Altoparlante
|
Trascrizione
|
| |
Ciao, sono Jeremy Ash. io sono un |
| |
statistico in JMP R&D. Il mio lavoro |
| |
consiste principalmente nel test |
| |
la statistica multivariata |
| |
piattaforme in JMP, ma anche io |
| |
aiutare la ricerca e la valutazione |
| |
metodologia. Oggi vado a |
| |
sta analizzando il Tennessee |
| |
Processo Eastman utilizzando alcuni |
| |
processo di controllo statistico |
| |
metodi in JMP. sto andando a |
| |
prestare particolare attenzione |
| |
al multivariato basato su modello |
| |
piattaforma cartografica di controllo, che è |
| |
una nuova aggiunta a JMP 15. |
| |
Questi dati forniscono un |
| |
opportunità di mostrare il |
| |
numero di piattaforme |
| |
Caratteristiche. E altrettanto veloce |
| |
disclaimer, questo è simile a |
| |
il mio discorso di Discovery Americas. Noi |
| |
si rese conto che l'Europa non aveva visto un |
| |
multivariato basato su modello |
| |
discorso grafico di controllo a causa di tutto il |
| |
follia intorno a COVID, quindi io |
| |
ha deciso di concentrarsi sulle basi. |
| |
Ma c'è del nuovo materiale |
| |
alla fine del discorso. Malato |
| |
coprire brevemente alcuni altri |
| |
analisi di esempio, poi mi metto |
| |
la pagina della community per il discorso. |
| |
Per prima cosa, presumo una certa conoscenza |
| |
di controllo statistico di processo |
| |
in questo discorso. La cosa principale |
| |
sarebbe utile sapere |
| |
è carte di controllo. Se tu sei |
| |
non ho familiarità con questi, questi |
| |
sono grafici utilizzati per il monitoraggio |
| |
sistemi industriali complessi a |
| |
determinare quando deviano |
| |
dal normale funzionamento |
| |
condizioni. |
| |
Non avrò molto tempo per farlo |
| |
entrare nella metodologia del modello |
| |
controllo multivariato guidato |
| |
grafico, quindi mi riferirò a questi altri |
| |
grandi discorsi che sono liberamente |
| |
disponibile nella JMP Community |
| |
se vuoi maggiori dettagli. io |
| |
dovrebbe anche dire che Jianfeng |
| |
Ding era il principale |
| |
sviluppatore del modello guidato |
| |
controllo multivariato |
| |
grafico in collaborazione con |
| |
Chris Gotwalt e quella Tonya |
| |
Mauldin e io eravamo tester. Il |
| |
focus di questo discorso utilizzerà |
| |
carte di controllo multivariate a |
| |
monitorare un mondo reale |
| |
processo tipico; un altro romanzo |
| |
aspetto utilizzerà il controllo |
| |
grafici per il processo in linea |
| |
monitoraggio. Questo significa che lo saremo |
| |
monitoraggio continuo dei dati come |
| |
viene aggiunto a un database e |
| |
rilevamento guasti in tempo reale. |
| |
Quindi inizierò con |
| |
lo scivolo obbligatorio sul |
| |
vantaggi del multivariato |
| |
carte di controllo. Allora perché non usare |
| |
carte di controllo univariate? Là |
| |
sono una serie di ottimi |
| |
opzioni in JMP. Univariata |
| |
le carte di controllo sono eccellenti |
| |
strumenti per analizzarne alcuni |
| |
variabili alla volta. Tuttavia, |
| |
i dati del controllo di qualità sono spesso |
| |
alta dimensionale e il numero |
| |
delle carte di controllo necessarie |
| |
guardare può rapidamente diventare |
| |
travolgente. Multivariata |
| |
le carte di controllo possono riassumere a |
| |
processo ad alta dimensione in |
| |
solo un paio di carte di controllo, |
| |
quindi questo è un vantaggio chiave. |
| |
Ma questo non vuol dire questo |
| |
carte di controllo univeriate no |
| |
utile in questo contesto. Tu |
| |
vedere tutto il discorso che |
| |
spesso comporta la diagnosi dei guasti |
| |
passaggio da multivariato |
| |
e grafici univariati. |
| |
Le carte di controllo multivariate danno |
| |
hai un senso generale |
| |
salute del processo, mentre |
| |
i grafici univariati te lo consentono |
| |
monitorare aspetti specifici del |
| |
processi. Quindi le informazioni sono |
| |
complementare. Uno degli obiettivi |
| |
di monitoraggio multivariato |
| |
grafico di controllo è quello di fornire alcuni |
| |
strumenti utili per il passaggio |
| |
tra questi due tipi di |
| |
grafici. Uno svantaggio di |
| |
grafici univariati è quello |
| |
le osservazioni possono sembrare |
| |
controllo quando sono effettivamente |
| |
fuori controllo nel multivariato |
| |
senso e queste trame mostrano ciò che io |
| |
intendo con questo. L'univariata |
| |
tabella di controllo per olio e |
| |
la densità mostra i due |
| |
osservazioni in rosso come in |
| |
controllo. Tuttavia, olio e densità |
