스피커
|
성적 증명서
|
| |
안녕하세요, 저는 제레미 애쉬입니다. 나는 |
| |
JMP R&D의 통계학자입니다. 내 일 |
| |
주로 테스트로 구성됩니다. |
| |
다변량 통계 |
| |
JMP의 플랫폼이지만 저 또한 |
| |
연구 및 평가를 돕습니다. |
| |
방법론. 오늘은 내가 갈거야 |
| |
테네시를 분석하고 있어 |
| |
일부를 사용하는 Eastman 프로세스 |
| |
통계적 공정 관리 |
| |
JMP의 방법. 할거다 |
| |
각별한 주의를 기울여라 |
| |
모델 기반 다변량 |
| |
관리도 플랫폼은 |
| |
JMP 15에 새로 추가된 기능입니다. |
| |
이 데이터는 |
| |
을 선보일 수 있는 기회 |
| |
플랫폼의 수 |
| |
특징. 그리고 빨리 |
| |
면책 조항, 이것은 유사합니다 |
| |
나의 디스커버리 아메리카(Discovery Americas) 이야기. 우리 |
| |
유럽이 한 번도 본 적이 없다는 것을 깨달았습니다. |
| |
모델 기반 다변량 |
| |
모든 문제로 인해 관리 차트에 대한 논의가 이루어졌습니다. |
| |
코로나에 대한 광기 때문에 나는 |
| |
기본에 집중하기로 결정했습니다. |
| |
그런데 새로운 자료가 나오네요 |
| |
얘기가 끝나면. 아픈 |
| |
몇 가지 추가 내용을 간략하게 설명합니다. |
| |
예시 분석을 한 다음 |
| |
강연을 위한 커뮤니티 페이지. |
| |
먼저 약간의 지식을 가정하겠습니다. |
| |
통계적 공정 관리의 |
| |
이 대화에서. 가장 중요한 것은 |
| |
알아두면 도움이 될 것입니다. |
| |
관리도입니다. 만약 당신이 |
| |
이것들에 익숙하지 않아, 이것들 |
| |
모니터링하는 데 사용되는 차트입니다. |
| |
복잡한 산업 시스템 |
| |
언제 이탈하는지 결정 |
| |
정상작동부터 |
| |
정황. |
| |
나에겐 시간이 별로 없을 거야 |
| |
모델의 방법론에 들어가다 |
| |
구동 다변수 제어 |
| |
차트를 참조하겠습니다. |
| |
자유롭게 멋진 대화 |
| |
JMP 커뮤니티에서 이용 가능 |
| |
더 자세한 내용을 원하시면. 나 |
| |
Jianfeng도 말해야 해 |
| |
딩이 일등이었어 |
| |
모델 중심의 개발자 |
| |
다변량 제어 제어 |
| |
와 협력한 차트 |
| |
Chris Gotwalt와 그 Tonya |
| |
Mauldin과 나는 테스터였습니다. 그만큼 |
| |
이 강연의 초점은 |
| |
다변량 관리도 |
| |
현실 세계를 모니터링하다 |
| |
전형적인 과정; 또 다른 소설 |
| |
측면은 컨트롤을 사용할 것입니다 |
| |
온라인 프로세스 차트 |
| |
모니터링. 이것은 우리가 될 것이라는 것을 의미합니다 |
| |
지속적으로 데이터를 모니터링하여 |
| |
데이터베이스에 추가되고 |
| |
실시간으로 결함을 감지합니다. |
| |
그래서 나는부터 시작하겠습니다. |
| |
의무적으로 슬라이드를 |
| |
다변량의 장점 |
| |
관리 차트. 그렇다면 왜 사용하지 않습니까? |
| |
일변량 관리도? 거기 |
| |
우수한 수가 많다 |
| |
JMP의 옵션 단변량 |
| |
관리도는 훌륭하다 |
| |
몇 가지 분석 도구 |
| |
변수를 한 번에. 하지만, |
| |
품질 관리 데이터는 종종 |
| |
고차원과 숫자 |
| |
당신이 필요로하는 관리 차트 |
| |
보다 빨리 될 수 있습니다 |
| |
압도적이다. 다변량 |
| |
관리 차트는 다음을 요약할 수 있습니다. |
| |
고차원 프로세스 |
| |
몇 가지 관리 차트만 있으면 |
| |
이것이 바로 중요한 장점입니다. |
| |
하지만 그런 말을 하는 건 아니지 |
| |
단일 관리도는 그렇지 않습니다. |
| |
이 설정에 유용합니다. 당신은 |
| |
얘기 내내 봐 |
| |
결함 진단에는 종종 다음이 포함됩니다. |
| |
다변량 간 전환 |
| |
그리고 일변량 차트. |
| |
다변량 관리도는 다음을 제공합니다. |
| |
당신은 전반적인 감각 |
| |
프로세스의 상태를 확인하는 동시에 |
| |
일변량 차트를 사용하면 다음을 수행할 수 있습니다. |
| |
특정 측면을 모니터링합니다. |
| |
프로세스. 그래서 정보는 |
| |
보완적인. 목표 중 하나 |
| |
다변량 모니터링 |
| |
관리 차트는 일부를 제공하는 것입니다. |
| |
전환에 유용한 도구 |
| |
이 두 가지 유형 사이에서 |
| |
차트. 한 가지 단점 |
| |
일변량 차트는 |
| |
관찰은 다음과 같은 것으로 나타날 수 있습니다. |
| |
실제로는 제어할 수 있습니다. |
| |
다변량에서 통제 불능 |
| |
감각과 이 플롯은 내가 무엇을 보여줍니다 |
| |
이것으로 말입니다. 일변량 |
| |
석유 및 석유 관리 차트 |
| |
밀도는 두 가지를 보여줍니다 |
| |
관측치는 빨간색으로 표시됩니다. |
| |
제어. 그러나 기름과 밀도 |
| |
상관관계가 높으며 둘 다 |
| |
관찰이 통제 불능입니다. |
| |
