281538_es-ES

liliconcom

Detección y diagnóstico de fallas del proceso Tennessee Eastman mediante gráficos de control multivariante (2020-US-45MP-606)

Nivel: Intermedio

 

Jeremy Ash, probador de software de análisis de JMP, JMP

 

La plataforma de gráfico de control multivariado basado en modelos (MDMVCC) permite a los usuarios crear gráficos de control basados en modelos PCA o PLS. Estos se pueden usar para la detección de fallas y el diagnóstico de conjuntos de datos de alta dimensión. Demostramos el monitoreo MDMVCC de un modelo PLS utilizando la simulación de un proceso químico industrial del mundo real: el proceso Tennessee Eastman. Durante la simulación, las variables de calidad y proceso se miden a medida que un reactor químico produce productos líquidos a partir de reactivos gaseosos. Demostramos el diagnóstico de fallas en una configuración fuera de línea. Esto a menudo implica cambiar entre gráficos de control multivariados, gráficos de control univariados y gráficos de diagnóstico. MDMVCC proporciona una forma fácil de usar para moverse entre estas parcelas. A continuación, demostramos cómo MDMVCC puede realizar un monitoreo en línea conectando JMP a una base de datos externa. La medición de las variables de calidad del producto a menudo implica un retraso de tiempo antes de que las mediciones estén disponibles, lo que puede retrasar sustancialmente la detección de fallas. Cuando MDMVCC monitorea un modelo PLS, la variación de las variables de calidad del producto se monitorea en función de las variables del proceso. Dado que las variables del proceso a menudo están más fácilmente disponibles, esto puede ayudar en la detección temprana de fallas.

Archivos de ejemplo

Descargue y extraiga streaming_example.zip.Hay un archivo LÉAME con algunas instrucciones de configuración adicionales que deberá realizar antes de seguir el ejemplo del video.También se proporcionan ejemplos adicionales de diagnóstico de fallas. Envíame un mensaje en la comunidad si encuentras algún problema o tienes alguna pregunta.

 

 

 

Transcripción generada automáticamente...

 

