349256_es-ES

liliconcom

Detección y diagnóstico de fallas del proceso Tennessee Eastman mediante gráficos de control multivariante (2021-EU-45MP-782)

Nivel: intermedio

 

Jeremy Ash, probador de software de análisis de JMP, SAS

 

La plataforma MDMCC (Model Driven Multivariate Control Chart) permite a los usuarios crear gráficos de control basados en modelos PCA o PLS. Estos se pueden utilizar para la detección de fallas y el diagnóstico de conjuntos de datos de gran dimensión.Demostramos el monitoreo MDMCC de un modelo PLS utilizando la simulación de un proceso químico industrial del mundo real: el proceso Tennessee Eastman. Durante la simulación, se miden las variables de calidad y proceso a medida que un reactor químico produce productos líquidos a partir de reactivos gaseosos. Demostramos cómo MDMCC puede realizar el monitoreo en línea conectando JMP a una base de datos externa.La medición de las variables de calidad del producto a menudo implica un retraso de tiempo antes de que las mediciones estén disponibles, lo que puede retrasar sustancialmente la detección de fallas. Cuando MDMCC monitorea un modelo PLS, la variación de las variables de calidad del producto se monitorea como una función de las variables del proceso. Dado que las variables de proceso suelen estar más disponibles, esto puede ayudar en la detección temprana de fallas. También demostramos el diagnóstico de fallas en un entorno fuera de línea. Esto a menudo implica cambiar entre gráficos de control multivariados, gráficos de control univariados y gráficos de diagnóstico.MDMCC proporciona una interfaz fácil de usar para moverse entre estas parcelas.

 

 

Transcripción generada automáticamente ...

 

Altavoz	Transcripción
	Hola, soy Jeremy Ash. Soy un
	estadístico en I + D de JMP. Mi trabajo
	consiste principalmente en probar
	las estadísticas multivariadas
	plataformas en JMP, pero también
	ayudar a investigar y evaluar
	metodología. Hoy voy a
	estar analizando el Tennessee
	Proceso de Eastman utilizando algunos
	Control del Proceso Estadístico
	métodos en JMP. voy a
	estar prestando especial atención
	al modelo multivariante impulsado
	plataforma de gráficos de control, que es
	una nueva incorporación a JMP 15.
	Estos datos proporcionan una
	oportunidad de mostrar el
	número de la plataforma
	características. Y tan rápido
	descargo de responsabilidad, esto es similar a
	mi charla Discovery Americas. Nosotros
	se dio cuenta de que Europa no había visto un
	multivariante impulsado por modelo
	charla de gráfico de control debido a todas las
	locura en torno a COVID, así que
	decidió centrarse en lo básico.
	Pero hay material nuevo
	al final de la charla. voy a
	cubra brevemente algunos
	análisis de ejemplo, luego me puse
	la página de la comunidad para la charla.
	Primero, asumiré algunos conocimientos
	de control estadístico de procesos
	en esta charla. Lo principal es
	Sería útil saber sobre
	son gráficos de control. Si eres
	no familiarizado con estos, estos
	son gráficos que se utilizan para monitorear
	sistemas industriales complejos para
	determinar cuando se desvían
	desde el funcionamiento normal
	condiciones.
	No voy a tener mucho tiempo para
	entrar en la metodología del modelo
	control multivariado impulsado
	gráfico, así que me referiré a estos otros
	grandes charlas que son libremente
	disponible en la comunidad JMP
	si quieres más detalles. I
	También debería decir que Jianfeng
	Ding fue el principal
	desarrollador del modelo impulsado
	control de control multivariante
	gráfico en colaboración con
	Chris Gotwalt y esa Tonya
	Mauldin y yo fuimos probadores. La
	el enfoque de esta charla será el uso
	gráficos de control multivariante para
	monitorear un mundo real
	proceso típico; otra novela
	el aspecto estará usando el control
	gráficos para el proceso en línea
	vigilancia. Esto significa que estaremos
	monitorear datos continuamente como
	se agrega a una base de datos y
	detectando fallas en tiempo real.
