需要有关在成熟的制造组织中实施统计过程控制的建议场景：我们有一个 LIMS，可将 QC 测试数据从制造过程推送到数据仓库。我们有一些 JMP 用户。我们希望最终引入 SPC 的系统方法，并正在讨论如何做到这一点的不同策略。出现的问题之一是令人失望的是，我们无法批量利用我们的 LIMS 系统，但很可能不得不从数据仓库中提取数据以进行趋势分析。事实上，我们已经很长时间没有使用LIMS，导致数据源相对脏乱，需要进行大量清理。然而，由于 LIMS 系统中的各种持续变化（需要新的 QC 测试的新产品的引入、不再需要停产的产品及其 QC 测试、更改测试名称、新的样品类型），即使数据来自 LIMS，清洁也是必要的、配置更改等）。我的印象是，事情就是这样：事情在变化，数据素养水平各不相同，数据纪律没有严格执行，LIMS 超级用户通常不是数据仓库用户，而且事情的发展往往与计划不同。
一位团队成员的一个重要评论是怀疑大型制药公司在数据方面的组织性要好得多，并提出问题是我们的策略是否可能过于复杂（LIMS --> 数据仓库 --> 利用数据仓库的数据分析工具）。
问题:
- 将数据从 LIMS 推送到数据仓库并再次从那里检索数据以进行趋势分析的方法是否不常见？
- 大型制药公司的数据源平均而言是否比其他制造领域更清洁且管理更好？
- 是否有任何标准的“一刀切”方法可以达到我们想要的目标？
- 当涉及到数据库连接、自动化和 SPC 时，JMP 不就是一颗宝石吗？
- 如何在不借助 JMP Live 的情况下以最佳方式发布 SPC 图表？
- 我还可以向团队反馈哪些其他重要信息？
预先非常感谢您！
质量和工艺工程回复：需要有关在成熟的制造组织中实施统计过程控制的建议不用担心，很高兴这是有道理的。我认识很多不了解方法论的统计学家。
回复：需要有关在成熟的制造组织中实施统计过程控制的建议这是非常有道理的，并且了解起来非常有用。您已经得出结论，我不是统计学家。感谢您的宝贵帮助！回复：需要有关在成熟的制造组织中实施统计过程控制的建议现在你发现了你可能遇到的最大挑战……管理冷漠。与我所希望的相比，我经常与那些愿意接受低质量成本的经理一起工作，而代价是从一开始就避免这种情况。相比之下，您在原始帖子中提出的所有主题和问题都显得苍白无力。祝你好运。
回复：需要有关在成熟的制造组织中实施统计过程控制的建议我的回应：
"我认为“因果结构”指的是识别可分配的或特殊的原因。”
不完全是（意识到有两个模型；休哈特模型将变化分为可分配的和随机的，戴明模型将变化分为特殊和常见的原因。虽然同义，但它们并不相同），我的意思是理解输入变量之间的关系（ X's) 和响应变量 (Y's)，用 Y=f(X) 符号表示。理解因果结构的过程从假设开始（这些假设可能来自熟悉过程/产品的工程师和科学家）。这些是假设，而不是事实，通常是通过质疑过程、观察、数据挖掘等而得出的。应该有多种假设。一旦你有了一组假设，你就可以获取数据来深入了解这些假设。如何获取数据是一个重要的决定。如果您的知识连续性较低，那么这些假设可能相当笼统。这通常建议进行抽样（变异研究的组成部分），以获取有关应将精力集中在何处的线索。这就是SPC的意图。根据提供的少量信息，您的过程似乎是一个批处理过程。我想问的一些问题包括：测量组件的能力和一致性如何？是否足以区分批次内和批次间的变异来源？批次内有多少变异？批次内差异是否一致？批次内是否存在任何系统变异（例如分层）？批次之间有多少差异？这种变化是否一致？这些变异来源如何相互比较（例如，这些组件的排名顺序是什么）？
虽然移动极差图可以提供对一致性的洞察，但它们在分离和分配变化的不同组成部分方面作用甚微。毕竟，随着时间的推移，移动极差图表中子组内的所有 x 都会发生变化。另一方面，如果您的采样由多个批次、批次内的多个样本以及同一样本的多个测量组成，则您将拥有可以分离的三层组件。这是嵌套采样树的示例：
我建议使用假设来确定树中需要多少层（例如，您想要分离多少个组件）。 KISS，即保持简单和顺序。第一个抽样计划的目的是帮助制定一个更好、更具体的由数据指导的抽样计划（可能像一个实验）。
我建议您阅读以下内容以更好地了解该方法：
Wheeler, Donald 和 Chambers, David (1992)“理解统计过程控制”SPC Press (ISBN 0-945320-13-2)
唐纳德·惠勒 (2015)“理性抽样”， 《质量文摘》
唐纳德·惠勒 (2015)“理性分组”， 《质量文摘》
Shewhart, Walter A. (1931) “制成品质量的经济控制” ，D. Van Nostrand Co.，纽约
