Altoparlante
|
Trascrizione
|
| Jeremy Ash |
Ciao, sono Jeremy cenere. Sono uno statistico in salto R e 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 utilizzando alcuni metodi di controllo del processo statistico e salto. |
| |
Presterò particolare attenzione alla piattaforma del grafico di controllo multivariato basata su modello, che è una nuova aggiunta a Jump e sono davvero entusiasta di questa piattaforma e questi dati hanno fornito una nuova opportunità per mostrare alcune delle sue funzionalità. |
| |
Innanzitutto, presumo una certa conoscenza del controllo statistico dei processi in questo discorso. |
| |
La cosa principale che devi sapere sono le carte di controllo. Se non hai familiarità con questi. Si tratta di grafici utilizzati per monitorare sistemi industriali complessi per determinare quando si discostano dalle normali condizioni operative. |
| |
Non avrò molto tempo per approfondire la metodologia e il grafico di controllo multivariato guidato dal modello. Quindi farò riferimento a questi altri grandi discorsi che sono disponibili gratuitamente. |
| |
Per ulteriori dettagli. Dovrei anche menzionare che la scoperta di Jim è stata lo sviluppatore principale della carta di controllo multivariata guidata dal modello e in collaborazione con Chris Got Walt e Tanya Malden ero tester. |
| |
Quindi l'obiettivo di questo discorso sarà l'utilizzo di carte di controllo multivariate per monitorare un processo chimico del 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 le carte di controllo universitarie lì. Ci sono una serie di opzioni eccellenti e salta. |
| |
Le carte di controllo universitarie sono strumenti eccellenti per analizzare poche variabili alla volta. Tuttavia, i set di dati del controllo di qualità sono spesso ad alta dimensione |
| |
E il numero di grafici che devi esaminare può diventare rapidamente travolgente. Quindi le carte di controllo multivariate riassumono un processo ad alta dimensione. 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 questa impostazione, vedrai durante il discorso che la diagnosi dei guasti spesso comporta il passaggio tra multivariate nelle carte di controllo dell'Università. |
| |
I grafici di controllo multivariati ti danno un'idea della salute generale di un processo e i grafici di controllo dell'università ti consentono di farlo |
| |
Guarda aspetti specifici. E quindi le informazioni sono complementari e uno degli obiettivi principali del grafico di controllo multivariato guidato dal modello era fornire alcuni strumenti che rendessero facile 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 in senso multivariato. Quindi devo |
| |
Controlla i nostri grafici IR per olio e densità e queste due osservazioni in rosso hanno il controllo, ma olio e densità sono altamente correlati. E queste osservazioni sono valori anomali in senso multivariato, in particolare l'osservazione 51 viola gravemente la struttura di correlazione. |
| |
Quindi i grafici di controllo multivariati possono rilevare questi tipi di valori anomali. Quando le carte di controllo universitarie non possono |
| |
la carta di controllo multivariata guidata dal modello utilizza metodi di proiezione per costruire le sue carte di controllo. Inizierò spiegando il PCA perché è facile costruire da lì. |
| |
PCA riduce la dimensionalità delle variabili di processo proiettandole in uno spazio dimensionale basso. |
| |
Questo è mostrato nell'immagine a destra abbiamo p variabili di processo e osservazioni e vogliamo ridurre la dimensionalità del processo a a fosse tanto minore di p e |
| |
Per fare questo usiamo questa matrice di caricamento P, che fornisce i coefficienti per le combinazioni lineari delle nostre variabili X che danno le variabili punteggio. Le equazioni e mostrate a sinistra. |
| |
tee times P ti darà i valori previsti per le tue variabili di processo con la rappresentazione dimensionale bassa. E c'è un po' di aria di previsione e le tue variabili di punteggio sono selezionate. |
| |
In un modo che minimizza questa aria di previsione al quadrato. Un altro modo di pensarci è che stai massimizzando la quantità di varianza spiegata x |
| |
