Conférencier
|
Transcription
|
| |
Bonjour, je m'appelle Jeremy Ash. je suis un |
| |
statisticien au sein de la R&D de JMP. Mon boulot |
| |
consiste principalement à tester |
| |
les statistiques multivariées |
| |
plates-formes dans 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 |
| |
faire particulièrement attention |
| |
au multivarié piloté par modèle |
| |
plate-forme de cartes de contrôle, qui est |
| |
un nouvel ajout à JMP 15. |
| |
Ces données fournissent un |
| |
l'occasion de mettre en valeur les |
| |
numéro de la plateforme |
| |
caractéristiques. Et tout aussi rapidement |
| |
avertissement, ceci est similaire à |
| |
mon discours sur Discovery Americas. Nous |
| |
réalisé que l'Europe n'avait pas vu de |
| |
multivarié piloté par modèle |
| |
parler de carte de contrôle à cause de tous les |
| |
folie autour du COVID, alors je |
| |
décidé de me concentrer sur l’essentiel. |
| |
Mais il y a du nouveau matériel |
| |
à la fin du discours. Je vais |
| |
aborderons brièvement quelques points supplémentaires |
| |
des exemples d'analyses, puis je mets |
| |
la page Communauté pour la discussion. |
| |
Tout d'abord, je suppose que certaines connaissances |
| |
de contrôle statistique des processus |
| |
dans ce discours. L'essentiel c'est |
| |
il serait utile de connaître |
| |
ce sont des cartes de contrôle. Si vous êtes |
| |
je ne les connais pas, ces |
| |
des 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 ferai donc référence à ces autres |
| |
de belles discussions 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 multivarié contrôle |
| |
graphique en collaboration avec |
| |
Chris Gotwalt et cette 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 |
| |
l'aspect utilisera le contrôle |
| |
graphiques pour le processus en ligne |
| |
surveillance. Cela signifie que nous serons |
| |
surveiller les données en permanence |
| |
il est ajouté à une base de données et |
| |
détecter les défauts en temps réel. |
| |
Je vais donc commencer par |
| |
le slide 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 |
| |
des outils pour en analyser quelques-uns |
| |
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 vite devenir |
| |
accablant. Multivarié |
| |
les cartes de contrôle peuvent résumer un |
| |
processus de haute dimension dans |
| |
juste quelques cartes de contrôle, |
| |
c'est donc un avantage clé. |
| |
Mais cela ne veut pas dire ça |
| |
les cartes de contrôle universelles ne le sont pas |
| |
utile dans ce contexte. Vous allez |
| |
voir tout au long de l'exposé que |
| |
Le diagnostic des pannes implique souvent |
| |
basculer entre multivarié |
| |
et des graphiques univariés. |
| |
Les cartes de contrôle multivariées donnent |
| |
tu as une idée de l'ensemble |
| |
santé du processus, tandis que |
| |
les graphiques univariés vous permettent de |
| |
surveiller des aspects spécifiques de la |
| |
processus. Les informations sont donc |
| |
complémentaire. L'un des objectifs |
| |
de surveillance multivariée |
| |
la carte de contrôle est de fournir quelques |
| |
outils utiles pour changer |
| |
entre ces deux types de |
| |
graphiques. Un inconvénient de |
| |
les graphiques univariés sont-ils |
| |
les observations peuvent sembler être en |
| |
contrôler quand ils sont réellement |
| |
hors de contrôle dans le multivarié |
| |
sens et ces intrigues montrent ce que je |
| |
veux dire par là. L'univarié |
| |
carte de contrôle pour l'huile et |
| |
la densité montre les deux |
| |
observations en rouge comme dans |
| |
contrôle. Cependant, le pétrole 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 détecter ce type de |
| |
valeurs aberrantes, bien qu'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. Le PCA réduit le |
| |
dimensionnalité du processus par |
| |
projeter des données sur un faible |
| |
surface dimensionnelle. Euh, |
| |
c'est montré sur l'image |
| |
sur la droite. Nous avons P |
| |
variables de processus et N |
| |
observations, et |
| |
les vecteurs de chargement dans le P |
| |
la matrice donne les coefficients pour |
| |
combinaisons linéaires de notre X |
| |
variables qui entraînent |
| |
variables carrées avec |
| |