	Así que voy a empezar con
	la diapositiva obligatoria en el
	ventajas de multivariante
	gráficos de control. Entonces, ¿por qué no usar
	gráficos de control univariados? Allí
	son una serie de excelentes
	opciones en JMP. Univariante
	los gráficos de control son excelentes
	herramientas para analizar algunas
	variables a la vez. Sin emabargo,
	los datos de control de calidad son a menudo
	alta dimensión y el número
	de gráficos de control que necesita
	mirar puede convertirse rápidamente
	agobiante. Multivariante
	Los gráficos de control pueden resumir un
	proceso de alta dimensión en
	solo un par de gráficos de control,
	así que esa es una ventaja clave.
	Pero eso no quiere decir eso
	los gráficos de control universales no son
	útil en este entorno. Usted
	ver a lo largo de la charla que
	el diagnóstico de fallas a menudo implica
	cambiar entre multivariante
	y gráficos univariados.
	Los gráficos de control multivariante dan
	tienes un sentido de lo general
	salud del proceso, mientras
	Los gráficos univariados le permiten
	monitorear aspectos específicos de la
	proceso. Entonces la información es
	complementario. Uno de los objetivos
	de seguimiento multivariante
	El gráfico de control es para proporcionar algunos
	herramientas útiles para cambiar
	entre estos dos tipos de
	gráficos. Una desventaja de
	gráficos univariados es que
	observaciones pueden parecer estar en
	controlar cuando están en realidad
	fuera de control en el multivariado
	sentido y estas tramas muestran lo que yo
	quiero decir con esto. El univariado
	cuadro de control para aceite y
	densidad muestra los dos
	observaciones en rojo como en
	control. Sin embargo, el aceite y la densidad
	están altamente correlacionados y ambos
	las observaciones están fuera de control.
	en el sentido multivariado,
	especialmente la observación 51, que
	justamente viola la correlación
	estructura de las dos variables,
	entonces gráficos de control multivariados
	puede captar este tipo de
	valores atípicos, mientras que univariante
	los gráficos de control no pueden.
	Modelo multivariante impulsado
	el gráfico de control utiliza la proyección
	métodos para construir los gráficos.
	Voy a empezar explicando PCA.
	porque es fácil de construir
	desde allí. PCA reduce el
	dimensionalidad del proceso por
	proyectar datos en un bajo
	superficie dimensional. Um,
	esto se muestra en la imagen
	a la derecha. Tenemos P
	variables de proceso y N
	observaciones, y
	los vectores de carga en el P
	matriz dan los coeficientes para
	combinaciones lineales de nuestro X
	variables que dan como resultado
	variables cuadradas con
	dimensión A, donde la dimensión
	A es mucho menor que P. Y entonces
	esto se muestra en ecuaciones en
	la izquierda aquí. La X puede ser
	predicho en función de la
	puntuación y cargas, donde E es
	el error de predicción.
	Estas puntuaciones se seleccionan para
	minimizar el error de predicción,
	y otra forma de pensar
	esto es que estas maximizando
	la cantidad de variación explicada
	en la matriz X.
	Entonces PLS es un más adecuado
	método de proyección. Cuando tengas
	un conjunto de variables de proceso y un
	conjunto de variables de calidad,
	realmente quiero asegurarme de que el
	las variables de calidad se mantienen en
	control pero estas variables
	a menudo son costosos o de tiempo
	consumir para cobrar. La planta
	podría estar haciendo un producto sin
	una calidad de control durante mucho tiempo
	tiempo antes de que se detecte una falla.
	Entonces los modelos PLS le permiten
	monitorear sus variables de calidad
	en función de su proceso
	variables y puedes ver que
	los modelos PLS encuentran la puntuación
	variables que maximizan la
	cantidad de variación explicada de
	las variables de calidad.
	Estas variables de proceso son
	a menudo más barato o más fácil
	disponible, por lo que PLS puede permitirle
	para detectar fallas en la calidad
	temprano y haz tu proceso
	seguimiento más barato. Y de aqui
	en adelante me voy a centrar en PLS
	modelos porque es más
	apropiado para el ejemplo.
	Entonces el modelo PLS divide su
	datos en dos componentes. La
	el primer componente es el modelo
	componente. Esto le da al
	valores predichos de su proceso
	variables. Otra forma de pensar
	sobre esto es que sus datos tienen
	ha sido proyectado en el modelo
	plano definido por tu puntuación
	variables y monitores T cuadrado
	la variación de sus datos
	dentro de este plano modelo.
