दृश्य आणि संख्यात्मक तपासण्या एकत्र करा
देखावा, आकार, दोष टॅग आणि उत्पादन निर्देशक एकत्र करून एक उपयुक्त श्रेणी तयार करा.
ते तुलना नोंद म्हणून वापरा, अधिकृत ग्रेड म्हणून नाही.
संख्यात्मक डेटा कमी असला तरीही संदर्भ श्रेणी द्या.
एकाच बेसलाइनसह अनेक लॉट्स लावा.
URL द्वारे शेअर करा आणि ब्राउझरमध्ये स्थानिक प्रत ठेवा.
कोष श्रेणी नोंद
प्रत्येक लॉटसाठी देखावा, आकार, दोष आणि उत्पादन नोंदी करा, मग त्यांची एकाच मापदंडाने तुलना करा.
शेल टक्केवारी, फिलामेंट लांबी आणि रीलिंगयोग्यता एकत्र करून मैदानात सहज शेअर करता येईल अशी उपयुक्त श्रेणी तयार करा.
इनपुट या ब्राउझरमध्येच प्रक्रिया केले जातात आणि कधीही सर्व्हरवर पाठवले जात नाहीत.
गंभीर दोष लवकर दाखवा
ओले, मिश्र लॉट, बुरशी आणि भोक अटींना वेगळे आणि पुन्हा तपासणी चिन्हे मिळतात.
अनेक लॉट्सची बाजूने-बाजूने तुलना करा
रँक केलेला तुलना तक्ता पटकन मिळवण्यासाठी CSV डेटा पेस्ट करा किंवा फाइल आयात करा.
ते स्थानिक ठेवा आणि URL द्वारे शेअर करा
डेटा उपकरणावरच ठेवा, आणि पुढे द्यायचे असेल तेव्हाच शेअर URL कॉपी करा.
Notes
ही तुलना नोंद आहे, अधिकृत ग्रेडिंग निकाल नाही.
शेल टक्केवारी, फिलामेंट लांबी आणि रीलिंगयोग्यता यांचे लक्ष्य श्रेणी जाती, प्रदेश आणि स्थानिक पद्धतीनुसार बदलतात.
ओला, मिश्र लॉट, बुरशी आणि भोक अटी वेगळे करणे किंवा पुन्हा तपासणी यासाठी संकेत म्हणून वापरा.
डीफॉल्टनुसार इनपुट सर्व्हरवर पाठवले जात नाहीत.
Basics
लॉट ओळख आणि तुम्हाला तुलना करायची असलेली स्थिती यापासून सुरुवात करा.
- Enter the लॉट code and basic inspection details first.
- देखावा, आकार, दोष, शेल टक्केवारी, फिलामेंट लांबी आणि रीलिंगयोग्यता नोंदवा.
- एका तक्त्यात तुलना करायची असल्यास आणखी लॉट्स जोडा.
- श्रेणी, गुण आणि इशारे तपासा, मग गरज असल्यास शेअर किंवा निर्यात करा.
Examples
संदर्भ लॉट उदाहरण
इनपुट
लॉट code: 2026-SP-03-A12 / देखावा: good / आकार: uniform / शेल टक्केवारी: 20.5% / फिलामेंट लांबी: 1050m / रीलिंगयोग्यता: 62% / दोष: slight stain
आउटपुट
उच्च विश्वासासह आणि फक्त किरकोळ इशाऱ्यांसह A श्रेणी म्हणून दाखवले जाते, संदर्भ लॉटसाठी योग्य.
अल्प संख्यात्मक डेटा उदाहरण
इनपुट
लॉट code: 2026-SP-03-B07 / देखावा: fair / आकार: mostly uniform / दोष: thin shell
आउटपुट
मुख्यतः देखाव्यावर आधारित कमी-विश्वास नोंद म्हणून दाखवले जाते; अतिरिक्त संख्यात्मक डेटा निकाल सुधारतो.
गंभीर दोष उदाहरण
इनपुट
लॉट code: 2026-SP-03-C02 / देखावा: poor / आकार: mixed / दोष: wet, mixed लॉट
आउटपुट
स्वतंत्र हाताळणी आणि पुन्हा तपासणीसाठी चिन्हे दिसतात, आणि इशारा तुलना तक्त्यात ठळक दिसतो.
शब्दसूची
देखावा rating
कोषाचा बाह्य देखावा उत्कृष्ट / चांगले / समाधानकारक / खराब या मापपट्टीवर साठवतो.
आकार श्रेणी
कोषाचा आकार किती एकसमान दिसतो हे नोंदवते.
दोष टॅग
श्रेणी कमी करणारे किंवा इशारा देणारे दोष घटकांसाठी जलद लेबले.
शेल टक्केवारी
कोषात किती शेल उरले आहे याचा एक मुख्य गुणवत्ता निर्देशक.
फिलामेंट लांबी
कोषातून किती रेशीम धागा काढता येईल.
रीलिंगयोग्यता
कोष रीलिंगसाठी किती योग्य आहे.
विश्वास
संख्यात्मक निर्देशकांची संख्या आणि नमुना संख्येवर आधारित अंदाजे विश्वास पातळी.
बॅच comparison
अनेक लॉट्स एकाच बेसलाइनसह लावा आणि त्यांची तुलना करा.
सूत्रे
- दृश्य ब्लॉक = देखावा, आकार आणि दोष गुणांची भारित सरासरी
- गुणवत्ता ब्लॉक = शेल टक्केवारी, फिलामेंट लांबी आणि रीलिंगयोग्यता यांची भारित सरासरी
- अंतिम गुण = दोन ब्लॉक्सची भारित सरासरी - अनुपस्थित मेट्रिक दंड
- 80 / 65 / 50 मर्यादांचा वापर करून श्रेणी = A / B / C / D
- 3 संख्यात्मक मेट्रिक्स आणि नमुना संख्येवरून विश्वास = उच्च / मध्यम / कमी
वारंवार विचारले जाणारे प्रश्न
मी हे अधिकृत श्रेणी म्हणून वापरू शकतो का?
नाही. हे क्षेत्रीय तुलनेसाठीची नोंद आहे, अधिकृत श्रेणी प्रमाणपत्र नाही.
ते संख्यात्मक डेटा नसतानाही काम करते का?
होय. देखावा आणि दोषांवरून ते अजूनही संदर्भ श्रेणी देऊ शकते, जरी विश्वास कमी राहतो.
गंभीर दोषांसह काय होते?
वेगळे करा आणि पुन्हा तपासा अशी चिन्हे आपोआप जोडली जातात.
मी अनेक लॉट्स आपोआप क्रमबद्ध करू शकतो का?
होय. सेटिंग्जमध्ये श्रेणी-आधारित क्रमवारी चालू-बंद करू शकता.
डेटा कुठे साठवला जातो?
डीफॉल्टनुसार ते या ब्राउझरमध्येच राहते. दुसरीकडे हलवायचे असल्यास JSON किंवा CSV निर्यात करा.
मी एकके बदलू शकतो का?
होय. वजन g / oz समर्थित करते, आणि फिलामेंट लांबी m / ft समर्थित करते.