Vocero	Transcripción
jeremy ceniza	Hola, soy Jeremy Ash. Soy estadístico en jump R amp D. Mi trabajo consiste principalmente en probar las plataformas de estadísticas multivariadas y jump but
	También ayudo a investigar y evaluar la metodología y hoy voy a analizar el proceso de Tennessee Eastman usando algunos métodos de control estadístico de procesos y salto.
	Voy a prestar especial atención a la plataforma de gráficos de control multivariante basada en modelos, que es una nueva adición a Jump y estoy muy entusiasmado con esta plataforma y estos datos brindaron una nueva oportunidad para mostrar algunas de sus características.
	En primer lugar, asumo algún conocimiento de control estadístico de procesos en esta charla.
	Lo principal que necesita saber son los gráficos de control. Si no estás familiarizado con estos. Estos son gráficos utilizados para monitorear sistemas industriales complejos para determinar cuándo se desvían de las condiciones normales de funcionamiento.
	No voy a tener mucho tiempo para entrar en la metodología y el gráfico de control multivariado basado en modelos. Así que me referiré a estas otras grandes charlas que están disponibles gratuitamente.
	Para más detalles. También debo mencionar que Jim Finding fue el desarrollador principal del gráfico de control multivariado basado en modelos y, en colaboración con Chris Got Walt y Tanya Malden, fui probador.
	Entonces, el enfoque de esta charla será usar gráficos de control multivariados para monitorear un proceso químico del mundo real.
	Otro aspecto novedoso de esta charla será el uso de gráficos de control para el monitoreo de procesos en línea, lo que significa que estaremos monitoreando datos continuamente a medida que se agregan a una base de datos y enviando mensajes de texto sobre fallas en tiempo real.
	Así que voy a empezar con la diapositiva obligatoria sobre las ventajas de los gráficos de control multivariados. Entonces, ¿por qué no usar gráficos de control universitarios allí? Hay una serie de excelentes opciones y salto.
	Los gráficos de control universitarios son excelentes herramientas para analizar algunas variables a la vez. Sin embargo, los conjuntos de datos de control de calidad suelen ser de gran dimensión.
	Y la cantidad de gráficos que necesita mirar puede volverse abrumadora rápidamente. Entonces, los gráficos de control multivariados resumen un proceso de alta dimensión. Y solo unos pocos gráficos y esa es una ventaja clave.
	Pero eso no quiere decir que los gráficos de control universitarios no sean útiles en este entorno, verá a lo largo de la charla que el diagnóstico de fallas a menudo implica cambiar entre multivariante en los gráficos de control universitarios.
	Los gráficos de control multivariados le dan una idea de la salud general de un proceso. Los gráficos de control universitarios le permiten
	Mirar aspectos específicos. Y, por lo tanto, la información es complementaria y uno de los principales objetivos del gráfico de control multivariado basado en modelos era proporcionar algunas herramientas que facilitan el cambio entre esos dos tipos de gráficos.
	Una desventaja de la gráfica de control universitaria es que las observaciones pueden parecer estar bajo control cuando en realidad están fuera de control en el sentido multivariado. entonces tengo que
	Controle nuestros gráficos IR para petróleo y densidad y estas dos observaciones en rojo están bajo control, pero el petróleo y la densidad están altamente correlacionados. Y estas observaciones son valores atípicos en el sentido multivariado, en particular la observación 51 viola severamente la estructura de correlación.
	Por lo tanto, los gráficos de control multivariados pueden detectar este tipo de valores atípicos. Cuando las gráficas de control de la Universidad no pueden
	El gráfico de control multivariado basado en modelos utiliza métodos de proyección para construir sus gráficos de control. Comenzaré explicando PCA porque es fácil desarrollarlo a partir de ahí.
	PCA reduce la dimensionalidad de las variables de su proceso al proyectar en un espacio dimensional bajo.
	Esto se muestra en la imagen de la derecha, tenemos p variables de proceso y observaciones y queremos reducir la dimensionalidad del proceso a a donde a es mucho menor que p y
	Para hacer esto, usamos esta matriz de carga P, que proporciona los coeficientes para las combinaciones lineales de nuestras variables X que dan las variables de puntuación. Las que se muestran y las ecuaciones de la izquierda.
	tee times P le dará valores predichos para sus variables de proceso con la representación dimensional baja. Y hay algo de aire de predicción y se seleccionan las variables de puntuación.
	De una forma que minimice este aire de predicción al cuadrado. Otra forma de pensarlo es que estás maximizando la cantidad de varianza explicada x
