Salut
J'ai développé un modèle de viscosité sur un produit basé sur des centaines de données de laboratoire en utilisant quelques paramètres de processus.
Maintenant que le modèle est construit, quelle est la meilleure approche pour suivre ses performances dans le temps ? Carte de contrôle ?
Nous continuons à recevoir fréquemment des analyses de laboratoire afin que nous puissions comparer l'analyse à la valeur prévue.
Merci d'avance pour votre conseil.
Intéressant... Voici mes premières réflexions :
Tout d'abord, comment construisez-vous le modèle (par exemple, GLM, pas à pas, PLS, neuronal) ? Deuxièmement, quel est l'objectif de votre suivi des performances dans le temps ? Envisagez-vous de l'utiliser pour réagir aux écarts par rapport à la prédiction ? Quel écart vous ferait réagir ? Quelle serait votre réaction ? Ne serait-il pas préférable de tracer les X qui se trouvent dans votre modèle (plus prédictif) ?
Si la construction du modèle était basée sur des données d'observation, avez-vous essayé l'expérimentation pour confirmer que le modèle est causal ou corrélé ?
Souhaitez-vous améliorer le modèle (par exemple, identifier des variables supplémentaires ou des termes d'ordre supérieur à inclure dans le modèle) ou simplement évaluer la cohérence du modèle ? Souhaitez-vous étendre l'espace d'inférence pour inclure d'autres produits ?Je suppose que vous pourriez tracer le résidus dans le temps (par exemple, cartes X, MR). Ce que vous tracez et comment vous tracez dépend de ce que vous voulez accomplir avec le "suivi".
Par curiosité, avez-vous évalué le système de mesure ? C'est une excellente occasion d'utiliser la méthode des cartes de contrôle (et peut fournir une meilleure détermination de la fréquence d'étalonnage).
La comparaison évidente est un nuage de points réel par prédit. Vous pouvez ajouter la ligne Y=X pour référence.@statman La suggestion de va à la stabilité de la prédiction. Vous pouvez également utiliser la capacité de processus (la prédiction est un processus) pour vous aider à évaluer l'adéquation.
