Altoparlante
|
Trascrizione
|
| |
Ciao, sono Jeremy Ash. io sono un |
| |
statistico nella ricerca e sviluppo di JMP. Il mio lavoro |
| |
consiste principalmente in test |
| |
la statistica multivariata |
| |
piattaforme in JMP, ma anche io |
| |
aiutare a ricercare e valutare |
| |
metodologia. Oggi lo farò |
| |
analizzare il Tennessee |
| |
Processo Eastman che ne utilizza alcuni |
| |
processo di controllo statistico |
| |
metodi in JMP. sto andando a |
| |
prestare particolare attenzione |
| |
al modello multivariato guidato |
| |
piattaforma di carte di controllo, che è |
| |
una nuova aggiunta a JMP 15. |
| |
Questi dati forniscono un |
| |
occasione per mostrare il |
| |
numero della piattaforma |
| |
caratteristiche. E altrettanto veloce |
| |
disclaimer, questo è simile a |
| |
il mio discorso su Discovery Americas. Noi |
| |
si rese conto che l'Europa non aveva visto un |
| |
multivariata guidata dal modello |
| |
discorsi sulla carta di controllo a causa di tutto ciò |
| |
follia intorno al COVID, quindi io |
| |
ha deciso di concentrarsi sulle basi. |
| |
Ma c'è del nuovo materiale |
| |
alla fine del discorso. Malato |
| |
coprirne brevemente alcuni aggiuntivi |
| |
analisi di esempio, poi ho messo su |
| |
la pagina della community per il discorso. |
| |
Innanzitutto, presumo una certa conoscenza |
| |
del controllo statistico dei processi |
| |
in questo discorso. La cosa principale è |
| |
sarebbe utile saperlo |
| |
sono le carte di controllo. Se tu sei |
| |
non ho familiarità con questi, questi |
| |
sono grafici utilizzati per monitorare |
| |
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 farò riferimento a questi altri |
| |
grandi discorsi che sono liberamente |
| |
disponibile nella comunità JMP |
| |
se vuoi maggiori dettagli. IO |
| |
dovrebbe anche dire che Jianfeng |
| |
Ding era il primario |
| |
sviluppatore del modello guidato |
| |
controllo di controllo multivariato |
| |
grafico in collaborazione con |
| |
Chris Gotwalt e quella Tonya |
| |
Mauldin e io eravamo tester. IL |
| |
verrà utilizzato il focus di questo discorso |
| |
carte di controllo multivariate a |
| |
monitorare un mondo reale |
| |
processo tipico; un altro romanzo |
| |
l'aspetto utilizzerà il controllo |
| |
grafici per il processo online |
| |
monitoraggio. Ciò significa che lo saremo |
| |
monitorare i dati continuamente come |
| |
viene aggiunto a un database e |
| |
rilevamento dei guasti in tempo reale. |
| |
Quindi inizierò con |
| |
la diapositiva obbligatoria sul |
| |
vantaggi del multivariato |
| |
carte di controllo. Allora perché non usarlo |
| |
carte di controllo univariate? Là |
| |
sono una serie di eccellenti |
| |
opzioni in JMP. Univariato |
| |
le carte di controllo sono eccellenti |
| |
strumenti per analizzarne alcuni |
| |
variabili alla volta. Tuttavia, |
| |
i dati di controllo qualità sono spesso |
| |
alta dimensionalità e il numero |
| |
delle carte di controllo di cui hai bisogno |
| |
guardare può diventare rapidamente |
| |
travolgente. Multivariato |
| |
le carte di controllo possono riassumere a |
| |
processo ad alta dimensionalità in |
| |
solo un paio di carte di controllo, |
| |
quindi questo è un vantaggio chiave. |
| |
Ma questo non vuol dire questo |
| |
le carte di controllo universitarie non lo sono |
| |
utile in questo contesto. Lo farai |
| |
vedere durante il discorso che |
| |
la diagnosi dei guasti spesso comporta |
| |
passaggio tra multivariata |
| |
e grafici univariati. |
| |
Le carte di controllo multivariate danno |
| |
hai un senso d'insieme |
| |
salute del processo, mentre |
| |
i grafici univariati te lo consentono |
| |
monitorare aspetti specifici della |
| |
processi. Quindi l'informazione è |
| |
complementare. Uno degli obiettivi |
| |
