基于特定产品测量的产品质量建模 (2022-US-EPO-1085)Kaitlin Shorkey，康宁公司统计工程师
本演示文稿重点介绍了用于根据产品测量结果了解和预测产品质量的建模方法。模型开发过程包括四个步骤：数据收集、模型开发、测试和实施。在数据收集期间，从生产线收集零件并完成产品测量。这些部件将继续进行整个过程，并接受质量测试。这些产品测量和质量测试结果被组合到数据集中并用于建模。质量测试是响应，产品测量是预测指标。在模型开发中，会彻底检查数据以确保其尽可能干净。应用变量聚类和逐步回归来去除高度相关的输入变量并选择重要变量。最后一步是使用对数正态分布和自适应套索估计方法应用广义回归。该模型的准确度必须高于某个可接受的指标。如果模型满足这个标准，它就会进入测试阶段。此阶段涉及使用工程控制下的模型来确定模型预测产品质量的程度。一旦满意，该模型就会实施到生产中。运营团队会收到有关零件性能的即时反馈，并可以实时调整和调整流程。有了这些信息，我们也可以判断产品是否可以接受。如果被拒绝，产品将被丢弃并且不会继续完成该过程。这些预测模型可识别上游过程中不可接受的零件和过程干扰。
欢迎，和感谢你为了加盟我的海报推介会
在这年JMP C会议。
我的姓名是凯特琳肖基,
和我是A高级的统计工程师在康宁成立。
如何做你得到A一瞥的A产品质量
前它完成这生产过程？
我们选择到建造A模型那将要预测这产品质量结果
前它有完全的这全部的过程。
那里是二主要的好处的这方法。
一是这操作团队
收到立即的反馈在如何这部分将要履行
和能调整这过程在真实的时间。
这第二是那我们能民主党这产品可接受的或者不是。
喜欢我只是提及，这主要的客观的的这工作
是到建造A预测的模型使用A很少造型方法
到理解和预测产品质量
基于在肯定产品测量。
我们的主要的脚步在建筑这模型
是数据收藏，模型发展，测试和执行。
首先，为了这数据收藏阶段，部分是集在这结尾
的这生产线和合适的产品测量是完全的。
这部分是然后受到到这质量测试。
这产品测量和质量测量结果
是合并进入A数据放和用过的为了建筑这模型。
在这案件，这质量测量结果
是合并进入A数据放和用过的为了建筑这模型。
在这案件，这质量测量是这回复
和全部这产品测量是这预测因子。
这数据集包含767预测器和990观察或者部分。
这东西能拿A长的时间到执行。
自从是建筑A模型，它是重要的到得到作为大的的A范围
的产品测量和质量测量结果作为我们能。
如果我们离开这这准确性和模型预测
是更多的持续的穿过这范围。
本质上，这允许这模型到准确预测在全部级别
的这产品质量结果。
一次这数据集是编译，
它是彻底检查到确保它是作为干净的作为可能的。
后这数据收藏和打扫，
这第二阶段的模型发展是开始了。
为了这，我们开始和多变的聚类。
步经过回归，消除高度相关的变量
和选择这最多重要的那些。
和所以许多预测器我们先申请多变的聚类。
这方法允许为了这减少在这数字的变量。
多变的聚类团体这预测因子，
这变量进入集群那分享常见的特征。
每个簇能是代表经过A单身的成分或者多变的。
A片断的这簇概括从JMP是显示，
哪个表明那85 %的这变化
是解释经过聚类。
簇12有49成员，
和V 232是这最多代表的那簇。
这变量那是确定作为这最多代表那些
是然后用过的在这下一个方法的逐步回归。
逐步回归是用过的
在这确定聚集的变量到选择这最多重要的一
到我们在这模型，
和更远减少这数字的变量。
为了这，这向前方向
和最低限度更正工商总局停止规则是用过的。
这方向控制如何变量进入和离开这模型。
这向前方向方法那条款是进入进入这模型
那有这最小的p值。
这停止规则是用过的到决定哪个模型是选择。
这更正工商总局是基于在消极的二，法律的可能性，
和这模型和这最小的更正工商总局是A首选模型。
从这， 51变量是进入进入这模型
的这99可用的变量
从这多变的聚类步。
在这观点，我们有减少这数字
的变量从767到51
使用多变的聚类和逐步回归。
这最终的方法是到合身A广义的回归模型。
为了这，这法律的普通的分配
是用过的和一个自适应的套索估计方法。
为了这，这长的普通的分配是用过的
和一个自适应的套索估计方法。
这法律的普通的分配是这最好的
合身为了这回复，所以是选择到使用在这回归模型。
这自适应套索估计方法
是A受到惩罚回归技术
哪个收缩这尺寸的这回归系数
和减少这方差在这估计。
这帮助到提升预测的能力的这模型。
还这数据放曾是分裂进入A训练和验证放。
这训练放有744观察，和这验证放有246.