dimension A, où la dimension |
| |
A est bien inférieur à P. Et puis |
| |
ceci est montré dans les équations sur |
| |
la gauche ici. Le X peut être |
| |
prédit en fonction de |
| |
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 tu maximises |
| |
le montant de l'écart expliqué |
| |
dans la matrice X. |
| |
Alors PLS est plus approprié |
| |
méthode de projection. Lorsque vous avez |
| |
un ensemble de variables de processus et un |
| |
ensemble de variables de qualité, vous |
| |
je veux vraiment m'assurer que |
| |
les variables de qualité sont conservées dans |
| |
contrôle mais ces variables |
| |
sont souvent coûteux ou prennent du temps |
| |
consommer pour collecter. La plante |
| |
pourrait fabriquer un produit sans |
| |
un contrôle qualité durable |
| |
délai avant qu'un défaut soit détecté. |
| |
Les modèles PLS vous permettent donc de |
| |
surveillez vos variables de qualité |
| |
en fonction de votre processus |
| |
variables et vous pouvez voir que |
| |
les modèles PLS trouvent le score |
| |
variables qui maximisent la |
| |
montant de la variation expliqué de |
| |
les variables de qualité. |
| |
Ces variables de processus sont |
| |
souvent moins cher ou plus facilement |
| |
disponible, afin que PLS puisse vous permettre |
| |
détecter les défauts de qualité |
| |
tôt et faites votre processus |
| |
surveillance moins cher. Et d'ici |
| |
en dehors, je vais me concentrer sur le PLS |
| |
modèles parce que c'est plus |
| |
approprié pour l’exemple. |
| |
Donc le modèle PLS partitionne votre |
| |
données en deux composantes. Le |
| |
le premier composant est le modèle |
| |
composant. Cela donne le |
| |
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 T carré |
| |
la variation de vos données |
| |
dans ce plan modèle. |
| |
Et le deuxième élément est le |
| |
composant d’erreur. C'est le |
| |
distance entre votre original |
| |
les données et les données prédites et |
| |
erreur de prédiction quadratique (SPE) |
| |
les graphiques surveillent cette variation. |
| |
Une autre mesure alternative que nous |
| |
fournir est la distance à modéliser |
| |
Plan X ou DModX. C'est juste |
| |
une alternative normalisée au SPE |
| |
que certains préfèrent. |
| |
Le dernier concept qui est |
| |
important à comprendre pour le |
| |
la démo est la distinction entre |
| |
données historiques et actuelles. |
| |
Les données historiques sont généralement |
| |
collectés lorsque le processus a été |
| |
connu pour avoir le contrôle. Ces |
| |
les données sont utilisées pour construire le PLS |
| |
modéliser et définir la normale |
| |
variation du processus de sorte qu'un |
| |
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 d'y penser |
| |
c'est que nous avons une formation et |
| |
ensembles de tests. Le contrôle T au 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 grand |
| |
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 |
| |
été élaboré afin que nous puissions obtenir |
| |
ces limites de contrôle basées sur |
| |
certaines hypothèses de distribution. |
| |
Dans la démo sera surveillé |
| |
le processus Tennessee Eastman. |
| |
je vais présenter un court |
| |
introduction à ces données. Ce |
| |
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 même si cet ensemble de données était |
| |
généré dans les années 90, c'est toujours |
| |
l'un des principaux ensembles de données |
| |
utilisé pour comparer multivarié |
| |
méthodes de contrôle dans le |
| |
littérature. Il couvre le |
| |
tâches principales du multivarié |
| |
contrôle bien et il y a |
| |
une quantité impressionnante de |
| |
réalisme dans la simulation. |
| |
Et la simulation est basée sur |
| |
un processus industriel qui est |
| |
toujours d'actualité aujourd'hui. |
| |
Les données ont donc été manipulées |
| |
pour protéger la propriété |
| |
information. La simulation |
| |
le processus est la production de |
| |
deux produits liquides de |
| |
réactifs gazeux dans un |
| |
usine chimique. Et F voici |
| |
un sous-produit |
| |
il faudra siphonner ça |
| |
du produit souhaité. |
| |
Euh et... |
| |
C'est à peu près tout ce que je dirai à ce sujet. |
| |
Le diagramme de processus ressemble donc à |
| |