del monitoraggio multivariato |
| |
la carta di controllo è fornirne alcuni |
| |
strumenti utili per il passaggio |
| |
tra questi due tipi di |
| |
grafici. Uno svantaggio di |
| |
i grafici univariati è quello |
| |
le osservazioni possono sembrare presenti |
| |
controllare quando sono effettivamente |
| |
fuori controllo nel multivariato |
| |
senso e queste trame mostrano ciò che io |
| |
intendo con questo. L'univariabile |
| |
carta di controllo per il petrolio 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, |
| |
in particolare l'osservazione 51, che |
| |
viola abbastanza la correlazione |
| |
struttura delle due variabili, |
| |
quindi carte di controllo multivariate |
| |
può cogliere questi tipi di |
| |
valori anomali, mentre univariati |
| |
le carte di controllo non possono. |
| |
Multivariata guidata dal 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 |
| |
proiettare i dati su un basso |
| |
superficie dimensionale. Ehm, |
| |
questo è mostrato nell'immagine |
| |
sulla destra. Abbiamo p |
| |
variabili di processo e N |
| |
osservazioni e |
| |
i vettori di caricamento in P |
| |
matrice fornisce i coefficienti per |
| |
combinazioni lineari della nostra X |
| |
variabili che risultano |
| |
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 esserlo |
| |
previsto in funzione di |
| |
punteggio e caricamenti, dove E è |
| |
l'errore di previsione. |
| |
Questi punteggi vengono selezionati |
| |
minimizzare l'errore di previsione, |
| |
e un altro modo di pensare |
| |
questo è ciò che stai massimizzando |
| |
la quantità di varianza spiegata |
| |
nella matrice X. |
| |
Allora PLS è la soluzione più adatta |
| |
metodo di proiezione. Quando hai |
| |
un insieme di variabili di processo e a |
| |
insieme di variabili di qualità, tu |
| |
voglio davvero garantire che il |
| |
le variabili di qualità vengono mantenute |
| |
controllo ma queste variabili |
| |
sono spesso costosi o in termini di tempo |
| |
consumare per raccogliere. La pianta |
| |
potrebbe realizzare prodotti senza |
| |
una qualità di controllo per lungo tempo |
| |
tempo prima che venga rilevato un guasto. |
| |
Quindi i modelli PLS te lo consentono |
| |
monitorare le variabili di qualità |
| |
in funzione del processo |
| |
variabili e puoi vederlo |
| |
i modelli PLS trovano il punteggio |
| |
variabili che massimizzano la |
| |
quantità di variazione spiegata |
| |
le variabili di qualità. |
| |
Queste variabili di processo sono |
| |
spesso più economico o più facilmente |
| |
disponibile, in modo che PLS possa abilitarti |
| |
per rilevare difetti di qualità |
| |
presto e realizza il tuo processo |
| |
monitoraggio più economico. E da qui |
| |
poi mi concentrerò su PLS |
| |
modelli perché è di più |
| |
appropriato per l'esempio. |
| |
Quindi il modello PLS partiziona il tuo |
| |
dati in due componenti. IL |
| |
il primo componente è il modello |
| |
componente. Questo dà il |
| |
valori previsti del processo |
| |
variabili. Un altro modo di pensare |
| |
a riguardo è che i tuoi dati hanno |
| |
stato proiettato nel modello |
| |
piano definito dal tuo punteggio |
| |
variabili e monitor T quadrati |
| |
la variazione dei tuoi dati |
| |
all'interno di questo piano del modello. |
| |
E il secondo componente è il |
| |
componente di errore. Questo è il |
| |
distanza tra l'originale |
| |
dati e i dati previsti e |
| |
errore di previsione 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 alla SPE |
| |
che alcune persone preferiscono. |
| |
L'ultimo concetto è quello |
| |
importante da capire per il |
| |
demo è la distinzione tra |
| |
dati storici e attuali. |
| |
I dati storici sono in genere |
| |
raccolti quando il processo è stato |
| |
noto per avere il controllo. Questi |
| |
