Hello .  My  name  is  Astrid  Ruck .  I'm  working  as  Senior  Specialist  for  Autoliv.   Autoliv  is  a  worldwide  leading  manufacturer  of  automotive  safety  components  such  as  airbags ,  seatbelts,  and  active  safety  systems .  Today ,  I  would  like  to  show  you  an  automated  process  of  controlling  product  test  data  and  creating  alarm  reports  for root  cause  analysis .

We  will  start  our  presentation  with  a  video  on  the  working  method  of  Autoliv's  most  important  product  test  machine  called  ATOS.  These  machine s  make a  100%  control  such  that  no  defect  part  will  be  delivered .  The  resulting  tests  will  be  written  into  a  log  file ,  including  additional  information,  and  automatically  send  to  a  server  in  Amsterdam .

In  the  blue  circle ,  you  see  our  usage  of  JMP .  So  in  the  first  step ,  the  log  files  are  transferred  into  a  database  and  daily  reports  are  created  which  are  saved  on  the  server .

If  and  only  if  there  is  an  alarm,  a  second  table  is  used  from  the  traceability  system  of  our  relief  call ed  Atraq   which  includes  component  information  of  every   retractor .   This  is  used  for  predictive  screening  for  root  cause  analysis  in  our  alarm  report .  Alarm  report  is  saved  to  the  server  and   we  use  an  HTTP  post  to  send  this  link  to  our   Autoliv's  dispatch   system  which  is  called  Leading 2Lean .  Leading 2Lean  sent  an  automated  mail  to  the  corresponding  machine  owner .

Here  we  see  the  retractor .  It  has  an  orange  webbing  and  a  clear  cover .  Let  us  start  with  a  video .  So  this  is  the  Atlas  machine .  Here  you  see  the  retractor  but  now  we  have  a  black  cover  instead  of  a  clear  cover .  Here  you  see  the  webbing,  and  sometimes  you  will  see  a  little  marker  on  the  webbing ,  because  then  you  can  see  if  there  is  a  webbing  extraction  or  retraction .

We  will  start  with  the  tilt lock  testing,  and  tilt lock  testing  is  to  ensure  that  the  blocking  off  your  seatbelt  in  the  case  of  a  roll -over  scenario .   We  start  with  a  tilt  lock  right  testing,  and  here  in  this  little  display  you  see  the  corresponding  tilt lock  angle ,  which  should  be  between  15  and  27 .  So  let  us  run  it .  It  tilts  to  the  right , it tilts  to  the  left ,  it  tilts  for ward ,  and  it tilts  backward .

The  next  step  will  be  the  measuring  of  the  webbing  lengths ,  because  this  also  belongs  to  the  blocking  system .  Take  a  look  here  at  this  right -hand  side ,  and  now  it  starts  the  webbing  measurement,  and  now  already  here ,  very  short —might  go  a  little  bit  back — Web  Sense  Lock  and  No  Lock  is  tested  here  in  this  little  box  with  a  sensor .   Web  Sense  Lock  is  to  ensure  blocking  of  webbing  extraction  in  a  case  of  a  crash .  But  Web  Sense  No  Lock  is  to  ensure  free  wheeling  if  you're  in  a  parking  position .

These  are  all  informations  which  are  written  into  the  log  files ,  including  machine  parameters  and  an  internal  barcode .   This  in  turn  of  barcode  is  unit  per  retractor .  It  includes  the  retractor  number,  its  global  line  ID ,  its  production day, and  the   key  index .

Soon  these  log  files  are  transferred  once  per  day  to  a  server .   It  is  not  SPC .  It  is  used  for   a  root  cause  analysis ,  therefore ,  we  don't  want  to  disturb  the  testing  of  the  products .  Therefore ,  the  transfer  time  is  between  two  shifts  and  it  is  synchronized  within  Autoliv  facilities,  but  different  between  Autoliv  facilities .