다변량 의미에서, |
| |
특히 관찰 51, |
| |
상관 관계를 상당히 위반합니다. |
| |
두 변수의 구조, |
| |
그래서 다변량 관리도 |
| |
이러한 유형을 선택할 수 있습니다. |
| |
특이치, 단변량 |
| |
관리도는 할 수 없습니다. |
| |
모델 기반 다변량 |
| |
관리도는 투영법을 사용합니다. |
| |
차트를 구성하는 방법. |
| |
PCA에 대한 설명부터 시작하겠습니다. |
| |
쌓기 쉽기 때문에 |
| |
거기에서. PCA는 |
| |
프로세스의 차원성 |
| |
데이터를 낮은 곳에 투영 |
| |
차원 표면. 음, |
| |
이건 사진에 나와있어요 |
| |
오른쪽으로. 우리에겐 P가 있어요 |
| |
프로세스 변수와 N |
| |
관찰, 그리고 |
| |
P의 로딩 벡터 |
| |
행렬은 다음에 대한 계수를 제공합니다. |
| |
X의 선형 조합 |
| |
결과를 낳는 변수 |
| |
제곱 변수 |
| |
차원 A, 여기서 차원은 |
| |
A는 P보다 훨씬 작습니다. 그런 다음 |
| |
이는 방정식으로 표시됩니다. |
| |
여기서 왼쪽. X는 가능해요 |
| |
의 함수로 예측됨 |
| |
점수와 로딩, 여기서 E는 |
| |
예측 오류. |
| |
이 점수는 다음을 위해 선택됩니다. |
| |
예측 오류를 최소화하고, |
| |
그리고 또 다른 생각 방법 |
| |
이것은 당신이 극대화하고 있다는 것입니다 |
| |
설명된 차이의 양 |
| |
X 매트릭스에서. |
| |
그렇다면 PLS가 더 적합합니다. |
| |
프로젝션 방법. 너가 가질 때 |
| |
일련의 프로세스 변수와 |
| |
품질 변수 세트, 당신은 |
| |
정말로 보장하고 싶은 것은 |
| |
품질 변수는 |
| |
제어하지만 이러한 변수는 |
| |
비용이 많이 들거나 시간이 걸리는 경우가 많습니다. |
| |
수집하는데 소모됩니다. 플랜트 |
| |
없이 제품을 만들 수도 있다 |
| |
오랫동안 제어 품질 |
| |
결함이 감지되기까지의 시간. |
| |
따라서 PLS 모델을 사용하면 다음이 가능합니다. |
| |
품질 변수를 모니터링하세요 |
| |
귀하의 프로세스에 따라 |
| |
변수를 보면 알 수 있습니다 |
| |
PLS 모델이 점수를 찾습니다. |
| |
극대화하는 변수 |
| |
설명된 변동량 |
| |
품질 변수. |
| |
이러한 프로세스 변수는 |
| |
종종 더 저렴하거나 더 쉽게 |
| |
사용할 수 있으므로 PLS가 귀하를 활성화할 수 있습니다. |
| |
품질 결함을 발견하기 위해 |
| |
조기에 프로세스를 완료하세요. |
| |
모니터링 비용이 저렴합니다. 그리고 여기서부터 |
| |
앞으로는 PLS에 집중할 거야 |
| |
모델이 더 많기 때문에 |
| |
예시에 적합합니다. |
| |
따라서 PLS 모델은 |
| |
데이터를 두 가지 구성 요소로 나눕니다. 그만큼 |
| |
첫 번째 구성요소는 모델입니다. |
| |
요소. 이는 다음을 제공합니다. |
| |
프로세스의 예측 값 |
| |
변수. 생각하는 또 다른 방법 |
| |
그것에 대해 당신의 데이터는 |
| |
모델에 투영된 |
| |
당신의 점수로 정의된 비행기 |
| |
변수 및 T 제곱 모니터 |
| |
데이터의 변형 |
| |
이 모델 평면 내에서. |
| |
그리고 두 번째 구성요소는 |
| |
오류 구성 요소. 이것이 |
| |
원본 사이의 거리 |
| |
데이터와 예측 데이터 그리고 |
| |
제곱 예측 오차(SPE) |
| |
차트는 이러한 변화를 모니터링합니다. |
| |
또 다른 대체 측정항목 |
| |
제공하는 것은 모델까지의 거리입니다. |
| |
X 평면 또는 DModX. 이것은 단지 |
| |
SPE에 대한 정규화된 대안 |
| |
어떤 사람들이 선호하는 것입니다. |
| |
마지막 컨셉은 |
| |
이해하는 것이 중요합니다. |
| |
데모는 다음과 같은 차이점을 가지고 있습니다. |
| |
과거 및 현재 데이터. |
| |
과거 데이터는 일반적으로 |
| |
프로세스가 수행될 때 수집됨 |
| |
통제하고 있는 것으로 알려졌습니다. 이것들 |
| |
데이터는 PLS를 구축하는 데 사용됩니다. |
| |
모델을 만들고 법선을 정의합니다. |
| |
프로세스 변화를 통해 |
| |
통제한계를 얻을 수 있다. |
| |
그리고 현재 데이터가 할당됩니다. |
| |
모델에 따른 점수이지만 |
| |
모델과 독립적입니다. |
| |
이에 대해 생각하는 또 다른 방법 |
| |
우리는 훈련을 받았고 |
| |
테스트 세트. T 제곱 컨트롤 |
| |
훈련에 대한 한도가 더 낮습니다. |
| |
데이터를 기대하지 않기 때문에 |
| |
다양한 것에 대한 가변성... |
| |
훈련에 사용된 관찰 |
| |
모델이지만 더 큰 것이 있습니다 |
| |
P 제곱의 변동성은 다음과 같습니다. |
| |
모델은 E 테스트로 일반화됩니다. |
| |
세트. 다행스럽게도 이론은 |
| |
T 제곱의 분산은 다음과 같습니다. |
| |
우리가 얻을 수 있도록 해결되었습니다 |
| |
