Lautsprecher
|
Transkript
|
| |
Hallo, ich bin Jeremy Ash. Ich bin ein |
| |
Statistiker in JMP F & E. Mein Job |
| |
besteht hauptsächlich aus dem Testen |
| |
die multivariaten Statistiken |
| |
Plattformen in JMP, aber ich auch |
| |
helfen zu recherchieren und zu bewerten |
| |
Methodik. Heute gehe ich zu |
| |
den Tennessee analysieren |
| |
Eastman-Prozess mit einigen |
| |
Statistische Prozess Kontrolle |
| |
Methoden in JMP. ich werde |
| |
besondere Aufmerksamkeit schenken |
| |
zum modellgetriebenen multivariaten |
| |
Kontrollkartenplattform, die ist |
| |
eine neue Ergänzung zu JMP 15. |
| |
Diese Daten liefern eine |
| |
Gelegenheit, die zu präsentieren |
| |
Nummer der Plattform |
| |
Eigenschaften. Und genauso schnell |
| |
Haftungsausschluss, dies ist ähnlich wie |
| |
Mein Discovery Americas-Gespräch. Wir |
| |
erkannte, dass Europa keine gesehen hatte |
| |
modellgetriebenes multivariates |
| |
Kontrollkartengespräch aufgrund all der |
| |
Verrücktheit um COVID, also ich |
| |
beschlossen, sich auf die Grundlagen zu konzentrieren. |
| |
Aber es gibt neues Material |
| |
am Ende des Gesprächs. Krank |
| |
decken Sie kurz einige zusätzliche ab |
| |
Beispielanalysen, dann ziehe ich an |
| |
die Community-Seite für den Vortrag. |
| |
Zuerst gehe ich von etwas Wissen aus |
| |
der statistischen Prozesskontrolle |
| |
in diesem Gespräch. Die Hauptsache ist es |
| |
wäre hilfreich zu wissen |
| |
ist Kontrollkarten. Wenn du bist |
| |
nicht vertraut mit diesen, diesen |
| |
sind Diagramme zur Überwachung |
| |
komplexe industrielle Systeme zu |
| |
bestimmen, wann sie abweichen |
| |
vom normalen Betrieb |
| |
Bedingungen. |
| |
Ich werde nicht viel Zeit dafür haben |
| |
Gehen Sie in die Methodik des Modells |
| |
gesteuerte multivariate Steuerung |
| |
Diagramm, also werde ich auf diese anderen verweisen |
| |
tolle Gespräche, die frei sind |
| |
verfügbar in der JMP Community |
| |
wenn Sie mehr Details wünschen. ich |
| |
sollte auch sagen, dass Jianfeng |
| |
Ding war der primäre |
| |
Entwickler des Modells angetrieben |
| |
multivariate Kontrollkontrolle |
| |
Diagramm in Zusammenarbeit mit |
| |
Chris Gotwalt und diese Tonya |
| |
Mauldin und ich waren Tester. Das |
| |
Der Schwerpunkt dieses Vortrags wird auf der Verwendung liegen |
| |
multivariate Regelkarten zu |
| |
eine reale Welt überwachen |
| |
typischer Prozess; ein anderer Roman |
| |
Aspekt wird Kontrolle verwenden |
| |
Diagramme für den Online-Prozess |
| |
Überwachung. Das heißt, wir werden es sein |
| |
Daten kontinuierlich überwachen als |
| |
Es wird zu einer Datenbank hinzugefügt und |
| |
Fehler in Echtzeit erkennen. |
| |
Also fange ich mit an |
| |
die obligatorische Folie auf dem |
| |
Vorteile von multivariaten |
| |
Kontrollkarten. Warum also nicht verwenden? |
| |
univariate Kontrollkarten? Dort |
| |
sind eine Reihe von ausgezeichneten |
| |
Optionen in JMP. Univariate |
| |
Kontrollkarten sind ausgezeichnet |
| |
Werkzeuge zur Analyse einiger weniger |
| |
Variablen zu einem Zeitpunkt. Jedoch, |
| |
Qualitätskontrolldaten sind oft |
| |
hochdimensional und die Anzahl |
| |
von Regelkarten, die Sie benötigen |
| |
anschauen kann schnell werden |
| |
überwältigend. Multivariate |
| |
Kontrolldiagramme können a zusammenfassen |
| |
hochdimensionaler Prozess in |
| |
nur ein paar Kontrollkarten, |
| |
Das ist also ein entscheidender Vorteil. |
| |
Das soll man aber nicht sagen |
| |
univeriate Kontrollkarten sind nicht |
| |
nützlich in dieser Einstellung. Du wirst |
| |
sehen Sie während des Gesprächs, dass |
| |
Fehlerdiagnose beinhaltet oft |
| |
Umschalten zwischen multivariaten |
| |
und univariate Diagramme. |
| |
Multivariate Regelkarten geben |
| |
Sie ein Gefühl für das Ganze |
| |
Gesundheit des Prozesses, während |
| |
Univariate Diagramme ermöglichen es Ihnen |
| |
Überwachung spezifischer Aspekte der |
| |
Prozess. Die Information ist also |
| |
komplementär. Eines der Ziele |
| |
der multivariaten Überwachung |
| |
Kontrollkarte soll einige liefern |
| |
nützliche Werkzeuge zum Umschalten |
| |
zwischen diesen beiden Arten von |
| |
Diagramme. Ein Nachteil von |
| |
univariate Diagramme ist das |
| |
Beobachtungen können in sein |
| |
Kontrolle, wann sie tatsächlich sind |
| |
außer Kontrolle in der multivariaten |
| |
Sinn und diese Handlungen zeigen, was ich |
| |
meine damit. Das Univariate |
| |
Kontrollkarte für Öl und |
| |
Dichte zeigen die beiden |
| |
Beobachtungen in rot wie in |
| |
Steuerung. Allerdings Öl und Dichte |
| |
sind stark korreliert und beides |
