281538_de-DE

liliconcom

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

Niveau: Mittelstufe

 

Jeremy Ash, JMP Analytics-Softwaretester, JMP

 

Die Model Driven Multivariate Control Chart (MDMVCC)-Plattform ermöglicht Benutzern die Erstellung von Regelkarten auf Basis von PCA- oder PLS-Modellen. Diese können zur Fehlererkennung und Diagnose hochdimensionaler Datensätze verwendet werden. Wir demonstrieren die MDMVCC-Überwachung eines PLS-Modells anhand 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 erzeugt. Wir demonstrieren die Fehlerdiagnose im Offline-Modus. Dies erfordert häufig den Wechsel zwischen multivariaten Kontrollkarten, univariaten Kontrollkarten und Diagnosediagrammen. MDMVCC bietet eine benutzerfreundliche Möglichkeit, zwischen diesen Diagrammen zu wechseln. Als Nächstes demonstrieren wir, wie MDMVCC eine Online-Überwachung durchführen kann, indem es JMP mit einer externen Datenbank verbindet. Bei der Messung von Produktqualitätsvariablen kommt es oft zu einer Zeitverzögerung, bevor Messungen verfügbar sind, was die Fehlererkennung erheblich verzögern kann. Wenn MDMVCC ein PLS-Modell überwacht, wird die Variation der Produktqualitätsvariablen als Funktion der Prozessvariablen überwacht. Da Prozessvariablen häufig leichter verfügbar sind, kann dies bei der Früherkennung von Fehlern hilfreich sein.

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.Darüber hinaus werden weitere Beispiele zur Fehlerdiagnose bereitgestellt. Schreiben Sie mir eine Nachricht in der Community, wenn Sie Probleme finden oder Fragen haben.

 

 

 

Automatisch generiertes Transkript...

 

