Relatore
|
Trascrizione
|
| Jeremy Ash |
Ciao, sono Jeremy Ash. Sono uno statistico in jump R amp D. Il mio lavoro consiste principalmente nel testare le piattaforme statistiche multivariate e saltare ma |
| |
Aiuto anche la ricerca e la valutazione della metodologia e oggi analizzerò il processo del Tennessee Eastman usando alcuni metodi di controllo del processo statistico e saltando. |
| |
Presterò particolare attenzione alla piattaforma della carta di controllo multivariata basata su modello, che è una nuova aggiunta per saltare e sono davvero entusiasta di questa piattaforma e questi dati hanno fornito una nuova opportunità per mostrare alcune delle sue funzionalità. |
| |
In primo luogo, in questo discorso presumo una certa conoscenza del controllo statistico dei processi. |
| |
La cosa principale che devi sapere sono le carte di controllo. Se non hai familiarità con questi. Si tratta di grafici utilizzati per monitorare complessi sistemi industriali per determinare quando si discostano dalle normali condizioni operative. |
| |
Non avrò molto tempo per approfondire la metodologia e il diagramma di controllo multivariato basato sul modello. Quindi mi riferirò a questi altri grandi discorsi che sono disponibili gratuitamente. |
| |
Per ulteriori dettagli. Dovrei anche menzionare che la scoperta di Jim è stato lo sviluppatore principale del grafico di controllo multivariato basato su modello e in collaborazione con Chris Got Walt e Tanya Malden sono stato i tester. |
| |
Quindi il focus di questo discorso sarà l'utilizzo di carte di controllo multivariate per monitorare un processo chimico nel mondo reale. |
| |
Un altro aspetto innovativo di questo discorso sarà l'utilizzo delle carte di controllo per il monitoraggio dei processi online, il che significa che monitoreremo continuamente i dati man mano che vengono aggiunti a un database e invieremo messaggi di errore in tempo reale. |
| |
Quindi inizierò con la diapositiva obbligatoria sui vantaggi delle carte di controllo multivariate. Allora perché non usare lì le carte di controllo dell'università. Ci sono una serie di opzioni eccellenti e salta. |
| |
Le carte di controllo universitarie sono ottimi strumenti per analizzare poche variabili alla volta. Tuttavia, i set di dati di controllo della qualità sono spesso di dimensioni elevate |
| |
E il numero di grafici che devi guardare può diventare rapidamente travolgente. Quindi le carte di controllo multivariate riassumono un processo dimensionale elevato. E solo pochi grafici e questo è un vantaggio chiave. |
| |
Ma questo non vuol dire che le carte di controllo dell'università non siano utili in questo contesto, vedrai durante il discorso che la diagnosi dei guasti spesso implica il passaggio da una multivariata all'altra nelle carte di controllo dell'Università. |
| |
Grafici di controllo multivariati, ti danno un'idea dello stato di salute generale di un processo bene I grafici di controllo universitari ti consentono |
| |
Guarda aspetti specifici. Pertanto, le informazioni sono complementari e uno degli obiettivi principali del grafico di controllo multivariato basato su modello era fornire alcuni strumenti che semplificassero il passaggio tra questi due tipi di grafici. |
| |
Uno svantaggio della carta di controllo dell'università è che le osservazioni possono sembrare sotto controllo quando in realtà sono fuori controllo nel senso multivariato. Quindi devo |
| |
Controlla i nostri grafici IR per petrolio e densità e queste due osservazioni in rosso hanno il controllo, ma olio e densità sono altamente correlati. E queste osservazioni sono valori anomali nel senso multivariato, in particolare l'osservazione 51 viola gravemente la struttura di correlazione. |
| |
