281538_ko-KR

liliconcom

다변수 제어 차트를 사용한 Tennessee Eastman 프로세스의 오류 감지 및 진단(2020-US-45MP-606)

레벨: 중급

 

Jeremy Ash, JMP 분석 소프트웨어 테스터, JMP

 

MDMVCC(Model Driven Multivariate Control Chart) 플랫폼을 사용하면 PCA 또는 PLS 모델을 기반으로 관리도를 작성할 수 있습니다. 이들은 고차원 데이터 세트의 오류 감지 및 진단에 사용할 수 있습니다. 실제 산업 화학 공정인 Tennessee Eastman 공정의 시뮬레이션을 사용하여 PLS 모델의 MDMVCC 모니터링을 시연합니다. 시뮬레이션 중에 화학 반응기가 기체 반응물로부터 액체 생성물을 생성할 때 품질 및 공정 변수가 측정됩니다. 오프라인 설정에서 오류 진단을 시연합니다. 여기에는 종종 다변량 관리도, 일변량 관리도 및 진단 도표 간의 전환이 포함됩니다. MDMVCC는 이러한 플롯 사이를 이동할 수 있는 사용자 친화적인 방법을 제공합니다. 다음으로 MDMVCC가 JMP를 외부 데이터베이스에 연결하여 온라인 모니터링을 수행하는 방법을 보여줍니다. 제품 품질 변수를 측정하는 데는 측정이 가능하기 전에 시간 지연이 수반되는 경우가 많으며 이로 인해 결함 감지가 상당히 지연될 수 있습니다. MDMVCC가 PLS 모델을 모니터링할 때 제품 품질 변수의 변동은 프로세스 변수의 함수로 모니터링됩니다. 프로세스 변수는 종종 더 쉽게 사용할 수 있기 때문에 결함을 조기에 감지하는 데 도움이 될 수 있습니다.

예제 파일

스트리밍_example.zip을 다운로드하고 압축을 풉니다.비디오의 예제를 따라하기 전에 수행해야 하는 몇 가지 추가 설정 지침이 포함된 README 파일이 있습니다.추가 오류 진단 예제도 제공됩니다. 문제를 발견하거나 질문이 있는 경우 커뮤니티에서 저에게 메시지를 보내주십시오.

 

 

 

자동 생성된 대본...

 