Lautsprecher	Transkript
Jeremy Ash	Hallo, ich bin Jeremy Ash. Ich bin Statistiker in Jump R amp D. Meine Aufgabe besteht hauptsächlich darin, die multivariaten Statistikplattformen und Jump But zu testen
	Ich helfe auch bei der Erforschung und Bewertung der Methodik und heute werde ich den Tennessee-Eastman-Prozess anhand einiger statistischer Prozesskontrollmethoden analysieren und springen.
	Besonderes Augenmerk werde ich auf die modellgesteuerte multivariate Kontrollkartenplattform legen, die eine neue Ergänzung von 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, worüber Sie Bescheid wissen müssen, sind Kontrollkarten. Falls Sie damit nicht vertraut sind. Hierbei handelt es sich um Diagramme zur Überwachung komplexer Industriesysteme, um festzustellen, wann sie von den normalen Betriebsbedingungen abweichen.
	Ich werde nicht viel Zeit haben, mich mit der Methodik und dem modellgesteuerten multivariaten Kontrolldiagramm zu befassen. Deshalb verweise ich auf diese anderen großartigen Vorträge, die frei verfügbar sind.
	Für mehr Details. Ich sollte auch erwähnen, dass Jim Finding der Hauptentwickler der modellgesteuerten multivariaten Kontrollkarte war und ich in Zusammenarbeit mit Chris Got Walt und Tanya Malden als Tester fungierte.
	Der Schwerpunkt dieses Vortrags liegt daher auf der Verwendung multivariater Regelkarten zur Überwachung eines realen chemischen Prozesses.
	Ein weiterer neuer Aspekt dieses Vortrags wird die Verwendung von Regelkarten für die Online-Prozessüberwachung sein. Das bedeutet, dass wir Daten kontinuierlich überwachen, während sie einer Datenbank hinzugefügt werden, und Fehler in Echtzeit melden.
	Deshalb beginne ich mit der obligatorischen Folie über die Vorteile multivariater Kontrollkarten. Warum also dort nicht die Kontrollkarten der Universität verwenden? Es gibt eine Reihe hervorragender Möglichkeiten und Sprünge.
	Universitätsregelkarten sind hervorragende Werkzeuge zur gleichzeitigen Analyse einiger weniger Variablen. Qualitätskontrolldatensätze sind jedoch häufig hochdimensional
	Und die Anzahl der Diagramme, die Sie sich ansehen müssen, kann schnell überwältigend werden. Multivariate Kontrollkarten fassen also einen hochdimensionalen Prozess zusammen. Und nur ein paar Diagramme, und das ist ein entscheidender Vorteil.
	Das soll aber nicht heißen, dass universitäre Regelkarten in dieser Situation nicht nützlich sind. Sie werden im Laufe des Vortrags feststellen, dass die Fehlerdiagnose oft den Wechsel zwischen Multivariaten in universitären Regelkarten erfordert.
	Multivariate Regelkarten geben Ihnen einen Eindruck vom Gesamtzustand eines Prozesses. Regelkarten der Universität ermöglichen Ihnen dies
	Schauen Sie sich bestimmte Aspekte an. Daher sind die Informationen komplementär und eines der Hauptziele der modellgesteuerten multivariaten Kontrollkarte bestand darin, einige Tools bereitzustellen, die den Wechsel zwischen diesen beiden Diagrammtypen erleichtern.
	Ein Nachteil des universitären Kontrolldiagramms besteht darin, dass es den Anschein erwecken kann, dass Beobachtungen unter Kontrolle sind, obwohl sie im multivariaten Sinne tatsächlich außer Kontrolle sind. Also muss ich
	Kontrollieren Sie unsere IR-Karten für Öl und Dichte und diese beiden Beobachtungen in Rot sind unter Kontrolle, aber Öl und Dichte korrelieren stark. Und diese Beobachtungen sind Ausreißer im multivariaten Sinne, insbesondere die Beobachtung 51 verletzt die Korrelationsstruktur erheblich.
	Daher können multivariate Kontrollkarten diese Art von Ausreißern erkennen. Wenn Universitätskontrollkarten das nicht können
	Modellgesteuerte multivariate Kontrolldiagramme verwenden Projektionsmethoden, um ihre Kontrolldiagramme zu erstellen. Ich beginne mit der Erläuterung von PCA, da es von dort aus leicht aufzubauen ist.
	PCA reduziert die Dimensionalität Ihrer Prozessvariablen durch die Projektion in einen niedrigdimensionalen Raum.
	Dies ist im Bild rechts dargestellt. Wir haben p Prozessvariablen und Beobachtungen und möchten die Dimensionalität des Prozesses auf a reduzieren, wenn a so viel kleiner ist als p und
	Dazu verwenden wir diese P-Belastungsmatrix, die die Koeffizienten für Linearkombinationen unserer X-Variablen bereitstellt, die die Score-Variablen ergeben. Die gezeigten und Gleichungen auf der linken Seite.
	Abschlagszeiten P liefern Ihnen vorhergesagte Werte für Ihre Prozessvariablen mit der niedrigdimensionalen Darstellung. Und es gibt etwas Prognoseluft und Ihre Score-Variablen sind ausgewählt.
	Auf eine Weise, die diese quadratische Vorhersageluft minimiert. Eine andere Möglichkeit, darüber nachzudenken, ist, dass Sie den erklärten Varianzbetrag 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, die Erfassung dieser Variablen jedoch häufig teuer oder zeitaufwändig ist