| |
sono altamente correlati ed entrambi |
| |
le osservazioni sono fuori controllo. |
| |
in senso multivariato, |
| |
specialmente l'osservazione 51, che |
| |
viola abbastanza la correlazione |
| |
struttura delle due variabili, |
| |
quindi carte di controllo multivariate |
| |
può rilevare questi tipi di |
| |
valori anomali, mentre univariati |
| |
le carte di controllo non possono. |
| |
Multivariato basato su modello |
| |
il grafico di controllo utilizza la proiezione |
| |
metodi per costruire i grafici. |
| |
Inizierò spiegando PCA |
| |
perché è facile da costruire |
| |
da li. PCA riduce il |
| |
dimensionalità del processo da parte di |
| |
proiettando i dati su un livello basso |
| |
superficie dimensionale. Um, |
| |
questo è mostrato nell'immagine |
| |
sulla destra. Abbiamo P |
| |
variabili di processo e N |
| |
osservazioni e |
| |
i vettori di caricamento nella P |
| |
matrice fornisce i coefficienti per |
| |
combinazioni lineari del nostro X |
| |
variabili che risultano in |
| |
variabili quadrate con |
| |
dimensione A, dove la dimensione |
| |
A è molto inferiore a P. Poi |
| |
questo è mostrato nelle equazioni su |
| |
la sinistra qui. La X può essere |
| |
previsto in funzione di |
| |
punteggio e caricamenti, dove E è |
| |
l'errore di previsione. |
| |
Questi punteggi sono selezionati per |
| |
ridurre al minimo l'errore di previsione, |
| |
e un altro modo di pensare |
| |
questo è che stai massimizzando |
| |
la quantità di varianza spiegata |
| |
nella matrice X. |
| |
Quindi PLS è più adatto |
| |
metodo di proiezione. Quando hai |
| |
un insieme di variabili di processo e un file |
| |
insieme di variabili di qualità, tu |
| |
voglio davvero assicurarti che il file |
| |
le variabili di qualità vengono mantenute |
| |
controllo ma queste variabili |
| |
sono spesso costosi o tempo |
| |
consumando per raccogliere. La pianta |
| |
potrebbe fare il prodotto senza |
| |
un controllo di qualità a lungo |
| |
tempo prima che venga rilevato un guasto. |
| |
Quindi i modelli PLS te lo consentono |
| |
monitora le tue variabili di qualità |
| |
in funzione del tuo processo |
| |
variabili e puoi vederlo |
| |
i modelli PLS trovano il punteggio |
| |
variabili che massimizzano il |
| |
quantità di variazione spiegata |
| |
le variabili di qualità. |
| |
Queste variabili di processo sono |
| |
spesso più economico o più facilmente |
| |
disponibile, quindi PLS può abilitarti |
| |
per rilevare i difetti di qualità |
| |
presto e fai il tuo processo |
| |
monitoraggio più economico. E da qui |
| |
fuori mi concentrerò su PLS |
| |
modelli perché è di più |
| |
appropriato per l'esempio. |
| |
Quindi il modello PLS partiziona il tuo file |
| |
dati in due componenti. Il |
| |
il primo componente è il modello |
| |
componente. Questo dà il |
| |
valori previsti del tuo processo |
| |
variabili. Un altro modo di pensare |
| |
a questo proposito è che i tuoi dati hanno |
| |
stato proiettato nel modello |
| |
piano definito dal tuo punteggio |
| |
variabili e monitor T quadrato |
| |
la variazione dei tuoi dati |
| |
all'interno di questo modello di aereo. |
| |
E il secondo componente è il file |
| |
componente di errore. Questo è il |
| |
distanza tra l'originale |
| |
dati e dati previsti e |
| |
errore di previsione al quadrato (SPE) |
| |
i grafici monitorano questa variazione. |
| |
Un'altra metrica alternativa noi |
| |
fornire è la distanza dal modello |
| |
Piano X o DModX. Questo è solo |
| |
un'alternativa normalizzata a SPE |
| |
che alcune persone preferiscono. |
| |
L'ultimo concetto che è |
| |
importante da capire per il |
| |
demo è la distinzione tra |
| |
dati storici e attuali. |
| |
I dati storici sono in genere |
| |
raccolti quando il processo era |
| |
noto per avere il controllo. Questi |
| |
i dati vengono utilizzati per costruire il PLS |
| |
modellare e definire la normale |
| |
variazione del processo in modo che a |
| |
limite di controllo può essere ottenuto. |
| |
E i dati correnti vengono assegnati |
| |
punteggi basati sul modello ma |
| |
sono indipendenti dal modello. |
| |
Un altro modo per pensare a questo |
| |
è che abbiamo formazione e |
| |
set di test. Il controllo a T al quadrato |
| |
il limite è inferiore per la formazione |
| |
dati perché ci aspettiamo di meno |
| |
variabilità per i vari ... |
| |
osservazioni utilizzate per addestrare il |
| |
modello mentre c'è maggiore |
| |
variabilità in P al quadrato quando |
