Modélisation de la qualité des produits basée sur certaines mesures de produits (2022-US-EPO-1085)Kaitlin Shorkey, ingénieur statistique, Corning Inc
Cette présentation met en évidence les approches de modélisation utilisées pour comprendre et prédire la qualité des produits en fonction des mesures des produits.Le processus de développement du modèle comprend quatre étapes : la collecte de données, le développement du modèle, les tests et la mise en œuvre.Lors de la collecte des données, les pièces sont collectées à partir de la chaîne de production et les mesures des produits sont effectuées.Ces pièces continuent tout au long du processus et sont soumises à un test de qualité.Ces mesures de produits et les résultats des tests de qualité sont combinés dans l'ensemble de données et utilisés pour la modélisation.Le test de qualité est la réponse et les mesures du produit sont des prédicteurs.Dans le développement de modèles, les données sont examinées minutieusement pour s'assurer qu'elles sont aussi propres que possible.Le regroupement des variables et la régression pas à pas sont appliqués pour supprimer les variables d'entrée fortement corrélées et sélectionner les variables importantes.La dernière étape consiste à appliquer une régression généralisée à l'aide d'une distribution log-normale et de la méthode d'estimation adaptative au lasso.Le modèle doit avoir une précision supérieure à une certaine métrique acceptable.Si le modèle répond à ce critère, il passe en phase de test.Cette phase implique l'utilisation du modèle sous contrôle technique pour déterminer dans quelle mesure le modèle prédit la qualité du produit.Une fois satisfait, le modèle est implémenté en production.L'équipe d'exploitation reçoit un retour instantané sur la façon dont la pièce fonctionnera et peut ajuster et régler le processus en temps réel.Avec ces informations, nous pouvons également juger le produit acceptable ou non.S'il est rejeté, le produit est éliminé et ne poursuit pas le processus.Ces modèles prédictifs identifient les pièces inacceptables et les perturbations de processus dans les processus en amont.
Exploration des donnéesStatistiques et modélisation
