INSAMLAD DATA

Insamlad data sammanfogas efter städning i en datatabell som på grund av sekretess är exkluderad från denna rapport.

Generellt kan det konstateras att variationen bland observationerna är relativt liten, varav en viss del av variationen också beror på mätfel.

19

4.1.2.1 STÄDNING AV DATA

All data inhämtades ifrån en intern databas på Sandvik Coromant. Därifrån krävdes det att man manuellt sorterade de olika observationerna och mätparametrarna efter datum och tid för att få dessa i ”kronologisk ordning”, alltså den ordningen i vilken skären har blivit uppmätta. Därefter har observationer exkluderas som inte anses användbara (se mätoperationer nedan). Totalt blev fem observationer exkluderade.

4.2 ANALYZE

Inhämtad data har analyserats i SIMCA-P, vilka figurerna i detta kapitel härstammar ifrån.

4.2.1 ORSAKER TILL KAST

Modell 1

Figur 4.2.1 – 1 Komponenternas förklarings- och prediktionsgrad.

I den första modellen placeras alla uppmätta parametrar från kopplingssnittsslipning till efter geometrislipning. Detta för att skapa en ”alphamodell” som skall ge en grov översikt över informationen i all mätdata. Det är dock viktigt att uppmärksamma att en del parametrar mäter samma mått men genom olika mätmetoder, vilket gör att redan i första modellen erhålls en del variation mellan variablerna som endast härrör ifrån variationen mellan de olika mätmetoderna. Den första modellen (alpha) har en låg förklaringsgrad och prediktionsförmåga vars kumulativa förklaringsgrad i tredje komponenten är strax över 40%, medan den kumulativa prediktions-graden är strax under 30% (se figur 4.2.1 – 1).

Detta är naturligtvis inte en pålitlig modell. Betraktar med score- och loadingplotten är det svårt att skönja några distinkta grupperingar (se figur 1.2 & 1.3 i bilaga C). Istället läggs fokus på förklaringsgraden, respektive prediktionsförmågan hos de olika variablerna i modellen (Se figur 4.2.1 – 2). Här kan vi finna många variabler som knappt har 10% förklaringsgrad och till och med en negativ prediktionsgrad. Genom att exkludera de variabler med låg förklaringsgrad och starkt negativ prediktionsgrad hoppas jag erhålla en dugligare modell. Dock är jag mycket försiktigt med att exkludera för många variabler med risk för att tappa värdefull information.

20

Därför väljer jag att endast exkludera de variabler med en förklaringsgrad lägre än 10% och prediktionsgrad på under 5 %.

Figur 4.2.1 – 2 Variablernas kumulativa förklarings- och prediktionsgrad i sista komponenten.

Modell 2

Figur 4.2.1 – 3 Komponenternas förklarings- och prediktionsgrad.

Efter att ha exkluderat icke-nödvändiga variabler erhålls en ny modell (beta) med sex komponenter och med betydligt bättra kumulativ förklaringsgrad (ca 75%) i sista komponenten samt nästan 45% prediktionsgrad i fjärdekomponenten (se figur 4.2.1 – 3). Trots att ett antal

21

variabler fortfarande har låg förklarings- och prediktionsgrad kan de ändå i detta skede anses tillräckliga för att inkluderas i modellen (se figur 4.2.1 – 4).

Denna modell benämns alltså som betamodellen: den modell vilka andra modeller i denna analys kommer att grundas på och som endast innehåller de relativt informationsrika variablerna. Dock kan fortfarande inga distinkta grupper skönjas i score- eller loadingplotten (se figur 2.2 & 2.3 i bilaga C). Man kan dock se tendenser till vissa grupperingar. Tillexempel att A-probvärdena ligger i tre olika grupper längst ned i mitten och längst till vänster i mitten och tycks bidra starkt till modellen och att vissa variabler tycks ligga tätare (nästan ovanpå varandra), samt att koordinaten C ligger högst upp i mitten och tycks på egen hand ha stark inverkan i modellen. Dock anses denna modell ha ett för vitt spektrum av information som härrör ifrån alltför många orsaker (alltför stor blandning och överlappning av mätparametrar ifrån olika faser i slipnings-processerna) för att kunna ge någon specifik information i detta fall och är därför alltför komplex och svårtolkad.

