281538_de-DE

liliconcom

Fehlererkennung und -diagnose des Tennessee-Eastman-Prozesses unter Verwendung multivariater Regelkarten (2020-US-45MP-606)

Niveau: Mittelstufe

 

Jeremy Ash, Softwaretester für JMP Analytics, JMP

 

Die Plattform Model Driven Multivariate Control Chart (MDMVCC) ermöglicht es Benutzern, Regelkarten basierend auf PCA- oder PLS-Modellen zu erstellen. Diese können zur Fehlererkennung und Diagnose hochdimensionaler Datensätze verwendet werden. Wir demonstrieren die MDMVCC-Überwachung eines PLS-Modells unter Verwendung der Simulation eines realen industriellen chemischen Prozesses – des Tennessee Eastman-Prozesses. Während der Simulation werden Qualitäts- und Prozessvariablen gemessen, während ein chemischer Reaktor flüssige Produkte aus gasförmigen Reaktanten herstellt. Wir demonstrieren die Fehlerdiagnose in einer Offline-Umgebung. Dies beinhaltet häufig das Umschalten zwischen multivariaten Regelkarten, univariaten Regelkarten und diagnostischen Diagrammen. MDMVCC bietet eine benutzerfreundliche Möglichkeit, zwischen diesen Diagrammen zu wechseln. Als Nächstes demonstrieren wir, wie MDMVCC eine Online-Überwachung durchführen kann, indem JMP mit einer externen Datenbank verbunden wird. Das Messen von Produktqualitätsvariablen ist oft mit einer Zeitverzögerung verbunden, bevor Messungen verfügbar sind, was die Fehlererkennung erheblich verzögern kann. Wenn MDMVCC ein PLS-Modell überwacht, wird die Variation von Produktqualitätsvariablen als Funktion von Prozessvariablen überwacht. Da Prozessvariablen oft leichter verfügbar sind, kann dies bei der Früherkennung von Fehlern helfen.

Beispieldateien

Laden Sie streaming_example.zip herunter und extrahieren Sie es.Es gibt eine README-Datei mit einigen zusätzlichen Einrichtungsanweisungen, die Sie ausführen müssen, bevor Sie dem Beispiel im Video folgen.Es werden auch zusätzliche Fehlerdiagnosebeispiele bereitgestellt. Senden Sie mir eine Nachricht in der Community, wenn Sie Probleme finden oder Fragen haben.

 

 

 

Automatisch generiertes Transkript...

 

