Orateur
|
Transcription
|
| |
Bonjour, je suis Jeremy Ash. Je suis un |
| |
statisticien en R&D JMP. Mon boulot |
| |
consiste principalement à tester |
| |
les statistiques multivariées |
| |
plates-formes en JMP, mais j'ai aussi |
| |
aider à la recherche et à l'évaluation |
| |
méthodologie. Aujourd'hui je vais |
| |
analyser le Tennessee |
| |
Processus Eastman utilisant certains |
| |
Contrôle des processus statistiques |
| |
méthodes dans JMP. je vais |
| |
être particulièrement attentif |
| |
à la multivariée pilotée par modèle |
| |
plate-forme de carte de contrôle, qui est |
| |
un nouvel ajout à JMP 15. |
| |
Ces données fournissent un |
| |
occasion de présenter le |
| |
nombre de plates-formes |
| |
fonctionnalités. Et juste comme un rapide |
| |
clause de non-responsabilité, ceci est similaire à |
| |
mon discours Discovery Americas. Nous |
| |
réalisé que l'Europe n'avait pas vu de |
| |
multivariée pilotée par modèle |
| |
la carte de contrôle parle en raison de tous les |
| |
la folie autour de COVID, alors je |
| |
a décidé de se concentrer sur les bases. |
| |
Mais il y a du nouveau matériel |
| |
à la fin de la conférence. je vais |
| |
couvrir brièvement quelques |
| |
exemples d'analyses, puis je mets sur |
| |
la page Communauté pour la conférence. |
| |
Tout d'abord, je suppose quelques connaissances |
| |
du contrôle statistique des processus |
| |
dans cette conférence. La chose principale c'est |
| |
serait utile de connaître |
| |
est des cartes de contrôle. Si vous êtes |
| |
pas familier avec ceux-ci, ces |
| |
les graphiques sont-ils utilisés pour surveiller |
| |
systèmes industriels complexes pour |
| |
déterminer quand ils s'écartent |
| |
du fonctionnement normal |
| |
conditions. |
| |
Je n'aurai pas beaucoup de temps pour |
| |
entrer dans la méthodologie du modèle |
| |
commande multivariée pilotée |
| |
graphique, je vais donc me référer à ces autres |
| |
de grandes discussions qui se font librement |
| |
disponible sur la communauté JMP |
| |
si vous voulez plus de détails. je |
| |
devrait aussi dire que Jianfeng |
| |
Ding était le principal |
| |
développeur du modèle piloté |
| |
contrôle de contrôle multivarié |
| |
graphique en collaboration avec |
| |
Chris Gotwalt et que Tonya |
| |
Mauldin et moi étions des testeurs. le |
| |
l'objectif de cette conférence sera d'utiliser |
| |
cartes de contrôle multivariées pour |
| |
surveiller un monde réel |
| |
processus typique; un autre roman |
| |
aspect utilisera le contrôle |
| |
graphiques pour le processus en ligne |
| |
surveillance. Cela signifie que nous serons |
| |
surveillance continue des données |
| |
il est ajouté à une base de données et |
| |
détecter les défauts en temps réel. |
| |
Alors je vais commencer par |
| |
le toboggan obligatoire sur le |
| |
avantages du multivarié |
| |
Tableaux de contrôle. Alors pourquoi ne pas utiliser |
| |
cartes de contrôle univariées? Là |
| |
sont un certain nombre d'excellents |
| |
options dans JMP. Univarié |
| |
les cartes de contrôle sont excellentes |
| |
outils pour analyser quelques |
| |
variables à la fois. cependant, |
| |
les données de contrôle qualité sont souvent |
| |
haute dimension et le nombre |
| |
des cartes de contrôle dont vous avez besoin |
| |
regarder peut devenir rapidement |
| |
accablant. Multivarié |
| |
les cartes de contrôle peuvent résumer un |
| |
processus de grande dimension dans |
| |
juste quelques cartes de contrôle, |
| |
c'est donc un avantage clé. |
| |
Mais ça ne veut pas dire que |
| |
les cartes de contrôle univeriate ne sont pas |
| |
utile dans ce cadre. Vous |
| |
voir tout au long de la conférence que |
| |
le diagnostic des pannes implique souvent |
| |
basculement entre multivarié |
| |
et graphiques univariés. |
| |
Les cartes de contrôle multivariées donnent |
| |
vous avez une idée de l'ensemble |
| |
santé du processus, tandis que |
| |
les graphiques univariés vous permettent de |
| |
surveiller des aspects spécifiques du |
| |
traiter. Donc, l'information est |
| |
complémentaire. Un des objectifs |
| |
de surveillance multivariée |
| |
carte de contrôle est de fournir des |
| |
outils utiles pour la commutation |
| |
entre ces deux types de |
| |
graphiques. Un inconvénient de |
| |
les graphiques univariés c'est que |
| |
les observations peuvent sembler |
| |
contrôler quand ils sont réellement |
| |
hors de contrôle dans le multivarié |
| |
sens et ces intrigues montrent ce que je |
| |
signifie par là. L'univarié |
| |
carte de contrôle pour l'huile et |
| |
la densité montre les deux |
| |
observations en rouge comme dans |
| |
