Kostprijsschatting van freesonderdelen. Verslag van stage uitgevoerd bij ASML Veldhoven

Kostprijsschatting van freesonderdelen

Verslag van stage uitgevoerd bij ASML Veldhoven

Auteur: Begeleiding:

Periode:

Ynse Hoornenborg Jan Miedema (ASML MDev) C.A. van Luttervelt (TU Delft) F.W. Wedman (TU Delft) 8 augustus – 18 oktober 2002


Opdrachtomschrijving Practisch Werk-opdracht voor de heer Y. Hoornenborg

Kostprijsbeheersing tijdens het Ontwerpen bij ASML

Inleiding: ASML is een gerenommeerde leverancier van apparatuur voor de fabricage van chips. De apparatuur moet aan steeds hogere technische specificaties voldoen en wordt daarom langzamerhand steeds duurder. ASML wil reeds vroeg in het ontwerpproces op een gestructureerde wijze aandacht geven aan de kosten van haar producten en daarom haar constructeurs van hulpmiddelen voorzien om reeds tijdens het ontwerpproces op doeltreffende wijze bij te dragen aan kostenbeheersing. Binnen ASML heeft men reeds een begin gemaakt op deze weg. Recent werd een bijdrage geleverd door N. Kamphuis, studente van de Faculteit Technologie Management van de TUE. Binnen de sectie PTO van de TU Delft is J.W. van Vliet in 2001 gepromoveerd op het proefschrift “Design for Manufacturing; Development and Application of a Process-based Design Support Methodology”. Momenteel wordt gewerkt aan de voortzetting van dit onderzoek en een verbetering en uitbreiding van de bijbehorende software. In dit hele onderzoek heeft ondersteuning van ontwerpers juist in de eerste fasen van het ontwerpproces, dus voordat de uiteindelijke detailspecificatie van alle onderdelen wordt vastgesteld, grote aandacht. De grote vraag is hoe de inzichten van ASML, TUE en PTO zo goed mogelijk met elkaar gecombineerd kunnen worden. Opdracht: Inventariseer bij ASML de eisen, wensen, denkbeelden en inzichten betreffende ondersteuning van ontwerpers gericht op het beheersen van de kosten van mechanische componenten van complexe, hoogwaardige technische systemen. Breng tevens mogelijke oplossingsrichtingen in beeld. Bestudeer daarvoor relevante literatuur over methoden voor kostprijsbeheersing in het ontwerpproces. Let in het bijzonder op een nadere analyse van het cijfermateriaal in hoofdstuk 5 van het verslag van N. Kamphuis. Een belangrijk aspect is het afwegen van een complex monodeel tegen een samenstelling van subdelen. Ontwikkel op basis van het voorgaande een conceptafstudeeropdracht (duur 30 weken) op, waarin een concreet doel wordt gesteld dat past in dit ontwikkelingsplan en waarin tevens in hoofdlijnen wordt aan gegeven hoe u dat doel denkt te gaan bereiken. Verricht het noodzakelijke vooronderzoek om de mogelijkheden van potentiële oplossingsrichtingen te verkennen. Het is belangrijk dat op korte termijn het nut van de gekozen oplossingsrichting aan ontwerpers gedemonstreerd kan worden. Startdatum: Einddatum:

12 augustus 2002 18 oktober 2002

Begeleiding:

Ir. J. Miedema Ir. C.A. van Luttervelt Dhr. F.W. Wedman

2 van 37

Studielast: O.E.-code:

10 studiepunten wbo402-23

(ASML) (TU Delft) (TU Delft)

PT 02.077


Samenvatting In dit stageverslag wordt gezocht naar een schatting van de kostprijs van een onderdeel van een ASML machine. Deze methode moet voor onderdelen die alleen gefreesd hoeven worden een voorspelling maken. De bedoeling is om, ter versterking van het kostenbewustzijn van de constructeur, een hulpmiddel te ontwikkelen die het de constructeur mogelijk maakt dat hij zèlf snel een eenvoudig een eerste grove kostprijsindicatie oproept voor zijn onderhanden werk, vooruitlopend op nauwkeuriger calculaties die na gereedkomen van een design door Cost Engineering gemaakt worden. Voor deze voorspelling zijn een aantal algemene kenmerken van freesonderdelen van een set van 100 onderdelen als referentie gebruikt. Door op deze referentie set de statistische methode van lineaire regressie toe te passen, wordt een voorspelling gemaakt in de vorm van: b kostprijs = a * (product kenmerk) Om deze schatting aan de constructeurs binnen ASML aan te kunnen bieden is een uitbreiding noodzakelijk op het CAD pakket van ASML. Deze software kan de algemene productkenmerken uit het CAD model halen. De software presenteert vervolgens de uitkomst van bovenstaande vergelijking aan de constructeur. Tevens geeft de software het 95 % waarschijnlijkheidsinterval. Dit is het interval waarbinnen zich 95 van de 100 producten zullen bevinden.

PT 02.077

3 van 37


Summary This internship report covers the design of a tool, which will provide a quick estimation of the cost price of a ASML machine part is made. The part will only be machined using a mill. In view of the objective to strengthen the cost price awareness of the designer, a tool is sought that enables the designer to generate a quick preliminary estimation of the cost price of a part. This takes place during the design phase, prior to cost price calculations made by Cost Engineering upon completion of the design. To make this estimation the general properties and known cost price of a set of one hundred parts can be used. The method of linear regression is applied which estimated the price in the following manner: b cost price = a * part property To make this estimation accessible to engineers within ASML, an extension of the CAD program is necessary. This piece of software can extract the properties from the CAD model. It presents the cost price of this part to the engineer. It also provides the engineer with a 95 % probability interval. This interval is the interval in which 95 of 100 parts lie.

4 van 37

PT 02.077


Inhoudsopgave OPDRACHTOMSCHRIJVING ............................................................................................................. 1 SAMENVATTING................................................................................................................................... 3 SUMMARY .............................................................................................................................................. 4 VERKLARENDE LIJST VAN TEKENS.............................................................................................. 6 1 INLEIDING........................................................................................................................................... 7 2 HET BEDRIJF ASML.......................................................................................................................... 8 3 DOEL ..................................................................................................................................................... 9 3.1 HUIDIGE SITUATIE ............................................................................................................................. 9 3.2 GEVRAAGDE SITUATIE ...................................................................................................................... 9 4 MOGELIJKE METHODEN ............................................................................................................. 10 4.1 REEDS ONDERZOCHTE METHODEN .................................................................................................. 10 4.2 ONDERZOCHTE METHODEN UITGEBREID ......................................................................................... 11 5 WERKZAAMHEDEN........................................................................................................................ 12 6 UNIGRAPHICS .................................................................................................................................. 13 6.1 MOGELIJKHEDEN VAN UNIGRAPHICS ............................................................................................. 13 6.2 REEDS GESIGNALEERDE PROBLEMEN MET UG ................................................................................ 13 6.2.1 Lijst van problemen................................................................................................................. 13 6.2.2 Lijst van oplossingen............................................................................................................... 14 6.3 UG/OPEN API................................................................................................................................. 14 7 RELATIE VAN ALGEMENE PRODUCTKENMERKEN TOT DE KOSTPRIJS..................... 15 7.1 ENKELVOUDIGE ANALYSE............................................................................................................... 15 7.1.1 Enkelvoudige lineaire regressie .............................................................................................. 15 7.1.2 Enkelvoudige lineaire regressie van de logaritmen ................................................................ 17 7.1.3 Enkelvoudige regressie met aangepaste productkenmerken ................................................... 18 7.2 MEERVOUDIGE ANALYSE ................................................................................................................ 19 7.2.1 Meervoudige regressie ............................................................................................................ 19 7.2.2 Meervoudige regressie van aangepaste productkenmerken.................................................... 20 7.3 RESULTATEN VAN DE REGRESSIE .................................................................................................... 20 8 CONCLUSIES EN AANBEVELINGEN .......................................................................................... 24 8.1 CONCLUSIES ................................................................................................................................... 24 8.2 AANBEVELINGEN ............................................................................................................................ 24 LITERATUUR ....................................................................................................................................... 26 BIJLAGE A ONDERDELEN MET HUN KENMERKEN................................................................ 27 BIJLAGE B RESULTATEN VAN DE LINEAIRE REGRESSIE .................................................... 30 BIJLAGE B.1 ENKELVOUDIGE LINEAIRE REGRESSIE VAN DE VARIABELEN ............................................ 30 BIJLAGE B.2 LINEAIRE REGRESSIE VAN DE LOGARITMEN ..................................................................... 34 BIJLAGE C KOSTPRIJSSCHATTING PRESENTEREN AAN CONSTRUCTEUR ................... 38

PT 02.077

5 van 37


Verklarende lijst van tekens 12-NC



features



Mag45



solid model



SAP PP3



UniGraphics



6 van 37

Intern door ASML gebruikte uniek 12 cijferig getal om een onderdeel of assembly aan te duiden. Vormveranderingselelementen. Bouwstenen waaruit een solid model is opgebouwd Magazijn 4500, Philips machinefabrieken catalogus van onderdelen en stafmateriaal. Model van een onderdeel binnen UniGraphics, welke de geometrie van het onderdeel aangeeft. Een solid model is opgebouwd uit features. Planned Price 3 – SAP aanduiding van een handmatige kostprijsschatting die door de afdeling Cost-Engineering van een onderdeel wordt gemaakt. CAD pakket waarmee ASML de mechanische componenten ontwikkeld.