Lautsprecher	Abschrift
Jeremy Ash	Hallo, ich bin Jeremy Ash. Ich bin Statistiker bei jump R amp D. Meine Aufgabe besteht hauptsächlich darin, die multivariate Statistikplattformen und jump but zu testen
	Ich helfe auch bei der Erforschung und Bewertung der Methodik und heute werde ich den Tennessee Eastman-Prozess mit einigen statistischen Prozesskontrollmethoden analysieren und springen.
	Besonderes Augenmerk werde ich auf die modellgesteuerte multivariate Kontrollkartenplattform legen, die eine neue Ergänzung zu jump ist, und ich bin wirklich begeistert von dieser Plattform, und diese Daten boten eine neue Gelegenheit, einige ihrer Funktionen zu präsentieren.
	Zunächst setze ich in diesem Vortrag einige Kenntnisse der statistischen Prozesskontrolle voraus.
	Das Wichtigste, was Sie wissen müssen, sind Regelkarten. Falls Ihnen diese nicht bekannt sind. Dies sind Diagramme, die zur Überwachung komplexer industrieller Systeme verwendet werden, um festzustellen, wann sie von den normalen Betriebsbedingungen abweichen.
	Ich werde nicht viel Zeit haben, um auf die Methodik und die modellgesteuerte multivariate Regelkarte einzugehen. Also werde ich auf diese anderen großartigen Vorträge verweisen, die frei verfügbar sind.
	Für mehr Details. Ich sollte auch erwähnen, dass Jim Finding der Hauptentwickler der modellgetriebenen multivariaten Kontrollkarte war und ich in Zusammenarbeit mit Chris Got Walt und Tanya Malden Tester war.
	Der Schwerpunkt dieses Vortrags liegt also auf der Verwendung multivariater Regelkarten zur Überwachung eines realen chemischen Prozesses.
	Ein weiterer neuer Aspekt dieses Vortrags wird die Verwendung von Kontrolldiagrammen für die Online-Prozessüberwachung sein, d. h. wir werden Daten kontinuierlich überwachen, während sie einer Datenbank hinzugefügt werden, und Fehler in Echtzeit per SMS melden.
	Ich beginne also mit der obligatorischen Folie zu den Vorteilen multivariater Regelkarten. Warum also dort nicht Regelkarten der Universität verwenden? Es gibt eine Reihe von hervorragenden Optionen und Sprüngen.
	Regelkarten von Universitäten sind hervorragende Werkzeuge, um mehrere Variablen gleichzeitig zu analysieren. Qualitätskontrolldatensätze sind jedoch oft hochdimensional
	Und die Anzahl der Diagramme, die Sie sich ansehen müssen, kann schnell überwältigend werden. Multivariate Regelkarten fassen also einen hochdimensionalen Prozess zusammen. Und nur ein paar Diagramme und das ist ein entscheidender Vorteil.
	Aber das soll nicht heißen, dass Kontrollkarten der Universität in dieser Umgebung nicht nützlich sind. Sie werden während des gesamten Vortrags sehen, dass die Fehlerdiagnose oft das Umschalten zwischen multivariaten Kontrollkarten der Universität beinhaltet.
	Multivariate Regelkarten geben Ihnen ein Gefühl für den Gesamtzustand eines Prozesses, was Ihnen die Regelkarten der Universität ermöglichen
	Betrachten Sie bestimmte Aspekte. Die Informationen ergänzen sich also, und eines der Hauptziele der modellgesteuerten multivariaten Kontrollkarte war es, einige Tools bereitzustellen, die es einfach machen, zwischen diesen beiden Arten von Karten zu wechseln.
	Ein Nachteil der Kontrollkarte der Universität besteht darin, dass Beobachtungen scheinbar unter Kontrolle sind, obwohl sie im multivariaten Sinne tatsächlich außer Kontrolle geraten. Also muss ich
	Kontrollieren Sie unsere IR-Diagramme für Öl und Dichte und diese beiden Beobachtungen in Rot haben die Kontrolle, aber Öl und Dichte sind stark korreliert. Und diese Beobachtungen sind Ausreißer im multivariaten Sinne, insbesondere Beobachtung 51 verletzt die Korrelationsstruktur ernsthaft.
	Daher können multivariate Regelkarten diese Art von Ausreißern erkennen. Wenn Regelkarten der Universität das nicht können
	Die modellgesteuerte multivariate Regelkarte verwendet Projektionsmethoden, um ihre Regelkarten zu erstellen. Ich werde damit beginnen, PCA zu erklären, weil es von dort aus einfach aufzubauen ist.
	PCA reduziert die Dimensionalität Ihrer Prozessvariablen, indem es in einen niedrigdimensionalen Raum projiziert.
	Dies wird im Bild rechts gezeigt, wir haben p Prozessvariablen und und Beobachtungen und wir wollen die Dimensionalität des Prozesses auf a reduzieren, wobei a so viel kleiner als p und ist
	Dazu verwenden wir diese P-Ladematrix, die die Koeffizienten für lineare Kombinationen unserer X-Variablen liefert, die die Score-Variablen ergeben. Die gezeigten und Gleichungen auf der linken Seite.
	Abschlagszeiten P geben Ihnen vorhergesagte Werte für Ihre Prozessvariablen mit der niedrigdimensionalen Darstellung. Und es gibt etwas Vorhersageluft und Ihre Ergebnisvariablen werden ausgewählt.
	Auf eine Weise, die diese quadrierte Vorhersageluft minimiert. Eine andere Möglichkeit, darüber nachzudenken, ist, dass Sie die Menge der erklärten Varianz x maximieren
	Pls ist besser geeignet, wenn Sie über eine Reihe von Prozessvariablen und eine Reihe von Qualitätsvariablen verfügen und wirklich sicherstellen möchten, dass die Qualitätsvariablen unter Kontrolle bleiben, aber die Erfassung dieser Variablen oft teuer oder zeitaufwändig ist