	Y el segundo componente es el
	componente de error. Este es el
	distancia entre su original
	datos y los datos predichos y
	error de predicción al cuadrado (SPE)
	los gráficos controlan esta variación.
	Otra métrica alternativa que
	proporcionar es la distancia al modelo
	Plano X o DModX. Esto es simplemente
	una alternativa normalizada a SPE
	que algunas personas prefieren.
	El último concepto que es
	importante de entender para el
	demo es la distinción entre
	datos históricos y actuales.
	Los datos históricos son típicamente
	recogido cuando el proceso fue
	conocido por tener el control. Estas
	los datos se utilizan para construir el PLS
	modelar y definir lo normal
	variación del proceso de modo que
	se puede obtener el límite de control.
	Y se asignan los datos actuales
	puntuaciones basadas en el modelo pero
	son independientes del modelo.
	Otra forma de pensar en esto
	es que tenemos entrenamiento y
	conjuntos de prueba. El control T cuadrado
	el límite es más bajo para el entrenamiento
	datos porque esperamos menos
	variabilidad para los diversos ...
	observaciones utilizadas para entrenar
	modelo mientras que hay mayor
	variabilidad en P al cuadrado cuando
	el modelo se generaliza a la prueba E
	colocar. Afortunadamente, la teoría
	para la varianza de T cuadrado es
	se ha trabajado para que podamos conseguir
	estos límites de control basados en
	algunos supuestos distributivos.
	En la demo estará monitoreando
	el proceso de Tennessee Eastman.
	Voy a presentar un corto
	introducción a estos datos. Esto
	es una simulación de una sustancia química
	proceso desarrollado por Downs y
	Vogel, dos químicos de Eastman
	Químico. Fue originalmente
	escrito en Fortran, pero hay
	son envoltorios para Matlab y
	Python ahora. Solo quería notar
	que si bien este conjunto de datos fue
	generado en los años 90, todavía es
	uno de los conjuntos de datos primarios
	utilizado para comparar multivariante
	métodos de control en el
	literatura. Cubre el
	principales tareas de multivariante
	controlar bien y hay
	una cantidad impresionante de
	realismo en la simulación.
	Y la simulación se basa en
	un proceso industrial que es
	sigue siendo relevante hoy.
	Entonces los datos fueron manipulados
	para proteger propietario
	información. El simulado
	proceso es la producción de
	dos productos líquidos de
	reactivos gaseosos dentro de un
	planta química. Y F aquí está
	un subproducto
	que necesitará ser desviado
	fuera del producto deseado.
	Um y ...
	Eso es todo lo que diré al respecto.
	Entonces el diagrama de proceso se ve
	complicado, pero en realidad no lo es
	así de mal, así que te acompaño
	a traves de. Gaseoso
	Los reactivos A, D y E fluyen hacia
	el reactor aquí.
	La reacción ocurre y el
	el producto sale como un gas. Es
	luego enfriado y condensado en
	líquido en el condensador.
	Luego, un separador de vapor líquido
	recicla cualquier vapor restante y
	lo envía de vuelta al reactor
	a través de un compresor, y el
	subproducto y químico inerte B
	se purgan en la corriente de purga,
	y eso es para prevenir cualquier
	acumulación. El producto liquido
	se bombea a través de una stripper,
	donde los reactivos restantes
	se quitan.
	Y luego enviado de regreso al reactor.
	Y luego, finalmente, el
	producto líquido purificado
	sale del proceso.
	El primer conjunto de variables es
	monitoreados son los manipulados
	variables. Estos parecen arco
	lazos en el diagrama. creo
	en realidad están destinados a ser
	válvulas y los manipulados
	proceso ... o el manipulado
	las variables controlan principalmente el
	caudal a través de diferentes
	corrientes del proceso.
	Y estas variables se pueden configurar
	a cualquier valor dentro de los límites y
	tienen algo de ruido gaussiano.
	Las variables manipuladas son capaces
	para ser muestreado en la tarifa,
	pero usamos el 3 por defecto
	minutos muestra ahora.
	Algunos ejemplos de los manipulados
	Las variables son las válvulas que
	controlar el flujo de reactivos
	en el reactor.
	Otro ejemplo es una válvula
	que controla el flujo de
	vapor en el separador.
	Y otra es una válvula que
	controla el flujo de refrigerante
	en el reactor.