PT 02.077


1 Inleiding ASML heeft te maken met een toename van de kostprijs voor een nieuwe machine en tegelijkertijd een verkorting van de ontwikkeltijd van een machine. Ook de huidige marktomstandigheden zorgen voor druk op de kosten. Al deze factoren maken het kostprijsbewust denken (Project “Cost Of Goods”) binnen ASML steeds belangrijker. Historisch is het kostenbewust denken voor de constructeurs ondergeschikt aan de Time To Market. Binnen het project “Cost of Goods” is er behoefte aan een gereedschap om de constructeurs een gevoel te geven voor de kostprijs van het onderdeel dat ze aan het ontwerpen zijn. Op die manier kunnen ze de kostprijs laag houden. Alle onderdelen worden in het CAD pakket gemodelleerd. Dit is het werk van de vele mechanische constructeurs die bij of voor ASML werken. Uit die gemodelleerde modellen kunnen allerlei kenmerken worden opgevraagd. In deze stage is gekeken naar de invloed van een aantal productkenmerken op de kostprijs. Dit wordt gedaan door de kostprijs te voorspellen op basis van een aantal van deze kenmerken. Via verschillende statistische technieken wordt getracht zo’n voorspelling te maken.

PT 02.077

7 van 37


2 Het bedrijf ASML In de jaren 70 besloot Philips chips te gaan produceren voor hun consumenten elektronica[A8]. Het SIRE I project slaagde er als een van de eersten in om een lithografisch stepping proces te ontwikkelen. Dit proces had een voor die tijd unieke precisie. Philips had echter niet de noodzakelijke investeringen gedaan om het product op de markt te zetten. Philips is op zoek gegaan naar een partner om de stepping technology verder mee te ontwikkelen. In 1984 is ASML ontstaan uit een joint venture van ASM International en Philips. Na een snelle opbouw van de joint venture, besloot ASMI in 1988 om de joint venture te verlaten. Philips kocht het deel van ASMI terug. De beursnotering van ASML was een feit in 1993. Het aandeel van Philips in ASML zou in de daaropvolgende tijd geleidelijk afnemen. In 2000 bereikte Silicon Valley Group en ASML een overnameovereenkomst. Dit maakte ASML de wereld marktleider voor lithografische systemen. Het allereerste product van ASML was de PAS 2000 stepper, ontwikkeld door Philips. Deze stepper is niet op tijd op de markt gekomen om nog een rol van betekenis te hebben kunnen gespeeld. Met het volgende product de PAS 2500 en de 2000B bleek dat ASML in staat was om de doorlooptijd van de ontwikkeling dramatisch terug te brengen. In 1989 kwam er weer financiële ruimte om de ontwikkeling van de PAS 5500 te starten. Vooral in 1993 heeft deze machine bijgedragen in het succes van ASML. In 2000 is begonnen met de productie van de Twinscan. Tegenwoordig omvatten de producten van ASML de gehele keten van IC fabricage. Dit zijn onder andere, lithografische systemen, wafer track systemen en thermische bewerkingssystemen. Van oudsher ligt echter de nadruk op het lithografische proces. “Stepper”, “Step & Scan” systemen en de “Twinscan”. De halfgeleidermarkt is een markt met heftige conjunctuur bewegingen. ASML is geheel afhankelijk van afzet in die markt. Op dit moment zit de halfgeleidermarkt in de grootste downturn sinds het ontstaan van ASML.

8 van 37

PT 02.077


3 Doel Deze stage is een onderdeel van het ASML-project “Cost of Goods”. Dit project probeert het kostprijsbewust ontwerpen bij constructeurs te introduceren. Dit project sluit aan bij het TUDelft-project DFM. Eerst wordt de huidige situatie bij ASML in kaart gebracht in paragraaf 3.1. Hierna kan de gevraagde situatie worden besproken in paragraaf 3.2.

3.1 Huidige situatie Op dit moment wordt de kostprijs voorspeld door de afdeling cost-engineering. Cost Engineering maakt een calculatie op basis van de gereedgekomen tekening. Deze calculatie wordt gemaakt door ervaren werkvoorbereiders, op basis van hun jarenlange ervaring. Deze schatting wordt ingevoerd in het ERP systeem onder de noemer PP3. Dit is een goed functionerend systeem, met nauwkeurige kostprijsschattingen. Het heeft alleen als nadeel dat de calculatie pas plaatsvindt wanneer een tekening gereed is. Wijzigingen op de tekening kunnen dan niet of ten koste van ontwikkeltijd van de machine worden doorgevoerd. De cost-engineers splitsen de kostprijs van een onderdeel op in 4 stukken: 1. Materiaalkosten 2. Bewerkingskosten 3. Nabehandelingkosten 4. Assemblagekosten Ad. 1:De materiaalkosten zijn goed te voorspellen, dankzij het geautomatiseerde catalogus systeem Mag45 van Philips. Deze catalogus bevat vele materialen met hun bijbehorende maten. Naast Mag45 zijn er nog andere catalogi, zij het minder toegankelijk. Dankzij deze catalogi zijn de materiaalkosten goed te voorspellen. Ad. 2: In de bewerkingskosten zitten de grootste onzekerheden en de meeste fouten in de huidige voorspelling. Hier komt de kennis en ervaring van de cost-engineers bij kijken. Ad. 3: De nabehandelingkosten worden door cost-engineering bepaald op basis van vuistregels. Deze vuistregels zijn simpel en voldoende nauwkeurig. Vaak is het een vaste prijs per volume of oppervlakte van een product. Ad. 4: De laatste kosten, de assemblagekosten, worden nog niet zolang door cost-engineering gebruikt en zijn nog niet erg nauwkeurig. Voor een eerste analyse zijn deze kosten ook niet van belang, omdat de test onderdelen alle monodelen zijn. Er wordt dan ook niet verder ingegaan op deze kosten. De theoretische mogelijkheid voor constructeurs om de kostprijs van hun onderdeel achteraf te horen te krijgen, wordt slecht sporadisch door een enkeling gebruikt. Van de mogelijkheid om uitleg over deze kostprijs te krijgen van een cost-engineer wordt nog minder gebruik gemaakt. Of dit komt door een slechte bekendheid van cost-engineering bij de constructeurs of door gebrek aan interesse van de constructeur is niet duidelijk op dit moment.

3.2 Gevraagde situatie Wanneer een constructeur tijdens het ontwerp een indicatie kan krijgen van de te verwachten kostprijs en inzicht krijgt hoe die kostprijs tot stand komt, dan kan de constructeur een wel overwogen keuze maken over de productgeometrie. De constructeur kan dan bewust kiezen voor een bepaalde geometrie. Als deze informatie aangeboden wordt in een voor hem begrijpelijk formaat en in zijn eigen omgeving (het CAD pakket) dan zal de drempel om het te raadplegen aanzienlijk lager zijn en de verstoring op het ontwerpproces minimaal. Om dit te bereiken kan een uitbreiding op het CAD pakket gemaakt worden. Deze uitbreiding geeft een indicatie van de kostprijs zonder tussenkomst van de gebruiker. Voor de gebruiker moet het programma zo laagdrempelig mogelijk zijn.

PT 02.077

9 van 37


4 Mogelijke methoden Zoals reeds werd aangegeven kan het kostprijs bewust maken van de constructeurs bereikt worden door ze een gereedschap in handen te geven om de kostprijs van hun ontwerp, tijdens het ontwerpen te bepalen. Alleen dan kan de constructeur nog makkelijk wijzigingen aanbrengen in zijn ontwerp. [Nicole H 5.13] heeft reeds in dit kader een onderzoek gedaan naar methoden om de kostprijs te kunnen voorspellen. Deze methoden zullen kort toegelicht worden in paragraaf 3.1. Paragraaf 3.2 gaat verder in op een aantal van deze methoden en hoe deze verbetert kunnen worden.