| |
il modello generalizza a E test |
| |
impostato. Fortunatamente, la teoria |
| |
poiché la varianza di T al quadrato è |
| |
stato risolto in modo che possiamo ottenere |
| |
questi limiti di controllo basati su |
| |
alcune ipotesi distributive. |
| |
Nella demo sarà il monitoraggio |
| |
il processo del Tennessee Eastman. |
| |
Presenterò un breve |
| |
introduzione a questi dati. Questo |
| |
è una simulazione di una sostanza chimica |
| |
processo sviluppato da Downs e |
| |
Vogel, due chimici della Eastman |
| |
Chimica. In origine lo era |
| |
scritto in Fortran, ma lì |
| |
sono wrapper per Matlab e |
| |
Python adesso. Volevo solo notare |
| |
che mentre questo set di dati era |
| |
generato negli anni '90, è ancora |
| |
uno dei set di dati primari |
| |
utilizzato per eseguire il benchmark multivariato |
| |
metodi di controllo in |
| |
letteratura. Copre il file |
| |
compiti principali del multivariato |
| |
controllo bene e c'è |
| |
una quantità impressionante di |
| |
realismo nella simulazione. |
| |
E la simulazione si basa su |
| |
un processo industriale che è |
| |
ancora rilevante oggi. |
| |
Quindi i dati sono stati manipolati |
| |
per proteggere la proprietà |
| |
informazione. Il simulato |
| |
processo è la produzione di |
| |
due prodotti liquidi da |
| |
reagenti gassosi entro a |
| |
impianto chimico. E F qui è |
| |
un sottoprodotto |
| |
che dovrà essere travasato |
| |
fuori dal prodotto desiderato. |
| |
Ehm e ... |
| |
Questo è tutto quello che dirò al riguardo. |
| |
Quindi il diagramma di processo sembra |
| |
complicato, ma in realtà non lo è |
| |
così male, quindi ti accompagno |
| |
attraverso esso. Gassoso |
| |
i reagenti A, D ed E fluiscono in |
| |
il reattore qui. |
| |
La reazione si verifica e il file |
| |
il prodotto lascia come un gas. Suo |
| |
poi raffreddato e condensato in |
| |
liquido nel condensatore. |
| |
Quindi un separatore di liquido vapore |
| |
ricicla l'eventuale vapore residuo e |
| |
lo rimanda al reattore |
| |
attraverso un compressore e il |
| |
sottoprodotto e sostanza chimica inerte B |
| |
vengono eliminati nel flusso di spurgo, |
| |
e questo per evitare qualsiasi cosa |
| |
accumulo. Il prodotto liquido |
| |
viene pompato attraverso una spogliarellista, |
| |
dove i rimanenti reagenti |
| |
vengono spogliati. |
| |
E poi rimandato al reattore. |
| |
E poi, finalmente, il file |
| |
prodotto liquido purificato |
| |
esce dal processo. |
| |
Il primo insieme di variabili è |
| |
monitorati sono i manipolati |
| |
variabili. Questi sembrano arco |
| |
legami nel diagramma. credo |
| |
in realtà sono destinati a essere |
| |
valvole e manipolate |
| |
processo ... o manipolato |
| |
le variabili controllano principalmente il |
| |
portata attraverso differenti |
| |
flussi del processo. |
| |
E queste variabili possono essere impostate |
| |
a qualsiasi valore entro limiti e |
| |
avere un po 'di rumore gaussiano. |
| |
Le variabili manipolate sono in grado |
| |
da campionare nella tariffa, |
| |
ma usiamo l'impostazione predefinita 3 |
| |
minuti campione ora. |
| |
Alcuni esempi di manipolato |
| |
le variabili sono le valvole che |
| |
controllare il flusso dei reagenti |
| |
nel reattore. |
| |
Un altro esempio è una valvola |
| |
che controlla il flusso di |
| |
vapore nella spogliarellista. |
| |
E un'altra è una valvola quella |
| |
controlla il flusso del refrigerante |
| |
nel reattore. |
| |
Il prossimo insieme di variabili sono |
| |
variabili di misura. Questi sono |
| |
mostrato come cerchi nel diagramma. |
| |
Sono stati anche campionati alle tre |
| |
intervalli di minuti. Il |
| |
differenza tra manipolato |
| |
variabili e misura |
| |
variabili è che il file |
| |
le variabili di misurazione non possono essere |
| |
manipolato nella simulazione. |
| |
Le nostre variabili di qualità saranno |
| |
la composizione percentuale di |
| |
due prodotti liquidi e tu |
| |
può vedere l'analizzatore |
| |
misurare i prodotti qui. |
| |
Queste variabili vengono campionate con |
| |
un considerevole ritardo, quindi |
| |
stiamo guardando la purga |
| |
stream invece dell'uscita |
| |
stream, perché questi dati sono |
| |
disponibile in precedenza. E utilizzerà |
| |
un modello PLS per monitorare il processo |
| |
variabili come proxy per questi |
| |
variabili perché il processo |
| |
le variabili hanno meno ritardo e |
| |
influisce sulla velocità di campionamento più veloce. |