i dati vengono utilizzati per costruire il PLS |
| |
modello e definire la normale |
| |
variazione del processo in modo che a |
| |
è possibile ottenere il limite di controllo. |
| |
E i dati attuali vengono assegnati |
| |
punteggi basati sul modello ma |
| |
sono indipendenti dal modello. |
| |
Un altro modo di pensare a questo |
| |
è che abbiamo formazione e |
| |
set di prova. Il controllo T 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 ce n'è di più |
| |
variabilità in P al quadrato quando |
| |
il modello si generalizza all'E test |
| |
impostato. Fortunatamente, la teoria |
| |
per la varianza di T al quadrato è |
| |
stato risolto in modo da poterlo ottenere |
| |
questi limiti di controllo basati su |
| |
alcune ipotesi distributive. |
| |
Nella demo verrà effettuato il monitoraggio |
| |
il processo Tennessee Eastman. |
| |
Ne 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 |
| |
Chimico. Lo era originariamente |
| |
scritto in Fortran, ma lì |
| |
sono wrapper per Matlab e |
| |
Pitone 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 il benchmark multivariato |
| |
metodi di controllo nel |
| |
letteratura. Copre il |
| |
compiti principali del multivariato |
| |
controlla bene e c'è |
| |
una quantità impressionante di |
| |
realismo nella simulazione. |
| |
E la simulazione è basata su |
| |
un processo industriale che è |
| |
ancora attuale oggi. |
| |
Quindi i dati sono stati manipolati |
| |
per proteggere la proprietà |
| |
informazione. Il simulato |
| |
il processo è la produzione di |
| |
due prodotti liquidi da |
| |
reagenti gassosi all'interno di a |
| |
impianto chimico. E F ecco |
| |
un sottoprodotto |
| |
che dovrà essere sifonato |
| |
fuori dal prodotto desiderato. |
| |
Ehm e... |
| |
Questo è tutto quello che dirò a riguardo. |
| |
Quindi appare il diagramma del processo |
| |
complicato, ma in realtà non lo è |
| |
così male, quindi ti accompagno |
| |
attraverso esso. Gassoso |
| |
entrano i reagenti A, D ed E |
| |
il reattore qui. |
| |
La reazione avviene e il |
| |
il prodotto esce sotto forma di gas. Suo |
| |
poi raffreddato e condensato in |
| |
liquido nel condensatore. |
| |
Quindi un separatore liquido-vapore |
| |
ricicla il vapore residuo e |
| |
lo rimanda al reattore |
| |
attraverso un compressore, e il |
| |
sottoprodotto e sostanza chimica inerte B |
| |
vengono spurgati nel flusso di spurgo, |
| |
e questo per prevenirne qualsiasi |
| |
accumulo. Il prodotto liquido |
| |
viene pompato attraverso uno spogliarellista, |
| |
dove i rimanenti reagenti |
| |
vengono spogliati. |
| |
E poi rimandato al reattore. |
| |
E poi finalmente, il |
| |
prodotto liquido purificato |
| |
esce dal processo. |
| |
Il primo insieme di variabili è |
| |
i monitorati sono i manipolati |
| |
variabili. Sembrano degli archi |
| |
legami nel diagramma. Penso |
| |
in realtà sono destinati a esserlo |
| |
valvole e manipolate |
| |
processo...o il manipolato |
| |
le variabili controllano principalmente il |
| |
portata attraverso diversi |
| |
flussi del processo. |
| |
E queste variabili possono essere impostate |
| |
a qualsiasi valore entro i limiti e |
| |
avere del rumore gaussiano. |
| |
Le variabili manipolate sono in grado |
| |
da campionare nella tariffa, |
| |
ma usiamo il valore predefinito 3 |
| |
minuti campione ora. |
| |
Alcuni esempi di manipolati |
| |
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 nello spogliarellista. |
| |
E un'altra è una valvola quella |
| |
controlla il flusso del liquido refrigerante |
| |
nel reattore. |
| |
Il prossimo insieme di variabili sono |
| |
variabili di misura. Questi sono |
| |
mostrati come cerchi nel diagramma. |
| |
Sono stati anche campionati alle tre |
| |
intervalli di minuti. IL |
| |
differenza tra manipolato |
| |
