Lautsprecher
|
Transkript
|
| |
Hallo, ich bin Jeremy Ash. Ich bin ein |
| |
Statistiker in JMP R&D. Mein Job |
| |
besteht hauptsächlich aus Tests |
| |
die multivariate Statistik |
| |
Plattformen in JMP, aber ich auch |
| |
helfen bei der Recherche und Bewertung |
| |
Methodik. Heute werde ich es tun |
| |
Ich werde den Tennessee analysieren |
| |
Eastman-Prozess mit einigen |
| |
Statistische Prozess Kontrolle |
| |
Methoden in JMP. ich werde |
| |
besondere Aufmerksamkeit schenken |
| |
zum modellgesteuerten Multivariaten |
| |
Kontrollkartenplattform, die ist |
| |
eine neue Ergänzung zu JMP 15. |
| |
Diese Daten liefern eine |
| |
Gelegenheit, das zu präsentieren |
| |
Anzahl der Plattformen |
| |
Merkmale. Und genauso schnell |
| |
Haftungsausschluss, das ist ähnlich |
| |
mein Vortrag über Discovery Americas. Wir |
| |
erkannte, dass Europa keine gesehen hatte |
| |
Modellgesteuertes Multivariat |
| |
Regelkartengespräch aufgrund all der |
| |
Verrücktheit um COVID, also ich |
| |
beschloss, mich auf das Wesentliche zu konzentrieren. |
| |
Aber es gibt neues Material |
| |
am Ende des Vortrags. Krank |
| |
kurz auf ein paar weitere eingehen |
| |
Beispielanalysen, dann lege ich auf |
| |
die Community-Seite für den Vortrag. |
| |
Zunächst setze ich einige Kenntnisse voraus |
| |
der statistischen Prozesskontrolle |
| |
in diesem Vortrag. Hauptsache es |
| |
Es wäre hilfreich, darüber Bescheid zu wissen |
| |
sind Kontrollkarten. Wenn du bist |
| |
nicht vertraut mit diesen, diesen |
| |
sind Diagramme, die zur Überwachung verwendet werden |
| |
komplexe Industriesysteme zu |
| |
bestimmen, wann sie abweichen |
| |
vom Normalbetrieb |
| |
Bedingungen. |
| |
Ich werde nicht viel Zeit dafür haben |
| |
Gehen Sie auf die Methodik des Modells ein |
| |
angetriebene multivariate Steuerung |
| |
Diagramm, daher werde ich auf diese anderen verweisen |
| |
tolle Vorträge, die frei sind |
| |
Verfügbar in der JMP-Community |
| |
wenn Sie weitere Einzelheiten wünschen. ICH |
| |
sollte auch sagen, dass Jianfeng |
| |
Ding war der Primäre |
| |
Entwickler des Modells angetrieben |
| |
multivariate Steuerungssteuerung |
| |
Diagramm in Zusammenarbeit mit |
| |
Chris Gotwalt und diese Tonya |
| |
Mauldin und ich waren Tester. Der |
| |
Der Schwerpunkt dieses Vortrags wird auf der Verwendung liegen |
| |
multivariate Regelkarten zu |
| |
Überwachen Sie eine reale Welt |
| |
typischer Prozess; ein weiterer Roman |
| |
Aspekt wird die Verwendung von Kontrolle sein |
| |
Diagramme für den Online-Prozess |
| |
Überwachung. Das bedeutet, dass wir es sein werden |
| |
Überwachung der Daten kontinuierlich als |
| |
Es wird einer Datenbank hinzugefügt und |
| |
Fehlererkennung in Echtzeit. |
| |
Also fange ich damit an |
| |
die obligatorische Folie auf der |
| |
Vorteile des Multivariaten |
| |
Kontrollkarten. Warum also nicht verwenden? |
| |
Univariate Kontrollkarten? Dort |
| |
sind eine Reihe ausgezeichneter |
| |
Optionen in JMP. Univariat |
| |
Kontrollkarten sind ausgezeichnet |
| |
Tools zur Analyse einiger weniger |
| |
Variablen gleichzeitig. Jedoch, |
| |
Qualitätskontrolldaten sind häufig |
| |
hochdimensional und die Zahl |
| |
der Kontrollkarten, die Sie benötigen |
| |
Anschauen kann schnell werden |
| |
überwältigend. Multivariat |
| |
Kontrollkarten können a zusammenfassen |
| |
hochdimensionaler Prozess in |
| |
nur ein paar Kontrollkarten, |
| |
Das ist also ein entscheidender Vorteil. |
| |
Aber das heißt nicht |
| |
Uni-Kontrollkarten sind es nicht |
| |
in dieser Situation nützlich. Du wirst |
| |
Sehen Sie sich das im Laufe des Gesprächs an |
| |
Eine Fehlerdiagnose ist häufig erforderlich |
| |
Umschalten zwischen Multivariaten |
| |
und univariate Diagramme. |
| |
Multivariate Kontrollkarten geben |
| |
Sie haben ein Gefühl für das Ganze |
| |
Gesundheit des Prozesses, während |
| |
Univariate Diagramme ermöglichen es Ihnen |
| |
Überwachen Sie bestimmte Aspekte der |
| |
Verfahren. So sind die Informationen |
| |
komplementär. Eines der Ziele |
| |
der multivariaten Überwachung |
| |
Das Kontrolldiagramm soll einige bereitstellen |
| |
nützliche Tools zum Wechseln |
| |
zwischen diesen beiden Arten von |
| |
Diagramme. Ein Nachteil von |
| |
univariate Diagramme sind das |
| |
Beobachtungen können scheinbar in sein |
| |
Kontrolle, wenn sie tatsächlich sind |
| |
im Multivariaten außer Kontrolle geraten |
| |