Pls è più adatto quando si dispone di un insieme di variabili di processo e di un insieme di variabili di qualità e si desidera davvero garantire che le variabili di qualità siano mantenute sotto controllo, ma queste variabili sono spesso costose o richiedono tempo per essere raccolte |
| |
At planet può perdere il controllo della qualità per molto tempo prima che venga rilevato un errore, quindi |
| |
I modelli Pls ti consentono di monitorare le tue variabili di qualità in funzione delle tue 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 difetti di qualità e possono rendere più economico il monitoraggio del processo. |
| |
Quindi da qui in avanti. Mi concentrerò solo sui modelli pls perché è più appropriato per il nostro esempio. |
| |
Quindi pls partiziona i tuoi dati in due componenti. Il primo componente è il componente del modello. Questo ti dà i valori previsti. |
| |
Un altro modo di pensare a questo dato che i tuoi dati sono stati proiettati in un piano del modello definito dalle tue variabili di punteggio e i grafici t quadrati monitoreranno la variazione in questo piano del 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 verranno monitorati dai grafici sp |
| |
Variazione in questo componente |
| |
Forniamo anche una distanza alternativa al piano modello x, questa è solo una versione normalizzata di sp. |
| |
L'ultimo concetto importante da comprendere per la demo è la distinzione tra dati storici e dati attuali. |
| |
dati storici generalmente raccolti quando si sa che il processo è sotto controllo. Questi dati vengono utilizzati per costruire il modello PLS e definirlo |
| |
Normale variazione di processo. E questo consente di ottenere un limite di controllo ai dati correnti vengono assegnati punteggi basati sul modello, ma sono indipendenti dal modello. |
| |
Un altro modo di pensare a questo è che abbiamo un set di addestramento e un set di test e il limite di controllo t quadrato è inferiore per i dati di addestramento 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 generalizzato è per un set di test. E fortunatamente, c'è qualche teoria che è stata elaborata per il... |
| |
Varianti di T quadrato che ci permettono di ottenere limiti di controllo basati su alcune ipotesi distributive. |
| |
Nella demo verrà monitorato il processo di 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 di 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. |
| |
Gasando i reagenti e F è un sottoprodotto che dovrà essere sottratto dal prodotto desiderato. |
| |
I processi a due stagioni sono pervasivi nella letteratura sull'analisi comparativa dei metodi di controllo di processo multivariato. |
| |
Quindi questo è il diagramma del processo. Sembra complicato, ma in realtà non è poi così male. Quindi ti guiderò attraverso di esso. |
| |
I reagenti gassosi ad e he scorrono qui nel reattore, la reazione avviene e il prodotto esce sotto forma di gas. È stato raffreddato e condensato in un liquido e nel condensatore. |
| |
Quindi abbiamo un separatore liquido vapore che rimuoverà il vapore rimanente e lo riciclerà nel reattore attraverso il compressore e qui c'è anche un flusso di spurgo che |
| |
Sfiatare il sottoprodotto e una sostanza chimica artistica per evitare che si accumuli, quindi il prodotto liquido verrà pompato attraverso uno stripper dove i restanti reagenti vengono rimossi e il prodotto finale purificato lascia qui nel flusso di uscita. |
| |
Il primo insieme di variabili monitorate sono le variabili manipolate. Questi sembrano papillon e il diagramma. |
| |
Penso che in realtà siano pensate per essere valvole e le variabili manipolative controllano principalmente 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 a qualsiasi velocità, stiamo usando un campionamento predefinito di tre minuti in |
| |
Alcuni esempi delle variabili manipolative sono la portata dei reagenti nel reattore |
| |
La portata del vapore nello stripper. |
| |
E il flusso di refrigerante nel reattore |
| |
Il prossimo gruppo di variabili sono le variabili di misurazione. 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 dei 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 rispetto al prodotto che esce 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 uno sfondo sui dati. In totale ci sono 33 variabili di processo in variabili di qualità. |
| |