	El siguiente conjunto de variables son
	variables de medida. Estos son
	se muestra como círculos en el diagrama.
	También fueron muestreados a las tres
	intervalos de un minuto. La
	diferencia entre manipulado
	variables y medida
	variables es que el
	las variables de medida no pueden ser
	manipulado en la simulación.
	Nuestras variables de calidad serán
	la composición porcentual de
	dos productos líquidos y tu
	puede ver el analizador
	midiendo los productos aquí.
	Estas variables se muestrean con
	un retraso de tiempo considerable, por lo que
	estamos mirando la purga
	corriente en lugar de la salida
	corriente, porque estos datos son
	disponible antes. Y usará
	un modelo PLS para monitorear el proceso
	variables como un proxy para estos
	variables porque el proceso
	las variables tienen menos demora y
	afectar a una frecuencia de muestreo más rápida.
	Entonces eso debería ser suficiente
	antecedentes de los datos. En
	total hay 33 proceso
	variables y dos de calidad
	variables. El proceso de
	recopilar las variables es
	simulado con un conjunto de
	ecuaciones diferenciales. Y esto
	es solo una simulación, pero como tu
	puede ver una cantidad considerable de
	se puso cuidado en modelar esto
	después de un proceso del mundo real. Aquí
	es una descripción general de la demostración que estoy
	a punto de mostrarte. Nosotros coleccionaremos
	datos sobre nuestro proceso y almacenamiento
	estos datos en una base de datos.
	Quería tener un ejemplo de que
	fue fácil de compartir, así que estaré
	usando una base de datos SQLite, pero
	el flujo de trabajo es relevante para la mayoría
	tipos de bases de datos ya que la mayoría
	admite conexiones ODBC.
	Una vez que JMP forma un ODBC
	conexión con la base de datos,
	JMP puede comprobar periódicamente
	nuevas observaciones y agregarlas a
	una tabla de datos.
	Si tenemos un modelo impulsado
	gráfico de control multivariante
	informe abierto con automático
	recalc activado, tenemos un
	mecanismo de actualización del
	gráficos de control a medida que llegan nuevos datos
	en y todo el proceso de
	agregar datos a una base de datos
	probablemente irá por separado
	computadora de la computadora
	que está haciendo el seguimiento. Entonces
	Tengo dos sesiones de JMP abiertas
	para emular esto. Ambas sesiones
	tener su propio diario
	en los materiales de la
	Comunidad y la sesión
	agregando nuevos datos simulados a
	la base de datos se llamará
	la Sesión de Streaming y
	sesión actualizando los informes
	a medida que vayan llegando nuevos datos
	llamada la Sesión de Monitoreo.
	Una cosa que realmente me gustó
	el periódico de Downs y Vogel fue
	que no proporcionaron un
	métrica única para evaluar el
	control del proceso. tengo
	una cita del periódico aquí
	"Sentimos que las compensaciones
	entre el posible control
	estrategias y tecnicas
	involucró mucho más que un
	expresión matemática ".
	Así que estos son algunos de los objetivos.
	enumeraron en su periódico,
	que son relevantes para nuestro
	problema. Querían mantener
	las variables de proceso en
	valores deseados. Ellos querian
	minimizar la variabilidad del producto
	calidad durante las perturbaciones, y
	querían recuperarse rápidamente
	y sin problemas de perturbaciones.
	Entonces veremos qué tan bien nuestro
	el proceso logra estos objetivos
	con nuestros métodos de seguimiento.
	Así que para empezar en el
	Monitoreando el diario de la sesión,
	mostrarle nuestro primer conjunto de datos.
	La tabla de datos contenía todos los
	las variables que introduje
	más temprano. Las primeras variables son
	las variables de medida; la
	en segundo lugar está la composición.
	Y el tercero son los
	variables manipuladas.
	El guión de aquí encajará
	un modelo PLS. Excluye el
	últimas 100 filas como conjunto de prueba.
	Solo como un recordatorio
	el modelo está prediciendo 2
	composición del producto
	variables en función de
	las variables del proceso. Si
	tienes JMP Pro, ahí
	ha sido algo de velocidad
	mejoras a PLS
	en JMP 16.
	PLS ahora tiene un
	Opción rápida de SVD.
	Puede cambiar al
	clásico en rojo
	menú triangular. Hay
	también ha habido una serie de
	mejoras de rendimiento
	bajo el capó.
