L'une des hypothèses pour le comportement du processus exige que chaque mesure soit indépendante et n'ait aucune relation entre les mesures successives. Tous les processus ne génèrent pas des mesures indépendantes. "Dans de nombreuses applications industrielles, les données sont obtenues périodiquement, et pour bon nombre de ces séquences de valeurs, il y aura une relation entre les valeurs successives", Sujets avancés en contrôle statistique des processus, Donald J. Wheeler.
Lorsqu'il existe une autocorrélation dans les données de processus, les limites de contrôle dans les diagrammes de comportement de processus standard sont trop étroites et sujettes aux fausses alarmes. Ce complément calculera le coefficient d'autocorrélation lag1, lira les limites de contrôle à partir d'une carte de contrôle IMR, calculera de nouvelles limites de contrôle élargies de 1/sqrt(1-r^2) et mettra à jour la carte avec les nouvelles limites. Donald Wheeler propose cette méthode au chapitre 12, Sujets avancés en contrôle statistique des processus. Il s'agit de l'une des nombreuses méthodes de création de diagrammes de comportement de processus pour les données de processus autocorrélées. Ce n'est peut-être pas toujours le meilleur.Il appartient à l'utilisateur de déterminer si cette méthode ou une autre est appropriée à utiliser avec ses données. D'autres méthodes incluent
*Tableau des résidus EWMA - partie du rapport EWMA de JMP
* Les graphiques IMR des résidus d'un modèle de série chronologique du processus impliquent l'utilisation de la plate-forme de série chronologique de JMP.
Merci à l'équipe éducative de JMP pour l'inspiration. Ce script reproduit la procédure utilisée dans leur cours SPC en ligne gratuit :
https://community.jmp.com/t5/Learning-Center/JMP-Statistical-Process-Control-Course
Je recommande de suivre le cours pour comprendre les cartes de contrôle pour les données autocorrélées et le SPC en général. Les explications sont succinctes, faciles à suivre et accompagnées d'exercices pratiques.
Procédure complémentaire :
1. Ouvrez une table de données avec des données de processus autocorrélées ou choisissez une table déjà ouverte.
2. Sélectionnez la colonne contenant les données de processus.
Interprétation:
J'ai laissé la colonne _Lag1 et le rapport Fit Y by X utilisé pour obtenir le coefficient de corrélation lag1 ouvert à des fins de diagnostic. Je recommande d'utiliser le rapport pour comprendre le degré d'autocorrélation dans les données. Il est également instructif de générer un graphique IMR standard à des fins de comparaison. La génération d'un graphique IMR standard n'est pas effectuée par le complément.