| |
Quindi dovrebbe essere sufficiente |
| |
sfondo sui dati. Nel |
| |
totale ci sono 33 processi |
| |
variabili e due qualità |
| |
variabili. Il processo di |
| |
raccogliere le variabili è |
| |
simulato con una serie di |
| |
equazioni differenziali. E questo |
| |
è solo una simulazione, ma come te |
| |
può vedere una quantità considerevole di |
| |
la cura è andata nel modellare questo |
| |
dopo un processo del mondo reale. Qui |
| |
è una panoramica della demo I'm |
| |
per mostrarti. Raccoglieremo |
| |
dati sul nostro processo e archivio |
| |
questi dati in un database. |
| |
Volevo avere un esempio che |
| |
era facile da condividere, quindi lo sarò |
| |
utilizzando un database SQLite, ma |
| |
il flusso di lavoro è rilevante per la maggior parte |
| |
tipi di database dalla maggior parte dei |
| |
supportare le connessioni ODBC. |
| |
Una volta che JMP forma un ODBC |
| |
collegamento con il database, |
| |
JMP può verificare periodicamente la presenza di file |
| |
nuove osservazioni e aggiungerle a |
| |
una tabella dati. |
| |
Se abbiamo un modello guidato |
| |
carta di controllo multivariata |
| |
rapporto aperto con automatico |
| |
ricalcolo attivato, abbiamo un file |
| |
meccanismo per l'aggiornamento del |
| |
carte di controllo man mano che arrivano nuovi dati |
| |
in e l'intero processo di |
| |
l'aggiunta di dati a un database lo farebbe |
| |
probabilmente andrà su un altro |
| |
computer dal computer |
| |
sta facendo il monitoraggio. Così |
| |
Ho due sessioni di JMP aperte |
| |
per emulare questo. Entrambe le sessioni |
| |
avere il proprio diario |
| |
nei materiali su |
| |
Comunità e sessione |
| |
aggiunta di nuovi dati simulati a |
| |
verrà chiamato il database |
| |
la sessione di streaming e |
| |
sessione di aggiornamento dei report |
| |
man mano che arriveranno nuovi dati |
| |
chiamata sessione di monitoraggio. |
| |
Una cosa che mi è davvero piaciuta |
| |
il giornale Downs and Vogel lo era |
| |
che non hanno fornito un file |
| |
singola metrica per valutare il |
| |
controllo del processo. io ho |
| |
una citazione dal giornale qui |
| |
"Abbiamo ritenuto che i compromessi |
| |
tra i possibili controlli |
| |
strategie e tecniche |
| |
coinvolto molto più di un |
| |
espressione matematica ". |
| |
Quindi ecco alcuni degli obiettivi |
| |
hanno elencato nel loro giornale, |
| |
che sono rilevanti per il nostro |
| |
problema. Volevano mantenere |
| |
le variabili di processo in |
| |
valori desiderati. Loro volevano |
| |
minimizzare la variabilità del prodotto |
| |
qualità durante i disturbi e |
| |
volevano riprendersi rapidamente |
| |
e senza intoppi dai disturbi. |
| |
Quindi vedremo quanto bene il nostro |
| |
il processo raggiunge questi obiettivi |
| |
con i nostri metodi di monitoraggio. |
| |
Quindi, per iniziare in |
| |
Diario della sessione di monitoraggio, io |
| |
mostrarti il nostro primo set di dati. |
| |
La tabella dei dati conteneva tutti i file |
| |
le variabili che ho introdotto |
| |
prima. Le prime variabili sono |
| |
le variabili di misura; il |
| |
secondo sono la composizione. |
| |
E il terzo sono i file |
| |
variabili manipolate. |
| |
Lo script qui sopra si adatterà |
| |
un modello PLS. Esclude il |
| |
ultime 100 righe come set di test. |
| |
Proprio come promemoria, |
| |
il modello prevede 2 |
| |
composizione del prodotto |
| |
variabili in funzione di |
| |
le variabili di processo. Se |
| |
hai JMP Pro, lì |
| |
sono state una certa velocità |
| |
miglioramenti a PLS |
| |
in JMP 16. |
| |
PLS ora ha un file |
| |
opzione SVD veloce. |
| |
Puoi passare al file |
| |
classico in rosso |
| |
menu triangolo. C'è |
| |
stato anche un certo numero di |
| |
miglioramenti delle prestazioni |
| |
sotto il cappuccio. |
| |
Principalmente rilevante per i set di dati |
| |
con un gran numero di |
| |
osservazioni, ma questo è |
| |
comune nel multivariato |
| |
impostazione del monitoraggio del processo. |
| |
Ma PLS non è il fulcro di |
| |
parlare, quindi ho già adattato il |
| |
colonne del modello e del punteggio di output |
| |
e puoi vederli qui. |
| |
Uno dei motivi per cui il monitor |
| |
carta di controllo multivariata era |
| |
progettato così com'è, è quello |
| |
immagina di essere uno statistico |
| |
e vuoi condividere il tuo modello |
| |
con un ingegnere così possono |
| |
costruire carte di controllo. Tutti |
| |
quello che devi fare è fornire il file |
| |
