Diese Präsentation untersucht einen Workflow, der mithilfe einer multivariaten Kontrollkarte für ein industrielles Prozesssystem erstellt wurde. Zunächst wird ein PLS-Modell erstellt, um ein Prozessergebnis vorherzusagen, beispielsweise den Ertrag oder den Proteingehalt eines Produkts, um nur einige Beispiele zu nennen. Anschließend wird eine modellbasierte multivariate Kontrollkarte (MDMCC) erstellt, die die für diese Vorhersage entscheidenden Variablen darstellt.
Das MDMCC wird anschließend in JMP Live hochgeladen. Die zur Erstellung des Modells und des MDMCC verwendeten Daten werden über ein Add-In abgerufen, das speziell für den Datenabruf aus einem PI-Datenarchiv entwickelt wurde. In JMP Live wird der Datenabruf per Skript automatisiert, sodass er sich automatisch aktualisiert und ein modellbasiertes multivariates Kontrolldiagramm erstellt. Es ist ein hervorragendes Tool für Prozessingenieure, da es Abweichungen von T2- und quadrierten Vorhersagefehlern anzeigen kann. Wir schätzen diese Diagramme, da sie mehr Informationen liefern als typische Kontrolldiagramme, da sie nicht nur Abweichungen in der univariaten Kontrolle der Variablen, sondern auch Abweichungen in der Beziehung zwischen den x-Variablen zeigen, die in typischen Kontrolldiagrammen nicht sichtbar sind.
Hallo, ich bin Drew Luby. Heute stelle ich Ihnen meine Posterpräsentation „Automatisch aktualisierte multivariate Regelkarten mit JMP Live“ vor. Zunächst ein paar Hintergrundinformationen: Ich bin Analytics Engineer bei ADM. ADM ist ein landwirtschaftlicher Verarbeitungsbetrieb mit zahlreichen Anlagen weltweit. Viele dieser Anlagen sind mit zahlreichen Sensoren ausgestattet, die Druck, Temperatur, Durchfluss und ähnliche Daten erfassen. Diese hochfrequenten Daten wollen wir analysieren, Fehler beheben und sofort entsprechende Maßnahmen ergreifen.
Hier ist ein Beispiel für diese Daten bzw. wie der Prozess aussehen könnte. In diesem Beispiel sehen Sie einen Keimtrocknungsprozess für Maiskeime. Fünf Trockner arbeiten zusammen, um am Ende eine endgültige Keimfeuchte zu erreichen. Sie können alle Sensordaten sehen. Wir haben Ventil- und Amperewerte, Dampfströme, Drücke und Temperaturen. In unserem Prozess liegen viele verschiedene Daten vor, die wir miteinander verknüpfen und mit der Endfeuchte vergleichen möchten, die unserer Spezifikation für dieses Produkt entspricht.
Die Herausforderung besteht darin, viele verschiedene Variablen zu betrachten, dabei aber den gesamten Prozess in einem einzigen Diagramm zu erfassen. Unser Ziel ist daher die Erstellung einer modellbasierten multivariaten Kontrollkarte. Diese ermöglicht es uns, alle Variablen, die ich gerade gezeigt habe, in einem Diagramm zu betrachten, anstatt sie täglich einzeln analysieren zu müssen.
Die modellbasierte multivariate Regelkarte zeigt uns, ob es Variablen gibt, die außerhalb des Normalbetriebs liegen, und auch, ob sich Variablen anders verhalten als erwartet. Anhand dieser modellbasierten multivariaten Regelkarte können wir tiefer in die Materie eintauchen und herausfinden, ob einzelne Variablen fehlerhaft sind, außerhalb der Spezifikation liegen oder andere Parameter als üblich aufweisen. So werden wir auf diese Variablen aufmerksam, sodass ein Ingenieur oder Anlagenbediener sofort Maßnahmen ergreifen kann.