Figur 4.2.1. – 4Variablernas kumulativa förklarings- och prediktionsgrad i sistakomponenten.

Utifrån betamodellen byggs nu en PLS-modell upp i syfte att avgöra vilka parametrar som påverkar kastet.

22 Modell 3

Figur 4.2.1 - 6 Komponenternas förklarings- och prediktionsgrad.

I denna modell väljs alltså de mätparametrar som är relaterade till kastet som responsvariabler (Y). Dock utesluts de kastmätningar som inhämtades i T-CMM (M4) med undantag för tappvinkeln (se Modell 6). Två variabler som exkluderas i betamodellen inkluderas i denna modell med hänsyn till den påverkan och korrelation de kan tänkas ha för kastet (tappens X- och Y-position).

Den erhållna PLS-modellen byggs upp med sju komponenter med en kumulativ förklarings- och prediktionsgrad på strax under 50% respektive strax över 25% i den sista komponenten (se figur 4.2.1 – 6). Detta kan anses som dugligt om än inte hållbart för en kvalificerad bedömning. Modellen måste därför förbättrats.

Vid betraktning av loadingsplotten kan man dock redan nu skönja ett mönster som kommer att vara återkommande i de senare modellerna, nämligen att fasdiametern och axialstödetsplanhet kommer att vara starkt influerande variabler i förhållande till responsvariablerna (se figur 4.2.1 – 7). Mönster som är värda att notera är:

 9100 Cutting diameter tycks korrelera med tappens X-position och koordinat Y

 Aprob-beräkningarna (1-4) tycks korrelera med 7400 radial runout of cutting diameter tillsammans med tappvinkeln och koordinat B.

 7600 symmetry of undercut tycks korrelera med Bprob-värdena (1-4) och tappdiametern.

 Aprob-beräkningarna (5-10) korrelerar starkt och har betydande inverkan på modellen.

23

Figure 4.2.1 – 7 loading-plott

För mycket vikt skall dock inte läggas vid denna modell, dels för att variablerna inte har en någorlunda symmetrisk fördelning (se figur 3.2 i bilaga C) vilket är av betydelse för PLS-modeller, samt att tre av responsvariablerna (7600, 7900 och 9300) har låg förklaringsgrad och mycket låg prediktionsförmåga (se figur 3.5) vilket tyder på de nuvarande X-variablerna har problem med att prediktera dem (se figur 4.2.1 – 8). 7900 och 9300 tycks vara de respons-variabler som inte påverkar modellen överhuvudtaget då dessa ligger vid origo.

24 Modell 4

Figur 4.2.1 – 9 Komponenternas förklarings- och prediktionsgrad.

En ny modell skapas utan responsvariablerna 7900 och 9300. Denna uppvisar en förbättrad förklaringsgrad på nästan 60% och en prediktionsgrad strax över 40% i den femte och sista kom-ponenten (se figur 4.2.1 – 9). Mönstret i score- och loadingplotten är detsamma som i föregående modell, tillskillnad från de nu exkluderade responsvariablerna som tidigare kretsade kring origo(se figur 4.2.1 – 10). Variablerna saknar fortfarande en någorlunda symmetrisk distribution (se figur 4.7), men förklarings- och prediktionsgraden är på en acceptabel nivå.

Granskar man uteliggarna i scoreploten finner man att fyra av de sex observationerna utanför Hotellings T² elips är skär som uppvisar kast enligt produktionssatta toleransgränser. Önskvärt är naturligtvis att alla skär som uppvisar kast ska befinna sig utanför T²s elips. I DModX (se figur 4.3 i bilaga C) kan en mycket tydligt uteliggare skönjas, nämligen skär nr 53. Detta skär uppvisar mycket höga, respektive låga värden för tappens X- och Y-position, vilket kan bero på felaktiga mätvärden av diverse anledningar. Detta värde ignoreras för tillfället och behålls i modellen.