Il processo di raccolta delle variabili è simulato con una serie di equazioni differenziali. Quindi questa è solo una simulazione. Ma puoi vedere che una notevole quantità di cura è stata dedicata alla modellazione del modello. Questo è un processo del mondo reale. |
| |
Quindi ecco una panoramica della demo, sto per mostrarti che raccoglierai dati sul nostro processo e quindi li memorizzerà in un database. |
| |
Volevo avere un esempio facile da condividere. Quindi userò un database leggero sequel, ma questo flusso di lavoro è rilevante per la maggior parte dei tipi di database. |
| |
La maggior parte dei database supporta connessioni odd see una volta che jump si connette al database, può verificare periodicamente la presenza di nuove osservazioni e aggiornare la tabella jump non appena arrivano. |
| |
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 di dati a un database sarà probabilmente in corso su un computer separato dal computer che esegue il monitoraggio. |
| |
Quindi ho due sessioni di jump aperte per emulare questo, entrambe le sessioni hanno il proprio diario nei materiali forniti dalla Community. |
| |
E la prima sessione aggiungerà dati simulati al database e si chiama sessione di streaming e la sessione successiva aggiornerà i rapporti non appena entrano nel database e io la chiamo sessione di monitoraggio. |
| |
Una cosa che mi è piaciuta molto dei bassi e dell'articolo di Vogel è che non fornivano un'unica metrica per valutare il controllo del processo. Ho una citazione dal giornale qui. Ci siamo sentiti come |
| |
Abbiamo ritenuto che i compromessi tra le possibili strategie e tecniche di controllo comportassero molto più di un'espressione matematica. |
| |
Quindi ecco alcuni degli obiettivi che hanno elencato nel loro documento che sono rilevanti per il nostro problema mantenere 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 raggiunge questi obiettivi, utilizzando i nostri metodi di monitoraggio. |
| |
Va 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 set sono le variabili di misurazione. Il prossimo imposta le nostre variabili di composizione. E poi l'ultimo set sono le variabili manipolate. |
| |
E il primo script allegato qui si adatterà a un modello pls esclude le ultime cento rose è un set di prova. |
| |
E proprio 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 inserito qui le colonne del punteggio del modello e dell'output. |
| |
E se guardiamo alle proprietà della colonna. Puoi vedere che c'è una proprietà di statistiche storiche MD MCC che contiene tutte le informazioni |
| |
Sul tuo modello di cui hai bisogno per 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 possa costruire carte di controllo. Tutto quello che devi fare è fornire alla tabella dati queste colonne formula. Non è necessario condividere tutti i dettagli cruenti su come si adatta il modello. |
| |
Quindi ora 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 poi ho 100 osservazioni che sono state presentate come set di prova. |
| |
E puoi vedere nei riepiloghi dei limiti quaggiù che ho eseguito un legame solo per la correzione per test multipli. |
| |
Come basato sui dati storici. L'ho fatto qui nel menu del triangolo rosso, puoi impostare il livello alfa, tutto quello che vuoi e |
| |
Ho fatto questa correzione, perché i dati sono noti per essere una normale condizione operativa. Quindi, non ci aspettiamo che nessuna osservazione sia fuori controllo e dopo questo aggiustamento della molteplicità, non ci saranno falsi allarmi. |
| |
A destra o le mappe di calore della proporzione del contributo. Questi indicano quanto ogni variabile contribuisce al segnale di controllo esterno ogni osservazione è sull'asse Y e i contributi sono espressi come 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 invierà i dati nel database. |
| |
Per poter eseguire qualsiasi operazione in questo esempio, è necessario che sia installato un driver per sequel light odd see. È facile da fare. Puoi semplicemente seguire questo link qui. |
| |
E non ho tempo per parlarne, ma ho creato il database di sequel light. Userò e jump Ho le istruzioni su come fare questo e su come connettere jump al database sulla pagina web della mia community |
| |
Questo 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 comunità. Quindi darò un'occhiata alle tabelle di dati nel generatore di query. |