Sinn und diese Handlungen zeigen, was ich |
| |
meine damit. Die Univariate |
| |
Kontrollkarte für Öl und |
| |
Dichte zeigen die beiden |
| |
Beobachtungen in Rot wie in |
| |
Kontrolle. Allerdings Öl und Dichte |
| |
sind stark korreliert und beides |
| |
Beobachtungen sind außer Kontrolle. |
| |
im multivariaten Sinne, |
| |
speziell Beobachtung 51, die |
| |
verstößt ziemlich gegen die Korrelation |
| |
Struktur der beiden Variablen, |
| |
also multivariate Kontrollkarten |
| |
kann diese Art von Dingen aufgreifen |
| |
Ausreißer, während univariat |
| |
Kontrollkarten können das nicht. |
| |
Modellgesteuertes Multivariat |
| |
Kontrolldiagramm verwendet Projektion |
| |
Methoden zum Erstellen der Diagramme. |
| |
Ich beginne mit der Erläuterung von PCA |
| |
weil es einfach aufzubauen ist |
| |
von dort. PCA reduziert die |
| |
Dimensionalität des Prozesses durch |
| |
Projizieren von Daten auf einen Tiefpunkt |
| |
dimensionale Oberfläche. Äh, |
| |
Dies ist im Bild dargestellt |
| |
auf der rechten Seite. Wir haben P |
| |
Prozessvariablen und N |
| |
Beobachtungen und |
| |
die Belastungsvektoren im P |
| |
Matrix geben die Koeffizienten für an |
| |
Linearkombinationen unseres X |
| |
Variablen, die dazu führen |
| |
quadratische Variablen mit |
| |
Maß A, wobei das Maß |
| |
A ist viel kleiner als P. Und dann |
| |
Dies wird in den Gleichungen auf gezeigt |
| |
hier links. Das X kann sein |
| |
vorhergesagt als Funktion der |
| |
Punktzahl und Ladungen, wobei E ist |
| |
der Vorhersagefehler. |
| |
Diese Ergebnisse werden ausgewählt |
| |
Minimieren Sie den Vorhersagefehler, |
| |
und eine andere Möglichkeit, darüber nachzudenken |
| |
Das ist es, was 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 |
| |
Ich möchte wirklich sicherstellen, dass die |
| |
Qualitätsvariablen bleiben erhalten |
| |
Kontrolle aber diese Variablen |
| |
sind oft teuer oder zeitintensiv |
| |
aufwändig zu sammeln. Die Pflanze |
| |
könnte ein Produkt ohne herstellen |
| |
eine Kontrollqualität für lange Zeit |
| |
Zeit, bis ein Fehler erkannt wird. |
| |
PLS-Modelle ermöglichen Ihnen dies |
| |
Überwachen Sie Ihre Qualitätsvariablen |
| |
als Funktion Ihres Prozesses |
| |
Variablen und das sieht man |
| |
Die PLS-Modelle finden die Punktzahl |
| |
Variablen, die die maximieren |
| |
Ausmaß der Variation erklärt |
| |
die Qualitätsvariablen. |
| |
Diese Prozessvariablen sind |
| |
oft günstiger oder einfacher |
| |
verfügbar, damit PLS Sie aktivieren kann |
| |
Qualitätsmängel zu erkennen |
| |
früh und machen Sie Ihren Prozess |
| |
Überwachung günstiger. Und von hier aus |
| |
Im Folgenden werde ich mich auf PLS konzentrieren |
| |
Modelle, weil es mehr ist |
| |
passend zum Beispiel. |
| |
Also PLS-Modellpartitionen |
| |
Daten in zwei Komponenten. Der |
| |
Die erste Komponente ist das Modell |
| |
Komponente. Dies gibt die |
| |
vorhergesagte Werte Ihres Prozesses |
| |
Variablen. Eine andere Art zu denken |
| |
Es geht darum, dass Ihre Daten vorhanden sind |
| |
in das Modell projiziert wurden |
| |
Ebene, die durch Ihre Punktzahl definiert wird |
| |
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 weitere alternative Metrik wir |
| |
angeben ist die Entfernung zum Modell |
| |
X-Ebene oder DModX. Das ist gerecht |
| |
eine normalisierte Alternative zu SPE |
| |
das manche Leute bevorzugen. |
| |
Das letzte Konzept |
| |
wichtig zu verstehen für die |
| |
Demo ist die Unterscheidung zwischen |
| |
historische und aktuelle Daten. |
| |
Historische Daten sind typischerweise |
| |
gesammelt, als der Prozess durchgeführt wurde |
| |
bekanntermaßen die Kontrolle hat. Diese |
| |
Daten werden zum Aufbau des PLS verwendet |
| |
modellieren und das Normale definieren |
| |
Prozessvariation, so dass a |
| |
Kontrollgrenze ermittelt werden kann. |
| |
Und aktuelle Daten werden zugeordnet |
| |
Ergebnisse basierend auf dem Modell, aber |
| |
sind unabhängig vom Modell. |
| |
Eine andere Möglichkeit, darüber nachzudenken |
| |
ist, dass wir Schulungen haben und |
| |
Testsätze. Die T-Quadrat-Kontrolle |
| |
Die Grenze für das Training ist niedriger |
| |
Daten, weil wir weniger erwarten |
| |
Variabilität für die verschiedenen... |
| |
Beobachtungen, die zum Trainieren des verwendet werden |
| |
Modell, während es größere gibt |
| |
Variabilität in P im Quadrat, wenn |
| |
Das Modell verallgemeinert sich auf den E-Test |
| |