contrôler. Cependant, l'huile et la densité |
| |
sont fortement corrélés et les deux |
| |
les observations sont hors de contrôle. |
| |
au sens multivarié, |
| |
spécialement l'observation 51, qui |
| |
viole assez la corrélation |
| |
structure des deux variables, |
| |
donc des cartes de contrôle multivariées |
| |
peut capter ces types de |
| |
valeurs aberrantes, tout en étant univariées |
| |
les cartes de contrôle ne le peuvent pas. |
| |
Multivarié piloté par modèle |
| |
la carte de contrôle utilise la projection |
| |
méthodes pour construire les graphiques. |
| |
Je vais commencer par expliquer PCA |
| |
parce que c'est facile à construire |
| |
De là. PCA réduit la |
| |
dimensionnalité du processus par |
| |
projeter des données sur un bas |
| |
surface dimensionnelle. Hum, |
| |
ceci est montré dans l'image |
| |
sur la droite. Nous avons P |
| |
variables de processus et N |
| |
observations, et |
| |
les vecteurs de chargement dans le P |
| |
matrice donne les coefficients pour |
| |
combinaisons linéaires de nos X |
| |
variables qui entraînent |
| |
variables carrées avec |
| |
dimension A, où la dimension |
| |
A est beaucoup moins que P. Et alors |
| |
ceci est montré dans les équations sur |
| |
la gauche ici. Le X peut être |
| |
prédite en fonction de la |
| |
score et chargements, où E est |
| |
l'erreur de prédiction. |
| |
Ces scores sont sélectionnés pour |
| |
minimiser l'erreur de prédiction, |
| |
et une autre façon de penser |
| |
c'est que vous maximisez |
| |
le montant de la variance expliqué |
| |
dans la matrice X. |
| |
Alors PLS est un plus approprié |
| |
méthode de projection. Lorsque vous avez |
| |
un ensemble de variables de processus et un |
| |
ensemble de variables de qualité, vous |
| |
veulent vraiment s'assurer que le |
| |
les variables de qualité sont conservées |
| |
contrôle mais ces variables |
| |
sont souvent coûteux ou en temps |
| |
consommer pour collecter. La plante |
| |
pourrait faire un produit sans |
| |
un contrôle qualité depuis longtemps |
| |
temps avant qu'un défaut ne soit détecté. |
| |
Ainsi, les modèles PLS vous permettent de |
| |
surveillez vos variables de qualité |
| |
en fonction de votre process |
| |
variables et vous pouvez voir que |
| |
les modèles PLS trouvent le score |
| |
variables qui maximisent le |
| |
quantité de variation expliquée |
| |
les variables de qualité. |
| |
Ces variables de processus sont |
| |
souvent moins cher ou plus facilement |
| |
disponible, afin que PLS puisse vous permettre |
| |
pour détecter les défauts de qualité |
| |
tôt et faites votre processus |
| |
surveillance moins chère. Et d'ici |
| |
sur out je vais me concentrer sur PLS |
| |
modèles parce que c'est plus |
| |
approprié pour l'exemple. |
| |
Ainsi, le modèle PLS partitionne votre |
| |
données en deux composants. le |
| |
le premier composant est le modèle |
| |
composant. Cela donne le |
| |
les valeurs prédites de votre processus |
| |
variables. Une autre façon de penser |
| |
à ce sujet, c'est que vos données ont |
| |
été projeté dans le modèle |
| |
plan défini par votre score |
| |
variables et moniteurs au carré T |
| |
la variation de vos données |
| |
dans ce plan modèle. |
| |
Et le deuxième composant est le |
| |
composant d'erreur. C'est le |
| |
distance entre votre original |
| |
les données et les données prévues et |
| |
erreur de prédiction au carré (SPE) |
| |
les graphiques surveillent cette variation. |
| |
Une autre métrique alternative nous |
| |
fournir est la distance au modèle |
| |
Plan X ou DModX. C'est juste |
| |
une alternative normalisée à SPE |
| |
que certaines personnes préfèrent. |
| |
Le dernier concept qui |
| |
important à comprendre pour le |
| |
démo fait la distinction entre |
| |
données historiques et actuelles. |
| |
Les données historiques sont généralement |
| |
collectées lorsque le processus était |
| |
connu pour être en contrôle. Celles-ci |
| |
les données sont utilisées pour construire le PLS |
| |
modéliser et définir la normale |
| |
variation de processus de sorte qu'une |
| |
la limite de contrôle peut être obtenue. |
| |
Et les données actuelles sont attribuées |
| |
scores basés sur le modèle mais |
| |
sont indépendants du modèle. |
| |
Une autre façon de penser à cela |
| |
est que nous avons une formation et |
| |
ensembles de test. Le contrôle T carré |
| |
la limite est inférieure pour la formation |
| |
données parce que nous attendons moins |
| |
variabilité pour les différents ... |
| |
observations utilisées pour former les |
| |
modèle alors qu'il y a plus |
| |
variabilité de P au carré lorsque |
