Attenzione a tutti gli ingegneri di produzione!
Questo è un post complementare alla sessione Mastering JMP "Getting a Handle on Optimizing Day-to-Day Process Manufacturing Operations". L'evento è programmato per le 2PMEST del 31 gennaio 2025 e spero che tu possa partecipare. In caso contrario, pubblicherò un collegamento alla riproduzione on-demand dell'evento.
Durante la presentazione, viene presentato un metodo per usare il Data Mining per trovare soluzioni alla causa principale delle escursioni di processo. Per esperienza personale, posso dirti che questo metodo funziona molto bene e può aiutare a risparmiare tempo e risorse nell'investigare la possibile causa principale, aiutando il team a concentrarsi sulle prospettive più probabili. Come seguito alla discussione e come esercizio fai da te, ecco un altro esempio che puoi provare.
Ecco lo scenario. Durante una revisione di routine del processo, è stato scoperto uno schema insolito tra Process Monitor 2 e Process Control 5. C'è un cluster diagonale di punti che sembra molto insolito e il team vuole trovare la causa principale di questo schema. Le distribuzioni per Monitor 2 e Control 5 sembrano del tutto normali, quindi la causa principale rimane un mistero. Il tuo lavoro è usare il data mining per trovare la causa principale di questo problema. I passaggi per farlo sono simili alla discussione Mastering JMP, con un paio di colpi di scena da superare.
Sentiti libero di rispondere a questo post e accetterò la prima soluzione corretta. Tuttavia, come avviso di spoiler, ti prego di non leggere i commenti finché non hai provato a risolverlo. Inoltre, se hai usato questa tecnica per risolvere problemi del mondo reale, sarebbe fantastico saperlo. Tieni presente che la tecnica potrebbe non rivelare una risposta univoca, ma piuttosto restringere l'elenco alle prospettive più promettenti, il che è comunque una vittoria nel mio libro.
Buona fortuna, buon divertimento e buona indagine!
Iddio
Visualizza il problema
Le distribuzioni individuali sembrano normali