25

Genom att betrakta VIP (se figur 4.4 i bilaga C) kan vi se att det finns ett par variabler som ligger under gränsen för betydelsefulla variabler i modellen, främst de fyra längst åt höger (<0.7). Dessa exkluderas tillsammans med variabeln Bkast som anses som en tvivelaktig variabel i förhållande till kastet, samt den responsvariabeln 7600 som hade lägst förklarings- och prediktionsgrad (se figur 4.2 i bilaga C). Värt att påpeka är att de responsvariabler som exkluderats hittills på alla observationer befunnit sig inom produktionssatta toleransgränser, vilket förringar deras betydelse att inkluderas i dessa analyser såvida de inte har stor bidragande effekt till modellen.

Modell 5

Figur 4.2.1 – 11 komponenternas förklarings- och prediktionsgrad.

En slutgiltig PLS-modell erhålls med sex komponenter och förklaringsgrad på cirka 75% och prediktionsgrad på 55% (se figur 4.2.1 – 11). Detta är nu en mycket bra modell. Dock skiljer den kumulativa förklarings- och prediktionsgraden ifrån den andra komponenten till den sista med 40% respektive 25%. Detta tyder på att endast två komponenter troligen inte bidrar med all nödvändig information, utan att även de tre sista kan vara av intresse (notera dock att differensen i förklarings- och prediktiktionsgrad är mycket liten mellan de tre sista komponenterna).

I figur 4.2.1 – 12 framgår det att den andra komponenten förklarar 7300 och 7800 relativt väl, medan de sista komponenterna (se figur 4.2.1 – 13) förklarar 7400 och 9100 (kumulativa för-klarings- och prediktionsgraden stiger vid femte komponenten).

26

Figur 4.2.1 - 12 t.v: Y-variablernas kumulativa förklarings- och prediktionsgrad i andra komponenten.

Figur 4.2.1 – 13 t.h: Y-variablernas kumulativa förklarings- och prediktionsgrad i sista komponenten.

Variablernas distribution är lik den hos en normalfördelning om än en aning skev (se figur 5.2 i bilaga C), men det ska då beaktas att denna modell endast innehåller runt 100 observationer. I score-plotten för de första två komponenterna finns det sju observationer utanför T2s elips (skär 11 är ett gränsfall), vilka alla uppvisar kast (se figur 4.2.1 – 14). Två övriga starka uteliggare kan också ses i botten, nämligen 21 & 22. Detta beror på att tappvinkeln och parallellism i förhållande till tappens radialstöd är längre utanför produktionssatta toleransgränser än övriga värden (i förhållande till annars godtyckligt nominella värden). Ett försök att exkludera dessa ur modellen gjordes men detta tyckes inte ha någon påverkan på modellen, med undantag för en marginellt förbättrad symmetrisk fördelning i variablerna, och observationerna behölls därför. Vid betraktning av loadingplotten (se figur 4.2.1 – 15) tycks responsvariablerna inte ha särskild stark påverkan i modellen, då det är önskvärt att de befinner långt bort ifrån origo.

Figur 4.2.1 – 14 t.v: score-plott t2/t1, Figur 4.2.1 – 15 t.h: loading-plott w*c 2/1

0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 7 3 0 0 A x ia l 7 4 0 0 Ra d ia 7 8 0 0 Ra d ia 9 1 0 0 Cu tt i Var ID (Primary) analys.M29 (PLS), PLS3 R2VY[2](cum) Q2VY[2](cum) SIMCA-P+ 12 - 2012-05-08 12:05:44 (UTC+1)

27

I scoreplotten för de två sista komponenterna finns det något färre uteliggare (se figur 4.2.1 - 16). Det som är av intresse i detta fall är att de uteliggare som illustreras av de sista komponenter till största del består av observationer utav kastande skär som inte illustrerades som uteliggare av de två första komponenterna, bland annat 52 och 8. Detta tyder på att dessa komponenter bidrar med en annan typ av information än de två första. 52 tycks påverka modellen mycket starkt.

