人工智能和智能工厂趋向下的R言语和Minitab的落地运用

细致地整理下正态和非正态数据的工夫序列预测&spc控制图管控


图1 2 3
看ACF和PACF判别阶数，无单位根，残差是正态（这种程度就不用再确认残差平方的ACF和PACF来验证波动率）


图4 5
确定ARIMA（5，0，0）模型，Ljung box检验和残差验证经过，模型简化后AIC值变小。


图6 7
minitab预测下接上去的2个值以及SPC I控制图观察下能否异常。中间的异常值由于工夫成绩就不剔除了，此数据默许是自动化产线，可以监控每一个产品的数据，因此运用SPC i图。


图8 9
对一组工程上的非正态数据停止ARIMA预测，但发现不适用ARIMA。这组数据用johnson算的ppk，其实观察发现应该用3参数 weibull分布，再次点也要用box cox，但johnson图看起来更美观所以用了下


结论
对正态分布数据的工夫序列预测和SPC管控图参考上述流程。
也对几组工程上的非正态数据做过工夫序列预测，但看ACF和PACF不适用ARIMA模型，应该用其他的模型估算。
当然，对gdp数据等有趋向或季节性的非正态分布数据是可以用ARIMA模型的。
#人工智能##智能工业##中国智造##无人工厂##智能工厂#