	Bei Planeten kann die Qualität daher lange Zeit außer Kontrolle geraten, bevor ein Fehler erkannt wird
	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 günstiger und leichter verfügbar. So können Sie mit PLS-Modellen Qualitätsmängel frühzeitig erkennen und die Prozessüberwachung kostengünstiger gestalten.
	Also von hier an. Ich werde mich nur auf pls-Modelle konzentrieren, weil diese für unser Beispiel besser geeignet sind.
	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, besteht darin, dass Ihre Daten in eine durch Ihre Score-Variablen definierte Modellebene projiziert wurden und T-Quadrat-Diagramme die Variation in dieser Modellebene überwachen.
	Die zweite Komponente ist Ihre Fehlerkomponente. Dies ist der Abstand zwischen Ihren Originaldaten und den vorhergesagten Daten und den quadratischen Vorhersagefehlerdiagrammen, die von SP-Diagrammen überwacht werden
	Variation in dieser Komponente
	Wir bieten auch einen alternativen Abstand zur Modell-x-Ebene an. Dabei handelt es sich lediglich um eine normalisierte Version von sp.
	Das letzte Konzept, das für die Demo wichtig ist, ist die Unterscheidung zwischen historischen und aktuellen Daten.
	Historische Daten, die typischerweise dann erfasst werden, wenn bekannt ist, dass der Prozess unter Kontrolle ist. Diese Daten werden zum Erstellen und Definieren des PLS-Modells verwendet
	Normale Prozessvariation. Dadurch kann eine Kontrollgrenze ermittelt werden. Den aktuellen Daten werden anhand des Modells Scores zugewiesen, die jedoch unabhängig vom Modell sind.
	Eine andere Möglichkeit, darüber nachzudenken, besteht darin, dass wir einen Trainings- und einen Testsatz haben und die t-Quadrat-Kontrollgrenze für die Trainingsdaten niedriger ist, weil wir eine geringere Variabilität erwarten
	Beobachtungen, die zum Trainieren des Modells verwendet werden, wobei die Variabilität und das t-Quadrat größer sind. Wenn das Modell auf einen Testsatz verallgemeinert wird. Und glücklicherweise gibt es eine Theorie, die dafür ausgearbeitet wurde
	Varianten von T-Quadrat, die es uns ermöglichen, Kontrollgrenzen basierend auf einigen Verteilungsannahmen zu ermitteln.
	In der Demo wird der Tennessee-Eastman-Prozess überwacht. Ich werde eine kurze Einführung in diese Daten geben.
	Dies ist eine Simulation eines chemischen Prozesses, den Downs und Bogle für Chemiker bei Eastman Chemical entwickelt haben. Ursprünglich wurde sie in Fortran geschrieben, mittlerweile gibt es aber auch Rapper dafür in MATLAB und Python.
	Die Simulation basierte auf einem realen industriellen Prozess, wurde jedoch manipuliert, um geschützte Informationen zu schützen.
	Die Simulationsprozesse. Das ist die Herstellung von Flüssigkeiten.
	Durch die Vergasung der Reaktanten entsteht F als Nebenprodukt, das vom gewünschten Produkt abgesaugt werden muss.
	Die Zwei-Jahreszeiten-Prozesse sind in der Literatur zum Benchmarking multivariater Prozesssteuerungsmethoden allgegenwärtig.
	Das ist also das Prozessdiagramm. Es sieht kompliziert aus, ist aber wirklich nicht so schlimm. Also werde ich Sie durch die Sache führen.
	Die gasförmigen Reaktanten ad und er strömen hier in den Reaktor, die Reaktion findet statt und das Produkt verlässt als Gas. Es wurde abgekühlt und zu einer Flüssigkeit und dem Kondensator kondensiert.
	Dann haben wir einen Dampf-Flüssigkeitsabscheider, der den restlichen Dampf entfernt und ihn durch den Kompressor zurück zum Reaktor führt, und hier gibt es auch einen Spülstrom, der das erledigt
	Entlüften Sie das Nebenprodukt und eine Kunstchemikalie, um dessen Ansammlung zu verhindern. Anschließend wird das flüssige Produkt durch einen Stripper gepumpt, wo die verbleibenden Reaktanten abgestreift werden und das gereinigte Endprodukt hier im Austrittsstrom austritt.
	Der erste Satz von Variablen, die überwacht werden, sind die manipulierten Variablen. Diese sehen aus wie Fliegen und das Diagramm.
	Ich denke, sie sind eigentlich als Ventile gedacht, und die manipulativen Variablen steuern hauptsächlich die Durchflussrate durch verschiedene Ströme des Prozesses.
	Diese Variablen können innerhalb bestimmter Grenzen auf bestimmte Werte eingestellt werden und weisen ein gewisses Gaußsches Rauschen auf. Die manipulativen Variablen können in jedem Fall abgetastet werden. Wir verwenden standardmäßig eine Abtastung von drei Minuten
	Einige Beispiele für manipulative Variablen sind die Flussrate 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 werden im Diagramm als Kreise dargestellt und auch in Drei-Minuten-Intervallen abgetastet. Der Unterschied besteht darin, dass die Messvariablen 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 Variablen werden daher mit erheblicher Zeitverzögerung erfasst
