Hat jemand Erfahrung mit der Anomalieerkennung in Fertigungsprozessdaten?Hat jemand Erfahrung mit der Anomalieerkennung in Fertigungsprozessdaten?
Mein Kunde in einem Chemieunternehmen verfügt über Sensordaten des Herstellungsprozesses (z. B. Temperatur- und Druckdaten alle 10 Sekunden) und möchte abnormale Abläufe identifizieren.
Sein Datensatz hat kein Label (Y), daher ist überwachtes Lernen (wie logistische Regression oder Boosting Tree) nicht anwendbar.
Ich denke, multivariate Kontrollkarten oder Mahalanobis-Abstände sind in dieser Situation gut.
Sie möchten eine Grafik wie auf Seite 35 erhalten.
https://www.yammer.com/sas.com/#/files/162858856
Gibt es eine Idee?
Betreff: Hat jemand Erfahrung mit der Erkennung von Anomalien in Herstellungsprozessdaten?Danke Phil und Mike!
Ich werde über FDE nachdenken.Betreff: Hat jemand Erfahrung mit der Erkennung von Anomalien in Herstellungsprozessdaten?Ich füge eine Sekunde zu Phils Kommentaren zu FDE hinzu. Ich habe mit einigen Daten aus meiner Studienzeit herumgebastelt und FDE hat mir einige interessante Ergebnisse geliefert (siehe Bild). Die Daten in dieser Analyse sind Spektren. (Sie könnten Spuren oder andere Arten von Daten verwenden, wie sie in der Präsentation gezeigt werden, auf die sich Phil bezieht.) Was mir auffiel, war, dass die Partiturdarstellung korrekt zwischen den verschiedenen Phasen meiner Reaktion unterschied. Es könnte also ein fruchtbarer Weg der Untersuchung sein.
Betreff: Hat jemand Erfahrung mit der Erkennung von Anomalien in Herstellungsprozessdaten?Ich denke, dass multivariate Statistiken wie die Mahalanobis-Distanz hierfür nützlich sein sollten. Sie könnten auch PCA-Ergebnisse berücksichtigen.
Wenn es sich jedoch um einen Batch-Prozess handelt, könnte der Functional Data Explorer eine bessere Möglichkeit sein, anomale Batch-Profile zu erkennen. In diesem Fall könnten Sie die FPC-Ergebnisse als Statistik verwenden.
Dies ist eine alte Discovery-Präsentation von einem Kunden aus der Chemiebranche, das ist durchaus relevant. Obwohl es hauptsächlich um überwachte Lernmethoden geht.