tabella dati con queste formule |
| |
colonne. Non hai bisogno di condividere |
| |
tutti i dettagli cruenti di come tu |
| |
misura il tuo modello. |
| |
Successivamente, fornirò il punteggio |
| |
colonne per monitorare il file |
| |
carta di controllo multivariata. |
| |
Trascinalo qui a destra. |
| |
Quindi qui a sinistra puoi vedere |
| due tipi di carte di controllo |
il |
| |
T al quadrato e SPE. |
| |
Ci sono 860 osservazioni |
| |
che sono stati utilizzati per stimare il |
| |
modello e questi sono etichettati come |
| |
storico. E poi i cento |
| |
che sono stati lasciati fuori come set di prova |
| |
sono i tuoi dati attuali. |
| |
E puoi vedere nel limite |
| |
riassunti, il numero di punti |
| |
che sono fuori controllo e il |
| |
livello di significatività. Ehm, se tu |
| |
vuoi cambiare il significato |
| |
livello, puoi farlo qui in |
| |
il menu del triangolo rosso. |
| |
Perché il reattore è normale |
| |
condizioni operative, ci aspettiamo |
| |
nessuna osservazione di cui essere fuori |
| |
controllo, ma abbiamo alcuni falsi |
| |
positivi qui perché noi |
| |
non hanno apportato modifiche per |
| |
confronti multipli. Suo |
| |
raro per farlo, per quanto mi riguarda |
| |
può dire, in multivariata |
| |
carte di controllo. Suppongo che tu |
| |
hanno un potere maggiore di rilevare |
| |
dei segnali di controllo senza a |
| |
correzione. Nella carta di controllo |
| |
gergo, questo significa che sei fuori |
| |
di controllo. Lunghezza media della corsa |
| |
è mantenuto basso. |
| |
Quindi a destra qui noi |
| |
hanno anche un contributo |
| |
grafici e sull'asse Y sono |
| |
le osservazioni; sulla X |
| |
asse, le variabili. UN |
| |
contributo è espresso |
| |
come porzione. |
| |
E poi in fondo qui, |
| |
abbiamo grafici di punteggio. Giusto |
| |
ora sto tramando il primo |
| |
dimensione del punteggio rispetto a |
| |
seconda dimensione del punteggio, ma |
| |
puoi guardare qualsiasi |
| |
combinazione di punteggio |
| |
dimensioni utilizzando questo |
| |
menu a discesa o la freccia |
| |
pulsante. |
| |
OK, quindi penso che siamo orientati |
| |
alla relazione. sto andando a |
| |
ora passa a |
| |
script che ho usato per lo streaming |
| |
dati nel database che |
| |
il rapporto sta monitorando. |
| |
Per fare qualcosa per questo |
| |
esempio, dovrai avere un file |
| |
Driver ODBC di SQLite installato |
| |
per il tuo computer. Questo è molto più semplice |
| |
da fare su un computer Windows, |
| |
che è quello che usi spesso |
| |
quando ci si collega effettivamente a un file |
| |
Banca dati. Il processo su Mac |
| |
è più coinvolto, ma ne metto un po ' |
| |
istruzioni sulla Comunità |
| |
pagina. E poi non ho tempo |
| |
per parlare di questo, ma io |
| |
ha creato il database SQLite |
| |
Userò in JMP e io |
| |
prevede di mettere alcune istruzioni |
| |
in come farlo su |
| |
Pagina Web della comunità. E si spera |
| |
quell'esempio ti è utile |
| |
se stai cercando di farlo con |
| |
dati da solo. |
| |
Poi ti mostrerò |
| |
tu i file che metto |
| |
nel database SQLite. |
| |
Qui ho i dati storici. |
| |
Questo è stato utilizzato per costruire |
| |
il modello PLS. Ci sono 960 |
| |
osservazioni che sono in |
| |
controllo. Poi ho il file |
| |
dati di monitoraggio, che all'inizio |
| |
contiene solo lo storico |
| |
dati, ma ne aggiungerò gradualmente di nuovi |
| |
dati a questo. Questi sono i dati |
| |
che il controllo multivariato |
| |
grafico sarà il monitoraggio. |
| |
E poi ho simulato di nuovo |
| |
data già e aggiunto al file |
| |
tabella dati qui. Questi sono |
| |
altre 960 misurazioni dispari |
| |
dove viene introdotto un errore |
| |
un punto temporale. volevo |
| |
avere qualcosa che fosse facile da ottenere |
| |
condividi, quindi non ho intenzione di correre |
| |
il mio script di simulazione e aggiungilo a |
| |
il database in questo modo. Siamo |
| |
solo andando a prendere le osservazioni |
| |
da questa nuova tabella di dati e |
| |
spostali nel monitoraggio |
| |
tabella dati utilizzando alcuni JSL e |
| |
Dichiarazioni SQL. Questo è solo un file |
| |
esempio che emula il processo |
| |
di nuovi dati in arrivo in un file |
| |
Banca dati. In qualche modo potresti non farlo |
| |
effettivamente farlo con JMP, ma |
| |
questa è stata un'opportunità per mostrare |
| |
come puoi farlo con JSL. |
| |
Pulisci qui. |
| |
E dopo ti mostrerò questo |
| |
script di streaming. Questo è un |
| |
script semplice, quindi lo farò |