Unser Ziel ist es, mithilfe der Anomalieerkennung auf Prozessänderungen aufmerksam zu machen und entsprechende Maßnahmen zu ergreifen, damit wir nicht über längere Zeit mit einem Parameter außerhalb der Spezifikation oder einem Ventil arbeiten, das anders funktioniert als erwartet. Viele Beispiele. Wir wollen sie schnell erkennen und Maßnahmen ergreifen können. Die modellbasierte multivariate Regelkarte übernimmt dies für uns.
Die dafür verwendete Methode wird hier gezeigt. Ich gehe die Schritte sowohl hier im Poster durch als auch in JMP. Um auf unsere Daten zuzugreifen, benötigen wir zunächst ein Add-In namens OSIsoft PI Tools. Dieses haben wir selbst entwickelt, es ist in der Community verfügbar und, soweit ich weiß, auf dem Poster verlinkt. Mit diesem Add-In können wir die PI-Tags unseres Data Historian PI in JMP importieren. Darüber hinaus erstellt es ein JSL-Skript, das wir in JMP Live kopieren und einfügen können, um täglich automatisch neue Daten abzurufen. Dies ist für die Fehlerbehebung im aktuellen Prozess erforderlich.
Nachdem wir die Daten eingelesen haben, erstellen wir ein PLS- oder Partial-Least-Squares-Modell. Technisch gesehen könnten wir eine modellbasierte multivariate Kontrollkarte auf Basis von PCA- oder PLS-Modellen erstellen, wir wählen hier jedoch PLS, da es sich um ein multivariates Modell handelt, das eine Vorhersage einer Y-Variablen ermöglicht. In meinem Beispiel verwenden wir alle gezeigten Prozessparameter: Temperaturen, Drücke, AMPS und Durchfluss. All dies wollen wir nutzen, um die endgültige Feuchtigkeit vorherzusagen. Wir erstellen ein PLS-Modell und nutzen es für unsere modellbasierte Kontrollkarte.
Sobald wir die modellbasierte multivariate Kontrollkarte aus PLS erstellt haben, erstellen wir in JMP ein Dashboard, das die Kontrollkarte anzeigt, sowie eine Prozess-Screening-Plattform, die es uns ermöglicht, jede dieser Variablen einzeln zu betrachten. Sobald wir das Ganze schließlich in JMP Live veröffentlicht haben, gehe ich die Schritte durch und zeige, wie wir den Datenabruf automatisieren.
Unser Ziel ist es, unseren Prozessingenieuren und Bedienern ein zugängliches Tool zu bieten, das ihnen neue Echtzeitdaten anzeigt. Dieses Tool zeigt ihnen mögliche Prozessprobleme, ohne dass sie den Trend jeder einzelnen Variable analysieren müssen. Die modellbasierte multivariate Regelkarte in Kombination mit JMP Live hat diesen Zweck perfekt erfüllt. Wir gehen zu JMP, und ich zeige Ihnen genau, wie das geht.
Innerhalb von JMP haben wir dieses Add-In erstellt: JMP OSI PI-Daten. Das ist ein praktisches Add-In. Im Grunde ermöglicht es uns, die Adresse unseres Servers einzugeben. Einige davon basieren auf Dropdown-Menüs. Wenn Sie mit PI-Daten vertraut sind, werden Ihnen die von PI verwendeten Abfragetypen sowie die Start- und Endzeiten in PI-Zeit angezeigt. Falls Sie damit nicht vertraut sind, sollten Sie das vielleicht nachschlagen. Wenn Ihre Einrichtung PI verwendet, kennen Sie es wahrscheinlich.
