Mehr als 25 KI-gestützte Abfragen für Lean Six Sigma

Die folgenden 30 Impulse dienen als praktische Werkzeuge für Yellow, Green und Black Belts, um die Projektdurchführung direkt in der Produktion zu beschleunigen. Sie liefern strukturierte Eingaben für die Ausführung spezifischer, wertschöpfender Lean- und Six-Sigma-Aufgaben, wie beispielsweise die Erstellung einer vollständigen Wertstromanalyse aus Rohproduktionsdaten, die Durchführung einer Ursachenanalyse komplexer Fehlerdaten oder die Ausarbeitung eines detaillierten Berichts. FMEA für einen neuen Prozess. Ziel ist es, die manuellen und zeitaufwändigen Aspekte der Datenerfassung und -berichterstattung zu umgehen, sodass sich die Anwender sofort auf die Interpretation der Ergebnisse, die Entscheidungsfindung und die Umsetzung von Verbesserungen konzentrieren können, um Verschwendung zu reduzieren und Prozessabweichungen zu verringern.

The scope of these prompts spans the critical functions of modern Herstellung and operational excellence: in-depth Process Analysis and Optimization by generating Value Stream Maps and Failure Mode and Effects Analyses, and delve into Data Analysis and Statistische Prozesskontrolle (SPC) to interpret control charts and recommend Designs of Experiments. For financial oversight, prompts are tailored for Cost Reduction and Financial Impact, such as calculating the Cost of Poor Quality. To streamline initiatives, a suite of prompts aids in Project Management and Reporting by creating project charters and A3 reports, while Advanced Analytics and Predictive Solutions offer capabilities like maintenance schedule optimization and demand forecasting. Finally, prompts focused on Continuous Improvement and Innovation facilitate everything from generating Poka-Yoke ideas to structuring Hoshin Kanri strategic plans.

Ergänzend zu diesen Aufforderungen interessieren Sie sich wahrscheinlich auch für reine Fertigungs-KI Werkzeuge:

Siehe auchÜber 25 der besten KI-gestützten Abfragen für Fertigungsingenieure und Manager

►

Prozessanalyse und -optimierung

[prompt_formatter title=”Automated Value Stream Mapping (VSM) Generator” description=”Analysiert Prozessdaten im CSV-Format, um ein VSM im Mermaid-Format zu erstellen, das Engpässe und verbesserungswürdige Bereiche identifiziert. Diese Eingabeaufforderung hebt nicht wertschöpfende Aktivitäten hervor und berechnet die Prozesseffizienz und die Durchlaufzeit auf der Grundlage der bereitgestellten Daten.” temperature=”0.3″ thinking=”high”]**CONTEXT**⸻Sie sind ein KI-Assistent auf Expertenebene Lean 6 Sigma (Schwarzer Gürtel) Ingenieure in der Fertigung. Ihre Aufgabe ist es, die im CSV-Format bereitgestellten Prozessdaten zu analysieren und eine Wertstromkarte (VSM) im Mermaid-Format zu erstellen. Die VSM soll Engpässe identifizieren, nicht wertschöpfende Aktivitäten hervorheben und die Prozesseffizienz und Durchlaufzeit berechnen.⸻⸻**INPUTS**⸻1. Prozessdaten im CSV-Format: “{process_data_csv}”⸻2. Wichtige Leistungsmetriken (z. B. Zykluszeit, Wartezeit): “{key_metrics}”⸻⸻**INSTRUCTIONS**⸻1. Analysieren Sie die bereitgestellten CSV-Daten, um relevante Prozessschritte und Metriken zu extrahieren.⸻2. Identifizieren und listen Sie alle Prozessschritte auf und beachten Sie dabei die Reihenfolge und Abhängigkeiten.⸻3. Berechnen Sie für jeden Prozessschritt Folgendes:⸻ - Zykluszeit⸻ - Wartezeit⸻ - Wertschöpfungszeit⸻ - Nicht-Wertschöpfungszeit⸻4. Identifizieren Sie Engpässe, indem Sie Zyklus- und Wartezeiten über Prozessschritte hinweg vergleichen.⸻5. Markieren Sie nicht wertschöpfende Aktivitäten und berechnen Sie die Gesamtprozesseffizienz mit der Formel:⸻ - Prozesseffizienz = (Gesamtwertschöpfungszeit / Gesamtdurchlaufzeit) * 100⸻6. Erstellen Sie eine Wertstromkarte im Mermaid-Format, die Folgendes enthält:⸻ - Prozessschritte mit berechneten Zeiten⸻ - Engpässe und nicht wertschöpfende Aktivitäten⸻ - Prozesseffizienz und Durchlaufzeit⸻⸻**OUTPUT FORMAT**⸻Liefern Sie die Ausgabe im folgenden Format:⸻“`Merdaid⸻$mermaid_diagram“`⸻Fügen Sie eine Zusammenfassung der ermittelten Engpässe und verbesserungswürdigen Bereiche bei:⸻“`⸻$summary⸻[/prompt_formatter]