Quindi i grafici di controllo multivariati possono raccogliere questi tipi di valori anomali. Quando le carte di controllo dell'Università non possono |
| |
Il grafico di controllo multivariato basato su modello utilizza metodi di proiezione per costruire i suoi grafici di controllo. Inizierò spiegando PCA perché è facile costruire da lì. |
| |
PCA riduce la dimensionalità delle variabili di processo proiettandole in uno spazio dimensionale ridotto. |
| |
Questo è mostrato nella figura a destra abbiamo p variabili di processo e e osservazioni e vogliamo ridurre la dimensionalità del processo ad a se a tanto meno di p e |
| |
Per fare ciò utilizziamo questa matrice di caricamento P, che fornisce i coefficienti per le combinazioni lineari delle nostre variabili X che danno le variabili di punteggio. Il mostrato e le equazioni a sinistra. |
| |
tee times P ti daranno i valori previsti per le tue variabili di processo con la rappresentazione a bassa dimensione. E c'è un po' di aria di previsione e le tue variabili di punteggio sono selezionate. |
| |
In un modo che riduce al minimo questa aria di previsione al quadrato. Un altro modo per pensarci è che stai massimizzando la quantità di varianza spiegata x |
| |
Pls è più adatto quando hai un insieme di variabili di processo e un insieme di variabili di qualità e vuoi davvero assicurarti che le variabili di qualità siano mantenute sotto controllo, ma queste variabili sono spesso costose o richiedono tempo per essere raccolte |
| |
Il pianeta può perdere il controllo della qualità per molto tempo prima che venga rilevato un guasto, quindi |
| |
I modelli Pls consentono di monitorare le variabili di qualità in funzione delle variabili di processo. E puoi vedere qui che pls troverà variabili di punteggio che massimizzano la varianza spiegata nelle variabili y. |
| |
Le variabili di processo sono spesso più economiche e più facilmente disponibili. Quindi i modelli pls possono consentire di rilevare tempestivamente i guasti di qualità e rendere più economico il monitoraggio del processo. |
| |
Quindi da qui in poi. Mi concentrerò solo sui modelli pls perché è più appropriato per il nostro esempio. |
| |
Quindi, per favore, partiziona i tuoi dati in due componenti. Il primo componente è il componente del tuo modello. Questo ti dà i valori previsti. |
| |
Un altro modo per pensare a questo dato che i tuoi dati sono stati proiettati in un piano modello definito dalle variabili del punteggio e i grafici t quadrati monitoreranno la variazione in questo piano modello. |
| |
Il secondo componente è il tuo componente di errore. Questa è la distanza tra i dati originali e i dati previsti e i grafici degli errori di previsione al quadrato sono monitorati dai grafici sp |
| |
Variazione in questo componente |
| |
Forniamo anche una distanza alternativa al modello x piano, questa è solo una versione normalizzata di sp. |
| |
L'ultimo concetto che è importante comprendere per la demo è la distinzione tra dati storici e attuali. |
| |
dati storici generalmente raccolti quando è noto che il processo ha il controllo. Questi dati vengono utilizzati per costruire e definire il modello PLS |
| |
Normale variazione del processo. E questo permette di ottenere un limite di controllo ai dati attuali vengono assegnati punteggi basati sul modello, ma sono indipendenti dal modello. |
| |
Un altro modo per pensare a questo è che abbiamo un training e un set di test, e il limite di controllo t quadrato è più basso per i dati di training perché ci aspettiamo una variabilità inferiore per |
| |
Le osservazioni utilizzate per addestrare il modello, mentre c'è una maggiore variabilità e t al quadrato. Quando il modello è generalizzato a un set di test. E fortunatamente, c'è una teoria che è stata elaborata per il |
| |
Varianti di T quadrato che consentono di ottenere limiti di controllo sulla base di alcune ipotesi distributive. |