	Bei Planet kann die Qualität lange Zeit außer Kontrolle geraten, bevor ein Fehler erkannt wird, also
	Mit Pls-Modellen können Sie Ihre Qualitätsvariablen als Funktion Ihrer Prozessvariablen überwachen. Und Sie können hier sehen, dass pls Score-Variablen findet, die die in den y-Variablen erklärte Varianz maximieren.
	Die Prozessvariablen sind oft billiger und leichter verfügbar. So können pls-Modelle Qualitätsmängel frühzeitig erkennen und die Prozessüberwachung kostengünstiger machen.
	Also ab hier raus. Ich werde mich nur auf pls-Modelle konzentrieren, weil das für unser Beispiel besser geeignet ist.
	Bitte teilen Sie Ihre Daten in zwei Komponenten auf. Die erste Komponente ist Ihre Modellkomponente. Dadurch erhalten Sie die vorhergesagten Werte.
	Eine andere Möglichkeit, darüber nachzudenken, da Ihre Daten in eine Modellebene projiziert wurden, die durch Ihre Score-Variablen definiert wurde, und t-Quadrat-Diagramme die Variation in dieser Modellebene überwachen.
	Die zweite Komponente ist Ihre Fehlerkomponente. Dies ist der Abstand zwischen Ihren ursprünglichen Daten und den vorhergesagten Daten und quadratischen Vorhersagefehlerdiagrammen, die von sp-Diagrammen überwacht werden
	Variation in dieser Komponente
	Wir bieten auch einen alternativen Abstand zur Modell-x-Ebene an, dies ist nur eine normalisierte Version von sp.
	Das letzte Konzept, das für die Demo wichtig zu verstehen ist, ist die Unterscheidung zwischen historischen und aktuellen Daten.
	historische Daten, die typischerweise gesammelt werden, wenn bekannt ist, dass der Prozess die Kontrolle hat. Diese Daten werden verwendet, um das PLS-Modell aufzubauen und zu definieren
	Normale Prozessvariation. Und dies ermöglicht, dass eine Kontrollgrenze erhalten wird, wobei aktuellen Daten Scores basierend auf dem Modell zugewiesen werden, aber unabhängig von dem Modell sind.
	Eine andere Möglichkeit, darüber nachzudenken, ist, dass wir einen Trainings- und einen Testsatz haben und die t-Quadrat-Kontrollgrenze für die Trainingsdaten niedriger ist, weil wir eine geringere Variabilität für erwarten
	Beobachtungen zum Trainieren des Modells, wobei die Variabilität und das t-Quadrat größer sind. Beim verallgemeinerten Modell handelt es sich um eine Testmenge. Und zum Glück gibt es eine Theorie, die für das ausgearbeitet wurde
	Varianten von T-Quadrat, die es uns ermöglichen, Kontrollgrenzen basierend auf einigen Verteilungsannahmen zu erhalten.
	In der Demo wird der Eastman-Prozess in Tennessee überwacht. Ich werde eine kurze Einführung in diese Daten geben.
	Dies ist eine Simulation eines chemischen Prozesses, der von Downs und Bogle für Chemiker bei Eastman Chemical entwickelt wurde und ursprünglich in Fortran geschrieben wurde, aber es gibt jetzt Rapper dafür in MATLAB und Python.
	Die Simulation basierte auf einem realen industriellen Prozess, wurde jedoch manipuliert, um proprietäre Informationen zu schützen.
	Die Simulationsprozesse. Die, die Herstellung von Flüssigkeiten.
	Durch die Gasung von Reaktanten und F entsteht ein Nebenprodukt, das vom gewünschten Produkt abgesaugt werden muss.
	Die Zwei-Saison-Prozesse sind in der Literatur zum Benchmarking multivariater Prozesssteuerungsmethoden allgegenwärtig.
	Das ist also das Prozessdiagramm. Sieht kompliziert aus, ist aber gar nicht so schlimm. Also werde ich Sie durchgehen.
	Die gasförmigen Edukte ad und he strömen hier in den Reaktor, die Reaktion findet statt und das Produkt tritt gasförmig aus. Es wurde gekühlt und zu einer Flüssigkeit und dem Kondensator kondensiert.
	Dann haben wir einen Dampf-Flüssigkeits-Abscheider, der jeglichen verbleibenden Dampf entfernt und ihn durch den Kompressor zurück in den Reaktor führt, und es gibt hier auch einen Spülstrom, der dies tut
	Entlüften Sie das Nebenprodukt und eine Kunstchemikalie, um zu verhindern, dass es sich ansammelt, und dann wird das flüssige Produkt durch einen Stripper gepumpt, wo die verbleibenden Reaktanten abgezogen werden und das gereinigte Endprodukt hier im Ausgangsstrom austritt.
	Der erste Satz von Variablen, die überwacht werden, sind die manipulierten Variablen. Diese sehen aus wie Fliegen und das Diagramm.
	Denken Sie, dass sie eigentlich Ventile sein sollen, und die manipulativen Variablen steuern hauptsächlich die Durchflussrate durch verschiedene Ströme des Prozesses.
	Diese Variablen können innerhalb bestimmter Grenzen auf bestimmte Werte gesetzt werden und haben ein gewisses Gaußsches Rauschen, und die manipulativen Variablen können auf jeden Fall abgetastet werden, wir verwenden eine standardmäßige Abtastung von drei Minuten
	Einige Beispiele der manipulativen Variablen sind die Fließgeschwindigkeit der Reaktanten in den Reaktor
	Die Strömungsgeschwindigkeit des Dampfes in den Stripper.
	Und der Kühlmittelfluss in den Reaktor
	Der nächste Satz von Variablen sind Messvariablen. Diese sind im Diagramm als Kreise dargestellt und werden ebenfalls im Drei-Minuten-Takt abgetastet, mit dem Unterschied, dass die Messgrößen in der Simulation nicht manipuliert werden können.