	Por favor, es más adecuado cuando tiene un conjunto de variables de proceso y un conjunto de variables de calidad y realmente desea asegurarse de que las variables de calidad se mantengan bajo control, pero estas variables a menudo son costosas o requieren mucho tiempo para recopilarlas.
	At planet puede estar fuera de control durante mucho tiempo antes de que se detecte la falla, por lo que
	Los modelos de Pls le permiten monitorear sus variables de calidad en función de las variables de su proceso. Y puede ver aquí que los pls encontrarán variables de puntaje que maximizan la varianza explicada en las variables y.
	Las variables del proceso son a menudo más baratas y más fácilmente disponibles. Por lo tanto, los modelos de pls pueden permitirle detectar fallas de calidad temprano y pueden hacer que el monitoreo de procesos sea más económico.
	Así que de aquí en adelante. Solo me voy a centrar en los modelos pls porque eso es más apropiado para nuestro ejemplo.
	Por lo tanto, divida sus datos en dos componentes. El primer componente es el componente de su modelo. Esto le da los valores predichos.
	Otra forma de pensar en esto es que sus datos han sido proyectados en un plano modelo definido por sus variables de puntaje y los gráficos de t cuadrada monitorearán la variación en este plano modelo.
	El segundo componente es su componente de error. Esta es la distancia entre sus datos originales y los datos pronosticados y los gráficos de error de predicción al cuadrado son los gráficos sp que monitorearán
	Variación en este componente
	También proporcionamos una distancia alternativa al modelo x plano, esta es solo una versión normalizada de sp.
	El último concepto que es importante comprender para la demostración es la distinción entre datos históricos y actuales.
	datos históricos recopilados típicamente cuando se sabe que el proceso está bajo control. Estos datos se utilizan para construir el modelo PLS y definir
	Variación normal del proceso. Y esto permite obtener un límite de control. A los datos actuales se les asignan puntuaciones en función del modelo, pero son independientes del modelo.
	Otra forma de pensar en esto es que tenemos un conjunto de prueba y entrenamiento, y el límite de control t cuadrado es más bajo para los datos de entrenamiento porque esperamos una variabilidad más baja para
	Se utilizan observaciones para entrenar el modelo, considerando que hay mayor variabilidad y t cuadrada. Cuando el modelo generalizado es a un conjunto de prueba. Y afortunadamente, hay alguna teoría que se ha elaborado para el
	Variantes de T cuadrada que nos permiten obtener límites de control en base a unos supuestos distribucionales.
	En la demostración se estará monitoreando el proceso de Tennessee Eastman. Voy a presentar una breve introducción a estos datos.
	Esta es una simulación de un proceso químico desarrollado por Downs y Bogle para los químicos de Eastman Chemical y originalmente fue escrito en Fortran, pero ahora hay raperos en MATLAB y Python.
	La simulación se basó en un proceso industrial real, pero fue manipulado para proteger la información de propiedad.
	Los procesos de simulación. El, la producción de líquidos.
	Mediante la gasificación de reactivos y F es un subproducto que deberá extraerse del producto deseado.
	Los procesos de dos estaciones omnipresentes en la literatura sobre evaluación comparativa de métodos de control de procesos multivariados.
	Así que este es el diagrama del proceso. Parece complicado, pero en realidad no es tan malo. Así que voy a guiarte a través de él.
	Los reactivos gaseosos ad y he están fluyendo hacia el reactor aquí, ocurre la reacción y el producto sale como un gas. Ha sido enfriado y condensado en un líquido y el condensador.
	Luego tenemos un separador de vapor líquido que eliminará cualquier vapor remanente y lo reciclará de regreso al reactor a través del compresor y también hay una corriente de purga aquí que
	Ventile el subproducto y un producto químico de última generación para evitar que se acumule y luego el producto líquido se bombeará a través de un separador donde los reactivos restantes se eliminan y el producto purificado final sale aquí en la corriente de salida.
	El primer conjunto de variables que se están monitoreando son las variables manipuladas. Estos parecen pajaritas y el diagrama.
	Piense que en realidad están destinadas a ser válvulas y las variables de manipulación, en su mayoría controlan el caudal a través de diferentes corrientes del proceso.
	Estas variables se pueden establecer en valores específicos dentro de los límites y tienen algo de ruido gaussiano y las variables manipulables se pueden muestrear en cualquier velocidad, estamos usando un muestreo predeterminado de tres minutos en
	Algunos ejemplos de las variables manipulables son la tasa de flujo de los reactivos en el reactor
	El caudal de vapor en el separador.
	Y el flujo de refrigerante en el reactor.
	El siguiente conjunto de variables son las variables de medición. Estos se muestran como círculos en el diagrama y también se muestrean en intervalos de tres minutos y la diferencia es que las variables de medición no se pueden manipular en la simulación.