| |
Nella demo monitorerà il processo Tennessee Eastman. Presenterò una breve introduzione a questi dati. |
| |
Questa è una simulazione di un processo chimico sviluppato da Downs e Bogle per i chimici della Eastman Chemical ed è stato originariamente scritto in Fortran, ma ora ci sono rapper in MATLAB e Python. |
| |
La simulazione era basata su un vero processo industriale, ma è stata manipolata per proteggere le informazioni proprietarie. |
| |
I processi di simulazione. I, la produzione di liquidi. |
| |
Gassando i reagenti e F è un sottoprodotto che dovrà essere sottratto al prodotto desiderato. |
| |
I due processi stagionali pervasivi nella letteratura sull'analisi comparativa dei metodi di controllo del processo multivariato. |
| |
Quindi questo è il diagramma di processo. Sembra complicato, ma non è poi così male. Quindi ti guiderò attraverso di esso. |
| |
I reagenti gassosi e lui stanno fluendo nel reattore qui, si verifica la reazione e il prodotto esce sotto forma di gas. È stato raffreddato e condensato in un liquido e nel condensatore. |
| |
Quindi abbiamo un separatore di vapore liquido che rimuoverà il vapore rimanente e lo riciclerà al reattore attraverso il compressore e c'è anche un flusso di spurgo qui che lo farà |
| |
Sottoprodotto di sfiato e un prodotto chimico artistico per impedirne l'accumulo e quindi il prodotto liquido verrà pompato attraverso uno stripper in cui i reagenti rimanenti vengono rimossi e il prodotto purificato finale lascia qui nel flusso di uscita. |
| |
Il primo insieme di variabili che vengono monitorate sono le variabili manipolate. Questi sembrano papillon e il diagramma. |
| |
Penso che in realtà siano intese come valvole e variabili manipolative, per lo più controllano la portata attraverso diversi flussi del processo. |
| |
Queste variabili possono essere impostate su valori specifici entro i limiti e hanno del rumore gaussiano e le variabili manipolative possono essere campionate in qualsiasi modo, stiamo usando un campionamento predefinito di tre minuti in |
| |
Alcuni esempi di variabili manipolative sono la portata dei reagenti nel reattore |
| |
La portata del vapore nello stripper. |
| |
E il flusso di refrigerante nel reattore |
| |
Il prossimo insieme di variabili sono le variabili di misura. Questi sono mostrati come cerchi nel diagramma e sono anche campionati a intervalli di tre minuti e la differenza è che le variabili di misurazione non possono essere manipolate nella simulazione. |
| |
Le nostre variabili di qualità saranno la composizione percentuale rispetto ai prodotti liquidi che puoi vedere |
| |
L'analizzatore che misura la composizione qui. |
| |
Queste variabili vengono raccolte con un notevole ritardo quindi |
| |
Stiamo esaminando il prodotto nello stream perché |
| |
Queste variabili possono essere misurate più facilmente del prodotto in uscita nel flusso di uscita. E costruiremo anche un modello pls da monitorare |
| |
monitorare le nostre variabili di qualità per mezzo delle nostre variabili di processo che hanno un ritardo sostanzialmente inferiore in una frequenza di campionamento più rapida. |
| |
Ok, quindi questo è un background sui dati. In totale ci sono 33 variabili di processo in variabili di qualità. |
| |
Il processo di raccolta delle variabili viene simulato con una serie di equazioni differenziali. Quindi questa è solo una simulazione. Ma puoi vedere che una notevole cura è stata dedicata alla modellazione. Questo è un processo nel mondo reale. |
| |
Quindi ecco una panoramica della demo, sto per mostrarti che raccoglierai dati sul nostro processo e poi memorizzerai questi dati in un database. |
| |
Volevo avere un esempio facile da condividere. Quindi utilizzerò un database light sequel, ma questo flusso di lavoro è rilevante per la maggior parte dei tipi di database. |
