54860_fr-FR

liliconcom

Comment compenser les limites de spécification

Bonjour à tous, je travaille pour un fabricant de produits alimentaires qui fabrique actuellement des barres granola. Il s'agit d'un nouveau processus et nous constatons un biais important dans les lectures de poids sur notre système à rayons X. J'ai fait une analyse qui semble montrer que tout ce qui est au nord du point d'apprentissage ajoute un biais positif et tout ce qui est au sud du point d'apprentissage ajoute un biais négatif. En raison de ce biais, nous rejetons les barres dans les spécifications à mesure qu'elles approchent des limites des spécifications. Dans mon esprit, j'ai montré suffisamment de preuves que toutes les valeurs au nord du point d'apprentissage sont toujours un biais positif dans une certaine mesure, et il en va de même pour tout ce qui se trouve au sud. Donc, à partir de là, je veux ajuster nos limites de spécifications sur les machines à rayons X pour tenir compte de ce biais. Quelqu'un peut-il offrir une recommandation sur la façon dont je devrais trouver cet interecept sur chaque spécification? Merci

Re : Comment compenser les limites de spécificationsMerci pour l'analyse géniale, et je suis content que vous ayez apprécié l'ensemble de données ! Maintenant, en termes pratiques, devrais-je alors prendre l'une des deux formules de prédiction et les exécuter dans le profileur, puis saisir l'une ou l'autre des spécifications ? La valeur prédite devrait essentiellement me dire ce que je devrais également modifier les valeurs de spécification afin de compenser ce biais, n'est-ce pas ?Re : Comment compenser les limites de spécifications

Merci pour l'analyse géniale, et je suis content que vous ayez apprécié l'ensemble de données ! Maintenant, en termes pratiques, devrais-je alors prendre l'une des deux formules de prédiction et les exécuter dans le profileur, puis saisir l'une ou l'autre des spécifications ? La valeur prédite devrait essentiellement me dire ce que je devrais également modifier les valeurs de spécification afin de compenser ce biais, n'est-ce pas ?

Re : Comment compenser les limites de spécifications

Oups, j'ai collé le mauvais script, désolé, c'est corrigé maintenant.

 

Le modèle correspond à :Données vs. :Standard

Ensuite, j'ai enregistré la colonne de prédiction inverse, qui prédit la norme à partir de la colonne : Data.

En pratique, cette "transformation" corrigera le biais dû au problème de non-linéarité dans le système de mesure.

 

Quelque chose à essayer :

1. Utiliser le modèle d'ajustement pour les données par rapport à la norme, ajuster un modèle Robard 4p, enregistrer les colonnes/enregistrer la colonne de prédiction inverse

2. Utiliser le modèle d'ajustement pour les données par rapport à la norme, grouper par point d'apprentissage, ajuster un modèle Robard 4p, enregistrer les colonnes/enregistrer la colonne de prédiction inverse

3. Analyse/Qualité/Variabilité. Dans la boîte de dialogue, :Standard entre dans le rôle Standard, puis :Data et les deux colonnes que vous venez de créer entrent dans le rôle de réponse Y, et Teach Point entre dans le rôle de regroupement X et l'ID d'échantillon entre dans le rôle d'ID d'échantillon.

 

//this works too
Variability Chart(
    Y( :Data,:Standard Predictor,:Standard Predictor by Teach Point ),
    X( :Teach Point, :Sample ID ),
    Standard( :Standard )
):

Maintenant que le rapport de variabilité est en place, maintenez la touche Ctrl enfoncée et dans le menu du triangle rouge, accédez à Études de jauge et sélectionnez Rapport de biais, ainsi que le rapport de linéarité (cliquez sur Annuler pour la question sigma)

Les rapports (si cela a fonctionné) vous montreront que dans la transformée (formule de prédiction inverse), le biais est plus petit et qu'il n'y a pas ou très peu de linéarité dans le biais.

 

C'était un ensemble de données très amusant, merci

 

Re : Comment compenser les limites de spécificationsDans votre script, je vois le prédicteur standard comme le régresseur. Quelle est cette référence?Re : Comment compenser les limites de spécifications

Essayez peut-être d'ajuster le modèle Robard 4p, puis enregistrez la formule de prédiction inverse pour l'utiliser pour la correction du biais.

Fonctionne bien pour tous les points d'apprentissage, peut-être un peu moins bien sur l'USL Chewy, mais toujours assez bon.

 

Fit Curve(
 Y( :Data ),
 X( :Standard ),
 Group( :Teach Point ),
 Fit Logistic 4P Rodbard(
  Plot Actual by Predicted( 1 ),
  Plot Residual by Predicted( 1 )
 ),
 SendToReport(
  Dispatch(
   {"Logistic 4P Rodbard", "Residual by Predicted Plot"},
   "Fit Nonlinear Diagnostic Plots",
   FrameBox,
   {Frame Size( 434, 230 )}
  )
 )
);

 

 

//This is the inverse prediction formula

Match( :Teach Point,
 "LSL Chewy",
  24.9145298299807 * Exp(
   Log(
    (32.3147049980956 - 18.3751462995063) / (:Data - 18.3751462995063)
     - 1
   ) / -8.80085037624688
  ),
 "23g Learning",
  25.3324944849549 * Exp(
   Log(
    (33.3922517886217 - 18.0024302265495) / (:Data - 18.0024302265495)
     - 1
   ) / -7.88036690230438
  ),
 "24g Learning",
  25.5173152024576 * Exp(
   Log(
    (33.3698484779835 - 18.1286639991536) / (:Data - 18.1286639991536)
     - 1
   ) / -8.03788584010198
  ),
 "USL Chewy",
  24.8653808538003 * Exp(
   Log(
    (31.1879817143387 - 18.9552914323179) / (:Data - 18.9552914323179)
     - 1
   ) / -10.2749089803876
  ),
 .
)