349256_es-ES

liliconcom

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

Nivel: Intermedio

 

Jeremy Ash, probador de software de análisis JMP, SAS

 

La plataforma Model Driven Multivariate Control Chart (MDMCC) 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 grandes dimensiones.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 mientras un reactor químico produce productos líquidos a partir de reactivos gaseosos. Demostramos cómo MDMCC puede realizar 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 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 en función de las variables del proceso. Dado que las variables del proceso suelen estar más fácilmente 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 estos gráficos.

 

 

Transcripción generada automáticamente...

 

Vocero	Transcripción
	Hola, soy Jeremy Ash. soy un
	estadístico en JMP I+D. Mi trabajo
	consiste principalmente en pruebas
	la estadística multivariada
	plataformas en JMP, pero también
	ayudar a investigar y evaluar
	metodología. hoy voy a
	estar analizando el Tennessee
	Proceso de Eastman usando algunos
	Control del Proceso Estadístico
	métodos en JMP. voy a
	estar prestando especial atención
	al modelo multivariado impulsado
	plataforma de gráficos de control, que es
	una nueva incorporación al JMP 15.
	Estos datos proporcionan una
	oportunidad de mostrar la
	número de la plataforma
	características. Y tan rápido
	descargo de responsabilidad, esto es similar a
	mi charla de Discovery Americas. Nosotros
	se dio cuenta de que Europa no había visto un
	multivariado impulsado por modelos
	charla sobre el gráfico de control debido a todos los
	locura por COVID, así que
	Decidí centrarme en lo básico.
	Pero hay algo de material nuevo.
	al final de la charla. Enfermo
	cubrir brevemente algunos adicionales
	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 estoy familiarizado con estos, estos
	son gráficos utilizados para monitorear
	sistemas industriales complejos para
	determinar cuando se desvían
	del 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 multivariado
	gráfico en colaboración con
	Chris Gotwalt y esa Tonya
	Mauldin y yo éramos probadores. El
	El enfoque de esta charla será utilizar
	gráficos de control multivariado para
	monitorear un mundo real
	proceso típico; otra novela
	aspecto utilizará el control
	gráficos para el proceso en línea
	supervisión. Esto significa que estaremos
	monitorear datos continuamente como
	se agrega a una base de datos y
	Detectar fallas en tiempo real.
	Así que voy a empezar con
	la diapositiva obligatoria en el
	ventajas de multivariado
	gráficos de control. Entonces, ¿por qué no utilizar
	¿Gráficos de control univariados? Allá
	son una serie de excelentes
	opciones en JMP. univariado
	Los gráficos de control son excelentes.
	herramientas para analizar algunos
	variables a la vez. Sin embargo,
	Los datos de control de calidad son a menudo
	alta dimensión y el número
	de gráficos de control que necesita
	mirar puede convertirse rápidamente
	abrumador. multivariado
	Los gráficos de control pueden resumir una
	proceso de alta dimensión en
	sólo un par de gráficos de control,
	entonces esa es una ventaja clave.
	Pero eso no quiere decir que
	Los gráficos de control univeriados no son
	útil en este contexto. usted
	ver a lo largo de la charla que
	El diagnóstico de fallos a menudo implica
	cambio entre multivariado
	y gráficos univariados.
	Los gráficos de control multivariados dan
	tienes un sentido 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 multivariado
	gráfico de control es para proporcionar algunos
	herramientas útiles para cambiar
	entre estos dos tipos de
	gráficos. Una desventaja de
	gráficos univariados es que
	Las observaciones pueden parecer estar en
	controlar cuando son realmente
	fuera de control en el multivariado
	sentido y estas tramas muestran lo que yo
	quiero decir con esto. el univariado
	cuadro de control de aceite y
	La 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
	viola bastante la correlación
	estructura de las dos variables,
	gráficos de control multivariados
	puede captar este tipo de
	valores atípicos, aunque univariados
	los gráficos de control no pueden.
	Multivariado impulsado por modelos
	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 la
	dimensionalidad del proceso por
	proyectar datos en un nivel bajo