	Wir schauen uns das Produkt im Stream an, weil
	Diese Variablen können leichter gemessen werden als das Produkt, das im Austrittsstrom austritt. Und wir werden auch ein Pls-Modell zur Überwachung erstellen
	Überwachen Sie unsere Qualitätsvariablen mithilfe unserer Prozessvariablen, die bei einer schnelleren Abtastrate wesentlich weniger Verzögerungen aufweisen.
	Okay, das ist ein Hintergrund zu den Daten. Insgesamt gibt es 33 Prozessvariablen in Qualitätsvariablen.
	Das Sammeln der Variablen wird mit einer Reihe von Differentialgleichungen simuliert. Das ist also nur eine Simulation. Aber man sieht, dass bei der Modellierung viel Sorgfalt verwendet wurde. Dies ist ein realer Prozess.
	Hier ist ein Überblick über die Demo. Ich zeige Ihnen, wie wir Daten zu unserem Prozess sammeln und diese Daten dann in einer Datenbank speichern.
	Ich wollte ein Beispiel haben, das leicht zu teilen ist. Ich werde also eine Sequel-Light-Datenbank verwenden, aber dieser Workflow ist für die meisten Datenbanktypen relevant.
	Die meisten Datenbanken unterstützen Odd-See-Verbindungen. Sobald Jump eine Verbindung zur Datenbank herstellt, kann es regelmäßig nach neuen Beobachtungen suchen und die Jump-Tabelle aktualisieren, sobald diese eingehen.
	Und dann haben wir einen modellgesteuerten multivariaten Regelkartenbericht mit aktivierter automatischer Neuberechnung geöffnet. Wir verfügen über einen Mechanismus zur Aktualisierung der Kontrollkarten, sobald neue Daten eingehen.
	Und der gesamte Prozess des Hinzufügens von Daten zu einer Datenbank wird wahrscheinlich auf einem anderen Computer als dem Computer, der die Überwachung durchführt, ablaufen.
	Daher habe ich zwei Jump-Sitzungen geöffnet, um dies nachzuahmen. Beide Sitzungen verfügen über ein eigenes Tagebuch, in dem die Materialien in der Community bereitgestellt werden.
	Und die erste Sitzung fügt der Datenbank simulierte Daten hinzu und wird als Streaming-Sitzung bezeichnet. In der nächsten Sitzung werden Berichte aktualisiert, sobald sie in die Datenbank gelangen. Ich nenne das die Überwachungssitzung.
	Eine Sache, die mir an den Downs und Vogel-Papieren wirklich gefiel, war, dass sie keine einzige Metrik zur Bewertung der Prozesskontrolle lieferten. Ich habe hier ein Zitat aus der Zeitung. Wir fühlten uns wie
	Wir hatten das Gefühl, dass die Kompromisse zwischen möglichen Kontrollstrategien und -techniken viel mehr als nur ein mathematischer Ausdruck sind.
	Hier sind also einige der Ziele, die sie in ihrer Arbeit aufgeführt haben und die für unser Problem relevant sind. Die Prozessvariablen aufrechtzuerhalten, die gewünschten Werte zu minimieren, die Schwankungen der Produktqualität bei Störungen zu minimieren und sich schnell und reibungslos von Störungen zu erholen.
	Daher werden wir mithilfe unserer Überwachungsmethoden beurteilen, wie gut unser Prozess diese Ziele erreicht.
	Okay.
	Um zu beginnen, befinde ich mich im Protokoll der Überwachungssitzung 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 wir unsere Zusammensetzungsvariablen fest. Und der letzte Satz sind die manipulierten Variablen.
	Und das erste hier angehängte Skript passt zu einem PLS-Modell, es schließt jedoch aus, dass es sich bei den letzten hundert Rosen um einen Testsatz handelt.
	Und nur zur Erinnerung: Dieses Modell prognostiziert unsere beiden Produktzusammensetzungsvariablen als Funktion unserer Prozessvariablen, aber das Pls-Modell oder PLS steht nicht im Mittelpunkt des Vortrags. Deshalb habe ich hier bereits die Modell- und Ausgabebewertungsspalten angepasst.
	Und wenn wir uns die Spalteneigenschaften ansehen. Sie können sehen, dass es eine historische Statistikeigenschaft des MD MCC gibt, die alle Informationen enthält
	Auf Ihrem Modell müssen Sie die multivariaten Kontrollkarten erstellen. Einer der Gründe, warum die Überwachung multivariater Kontrolldiagramme auf diese Weise konzipiert wurde, war
	Stellen Sie sich vor, Sie sind Statistiker und möchten Ihr Modell mit einem Ingenieur teilen, damit dieser Kontrolldiagramme erstellen kann. Sie müssen die Datentabelle lediglich mit diesen Formelspalten versehen. Sie müssen nicht alle wichtigen Details darüber preisgeben, wie Sie zu Ihrem Modell passen.
	Als nächstes werde ich die Punktespalten verwenden, um unseren Kontrollzug zu erstellen
	Auf der linken Seite muss ich die T-Quadrat- und SPE-Diagramme mit 860 Beobachtungen steuern, die zur Schätzung des Modells verwendet wurden. Und diese werden als historisch gekennzeichnet, und dann habe ich 100 Beobachtungen, die als Testsatz vorgehalten 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 Menü des roten Dreiecks gemacht, Sie können den Alpha-Level einstellen, alles, was Sie wollen und