| |
Beobachtungen sind außer Kontrolle geraten. |
| |
im multivariaten Sinne |
| |
speziell Beobachtung 51, die |
| |
verstößt ziemlich gegen die Korrelation |
| |
Struktur der beiden Variablen, |
| |
also multivariate Regelkarten |
| |
kann auf diese Arten von abholen |
| |
Ausreißer, während univariate |
| |
Kontrollkarten können nicht. |
| |
Modellgetriebene multivariate |
| |
Kontrollkarte verwendet Projektion |
| |
Methoden zum Erstellen der Diagramme. |
| |
Ich werde zunächst PCA erklären |
| |
weil es einfach aufzubauen ist |
| |
von dort. PCA reduziert die |
| |
Dimensionalität des Prozesses durch |
| |
Projizieren von Daten auf einen niedrigen Wert |
| |
dimensionale Oberfläche. Äh, |
| |
Dies ist auf dem Bild dargestellt |
| |
auf der rechten Seite. Wir haben P. |
| |
Prozessvariablen und N. |
| |
Beobachtungen und |
| |
die Ladevektoren in der P. |
| |
Matrix geben die Koeffizienten für |
| |
lineare Kombinationen unserer X. |
| |
Variablen, die dazu führen |
| |
quadratische Variablen mit |
| |
Dimension A, wobei die Dimension |
| |
A ist viel weniger als P. Und dann |
| |
Dies ist in Gleichungen auf gezeigt |
| |
die linke hier. Das X kann sein |
| |
vorhergesagt als Funktion der |
| |
Punktzahl und Ladungen, wobei E. ist |
| |
der Vorhersagefehler. |
| |
Diese Partituren werden ausgewählt zu |
| |
Minimieren Sie den Vorhersagefehler, |
| |
und eine andere Art zu denken |
| |
Das ist, dass Sie maximieren |
| |
das Ausmaß der erklärten Varianz |
| |
in der X-Matrix. |
| |
Dann ist PLS besser geeignet |
| |
Projektionsmethode. Wenn du. .. hast |
| |
eine Reihe von Prozessvariablen und a |
| |
Satz von Qualitätsvariablen, Sie |
| |
möchte wirklich sicherstellen, dass die |
| |
Qualitätsvariablen bleiben erhalten |
| |
steuern aber diese Variablen |
| |
sind oft teuer oder zeitlich |
| |
verbrauchen zu sammeln. Die Pflanze |
| |
könnte Produkt ohne machen |
| |
eine Kontrollqualität für eine lange |
| |
Zeit, bevor ein Fehler erkannt wird. |
| |
PLS-Modelle ermöglichen es Ihnen also |
| |
Überwachen Sie Ihre Qualitätsvariablen |
| |
als Funktion Ihres Prozesses |
| |
Variablen und Sie können das sehen |
| |
Die PLS-Modelle finden die Punktzahl |
| |
Variablen, die die maximieren |
| |
Variationsbetrag erklärt von |
| |
die Qualitätsvariablen. |
| |
Diese Prozessvariablen sind |
| |
oft billiger oder leichter |
| |
verfügbar, damit PLS Sie aktivieren kann |
| |
Qualitätsfehler zu erkennen |
| |
früh und machen Sie Ihren Prozess |
| |
Überwachung billiger. Und von hier aus |
| |
Ich werde mich auf PLS konzentrieren |
| |
Modelle, weil es mehr ist |
| |
passend für das Beispiel. |
| |
Das PLS-Modell partitioniert also Ihre |
| |
Daten in zwei Komponenten. Das |
| |
erste Komponente ist das Modell |
| |
Komponente. Dies gibt die |
| |
vorhergesagte Werte Ihres Prozesses |
| |
Variablen. Eine andere Art zu denken |
| |
darüber ist, dass Ihre Daten haben |
| |
wurde in das Modell projiziert |
| |
Flugzeug durch Ihre Punktzahl definiert |
| |
Variablen und T-Quadrat-Monitore |
| |
die Variation Ihrer Daten |
| |
innerhalb dieser Modellebene. |
| |
Und die zweite Komponente ist die |
| |
Fehlerkomponente. Dies ist das |
| |
Abstand zwischen Ihrem Original |
| |
Daten und die vorhergesagten Daten und |
| |
quadratischer Vorhersagefehler (SPE) |
| |
Diagramme überwachen diese Variation. |
| |
Eine andere alternative Metrik wir |
| |
Geben Sie die Entfernung zum Modell an |
| |
X-Ebene oder DModX. Das ist einfach |
| |
eine normalisierte Alternative zu SPE |
| |
dass einige Leute bevorzugen. |
| |
Das letzte Konzept, das ist |
| |
wichtig zu verstehen für die |
| |
Demo ist die Unterscheidung zwischen |
| |
historische und aktuelle Daten. |
| |
Historische Daten sind in der Regel |
| |
gesammelt, als der Prozess war |
| |
bekanntermaßen die Kontrolle zu haben. Diese |
| |
Daten werden zum Erstellen des PLS verwendet |
| |
modellieren und definieren Sie die Normalen |
| |
Prozessvariation, so dass a |
| |
Kontrollgrenze kann erhalten werden. |
| |
Und aktuelle Daten werden zugewiesen |
| |
Scores basierend auf dem Modell aber |
| |
sind unabhängig vom Modell. |
| |
Eine andere Art, darüber nachzudenken |
| |
ist, dass wir trainieren und |
| |
Testsätze. Die T-Quadrat-Kontrolle |
| |
Das Limit für das Training ist niedriger |
| |
Daten, weil wir weniger erwarten |
| |
Variabilität für die verschiedenen ... |
| |
Beobachtungen verwendet, um die zu trainieren |
| |
Modell, während es größer ist |
| |
Variabilität in P im Quadrat, wenn |
| |