variabili e misurazione |
| |
variabili è che il |
| |
le variabili di misurazione non possono esserlo |
| |
manipolato nella simulazione. |
| |
Le nostre variabili di qualità saranno |
| |
la composizione percentuale di |
| |
due prodotti liquidi e te |
| |
può vedere l'analizzatore |
| |
misurare i prodotti qui. |
| |
Queste variabili vengono campionate |
| |
un notevole ritardo, quindi |
| |
stiamo guardando l'epurazione |
| |
flusso invece dell'uscita |
| |
stream, perché questi dati lo 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 |
| |
influiscono sulla velocità di campionamento più rapida. |
| |
Quindi dovrebbe essere sufficiente |
| |
background sui dati. In |
| |
in totale ci sono 33 processi |
| |
variabili e due qualità |
| |
variabili. Il processo di |
| |
raccogliere le variabili lo è |
| |
simulato con un set di |
| |
equazioni differenziali. E questo |
| |
è solo una simulazione, ma come te |
| |
può vedere una notevole quantità di |
| |
è stata prestata molta attenzione alla modellazione di questo |
| |
dopo un processo nel mondo reale. Qui |
| |
è una panoramica della demo I'm |
| |
sto per mostrarti. Raccoglieremo |
| |
dati sul nostro processo e archivio |
| |
questi dati in un database. |
| |
Volevo avere un esempio |
| |
è stato facile condividerlo, quindi lo sarò |
| |
utilizzando un database SQLite, ma |
| |
il flusso di lavoro è rilevante per la maggior parte |
| |
tipi di database poiché la maggior parte |
| |
supportare le connessioni ODBC. |
| |
Una volta che JMP forma un file ODBC |
| |
connessione con il database, |
| |
JMP può verificare periodicamente |
| |
nuove osservazioni e aggiungerle |
| |
una tabella di 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 |
| |
aggiungere dati a un database lo farebbe |
| |
probabilmente andrà in un separato |
| |
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 sul |
| |
Comunità e sessione |
| |
aggiungendo 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 |
| |
lo era il giornale Downs e Vogel |
| |
che non hanno fornito a |
| |
singola metrica per valutare il |
| |
controllo del processo. Io ho |
| |
una citazione dal giornale qui |
| |
"Abbiamo ritenuto che ci fossero dei compromessi |
| |
tra i possibili controlli |
| |
strategie e tecniche |
| |
coinvolto molto più di a |
| |
espressione matematica." |
| |
Ecco quindi alcuni degli obiettivi |
| |
hanno elencato nel loro giornale, |
| |
che sono rilevanti per il nostro |
| |
problema. Volevano mantenere |
| |
le variabili di processo a |
| |
valori desiderati. Loro volevano |
| |
ridurre al minimo la variabilità del prodotto |
| |
qualità durante i disturbi, e |
| |
volevano riprendersi rapidamente |
| |
e senza intoppi dai disturbi. |
| |
Quindi vedremo quanto bene il nostro |
| |
processo raggiunge questi obiettivi |
| |
con i nostri metodi di monitoraggio. |
| |
Quindi, per iniziare nel |
| |
Diario della sessione di monitoraggio, lo farò |
| |
mostrarti il nostro primo set di dati. |
| |
La tabella dei dati conteneva tutti i |
| |
le variabili che ho introdotto |
| |
prima. Le prime variabili sono |
| |
le variabili di misura; IL |
| |
il secondo è la composizione. |
| |
E i terzi sono i |
| |
variabili manipolate. |
| |
La sceneggiatura qui sopra andrà bene |
| |
un modello PLS. Esclude il |
| |
ultime 100 righe come set di prova. |
| |
Proprio come promemoria, |
| |
il modello prevede 2 |
| |
composizione del prodotto |
| |
variabili in funzione di |
| |
le variabili di processo. Se |
| |
hai JMP Pro, lì |
| |
è stata una certa velocità |
| |
miglioramenti al PLS |
| |
nel JMP16. |
| |
PLS ora ha un file |
| |
opzione SVD veloce. |
| |
Puoi passare a |
| |
classico in rosso |
| |
menù 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 è così |
| |
comune nel multivariato |