回复：需要有关在成熟的制造组织中实施统计过程控制的建议再次，我们非常赞赏这一点。我曾考虑过提及功能数据浏览器，因为它非常适合我们的长批量生产时间与一组不同的质量控制测试来表征整个批次的场景。然而，JMP Pro 的成本太高，足以引起管理层的关注，从而难以捍卫投资。当然，我们会继续努力。
回复：需要有关在成熟的制造组织中实施统计过程控制的建议还有一些想法给你。我的评论仅限于您的陈述，“还不清楚我们是否知道并完全理解所有变异来源。大概，我们将首先采访工艺工程师，了解他们对个别变异来源的想法。下一步，我认为我们应该尝试单独控制这些变异源，以测试我们是否能够获得更一致的过程输出，即按顺序制造的批次是否变得比现在更相似。”
采访流程工程师是一个好的开始……但没有什么可以取代数据。在从事化学批量生产多年的过程中，有时都市神话占主导地位，因为有人（通常是资深人士）“在批次不久前变质时这么说”。在我的公司，我们经常有机器过程控制系统，我们可以将过程数据下载到 SAS 或 JMP，然后使用建模方法来尝试找出因果结构。我们会大量使用 PLS 和 PCA。我离开行业已经有几年了，现在有了 JMP Pro 中的 Gen Reg 和功能数据浏览器功能……天哪，这几乎让我想继续退休！所以我建议如果有机会的话可以使用这些方法。
回复：需要有关在成熟的制造组织中实施统计过程控制的建议@statman ，谢谢您的提问！这些问题非常有用。
我认为“因果结构”是指识别可分配的或特殊的原因。在我们的例子中，生产一个批次可能需要很长时间。每一批产品都经过全面的测试程序，产生了许多测量结果，我们目前认为这些结果代表了每批产品的真实质量。
就我个人而言，我认为我们还没有任何理由将多个批次的数据分组为合理的子组。我们可能只会看到每个子组内有很多变化，并且沿水平轴绘制的数据很少。因此，我们现在实际上只考虑个体图表和移动极差图表，因为我们试图理解或学习的是导致一批与下一批质量差异的原因。
我们是否知道并完全理解变异的所有来源也尚不清楚。据推测，我们将首先采访工艺工程师，了解他们对个体变异来源的看法。接下来，我认为我们将尝试单独控制这些变异源，以测试我们是否能够获得更一致的过程输出，即按顺序制造的批次是否变得比现在更相似。因此，我们可能需要在这些控制图中定义不同的阶段，与旨在控制各个变异源的不同举措相关联。我认为记录这些阶段可能会有问题：如何称呼它们/是否需要特定的术语？在哪里/如何记录它们并为后代记录它们？
现在的情况是，我们别无选择，只能查看“特殊原因事件”发生后的数据，并且如上所述，我们几乎不了解每种情况下的具体特殊原因是什么。
这些是否足以回答您的问题，还是我忽略了某些事情？
您还建议考虑什么？
回复：需要有关在成熟的制造组织中实施统计过程控制的建议这是我的想法/问题：
SPC是一种分析工具。为了正确使用它，您必须了解合理的分组和抽样策略。如何获取数据是一个非常重要的决定。
“从长远来看，最初成功地将数据划分为基于理性理论的理性子组的工程师本质上会更好。 。 ”。
休哈特
SPC 和控制图方法的发明（Shewhart）是为了回答 2 个问题：
1. 与子组内变异源（子组内 x 的变化）相关的变异是否稳定且一致？如果没有，为什么不呢？这与戴明的特殊原因/共同原因模型一致。如果您在“特殊原因”事件”发生后查看数据，那么您就错过了实时了解发生情况的机会。
2. 哪些变异来源具有更大的影响力（占主导地位），是内部的还是中间的？ X 条形图是比较图。它将由子组内源（控制限）引起的变异与子组间变异源（绘制的平均值）引起的变异进行比较。它可以帮助调查人员了解他们的工作重点在哪里。
考虑到这一点，我不确定你想做什么？您似乎对绘制数据并使许多人可见感兴趣。这不是一个坏主意，但这只是 SPC 预期目的的一部分。 SPC 的目的是了解因果结构（分析）。
回复：需要有关在成熟的制造组织中实施统计过程控制的建议这是我的七分钱（每个问题一分钱，还有一个额外的想法：
1. 不会。在我担任 JMP 高级系统工程师期间，在大型制药公司拥有许多用户，这是一种常见的数据路径。
2. 不。它总是“脏”的，数据清理和监视是工作的重要组成部分。
3. 不。
4. IMO，JMP是世界一流的。
5. 始终有 JMP Public 或创建仪表板应用程序，您可以在其中内部控制谁具有读/写访问权限。
6. 开始系统设计时就牢记最终目标。然后对数据采集、清理、报告和分发进行逆向工程。
额外想法：冒着为销售团队中的 JMP 系统工程师工作的风险，让该人提出这些问题，以听取他们的意见。谁知道呢...也许甚至有一位 JMP 客户也愿意与您交谈。
