.com/qimoxuan/articles/18399415

1抽样检测方案设计

确定抽样检测目标企业需要确定一个可接受的次品率上限标称值以及在该次品率下企业愿意接受或拒绝零配件的信度水平置信度。

选择抽样方案根据信度要求选择合适的抽样方案。

常见的抽样方案包括简单随机抽样和分层抽样。

计算抽样大小根据次品率的标称值、信度水平和风险水平计算所需的最小抽样大小。

确定接受/拒绝标准根据抽样结果确定一个阈值如果抽样中发现的次品数量超过这个阈值则拒绝整批零配件。

模拟和验证通过模拟抽样过程验证所设计的抽样方案是否满足企业的要求。

数学模型和公式

D2​是否对零配件1和零配件2进行检测。

T是否对装配好的成品进行检测。

R是否对检测出的不合格成品进行拆解。

成本和收益分析

计算每个决策变量的成本和收益包括检测成本、装配成本、市场售价、调换损失和拆解费用。

建立目标函数

包括购买成本、检测成本、装配成本、市场售价、调换损失和拆解费用。

约束条件

D1,D2∈{0,1}是否检测零配件。

T∈{0,1}是否检测成品。

R∈{0,1}是否拆解不合格成品。

示例代码

pulp.LpProblem(Production_Decision,

pulp.LpMaximize)#

计算每个决策变量的成本和收益包括购买成本、检测成本、装配成本、市场售价、调换损失和拆解费用。

建立目标函数

包括购买成本、检测成本、装配成本、市场售价、调换损失和拆解费用。

约束条件

Di,Aj,T∈{0,1}是否检测相应的零配件、半成品或成品。

示例代码

pulp.LpProblem(Multistage_Production_Decision,

pulp.LpMaximize)#

抽样误差会影响对零配件、半成品和成品次品率的估计。

需要考虑抽样误差对决策的影响包括对检测和拆解决策的影响。

建立概率模型

使用概率模型来描述次品率的不确定性例如使用贝叶斯方法或置信区间。

优化模型

建立一个优化模型考虑不确定性下的决策以最大化期望利润或最小化期望成本。

鲁棒性分析

评估在不确定性下决策方案的鲁棒性确保在最坏情况下仍能保持合理的性能。

模型求解

E[Profit]E[Revenue]−E[Cost]其中E[Revenue]

E[Cost]

使用最坏情况分析或敏感性分析来评估决策方案在不确定性下的表现。

示例代码

pulp.LpProblem(Robust_Production_Decision,

pulp.LpMaximize)#

np.random.normal(defective_rates,

sampling_error,

np.mean(sampled_defective_rates[:,

0]))

np.mean(sampled_defective_rates[:,

1]))#