Das Modell verallgemeinert sich auf den E-Test |
| |
einstellen. Zum Glück die Theorie |
| |
für die Varianz von T im Quadrat ist |
| |
wurde ausgearbeitet, damit wir bekommen können |
| |
Diese Kontrollgrenzen basieren auf |
| |
einige Verteilungsannahmen. |
| |
In der Demo wird überwacht |
| |
der Tennessee Eastman-Prozess. |
| |
Ich werde einen Kurzfilm präsentieren |
| |
Einführung in diese Daten. Diese |
| |
ist eine Simulation einer Chemikalie |
| |
Prozess entwickelt von Downs und |
| |
Vogel, zwei Chemiker bei Eastman |
| |
Chemisch. Es war ursprünglich |
| |
geschrieben in Fortran, aber dort |
| |
sind Wrapper für Matlab und |
| |
Python jetzt. Ich wollte nur notieren |
| |
das, während dieser Datensatz war |
| |
in den 90er Jahren generiert, ist es immer noch |
| |
einer der primären Datensätze |
| |
wird zum Benchmarking von Multivariaten verwendet |
| |
Kontrollmethoden in der |
| |
Literatur. Es umfasst die |
| |
Hauptaufgaben der multivariaten |
| |
gut kontrollieren und es gibt |
| |
eine beeindruckende Menge von |
| |
Realismus in der Simulation. |
| |
Und die Simulation basiert auf |
| |
ein industrieller Prozess, der ist |
| |
heute noch relevant. |
| |
Also wurden die Daten manipuliert |
| |
proprietär zu schützen |
| |
Information. Das simulierte |
| |
Prozess ist die Herstellung von |
| |
zwei flüssige Produkte aus |
| |
gasförmige Reaktanten innerhalb von a |
| |
Chemiefabrik. Und F hier ist |
| |
Ein Nebenprodukt |
| |
das muss abgesaugt werden |
| |
aus dem gewünschten Produkt. |
| |
Ähm und ... |
| |
Das ist ungefähr alles, was ich dazu sagen werde. |
| |
Das Prozessdiagramm sieht also so aus |
| |
kompliziert, aber es ist wirklich nicht |
| |
so schlimm, also werde ich dich begleiten |
| |
durch. Gasförmig |
| |
Die Reaktanten A, D und E fließen in |
| |
der Reaktor hier. |
| |
Die Reaktion findet statt und die |
| |
Produkt verlässt als Gas. Es ist |
| |
dann abgekühlt und kondensiert |
| |
Flüssigkeit im Kondensator. |
| |
Dann ein Dampf-Flüssigkeits-Abscheider |
| |
recycelt alle verbleibenden Dämpfe und |
| |
schickt es zurück in den Reaktor |
| |
durch einen Kompressor und die |
| |
Nebenprodukt und inerte Chemikalie B. |
| |
im Spülstrom gespült werden, |
| |
und das soll verhindern |
| |
Akkumulation. Das flüssige Produkt |
| |
wird durch einen Stripper gepumpt, |
| |
wo die restlichen Reaktanten |
| |
sind abgestreift. |
| |
Und dann zurück in den Reaktor geschickt. |
| |
Und dann endlich die |
| |
gereinigtes flüssiges Produkt |
| |
Beendet den Prozess. |
| |
Der erste Satz von Variablen ist |
| |
überwacht werden die manipuliert |
| |
Variablen. Diese sehen aus wie Bogen |
| |
Bindungen im Diagramm. Meiner Ansicht nach |
| |
Sie sollen es tatsächlich sein |
| |
Ventile und die manipulierten |
| |
Prozess ... oder die manipulierten |
| |
Variablen steuern meistens die |
| |
Durchflussmenge durch verschiedene |
| |
Ströme des Prozesses. |
| |
Und diese Variablen können gesetzt werden |
| |
auf Werte innerhalb von Grenzen und |
| |
habe etwas Gaußsches Rauschen. |
| |
Die Stellgrößen sind in der Lage |
| |
in der Rate abgetastet werden, |
| |
aber wir verwenden die Standardeinstellung 3 |
| |
Minuten Probe jetzt. |
| |
Einige Beispiele der manipulierten |
| |
Variablen sind die Ventile, die |
| |
den Fluss der Reaktanten kontrollieren |
| |
in den Reaktor. |
| |
Ein anderes Beispiel ist ein Ventil |
| |
das steuert den Fluss von |
| |
Dampf in den Stripper. |
| |
Und ein anderes ist ein Ventil, das |
| |
steuert den Kühlmittelfluss |
| |
in den Reaktor. |
| |
Der nächste Satz von Variablen ist |
| |
Messgrößen. Diese sind |
| |
im Diagramm als Kreise dargestellt. |
| |
Sie wurden auch um drei probiert |
| |
Minutenintervalle. Das |
| |
Unterschied zwischen manipuliert |
| |
Variablen und Messung |
| |
Variablen ist, dass die |
| |
Messgrößen können nicht sein |
| |
in der Simulation manipuliert. |
| |
Unsere Qualitätsvariablen werden sein |
| |
die prozentuale Zusammensetzung von |
| |
zwei flüssige Produkte und Sie |
| |
kann den Analysator sehen |
| |
Messung der Produkte hier. |
| |
Diese Variablen werden mit abgetastet |
| |
eine beträchtliche Zeitverzögerung, so |
| |
Wir schauen uns die Säuberung an |
| |
Stream anstelle des Ausgangs |
| |
Stream, weil diese Daten sind |
| |
früher verfügbar. Und wird verwenden |
| |
ein PLS-Modell zur Überwachung des Prozesses |
| |
Variablen als Proxy für diese |
| |
Variablen, weil der Prozess |
| |
Variablen haben weniger Verzögerung und |
| |
beeinflussen schnellere Abtastrate. |
| |
Das sollte also reichen |
