Il video che utilizza JMP Pro 18 è stato pubblicato a settembre 2025.
Hai bisogno di simulare i risultati del tuo modello per determinare come misurare e ridurre i tassi di difettosità? Il tuo obiettivo è confrontare l'impatto della variazione dei valori delle variabili su uno o più obiettivi di risposta, come costi e rendimento? Il tuo team potrebbe trovare utile comprendere l'impatto dei limiti dei fattori sul tasso di difettosità previsto per le esecuzioni future e sulle specifiche di superamento (parte in-spec) delle risposte?
In questa sessione, utilizzando un semplice esempio di produzione a 4 fattori e 2 risposte, vedrai come:
- Determina in modo interattivo come cambia il tuo modello di previsione quando modifichi le impostazioni dei singoli fattori.
- Trovare ed esaminare i compromessi per impostazioni ottimali (desiderabili) dei fattori.
- Definire e ottimizzare la desiderabilità di una o più risposte.
- Eseguire un'ottimizzazione complessa della risposta per gestire i criteri di completamento e specificando pesi non uguali.
- Simula la distribuzione degli output del modello in funzione della variazione casuale degli input del modello e del rumore.
- Salvare i valori simulati per ulteriori valutazioni, compresi i valori che indicano se una risposta simulata rientra nei limiti delle specifiche.
- Esplorare l'impatto dei limiti dei fattori sul tasso previsto di future esecuzioni che superano le specifiche di risposta (parte in-spec).
Domande a cui hanno risposto @Laura_Higgins , @DonnyKopp e @PatrickGiuliano durante il webinar in diretta:
È possibile filtrare i valori simulati utilizzando una formula, in modo da poter inserire vincoli per le X?
R: Sì, se hai una formula nella tua tabella JMP oppure puoi aggiungerne una tua alla formula. Guarda il video sulle formule.
Esistono suggerimenti per il campionamento dei dati di processo continui da cui costruire il modello? Ad esempio, quanto spesso è troppo spesso e quanto spesso non lo è e quali sono i modi migliori per catturare il ritardo di processo nel modello?
R: Dipende sicuramente. Inoltre, JMP offre ottimi strumenti per aiutarti a campionare il tuo processo in modo intelligente. Ad esempio, puoi utilizzare Tabelle > Sottoinsieme per estrarre "intervalli" (sottoinsiemi) significativi di righe, in modo da non confondere il processo di campionamento. Immagina di campionare in modo completamente casuale da un processo con molti lotti e una variazione persistente tra lotti (scostamenti della media considerati attesi). Se esegui un campionamento completamente casuale da quel processo, il campione non si comporterà in modo razionale (ad esempio, non apparirà ragionevolmente coerente e potrebbe non adattarsi a nessun particolare modello distributivo, in particolare a uno "fisicamente basato" come Normale o Weibull).
L'analisi di sensibilità (quanto la variazione di input influisce sulla variazione di output) si chiama in modo diverso in JMP? Qual è il modo migliore per vedere quali predittori non necessitano di così tanto controllo?
ONU: Inizia cercando "Ottimizzazione stocastica" nella documentazione di supporto JMP.
Prerequisiti suggeriti:
Risorse