Betraktas loadingplotten för de två sista komponenterna framgår dock ett nytt mönster (se figur 4.2.1 – 17). Störst vikt ska läggas vid 7400 och 9100 eftersom de tycks vara de som förklaras bäst av dessa komponenter. Det tycks som förklaringen till att dessa komponenter kan detektera dessa observationer som kastande skär är att Bprobvärden (3-4) samt A tycks ha stor inverkan på 7400, och med hänsyn till observation 52.

Figur 4.2.1 – 16 t.v: score-plott t6/t5 Figur 4.2.1 – 17 t.h: loading-plott w*c 6/5

Vid betraktning av den sammanfattande tabellen för modellen (se figur 5.1 i bilaga C) är en liten del av variationen i X förklarad av de två sista komponenterna. Dock betyder inte detta att dessa är irrelevanta, eftersom endast ett fåtal observationer förklaras av denna modell, nämligen de kastande skär som nu är utanför elipsen.

Ett antal fler uteliggare kan finnas i DModX varav två av dessa, 6 & 2, även ligger utanför T2s elips (se figur 4.2.1 – 18). Ingen uppenbar orsak kan finnas till uteliggarna i DModX, och vid försök att reducera dessa sjunker förklarings- och prediktionsgraden succesivt vilket medför att de inkluderas i modellen. Varför observationerna 6 och 2 (vilka båda uppvisar kast) ligger utanför är inte heller uppenbart. Troligen beror det på att skär 6 påverkas mycket negativare av tappvinkeln än övriga skär, medan skär 2 påverkas mycket starkt av Alängden.

-3,0 -2,0 -1,0 0,0 1,0 -4,0 -3,0 -2,0 -1,0 0,0 1,0 2,0 3,0 t[ 6 ] t[5] analys.M29 (PLS), PLS3 t[Comp. 5]/t[Comp. 6] R2X[5] = 0,0535112 R 2X[6] = 0,0189041 Ellipse: Hotelling T2 (0,95) 1 2 3 4 6 ⁷ 8 9 10 11 12₁₃ 14 15 16 17 18 ¹⁹ 20 21 22 24 25 ₂₆ 27 28 29 30 ³¹ 32 33 34 35 36 37 38 39 ₄₀ 41 42 43 44 45 ₄₆ 47 48 49 50 51 52 53 54 55 ^{56 57} 58 59 60 61 62 63 64 65 66 67 68697071 72 73 74 75 76 77 7879 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 ₁₀₀ 101 102 103104105 106 SIMCA-P+ 12 - 2012-05-08 12:08:19 (UTC+1) -0,6 -0,4 -0,2 -0,0 0,2 0,4 0,6 -0,40 -0,30 -0,20 -0,10 -0,00 0,10 0,20 0,30 w* c [6 ] w *c[5] analys.M29 (PLS), PLS3 w*c[Comp. 5]/w*c[Comp. 6] Colored according to model terms

R2X[5] = 0,0535112 R2X[6] = 0, 0189041 X Y Diameter f Tappvinkel Axialstöd Diameter f Fasbredd f _Parallelis Tapp X-Pos Tappdiamet Urtag Z-po Ytterdiame Bprob-v1 Bprob-v2 Bprob-v3 Bprob-v4 Bprob-b2 Bdia-topp A X

Y Aprob-b2_Aprobb-b1^Aprob-b4_Aprob-b3

Aprob-b5 Aprob-b6 Aprob-b7 Aprob-b8 Aprob-b9_Aprob-b10 ALängd 7300 Axial 7400 Radia 7800 Radia 9100 Cutti SIMCA-P+ 12 - 2012-05-08 12:09:38 (UTC+1)

28

Figur 4.2.1 – 18 DModX

Det är alltså uppenbart att detta är en modell med komponenter som ger oss flera kända förklaringar till varför skären kastar. Observationerna granskas därför i en observed vs Predicted plot för att tydligare bena ut de olika grupperingarna (se figur 4.2.1 – 19). Notera att nedan-stående figur bygger på Y-variabel 7300, dock kan i stort sett samma mönster skönjas för 7400 och 7800, med undantag för att 47 manifesterar sig mycket tydligt som en uteliggare för 7400.