| |
le modèle se généralise au test E |
| |
ensemble. Heureusement, la théorie |
| |
car la variance de T au carré est |
| |
a été élaboré pour que nous puissions obtenir |
| |
ces limites de contrôle basées sur |
| |
certaines hypothèses de distribution. |
| |
Dans la démo sera la surveillance |
| |
le processus Tennessee Eastman. |
| |
Je vais vous présenter un court |
| |
introduction à ces données. Cette |
| |
est une simulation d'un produit chimique |
| |
processus développé par Downs et |
| |
Vogel, deux chimistes chez Eastman |
| |
Chimique. C'était à l'origine |
| |
écrit en Fortran, mais là |
| |
sont des wrappers pour Matlab et |
| |
Python maintenant. Je voulais juste noter |
| |
que pendant que cet ensemble de données était |
| |
généré dans les années 90, c'est toujours |
| |
l'un des principaux ensembles de données |
| |
utilisé pour comparer le multivarié |
| |
méthodes de contrôle dans le |
| |
Littérature. Il couvre le |
| |
tâches principales du multivarié |
| |
bien contrôler et il y a |
| |
une quantité impressionnante de |
| |
réalisme dans la simulation. |
| |
Et la simulation est basée sur |
| |
un procédé industriel qui |
| |
toujours d'actualité aujourd'hui. |
| |
Donc les données ont été manipulées |
| |
pour protéger la propriété |
| |
informations. Le simulé |
| |
processus est la production de |
| |
deux produits liquides de |
| |
réactifs gazeux dans un |
| |
usine chimique. Et F voici |
| |
un sous-produit |
| |
qui devra être siphonné |
| |
hors du produit souhaité. |
| |
Euh et ... |
| |
C'est à peu près tout ce que je vais dire à ce sujet. |
| |
Ainsi, le diagramme de processus ressemble |
| |
compliqué, mais ce n'est vraiment pas |
| |
si mauvais, alors je vais vous accompagner |
| |
à travers. Gazeux |
| |
les réactifs A, D et E s'écoulent dans |
| |
le réacteur ici. |
| |
La réaction se produit et le |
| |
le produit part sous forme de gaz. C'est |
| |
puis refroidi et condensé en |
| |
liquide dans le condenseur. |
| |
Puis un séparateur vapeur-liquide |
| |
recycle toute vapeur restante et |
| |
le renvoie au réacteur |
| |
à travers un compresseur, et le |
| |
sous-produit et produit chimique inerte B |
| |
sont purgés dans le flux de purge, |
| |
et c'est pour empêcher tout |
| |
accumulation. Le produit liquide |
| |
est pompé à travers un stripper, |
| |
où les réactifs restants |
| |
sont dépouillés. |
| |
Et puis renvoyé au réacteur. |
| |
Et puis enfin, le |
| |
produit liquide purifié |
| |
quitte le processus. |
| |
Le premier ensemble de variables étant |
| |
surveillés sont les manipulés |
| |
variables. Ceux-ci ressemblent à un arc |
| |
liens dans le diagramme. je pense |
| |
ils sont en fait censés être |
| |
vannes et le manipulé |
| |
processus ... ou le manipulé |
| |
les variables contrôlent principalement les |
| |
débit à travers différents |
| |
flux du processus. |
| |
Et ces variables peuvent être définies |
| |
à toutes les valeurs dans les limites et |
| |
avoir du bruit gaussien. |
| |
Les variables manipulées sont capables |
| |
à échantillonner dans le taux, |
| |
mais nous utilisons la valeur par défaut 3 |
| |
échantillon de minutes maintenant. |
| |
Quelques exemples de manipulés |
| |
les variables sont les vannes qui |
| |
contrôler le flux de réactifs |
| |
dans le réacteur. |
| |
Un autre exemple est une valve |
| |
qui contrôle le flux de |
| |
vapeur dans le décapant. |
| |
Et une autre est une valve qui |
| |
contrôle le débit de liquide de refroidissement |
| |
dans le réacteur. |
| |
Le prochain ensemble de variables est |
| |
variables de mesure. Ceux-ci sont |
| |
représentés par des cercles dans le diagramme. |
| |
Ils ont également été échantillonnés à trois |
| |
intervalles d'une minute. le |
| |
différence entre manipulé |
| |
variables et mesures |
| |
variables est que le |
| |
les variables de mesure ne peuvent pas être |
| |
manipulé dans la simulation. |
| |
Nos variables de qualité seront |
| |
la composition en pourcentage de |
| |
deux produits liquides et vous |
| |
peut voir l'analyseur |
| |
mesurer les produits ici. |
| |
Ces variables sont échantillonnées avec |
| |
un retard considérable, donc |
| |
nous regardons la purge |
| |
stream au lieu de la sortie |
| |
stream, car ces données sont |
| |
disponible plus tôt. Et utilisera |
| |
un modèle PLS pour surveiller le processus |
| |
variables comme proxy pour ces |
| |
variables parce que le processus |
| |
les variables ont moins de retard et |
| |
affectent un taux d'échantillonnage plus rapide. |
| |
Alors ça devrait suffire |
| |
contexte sur les données. Dans |
| |