| |
Hintergrund zu den Daten. Im |
| |
Insgesamt gibt es 33 Prozesse |
| |
Variablen und zwei Qualität |
| |
Variablen. Der Prozess von |
| |
Sammeln der Variablen ist |
| |
simuliert mit einem Satz von |
| |
Differentialgleichung. Und das |
| |
ist nur eine Simulation, aber wie Sie |
| |
kann eine beträchtliche Menge von sehen |
| |
Sorgfalt ging in die Modellierung dieses |
| |
nach einem realen Prozess. Hier |
| |
ist eine Übersicht über die Demo, die ich bin |
| |
im Begriff, es Ihnen zu zeigen. Wir werden sammeln |
| |
Daten zu unserem Prozess und Speicher |
| |
diese Daten in einer Datenbank. |
| |
Ich wollte ein Beispiel dafür haben |
| |
war leicht zu teilen, also werde ich sein |
| |
mit einer SQLite-Datenbank, aber |
| |
Der Workflow ist für die meisten relevant |
| |
Arten von Datenbanken seit den meisten |
| |
ODBC-Verbindungen unterstützen. |
| |
Sobald JMP einen ODBC bildet |
| |
Verbindung mit der Datenbank, |
| |
JMP kann regelmäßig prüfen, ob |
| |
neue Beobachtungen und fügen Sie sie hinzu |
| |
eine Datentabelle. |
| |
Wenn wir ein Modell haben |
| |
multivariates Kontrolldiagramm |
| |
Bericht mit Automatik öffnen |
| |
recalc eingeschaltet, wir haben eine |
| |
Mechanismus zur Aktualisierung der |
| |
Regelkarten als neue Daten kommen |
| |
in und den gesamten Prozess von |
| |
Hinzufügen von Daten zu einer Datenbank würde |
| |
wahrscheinlich auf einem separaten gehen |
| |
Computer vom Computer |
| |
das macht die Überwachung. So |
| |
Ich habe zwei offene JMP-Sitzungen |
| |
dies zu emulieren. Beide Sitzungen |
| |
haben ihr eigenes Tagebuch |
| |
in den Materialien auf der |
| |
Gemeinschaft und die Sitzung |
| |
Hinzufügen neuer simulierter Daten zu |
| |
Die Datenbank wird aufgerufen |
| |
die Streaming-Sitzung und |
| |
Sitzung zur Aktualisierung der Berichte |
| |
wie neue Daten eingehen werden |
| |
die Überwachungssitzung genannt. |
| |
Eine Sache, die mir sehr gut gefallen hat |
| |
das Downs and Vogel Papier war |
| |
dass sie keine zur Verfügung gestellt haben |
| |
einzelne Metrik zur Bewertung der |
| |
Kontrolle des Prozesses. ich habe |
| |
ein Zitat aus dem Papier hier |
| |
"Wir hatten das Gefühl, dass die Kompromisse |
| |
unter der möglichen Kontrolle |
| |
Strategien und Techniken |
| |
beteiligt viel mehr als ein |
| |
mathematischer Ausdruck. " |
| |
Hier sind einige der Ziele |
| |
sie in ihrer Zeitung aufgeführt, |
| |
die für unsere relevant sind |
| |
Problem. Sie wollten beibehalten |
| |
die Prozessvariablen bei |
| |
gewünschte Werte. Sie wollten |
| |
Variabilität des Produkts minimieren |
| |
Qualität bei Störungen und |
| |
sie wollten sich schnell erholen |
| |
und reibungslos von Störungen. |
| |
Also werden wir sehen, wie gut unsere |
| |
Prozess erreicht diese Ziele |
| |
mit unseren Überwachungsmethoden. |
| |
Also, um in der zu beginnen |
| |
Monitoring Session Journal, werde ich |
| |
zeigen Ihnen unseren ersten Datensatz. |
| |
Die Datentabelle enthielt alle |
| |
die Variablen, die ich eingeführt habe |
| |
vorhin. Die ersten Variablen sind |
| |
die Messvariablen; das |
| |
Zweitens sind die Zusammensetzung. |
| |
Und der dritte sind die |
| |
manipulierte Variablen. |
| |
Das Skript hier oben wird passen |
| |
ein PLS-Modell. Es schließt die aus |
| |
letzte 100 Zeilen als Testsatz. |
| |
Nur zur Erinnerung, |
| |
Das Modell sagt 2 voraus |
| |
Produktzusammensetzung |
| |
Variablen als Funktion von |
| |
die Prozessvariablen. Wenn |
| |
Sie haben dort JMP Pro |
| |
war etwas Geschwindigkeit |
| |
Verbesserungen an PLS |
| |
in JMP 16. |
| |
PLS hat jetzt eine |
| |
schnelle SVD-Option. |
| |
Sie können zu wechseln |
| |
Klassiker in den roten Zahlen |
| |
Dreiecksmenü. Es gibt |
| |
war auch eine Reihe von |
| |
Leistungsverbesserungen |
| |
unter der Haube. |
| |
Meist relevant für Datensätze |
| |
mit einer großen Anzahl von |
| |
Beobachtungen, aber das ist |
| |
häufig in der multivariaten |
| |
Prozessüberwachungseinstellung. |
| |
Aber PLS steht nicht im Mittelpunkt der |
| |
rede, also habe ich das schon gepasst |
| |
Spalten für Modell- und Ausgabewerte |
| |
und Sie können sie hier sehen. |
| |
Ein Grund, dass der Monitor |
| |
multivariate Kontrollkarte war |
| |
entworfen wie es ist, ist das |
| |
Stell dir vor, du bist ein Statistiker |
| |
und Sie möchten Ihr Modell teilen |
| |
mit einem Ingenieur, damit sie können |
| |
Kontrollkarten erstellen. Alle |
| |
Sie müssen tun, ist die zur Verfügung zu stellen |
| |
Datentabelle mit dieser Formel |
| |
Säulen. Sie müssen nicht teilen |
