Générateur de données
Aperçu
Le Générateur de données dans my8data permet de créer des données de test synthétiques à des fins de formation, de démonstration et de test. Au lieu de devoir utiliser des données de mesure réelles, vous pouvez utiliser le générateur de données pour créer intentionnellement des ensembles de données présentant des propriétés statistiques spécifiques.
Domaines d'application
| Domaine d'application | Description |
|---|---|
| Formation et entraînement | Créez des données d'exercice avec des propriétés connues pour entraîner l'interprétation de MFU, SPC et de la capabilité des processus |
| Démonstration | Montrez aux clients ou aux collègues les fonctionnalités de my8data avec des données réalistes mais anonymisées |
| Test de modules | Vérifiez le bon fonctionnement des modules d'analyse avec des données dont les résultats attendus sont connus |
| Comparaison de méthodes | Comparez différentes procédures statistiques sur la base d'ensembles de données identiques |
| Analyse de sensibilité | Étudiez comment les modifications des paramètres (par ex. écart, moyenne) affectent les indices de capabilité des processus |
Info : Les données générées sont créées avec un générateur de nombres aléatoires et conviennent pour les analyses statistiques. Elles ne représentent pas des valeurs de mesure réelles et ne doivent pas être utilisées pour les décisions qualité en production.
Démarrage rapide
Générez un ensemble de données de test en quelques étapes :
- Ouvrez le Générateur de données dans le menu principal
- Sélectionnez le type de distribution souhaité (par ex. distribution normale)
- Définissez les paramètres (moyenne, écart-type, taille d'échantillon)
- Cliquez sur Générer
- Acceptez les données générées directement dans un module d'analyse ou exportez-les
Conseil : Pour tester l'impact de différents scénarios, générez plusieurs ensembles de données avec des paramètres différents. Par exemple, vous pouvez simuler un processus capable (Cpk >= 1,67) et un processus non capable (Cpk < 1,00) et comparer les résultats.
Paramètres et configuration
Types de distribution
Le générateur de données supporte différents types de distribution pour simuler différentes situations de processus :
| Type de distribution | Description | Application typique |
|---|---|---|
| Distribution normale | Forme symétrique en cloche ; la plus fréquente en pratique | Cas standard pour la plupart des processus de fabrication |
| Distribution uniforme | Toutes les valeurs dans la plage également probables | Simulation d'un processus sans tendance centrale claire |
| Distribution log-normale | Asymétrique vers la droite ; uniquement des valeurs positives | Rugosité, tailles de particules, temps d'arrêt |
| Distribution de Weibull | Forme flexible ; peut être asymétrique ou symétrique | Analyses de durée de vie, fiabilité |
Paramètres configurables
Distribution normale
| Paramètre | Description | Valeur d'exemple | Impact |
|---|---|---|---|
| Moyenne (μ) | Centre de la distribution | 10,00 | Décale l'ensemble de la distribution vers la gauche ou la droite |
| Écart-type (σ) | Largeur de la distribution | 0,02 | Les valeurs plus grandes créent une dispersion plus large |
| Taille d'échantillon (n) | Nombre de valeurs à générer | 100 | Plus de valeurs augmentent la puissance statistique |
Distribution uniforme
| Paramètre | Description | Valeur d'exemple |
|---|---|---|
| Minimum | Limite inférieure de la plage de valeurs | 9,90 |
| Maximum | Limite supérieure de la plage de valeurs | 10,10 |
| Taille d'échantillon (n) | Nombre de valeurs à générer | 100 |
Distribution log-normale
| Paramètre | Description | Valeur d'exemple |
|---|---|---|
| μ (log) | Moyenne de la caractéristique logarithmée | 2,30 |
| σ (log) | Écart-type de la caractéristique logarithmée | 0,10 |
| Taille d'échantillon (n) | Nombre de valeurs à générer | 100 |
Distribution de Weibull
| Paramètre | Description | Valeur d'exemple |
|---|---|---|
| Paramètre de forme (k) | Détermine la forme de la distribution | 3,5 |
| Paramètre d'échelle (λ) | Durée de vie caractéristique / mise à l'échelle | 10,00 |
| Taille d'échantillon (n) | Nombre de valeurs à générer | 100 |
Info : Pour la distribution de Weibull, un paramètre de forme k < 1 produit une distribution décroissante (défaillances précoces), k = 1 correspond à une distribution exponentielle (défaillances aléatoires), et k > 3 produit une distribution approximativement en cloche (défaillances par fatigue).
Options avancées
En plus des paramètres de base, vous pouvez effectuer les paramètres avancés suivants :
| Option | Description | Valeur par défaut |
|---|---|---|
| Graine (Seed) | Graine du générateur de nombres aléatoires ; permet des résultats reproductibles | Aléatoire |
| Décimales | Nombre de décimales | 3 |
| Ajouter des valeurs aberrantes | Ajoute intentionnellement des valeurs aberrantes à l'ensemble de données | Désactivé |
| Nombre de valeurs aberrantes | Combien de valeurs aberrantes doivent être insérées | 0 |
| Plage des valeurs aberrantes | Dans quelle plage se situent les valeurs aberrantes | ±4σ à ±6σ |
Conseil : Utilisez la fonction de graine lorsque vous avez besoin de résultats reproductibles. Avec la même graine et les mêmes paramètres, vous obtenez toujours l'ensemble de données identique. C'est particulièrement utile pour les formations où tous les participants doivent travailler avec les mêmes données.
Exemples pratiques
Exemple 1 : Simuler un processus capable
Objectif : Générer un ensemble de données avec Cpk >= 1,67
| Paramètre | Valeur | Justification |
|---|---|---|
| Distribution | Distribution normale | Cas standard |
| Moyenne | 10,000 | Centrée sur la valeur cible |
| Écart-type | 0,010 | Faible dispersion |
| Taille d'échantillon | 100 | Suffisant pour le calcul de Ppk |
| LST | 10,050 | Tolérance = 0,100 mm |
| LSI | 9,950 |
Résultat attendu : Cp ≈ Cpk ≈ 1,67 (Tolérance 0,100 / 6 * 0,010 = 1,67)
Exemple 2 : Simuler un processus décentré
Objectif : Générer un ensemble de données avec Cp bon, mais Cpk mauvais
| Paramètre | Valeur | Justification |
|---|---|---|
| Distribution | Distribution normale | Cas standard |
| Moyenne | 10,025 | Intentionnellement à côté de la valeur cible |
| Écart-type | 0,010 | Même dispersion que l'exemple 1 |
| Taille d'échantillon | 100 | |
| LST | 10,050 | |
| LSI | 9,950 |
Résultat attendu : Cp ≈ 1,67, mais Cpk ≈ 0,83 (Le processus a une faible dispersion, mais est décentré)
Avertissement : Les données générées synthétiquement suivent exactement la distribution choisie. Les données réelles de processus s'écartent souvent des distributions idéales en pratique. Les résultats obtenus avec des données générées sont donc souvent plus "propres" que les analyses réelles.