54860_es-ES

liliconcom

Cómo compensar los límites de especificación

Hola a todos, trabajo para un fabricante de alimentos que actualmente hace barras de granola. Este es un proceso nuevo y estamos encontrando un sesgo significativo en las lecturas de peso en nuestro sistema de rayos X. He hecho un análisis que parece mostrar que cualquier cosa al norte del punto de aprendizaje agrega un sesgo positivo y cualquier cosa al sur del punto de aprendizaje agrega un sesgo negativo. Debido a este sesgo, estamos rechazando barras dentro de las especificaciones a medida que se acercan a los límites de las especificaciones. En mi opinión, he mostrado suficiente evidencia de que cualquier valor al norte del punto de enseñanza siempre es un sesgo positivo hasta cierto punto, y lo mismo ocurre con cualquier valor al sur. Entonces, desde aquí, quiero ajustar nuestros límites de especificación en las máquinas de rayos X para tener en cuenta este sesgo. ¿Alguien puede ofrecer una recomendación de cómo debo encontrar este cruce en cada especificación? Gracias

Re: Cómo compensar los límites de especificación¡Gracias por el increíble análisis y me alegro de que hayas disfrutado el conjunto de datos! Ahora, en términos prácticos, ¿debería tomar una de las dos fórmulas de predicción y ejecutarlas a través del generador de perfiles y luego escribir cualquiera de las especificaciones? El valor predicho esencialmente debería decirme qué debo cambiar los valores de especificación también para compensar ese sesgo, ¿verdad?Re: Cómo compensar los límites de especificación

¡Gracias por el increíble análisis y me alegro de que hayas disfrutado el conjunto de datos! Ahora, en términos prácticos, ¿debería tomar una de las dos fórmulas de predicción y ejecutarlas a través del generador de perfiles y luego escribir cualquiera de las especificaciones? El valor predicho esencialmente debería decirme qué debo cambiar los valores de especificación también para compensar ese sesgo, ¿verdad?

Re: Cómo compensar los límites de especificación

Vaya, pegué el script incorrecto, lo siento, ya está corregido.

 

El modelo se ajusta a :Data vs. :Standard

Luego guardé la columna de predicción inversa, que predice el estándar de la columna :Data.

En la práctica, esta "transformación" corregirá el sesgo del problema de no linealidad en el sistema de medición.

 

Algo para probar:

1. Utilice el modelo de ajuste para datos frente a estándar, ajuste un modelo Robard 4p, guarde columnas/guarde columna de predicción inversa

2. Utilice el modelo de ajuste para datos frente a estándar, agrupe por punto de enseñanza, ajuste un modelo Robard 4p, guarde columnas/guarde columna de predicción inversa

3. Análisis/Calidad/Variabilidad. En el cuadro de diálogo, :Standard pasa al rol Estándar, luego :Data y las dos columnas que acaba de crear pasan al rol de respuesta Y, y Teach Point pasa al rol de agrupación X y Sample ID entra al rol de Sample ID.

 

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

Ahora que el informe de variabilidad está activo, mantenga presionada la tecla Ctrl y, en el menú del triángulo rojo, vaya a Estudios de indicadores y seleccione Informe de sesgo y también Informe de linealidad (haga clic en Cancelar para la pregunta sigma)

Los informes (si esto funcionó) le mostrarán que en la transformada (fórmula de predicción inversa) el sesgo es más pequeño y que hay muy poca o ninguna linealidad en el sesgo.

 

Este fue un conjunto de datos muy divertido, gracias.

 

Re: Cómo compensar los límites de especificaciónEn su secuencia de comandos, veo un predictor estándar como el regresor. ¿Qué es esa referencia?Re: Cómo compensar los límites de especificación

Tal vez intente ajustar el modelo Robard 4p y luego guarde la fórmula de predicción inversa para usarla para la corrección del sesgo.

Funciona bien para todos los Teach Points, tal vez un poco menos en el USL Chewy, pero sigue siendo bastante bueno.

 

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
  ),
 .
)