	Unsere Qualitätsvariablen sind die prozentuale Zusammensetzung der flüssigen Produkte, die Sie sehen können
	Der Analysator misst hier die Zusammensetzung.
	Diese Größen werden also mit erheblicher Zeitverzögerung erhoben
	Wir sehen uns das Produkt im Stream an, weil
	Diese Variablen können leichter gemessen werden als das im Austrittsstrom austretende Produkt. Und wir werden auch ein pls-Modell zum Überwachen bauen
	Überwachen Sie unsere Qualitätsvariablen anhand unserer Prozessvariablen, die eine wesentlich geringere Verzögerung bei einer schnelleren Abtastrate aufweisen.
	Okay, das ist also ein Hintergrund zu den Daten. Insgesamt gibt es 33 Prozessvariablen in Qualitätsvariablen.
	Der Vorgang des Sammelns der Variablen wird mit einer Reihe von Differentialgleichungen simuliert. Das ist also nur eine Simulation. Aber man sieht, dass bei der Modellierung sehr viel Sorgfalt aufgewendet wurde. Dies ist ein realer Prozess.
	Hier ist also ein Überblick über die Demo, ich werde Ihnen gleich zeigen, wie wir Daten über unseren Prozess sammeln und diese Daten dann in einer Datenbank speichern.
	Ich wollte ein Beispiel haben, das einfach zu teilen ist. Ich werde also eine Sequel-Light-Datenbank verwenden, aber dieser Arbeitsablauf ist für die meisten Arten von Datenbanken relevant.
	Die meisten Datenbanken unterstützen ungerade See-Verbindungen, sobald eine Sprungverbindung zur Datenbank hergestellt wird, kann sie regelmäßig nach neuen Beobachtungen suchen und die Sprungtabelle aktualisieren, wenn sie eingehen.
	Und dann, wenn wir einen modellgesteuerten multivariaten Regelkartenbericht mit aktivierter automatischer Neuberechnung geöffnet haben. Wir haben einen Mechanismus zum Aktualisieren der Regelkarten, wenn neue Daten eingehen.
	Und der gesamte Prozess des Hinzufügens von Daten zu einer Datenbank wird wahrscheinlich auf einem anderen Computer ablaufen als dem Computer, der die Überwachung durchführt.
	Also habe ich zwei Jump-Sessions geöffnet, um dies zu emulieren. Beide Sessions haben ihr eigenes Journal, in dem die Materialien auf der Community bereitgestellt werden.
	Und die erste Sitzung fügt der Datenbank simulierte Daten hinzu und wird als Streaming-Sitzung bezeichnet, und die nächste Sitzung aktualisiert Berichte, sobald sie in die Datenbank gelangen, und ich nenne das die Überwachungssitzung.
	Eine Sache, die mir an dem Papier von Downs und Vogel sehr gut gefallen hat, war, dass sie keine einzige Metrik zur Bewertung der Prozesskontrolle lieferten. Ich habe hier ein Zitat aus der Zeitung. Wir fühlten uns wie
	Wir waren der Meinung, dass die Kompromisse zwischen möglichen Steuerungsstrategien und -techniken viel mehr als nur ein mathematischer Ausdruck sind.
	Hier sind also einige der Ziele, die sie in ihrem Papier aufgeführt haben und die für unser Problem relevant sind, die Aufrechterhaltung der Prozessvariablen, die gewünschten Werte, um die Schwankungen der Produktqualität während Störungen zu minimieren und sich schnell und reibungslos von Störungen zu erholen.
	Daher werden wir mithilfe unserer Überwachungsmethoden bewerten, wie gut unser Prozess diese Ziele erreicht.
	Okay.
	Also zu Beginn bin ich im Überwachungssitzungsjournal und zeige Ihnen unsere ersten gesendeten Daten. Die Datentabelle enthält alle Variablen, die ich zuvor eingeführt habe. Der erste Satz sind die Messvariablen. Als nächstes legen Sie unsere Kompositionsvariablen fest. Und der letzte Satz sind die manipulierten Variablen.
	Und das erste hier angehängte Skript passt zu einem pls-Modell, es schließt aus, dass die letzten hundert Rosen ein Testset sind.
	Und nur zur Erinnerung: Dieses Modell sagt unsere beiden Produktzusammensetzungsvariablen als Funktion unserer Prozessvariablen voraus, aber das pls-Modell oder PLS steht nicht im Mittelpunkt des Vortrags. Ich habe also bereits die Modell- und Ausgabe-Score-Spalten hier angepasst.
	Und wenn wir uns die Spalteneigenschaften ansehen. Wie Sie sehen, gibt es eine historische MD-MCC-Statistikeigenschaft, die alle Informationen enthält
	Auf Ihrem Modell, das Sie zum Erstellen der multivariaten Regelkarten benötigen. Einer der Gründe, warum die Überwachung multivariater Regelkarten auf diese Weise konzipiert wurde, war
	Stellen Sie sich vor, Sie sind Statistiker und möchten Ihr Modell mit einem Ingenieur teilen, damit dieser Regelkarten erstellen kann. Sie müssen lediglich die Datentabelle mit diesen Formelspalten versehen. Sie müssen nicht alle blutigen Details darüber teilen, wie Sie Ihr Modell anpassen.
	Als Nächstes werde ich also die Punktespalten verwenden, um unseren Kontrollzug zu erstellen
	Auf der linken Seite habe ich die Kontrollkarten t quadriert und SPE dort 860 Beobachtungen, die zur Schätzung des Modells verwendet wurden. Und diese sind als historisch gekennzeichnet und dann habe ich 100 Beobachtungen, die als Testset hingehalten wurden.
	Und Sie können in den Grenzwertzusammenfassungen hier unten sehen, dass ich eine Bindung nur zur Korrektur für mehrere Tests durchgeführt habe.
	Basierend auf den historischen Daten. Ich habe das hier oben im roten Dreiecksmenü gemacht, Sie können den Alpha-Level einstellen, alles was Sie wollen und
