【发布时间】：2016-08-22 15:08:44
【问题描述】：
我将简要解释一下我的场景。该公司大量生产阀门/螺母/螺栓等部件，出于质量目的，这些部件需要测量尺寸（如长度、半径、厚度等）。由于检查所有零件是不可行的，因此以批量方式选择它们。例如：从每 100 件批次中随机选择 5 件，测量其尺寸的平均值并注明用于绘制 SPC 控制图（在 y 轴上绘制平均尺寸，在 x 轴上绘制批号）。
尽管有许多因素（如操作员效率、机器/工具状况等）会影响产品质量，但它们似乎无法衡量。 我的目标是开发一个机器学习模型来预测未来批次样本的产品尺寸（平均值）。这将有助于操作员预测是否会有任何显着的尺寸变化，以便他可以暂停工作并找出潜在原因，从而防止产品/材料的浪费。
我对 R 编程和机器学习技术（如决策树/回归等）有所了解，但无法为此找到合适的模型。主要是因为我想不出这种情况的自变量。不过，我对时间序列建模不太了解。
有人会就如何解决这个问题提出一些见解/想法/建议。 很抱歉，我不得不写一个长篇故事，但只是想让事情尽可能清楚。
提前致谢。 斯雷纳特
【问题讨论】：
-
这种方法——预测未来意味着操作员可以停止工作并寻找改进的方法——对于统计过程控制来说有点落后。相反，我希望测量变异，绘制它，从图中确定过程是否受控制，如果不是，寻找变异的特殊原因。我错过了什么？
-
嗨，迈克，感谢您真正有效的评论。通过 SPC 图，我们可以看到过程是否在控制之中。但是当我们通过控制图注意到过程中的变化时，一些有缺陷的零件已经制造出来了（这在 SPC 图中被捕获）。但是如果我们可以从历史数据中找到 SPC 的一些模式（例如：机器每运行 5 小时后，缺陷数量往往会出现峰值，可能是由于机器升温所致），我们可以更好地控制过程。抱歉，如果我不清楚，我只是从常规数据分析进入 SPC。
-
“但如果我们可以从历史数据中找到 SPC 的某种模式……” 那么该模式将来自您实际测量和记录的事物过去。您需要确定这种变化是来自常见原因还是来自特殊原因。如果它来自特殊原因，您应该消除这些特殊原因。 （就像过热一样。）没有必要进行预测，而且可能是不明智的。我认为在你走这条路之前，你应该对统计质量控制和控制图做更多的研究。
-
谢谢迈克。我会听取您的建议并更好地了解流程和概念。
-
@Sreenath1986 很高兴听到您对预测模型的发现。你学到了什么？有帮助吗？
标签： r machine-learning forecasting predict spc