| |
La maggior parte dei database supporta connessioni dispari una volta che jump si connette al database, può controllare periodicamente la presenza di nuove osservazioni e aggiornare la tabella di salto non appena entrano. |
| |
E poi se abbiamo un rapporto di grafico di controllo multivariato basato su modello aperto con il ricalcolo automatico attivato. Abbiamo un meccanismo per aggiornare le carte di controllo man mano che arrivano nuovi dati. |
| |
E l'intero processo di aggiunta dei dati a un database verrà probabilmente eseguito su un computer separato dal computer che esegue il monitoraggio. |
| |
Quindi ho due sessioni di salto aperte per emulare questo, entrambe le sessioni hanno il proprio diario nei materiali forniti sulla Comunità. |
| |
E la prima sessione aggiungerà dati simulati al database e si chiama sessione di streaming e la sessione successiva aggiornerà i report man mano che entrano nel database e lo chiamo la sessione di monitoraggio. |
| |
Una cosa che mi è davvero piaciuta dei down e della carta di Vogel è che non fornivano una singola metrica per valutare il controllo del processo. Ho una citazione dal giornale qui. Ci siamo sentiti |
| |
Abbiamo ritenuto che il compromesso tra possibili strategie e tecniche di controllo implicasse, molto più di un'espressione matematica. |
| |
Quindi ecco alcuni degli obiettivi che hanno elencato nel loro articolo e che sono rilevanti per il nostro problema mantengono le variabili di processo che i valori desiderati riducono al minimo la variabilità della qualità del prodotto durante i disturbi e si riprendono rapidamente e senza intoppi dai disturbi. |
| |
Quindi valuteremo quanto bene il nostro processo raggiunga questi obiettivi, utilizzando i nostri metodi di monitoraggio. |
| |
Bene. |
| |
Quindi, per iniziare, sono nel diario della sessione di monitoraggio e ti mostrerò i nostri primi dati inviati la tabella dei dati contiene tutte le variabili che ho introdotto in precedenza, il primo insieme sono le variabili di misurazione. Il prossimo imposta le nostre variabili di composizione. E poi l'ultimo insieme sono le variabili manipolate. |
| |
E il primo script allegato qui si adatta a un modello pls, esclude che le ultime cento rose siano un set di prova. |
| |
E solo come promemoria, questo modello prevede le nostre due variabili di composizione del prodotto in funzione delle nostre variabili di processo, ma il modello pls o PLS non è al centro del discorso. Quindi ho già adattato le colonne del modello e del punteggio di output qui. |
| |
E se osserviamo le proprietà della colonna. Puoi vedere che c'è una proprietà delle statistiche storiche MD MCC che contiene tutte le informazioni |
| |
Sul tuo modello devi costruire le carte di controllo multivariate. Uno dei motivi per cui il monitoraggio della carta di controllo multivariata è stato progettato in questo modo è stato |
| |
Immagina di essere uno statistico e di voler condividere il tuo modello con un ingegnere, in modo che possano costruire grafici di controllo. Tutto quello che devi fare è fornire la tabella dei dati con queste colonne formula. Non è necessario condividere tutti i dettagli cruenti su come si adatta il tuo modello. |
| |
Quindi userò le colonne del punteggio per creare il nostro turno di controllo |
| |
A sinistra, devo controllare i grafici t al quadrato e SPE lì 860 osservazioni che sono state utilizzate per stimare il modello. E questi sono etichettati come storici e quindi ho 100 osservazioni che sono state presentate come set di prova. |
| |
E puoi vedere nei riepiloghi limite qui sotto che ho eseguito un legame per la sola correzione per test multipli. |
| |
Come basato sui dati storici. L'ho fatto qui nel menu del triangolo rosso, puoi impostare il livello alfa, tutto ciò che vuoi e |
