JMP工艺优化中的可视化公差分析

2009-12-09 11:45:03来源: EEWORLD

    合理运用以部分析因设计、完全析因设计和响应面设计等经典DOE试验设计理论可以帮助我们在工业运营的环境中筛选重要因素,量化描述重要因子的主效应和交互作用,乃至推算出重要因子的最佳设置方案。这些方法论无论是在传统的质量改进,还是在现代的六西格玛活动中,均有过成功应用的实际案例。

    但是,切不可因此以为经典试验设计就是包治百病的灵丹妙药。不少企业在追求产品质量、流程能力精益求精的过程中,发现单纯地依靠经典试验设计,先天性地存在着一些不可避免的风险和隐患。最常见的一类问题可以用图一表示:原本以为根据试验设计建立的统计模型,投入实际生产的产品结果将会百分百地落入规格要求之内(如图左部的理想状态所示),但真正投产后却发现产品结果的波动相当大,相当一部分的数据超出了规格要求(如图右部的现实状态所示)。产生这样的结果不仅给企业带来了经济上的损失,而且也动摇了工程师进一步应用试验设计的信心。

    其实,深入了解试验设计领域的研究人员都基本知晓产生这个问题的一个主要原因是:误差的传递!如图二所示,工艺流程的输入变量X是通过根据试验设计或回归方程获取的传递函数对工艺流程的输出变量Y发生作用。在这个传递过程中,流程自变量不仅会影响产品质量特征的均值(这是大家所熟知的),而且由于流程自变量不可避免地存在着变异(或称误差),它还会影响产品质量特征的变异,这就是所谓的“误差传递”。如果要定量地表达误差传递,可以用下列公式来表示。

    公差分析是克服误差传递干扰的一种合适方法,也是试验设计理论研究的有益扩充。通俗地说,公差分析就是运用统计分析的方法,事先给众多输入X设置合理的公差(而不仅仅是目标值),以保证经过工艺流程之后,产生的输出Y对输入的变异不敏感,依然落在顾客要求或技术规范之内。这个过程往往要求减小输入的公差,而减小输入的公差往往意味着产品加工成本的提高。因此,公差分析还强调选择合适的输入变量,减小到合适的公差幅度,以确保工艺优化的成本最小化。同时,一次成功的公差分析常常不是一蹴而就的,一般需要工艺工程师和统计工程师等多方协作、不断沟通反馈后才能完成。

[1] [2] [3] [4] [5]

关键字:JMP

编辑:冀凯 引用地址:http://www.eeworld.com.cn/designarticles/others/200912/article_18747.html
本网站转载的所有的文章、图片、音频视频文件等资料的版权归版权所有人所有,本站采用的非本站原创文章及图片等内容无法一一联系确认版权者。如果本网所选内容的文章作者及编辑认为其作品不宜公开自由传播,或不应无偿使用,请及时通过电子邮件或电话通知我们,以迅速采取适当措施,避免给双方造成不必要的经济损失。
论坛活动 E手掌握
微信扫一扫加关注
论坛活动 E手掌握
芯片资讯 锐利解读
微信扫一扫加关注
芯片资讯 锐利解读

小广播

About Us 关于我们 客户服务 联系方式 器件索引 网站地图 最新更新 手机版

站点相关: 安防电子 医疗电子 工业控制

北京市海淀区知春路23号集成电路设计园量子银座1305 电话:(010)82350740 邮编:100191

电子工程世界版权所有 京ICP证060456号 京ICP备10001474号 电信业务审批[2006]字第258号函 京公海网安备110108001534 Copyright © 2005-2016 EEWORLD.com.cn, Inc. All rights reserved