In diesem Beispiel verwende ich einen 7-Tage-Pull, also Stern minus 7 Tage. Ich ziehe stündlich interpolierte Werte. Die Tags, die ich verwenden werde, habe ich bereits durchgesehen und vorausgewählt. Ich verwende nicht alle Tags aus der Anzeige, die ich Ihnen gezeigt habe. Dies sind einige der wichtigsten, aber ich könnte alle verwenden. Ich füge sie einfach hier in das Fenster ein und kann meine Suchvorgänge ändern. Ich kann eine lange statt einer breiten Tabelle erstellen. Ich kann hier viele Dinge tun, damit meine Daten das abrufen, wonach wir suchen. Der kritische Teil dieses Add-Ins besteht darin, dass es ein Skript generiert, und dieses Skript kann kopiert und in JMP Live eingefügt werden. Es ist ziemlich lang, aber es kann kopiert und in JMP Live eingefügt werden, um die Neuerstellung dieser Datentabelle zu ermöglichen.
Wichtig: Da ich relative Zeitstempel verwende, wäre „Stern minus 7 Tage bis Stern“ heute von heute minus 7 Tage zuvor. Bei jeder Ausführung werden neue Daten abgerufen, basierend auf der von JMP Live angegebenen Zeit. Wenn dies morgen ausgeführt wird, wären es Daten von morgen bis vor 7 Tagen. Ich ziehe immer Live-Daten.
Ich lasse das nicht laufen, es kann tatsächlich etwas dauern. Im Video hier habe ich es bereits vor einiger Zeit nachgebaut und einige Ausblendungen und Ausschlüsse vorgenommen, um die Datentabelle etwas aufzuräumen. Es ist vorbereitet, aber Sie sehen, dass es dieselben Tags wie oben sind, und es ist ein 7-tägiger Lauf. Dieser begann zufällig am 23. Juli und lief bis zum 30. Juli.
Normalerweise muss beim Importieren dieser Daten viel bereinigt und die Datentabelle organisiert werden, und das ist hier bereits erledigt. Ich möchte nicht so tun, als würde ich Schritte überspringen, aber ich habe diese Arbeit bereits vorab erledigt.
Um dieses Partial-Least-Squares-Modell zu erstellen, verwende ich JMP Pro. Ich kann es also innerhalb der Fit-Model-Plattform oder direkt hier in Partially Squares unter Multivariate Methoden erstellen. Ich werde die Feuchtigkeit des Keimtrockners anhand all dieser Prozessvariablen vorhersagen. Ich lasse es eine K-fache Validierung durchführen. Partial Least Squares, ich klicke auf „Ausführen“ und verwende hier die Standardeinstellungen. So wird dieses Modell erstellt.
Für meinen Beruf, in dem ich arbeite, ist dies ein ziemlich gutes Modell. Wir haben viel Prozessrauschen, sodass wir nicht unbedingt Ergebnisse von 90 % oder 0,9 R² erreichen. Für unsere Arbeit ist das akzeptabel. Vier Faktoren, und das ist in Ordnung. Ich könnte wahrscheinlich noch weiter gehen und das Modell etwas bereinigen, aber ich denke, dieses Modell ist richtungsweisend korrekt und was die Genauigkeit betrifft, für unser Beispiel gut genug. Normalerweise würde ich hier einen iterativen Prozess durchführen, um das etwas zu bereinigen.
Um ein modellbasiertes multivariates Kontrolldiagramm zu erstellen, gibt es mehrere Möglichkeiten. Ich kann direkt zu „Modellbasiertes multivariates Kontrolldiagramm für gespeicherte X-Werte“ wechseln. Dadurch werden die X-Werte in der Datentabelle gespeichert und daraus ein modellbasiertes multivariates Kontrolldiagramm erstellt. Das ist kein Problem. Ich speichere die Vorhersage jedoch als X-Werte-Formel, da ich in diesem Beispiel einen Trend erstellen möchte, der sowohl die vorhergesagte Feuchtigkeit zwischen den Stichproben als auch das modellbasierte multivariate Kontrolldiagramm anzeigt. Diesen Weg habe ich hier gewählt. Beide Optionen führen zu dem Zustand, den ich gleich zeigen werde: einige Spalten für X-Werte-Formeln.
