Wir haben uns kürzlich mit dem Data-Science-Team von Panasonic in Sparks, Nevada, zusammengetan, um eine Qualitätsdemo zu präsentieren, die Wege zur Steuerung von autokorrelierten Daten in Diagrammen beinhaltete.
Panasonic hat Messungen in seinen kontinuierlichen Fertigungslinien, die der Autokorrelation unterliegen (Korrelationen mit großer Verzögerung 1). Die Musterung dieser Datentypen stimmt nicht mit dem überein, was in standardmäßigen Prozessverhaltensdiagrammen erwartet wird, und die Kontrollgrenzen sind tendenziell zu eng, was zu vielen Fehlalarmen führt. Dieses Problem mit Panasonic-Daten hat dem Six-Sigma-Team ein blaues Auge beschert – Dan Lund, Data Science Manager.
In der Demo habe ich das Diagramm der Residuen aus einem Zeitreihenmodell gezeigt ( Restdiagramm) und Verwenden von Konfidenzbändern für Zeitreihenvorhersagen, um Hinweise auf Abweichungen durch besondere Ursachen zu sehen. Ich habe nicht gezeigt, aber erwähnt, dass ich Wheelers Empfehlung verwendet habe, Stichprobenkorrelationskoeffizienten zu verwenden, um die Vertrauensgrenzen Rbar/d2(1-r^2) zu skalieren (Advanced Topics in Statistical Process Control, Kapitel 12).
Mein kurzfristiger Vorschlag:
Fügen Sie eine Option hinzu, um die angepassten Konfidenzgrenzen von Wheeler im Kontrolldiagramm-Generator zu berechnen.
Langfristiger Vorschlag:
Entwickeln Sie eine Plattform, die Restlauf-, CUSUM- oder EWMA-Diagramme direkt generiert.
Wenn es dem Business Case hilft, bin ich zuversichtlich, dass wir Dan Lund zurückrufen können, um ausführlich die Vorteile zu erläutern, die die korrekte Darstellung autokorrelierter Prozessdaten für Panasonic bringt.
Danke!!
