Recientemente nos asociamos con el equipo de ciencia de datos de Panasonic en Sparks Nevada en una demostración de calidad que incluía formas de controlar los gráficos de datos autocorrelacionados.
Panasonic tiene mediciones en sus líneas de fabricación continua que están sujetas a autocorrelación (correlaciones grandes de retraso 1). El patrón de estos tipos de datos no es coherente con lo que se espera en los gráficos de comportamiento de procesos estándar y los límites de control tienden a ser demasiado estrechos, lo que genera muchas falsas alarmas. Este problema con los datos de Panasonic le ha dado un ojo morado al equipo Six Sigma -Dan Lund, gerente de ciencia de datos.
En la demostración mostré trazar los residuos de un modelo de serie temporal ( gráfico residual) y el uso de bandas de confianza en las predicciones de series de tiempo para ver evidencia de variación de causa especial. No mostré, pero mencioné el uso de la recomendación de Wheeler de usar el coeficiente de correlación de la muestra para escalar los límites de confianza Rbar/d2(1-r^2) (Temas avanzados en control estadístico de procesos, Capítulo 12).
Mi propuesta a corto plazo:
Incluya una opción para calcular los límites de confianza ajustados de Wheeler en el generador de gráficos de control.
Propuesta a largo plazo:
Desarrolle una plataforma que genere gráficos de ejecución residual, CUSUM o EWMA directamente.
Si ayuda al caso comercial, estoy seguro de que podemos volver a poner a Dan Lund en el teléfono para explicar en detalle el beneficio que le brinda a Panasonic el graficar correctamente los datos de proceso autocorrelacionados.
¡¡Gracias!!
Cargué un complemento en el intercambio de archivos que amplía los límites de control en un gráfico IMR utilizando el coeficiente de correlación lag1.
Límites de control del gráfico IMR ajustados para la autocorrelación
Esto debería funcionar a corto plazo para clientes como Panasonic que tienen procesos que muestran autocorrelación.