| |
guidarti attraverso di esso molto velocemente. |
| |
Questa prima serie di |
| |
i comandi apriranno il file |
| |
nuova tabella dati e |
| |
è nel database SQLite, |
| |
quindi apre la tabella in |
| |
sfondo così non devo |
| |
occupati della finestra. |
| |
Poi prenderò dei pezzi |
| |
da questa tabella di dati e aggiungi |
| |
loro ai dati di monitoraggio |
| |
tavolo. Chiamo i pezzi |
| |
morsi e la dimensione del morso è 20. |
| |
E poi il prossimo comando lo farà |
| |
connettersi al database. Questo |
| |
mi consentirà di inviare il file |
| |
istruzioni SQL del database. |
| |
E poi questo pezzo successivo |
| |
di codice è |
| |
invio iterativo di SQL |
| |
dichiarazioni che inseriscono nuovo |
| |
dati nei dati di monitoraggio. |
| |
E lo farò |
| |
inizializza K e mostra il file |
| |
prima iterazione di questo. |
| |
Questa è una semplice istruzione SQL, |
| |
inserire nella dichiarazione che |
| |
inserisce i primi 20 |
| |
osservazioni nei dati |
| |
tavolo. Questa dichiarazione di stampa è |
| |
commentato in modo che il codice |
| |
corre più veloce e poi anche io |
| |
avere una dichiarazione di attesa per rallentare |
| |
le cose si abbassano leggermente così |
| |
possiamo vedere la loro progressione |
| |
nella carta di controllo. |
| |
E questo andrebbe semplicemente troppo veloce |
| |
se non l'avessi rallentato. |
| |
Um, quindi la prossima volta mi trasferirò |
| |
oltre alle sessioni di monitoraggio |
| |
per mostrarti gli script |
| |
che aggiornerà il rapporto |
| |
man mano che arrivano nuovi dati. |
| |
Questo primo script è un semplice file |
| |
script. Questo controllerà il file |
| |
database ogni 0,2 secondi per |
| |
nuove osservazioni e aggiungerle |
| |
alla tabella JMP. Dal momento che il |
| |
il report ha un ricalcolo automatico |
| |
attivato, il rapporto verrà aggiornato |
| |
ogni volta che vengono aggiunti nuovi dati. E |
| |
Dovrei aggiungere quello |
| |
realisticamente, |
| |
probabilmente non useresti un file |
| |
script che itera semplicemente come |
| |
Questo. Probabilmente usi task |
| |
scheduler in Windows o |
| |
Automator su Mac per migliorare |
| |
pianificare le esecuzioni dello script. |
| |
E poi ce n'è anche un altro |
| |
script che lo farà |
| |
inviare il report a JMP Public |
| |
ogni volta che il rapporto viene aggiornato, |
| |
ed ero davvero entusiasta di questo |
| |
questo è possibile con JMP 15. |
| |
Abilita qualsiasi computer con estensione |
| |
browser Web per visualizzare gli aggiornamenti |
| |
la carta di controllo. Allora lei |
| |
può anche visualizzare il rapporto su |
| |
il tuo smartphone, quindi questo fa |
| |
è davvero facile da condividere |
| |
risultati in tutte le organizzazioni. |
| |
E puoi anche usare JMP Live |
| |
se vuoi che i rapporti lo facciano |
| |
essere su un server con restrizioni. |
| |
Non avrò tempo |
| |
per entrare in questo in questo |
| |
demo, ma puoi controllare |
| |
il mio discorso di Discovery Americas. |
| |
Poi finalmente quaggiù, c'è |
| |
uno script che ricrea il file |
| |
dati storici nei dati |
| |
se vuoi eseguire il file |
| |
esempio più volte. |
| |
Va bene, quindi il prossimo ... assicurati |
| |
che abbiamo i dati storici ... |
| |
Eseguirò il file |
| |
script in streaming e vedere |
| |
come si aggiorna il rapporto. |
| |
Quindi i dati hanno il controllo su |
| |
prima e poi è un difetto |
| |
introdotto, ma c'è un file |
| |
sistema di controllo a livello di impianto |
| |
che è implementato in |
| |
simulazione e puoi vedere |
| |
come il sistema di controllo |
| |
alla fine porta il processo |
| |
verso un nuovo equilibrio. |
| |
Aspetta che finisca qui. |
| |
Quindi, se ingrandiamo, |
| |
sembra il primo processo |
| |
è andato fuori controllo intorno a questo |
| |
punto temporale, quindi vado a |
| |
coloralo e |
| |
etichettalo, ma lo farà |
| |
si presentano in altre trame. |
| |
E poi nella trama SPE, |
| |
assomiglia a questo |
| |
anche l'osservazione è fuori |
| |
controllo ma solo leggermente. |
| |
E poi se ingrandiamo |
| |
il punto temporale in |
| |
complotti di contribuzione, puoi |
| |
vedi che ce ne sono molti |
| |
variabili che contribuiscono a |
| |
il segnale di fuori controllo a |
| |
primo. Ma poi una volta che il file |
| |
processo raggiunge un nuovo |
| |
equilibrio, c'è solo |
| |
due grandi contributori. |
| |
Quindi rimuoverò il calore |
| |
mappe ora per ripulire un po '. |
| |
Puoi passare il mouse sopra |