Satz. Zum Glück die Theorie |
| |
für die Varianz von T im Quadrat ist |
| |
wurde ausgearbeitet, damit wir es bekommen können |
| |
Diese Kontrollgrenzen basieren auf |
| |
einige Verteilungsannahmen. |
| |
In der Demo wird überwacht |
| |
der Tennessee-Eastman-Prozess. |
| |
Ich werde einen kurzen Vortrag halten |
| |
Einführung in diese Daten. Das |
| |
ist eine Simulation einer Chemikalie |
| |
Verfahren entwickelt von Downs und |
| |
Vogel, zwei Chemiker bei Eastman |
| |
Chemisch. Es war ursprünglich |
| |
geschrieben in Fortran, aber da |
| |
sind Wrapper für Matlab und |
| |
Python jetzt. Ich wollte es nur anmerken |
| |
dass, während dieser Datensatz war |
| |
in den 90ern generiert, ist es immer noch |
| |
einer der primären Datensätze |
| |
Wird zum multivariaten Benchmarking verwendet |
| |
Kontrollmethoden in der |
| |
Literatur. Es umfasst die |
| |
Hauptaufgaben des Multivariaten |
| |
Kontrolle gut und es gibt |
| |
eine beeindruckende Menge |
| |
Realismus in der Simulation. |
| |
Und die Simulation basiert darauf |
| |
ein industrieller Prozess |
| |
auch heute noch aktuell. |
| |
Die Daten wurden also manipuliert |
| |
Eigentum zu schützen |
| |
Information. Das simulierte |
| |
Prozess ist die Herstellung von |
| |
zwei flüssige Produkte von |
| |
gasförmige Reaktanten innerhalb eines |
| |
Chemiefabrik. Und F hier ist |
| |
Ein Nebenprodukt |
| |
das muss abgesaugt werden |
| |
vom gewünschten Produkt ab. |
| |
Ähm und... |
| |
Das ist ungefähr alles, was ich dazu sagen werde. |
| |
So sieht das Prozessdiagramm aus |
| |
kompliziert, aber das ist es wirklich nicht |
| |
So schlimm, also werde ich dich begleiten |
| |
durch. Gasförmig |
| |
Die Reaktanten A, D und E strömen hinein |
| |
Der Reaktor hier. |
| |
Die Reaktion findet statt und die |
| |
Produkt tritt als Gas aus. Es ist |
| |
dann abgekühlt und kondensiert |
| |
Flüssigkeit im Kondensator. |
| |
Dann ein Dampf-Flüssigkeitsabscheider |
| |
recycelt den verbleibenden Dampf und |
| |
schickt es zurück zum Reaktor |
| |
durch einen Kompressor, und die |
| |
Nebenprodukt und inerte Chemikalie B |
| |
werden im Purge-Stream gespült, |
| |
und das soll verhindern, dass irgendetwas passiert |
| |
Akkumulation. Das flüssige Produkt |
| |
wird durch einen Stripper gepumpt, |
| |
wo die restlichen Reaktanten |
| |
werden abgestreift. |
| |
Und dann zurück zum Reaktor geschickt. |
| |
Und dann endlich die |
| |
gereinigtes flüssiges Produkt |
| |
verlässt den Prozess. |
| |
Der erste Satz von Variablen ist |
| |
Überwacht werden die manipulierten |
| |
Variablen. Diese sehen aus wie ein Bogen |
| |
Bindungen im Diagramm. Ich finde |
| |
Das sollen sie tatsächlich sein |
| |
Ventile und die manipuliert |
| |
Prozess...oder das Manipulierte |
| |
Variablen steuern meist die |
| |
Durchflussmenge durch verschiedene |
| |
Ströme des Prozesses. |
| |
Und diese Variablen können eingestellt werden |
| |
auf beliebige Werte innerhalb der Grenzen und |
| |
haben etwas Gaußsches Rauschen. |
| |
Die manipulierten Variablen sind in der Lage |
| |
im Tarif abgetastet werden, |
| |
aber wir verwenden die Standardeinstellung 3 |
| |
Minuten Probe jetzt. |
| |
Einige Beispiele des Manipulierten |
| |
Variablen sind die Ventile, die |
| |
Steuern Sie den Fluss der Reaktanten |
| |
in den Reaktor. |
| |
Ein weiteres Beispiel ist ein Ventil |
| |
das den Fluss steuert |
| |
Dampf in den Stripper geben. |
| |
Und ein anderes ist ein Ventil |
| |
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 Uhr beprobt |
| |
Minutenintervalle. Der |
| |
Unterschied zwischen manipuliert |
| |
Variablen und Messung |
| |
Variablen ist, dass die |
| |
Messgrößen können nicht sein |
| |
in der Simulation manipuliert werden. |
| |
Unsere Qualitätsvariablen werden sein |
| |
die prozentuale Zusammensetzung von |
| |
zwei flüssige Produkte und Sie |
| |
kann den Analysator sehen |
| |
Hier messen wir die Produkte. |
| |
Diese Variablen werden mit abgetastet |
| |
eine erhebliche Zeitverzögerung, also |
| |
Wir schauen uns die Säuberung an |
| |
Stream statt Exit |
| |
Stream, weil diese Daten sind |
| |
früher verfügbar. Und werde es nutzen |
| |
ein PLS-Modell zur Prozessüberwachung |
| |
Variablen als Stellvertreter für diese |
| |
Variablen aufgrund des Prozesses |
| |
Variablen haben weniger Verzögerung und |
| |
beeinflussen eine schnellere Abtastrate. |
| |
Das sollte also reichen |