	Nuestras variables de calidad serán la composición porcentual de los productos líquidos que puede ver
	El analizador mide la composición aquí.
	Estas variables se recogen con un retraso de tiempo considerable por lo que
	Estamos viendo el producto en la corriente porque
	Estas variables se pueden medir más fácilmente que el producto que sale en la corriente de salida. Y también construiremos un modelo pls para monitorear
	monitorear nuestras variables de calidad por medio de nuestras variables de proceso que tienen una demora sustancialmente menor en una tasa de muestreo más rápida.
	Bien, eso es un trasfondo de los datos. En total hay 33 variables de proceso en variables de calidad.
	El proceso de recolección de las variables se simula con una serie de ecuaciones diferenciales. Así que esto es solo una simulación. Pero puede ver que se dedicó una cantidad considerable de atención al modelado de modelos. Este es un proceso del mundo real.
	Así que aquí hay una descripción general de la demostración, estoy a punto de mostrar que recopilará datos sobre nuestro proceso y luego almacenará estos datos en una base de datos.
	Quería tener un ejemplo que fuera fácil de compartir. Así que usaré una base de datos ligera de secuela, pero este flujo de trabajo es relevante para la mayoría de los tipos de bases de datos.
	La mayoría de las bases de datos admiten conexiones de visualización extrañas, una vez que el salto se conecta a la base de datos, puede verificar periódicamente si hay nuevas observaciones y actualizar la tabla de saltos a medida que ingresan.
	Y luego, si tenemos un informe de gráfico de control multivariado basado en modelos abierto con el recálculo automático activado. Tenemos un mecanismo para actualizar los gráficos de control a medida que ingresan nuevos datos.
	Y todo el proceso de agregar datos a una base de datos probablemente se llevará a cabo en una computadora separada de la computadora que realiza el monitoreo.
	Así que tengo dos sesiones de salto abiertas para emular esto, ambas sesiones tienen su propio diario en los materiales que se proporcionan en la Comunidad.
	Y la primera sesión agregará datos simulados a la base de datos y se llama sesión de transmisión y la siguiente sesión actualizará los informes a medida que ingresan a la base de datos y la llamo sesión de monitoreo.
	Una cosa que realmente me gustó del papel de Downs y Vogel fue que no proporcionaban una sola métrica para evaluar el control del proceso. Tengo una cita del periódico aquí. nos sentimos como
	Sentimos que las compensaciones entre las posibles estrategias y técnicas de control implicaban mucho más que una expresión matemática.
	Estos son algunos de los objetivos que enumeraron en su artículo que son relevantes para nuestro problema: mantener las variables del proceso en los valores deseados, minimizar la variabilidad de la calidad del producto durante las perturbaciones y recuperarse rápida y suavemente de las perturbaciones.
	Por lo tanto, evaluaremos qué tan bien nuestro proceso logra estos objetivos, utilizando nuestros métodos de monitoreo.
	Bueno.
	Entonces, para comenzar, estoy en el diario de la sesión de monitoreo y les mostraré nuestros primeros datos enviados. La tabla de datos contiene todas las variables que introduje anteriormente, el primer conjunto son las variables de medición. El siguiente establece nuestras variables de composición. Y luego el último conjunto son las variables manipuladas.
	Y la primera secuencia de comandos adjunta aquí se ajustará a un modelo de pls. Excluye que las últimas cien rosas son un conjunto de prueba.
	Y solo como recordatorio, este modelo está prediciendo nuestras dos variables de composición de productos como una función de nuestras variables de proceso, pero el modelo por favor o PLS no es el enfoque de la charla. Así que ya he ajustado el modelo y las columnas de puntuación de salida aquí.
	Y si nos fijamos en las propiedades de la columna. Puede ver que hay una propiedad de estadísticas históricas de MD MCC que contiene toda la información
	En su modelo, necesita construir los gráficos de control multivariados. Una de las razones por las que se diseñó el gráfico de control multivariante de seguimiento de esta manera fue
	Imagine que es estadístico y desea compartir su modelo con un ingeniero para que pueda construir gráficos de control. Todo lo que necesita hacer es proporcionar la tabla de datos con estas columnas de fórmula. No necesita compartir todos los detalles sangrientos de cómo se ajusta a su modelo.
	A continuación, usaré las columnas de puntuación para crear nuestro turno de control.
	A la izquierda, tengo gráficos de control t cuadrado y SPE hay 860 observaciones que se usaron para estimar el modelo. Y estos están etiquetados como históricos y luego tengo 100 observaciones que se llevaron a cabo como un conjunto de prueba.