compliqué, mais ce n'est vraiment pas le cas |
| |
c'est si grave, alors je vais t'accompagner |
| |
à travers. Gazeux |
| |
les réactifs A, D et E s'écoulent dans |
| |
le réacteur ici. |
| |
La réaction se produit et le |
| |
le produit sort 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 |
| |
grâce à un compresseur, et le |
| |
sous-produit et produit chimique inerte B |
| |
sont purgés dans le flux de purge, |
| |
et c'est pour éviter tout |
| |
accumulation. Le produit liquide |
| |
est pompé à travers un stripper, |
| |
où les réactifs restants |
| |
sont dépouillés. |
| |
Et puis renvoyé au réacteur. |
| |
Et puis finalement, le |
| |
produit liquide purifié |
| |
quitte le processus. |
| |
Le premier ensemble de variables étant |
| |
surveillés sont les manipulés |
| |
variables. On dirait un arc |
| |
liens dans le diagramme. Je pense |
| |
ils sont en fait censés être |
| |
vannes et les manipulés |
| |
processus...ou le manipulé |
| |
les variables contrôlent principalement le |
| |
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 prélever dans le tarif, |
| |
mais nous utilisons la valeur par défaut 3 |
| |
échantillon de minutes maintenant. |
| |
Quelques exemples de manipulations |
| |
les variables sont les vannes qui |
| |
contrôler le flux de réactifs |
| |
dans le réacteur. |
| |
Un autre exemple est une vanne |
| |
qui contrôle le flux de |
| |
vapeur dans le décapant. |
| |
Et une autre est une valve qui |
| |
contrôle le débit du 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 mesure |
| |
variables est que le |
| |
les variables de mesure ne peuvent pas être |
| |
manipulés 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 |
| |
flux au lieu de la sortie |
| |
flux, 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 |
| |
affecter un taux d’échantillonnage plus rapide. |
| |
Donc ça devrait suffire |
| |
contexte sur les données. Dans |
| |
au total, il y a 33 processus |
| |
variables et deux qualités |
| |
variables. Le processus de |
| |
collecter les variables est |
| |
simulé avec un ensemble de |
| |
équations différentielles. Et ça |
| |
n'est qu'une simulation, mais comme vous |
| |
peut voir une quantité considérable de |
| |
le soin a été apporté à la modélisation de ceci |
| |
après un processus réel. Ici |
| |
est un aperçu de la démo que je suis |
| |
sur le point de vous montrer. Nous collecterons |
| |
données sur notre processus et notre magasin |
| |
ces données dans une base de données. |
| |
Je voulais avoir un exemple qui |
| |
était facile à partager, alors je le ferai |
| |
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 a formé un ODBC |
| |
connexion avec la base de données, |
| |
JMP peut vérifier périodiquement |
| |
de nouvelles observations et les ajouter à |
| |
un tableau de données. |
| |
Si nous avons un modèle piloté |
| |
carte de contrôle multivariée |
| |
rapport ouvert avec automatique |
| |
recalcul activé, nous avons un |
| |
mécanisme de mise à jour du |
| |
cartes de contrôle à mesure que de nouvelles données arrivent |
| |
dans et tout le processus de |
| |
l'ajout de données à une base de données |
| |
je partirai probablement séparément |
| |
ordinateur depuis l'ordinateur |
| |
c'est lui qui fait la surveillance. Donc |
| |
J'ai deux sessions de JMP ouvertes |
| |
pour imiter cela. Les deux séances |
| |
avoir leur propre journal |
| |
dans les documents sur le |
| |
La communauté et la session |
| |
ajouter de nouvelles données simulées à |
| |
la base de données sera appelée |
| |
la session de streaming et |
| |
session de mise à jour des rapports |
| |
à mesure que de nouvelles données arriveront, |
| |
appelée la séance de suivi. |
| |
Une chose que j'ai vraiment aimé |
| |
le journal Downs et 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 journal, |
| |
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 de perturbations, et |
| |
ils voulaient récupérer rapidement |
| |
et en douceur des perturbations. |
| |
Nous verrons donc dans quelle mesure notre |
| |
le processus atteint ces objectifs |
| |
avec nos méthodes de surveillance. |
| |
Alors pour commencer dans le |
| |
Journal de la session de surveillance, je vais |
