Absolument. La famille de paramètres primaryTests permet d'activer jusqu'à huit tests statistiques avancés pour repérer des causes spéciales de variation. Pour s'adapter aux réalités métier où la taille des lots fluctue, le paramètre testNStd standardise ces tests de façon dynamique pour des tailles de sous-groupes inégales. Vous pouvez également affiner la sensibilité de l'algorithme avec le paramètre testOverlap pour évaluer des motifs de points qui se chevauchent, garantissant ainsi une surveillance de la qualité sans faille sur SAS Viya.
Est-il possible d'appliquer des règles strictes de détection de dérives même avec des tailles d'échantillonnage de lots variables ?
Maîtrise des dérives sur flux variables
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
Pour éviter une sur-sensibilité due aux variations de taille d'échantillon, privilégiez toujours l'utilisation combinée de testNStd et des limites de contrôle calculées dynamiquement (variables limits). Cela permet de ne pas confondre une instabilité statistique avec une simple fluctuation de la base d'échantillonnage.
Architecture des tests de causes spéciales sous Viya
- Chevauchement de motifs (testOverlap) : Permet à l'algorithme d'évaluer des séquences de points même si un point appartient à plusieurs motifs suspects (ex: une tendance haussière imbriquée dans un décalage de moyenne).
- Multi-Paramétrage primaryTests : Activation simultanée des 8 tests standards (déplacement, tendance, alternance, zones) via une seule instruction dans l'action spc.controlChart.
- Précision des Zones (1-sigma, 2-sigma) : Calcul automatique des zones A, B et C de manière asymétrique si les données ne suivent pas une distribution parfaitement normale, grâce à l'intégration des méthodes de transformation de Johnson.
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 ?
Comment identifier les anomalies critiques de production sans noyer mes tableaux de bord avec des graphiques de contrôle superflus ?