	Y puede ver en los resúmenes de límites aquí abajo que realicé un vínculo solo para la corrección de múltiples pruebas.
	Según los datos históricos. Hice esto aquí en el menú del triángulo rojo, puedes configurar el nivel alfa, lo que quieras y
	Hice esta corrección porque se sabe que los datos se encuentran en condiciones normales de funcionamiento. Por lo tanto, esperamos que ninguna observación esté fuera de control y, después de este ajuste de multiplicidad, no hay falsas alarmas.
	A la derecha o los mapas de calor de proporción de contribución. Estos indican cuánto contribuye cada variable a la señal de control externa. Cada observación está en el eje Y y las contribuciones se expresan como una proporción.
	Y puede ver en ambos gráficos que las contribuciones se distribuyen de manera bastante uniforme entre las variables.
	Y en la parte inferior. Tengo una planta de puntuación.
	En este momento, solo estamos trazando la primera dimensión de puntaje frente a la segunda dimensión de puntaje, pero puede ver cualquier combinación de las dimensiones de puntaje usando estos menús desplegables o esta flecha.
	Bien, estamos bastante orientados al informe, voy a cambiar a la sesión de monitoreo.
	Que transmitirá datos a la base de datos.
	Para poder hacer cualquier cosa en este ejemplo, necesitará tener instalado un controlador Sequel Light Odd See. Es facil de hacer. Puedes simplemente seguir este enlace aquí.
	Y no tengo tiempo para hablar de esto, pero creé la base de datos de luz de secuela. Usaré y saltar. Tengo instrucciones sobre cómo hacer esto y cómo conectar el salto a la base de datos en la página web de mi comunidad.
	Este ejemplo puede ser útil si desea probar esto en su propia cita.
	Ya he creado una conexión a esta base de datos.
	Y he compartido la base de datos en la comunidad. Así que voy a echar un vistazo a las tablas de datos en el generador de consultas.
	Puedo hacer esa instantánea de la mesa
	El primer conjunto de datos son los datos históricos. He usado esto para construir un modelo pls, hay 960 observaciones que están bajo control.
	La siguiente tabla de datos es una tabla de datos de monitoreo, esta solo contiene los datos históricos al principio, pero gradualmente agregaré nuevos datos a esto y esto es lo que nuestro gráfico de control multivariado estará monitoreando.
	Y luego simulé los nuevos datos y los agregué a esta tabla de datos aquí y veo que comienza en la marca de tiempo 961
	Y hay otras 960 observaciones, pero introduje una falla en algún momento.
	Y quería tener algo fácil de compartir. Así que no voy a ejecutar mi secuencia de comandos de simulación y agregar la base de datos de esa manera.
	Solo tomaré observaciones de esta nueva tabla de datos y las moveré a la tabla de datos de monitoreo usando algunos JSON con instrucciones posteriores.
	Y este es solo un ejemplo simple que emula el proceso de nuevos datos que ingresan a una base de datos, de alguna manera, es posible que en realidad no haga esto con salto. Pero esta es una oportunidad para mostrar cómo puedes hacerlo con ASL.
	A continuación, le mostraré el script que usará para transmitir los datos.
	Este es un guión simple. Así que solo voy a guiarte a través de esto muy rápido.
	El primer conjunto de comandos abrirá la nueva tabla de datos de la base de datos de Sequel Light, se abre en segundo plano. Así que tengo que lidiar con la ventana, y luego voy a tomar partes de esta nueva tabla de datos y
	muévalos a la tabla de datos de monitoreo. Llamo a las piezas mordidas y los TAMAÑOS DE BOCADURA 20
	Y luego esto creará una conexión de base de datos que me permitirá enviar las declaraciones SQL de la base de datos. Y luego, este último fragmento de código construirá de forma interactiva instrucciones posteriores que insertarán nuevos datos en los datos de seguimiento. Así que voy a inicializar
	Bien, y les mostraré la primera iteración de este ciclo.
	Entonces esto es solo un simple
	Instrucción SQL insertada en instrucción que inserta las primeras 20 observaciones.
	Comentar que al principio corre más rápido. Y hay una declaración de espera aquí abajo. Esto solo ralentizará la transmisión.
	Para que tengamos tiempo suficiente para ver la progresión de los datos y los gráficos de control, si no tuviéramos esto, este ejemplo de transmisión terminaría demasiado rápido.
	Bien, entonces voy a
	Vuelva a la sesión de monitoreo y le mostrará algunos scripts que actualizarán el informe.
	Mueve esto hacia la derecha. Para que pueda ver el informe y los scripts al mismo tiempo.
	Entonces,
	Este script de lectura de datos de monitoreo es un script simple que verifica la base de datos cada punto dos segundos y agrega nuevos datos a la tabla de salto. Y dado que el informe tiene activado el recuento automático.
	El informe se actualizará cada vez que se agreguen nuevos datos. Y debo agregar que, de manera realista, probablemente no usaría un script que simplemente se integre de esta manera, probablemente use el Programador de tareas y las ventanas están automatizadas y Max programa mejor las ejecuciones.