	Ich habe diese Korrektur vorgenommen, da es sich bei den Daten bekanntermaßen um normale Betriebsbedingungen handelt. Wir gehen also davon aus, dass keine Beobachtungen außer Kontrolle geraten und es nach dieser Multiplizitätsanpassung keine Fehlalarme mehr gibt.
	Rechts die Beitragsanteil-Heatmaps. Diese geben an, wie viel jede Variable zum äußeren Kontrollsignal jeder Beobachtung auf der Y-Achse beiträgt, und die Beiträge werden als Anteil ausgedrückt
	Und Sie können in beiden Diagrammen sehen, dass die Beiträge ziemlich gleichmäßig auf die Variablen verteilt sind.
	Und ganz unten. Ich habe eine Score-Anlage.
	Im Moment zeichnen wir nur die erste Bewertungsdimension gegenüber der zweiten Bewertungsdimension auf, Sie können sich aber jede beliebige Kombination der Bewertungsdimensionen über diese Dropdown-Menüs oder diesen Pfeil ansehen.
	Okay, da wir uns ziemlich auf den Bericht konzentrieren, werde ich zur Überwachungssitzung übergehen.
	Dadurch werden Daten in die Datenbank gestreamt.
	Um in diesem Beispiel etwas tun zu können, muss ein Sequel Light Odd See-Treiber installiert sein. Es ist einfach zu machen. 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. Anweisungen dazu und zum Herstellen einer Verbindung zur Datenbank finden Sie auf meiner Community-Webseite
	Dieses Beispiel könnte hilfreich sein, wenn Sie es bei Ihrem eigenen Date ausprobieren möchten.
	Ich habe bereits eine Verbindung zu dieser Datenbank erstellt.
	Und ich habe die Datenbank in der Community geteilt. Deshalb werde ich einen Blick auf die Datentabellen im Abfrage-Builder werfen.
	Ich kann diesen Tabellenschnappschuss machen
	Der erste Datensatz sind die historischen Daten. Ich habe diese verwendet, um ein PLS-Modell zu erstellen. Es gibt 960 Beobachtungen, die kontrolliert werden.
	Die nächste Datentabelle ist eine Überwachungsdatentabelle. Sie enthält zunächst nur die historischen Daten, aber ich werde dieser nach und nach neue Daten hinzufügen, und das ist es, was unser multivariates Kontrolldiagramm überwachen wird.
	Und dann habe ich die neuen Daten bereits simuliert und zu dieser Datentabelle hier hinzugefügt und sehe, dass sie beim Zeitstempel 961 beginnen
	Und es gibt weitere 960 Beobachtungen, aber ich habe irgendwann einen Fehler eingeführt
	Und ich wollte etwas haben, das sich leicht teilen lässt. Daher werde ich mein Simulationsskript nicht ausführen und die Datenbank auf diese Weise hinzufügen.
	Ich werde einfach Beobachtungen aus dieser neuen Datentabelle übernehmen und sie mithilfe von JSON mit Folgeanweisungen in die Überwachungsdatentabelle verschieben.
	Und dies ist nur ein einfaches Beispiel, das den Prozess der Eingabe neuer Daten in eine Datenbank nachahmt. Irgendwie könnte man das mit Jump vielleicht nicht wirklich machen. Aber dies ist eine Gelegenheit zu zeigen, wie Sie es mit ASL schaffen können.
	Als Nächstes zeige ich Ihnen das Skript, das zum Streamen der Daten verwendet wird.
	Dies ist ein einfaches Skript. Deshalb werde ich es Ihnen ganz kurz erklären.
	Der erste Befehlssatz öffnet die neue Datentabelle aus der Sequel Light-Datenbank, sie wird im Hintergrund geöffnet. Also muss ich mich mit dem Fenster befassen, und dann werde ich Teile aus dieser neuen Datentabelle nehmen und
	Verschieben Sie sie in die Überwachungsdatentabelle. Ich nenne die Stücke Bisse und die BISSGRÖSSEN 20
	Dadurch wird dann eine Datenbankverbindung hergestellt, die es mir ermöglicht, SQL-Anweisungen an die Datenbank zu senden. Und dann wird dieses letzte Stück Code interaktiv Folgeanweisungen erstellen, die neue Daten in die Überwachungsdaten einfügen. Also werde ich initialisieren
	Okay, und ich zeige Ihnen die erste Iteration dieser Schleife.
	Das ist also einfach
	Einfügung einer SQL-Anweisung in eine Anweisung, die die ersten 20 Beobachtungen einfügt.
	Kommentieren Sie, dass der Anfang schneller läuft. Und hier unten gibt es eine Warteanweisung. Dadurch wird der Stream nur verlangsamt.
	Damit wir genügend Zeit haben, den Verlauf der Daten und der Kontrollkarten zu sehen, wäre dieses Streaming-Beispiel sonst einfach zu schnell vorbei.
	Okay, also werde ich es tun
	Wechseln Sie zurück zur Überwachungssitzung und zeigen Sie einige Skripte, die den Bericht aktualisieren.
	Verschieben Sie dies 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 neue Daten zur Sprungtabelle hinzufügt. Und da für den Bericht die automatische Nachzählung aktiviert ist.
	Der Bericht wird aktualisiert, sobald neue Daten hinzugefügt werden. Und ich sollte hinzufügen, dass Sie realistisch gesehen wahrscheinlich kein Skript verwenden würden, das einfach so integriert wird. Sie verwenden wahrscheinlich den Taskplaner und die Fenster sind automatisiert, und Max plant die Ausführung besser