| |
alle blutigen Details, wie Sie |
| |
passen Sie Ihr Modell. |
| |
Als nächstes werde ich die Punktzahl bereitstellen |
| |
Spalten zur Überwachung der |
| |
multivariates Kontrolldiagramm. |
| |
Ziehen Sie es hier nach rechts. |
| |
Also links hier können Sie sehen |
| zwei Arten von Regelkarten |
das |
| |
T im Quadrat und SPE. |
| |
Ähm, es gibt 860 Beobachtungen |
| |
das wurden verwendet, um die zu schätzen |
| |
Modell und diese sind gekennzeichnet als |
| |
historisch. Und dann die hundert |
| |
das wurden als Testset weggelassen |
| |
sind Ihre aktuellen Daten. |
| |
Und Sie können in der Grenze sehen |
| |
Zusammenfassungen, die Anzahl der Punkte |
| |
das sind außer Kontrolle und die |
| |
Signifikanzniveau. Ähm, wenn du |
| |
möchte die Bedeutung ändern |
| |
Level, du kannst es hier oben machen |
| |
das rote Dreieck Menü. |
| |
Weil der Reaktor normal ist |
| |
Betriebsbedingungen erwarten wir |
| |
Keine Beobachtungen, aus denen man heraus sein könnte |
| |
Kontrolle, aber wir haben ein paar falsche |
| |
positiv hier, weil wir |
| |
habe keine Anpassungen vorgenommen für |
| |
mehrere Vergleiche. Es ist |
| |
ungewöhnlich, dies zu tun, soweit ich |
| |
kann in multivariaten sagen |
| |
Kontrollkarten. Ich nehme an, du |
| |
haben eine höhere Leistung zu erkennen |
| |
von Steuersignalen ohne a |
| |
Korrektur. In der Kontrollkarte |
| |
Jargon, das heißt, du bist raus |
| |
der Kontrolle. Durchschnittliche Lauflänge |
| |
wird niedrig gehalten. |
| |
Also rechts hier wir |
| |
haben auch Beitrag |
| |
Diagramme und auf der Y-Achse sind |
| |
die Beobachtungen; auf dem X. |
| |
Achse, die Variablen. EIN |
| |
Beitrag wird ausgedrückt |
| |
als Teil. |
| |
Und dann unten hier, |
| |
Wir haben Score-Plots. Recht |
| |
Jetzt plane ich den ersten |
| |
Score-Dimension gegen die |
| |
zweite Partitur Dimension, aber |
| |
Sie können sich jeden ansehen |
| |
Kombination von Punktzahl |
| |
Abmessungen mit diesem |
| |
Dropdown-Menüs oder der Pfeil |
| |
Taste. |
| |
OK, ich denke wir sind orientiert |
| |
zum Bericht. ich werde |
| |
Schalten Sie jetzt auf die |
| |
Skripte, die ich zum Streamen verwendet habe |
| |
Daten in die Datenbank, die |
| |
Der Bericht wird überwacht. |
| |
Um etwas dafür zu tun |
| |
Beispiel: Sie benötigen eine |
| |
SQLite ODBC-Treiber installiert |
| |
für Ihren Computer. Das ist viel einfacher |
| |
auf einem Windows-Computer zu tun, |
| |
Welches ist, was Sie oft verwenden |
| |
wenn tatsächlich eine Verbindung zu a |
| |
Datenbank. Der Prozess auf dem Mac |
| |
ist mehr beteiligt, aber ich habe einige |
| |
Anweisungen zur Gemeinschaft |
| |
Seite. Und dann habe ich keine Zeit |
| |
darüber zu sprechen, aber ich |
| |
hat die SQLite-Datenbank erstellt |
| |
Ich werde in JMP und ich verwenden |
| |
planen, einige Anweisungen zu setzen |
| |
wie man das auf dem macht |
| |
Community-Webseite. Und hoffentlich |
| |
Dieses Beispiel ist hilfreich für Sie |
| |
wenn Sie versuchen, dies mit zu tun |
| |
Daten auf eigene Faust. |
| |
Als nächstes werde ich zeigen |
| |
Sie die Dateien, die ich legte |
| |
in der SQLite-Datenbank. |
| |
Hier habe ich die historischen Daten. |
| |
Dies wurde verwendet, um zu konstruieren |
| |
das PLS-Modell. Es gibt 960 |
| |
Beobachtungen, die in sind |
| |
Steuerung. Dann habe ich die |
| |
Überwachungsdaten, die zunächst |
| |
enthält nur das historische |
| |
Daten, aber ich werde nach und nach neue hinzufügen |
| |
Daten dazu. Dies sind die Daten |
| |
dass die multivariate Kontrolle |
| |
Diagramm wird überwacht. |
| |
Und dann habe ich neu simuliert |
| |
Daten bereits und fügte es dem hinzu |
| |
Datentabelle hier. Diese sind |
| |
weitere 960 ungerade Messungen |
| |
wo ein Fehler bei eingeführt wird |
| |
irgendwann. ich wollte |
| |
etwas haben, das leicht zu erreichen war |
| |
teilen, also werde ich nicht rennen |
| |
mein Simulationsskript und ergänzen |
| |
die Datenbank auf diese Weise. Wurden |
| |
Ich werde nur Beobachtungen machen |
| |
aus dieser neuen Datentabelle und |
| |
Bewegen Sie sie zur Überwachung |
| |
Datentabelle mit etwas JSL und |
| |
SQL-Anweisungen. Dies ist nur eine |
| |
Beispiel für die Emulation des Prozesses |
| |
von neuen Daten in a |
| |
Datenbank. Irgendwie könntest du nicht |
| |
mache das eigentlich mit JMP, aber |
| |
Dies war eine Gelegenheit zu zeigen |
| |
wie Sie es mit JSL machen können. |
| |
Hier aufräumen. |
| |
Und als nächstes zeige ich dir das |
| |
Streaming-Skript. Das ist ein |
| |
einfaches Skript, also werde ich |
| |