| |
Hintergrundinformationen zu den Daten. In |
| |
Insgesamt gibt es 33 Prozesse |
| |
Variablen und zwei Qualitäten |
| |
Variablen. Der Prozess von |
| |
Das Sammeln der Variablen ist |
| |
simuliert mit einer Reihe von |
| |
Differentialgleichung. Und das |
| |
ist nur eine Simulation, aber wie Sie |
| |
kann eine beträchtliche Menge sehen |
| |
Bei der Modellierung wurde große Sorgfalt darauf verwendet |
| |
nach einem realen Prozess. Hier |
| |
ist eine Übersicht über die Demo, die ich bin |
| |
zeige es dir gleich. Wir werden sammeln |
| |
Daten über uns verarbeiten und speichern |
| |
diese Daten in einer Datenbank. |
| |
Ich wollte ein Beispiel dafür haben |
| |
war einfach zu teilen, also werde ich es auch tun |
| |
mit einer SQLite-Datenbank, aber |
| |
Der Arbeitsablauf ist für die meisten relevant |
| |
Arten von Datenbanken seit den meisten |
| |
unterstützt ODBC-Verbindungen. |
| |
Sobald JMP einen ODBC bildet |
| |
Verbindung mit der Datenbank, |
| |
JMP kann regelmäßig nachschauen |
| |
Neue Beobachtungen sammeln und ergänzen |
| |
eine Datentabelle. |
| |
Wenn wir ein Modell gefahren haben |
| |
Multivariate Kontrollkarte |
| |
Bericht offen mit Automatik |
| |
Neuberechnung eingeschaltet, wir haben eine |
| |
Mechanismus zum Aktualisieren der |
| |
Kontrollkarten, sobald neue Daten vorliegen |
| |
in und der gesamte Prozess von |
| |
Das Hinzufügen von Daten zu einer Datenbank würde dies tun |
| |
wird wahrscheinlich getrennt stattfinden |
| |
Computer vom Computer |
| |
Das ist die Überwachung. Also |
| |
Ich habe zwei JMP-Sitzungen geöffnet |
| |
um dies nachzuahmen. 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 |
| |
wird als Überwachungssitzung bezeichnet. |
| |
Eine Sache hat mir wirklich gut gefallen |
| |
das Papier von Downs und Vogel war |
| |
dass sie keine bereitgestellt haben |
| |
einzelne Metrik zur Bewertung der |
| |
Kontrolle des Prozesses. Ich habe |
| |
ein Zitat aus der Zeitung hier |
| |
„Wir hatten das Gefühl, dass die Kompromisse |
| |
unter den möglichen Kontrollen |
| |
Strategien und Techniken |
| |
beteiligt viel mehr als a |
| |
mathematischer Ausdruck. |
| |
Hier sind einige der Ziele |
| |
Sie führten in ihrer Zeitung auf, |
| |
die für uns relevant sind |
| |
Problem. Sie wollten aufrechterhalten |
| |
die Prozessvariablen bei |
| |
gewünschte Werte. Sie wollten |
| |
Minimierung der Produktvariabilität |
| |
Qualität bei Störungen und |
| |
sie wollten sich schnell erholen |
| |
und reibungslos vor Störungen. |
| |
Also werden wir sehen, wie gut unser |
| |
Der Prozess erreicht diese Ziele |
| |
mit unseren Überwachungsmethoden. |
| |
Also, um in der zu beginnen |
| |
Überwachungssitzungsjournal, das werde ich |
| |
zeige euch unseren ersten Datensatz. |
| |
Die Datentabelle enthielt alles |
| |
die Variablen, die ich eingeführt habe |
| |
früher. Die ersten Variablen sind |
| |
die Messgrößen; Die |
| |
Zweitens ist die Zusammensetzung. |
| |
Und die dritten sind die |
| |
manipulierte Variablen. |
| |
Das Skript hier oben wird passen |
| |
ein PLS-Modell. Es schließt die aus |
| |
letzten 100 Zeilen als Testsatz. |
| |
Nur als Erinnerung, |
| |
Das Modell sagt 2 voraus |
| |
Produktzusammensetzung |
| |
Variablen als Funktion von |
| |
die Prozessvariablen. Wenn |
| |
Da haben Sie JMP Pro |
| |
war schon etwas schneller |
| |
Verbesserungen an PLS |
| |
in JMP 16. |
| |
PLS hat jetzt eine |
| |
schnelle SVD-Option. |
| |
Sie können zum wechseln |
| |
klassisch in rot |
| |
Dreieck-Menü. Es gibt |
| |
war auch eine Reihe von |
| |
Leistungsverbesserungen |
| |
unter der Haube. |
| |
Meistens relevant für Datensätze |
| |
mit einer großen Anzahl von |
| |
Beobachtungen, aber das ist |
| |
im Multivariaten üblich |
| |
Einstellung der Prozessüberwachung. |
| |
Aber PLS steht nicht im Mittelpunkt |
| |
reden, also habe ich das schon gepasst |
| |
Modell- und Ausgabebewertungsspalten |
| |
und Sie können sie hier sehen. |
| |
Ein Grund dafür, dass der Monitor |
| |
multivariate Kontrollkarte war |
| |
so gestaltet, wie es ist, ist das so |
| |
Stellen Sie sich vor, Sie wären Statistiker |
| |
und Sie möchten Ihr Modell teilen |
| |
mit einem Ingenieur, damit sie es können |
| |
Kontrolldiagramme erstellen. Alle |
| |
Sie müssen lediglich Folgendes bereitstellen |
| |
Datentabelle mit dieser Formel |
| |
Säulen. Sie müssen nicht teilen |
| |
alle blutigen Details darüber, wie du |