[prompt_formatter title=”Dynamische Prozesssimulation zur Engpassanalyse” description=”Erstellt ein ereignisdiskretes Simulationsmodell eines Fertigungsprozesses auf der Grundlage von benutzerdefinierten Schritten, Ressourcen und Verarbeitungszeiten. Anschließend werden mehrere Iterationen ausgeführt, um den Durchsatz, die Ressourcenauslastung und potenzielle Engpässe unter verschiedenen Bedingungen vorherzusagen.” temperature=”0.7″ thinking=”high”]**Aufgabenübersicht**⸻Erstellen Sie ein ereignisdiskretes Simulationsmodell, um einen Fertigungsprozess auf Engpässe zu analysieren. Verwenden Sie benutzerdefinierte Schritte, Ressourcen und Verarbeitungszeiten, um Durchsatz, Ressourcenauslastung und potenzielle Engpässe vorherzusagen.⸻⸻**INPUTS**⸻1. Prozess-Schritte: Geben Sie eine CSV-Zeichenkette mit den Prozessschritten in der Reihenfolge an, z. B. “{Schritt1,Schritt2,Schritt3}”.⸻2. Ressourcen: Geben Sie eine CSV-Zeichenfolge der für jeden Schritt verfügbaren Ressourcen an, z. B. “{Ressource1,Ressource2,Ressource3}”.⸻3. Verarbeitungszeiten: Geben Sie eine CSV-Zeichenfolge der Verarbeitungszeiten für jeden Schritt in Minuten an, z. B. “{time1,time2,time3}”.⸻⸻**INSTRUCTIONS**⸻1. Analysieren Sie die Benutzereingaben, um eine strukturierte Liste von Prozessschritten, Ressourcen und Bearbeitungszeiten zu erstellen.⸻2. Entwickeln Sie ein ereignisdiskretes Simulationsmodell unter Verwendung der bereitgestellten Eingaben.⸻3. Führen Sie mehrere Iterationen der Simulation durch, um verschiedene Szenarien zu bewerten.⸻4. Berechnen Sie Folgendes und geben Sie es aus:⸻⸻ a. Durchsatz: Bestimmen Sie die durchschnittliche Anzahl der verarbeiteten Einheiten pro Zeiteinheit.⸻ b. Ressourcenauslastung: Berechnen Sie den Prozentsatz der Zeit, in der jede Ressource aktiv genutzt wird.⸻ c. Identifizierung von Engpässen: Identifizieren Sie die Schritte, bei denen es am häufigsten zu Verzögerungen kommt und die Ressourcen übermäßig ausgelastet sind.⸻⸻**AUSGABEFORMAT**⸻Bereitstellen Sie die Ergebnisse in folgendem Format:⸻⸻- **Durchsatz:** 1TP10Durchsatzwert Einheiten/Zeit⸻- **Ressourcenauslastung:**⸻ - Ressource 1: 1TP10Auslastung1%⸻ - Ressource 2: 1TP10Auslastung2%⸻ - Ressource 3: 1TP10Nutzung3%⸻- **Engpassanalyse:**⸻ - Schritt 1: 1TP10Engpass1⸻ - Schritt 2: 1TP10Engpass2⸻ - Schritt 3: 1TP10Engpass3⸻⸻Sorgen Sie für Klarheit und Präzision bei den Ergebnissen, um die Entscheidungsfindung bei der Verbesserung des Herstellungsprozesses zu erleichtern.[/prompt_formatter]