	Principalmente relevante para conjuntos de datos
	con una gran cantidad de
	observaciones, pero eso es
	común en el multivariado
	ajuste de monitoreo de procesos.
	Pero PLS no es el foco de la
	hablar, así que ya encajo
	columnas de puntuación de modelo y salida
	y puedes verlos aquí.
	Una de las razones por las que el monitor
	gráfico de control multivariado fue
	diseñado como está, es que
	imagina que eres un estadístico
	y quieres compartir tu modelo
	con un ingeniero para que puedan
	construir gráficos de control. Todas
	lo que debe hacer es proporcionar el
	tabla de datos con esta fórmula
	columnas. No necesitas compartir
	todos los detalles sangrientos de cómo
	se ajusta a su modelo.
	A continuación, proporcionaré la puntuación.
	columnas para monitorear el
	gráfico de control multivariante.
	Arrástrelo hacia la derecha aquí.
	Entonces a la izquierda aquí puedes ver
dos tipos de gráficos de control	la
	T al cuadrado y SPE.
	Um, hay 860 observaciones
	que se utilizaron para estimar el
	modelo y estos están etiquetados como
	histórico. Y luego los cien
	que quedaron fuera como un conjunto de prueba
	son sus datos actuales.
	Y puedes ver en el limite
	resúmenes, el número de puntos
	que están fuera de control y
	Nivel significativo. Um, si tu
	quiero cambiar el significado
	nivel, puedes hacerlo aquí en
	el menú del triángulo rojo.
	Porque el reactor esta en normal
	condiciones operativas, esperamos
	no hay observaciones para estar fuera de
	control, pero tenemos algunos falsos
	positivos aquí porque nosotros
	no he hecho ningún ajuste para
	comparaciones múltiples. Es
	poco común hacer esto, por lo que yo
	puede decir, en multivariante
	gráficos de control. Supongo que tu
	tienen mayor poder para detectar
	de señales de control sin
	corrección. En gráfico de control
	jerga, esto significa que estás fuera
	de control. Duración media de la carrera
	se mantiene bajo.
	Así que a la derecha aquí estamos
	también tengo contribución
	parcelas y en el eje Y son
	las observaciones; en la X
	eje, las variables. A
	la contribución se expresa
	como una porción.
	Y luego, en la parte inferior aquí,
	tenemos parcelas de puntuación. Derecha
	ahora estoy tramando el primero
	dimensión de puntuación versus la
	segunda dimensión de puntuación, pero
	puedes mirar cualquier
	combinación de puntuación
	dimensiones usando este
	menús desplegables o la flecha
	botón.
	OK, entonces creo que estamos orientados
	al informe. voy a
	ahora cambia a la
	scripts que he usado para transmitir
	datos en la base de datos que
	el informe está monitoreando.
	Para hacer algo por esto
	ejemplo, necesitará tener un
	Controlador SQLite ODBC instalado
	para su computadora. Esto es mucho mas facil
	hacer en una computadora con Windows,
	que es lo que usas a menudo
	cuando realmente se conecta a un
	base de datos. El proceso en Mac
	es más complicado, pero pongo un poco
	instrucciones sobre la comunidad
	página. Y luego no tengo tiempo
	para hablar de esto, pero yo
	creó la base de datos SQLite
	Lo usaré en JMP y yo
	planear poner algunas instrucciones
	en cómo hacer esto en el
	Página web de la comunidad. Y con suerte
	ese ejemplo es útil para ti
	si intentas hacer esto con
	datos por su cuenta.
	A continuación voy a mostrar
	te los archivos que te puse
	en la base de datos SQLite.
	Aquí tengo los datos históricos.
	Esto se usó para construir
	el modelo PLS. Hay 960
	observaciones que están en
	control. Entonces tengo el
	datos de seguimiento, que al principio
	solo contiene el histórico
	datos, pero agregaré gradualmente nuevos
	datos a esto. Estos son los datos
	que el control multivariado
	El gráfico estará monitoreando.