| |
il punto in cui il processo |
| |
prima è andato fuori controllo e |
| |
dai un'occhiata ai primi dieci |
| |
variabili che contribuiscono. Questo |
| |
è fantastico per darti un |
| |
rapida panoramica delle variabili |
| |
stanno contribuendo maggiormente a |
| |
segnale fuori controllo. |
| |
E poi se clicco sulla trama, |
| |
questo verrà aggiunto al file |
| |
sezione diagnosi guasti. |
| |
E come puoi vedere, c'è |
| |
diverse variabili con grande |
| |
contributi e appena ordinati |
| |
sul contributo. |
| |
E per le variabili con |
| |
barre rosse l'osservazione è |
| |
fuori controllo nell'univariata |
| |
carte di controllo. Puoi vedere |
| |
questo passando il mouse su uno di |
| |
le barre e questi graflet |
| |
sono grafici IR per un file |
| |
variabile individuale con estensione |
| |
limite di controllo tre Sigma. |
| |
Puoi vedere nella spogliarellista |
| |
variabile di pressione che il |
| |
l'osservazione è fuori |
| |
controllo, ma alla fine il |
| |
il processo viene riportato sotto |
| |
controllo. E questo è il caso |
| |
per l'altro top |
| |
contributori. Mostrerò anche |
| |
tu una delle variabili |
| |
dove abbiamo il controllo, il |
| |
carta di controllo univariata. |
| |
Quindi il processo è stato ... |
| |
ci sono molte variabili fuori |
| |
di controllo nel processo a |
| |
l'inizio, ma |
| |
processo alla fine raggiunge |
| |
un nuovo equilibrio. |
| |
Ehm ... |
| |
Per vedere le variabili che |
| |
contribuiscono maggiormente al passaggio a |
| |
il processo, possiamo usare mean |
| |
grafico della proporzione del contributo. |
| |
Questi grafici mostrano la media |
| |
contributo che le variabili |
| |
deve T al quadrato per il gruppo |
| |
Ho selezionato. Ehm, qui se io |
| |
ordinare su questi. |
| |
Le uniche due variabili con |
| |
grandi contributi misurano il |
| |
velocità di flusso del reagente A in |
| |
stream one, che è il flusso di |
| |
questo reagente nel reattore. |
| |
Entrambe queste variabili sono |
| |
misurando essenzialmente il |
| |
stessa cosa, tranne una |
| |
misura ... uno è un |
| |
variabile di misura e il |
| |
altro è un manipolato |
| |
variabile. |
| |
Puoi vedere che c'è un file |
| |
grande cambio di passo nel flusso |
| |
tasso, che è quello che ho programmato |
| |
nella simulazione. Quindi questi |
| |
le trame di contribuzione ti permettono di farlo |
| |
identificare rapidamente la causa principale. |
| |
E poi nel mio discorso precedente io |
| |
ha mostrato molti altri modi per |
| |
visualizzare e diagnosticare i guasti |
| |
utilizzando gli strumenti nel grafico del punteggio. |
| |
Ciò include la stampa del file |
| |
caricamenti sulle partiture e |
| |
facendo alcuni confronti di gruppo. |
| |
Puoi controllare la mia Discovery |
| |
Le Americhe parlano di JMP |
| |
Comunità per questo. Invece io sono |
| |
spenderò il resto di questo |
| |
tempo introducendo alcuni nuovi |
| |
esempi, che ho inserito nel file |
| |
Pagina della comunità per questo discorso. |
| |
Così. |
| |
Sono disponibili 20 guasti programmabili |
| |
nel processo Tennessee Eastman |
| |
e possono essere introdotti in qualsiasi |
| |
combinazione. Ne ho forniti altri due |
| |
difetti rappresentativi qui. Colpa |
| |
1 che ho mostrato in precedenza era |
| |
facile da rilevare perché il file out |
| |
del segnale di controllo è così grande |
| |
e tante variabili lo sono |
| |
coinvolti. L'attenzione sul |
| |
la demo precedente era quella di mostrare come |
| |
utilizzare gli strumenti e identificare. |
| |
difetti di un gran numero di |
| |
variabili e non benchmark |
| |
i metodi necessariamente. |
| |
Difetto 4, d'altra parte, |
| |
è un difetto più sottile, |
| |
e te lo mostrerò qui. |
| |
L'errore è ... è programmato |
| |
è un improvviso aumento del |
| |
temperatura nel reattore. |
| |
E questo è compensato da |
| |
il sistema di controllo aumentando |
| |
la portata del liquido di raffreddamento. |
| |
E lo puoi vedere |
| |
variabile raccolta qui e |
| |
puoi vedere il cambiamento |
| |
appezzamenti di contribuzione. |
| |
E poi puoi anche vedere |
| |
che la maggior parte delle altre variabili |
| |
non sono influenzati |
| |
per colpa. Puoi vedere un file |
| |
picco di temperatura qui |
| |
viene rapidamente riportato sotto |
| |
controllo. Perché la maggior parte degli altri |
| |
le variabili non sono influenzate, questo |
| |
è difficile da rilevare per alcuni |
| |
metodi di controllo multivariati. |