	Und dann das nächste Skript hier.
	wird den Bericht veröffentlichen, wann immer er aktualisiert wird.
	Ich war wirklich begeistert, dass das möglich ist und springe.
	Es ermöglicht jedem Computer mit einem Webbrowser, Aktualisierungen der Kontrollkarte anzuzeigen. Sie können den Bericht sogar auf Ihrem Smartphone ansehen. Dies macht es einfacher, Ergebnisse organisationsübergreifend zu teilen. Sie können Jump Live auch verwenden, wenn die Berichte auf einem eingeschränkten Server gespeichert werden sollen.
	Anschließend 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 schauen Sie sich an, wie der Bericht aktualisiert wird.
	Sie können sehen, dass die Daten zunächst unter Kontrolle sind, aber dann tritt ein Fehler auf, es gibt ein großes Signal, dass die Kontrolle außer Kontrolle gerät, aber es wurde ein anlagenweites Kontrollsystem implementiert und die Simulation bringt das System in ein neues Gleichgewicht
	Ich gebe dem Ganzen eine Sekunde Zeit, um es fertigzustellen.
	Und jetzt habe ich die Kontrollkarte aktualisiert. Ich werde die Ergebnisse an die Öffentlichkeit bringen
	Auf meiner öffentlichen Jump-Seite habe ich zunächst die Kontrollkarte mit den Daten und der Kontrolle am Anfang.
	Und dies sollte mit der Hinzufügung der Daten aktualisiert werden.
	Wenn wir uns also näher ansehen, wann der Prozess zum ersten Mal außer Kontrolle geriet.
	Dein
Jeremy Ash	Es sieht so aus, als wäre das Muster 1125. Das werde ich einfärben
	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 erkennt, hängt von Ihrem Modell ab. Und wie viele Faktoren haben Sie ausgewählt?
	Wir können auch heranzoomen
	Dieser Zeitpunkt im Beitragsplot. Und Sie können sehen, wann der Prozess erfolgt. Zuerst gerät es außer Kontrolle. Es gibt eine große Anzahl von Variablen, die zum Signal „Außer Kontrolle“ beitragen. Wenn das System dann aber ein neues Gleichgewicht erreicht, leisten nur noch zwei Variablen große Beiträge.
	Deshalb werde ich diese Heatmaps entfernen, damit ich mehr Platz im Diagnosebereich habe.
	Und alles ziemlich groß zu machen, damit der Text auf Ihrem Bildschirm angezeigt wird.
	Wenn ich mit der Maus über den ersten Punkt schwebe, gerät das außer Kontrolle. Sie können einen Blick auf die zehn wichtigsten beitragenden Variablen werfen.
	Dies eignet sich hervorragend, um schnell zu erkennen, welche Variablen am meisten zum Außer-Kontrolle-Signal 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.
	Zoomen Sie hier ein wenig hinein.
	Wenn also einer der Balken rot ist. Dies bedeutet, dass die Variable außer Kontrolle geraten ist.
	In einer universellen Kontrollkarte. Und Sie können dies sehen, indem Sie mit der Maus über die Balken fahren.
	Ich werde ein paar davon schwenken
	Und diese Grafik, sehen wir uns unsere IR-Diagramme für die einzelnen Variablen mit drei Sigma-Kontrollgrenzen an.
	Sie sehen die Druckvariable des Abstreifers. Die Beobachtung ist in der Kontrollkarte der Universität außer Kontrolle geraten, aber die Variablen wurden schließlich von unserem 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 das Steuerungssystem 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 ansehe
	Die Variablen, die den größten Beitrag leisten. Es sieht so aus, als ob nur zwei Variablen einen großen Beitrag leisten und beide messen die Flussrate der Reaktion in einem Strom, der in den Reaktor gelangt
	Und diese messen im Wesentlichen dasselbe, außer dass es sich bei einem um eine Messvariable und bei einem um eine manipulierte Variable handelt. Und man sieht es
	In der Regelkarte der Universität gibt es eine große sprunghafte Änderung der Durchflussrate.
	Auch dieses hier. Und das ist der Schrittwechsel, den ich in der Simulation programmiert habe. Diese Beiträge ermöglichen es uns also, die Grundursache schnell zu identifizieren.
	Deshalb werde ich einige andere alternative Methoden vorstellen, um die gleiche Ursache der Verschiebung zu identifizieren. Und der Grund dafür sind reale Daten.
	Prozessverschiebungen sind oft subtiler und einige der Tools können nützlicher sein und sie besser identifizieren als andere und werden mit diesen alternativen Methoden stets zum gleichen Ergebnis kommen. Es werden also einige Möglichkeiten aufgezeigt, 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.
	Die Fähigkeit, hochdimensionale Verschiebungen zu erfassen, ist eingeschränkter, da jeweils nur zwei Dimensionen des Modells visualisiert werden. Wir können jedoch eine intuitivere Visualisierung des Prozesses bereitstellen, da er in einer niedrigdimensionalen Darstellung visualisiert wird