| |
Passt zu deinem Modell. |
| |
Als nächstes liefere ich die Partitur |
| |
Spalten zur Überwachung der |
| |
Multivariate Kontrollkarte. |
| |
Ziehen Sie es hier nach rechts. |
| |
Also hier links seht ihr |
| zwei Arten von Kontrollkarten |
Die |
| |
T im Quadrat und SPE. |
| |
Ähm, es gibt 860 Beobachtungen |
| |
die zur Schätzung der verwendet wurden |
| |
Modell und diese sind mit gekennzeichnet |
| |
historisch. Und dann die Hundert |
| |
die als Testsatz weggelassen wurden |
| |
sind Ihre aktuellen Daten. |
| |
Und man sieht das Limit |
| |
Zusammenfassungen, die Anzahl der Punkte |
| |
die außer Kontrolle geraten und die |
| |
Signifikanzniveau. Ähm, wenn du |
| |
möchte die Bedeutung ändern |
| |
Level, du kannst es hier oben machen |
| |
das Menü mit dem roten Dreieck. |
| |
Weil der Reaktor normal ist |
| |
Betriebsbedingungen erwarten wir |
| |
Keine Beobachtungen, aus denen man ausschließen könnte |
| |
Kontrolle, aber wir haben ein paar falsche |
| |
Positives hier, weil wir |
| |
habe keine Anpassungen vorgenommen |
| |
mehrere Vergleiche. Es ist |
| |
Das ist meiner Meinung nach ungewöhnlich |
| |
kann sagen, im Multivariaten |
| |
Kontrollkarten. Ich nehme an, du |
| |
haben eine höhere Erkennungsleistung |
| |
von Steuersignalen ohne a |
| |
Korrektur. Im Kontrolldiagramm |
| |
Jargon, das bedeutet, dass du raus bist |
| |
der Kontrolle. Durchschnittliche Lauflänge |
| |
wird niedrig gehalten. |
| |
Also hier rechts sind wir |
| |
habe auch einen Beitrag |
| |
Diagramme und auf der Y-Achse sind |
| |
die Beobachtungen; auf dem X |
| |
Achse, die Variablen. A |
| |
Beitrag ausgedrückt wird |
| |
als Portion. |
| |
Und dann ganz unten hier, |
| |
Wir haben Score-Plots. Rechts |
| |
Jetzt plane ich den ersten |
| |
Score-Dimension im Vergleich zur |
| |
zweite Score-Dimension, aber |
| |
Sie können sich jeden ansehen |
| |
Kombination von Partitur |
| |
Dimensionen damit |
| |
Dropdown-Menüs oder den Pfeil |
| |
Taste. |
| |
Okay, ich denke, wir sind orientiert |
| |
zum Bericht. ich werde |
| |
Wechseln Sie nun zum |
| |
Skripte, die ich zum Streamen verwendet habe |
| |
Daten in die Datenbank, die |
| |
Der Bericht überwacht. |
| |
Um etwas dafür zu tun |
| |
Beispielsweise benötigen Sie eine |
| |
SQLite ODBC-Treiber installiert |
| |
für Ihren Computer. Das ist viel einfacher |
| |
auf einem Windows-Computer tun, |
| |
was Sie oft verwenden |
| |
wenn tatsächlich eine Verbindung zu einem hergestellt wird |
| |
Datenbank. Der Vorgang auf dem Mac |
| |
ist komplizierter, aber ich habe einiges gesagt |
| |
Hinweise zur Community |
| |
Seite. Und dann habe ich keine Zeit |
| |
darüber zu reden, aber ich |
| |
hat die SQLite-Datenbank erstellt |
| |
Ich werde es in JMP und I verwenden |
| |
Ich habe vor, einige Anweisungen zu geben |
| |
wie man das macht |
| |
Community-Webseite. Und hoffentlich |
| |
Dieses Beispiel ist hilfreich für Sie |
| |
wenn Sie versuchen, dies mit zu tun |
| |
Daten selbst. |
| |
Als nächstes werde ich es zeigen |
| |
Ihnen die Dateien, die ich abgelegt habe |
| |
in der SQLite-Datenbank. |
| |
Hier habe ich die historischen Daten. |
| |
Dies wurde zum Bau verwendet |
| |
das PLS-Modell. Es sind 960 |
| |
Beobachtungen, die in sind |
| |
Kontrolle. Dann habe ich das |
| |
Überwachungsdaten, die zunächst |
| |
enthält nur das Historische |
| |
Daten, aber ich werde nach und nach neue hinzufügen |
| |
Daten dazu. Das sind die Daten |
| |
dass die multivariate Steuerung |
| |
Das Diagramm wird überwacht. |
| |
Und dann habe ich neu simuliert |
| |
Daten bereits erfasst und zum hinzugefügt |
| |
Datentabelle hier. Diese sind |
| |
weitere 960 ungerade Messungen |
| |
wo ein Fehler eingeführt wird |
| |
Irgendwann. ich wollte |
| |
etwas haben, das leicht zu machen war |
| |
teilen, also werde ich nicht weglaufen |
| |
mein Simulationsskript und füge es hinzu |
| |
die Datenbank auf diese Weise. War |
| |
Ich werde nur Beobachtungen machen |
| |
aus dieser neuen Datentabelle und |
| |
Übertragen Sie sie auf die Überwachung |
| |
Datentabelle mit etwas JSL und |
| |
SQL-Anweisungen. Das ist nur ein |
| |
Beispiel, das den Prozess emuliert |
| |
von neuen Daten, die in a eingehen |
| |
Datenbank. Irgendwie vielleicht nicht |
| |
mache das tatsächlich mit JMP, aber |
| |
Dies war eine Gelegenheit, es 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 es tun |
| |