Wenn Sie mit Faktoren und PLS-Modellierung nicht so vertraut sind, können wir das vielleicht bei Discovery besprechen. Dies ist ein Faktor, und Sie können sehen, dass es sich um eine Formel handelt, die eine lineare Kombination all dieser Variablen darstellt. Es gibt hier vier dieser Faktoren. Diese Vorhersageformel ist tatsächlich eine lineare Kombination der vier Faktoren. So berichtet das PLS-Modell.
Um ein modellbasiertes multivariates Kontrolldiagramm zu erstellen, würde ich zu „Analyse, Qualität und Prozess, modellbasiertes multivariates Kontrolldiagramm“ gehen. Ich kann einfach diese X-Werte in die Prozessvariable und die Zeit in die Zeit-ID einfügen, und es wird ein Diagramm von T² erstellt.
Ohne zu sehr in Statistiken zu versinken, misst T² im Wesentlichen, wie weit ich vom Mittelpunkt all dieser Variablen in meinem Prozess entfernt bin. Ich kann das beispielsweise so erklären: Wir haben eine Rate, die durch unsere Anlage läuft. Wir nennen sie Mahlrate, wobei wir in diesem Fall Mais mahlen. Normalerweise laufen wir mit einer Standardrate. Würden wir bei der halben oder Null-Mahlrate liegen, wäre mein T² hoch, da es sehr vom Normalzustand abweichen würde. Auch wenn die Feuchtigkeit aus einem der Trockner extrem hoch wäre oder der Dampf viel höher als üblich, könnten alle Variablen entweder sehr hoch oder sehr niedrig sein und das trägt zu einem hohen T² bei. Mit dieser Statistik kann ich den Zustand meines Prozesses für alle diese Variablen ermitteln, indem ich mir eine Statistik namens T² ansehe.
Ein Beispiel: Wenn ich mir diesen Punkt anschaue, können Sie sehen, dass ich diese Balken anzeigen kann. Lassen Sie mich diesen Punkt hier hervorheben, um zu zeigen, dass er am stärksten außer Kontrolle geraten ist. Tatsächlich war die Feuchtigkeit in diesem Keimtrockner 4 viel höher als üblich. Das Schöne ist, dass ich hier eine Kontrollkarte für Keimtrockner 4 habe, die zeigt, dass er weit außerhalb der Spezifikation liegt, aber ich kann alle Variablen mit einer Kontrollkarte darstellen. Das ist der eigentliche Mehrwert: Ich kann Hunderte von Variablen mit einer Statistik betrachten.
Ich erstelle hier gerne eine Beitrags-Heatmap, die meiner Meinung nach einem Prozessingenieur bei der Fehlersuche hilft. So kann ich erkennen, dass die Feuchtigkeit im Keimtrockner 4 rot war. Ich konnte sehr schnell T² erkennen, was die Ursache war, genau hier. Sie wüssten sofort, wo sie nachsehen müssen, wo das Problem liegt.
Ich füge meiner modellbasierten multivariaten Kontrollkarte unter „Prozessüberwachung“ außerdem gerne ein Diagramm des quadrierten Vorhersagefehlers hinzu. Ich werde die Skala etwas anpassen. SPE (quadratischer Vorhersagefehler) misst etwas anderes als T². SPE misst, wie weit wir von der Vorhersage des Modells abweichen bzw. außerhalb der Modellebene liegen.
Ein hoher SPE bedeutet, dass der von uns prognostizierte Wert stark vom Modell abweicht oder dass der von uns prognostizierte Wert vom tatsächlichen Wert abweicht oder dass der Wert der Vorhersage der X-Matrix vom tatsächlichen Wert abweicht. Das bedeutet, dass die Interaktion zwischen meinen Variablen anders war als erwartet. In meinem Beispiel, und ich habe das genauer untersucht, ist die Feuchtigkeit im Trockner 1 hoch, da der SPE hoch ist.