	Y luego he simulado nuevas
	datos ya y lo agregó a la
	tabla de datos aquí. Estos son
	otras 960 medidas impares
	donde se introduce una falla en
	algún momento. Quería
	tener algo que fue fácil de
	compartir, así que no voy a correr
	mi secuencia de comandos de simulación y agregar a
	la base de datos de esa manera. Fueron
	solo voy a tomar observaciones
	de esta nueva tabla de datos y
	pasarlos al monitoreo
	tabla de datos usando JSL y
	Sentencias SQL. Esto es solo un
	ejemplo emulando el proceso
	de nuevos datos que entran en un
	base de datos. De alguna manera es posible que no
	en realidad hago esto con JMP, pero
	esta fue una oportunidad para mostrar
	cómo puedes hacerlo con JSL.
	Limpiar aquí.
	Y a continuación te mostraré esto
	secuencia de comandos de transmisión. Esto es un
	guión simple, así que voy a
	guiarlo a través de él muy rápido.
	Este primer conjunto de
	Los comandos abrirán el
	nueva tabla de datos y
	está en la base de datos SQLite,
	por lo que abre la mesa en el
	fondo para no tener que hacerlo
	lidiar con la ventana.
	Entonces voy a tomar pedazos
	de esta tabla de datos y agregue
	ellos a los datos de seguimiento
	mesa. Yo llamo las piezas
	picaduras y el tamaño de la picadura es de 20.
	Y luego este siguiente comando
	conectarse a la base de datos. Esto
	me permitirá enviar el
	sentencias SQL de base de datos.
	Y luego este próximo bit
	de código es
	enviando SQL iterativamente
	declaraciones que insertan nuevas
	datos en los datos de seguimiento.
	Y yo voy a
	inicializar K y mostrarle el
	primera iteración de esto.
	Esta es una declaración SQL simple,
	insertar en la declaración que
	inserta los primeros 20
	observaciones en los datos
	mesa. Esta declaración impresa es
	comentado para que el código
	corre más rápido y luego yo también
	tener una declaración de espera para ralentizar
	las cosas un poco hacia abajo para que
	podemos ver su progresión
	en el gráfico de control.
	Y esto iría demasiado rápido
	si no lo ralentizaba.
	Um, así que a continuación me voy a mover
	a las sesiones de seguimiento
	para mostrarte los guiones
	que actualizará el informe
	a medida que ingresan nuevos datos.
	Este primer guión es un sencillo
	texto. Eso comprobará el
	base de datos cada .2 segundos para
	nuevas observaciones y agréguelos
	a la mesa JMP. Desde el
	el informe tiene recalc automático
	encendido, el informe se actualizará
	cada vez que se agregan nuevos datos. Y
	Debo agregar eso
	de modo realista,
	probablemente no usarías un
	script que solo itera como
	esto. Probablemente uses la tarea
	programador en Windows o
	Automator en Mac para mejorar
	programar ejecuciones del script.
	Y luego también hay otro
	guión que lo hará
	enviar el informe a JMP Public
	cada vez que se actualiza el informe,
	y estaba muy emocionado de que
	esto es posible con JMP 15.
	Permite a cualquier ordenador con
	navegador web para ver actualizaciones de
	el gráfico de control. Entonces tú
	incluso puede ver el informe sobre
	su teléfono inteligente, por lo que esto hace
	es muy fácil de compartir
	resultados en todas las organizaciones.
	Y también puedes usar JMP Live
	si quisieras que los informes
	estar en servidor restringido.
	No voy a tener tiempo
	para entrar en esto en esto
	demo, pero puedes consultar
	mi charla Discovery Americas.
	Entonces finalmente aquí abajo, hay
	un guión que recrea el
	datos históricos en los datos
	tabla si desea ejecutar el
	ejemplo varias veces.
	Muy bien, a continuación ... asegúrate
	que tenemos los datos históricos ...
	Voy a ejecutar el
	secuencia de comandos de transmisión y ver
	cómo se actualiza el informe.
	Entonces, los datos tienen el control en
	primero y luego una falla es
	introducido, pero hay un
	sistema de control de toda la planta
	que está implementado en el
	simulación, y puedes ver
	como el sistema de control
	eventualmente trae el proceso
	a un nuevo equilibrio.
	Espera a que termine aquí.
	Entonces, si nos acercamos,
	parece que el proceso primero
	se salió de control en torno a esto
	punto de tiempo, así que voy a
	colorearlo y
	etiquetarlo, pero lo hará
	aparecer en otras parcelas.
	Y luego en la trama SPE,
	se parece a esto
	La observación también está fuera de
	control, pero solo ligeramente.