| |
vous montrer notre premier ensemble de données. |
| |
Le tableau de données contenait tous |
| |
les variables que j'ai introduites |
| |
plus tôt. Les premières variables sont |
| |
les variables de mesure ; le |
| |
Deuxièmement, la composition. |
| |
Et les troisièmes sont les |
| |
variables manipulées. |
| |
Le script ici conviendra |
| |
un modèle PLS. Il exclut le |
| |
les 100 dernières lignes comme ensemble de test. |
| |
Juste pour rappel, |
| |
le modèle prédit 2 |
| |
composition du produit |
| |
variables en fonction de |
| |
les variables du processus. Si |
| |
vous avez JMP Pro, là |
| |
j'ai été un peu rapide |
| |
améliorations du PLS |
| |
dans le JMP 16. |
| |
PLS dispose désormais d'un |
| |
option SVD rapide. |
| |
Vous pouvez passer au |
| |
classique en rouge |
| |
menu triangulaire. Il y a |
| |
il y a également eu un certain nombre de |
| |
Amélioration des performances |
| |
sous la capuche. |
| |
Surtout pertinent pour les ensembles de données |
| |
avec un grand nombre de |
| |
observations, mais c'est |
| |
commun dans le multivarié |
| |
paramètre de surveillance du processus. |
| |
Mais le PLS n'est pas au centre des préoccupations. |
| |
parler, donc je suis déjà adapté au |
| |
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 qu'il est, est-ce que |
| |
imagine que tu es un statisticien |
| |
et vous souhaitez partager votre modèle |
| |
avec un ingénieur pour qu'ils puissent |
| |
construire des cartes de contrôle. Tous |
| |
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 tu |
| |
s'adapter à votre modèle. |
| |
Ensuite, je fournirai la partition |
| |
colonnes pour surveiller le |
| |
carte de contrôle multivariée. |
| |
Faites-le glisser vers la droite ici. |
| |
Donc sur la gauche, vous pouvez voir |
| deux types de cartes de contrôle |
le |
| |
T au carré et SPE. |
| |
Euh, il y a 860 observations |
| |
qui ont été utilisés pour estimer |
| |
modèle et ceux-ci sont étiquetés comme |
| |
historique. Et puis les cent |
| |
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 |
| |
je veux changer la signification |
| |
niveau, vous pouvez le faire ici dans |
| |
le menu du triangle rouge. |
| |
Parce que le réacteur est en état normal |
| |
conditions d'exploitation, nous prévoyons |
| |
aucune observation à ne pas manquer |
| |
contrôle, mais nous avons quelques faux |
| |
points positifs ici parce que nous |
| |
je n'ai fait aucun ajustement pour |
| |
plusieurs comparaisons. C'est |
| |
rare de faire cela, pour autant que je |
| |
je peux le dire, en multivarié |
| |
Tableaux de contrôle. je suppose que tu |
| |
avoir une puissance plus élevée pour détecter |
| |
de signaux de commande sans |
| |
correction. Dans la carte de contrôle |
| |
jargon, cela signifie que tu es absent |
| |
de contrôle. Durée moyenne des courses |
| |
est maintenu faible. |
| |
Donc à droite ici nous |
| |
ont également une contribution |
| |
les tracés et sur l'axe Y sont |
| |
les observations ; sur le X |
| |
axe, les variables. UN |
| |
la contribution est exprimée |
| |
en portion. |
| |
Et puis en bas ici, |
| |
nous avons des tracés de score. Droite |
| |
maintenant je prépare le premier |
| |
dimension du score par rapport à la |
| |
deuxième dimension du score, mais |
| |
tu peux regarder n'importe quel |
| |
combinaison de scores |
| |
dimensions en utilisant ceci |
| |
les menus déroulants ou la flèche |
| |
bouton. |
| |
OK, donc je pense que nous sommes orientés |
| |
au rapport. je vais |
| |
passez maintenant au |
| |
scripts que j'ai utilisés pour diffuser |
| |
données dans la base de données qui |
| |
le rapport est en cours de surveillance. |
| |
Afin de faire n'importe quoi pour ça |
| |
par exemple, vous aurez besoin d'un |
| |
Pilote SQLite ODBC installé |
| |
pour votre ordinateur. C'est beaucoup plus facile |
| |
à faire sur un ordinateur Windows, |
| |
c'est ce que tu utilises souvent |
| |
lors de la connexion réelle à un |
| |
base de données. Le processus sur Mac |
| |
est plus complexe, mais j'en ai mis |
| |
instructions sur la Communauté |
| |
page. Et puis je n'ai pas le temps |
| |
pour parler de ça, mais je |
| |
créé la base de données SQLite |
| |