au total il y a 33 processus |
| |
variables et deux qualité |
| |
variables. Le processus de |
| |
la collecte des variables est |
| |
simulé avec un ensemble de |
| |
équations différentielles. Et ça |
| |
est juste une simulation, mais comme vous |
| |
peut voir une quantité considérable de |
| |
le soin est entré dans la modélisation de cela |
| |
après un processus du monde réel. Ici |
| |
est un aperçu de la démo I'm |
| |
sur le point de vous montrer. Nous allons collecter |
| |
données sur notre processus et stockage |
| |
ces données dans une base de données. |
| |
Je voulais avoir un exemple qui |
| |
était facile à partager, donc je serai |
| |
en utilisant une base de données SQLite, mais |
| |
le flux de travail est pertinent pour la plupart |
| |
types de bases de données puisque la plupart |
| |
prend en charge les connexions ODBC. |
| |
Une fois que JMP forme un ODBC |
| |
connexion avec la base de données, |
| |
JMP peut vérifier périodiquement |
| |
nouvelles observations et ajoutez-les à |
| |
un tableau de données. |
| |
Si nous avons un modèle |
| |
carte de contrôle multivariée |
| |
rapport ouvert avec automatique |
| |
recalc activé, nous avons un |
| |
mécanisme de mise à jour du |
| |
cartes de contrôle au fur et à mesure que de nouvelles données arrivent |
| |
dans et tout le processus de |
| |
l'ajout de données à une base de données |
| |
va probablement sur un autre |
| |
ordinateur depuis l'ordinateur |
| |
c'est faire la surveillance. Donc |
| |
J'ai deux sessions de JMP ouvertes |
| |
pour imiter cela. Les deux sessions |
| |
avoir leur propre journal |
| |
dans les matériaux sur le |
| |
Communauté et session |
| |
ajout de nouvelles données simulées à |
| |
la base de données sera appelée |
| |
la session de streaming et |
| |
session mise à jour des rapports |
| |
au fur et à mesure que de nouvelles données arriveront |
| |
a appelé la session de surveillance. |
| |
Une chose que j'ai vraiment aimée |
| |
le papier Downs and Vogel était |
| |
qu'ils n'ont pas fourni de |
| |
métrique unique pour évaluer le |
| |
contrôle du processus. j'ai |
| |
une citation du journal ici |
| |
"Nous avons estimé que les compromis |
| |
parmi les contrôles possibles |
| |
stratégies et techniques |
| |
impliquait bien plus qu'un |
| |
expression mathématique. " |
| |
Voici donc quelques-uns des objectifs |
| |
ils ont énuméré dans leur article, |
| |
qui sont pertinents pour notre |
| |
problème. Ils voulaient maintenir |
| |
les variables de processus à |
| |
valeurs souhaitées. Ils voulaient |
| |
minimiser la variabilité du produit |
| |
qualité lors des perturbations, et |
| |
ils voulaient récupérer rapidement |
| |
et en douceur des perturbations. |
| |
Nous verrons donc à quel point notre |
| |
processus atteint ces objectifs |
| |
avec nos méthodes de surveillance. |
| |
Alors pour commencer dans le |
| |
Journal de session de surveillance, je vais |
| |
vous montrer notre premier ensemble de données. |
| |
Le tableau de données contenait tous les |
| |
les variables que j'ai introduites |
| |
plus tôt. Les premières variables sont |
| |
les variables de mesure; les |
| |
deuxièmement, la composition. |
| |
Et les troisièmes sont les |
| |
variables manipulées. |
| |
Le script ici conviendra |
| |
un modèle PLS. Il exclut le |
| |
100 dernières lignes comme ensemble de test. |
| |
Juste pour rappel, |
| |
le modèle prédit 2 |
| |
composition du produit |
| |
variables en fonction de |
| |
les variables de processus. Si |
| |
vous avez JMP Pro, là |
| |
ont été une certaine vitesse |
| |
améliorations de PLS |
| |
dans JMP 16. |
| |
PLS a maintenant un |
| |
option SVD rapide. |
| |
Vous pouvez passer au |
| |
classique dans le rouge |
| |
menu triangle. Il y a |
| |
a également été un certain nombre de |
| |
Amélioration des performances |
| |
sous la capuche. |
| |
Principalement pertinent pour les ensembles de données |
| |
avec un grand nombre de |
| |
observations, mais c'est |
| |
commun dans le multivarié |
| |
réglage de la surveillance du processus. |
| |
Mais PLS n'est pas au centre de la |
| |
parler, donc j'ai déjà adapté le |
| |
colonnes de score de modèle et de sortie |
| |
et vous pouvez les voir ici. |
| |
Une raison pour laquelle le moniteur |
| |
la carte de contrôle multivariée était |
| |
conçu tel quel, est-ce que |
| |
imaginez que vous êtes un statisticien |
| |
et vous souhaitez partager votre modèle |
| |
avec un ingénieur pour qu'ils puissent |
| |
construire des cartes de contrôle. Tout |
| |
vous devez faire est de fournir le |
| |
tableau de données avec ces formules |
| |
