54860_de-DE

liliconcom

Wie man Spezifikationsgrenzen ausgleicht

Hallo zusammen, ich arbeite für einen Lebensmittelhersteller, der derzeit Müsliriegel herstellt. Dies ist ein neuer Prozess und wir finden einige signifikante Abweichungen in den Gewichtswerten unseres Röntgensystems. Ich habe einige Analysen durchgeführt, die zu zeigen scheinen, dass alles nördlich des Lehrpunkts eine positive Vorspannung und alles südlich des Lehrpunkts eine negative Vorspannung hinzufügt. Aufgrund dieser Voreingenommenheit lehnen wir Barren innerhalb der Spezifikation ab, wenn sie sich den Spezifikationsgrenzen nähern. Meiner Meinung nach habe ich ausreichend Beweise dafür erbracht, dass alle Werte nördlich des Teach-Punkts immer bis zu einem gewissen Grad positiv verzerrt sind, und dasselbe gilt für alles südlich. Von hier aus möchte ich unsere Spezifikationsgrenzen für die Röntgengeräte anpassen, um diese Verzerrung zu berücksichtigen. Kann jemand eine Empfehlung geben, wie ich dieses Intercept auf jeder Spezifikation finden soll? Vielen Dank

Betreff: Wie man Spezifikationsgrenzen ausgleichtVielen Dank für die tolle Analyse, und ich freue mich, dass Ihnen der Datensatz gefallen hat! Sollte ich nun in der Praxis eine der beiden Vorhersageformeln nehmen und sie durch den Profiler laufen lassen und dann eine der beiden Spezifikationen eingeben? Der vorhergesagte Wert sollte mir im Wesentlichen sagen, was ich auch an den Spezifikationswerten ändern sollte, um diese Verzerrung auszugleichen, richtig?Betreff: Wie man Spezifikationsgrenzen ausgleicht

Vielen Dank für die großartige Analyse und ich freue mich, dass Ihnen der Datensatz gefallen hat! Sollte ich nun in der Praxis eine der beiden Vorhersageformeln nehmen und sie durch den Profiler laufen lassen und dann eine der beiden Spezifikationen eingeben? Der vorhergesagte Wert sollte mir im Wesentlichen sagen, was ich auch an den Spezifikationswerten ändern sollte, um diese Verzerrung auszugleichen, richtig?

Betreff: Wie man Spezifikationsgrenzen ausgleicht

Hoppla, falsches Skript eingefügt, tut mir leid, es ist jetzt korrigiert.

 

Das Modell passt zu :Data vs. :Standard

Dann habe ich die inverse Vorhersagespalte gespeichert, die den Standard aus der :Data-Spalte vorhersagt.

In der Praxis wird diese "Transformation" die Verzerrung durch das Problem der Nichtlinearität im Messsystem korrigieren.

 

Etwas zum Ausprobieren:

1. Verwenden Sie das Anpassungsmodell für Daten vs. Standard, passen Sie ein 4p-Robard-Modell an, speichern Sie Spalten/speichern Sie die inverse Vorhersagespalte

2. Verwenden Sie das Anpassungsmodell für Daten vs. Standard, gruppieren Sie nach Lernpunkt, passen Sie ein 4p-Robard-Modell an, speichern Sie Spalten/speichern Sie die Spalte mit inverser Vorhersage

3. Analyse/Qualität/Variabilität. Im Dialog wechselt :Standard in die Rolle Standard, dann :Data und die beiden Spalten, die Sie gerade erstellt haben, in die Rolle Y-Antwort, Teach Point in die Rolle X-Gruppierung und Sample ID in die Rolle Sample ID.

 

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

Nachdem der Variabilitätsbericht nun angezeigt wird, halten Sie die Strg-Taste gedrückt und gehen Sie im roten Dreiecksmenü zu Gauge Studies und wählen Sie Bias Report und auch Linearity Report (klicken Sie auf Abbrechen für die Sigma-Frage).

Die Berichte (falls dies funktioniert hat) zeigen Ihnen, dass in der transformierten (inversen Vorhersageformel) die Abweichung kleiner ist und dass die Abweichung nicht oder nur sehr wenig linear ist.

 

Das war ein sehr lustiger Datensatz, danke

 

Betreff: Wie man Spezifikationsgrenzen ausgleichtIn Ihrem Skript sehe ich den Standardprädiktor als Regressor. Worauf bezieht sich das?Betreff: Wie man Spezifikationsgrenzen ausgleicht

Versuchen Sie vielleicht, das 4p-Robard-Modell anzupassen, und speichern Sie dann die inverse Vorhersageformel, um sie für die Bias-Korrektur zu verwenden.

Funktioniert gut für alle Teach Points, vielleicht etwas weniger gut auf dem USL Chewy, aber immer noch ziemlich gut.

 

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
  ),
 .
)