führe dich ganz schnell durch. |
| |
Dieser erste Satz von |
| |
Befehle öffnen die |
| |
neue Datentabelle und |
| |
es ist in der SQLite-Datenbank, |
| |
so öffnet es die Tabelle in der |
| |
Hintergrund muss ich also nicht |
| |
beschäftige dich mit dem Fenster. |
| |
Dann werde ich Stücke nehmen |
| |
aus dieser Datentabelle und hinzufügen |
| |
sie zu den Überwachungsdaten |
| |
Tabelle. Ich nenne die Stücke |
| |
Bisse und die Bissgröße beträgt 20. |
| |
Und dann wird dieser nächste Befehl |
| |
Stellen Sie eine Verbindung zur Datenbank her. Diese |
| |
wird mir erlauben, die zu senden |
| |
Datenbank-SQL-Anweisungen. |
| |
Und dann das nächste Stück |
| |
von Code ist |
| |
iteratives Senden von SQL |
| |
Anweisungen, die neu einfügen |
| |
Daten in die Überwachungsdaten. |
| |
Und ich werde es tun |
| |
initialisiere K und zeige dir das |
| |
erste Iteration davon. |
| |
Dies ist eine einfache SQL-Anweisung. |
| |
in Aussage einfügen, dass |
| |
fügt die ersten 20 ein |
| |
Beobachtungen in die Daten |
| |
Tabelle. Diese Druckanweisung ist |
| |
auskommentiert, so dass der Code |
| |
läuft schneller und dann auch ich |
| |
Habe eine Warteanweisung zu verlangsamen |
| |
Dinge leicht nach unten, so dass |
| |
wir können ihren Fortschritt sehen |
| |
in der Kontrollkarte. |
| |
Und das würde einfach zu schnell gehen |
| |
wenn ich es nicht verlangsamen würde. |
| |
Ähm, also werde ich als nächstes umziehen |
| |
über die Überwachungssitzungen |
| |
um Ihnen die Skripte zu zeigen |
| |
Dadurch wird der Bericht aktualisiert |
| |
wenn neue Daten eingehen. |
| |
Dieses erste Skript ist einfach |
| |
Skript. Das wird das überprüfen |
| |
Datenbank alle 0,2 Sekunden für |
| |
neue Beobachtungen und fügen Sie sie hinzu |
| |
zur JMP-Tabelle. Seit der |
| |
Bericht hat automatische Neuberechnung |
| |
aktiviert, wird der Bericht aktualisiert |
| |
wann immer neue Daten hinzugefügt werden. Und |
| |
Ich sollte das hinzufügen |
| |
realistisch, |
| |
Sie würden wahrscheinlich keine verwenden |
| |
Skript, das nur wie iteriert |
| |
diese. Sie verwenden wahrscheinlich Aufgabe |
| |
Scheduler in Windows oder |
| |
Automator auf Mac besser |
| |
Zeitplanläufe des Skripts. |
| |
Und dann gibt es noch einen anderen |
| |
Skript, das wird |
| |
Senden Sie den Bericht an JMP Public |
| |
Wann immer der Bericht aktualisiert wird, |
| |
und ich war wirklich aufgeregt, dass |
| |
Dies ist mit JMP 15 möglich. |
| |
Es aktiviert jeden Computer mit einem |
| |
Webbrowser zum Anzeigen von Updates für |
| |
die Kontrollkarte. Dann Sie |
| |
kann sogar den Bericht auf anzeigen |
| |
Ihr Smartphone, so macht das |
| |
es ist wirklich einfach zu teilen |
| |
Ergebnisse organisationsübergreifend. |
| |
Sie können auch JMP Live verwenden |
| |
wenn Sie die Berichte wollten |
| |
auf einem eingeschränkten Server sein. |
| |
Ich werde keine Zeit haben |
| |
darauf eingehen |
| |
Demo, aber Sie können auschecken |
| |
Mein Discovery Americas-Gespräch. |
| |
Dann endlich hier unten ist es |
| |
ein Skript, das das neu erstellt |
| |
historische Daten in den Daten |
| |
Tabelle, wenn Sie die ausführen möchten |
| |
Beispiel mehrmals. |
| |
Okay, also als nächstes ... stellen Sie sicher |
| |
dass wir die historischen Daten haben ... |
| |
Ich werde das laufen lassen |
| |
Streaming-Skript und sehen |
| |
wie der Bericht aktualisiert wird. |
| |
Die Daten haben also die Kontrolle über |
| |
zuerst und dann ist ein Fehler |
| |
eingeführt, aber es gibt eine |
| |
anlagenweites Steuerungssystem |
| |
das ist in der implementiert |
| |
Simulation, und Sie können sehen |
| |
wie das Steuerungssystem |
| |
bringt schließlich den Prozess |
| |
zu einem neuen Gleichgewicht. |
| |
Warten Sie, bis es hier fertig ist. |
| |
Wenn wir also zoomen, |
| |
scheint wie der Prozess zuerst |
| |
ging diesbezüglich außer Kontrolle |
| |
Zeitpunkt, also werde ich |
| |
färben Sie es und |
| |
beschriften Sie es, aber es wird |
| |
in anderen Plots auftauchen. |
| |
Und dann in der SPE-Handlung, |
| |
es sieht aus wie das |
| |
Beobachtung ist auch aus |
| |
Kontrolle aber nur geringfügig. |
| |
Und dann, wenn wir näher heran zoomen |
| |
der Zeitpunkt in der |
| |
Beitragsdiagramme können Sie |
| |
sehen, dass es viele gibt |
| |
Variablen, die dazu beitragen |
| |
das außer Kontrolle geratene Signal bei |
| |
zuerst. Aber dann einmal die |
| |
Prozess erreicht einen neuen |
| |
Gleichgewicht gibt es nur |
| |
zwei große Mitwirkende. |
| |
Also werde ich die Hitze entfernen |
| |
Karten jetzt ein bisschen aufräumen. |