4.1 Reeds onderzochte methoden In [Nicole H 5.13] zijn reeds een aantal oplossingen verkend om de kostprijs te kunnen voorspellen. Uitgangspunt is hierbij, dat de constructeur op een eenvoudige wijze een kostprijs kan voorspellen. De methoden zijn: 1. Beslissingsdiagrammen 2. MaFa (maakbaarheidsfactoren) bladen 3. Feature herkenning 4. Classificatiesysteem 5. Statistiek Ad. 1: Beslissingdiagrammen hebben vaak de vorm van een vraag en antwoord spel met de constructeur. Deze beantwoord in een vastgestelde volgorde een reeks vragen over het onderdeel. Op basis van de antwoorden wordt een kostprijs bepaald. De vaste structuur van vragen en hun volgorde is niet erg geschikt om gebruikt te worden in het begin van het ontwerptraject. Ook het herkennen van de grondvormen die voorkomen in de vragen is voor een constructeur niet eenvoudig. Dit maakt de methode arbeidsintensief. Ad. 2: MaFa bladen zijn meestal uitgevoerd in een spreadsheet programma. Een constructeur geeft het aantal instanties van een grondvorm aan. Een grondvorm is een ruwe vorm, zoals een blok of een cilinder. Samen met gegevens over de verspaanbaarheid van het materiaal, de oppervlakteruwheid en maat- en plaatstoleranties wordt een maakbaarheidfactor bepaald. Deze maakbaarheidfactor geeft de bewerkingsduur aan en via het machineuurtarief de kostprijs. Ook hier weer die grondvormen als moeilijk onderdeel. Verder is het volledig invullen van een MaFa-blad best even werk. Het automatiseren van het invullen van een MaFa-blad is slechts beperkt haalbaar. Ad. 3: Feature herkenning gecombineerd met een CAPP-pakket (in [Nicole H 6.5] is vooral gekeken naar eMPower). Veel feature-herkenningspakketten maken de aanname dat een specifiek machinepark nauwkeurig bekend is gemaakt aan het programma. In het geval van ASML is dit geenszins mogelijk. ASML maakt gebruik van vele leveranciers, met elk hun eigen machinepark. Ook zijn de series voor de meeste pakketten te klein, typisch 500 stuks in batches van 15. Vaak beperken Featureherkenningsprogramma’s zich tot de micro-werkvoorbereiding i.p.v. de macro-werkvoorbereiding. Juist deze macro-werkvoorbereiding is beter geschikt om de kostprijs van het onderdeel mee te voorspellen. Ad. 4: Werkstukclassificatie en groepentechnologie zijn methoden die goed werken wanneer er tussen onderdelen grote overeenkomsten bestaan. De overeenkomsten tussen onderdelen bij ASML is niet sterk aanwezig. Ad. 5: In [Nicole H 5] wordt een statistische methode voorgesteld, die een voorspelling maakt op basis van 100 reeds bestaande en gefabriceerde onderdelen waarvan een kostprijs schatting is gemaakt door Cost-Engineering. Door op deze 100 producten een lineaire regressie toe te passen op basis van algemene productkenmerken, kan een kostprijsschatting worden gemaakt. Deze productkenmerken zijn: • Productvolume • Volume Omgeschreven blok • Oppervlak

10 van 37

PT 02.077

Kostprijsschatting van freesonderdelen • •

Materiaalklasse (op basis van verspaanbaarheidsklassen van het materiaal) Aantal features (waarbij het aantal features gedefinieerd is als het aantal contouren in het onderdeel) Na uitvoerige analyse is in [Nicole H 5.12] de conclusie getrokken dat met deze variabelen een te onnauwkeurige voorspelling gemaakt wordt.

4.2 Onderzochte methoden uitgebreid Met het oog op de door ASML gevraagde nadruk op een snelle en eenvoudige kostenschattingsmethode die in eerste instantie niet meer dan een grove indicatie hoeft te zijn, is nogmaals gekeken naar de mogelijke methoden. Om aan te sluiten op de aangegeven behoefte worden in dit stage onderzoek de volgende methoden onderzocht: 6. Lineaire regressie op basis van vormfeatures. 7. Neuraal netwerk gestuurd door vormfeatures. Hierbij wordt met vormfeatures bedoeld, die features die vanuit CAD (in dit geval UniGraphics) direct opvraagbaar zijn. Deze features zijn door een constructeur aangebracht, met als enige oogmerk de productgeometrie te weer te geven. Er is bij het vastleggen van de features door de constructeur geen rekening gehouden met de maakbaarheid. [Nicole H 3.4] geeft al aan dat de constructeurs niet voldoende rekening houden met maakbaarheid. Deze verzameling vormfeatures zal dan ook bewerkt moeten worden om tot een maakbaar onderdeel te komen. Te denken valt aan het vervangen van features of het verwisselen van de volgorde. Volgens [A1] is een neuraal netwerk nauwkeuriger in het voorspellen van lineair gedrag dan lineaire regressie, tenminste in het door Shtub bekeken geval van pijp buigen. Aan een neuraal netwerk kleven een aantal nadelen. Een neuraal netwerk geeft geen informatie over de nauwkeurigheid van de benadering. De regressie geeft hiervoor o.a. de correlatie coëfficiënt en de standaard fout. Een ander nadeel van neurale netwerken is de grote hoeveelheid benodigde invoerwaarden. Deze zijn slechts beperkt voorhanden. Als blijkt dat deze methoden niet, of niet nauwkeurig genoeg functioneren, kan gekeken worden naar: 8. Lineaire regressie / neuraal netwerk op basis van voor maakbaarheid bewerkte vormfeatures. Op basis van de resultaten van methode 6 en 7, kan bepaald worden welke methode het beste resultaat oplevert. Immers, bij gereedschap 6 en 7 worden zowel voor de lineaire regressie als voor de neurale netwerk methode, dezelfde invoergegevens gebruikt. Methode 8 heeft dus een omzetting nodig van vorm naar maakbaarheid-features. 9. Uitgaande van de maakbaarheid-features van 8, verder inzoomen op de bewerkingen. De maakbaarheid-features van het CAD pakket moeten worden geïnterpreteerd en de te gebruiken machine, het te gebruiken gereedschap, snijsnelheden, opspanningen, te gebruiken span middelen en bereikbaarheden moeten bepaald worden. Dit is voor cost-engineers een dagelijkse taak. Maar voor een computer is het een aardige opgave, vanwege de vele uitzonderingsgevallen. 10. Inzetten van een commercieel CAPP pakket Gezien het vele handwerk en de benodigde vakkennis die een CAPP pakket vraagt van de gebruiker en de kostprijs van zo’n pakket is dit helaas geen oplossing. De bij ASML aanwezige CAM licentie voor UniGraphics kan voor het onderzoek naar een eigen gereedschap wel gebruikt worden ter vergelijk.

PT 02.077

11 van 37


5 Werkzaamheden In mijn stage heb ik verschillende werkzaamheden verricht. Voor een deel zijn deze werkzaamheden gericht op het beter leren kennen van ASML. Een ander belangrijk deel is gericht als voorbereiding op de afstudeeropdracht. De werkzaamheden gedurende deze stage zijn op te delen in drie onderdelen, te weten: 1. Werkvoorbereiding en fabricage in de Modelshop 2. UniGraphics aansturen vanuit een programma 3. Statistische analyse van een aantal kenmerken Ad. 1: Om wat praktijkervaring op te bouwen heb ik een draai en een freesstuk gefabriceerd in de Modelshop van ASML. De Modelshop is een kleine werkplaats binnen ASML. Dit is de enige plek waar ASML in huis metaal kan bewerken. Deze werkplaats is goed uitgerust en vooral bedoeld voor het inspringen in het ontwikkelproces. De werkplaats is niet toegerust voor volume productie. Wanneer een prototype is vervaardigd naar tevredenheid van de (interne) klant wordt de order uitbesteed. Het draaistuk, een hulpstuk om twee PVC buizen te laten overlappen, is weergegeven in figuur 5.1. Het freesstuk, een klemblok is weergegeven in figuur 5.2. Ad. 2: UniGraphics aansturen vanuit een programma staat beschreven in hoofdstuk 6. Ad. 3: De statistische analyse staat beschreven in hoofdstuk 7.

Figuur 5.2 Freesstuk Figuur 5.1 Draaistuk

12 van 37

PT 02.077


6 UniGraphics Het CAD pakket welke ASML gebruikt voor het ontwerpen van de mechanische onderdelen van de machines, is het pakket UniGraphics. Dit CAD pakket maakt gebruik van de solid modelling techniek, hierbij wordt een CAD tekening opgebouwd door verschillende 3D vormen samen te voegen of van elkaar af te trekken. Deze 3D vormen worden binnen UniGraphics “features” genoemd. UniGraphics heeft via het iMan systeem een concern brede database beschikbaar van alle tekeningen van alle constructeurs en alle door anderen gemaakte tekeningen. Dit kunnen zowel door zogenaamde co-developers als door toeleveranciers getekende onderdelen of assemblages zijn. iMan zorgt ook voor de samenhang tussen verschillende onderdelen binnen een assemblage. Per tekening zorgt het voor de verbinding tussen het solid-model en de werktekeningen. Beide zijn aparte UniGraphics bestanden.

