いらっしゃいませ、と感謝あなたために接合私のポスタープレゼンテーション
でこれ年のJMPC推論。
私の名前はケイトリン・ショーキー、
とわたしはaシニア統計エンジニアでコーニング組み込まれています。
どうやってするあなた得るa垣間見るのa製品品質
前それ完了するの製造プロセス？
私たち選んだに建てるaモデルそれか意思予測するの製品品質結果
前それもっている完了の全体プロセス。
そこにはそれは二選考科目利点のこれアプローチ。
一はのオペレーションチーム
受け取るインスタントフィードバックの上どうやっての部品意思実行
とできる調整のプロセスの本物時間。
の2番はそれか私たちできるデムの製品許容できるまたいいえ。
好き私ただ言及された、の主要目的のこれ仕事
はに建てるa予測的なモデル使用してa少しモデリングアプローチ
に理解と予測する製品品質
ベースの上特定製品測定。
私たちの選考科目ステップの建物これモデル
それはデータコレクション、モデル発達、テストと実装。
最初に、ためにのデータコレクション段階、部品それは集めましたでの終わり
のの製造ラインと適切な製品測定値それは完了しました。
の部品それはそれから対象にの品質テスト。
の製品測定値と品質測定結果
それは組み合わせたの中へaデータ設定と使用済みために建物のモデル。
のこれ場合、の品質測定結果
それは組み合わせたの中へaデータ設定と使用済みために建物のモデル。
のこれ場合、の品質測定はの応答
と全ての製品測定値それはの予測因子。
のデータセット成っている767予測因子と990観測また部品。
これものできる取ったa長さ時間に実行する。
以来そうだった建物aモデル、これは重要に得るとして大きいのa範囲
の製品測定値と品質測定結果として私たちできる。
もしも私たち離れるこれの正確さとモデル予測
それはもっと一貫性のある横切っての範囲。
本質的に、これ許可しますのモデルに正確に予測するで全てレベル
のの製品品質結果。
一度のデータセットは編集済み、
それは徹底的に調べたに確認それはとして綺麗として可能。
後のデータコレクションとクリーニング、
の2番段階のモデル発達は始めました。
ためにこれ、私たち始めると変数クラスタリング。
ステップに回帰、削除非常に相関した変数
と選択するの多くの重要もの。
とそれで多くの予測因子私たち最初に適用する変数クラスタリング。
これ方法許可しますためにの割引のの番号の変数。
変数クラスタリンググループの予測因子、
の変数の中へクラスターそれか共有一般特徴。
各集まるできるなれ代表されるにa独身成分また変数。
あスニペットのの集まるまとめからJMPは示され、
どれのを示しますそれか85 %のの変化
は説明したにクラスタリング。
集まる12もっている49メンバー、
とⅤ 232はの多くの代表のそれか集まる。
の変数それかそれは特定されたとしての多くの代表もの
それはそれから使用済みのの次方法の段階的に回帰。
段階的に回帰は使用済み
の上の特定されたクラスター化された変数に選択するの多くの重要一
に私たちののモデル、
とさらに遠く減らすの番号の変数。
ためにこれ、の前方方向
と最小訂正AIC停止中ルールは使用済み。
の方向コントロールどうやって変数入力と離れるのモデル。
の前方方向意味それか条項それは入りましたの中へのモデル
それかもつの最小p値。
の停止中ルールは使用済みに決定どれのモデルは選択されました。
の訂正AICはベースの上ネガティブ二、法の可能性、
とのモデルとの最小訂正AICはa好ましいモデル。
からこれ、 51変数それは入りましたの中へのモデル
のの99利用可能変数
からの変数クラスタリングステップ。
でこれ点、私たちもつ削減の番号
の変数から767に51
使用して変数クラスタリングと段階的に回帰。
の最後の方法はにフィットa一般化された回帰モデル。
ためにこれ、の法の普通分布
は使用済みとをアダプティブなげなわ推定方法。
ためにこれ、の長さ普通分布は使用済み
とをアダプティブなげなわ推定方法。
の法の普通分布はの一番
フィットためにの応答、それでは選ばれたに使用のの回帰モデル。
の適応なげなわ推定方法
はa罰せられる回帰技術
どれの縮むのサイズのの回帰係数
と減らすの分散のの見積もり。
これ役立ちますに向上予測的な能力ののモデル。
またのデータ設定だったスプリットの中へaトレーニングと検証設定。
のトレーニング設定もっている744観察、との検証設定もっている246.