[prompt_formatter title=”Root Cause Analysis with Causal AI” description=”Analysiert einen Datensatz von Prozessparametern und Qualitätsergebnissen, um die wahrscheinlichsten Fehlerursachen zu ermitteln. Diese Eingabeaufforderung geht über die Korrelation hinaus und schlägt kausale Zusammenhänge vor, um die Verbesserungsbemühungen zu fokussieren.” temperature=”0.7″ thinking=”high”]**CONTEXT**⸻Sie sind ein Lean 6 Sigma-Ingenieur (Black Belt) auf Expertenebene, der die Aufgabe hat, die Grundursachen für Fehler in einem Fertigungsprozess zu identifizieren. Sie haben einen Datensatz mit Prozessparametern und Qualitätsergebnissen. Ihr Ziel ist es, kausale Beziehungen und nicht nur Korrelationen zu bestimmen, um Verbesserungsmaßnahmen effektiv zu fokussieren.⸻⸻**INPUTS**⸻1. Datensatz mit Prozessparametern und Qualitätsergebnissen im CSV-Format: “{process_data_csv}”⸻2. Liste der bekannten Fehler, auf die man sich konzentrieren sollte: “{defect_list}”⸻⸻**INSTRUCTIONS**⸻1. Laden Sie den Datensatz aus “{process_data_csv}”.⸻2. Analysieren Sie den Datensatz, um alle Prozessparameter und Qualitätsergebnisse zu identifizieren.⸻3. Führen Sie für jeden Defekt in “{defect_list}” Folgendes durch:⸻⸻ a. Identifizieren Sie potenzielle kausale Beziehungen zwischen Prozessparametern und dem spezifischen Defekt mithilfe von Kausalschlussverfahren.⸻ b. Ordnen Sie diese Beziehungen nach der Wahrscheinlichkeit ihrer Kausalität ein.⸻ c. Geben Sie eine kurze Erläuterung der Verfahren die zur Bestimmung der Kausalität für jede Beziehung verwendet werden.⸻⸻4. Fassen Sie die Ergebnisse in einem strukturierten Format zusammen und heben Sie die wahrscheinlichsten Ursachen für jeden Defekt hervor.⸻⸻**OUTPUT FORMAT**⸻Liefern Sie die Ergebnisse in folgendem Format:⸻⸻- Defekt: $defektname⸻ - Wahrscheinlichste Ursachen:⸻ 1. Prozessparameter: $parameter_name⸻ - Kausalitätswahrscheinlichkeit: $likelihood_score⸻ - Erläuterung: $causality_explanation⸻ 2. Prozessparameter: $parameter_name⸻ - Kausalitätswahrscheinlichkeit: $likelihood_score⸻ - Erläuterung: $Kausalitätserläuterung⸻⸻Wiederholen Sie dies für jeden Fehler in “{defect_list}”.⸻⸻**HINWEIS**⸻Stellen Sie sicher, dass die Analyse über die bloße Korrelation hinausgeht und sich auf die Identifizierung kausaler Zusammenhänge konzentriert, um wirksame Prozessverbesserungen anzuleiten.[/prompt_formatter]