이러한 통제 한계는 다음을 기준으로 합니다. |
| |
일부 분포 가정. |
| |
데모에서는 모니터링이 진행됩니다. |
| |
테네시 이스트만 프로세스. |
| |
단편을 발표하겠습니다 |
| |
이 데이터를 소개합니다. 이것 |
| |
화학 시뮬레이션이다 |
| |
Downs가 개발한 프로세스와 |
| |
Vogel, Eastman의 두 화학자 |
| |
화학적인. 원래는 그랬어 |
| |
Fortran으로 작성되었지만 |
| |
Matlab용 래퍼이며 |
| |
이제 파이썬. 그냥 참고하고 싶었어 |
| |
이 데이터 세트가 |
| |
90년대에 만들어졌는데 아직도 |
| |
기본 데이터 세트 중 하나 |
| |
다변수 벤치마크에 사용됨 |
| |
제어 방법 |
| |
문학. 그것은 다음을 다룬다 |
| |
다변량의 주요 작업 |
| |
잘 통제하고 있어요 |
| |
인상적인 양의 |
| |
시뮬레이션의 현실성. |
| |
그리고 시뮬레이션을 기반으로 |
| |
산업 과정은 |
| |
오늘날에도 여전히 관련이 있습니다. |
| |
그래서 데이터가 조작됐어요 |
| |
독점을 보호하기 위해 |
| |
정보. 시뮬레이션된 |
| |
과정은 생산이다 |
| |
두 가지 액체 제품 |
| |
내의 기체 반응물 |
| |
화학 공장. 그리고 여기 F는 |
| |
부산물 |
| |
그건 빨아들여야 할 거야 |
| |
원하는 제품에서 벗어났습니다. |
| |
음 그리고... |
| |
그것이 내가 그것에 대해 말할 전부입니다. |
| |
프로세스 다이어그램은 다음과 같습니다. |
| |
복잡하지만 실제로는 그렇지 않습니다 |
| |
안됐으니까 내가 데리고 갈게 |
| |
그것을 통해. 텅빈 |
| |
반응물 A, D, E가 |
| |
여기 원자로. |
| |
반응이 일어나고, |
| |
제품은 가스로 남습니다. 그것은 |
| |
그런 다음 냉각하고 응축하여 |
| |
콘덴서의 액체. |
| |
그런 다음 증기 액체 분리기 |
| |
남은 증기를 재활용하고 |
| |
다시 원자로로 보낸다 |
| |
압축기를 통해서, 그리고 |
| |
부산물 및 불활성 화학물질 B |
| |
퍼지 스트림에서 퍼지됩니다. |
| |
그리고 그것은 어떤 일이 발생하는 것을 방지하기 위한 것입니다 |
| |
축적. 액체 제품 |
| |
스트리퍼를 통해 펌핑되고, |
| |
나머지 반응물은 어디에 있습니까? |
| |
벗겨져 있습니다. |
| |
그런 다음 원자로로 다시 보내졌습니다. |
| |
그리고 마침내, |
| |
정제된 액상제품 |
| |
프로세스를 종료합니다. |
| |
첫 번째 변수 세트는 다음과 같습니다. |
| |
감시받는 것은 조작된 것이다 |
| |
변수. 이건 활처럼 생겼어 |
| |
다이어그램에서 연결됩니다. 제 생각에는 |
| |
그들은 실제로 그렇게 될 예정이야 |
| |
밸브와 조작된 것 |
| |
프로세스...또는 조작된 것 |
| |
변수는 대부분 |
| |
다른을 통한 유속 |
| |
프로세스의 흐름. |
| |
그리고 이러한 변수를 설정할 수 있습니다 |
| |
한도 내에서 모든 값으로 |
| |
약간의 가우스 노이즈가 있습니다. |
| |
조작된 변수는 다음과 같습니다. |
| |
비율로 샘플링되고, |
| |
하지만 우리는 기본값 3을 사용합니다 |
| |
지금 샘플을 다운로드하세요. |
| |
조작된 몇 가지 예 |
| |
변수는 밸브입니다. |
| |
반응물의 흐름을 제어 |
| |
반응기로. |
| |
또 다른 예는 밸브입니다. |
| |
흐름을 제어하는 것은 |
| |
스트리퍼에 증기를 넣으십시오. |
| |
그리고 또 하나는 밸브입니다. |
| |
냉각수의 흐름을 제어 |
| |
반응기로. |
| |
다음 변수 세트는 다음과 같습니다. |
| |
측정 변수. 이것들은 |
| |
다이어그램에서 원으로 표시됩니다. |
| |
그들은 또한 3번의 샘플링을 받았습니다. |
| |
분 간격. 그만큼 |
| |
조작의 차이 |
| |
변수 및 측정 |
| |
변수는 |
| |
측정 변수는 |
| |
시뮬레이션에서 조작되었습니다. |
| |
우리의 품질 변수는 |
| |
퍼센트 구성 |
| |
두 개의 액체 제품과 당신 |
| |
분석기를 볼 수 있습니다 |
| |
여기에서 제품을 측정합니다. |
| |
이러한 변수는 다음과 같이 샘플링됩니다. |
| |
상당한 시간 지연이 발생하므로 |
| |
우리는 퍼지를 보고 있어 |
| |
출구 대신 스트림 |
| |
스트리밍합니다. 왜냐하면 이러한 데이터는 |
| |
더 일찍 이용 가능합니다. 그리고 사용할 것이다 |
| |
프로세스를 모니터링하는 PLS 모델 |
| |
이에 대한 프록시로서의 변수 |
| |
프로세스 때문에 변수가 발생합니다. |
| |
변수는 지연이 적고 |
| |
더 빠른 샘플링 속도에 영향을 미칩니다. |
| |
그럼 그거면 충분할텐데 |
| |
데이터에 대한 배경. ~ 안에 |
| |
총 33개의 프로세스가 있습니다. |
| |
변수와 두 가지 품질 |
| |
변수. 과정은 |
| |
변수를 수집하는 것은 |
| |