Je vais utiliser dans JMP et je |
| |
je prévois de mettre quelques instructions |
| |
sur la façon de procéder sur le |
| |
Page Web communautaire. Et, espérons |
| |
cet exemple vous est utile |
| |
si vous essayez de faire ça avec |
| |
données par vous-même. |
| |
Ensuite, je vais montrer |
| |
tu les fichiers que j'ai mis |
| |
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 en |
| |
contrôle. Ensuite, j'ai le |
| |
données de surveillance, qui dans un premier temps |
| |
contient juste l'historique |
| |
données, mais j'ajouterai progressivement de nouvelles |
| |
données à cela. Ce sont les données |
| |
que le contrôle multivarié |
| |
le graphique sera surveillé. |
| |
Et puis j'ai simulé de nouveaux |
| |
données déjà et je l'ai ajouté au |
| |
tableau de données ici. Ceux-ci sont |
| |
encore 960 mesures impaires |
| |
où une faute est introduite à |
| |
un certain moment. je voulais |
| |
avoir quelque chose de facile à réaliser |
| |
partager, donc je ne vais pas courir |
| |
mon script de simulation et ajouter à |
| |
la base de données de cette façon. Étaient |
| |
je vais juste faire des observations |
| |
à partir de ce nouveau tableau de données et |
| |
déplacez-les vers la surveillance |
| |
table de données utilisant du JSL et |
| |
Instructions SQL. C'est juste un |
| |
exemple émulant le processus |
| |
de nouvelles données entrant dans un |
| |
base de données. D'une manière ou d'une autre, tu ne pourrais 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 diffusion en continu. C'est un |
| |
script simple, donc je vais |
| |
vous guidera très rapidement. |
| |
Cette première série de |
| |
les commandes ouvriront le |
| |
nouveau tableau de données et |
| |
c'est dans la base de données SQLite, |
| |
donc ça ouvre la table dans le |
| |
arrière-plan pour que je n'aie pas à le faire |
| |
s'occuper de la fenêtre. |
| |
Ensuite, je vais prendre des morceaux |
| |
à partir de ce tableau de données et ajoutez |
| |
les aux données de surveillance |
| |
tableau. J'appelle les morceaux |
| |
piqûres et la taille des bouchées est de 20. |
| |
Et puis cette prochaine commande sera |
| |
se connecter à la base de données. Ce |
| |
me permettra d'envoyer le |
| |
instructions SQL de base de données. |
| |
Et puis ce prochain morceau |
| |
du code est |
| |
envoi itératif de SQL |
| |
instructions qui insèrent de nouveaux |
| |
données dans les données de surveillance. |
| |
Et je vais |
| |
initialisez K et vous montrez le |
| |
première itération de ceci. |
| |
Il s'agit d'une simple instruction SQL, |
| |
insérer dans la déclaration que |
| |
insère les 20 premiers |
| |
observations dans les données |
| |
tableau. Cette déclaration imprimée est |
| |
commenté pour que le code |
| |
court plus vite et puis moi aussi |
| |
avoir une instruction d'attente pour ralentir |
| |
les choses baissent légèrement pour que |
| |
on voit leur progression |
| |
dans la carte de contrôle. |
| |
Et ça irait trop vite |
| |
si je ne le ralentissais pas. |
| |
Euh, donc ensuite je vais déménager |
| |
aux séances de suivi |
| |
pour vous montrer les scripts |
| |
cela mettra à jour le rapport |
| |
à mesure que de nouvelles données arrivent. |
| |
Ce premier script est un simple |
| |
scénario. Cela vérifiera le |
| |
base de données toutes les 0,2 secondes pendant |
| |
de nouvelles observations et ajoutez-les |
| |
au tableau JMP. Depuis le |
| |
le rapport est recalculé automatiquement |
| |
activé, le rapport sera mis à jour |
| |
chaque fois que de nouvelles données sont ajoutées. Et |
| |
je devrais ajouter ça |
| |
de façon réaliste, |
| |
vous n'utiliseriez probablement pas un |
| |
script qui itère comme |
| |
ce. Vous utilisez probablement la tâche |
| |
planificateur sous Windows ou |
| |
Automator sur Mac pour mieux |
| |
planifier les exécutions du script. |
| |
Et puis il y en 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 |
| |
c'est possible avec JMP 15. |
| |
Il permet à n'importe quel ordinateur doté d'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 de partager |
| |
résultats dans toutes les organisations. |
| |
Et vous pouvez également utiliser JMP Live |
| |
si vous vouliez que les rapports |