	Ich habe diese Korrektur vorgenommen, da die Daten bekanntermaßen einem normalen Betriebszustand entsprechen. Wir erwarten also, dass keine Beobachtungen außer Kontrolle geraten, und nach dieser Multiplizitätsanpassung gibt es null Fehlalarme.
	Rechts oder die Beitragsanteils-Heatmaps. Diese geben an, wie viel jede Variable zum äußeren Steuersignal beiträgt, jede Beobachtung ist auf der Y-Achse und die Beiträge werden als Anteil ausgedrückt
	Und Sie können in beiden Diagrammen sehen, dass die Beiträge ziemlich gleichmäßig über die Variablen verteilt sind.
	Und ganz unten. Ich habe eine Partituranlage.
	Im Moment zeichnen wir nur die erste Score-Dimension im Vergleich zur zweiten Score-Dimension, aber Sie können jede Kombination der Score-Dimensionen mit diesen Dropdown-Menüs oder diesem Pfeil anzeigen.
	Okay, wir sind also ziemlich am Bericht orientiert, ich schalte um auf die Überwachungssitzung.
	Dadurch werden Daten in die Datenbank gestreamt.
	Um etwas für dieses Beispiel zu tun, müssen Sie einen Sequel Light Odd See-Treiber installiert haben. Es ist einfach zu tun. Sie können einfach diesem Link hier folgen.
	Und ich habe keine Zeit, darüber zu sprechen, aber ich habe die Sequel-Light-Datenbank erstellt. Ich verwende und jump. Ich habe Anweisungen dazu und wie man jump mit der Datenbank auf meiner Community-Webseite verbindet
	Dieses Beispiel könnte hilfreich sein, wenn Sie dies an einem eigenen Datum ausprobieren möchten.
	Ich habe bereits eine Verbindung zu dieser Datenbank hergestellt.
	Und ich habe die Datenbank in der Community geteilt. Also werde ich einen Blick auf die Datentabellen im Query Builder werfen.
	Ich kann diesen Tabellenschnappschuss machen
	Der erste Datensatz sind die historischen Daten, die ich verwendet habe, um ein pls-Modell zu erstellen, es gibt 960 Beobachtungen, die die Kontrolle haben.
	Die nächste Datentabelle ist eine Überwachungsdatentabelle. Sie enthält zunächst nur die historischen Daten, aber ich werde nach und nach neue Daten hinzufügen, und das wird unsere multivariate Regelkarte überwachen.
	Und dann habe ich die neuen Daten bereits simuliert und zu dieser Datentabelle hier hinzugefügt und sehe, dass sie bei Zeitstempel 961 beginnt
	Und es gibt weitere 960 Beobachtungen, aber ich habe irgendwann einen Fehler eingeführt
	Und ich wollte etwas haben, das leicht zu teilen ist. Ich werde also mein Simulationsskript nicht ausführen und die Datenbank auf diese Weise hinzufügen.
	Ich werde nur Beobachtungen aus dieser neuen Datentabelle nehmen und sie mithilfe von JSON mit Folgeanweisungen in die Überwachungsdatentabelle verschieben.
	Und dies ist nur ein einfaches Beispiel, das den Prozess emuliert, bei dem neue Daten in eine Datenbank gelangen. Irgendwie tun Sie dies möglicherweise nicht mit jump. Aber dies ist eine Gelegenheit zu zeigen, wie man es mit ASL machen kann.
	Als Nächstes zeige ich Ihnen das Skript, das zum Streamen der Daten verwendet wird.
	Dies ist ein einfaches Skript. Also werde ich Sie nur ganz schnell durchgehen.
	Der erste Befehlssatz öffnet die neue Datentabelle aus der Sequel Light-Datenbank, sie öffnet sich im Hintergrund. Also muss ich mich mit dem Fenster befassen, und dann werde ich Stücke aus dieser neuen Datentabelle nehmen und
	Verschieben Sie sie in die Überwachungsdatentabelle. Ich nenne die Stücke Bissen und die BISSGRÖSSEN 20
	Und dann wird dadurch eine Datenbankverbindung erstellt, die es mir ermöglicht, die SQL-Anweisungen der Datenbank zu senden. Und dann erstellt dieses letzte Codebit interaktiv Folgeanweisungen, die neue Daten in die Überwachungsdaten einfügen. Also werde ich initialisieren
	Okay, und ich zeige Ihnen die erste Iteration dieser Schleife.
	Das ist also nur eine einfache
	SQL-Anweisung einfügen in Anweisung, die die ersten 20 Beobachtungen einfügt.
	Kommentar, dass Anfang schneller läuft. Und hier unten gibt es eine Wait-Anweisung. Das verlangsamt nur den Stream.
	Damit wir genug Zeit haben, den Verlauf der Daten und der Kontrollkarten zu sehen, wäre dieses Streaming-Beispiel einfach zu schnell vorbei.
	Okay, also werde ich es tun
	Wechseln Sie zurück zur Überwachungssitzung und zeigen Sie einige Skripte, die den Bericht aktualisieren.
	Bewegen Sie diese nach rechts. So können Sie den Bericht und die Skripte gleichzeitig sehen.
	So,
	Dieses Skript zum Lesen von Überwachungsdaten ist ein einfaches Skript, das die Datenbank alle zwei Sekunden überprüft und der Sprungtabelle neue Daten hinzufügt. Und da hat der Bericht die automatische Nachzählung eingeschaltet.
	Der Bericht wird aktualisiert, sobald neue Daten hinzugefügt werden. Und ich sollte das realistisch hinzufügen, Sie würden wahrscheinlich kein Skript verwenden, das sich einfach so integriert, Sie verwenden wahrscheinlich den Taskplaner und die Fenster sind automatisiert und Max plant die Läufe besser
	Und dann das nächste Skript hier.
	wird den Bericht so verschieben, dass er öffentlich wird, wenn der Bericht aktualisiert wird.
	Ich war wirklich aufgeregt, dass dies möglich ist und springen.