세트로 시뮬레이션 |
| |
미분 방정식. 이 |
| |
이것은 단지 시뮬레이션일 뿐이지만 |
| |
상당한 양을 볼 수 있다 |
| |
이것을 모델링하는 데 주의를 기울였습니다 |
| |
실제 프로세스를 거친 후. 여기 |
| |
제가 하는 데모의 개요입니다 |
| |
보여드리려고 합니다. 우리는 수집할 것이다 |
| |
당사의 프로세스 및 매장에 대한 데이터 |
| |
이러한 데이터는 데이터베이스에 있습니다. |
| |
나는 그런 예를 갖고 싶었다. |
| |
공유하기 쉬웠으니 나도 공유할게 |
| |
SQLite 데이터베이스를 사용하지만 |
| |
워크플로는 대부분의 작업과 관련이 있습니다. |
| |
대부분의 데이터베이스 유형 |
| |
ODBC 연결을 지원합니다. |
| |
JMP가 ODBC를 구성하면 |
| |
데이터베이스와의 연결, |
| |
JMP는 주기적으로 다음 사항을 확인할 수 있습니다. |
| |
새로운 관측치를 추가하고 |
| |
데이터 테이블. |
| |
모델을 구동하는 경우 |
| |
다변량 관리도 |
| |
자동으로 보고서 열기 |
| |
재계산이 켜져 있습니다. |
| |
업데이트 메커니즘 |
| |
새로운 데이터가 들어오면 관리도 |
| |
그 모든 과정에서 |
| |
데이터베이스에 데이터를 추가하면 |
| |
아마 따로 갈 것 같아 |
| |
컴퓨터에서 컴퓨터 |
| |
모니터링을 하고 있는 거죠. 그래서 |
| |
JMP 세션이 두 개 열려 있습니다. |
| |
이것을 모방하기 위해. 두 세션 모두 |
| |
자신만의 일기를 가지고 있다 |
| |
에 있는 자료에서 |
| |
커뮤니티와 세션 |
| |
새로운 시뮬레이션 데이터 추가 |
| |
데이터베이스가 호출됩니다 |
| |
스트리밍 세션 및 |
| |
보고서 업데이트 세션 |
| |
새로운 데이터가 들어오면 |
| |
모니터링 세션이라고 합니다. |
| |
제가 정말 마음에 들었던 점 중 하나는 |
| |
Downs and Vogel 논문은 |
| |
그들은 제공하지 않았다 |
| |
단일 지표로 평가 |
| |
프로세스 제어. 나는 가지고있다 |
| |
여기 신문의 인용문 |
| |
"우리는 절충안이 있다고 느꼈습니다. |
| |
가능한 통제 중에서 |
| |
전략과 기술 |
| |
것보다 훨씬 더 많은 것을 포함 |
| |
수학적 표현." |
| |
그래서 여기에 몇 가지 목표가 있습니다. |
| |
그들은 그들의 논문에 기재했고, |
| |
이는 우리와 관련된 |
| |
문제. 그들은 유지하고 싶었어요 |
| |
프로세스 변수 |
| |
원하는 값. 그들은 원했다 |
| |
제품의 변동성을 최소화 |
| |
장애 발생 시 품질 |
| |
그들은 빨리 회복하고 싶었어요 |
| |
방해로부터 원활하게. |
| |
그럼 우리가 얼마나 잘하는지 보자 |
| |
프로세스가 이러한 목표를 달성합니다. |
| |
우리의 모니터링 방법을 사용합니다. |
| |
그래서 시작하려면 |
| |
모니터링 세션 일지, 내가 할게 |
| |
첫 번째 데이터 세트를 보여드리겠습니다. |
| |
데이터 테이블에는 다음이 모두 포함되어 있습니다. |
| |
내가 소개한 변수 |
| |
더 일찍. 첫 번째 변수는 |
| |
측정 변수; 그만큼 |
| |
두 번째는 구성이다. |
| |
그리고 세 번째는 |
| |
조작된 변수. |
| |
여기에 있는 스크립트가 적합할 것입니다. |
| |
PLS 모델. 그것은 제외한다 |
| |
마지막 100개 행을 테스트 세트로 사용합니다. |
| |
참고로, |
| |
모델이 2를 예측하고 있습니다. |
| |
제품 구성 |
| |
함수로서의 변수 |
| |
프로세스 변수. 만약에 |
| |
JMP Pro가 있습니다. |
| |
속도가 좀 나갔어 |
| |
PLS 개선 |
| |
JMP 16에서. |
| |
PLS는 이제 |
| |
빠른 SVD 옵션. |
| |
다음으로 전환할 수 있습니다. |
| |
클래식 인 더 레드 |
| |
삼각메뉴. 있다 |
| |
또한 다수의 |
| |
성능 개선 |
| |
후드. |
| |
데이터 세트와 주로 관련됨 |
| |
많은 수의 |
| |
관찰이지만 그게 다야 |
| |
다변량에서 흔히 볼 수 있는 |
| |
프로세스 모니터링 설정. |
| |
하지만 PLS는 |
| |
얘기해, 난 이미 딱 들어맞았어 |
| |
모델 및 출력 점수 열 |
| |
여기에서 볼 수 있습니다. |
| |
모니터가 좋은 이유 중 하나 |
| |
다변량 관리도는 |
| |
그런 식으로 디자인된 거죠. |
| |
당신이 통계학자라고 상상해 보세요 |
| |
그리고 당신은 당신의 모델을 공유하고 싶습니다 |
| |
엔지니어와 함께 할 수 있도록 |
| |
관리 차트를 구성합니다. 모두 |
| |
당신이 해야 할 일은 |
| |
이 수식이 포함된 데이터 테이블 |
| |
열. 공유할 필요는 없습니다 |
| |
당신이 어떻게 지내는지에 대한 모든 잔혹한 세부 사항 |
| |
당신의 모델에 맞게. |
| |
다음으로 점수를 알려드릴게요 |
| |
모니터링할 열 |
| |
다변량 관리도. |
| |