	Y luego, si nos acercamos
	el momento en el
	parcelas de contribución, puede
	mira que hay muchos
	variables que contribuyen a
	la señal fuera de control en
	primero. Pero una vez que el
	El proceso alcanza un nuevo
	equilibrio, solo hay
	dos grandes contribuyentes.
	Entonces voy a quitar el calor
	mapas ahora para limpiar un poco.
	Puedes pasar el cursor sobre
	el punto en el que el proceso
	primero se salió de control y
	echar un vistazo a los diez primeros
	variables contribuyentes. Esto
	es genial para darte un
	descripción general rápida de las variables
	están contribuyendo más a la
	señal fuera de control.
	Y luego, si hago clic en el gráfico,
	esto se agregará al
	sección de diagnóstico de fallas.
	Y como puede ver, hay
	varias variables con grandes
	contribuciones y simplemente ordenadas
	sobre la contribución.
	Y para variables con
	barras rojas la observación es
	fuera de control en el univariante
	gráficos de control. Puedes ver
	esto colocando el cursor sobre uno de
	las barras y estos grafitos
	son gráficos de infrarrojos para un
	variable individual con un
	Límite de control de tres Sigma.
	Se puede ver en la stripper
	variable de presión que el
	la observación está fuera de
	control, pero eventualmente el
	el proceso se vuelve a poner bajo
	control. Y este es el caso
	para el otro top
	contribuyentes. Yo también mostraré
	tu una de las variables
	donde tenemos el control, el
	gráfico de control univariado.
	Entonces el proceso fue ...
	hay muchas variables
	de control en el proceso en
	el principio, pero
	el proceso finalmente alcanza
	un nuevo equilibrio.
	Um ...
	Para ver las variables que
	contribuyen más al cambio en
	el proceso, podemos usar mean
	parcela de proporción de contribución.
	Estas gráficas muestran el promedio
	contribución que las variables
	tiene que T al cuadrado para el grupo
	He seleccionado. Um, aquí si yo
	ordenar estos.
	Las únicas dos variables con
	grandes contribuciones miden el
	tasa de flujo del reactivo A en
	corriente uno, que es el flujo de
	este reactivo en el reactor.
	Ambas variables son
	midiendo esencialmente el
	lo mismo, excepto uno
	medida ... uno es un
	variable de medida y la
	otro es un manipulado
	variable.
	Puedes ver que hay un
	gran cambio de paso en el flujo
	tasa, que es lo que programé
	en la simulación. Entonces estos
	las parcelas de contribución le permiten
	Identifique rápidamente la causa raíz.
	Y luego, en mi charla anterior,
	mostró muchas otras formas de
	visualizar y diagnosticar fallas
	utilizando herramientas en la gráfica de puntuación.
	Esto incluye trazar el
	cargas en los gráficos de puntuación y
	haciendo algunas comparaciones grupales.
	Puedes ver mi descubrimiento
	América habla sobre el JMP
	Comunidad para eso. En cambio, soy
	voy a gastar el resto de esto
	tiempo presentando algunos nuevos
	ejemplos, que puse en el
	Página de la comunidad para esta charla.
	Entonces.
	Hay 20 fallas programables
	en el proceso de Tennessee Eastman
	y se pueden introducir en cualquier
	combinación. Proporcioné otros dos
	fallas representativas aquí. Culpa
	1 que mostré anteriormente fue
	fácil de detectar porque la salida
	de la señal de control es tan grande
	y tantas variables son
	involucrado. El foco en el
	demostración anterior fue para mostrar cómo
	utilizar las herramientas e identificar.
	fallas de un gran número de
	variables y no para comparar
	los métodos necesariamente.
	Fallo 4, por otro lado,
	es una falta más sutil,
	y te lo mostraré aquí.
	La falla yo ... eso está programado
	es un aumento repentino en el
	temperatura en el reactor.
	Y esto se compensa con
	el sistema de control aumentando
	el caudal de refrigerante.
	Y puedes ver eso
	variable recogida aquí y
	puedes ver el cambio en
	parcelas de contribución.
	Y luego también puedes ver
	que la mayoría de las otras variables
	no están afectados
	por la culpa. Puedes ver un
	pico en la temperatura aquí
	es rápidamente devuelto a
	control. Porque la mayoría de los demás
	las variables no se ven afectadas, esto
	es difícil de detectar para algunos
	métodos de control multivariante.