	Es ermöglicht jedem Computer mit einem Webbrowser, Aktualisierungen der Regelkarte anzuzeigen. Sie können den Bericht sogar auf Ihrem Smartphone anzeigen. Dies macht es einfach, Ergebnisse organisationsübergreifend zu teilen. Sie können Jump Live auch verwenden, wenn Sie möchten, dass sich die Berichte auf einem eingeschränkten Server befinden.
	Und dann erstellt das Skript die historischen Daten und die Datentabelle neu, falls Sie das Beispiel mehrmals ausführen möchten.
	Okay, also lassen Sie uns das Streaming-Skript ausführen.
	Und sehen Sie sich an, wie der Bericht aktualisiert wird.
	Sie können sehen, dass die Daten zunächst unter Kontrolle sind, aber dann wird ein Fehler eingeführt, es gibt ein großes Außer-Kontrolle-Signal, aber es gibt ein anlagenweites Steuerungssystem, das implementiert wurde, und die Simulation, die das System in ein neues Gleichgewicht bringt
	Ich gebe dem eine Sekunde, um es zu beenden.
	Und jetzt, wo ich die Kontrollkarte aktualisiert habe. Ich werde die Ergebnisse an die Öffentlichkeit bringen
	Auf meiner Jump-Public-Seite habe ich als erstes die Kontrollkarte mit den Daten und der Kontrolle am Anfang.
	Und dies sollte mit dem Hinzufügen der Daten aktualisiert werden.
	Wenn wir also näher darauf eingehen, wann der Prozess zum ersten Mal außer Kontrolle geriet.
	Dein
Jeremy Ash	Es sieht so aus, als wäre das Probe 1125. Ich werde das färben
	Und beschriften Sie es.
	Damit es in anderen Plots auftaucht und dann
	Im SP-Diagramm sieht es so aus, als ob diese Beobachtung immer noch die Kontrolle hat.
	Und welches Diagramm Fehler früher abfängt, hängt von Ihrem Modell ab. Und wie viele Faktoren haben Sie gewählt
	Wir können auch hineinzoomen
	Dieser Zeitpunkt im Beitragsplot. Und Sie können sehen, wann der Prozess. Zuerst gerät es außer Kontrolle. Es gibt eine große Anzahl von Variablen, die zum Signal „Außer Kontrolle“ beitragen. Aber dann, wenn das System ein neues Gleichgewicht erreicht, haben nur zwei Variablen große Beiträge.
	Also werde ich diese Heatmaps entfernen, damit ich mehr Platz im Diagnosebereich habe.
	Und alles ziemlich groß zu machen, damit der Text auf Ihrem Bildschirm erscheint.
	Wenn ich den Mauszeiger über den ersten Punkt bewege, ist das außer Kontrolle. Sie können einen Blick auf die Top 10 beitragenden Variablen werfen.
	Dies ist großartig, um schnell zu identifizieren, welche Variablen am meisten zum Signal „Außer Kontrolle“ beitragen. Ich kann auch auf dieses Diagramm klicken und es an den Diagnoseabschnitt anhängen und
	Sie können sehen, dass es eine große Anzahl von Variablen gibt, die zum Signal „Außer Kontrolle“ beitragen.
	hier ein wenig heranzoomen.
	Also wenn einer der Balken rot ist. Das bedeutet, dass die Variable außer Kontrolle ist.
	In einer universellen Regelkarte. Und Sie können dies sehen, indem Sie mit der Maus über die Balken fahren.
	Ich werde ein paar davon schwenken
	Und diese Grafik, lassen Sie uns unsere IR-Diagramme für die einzelnen Variablen mit drei Sigma-Kontrollgrenzen betrachten.
	Sie würden für die Stripper-Druckvariable sehen. Die Beobachtung ist in der Kontrollkarte der Universität außer Kontrolle geraten, aber die Variablen werden schließlich durch unser Kontrollsystem wieder unter Kontrolle gebracht. Und das gilt für
	Die meisten von den
	Große beitragende Variablen und zeigen Ihnen auch eine der Variablen, bei denen die Beobachtung die Kontrolle hat.
	Sobald also das Steuersystem reagiert, werden viele Variablen wieder unter Kontrolle gebracht und der Prozess erreicht
	Ein neues Gleichgewicht
	Aber es gibt offensichtlich eine Verschiebung im Prozess. Um also die Variablen zu identifizieren, die zur Verschiebung beitragen. Und eine Sache, die Sie sich ansehen können, ist ein Hauptbeitrag.
	Parzelle
	Wenn ich das sortiere und anschaue
	Die Variablen, die am meisten beitragen. Es sieht so aus, als hätten nur zwei Variablen große Beiträge, und beide messen die Durchflussrate der Reaktion in einem Strom, der in den Reaktor gelangt
	Und diese messen im Wesentlichen dasselbe, außer dass eines eine Messvariable und eines eine manipulierte Variable ist. Und Sie können sehen
	In der Kontrollkarte der Universität gibt es eine große Schrittänderung in der Durchflussrate.
	Auch dieser. Und das ist der Sprung, den ich in der Simulation programmiert habe. Diese Beiträge ermöglichen es uns also, die Grundursache schnell zu identifizieren.
	Also werde ich ein paar andere alternative Methoden vorstellen, um die gleiche Ursache der Verschiebung zu identifizieren. Und der Grund dafür ist, dass in realen Daten.
	Prozessverschiebungen sind oft subtiler und einige der Tools können nützlicher sein und sie identifizieren als andere und werden mit diesen alternativen Methoden durchweg zum gleichen Ergebnis kommen. Es zeigt also einige Möglichkeiten, wie diese Methoden miteinander verbunden sind
	Hier unten habe ich eine Score-Anlage, die zusätzliche Informationen über Verschiebungen in der t-Quadrat-Anlage liefern kann.
	Es ist in seiner Fähigkeit, hochdimensionale Verschiebungen zu erfassen, eingeschränkter, da nur zwei Dimensionen des Modells gleichzeitig visualisiert werden. Wir können jedoch eine intuitivere Visualisierung des Prozesses bereitstellen, da es ihn visuell in einer niedrigdimensionalen Darstellung visualisiert