여기 오른쪽으로 드래그하세요. |
| |
여기 왼쪽에 보이시죠 |
| 두 가지 유형의 관리도 |
그만큼 |
| |
T 제곱 및 SPE. |
| |
음, 관측값은 860개입니다. |
| |
추정하는데 사용된 |
| |
모델이며 다음과 같이 라벨이 붙어 있습니다. |
| |
역사적인. 그리고 백 |
| |
테스트 세트로 제외된 것 |
| |
현재 데이터입니다. |
| |
그리고 당신은 한계를 볼 수 있습니다 |
| |
요약, 포인트 수 |
| |
통제할 수 없는 것과 |
| |
유의 수준. 음, 만약 당신이 |
| |
의미를 바꾸고 싶다 |
| |
수준에서는 여기에서 할 수 있습니다. |
| |
빨간색 삼각형 메뉴입니다. |
| |
원자로가 정상이니까 |
| |
작동 조건은 예상됩니다. |
| |
벗어날 수 있는 관측치가 없습니다 |
| |
제어할 수 있지만 몇 가지 잘못된 정보가 있습니다. |
| |
여기 긍정적인 이유는 우리가 |
| |
다음에 대해 어떤 조정도 하지 않았습니다. |
| |
여러 비교. 그것은 |
| |
나로서는 이런 일을 하는 것이 흔하지 않다 |
| |
다변량으로 말할 수 있다 |
| |
관리 차트. 내 생각엔 당신이 |
| |
탐지할 수 있는 능력이 더 높습니다 |
| |
없이 제어 신호의 |
| |
보정. 관리도에서 |
| |
용어, 이것은 당신이 나갔다는 뜻입니다 |
| |
통제의. 평균 실행 길이 |
| |
낮게 유지됩니다. |
| |
그래서 여기 오른쪽에 우리는 |
| |
기여도 있다 |
| |
플롯과 Y 축에는 |
| |
관찰; X에 |
| |
축, 변수. ㅏ |
| |
기여도가 표현된다 |
| |
일부로. |
| |
그리고 여기 맨 아래에는 |
| |
점수 도표가 있습니다. 오른쪽 |
| |
지금은 첫 번째 계획을 세우고 있어요 |
| |
점수 차원 대 |
| |
두 번째 점수 차원이지만 |
| |
넌 뭐든 볼 수 있어 |
| |
점수의 조합 |
| |
이것을 사용하여 치수 |
| |
드롭다운 메뉴 또는 화살표 |
| |
단추. |
| |
좋아, 내 생각엔 우리가 방향을 잡은 것 같아 |
| |
보고서에. 할거다 |
| |
이제 다음으로 전환하세요. |
| |
내가 스트리밍하는 데 사용한 스크립트 |
| |
데이터를 데이터베이스로 |
| |
보고서가 모니터링 중입니다. |
| |
이를 위해 무엇이든 하기 위해서는 |
| |
예를 들어, |
| |
SQLite ODBC 드라이버가 설치되었습니다. |
| |
당신의 컴퓨터를 위해. 이게 훨씬 쉬워요 |
| |
Windows 컴퓨터에서 수행하려면 |
| |
그건 네가 자주 사용하는 거야 |
| |
실제로 연결할 때 |
| |
데이터 베이스. Mac에서의 프로세스 |
| |
더 복잡하지만 몇 가지를 넣었습니다. |
| |
커뮤니티에 대한 지침 |
| |
페이지. 그러다가 시간이 없어 |
| |
이것에 대해 이야기하고 싶지만 나는 |
| |
SQLite 데이터베이스를 만들었습니다 |
| |
저는 JMP에서 사용할 예정입니다. |
| |
몇 가지 지침을 넣을 계획 |
| |
이 작업을 수행하는 방법에 대해 |
| |
커뮤니티 웹페이지. 그리고 바라건대 |
| |
그 예가 당신에게 도움이 될 거예요 |
| |
당신이 이것을하려고한다면 |
| |
데이터를 직접. |
| |
다음으로 보여드릴 건 |
| |
넌 내가 넣은 파일이야 |
| |
SQLite 데이터베이스에서. |
| |
여기에 과거 데이터가 있습니다. |
| |
이는 구축하는 데 사용되었습니다. |
| |
PLS 모델. 960개가 있어요 |
| |
에 있는 관찰 |
| |
제어. 그럼 나는 |
| |
모니터링 데이터, 처음에는 |
| |
단지 역사적 내용을 담고 있을 뿐이다 |
| |
데이터를 사용하지만 점차적으로 새로운 데이터를 추가하겠습니다. |
| |
이에 대한 데이터. 이것은 데이터입니다 |
| |
다변량 제어 |
| |
차트가 모니터링됩니다. |
| |
그런 다음 새로운 것을 시뮬레이션했습니다. |
| |
데이터가 이미 있고 |
| |
여기에 데이터 테이블이 있습니다. 이것들은 |
| |
또 다른 960개의 이상한 측정값 |
| |
결함이 발생한 곳 |
| |
어느 시점. 내가 원한 |
| |
뭔가 쉬운 일이 있었어 |
| |
공유해, 그래서 난 도망치지 않을 거야 |
| |
내 시뮬레이션 스크립트에 추가 |
| |
그런 식으로 데이터베이스. 이었다 |
| |
그냥 관찰을 할 거야 |
| |
이 새로운 데이터 테이블에서 |
| |
모니터링으로 옮기세요 |
| |
일부 JSL을 사용하는 데이터 테이블과 |
| |
SQL문. 이것은 단지 |
| |
프로세스를 에뮬레이션하는 예 |
| |
새로운 데이터가 |
| |
데이터 베이스. 어떻게 보면 그렇지 않을 수도 있어요 |
| |
실제로는 JMP를 사용하여 이 작업을 수행하지만 |
| |
보여줄 수 있는 기회였어요 |
| |
JSL로 어떻게 할 수 있는지. |
| |
여기서 청소하세요. |
| |
다음엔 이걸 보여드릴게요 |
| |
스트리밍 스크립트. 이것은 |
| |
간단한 스크립트이므로 |
| |
정말 빠르게 안내해 드립니다. |
