原始响应:
{"ip":"44.211.24.175","pro":"","proCode":"999999","city":"","cityCode":"0","region":"","regionCode":"0","addr":" 美国Amazon数据中心","regionNames":"","err":"noprovince"}非广东IP:44.211.24.175
Array ( [ip] => 44.211.24.175 [pro] => [proCode] => 999999 [city] => [cityCode] => 0 [region] => [regionCode] => 0 [addr] => 美国Amazon数据中心 [regionNames] => [err] => noprovince )
简易SPC是一个专业而简单易用的SPC软件,专注于SPC的创新的应用。
采用B/S架构,不管电脑、平板、手机,无论windows、iMac、linux、android、iOS都能进行SPC分析。
是国内第一个web SPC产品,也是目前国内web SPC最完善的产品。简易SPC具有简单、易用实用、便宜、快速应用等特点。
我们的理念:极致创新,致力做国内最好的SPC产品,助力国内制造业质量共同成长。
这段时间在做我们SPC产品的研发,感触还是挺多的。和AI的快速发展一样,SPC领域的竞争也越来越激烈,压力比我原先想的还要大。经常听到大家说的一句话就是:“技术不会等你,如果你不跟上,它就会把你抛下。”作为程序员,如果你还在犹豫不决,可能真的已经落后了。
一个强大的SPC软件,判异规则是否全面、是否强大、是否灵活是一个非常重要的配置功能,做SPC都希望能判异规则能全面、自定义、灵活。下面看一下我们的SPC判异规则是如何设计来满足各种需求的。
在质量管理领域,CPK(过程能力指数)和PPK(过程性能指数)是面试中的常见问题,也是质量人绕不开的统计指标。它们看似简单,却常常引发困惑和争议。
在APQP的第一阶段,策划阶段定义的初始特殊特性,重点是客户指定的特殊特性,还是产品的特殊特性,还是过程特殊特性?--在APQP的第一阶段,是策划阶段,项目经理组织识别客户指定的特殊特性。
在统计过程控制(SPC)中,规格限和控制限是两个核心概念。虽然它们都在质量管理和过程监控中发挥重要作用,但它们在定义、来源和用途上有所不同。本文将详细解释这两个概念,并主要讨论它们可能是单边或双边的情况,及其对SPC指标的影响。
本文讨论了使用Minitab软件绘制Xbar-R控制图和Xbar-S控制图的差异及应用场景。Xbar-R控制图和Xbar-S控制图虽然都包含Xbar控制图,但它们的Xbar控制图并不相同,不建议对同一组数据同时使用。
SPC系统里面存放了很多检测数据,有一些共同来源的检测项目之间可能存在相关性的。一般来说,我们会把这些检测项目数据整理出来,用minitab或者excel,两两一组去做相关分析和回归分析,并且调整滞后期,以寻找最佳的前置影响。
SPC体系更容易实施、推广、成本低、效益明显,其他制造系统/体系非常重要,完全不是一个级别的工具/体系,比SPC更重要。 我们的意思是,可以用一个低成本、高效益的SPC项目去提升数字化程度,提示产品质量
尽管全检可以保证最终产品质量(生产质量不能保证),但它并不能替代SPC在过程控制和预防方面的作用。企业可以结合两者的优势,在关键工序或高风险产品上实施全检
在网上搜索CPK的计算方法,几乎全是照搬教材的公式,在实际工作做作用不大,甚至误导人。看了我们这篇文章,绝对让你清晰了解了cpk的计算,不像网上的都是照本宣科的教程。
基于B/S架构,用户端无需安装软件,用浏览器即可, 自适应移动端浏览器, 客户本地部署,安全可控, 和业务系统实时同步数据,SPC控制图实时反馈, 全面支持SPC各种控制图, 全面支持标准SPC的异常判断规则
详细介绍了SPC的统计学原理、SPC各个判异规则的事件概率的计算,和自定义SPC判异规则的设计和事件概率,让SPC判异更敏感。
np 控制图用于监测工艺过程中的不合格品数的变化是否处于可控状态,一般用于每批样本数 n 固定不变的情况。由于受监测的不合格品数等于每批样本大小 n 与不合格品率 p 的乘积 np ,因此不合格品数控制制图也叫做 np 控制图。
缺陷数控制图(C控制图)用于监控工艺过程中产生的缺陷数的变化情况,特别适用于每批检测对象数目相同的情况。 确定缺陷数控制图(C控制图)的控制限的原则是3σ方法