Colonnes. Vous n'avez pas besoin de partager |
| |
tous les détails sanglants de la façon dont vous |
| |
adapter votre modèle. |
| |
Ensuite, je fournirai le score |
| |
colonnes pour surveiller le |
| |
carte de contrôle multivariée. |
| |
Faites-le glisser vers la droite ici. |
| |
Donc sur la gauche ici vous pouvez voir |
| deux types de cartes de contrôle |
les |
| |
T au carré et SPE. |
| |
Hum, il y a 860 observations |
| |
qui ont servi à estimer le |
| |
modèle et ceux-ci sont étiquetés comme |
| |
historique. Et puis la centaine |
| |
qui ont été laissés de côté comme ensemble de test |
| |
sont vos données actuelles. |
| |
Et tu peux voir dans la limite |
| |
résumés, le nombre de points |
| |
qui sont hors de contrôle et le |
| |
niveau de signification. Euh, si tu |
| |
veux changer la signification |
| |
niveau, vous pouvez le faire ici en |
| |
le menu du triangle rouge. |
| |
Parce que le réacteur est normal |
| |
conditions de fonctionnement, nous prévoyons |
| |
aucune observation à exclure |
| |
contrôle, mais nous avons quelques faux |
| |
positifs ici parce que nous |
| |
n'a fait aucun ajustement pour |
| |
comparaisons multiples. C'est |
| |
rare de faire cela, dans la mesure où je |
| |
peut dire, en multivarié |
| |
Tableaux de contrôle. Je suppose que vous |
| |
ont une puissance plus élevée pour détecter |
| |
des signaux de commande sans |
| |
correction. Dans la carte de contrôle |
| |
jargon, cela signifie que vous êtes absent |
| |
de contrôle. Durée moyenne de la course |
| |
est maintenu bas. |
| |
Donc sur la droite ici nous |
| |
ont aussi une contribution |
| |
tracés et sur l'axe Y sont |
| |
les observations; sur le X |
| |
axe, les variables. UNE |
| |
la contribution est exprimée |
| |
en tant que portion. |
| |
Et puis en bas ici, |
| |
nous avons des graphiques de score. Droite |
| |
maintenant je trace le premier |
| |
dimension de score par rapport à la |
| |
deuxième dimension de score, mais |
| |
vous pouvez regarder n'importe quel |
| |
combinaison de score |
| |
dimensions utilisant ceci |
| |
menus déroulants ou la flèche |
| |
bouton. |
| |
OK, donc je pense que nous sommes orientés |
| |
au rapport. je vais |
| |
passez maintenant à la |
| |
scripts que j'ai l'habitude de diffuser |
| |
données dans la base de données |
| |
le rapport surveille. |
| |
Afin de faire quoi que ce soit pour cela |
| |
exemple, vous aurez besoin d'un |
| |
Pilote ODBC SQLite installé |
| |
pour votre ordinateur. C'est beaucoup plus facile |
| |
à faire sur un ordinateur Windows, |
| |
c'est ce que vous utilisez souvent |
| |
lors de la connexion à un |
| |
base de données. Le processus sur Mac |
| |
est plus impliqué, mais j'en mets |
| |
instructions sur la Communauté |
| |
page. Et puis je n'ai pas le temps |
| |
pour en parler, mais je |
| |
créé la base de données SQLite |
| |
J'utiliserai dans JMP et moi |
| |
prévoir de mettre quelques instructions |
| |
comment faire cela sur le |
| |
Page Web de la communauté. Et, espérons |
| |
cet exemple vous est utile |
| |
si vous essayez de faire ça avec |
| |
données par vous-même. |
| |
Ensuite, je vais montrer |
| |
vous les fichiers que je mets |
| |
dans la base de données SQLite. |
| |
Ici, j'ai les données historiques. |
| |
Cela a été utilisé pour construire |
| |
le modèle PLS. Il y a 960 |
| |
observations qui sont dans |
| |
contrôler. Ensuite, j'ai le |
| |
les données de surveillance, qui au début |
| |
contient juste l'historique |
| |
données, mais j'ajouterai progressivement de nouvelles |
| |
données à cela. Ce sont les données |
| |
que le contrôle multivarié |
| |
le graphique surveillera. |
| |
Et puis j'ai simulé de nouvelles |
| |
données déjà et les a ajoutées au |
| |
tableau de données ici. Ceux-ci sont |
| |
960 autres mesures impaires |
| |
où un défaut est introduit à |
| |
un certain point dans le temps. je voulais |
| |
avoir quelque chose qui était facile à |
| |
partager, donc je ne vais pas courir |
| |
mon script de simulation et ajouter à |
| |
la base de données de cette façon. Ont été |
| |
va juste prendre des observations |
| |
à partir de ce nouveau tableau de données et |
| |
les déplacer vers la surveillance |
| |
table de données utilisant certains JSL et |
| |
Instructions SQL. C'est juste un |
| |
exemple d'émulation du processus |
| |
de nouvelles données entrant dans un |
| |
base de données. D'une manière ou d'une autre, vous pourriez ne pas |
| |
faites cela avec JMP, mais |
| |
c'était l'occasion de montrer |
| |
comment vous pouvez le faire avec JSL. |
| |
Nettoyez ici. |
| |
Et ensuite je te montrerai ça |
| |