从这，这结果模型产生A .81广义的R平方
为了这训练放和.8为了这验证放。
这些R 方块是可接受的为了我们的过程那我们将要现在评价
这准确性和可预测性的这结果模型。
现在那我们有A模型，我们需要到审查它是准确性
和可预测性到看如果它会是合适的到使用在生产。
在正在做这，
A图形是生产的那比较A预料到的质量测量
为了A具体的部分到这实际的质量测量。
在这图形xx节目这预料到的价值，
和这yx节目这实际的。
还，这质量测量是桶装的进入三团体
基于在它是价值，哪个是显示
经过这三颜色在这图形。
在一般的，这模型预测这质量测量井。
它做出现那这模型可能合身更好的
在这降低产品质量范围
比这上，哪个可能是到期的到更多的观察在这降低范围。
作为提及，这质量测量
曾是桶装的进入三不同的类别基于在它是价值。
这曾是还完毕为了这预测的质量测量。
为了每个观察，如果这质量测量类别
是这相同的作为A预料到的测量类别，
它是分配到一。
如果不是，它是分配到零。
为了两个都这训练和验证套，这平均的的这些那些和零点
是计算的和是用过的作为这准确度措施。
我们看那训练放有一个准确性的87.5%
和这验证放有一个准确性的84%。
为了这模型到是感动到这测试阶段，
准确性必须是多于A肯定限制，
和两个都的这些准确性价值观是。
这将要允许我们到移动到这测试阶段的这项目。
在添加，我们看在这困惑矩阵
到可视化这准确性的这模型
经过比较这实际的到这预料到的类别。
理想情况下，这离开对角线的每个矩阵应该是全部零，
和这对角线从顶部左边到底部正确的含有全部这计数。
这矩阵展示在这海报那这更高计数是沿着
那对角线和降低数字在这离开对角线，
但差异仍然存在之中这三类别。
为了例子，在这训练放，那里是29实例在哪里这实际的
质量测量的这三曾是预料到的作为A二。
在这相同的案件为了这验证放，那里是12.
这困惑矩阵帮助到理解在哪里这些差异是
所以更远调查能是完毕和改进制成。
全面的尽管，这模型有一个准确性多于那需要限制，
在哪里我们的下一个步会是这测试和执行阶段。
现在那我们的模型是通过这发展阶段，
它是时间到测试它在居住情况。
为了这，这模型是用过的在下面工程控制
到决定如何出色地它预测这质量测量
在小的，受控实验。
这是完毕经过这工程团队
和支持从这项目团队什么时候必要的。
一次这工程团队是使满意和这测试，
这模型是充分地实施的进入生产和监控超过时间。
在结论，这模型发展过程
有允许我们到建造
预测的楷模为了这生产过程。
这方法的多变的聚类，
逐步多变的选择在广义的回归
是这最多合适的和最好的学生到使用
为了这应用。
和更远研究和调查，
其他方法可以是潜在地应用
到提升模型表现甚至更多的。
从A生产立场，这益处的这模型
是那这操作团队将要收到立即的反馈在如何A部分
或者团体的部分将要履行，和能摄取这调
和调这过程在真实的时间。
我们能还认为这产品可接受的或者不是。
如果拒绝了，这产品是处置的和将要不是继续通过这过程，
哪个超过时间减少生产费用。
最后， ID喜欢到给A巨大的特别的感谢你
到兹沃诺和乔瓦和这全部的项目团队
在康宁公司。
感谢你为了加盟和聆听到我的海报推介会。