	Y puede ser mas
	difícil de diagnosticar.
	La última falla que te mostraré
	es la falla 11.
	Como la falla 4, también involucra
	el flujo de refrigerante en el
	reactor, excepto ahora la falla
	introduce grandes oscilaciones en
	el caudal, que podemos
	ver en el control univariado
	gráfico. Y esto resulta en un
	fluctuación del reactor
	temperatura. El otro
	las variables no son realmente
	afectado de nuevo, por lo que esto puede ser
	más difícil de detectar para algunos
	métodos. Algunos multivariados
	los métodos de control pueden captar
	Fallo 4, pero no Fallo 11 o
	viceversa. Pero nuestro método fue
	capaz de captar ambos.
	Y luego, finalmente, todos los
	ejemplos que creé usando el
	El proceso de Tennessee Eastman había
	fallas que eran evidentes en
	ambos gráficos T cuadrado y SPE. A
	mostrar algunas características más nuevas en
	multivariante impulsado por modelo
	gráfico de control, quería mostrar
	un ejemplo de una falla que
	aparece en el gráfico SPE pero no
	T al cuadrado. Y encontrar un buen
	ejemplo de esto, volví a visitar un
	conjunto de datos que Jianfeng Ding
	presentado en su charla anterior, y
	Proporcioné un enlace a su charla
	en esta revista.
	En su página de la comunidad,
	ella proporciona varios
	ejemplos útiles que son
	también vale la pena echarle un vistazo.
	Este es un conjunto de datos de Cordia
	El artículo clásico de McGregor (?)
	gráficos de control multivariante. La
	los datos son variables procesadas
	medido en un reactor, produciendo
	polietileno, y puedes encontrar
	más antecedentes en Jianfeng's
	hablar. En este ejemplo,
	tener un proceso que salió de
	control. Déjame mostrarte esto.
	Y está fuera de control en ...
	antes en el gráfico SPE que en
	la T al cuadrado.
	Y si miramos a la media
	contribución
	parcelas para SPE,
	usted puede
	mira que hay una variable
	con gran aporte y
	también muestra un gran cambio en el
	gráfico de control univariado, pero
	también hay otras variables
	con grandes aportes, pero
	que todavía tienen el control en el
	gráficos de control univariados.
	Y es difícil de determinar a partir de
	solo los gráficos de barras por qué estos
	las variables tenían una gran
	contribuciones. Grandes valores de SPE
	suceden cuando los nuevos datos no
	seguir la estructura de correlación
	de los datos históricos, que es
	A menudo es el caso cuando se obtienen nuevos datos
	recopilados, y esto significa que
	su modelo PLS que entrenó es
	ya no es aplicable.
	De los gráficos de barras, es difícil
	para saber qué par de variables
	tienen su estructura de correlación
	roto. Tan nuevo en 15.2,
	puede lanzar matrices de diagramas de dispersión.
	Y está claro en el
	matriz de diagrama de dispersión que el
	violación de correlaciones
	con Z2 es lo que impulsa
	estas grandes contribuciones.
	OK, voy a regresar
	al PowerPoint.
	Y muy rápido, resumiré
	las características clave del modelo impulsado
	gráfico de control multivariante que
	se mostraron en la demostración. La
	la plataforma es capaz de
	realizando ambas fallas en línea
	detección y falla fuera de línea
	diagnóstico. Hay muchos
	métodos proporcionados en la plataforma
	para perforar hasta la raíz
	causa de averías. Te estoy mostrando
	aquí algunas parcelas de un popular
	libro, detección de fallas y
	Diagnóstico en Sistemas Industriales.
	A lo largo del libro, los autores
	demostrar cómo se necesita
	utilizar multivariante y univariante
	gráficos de control uno al lado del otro
	para tener una idea de lo que está pasando
	en un proceso.
	Uno particularmente útil
	característica en modelo multivariante impulsado
	el gráfico de control es cómo
	interactivo y fácil de usar
	es cambiar entre estos
	dos tipos de gráficos.
	Y esa es mi charla. Aquí está
	mi correo electrónico si tienes alguno
	mas preguntas. Y
	gracias a todos los que
	sintonizado para ver esto.

FugarseAcceso y manipulación de datosCalidad y fiabilidad