Part Average Analysis PAA Rev. 2.0 / 2005

Slides:



Advertisements
Ähnliche Präsentationen
Ermittlung der repräsentativen spezifischen Aktivität
Advertisements

Frame-Logik Eine Einführung Andreas Glausch.
Julia Antoniuk Jessica Gottschalk Susana de Miguel
k-Sigma-Intervalle Vortrag zu dem Thema
Mittlere absolute Abweichung vom Mittelwert(1)
Klassen (Zweck) Wozu legt man Klassen an? Überblick
Lagemaße kritische Fragen
Streuungsmaß 3: absolute Abweichung vom Mittelwert
BuS - Seminar.
Stochastik in der Sek. II Sabrina Schultze.
Java: Objektorientierte Programmierung
Gliederung Tabellarische und grafische Darstellung von Rohwerten mittels Histogramme und Polygone Statistische Kennwertbeschreibung mittels Tendenz- und.
So sieht ein Protokoll aus:
Qualitätsregelkarten
Halbzeit: Kurze Wiederholung
Vorlesung Informatik 2 Algorithmen und Datenstrukturen (19 - Analyse natürlicher Bäume) Prof. Th. Ottmann.
Vorlesung Informatik 2 Algorithmen und Datenstrukturen Halbzeit: Was haben wir bisher gelernt? Prof. Th. Ottmann.
Computerkurs: Quantitative Auswertung biochemischer Experimente Guten Morgen.
Nicht-Lineare Regression
Institut für Kartographie und Geoinformation Prof. Dr. Lutz Plümer Geoinformation II Vorlesung In welcher Masche liegt der Punkt p?
Vorlesung Die Vorlesung Statistische Methoden II nächste Woche vom 6. Juni ( nächste Woche ) wird auf den 4. Juni (Mittwoch) vorverlegt ! 14 – 16 Zeit:
Nachholung der Vorlesung vom Freitag
Chi-Quadrat-Test auf Unabhängigkeit I
Kolmogorov-Smirnov-Test. A. N. Kolmogorov Geboren in Tambov, Russland. Begründer der modernen Wahrscheinlichkeitstheorie.
Streuungsparameter Median Mittlere Abweichung vom Median
Klausur am :00 bis 13:00 Hörsaal Loefflerstraße und Hörsaal Makarenkostraße.
Univariate Statistik M. Kresken.
Vorlesung: Biometrie für Studierende der Veterinärmedizin
Diskrete Wahrscheinlichkeitsmodelle
Vorlesung: Biometrie für Studierende der Veterinärmedizin
Vorlesung: Biometrie für Studierende der Veterinärmedizin
Vorlesung: ANOVA I
Histogramm/empirische Verteilung Verteilungen
Bau eines WOLKENSENSORS
Ausgleichungsrechnung I
Einführung in die Programmiersprache C 3.Tag Institut für Mathematische Optimierung - Technische Universität Braunschweig.
Kuppelkalkulation I Die Kalkulationsverfahren Divisionskalkulation und Zuschlagskalkulation gelten für Produktionsprozesse, in denen die verschiedenen.
Übungsblatt 02 Lehrstuhl für Kommunal- und Umweltökonomie
Vorbereitung zur Reife- und Diplomprüfung Statistik
Aufgabenzettel V Statistik I
Black Box Algorithmen Hartmut Klauck Universität Frankfurt SS
Die Poisson-Verteilung: Mittelwert und Standardabweichung
Messwerte, Verteilung, Histogramm, Mittelwert und Standardabweichung
Mittelwert und Standardabweichung
Die Gaußverteilung.
Versuch zur Messung der Geschwindigkeit
STATISIK LV Nr.: 0028 SS Mai 2005.
Kapitel 10 Multikollinearität
Grundlagen der Messtechnik
Äquivalenzziffernkalkulation I
Wahrscheinlichkeitsrechnung
Referat über das Thema STOCHASTIK.
1 Stichprobenverfahren zur Qualitätssicherung Hilfestellung der Statistik in der Wirtschaftsprüfung.
Präsentation Sydneymodell
Der Zentralwert.
Part Average Analysis PAA Rev. 2.0 / 2005
© &.com Part Average Analysis PAA Rev. 2.0 / Grundlage der Methodik P AA.
Statistik – Regression - Korrelation
Erheben, berechnen und darstellen von Daten
(Syntax, Strings/Zahlen, Variablen, Arrays)
Anfang Präsentation 3. November, 2004 Tarjan’s Schleifenaufbrechalgorithmus In dieser Vorlesung wird ein Verfahren vorgestellt, welches in der Lage ist,
Die Gaussverteilung.
Artikel Bewertungsmethoden
Geoinformationssysteme
Statistik II Statistik II Maße der zentralen Tendenz (Mittelwerte)
Statistik III Statistik III 2. Streuungsmaße (Dispersionsmaße)
 Gegenstandsbereich der Testtheorie: Analyse der Charakteristika von Tests:  Güte von Tests.  Struktur von Tests.  Schwierigkeit von Tests.  Gruppenunterschiede.
Rechen- und Kommunikationszentrum (RZ) Selektionsstrategien auf Graphstrukturen Sven Porsche Seminarvorträge Aachen.
Aufgabenstellung  gegeben ist die zeitliche Entwicklung der global gemittelten bodennahen Temperatur im Zeitraum (Dateiname= ytemp2m.obs, ascii-
Mathematik.
 Präsentation transkript:

Part Average Analysis PAA Rev. 2.0 / 2005 2. Mathematik Teil A Berechnungsmethoden für die Erkennung von Anomalien http://www.paa-web.de

Definitionen / 1 Hinweise: Bei der Bewertung der Lage einer Anomalie sollte die Mess-auflösung mit berücksichtigt werden. Es gibt Beispiele, bei denen Anomalien innerhalb eines 5%igen Streifens der Messspanne nicht weiter betrachtet werden. Die Festlegung hierzu soll innerhalb einer Evaluierungsphase erfolgen. Grundsätzlich gilt: Die PAA darf nur mit i.O. geprüften Teilen ohne Verwendung von Out of Spec.-Werten durchgeführt werden. Abnormale Werte werden wie i.O. Werte bei der Berechnung von Mittelwert und Standardabweichung verwendet. Spezifikation der Beobachtungsmenge N; N  13 N = Gesamtanzahl der Teile einer Beobachtungsmenge Beispiel: Anzahl der Teile eines Fertigungsloses, die Produktionsmenge einer Schicht oder eines Tages, typische Mengen (Automotivebereich) sind 400...10000 Stück, mindestens sind 13 Stück erforderlich. 2. Spezifikation der Vergleichsmenge Mlokal Innerhalb der Beobachtungsmenge N wird das betrachtete Element mit den Elementen seiner lokalen Umgebung verglichen. Die Anzahl der Teile in der Vergleichsmenge Mlokal beträgt: (Gl.I) Mlokal = MAX(12, RND((N) / 2) x 2), RND: auf-/ abrunden Typische Vergleichsmengen (Automotivebereich) sind 20...100 Stück, mindestens jedoch 12 Stück. http://www.paa-web.de

Definitionen / 2 3. Messparameter, Klassierung der Messwerte und Darstellung der Häufigkeiten / Histogramme Zu jedem Element der Vergleichsmenge werden Parameter X j gemessen. Typische Anzahl (j) Messparameter im Fertigungsprozess von Automotivekomponenten sind 20...400 (Gl.II) Klassenanzahl: KL = Mlokal (Gl.III) Statistische Auflösung: Astat = 1/KL * 100% (Gl.IV) Klassenbreite YL: YL = 1/KL * ( YUSL – YLSL ) (Gl. V) Darstellung Histogramme: KHistogramm = KL + 2 4. Lokale Kenngrößen, Erkennungsschwelle Die PAA wird als dynamischer Test durchgeführt. Hierzu wird zu jedem Parameter eines Elementes der lokale Mittelwert und die lokale Standardabweichung aus Parameterwerten der Elemente der Vergleichsmenge gebildet. (Gleitender Mittelwert, gleitende Standardab- weichung) Ausschluss: Binär erfasste Parameterwerte (1-0, Gut-Schlecht, Schwarz-Weiß). http://www.paa-web.de

Definitionen / 3 Lokaler Mittelwert und Standardabweichung für eindimensionale PAA Anwendungen sind serielle Produktionsprozesse Hinweise: Im Folgenden sind i und n ganzzahlig gerundete Größen, N ist die Beobachtungsmenge. Berechnungsvorschrift für die ersten Teile, z.B. bei Bandanlauf http://www.paa-web.de

Definitionen / 4 Berechnungsvorschrift für den kontinuierlichen Testbetrieb Berechnungsvorschrift für die letzten Teile, z.B. bei Bandabschaltung http://www.paa-web.de

Definitionen / 5 Berechnungsvorschrift für die zweidimensionale PAA  Aufspannen einer kreisförmigen Umgebung mit Radius R um das zu beobachtende Bauteil Xi  Inkrementale Vergrößerung der Umgebung bis Anzahl n (Xi)  Mlokal  Listing aller Bauteile innerhalb des Kreises mit Laufindex k Y Xi(x,y) Lokale Umgebung X http://www.paa-web.de

Definitionen / 6 Dynamische PAA-Limits, 6 - Erkennungsschwelle für Anomalie (Outliers) Dortmunder Modell Abweichend von den Berechnungsvorschriften nach Gl. VI..VIII kann der lokale Mittelwert und die lokale Standardabweichung auch aus den X(i-1) bis X(i-N) Werten ermittelt werden. Dieses ist aber nur möglich bei stabilen symmetrischen Parameterverteilungen. Bei Chargen- oder Lagensprüngen nimmt die Qualität der PAA dann zwangsläufig ab. Das Dortmunder Modell darf somit erst nach einer Evaluierung zur Anwendung gebracht werden. http://www.paa-web.de