私のシナリオについて簡単に説明します。会社の大量生産は、品質目的のために寸法(長さ、半径、厚さなど)を測定する必要がある弁/ナット/ボルトなどの部品を生産します。すべての部分を検査することは現実的ではないので、バッチ形式で選択されます。例:100個ごとのバッチから5つが無作為に選択されます&寸法の平均は&で、SPC管理図を描いています(y軸の平均寸法はx軸の&バッチ番号)。SPC(Statistical Process Control)の予測
製品の品質に影響を与える要素(オペレータ効率、機械/ツール条件など)が多数ありますが、測定可能ではありません。 私の目的は、今後のバッチサンプル(平均)の製品寸法を予測する機械学習モデルを開発することです。これは、作業者が作業を一時停止できるように、有意な寸法変化が生じるかどうかをオペレータが予測するのに役立ち、&は、潜在的な理由を把握して、製品/材料の無駄を防止する。
私はRプログラム&の決定木/回帰などの機械学習技術についていくつかのアイデアを持っていますが、このための適切なモデルに着陸できませんでした。主に、私はこの状況の独立変数を考えることができなかったからです。私は時系列モデリングについてはあまり考えていません。
誰かがこれに対処する方法についていくつかの洞察力/アイデア/提案を投げかけますか? 私は長い話をしなければならなかったが、可能な限り明確にすることを望んでいたことは残念です。
ありがとうございます。 スリーナス
このアプローチは、SPCをリンクするためのモデルやFMEAを構築しようとするようなものです統計的プロセス制御のための後方への代わりに、私は変動を測定し、それをプロットし、プロットからプロセスが制御可能かどうかを判断し、そうでない場合は、変動の特別な原因を探します。私は何が欠けていますか? –
こんにちはマイク、本当に有効なコメントをいただきありがとうございます。 SPCチャートでは、プロセスが制御しているかどうかを確認できます。しかし、管理図を使用してプロセスのバリエーションに気付く頃には、一部の欠陥部分がすでに作成されています(SPCチャートで取り込まれています)。しかし、歴史的なデータからSPCのパターンを見つけることができれば(例えば、機械運転の5時間ごとに、おそらく機械が加熱されて不具合が発生しなくなる傾向があります)、プロセス。申し訳ありませんが、私が明確でない場合は、従来のデータ分析からSPCに取り掛かりつつあります。 – Sreenath1986
* "過去のデータからSPCのパターンを見つけることができれば..." *そのパターンは、あなたが実際に測定して過去に記録したものであろう*。そしてその変化が共通の原因から来るのか、特別な原因から来るのかを判断することが期待されます。それが特別な原因から来たのであれば、その特別な原因を取り除くことが期待されます。 (過熱のように)予測は必要なく、おそらく賢明ではありません。私はあなたがこの道を行く前に、統計的な品質管理と管理図にもっと多くの研究をするべきだと思います。 –