基於特定產品測量的產品質量建模 (2022-US-EPO-1085)Kaitlin Shorkey，康寧公司統計工程師
本演示文稿重點介紹了用於根據產品測量結果了解和預測產品質量的建模方法。模型開發過程包括四個步驟：數據收集、模型開發、測試和實施。在數據收集期間，從生產線收集零件並完成產品測量。這些部件將繼續進行整個過程，並接受質量測試。這些產品測量和質量測試結果被組合到數據集中並用於建模。質量測試是響應，產品測量是預測指標。在模型開發中，會徹底檢查數據以確保其盡可能乾淨。應用變量聚類和逐步回歸來去除高度相關的輸入變量並選擇重要變量。最後一步是使用對數正態分佈和自適應套索估計方法應用廣義回歸。該模型的準確度必須高於某個可接受的指標。如果模型滿足這個標準，它就會進入測試階段。此階段涉及使用工程控制下的模型來確定模型預測產品質量的程度。一旦滿意，該模型就會實施到生產中。運營團隊會收到有關零件性能的即時反饋，並可以實時調整和調整流程。有了這些信息，我們也可以判斷產品是否可以接受。如果被拒絕，產品將被丟棄並且不會繼續完成該過程。這些預測模型可識別上游過程中不可接受的零件和過程干擾。
歡迎，和感謝你為了加盟我的海報推介會
在這年JMP C會議。
我的姓名是凱特琳肖基,
和我是A高級的統計工程師在康寧成立。
如何做你得到A一瞥的A產品質量
前它完成這生產過程？
我們選擇到建造A模型那將要預測這產品質量結果
前它有完全的這全部的過程。
那裡是二主要的好處的這方法。
一是這操作團隊
收到立即的反饋在如何這部分將要履行
和能調整這過程在真實的時間。
這第二是那我們能民主黨這產品可接受的或者不是。
喜歡我只是提及，這主要的客觀的的這工作
是到建造A預測的模型使用A很少造型方法
到理解和預測產品質量
基於在肯定產品測量。
我們的主要的腳步在建築這模型
是數據收藏，模型發展，測試和執行。
首先，為了這數據收藏階段，部分是集在這結尾
的這生產線和合適的產品測量是完全的。
這部分是然後受到到這質量測試。
這產品測量和質量測量結果
是合併進入A數據放和用過的為了建築這模型。
在這案件，這質量測量結果
是合併進入A數據放和用過的為了建築這模型。
在這案件，這質量測量是這回复
和全部這產品測量是這預測因子。
這數據集包含767預測器和990觀察或者部分。
這東西能拿A長的時間到執行。
自從是建築A模型，它是重要的到得到作為大的的A範圍
的產品測量和質量測量結果作為我們能。
如果我們離開這這準確性和模型預測
是更多的持續的穿過這範圍。
本質上，這允許這模型到準確預測在全部級別
的這產品質量結果。
一次這數據集是編譯，
它是徹底檢查到確保它是作為乾淨的作為可能的。
後這數據收藏和打掃，
這第二階段的模型發展是開始了。
為了這，我們開始和多變的聚類。
步經過回歸，消除高度相關的變量
和選擇這最多重要的那些。
和所以許多預測器我們先申請多變的聚類。
這方法允許為了這減少在這數字的變量。
多變的聚類團體這預測因子，
這變量進入集群那分享常見的特徵。
每個簇能是代表經過A單身的成分或者多變的。
A片斷的這簇概括從JMP是顯示，
哪個表示那85 %的這變化
是解釋經過聚類。
簇12有49成員，
和V 232是這最多代表的那簇。
這變量那是確定作為這最多代表那些
是然後用過的在這下一個方法的逐步回歸。
逐步回歸是用過的
在這確定聚集的變量到選擇這最多重要的一
到我們在這模型，
和更遠減少這數字的變量。
為了這，這向前方向
和最低限度更正工商總局停止規則是用過的。
這方向控制如何變量進入和離開這模型。
這向前方向方法那條款是進入進入這模型
那有這最小的p值。
這停止規則是用過的到決定哪個模型是選擇。
這更正工商總局是基於在消極的二，法律的可能性，
和這模型和這最小的更正工商總局是A首選模型。
從這， 51變量是進入進入這模型
的這99可用的變量
從這多變的聚類步。
在這觀點，我們有減少這數字
的變量從767到51
使用多變的聚類和逐步回歸。
這最終的方法是到合身A廣義的回歸模型。
為了這，這法律的普通的分配
是用過的和一個自適應的套索估計方法。
為了這，這長的普通的分配是用過的
和一個自適應的套索估計方法。
這法律的普通的分配是這最好的
合身為了這回复，所以是選擇到使用在這回歸模型。
這自適應套索估計方法
是A受到懲罰回歸技術
哪個收縮這尺寸的這回歸係數
和減少這方差在這估計。
這幫助到提升預測的能力的這模型。
還這數據放曾是分裂進入A訓練和驗證放。
這訓練放有744觀察，和這驗證放有246.