Führe es ganz schnell durch. |
| |
Dieser erste Satz von |
| |
Befehle öffnen die |
| |
neue Datentabelle und |
| |
es ist in der SQLite-Datenbank, |
| |
also öffnet es die Tabelle im |
| |
Hintergrund, damit ich es nicht tun muss |
| |
Beschäftige dich mit dem Fenster. |
| |
Dann werde ich Stücke nehmen |
| |
aus dieser Datentabelle und fügen Sie hinzu |
| |
sie den Überwachungsdaten zuordnen |
| |
Tisch. Ich nenne die Stücke |
| |
Bisse und die Bissgröße beträgt 20. |
| |
Und dann wird dieser nächste Befehl |
| |
Verbindung zur Datenbank herstellen. Das |
| |
Erlaube mir, das zu senden |
| |
Datenbank-SQL-Anweisungen. |
| |
Und dann dieser nächste Teil |
| |
des Codes ist |
| |
iteratives Senden von SQL |
| |
Anweisungen, die neue 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 die Aussage einfügen, dass |
| |
fügt die ersten 20 ein |
| |
Beobachtungen in die Daten ein |
| |
Tisch. Diese Druckanweisung ist |
| |
Auskommentiert, damit der Code |
| |
läuft schneller und dann ich auch |
| |
Habe eine Warteanweisung zum Verlangsamen |
| |
Dinge etwas nach unten, so dass |
| |
Wir können ihren Fortschritt sehen |
| |
im Kontrolldiagramm. |
| |
Und das würde einfach zu schnell gehen |
| |
wenn ich es nicht langsamer machen würde. |
| |
Ähm, also werde ich als nächstes umziehen |
| |
zu den Überwachungssitzungen |
| |
um Ihnen die Skripte zu zeigen |
| |
Dadurch wird der Bericht aktualisiert |
| |
sobald neue Daten eingehen. |
| |
Dieses erste Skript ist einfach |
| |
Skript. Das wird das überprüfen |
| |
Datenbank alle 0,2 Sekunden für |
| |
neue Beobachtungen und füge sie hinzu |
| |
zur JMP-Tabelle hinzufügen. Seit der |
| |
Der Bericht verfügt über eine automatische Neuberechnung |
| |
aktiviert ist, wird der Bericht aktualisiert |
| |
immer dann, wenn neue Daten hinzugefügt werden. Und |
| |
Das sollte ich hinzufügen |
| |
realistisch, |
| |
Sie würden wahrscheinlich kein a verwenden |
| |
Skript, das einfach so iteriert |
| |
Das. Sie verwenden wahrscheinlich task |
| |
Scheduler in Windows oder |
| |
Automator auf dem Mac zu verbessern |
| |
Planen Sie die Ausführung des Skripts. |
| |
Und dann ist da noch einer |
| |
Skript, das wird |
| |
Senden Sie den Bericht an JMP Public |
| |
wann immer der Bericht aktualisiert wird, |
| |
und das hat mich wirklich gefreut |
| |
Dies ist mit JMP 15 möglich. |
| |
Es ermöglicht jedem Computer mit einem |
| |
Webbrowser zum Anzeigen von Updates |
| |
das Kontrolldiagramm. Dann Sie |
| |
kann den Bericht sogar einsehen |
| |
Ihr Smartphone, also macht das |
| |
es ist wirklich einfach zu teilen |
| |
Ergebnisse in allen Organisationen. |
| |
Und Sie können auch JMP Live verwenden |
| |
wenn Sie die Berichte wünschen |
| |
auf einem eingeschränkten Server sein. |
| |
Ich werde keine Zeit haben |
| |
hierauf näher eingehen |
| |
Demo, aber Sie können es sich ansehen |
| |
mein Vortrag über Discovery Americas. |
| |
Dann ist es endlich hier unten |
| |
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 ausführen |
| |
Streaming-Skript und siehe |
| |
wie der Bericht aktualisiert wird. |
| |
Die Daten haben also die Kontrolle über |
| |
Erst und dann liegt ein Fehler vor |
| |
eingeführt, aber es gibt eine |
| |
anlagenweites Steuerungssystem |
| |
das ist in der implementiert |
| |
Simulation, und Sie können sehen |
| |
wie das Kontrollsystem |
| |
bringt schließlich den Prozess |
| |
zu einem neuen Gleichgewicht. |
| |
Warten Sie, bis es hier fertig ist. |
| |
Wenn wir also hineinzoomen, |
| |
Scheint zunächst der Prozess zu sein |
| |
geriet außer Kontrolle |
| |
Zeitpunkt, also werde ich es tun |
| |
Male es aus und |
| |
Beschriften Sie es, aber das wird es |
| |
in anderen Plots auftauchen. |
| |
Und dann im SPE-Plot: |
| |
es sieht aus wie das |
| |
Beobachtung ist auch aus |
| |
Kontrolle, aber nur geringfügig. |
| |
Und wenn wir dann heranzoomen |
| |
der Zeitpunkt in der |
| |
Beitragsplots, das können Sie |
| |
Sehen Sie, dass es viele sind |
| |
Variablen, die dazu beitragen |
| |
das Außer-Kontroll-Signal bei |
| |
Erste. Aber dann einmal |
| |
Prozess erreicht ein neues |
| |
Gleichgewicht gibt es nur |
| |
zwei große Mitwirkende. |
| |
Also werde ich die Hitze entfernen |
| |
Karten jetzt, um ein wenig aufzuräumen. |
| |
Sie können mit der Maus darüber fahren |
| |
der Punkt, an dem der Prozess |
| |
geriet zunächst außer Kontrolle und |
| |
Werfen Sie einen Blick auf die Top Ten |
