사양 제한을 상쇄하는 방법안녕하세요, 저는 현재 그래놀라 바를 만들고 있는 식품 제조업체에서 일하고 있습니다. 이것은 새로운 프로세스이며 X-Ray 시스템의 무게 판독값에서 상당한 편향을 발견했습니다. 나는 티치 포인트의 북쪽에 있는 모든 항목에 대해 긍정적인 바이어스를 추가하고 티치 포인트의 남쪽에 있는 모든 항목에 대해 부정적인 바이어스를 추가하는 것으로 보이는 분석을 수행했습니다. 이러한 편향으로 인해 사양 제한에 가까워지면 사양 내의 막대를 거부합니다. 내 생각에, 나는 티치 포인트의 북쪽에 있는 모든 값이 항상 어느 정도는 긍정적인 편향이고 남쪽에 있는 모든 값에 대해서도 마찬가지라는 충분한 증거를 보여주었습니다. 그래서 여기에서 이 편향을 설명하기 위해 X-Ray 기계에 대한 사양 제한을 조정하고 싶습니다. 누구든지 각 사양에서 이 가로채기를 찾는 방법에 대한 권장 사항을 제공할 수 있습니까? 감사
Re: 사양 제한을 상쇄하는 방법멋진 분석에 감사드리며 데이터 세트가 마음에 드셨다니 저도 기쁩니다! 이제 실용적인 측면에서 두 가지 예측 공식 중 하나를 가져와 프로파일러를 통해 실행한 다음 두 가지 사양 중 하나를 입력해야 합니까? 예측된 값은 본질적으로 그 편향을 상쇄하기 위해 사양 값을 변경해야 하는 항목을 알려줘야 합니다. 맞죠?Re: 사양 제한을 상쇄하는 방법멋진 분석에 감사드리며 데이터 세트가 마음에 드셨다니 기쁩니다! 이제 실용적인 측면에서 두 가지 예측 공식 중 하나를 가져와 프로파일러를 통해 실행한 다음 두 가지 사양 중 하나를 입력해야 합니까? 예측된 값은 본질적으로 그 편향을 상쇄하기 위해 사양 값을 변경해야 하는 항목을 알려줘야 합니다. 맞죠?
Re: 사양 제한을 상쇄하는 방법죄송합니다. 스크립트를 잘못 붙여넣었습니다. 죄송합니다. 지금 수정했습니다.
모델이 적합함 :데이터 대 :표준
그런 다음 :Data 열에서 표준을 예측하는 역 예측 열을 저장했습니다.
실제로 이 "변환"은 측정 시스템의 비선형성 문제로 인한 편향을 수정합니다.
시도할 사항:
1. 데이터 대 표준에 대한 적합 모델 사용, 4p Robard 모델 적합, 열 저장/역 예측 열 저장
2. 데이터 대 표준에 대한 적합 모델 사용, 티치 포인트별로 그룹화, 4p Robard 모델 적합, 열 저장/역 예측 열 저장
3. 분석/품질/변동성. 대화 상자에서 :Standard는 표준 역할로, :Data 및 방금 만든 두 열은 Y 응답 역할로, Teach Point는 X 그룹화 역할로, 샘플 ID는 샘플 ID 역할로 이동합니다.
//this works too
Variability Chart(
Y( :Data,:Standard Predictor,:Standard Predictor by Teach Point ),
X( :Teach Point, :Sample ID ),
Standard( :Standard )
):
이제 가변성 보고서가 표시되었으므로 Ctrl 키를 누른 상태에서 빨간색 삼각형 메뉴에서 게이지 연구로 이동하여 바이어스 보고서와 선형성 보고서를 선택합니다(시그마 질문에 대해 취소 클릭).
보고서(이 방법이 효과가 있는 경우)는 변환된(역 예측 공식) 편향이 더 작고 편향에 선형성이 없거나 거의 없음을 보여줍니다.
매우 재미있는 데이터 세트였습니다. 감사합니다.
Re: 사양 제한을 상쇄하는 방법귀하의 스크립트에서 나는 표준 예측자를 회귀자로 봅니다. 그 언급은 무엇입니까?Re: 사양 제한을 상쇄하는 방법아마도 4p Robard 모델을 피팅한 다음 편향 수정에 사용하기 위해 역 예측 공식을 저장하십시오.
모든 Teach Points에서 잘 작동하고 USL Chewy에서는 약간 덜 효과적이지만 여전히 꽤 좋습니다.
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
),
.
)