6.1 Mogelijkheden van UniGraphics Unigraphics heeft een groot aantal features waarmee een solid-model kan worden opgebouwd. De meest gebruikte features binnen ASML zijn: • • • • • • • • • • • • •

Block Cylinder Pocket Slot Groove Hole Chamfer Blend Thread Instance Extrusion Pad Boss

Rechthoekig stafmateriaal Cilindrisch stafmateriaal Rechthoekige uitsparing Sleuf Groeve Gat Afschuining Afronding Schroefdraad Herhaling van een eerder toegepaste vorm Prismatische vorm, een virtuele extrusie Rechthoekig uitstekende vorm Cilindrisch uitstekende vorm

Bijna alle features zijn door verspanen te maken, uitgaande van rechthoekig of cilindrisch stafmateriaal. Alleen de extrusion, pad en boss zijn niet door verspanen te maken. Deze features zullen moeten worden omgezet in verspaanbare features. Dit is maar één van de problemen die zich kunnen voordoen. In de volgende paragraaf meer van dit soort problemen.

6.2 Reeds gesignaleerde problemen met UG Han Haverkorn heeft in [Nicole Bijlage 5.16] een aantal problemen gedefinieerd m.b.t. de uit te lezen data uit UniGraphics. Dit is ook de reden dat [Nicole H 5.12] niet verder is gegaan dan het aantal features per onderdeel optellen. In de verdere analyse van [Nicole] is gebleken dat deze voorstelling een te eenvoudige voorstelling van zaken is. Om tot een betere voorstelling van zaken te komen is het cruciaal om de gegevens over het onderdeel die reeds in het CAD model aanwezig zijn op een zo goed mogelijke manier in te zetten om tot een verantwoorde uitspraak te komen omtrent de kostprijs van het onderdeel. Dit betekent dat de problemen die Han Haverkorn schets in [Nicole Bijlage 5.16] opgelost moeten worden.

6.2.1 Lijst van problemen Deze reeds gesignaleerde problemen met UniGraphics zijn:

PT 02.077

13 van 37

Kostprijsschatting van freesonderdelen 1. UG model wordt vaak opgebouwd door optellen, een frees kan alleen materiaal verwijderen. 2. Een holte kan door een extrusie gedefinieerd worden, op die manier is niet precies duidelijk wat de afmetingen van deze holte zijn. 3. Pockets (holten) kunnen minder dan vijf wanden hebben en dus makkelijker te verwijderen zijn. 4. Is een afronding een aftrekking of een optelling ? En bij welke pocket hoort hij ? 5. Meerdere gaten worden gemodelleerd als “Instance array”. 6. Het commando “unite” moet vertaald worden naar alle samengestelde deel commando’s. 7. Wanneer meerdere pockets aan elkaar grenzen, is niet duidelijk of deze met het frezen gecombineerd kunnen worden. 8. Modellen zijn soms samengesteld uit een bestand model met enkele uitbreidingen. 9. Hoe kan van een chamfer de totale lengte bepaald worden ?

6.2.2 Lijst van oplossingen Voor al deze problemen kan een meer of minder gewenste oplossing worden gevonden: 1. Uitgaande van het omgeschreven blok, worden nieuwe pockets gedefinieerd welke voor de maakbaarheids analyse gebruikt worden. De keuze voor een cilindrisch stafmateriaal kan aan de hand van het verschil tussen verspaand volume tussen rechthoekig en cilindrisch stafmateriaal bepaald worden. 2. Extrusie-feature uit UniGraphics ombouwen naar equivalente pockets. 3. Aan de hand van het aantal en de relatieve positie van de vlakken van de pocket, bepalen welke soort pocket het is. 4. Even de blend aan en uit zetten en het volume bepalen voor en na. Alle edge-en van de pocket aflopen. 5. Gegevens van de master van de instances zijn bekend, alsmede het aantal instances en de plaats ervan. 6. Kan alleen opgelost worden als er een volledige beschrijving van het unite-gedeelte beschikbaar is. Tot nu toe is er geen unite-gedeelte voorgekomen in de test onderdelen. 7. Vergelijken van de te gebruiken gereedschappen. 8. Door de gegevens van het oorspronkelijke model te importeren en de analyse op de complete set loslaten. 9. Met behulp van de positie van de snijpunten van de zijden en een beetje goniometrie.

6.3 UG/Open API EDS, de makers van UniGraphics, bieden een C API aan om UniGraphics mee te besturen. Alle onderdelen van UniGraphics zijn in deze API vertegenwoordigd. Dit maakt het mogelijk om routinematige bewerkingen in UniGraphics te automatiseren. Zo kan het ophalen van de eigenschappen van aan onderdeel geheel zonder tussenkomst van de gebruiker plaatsvinden. Dit maakt deze UG/Open API uitermate geschikt om feature informatie en ander productkenmerken uit een UniGraphics solid-model te halen. Om voor een groot aantal onderdelen dezelfde kenmerken op te vragen is het programma MultiPart ontwikkeld. Dit programma leest een bestand in aan de hand van de interne code van het onderdeel (het 12-nc). Voor al deze onderdelen voert het bepaalde code uit en schrijft de uitvoer naar een ander bestand. Dit bestand wordt gebruikt voor de verdere verwerking van de data.

14 van 37

PT 02.077


7 Relatie van algemene productkenmerken tot de kostprijs Hoe verhouden de algemene productkenmerken zich tot elkaar en tot de kostprijs? Om deze vraag te beantwoorden wordt de methode van lineaire regressie gebruikt. Deze methode, ook bekend onder de naam kleinste kwadraten methode, benaderd een serie punten door een rechte lijn. Dit is de lijn waarbij de som van de gekwadrateerde verschillen tussen de punten en hun benaderingen geminimaliseerd is. Voor alle duidelijkheid, het is niet te verwachten dat we uit de huidige gegevens een nauwkeurig beeld krijgen. Een orde van grootte schatting is echter goed mogelijk. Het is van belang om de materie waarmee gewerkt wordt goed te begrijpen om zo in een later stadium tot een goede verfijning te komen van de benadering. Hiervoor is eerst een onderzoek gedaan naar de 5 algemene productkenmerken die in [Nicole H 5.4] beschreven staan. Dit is uitgebreid met het aantal vlakken, het aantal randen van het onderdeel en het aantal features, zoals UniGraphics die telt. Dit is een andere definitie als in [Nicole H 5.4] gebruikt wordt. Deze productkenmerken die hier gebruikt worden zijn dan: • Product volume • Omgeschreven blok volume • Verspaand volume • Product oppervlak • Aantal features zoals UniGraphics deze gedefinieerd heeft. • Aantal vlakken • Aantal randen of ribben. In paragraaf 7.1 wordt per variabele gekeken hoe deze de kostprijs beïnvloed. In paragraaf 7.2 wordt gekeken naar een combinatie van meerdere variabelen en de invloed van deze gecombineerde benadering op de nauwkeurigheid. Al deze verschillende analyses worden in paragraaf 7.3 geëvalueerd.

7.1 Enkelvoudige analyse Een lineaire regressie is een statistische techniek om door een set punten een lijn te trekken, die de punten het best beschrijft. Deze lijn is in het algemeen gegeven door de volgende formule:

y = a*x+b De lijn wordt bepaald aan de hand van de gekwadrateerde som van verschillen tussen het datapunt en zijn benadering op de lijn. Door deze som te minimaliseren wordt de beste benadering gevonden. Als voorbeeld van de werkwijze wordt het verspaand volume (VV) tegen de kostprijs (SAP PP3) genomen. De SAP PP3 is de kostprijsschatting die door Cost-Engineering is bepaald. Voor alle andere variabelen is de procedure identiek. De uitkomsten voor alle variabelen is opgenomen in bijlage B.1

7.1.1 Enkelvoudige lineaire regressie We beginnen met een enkelvoudige lineaire regressie. Hierbij proberen we een lijn te vinden in de vorm:

PP3 = a * VV + b Waarbij y de gevraagde kostprijs is en x de invoer parameter. De grootte van a en b wordt bepaald met deze lineaire regressie. In figuur 7.1 en 7.2 is te zien hoe het verspaand volume zich tot de SAP PP3 verhoudt. De SAP parameter PP3 is de kostprijsvoorspelling zoals die door cost-engineering wordt bepaald.

PT 02.077

15 van 37

Kostprijsschatting van freesonderdelen In deze grafiek valt op dat de lineaire benadering verre van nauwkeurig is. De waarden voor de constanten a en b, de correlatie coëfficiënt en de statistische standaard fout zijn weergegeven in tabel 7.1. 1000

300

250

100 SAP PP3

SAP PP3

200

150

10

100

50 1 0

1 0

10000000 20000000

30000000 40000000

Figuur 7.1 Verspaand volume tegen SAP PP3 lineair weergegeven.

a b

10

100

50000000 60000000

1000

10000 100000 10000001000000 1000000 0 00

Figuur 7.2 Verspaand volume tegen SAP PP3 logaritmisch weergegeven.