| |
Sie können darüber schweben |
| |
der Punkt, an dem der Prozess |
| |
zuerst außer Kontrolle geraten und |
| |
Werfen Sie einen Blick auf die Top Ten |
| |
beitragende Variablen. Diese |
| |
ist großartig, um dir eine zu geben |
| |
schnelle Übersicht welche Variablen |
| |
tragen am meisten zum |
| |
außer Kontrolle geratenes Signal. |
| |
Und wenn ich dann auf die Handlung klicke, |
| |
Dies wird an die angehängt |
| |
Abschnitt zur Fehlerdiagnose. |
| |
Und wie Sie sehen können, gibt es |
| |
mehrere Variablen mit großen |
| |
Beiträge und nur sortiert |
| |
auf den Beitrag. |
| |
Und für Variablen mit |
| |
rote Balken die Beobachtung ist |
| |
außer Kontrolle in der univariaten |
| |
Kontrollkarten. Du kannst sehen |
| |
dies, indem Sie über einem von schweben |
| |
die Bars und diese Trauben |
| |
sind IR-Diagramme für eine |
| |
individuelle Variable mit a |
| |
drei Sigma Kontrollgrenze. |
| |
Sie können in der Stripperin sehen |
| |
Druck variabel, dass die |
| |
Beobachtung ist aus |
| |
Kontrolle, aber schließlich die |
| |
Prozess wird wieder unter gebracht |
| |
Steuerung. Und das ist der Fall |
| |
für die andere Spitze |
| |
Mitwirkende. Ich werde es auch zeigen |
| |
Sie eine der Variablen |
| |
wo wir die Kontrolle haben, die |
| |
univariate Kontrollkarte. |
| |
Der Prozess war also ... |
| |
Es gibt viele Variablen |
| |
der Kontrolle im Prozess bei |
| |
der Anfang, aber |
| |
Prozess erreicht schließlich |
| |
ein neues Gleichgewicht. |
| |
Äh... |
| |
Um die Variablen zu sehen, die |
| |
tragen am meisten zur Verschiebung bei |
| |
Den Prozess können wir Mittelwert verwenden |
| |
Beitragsanteilsdiagramm. |
| |
Diese Diagramme zeigen den Durchschnitt |
| |
Beitrag, dass die Variablen |
| |
müssen T für die Gruppe quadrieren |
| |
Ich habe ausgewählt. Ähm, hier, wenn ich |
| |
sortieren Sie auf diesen. |
| |
Die einzigen zwei Variablen mit |
| |
große Beiträge messen die |
| |
Fließgeschwindigkeit des Reaktanten A in |
| |
Stream eins, das ist der Fluss von |
| |
dieser Reaktant in den Reaktor. |
| |
Diese beiden Variablen sind |
| |
Messung im Wesentlichen die |
| |
das Gleiche, bis auf eines |
| |
Messung ... man ist ein |
| |
Messgröße und die |
| |
andere ist eine manipulierte |
| |
Variable. |
| |
Sie können sehen, dass es eine gibt |
| |
große Schrittänderung im Durchfluss |
| |
rate, was ich programmiert habe |
| |
in der Simulation. Also diese |
| |
Beitragsdiagramme ermöglichen es Ihnen |
| |
schnell die Grundursache identifizieren. |
| |
Und dann in meinem vorherigen Vortrag ich |
| |
zeigte viele andere Wege zu |
| |
Fehler visualisieren und diagnostizieren |
| |
Verwenden von Werkzeugen im Score-Plot. |
| |
Dies beinhaltet das Zeichnen der |
| |
Belastungen auf den Score-Plots und |
| |
einige Gruppenvergleiche machen. |
| |
Sie können meine Entdeckung überprüfen |
| |
Amerika spricht über das JMP |
| |
Gemeinschaft dafür. Stattdessen bin ich |
| |
werde den Rest davon ausgeben |
| |
Zeit ein paar neue einzuführen |
| |
Beispiele, die ich auf die |
| |
Community-Seite für diesen Vortrag. |
| |
So. |
| |
Es gibt 20 programmierbare Fehler |
| |
im Tennessee Eastman-Prozess |
| |
und sie können in jedem eingeführt werden |
| |
Kombination. Ich stellte zwei andere zur Verfügung |
| |
repräsentative Fehler hier. Fehler |
| |
1, die ich zuvor gezeigt habe, war |
| |
leicht zu erkennen, weil die aus |
| |
des Steuersignals ist so groß |
| |
und so viele Variablen sind |
| |
beteiligt. Der Fokus auf die |
| |
Die vorherige Demo sollte zeigen, wie es geht |
| |
Verwenden Sie die Werkzeuge und identifizieren Sie. |
| |
Fehler aus einer großen Anzahl von |
| |
Variablen und nicht zu Benchmarking |
| |
die Methoden unbedingt. |
| |
Fehler 4 dagegen |
| |
ist ein subtilerer Fehler, |
| |
und ich werde es dir hier zeigen. |
| |
Der Fehler i ... der programmiert ist |
| |
ist eine plötzliche Zunahme der |
| |
Temperatur im Reaktor. |
| |
Und das wird kompensiert durch |
| |
das Steuerungssystem durch Erhöhen |
| |
die Durchflussmenge des Kühlmittels. |
| |
Und das können Sie sehen |
| |
Variable hier abgeholt und |
| |
Sie können die Verschiebung in sehen |
| |
Beitragsdiagramme. |
| |
Und dann können Sie auch sehen |
| |
dass die meisten anderen Variablen |
| |
sind nicht betroffen |
| |
durch den Fehler. Sie können eine sehen |
| |
Temperaturanstieg hier |
| |
wird schnell wieder untergebracht |
| |
Steuerung. Weil die meisten anderen |
| |
Variablen sind davon nicht betroffen |
| |
ist für manche schwer zu erkennen |
| |