[prompt_formatter title=”AI-Powered Failure Mode and Effects Analysis (FMEA) Generator” description=”Erzeugt eine vorläufige FMEA-Tabelle basierend auf einer Prozessbeschreibung und historischen Fehlerdaten. Er identifiziert potenzielle Fehlermodi, ihre Auswirkungen und schlägt erste Schweregrad-, Auftretens- und Entdeckungsbewertungen vor.” temperature=”0.7″ thinking=”medium”]**CONTEXT**⸻Sie sind eine KI, die Lean 6 Sigma-Ingenieure (Black Belt) in der Fertigung auf Expertenebene unterstützt. Ihre Aufgabe ist es, eine vorläufige Fehlermöglichkeits- und Einflussanalyse (FMEA) zu erstellen.⸻**INPUTS**⸻1. Prozessbeschreibung: {Prozess_beschreibung}⸻2. Historische Fehlerdaten (CSV-Format): {historical_failure_data}⸻⸻**INSTRUCTIONS**⸻1. Analysieren Sie die mitgelieferte {Prozessbeschreibung}, um die wichtigsten Schritte und beteiligten Komponenten zu verstehen.⸻2. Überprüfen Sie die {historical_failure_data}, um häufige Fehlerarten, ihre Ursachen und Auswirkungen zu identifizieren.⸻3. Führen Sie für jeden identifizierten Fehlermodus Folgendes durch:⸻⸻ a. Führen Sie den potenziellen Fehlermodus auf.⸻ b. Beschreiben Sie die potenziellen Auswirkungen des Fehlermodus auf den Prozess.⸻ c. Schlagen Sie erste Schweregrad-, Auftretens- und Entdeckungsbewertungen auf der Grundlage historischer Daten und der Branche vor. Normen.⸻⸻4. Stellen Sie die Informationen in einer strukturierten FMEA-Tabelle mit den folgenden Spalten zusammen:⸻ - Fehlermodus⸻ - Mögliche Auswirkungen⸻ - Schweregrad⸻ - Auftretensgrad⸻ - Entdeckungsgrad⸻⸻**OUTPUT FORMAT**⸻Bieten Sie die FMEA-Tabelle im CSV-Format an. Jede Zeile sollte einen eindeutigen Fehlermodus mit den dazugehörigen Details darstellen.⸻[/prompt_formatter]

[prompt_formatter title=”Kaizen Event Idea Generator and Prioritizer” description=”Nimmt eine Problemstellung und Prozessdaten als Input, um eine Liste von möglichen Kaizen Ideen für Veranstaltungen. Anschließend priorisiert es diese Ideen auf der Grundlage der geschätzten Auswirkungen, des Aufwands und der Ausrichtung auf die Unternehmensziele.” temperature=”0.7″ thinking=”medium”]**CONTEXT**⸻Sie sind eine KI, die Lean-6-Sigma-Ingenieure (Black Belt) auf Expertenebene in der Fertigung oder Produktionsverbesserung unterstützt. Ihre Aufgabe ist es, auf der Grundlage einer gegebenen Problemstellung und von Prozessdaten Ideen für Kaizen-Events zu generieren und zu priorisieren.⸻⸻**INPUTS**⸻1. Problemstellung: “{Problemaussage}”⸻2. Prozessdaten (CSV-Format): “{process_data_csv}”⸻3. Geschäftsziele (CSV-Format): “{business_objectives_csv}”⸻⸻**Aufgaben**⸻1. Analysieren Sie die bereitgestellten Problemstellungen und Prozessdaten, um die wichtigsten Bereiche für Verbesserungen zu identifizieren.⸻2. Erstellen Sie eine Liste potenzieller Ideen für Kaizen-Events, die sich mit den identifizierten Bereichen befassen.⸻3. Schätzen Sie für jede Idee die potenziellen Auswirkungen, den erforderlichen Aufwand und die Übereinstimmung mit den vorgegebenen Geschäftszielen.⸻4. Priorisieren Sie die Ideen auf der Grundlage eines gewichteten Punktesystems, das Auswirkungen, Aufwand und Ausrichtung berücksichtigt.⸻⸻**OUTPUT FORMAT**⸻Liefern Sie den Output in einer Markdown-Tabelle mit den folgenden Spalten:⸻- Kaizen-Event-Idee⸻- Geschätzte Auswirkung (Hoch/Mittel/Niedrig)⸻- Erforderlicher Aufwand (Hoch/Mittel/Niedrig)⸻- Übereinstimmung mit Unternehmenszielen (Hoch/Mittel/Niedrig)⸻- Prioritätsbewertung (numerischer Wert)⸻⸻**ANLEITUNG**⸻- Verwenden Sie die Problemstellung, um den Brainstorming-Prozess zu konzentrieren.⸻- Analysieren Sie die Prozessdaten, um Ineffizienzen oder Engpässe aufzudecken.⸻- Berücksichtigen Sie die Unternehmensziele, um die Übereinstimmung mit den strategischen Zielen zu gewährleisten.⸻- Verwenden Sie eine einheitliche Methode, um Auswirkungen, Aufwand und Ausrichtung abzuschätzen.⸻- Berechnen Sie die Prioritätsbewertung anhand einer Formel: Prioritätsbewertung = (Auswirkungsgewicht * Auswirkung) + (Aufwandsgewicht * (1 - Aufwand)) ⸻- Präsentieren Sie die Ideen in absteigender Reihenfolge der Prioritätsbewertung.[/prompt_formatter]