3,16E-06 32,68

Correlatie Standaard fout

0,2827 38,08

Tabel 7.1 Lineaire regressie van verspaand volume tegen SAP PP3. De vergelijking van de lijn wordt: SAP PP3 =

3,16 * 10 −6 * (Verspaand Volume) + 32,68

De correlatie coëfficiënt is een waarde tussen 0 en 1 die aangeeft in hoeverre de twee variabelen x en y van elkaar afhankelijk zijn. Bij een correlatie coëfficiënt van 0 zijn de twee variabelen volledig onafhankelijk, bij 1 volledig afhankelijk. De standaard fout is de afwijking waarbinnen zich 68% van de datapunten bevindt. Een gebruikelijker interval is dat interval waarbinnen 95% van de datapunten valt. Dit interval wordt ook wel het 95% waarschijnlijkheidsinterval genoemd. Voor een normale verdeling is dit 1,96 * standaard fout. In dit geval dus 1,96 * 38,08 = 74,63. Dus de vergelijking voor de kostprijs wordt, inclusief het 95% waarschijnlijkheidsinterval: SAP PP3 =

3,16 * 10 −6 * (Verspaand Volume) + 32,68 ± 74,63

Wanneer in tabel 7.1 gekeken wordt naar de lage correlatie coëfficiënt in combinatie met de hoge standaard fout, dan kan dezelfde conclusie getrokken worden als uit de grafiek: Deze benadering is volstrekt onvoldoende om de kostprijs te benaderen. In de statistiek is het gebruikelijk om een correlatie coëfficiënt hoger dan 0,80 te zien als een voldoende bewijs van afhankelijkheid. De hier gevonden waarde van 0,28 is volstrekt ontoereikend om dat bewijs te leveren. Voor het grootste deel van de onderdelen is het fouteninterval groter dan de nominale waarde.

16 van 37

PT 02.077

Kostprijsschatting van freesonderdelen Het voorbeeld van het verspaand volume tegen de SAP PP3 staat niet op zichzelf. In tabel 7.2 is te zien dat voor alle productkenmerken de correlatie en/of de standaard fout te wensen over laat. Deze tabel is gebaseerd op de gegevens uit Bijlage B.1. Variabele Product volume Omgeschreven blok Verspaand volume Oppervlak Aantal features Aantal vlakken Aantal randen Aantal toleranties

Correlatie coefficient 0,78 0,30 0,29 0,80 0,62 0,76 0,67 0,36

Standaard fout 21 38 38 20 27 22 26 36

Tabel 7.2 Lineaire regressie versus SAP PP3.

7.1.2 Enkelvoudige lineaire regressie van de logaritmen Nu kunnen we deze resultaten vergelijken met de resultaten een enkelvoudige lineaire regressie van de logaritmen van de parameters. Deze regressie verkrijgen we door een enkelvoudige lineaire regressie van de log van elke productkenmerk apart uitgezet tegen de log van de SAP PP3 te maken. Deze regressie probeert de volgende lijn te vinden:

log( y ) = k * log( x) + l ⇔ y = 10 l * x k In figuur 7.3 is de lijn aangegeven op een lineaire schaal die deze regressie door de datapunten trekt. In figuur 7.4 staat dezelfde lijn op logaritmische schaal. Te zien is dat deze lijn een betere benadering is dan de lijn in paragraaf 7.1. Maar er zijn nog steeds grote afwijkingen. De waarden voor k en l zijn weergegeven in tabel 7.3. 300

1000

250

100

200 SAP PP3

SAP PP3

150

10

100

50 1 0

1 0

10000000 20000000 30000000 40000000 50000000 60000000

Figuur 7.3 Verspaand volume tegen SAP PP3 met power-trendlijn.

k l

0,3016 0,1390


0,8368 0,1571

10

100

1000

10000 100000 10000001000000 1000000 0 00

Figuur 7.4 Verspaand volume tegen SAP PP3 logaritmisch met trendlijn.

Tabel 7.3 Uitkomst regressie van de logaritmen

PT 02.077

17 van 37


De correlatie coëfficiënt is boven de 0,80 gekomen. Nog steeds is de standaard fout aan de 0,1571 0,3079 hoge kant. Het 95% interval is 1,96 * 10 = 10 = 2,032. Dit betekent dat de vergelijking wordt:

y = (0,1390 ± 2,032) * x 0,3016 Voor de andere variabelen zijn dezelfde gegevens gegeven in tabel 7.4. Variabele Product volume Omgeschreven blok Verspaand volume Oppervlak Aantal features Aantal vlakken Aantal randen Aantal toleranties

Correlatie coefficient 0,72 0,82 0,83 0,76 0,71 0,74 0,67 0,24

Standaard fout 0,20 0,16 0,16 0,19 0,21 0,20 0,22 0,34

Tabel 7.4 Lineaire regressie van de logaritmen versus de logaritme van de SAP PP3.

7.1.3 Enkelvoudige regressie met aangepaste productkenmerken Uit bovenstaande vergelijking is te zien, dat het volume van de kostprijs afhankelijk is met een exponent van 0,30. Dit betekent dat de derdemachtswortel van het verspaand volume ongeveer lineair afhankelijk is met de kostprijs. De derdemachtswortel van het volume is ook fysisch een betekenisvolle grootheid. Als nu met deze derdemachtswortel een benadering van de kostprijs gemaakt wordt dan zal dit aanmerkelijk beter correleren dan het verspaand volume zelf. De lijn die gevonden wordt is:

y = a*3 x + b In figuur 7.5 en 7.6 is weergegeven hoe de lijn de punten benaderd. Dit beeld wordt bevestigd in tabel 7.5 1000

300

250

100 SAP PP3

SAP PP3

200

150

10

100

50

1

0 0

50

100

150

200

250

300

350

VV^1/3

Figuur 7.5 Lineaire regressie van de derdemachtswortel van het verspaand volume op lineaire schaal.

18 van 37

400

1

10

100

1000

VV^1/3

Figuur 7.6 Lineaire regressie van derdemachtswortel van het verspaand volume op logaritmische schaal.

PT 02.077


a b

0,6283 13,08


0,6305 27,33

Tabel 7.5 Regressie van aangepaste kenmerken Met een standaard fout van 27,33 komt het 95% waarschijnlijkheidsinterval op:

PP3 = 0,6283 * 3 VV + (13,08 ± 53,57) Kennelijk is de kostprijs van het verwijderen van een volume afhankelijk van één van de drie coördinaatassen. Ook voor het omgeschreven blok en het product volume geldt dat de derdemachtswortel van deze variabelen beter correleert dan de variabele zelf.

7.2 Meervoudige analyse De meervoudige regressie is een benadering doormiddel van een lineaire combinatie van verschillende parameters. De vergelijking van die lijn, luidt:

y = a1 * x1 + a 2 * x 2 + ... + b Hierbij worden de constanten a1, a2, …, en b bepaald door de regressie. In deze regressie kunnen meerdere kenmerken worden gecombineerd voor een betere benadering. Deze regressie is voor meerdere combinaties van variabelen uitgevoerd. In paragraaf 7.2.1 is de meervoudige regressie van de variabelen weergegeven. In paragraaf 7.2.2 is de meervoudige lineaire regressie van aangepaste variabelen weergegeven.

7.2.1 Meervoudige regressie Begonnen wordt met een combinatie van twee variabelen. Hierbij wordt gezocht naar combinaties die een beter resultaat opleveren dan met één van de variabelen alleen. Wanneer nu opnieuw een variabele aan de regressie wordt toegevoegd dan zal een nog beter resultaat gezocht moeten worden. De meervoudige lineaire regressie is op zoek naar de constanten a1, a,.. en b in de volgende vergelijking:

y = a1 * x1 + a 2 * x2 + ... + b Voor een aantal combinaties van variabelen zijn de correlatie coëfficiënt en de standaard fout gegeven in tabel 7.6. Variabelen versus SAP PP3 Aantal toleranties

x x

Aantal randen

PT 02.077

x x

x x x x

Aantal vlakken

x

Aantal features

Oppervlak

Verspaand volume

Omgeschr even blok

Product volume

x x x

x x x x

Correlatie coëfficiënt

Standaard fout

0,81 0,90 0,91 0,90

20 14 13 14

19 van 37

Kostprijsschatting van freesonderdelen x x x x

x x x

x x x

x x x

x x x

0,90 0,89 0,81 0,90

14 15 20 15

Tabel 7.6 Resultaten van de meervoudige lineaire regressie van SAP PP3 In tabel 7.6 zijn een groot aantal combinaties weggelaten. Deze combinaties hadden slechte resultaten dan de hier gepresenteerde combinaties.

