dies zusätzlich: Die Datenpunkte repräsentieren nicht dasselbe Verhalten.
Die vierte Phase ist die Verbesserungsphase, in der wir Lösungen entwickeln und implementieren, um die Ursachen zu beheben und den Prozess zu optimieren. Zunächst führen wir ein Brainstorming durch, um Ideen zu generieren. Dies ist in JMP nicht möglich. Im zweiten Schritt folgt die Versuchsplanung. Wir verwenden häufig die individuelle Versuchsplanung und planen und führen Experimente durch, um die Einflussfaktoren auf die Ergebnisse zu identifizieren.
Wir verwenden häufig kundenspezifische Designs, und zwar aus gutem Grund: Mit einem kundenspezifischen Design lassen sich auch schwer veränderbare Faktoren berücksichtigen. Für uns in der Produktion ist das sehr wichtig. Sobald wir die Informationen zum Versuchsplan (DOE) haben, beginnen wir mit der Testimplementierung eines Teils der vorgeschlagenen Lösung in verkleinertem Maßstab, um zu überprüfen, ob unser Modell korrekt funktioniert. Ich habe hier eine Erklärung zu einer solchen Kombinationsstudie, die wir mit dem Versuchsplan durchführen.
Früher, vor 2018, verwendeten wir die Methode „ein Faktor nach dem anderen“. Das dauerte 20 Wochen, umfasste 360 Verbindungen und war mit hohen Kosten und oft erfolglos verbunden. Seit 2018 arbeiten wir mit einem optimalen Versuchsdesign, genauer gesagt einem I-optimalen Versuchsdesign mit Response-Surface-Modell. Dieses lässt sich in zwei Wochen umsetzen. Es kostet uns 36 Verbindungen, und unser Modell kann die optimale Verbindung vorhersagen. Im Vergleich zur OFAT-Methode (One-Factor at a Time) reduziert sich unser Arbeitsaufwand und die Vorlaufzeit um 10 %, und wir verfügen über deutlich mehr Informationen als zuvor.
Ich schaue mir dieses Modell an. Hier sehen Sie ein Modell mit zehn Ausgabefaktoren. Diese Ausgabefaktoren sind physikalische Eigenschaften, die das Funktionsverhalten dieses Scheibenwischers bestimmen. Die fünf Eingabefaktoren sind die Bestandteile unserer Mischung. Außerdem sehen Sie einen Sperrfaktor, der damit zusammenhängt, dass wir nur neun Tests pro Tag durchführen können.
Das von uns verwendete Modell. Wie bereits erwähnt, nutzen wir ein I-optimales Design und ein Response-Surface-Modell. Laut JMP beträgt die Mindestanzahl an benötigten Tests in diesem Fall 27. Wir empfehlen üblicherweise, vier Tests mehr als 27 durchzuführen, aber da wir ohnehin vier Testtage haben, wären 36 Tests eine Möglichkeit. Wir werden daher standardmäßig 36 Tests wählen.
Wenn wir nun die Analyse durchführen, verwenden wir dieses analysierte Modell. Ich verschiebe es kurz. Hier sehen Sie die Effektzusammenfassung. Alle p-Werte liegen deutlich unter 0,05. Dies ist die Ausgabe. In der Ausgabe sehen wir, dass der Bereich zwischen tatsächlichen und vorhergesagten Werten sehr klein ist. Es ist eine Gerade, wie erwartet, aber auch hier sind die roten Balken sehr, sehr klein.
Wir sehen auch, dass wir in der Zusammenfassung der Anpassungsgüte stets das korrigierte R² betrachten. Ein Modell mit einem Wert über 0,90 gilt für uns als gut. In diesem Fall haben wir ein Modell mit einem Wert von 0,99, was bedeutet, dass 99 % der Variabilität durch das Modell erklärt werden können. Analysieren wir dieses Modell mit 10 Ausgaben und 5 Eingaben, ist es für uns sehr wichtig, dass wir im Vorhersageprofiler die Zielfunktionen eingeben können, um die Zielerreichung zu maximieren und die optimale Verbindung zu ermitteln.