	superficie dimensional. Eh,
	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 da los coeficientes para
	combinaciones lineales de nuestra X
	variables que resultan en
	variables cuadradas con
	dimensión A, donde la dimensión
	A es mucho menor que P. Y luego
	esto se muestra en las ecuaciones de
	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 lo que estas maximizando
	la cantidad de variación explicada
	en la matriz X.
	Entonces PLS es más adecuado
	método de proyección. Cuando tengas
	un conjunto de variables de proceso y un
	conjunto de variables de calidad, usted
	Realmente quiero asegurar que el
	las variables de calidad se mantienen en
	control pero estas variables
	son a menudo costosos o tiempo
	consumir para recolectar. La planta
	podría estar fabricando un producto sin
	un control de calidad 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 fácilmente
	disponible, por lo que PLS puede permitirle
	para detectar fallas en la calidad
	temprano y haz tu proceso
	Monitoreo más barato. y desde aquí
	De aquí me voy a centrar en PLS.
	modelos porque es más
	apropiado para el ejemplo.
	Entonces el modelo PLS divide su
	datos en dos componentes. El
	El primer componente es el modelo.
	componente. Esto le da al
	valores previstos de su proceso
	variables. Otra forma de pensar
	al respecto es que tus datos tienen
	sido proyectado en el modelo
	plano definido por tu puntuación
	variables y monitores T cuadrado
	la variación de tus datos
	dentro de este modelo de avión.
	Y el segundo componente es el
	componente de error. Este es el
	distancia entre su original
	datos y los datos previstos y
	error de predicción al cuadrado (SPE)
	Los gráficos monitorean esta variación.
	Otra métrica alternativa que
	proporcionar es la distancia al modelo
	Plano X o DModX. Esto es simplemente
	una alternativa normalizada al SPE
	que algunas personas prefieren.
	El último concepto que es
	importante entender para el
	demostración es la distinción entre
	datos históricos y actuales.
	Los datos históricos suelen ser
	recogidos cuando el proceso fue
	conocido por tener el control. Estos
	Los datos se utilizan para construir el PLS.
	modelar y definir la normalidad
	variación del proceso para 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 formación y
	conjuntos de prueba. El control T cuadrado
	El límite es menor para el entrenamiento.
	datos porque esperamos menos
	variabilidad para los distintos...
	observaciones utilizadas para entrenar el
	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 al cuadrado es
	ha sido elaborado para que podamos conseguir
	estos límites de control basados en
	algunos supuestos distributivos.
	En la demostración habrá monitoreo.
	el proceso de Tennessee Eastman.
	voy a presentar un corto
	introducción a estos datos. Este
	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 queria 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 multivariado
	métodos de control en el
	literatura. Cubre el
	principales tareas de multivariado
	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 la propiedad
	información. El simulado
	El proceso es la producción de
	dos productos líquidos de
	reactivos gaseosos dentro de un
	planta química. Y F aquí está
	un subproducto
	que habrá que desviar
	del producto deseado.
	Um y...
	Eso es todo lo que diré al respecto.
	Entonces se ve el diagrama de proceso.
	complicado, pero realmente no lo es
	que mal, así que te acompañaré
	a traves de. Gaseoso
	Los reactivos A, D y E fluyen hacia
	El reactor aquí.
	La reacción ocurre y el
	El producto sale en forma de gas. Es
	luego se enfría y se condensa en
	líquido en el condensador.
	Luego un separador líquido vapor.
	recicla cualquier vapor restante y
	lo envía de regreso al reactor
	a través de un compresor y el
	subproducto y producto químico inerte B
	se purgan en la corriente de purga,
	y eso es para evitar cualquier
	acumulación. El producto liquido
	se bombea a través de un extractor,
	donde los reactivos restantes
	son despojados.
	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
	vínculos en el diagrama. Creo
	en realidad están destinados a ser
	válvulas y el manipulado
	proceso...o lo manipulado
	Las variables controlan principalmente la
	caudal a través de diferentes
	corrientes del proceso.
	Y estas variables se pueden configurar
	a cualquier valor dentro de límites y
	tiene algo de ruido gaussiano.