Datenanalyse und statistische Prozesskontrolle (SPC)

[prompt_formatter title=”Intelligente Erkennung von Regelkartenmustern” description=”Analysiert Zeitreihendaten eines Prozesses und identifiziert automatisch nicht zufällige Muster in Regelkarten (z. B. Verschiebungen, Trends, Zyklen). Es liefert eine statistische Interpretation dieser Muster, die auf potenzielle spezielle Ursachen für Abweichungen hinweist.” temperature=”0.7″ thinking=”high”]**CONTEXT**⸻Sie sind ein Lean 6 Sigma-Ingenieur (Black Belt) auf Expertenebene und arbeiten an der Verbesserung der Fertigung oder Produktion. Ihre Aufgabe ist es, Zeitreihendaten aus einem Prozess zu analysieren, um nicht zufällige Muster in Regelkarten zu erkennen und statistische Interpretationen und potenzielle spezielle Ursachen für Abweichungen zu liefern.⸻⸻**INPUTS**⸻1. Zeitreihendaten im CSV-Format: “{Zeitreihendaten}”⸻2. Regelkartentyp (z. B. X-Balken, R, S): “{Regelkartentyp}”⸻⸻**ANLEITUNG**⸻1. Laden Sie die bereitgestellten Zeitreihendaten “{time_series_data}” und identifizieren Sie den Regelkartentyp “{control_chart_type}”.⸻2. Analysieren Sie die Daten, um nicht zufällige Muster wie Verschiebungen, Trends und Zyklen zu erkennen.⸻3. Geben Sie für jedes erkannte Muster eine statistische Interpretation und schlagen Sie mögliche spezielle Ursachen für die Variation vor.⸻4. Fassen Sie die Ergebnisse in einem strukturierten Format zusammen.⸻⸻**OUTPUT FORMAT**⸻Liefern Sie die Analyse in folgendem Format:⸻⸻- **Entdeckte Muster**:⸻ - Mustertyp: $Muster_Typ⸻ - Beschreibung: $pattern_description⸻ - Statistische Auswertung: $statistische_Interpretation⸻ - Vorgeschlagene besondere Ursachen: $spezielle_Ursachen⸻⸻Wiederholen Sie die obige Struktur für jedes identifizierte Muster.⸻⸻**ZUSÄTZLICHE HINWEISE**⸻Stellen Sie sicher, dass die Analyse prägnant ist und sich darauf konzentriert, umsetzbare Erkenntnisse für die Prozessverbesserung zu liefern.[/prompt_formatter]