	Y luego el siguiente guión aquí.
	empujará el informe para que se haga público cada vez que se actualice el informe.
	Yo estaba muy emocionado de que esto es posible y salto.
	Permite que cualquier computadora con un navegador web vea las actualizaciones del gráfico de control. Incluso puede ver el informe en su teléfono inteligente. Esto hace que sea fácil compartir resultados entre organizaciones. También puede usar Jump Live si desea que los informes estén en un servidor restringido.
	Y luego el script recreará los datos históricos y la tabla de datos en caso de que desee ejecutar el ejemplo varias veces.
	Bien, ejecutemos el script de transmisión.
	Y mira cómo se actualiza el informe.
	Puede ver que los datos están bajo control al principio, pero luego se introduce una falla, hay una gran señal fuera de control, pero hay un sistema de control de toda la planta que se ha implementado y la simulación, que lleva el sistema a un nuevo equilibrio.
	Le doy un segundo a esto para que termine.
	Y ahora que he actualizado el gráfico de control. Voy a empujar los resultados para que salten al público.
	En mi página pública de salto tengo al principio el gráfico de control con los datos y el control al principio.
	Y esto debe actualizarse con la adición de los datos.
	Entonces, si nos acercamos al momento en que el proceso se salió de control por primera vez.
	Su
jeremy ceniza	Parece que fue la muestra 1125. Voy a colorear eso.
	Y etiquetarlo.
	Para que aparezca en otras tramas y luego
	En el gráfico SP, parece que esta observación todavía está bajo control.
	Y qué gráfico detectará las fallas antes depende de su modelo. Y cuantos factores has elegido
	También podemos hacer zoom
	Ese punto de tiempo en la gráfica de contribución. Y se puede ver cuando el proceso. Primero se sale de control. Hay una gran cantidad de variables que contribuyen a la señal de fuera de control. Pero luego, cuando el sistema alcanza un nuevo equilibrio, solo dos variables tienen grandes contribuciones.
	Así que voy a eliminar estos mapas de calor para tener más espacio en la sección de diagnóstico.
	Y hacer que todo sea bastante grande para que el texto se muestre en la pantalla.
	Si paso el cursor sobre el primer punto, eso está fuera de control. Puede echar un vistazo a las 10 principales variables contribuyentes.
	Esto es excelente para identificar rápidamente qué variables contribuyen más a la señal de fuera de control. También puedo hacer clic en ese gráfico y agregarlo a la sección de diagnóstico y
	Puede ver que hay una gran cantidad de variables que contribuyen a la señal de fuera de control.
	haz zoom aquí un poco.
	Así que si una de las barras es roja. Esto significa que la variable está fuera de control.
	En un gráfico de control universal. Y puedes ver esto pasando el cursor sobre las barras.
	Voy a panear, un par de esos
	Y estos gráficos, vamos a nuestros gráficos IR para las variables individuales con límites de control de tres sigma.
	Vería la variable de presión del separador. La observación está fuera de control en el gráfico de control de la universidad, pero las variables eventualmente vuelven a ser controladas por nuestro sistema de control. Y eso es cierto para
	La mayoría de
	Grandes variables contribuyentes y también le muestran una de las variables donde la observación está en control.
	Entonces, una vez que el sistema de control responde, muchas variables vuelven a estar bajo control y el proceso alcanza
	Un nuevo equilibrio
	Pero obviamente hay un cambio en el proceso. Entonces, para identificar las variables que están contribuyendo al cambio. Y una cosa que puede mirar es una contribución principal.
	Trama
	Si ordeno esto y miro
	Las variables que más contribuyen. Parece que solo dos variables tienen grandes contribuciones y ambas miden la tasa de flujo de reacción en una corriente que ingresa al reactor.
	Y estos miden esencialmente lo mismo, excepto que uno es una variable de medición y el otro es una variable manipulada. y puedes ver
	En el gráfico de control de la universidad hay un gran cambio en el caudal.
	Este también. Y este es el cambio de paso que programé en la simulación. Entonces, estas contribuciones nos permiten identificar rápidamente la causa raíz.
	Así que voy a presentar algunos otros métodos alternativos para identificar la misma causa del cambio. Y la razón es que en datos reales.
	Los cambios de proceso son a menudo más sutiles y algunas de las herramientas pueden ser más útiles e identificarlos que otros y llegarán consistentemente a la misma conclusión con estos métodos alternativos. Así que mostrará algunas de las formas en que estos métodos están conectados
	Aquí abajo, tengo una planta de puntuación que puede proporcionar información adicional sobre los cambios en la planta de t cuadrada.