	Las variables manipuladas son capaces
	para ser muestreado en la tarifa,
	pero usamos el 3 predeterminado
	minutos de muestra ahora.
	Algunos ejemplos de manipulación
	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 decapante.
	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 muestran como círculos en el diagrama.
	También fueron muestreados en tres
	intervalos de minutos. El
	diferencia entre manipulado
	variables y medidas
	variables es que la
	las variables de medición no pueden ser
	manipulados 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 considerable, por lo que
	estamos viendo la purga
	corriente en lugar de la salida
	flujo, porque estos datos son
	disponible antes. y usará
	un modelo PLS para monitorear el proceso
	variables como proxy de estos
	variables porque el proceso
	las variables tienen menos retraso y
	afectar una velocidad de muestreo más rápida.
	Entonces eso debería ser suficiente.
	antecedentes de los datos. En
	En total hay 33 procesos.
	variables y dos calidades.
	variables. El proceso de
	recoger las variables es
	simulado con un conjunto de
	ecuaciones diferenciales. Y esto
	es solo una simulación, pero como tú
	se 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. vamos a recoger
	datos sobre nuestro proceso y almacenamiento
	estos datos en una base de datos.
	Quería tener un ejemplo 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 multivariado
	informe abierto con automatico
	recalc activado, tenemos un
	mecanismo para actualizar la
	gráficos de control a medida que llegan nuevos datos
	en y todo el proceso de
	agregar datos a una base de datos
	probablemente vaya por separado
	computadora desde la computadora
	eso es hacer el seguimiento. Entonces
	Tengo dos sesiones de JMP abiertas
	para emular esto. Ambas sesiones
	tener su propio diario
	en los materiales del
	La comunidad y la sesión.
	añadiendo nuevos datos simulados a
	se llamará la base de datos
	la sesión de streaming y
	sesión de actualización de informes
	a medida que lleguen nuevos datos será
	denominada Sesión de Monitoreo.
	Una cosa que realmente me gustó
	el artículo de Downs y Vogel fue
	que no proporcionaron un
	métrica única para evaluar la
	control del proceso. Tengo
	una cita del periódico aquí
	"Sentimos que las compensaciones
	entre los posibles controles
	estrategias y técnicas
	implicó mucho más que un
	expresión matemática."
	Estos son algunos de los objetivos.
	enumeraron en su periódico,
	que son relevantes para nuestro
	problema. querían mantener
	las variables del proceso en
	valores deseados. ellos querían
	minimizar la variabilidad del producto
	calidad durante las perturbaciones, y
	querían recuperarse rápidamente
	y suavemente de las perturbaciones.
	Así que veremos qué tan bien nuestro
	El proceso logra estos objetivos.
	con nuestros métodos de seguimiento.
	Así que para empezar en el
	Diario de la sesión de seguimiento, lo haré
	Le mostraremos nuestro primer conjunto de datos.
	La tabla de datos contenía todos
	las variables que introduje
	más temprano. Las primeras variables son
	las variables de medición; el
	En segundo lugar está la composición.
	Y los terceros son los
	variables manipuladas.
	El guión de aquí encajará.
	un modelo PLS. Se excluye el
	últimas 100 filas como conjunto de prueba.
	Sólo como recordatorio,
	el modelo está prediciendo 2
	composición del producto
	variables en función de
	las variables del proceso. Si
	tienes JMP Pro, ahí
	han sido algo de velocidad
	mejoras a PLS
	en el JMP 16.
	PLS ahora tiene un
	Opción SVD rápida.
	Puedes 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
	configuración de monitoreo de procesos.
	Pero PLS no es el foco del
	hablar, así que ya he encajado en el
	columnas de puntuación de modelo y salida
	y puedes verlos aquí.
	Una razón por la que el monitor
	gráfico de control multivariado fue
	diseñado tal como está, es que
	imagina que eres un estadístico
	y quieres compartir tu modelo
	con un ingeniero para que puedan
	construir gráficos de control. Todo
	lo que tienes que hacer es proporcionar el
	tabla de datos con estas fórmulas
	columnas. No necesitas compartir
	todos los detalles sangrientos de cómo
	se ajusta a tu modelo.
	A continuación, proporcionaré la puntuación.
	columnas para monitorear el
	gráfico de control multivariado.
	Arrástrelo hacia la derecha aquí.
	Así que aquí a la izquierda puedes ver