Was in dieser Situation tatsächlich passiert, ist, dass sich normalerweise bei erhöhter Dampfmenge das Dampfventil öffnet, der Dampfdurchflussmesser ansteigt und wir normalerweise sehen, dass die Feuchtigkeit im Keimtrockner sinkt. In diesem Fall ist sie nicht gesunken. Das zeigt mir, dass es in der Vorhersagestruktur des Modells Abweichungen gibt und der SPE als hoch gemeldet wird. Das ist etwas, das eine univariate Kontrollkarte oder T² nicht immer erfasst, da jede dieser Variablen für sich genommen innerhalb ihrer normalen Kontrollgrenzen liegen kann.
Normalerweise sind sie positiv korreliert, in diesem Zeitraum jedoch negativ. Das ist für unser Werk wichtig, weil es zum Beispiel erkennen kann, dass eine Laborprobe einen falschen Wert aufweist. Vielleicht wurde sie an der falschen Stelle entnommen. Das könnte bedeuten, dass mein Dampfdurchflussmesser ausgefallen ist. Oder dass mit meinem Trockner etwas nicht stimmt. Das herauszufinden, ist wichtig für uns. Dasselbe mache ich mit einer Contribution Heatmap und strecke sie etwas aus.
Genau wie in diesem Beispiel fehlen Daten. Es gibt einige Ausfälle, und Sie sehen, wie die Dinge dadurch hervorgehoben werden. Dies ist die modellbasierte multivariate Kontrollkarte, die sich meiner Meinung nach für unsere Ingenieure und Prozessingenieure bei der Fehlerbehebung im Prozess als äußerst nützlich erwiesen hat.
Sie müssen sich häufig Folgendes ansehen: Sie sehen einen hohen T²-Wert oder einen hohen SPE-Wert und möchten diese Variable dann in einem univariaten Kontrolldiagramm sehen. Ich denke, der beste Weg, dies zu zeigen, ist unter „Analyse“, „Qualität und Prozess“, „Prozess-Screening“, wo ich alle diese Werte in meine Prozessvariablen und „Zeit in Zeit“ einfüge.
Jetzt habe ich ein praktisches Beispiel. Sie sehen, dass wir einen Ausfall in diesem Datensatz haben. Alles ist rot, aber die Variablen werden nach der am wenigsten stabilen sortiert. So wissen Sie wieder, welche Variable Sie bei der Fehlerbehebung im Prozess berücksichtigen müssen. Wenn ich alle markiere und „Diagramme für Auswahl anzeigen“ auswähle, erhalte ich univariate Kontrolldiagramme und aktiviere die Markierungen. Sie sehen, dass es abwärts geht, und das ist das Beispiel.
Dieses Tool ist in Kombination mit dem modellbasierten multivariaten Kontrollkarten-Tool sehr leistungsstark. Ich erkenne schnell, ob T² und SPE im Rahmen liegen. Theoretisch kann ich als Ingenieur dann zu einem anderen Prozess übergehen. Ich muss den Keimprozess nicht beobachten. Er läuft wie gewohnt, und alle Variablen interagieren wie gewohnt. Wenn ich etwas sehe, kann ich anhand der Heatmap herausfinden, welche Variable nicht stimmt. Anschließend kann ich mir die univariate Kontrollkarte ansehen und sehen, was los ist.
Die Herausforderung besteht nun darin, das Ganze in eine Form zu bringen, die leicht zu teilen, leicht zugänglich und jederzeit aktualisierbar ist, ohne dass jemand jeden Morgen neu in JMP zugreifen muss. Wir veröffentlichen es zunächst in JMP Live. Zuerst erstellen wir ein Dashboard. Ich kombiniere Fenster. Nennen wir es Dashboard. Das ist in Ordnung. Versuchen wir es noch einmal. Wir müssen die Fenster auswählen, die wir kombinieren möchten.