	Tiene una capacidad más limitada para capturar cambios dimensionales altos, porque solo se visualizan dos dimensiones del modelo a la vez; sin embargo, podemos proporcionar una visualización más intuitiva del proceso, ya que lo visualiza en una representación dimensional baja.
	Y, de hecho, una de las principales razones por las que los gráficos de control multivariante se dividen en t cuadrado y SPE en primer lugar es que proporciona suficiente reducción de dimensionalidad para visualizar fácilmente el proceso y el diagrama de dispersión.
	Así que queremos identificar las variables que son
	Causando el cambio. Así que voy a, voy a colorear los puntos antes y después del turno.
	Para que aparezcan en el gráfico de puntuación.
	Por lo general, cuando analizamos todas las combinaciones de los seis factores, pero eso es un montón de gráficos de puntuación para analizar
	Así que algo que es muy útil es la capacidad de pasar rápidamente por todas las combinaciones con esta flecha aquí abajo y podemos mirar a través de las combinaciones de factores y encontrar una donde haya una gran separación.
	Y si quisiéramos identificar dónde ocurrió el cambio por primera vez en los gráficos de puntaje, puede conectar los puntos y ver que el cambio ocurrió alrededor de 1125 nuevamente.
	Otra herramienta útil. Si quieres identificar
	Las dimensiones de puntuación, donde una observación muestra la separación más grande de los datos históricos y no desea ver todos los gráficos de puntuación, es el gráfico de puntuación normalizado. Así que seleccionaré un punto después del cambio y miraré el gráfico de puntaje normalizado.
	De hecho voy a elegir otro.
	Bueno.
jeremy ceniza	Porque quiero ver las dimensiones, cinco y seis. Entonces el
	Estos gráficos muestran la magnitud de la puntuación y cada dimensión normalizada, de modo que las dimensiones estén en la misma escala. Y dado que la media de los datos históricos es cero para cada puntaje para mencionar las dimensiones con la mayor magnitud, se mostrará la mayor separación.
	Entre el punto seleccionado y los datos históricos. Entonces parece que aquí, las dimensiones cinco y seis muestran la mayor separación y
	me voy a mudar a esos
	Así que aquí hay una gran separación entre nuestros
	Los datos desplazados y los datos históricos y la visualización de gráficos cuadrados también se pueden interpretar mejor porque puede usar las cargas variables para asignar significado a los factores.
	Y
	aquí tengo
	Tenemos demasiadas variables para ver todas las etiquetas para ellas.
	Cargando vectores, pero puede pasar el cursor sobre ellos y verlos. Y pueden ver, si miro en la dirección del cambio, las dos variables que fueron la causa también aparecen allí.
	También podemos explorar las diferencias entre los subgrupos en el proceso con las comparaciones de grupos para hacer eso, seleccionaré todos los puntos antes del turno en llamar al grupo de referencia y todo después en llamar al grupo que estoy comparando con la referencia
	Estos
	Y esta gráfica de contribución me dará las variables que más contribuyen a la diferencia entre estos dos grupos. Y puede ver que esto también identifica las variables que causaron el cambio.
	La herramienta de comparación de grupos es particularmente útil cuando hay múltiples cambios en un gráfico de puntuación, es decir, cuando puede ver más de dos subgrupos distintos en sus datos.
	En nuestro caso, estamos comparando un grupo en nuestros datos actuales con los datos históricos. También podríamos simplemente seleccionar los datos después del turno y mirar un gráfico de puntaje de contribución principal.
	Y esto nos dará
	Las contribuciones promedio de cada variable a las puntuaciones en el grupo naranja. Y dado que las puntuaciones grandes indican una gran diferencia con respecto a los datos históricos. Estos gráficos de contribución también pueden identificar la causa.
	Estos están usando la misma fórmula que la fórmula de contribución para t al cuadrado. Pero ahora solo estamos usando los dos factores del gráfico de puntuación.
	Está bien, voy a encontrar mi PowerPoint de nuevo.
	Muy rápido, voy a resumir las características clave del gráfico de control de múltiples variantes basado en modelos que se mostró en la demostración.
	La plataforma es capaz de realizar tanto la detección de fallas en línea como el diagnóstico de fallas fuera de línea. Hay muchos métodos que proporcionan la plataforma para profundizar hasta la causa raíz de las fallas.
	te estoy mostrando Aquí hay algunos gráficos del popular libro Detección y diagnóstico de fallas en sistemas industriales a lo largo de los autores del libro.
	Demostrar cómo se deben usar gráficas de control multivariadas y universales una al lado de la otra para tener una idea de lo que está sucediendo en el proceso.
	Y una función particularmente útil y un gráfico de control multivariado basado en modelos es su forma interactiva y fácil de usar. Es para cambiar entre estos tipos de gráficos.
	Así que esa es mi charla aquí. Aquí está mi correo electrónico. Si tiene más preguntas, y gracias a todos los que sintonizaron para ver esto.