Figur 4.2.1 – 19 Observed vs Predicted

En svärm av samma observationer som kunde skönjas i scoreplotten med de två första kompo-nenterna befinner sig tydligt i nedre delen av plotten och utgör en egen grupp. En stark ansamling av observationer (varav alla är utan kast) samlar ihop sig i mitten med ett par måttligt utstickare.

29

En av de mer instinktiva utstickarna är skär 99, vilket uppvisar kast enligt 7400. Skär 52 är också en observation som starkt avviker ifrån de andra.

Om man illustrerar variablernas olika betydelse för varje enskild grupp i ett histogram kan man få en generell uppfattning om vad som gör just en särskild grupp speciell i modellen.

Granskas svärmen av observationer längst ned i Observed vs Predicted ploten (se figur 4.2.1 - 20) visar det sig att framförallt att två variabler är bidragande, nämligen fasdiametern och axialstödetsplanhet (båda med negativ inverkan). Två mindre påverkande variabler sticker också ut, X-koordinaten och parallelismen.

Figur 4.2.1 – 20 variabel-plott för skär 2 till11

Betraktar man värdena för Fasdiametern (se figur 5.4 i bilaga C) kan man tydligt se en trend vid just denna gruppering av skär. Värdena är mycket låga för fasdiametern, för att sedan stiga i ett processkifte och behålla en relativt jämnnivå. Vid analys av axialstödets planhet kan man se en liknande trend, som sedan stiger kraftigt för att succesivt sjunka. Rimligtvis borde låga värden av axialstödets planhet inte orsaka kast, därför kan det antas att detta enbart är en ”slumpmässig” korrelation: att just dessa skär hade en mycket jämn planhet på axialstöden och därmed inte uppvisar kast på grund av detta. Möjligen kan den jämna planheten på axialstödens vara ett indirekt mått på en annan latent variabel eller förekomst ifrån tidigare slipningsprocesser.

Vid granskning av den täta svärmen av observationer med skär utan uppmätta kast (se figur 4.2.1 -21), visar det sig att väldigt få variabler har någon direkt påverkan. Dock är det viktigt att komma ihåg att vid en generalisering av över 50 observationer riskerar det att bli en alltför grov överslätning av variablernas påverkan på observationerna. Men två för oss välbekanta variabler sticker ut även i denna grupp, dock i betydligt mindre skala samt (som är värt att notera) nu i positiv riktning: fasdiametern och axialstödetsplanhet.

30

Figur 4.2.1 – 21 variabel-plott av ca 50 skär

Vid granskning av variablernas påverkan på skär 52 är det Bprobvärdena (3-4) som har starkast inverkan. Även ett par Aprobvärden tillsammans med parellallismen och tappens X-position inverkar (se figur 4.2.1 – 22).

Figur 4.2.1 – 22 Variabel-plott för skär 52

Något som också är av intresse är därmed att betrakta VIP plotten för att se variablernas betydelse i hela modellen, alltså med alla komponenter inräknade. I VIP-plotten kan man se att det är sju variabler (de till vänster ifrån Fasbredd f) som har störst betydelse i modellen (se figur 5.3 i bilaga C). I övrigt tycks alla variabler ha en tillräckligt betydande effekt för att räknas som betydelsefulla i modellen, möjligen med undantag för tappdiameter och z-urtag längst till höger.

31

Plottas alla observationer i ett T²s Range diagram (se figur 4.2.1 – 23) kan man se att många av de kastande skären manifesteras som uteliggare. De röda markerade fyrkanterna indikerar vilka skär som har uppvisat kast. Det är tydligt att de flesta av dessa skär hamnar utanför det 95% konfidensintervallet, med undantag ifrån några få.

Figur 4.2.1 -23 T² range-plott

Slutligen utfördes ett valideringstest utav modellens responsvariabler. Validering gav goda resultat och visade inget tecken på att modellen skulle vara överanpassad eller liknande. De flesta responsvariabler uppvisade samma mönster, granskar man till exempel 7300 (se figur 5.5 i bilaga C) ser man att Q² ligger under värdet noll och att inga av dessa permutationer överlappar med de för R² som ligger under 0,4 som är önskvärt. För övriga valideringsmodeller för övriga responsvariabler se figurerna 5.6 till 5.7 i bilaga C.