dos tipos de gráficos de control	el
	T al cuadrado y SPE.
	Um, hay 860 observaciones.
	que se utilizaron para estimar la
	modelo y estos están etiquetados como
	histórico. Y luego los cien
	que quedaron fuera como conjunto de prueba
	son sus datos actuales.
	Y puedes ver en el límite
	resúmenes, el número de puntos
	que están fuera de control y
	Nivel significativo. Um, si tu
	quiero cambiar el significado
	nivel, puedes hacerlo aquí arriba en
	el menú del triángulo rojo.
	Porque el reactor está en normalidad.
	condiciones de operación, esperamos
	no hay observaciones para estar fuera de
	control, pero tenemos algunos falsos
	aspectos positivos aquí porque nosotros
	no he hecho ningún ajuste para
	múltiples comparaciones. Es
	Es poco común hacer esto, por lo que yo
	puedo decir, en multivariado
	gráficos de control. supongo que tu
	tienen mayor poder para detectar
	de señales de control sin
	corrección. En cuadro de control
	jerga, esto significa que estás fuera
	de control. Longitud media de tirada
	se mantiene bajo.
	Así que aquí a la derecha estamos
	también tengo contribución
	gráficos y en el eje Y son
	las observaciones; en la X
	eje, las variables. A
	la contribución se expresa
	como porción.
	Y luego aquí abajo,
	tenemos parcelas de puntuación. Bien
	ahora estoy tramando el primero
	dimensión de puntuación versus la
	segunda dimensión de puntuación, pero
	puedes mirar cualquiera
	combinación de puntuación
	dimensiones usando este
	menús desplegables o la flecha
	botón.
	OK, entonces creo que estamos orientados
	al informe. voy a
	ahora cambia al
	scripts que he usado para transmitir
	datos en la base de datos que
	el informe está monitoreando.
	Para poder hacer cualquier cosa por esto
	Por ejemplo, necesitarás tener un
	Controlador SQLite ODBC instalado
	para tu computadora. Esto es mucho más fácil
	hacer en una computadora con Windows,
	que es lo que estás usando a menudo
	cuando realmente se conecta a un
	base de datos. El proceso en Mac
	Es más complicado, pero le 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
	planeo poner algunas instrucciones
	en cómo hacer esto en el
	Página web de la comunidad. Y con suerte
	ese ejemplo te sirve
	si estás intentando hacer esto con
	datos por su cuenta.
	A continuación voy a mostrar
	tu los archivos que te puse
	en la base de datos SQLite.
	Aquí tengo los datos históricos.
	Esto fue usado para construir
	el modelo PLS. hay 960
	observaciones que se encuentran en
	control. Entonces tengo el
	datos de seguimiento, que al principio
	solo contiene el histórico
	datos, pero poco a poco iré añadiendo nuevos
	datos a esto. Estos son los datos
	que el control multivariado
	El gráfico será monitoreado.
	Y luego he simulado nuevos
	datos ya y los agregué al
	tabla de datos aquí. Estos son
	otras 960 medidas impares
	donde se introduce una falla en
	algún momento. Quería
	tener algo que fuera fácil de
	comparte, así no voy a correr
	mi script de simulación y agregarlo a
	la base de datos de esa manera. Eran
	solo voy a tomar observaciones
	de esta nueva tabla de datos y
	moverlos al monitoreo
	tabla de datos usando algo de 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 puede que no
	en realidad hacer esto con JMP, pero
	esta fue una oportunidad para mostrar
	cómo puedes hacerlo con JSL.
	Limpia aquí.
	Y a continuación les mostraré esto.
	guión de transmisión. Esto es un
	guión simple, así que voy a
	guiarte 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,
	entonces abre la tabla en el
	fondo para no tener que hacerlo
	ocuparse de la ventana.
	Entonces voy a tomar pedazos
	de esta tabla de datos y agregue
	a los datos de seguimiento
	mesa. yo llamo las piezas
	bocados y el tamaño del bocado es 20.
	Y luego este siguiente comando
	conectarse a la base de datos. Este
	me permitirá enviar el
	Sentencias SQL de bases de datos.
	Y luego lo siguiente
	del código es
	enviando SQL iterativamente
	declaraciones que insertan nuevas
	datos en los datos de seguimiento.
	Y yo voy a
	inicializa K y te muestra 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 reducir la velocidad
	las cosas hacia abajo ligeramente para que
	podemos ver su progresión
	en el cuadro de control.
	Y esto iría demasiado rápido
	si no lo redujera.
	Um, entonces lo siguiente que voy a hacer es moverme.
	a las sesiones de seguimiento
	para mostrarte los guiones
	eso actualizará el informe