script de streaming. C'est un |
| |
script simple, donc je vais |
| |
vous guidera très rapidement. |
| |
Ce premier ensemble de |
| |
commandes ouvriront le |
| |
nouveau tableau de données et |
| |
c'est dans la base de données SQLite, |
| |
donc il ouvre la table dans le |
| |
arrière-plan donc je n'ai pas à |
| |
s'occuper de la fenêtre. |
| |
Alors je vais prendre des morceaux |
| |
à partir de ce tableau de données et ajoutez |
| |
les aux données de surveillance |
| |
tableau. J'appelle les morceaux |
| |
morsures et la taille de la bouchée est de 20. |
| |
Et puis cette prochaine commande sera |
| |
connectez-vous à la base de données. Cette |
| |
me permettra d'envoyer le |
| |
instructions SQL de base de données. |
| |
Et puis ce morceau suivant |
| |
du code est |
| |
envoi itératif de SQL |
| |
instructions qui insèrent de nouvelles |
| |
données dans les données de surveillance. |
| |
Et je vais |
| |
initialisez K et montrez le |
| |
première itération de ceci. |
| |
Ceci est une simple instruction SQL, |
| |
insérer dans la déclaration que |
| |
insère les 20 premiers |
| |
observations dans les données |
| |
tableau. Cette déclaration d'impression est |
| |
commenté pour que le code |
| |
court plus vite et puis moi aussi |
| |
avoir une déclaration d'attente pour ralentir |
| |
les choses légèrement pour que |
| |
on peut voir leur progression |
| |
dans la carte de contrôle. |
| |
Et cela irait trop vite |
| |
si je ne le ralentis pas. |
| |
Euh, alors je vais bouger ensuite |
| |
aux sessions de monitoring |
| |
pour vous montrer les scripts |
| |
qui mettra à jour le rapport |
| |
au fur et à mesure que de nouvelles données arrivent. |
| |
Ce premier script est un simple |
| |
scénario. Cela vérifiera le |
| |
base de données toutes les .2 secondes pendant |
| |
nouvelles observations et ajoutez-les |
| |
à la table JMP. Depuis le |
| |
le rapport a un recalcul automatique |
| |
activé, le rapport sera mis à jour |
| |
chaque fois que de nouvelles données sont ajoutées. Et |
| |
Je devrais ajouter que |
| |
de façon réaliste, |
| |
vous n'utiliseriez probablement pas |
| |
script qui se répète juste comme |
| |
cette. Vous utilisez probablement une tâche |
| |
planificateur sous Windows ou |
| |
Automator sur Mac pour mieux |
| |
planifier les exécutions du script. |
| |
Et puis il y a aussi un autre |
| |
script qui va |
| |
transmettre le rapport à JMP Public |
| |
chaque fois que le rapport est mis à jour, |
| |
et j'étais vraiment excité que |
| |
cela est possible avec JMP 15. |
| |
Il permet à tout ordinateur avec un |
| |
navigateur Web pour afficher les mises à jour de |
| |
la carte de contrôle. Alors vous |
| |
peut même consulter le rapport sur |
| |
votre smartphone, donc cela fait |
| |
c'est vraiment facile à partager |
| |
résultats à travers les organisations. |
| |
Et vous pouvez également utiliser JMP Live |
| |
si vous vouliez que les rapports |
| |
être sur un serveur restreint. |
| |
Je vais pas avoir le temps |
| |
pour entrer dans ça dans ce |
| |
démo, mais vous pouvez vérifier |
| |
mon discours Discovery Americas. |
| |
Puis finalement en bas ici, il y a |
| |
un script qui recrée le |
| |
données historiques dans les données |
| |
table si vous souhaitez exécuter le |
| |
exemple plusieurs fois. |
| |
Très bien, alors à côté ... assurez-vous |
| |
que nous avons les données historiques ... |
| |
Je vais exécuter le |
| |
script de streaming et voir |
| |
comment le rapport est mis à jour. |
| |
Les données sont donc sous contrôle à |
| |
d'abord, puis un défaut est |
| |
introduit, mais il y a un |
| |
système de contrôle à l'échelle de l'usine |
| |
qui est implémenté dans le |
| |
simulation, et vous pouvez voir |
| |
comment le système de contrôle |
| |
apporte finalement le processus |
| |
à un nouvel équilibre. |
| |
Attendez qu'il se termine ici. |
| |
Donc, si nous zoomons, |
| |
semble être le processus en premier |
| |
est devenu incontrôlable à ce sujet |
| |
point dans le temps, alors je vais |
| |
colorie-le et |
| |
étiquetez-le, mais il le sera |
| |
apparaissent dans d'autres parcelles. |
| |
Et puis dans l'intrigue SPE, |
| |
ça ressemble à ça |
| |
l'observation est également hors de |
| |
contrôle mais seulement légèrement. |
| |
Et puis si nous zoomons sur |
| |
le point dans le temps |
| |
parcelles de contribution, vous pouvez |
| |
voir qu'il y en a beaucoup |
| |
variables contribuant à |
| |
le signal de perte de contrôle à |
| |
premier. Mais alors une fois le |
| |
le processus atteint un nouveau |
| |
équilibre, il n'y a que |
| |
deux grands contributeurs. |
| |