| |
beitragende Variablen. Das |
| |
ist großartig, um Ihnen eine zu geben |
| |
Schneller Überblick welche Variablen |
| |
tragen am meisten dazu bei |
| |
Außer Kontrolle geratenes Signal. |
| |
Und wenn ich dann auf die Handlung klicke, |
| |
Dies wird angehängt |
| |
Abschnitt Fehlerdiagnose. |
| |
Und wie Sie sehen, gibt es sie |
| |
mehrere Variablen mit großen |
| |
Beiträge und gerade sortiert |
| |
auf den Beitrag. |
| |
Und für Variablen mit |
| |
Rote Balken zeigen die Beobachtung an |
| |
im Univariaten außer Kontrolle geraten |
| |
Kontrollkarten. Du kannst sehen |
| |
Dies erreichen Sie, indem Sie mit der Maus über eines davon fahren |
| |
die Balken und diese Graphlets |
| |
sind IR-Charts für eine |
| |
einzelne Variable mit a |
| |
Drei-Sigma-Kontrollgrenze. |
| |
Sie können es in der Stripperin sehen |
| |
Druckgröße, die die |
| |
Beobachtung ist aus |
| |
Kontrolle, aber irgendwann die |
| |
Der Prozess wird wieder unter Kontrolle gebracht |
| |
Kontrolle. Und das ist der Fall |
| |
für das andere Oberteil |
| |
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 schließlich erreicht |
| |
ein neues Gleichgewicht. |
| |
Äh... |
| |
Um die Variablen zu sehen, die |
| |
tragen am meisten zum Wandel bei |
| |
Für den Prozess können wir Mittel verwenden |
| |
Beitragsverhältnisdiagramm. |
| |
Diese Diagramme zeigen den Durchschnitt |
| |
Beitrag, den die Variablen leisten |
| |
müssen für die Gruppe T quadriert werden |
| |
Ich habe ausgewählt. Ähm, hier, wenn ich |
| |
Sortieren Sie diese. |
| |
Die einzigen zwei Variablen mit |
| |
Große Beiträge messen die |
| |
Strömungsgeschwindigkeit des Reaktanten A in |
| |
Stream eins, das ist der Fluss von |
| |
diesen Reaktanten in den Reaktor. |
| |
Beide Variablen sind |
| |
Messen im Wesentlichen die |
| |
das Gleiche, bis auf eines |
| |
Messung...eins ist ein |
| |
Messgröße und die |
| |
andere ist manipuliert |
| |
Variable. |
| |
Sie können sehen, dass es eine gibt |
| |
große Schrittänderung im Durchfluss |
| |
Rate, die ich programmiert habe |
| |
in der Simulation. Also diese |
| |
Beitragsplots ermöglichen es Ihnen |
| |
Identifizieren Sie schnell die Grundursache. |
| |
Und dann habe ich in meinem vorherigen Vortrag |
| |
zeigte viele andere Möglichkeiten auf |
| |
Fehler visualisieren und diagnostizieren |
| |
Verwendung von Werkzeugen im Partiturplot. |
| |
Dazu gehört auch das Plotten |
| |
Ladungen auf den Score-Plots und |
| |
einige Gruppenvergleiche durchführen. |
| |
Sie können sich meine Entdeckung ansehen |
| |
Amerikas Gespräch über den JMP |
| |
Community dafür. Stattdessen bin ich es |
| |
Ich werde den Rest davon ausgeben |
| |
Zeit, ein paar neue vorzustellen |
| |
Beispiele, die ich auf die gestellt habe |
| |
Community-Seite für diesen Vortrag. |
| |
Also. |
| |
Es gibt 20 programmierbare Fehler |
| |
im Tennessee-Eastman-Prozess |
| |
und sie können in jedem eingeführt werden |
| |
Kombination. Ich habe zwei weitere zur Verfügung gestellt |
| |
repräsentative Fehler hier. Fehler |
| |
1, die ich zuvor gezeigt habe, war |
| |
leicht zu erkennen, weil das out |
| |
des Steuersignals ist so groß |
| |
und so viele Variablen sind |
| |
beteiligt. Der Fokus liegt auf der |
| |
Die vorherige Demo sollte zeigen, wie es geht |
| |
Verwenden Sie die Werkzeuge und identifizieren Sie sich. |
| |
Fehler aus einer Vielzahl von |
| |
Variablen und nicht zum Benchmarking |
| |
die Methoden unbedingt. |
| |
Fehler 4 hingegen |
| |
ist ein subtilerer Fehler, |
| |
und ich zeige es dir hier. |
| |
Der Fehler ist...das ist programmiert |
| |
ist ein plötzlicher Anstieg der |
| |
Temperatur im Reaktor. |
| |
Und das wird kompensiert durch |
| |
das Steuerungssystem durch Erhöhung |
| |
die Durchflussmenge des Kühlmittels. |
| |
Und das sieht man |
| |
Variable hier aufgegriffen und |
| |
Sie können die Verschiebung sehen |
| |
Beitragsplots. |
| |
Und dann kann man auch sehen |
| |
dass die meisten anderen Variablen |
| |
sind nicht betroffen |
| |
durch die Schuld. Sie können ein sehen |
| |
hier kommt es zu einem Temperaturanstieg |
| |
wird schnell wieder unter Kontrolle gebracht |
| |
Kontrolle. Denn die meisten anderen |
| |
Variablen sind davon nicht betroffen |
| |
ist für manche schwer zu erkennen |
| |
Multivariate Steuerungsmethoden. |
| |
Und es kann mehr sein |
| |
schwer zu diagnostizieren. |
| |
Den letzten Fehler zeige ich dir |