如何SPC控制图的选择,介绍一种可以遵循参考的路径,并且考虑到自相关再给出另一个SPC控制图选择的参考路径,同时罗列各类SPC控制图的应用场景,以帮助大家选择你需要的控制图。
在开展一个数据分析的时候,我们一般要探索一下数据的基本情况。一般我们看看各个变量的平均数、变量之间的相关性、变量是否有因果性、变量的分布情况等。看到那么多要探索的东西,通常情况下需要做很多工作。我们介绍一种直接从业务系统就完成一键分析,分析上述的所有内容的工具。
回归分析在各行各业的数据分析中有很重要的作用,可以确定自变量和因变量之间的关系,我们设计一个和业务系统整合的回归系统实现方案,解决回归分析的人工处理效率问题,大量回归分析效率问题,人员统计学能力不高问题。
SPC 理论已经非常成熟,其实现工具也经历了从纸质绘图到自动化、电子化软件系统的巨大转变,市面上能见到的SPC却五花八门。如何选择一个适合自己的SPC软件呢?这篇文章应该能帮到你。
现在大数据、机器学习应用越来越广泛,而机器学习算法的一个常见应用就算异常检测,本文介绍机器学习中的支持向量机算法来进行异常检测,包括算法基本原理、系统实现和应用。通过机器学习中的支持向量机算法进行异常检测,并把异常结果整合到SPC控制图上。
将当代计算机科学、工业统计与大数据技术、行业质量管理及持续改进最佳实践完美融合、洞察质量与流程数据,从而提高效率、降低成本、预测未知、科学决策,提高持续盈利能力。可以实时质量风险预警平台、质量大数据分析平台、智能质量报告平台、自动化分析程序及报告。
可以通过一个在线网页通过LIMS/QMS的接口录入数据到LIMS/QMS中,在录入的过程中调用我们的SPC控制台,将最新的数据点加入控制图中,看看是否有异常点产生,这样就满足是实时录入数据的时候查看SPC功能。
iForest (Isolation Forest)孤立森林 是一个基于Ensemble的快速异常检测方法,具有线性时间复杂度和高精准度,是符合大数据处理要求的state-of-the-art算法。其可以用于网络安全中的攻击检测,金融交易欺诈检测,疾病侦测,和噪声数据过滤等。 作为传统SPC异常检测中的一个非常不错的补充,特别是针对有子组的情况下异常检测更灵敏。
发明了几十年的SPC控制图,基本上没有什么创新的了,大家都是用minitab慢慢的去做分析图,效率低下也没有任何新的东西。 最近一直在想,一个异常点,它可能同时满足多个异常判定规则,如它是一个远离3倍标准差的点,又是连续8个在平均数一侧的点,但传统控制图不能看出来这个,甚至一个点它满足了8个判异规则我们也不知道,但这种异常点确非常的重要,如何能直观的看出来这样的判异规则呢。
现在大数据、机器学习应用越来越广泛,而机器学习算法的一个常见应用就算异常检测,本文介绍机器学习中的K均值(K-Mean)算法来进行异常检测,包括算法基本原理、系统实现和应用。
传统SPC应用存在单机使用、无系统对接、无法随时随地、无法移动访问、无监控面板(控制台)等功能,这些严重制约了SPC的应用,难以达到全面质量管理的目的。这里强力推荐一个基于web浏览器的多SPC控制台,可以实现:可以实时系统对接、时刻在线、随时随地移动访问、动态SPC异常标记、多个SPC监控、可做SPC监控大屏(SPC控制台)
当采样的数量接近无穷大时,我们的抽样分布就会近似于正态分布。这个统计学基础理论意味着我们能根据个体样本推断所有样本。结合正态分布的其他知识,我们可以轻松计算出给定平均值的值的概率。在理论上保证了我们可以用只抽样一部分的方法,达到推测研究对象统计参数的目的。
随着样本量n的增大,控制限会变得越来越窄,这意味着过程稍微有一点波动,就可能会有点落在控制限外,也就是说控制图会变得越来越敏感。小的样本量会降低控制图敏感度,也就是存在过程已经发生偏移却不能被发现的风险。
SPC控制图就是一个预警系统,预警系统都存在两类风险:第一类风险是误报警风险(第一类错误)α,第二类风险是漏报警风险(第二类错误)β。本文详细说明为什么常规控制图的异常判定准则有两类,即:点超出控制限就判异和控制限内点排列不随机判异两类。
简单说说SPC,SPC控制图建立在数理统计学的基础上,把统计学中的“发现异常”作为控制生产过程中的一种工具。因此,“发现异常”成为SPC控制图的基础。它利用有效数据建立控制界限,一般分上控制限(UCL)和下控制限(LCL),上控制限通常设为控制中心线CL+3σ,σ为标准偏差,下控制限设为CL-3σ。如果该过程不受系统原因影响,那么,得到的观测数据将不会超出控制界限。