Alors je vais enlever la chaleur |
| |
cartes maintenant pour nettoyer un peu. |
| |
Vous pouvez survoler |
| |
le point auquel le processus |
| |
est devenu incontrôlable et |
| |
jetez un œil aux dix premiers |
| |
variables contributives. Cette |
| |
est génial pour vous donner un |
| |
aperçu rapide des variables |
| |
contribuent le plus à la |
| |
hors signal de contrôle. |
| |
Et puis si je clique sur l'intrigue, |
| |
ce sera ajouté à la |
| |
section de diagnostic des pannes. |
| |
Et comme vous pouvez le voir, il y a |
| |
plusieurs variables avec de grandes |
| |
contributions et juste triées |
| |
sur la contribution. |
| |
Et pour les variables avec |
| |
barres rouges l'observation est |
| |
incontrôlable en univarié |
| |
Tableaux de contrôle. Tu peux voir |
| |
ceci en survolant l'un des |
| |
les barres et ces graphlets |
| |
sont des graphiques IR pour un |
| |
variable individuelle avec un |
| |
limite de contrôle trois Sigma. |
| |
Vous pouvez voir dans la strip-teaseuse |
| |
variable de pression que le |
| |
l'observation est hors de |
| |
contrôle, mais finalement le |
| |
le processus est ramené sous |
| |
contrôler. Et c'est le cas |
| |
pour l'autre top |
| |
contributeurs. Je montrerai aussi |
| |
vous l'une des variables |
| |
où nous sommes en contrôle, le |
| |
carte de contrôle univariée. |
| |
Le processus était donc ... |
| |
il y a beaucoup de variables |
| |
de contrôle dans le processus à |
| |
le début, mais |
| |
le processus atteint finalement |
| |
un nouvel équilibre. |
| |
Euh ... |
| |
Pour voir les variables qui |
| |
contribuent le plus au changement de |
| |
le processus, nous pouvons utiliser moyenne |
| |
tracé des proportions de contribution. |
| |
Ces graphiques montrent la moyenne |
| |
contribution que les variables |
| |
doivent T au carré pour le groupe |
| |
J'ai choisi. Hum, ici si je |
| |
trier sur ceux-ci. |
| |
Les deux seules variables avec |
| |
les contributions importantes mesurent |
| |
débit de réactif A en |
| |
stream one, qui est le flux de |
| |
ce réactif dans le réacteur. |
| |
Ces deux variables sont |
| |
mesurer essentiellement le |
| |
même chose, sauf une |
| |
mesure ... on est un |
| |
variable de mesure et la |
| |
l'autre est un manipulé |
| |
variable. |
| |
Vous pouvez voir qu'il y a un |
| |
changement important dans le flux |
| |
taux, c'est ce que j'ai programmé |
| |
dans la simulation. Donc ces |
| |
les parcelles de contribution vous permettent de |
| |
identifier rapidement la cause profonde. |
| |
Et puis dans mon discours précédent je |
| |
a montré de nombreuses autres façons de |
| |
visualiser et diagnostiquer les défauts |
| |
en utilisant des outils dans le diagramme de score. |
| |
Cela comprend le traçage du |
| |
les chargements sur les graphiques de score et |
| |
faire des comparaisons de groupe. |
| |
Vous pouvez consulter ma découverte |
| |
Les Amériques parlent du JMP |
| |
Communauté pour ça. Au lieu de cela, je suis |
| |
va passer le reste de ça |
| |
il est temps d'introduire quelques nouveaux |
| |
exemples, que je mets sur le |
| |
Page communautaire pour cette conférence. |
| |
Donc. |
| |
Il y a 20 défauts programmables |
| |
dans le processus Tennessee Eastman |
| |
et ils peuvent être introduits dans n'importe quel |
| |
combinaison. J'ai fourni deux autres |
| |
défauts représentatifs ici. Faute |
| |
1 que j'ai montré précédemment était |
| |
facile à détecter car la sortie |
| |
du signal de commande est si grand |
| |
et tant de variables sont |
| |
impliqué. L'accent mis sur le |
| |
la démo précédente était de montrer comment |
| |
utiliser les outils et identifier. |
| |
défauts sur un grand nombre de |
| |
variables et non pas pour comparer |
| |
les méthodes nécessairement. |
| |
Défaut 4, par contre, |
| |
est une faute plus subtile, |
| |
et je vais vous le montrer ici. |
| |
Le défaut je ... qui est programmé |
| |
est une augmentation soudaine du |
| |
température dans le réacteur. |
| |
Et cela est compensé par |
| |
le système de contrôle en augmentant |
| |
le débit de liquide de refroidissement. |
| |
Et tu peux voir ça |
| |
variable ramassée ici et |
| |
vous pouvez voir le changement |
| |
parcelles de contribution. |
| |
Et puis tu peux aussi voir |
| |
que la plupart des autres variables |
| |
ne sont pas affectés |
| |
par la faute. Vous pouvez voir un |
| |
pic de température ici |
| |
est rapidement ramené sous |
| |
contrôler. Parce que la plupart des autres |
| |
les variables ne sont pas affectées, |
| |
est difficile à détecter pour certains |
| |
méthodes de contrôle multivariées. |
| |
Et ça peut être plus |