	Und in der Tat ist einer der Hauptgründe, warum multivariate Regelkarten überhaupt in t-Quadrat und SPE aufgeteilt werden, dass sie eine ausreichende Dimensionsreduktion bieten, um den Prozess und das Streudiagramm leicht zu visualisieren.
	Wir wollen also die Variablen identifizieren, die es gibt
	Verursacht die Verschiebung. Also werde ich die Punkte vor und nach der Schicht einfärben.
	Damit sie im Scoreplot auftauchen.
	Typischerweise, wenn wir alle Kombinationen der sechs Faktoren durchsehen, aber das sind eine Menge Score-Plots, die durchgesehen werden müssen
	Sehr praktisch ist also die Möglichkeit, mit diesem Pfeil hier unten schnell durch alle Kombinationen zu blättern, und wir können die Faktorkombinationen durchsehen und eine finden, bei der es eine große Trennung gibt.
	Und wenn wir herausfinden wollten, wo die Verschiebung zum ersten Mal in den Score-Plots auftrat, können Sie die Punkte verbinden und sehen, dass die Verschiebung wieder um 1125 herum stattfand.
	Ein weiteres nützliches Tool. Wenn Sie sich identifizieren möchten
	Score-Dimensionen, bei denen eine Beobachtung den größten Abstand zu den historischen Daten aufweist und Sie nicht alle Score-Diagramme durchsehen möchten, ist das normalisierte Score-Diagramm. Ich wähle also einen Punkt nach der Verschiebung aus und schaue mir das normalisierte Score-Diagramm an.
	Ich werde mich tatsächlich für einen anderen entscheiden.
	Okay.
Jeremy Ash	Weil ich mir die Dimensionen fünf und sechs ansehen möchte. Also die
	Diese Diagramme zeigen die Größe des Scores und jede Dimension normalisiert, sodass die Dimensionen auf derselben Skala liegen. Und da der Mittelwert der historischen Daten Null für jede Punktzahl ist, um zu erwähnen, dass die Dimensionen mit der größten Größenordnung die größte Trennung aufweisen.
	Zwischen dem ausgewählten Punkt und den historischen Daten. So sieht es hier aus, die Dimensionen fünf und sechs zeigen die größte Trennung und
	Zu denen werde ich wechseln
	Also gibt es hier eine große Trennung zwischen uns
	Versetzte Daten und die Visualisierung historischer Daten und quadratischer Diagramme können ebenfalls besser interpretiert werden, da Sie die Variablenladungen verwenden können, um den Faktoren eine Bedeutung zuzuweisen.
	Und
	Hier habe ich
	Wir haben zu viele Variablen, um alle Beschriftungen für sie anzuzeigen.
	Vektoren werden geladen, aber Sie können den Mauszeiger darüber bewegen und sie sehen. Und Sie können sehen, wenn ich in Richtung der Verschiebung schaue, dass die beiden Variablen, die die Ursache waren, auch dort auftauchen.
	Wir können auch Unterschiede zwischen Untergruppen im Prozess mit den Gruppenvergleichen untersuchen. Dazu wähle ich alle Punkte vor der Verschiebung im Anruf der Referenzgruppe und alles nach dem Anruf der Gruppe aus, die ich mit der Referenz vergleiche
	Diese
	Und dieses Beitragsdiagramm wird mir die Variablen liefern, die am meisten zum Unterschied zwischen diesen beiden Gruppen beitragen. Und Sie können sehen, dass dies auch die Variablen identifiziert, die die Verschiebung verursacht haben.
	Das Gruppenvergleichstool ist besonders nützlich, wenn es mehrere Verschiebungen in einem Score-Diagramm gibt, wenn Sie mehr als zwei unterschiedliche Untergruppen in Ihren Daten sehen können.
	In unserem Fall als, da wir eine Gruppe in unseren aktuellen Daten mit den historischen Daten vergleichen. Wir könnten auch einfach die Daten nach der Schicht auswählen und uns ein Hauptbeitragsdiagramm ansehen.
	Und das wird uns geben
	Die durchschnittlichen Beiträge jeder Variablen zu den Bewertungen in der orangefarbenen Gruppe. Und da große Punktzahlen auf große Unterschiede zu den historischen Daten hindeuten. Diese Contribution Plots können auch die Ursache identifizieren.
	Diese verwenden dieselbe Formel wie die Beitragsformel für t zum Quadrat. Aber jetzt verwenden wir nur die, die beiden Faktoren aus dem Scoreplot.
	Okay, ich werde mein PowerPoint wieder finden.
	Also ganz schnell, ich werde die wichtigsten Merkmale der modellgesteuerten Regelkarte mit mehreren Varianten zusammenfassen, die in der Demo gezeigt wurden.
	Die Plattform ist in der Lage, sowohl eine Online-Fehlererkennung als auch eine Offline-Fehlerdiagnose durchzuführen. Es gibt viele Methoden, die die Plattform bieten, um bis zur Grundursache der Fehler vorzudringen.
	Ich zeige es dir. Hier sind einige Diagramme aus dem beliebten Buch Fehlererkennung und -diagnose in industriellen Systemen der Buchautoren.
	Demonstrieren Sie, wie man multivariate und universelle Regelkarten nebeneinander verwenden muss, um ein Gefühl dafür zu bekommen, was in dem Prozess vor sich geht.
	Und eine besonders nützliche funktions- und modellgesteuerte multivariate Regelkarte ist, wie interaktiv und benutzerfreundlich sie ist. Es dient zum Umschalten zwischen diesen Arten von Diagrammen.
	Das ist also mein Gespräch hier. Hier ist meine E-Mail. Wenn Sie weitere Fragen haben, und danke an alle, die sich das angeschaut haben.