從這，這結果模型產生A .81廣義的R平方
為了這訓練放和.8為了這驗證放。
這些R 方塊是可接受的為了我們的過程那我們將要現在評價
這準確性和可預見性的這結果模型。
現在那我們有A模型，我們需要到審查它是準確性
和可預見性到看如果它會是合適的到使用在生產。
在正在做這，
A圖形是生產的那比較A預料到的質量測量
為了A具體的部分到這實際的質量測量。
在這圖形xx節目這預料到的價值，
和這yx節目這實際的。
還，這質量測量是桶裝的進入三團體
基於在它是價值，哪個是顯示
經過這三顏色在這圖形。
在一般的，這模型預測這質量測量井。
它做出現那這模型可能合身更好的
在這降低產品質量範圍
比這上，哪個可能是到期的到更多的觀察在這降低範圍。
作為提及，這質量測量
曾是桶裝的進入三不同的類別基於在它是價值。
這曾是還完畢為了這預測的質量測量。
為了每個觀察，如果這質量測量類別
是這相同的作為A預料到的測量類別，
它是分配到一。
如果不是，它是分配到零。
為了兩個都這訓練和驗證套，這平均的的這些那些和零點
是計算的和是用過的作為這準確度措施。
我們看那訓練放有一個準確性的87.5%
和這驗證放有一個準確性的84%。
為了這模型到是感動到這測試階段，
準確性必須是多於A肯定限制，
和兩個都的這些準確性價值觀是。
這將要允許我們到移動到這測試階段的這項目。
在添加，我們看在這困惑矩陣
到可視化這準確性的這模型
經過比較這實際的到這預料到的類別。
理想情況下，這離開對角線的每個矩陣應該是全部零，
和這對角線從頂部左邊到底部正確的含有全部這計數。
這矩陣展示在這海報那這更高計數是沿著
那對角線和降低數字在這離開對角線，
但差異仍然存在之中這三類別。
為了例子，在這訓練放，那裡是29實例在哪裡這實際的
質量測量的這三曾是預料到的作為A二。
在這相同的案件為了這驗證放，那裡是12.
這困惑矩陣幫助到理解在哪裡這些差異是
所以更遠調查能是完畢和改進製成。
全面的儘管，這模型有一個準確性多於那需要限制，
在哪裡我們的下一個步會是這測試和執行階段。
現在那我們的模型是通過這發展階段，
它是時間到測試它在居住情況。
為了這，這模型是用過的在下面工程控制
到決定如何出色地它預測這質量測量
在小的，受控實驗。
這是完畢經過這工程團隊
和支持從這項目團隊什麼時候必要的。
一次這工程團隊是使滿意和這測試，
這模型是充分地實施的進入生產和監控超過時間。
在結論，這模型發展過程
有允許我們到建造
預測的楷模為了這生產過程。
這方法的多變的聚類，
逐步多變的選擇在廣義的回歸
是這最多合適的和最好的學生到使用
為了這應用。
和更遠研究和調查，
其他方法可以是潛在地應用
到提升模型表現甚至更多的。
從A生產立場，這益處的這模型
是那這操作團隊將要收到立即的反饋在如何A部分
或者團體的部分將要履行，和能攝取這調
和調這過程在真實的時間。
我們能還認為這產品可接受的或者不是。
如果拒絕了，這產品是處置的和將要不是繼續通過這過程，
哪個超過時間減少生產費用。
最後， ID喜歡到給A巨大的特別的感謝你
到茲沃諾和喬瓦和這全部的項目團隊
在康寧公司。
感謝你為了加盟和聆聽到我的海報推介會。