[prompt_formatter title=”Predictive Quality Control Modeler” description=”Entwickelt ein prädiktives Modell auf der Grundlage historischer Prozessdaten, um die Produktqualität in Echtzeit zu prognostizieren.” temperature=”0.7″ thinking=”high”]**CONTEXT**⸻Sie sind ein KI-Experte, der Lean 6 Sigma-Ingenieure (Black Belt) in der Fertigung unterstützt. Ihre Aufgabe ist es, ein Vorhersagemodell zu entwickeln, das historische Prozessdaten nutzt, um die Produktqualität in Echtzeit vorherzusagen. Dieses Modell wird proaktive Anpassungen der Prozessparameter ermöglichen, um Defekte zu vermeiden.⸻⸻**INPUTS**⸻1. Historische Prozessdaten im CSV-Format: “{historische_Prozessdaten_csv}”⸻2. Liste der wichtigsten zu überwachenden Prozessparameter: “{key_process_parameters}”⸻3. Gewünschter Vorhersagezeitrahmen (z. B. Echtzeit, stündlich, täglich): “{vorhersage_zeitrahmen}”⸻⸻**ANLEITUNG**⸻1. **Datenvorverarbeitung**:⸻- Laden Sie die historischen Prozessdaten aus “{historical_process_data_csv}”.⸻- Bereinigen Sie die Daten, indem Sie fehlende Werte und Ausreißer behandeln.⸻- Normalisieren oder standardisieren Sie die Daten, falls erforderlich.⸻⸻2. **Merkmalsauswahl**:⸻- Identifizieren und Extrahieren von Merkmalen in Bezug auf “{Schlüssel_Prozessparameter}”.⸻- Bestimmen der wichtigsten Merkmale, die sich auf die Produktqualität auswirken, unter Verwendung statistischer Methoden oder Techniken des maschinellen Lernens.⸻⸻3. **Modellentwicklung**:⸻- Auswahl geeigneter Algorithmen für maschinelles Lernen, die für die Zeitreihenvorhersage geeignet sind.⸻- Trainieren des Modells mit den vorverarbeiteten Daten und ausgewählten Merkmalen.⸻- Validieren des Modells mit Kreuzvalidierungstechniken, um Genauigkeit und Zuverlässigkeit zu gewährleisten.⸻⸻4. **Einrichtung der Echtzeitvorhersage**:⸻- Konfigurieren Sie das Modell so, dass es Vorhersagen auf der Grundlage des “{Prediction_time_frame}” macht.⸻- Implementieren Sie ein System, um das Modell kontinuierlich mit neuen Daten zu aktualisieren.⸻- Richten Sie Warnungen oder Benachrichtigungen für signifikante Abweichungen in der vorhergesagten Qualität ein.⸻⸻5. **Output**:⸻- Erstellen Sie eine Zusammenfassung der Leistungskennzahlen des Modells (z. B., Genauigkeit, Präzision, Wiedererkennungswert).⸻- Generieren Sie ein Echtzeit-Vorhersage-Dashboard im HTML-Format zur Visualisierung von Produktqualitätsvorhersagen und Prozessparametertrends.⸻- Geben Sie Empfehlungen für proaktive Prozessanpassungen auf der Grundlage der Vorhersageergebnisse.⸻⸻**OUTPUT FORMAT**⸻- Zusammenfassung der Leistungskennzahlen: $performance_summary⸻- Echtzeit-Vorhersage-Dashboard (HTML): $prediction_dashboard_html⸻- Empfehlungen für Prozessanpassungen: $process_adjustments_recommendations[/prompt_formatter]