Modell 6

Figur 4.2.1-24 komponenternas förklarings- och prediktionsgrad.

För att klargöra skillnaden mellan kastmätningarna i T-CMM (M4) och O-CMM (M4), varav mätningarna i T-CMM allt oftare uppvisar kast samt också en högre ojämnhet i axialstödets

32

planhet, används två likvärdiga mätparametrar, en ifrån varje mätmetod, i en PLS-modell för att klargöra skillnaden.

Två likvärdiga mätningar (kastframända ifrån T-CMM och 7400 ifrån O-CMM) väljs till responsvariabler med X-variabler ifrån beta-modellen samt alla mätvärden ifrån kastmätningen i T-CMM. Modellen byggs upp av sex komponenter med ackumulerad förklaringsgrad på nästan 80% och prediktionsgrad på nästan 40% (se figur 4.2.1 - 24)

I Loadingplotten framgår den tydliga skillnaden mellan mätvärdena i T-CMM och O-CMM (se figur 4.2.1 - 25). De båda responsvariablerna befinner sig på varsin sida om modellen, båda starkt påverkade av en variabel som är samma mätparameter uppmätt vid två olika tillfällen (före och efter geometrislipningen). Att kastframända påverkas väldigt starkt av axialstödets planhet uppmätt i samma mätprocedur (kastmätning i T-CMM) beror således av en särskild anledning.

Figur 4.2.1 -26 loading-plott

Efter diskussion med utvecklingsingenjören Lars Jacobsson på Sandvik Coromant visar det sig att ett högt värde på axialstödets planhet för mätningen i T-CMM resulterar i en ett högt värde på kastet. Detta på grund av de trigonometriska beräkningarna i mätmetoden som utgår ifrån axial-stödets planhet när kastet beräknas. Det högre värdet på axialaxial-stödets planhet efter geometri-slipningen beror på smuts, vilket ger ett defekt kastvärde.

4.2.1.1 ANALYS AV FASDIAMETERNS PÅVERKAN PÅ KASTET

Under arbetet med ledningsverktyget träddiagram framkom tre tänkbara orsaker till varför fas-diametern skulle kunna påverka kastet (se figur 4.2.1.1 – 1). Två av dessa orsaker ansågs inte härröra ifrån geometrislipningsprocessen, utan ifrån ett mätfel orsakad av mätfixturen i O-CMM. Nämligen att anläggningsytan för mätfixturen skiljer sig emot anläggningsytan för slipfixturen, på ett sådant sätt att den placeras annorlunda i mätfixturen i förhållande till placeringen i slipfixturen, vilket orsakar skillnader i kast.

33

Den tredje tänkbara orsaken, som härrör ifrån geometrislipningsprocessen, ansågs också bestå av slitage i fixturen, orsakad av skärets botten som lägger an emot fixturen och ”gröper ur den” vilket medför att ett skär med kraftigt varierande fasdiameter inte anlägger på samma sätt i fixturen och därmed sitter ojämnt och ger upphov till kast. Notera att graderingarna (inte, måttligt och mycket sannolikt) endast är subjektiva bedömningar som inte är baserad på fakta. Det är inte bevisat att fasdiametern överhuvudtaget ger upphov till kastande skär.

34

4.2.2 ANALYS AV STYRPARAMETRAR

Modell 1

Figur 4.2.2 – 1 komponenternas förklarings- och prediktionsgrad.