7.2.2 Meervoudige regressie van aangepaste productkenmerken De uitkomsten van de enkelvoudige regressie van de logaritmen geeft van iedere variabele de exponent. Deze exponent kan gebruikt worden door een lineaire regressie te maken van de variabele tot de gevonden exponent tegen de kostprijs (SAP PP3). Er ontstaat dan een vergelijking van de vorm:

y = a1 * x 1b1 + a 2 * x 2b2 + ... + a n * x nbn + c Hierbij worden de constanten a1, a2, …,an en c bepaald door de regressie en volgen de constanten b1, b2, …, bn uit de enkelvoudige regressie van de logaritmen van de betreffende variabele. De correlatie coëfficiënt en de standaard fout van een aantal van deze meervoudige aangepaste regressies zijn gegeven in tabel 7.7. Variabelen versus SAP PP3 Aantal toleranties

x

x x

x x

Aantal randen

x x x x

x x x x

x x x x x

Aantal vlakken

x

Aantal features

Oppervlak

Verspaand volume

Omgeschr even blok

Product volume

x x x

x x

x x x

x x x x x

Correlatie coëfficiënt

Standaard fout

0.85 0.86 0.86 0.81 0.86 0.89 0,84 0,89

18 17 17 20 17 15 18 15

Tabel 7.7 Resultaten van de aangepaste meervoudige lineaire regressie van SAP PP3 Ook in tabel 7.7 zijn een groot aantal combinaties weggelaten, om dezelfde reden als bij tabel 7.6.

7.3 Resultaten van de regressie De regressie is uitgevoerd met de volgende variabelen: • Volume van het omgeschreven blok. • Product volume. • Verspaand volume (omgeschreven blok – product volume). • Product oppervlak. • Het aantal features, zoals UniGraphics deze aangeeft. • Het aantal vlakken.

20 van 37

PT 02.077

Kostprijsschatting van freesonderdelen • •

Het aantal randen. Het aantal op de tekening aangegeven vormen plaatstoleranties.

De fout in een lineaire regressie is constant voor alle waarden van de variabele, zie figuur 7.7. De fout wordt in de constante term van de vergelijking verdisconteerd (∆b):

y = a * x + b + ∆b Wanneer we figuur 7.7 omzetten naar een logaritmische schaal krijgen we figuur 7.8. Hier is goed te zien dat de lineaire benadering niet representatief is voor de datapunten. De fouten die de lineaire regressie van de logaritmen maakt zijn niet constant over het gehele domein, zie figuur 7.9. De fout wordt in de factor van de vergelijking verdisconteerd (∆k):

y = 10 ( k ± ∆k ) * x l 1000

300

250

100 SAP PP3

SAP PP3

200

150

10

100

50

1

0 0

1

10000000 20000000 30000000 40000000 50000000 60000000

10

100

Figuur 7.7 Fouteninterval voor lineaire benadering op lineaire schaal.

1000

10000 100000 100000 1E+07 0

1E+08

verspaand volume

Verspaand volume

Figuur 7.8 Fouteninterval voor lineaire benadering op log schaal

1000

700 600

100 SAP PP3

SAP PP3

500 400

300

10 200 100

1

0 0

10000000 20000000 30000000 40000000 50000000 60000000 v erspaand v olume

1

10

100

1000

10000 100000 100000 1E+07 0

1E+08

verspaand volume

Figuur 7.10 Fouteninterval voor Figuur 7.9 Fouteninterval voor logaritmische benadering op log schaal logaritmische benadering op lineaire schaal Een factor wordt in een logaritmische figuur weergegeven als een constante afstand, zie figuur 7.10. Dit is dezelfde figuur alleen op logaritmische schaal. Verder maakt de tweede formule een niet correcte aanname dat de lijn door de oorsprong loopt. Dit betekent dat voor kleine waarden van de variabele de benadering niet correct is. De afweging tussen een grotere constante fout of een soms kleinere en soms grotere relatieve fout is moeilijk te maken. In de statistiek is het gebruikelijk om bij een bereik dat meer dan

PT 02.077

21 van 37

Kostprijsschatting van freesonderdelen twee decaden bestrijkt voor de relatieve fout te kiezen. Het bereik van de SAP PP3 ligt op die grens van twee decaden. Wanneer we naar het verschil tussen figuur 7.8 en 7.10 kijken dan kunnen we concluderen dat de logaritmische benadering de datapunten beter beschrijven. Voorwaarde voor een goed werkende meervoudige regressie is een orthogonale set van variabelen. Bij een niet orthogonale set van variabelen kunnen er onvoorspelbare resultaten uit de meervoudige regressie komen. Vaak is aan de resultaten niet te zien dat hier een onvoorspelbaar resultaat uit gekomen is. Die onvoorspelbaarheid komt voort uit het feit dat een minimalisatie van de fout bij een niet-orthogonale set een oplossing vraagt van een set van vergelijkingen met meer onbekenden. Immers, tussen de variabelen zitten verborgen extra vergelijkingen. Het algoritme probeert nu een overbepaalde set vergelijkingen op te lossen. Hiervoor kan het algoritme voor niet alle variabelen een goede waarde vaststellen en optimaliseert voor de gegeven dataset. Voor een andere dataset kan het zo zijn dat de gevonden waarden uit de regressie niet tot de beste benadering leidt. Hierdoor is het zo dat de afhankelijkheid van de variabele van de kostprijs een andere waarde kan hebben dan uit de regressie blijkt. Deze “valse” optimalisatie heeft voor de huidige dataset wel een betere benadering tot gevolg, maar dat kan met andere data ineens veranderen. Voor een afhankelijkheidsanalyse is deze meervoudige regressie dan ook niet geschikt. Wanneer we van twee variabelen de regressie berekenen, dan kunnen we op basis van de correlatie coëfficiënt daartussen een uitspraak doen over de orthogonaliteit. Als voorbeeld nemen we het verspaand volume tegen het oppervlak, tabel 7.6 toont de correlatie coëfficiënt.

a b

0,37 2,30

Correlatie coëff. Standaard fout

0,81 4,89

Tabel 7.6 Lineaire regressie van verspaand volume tegen oppervlak Een correlatie coëfficiënt van 0,81 is een statistisch relevant verband. Voor andere variabelen is de onderlinge relatie ook aanwezig. Voor de variabelen verspaand volume, product volume en omgeschreven blok volume is nooit een meervoudige regressie met meer dan één van deze variabelen gemaakt, vanwege duidelijke niet-orthogonaliteit. De variabelen die we in de meervoudige regressie willen gebruiken zijn dus niet orthogonaal. Dit betekent dat de uitkomsten van de meervoudige regressie, met de niet-orthogonale variabelen, niet te vertrouwen zijn. Wanneer de meervoudige regressies afvallen, blijven de enkelvoudige over. De enkelvoudige die de best benadering geeft is de lineaire regressie van de logaritmen. Van deze regressies is de regressie met het verspaand volume het meest nauwkeurig, deze voorspeld de kostprijs met de volgende formule: ± SAP PP3 = 10 * 0,299 (verspaand volume) 0,145

0,322

Deze benadering is uitwerkt in een programma, zoals te zien is in figuur 7.11 en Bijlage C.

22 van 37

Figuur 7.11 Screenshot van het scherm waarop de constructeur de kostprijsschatting af kan lezen, zie Bijlage C. PT 02.077


PT 02.077

23 van 37


8 Conclusies en aanbevelingen Deze stageopdracht is uitgevoerd als verkenning voor mijn afstudeerwerk. Vooral de aanbevelingen van dit stageverslag zullen de startpunten zijn voor het afstudeerwerk. Deze aanbevelingen staan in paragraaf 8.2. De stageopdracht zelf heeft natuurlijk ook resultaten opgeleverd, deze staan vermeld in paragraaf 8.1.

8.1 Conclusies Er zijn uitbreidingen mogelijk op de in [Nicole H 5.13] gestelde methoden. Met de statistische methode is het mogelijk een orde grootteschatting te maken van de kostprijs. Hierbij nemen we als referentie de kostprijs zoals die geschat wordt door de afdeling Cost-Engineering, de “SAP PP3”.Wanneer het product volume als productkenmerk wordt genomen is de kostprijs te benaderen met: SAP PP3 = 10

0,145 ± 0,322

* (verspaand volume)

0,299

Het herkennen van features is in de meeste featureherkenningsproducten een niet deterministisch proces. Vanwege het feit dat UniGraphics features gebruikt in hun interne datastructuren betekent dat het herkenningsproces een deterministisch proces is geworden. Een deterministisch proces is een prima basis voor een kostprijspredictie gereedschap.