For  example ,  in  Hungary ,  the  log  files  will  be  transferred  at  6:05 .  And  in  Romania ,  the  lot  folks  will  be  transferred  at  7:15 .  And  here  you  see  the  folder  structure  on  the  server .  It  starts  with  the  directory  of  the plant ,  so   Autoliv  Hungary,   Autoliv  Romania ,  then  in  each  folder  of  the  plant  you  find  separate  folders  of  the  machines .  And  then  in  each  machine  folder ,  you  will  find  folders  of  the year  and  the  months ,  and  in  the  last  stage ,  you  will  find  the  daily  log  files .

Since  JMP  16 ,  each  action in  JMP  is  recorded  in  the  Enhanced  Log .  Data  work  can now  be  saved  as  playable  script  per  point -and -click .

Jordan  Hiller  from  JMP, he  says,  "JMP  writes  90%  of  your  code , the  skeleton ."  So  the  consequence  is  that  the  other  10%  is  learning  by  doing,  and  this  presentation  is  to  give  you  a  small  idea  how  you  can  write  your  own  scripts  for  automated  data  analysis  and  root  cause  finding .  So  I  will  give  you  some  little  short  scripts   which  you  can  copy  and  paste  into  your  own  scripts .

In  the  beginning,  we  would  start  with  the  multiple   file  import,  then  we  create  the  relevant  columns .  We  select  the  relevant  columns  and  delete  the  irrelevant  columns .  This  procedure  is  independent  of  the  order  of  columns  because  sometimes  some  columns  are  added  in  the   log file .  But  this  procedure  takes  the  name  of  the  columns  and  we  are  quite  independent  of  any  other  order  tree .  Then  of  course  we  clean  the  data  in  the  first  step .

Here  we  have  an  example .  We  have  a  product  family  and  there  is  an  empty  space  and   retrac tor  triple  X ,  but  we  would  like  to  have  retractor  to  triple  X  without  this  empty  space ,  and  here  you  see  this  corresponding  script .  Then  we  transpose  the  data  into  the  database .  We  use  the  command  from  JMP  new  SQL  query ,  we  say  what  kind  of  connection  string  we  would  take ,  and  then  we  use  the  function  in  JMP  of  custom   SQL  and  write  our   SQL  command  and  then  we  run  it  in  the  foreground  because  run  foreground  ensures  that  the  transfer  in  the  database  will  be  complete  before  the  next  procedure  will  run .  And  don't  forget  to  close  all  and  to  exit .

So  here  we  start  with  the   multiple file  import,  and  here  you  see  once  again  the  folder  structure ,  and  here  in  the  beginning  you  see  what  kind  of  folder  you  select .   One  of  the  best  thing  is  that  you  can  see  include  subfolders  because  our  daily  log  file  is  in  a  very  sub-sub  folder ,  and  this  helps  us  a  lot .  We  are  interested  in  log  files  and  we  are  interested  in  data  from  6:15  to  6:15 ,  and  it  was  the  21st  of  December  last  year  when  we  uploaded  the  log  files .

Here  you  can  see  the  relevant  files  which  are  found  in  this  time  slot  with  similar  files  aspect,  and  we  see  here  a  tabulator  is  my  separator  of  the  fields .  This  is  the  result  of  the multiple   file  import .  The  worksheet  with  the  machine   ideates  the  start  date,  start  time,  seatbelt,  and  here  you  see  the  results  of  the  tilt lock  testing .  Tilt  right  result,  it  is  pass  and  fail .  T ilt  right  angle ,  here  you  have  the  angle  and  here  you'll  see  the  other  things .

If  you  edit  your  source ,  then  you  get  your  script  and  now  you  can  take  this  copy  and  paste  it  into  your  own  script  and  that  will  be  your  first  script  you  can  run .