FugarseAcceso y manipulación de datosCalidad y fiabilidadRe: Detección y diagnóstico de fallas del proceso Tennessee Eastman mediante gráficos de control multivariante (2020-US-45MP-606)

Jeremy, gracias por tu ayuda. Podría reproducir completamente su procedimiento.

Mi error trivial fue no abrir "monitoring_session.jmpprj" y "streaming_session.jmpprj" en instancias separadas de JMP ("JMP Home Window-JMP" y "JMP Home Window-JMP[2]").

Re: Detección y diagnóstico de fallas del proceso Tennessee Eastman mediante gráficos de control multivariante (2020-US-45MP-606)

@LKJP Feliz de que la información te haya funcionado y hayas podido hacer que esto funcione.Déjame saber si hay algo que podría mejorarse.Ojala el JMP publico te funcione. Debería si está usando 15.2, pero creo que hubo cambios en el JSL para impulsar a JMP Public en 16.

Re: Detección y diagnóstico de fallas del proceso Tennessee Eastman mediante gráficos de control multivariante (2020-US-45MP-606)

@LKJP Estás modificando el parámetro correcto.Creo que el problema probablemente sea que no está cambiando el tiempo de espera a un período de tiempo lo suficientemente largo.La unidad son segundos, por lo que probablemente desee probar algo como Esperar (3) para ver una desaceleración sustancial. Déjame saber si eso funciona para ti.

 

Puede consultar la documentación sobre el comando de espera en el índice de secuencias de comandos para obtener más información.  

Re: Detección y diagnóstico de fallas del proceso Tennessee Eastman mediante gráficos de control multivariante (2020-US-45MP-606)

Gracias por las actualizaciones.

Podría reproducir su procedimiento.

No usé JMP Public. Voy a intentarlo más tarde.

Una pregunta: la progresión de la transmisión es mucho más rápida que en su video.

Traté de aumentar "Esperar (.5)" de .5 a .9 pero no cambió mucho.

¿Estoy ajustando un parámetro incorrecto?

[stream_data]

// Reduzca la velocidad de la transmisión, para que pueda ver la progresión en los gráficos de control
Espera (.5);

Re: Detección y diagnóstico de fallas del proceso Tennessee Eastman mediante gráficos de control multivariante (2020-US-45MP-606)

@LKJP Olvidé agregar instrucciones para construir una base de datos SQL en el archivo Léame.Gracias por señalar esto.Acabo de actualizar el archivo Léame.

 

Hay algo de documentación aquí: https://www.jmp.com/support/help/en/16.0/index.shtml#page/jmp/save-data-tables-to-a-database.shtml .Pero el archivo Léame debería tener instrucciones más detalladas.

 

Jochen tiene razón en que la configuración es un poco más complicada en la Mac. Las conexiones ODBC son más complicadas en Mac en general. Pero creo que la mayoría de los usuarios deberían usar Windows para conexiones ODBC.

 

Avíseme si las instrucciones funcionan para usted y si tiene alguna otra pregunta.

 

 

Re: Detección y diagnóstico de fallas del proceso Tennessee Eastman mediante gráficos de control multivariante (2020-US-45MP-606)

@LKJP El procedimiento no es sencillo, ya que depende de su entorno, pero lo hice funcionar con la ayuda de Jeremy. Él es muy solidario. Hay un Léame en el ejemplo.zip que incluye nuestras lecciones aprendidas.

saludos

JK

Re: Detección y diagnóstico de fallas del proceso Tennessee Eastman mediante gráficos de control multivariante (2020-US-45MP-606)

Usted dijo en la sesión de transmisión que construyera una base de datos SQLite y conectara JMP a esta base de datos. Y que este procedimiento está en la página de inicio de la Comunidad.

¡No pude encontrarlo! ¡Puede que esté mirando un sitio equivocado! ¿Me podría indicar dónde puedo encontrar este procedimiento?

¡Gracias!

Luis

Re: Detección y diagnóstico de fallas del proceso Tennessee Eastman mediante gráficos de control multivariante (2020-US-45MP-606)

@David_Burnham ¡Lo lamento! Subí el archivo de nuevo.¡Desapareció misteriosamente!He notado que esto le ha sucedido a algunas otras personas en la comunidad recientemente.Avisaré a las personas pertinentes.¡Gracias!

Re: Detección y diagnóstico de fallas del proceso Tennessee Eastman mediante gráficos de control multivariados (2020-US-45MP-606)

¿El archivo zip de ejemplo todavía está disponible para descargar?