| |
difficile à diagnostiquer. |
| |
Le dernier défaut que je vais te montrer |
| |
est le défaut 11. |
| |
Comme la faute 4, il implique également |
| |
le débit de liquide de refroidissement dans le |
| |
réacteur, sauf maintenant le défaut |
| |
introduit de grandes oscillations dans |
| |
le débit, que nous pouvons |
| |
voir dans le contrôle univarié |
| |
graphique. Et cela se traduit par un |
| |
fluctuation du réacteur |
| |
Température. L'autre |
| |
les variables ne sont pas vraiment |
| |
affecté à nouveau, donc cela peut être |
| |
plus difficile à détecter pour certains |
| |
méthodes. Certains multivariés |
| |
les méthodes de contrôle peuvent |
| |
Défaut 4, mais pas Défaut 11 ou |
| |
vice versa. Mais notre méthode était |
| |
capable de ramasser les deux. |
| |
Et puis enfin, tous les |
| |
exemples que j'ai créés en utilisant le |
| |
Le processus Eastman du Tennessee avait |
| |
défauts qui étaient apparents dans |
| |
les tracés T au carré et SPE. À |
| |
afficher de nouvelles fonctionnalités dans |
| |
multivariée pilotée par modèle |
| |
carte de contrôle, je voulais montrer |
| |
un exemple de faute qui |
| |
apparaît dans le graphique SPE mais pas |
| |
T au carré. Et pour trouver un bien |
| |
exemple de ceci, j'ai revisité un |
| |
ensemble de données dont Jianfeng Ding |
| |
présenté dans son ancien discours, et |
| |
J'ai fourni un lien vers son discours |
| |
dans ce journal. |
| |
Sur sa page Communauté, |
| |
elle fournit plusieurs |
| |
exemples utiles qui sont |
| |
vaut également le détour. |
| |
Ceci est un ensemble de données de Cordia |
| |
Article classique de McGregor (?) Sur |
| |
cartes de contrôle multivariées. le |
| |
les données sont des variables traitées |
| |
mesuré dans un réacteur, produisant |
| |
polyéthylène, et vous pouvez trouver |
| |
plus de fond dans Jianfeng |
| |
parlez. Dans cet exemple, nous |
| |
avoir un processus qui est sorti de |
| |
contrôler. Laisse moi te montrer ça. |
| |
Et c'est incontrôlable dans ... |
| |
plus tôt dans le graphique SPE que dans |
| |
le T au carré. |
| |
Et si nous regardons la moyenne |
| |
contribution |
| |
parcelles pour SPE, |
| |
vous pouvez |
| |
voir qu'il y a une variable |
| |
avec une grande contribution et il |
| |
montre également un grand changement dans le |
| |
carte de contrôle univariée, mais |
| |
il y a aussi d'autres variables |
| |
avec de grandes contributions, mais |
| |
qui sont toujours en contrôle dans le |
| |
cartes de contrôle univariées. |
| |
Et il est difficile de déterminer à partir de |
| |
les graphiques à barres seuls pourquoi ces |
| |
les variables avaient une grande |
| |
contributions. Grandes valeurs SPE |
| |
se produire lorsque de nouvelles données ne |
| |
suivre la structure de corrélation |
| |
des données historiques, qui est |
| |
souvent le cas lorsque de nouvelles données sont |
| |
collectées, et cela signifie que |
| |
votre modèle PLS que vous avez formé est |
| |
n'est plus applicable. |
| |
D'après les graphiques à barres, c'est difficile |
| |
pour savoir quelle paire de variables |
| |
ont leur structure de corrélation |
| |
cassé. Si nouveau dans 15.2, vous |
| |
peut lancer des matrices de nuage de points. |
| |
Et c'est clair dans le |
| |
matrice de nuage de points que le |
| |
violation des corrélations |
| |
avec Z2 c'est ce qui motive |
| |
ces importantes contributions. |
| |
OK, je vais revenir en arrière |
| |
au PowerPoint. |
| |
Et très vite, je vais résumer |
| |
les principales caractéristiques du modèle piloté |
| |
carte de contrôle multivariée qui |
| |
ont été montrés dans la démo. le |
| |
la plate-forme est capable de |
| |
exécution des deux défauts en ligne |
| |
détection et défaut hors ligne |
| |
diagnostic. Il y a beaucoup de |
| |
méthodes fournies dans la plateforme |
| |
pour percer jusqu'à la racine |
| |
cause des défauts. Je te montre |
| |
voici quelques parcelles d'un populaire |
| |
livre, détection des défauts et |
| |
Diagnostic dans les systèmes industriels. |
| |
Tout au long du livre, les auteurs |
| |
démontrer comment il faut |
| |
utiliser multivarié et univarié |
| |
cartes de contrôle côte à côte |
| |
pour avoir une idée de ce qui se passe |
| |
dans un processus. |
| |
Un particulièrement utile |
| |
fonction dans le multivarié piloté par modèle |
| |
carte de contrôle est comment |
| |
interactif et convivial |
| |
c'est basculer entre ces |
| |
deux types de graphiques. |
| |
Et c'est mon discours. Voici |
| |
mon email si vous en avez |
| |
d'autres questions. Et |
| |
merci à tous ceux qui |
| |
à l'écoute pour regarder ça. |