Now  we  would  like  to  transfer  this  data  into  the  database .  We  transfer  1,000  rows  per  loop .  So  here  you  see  from  the  worksheet ,  the  first  row,  the  row  number  1,000 .  And  we  say  get  the  rows  from  the  first  ro w  and  smaller  is  row  number  1,000,  and  call  it  My List .  So  DT  is  my  data  table ,  here  are  the  number  of  rows  with  R,  and the  row  tells  me,  "I  don't  want  to  have  the  column  names .  I  would  like  to  have  the  values ."

And  this  is  how  the  list  looks  like .  Here  you  see  that  the   upload  date  is  in  brackets  or  in  quotation  marks .  And  here  is  the  start  date  and  the  start  time  also  from  type  character ,  because  we  have  had  some  difficulties  to  transfer  the  data,  and  this  was  a  nice  script  and  it  works .

Here  it's  the  end .  So  if  you  look  here  in  this  table ,  you  see  that  left  result  is  empty,  is  the  character ,  and  here  left  is  also  empty ,  which  can  be  seen  here  by  double  quotation  marks  and  here  by  a  dot .  But  SQL  doesn't  know  any  numeric  empty  cells ,  and  therefore  we  use  the  next  trick  to   make  a  substitution .

First  of  all ,  we  would  like  to  get  rid  of  the  double  quotation  mark  and  would  like  to  have  only  one  of  it.  Therefore ,  we  say  substitute ,  and  because  this  double  quotation  mark  is  a  very  specific  character ,  we  have  to  use  backslash  and  exclamation  mark  in  the  front  and  then  we  replace  it .  Then  we  would  like  to  get  rid  of  the  first  and  the  last  record .  Therefore ,  we  say  remove  the  first  and  the  last  character  and   SQL  doesn't  know  curly  brackets .  Therefore ,  we  replace  them  with  a  round  bracket .

Here  in  the  case  of  the  dot,  we  cannot  directly  remove  it  because  it  is  also  included  in  real  numeric   values ,  so  we  use  a  little  trick .   We  say  replace  dot  with  the  comma  into  null  with  the  comma .

Here  in  green  below,  you  see  the  resulting  S QL  where  you  list .  This  is  the  way  how  it  should  look  like  in   SQL .  So  we  have  a  queue  once  again,  and  the  corresponding   SQL  command   used  in  custom SQL  is  nothing  else  than  a  plain  string ,  and  that  goes  directly  into  the  database .

The  form  is  here  once  again .  We  use  an  SQL  template  and  then  we  say ,  okay ,  insert .  Here  comes  the  name  of  the  database .  SPC  is  the  name  of  the  table  in  our  database,  and  here  in  brackets ,  there  are  the  column  names  in  the  database ,  then  the   values  and  table.

And  now  we  use  the  same  trick  as  before .  We  substitute  table  with  x,  and  x  is  my   value  list .  Here  it  is .  And  this  is  called   SQL .  Then  we'll  say  new   SQL  query ,  your  connection  string .  Then  we  use  the  function  and  JMP custom  SQL,   SQL,  and  if  you  would  like  to  see  how  does  SQL  look  like ,  it  looks  like  this .  One  main  trick  I  learned  from   the  staff  from  JMP  was  to  use  this  substitution .  It's  a  very  good  tool   to  get  such  kind  of  commands .

Every  program  is  started  via   Task   Scheduler .  So  here  it  is  a  display  of  a  Task   Scheduler .  On  the  page ,  General ,  here  you  can  see  myself  as  also  author , and  here ,  a  trial  run,  whether  I'm  logged  on  or  not ,  because  it  will  also  run  at  the  weekend  and  on  holidays .  It'll  run  all  the  time.

Here  it  is  quite  necessary  to  choose  such  Windows  Server ,  which  belongs  to  your  s erver  you  will  have  installed  your  JMP .  So  if  you  choose  the  wrong  server  here ,  you  could  have  background  processes .