	a medida que llegan nuevos datos.
	Este primer guión es sencillo.
	guion. Eso comprobará el
	base de datos cada 0,2 segundos durante
	nuevas observaciones y agregarlas
	a la tabla JMP. desde el
	el informe tiene recálculo automático
	activado, el informe se actualizará
	cada vez que se agregan nuevos datos. Y
	debería agregar eso
	de modo realista,
	probablemente no usarías un
	script que simplemente se itera como
	este. Probablemente uses tarea
	programador en Windows o
	Automator en Mac para mejorar
	programar ejecuciones del script.
	Y luego también hay otro
	guión que
	enviar el informe al público de JMP
	cada vez que se actualiza el informe,
	y estaba muy emocionado de que
	Esto es posible con JMP 15.
	Permite que cualquier computadora con un
	navegador web para ver actualizaciones de
	el cuadro de control. Entonces tú
	incluso puede ver el informe sobre
	su teléfono inteligente, por lo que esto hace
	es muy fácil compartir
	resultados entre organizaciones.
	Y también puedes usar JMP Live
	si quisieras que los informes
	estar en un servidor restringido.
	no voy a tener tiempo
	entrar en esto en esto
	demostración, pero puedes consultar
	mi charla de Discovery Americas.
	Entonces finalmente aquí abajo, hay
	un guión que recrea la
	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 streaming 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 en toda la planta
	que se implementa en el
	simulación, y puedes ver
	cómo el sistema de control
	eventualmente trae el proceso
	a un nuevo equilibrio.
	Espera a que termine aquí.
	Entonces, si nos acercamos,
	parece el proceso primero
	se salió de control con esto
	punto de tiempo, así que voy a
	colorearlo y
	etiquétalo, pero lo hará
	aparecer en otras tramas.
	Y luego en el gráfico SPE,
	se parece a esto
	La observación también está fuera de
	controlar pero sólo ligeramente.
	Y luego, si nos acercamos
	el momento en el
	parcelas de contribución, puedes
	mira que hay muchos
	variables que contribuyen a
	la señal de fuera de control en
	primero. Pero luego, una vez que
	proceso alcanza un nuevo
	equilibrio, sólo 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
	echa un vistazo a los diez primeros
	variables contribuyentes. Este
	es genial para darte un
	descripción general rápida de qué variables
	están contribuyendo más a la
	señal fuera de control.
	Y luego, si hago clic en la trama,
	esto se adjuntará al
	sección de diagnóstico de fallas.
	Y como puedes ver, hay
	varias variables con gran
	contribuciones y recién ordenados
	sobre el aporte.
	Y para variables con
	barras rojas la observación es
	fuera de control en el univariado
	gráficos de control. Puedes ver
	esto al pasar el cursor sobre uno de
	las barras y estos grafitos
	son gráficos IR para un
	variable individual con una
	Límite de control tres Sigma.
	Puedes ver en la stripper.
	variable de presión que
	la observación está fuera de
	control, pero finalmente el
	el proceso vuelve a estar bajo
	control. Y este es el caso
	para la otra cima
	contribuyentes. también mostraré
	tu una de las variables
	donde tenemos el control, el
	gráfico de control univariado.
	Entonces el proceso fue...
	hay muchas variables fuera
	de control en el proceso en
	el principio, pero
	El proceso finalmente llega
	un nuevo equilibrio.
	Eh...
	Para ver las variables que
	contribuyen más al cambio en
	el proceso, podemos usar media
	gráfico de proporción de contribución.
	Estos gráficos muestran el promedio
	contribución que las variables
	tengo que T al cuadrado para el grupo
	He seleccionado. Um, aquí si yo
	ordenar estos.
	Las únicas dos variables con
	las grandes contribuciones miden la
	tasa de flujo del reactivo A en
	corriente uno, que es el flujo de
	este reactivo al reactor.
	Ambas variables son
	midiendo esencialmente el
	lo mismo excepto uno
	medición...uno es un
	variable de medición y la
	otro es un manipulado
	variable.
	Puedes ver que hay un
	gran cambio en el flujo
	tasa, que es la que programé
	en la simulación. Entonces estos
	Los gráficos de contribución le permiten
	identificar rápidamente la causa raíz.
	Y luego en mi charla anterior yo
	mostró muchas otras maneras de
	visualizar y diagnosticar fallas
	utilizando herramientas en el gráfico de puntuación.
	Esto incluye trazar el
	cargas en las gráficas de puntuación y
	haciendo algunas comparaciones grupales.
	Puedes consultar mi descubrimiento.