8.2 Aanbevelingen Van de bovenstaande 5 methoden van [Nicole H 5.4] om de kostprijs te voorspellen ben ik vooral ingezoomd op de feature herkenning. Deze methode is gemakkelijk te combineren met UniGraphics. UG maakt gebruik van features om de product geometrie op te bouwen. Het “herkennen” van deze features is triviaal. Daarmee is een belangrijk nadeel van de feature herkenningsmethode verdwenen: het niet (bewijsbaar) volledig herkennen van alle features in een onderdeel. Hierdoor is het heel goed mogelijk om op basis van UniGraphics de feature herkenningsmethode verder te ontwikkelen om tot een betere benadering te komen. Een programma om feature informatie uit UniGraphics op te halen is reeds ontwikkeld. Op dit moment is het in staat om de algemene productkenmerken weer te geven en de voorspelde kostprijs. Aangezien deze methode de kostprijs slechts ruw kan benaderen, is een verbeterde methode gewenst. Deze verbeterde methode zal de volgende elementen kunnen bevatten: • richtingen waarin de feature verspaand kan worden • inschatting van de grote van het te gebruiken gereedschap • bereikbaarheid voor het gereedschap (botsing met ander delen van het onderdeel en ondersnijdingen in de feature) • technologie “notes” herkennen (vormen plaatstoleranties en ruwheden) • stafmateriaal opzoeken in catalogi • nabehandelingen herkennen en uitspraken doen over de prijs hiervan. In plaats van een benadering van de SAP PP3 proberen te vinden, kan deze beter gesplitst worden in de 4 stukken die Cost-Engineering ook gebruikt voor hun bepaling. Deze 4 stukken zijn: • Materiaalkosten • Bewerkingskosten • Nabehandelingskosten • Assemblagekosten Drie van de 4 stukken van de SAP PP3 zijn namelijk deterministisch vast te stellen, namelijk de materiaalkosten, de nabehandelingkosten en de assemblagekosten. Op deze manier blijft

24 van 37

PT 02.077

Kostprijsschatting van freesonderdelen alleen de onnauwkeurigheid van de bewerkingskosten over. Hiervoor moet echter wel een automatische bepaling van de materiaalkosten, nabehandelingkosten en assemblagekosten plaatsvinden. Als deze gegevens bekend zijn, dan zal er nog een intelligente bewerking op plaats moeten vinden. Het is niet reëel om te denken dat er in zo'n korte tijd een volledig CAPP/ CAM pakket van de grond kan komen. Maar ASML is dan ook in de eerste plaats geïnteresseerd in een indicatie van de kostprijs, niet hoe het gemaakt moet worden. Dit betekent dat een uitgebreide database met alle benodigde gegevens van het machinepark niet nodig is. Er kan gewerkt worden met vuistregels en algemene bekende machinegegevens. Deze vuistregels kunnen worden bepaald door analyse van reeds bestaande onderdelen en hun reeds bestaande kostprijsvoorspelling van cost-engineering.

PT 02.077

25 van 37


Literatuur [Nicole] 2002 N. Kamphuis, Een kostenschattingsgereedschap voor ontwerpers; Zicht op kostenconsequenties van de productgeometrie, Afstudeerverslag TU/e [A1] 1999 A. Shtub e.a., Estimating the cost of steel pipe bending, a comparison between neural networks and regression analysis, International Journal of Production Economics Vol. 62, p. 201 – 207 [A2] 1999 R. Stage e.a., Generating resource based flexible form manufacturing features through objective driven clustering, Computer aided design Vol. 31, p. 119 – 130 [A3] 2000 M. Belaziz e.a., Morphological analysis for product design, Computer aided design Vol. 32, p. 377 – 388 [A4] 2002 X. Youzhong e.a., Research on strategy of cost estimating in product design phase based on CAD/CAPP integration, Proceedings of the TMCE 2002, p. 763 – 768 [A5] 2002 J. Y. Jung, Manufacturing cost estimation for machined parts based on manufacturing features, Journal of Intelligent Manufacturing Vol. 13, p. 227-238 [A6] 1998 H.J.J. Kals e.a., Industriële productie, Wegener, ISBN 90-6376-058-2 [A7] 2002 M.P. Groover, Fundamentals of Modern Manufacturing - Second edition, John Wiley & Sons inc., ISBN 0-471-40051-3 [A8] 2001 , ASML History, [A9] 2002 diversen, Netscanner, ASML Intranet

26 van 37

PT 02.077


480.02094 480.02101 480.02124 480.02132 480.02141 480.02153 480.02164 480.02193 480.02202 480.02214 480.02223 480.02312 480.02323 480.02344 480.02713 480.02842 480.02853 480.02874 480.02882 480.02943 480.02953 480.03432 480.03532 480.03563 480.03582 480.03591 480.03632 480.03981 480.04081 480.04123 480.04133 480.04162 480.04206 480.04213 480.04283 480.04294 480.04422

PT 02.077

24.50 32 23.14 43 174.25 84 13.16 14 19.06 25 15.43 20 29.95 30 58.08 56 12.71 19 34.02 43 98.02 153 40.00 45 33.00 39 59.00 56 56.72 45 6.35 12 4.99 12 22.69 25 51.73 30 11.80 13 47.65 76 21.78 28 16.34 39 247.76 148 14.97 16 16.34 23 27.68 41 4.08 10 10.89 15 30.40 10 49.00 29 25.41 21 20.42 24 27.68 29 36.76 49 27.23 33 22.24 21

16 17 33 6 18 9 16 27 8 22 52 16 15 27 16 4 4 10 14 8 52 12 8 36 8 11 17 3 6 6 14 11 10 14 34 21 7

73 90 170 34 50 31 57 123 28 85 360 116 98 138 100 28 28 59 74 30 218 57 84 372 36 58 115 21 32 22 74 42 65 75 109 71 56

0 14 12 1 5 3 5 9 3 9 23 0 0 0 0 0 0 0 0 2 0 18 15 40 9 4 6 0 4 2 17 12 3 2 6 7 5

26325 40612 2067678 10179 13965 32400 144000 528126 19440 91200 855855 39375 33808 105600 16335 339.9 226.6 7950 53280 1674 182850 19608 20117 5083750 22308 18240 25650 486 1650 26541 69875 52000 52000 158424 45232 17257 13840

8878 42825 14822 63870 800760 1035661 6033 30418 9041 52208 29032 85417 131505 219392 231342 391482 16958 65120 81071 199428 234537 570553 6985 47443 7250 43682 18117 111923 10919 46118 255 4027 141 3308 191 17229 5393 36128 991 9087 24913 249362 9924 54287 14434 61659 710403 3143925 7669 51972 7553 53749 7516 38605 392 4727 967 9562 13176 92979 39985 137483 45049 144559 45057 116904 35858 137694 14332 81730 9584 54982 4983 28090

Verspaand Volume

Opp.

Volume

Omgeschr.

# tolerantie

# randen

# features

# vlakken

SAP PP3

12-nc

Bijlage A Onderdelen met hun kenmerken

17446 25790 1266917 4145 4923 3367 12494 296783 2481 10128 621317 32389 26558 87482 5415 84 84 6034 47886 682 157937 9683 5682 4373346 14638 10686 18133 93 682 13364 29889 6950 6942 122565 30900 7673 8857

27 van 37

480.04461 480.04494 480.04523 480.04631 480.04662 480.04673 480.04711 480.04772 480.04912 480.04922 480.04931 480.04942 480.04953 480.04965 480.04993 480.05451 480.06141 480.06162 480.06174 480.06184 480.06224 480.06231 480.06241 480.06251 480.06261 480.06271 480.06393 480.06413 480.06471 480.06581 480.06991 480.07241 480.07251 480.07372 480.07382 480.07403 480.07422 480.07432 480.07452 480.07562 480.07762 480.07771

28 van 37

22.69 22 206.92 107 72.15 51 21.33 20 22.24 24 7.26 11 31.76 27 27.33 41 11.34 17 6.81 9 8.62 11 7.26 16 27.33 27 17.7 24 64.89 30 6.35 11 7.26 10 152.02 94 38.57 39 66.71 31 28.59 20 9.08 20 8.62 22 8.62 24 8.62 20 8.62 22 21.78 28 13.16 15 22.69 33 7.26 16 8.62 14 28.5 35 14.88 14 43.18 53 18.85 50 64.89 59 25.87 19 24.96 21 13.61 18 40.84 33 17.24 52 51.28 36

8 54 23 10 11 3 14 12 7 4 5 6 22 6 15 3 4 43 14 16 9 9 12 13 11 12 12 10 11 5 5 13 7 19 19 17 7 7 6 15 14 12

56 235 120 50 52 24 53 110 41 18 24 38 60 66 59 22 22 158 73 76 38 52 58 68 52 62 60 34 90 40 26 91 28 138 122 119 45 44 42 73 134 90

0 27 12 1 1 0 9 10 6 1 1 0 0 3 3 0 0 12 6 6 2 1 1 1 0 0 0 0 9 1 0 6 0 0 5 12 10 10 6 2 2 4

15625 2272875 452037 20467 45300 1280 152475 19320 2210 840 4589 1847 50232 6325 610525 372 3444 380000 95000 470400 439040 5304 2754 2754 2430 2430 32616 37800 5625 3840 2519.2 9408 7251.2 53600 4788 594922 21056 46133 15600 249613 4675 526260

6709 40757 511310 1099487 184073 509520 6172 37893 42295 112051 710 5724 45996 136937 6227 50125 1464 12979 769 8056 3955 24055 1331 10608 46959 266045 1531 13368 513373 634961 279 3993 2085 18407 222109 545579 78571 250624 128295 400322 348616 464102 2030 18439 1656 17232 1578 16327 1472 15489 1393 14583 23537 91062 9893 50232 1579 15870 2603 19888 1469 11992 4624 36978 6083 47220 12306 111259 3631 29561 223857 383952 4808 27156 10498 45849 6946 33201 48209 242884 3289 23528 168365 370184

Verspaand Volume

Opp.