I ett försök att kartlägga eventuella korrelationer mellan Aprobningens koordinater (A, B, C X, Y) gjordes ett försök att bygga en PCA-modell av dessa. Den blev olyckligtvis för opålitlig enligt SIMCA-Ps krossvalidering då inga principalkomponenter överhuvudtaget gick att bygga kring dessa. En ny PCA-modell skapades med de fyra responsvariablerna ifrån modell 5. Denna modell erhöll en kumulativ förklaringsgrad på ungefär 55% och prediktionsgrad på 10% (se figur 4.2.2 – 1). Även om förklaringsgraden kan anses acceptabel utgör den stora differensen mellan förklarings- och prediktionsgrad ett problem. Vid en granskning av loadingplotten kan inga tydliga grupperingar mellan koordinaterna och de olika kastmåtten urskiljas (se figur 4.2.2 – 2).

Figur4.2.2 – 2 Loadingplott

35

Figur 4.3.2 – 2 komponenternas förklarings- och prediktionsgrad.

En PLS-modell byggs upp utifrån modell 1 med de olika kast-måtten som Y-variabler. Denna har både en förklarings- och prediktionsgrad under 20% och kan därför inte anses tillräckligt stabil för att vara värd att begrunda (se figur 4.2.2 – 2). Dock kan man se i loadingsplotten ett mönster som ändå kan vara av intresse. Det tycks som att koordinaterna A och X (som tycks korrelera) har starkt inflytande på 7400, 7300 och 7800. Alltså för att höja dessa responsvariabler ska man alltså ha högt värde (relativt emot de inställningar man har använt under geometrislipningen) på A och X för dessa 110 skär (se figur 4.2.2 – 3).

Figur 4.2.2 – 3 loading-plott

Vid granskning av rådata visar det sig att många av de första skären uppvisar negativa kast utanför toleransen. Granskar man sedan de olika värdena för X variabeln respektive A variabeln kan man tydligt se en trend i processen som tenderar att röra sig uppåt. Detta tycks inträffa vid byte av pallet (kring observation 66). Även Y variabeln uppvisar detta mönster (se figur 4.2.2 – 4 till 4.2.2 – 6)

36

Figur 4.2.2 – 4 Variabel X

Figur 4.2.2 – 5 Variabel A

Figur 4.2.2 – 6 Variabel Y

37

Figur 4.2.2 – 7 komponentens förklarings- och prediktionsgrad.

För att undersöka de eventuella skillnaderna mellan de två paletterna (de första kastande skären och resterande skär på palett två från 66 och uppåt) byggs en ny PLS-modell upp med endast dessa observationer (1-11 och 67-15). Även responsvariabeln 9100 har exkluderats.

Den nya modellen består enbart av en principalkomponent, med förklaringsgrad på 55% och prediktionsgrad på 50% (se figur 4.2.2 – 7). I scoreplotten kan en gruppering av de första skären urskiljas, möjligen med undantag för observation 8 (se figur 4.2.2 – 8).

Figur 4.2.2 – 8 score-plott

Vid granskning av variablernas påverkan på de kastande skären (2-9 och 11) har variablerna A och X en stark negativ påverkan på dessa (se figur 4.2.2 – 9).

Figur 4.2.2 – 9 Variabel-plott skär 2-9 & 11

Vid granskning av skär 10 (som ej är ett kastande skär) visar den sig ha en stark påverkan av A men inte särskild stark påverkan av X (se figur 4.2.2 – 10).

38

Figur 4.2.2 – 10 Variabel-plott skär 10

Vid granskning av grupperingen av skär i andra paletten av icke kastande skär (76-90) råder det en väldigt jämn påverkan av de olika variablerna på dessa (se figur 4.2.2 - 11).

Figur 4.2.2 – 11 Variabel-plott ca 30skär

Vidare granskning av värden för A respektive X (se figur 4.2.2 – 12 till 4.2.2 – 13) ger en fingervisning inom vilka toleransgränser dessa värden bör ligga för att producera icke kastande skär. För A bör värdet ej understiga 0,75 och för X bör värdet ej understiga 0,051 eller överstiga 0,054. Skalorna på diagrammen har på grund av sekretess utelämnats.

39

Figur 4.2.2 – 13 Variabel A

Intressant att notera är att just dessa observationer som består av kastande skär har (med undantag ifrån några få) ett mycket lågt värde på Fasdiametern.

4.2.3 STYRANDE OCH PREDIKTERANDE MODELL (multivariat processtyrning)