	Charla de las Américas sobre el JMP
	Comunidad para eso. En cambio, estoy
	voy a pasar el resto de esto
	Es hora de presentar algunas novedades.
	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
	fallos representativos aquí. Falla
	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 enfoque en el
	La demostración anterior era para mostrar cómo
	utilizar las herramientas e identificar.
	fallos entre un gran número de
	variables y no para comparar
	los métodos necesariamente.
	La falla 4, por otro lado,
	es un defecto más sutil,
	y te lo mostraré aquí.
	La falla es...eso está programado.
	es un aumento repentino en la
	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
	aumento de temperatura aquí
	rápidamente vuelve a estar bajo
	control. Porque la mayoría de los demás
	las variables no se ven afectadas, esto
	es difícil de detectar para algunos
	métodos de control multivariados.
	Y puede ser más
	difícil de diagnosticar.
	El último fallo te lo mostraré.
	es la falla 11.
	Al igual que la falla 4, también implica
	el flujo de refrigerante hacia el
	reactor, excepto que ahora la falla
	introduce grandes oscilaciones en
	el caudal, que podemos
	ver en el control univariado
	cuadro. Y esto resulta en una
	fluctuación del reactor
	temperatura. El otro
	las variables no son realmente
	afectado nuevamente, por lo que esto puede ser
	más difícil de detectar para algunos
	métodos. Algunos multivariados
	Los métodos de control pueden detectar
	Fallo 4, pero no Fallo 11 o
	viceversa. Pero nuestro método fue
	capaz de captar ambos.
	Y finalmente, todos los
	ejemplos que creé usando el
	El proceso de Tennessee Eastman había
	fallas que fueron evidentes en
	gráficos de T cuadrado y SPE. A
	mostrar algunas características más nuevas en
	multivariado impulsado por modelos
	gráfico de control, quería mostrar
	un ejemplo de una falla que
	aparece en el gráfico SPE pero no
	T al cuadrado. Y para encontrar un buen
	ejemplo de esto, revisé un
	conjunto de datos que Jianfeng Ding
	presentada en su charla anterior, y
	Proporcioné un enlace a su charla.
	en esta revista.
	En su página de 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 (?) sobre
	gráficos de control multivariados. El
	los datos son variables procesadas
	medido en un reactor, produciendo
	polietileno, y puedes encontrar
	más antecedentes en Jianfeng
	hablar. En este ejemplo, nosotros
	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 la media
	contribución
	parcelas para SPE,
	puede
	ver que hay una variable
	con gran contribución y
	también muestra un gran cambio en la
	gráfico de control univariado, pero
	También hay otras variables.
	con grandes contribuciones, pero
	que todavía tienen el control en el
	gráficos de control univariados.
	Y es difícil determinar a partir de
	solo los gráficos de barras por qué estos
	las variables tuvieron una gran
	contribuciones. Valores SPE grandes
	sucede cuando los nuevos datos no
	seguir la estructura de correlación
	de los datos históricos, que es
	A menudo ocurre cuando se obtienen nuevos datos.
	recogidos, y esto significa que
	su modelo PLS que entrenó es
	ya no es aplicable.
	Desde los gráficos de barras, es difícil
	saber qué par de variables
	tienen su estructura de correlación
	roto. Tan nuevo en 15.2, tú
	puede lanzar matrices de diagramas de dispersión.
	Y está claro en el
	matriz de diagrama de dispersión que
	violación de correlaciones
	con Z2 es lo que conduce
	estas grandes contribuciones.
	Ok, voy a volver
	al PowerPoint.
	Y muy rápido, lo resumiré
	las características clave del modelo impulsado
	gráfico de control multivariado que
	se mostraron en la demostración. El
	plataforma es capaz de
	realizando ambas fallas en línea
	Detección y fallo fuera de línea.
	diagnóstico. Hay muchos
	métodos proporcionados en la plataforma
	para perforar hasta la raíz
	causa de las fallas. te estoy mostrando
	aquí algunas tramas de un popular
	libro, Detección de fallos y
	Diagnóstico en Sistemas Industriales.
	A lo largo del libro, los autores
	demostrar cómo uno necesita
	utilizar multivariado y univariado
	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 multivariado impulsado por modelo
	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 si tienes alguno
	mas preguntas. Y
	gracias a todos los que
	sintonizado para ver esto.

FugarseAcceso y manipulación de datosCalidad y fiabilidad