	Und tatsächlich ist einer der Hauptgründe, warum multivariate Kontrolldiagramme überhaupt in t-Quadrat und SPE aufgeteilt werden, dass sie eine ausreichende Dimensionsreduzierung bieten, um den Prozess und das Streudiagramm einfach zu visualisieren.
	Wir wollen also die Variablen identifizieren, die es gibt
	Verursacht die Verschiebung. Also werde ich die Punkte vor und nach der Verschiebung einfärben.
	Damit sie im Partiturplot auftauchen.
	Wenn wir uns normalerweise alle Kombinationen der sechs Faktoren ansehen, müssen wir uns dann doch eine ganze Menge Punktediagramme ansehen
	Was also sehr praktisch ist, ist 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 einen großen Abstand gibt.
	Und wenn wir herausfinden möchten, wo die Verschiebung zum ersten Mal in den Ergebnisdiagrammen aufgetreten ist, können Sie die Punkte verbinden und sehen, dass die Verschiebung erneut um 1125 herum auftrat.
	Ein weiteres nützliches Werkzeug. Wenn Sie sich identifizieren möchten
	Score-Dimensionen, bei denen eine Beobachtung den größten Abstand zu den historischen Daten aufweist und Sie nicht alle Score-Plots durchsehen möchten, ist der normalisierte Score-Plot. Ich wähle also einen Punkt nach der Verschiebung aus und schaue mir das normalisierte Ergebnisdiagramm an.
	Ich werde tatsächlich ein anderes wählen.
	Okay.
Jeremy Ash	Weil ich mir die Dimensionen fünf und sechs ansehen möchte. Also die
	Diese Diagramme zeigen die Größe der Bewertung und jede Dimension normalisiert, sodass die Dimensionen im gleichen Maßstab liegen. Und da der Mittelwert der historischen Daten so lautet, dass Null für jede Bewertung die Dimensionen mit der größten Größenordnung angibt, wird die größte Trennung angezeigt.
	Zwischen dem ausgewählten Punkt und den historischen Daten. Es sieht also so aus, als ob hier die Dimensionen fünf und sechs den größten Abstand aufweisen und
	Ich werde zu denen übergehen
	Hier besteht also ein großer Abstand zwischen uns
	Verschobene Daten und die historischen Daten sowie die Visualisierung des quadratischen Diagramms lassen sich ebenfalls besser interpretieren, 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 zu sehen.
	Vektoren werden geladen, aber Sie können mit der Maus darüber fahren und sie sehen. Und wenn ich in die Richtung der Verschiebung schaue, sehen Sie, dass dort auch die beiden Variablen auftauchen, die die Ursache waren.
	Mit den Gruppenvergleichen können wir dabei auch Unterschiede zwischen Untergruppen untersuchen. Dabei wähle ich alle Punkte vor der Verschiebung aus, die die Referenzgruppe darstellen, und alles danach, was die Gruppe betrifft, 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 dadurch auch die Variablen identifiziert werden, die die Verschiebung verursacht haben.
	Das Gruppenvergleichstool ist besonders nützlich, wenn es in einem Score-Plot mehrere Verschiebungen gibt und Sie mehr als zwei unterschiedliche Untergruppen in Ihren Daten sehen können.
	In unserem Fall vergleichen wir eine Gruppe in unseren aktuellen Daten mit den historischen Daten. Wir könnten die Daten auch einfach nach der Schicht auswählen und uns ein Hauptbeitragsergebnisdiagramm ansehen.
	Und das wird uns geben
	Die durchschnittlichen Beiträge jeder Variablen zu den Werten in der orangefarbenen Gruppe. Und da große Werte auf große Unterschiede zu den historischen Daten hinweisen. Diese Beitragsdiagramme können auch die Ursache identifizieren.
	Diese verwenden dieselbe Formel, nämlich die Beitragsformel für t im Quadrat. Aber jetzt verwenden wir nur die beiden Faktoren aus dem Score-Plot.
	Okay, ich werde mein PowerPoint wiederfinden.
	Also ganz schnell, ich fasse die wichtigsten Funktionen der modellgesteuerten Multivarianten-Kontrollkarte zusammen, die in der Demo gezeigt wurden.
	Die Plattform ist in der Lage, sowohl Online-Fehlererkennung als auch Offline-Fehlerdiagnose durchzuführen. Es gibt viele Methoden, die eine Plattform bieten, um der Fehlerursache auf den Grund zu gehen.
	Ich zeige es dir. Hier sind einige Darstellungen aus dem beliebten Buch „Fehlererkennung und -diagnose in industriellen Systemen“ der Autoren.
	Demonstrieren Sie, wie man multivariate und universelle Kontrollkarten nebeneinander verwenden muss, um ein Gefühl dafür zu bekommen, was im Prozess vor sich geht.
	Und eine besonders nützliche Funktion und modellgesteuerte multivariate Kontrollkarte ist ihre Interaktivität und Benutzerfreundlichkeit. Es dient dazu, zwischen diesen Diagrammtypen zu wechseln.
	Das ist also mein Vortrag hier. Hier ist meine E-Mail. Wenn Sie weitere Fragen haben, und vielen Dank an alle, die sich das angesehen 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 reproduzieren.