| |
이 첫 번째 세트는 |
| |
명령이 열릴 것입니다 |
| |
새로운 데이터 테이블과 |
| |
SQLite 데이터베이스에 있습니다. |
| |
그래서 테이블을 다음에서 엽니다. |
| |
배경이 있으므로 그럴 필요가 없습니다. |
| |
창문을 다루세요. |
| |
그럼 조각을 가져가겠습니다 |
| |
이 데이터 테이블에서 추가 |
| |
모니터링 데이터에 |
| |
테이블. 나는 조각을 부른다 |
| |
물린 크기는 20입니다. |
| |
그리고 다음 명령은 |
| |
데이터베이스에 연결합니다. 이것 |
| |
내가 보낼 수 있게 해줄게 |
| |
데이터베이스 SQL 문. |
| |
그리고 다음 부분은 |
| |
코드는 |
| |
반복적으로 SQL 전송 |
| |
새로운 내용을 삽입하는 문 |
| |
모니터링 데이터에 데이터를 추가합니다. |
| |
그리고 나는 갈거야 |
| |
K를 초기화하고 |
| |
이것의 첫 번째 반복. |
| |
이것은 간단한 SQL 문입니다. |
| |
다음 진술에 삽입 |
| |
처음 20개를 삽입합니다. |
| |
데이터에 대한 관찰 |
| |
테이블. 이 인쇄문은 |
| |
코드가 |
| |
더 빨리 달리고 그 다음에는 나도 |
| |
속도를 늦추기 위한 대기문이 있습니다 |
| |
상황이 약간 하향되어 |
| |
우리는 그들의 진행 상황을 볼 수 있습니다 |
| |
관리 차트에서. |
| |
그리고 이건 너무 빨리 진행될 거야 |
| |
내가 속도를 늦추지 않았다면. |
| |
음, 그럼 다음은 이사할게 |
| |
모니터링 세션으로 이동 |
| |
당신에게 스크립트를 보여주기 위해 |
| |
그러면 보고서가 업데이트됩니다 |
| |
새로운 데이터가 들어오면서. |
| |
이 첫 번째 스크립트는 간단합니다. |
| |
스크립트. 그러면 |
| |
0.2초마다 데이터베이스를 생성합니다. |
| |
새로운 관측치를 추가하고 |
| |
JMP 테이블로 이동합니다. 이후 |
| |
보고서에는 자동 재계산 기능이 있습니다. |
| |
켜면 보고서가 업데이트됩니다 |
| |
새로운 데이터가 추가될 때마다. 그리고 |
| |
그거 추가해야겠다 |
| |
현실적으로, |
| |
당신은 아마 사용하지 않을 것입니다 |
| |
다음과 같이 반복하는 스크립트 |
| |
이것. 아마도 작업을 사용하는 것 같습니다. |
| |
Windows의 스케줄러 또는 |
| |
더 나은 Mac용 Automator |
| |
스크립트 실행을 예약합니다. |
| |
그리고 또 하나 더 있어요 |
| |
스크립트는 |
| |
보고서를 JMP 공개로 푸시 |
| |
보고서가 업데이트될 때마다 |
| |
그리고 난 그게 정말 신났어 |
| |
이는 JMP 15를 사용하면 가능합니다. |
| |
이를 통해 모든 컴퓨터를 사용할 수 있습니다. |
| |
업데이트를 볼 수 있는 웹 브라우저 |
| |
관리 차트. 그럼 당신은 |
| |
보고서를 볼 수도 있습니다. |
| |
스마트폰을 사용하면 이렇게 됩니다. |
| |
정말 쉽게 공유할 수 있어요 |
| |
조직 전체의 결과. |
| |
JMP Live를 사용할 수도 있습니다. |
| |
보고서를 원할 경우 |
| |
제한된 서버에 있어야 합니다. |
| |
시간이 없을 것 같아 |
| |
이것에 들어가려고 |
| |
데모이지만 확인해 볼 수 있습니다 |
| |
나의 디스커버리 아메리카(Discovery Americas) 이야기. |
| |
그럼 마지막으로 여기 아래에 있어요 |
| |
다시 만들어주는 스크립트 |
| |
데이터의 과거 데이터 |
| |
테이블을 실행하고 싶다면 |
| |
예를 여러 번. |
| |
알았어, 그럼 다음은...꼭 |
| |
우리는 과거 데이터를 가지고 있습니다 ... |
| |
나는 실행할 것이다 |
| |
스트리밍 스크립트 및 참조 |
| |
보고서 업데이트 방법. |
| |
따라서 데이터는 다음 위치에서 제어됩니다. |
| |
먼저 그 다음에는 결함이 있다 |
| |
소개되었지만 |
| |
공장 전체 제어 시스템 |
| |
그것은 |
| |
시뮬레이션을 통해 확인할 수 있습니다. |
| |
제어 시스템은 어떻게 |
| |
결국 프로세스를 가져옵니다. |
| |
새로운 균형으로. |
| |
여기서 끝날 때까지 기다리세요. |
| |
확대해 보면 |
| |
과정이 먼저인 것 같아요 |
| |
이 문제로 인해 통제 불능 상태가 되었습니다. |
| |
시점이니까 난 가볼게 |
| |
색칠하고 |
| |
라벨을 붙이세요. 하지만 그럴 거예요. |
| |
다른 플롯에 나타납니다. |
| |
그런 다음 SPE 플롯에서 |
| |
그것은 이렇게 보인다 |
| |
관찰력도 떨어져 |
| |
통제하지만 약간만. |
| |
그리고 확대해 보면 |
| |
의 시점 |
| |
기여 플롯, 당신은 할 수 있습니다 |
| |
많이 있는 걸 봐 |
| |
기여하는 변수 |
| |
제어 불능 신호 |
| |
첫 번째. 하지만 일단 |
| |
프로세스가 새로운 단계에 도달함 |
| |
균형, 이것밖에 없어 |
| |
두 명의 큰 기여자. |