| |
impostazione del monitoraggio del processo. |
| |
Ma il PLS non è al centro dell'attenzione |
| |
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 |
| |
la carta di controllo multivariata era |
| |
progettato così com'è, è così |
| |
immagina di essere uno statistico |
| |
e vuoi condividere il tuo modello |
| |
con un ingegnere in modo che possano |
| |
costruire carte di controllo. Tutto |
| |
quello che devi fare è fornire il file |
| |
tabella dati con queste formule |
| |
colonne. Non è necessario condividere |
| |
tutti i dettagli cruenti di come tu |
| |
adatta al tuo modello. |
| |
Successivamente, fornirò il punteggio |
| |
colonne per monitorare il |
| |
carta di controllo multivariata. |
| |
Trascinalo qui a destra. |
| |
Quindi qui a sinistra puoi vedere |
| due tipi di carte di controllo |
IL |
| |
T quadrato e SPE. |
| |
Ehm, 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 |
| |
riepiloghi, il numero di punti |
| |
che sono fuori controllo e il |
| |
livello di significatività. Uhm, se tu |
| |
vogliono cambiare il significato |
| |
livello, puoi farlo quassù |
| |
il menu del triangolo rosso. |
| |
Perché il reattore è normale |
| |
condizioni operative, ci aspettiamo |
| |
nessuna osservazione da cui uscire |
| |
controllo, ma abbiamo alcuni falsi |
| |
aspetti positivi qui perché noi |
| |
non ho apportato alcuna modifica per |
| |
confronti multipli. Suo |
| |
raro fare questo, per quanto mi riguarda |
| |
può dirlo, in multivariata |
| |
carte di controllo. Suppongo che tu |
| |
hanno un potere maggiore di rilevamento |
| |
di segnali di controllo senza a |
| |
correzione. Nella carta di controllo |
| |
gergo, questo significa che sei fuori |
| |
di controllo. Durata media del percorso |
| |
viene tenuto basso. |
| |
Quindi a destra eccoci |
| |
hanno anche un contributo |
| |
grafici e sull'asse Y sono |
| |
le osservazioni; sulla X |
| |
asse, le variabili. UN |
| |
viene espresso il contributo |
| |
come porzione. |
| |
E poi qui in fondo, |
| |
abbiamo grafici dei punteggi. Giusto |
| |
ora sto pianificando il primo |
| |
dimensione del punteggio rispetto a |
| |
seconda dimensione del punteggio, ma |
| |
puoi guardarne qualsiasi |
| |
combinazione di punteggio |
| |
dimensioni utilizzando questo |
| |
menu a discesa o la freccia |
| |
pulsante. |
| |
OK, quindi penso che siamo orientati |
| |
al rapporto. sto andando a |
| |
ora passa a |
| |
script che ho utilizzato per lo streaming |
| |
dati nel database che |
| |
il rapporto sta monitorando. |
| |
Per fare qualsiasi cosa per questo |
| |
ad esempio, dovrai avere un file |
| |
Driver ODBC 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 connette effettivamente a a |
| |
Banca dati. Il processo sul Mac |
| |
è più coinvolto, ma ne metto alcuni |
| |
istruzioni sulla Comunità |
| |
pagina. E poi non ho tempo |
| |
per parlare di questo, ma io |
| |
creato il database SQLite |
| |
Utilizzerò JMP e I |
| |
intenzione di inserire alcune istruzioni |
| |
su come eseguire questa operazione su |
| |
Pagina Web della comunità. E si spera |
| |
quell'esempio ti è utile |
| |
se stai cercando di farlo con |
| |
dati da solo. |
| |
Successivamente lo mostrerò |
| |
voi i file che ho inserito |
| |
nel database SQLite. |
| |
Qui ho i dati storici. |
| |
Questo veniva usato per costruire |
| |
il modello PLS. Sono 960 |
| |
osservazioni che sono in |
| |
controllo. Poi ho il |
| |
monitoraggio dei dati, che in un primo momento |
| |
contiene solo lo storico |
| |
data, ma ne aggiungerò gradualmente di nuovi |
| |
dati a questo. Questi sono i dati |
| |
che il controllo multivariato |
| |
il grafico monitorerà. |
| |
E poi ho simulato new |
| |
già dati e li ho aggiunti al file |
| |
tabella dati qui. Questi sono |
| |