| |
Ho fatto questa correzione, perché i dati sono noti per essere una normale condizione operativa. Quindi, ci aspettiamo che nessuna osservazione sia fuori controllo e dopo questo aggiustamento della molteplicità, non ci sono falsi allarmi. |
| |
A destra o le mappe di calore proporzionali di contributo. Questi indicano quanto ciascuna variabile contribuisce al segnale di controllo esterno ogni osservazione si trova sull'asse Y e i contributi sono espressi in proporzione |
| |
E puoi vedere in entrambi questi grafici che i contributi sono distribuiti abbastanza uniformemente tra le variabili. |
| |
E in fondo. Ho un impianto di punteggio. |
| |
In questo momento stiamo solo tracciando la prima dimensione del punteggio rispetto alla seconda dimensione del punteggio, ma puoi guardare qualsiasi combinazione delle dimensioni del punteggio usando questi menu a discesa o questa freccia. |
| |
Ok, quindi siamo abbastanza orientati al rapporto, passerò alla sessione di monitoraggio. |
| |
Che trasmetterà i dati nel database. |
| |
Per fare qualsiasi cosa per questo esempio, dovrai avere un driver sequel light odd see installato. È facile da fare. Puoi semplicemente seguire questo link qui. |
| |
E non ho tempo per parlarne, ma ho creato il database delle luci del sequel. Userò e salterò Ho istruzioni su come farlo e su come connettermi salta al database sulla pagina web della mia comunità |
| |
Questo è un esempio potrebbe essere utile se vuoi provarlo in una tua data. |
| |
Ho già creato una connessione a questo database. |
| |
E ho condiviso il database sulla community. Quindi darò un'occhiata alle tabelle di dati nel generatore di query. |
| |
Posso fare quell'istantanea della tabella |
| |
Il primo set di dati sono i dati storici che ho usato per costruire un modello pls, ci sono 960 osservazioni che hanno il controllo. |
| |
La tabella di dati successiva è una tabella di dati di monitoraggio, all'inizio contiene solo i dati storici, ma aggiungerò gradualmente nuovi dati a questo e questo è ciò che monitorerà il nostro grafico di controllo multivariato. |
| |
E poi ho già simulato i nuovi dati e li ho aggiunti a questa tabella di dati qui e ho visto che inizia al timestamp 961 |
| |
E ci sono altre 960 osservazioni, ma a un certo punto ho introdotto un errore |
| |
E volevo avere qualcosa di facile da condividere. Quindi non eseguirò il mio script di simulazione e aggiungerò il database in questo modo. |
| |
Prenderò semplicemente le osservazioni da questa nuova tabella di dati e le sposterò nella tabella dei dati di monitoraggio usando alcuni JSON con istruzioni di sequel. |
| |
E questo è solo un semplice esempio che emula il processo di nuovi dati che entrano in un database, in qualche modo potresti non farlo con jump. Ma questa è l'occasione per mostrare come puoi farlo con l'ASL. |
| |
Successivamente, ti mostrerò lo script che utilizzerà per lo streaming dei dati. |
| |
Questo è un semplice script. Quindi ti guiderò attraverso di essa molto velocemente. |
| |
Il primo set di comandi aprirà la nuova tabella di dati dal database di sequel light, si apre in background. Quindi devo occuparmi della finestra, quindi prenderò pezzi da questa nuova tabella di dati e |
| |
spostali nella tabella dei dati di monitoraggio che chiamo i pezzi morsi e BITE SIZES 20 |
| |
E quindi questo creerà una connessione al database che mi consentirà di inviare le istruzioni SQL del database. E poi quest'ultimo bit di codice costruirà interattivamente istruzioni sequel che inseriscono nuovi dati nei dati di monitoraggio. Quindi vado a inizializzare |
| |
Ok, e mostrati la prima iterazione di questo ciclo. |
| |
Quindi questo è solo un semplice |
| |
Istruzione SQL insert nell'istruzione che inserisce le prime 20 osservazioni. |
| |
