Pour cibler exclusivement les déviations significatives dans vos processus, l'action boxChart propose le paramètre exChart. En activant cette option, le système ne génère et n'affiche les graphiques de contrôle que lorsque des exceptions ou des violations de règles sont détectées. Cela permet d'optimiser l'analyse de la qualité en attirant directement l'attention des superviseurs sur les lots nécessitant une intervention immédiate, tout en économisant les ressources de calcul dans un environnement Cloud Analytic ServicesMoteur d'exécution in-memory de SAS Viya. Il assure le traitement massivement parallèle (MPP) et distribué des données pour optimiser les performances analytiques et le passage à l'échelle..
Comment identifier les anomalies critiques de production sans noyer mes tableaux de bord avec des graphiques de contrôle superflus ?
Optimisation du Monitoring par Exception
Exemples pour l'action boxChart
Carte Box Chart de base
Cet exemple automatise l'analyse de capabilité via l'action boxChart. Il calcule les limites statistiques par lot pour détecter toute dérive de variabilité process.
Analyse avancée avec tests de causes spéciales et sortie des limites
Cet exemple déploie un contrôle statistique robuste : estimation sigma par méthode S pondérée, tests de Western Electric (1 et 2) et persistance des limites pour l’industrialisation du monitoring.
Conseil de l'Expert
Ne vous contentez pas d'activer exChart. Couplez-le systématiquement au paramètre outTable pour historiser uniquement les violations. Cela vous permet de construire des rapports de "Root Cause Analysis" ultra-légers en filtrant le bruit de fond statistique dès la phase de calcul In-Memory.
Paramétrage Avancé de l'Action boxChart
- Logique de l'Exception (exChart) : Indique à CAS de ne retourner les objets graphiques et les tables de statistiques que si au moins un point dépasse les limites de contrôle ($3\sigma$) ou enfreint les tests de Shewhart activés.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Comment sécuriser les performances de calcul lors du contrôle qualité massif avec des milliers de sous-groupes différents ?
Quelle est la meilleure stratégie pour affiner l'estimation de la moyenne et des indices de capabilité sur des plans de données industrielles bruités ?
Est-il possible d'appliquer des règles strictes de détection de dérives même avec des tailles d'échantillonnage de lots variables ?