| |
ist Fehler 11. |
| |
Wie bei Fehler 4 geht es auch darum |
| |
der Kühlmittelfluss in die |
| |
Reaktor, außer jetzt der Fehler |
| |
führt zu großen Schwingungen |
| |
die Durchflussrate, die wir können |
| |
siehe in der univariaten Kontrolle |
| |
Diagramm. Und daraus ergibt sich ein |
| |
Fluktuation des Reaktors |
| |
Temperatur. Das andere |
| |
Variablen sind es nicht wirklich |
| |
wieder betroffen, also kann das sein |
| |
für manche schwerer zu erkennen |
| |
Methoden. Einige multivariate |
| |
Kontrollmethoden können aufgegriffen werden |
| |
Fehler 4, aber nicht Fehler 11 oder |
| |
und umgekehrt. Aber unsere Methode war |
| |
kann beides aufgreifen. |
| |
Und dann endlich alles |
| |
Beispiele, die ich mit dem erstellt habe |
| |
Tennessee Eastman-Prozess hatte |
| |
Fehler, die offensichtlich waren |
| |
sowohl T-Quadrat- als auch SPE-Diagramme. Zu |
| |
Zeigen Sie einige neuere Funktionen in an |
| |
Modellgesteuertes Multivariat |
| |
Kontrolldiagramm, das ich zeigen wollte |
| |
ein Beispiel für einen Fehler, der |
| |
erscheint im SPE-Diagramm, jedoch nicht |
| |
T im Quadrat. Und etwas Gutes zu finden |
| |
Als Beispiel dafür habe ich noch einmal besucht |
| |
Datensatz, der Jianfeng Ding |
| |
in ihrem früheren Vortrag vorgestellt, und |
| |
Ich habe einen Link zu ihrem Vortrag bereitgestellt |
| |
in dieser Zeitschrift. |
| |
Auf ihrer Community-Seite |
| |
Sie stellt mehrere zur Verfügung |
| |
nützliche Beispiele, die es gibt |
| |
auch einen Blick wert. |
| |
Dies ist ein Datensatz von Cordia |
| |
McGregors (?) klassischer Artikel über |
| |
Multivariate Kontrollkarten. Der |
| |
Daten sind verarbeitete Variablen |
| |
in einem Reaktor gemessen, erzeugt |
| |
Polyethylen, und Sie können finden |
| |
Weitere Hintergrundinformationen finden Sie bei Jianfeng |
| |
sprechen. In diesem Beispiel wir |
| |
Habe einen Prozess, der ausgegangen ist |
| |
Kontrolle. Lass mich dir das zeigen. |
| |
Und es ist außer Kontrolle in... |
| |
früher im SPE-Diagramm als in |
| |
das T im Quadrat. |
| |
Und wenn wir uns den Mittelwert ansehen |
| |
Beitrag |
| |
Grundstücke für SPE, |
| |
du kannst |
| |
Sehen Sie, 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 |
| |
die immer noch die Kontrolle haben |
| |
Univariate Kontrollkarten. |
| |
Und es ist schwer zu bestimmen |
| |
Allein die Balkendiagramme erklären, warum das so ist |
| |
Variablen hatten eine große |
| |
Beiträge. Große SPE-Werte |
| |
passieren, wenn keine neuen Daten vorliegen |
| |
Folgen Sie der Korrelationsstruktur |
| |
der historischen Daten, das heißt |
| |
Dies ist häufig der Fall, wenn neue Daten vorliegen |
| |
gesammelt, und das bedeutet das |
| |
Ihr PLS-Modell, das Sie trainiert haben, ist |
| |
nicht mehr anwendbar. |
| |
Den Balkendiagrammen zufolge ist es schwierig |
| |
um zu wissen, welches Variablenpaar |
| |
haben ihre Korrelationsstruktur |
| |
gebrochen. So neu in 15.2, Sie |
| |
kann Streudiagrammmatrizen starten. |
| |
Und es ist klar in der |
| |
Streudiagrammmatrix, die die |
| |
Verletzung von Korrelationen |
| |
Mit Z2 ist das, was fährt |
| |
diese großen Beiträge. |
| |
OK, ich werde zurückwechseln |
| |
zum PowerPoint. |
| |
Und ganz schnell fasse ich zusammen |
| |
Die Hauptmerkmale von Model Driven |
| |
multivariates Kontrolldiagramm, das |
| |
wurden in der Demo gezeigt. Der |
| |
Plattform dazu in der Lage ist |
| |
beide Online-Fehler ausführen |
| |
Erkennung und Offline-Fehler |
| |
Diagnose. Da sind viele |
| |
Methoden, die in der Plattform bereitgestellt werden |
| |
zum Bohren bis zur Wurzel |
| |
Ursache von Störungen. Ich zeige es dir |
| |
Hier einige Plots aus einem beliebten |
| |
Buch, Fehlererkennung und |
| |
Diagnose in industriellen Systemen. |
| |
Im gesamten Buch die Autoren |
| |
zeigen, wie man es tun muss |
| |
Verwenden Sie Multivariat und Univariat |
| |
Kontrollkarten nebeneinander |
| |
um ein Gefühl dafür zu bekommen, was vor sich geht |
| |
in einem Prozess auf. |
| |
Eine besonders nützliche |
| |
Funktion in modellgesteuerten Multivariaten |
| |
Kontrolldiagramm ist wie |
| |
interaktiv und benutzerfreundlich |
| |
es geht darum, zwischen diesen zu wechseln |
| |
zwei Arten von Diagrammen. |
| |
Und das ist mein Gespräch. Hier ist |
| |
meine E-Mail, falls Sie welche haben |
| |
weitere Fragen. Und |
| |
Vielen Dank an alle |
| |
habe mich eingeschaltet, um das anzusehen. |