| |
E può essere di più |
| |
difficile da diagnosticare. |
| |
L'ultimo difetto che ti mostro |
| |
è l'errore 11. |
| |
Come l'errore 4, coinvolge anche |
| |
il flusso di refrigerante nel |
| |
reattore, tranne ora la colpa |
| |
introduce grandi oscillazioni in |
| |
la portata, che possiamo |
| |
vedere nel controllo univariato |
| |
grafico. E questo si traduce in a |
| |
fluttuazione del reattore |
| |
temperatura. L'altro |
| |
le variabili non lo sono realmente |
| |
influenzato di nuovo, quindi questo può essere |
| |
più difficile da rilevare per alcuni |
| |
metodi. Alcuni multivariati |
| |
metodi di controllo possono riprendere |
| |
Errore 4, ma non l'errore 11 o |
| |
vice versa. Ma il nostro metodo lo era |
| |
in grado di captare entrambi. |
| |
E poi finalmente, tutti i file |
| |
esempi che ho creato utilizzando il |
| |
Il processo del Tennessee Eastman aveva |
| |
difetti che erano evidenti in |
| |
entrambi i grafici T quadrato e SPE. Per |
| |
mostra alcune funzionalità più recenti in |
| |
multivariato basato su modello |
| |
grafico di controllo, volevo mostrare |
| |
un esempio di un difetto che |
| |
appare nel grafico SPE ma non |
| |
T al quadrato. E per trovare un bene |
| |
esempio di questo, ho rivisitato a |
| |
set di dati che Jianfeng Ding |
| |
presentato nel suo discorso precedente, e |
| |
Ho fornito un collegamento al suo discorso |
| |
in questo diario. |
| |
Nella sua pagina della community, |
| |
ne fornisce diversi |
| |
esempi utili che sono |
| |
vale anche la pena dare un'occhiata. |
| |
Questo è un set di dati di Cordia |
| |
Il classico articolo di McGregor (?) Su |
| |
carte di controllo multivariate. Il |
| |
i dati sono variabili elaborate |
| |
misurato in un reattore, producendo |
| |
polietilene, e puoi trovare |
| |
più background in Jianfeng's |
| |
parlare. In questo esempio, noi |
| |
hanno un processo che è andato fuori |
| |
controllo. Lascia che ti mostri questo. |
| |
Ed è fuori controllo in ... |
| |
prima nel grafico SPE che in |
| |
la T al quadrato. |
| |
E se guardiamo alla media |
| |
contributo |
| |
trame per SPE, |
| |
Puoi |
| |
vedi che c'è una variabile |
| |
con grande contributo ed esso |
| |
mostra anche un grande cambiamento nel |
| |
carta di controllo univariata, ma |
| |
ci sono anche altre variabili |
| |
con grandi contributi, ma |
| |
che hanno ancora il controllo in |
| |
carte di controllo univariate. |
| |
Ed è difficile determinarlo |
| |
solo i grafici a barre perché questi |
| |
le variabili avevano un grande |
| |
contributi. Grandi valori di SPE |
| |
accade quando i nuovi dati non lo fanno |
| |
seguire la struttura di correlazione |
| |
dei dati storici, che è |
| |
spesso è il caso di nuovi dati |
| |
raccolti, e questo significa che |
| |
il tuo modello PLS che hai addestrato è |
| |
non più applicabile. |
| |
Dai grafici a barre, è difficile |
| |
per sapere quale coppia di variabili |
| |
hanno la loro struttura di correlazione |
| |
rotto. Così nuovo nella versione 15.2, tu |
| |
può lanciare matrici di grafici a dispersione. |
| |
Ed è chiaro nel file |
| |
matrice di scatterplot che il file |
| |
violazione delle correlazioni |
| |
con Z2 è ciò che guida |
| |
questi grandi contributi. |
| |
OK, torno indietro |
| |
al PowerPoint. |
| |
E molto velocemente, riassumerò |
| |
le caratteristiche principali del model driven |
| |
grafico di controllo multivariato che |
| |
sono stati mostrati nella demo. Il |
| |
piattaforma è in grado di |
| |
eseguire entrambi i guasti in linea |
| |
rilevamento e guasto offline |
| |
diagnosi. Ci sono molti |
| |
metodi forniti nella piattaforma |
| |
per eseguire il drill fino alla radice |
| |
causa di guasti. Te lo sto mostrando |
| |
ecco alcune trame da un popolare |
| |
book, Fault Detection e |
| |
Diagnosi nei sistemi industriali. |
| |
In tutto il libro, gli autori |
| |
dimostrare come è necessario |
| |
utilizzare multivariato e univariato |
| |
carte di controllo fianco a fianco |
| |
per avere un'idea di cosa sta succedendo |
| |
in un processo. |
| |
Particolarmente utile |
| |
caratteristica nel multivariato basato su modello |
| |
grafico di controllo è come |
| |
interattivo e facile da usare |
| |
è passare da uno all'altro |
| |
due tipi di grafici. |
| |
E questo è il mio discorso. Qui è |
| |
la mia email se ne hai |
| |
ulteriori domande. E |
| |
grazie a tutti |
| |
sintonizzato per guardarlo. |