Volume

Omgeschr.

# tolerantie

# randen

# features

# vlakken

SAP PP3

12-nc


8915 1761564 267963 14294 3004 569 106478 13092 745 70 633 515 3272 4793 97152 92 1358 157890 16428 342104 90423 3273 1097 1175 957 1036 9078 27907 4046 1236 1049 4783 1168 41293 1156 371064 16247 35634 8653 201403 1385 357894

PT 02.077

480.08451 480.08631 480.08642 480.08671 480.08742 480.08762 480.08892 480.08922 480.08942 480.09195 480.09206 480.09271 480.09285 480.09293 480.09306 480.09313 480.09322

PT 02.077

12.71 13 27.33 25 33.13 41 4.54 10 20.42 35 4.54 11 13.15 26 23.14 10 16.43 26 183.33 107 183.33 107 23.14 38 34.03 43 50.02 36 44.47 43 50.82 35 20.87 26

6 30 14 62 17 108 4 22 20 96 5 21 13 45 7 20 17 48 46 227 45 227 17 96 24 91 19 81 24 91 20 77 14 58

0 9600 0 110700 0 91846 0 700 0 40495 0 2600 1 71280 0 118250 0 22800 2 52948717 2 52948717 0 19200 2 414541 0 707295 2 414540 0 707301 0 138650

Verspaand Volume

Opp.

Volume

Omgeschr.

# tolerantie

# randen

# features

# vlakken

SAP PP3

12-nc


6866 31746 2733 33669 140596 77030 47831 171925 44014 571 5828 128 31645 115071 8849 2338 13642 261 67033 403118 4246 115769 323582 2480 11052 73947 11747 848303 2210393 52100414 846987 2206792 52101730 13070 56629 6129 163714 302871 250827 165610 279826 541685 163714 302871 250826 165553 279799 541748 39914 121938 98735

29 van 37


Bijlage B Resultaten van de lineaire regressie Bijlage B.1 Enkelvoudige lineaire regressie van de variabelen Verspaand Volume 300

1000

250 200

100

150 100 10

50 0 0 -50

1000000 2000000 3000000 4000000 5000000 6000000 0 0 0 0 0 0

1 1

100

10000

1000000

100000000

-100 VV

factor constante

VV

3.19 E-06 32,26

SAP PP3 = 3,19 * 10

-6

correlatie coëff. standaard fout

0.2962 37.55

* (verspaand volume) + 32,26 ± 73,60 Product volume 1000

300

250

200

100

150 100 10

50

0 0

200000

400000

600000

800000

1000000

1 1

- 50

10

factor constante SAP PP3 = 2,199 * 10

30 van 37

0,0002199 18,03 -4

100

1000

10000

100000

1000000

Vol um e

Vol um e


0,7791 21,03

* (product volume) + 18,03 ± 41,22

PT 02.077


Omgeschreven blok 300

1000

250 200 100

150 100 10

50 0 0

1000000 2000000 3000000 4000000 5000000 6000000 0 0 0 0 0 0

-50

1 1

100

10000

1000000

100000000

-100 Blok

factor constante

B l ok

3,189 E-6 32,26

SAP PP3 = 3,189 * 10

–6


0,296 37,54

* (omgeschreven blok) + 32,26 ± 73,58 Oppervlak

350

1000

300 250

100

200 150

10

100 50

1 1

10

100

1000

10000

100000

1000000

0 0

50000

100000

150000

200000

250000

300000

350000

- 50

0.1

Oppe r v l a k

factor constante

Oppe r v l a k

8,53 E-4 17,90


0,8022 19,90

SAP PP3 = 8,53 10 * (oppervlak) + 17,90 ± 39,00 -4

PT 02.077

31 van 37


Aantal vlakken 1000

300 250

100

200 150 100

10

50 0

1

0.00

50.00

100.00

150.00

200.00

1.00

10.00

100.00

1000.00

- 50 - 100

0.1

a a nt a l v l a k k e n

factor constante


1.434 -12.69


0,7588 21.98

SAP PP3 = 1,434 * (aantal vlakken) - 12,69 ± 43,08

Aantal features 1000

300 250 200

100 150 100

10

50 0 0.00

10.00

20.00

30.00

40.00

50.00

60.00

- 50

1 1.00

- 100

factor constante

10.00

100.00

a a nt a l f e a t u r e s

a a nt a l f e a t ur e s

3,159 -11,13


0.6261 27,37

SAP PP3 = 3,159 * (aantal features) – 11,13 ± 53,65

32 van 37

PT 02.077


Aantal randen 300

1000

250 200

100 150 100 50

10

0 0.00 -50

50.00

100.00

150.00

200.00

250.00

300.00

350.00

400.00

1 -100

1.00 a a nt a l r a nde n

factor constante

10.00

100.00

1000.00

a a n t a l r a nd e n

0,5792 -9,075


0.6719 25,64

SAP PP3 = 0,5792 * (aantal randen) – 9,075 ± 50,25 Aantal toleranties 1000

300 250 200

100

150 100 10

50 0 -5.00

0.00 -50

5.00

10.00

15.00

20.00

25.00

30.00

35.00

40.00

45.00 1 1.00

- 100 a a nt a l t ol e r a nt i e s

factor constante

10.00

100.00

a a nt a l t ol e r a nt i e s

4,067 18,85


0,3572 35,88

SAP PP3 = 4,067 * (aantal toleranties) + 18,85 ± 70,32

PT 02.077

33 van 37


Bijlage B.2 Lineaire regressie van de logaritmen Verspaand volume 700

1000

600 500

100

400 300 10 200 100 1 0

1 0

10

100

1000

10000

100000 100000 100000 100000

10000000 20000000 30000000 40000000 50000000 60000000

0

VV

macht factor

0,2994 0.1448

SAP PP3 = 10

00

000

VV

0,1448 ± 0,0,3132


* (verspaand volume)

0,8295 0.1598

0,2994

Product volume 1000

300

250 100

200

150 10

100

50

1

0 0

200000

400000

600000

800000

1

1000000

10

exponent factor SAP PP3 = 10

34 van 37

–0,1562 ± 0.4014

100

1000

10000

100000

1000000

Vol um e

Vo l u m e

0,3687 -0,1562 (product volume)


0,7199 0,2048

0,3687

PT 02.077


Omgeschreven blok 700

1000

600 500

100

400 300

10 200 100

1 0

1 0

10

100

1000

10000

100000 100000 100000 100000

10000000 20000000 30000000 40000000 50000000 60000000

0

B l ok


00

000

B l ok

0,3374 -0,1490

–0,1490 ± 0.3224


(Omgeschreven blok)

0,8193 0,1645

0,3374

Oppervlak 1000

450 400 350

100

300 250 200

10

150 100 50

1

0 0

50000

100000

150000

200000

250000

300000

350000

1

10


PT 02.077

–0,6025 ± 0.3697

100

1000

10000

100000

1000000

Opp e r v l a k

Oppe r v l a k

0,5146 -0,6025 (oppervlak)


0.7623 0.1886

0,5146

35 van 37


Aantal vlakken 1000

500 450 400 350

100

300 250 200 10

150 100 50 0

1

0.00

50.00

100.00

150.00

200.00

1.00

aant al vlak ken

exponent factor -0,3559 ± 0,3879

100.00

1000.00


1.200 -0.3559

SAP PP3 = 10

10.00


* (aantal vlakken)

0,7383 0.1979

1,200

Aantal features 1000

350 300 250

100 200 150 10 100 50 1

0 0.00

10.00

20.00

30.00

40.00

50.00

1.00

60.00


36 van 37

1.1109 0.1729 0,1729 ± 0,4094

10.00

100.00



* (aantal features)


0,7086 0.2089

1,1109

PT 02.077


Aantal randen 500

1000

450 400 350

100

300 250 200 10

150 100 50 0 0.00

1 50.00

100.00

150.00 200.00

250.00

300.00

350.00 400.00

1.00

a a n t a l r a n de n


100.00

1000.00

a a nt a l r a nde n

1.0927 -0.5887 –0,5887 ± 0,4355

10.00


* (aantal randen)

0,6701 0.2222

1,0927

Aantal toleranties 1000

400 350 300

100

250 200 150

10 100 50 0 - 10.00

0.00 -50

10.00

20.00

30.00

40.00

1

50.00

1.00 a a nt a l t ol e r a nt i e s


PT 02.077

0,4438 1,177 1,177 ± 0.6593

10.00

100.00

a a nt a l t ol e r a n t i e s


* (aantal toleranties)

0,2440 0,3364

0,4438

37 van 37


Bijlage C Kostprijsschatting presenteren aan constructeur De kostprijsschatting is beschikbaar direct vanuit UniGraphics. Dit is te zien in onderstaande figuur.

38 van 37

PT 02.077

Kostprijsschatting van freesonderdelen. Verslag van stage uitgevoerd bij ASML Veldhoven

Recommend Documents