Jetzt haben wir ein Dashboard. Meiner Erfahrung nach sieht es in JMP Live nicht so gut aus, da man Bildlaufleisten hat und durch die Elemente zoomen muss. Deshalb gehe ich gerne hier hoch zu diesem roten Hotspot „Dashboard bearbeiten“. Ich klicke darauf, ziehe es und docke es hier an, wo „Nach Tab einfügen“ steht. Dann starte ich das Dashboard.
Jetzt habe ich ein schönes Dashboard, das angetippt ist. Sie können sich vorstellen, wie mein Ingenieur hierherkommt, es sich ansieht und prüft, ob er auf das Keimsystem achten muss oder nicht. Wenn ja, werden ihm auf der nächsten Registerkarte alle univariaten Kontrollkarten angezeigt.
Das möchte ich in JMP Live veröffentlichen. Ich wähle „Ablegen“ und „Berichte in JMP Live veröffentlichen“. Das dauert nur einen Moment. Wir veröffentlichen das Dashboard und legen es in einem Ordner für Posterpräsentationen ab. Ich gebe ihm den Titel „Posterpräsentation – Keimbeispiel“. Wir veröffentlichen eine neue Datentabelle, und dann klicke ich einfach auf „Veröffentlichen“, um sie hier zu öffnen. Ich lade sie hierher. Das ist die JMP Live-Seite. Der Vorteil von JMP Live ist, dass jeder in unserem Unternehmen darauf zugreifen kann, unabhängig davon, ob er JMP hat oder nicht. Es bietet allen die Möglichkeit, die Berichte zu überprüfen. Es ist interaktiv. Wenn ich dort Punkte markiere, werden sie hier angezeigt und ich kann sie hierher bringen. Alles ist vernetzt und interaktiv, was wirklich praktisch ist, viel besser, als PDFs oder Bilder zu versenden.
Genau so wollte ich es haben. Sie sehen, wo ich Daten ausgeschlossen hatte, hätten wir einen sehr hohen T²-Wert gehabt, da wir dort meiner Meinung nach viele Ausfälle hatten. Deshalb war auch der SPE in diesen Zeiten so hoch. Genau das möchte ich automatisieren. Ich möchte, dass stündlich neue Daten abgerufen werden, damit wir immer die aktuellsten Daten sehen.
JMP Live funktioniert wie ein Bericht, und im Hintergrund läuft die von uns erstellte Datentabelle. Meine Datentabelle wurde in JMP Live veröffentlicht. Der Schlüssel zur Automatisierung liegt darin, diese Datentabelle mit neuen PI-Daten zu aktualisieren, unabhängig von der Häufigkeit. Anschließend wird automatisch der neue Bericht generiert.
Ich befinde mich auf der Datentabellenseite. Dort kann ich zu den Einstellungen gehen und per Skript eine Datenaktualisierung durchführen. Zurück in meiner JMP-Datentabelle befindet sich hier das Skript, das mein Add-In generiert hat. Ich kann es direkt in das JMP Live-Fenster kopieren und einfügen, und es funktioniert. Es erstellt die Tabelle so, wie ich sie ursprünglich erstellt habe. Die X-Scores-1-Formeln und die Vorhersage werden nicht wiederhergestellt.
Sie können das Protokoll oder Ihren Workflow-Builder verwenden, wenn Sie diese Spalten erstellen oder beispielsweise Spezifikationsgrenzen festlegen oder Änderungen an Ihrer Datentabelle vornehmen. Dazu müssen Sie diese Skripte kopieren. Ich habe das hier bereits erstellt, um Zeit zu sparen. Unten in meinem Skript sehen Sie, dass ich im Grunde neue Formelspalten erstellt habe. Ich kopiere diese einfach mit dem Protokoll oder dem Workflow-Builder. Ich kopiere sowohl die Formel für diese Spalte als auch die modellgesteuerte multivariate Kontrolldiagrammstatistik.