Für uns ist es wichtig zu wissen, welche Entscheidungen der Computer trifft, aber wir überprüfen die Daten stets manuell, um Wechselwirkungen usw. zu erkennen. In diesem Fall wissen wir beispielsweise, dass Eingabe 1 und Eingabe 2 interagieren, und durch Verschieben des Profilers können wir den Einfluss der verschiedenen Faktoren deutlich sehen. Wie Sie hier in den Ausgaben sehen, weisen bestimmte Ausgaben mit einem sehr guten korrigierten R² sehr kleine Konfidenzintervalle auf. Andere Ausgaben zeigen hingegen eine größere Variabilität.
In der letzten Phase, der Kontrollphase, gilt es sicherzustellen, dass die Verbesserungen langfristig erhalten bleiben und der Prozess stabil und kontrolliert abläuft. Zunächst muss der Kontrollplan überprüft werden. Ist er korrekt, wird er gegebenenfalls angepasst und die Methoden werden dokumentiert.
Als zweiten Schritt wenden wir stets die statistische Prozesskontrolle an, bei der wir mithilfe von Regelkarten die Prozessstabilität überwachen. Bei Bosch verwenden wir dafür ein spezielles Programm. Daher wird Elodie auch die Prozesskontrolle in JMP erläutern.
Ich zeige Ihnen, wie Sie mit dem Add-in Regelkarten erstellen. Wie bereits erwähnt, ist die Kontrollphase in der letzten Phase der Six-Sigma-Methodik sehr wichtig. Sie finden die entsprechende Option im Menü unter „Kontrolle der letzten Phase“. Es gibt zahlreiche Möglichkeiten, Regelkarten zu erstellen. Sie können entweder den Regelkarten-Generator verwenden, ein sehr anpassbares Tool, mit dem Sie nahezu jede Art von Karte erstellen können. Alternativ können Sie, falls Sie eine bestimmte Kartenart benötigen, eine der anderen Optionen auswählen. Ich zeige Ihnen ein Beispiel mit Daten, anhand dessen wir eine Regelkarte erstellen werden.
Die Daten hier sind etwas kurios und fiktiv. Es geht um Essiggurken. Wir messen ihren Säuregehalt. Die Messungen wurden zu verschiedenen Zeitpunkten an verschiedenen Chargen durchgeführt, um die Stabilität der Produktion zu überprüfen.
Hier sehen Sie die Kontrollkarte aus dem Kontrollkartengenerator. Sie ist in zwei Unterabschnitte unterteilt. Der erste Abschnitt zeigt die gemessenen Punkte an. Die roten Linien markieren die Kontrollgrenzen. Liegt ein Punkt außerhalb der Kontrollgrenzen, wie in diesem Beispiel, ist dies ein Warnsignal dafür, dass Ihr Prozess möglicherweise nicht stabil ist. Sie sollten daher die Ursache überprüfen.
Sie erhalten außerdem Benachrichtigungen zu Stabilitätsproblemen, potenziellen Mittelwertverschiebungen oder drohenden Problemen. Dank dieser Benachrichtigungen können Sie diese Probleme im Vorfeld vermeiden. In JMP können Sie eigene Benachrichtigungen erstellen oder vorhandene verwenden. Es stehen Ihnen zahlreiche Benachrichtigungstypen zur Verfügung.
Hier sehen wir zwei leuchtende Punkte. Sie sind sozusagen eingeschaltet. Dieser hier, Nummer 5, zeigt beispielsweise die Bedeutung an, wenn Sie mit der Maus darüberfahren. Er bedeutet, dass zwei der letzten drei Messwerte mehr als zwei Standardabweichungen (Sigma) nach dem Mittelwert liegen. Das kann auf ein Problem hindeuten. Sie können sich benachrichtigen lassen und dann prüfen, ob tatsächlich ein Problem vorliegt, um es gegebenenfalls zu vermeiden.
Dasselbe gilt für eine andere Art von Warnung. Sie weist darauf hin, dass es in Ihrem Prozess möglicherweise zu einer Veränderung gekommen ist und er daher instabil ist. Sie sollten dies zumindest überprüfen. Ein weiterer Teilbereich ist ein Regeldiagramm, das auf gleitenden Spannweiten basiert. Damit können Sie erkennen, ob die Spannweite zwischen zwei Punkten zu groß oder verdächtig ist.
Es dient auch dazu, die Variabilität Ihres Prozesses zu überprüfen und sicherzustellen, dass er stabil bleibt, da wir alle Schritte zielorientiert durchgeführt haben und unser Prozess nun stabil sein und bleiben soll. Damit ist unsere Präsentation beendet. Bei Fragen stehen wir Ihnen gerne zur Verfügung.