Commenta che l'inizio è più veloce. E c'è una dichiarazione di attesa quaggiù. Questo rallenterà solo il flusso. |
| |
In modo da avere abbastanza tempo per vedere la progressione dei dati e le carte di controllo senza che questo esempio di streaming sarebbe finito troppo velocemente. |
| |
Va bene, quindi lo farò |
| |
Torna alla sessione di monitoraggio e mostra alcuni script che aggiorneranno il rapporto. |
| |
Sposta questo verso destra. Così puoi vedere il report e gli script contemporaneamente. |
| |
Così, |
| |
Questo script di lettura dei dati di monitoraggio è un semplice script che controlla il database ogni punto due secondi e aggiunge nuovi dati alla tabella di salto. E poiché il rapporto ha il riconteggio automatico attivato. |
| |
Il rapporto si aggiornerà ogni volta che vengono aggiunti nuovi dati. E dovrei aggiungere che realisticamente, probabilmente non useresti uno script che si integri semplicemente in questo modo, probabilmente usi l'Utilità di pianificazione e le finestre sono automatizzate e Max pianifica meglio le esecuzioni |
| |
E poi il prossimo script qui. |
| |
spingerà il rapporto a diventare pubblico ogni volta che il rapporto viene aggiornato. |
| |
Ero davvero entusiasta che questo fosse possibile e salto. |
| |
Consente a qualsiasi computer con un browser web di visualizzare gli aggiornamenti della carta di controllo. Puoi anche visualizzare il rapporto sul tuo smartphone. In questo modo è facile condividere i risultati tra le organizzazioni. Puoi anche utilizzare jump live se desideri che i rapporti siano su un server limitato. |
| |
E quindi lo script ricreerà i dati storici e la tabella dei dati nel caso in cui desideri eseguire l'esempio più volte. |
| |
Ok, quindi eseguiamo lo script di streaming. |
| |
E guarda come si aggiorna il rapporto. |
| |
Puoi vedere che i dati all'inizio sono sotto controllo, ma poi viene introdotto un errore, c'è un grande segnale fuori controllo, ma c'è un sistema di controllo a livello di impianto che è stato implementato e la simulazione, che porta il sistema a un nuovo equilibrio |
| |
Gli do un secondo per finire. |
| |
E ora che ho aggiornato il diagramma di controllo. Ho intenzione di spingere i risultati a diventare pubblici |
| |
Nella mia pagina pubblica di salto ho inizialmente la carta di controllo con i dati e il controllo all'inizio. |
| |
E questo dovrebbe essere aggiornato con l'aggiunta dei dati. |
| |
Quindi, se ingrandiamo il momento in cui il processo è andato fuori controllo per la prima volta. |
| |
Tuo |
| Jeremy Ash |
Sembra che fosse il campione 1125, lo colorerò |
| |
Ed etichettalo. |
| |
In modo che si presenti in altre trame e poi |
| |
Nella trama SP sembra che questa osservazione abbia ancora il controllo. |
| |
E quale grafico rileverà gli errori prima dipende dal tuo modello. E quanti fattori hai scelto |
| |
Possiamo anche ingrandire |
| |
Quel punto temporale nella trama del contributo. E puoi vedere quando il processo. Il primo va fuori controllo. C'è un gran numero di variabili che contribuiscono al segnale fuori controllo. Ma poi, quando il sistema raggiunge un nuovo equilibrio, solo due variabili hanno grandi contributi. |
| |
Quindi rimuoverò queste mappe di calore in modo da avere più spazio nella sezione diagnostica. |
| |
E per rendere tutto abbastanza grande in modo che il testo venga visualizzato sullo schermo. |
| |
Se passo il mouse sul primo punto è fuori controllo. Puoi dare un'occhiata alle prime 10 variabili contribuenti. |
| |
Questo è ottimo per identificare rapidamente quali variabili contribuiscono maggiormente al segnale fuori controllo. Posso anche fare clic su quella trama e aggiungerla alla sezione diagnostica e |
| |
Puoi vedere che c'è un gran numero di variabili che stanno contribuendo al segnale fuori controllo. |
| |