| |
그럼 열을 빼볼게요 |
| |
이제 지도를 좀 정리하세요. |
| |
위에 마우스를 올리면 됩니다. |
| |
프로세스가 진행되는 시점 |
| |
처음에는 통제를 벗어났고 |
| |
톱 10을 엿보다 |
| |
기여변수. 이것 |
| |
당신에게주는 것이 좋습니다 |
| |
어떤 변수에 대한 간략한 개요 |
| |
에 가장 많은 기여를 하고 있습니다. |
| |
통제 불능 신호. |
| |
그런 다음 플롯을 클릭하면 |
| |
이 내용은 |
| |
결함 진단 섹션. |
| |
그리고 보시다시피 |
| |
여러 가지 변수가 큰 |
| |
기여하고 방금 정렬했습니다. |
| |
기여에. |
| |
그리고 변수의 경우 |
| |
빨간색 막대는 관측값입니다. |
| |
일변량에서 통제 불능 |
| |
관리 차트. 너는 볼 수있어 |
| |
다음 중 하나 위로 마우스를 가져가면 됩니다. |
| |
막대와 이 그래프렛 |
| |
에 대한 IR 차트는 다음과 같습니다. |
| |
개별변수가 있는 |
| |
3시그마 통제 한계. |
| |
스트리퍼에서 볼 수 있어요 |
| |
압력 변수는 |
| |
관찰이 끝났다 |
| |
통제하지만 결국에는 |
| |
프로세스가 다시 아래로 가져옵니다. |
| |
제어. 그리고 이것이 사실이다 |
| |
다른 상단에는 |
| |
기여자. 나도 보여줄게 |
| |
넌 변수 중 하나야 |
| |
우리가 통제하는 곳은 |
| |
일변량 관리도. |
| |
그래서 그 과정은... |
| |
변수가 많아 |
| |
그 과정에서 통제의 |
| |
시작은 하지만 |
| |
프로세스는 결국 도달 |
| |
새로운 균형. |
| |
음... |
| |
변수를 보려면 |
| |
변화에 가장 큰 기여 |
| |
그 과정에서 우리는 평균을 사용할 수 있습니다 |
| |
기여 비율 도표. |
| |
이 플롯은 평균을 보여줍니다. |
| |
변수가 기여하는 바 |
| |
그룹에 대해 T 제곱을 해야 합니다. |
| |
제가 선택했습니다. 음, 여기라면 |
| |
이것들을 분류해 보세요. |
| |
유일한 두 가지 변수 |
| |
큰 기여는 |
| |
반응물 A의 유량 |
| |
스트림 1은 다음의 흐름입니다. |
| |
이 반응물을 반응기로 넣습니다. |
| |
이 두 변수는 모두 |
| |
본질적으로 측정 |
| |
하나만 빼고 똑같다 |
| |
측정...하나는 |
| |
측정 변수와 |
| |
다른 하나는 조작된 거야 |
| |
변하기 쉬운. |
| |
가 있다는 것을 알 수 있습니다. |
| |
흐름의 큰 단계 변화 |
| |
내가 프로그래밍한 속도야 |
| |
시뮬레이션에서. 그래서 이것들은 |
| |
기여도를 사용하면 다음을 수행할 수 있습니다. |
| |
근본 원인을 빠르게 파악합니다. |
| |
그리고 이전 강연에서 저는 |
| |
다른 많은 방법을 보여줬어요 |
| |
결함 시각화 및 진단 |
| |
점수 플롯에서 도구를 사용합니다. |
| |
여기에는 |
| |
점수 플롯에 로딩 및 |
| |
몇 가지 그룹 비교를 수행합니다. |
| |
내 발견을 확인할 수 있습니다 |
| |
JMP에 대한 미국의 대화 |
| |
그러기 위한 커뮤니티. 대신에 나는 |
| |
나머지는 이것으로 보낼 거야 |
| |
몇 가지 새로운 것을 소개할 시간입니다 |
| |
내가 올려놓은 예시들 |
| |
이 강연을 위한 커뮤니티 페이지입니다. |
| |
그래서. |
| |
20개의 프로그래밍 가능한 오류가 있습니다. |
| |
테네시 Eastman 프로세스에서 |
| |
그리고 그들은 어느 곳에서나 소개될 수 있습니다. |
| |
콤비네이션. 나는 다른 두 개를 제공했다 |
| |
여기에 대표적인 결함이 있습니다. 잘못 |
| |
1번은 아까 보여드렸던 |
| |
밖으로 나가기 때문에 쉽게 감지할 수 있습니다. |
| |
제어 신호가 너무 크다 |
| |
그리고 변수가 너무 많아서 |
| |
관련된. 초점은 |
| |
이전 데모에서는 |
| |
도구를 사용하고 식별하십시오. |
| |
수많은 오류 중 |
| |
벤치마킹 대상이 아닌 변수 |
| |
방법은 반드시 필요합니다. |
| |
반면에 결함 4는 |
| |
더 미묘한 잘못이다. |
| |
여기서 보여드리겠습니다. |
| |
내 잘못은...그건 프로그래밍됐어 |
| |
갑작스러운 증가이다. |
| |
반응기의 온도. |
| |
그리고 이는 다음과 같이 보상됩니다. |
| |
제어 시스템을 증가시켜 |
| |
냉각수의 유량. |
| |
그리고 당신은 그것을 볼 수 있습니다 |
| |
여기에서 가져온 변수와 |
| |
변화하는 것을 볼 수 있습니다 |
| |
기여 플롯. |
| |
그러면 당신도 볼 수 있습니다 |
| |
대부분의 다른 변수는 |
| |
영향을 받지 않습니다 |
| |
잘못으로. 당신은 볼 수 있습니다 |
| |
여기 온도 급상승해 |
| |
빨리 다시 아래로 돌아왔습니다 |
| |
제어. 왜냐하면 대부분의 다른 |
| |
변수는 영향을 받지 않습니다. |
| |
일부에서는 감지하기 어렵습니다. |
| |
다변량 제어 방법. |