altre 960 misurazioni dispari |
| |
dove viene introdotto un guasto |
| |
un certo punto temporale. volevo |
| |
avere qualcosa che fosse facile da ottenere |
| |
condividi, quindi non scapperò |
| |
il mio script di simulazione e aggiungilo a |
| |
il database in questo modo. Erano |
| |
prenderò semplicemente delle osservazioni |
| |
da questa nuova tabella dati e |
| |
spostarli al monitoraggio |
| |
tabella dati utilizzando alcuni JSL e |
| |
Istruzioni SQL. Questo è solo un |
| |
esempio emulando il processo |
| |
di nuovi dati che entrano in a |
| |
Banca dati. In qualche modo potresti non farlo |
| |
in realtà fallo con JMP, ma |
| |
questa è stata un'opportunità per mostrare |
| |
come puoi farlo con JSL. |
| |
Pulisci qui. |
| |
E poi ti mostrerò questo |
| |
sceneggiatura in streaming. Questo è un |
| |
script semplice, quindi lo farò |
| |
guidarti attraverso il tutto molto velocemente. |
| |
Questa prima serie di |
| |
i comandi apriranno il file |
| |
nuova tabella dati e |
| |
è nel database SQLite, |
| |
quindi apre la tabella nel file |
| |
sfondo, quindi non devo farlo |
| |
occuparsi della finestra. |
| |
Poi prenderò dei pezzi |
| |
da questa tabella dati e aggiungi |
| |
ai dati di monitoraggio |
| |
tavolo. Chiamo i pezzi |
| |
morsi e la dimensione del morso è 20. |
| |
E poi lo farà il prossimo comando |
| |
connettersi al database. Questo |
| |
mi permetterà di inviare il |
| |
istruzioni SQL del database. |
| |
E poi il prossimo pezzo |
| |
del codice è |
| |
invio iterativo di SQL |
| |
istruzioni 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 nell'istruzione that |
| |
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 leggermente giù in modo che |
| |
possiamo vedere la loro progressione |
| |
nella carta di controllo. |
| |
E tutto questo andrebbe troppo veloce |
| |
se non l'avessi rallentato. |
| |
Uhm, quindi la prossima volta mi trasferirò |
| |
alle sessioni di monitoraggio |
| |
per mostrarti gli script |
| |
che aggiornerà il rapporto |
| |
man mano che arrivano nuovi dati. |
| |
Questo primo script è semplice |
| |
sceneggiatura. Questo controllerà il |
| |
database ogni 0,2 secondi per |
| |
nuove osservazioni e aggiungerle |
| |
alla tabella JMP. Dal momento che |
| |
il rapporto ha il ricalcolo automatico |
| |
attivato, il rapporto verrà aggiornato |
| |
ogni volta che vengono aggiunti nuovi dati. E |
| |
Dovrei aggiungerlo |
| |
realisticamente, |
| |
probabilmente non useresti a |
| |
script che ripete semplicemente come |
| |
Questo. Probabilmente usi task |
| |
pianificazione in Windows o |
| |
Automator su Mac in meglio |
| |
pianificare le esecuzioni dello script. |
| |
E poi ce n'è anche un altro |
| |
script che lo farà |
| |
inviare il rapporto a JMP Public |
| |
ogni volta che il rapporto viene aggiornato, |
| |
e ne ero davvero entusiasta |
| |
questo è possibile con JMP 15. |
| |
Abilita qualsiasi computer con a |
| |
browser Web per visualizzare gli aggiornamenti |
| |
la carta di controllo. Allora lei |
| |
può anche visualizzare il rapporto su |
| |
il tuo smartphone, quindi questo lo rende |
| |
è davvero facile da condividere |
| |
risultati tra le organizzazioni. |
| |
E puoi anche utilizzare JMP Live |
| |
se vuoi che i rapporti lo facciano |
| |
essere su un server limitato. |
| |
Non avrò tempo |
| |
per approfondire questo in questo |
| |
demo, ma puoi dare un'occhiata |
| |
il mio discorso su Discovery Americas. |
| |
Poi finalmente quaggiù, c'è |
| |
uno script che ricrea il |
| |
dati storici nei dati |
| |
table se vuoi eseguire il file |
| |
esempio più volte. |
| |
Va bene, quindi il prossimo... assicurati |
| |
che abbiamo i dati storici... |
| |
Eseguirò il |
| |
script in streaming e vedere |
| |
come si aggiorna il rapporto. |
| |