[prompt_formatter title=”Design of Experiments (DOE) Recommender” description=”Empfiehlt eine geeignete Versuchsplanungsstrategie auf der Grundlage des Projektziels des Benutzers, der Anzahl der Faktoren und der Beschränkungen und generiert den Versuchsplan im CSV-Format.” temperature=”0.7″ thinking=”medium”]**CONTEXT**⸻Sie sind eine KI, die Lean-6-Sigma-Ingenieure (Black Belt) auf Expertenebene bei der Auswahl einer geeigneten Versuchsplanungsstrategie (DOE) zur Verbesserung der Fertigung oder Produktion unterstützt.⸻Das Ziel ist es, eine DOE-Strategie zu empfehlen und einen Versuchsplan zu erstellen, der auf dem Projektziel des Benutzers, der Anzahl der Faktoren und den Einschränkungen basiert.⸻⸻**INPUTS**⸻1. Projektziel: “{project_goal}”⸻2. Anzahl der Faktoren: “{Anzahl_der_Faktoren}”⸻3. Beschränkungen (z. B. Budget, Zeit, Ressourcen): “{Einschränkungen}”⸻⸻**Aufgaben**⸻1. Analysieren Sie das Projektziel, um den Typ der Antwortvariablen und das gewünschte Ergebnis zu bestimmen.⸻2. Bewerten Sie die Anzahl der Faktoren und Beschränkungen, um machbare DOE-Strategien zu identifizieren.⸻3. Empfehlung der am besten geeigneten DOE-Strategie (z.B. vollfaktoriell, fraktioniert faktoriell, Response Surface) auf der Grundlage der Analyse.⸻4. Generieren Sie ein Versuchsablaufblatt im CSV-Format für die empfohlene DOE-Strategie.⸻⸻**OUTPUT FORMAT**⸻1. Empfohlene DOE-Strategie: $doe_strategy⸻2. Begründung für die empfohlene Strategie: $justification⸻3. Experimental Run Sheet (CSV-Format):⸻$csv_runsheet⸻⸻**INSTRUCTIONS FOR AI**⸻- Verwenden Sie das Projektziel, um die Art des Experiments und die kritischen Antwortvariablen zu verstehen.⸻- Berücksichtigen Sie die Anzahl der Faktoren und Einschränkungen, um die Komplexität und Durchführbarkeit der verschiedenen DOE-Strategien zu bestimmen.⸻- Geben Sie eine klare Empfehlung mit Begründung für die gewählte DOE-Strategie ab.⸻- Erstellen Sie ein detailliertes Versuchsverlaufsblatt im CSV-Format, das mit der empfohlenen DOE-Strategie übereinstimmt.⸻- Stellen Sie sicher, dass die Ausgabe wie angegeben strukturiert und formatiert ist.[/prompt_formatter]

[prompt_formatter title=”Measurement System Analysis (MSA) Interpretation Assistant” description=”Analysiert die Daten der Gage R&R-Studie, die in einem CSV-Format bereitgestellt werden, und erstellt einen umfassenden Bericht. Der Bericht interpretiert die Ergebnisse, hebt mögliche Probleme mit dem Messsystem hervor und schlägt Korrekturmaßnahmen vor.” temperature=”0.3″ thinking=”medium”]**CONTEXT**⸻Sie sind ein KI-Assistent mit der Analyse einer Gage R&R-Studie beauftragt, um die Zuverlässigkeit und Genauigkeit des Messsystems zu bewerten. Der Benutzer stellt die Daten der Gage R&R-Studie im CSV-Format zur Verfügung. Ihr Ziel ist es, diese Daten zu interpretieren, Probleme zu identifizieren und Korrekturmaßnahmen vorzuschlagen.⸻⸻**INPUT**⸻1. CSV-Daten der Gage R&R-Studie: “{gage_rr_csv_data}”⸻⸻**TASKS**⸻1. Analysieren Sie die bereitgestellten CSV-Daten, um relevante Informationen wie Teile, Bediener, Versuche und Messungen zu extrahieren.⸻2. Berechnen Sie die folgenden Metriken:⸻ - Gesamtmessgeräte-R&R als Prozentsatz der Gesamtvariation⸻ - Wiederholbarkeits- und Reproduzierbarkeitskomponenten⸻ - Teil-zu-Teil Variation⸻3. Interpretieren Sie die berechneten Metriken, um die Angemessenheit des Messsystems zu bewerten.⸻ - Bestimmen Sie, ob der Gesamtprozentsatz der Messgeräte-R&R akzeptabel ist (typischerweise wird weniger als 10% als ausgezeichnet angesehen, 10%-30% kann je nach Anwendung akzeptabel sein, und über 30% ist im Allgemeinen inakzeptabel).⸻ - Analysieren Sie die Wiederholbarkeit und Reproduzierbarkeit, um die vorherrschenden Quellen der Variation zu identifizieren.⸻4. Auf der Grundlage der Analyse mögliche Probleme mit dem Messsystem aufzeigen.⸻5. Vorschläge für Korrekturmaßnahmen zur Verbesserung des Messsystems, falls erforderlich.⸻⸻**OUTPUT FORMAT**⸻Bereitstellen eines umfassenden Berichts im Markdown-Format, der Folgendes enthält:⸻- Zusammenfassung der Ergebnisse der Gage R&R-Studie⸻- Interpretation der Ergebnisse mit besonderem Augenmerk auf Total Gage R&R, Repeatability, Reproducibility, und Teil-zu-Teil-Abweichung⸻- Identifizierung potenzieller Probleme⸻- Vorgeschlagene Korrekturmaßnahmen⸻- Zusätzliche Erkenntnisse oder Empfehlungen⸻⸻**HINWEIS**⸻Sorgen Sie für Klarheit und Präzision im Bericht, um Lean 6 Sigma-Ingenieure auf Expertenebene bei der Entscheidungsfindung zu unterstützen. Verwenden Sie Markdown-Elemente wie Überschriften, Aufzählungspunkte und Tabellen für eine bessere Lesbarkeit.[/prompt_formatter]

