Utilisateur JMP Archana Pawse, PhD , est une ceinture noire Six Sigma ayant travaillé pour Applied Magnetics, Superconductor Technologies et JDS Uniphase en tant qu’ingénieur produit / processus / fiabilité.
Ce qui suit est la description par la Dre Pawse de la façon dont elle utilise JMP dans son travail, qu’elle voulait partager avec d’autres. Ne hésitez pas à laisser une question ou un commentaire pour elle de répondre ou de la contacter directement par email.
Comment j'utilise JMP pour l'analyse de la cause fondamentale
Dans un environnement de fabrication, il est essentiel de trouver rapidement la cause première des défaillances. Tout retard dans l'identification de la cause fondamentale peut entraîner un gaspillage d'argent et de ressources. JMP est utile pour la recherche de la cause première, car vous pouvez facilement explorer et représenter graphiquement les données de plusieurs manières. J'ai trouvé trois fonctionnalités / techniques JMP (sélection de cellules, diagrammes de partition et diagrammes de variabilité) utiles pour cette enquête.
Pour démontrer ces techniques, j'ai généré des données hypothétiques. Dans cet exemple, Y1, Y2 et Y3 sont des paramètres de performance pour un produit fabriqué à l'aide de trois processus P1, P2 et P3.
P1-Machine, P1-X1 et P1-X2 sont les paramètres du processus P1. P2-Machine, P2-X1, P2-X2 sont les paramètres du processus P2. P3-Machine, P3-X1 sont les paramètres du processus P3. Le paramètre Y3 a 15 échecs (valeur <= 0.7).
1. Sélection de cellules
Dans JMP, une fois que vous avez représenté graphiquement tous les paramètres pertinents, vous pouvez sélectionner des points de données défaillants sur un graphique ou des cellules du tableau. Ils sont mis en surbrillance sur tous les graphiques de la session. Cette option n'est pas disponible dans d'autres logiciels. En mettant en évidence les échecs, vous pouvez immédiatement voir s’il existe une corrélation entre divers paramètres ou si les valeurs aberrantes sur un graphique sont également des valeurs aberrantes sur d’autres graphiques.
Dans cet exemple, j'ai représenté graphiquement les distributions des paramètres Y1, Y2 et Y3 et j'ai sélectionné tous les échecs pour le paramètre Y3. Ces défaillances sont également mises en évidence sur les distributions de Y1 et Y2, ce qui montre que les défaillances sont également aberrantes pour le paramètre Y1. Ce type d’information peut permettre de mieux comprendre la cause des échecs.
2 Parcelles de partition
Si les performances de votre produit final dépendent de divers paramètres de processus et de leurs interactions, il est très fastidieux de passer en revue tous les paramètres de processus pour trouver la cause d'une défaillance du produit. L'analyse de partition peut réduire cette liste à quelques paramètres, vous pouvez donc étudier ces quelques paramètres en détail. Dans certains cas, l'analyse de la partition peut même identifier la cause première.
Dans cet exemple, le paramètre Y3 est la variable de réponse et tous les paramètres de processus sont entrés dans le champ du facteur X. La meilleure option de scission dans l'analyse des partitions montre que le produit échoue (sa valeur Y3 est faible) lorsqu'il est traité dans la machine B en processus P2 et la machine 3 en processus P1.
3 Diagrammes de variabilité
Les diagrammes de variabilité sont utiles pour visualiser les échecs. Ce graphique est très efficace pour afficher les interactions entre divers paramètres, car vous pouvez tracer Y par rapport à plusieurs paramètres X. En outre, en utilisant plusieurs couleurs, symboles et tailles de symbole, vous pouvez afficher au moins quatre paramètres sur ce graphique.
Dans cet exemple, il est facile de voir sur le graphique que tout le produit défaillant (Y3 <= 0,7) est fabriqué à l'aide de la machine B à l'étape P1 et de la machine 3 à l'étape P2. De plus, en codant en couleur les données des différentes machines P3, vous pouvez voir que ces défaillances ne sont pas liées à la machine utilisée à l'étape P3. Différents symboles sont utilisés pour les unités passées et en échec pour une identification plus facile.
Les techniques / caractéristiques décrites ici ne se limitent pas aux enquêtes sur les causes profondes. Ils peuvent également être utilisés pour d'autres applications de fabrication telles que l'optimisation de processus ainsi que dans des applications marketing pour identifier un marché cible ou des opportunités de vente croisée.