ingrandisci un po' qui. |
| |
Quindi se una delle barre è rossa. Ciò significa che la variabile è fuori controllo. |
| |
In una carta di controllo universale. E puoi vederlo passando il mouse sopra le sbarre. |
| |
Farò una panoramica, un paio di quelli |
| |
E questi grafici, passiamo ai nostri grafici IR per le singole variabili con limiti di controllo tre sigma. |
| |
Vedresti per la variabile della pressione dello spogliarellista. L'osservazione è fuori controllo nella carta di controllo dell'università, ma le variabili alla fine vengono riportate sotto controllo dal nostro sistema di controllo. E questo è vero per |
| |
La maggior parte del |
| |
Grandi variabili che contribuiscono e ti mostrano anche una delle variabili in cui l'osservazione ha il controllo. |
| |
Quindi, una volta che il sistema di controllo risponde, molte variabili vengono riportate sotto controllo e il processo raggiunge |
| |
Un nuovo equilibrio |
| |
Ma c'è ovviamente un cambiamento nel processo. Quindi per identificare le variabili che stanno contribuendo allo spostamento. E una cosa che puoi guardare è un contributo principale. |
| |
Complotto |
| |
Se ordino questo e guardo |
| |
Le variabili che contribuiscono maggiormente. Sembra che solo due variabili abbiano grandi contributi ed entrambe stanno misurando la portata di reazione in un flusso che sta entrando nel reattore |
| |
E questi stanno misurando essenzialmente la stessa cosa tranne che uno è una variabile di misurazione e l'altro è una variabile manipolata. E puoi vedere |
| |
Nella tabella di controllo dell'università che c'è un grande cambio di passo nella portata. |
| |
Anche questo. E questo è il cambio di passo che ho programmato nella simulazione. Quindi questi contributi ci consentono di identificare rapidamente la causa principale. |
| |
Quindi presenterò alcuni altri metodi alternativi per identificare la stessa causa del cambiamento. E il motivo è che nei dati reali. |
| |
I cambiamenti di processo sono spesso più sottili e alcuni strumenti possono essere più utili e identificarli rispetto ad altri e arriveranno costantemente alla stessa conclusione con questi metodi alternativi. Quindi mostrerà alcuni dei modi in cui questi metodi sono collegati |
| |
Quaggiù, ho un impianto punteggio che può fornire informazioni supplementari sui turni nell'impianto t quadrato. |
| |
È più limitato nella sua capacità di catturare spostamenti dimensionali elevati, perché vengono visualizzate solo due dimensioni del modello alla volta, tuttavia, possiamo fornire una visualizzazione più intuitiva del processo poiché la visualizzazione lo visualizza in una rappresentazione a bassa dimensione |
| |
E in effetti, uno dei motivi principali per cui i grafici di controllo multivariati sono suddivisi in t al quadrato e SPE in primo luogo è che fornisce una riduzione della dimensionalità sufficiente per visualizzare facilmente il processo e il grafico a dispersione. |
| |
Quindi vogliamo identificare le variabili che sono |
| |
Causando lo spostamento. Quindi colorerò i punti prima e dopo il turno. |
| |
In modo che appaiano nella trama del punteggio. |
| |
In genere, quando esaminiamo tutte le combinazioni dei sei fattori, ma sono molti i grafici dei punteggi da esaminare |
| |
Quindi qualcosa che è molto utile è la possibilità di scorrere rapidamente tutte le combinazioni con questa freccia qui sotto e possiamo guardare attraverso le combinazioni di fattori e trovarne una dove c'è una grande separazione. |
| |
E se volessimo identificare dove si è verificato lo spostamento per la prima volta nei grafici della partitura, è possibile collegare i punti e vedere che lo spostamento si è verificato di nuovo intorno al 1125. |
| |
Un altro strumento utile. Se vuoi identificarti |
| |