| |
Posso fare quell'istantanea del tavolo |
| |
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 prossima tabella di dati 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 il nostro grafico di controllo multivariato monitorerà. |
| |
E poi ho già simulato i nuovi dati e li ho aggiunti a questa tabella di dati qui e vedo 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 solo le osservazioni da questa nuova tabella di dati e le sposterò nella tabella dei dati di monitoraggio utilizzando alcuni JSON con dichiarazioni 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 si può fare con l'ASL. |
| |
Successivamente, ti mostrerò lo script che utilizzerà per lo streaming dei dati. |
| |
Questo è un semplice script. Quindi ti guiderò molto velocemente. |
| |
La prima serie di comandi aprirà la nuova tabella dati dal database sequel light, si apre in background. Quindi devo occuparmi della finestra, e poi prenderò pezzi da questa nuova tabella di dati e |
| |
spostali nella tabella dei dati di monitoraggio chiamo i pezzi morsi e le DIMENSIONI BITE 20 |
| |
E poi questo creerà una connessione al database che mi permetterà di inviare le istruzioni SQL del database. E poi quest'ultimo bit di codice costruirà in modo interattivo istruzioni sequel che inseriscono nuovi dati nei dati di monitoraggio. Quindi ho intenzione di inizializzare |
| |
Ok, e mostrati la prima iterazione di questo ciclo. |
| |
Quindi questo è solo un semplice |
| |
Istruzione SQL insert into statement che inserisce le prime 20 osservazioni. |
| |
Commenta che fin dall'inizio corre più veloce. E c'è una dichiarazione di attesa qui sotto. Questo rallenterà solo il flusso. |
| |
In modo da avere abbastanza tempo per vedere la progressione dei dati e i grafici di controllo se non avessimo questo esempio di streaming sarebbe finito troppo velocemente. |
| |
Ok, allora lo farò |
| |
Torna alla sessione di monitoraggio e mostra alcuni script che aggiorneranno il report. |
| |
Sposta questo verso destra. Quindi puoi vedere il rapporto e gli script contemporaneamente. |
| |
COSÌ, |
| |
Questo script di lettura dai dati di monitoraggio è un semplice script che controlla il database ogni virgola due secondi e aggiunge nuovi dati alla tabella di salto. E poiché il rapporto ha attivato il riconteggio automatico. |
| |
Il rapporto verrà aggiornato ogni volta che vengono aggiunti nuovi dati. E dovrei aggiungere che realisticamente, probabilmente non useresti uno script che si integra 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 sia possibile e salto. |
| |
Consente a qualsiasi computer con un browser Web di visualizzare gli aggiornamenti della carta di controllo. Puoi persino visualizzare il rapporto sul tuo smartphone. Quindi questo semplifica la condivisione dei risultati tra le organizzazioni. Puoi anche utilizzare jump live se desideri che i rapporti si trovino su un server con restrizioni. |
| |
E quindi lo script ricreerà i dati storici e la tabella dei dati nel caso in cui si 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 sono sotto controllo all'inizio, 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 |
| |
Dò un secondo per finire. |
| |
E ora che ho aggiornato la carta di controllo. Ho intenzione di spingere i risultati per renderli pubblici |
| |
Nella mia pagina pubblica di salto ho dapprima 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 |
| |
Nel grafico SP sembra che questa osservazione abbia ancora il controllo. |
| |
E quale grafico rileverà i difetti 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. Prima va fuori controllo. C'è un gran numero di variabili che stanno contribuendo 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 rendere tutto abbastanza grande in modo che il testo venga visualizzato sullo schermo. |
| |
Se passo il mouse sopra il primo punto è fuori controllo. Puoi dare un'occhiata alle 10 principali variabili che contribuiscono. |
| |
Questo è ottimo per identificare rapidamente quali variabili stanno contribuendo maggiormente al segnale fuori controllo. Posso anche fare clic su quel grafico e aggiungerlo 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 con il mouse sopra le sbarre. |
| |
Farò una panoramica, un paio di quelli |