| |
être sur un serveur restreint. |
| |
je n'aurai pas le temps |
| |
aller dans ce sens |
| |
démo, mais vous pouvez consulter |
| |
mon discours sur Discovery Americas. |
| |
Puis finalement 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 ensuite... 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 une faute est |
| |
introduit, mais il y a un |
| |
système de contrôle à l'échelle de l'usine |
| |
qui est mis en œuvre dans le |
| |
simulation, et vous pouvez voir |
| |
comment le système de contrôle |
| |
amène finalement le processus |
| |
vers un nouvel équilibre. |
| |
Attendez que ça se termine ici. |
| |
Donc si on zoome, |
| |
il semble que ce soit le processus en premier |
| |
est devenu incontrôlable à ce sujet |
| |
moment précis, donc je vais |
| |
colorie-le et |
| |
étiquetez-le, mais ce sera le cas |
| |
apparaître dans d’autres parcelles. |
| |
Et puis dans le tracé SPE, |
| |
ça ressemble à ça |
| |
l'observation est également hors de |
| |
contrôle mais seulement légèrement. |
| |
Et puis si on zoome sur |
| |
le moment dans le |
| |
parcelles de contribution, vous pouvez |
| |
vois qu'il y en a beaucoup |
| |
variables contribuant à |
| |
le signal hors de contrôle à |
| |
d'abord. Mais ensuite, une fois le |
| |
le processus atteint un nouveau |
| |
l'équilibre, il n'y a que |
| |
deux grands contributeurs. |
| |
Alors je vais retirer le feu |
| |
cartes maintenant pour nettoyer un peu. |
| |
Vous pouvez survoler |
| |
le moment où le processus |
| |
est d'abord devenu incontrôlable et |
| |
jetez un œil au top dix |
| |
variables contributives. Ce |
| |
est idéal pour vous donner un |
| |
aperçu rapide quelles variables |
| |
contribuent le plus à |
| |
signal hors de contrôle. |
| |
Et puis si je clique sur l'intrigue, |
| |
ceci sera annexé au |
| |
section de diagnostic des pannes. |
| |
Et comme vous pouvez le voir, il y a |
| |
plusieurs variables avec un grand |
| |
contributions et juste triées |
| |
sur la contribution. |
| |
Et pour les variables avec |
| |
barres rouges l'observation est |
| |
hors de contrôle dans l'univarié |
| |
Tableaux de contrôle. Tu peux voir |
| |
ceci en survolant l'un des |
| |
les barres et ces graphlets |
| |
sont des cartes IR pour un |
| |
variable individuelle avec un |
| |
limite de contrôle trois Sigma. |
| |
Tu peux voir dans la strip-teaseuse |
| |
variable de pression que le |
| |
l'observation est hors de |
| |
contrôle, mais finalement le |
| |
le processus est ramené sous |
| |
contrôle. Et c'est le cas |
| |
pour l'autre haut |
| |
contributeurs. je montrerai aussi |
| |
tu es une des variables |
| |
où nous contrôlons, 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 |
| |
le processus, nous pouvons utiliser la moyenne |
| |
graphique de proportion de contribution. |
| |
Ces graphiques montrent la moyenne |
| |
contribution que les variables |
| |
il faut que le T soit au carré pour le groupe |
| |
J'ai sélectionné. Euh, ici si je |
| |
faites le tri sur ceux-ci. |
| |
Les deux seules variables avec |
| |
les contributions importantes mesurent |
| |
débit du réactif A dans |
| |
flux un, qui est le flux de |
| |
ce réactif dans le réacteur. |
| |
Ces deux variables sont |
| |
mesurant essentiellement le |
| |
même chose, sauf un |
| |
mesure...l'un 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. Alors ces |
| |
les tracés de contribution vous permettent de |
| |
identifier rapidement la cause première. |
| |
Et puis, dans mon discours précédent, j'ai |
| |
a montré de nombreuses autres façons de |
| |
visualiser et diagnostiquer les pannes |
| |
en utilisant des outils dans le tracé des scores. |
| |
Cela inclut le traçage du |
| |
chargements sur les tracés de partition et |
| |
faire quelques comparaisons de groupe. |
| |
Vous pouvez consulter ma Découverte |
| |
Les Amériques parlent du JMP |
| |
Communauté pour ça. Au lieu de cela, je suis |
| |
je vais passer le reste de ça |
| |
le temps d'introduire quelques nouveaux |
| |
exemples, que j'ai mis 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'en 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 visait à montrer comment |
| |
utiliser les outils et identifier. |