Here  we   trigger   our  transfers,  scripts  daily  at  6:15 .  And  if  you  check  your  history ,  then  it  should  look  like  this .  Your  task  should  be  completed .  It  shouldn't  look  like  this,   task  stopping  due  to  time out  reached  because  that  means  you  have  some  background  processes  and  that's  not  good .

Here  we  have  some  field  action  in  the  Task  Scheduler,  and  here  we  browse  the  location  of  the  batch  data  file .  And  the  batch  data  file  is  nothing  else  than  the  notepad .  Here  you  have  the  location  where  JMP  is   installed ,  and  here  is  the  location  of  your  JMP  script .  And  don't  forget  to  say  exit  at  the  end .

If  you  use  a  batch ,  then  you  have  to  use   slash -slash -exclamation -mark  in  the  first  line .  So  not  in  the  second ,  not  in  the  third  line .  It  must  be  in  the  first  line .

And  the  key  idea  of  every  program  we  use  is  we  have  the  same  program ,  but  still  in  the  beginning,  we  say  what  kind  of  plant  is  it ?  So  for main here,  we'll  have  the  same  program .  But  then  here ,  instead  of   ALH ,  there  will  be  ARO,  like  Autoliv  Romania .  And  if  we  use  the  multiple  file  import  in the  beginning ,  then  we  say  evaluate  your   plant .  So  the  only  thing  you  have  to  change  is  in  the  beginning ,  the  plant  name.  That's  all .

Here  you  see  our  daily  log  file .  The  structure  is  always  the  same ,  so  it  has  two  tables  on  the  top ,  followed  by  two  graphs .  And  here  we  see  all  tests  over  all  machines .  And  here  you  see ,  we  have  had  nine  times  not  okay   values  of  tilt lock  overall ,  and  a  lot  of  okay   values,  and  the  corresponding  percentage  is  given  with   0.33%  and  99 .67% .

Here  we  have  the  number  of  not  okay,  the  percentage  of  failure,  and  same  for  pass .  And  here  you  see  the  absolute  number  of  the  test  results  pass  and  fail  for  Local Confection Line .  So  here  we  have  three  ATOS  machines ,  and  we  can  see  that  we  have  five  times  tilt  right  was  not  okay,  three  times  tilt  left  was  not  okay ,  and  one  time  tilt  backward  was  not   okay .  And  tilt lock  overall  is  the  summary  of  all  four  tilt lock  angles,  so  here  we  have  nine  not  o kay .

On  the   right-hand  side ,  you  see  the  same  bar  chart,  but  now  the  scale  is  different .  Here  we  have  a  percentage  scale .  And  as  you  can  see  that  here  for   tilt  right  and  t ilt  left,  our   scrap rate  is  larger  than  1% .  Therefore ,  an  alarm  must  be  created .

But  first  of  all ,  I  would  like  to  describe  how  daily  reports  could  be  created  because  the  same  idea  is  used  to  create  alarm  reports .  First  of  all ,  we  create  a  new  window ,  which  is  a  vertical  box ,  and  it  is  called  Report .  Then  we  create  a  second  new  window ,  which  is  a  horizontal  box ,  and  that  is  called  Table .  In  this  third  step ,  we  create  a  table ,  call  it  tab1 ,  make  a  report  out  of  it,  and   appended  to  the  table  of   the  horizontal  box .

Then  we  make  the  same  thing  once  again .  So  we  have  the  second  report ,  which  would  also  appended  to  the  horizontal  box .  And  at  the  end ,  the  horizontal  box  will  be  appended  to  the  vertical  box .  And  this  is  how  it  looks  like .

If  you  would  like  to  add  some  graphs ,  then  you  have  to  create  one  more  horizontal  box ,  which  will  also  appended  to  the  vertical  box ,  and  this  is her .  And  then  you  will  have  the  graphs  below  the  tables .  Here ,  once  again ,  some  ideas ,  some  scripts .  I  hope  it  will  help  you .