AusbrechenDatenzugriff und -manipulationQualität und ZuverlässigkeitBetreff: Fehlererkennung und -diagnose des Tennessee-Eastman-Prozesses mithilfe multivariater Regelkarten (2020-US-45MP-606)

Jeremy, danke für deine Hilfe. Ich konnte Ihre Vorgehensweise vollständig nachvollziehen.

Mein trivialer Fehler bestand darin, "monitoring_session.jmpprj" und "streaming_session.jmpprj" nicht in separaten Instanzen von JMP ("JMP Home Window-JMP" & "JMP Home Window-JMP[2]") zu öffnen.

Betreff: Fehlererkennung und -diagnose des Tennessee-Eastman-Prozesses mithilfe multivariater Regelkarten (2020-US-45MP-606)

@LKJP Ich bin froh, dass die Informationen für Sie funktioniert haben und Sie dies zum Laufen bringen konnten.Lassen Sie mich wissen, wenn es etwas gibt, das verbessert werden könnte.Hoffentlich arbeitet die JMP-Öffentlichkeit für Sie. Es sollte sein, wenn Sie 15.2 verwenden, aber ich denke, es gab Änderungen an der JSL für das Pushen an JMP Public in 16.

Betreff: Fehlererkennung und -diagnose des Tennessee-Eastman-Prozesses mithilfe multivariater Regelkarten (2020-US-45MP-606)

@LKJP Sie ändern den richtigen Parameter.Ich denke, das Problem besteht wahrscheinlich darin, dass Sie die Wartezeit nicht auf einen ausreichend langen Zeitraum ändern.Die Einheit ist Sekunden, daher möchten Sie wahrscheinlich etwas wie Wait(3) ausprobieren, um eine erhebliche Verlangsamung zu sehen. Lassen Sie mich wissen, ob das für Sie funktioniert.

 

Weitere Informationen finden Sie in der Dokumentation zum Wartebefehl im Skriptindex.  

Betreff: Fehlererkennung und -diagnose des Tennessee-Eastman-Prozesses mithilfe multivariater Regelkarten (2020-US-45MP-606)

Vielen Dank für die Aktualisierungen.

Ich könnte dein Vorgehen reproduzieren.

Ich habe JMP Public nicht verwendet. Ich werde es später versuchen.

Eine Frage: Der Fortschritt des Streams ist viel schneller als in Ihrem Video.

Ich habe versucht, "Wait(.5)" von .5 auf .9 zu erhöhen, aber es hat sich nicht viel geändert.

Stelle ich einen falschen Parameter ein?

[stream_data]

// Den Stream verlangsamen, damit Sie den Fortschritt in den Kontrolldiagrammen sehen können
Warten (0,5);

Betreff: Fehlererkennung und -diagnose des Tennessee-Eastman-Prozesses mithilfe multivariater Regelkarten (2020-US-45MP-606)

@LKJP Ich habe vergessen, der Readme-Datei Anweisungen zum Erstellen einer SQL-Datenbank hinzuzufügen.Vielen Dank für den Hinweis.Ich habe gerade die Readme aktualisiert.

 

Hier gibt es eine Dokumentation: https://www.jmp.com/support/help/en/16.0/index.shtml#page/jmp/save-data-tables-to-a-database.shtml .Aber die Readme sollte detailliertere Anweisungen enthalten.

 

Jochen hat Recht, dass die Einrichtung auf dem Mac etwas komplizierter ist. ODBC-Verbindungen sind auf dem Mac im Allgemeinen komplizierter. Aber ich denke, dass Benutzer hauptsächlich Windows für ODBC-Verbindungen verwenden sollten.

 

Lassen Sie mich wissen, ob die Anweisungen für Sie funktionieren und wenn Sie weitere Fragen haben.

 

 

Betreff: Fehlererkennung und -diagnose des Tennessee-Eastman-Prozesses mithilfe multivariater Regelkarten (2020-US-45MP-606)

@LKJP Das Verfahren ist nicht einfach, da es von Ihrer Umgebung abhängt, aber ich habe es mit Jeremys Hilfe zum Laufen gebracht. Er ist sehr unterstützend. Es gibt eine Readme-Datei in der example.zip-Datei, die unsere Lektionen enthält.

Grüße

JK

Betreff: Fehlererkennung und -diagnose des Tennessee-Eastman-Prozesses mithilfe multivariater Regelkarten (2020-US-45MP-606)

Sie haben in der Streaming-Sitzung gesagt, dass Sie eine SQLite-Datenbank erstellen und JMP mit dieser Datenbank verbinden sollen. Und dass dieses Verfahren auf der Community-Homepage ist.

Ich konnte es nicht finden! Möglicherweise suche ich auf einer falschen Seite! Würden Sie mir zeigen, wo ich dieses Verfahren finden kann?

Vielen Dank!

Luis

Betreff: Fehlererkennung und -diagnose des Tennessee-Eastman-Prozesses mithilfe multivariater Regelkarten (2020-US-45MP-606)

@David_Burnham Das tut mir leid! Ich habe die Datei nochmal hochgeladen.Es ist auf mysteriöse Weise verschwunden!Ich habe bemerkt, dass dies kürzlich einigen anderen Leuten in der Community passiert ist.Ich werde die zuständigen Personen informieren.Vielen Dank!

Betreff: Fehlererkennung und -diagnose des Eastman-Prozesses in Tennessee mithilfe multivariater Regelkarten (2020-US-45MP-606)

Ist die Beispiel-ZIP-Datei noch zum Download verfügbar?