| |
E questi grafici, facciamo i nostri grafici IR per le singole variabili con tre limiti di controllo sigma. |
| |
Vedresti per la variabile della pressione della spogliarellista. L'osservazione è fuori controllo nella carta di controllo universitaria, 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 al cambiamento. E una cosa che puoi guardare è un contributo principale. |
| |
Complotto |
| |
Se risolvo questo e guardo |
| |
Le variabili che contribuiscono maggiormente. Sembra che solo due variabili abbiano grandi contributi ed entrambe misurano la portata di reazione in una corrente che entra nel reattore |
| |
E questi misurano essenzialmente la stessa cosa tranne che uno è una variabile di misurazione e l'altro è una variabile manipolata. E puoi vedere |
| |
Nella carta di controllo dell'università c'è un grande cambiamento 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 degli 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 una pianta del punteggio che può fornire informazioni supplementari sui cambiamenti nella pianta t al quadrato. |
| |
È più limitato nella sua capacità di catturare spostamenti dimensionali elevati, poiché vengono visualizzate solo due dimensioni del modello alla volta, tuttavia, possiamo fornire una visualizzazione più intuitiva del processo poiché lo visualizza in una rappresentazione a bassa dimensione |
| |
E infatti, 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 vengano visualizzati nel grafico del punteggio. |
| |
In genere, quando esaminiamo tutte le combinazioni dei sei fattori, ma sono molti i grafici dei punteggi da esaminare |
| |
Quindi una cosa molto utile è l'abilità di scorrere rapidamente tutte le combinazioni con questa freccia quaggiù e possiamo esaminare 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 dei punteggi, puoi 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 massima separazione 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. |
| |
Va bene. |
| Jeremy Ash |
Perché voglio guardare le dimensioni, cinque e sei. Così il |
| |
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 zero per ogni punteggio, menzionare le dimensioni con la grandezza più grande mostrerà la separazione più grande. |
| |
Tra il punto selezionato e i dati storici. Quindi sembra che qui, le dimensioni, cinque e sei, mostrino la massima separazione e |
| |
Passerò 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 |
| |
Qui ho |
| |
Abbiamo troppe variabili per vedere tutte le etichette per loro. |
| |
Caricamento dei vettori, ma puoi passare il mouse sopra e vederli. E puoi vedere, se guardo nella direzione dello spostamento, che anche le due variabili che ne erano la causa compaiono lì. |
| |
Possiamo anche esplorare le differenze tra sottogruppi nel processo con i confronti di gruppo per farlo selezionerò tutti i punti prima del turno nella chiamata che il gruppo di riferimento e tutto dopo nella chiamata che il gruppo che sto confrontando con il riferimento |
| |
Questi |
| |
E questo grafico 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 il cambiamento. |
| |
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, come, mentre stiamo confrontando un gruppo nei nostri dati attuali con i dati storici. Potremmo anche selezionare i dati dopo lo spostamento 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 i punteggi elevati indicano una grande differenza rispetto ai dati storici. Questi grafici di contributo possono anche identificare la causa. |
| |
Questi usano la stessa formula è la formula di 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 guidato dal 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 eseguire il drill-down fino alla causa principale dei guasti. |
| |
ti sto mostrando Ecco alcune trame del popolare libro di rilevamento e diagnosi dei guasti nei sistemi industriali di tutti gli autori del libro. |
| |
Dimostrare come è necessario utilizzare carte di controllo multivariate 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 guidato dal modello è quanto sia interattivo e facile da usare. Serve per passare da un tipo di grafico all'altro. |
| |
Quindi questo è il mio discorso qui. Ecco la mia email. Se hai ulteriori domande, e grazie a tutti coloro che si sono sintonizzati per guardarlo. |