We  save  our  daily  reports  as  a  picture .  We  don't  save  it  as  a  PDF  because  we   are  not  interested  in  all  this  page  breakage .  We  would  like  to  have  high  flexibility  and  no  additional  software .  If  we  would  have  used  a  PDF ,  then  we  would  have  had  four  pages , so  Table  1 ,  Table  2,  and  two further  pages  for  the  graphs .

And  so  how  do  we  store  the  string ?  We  create  a  variable ,  and  this  is  nothing  else  than  the  path  w here  we  would  like  to  save  our  report .  So  here  it  is  a  report .  Here  it  is   ALH.  As  I  said  before ,  we  say  evaluate  the plants  and  we  will  have  the  right  plant  there .  And  then  here  daily  test  result ,  here  comes  the  timestamp,  and  we  say   PNG ,  and  these  vertical  lines  mean  we  concatenate  everything  and  then  we  save  the  picture  with  this  variable  name  and  that's  it .

Here   I  would  like  to  show  you  the  rules  for  an  alarm  for  every  level .  So  we  have  several  levels.  If  we  have  more  than  200  parts ,  then  we  will  have  an  alarm  if  the  scrap  rate  is  larger  than  1% .

If  we  have  only  a  small  number,  so less  than  200  parts ,  then  we  will  have  an  alarm  with   not  okay  parts  if  we  have  more  than  five  not  okay  parts ,  which  means  a  scrap  number  of  2% .  But  we  can  also  have  a  potential  alarm  if  three  parts  are  not   okay .

On  the  first  level ,  we   take  this  table  from  the  daily  report  overall  machines .  And  if  you  take  a  look,  then  tilt lock  overall,  tilt  right,  and  tilt  left  have  more  than  three  not  o kays .  So  here ,  therefore  we  have  potential  alarms .

If  we  have  potential  alarms ,  we  dive   deeper .   Now,  we  take  the  machine  into  account .  So  here  you  see  machine   123xx ,  here  comes   machine .   124xx ,  and  so  on .  And  then  you  can  see  here ,  if  we  take  the  machine  into  account ,  then  the  scrap  rate  for  tilt  right  and  t ilt  left  is  larger  than  1% .  Therefore ,  we  have  an  alarm .

For  tilt lock  overall ,  the  scrap  rate  is  low ,  but  we  have  an  potential  alarm .   So  we  will  create  an  alarm  for  this  machine,  and  now  we  use   Atraq .  Atraq  is  a  traceability  system  of   Autoliv,  so  it  has   information  which  components  are  included  in  which  retractor ,   so  one  retractor ,  and  we  have  the  total  information  of  every  part .

Here  you  see  the  display  of  using  the  database  in  JMP .  You  see  two  tables .  The  first  table  is  that  table  which  we  transferred  into  the  database  based  on  our  test  results  and  re tractor  information .

Then  we  have  the  second  table ,  which  comes  from  the  traceability  system .  And  if  you  press  this  little   [inaudible 00:23:58] ,  then  you  come  through  this  picture  and  we  make  a  left  outer  join .  And  now  how  do  we  make  our  join ?  We  use  the  internal  barcode .  In  the  beginning ,  I  told  you  that  every  retractor  has  a  unique  internal  barcode ,  and  this  unique  internal  barcode  is  called  serial .  So  if  they  match  together,  then  I  have  all  information  and  therefore  I  make  a  left  outer  join .

This  is  how  an  alarm  report  looks  like .   It  starts  once  again  with  the  table .  It  tells  us  the  upload  date ,  the  location ,  which  machine  is  in  fact  effected  by  this  alarm .  Here  is  a  test ,  and  here  once  again ,  the  information  about  number  and  percentage  of  being  okay  and  not   okay .  And  the  same  information  is  given  here  in  the  graphs;  absolute  number ,  percentage  number .