Quindi i dati sono sotto controllo |
| |
prima e poi è colpa |
| |
introdotto, ma c'è a |
| |
sistema di controllo a livello di impianto |
| |
questo è implementato in |
| |
simulazione e puoi vedere |
| |
come funziona il sistema di controllo |
| |
alla fine porta il processo |
| |
ad un nuovo equilibrio. |
| |
Aspetta che finisca qui. |
| |
Quindi, se ingrandiamo, |
| |
sembra che il processo sia il primo |
| |
è andato fuori controllo riguardo a questo |
| |
punto temporale, quindi lo farò |
| |
coloralo e |
| |
etichettalo, ma lo farà |
| |
compaiono in altre trame. |
| |
E poi nel grafico SPE, |
| |
sembra così |
| |
anche l'osservazione è fuori |
| |
controllare ma solo leggermente. |
| |
E poi se ingrandiamo |
| |
il punto temporale nel |
| |
trame di contributo, puoi |
| |
vedi che ce ne sono tanti |
| |
variabili che contribuiscono a |
| |
il segnale fuori controllo a |
| |
Primo. Ma poi una volta che |
| |
il 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 contribuenti. Questo |
| |
è fantastico per darti un |
| |
panoramica rapida quali variabili |
| |
stanno contribuendo maggiormente al |
| |
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 grandi |
| |
contributi e appena ordinati |
| |
sul contributo. |
| |
E per le variabili con |
| |
barre rosse l'osservazione è |
| |
fuori controllo nell'univariabile |
| |
carte di controllo. Puoi vedere |
| |
questo passando con il mouse su uno dei |
| |
le barre e questi grafici |
| |
sono carte IR per un |
| |
variabile individuale con a |
| |
limite di controllo tre Sigma. |
| |
Puoi vedere nella spogliarellista |
| |
pressione variabile che il |
| |
l'osservazione è fuori |
| |
controllo, ma alla fine il |
| |
il processo viene ripristinato |
| |
controllo. E questo è il caso |
| |
per l'altro superiore |
| |
contributori. Lo 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 |
| |
il processo alla fine raggiunge |
| |
un nuovo equilibrio. |
| |
Ehm... |
| |
Per vedere le variabili that |
| |
contribuiscono maggiormente al cambiamento |
| |
il processo, possiamo usare mean |
| |
grafico della proporzione del contributo. |
| |
Questi grafici mostrano la media |
| |
contributo che le variabili |
| |
dobbiamo T al quadrato per il gruppo |
| |
Ho selezionato. Uhm, ecco se io |
| |
ordina su questi. |
| |
Le uniche due variabili con |
| |
grandi contributi misurano il |
| |
velocità di flusso del reagente A in |
| |
flusso uno, che è il flusso di |
| |
questo reagente nel reattore. |
| |
Entrambe queste variabili lo sono |
| |
misurando essenzialmente il |
| |
stessa cosa, tranne una |
| |
misurazione...uno è a |
| |
variabile di misura e |
| |
l'altro è manipolato |
| |
variabile. |
| |
Puoi vedere che c'è un |
| |
grande cambiamento di passo nel flusso |
| |
tasso, che è quello che ho programmato |
| |
nella simulazione. Quindi questi |
| |
i grafici di contributo ti consentono di farlo |
| |
identificare rapidamente la causa principale. |
| |
E poi nel mio discorso precedente I |
| |
ha mostrato molti altri modi per farlo |
| |
visualizzare e diagnosticare i guasti |
| |
utilizzando gli strumenti nella trama del punteggio. |
| |
Ciò include la tracciatura di |
| |
caricamenti sulle trame del punteggio e |
| |
facendo alcuni confronti di gruppo. |
| |
Puoi dare un'occhiata alla mia Discovery |
| |
Le Americhe parlano del JMP |
| |
Comunità per questo. Invece lo sono |
| |
spenderò il resto |
| |
tempo introducendone alcuni nuovi |
| |
esempi, che ho inserito nel file |
| |
Pagina della community per questo discorso. |
| |
COSÌ. |
| |
Sono presenti 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 l'out |
| |
del segnale di controllo è così grande |
| |
e lo sono così tante variabili |
| |
coinvolto. L'attenzione al |
| |
la demo precedente era mostrare come farlo |