multivariate Kontrollmethoden. |
| |
Und es kann mehr sein |
| |
schwer zu diagnostizieren. |
| |
Den letzten Fehler werde ich dir zeigen |
| |
ist Fehler 11. |
| |
Wie bei Fehler 4 handelt es sich auch hier um einen Fehler |
| |
der Kühlmittelfluss in die |
| |
Reaktor, außer jetzt der Fehler |
| |
führt große Schwingungen in ein |
| |
die Durchflussrate, die wir können |
| |
siehe in der univariaten Kontrolle |
| |
Diagramm. Und das ergibt a |
| |
Schwankung des Reaktors |
| |
Temperatur. Das andere |
| |
Variablen sind nicht wirklich |
| |
wieder betroffen, so kann dies sein |
| |
für manche schwerer zu erkennen |
| |
Methoden. Einige multivariate |
| |
Kontrollmethoden können aufgreifen |
| |
Fehler 4, aber nicht Fehler 11 oder |
| |
und umgekehrt. Aber unsere Methode war |
| |
in der Lage, beide aufzunehmen. |
| |
Und schließlich alle |
| |
Beispiele, die ich mit dem erstellt habe |
| |
Tennessee Eastman Prozess hatte |
| |
Fehler, die in offensichtlich waren |
| |
sowohl T-Quadrat- als auch SPE-Diagramme. Zu |
| |
zeigen einige neuere Funktionen in |
| |
modellgetriebenes multivariates |
| |
Kontrollkarte wollte ich zeigen |
| |
ein Beispiel für einen Fehler, der |
| |
erscheint im SPE-Diagramm, aber nicht |
| |
T im Quadrat. Und um ein gutes zu finden |
| |
Beispiel dafür habe ich a |
| |
Datensatz welcher Jianfeng Ding |
| |
in ihrem früheren Vortrag vorgestellt, und |
| |
Ich habe einen Link zu ihrem Vortrag bereitgestellt |
| |
in diesem Tagebuch. |
| |
Auf ihrer Community-Seite |
| |
Sie bietet mehrere |
| |
nützliche Beispiele, die sind |
| |
auch einen Besuch wert. |
| |
Dies ist ein Datensatz von Cordia |
| |
McGregors (?) Klassisches Papier auf |
| |
multivariate Kontrollkarten. Das |
| |
Daten sind verarbeitete Variablen |
| |
gemessen in einem Reaktor, produzierend |
| |
Polyethylen, und Sie können finden |
| |
mehr Hintergrund in Jianfeng |
| |
sich unterhalten. In diesem Beispiel haben wir |
| |
habe einen Prozess, der ausging |
| |
Steuerung. Lass mich dir das zeigen. |
| |
Und es ist außer Kontrolle in ... |
| |
früher in der SPE-Tabelle als in |
| |
das T im Quadrat. |
| |
Und wenn wir uns den Mittelwert ansehen |
| |
Beitrag |
| |
Grundstücke für SPE, |
| |
Sie können |
| |
sehen, dass es eine Variable gibt |
| |
mit großem Beitrag und es |
| |
zeigt auch eine große Verschiebung in der |
| |
univariate Kontrollkarte, aber |
| |
Es gibt auch andere Variablen |
| |
mit großen Beiträgen, aber |
| |
das sind noch in der Kontrolle in der |
| |
univariate Kontrollkarten. |
| |
Und es ist schwer zu bestimmen |
| |
allein die Balkendiagramme, warum diese |
| |
Variablen hatten eine große |
| |
Beiträge. Große SPE-Werte |
| |
passieren, wenn neue Daten dies nicht tun |
| |
Folgen Sie der Korrelationsstruktur |
| |
der historischen Daten, die ist |
| |
häufig der Fall, wenn neue Daten vorliegen |
| |
gesammelt, und das bedeutet, dass |
| |
Ihr PLS-Modell, das Sie trainiert haben, ist |
| |
nicht mehr anwendbar. |
| |
Aus den Balkendiagrammen ist es schwer |
| |
um zu wissen, welches Variablenpaar |
| |
haben ihre Korrelationsstruktur |
| |
gebrochen. So neu in 15.2, du |
| |
kann Streudiagramm-Matrizen starten. |
| |
Und es ist klar in der |
| |
Streudiagramm-Matrix, die die |
| |
Verletzung von Korrelationen |
| |
mit Z2 ist was fährt |
| |
diese großen Beiträge. |
| |
OK, ich werde zurück wechseln |
| |
zum PowerPoint. |
| |
Und ganz schnell, ich werde zusammenfassen |
| |
die Hauptmerkmale von modellgetrieben |
| |
multivariate Kontrollkarte, die |
| |
wurden in der Demo gezeigt. Das |
| |
Plattform ist in der Lage |
| |
beide Online-Fehler durchführen |
| |
Erkennung und Offline-Fehler |
| |
Diagnose. Es gibt viele |
| |
auf der Plattform bereitgestellte Methoden |
| |
zum Bohren bis zur Wurzel |
| |
Fehlerursache. Ich zeige es dir |
| |
hier einige Grundstücke aus einem beliebten |
| |
Buch, Fehlererkennung und |
| |
Diagnose in industriellen Systemen. |
| |
Im ganzen Buch die Autoren |
| |
zeigen, wie man muss |
| |
Verwenden Sie multivariate und univariate |
| |
Kontrollkarten nebeneinander |
| |
um ein Gefühl dafür zu bekommen, was los ist |
| |
in einem Prozess. |
| |
Eine besonders nützliche |
| |
Funktion in modellgetriebenen multivariaten |
| |
Kontrollkarte ist wie |
| |
interaktiv und benutzerfreundlich |
| |
es ist zwischen diesen zu wechseln |
| |
zwei Arten von Diagrammen. |
| |
Und das ist meine Rede. Hier ist |
| |
meine E-Mail, wenn Sie welche haben |
| |
weitere Fragen. Und |
| |
danke an alle das |
| |
schaltete ein, um dies zu sehen. |