Dimensioni del punteggio, in cui un'osservazione mostra la separazione maggiore dai dati storici e non si desidera esaminare tutti i grafici del punteggio è il grafico del punteggio normalizzato. Quindi selezionerò un punto dopo lo spostamento e guarderò il grafico del punteggio normalizzato. |
| |
In realtà ne sceglierò un altro. |
| |
Bene. |
| Jeremy Ash |
Perché voglio guardare alle dimensioni, cinque e sei. Così la |
| |
Questi grafici mostrano l'entità del punteggio e ciascuna dimensione normalizzata, in modo che le dimensioni siano sulla stessa scala. E poiché la media dei dati storici è che zero per ogni punteggio per menzionare le dimensioni con la magnitudine maggiore mostrerà la separazione maggiore. |
| |
Tra il punto selezionato ei dati storici. Quindi sembra che qui, le dimensioni, cinque e sei mostrano la massima separazione e |
| |
Mi sposterò a quelli |
| |
Quindi c'è una grande separazione qui tra il nostro |
| |
Anche i dati spostati, i dati storici e la visualizzazione del grafico quadrato possono essere interpretati meglio perché è possibile utilizzare i caricamenti variabili per assegnare un significato ai fattori. |
| |
E |
| |
Eccomi qui |
| |
Abbiamo troppe variabili per vedere tutte le etichette per esse. |
| |
Caricamento dei vettori, ma puoi passare il mouse sopra e vederli. E puoi vedere, se guardo nella direzione del cambiamento, che le due variabili che erano la causa compaiono anche lì. |
| |
Possiamo anche esplorare le differenze tra i sottogruppi nel processo con i confronti di gruppo per farlo selezionerò tutti i punti prima dello spostamento in chiamata che il gruppo di riferimento e tutto dopo in chiamata che il gruppo sto confrontando con il riferimento |
| |
Queste |
| |
E questo diagramma di contributo mi darà le variabili che contribuiscono maggiormente alla differenza tra questi due gruppi. E puoi vedere che questo identifica anche le variabili che hanno causato lo spostamento. |
| |
Lo strumento di confronto dei gruppi è particolarmente utile quando ci sono più spostamenti in un grafico del punteggio, quando puoi vedere più di due sottogruppi distinti nei tuoi dati. |
| |
Nel nostro caso, mentre stiamo confrontando un gruppo nei nostri dati attuali con i dati storici. Potremmo anche selezionare i dati dopo il turno e guardare un grafico del punteggio del contributo principale. |
| |
E questo ci darà |
| |
I contributi medi di ciascuna variabile ai punteggi nel gruppo arancione. E poiché punteggi elevati indicano una grande differenza rispetto ai dati storici. Questi grafici di contributo possono anche identificare la causa. |
| |
Questi stanno usando la stessa formula è la formula del contributo per t al quadrato. Ma ora stiamo solo usando i due fattori del grafico del punteggio. |
| |
Ok, troverò di nuovo il mio PowerPoint. |
| |
Molto velocemente, riassumerò le caratteristiche chiave del grafico di controllo multivariante basato su modello che sono state mostrate nella demo. |
| |
La piattaforma è in grado di eseguire sia il rilevamento dei guasti online che la diagnosi dei guasti offline. Esistono molti metodi che forniscono la piattaforma per approfondire la causa principale dei guasti. |
| |
Ti sto mostrando. Ecco alcune trame del popolare rilevamento e diagnosi dei guasti nei libri nei sistemi industriali degli autori del libro. |
| |
Dimostrare come è necessario utilizzare grafici di controllo multivariati e universali fianco a fianco per avere un'idea di cosa sta succedendo nel processo. |
| |
E una caratteristica particolarmente utile e un grafico di controllo multivariato basato su modello è la modalità interattiva e facile da usare. È per passare tra questi tipi di grafici. |
| |
Quindi questo è il mio discorso qui. Ecco la mia e-mail. Se avete altre domande, e grazie a tutti coloro che si sono sintonizzati per guardare questo. |
