¿Alguien tiene experiencia en la detección de anomalías en los datos del proceso de fabricación?¿Alguien tiene experiencia en la detección de anomalías en los datos del proceso de fabricación?
Mi cliente en una empresa química tiene un sensor de datos del proceso de fabricación (ej. temperatura, presión de datos en cada 10 segundos), y él quiere identificar la operación anormal.
Su conjunto de datos no tiene etiqueta (Y), por lo que el aprendizaje supervisado (como la regresión logística o el árbol de impulso) no es aplicable.
Creo que el cuadro de control multivariado o las distancias de Mahalanobis son buenos en esta situación.
Quieren obtener gráfico como en la página 35.
https://www.yammer.com/sas.com/#/files/162858856
¿Hay alguna idea?
Re: ¿Alguien tiene experiencia en la detección de anomalías en los datos del proceso de fabricación?Pensaría que las estadísticas multivariables como la distancia de Mahalanobis deberían ser útiles para esto. También podría considerar los puntajes de PCA.
Sin embargo, si se trata de un proceso por lotes, Functional Data Explorer podría ser una mejor manera de detectar perfiles de lotes anómalos. Podría usar los puntajes FPC como la estadística en este caso.
Esta es una vieja presentación de Discovery. De un cliente en productos químicos que es bastante relevante. Aunque sí habla principalmente de métodos de aprendizaje supervisado.
Re: ¿Alguien tiene experiencia en la detección de anomalías en los datos del proceso de fabricación?Añadiendo un segundo a los comentarios de Phil sobre FDE. He estado jugando con algunos datos de mis días de graduación y FDE me ha dado algunos resultados interesantes (ver imagen). Los datos en este análisis son espectros. (Podría usar rastros u otros tipos de datos como lo que se muestra en las referencias de presentación de Phil). Lo que encontré sorprendente fue que la gráfica de puntaje discriminaba correctamente entre las diferentes fases de mi reacción. Por lo tanto, podría ser una avenida de investigación fructífera.
Re: ¿Alguien tiene experiencia en la detección de anomalías en los datos del proceso de fabricación?Gracias Phil y Mike!
Voy a considerar FDE.