Now,  we  take  the  information  from   our  matching  from  ATOS  data .  The  first  table  is  for  ATOS  table   data ,  and  here  we  consider  tilt  lock  overall,  and  now  you  see  this  seatbelt  is  effected.  We  also  consider  machine  parameter .  And  what  does  the  15  mean ?  Here  is  a  translation .  It  means  lower  specification  limit .  Upper  specification  limit  is  27  and  so  on .  So  every  value  here  has  these  kind  of  title .

Here  below,  these  are  the  component  data  given  by  the  traceability  system  Atraq.  We  have  the   CS- Ball,  CS- Sensor,  and  every  component  has  four  columns:  part  number,  lot  number ,  box  number,  and  supplier.  Part,  lot, box,  supplier .  So  this  is  some  information  we  forgot .

And  now  we  start  our  predictive  screening .  First  of  all ,  we  try  to  find  out  what  was  constant .  If  something  is  constant ,  then  it  will  not  have  an  effect  on  your  okay  and  not  okay   values ,  and  the  remaining  predictors  are  used  in  a  predictive  screening .  Here  you  see  direct ly  the  results  of  the   combinations ,  and  you  see  that  the  shift  itself  has  a  very  high  impact .  So  we  like  this  predictive  screening  because  it  is  easy  to  read  for   non -statistic ians  and  it  identifies  predictors  which  might  be  weak  alone  but  strong  when  used  in  combination  with  other  predictors .

And  then  based  on  this  predictive  screening ,  we  append  graphs  to  the  report  with  a larm  report,  and  we  colour the  graphs  according  to  the  predictive  screening .  First,  we  planned  out  the  shift  as  relevant .  Here  you  can  see  in  blue  the  afternoon  shift .   You  can  see  directly  that  there  was  no  failure  for  the  morning  shift ,  and  the  red  lines  here  are  specification  limits ,  but  it  starts  in  the  afternoon .

Box Serial  was  also  an  significant  predictor ,  and  now  you  can  see  that  the  purple  and the  blue  Box Serials  also  have  an  effect ,  and  this  is  our  root  cause  analysis .  So  test  this  Box Serials.  They  behave  different  to  the  others .

Now  we  save  the  alarm  report,  and   we  would  like  to  send  this  link  of the  alarm  report  to   Autoliv's  dispatch  system  called  Leading 2Lean .  Leading2Lean  is  configured  to  automatically  send  notifications  to  the  correct  owner .  Usually,  you  can  send  an  mail ,  but  sending  a  notification  via  Leading 2Lean  includes  a  dispatch  process,  and  it  must  be  closed .

Here ,  this  is  the  way  we  do  it .   First  of  all ,  we  define  a  variable  called  alarm .  It  gives  me  the  path  and  the  location  of  the  corresponding  alarm  report .  Then  we  use  an  associative  array,  so  we  see  also  the  site .  And  here  as  a  description ,  we  include  the  alarm .   This  is  sent  via  H TTP  request .  Here  we  have  the  fields  array ,  which  we  defined  here  before,  and  then  we  send  it .  This  is  the  way ,  so  make  copy  and  paste   the  skeleton  of  your  JMP  script .

This  is  how   Leading2Lean  looks  like ,  the  dispatch   system.  Here  we  have  a  dispatch  number ,  the  name ,  the  date  when  it  was  created .  Here  we  have  the  link  which  we  sent  via  HTTP  request .  And  if  you  press  it  or  you  can  also  open  it  via  email ,  then  you  will  get  this alarm  report .

This  total  process ,  which  I  have  described  using  queries ,  make  predictive  screening  and  make  HTTP  request ,  everything  could  be  realized  with  JMP .  And  in  the  same  way ,  I  would  like  to  go  make  such  analysis  for  components  based  on  subassembly .

As  John  Hiller  said,  JMP  writes  90%  of  your  code,  the  skeleton .  I  hope  that  I  could  have  given  you  some more  percentage  for  your  own  scripts .  I  hope  that  this  presentation  helped  you  a   lot,  and  that  you  like  it  as  much  as  me  to  work  with  JMP .  Thank  you .