| |
그리고 그것은 더 많을 수 있습니다 |
| |
진단하기 어렵습니다. |
| |
마지막으로 보여드릴 잘못은 |
| |
결함 11입니다. |
| |
결함 4와 마찬가지로 여기에도 포함됩니다. |
| |
냉각수의 흐름 |
| |
원자로, 지금은 결함을 제외하고 |
| |
에 큰 진동이 발생합니다. |
| |
우리가 할 수 있는 유속 |
| |
일변량 컨트롤에서 확인하세요 |
| |
차트. 그리고 이는 다음과 같은 결과를 낳습니다. |
| |
원자로의 변동 |
| |
온도. 다른 |
| |
변수는 정말 아니다 |
| |
다시 영향을 받게 되므로 |
| |
일부에서는 감지하기가 더 어렵습니다. |
| |
행동 양식. 일부 다변량 |
| |
제어 방법을 선택할 수 있습니다 |
| |
결함 4(결함 11은 아님) 또는 |
| |
그 반대. 하지만 우리의 방법은 |
| |
둘 다 잡을 수 있다. |
| |
그리고 마침내, 모든 |
| |
내가 사용하여 만든 예 |
| |
Tennessee Eastman 프로세스에는 |
| |
에서 명백히 드러난 결함 |
| |
T 제곱 및 SPE 플롯 모두. 에게 |
| |
몇 가지 새로운 기능을 보여주세요 |
| |
모델 기반 다변량 |
| |
관리도를 보여드리고 싶었어요 |
| |
그 잘못의 예 |
| |
SPE 차트에는 나타나지만 |
| |
T 제곱. 그리고 좋은 것을 찾으려면 |
| |
이에 대한 예를 들어, 나는 |
| |
Jianfeng Ding이 만든 데이터 세트 |
| |
그녀의 이전 강연에서 발표되었으며, |
| |
나는 그녀의 강연에 대한 링크를 제공했습니다 |
| |
이 일지에. |
| |
그녀의 커뮤니티 페이지에서는 |
| |
그녀는 여러 가지를 제공합니다 |
| |
유용한 예는 다음과 같습니다. |
| |
또한 확인해 볼 가치가 있습니다. |
| |
이것은 Cordia의 데이터 세트입니다. |
| |
McGregor의 (?) 고전 논문 |
| |
다변량 관리도. 그만큼 |
| |
데이터는 처리된 변수입니다. |
| |
반응기에서 측정하여 |
| |
폴리에틸렌, 그리고 당신은 찾을 수 있습니다 |
| |
Jianfeng의 추가 배경지식 |
| |
말하다. 이 예에서 우리는 |
| |
나간 프로세스가 있습니다. |
| |
제어. 이것을 보여 드리겠습니다. |
| |
그리고 통제 불능 상태인데... |
| |
SPE 차트보다 앞부분에 있음 |
| |
T 제곱. |
| |
그리고 평균을 보면 |
| |
기부금 |
| |
SPE에 대한 플롯, |
| |
당신은 할 수 |
| |
변수가 하나 있는 걸 보세요 |
| |
큰 공헌으로 |
| |
에서도 큰 변화를 보인다. |
| |
일변량 관리도이지만 |
| |
다른 변수도 있어요 |
| |
큰 기여를 했으나 |
| |
아직까지 통제되고 있는 |
| |
일변량 관리도. |
| |
그리고 그것만으로는 판단하기가 어렵습니다. |
| |
막대 차트만 있는 이유는 무엇입니까? |
| |
변수가 컸다 |
| |
기여. 큰 SPE 값 |
| |
새로운 데이터가 없을 때 발생 |
| |
상관 구조를 따르다 |
| |
과거 데이터의 |
| |
종종 새로운 데이터가 있을 때 |
| |
수집되었으며 이는 다음을 의미합니다. |
| |
훈련한 PLS 모델은 다음과 같습니다. |
| |
더 이상 적용되지 않습니다. |
| |
막대 차트에서는 어렵습니다. |
| |
어떤 변수 쌍이 무엇인지 알기 위해 |
| |
상관 구조를 가지고 있다 |
| |
고장난. 15.2의 새로운 기능으로 |
| |
산점도 행렬을 시작할 수 있습니다. |
| |
그리고 그것은 분명합니다. |
| |
산점도 행렬은 |
| |
상관 관계 위반 |
| |
Z2를 사용하는 것이 운전하는 것입니다 |
| |
이 큰 기여. |
| |
알겠습니다. 다시 전환하겠습니다. |
| |
파워포인트로. |
| |
그리고 아주 빨리 요약하겠습니다. |
| |
모델 기반의 주요 기능 |
| |
다변량 관리도 |
| |
데모에 표시되었습니다. 그만큼 |
| |
플랫폼은 가능하다 |
| |
온라인 결함을 모두 수행 |
| |
감지 및 오프라인 오류 |
| |
진단. 많이있다 |
| |
플랫폼에서 제공되는 메소드 |
| |
루트까지 드릴다운하기 위해 |
| |
결함의 원인. 보여주고 있어요 |
| |
여기 인기있는 플롯이 있습니다 |
| |
책, 결함 감지 및 |
| |
산업 시스템 진단. |
| |
책 전반에 걸쳐 저자들은 |
| |
어떻게 해야 하는지 보여줘 |
| |
다변량과 단변량을 사용하세요 |
| |
관리도를 나란히 놓고 |
| |
무슨 일이 일어나고 있는지 파악하기 위해 |
| |
진행 중입니다. |
| |
특히 유용한 것 |
| |
모델 기반 다변량의 기능 |
| |
관리도는 어떻게 |
| |
대화형 및 사용자 친화적 |
| |
이 사이를 전환하는 것입니다 |
| |
두 가지 유형의 차트. |
| |
그리고 그게 내 얘기야. 여기는 |
| |
내 이메일이 있다면 |
| |
추가 질문. 그리고 |
| |
다들 고마워요 |
| |
이것을 보려고 채널을 맞추었습니다. |