Das wird alles kopiert und am Ende eingefügt. Der Rest oben kommt direkt aus dem Add-In. Ich muss nur zu diesem leeren Skript gehen, es dort einfügen, auf „Speichern“ klicken und einen Aktualisierungsplan festlegen, damit ich wählen kann. Ich werde es stündlich wiederholen lassen. Mein Beispiel wird morgen abgebrochen, damit der Server nicht zu stark beansprucht wird. Ich könnte es alle 5 Minuten wiederholen lassen, wenn ich wollte. Ich lasse es einfach stündlich laufen und kann einen Zeitplan auswählen.
Bei jeder Ausführung ruft dieses Skript unseren PI-Server ab, ruft neue Daten ab, erstellt die Datentabelle neu und erstellt anschließend automatisch den Bericht auf Grundlage der neuen Daten. Ich muss ihm außerdem Anmeldeinformationen geben, damit es auf unseren PI-Server zugreifen kann. Ich klicke auf „Speichern“ und anschließend auf „Daten aktualisieren“, um zu überprüfen, ob es funktioniert. Es sollte nur eine Sekunde dauern, bis die Funktion angezeigt wird.
Es ist natürlich bei mir fehlgeschlagen, während ich … Denn was ich noch in meiner Zwischenablage hatte, waren die alten Tags, die wir in das Add-In eingefügt hatten. Wir kopieren und fügen das ein. Entschuldigung. Wir klicken auf „Speichern“. Jetzt ist es gespeichert, und wir sollten die Daten aktualisieren können. Entschuldigung für den Fehler. Während das läuft, möchte ich erwähnen, dass ein weiterer Vorteil von JMP Live darin besteht, dass wir manchmal Datentabellen haben, die wir täglich, monatlich oder so aktualisieren möchten. Anstatt jedes Mal jemanden JMP aktualisieren zu lassen, können Sie es einfach hier einbauen, die Aktualisierungshäufigkeit festlegen, es hier neu laden und die Datentabelle dann jederzeit direkt aus JMP Live abrufen. Es ist ein wirklich gutes Tool, um Datentabellen einfach zu aktualisieren und sogar Berichte zu erstellen, die automatisch aktualisiert werden.
Sie können sich hier meinen Bericht ansehen. Unsere Daten reichen vom 25.08. bis zum 28.08. Sie sehen, dass T² sinkt. Ich weiß, dass in der Anlage Wartungsarbeiten durchgeführt werden. Ich glaube sogar, dass ein Trockner ausgefallen ist, weshalb der Dampfdruckregler dort immer abgelesen wird. Dieses Tool möchten wir unseren Mitarbeitern zur Verfügung stellen und wir haben es als nützlich erachtet. Navigieren Sie noch einmal hierhin und werfen Sie einen kurzen Blick auf meine T²-Überprüfung, genau wie bei jeder Kontrollkarte, und dann auf meinen SPE. Wenn beide in Ordnung sind, muss ich mir wirklich keine Sorgen machen, denn es könnten Hunderte von univariaten Variablen im Hintergrund sein.
Wenn es etwas Besorgniserregendes gibt, wie etwa einen hohen T²-Wert, kann ich entweder hier meine Heatmaps ansehen oder hier rübergehen und mir das Prozess-Screening ansehen. Dort sehen Sie, dass es derjenige war, der ausgefallen war. Auch hier habe ich wieder ein interessantes Beispiel: Wir hatten einige Schwankungen bei unseren Trocknern, aber man kann schnell herausfinden, welche Variable problematisch ist. Liegt etwas außerhalb der Spezifikation? Funktioniert etwas anders als erwartet? Sobald Sie das herausgefunden haben, können Sie einfacher und schneller Maßnahmen ergreifen.
Das ist alles, was ich zeigen wollte. Wenn Sie bei Discovery sind und Fragen dazu haben, bin ich dort und wir können darüber sprechen. Vielen Dank.