| |
défauts parmi un grand nombre de |
| |
variables et non à des critères de référence |
| |
les méthodes nécessairement. |
| |
Par contre, le défaut 4 |
| |
est une faute plus subtile, |
| |
et je vais vous le montrer ici. |
| |
La faute, c'est que c'est programmé |
| |
est une augmentation soudaine du |
| |
température dans le réacteur. |
| |
Et cela est compensé par |
| |
le système de contrôle en augmentant |
| |
le débit du liquide de refroidissement. |
| |
Et tu peux voir ça |
| |
variable récupérée 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 |
| |
contrôle. Parce que la plupart des autres |
| |
les variables ne sont pas affectées, ceci |
| |
est difficile à détecter pour certains |
| |
méthodes de contrôle multivariées. |
| |
Et ça peut être plus |
| |
difficile à diagnostiquer. |
| |
La dernière faute que je vais te montrer |
| |
est le défaut 11. |
| |
Comme la faute 4, cela implique également |
| |
le flux de liquide de refroidissement dans le |
| |
réacteur, sauf maintenant la faute |
| |
introduit de grandes oscillations dans |
| |
le débit, que l'on peut |
| |
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, cela peut donc être |
| |
plus difficile à détecter pour certains |
| |
méthodes. Certains multivariés |
| |
les méthodes de contrôle peuvent détecter |
| |
Défaut 4, mais pas défaut 11 ou |
| |
vice versa. Mais notre méthode était |
| |
capable de comprendre les deux. |
| |
Et puis finalement, tout le |
| |
exemples que j'ai créés en utilisant le |
| |
Le processus Tennessee Eastman avait |
| |
défauts qui étaient apparents dans |
| |
les tracés T au carré et SPE. À |
| |
montrer quelques fonctionnalités plus récentes dans |
| |
multivarié piloté 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 bon |
| |
exemple de ceci, j'ai revisité un |
| |
ensemble de données dont Jianfeng Ding |
| |
présenté dans son discours précédent, et |
| |
J'ai fourni un lien vers son discours |
| |
dans cette revue. |
| |
Sur sa page Communauté, |
| |
elle fournit plusieurs |
| |
des exemples utiles qui sont |
| |
vaut également le détour. |
| |
Ceci est un ensemble de données de Cordia |
| |
L'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 d'informations dans celui de Jianfeng |
| |
parler. Dans cet exemple, nous |
| |
avoir un processus qui s'est terminé |
| |
contrôle. Laissez-moi vous montrer ça. |
| |
Et c'est hors de contrôle dans... |
| |
plus tôt dans le graphique SPE que dans |
| |
le T au carré. |
| |
Et si on regarde la moyenne |
| |
contribution |
| |
parcelles pour SPE, |
| |
tu peux |
| |
voir qu'il y a une variable |
| |
avec une grande contribution et il |
| |
montre également un changement important dans |
| |
carte de contrôle univariée, mais |
| |
il y a aussi d'autres variables |
| |
avec d'importantes contributions, mais |
| |
qui sont toujours aux commandes 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 les nouvelles données ne se produisent pas |
| |
suivre la structure de corrélation |
| |
des données historiques, qui sont |
| |
c'est souvent le cas lorsque de nouvelles données sont |
| |
collectés, ce qui signifie que |
| |
votre modèle PLS que vous avez formé est |
| |
n'est plus applicable. |
| |
D'après les graphiques à barres, c'est difficile |
| |
savoir quelle paire de variables |
| |
ont leur structure de corrélation |
| |
cassé. Tellement nouveau dans 15.2, vous |
| |
peut lancer des matrices de nuages de points. |
| |
Et c'est clair dans le |
| |
matrice de nuages de points que le |
| |
violation des corrélations |
| |
avec Z2, c'est ce qui conduit |
| |
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 plateforme est capable de |
| |
effectuer les deux fautes 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 |
| |
ici quelques intrigues 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 |
| |
fonctionnalité dans le multivarié piloté par modèle |
| |
la carte de contrôle est comment |
| |
interactif et convivial |
| |
il s'agit de basculer entre ceux-ci |
| |
deux types de graphiques. |
| |
Et c'est mon discours. Voici |
| |
mon email si tu en as |
| |
d'autres questions. Et |
| |
merci à tous ceux qui |
| |
branché pour regarder ça. |