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

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

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

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 liegt 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 Updates.

Ich könnte Ihre Vorgehensweise 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]

// Verlangsamen Sie den Stream, damit Sie den Fortschritt in den Kontrolldiagrammen sehen können
Warten(.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 Aufbau einer SQL-Datenbank hinzuzufügen.Vielen Dank für den Hinweis.Ich habe gerade die Readme-Datei 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 .Die Readme-Datei sollte jedoch 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 ob 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. In der Datei example.zip finden Sie eine Readme-Datei mit den gewonnenen Erkenntnissen.

Grüße

JK

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

Sie sagten in der Streaming-Sitzung, eine SQLite-Datenbank zu erstellen und JMP mit dieser Datenbank zu verbinden. Und dass dieses Verfahren auf der Community-Homepage erfolgt.

Ich konnte es nicht finden! Möglicherweise schaue ich mir eine falsche Seite an! Würden Sie mir zeigen, wo ich dieses Verfahren finden kann?

Danke schön!

Luiz

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 erneut hochgeladen.Es ist auf mysteriöse Weise verschwunden!Mir ist aufgefallen, dass dies in letzter Zeit einigen anderen Leuten in der Community passiert ist.Ich werde die relevanten Personen informieren.Danke!

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

Steht die Beispiel-ZIP-Datei noch zum Download zur Verfügung?