[prompt_formatter title=”Prozessfähigkeitsanalyse und Verbesserungsvorschlag” description=”Berechnet Prozessfähigkeit Indizes (Cp, Cpk) aus Produktionsdaten und vergleicht sie mit Zielvorgaben. Auf der Grundlage der Analyse schlägt es spezifische Bereiche für Prozessverbesserungen vor, um die Fähigkeit zu erhöhen.” temperature=”0.5″ thinking=”medium”]**CONTEXT:**⸻Sie sind eine KI, die Lean 6 Sigma-Ingenieure (Black Belt) auf Expertenebene in der Fertigung unterstützt. Ihre Aufgabe ist es, Produktionsdaten zu analysieren, um Prozessfähigkeitsindizes (Cp, Cpk) zu berechnen und Verbesserungen vorzuschlagen.⸻⸻**INPUTS:**⸻1. Produktionsdaten im CSV-Format: “{production_data_csv}”⸻2. Ziel-Cp- und Cpk-Werte: “{target_cp}” und “{target_cpk}”⸻⸻**INSTRUCTIONS:**⸻1. Analysieren Sie die bereitgestellten Produktionsdaten aus dem CSV-String “{production_data_csv}”.⸻2. Berechnen Sie die Prozessfähigkeitsindizes Cp und Cpk anhand der geparsten Daten.⸻3. Vergleichen Sie die berechneten Cp- und Cpk-Werte mit den Zielwerten “{Soll_cp}” und “{Soll_cpk}”.⸻4. Identifizieren Sie spezifische Bereiche, in denen die Prozessfähigkeit unter dem Zielwert liegt.⸻5. Schlagen Sie gezielte Prozessverbesserungen vor, um die Fähigkeit in den identifizierten Bereichen zu erhöhen.⸻⸻**OUTPUT FORMAT:**⸻Liefern Sie Folgendes im Markdown-Format:⸻- **Berechnete Indizes:** Zeigen Sie die berechneten Cp- und Cpk-Werte an.⸻- **Zusammenfassung der Vergleiche:** Fassen Sie zusammen, wie die berechneten Werte mit den Zielwerten verglichen werden.⸻- **Verbesserungsvorschläge:** Führen Sie spezifische Bereiche für Verbesserungen auf und schlagen Sie umsetzbare Schritte vor, um die Prozessfähigkeit zu verbessern.⸻⸻**BEISPIEL AUSGABE:**⸻“`markdown⸻**Berechnete Indizes:**⸻- Cp: $calculated_cp⸻- Cpk: $berechnetes_cpk⸻⸻**Vergleichszusammenfassung:**⸻- Das berechnete Cp ist $Vergleich_cp im Vergleich zum Ziel von {target_cp}.⸻- Der berechnete Cpk ist $Vergleich_cpk im Vergleich zum Ziel von {Ziel_cpk}.⸻⸻**Verbesserungsvorschläge:**⸻1. Bereich: 1TP10Bereich1⸻ - Anregung: $suggestion1⸻2. Bereich: $area2⸻ - Anregung: $suggestion2⸻“`[/prompt_formatter]