からこれ、の結果としてモデル生産するa .81一般化されたR2乗
ためにのトレーニング設定と.8ためにの検証設定。
これらは決定係数それは許容できるために私たちのプロセスそれか私たち意思今評価
の正確さと予測可能性のの結果としてモデル。
今それか私たちもつaモデル、私たち必要にレビューこれは正確さ
と予測可能性に見るもしもそれだろうなれ適切に使用の製造。
のやっているこれ、
aグラフは生産されたそれか比較するa予測した品質測定
ためにa明確部にの実際品質測定。
ののグラフxxショーの予測した価値、
とのyxショーの実際。
また、の品質測定はバケットの中へ三つグループ
ベースの上これは価値、どれのは示した
にの三つ色の上のグラフ。
の全般的、のモデル予測するの品質よく測定します。
それします現れるそれかのモデル5月フィットより良い
のの低い製品品質範囲
よりものアッパー、どれの5月なれ期限にもっと観測のの低い範囲。
として言及された、の品質測定
だったバケットの中へ三つ違うカテゴリーベースの上これは価値。
これだったまた終わりためにの予測的な品質測定。
ために各観察、もしもの品質測定カテゴリー
はの同じとしてa予測した測定カテゴリー、
それは割り当てられたに一。
もしもいいえ、それは割り当てられたにゼロ。
ために両方のトレーニングと検証セット、の平均のこれらはものとゼロ
は計算されたとは使用済みとしての正確さ測定。
私たち見るそれかトレーニング設定もっているを正確さの87.5%
との検証設定もっているを正確さの84%。
ためにのモデルになれ移動したにのテスト段階、
正確さしなければならないなれその上a特定限界、
と両方のこれらは正確さ値それは。
これ意思許可する私たちに動くにのテスト段階のの計画。
の添加、私たち見てでの錯乱マトリックス
に視覚化するの正確さののモデル
に比較するの実際にの予測したカテゴリ。
理想的には、のオフ対角線の各マトリックスしたほうがいいなれ全てゼロ、
との対角線から上左に下右含む全ての数えます。
の行列見せるの上のポスターそれかのより高い数えますそれは平行
それか対角線と低い数字ののオフ対角線、
しかし不一致まだ存在の中の三つカテゴリ。
ために例、ののトレーニング設定、そこにはそれは29インスタンスどこの実際
品質測定のの三つだった予測したとしてa二。
のの同じ場合ためにの検証設定、そこにはそれは12.
の錯乱マトリックス役立ちますに理解どここれらは不一致それは
それでさらに遠く調査できるなれ終わりと改善作る。
全体けれど、のモデルもっているを正確さその上それか必要限界、
どこ私たちの次ステップだろうなれのテストと実装フェーズ。
今それか私たちのモデルは終えたの発達段階、
これは時間にテストそれのライブ状況。
ためにこれ、のモデルは使用済み下エンジニアリングコントロール
に決定どうやって良いそれ予測するの品質測定
の小さい、制御された実験。
これは終わりにのエンジニアリングチーム
とサポートからの計画チームいつ必要。
一度のエンジニアリングチームは満足とこれテスト、
のモデルは完全に実装されたの中へ製造と監視対象以上時間。
の結論、これモデル発達プロセス
もっている許可された私たちに建てる
予測的なモデルためにの製造プロセス。
のメソッドの変数クラスタリング、
段階的に変数選択の一般化された回帰
そうだったの多くの適切なと一番学生に使用
ためにこれ応用。
とさらに遠くリサーチと調査、
他のメソッドできるなれ潜在的に適用
に向上モデルパフォーマンス平もっと。
からa製造立場、の利点のこれモデル
はそれかのオペレーションチーム意思受け取るインスタントフィードバックの上どうやってa部
またグループの部品意思実行、とできる摂取するの曲
と曲のプロセスの本物時間。
私たちできるまた考えるの製品許容できるまたいいえ。
もしも拒否された、の製品は処分したのと意思いいえ続く終えたのプロセス、
どれの以上時間減らす製造コスト。
最後に、私はしたい好きに与えるa巨大特別感謝あなた
にズヴォノとチョバとの全体計画チーム
でコーニング社。
感謝あなたために接合と聞いているに私のポスタープレゼンテーション。