| |
utilizzare gli strumenti e identificare. |
| |
difetti su un gran numero di |
| |
variabili e non benchmark |
| |
necessariamente i metodi. |
| |
La colpa 4, invece, |
| |
è un difetto più sottile, |
| |
e te lo mostro qui. |
| |
La colpa è... che è programmata |
| |
è un aumento improvviso del |
| |
temperatura nel reattore. |
| |
E questo è compensato da |
| |
il sistema di controllo aumentando |
| |
la portata del liquido refrigerante. |
| |
E puoi vederlo |
| |
variabile raccolta qui e |
| |
puoi vedere lo spostamento |
| |
trame di contributo. |
| |
E poi puoi anche vedere |
| |
che la maggior parte delle altre variabili |
| |
non sono interessati |
| |
per colpa. Puoi vedere a |
| |
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 multivariato. |
| |
E può essere di più |
| |
difficile da diagnosticare. |
| |
L'ultimo difetto che ti mostrerò |
| |
è colpa 11. |
| |
Come l'errore 4, coinvolge anche |
| |
il flusso del liquido refrigerante nel |
| |
reattore, tranne che ora è colpa |
| |
introduce ampie oscillazioni |
| |
la portata, cosa che possiamo |
| |
vedere nel controllo univariato |
| |
grafico. E questo si traduce in a |
| |
fluttuazione del reattore |
| |
temperatura. L'altro |
| |
le variabili non lo sono davvero |
| |
influenzato di nuovo, quindi questo può essere |
| |
più difficile da rilevare per alcuni |
| |
metodi. Alcuni multivariati |
| |
i metodi di controllo possono rilevare |
| |
Guasto 4, ma non guasto 11 o |
| |
viceversa. Ma il nostro metodo era |
| |
in grado di cogliere entrambi. |
| |
E poi finalmente, tutto il |
| |
esempi che ho creato utilizzando il file |
| |
Il processo di Tennessee Eastman aveva |
| |
difetti che erano evidenti in |
| |
sia i grafici T quadrato che quelli SPE. A |
| |
mostra alcune funzionalità più recenti in |
| |
multivariata guidata dal modello |
| |
grafico di controllo, volevo mostrare |
| |
un esempio di colpa 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 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 |
| |
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 |
| |
appezzamenti per SPE, |
| |
puoi |
| |
vedi che c'è una variabile |
| |
con grande contributo e 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 SPE |
| |
accadere quando i nuovi dati non lo fanno |
| |
seguire la struttura di correlazione |
| |
dei dati storici, che è |
| |
spesso accade quando si tratta di nuovi dati |
| |
raccolti, e questo significa questo |
| |
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 15.2, tu |
| |
può lanciare matrici di grafici a dispersione. |
| |
Ed è chiaro nel |
| |
matrice del grafico a dispersione che |
| |
violazione delle correlazioni |
| |
con Z2 è ciò che guida |
| |
questi grandi contributi. |
| |
OK, tornerò indietro |
| |
al PowerPoint. |
| |
E molto veloce, riassumerò |
| |
le caratteristiche principali del modello guidato |
| |
grafico di controllo multivariato che |
| |
sono stati mostrati nella demo. IL |
| |
la piattaforma è in grado di |
| |
eseguendo entrambi i guasti online |
| |
rilevamento e guasto offline |
| |
diagnosi. Ci sono molti |
| |
metodi forniti nella piattaforma |
| |
per perforare fino alla radice |
| |
causa dei guasti. Te lo sto mostrando |
| |
qui alcune trame di un popolare |
| |
libro, Rilevamento guasti e |
| |
La diagnosi nei sistemi industriali. |
| |
In tutto il libro, gli autori |
| |
dimostrare come è necessario farlo |
| |
utilizzare multivariata e univariata |
| |
carte di controllo affiancate |
| |
per avere un'idea di cosa sta succedendo |
| |
in un processo. |
| |
Uno particolarmente utile |
| |
caratteristica nella multivariata guidata dal modello |
| |
la carta 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 quello |
| |
sintonizzati per guardarlo. |
