54860_it-IT

liliconcom

Come compensare i limiti delle specifiche

Ciao a tutti, lavoro per un produttore di alimenti che attualmente produce barrette di cereali. Questo è un nuovo processo e stiamo riscontrando alcuni errori significativi nelle letture del peso sul nostro sistema a raggi X. Ho fatto alcune analisi che sembrano mostrare che per qualsiasi cosa a nord del punto di insegnamento aggiunge una distorsione positiva e qualsiasi cosa a sud del punto di insegnamento aggiunge una distorsione negativa. A causa di questa distorsione, stiamo rifiutando le barre all'interno delle specifiche poiché si avvicinano ai limiti delle specifiche. Nella mia mente, ho mostrato prove sufficienti che qualsiasi valore a nord del punto di insegnamento è sempre un pregiudizio positivo in una certa misura, e lo stesso vale per qualsiasi cosa a sud. Quindi da qui, voglio regolare i nostri limiti di specifica sulle macchine a raggi X per tenere conto di questa distorsione. Qualcuno può offrire una raccomandazione su come dovrei trovare questa intercetta su ciascuna specifica? Grazie

Re: Come compensare i limiti delle specificheGrazie per la fantastica analisi e sono felice che tu abbia apprezzato il set di dati! Ora, in termini pratici, dovrei quindi prendere una delle due formule di previsione ed eseguirle attraverso il profiler, quindi digitare una delle due specifiche? Il valore previsto dovrebbe essenzialmente dirmi cosa dovrei cambiare anche i valori delle specifiche per compensare quella distorsione, giusto?Re: Come compensare i limiti delle specifiche

Grazie per la fantastica analisi e sono felice che il set di dati ti sia piaciuto! Ora, in termini pratici, dovrei quindi prendere una delle due formule di previsione ed eseguirle attraverso il profiler, quindi digitare una delle due specifiche? Il valore previsto dovrebbe essenzialmente dirmi cosa dovrei cambiare anche i valori delle specifiche per compensare quella distorsione, giusto?

Re: Come compensare i limiti delle specifiche

Oops, ho incollato lo script sbagliato, mi dispiace, ora è corretto.

 

Il modello è adatto :Data vs. :Standard

Quindi ho salvato la colonna di previsione inversa, che prevede lo standard dalla colonna :Data.

In pratica, questa "trasformazione" correggerà la distorsione dovuta al problema della non linearità nel sistema di misurazione.

 

Qualcosa da provare:

1. Usa il modello di adattamento per Dati vs Standard, adatta un modello Robard 4p, salva colonne/salva colonna di previsione inversa

2. Usa il modello di adattamento per Dati vs Standard, raggruppa per punto di apprendimento, adatta un modello Robard 4p, salva colonne/salva colonna di previsione inversa

3. Analisi/Qualità/Variabilità. Nella finestra di dialogo, :Standard passa al ruolo Standard, quindi :Data e le due colonne appena create entrano nel ruolo di risposta Y e Teach Point passa al ruolo di raggruppamento X e ID campione al ruolo ID campione.

 

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

Ora che il rapporto sulla variabilità è attivo, tieni premuto il tasto Ctrl e dal menu del triangolo rosso vai su Studi sugli indicatori e seleziona Rapporto bias, e anche Rapporto linearità (fare clic su Annulla per la domanda sigma)

I rapporti (se ha funzionato) ti mostreranno che nella formula di previsione trasformata (formula di previsione inversa) la distorsione è più piccola e che la linearità è assente o minima.

 

Questo è stato un set di dati molto divertente, grazie

 

Re: Come compensare i limiti delle specificheNella tua sceneggiatura vedo il predittore standard come regressore. Qual è quel riferimento?Re: Come compensare i limiti delle specifiche

Forse prova ad adattare il modello Robard 4p, quindi salva la formula di previsione inversa come usala per la correzione del bias.

Funziona bene per tutti i Teach Point, forse un po' meno bene con l'USL Chewy, ma comunque abbastanza buono.

 

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
  ),
 .
)