스피커	성적 증명서
제레미 애쉬	안녕하세요, 제레미 애쉬입니다. 저는 jump R amp D의 통계학자입니다. 제 직업은 주로 다변수 통계 플랫폼 테스트와 점프로 구성되어 있지만
	또한 방법론을 연구하고 평가하는 데 도움이 되며 오늘은 통계적 프로세스 제어 방법과 점프를 사용하여 Tennessee Eastman 프로세스를 분석할 것입니다.
	저는 점프에 새로 추가된 모델 기반 다변수 제어 차트 플랫폼에 특히 주의를 기울일 예정이며 이 플랫폼에 대해 정말 흥분하고 이러한 데이터는 일부 기능을 선보일 수 있는 새로운 기회를 제공했습니다.
	먼저, 저는 이 강연에서 통계적 프로세스 제어에 대한 지식을 어느 정도 알고 있다고 가정합니다.
	당신이 알아야 할 주요 사항은 관리도입니다. 당신이 이것들에 익숙하지 않다면. 이들은 복잡한 산업 시스템을 모니터링하여 정상 작동 조건에서 벗어날 때를 결정하는 데 사용되는 차트입니다.
	방법론과 모델 기반 다변수 관리 차트에 대해 설명할 시간이 많지 않습니다. 그래서 저는 무료로 제공되는 다른 훌륭한 강연들을 참조할 것입니다.
	자세한 사항은. 또한 Jim이 발견한 것이 모델 기반 다변수 제어 차트의 주요 개발자였으며 Chris Got Walt 및 Tanya Malden과 공동으로 테스터였다는 점을 언급해야 합니다.
	따라서 이 강연의 초점은 다변수 제어 차트를 사용하여 실제 화학 공정을 모니터링하는 것입니다.
	이 강연의 또 다른 새로운 측면은 온라인 프로세스 모니터링을 위해 제어 차트를 사용하는 것입니다. 즉, 데이터베이스에 추가되고 실시간으로 오류를 문자 메시지로 보낼 때 데이터를 지속적으로 모니터링한다는 의미입니다.
	따라서 다변수 관리도의 장점에 대한 필수 슬라이드부터 시작하겠습니다. 따라서 대학 제어 차트를 사용하지 않는 이유는 무엇입니까? 훌륭한 옵션과 점프가 많이 있습니다.
	대학 관리도는 한 번에 몇 가지 변수를 분석하는 데 탁월한 도구입니다. 그러나 품질 관리 데이터 세트는 종종 고차원적입니다.
	그리고 살펴봐야 하는 차트의 수는 순식간에 압도적이 될 수 있습니다. 따라서 다변수 관리도는 고차원 프로세스를 요약합니다. 몇 개의 차트만 있으면 이것이 주요 이점입니다.
	그러나 이것이 대학 관리도가 이 설정에서 유용하지 않다는 말은 아닙니다. 당신은 결함 진단이 종종 관리도 대학의 다변수 사이를 전환하는 것을 포함한다는 것을 이야기 전반에 걸쳐 보게 될 것입니다.
	다변량 관리도는 공정의 전반적인 상태를 잘 보여줍니다. 대학 관리도를 사용하면 다음을 수행할 수 있습니다.
	특정 측면을 보십시오. 따라서 정보는 상호 보완적이며 모델 기반 다변량 관리도의 주요 목표 중 하나는 이러한 두 가지 유형의 차트 간에 쉽게 전환할 수 있는 도구를 제공하는 것입니다.
	대학 관리 차트의 한 가지 단점은 관측치가 실제로 다변수 의미에서 통제 불능 상태일 때 통제 상태에 있는 것처럼 보일 수 있다는 것입니다. 그래서 나는해야한다
	오일 및 밀도에 대한 IR 차트를 제어하면 빨간색으로 표시된 이 두 가지 관찰이 제어되지만 오일과 밀도는 높은 상관 관계가 있습니다. 그리고 이러한 관찰은 특히 관찰 51이 상관 구조를 심각하게 위반하는 다변수 의미에서 이상값입니다.
	따라서 다변수 관리도는 이러한 유형의 이상값을 포착할 수 있습니다. 대학 관리도를 사용할 수 없는 경우
	모델 기반 다변수 관리도는 투영 방법을 사용하여 관리도를 구성합니다. PCA부터 구축하기 쉽기 때문에 PCA를 설명하는 것으로 시작하겠습니다.
	PCA는 저차원 공간에 투영하여 프로세스 변수의 차원을 줄입니다.
	이것은 오른쪽 그림에 나와 있습니다. 우리는 p 프로세스 변수와 관찰을 가지고 있으며 프로세스의 차원을 p보다 훨씬 작게 줄이고자 합니다.
	이를 위해 우리는 점수 변수를 제공하는 X 변수의 선형 조합에 대한 계수를 제공하는 이 P 로딩 행렬을 사용합니다. 표시된 것과 방정식은 왼쪽에 있습니다.
	티 타임 P는 낮은 차원 표현으로 프로세스 변수에 대한 예측 값을 제공합니다. 그리고 예측 공기가 있고 점수 변수가 선택됩니다.
	이 제곱 예측 공기를 최소화하는 방식으로. 그것에 대해 생각하는 또 다른 방법은 설명된 분산의 양을 최대화하는 것입니다.
	Pls는 일련의 프로세스 변수와 일련의 품질 변수가 있고 품질 변수를 지속적으로 관리하고 싶지만 이러한 변수를 수집하는 데 비용이 많이 들거나 시간이 많이 소요되는 경우에 더 적합합니다.
	행성에서 결함이 감지되기 전에 오랫동안 제어 품질을 벗어날 수 있으므로
	Pls 모델을 사용하면 프로세스 변수의 함수로 품질 변수를 모니터링할 수 있습니다. 그리고 여기에서 pls가 y 변수에 설명된 분산을 최대화하는 점수 변수를 찾는 것을 볼 수 있습니다.
	프로세스 변수는 종종 더 저렴하고 더 쉽게 사용할 수 있습니다. 따라서 pls 모델을 사용하면 품질 결함을 조기에 감지할 수 있고 프로세스 모니터링을 더 저렴하게 만들 수 있습니다.
	그럼 여기서부터. pls 모델이 우리 예에 더 적합하기 때문에 저는 pls 모델에 집중할 것입니다.
	따라서 pls는 데이터를 두 개의 구성 요소로 분할합니다. 첫 번째 구성 요소는 모델 구성 요소입니다. 이것은 당신에게 예측된 값을 제공합니다.
	데이터가 점수 변수에 의해 정의된 모델 평면에 투영되었고 t 제곱 차트가 이 모델 평면의 변동을 모니터링하므로 이에 대해 생각하는 또 다른 방법입니다.
	두 번째 구성 요소는 오류 구성 요소입니다. 이것은 원래 데이터와 예측 데이터 및 제곱 예측 오차 차트 사이의 거리입니다. sp 차트가 모니터링합니다.
	이 구성 요소의 변형
	우리는 또한 모델 x 평면에 대한 대체 거리를 제공합니다. 이것은 sp의 정규화된 버전일 뿐입니다.
	데모에서 이해하는 데 중요한 마지막 개념은 과거 데이터와 현재 데이터를 구분하는 것입니다.
	프로세스가 제어 상태에 있는 것으로 알려진 경우 일반적으로 수집되는 과거 데이터. 이 데이터는 PLS 모델을 구축하고 정의하는 데 사용됩니다.
	정상적인 프로세스 변동. 그리고 이를 통해 현재 데이터를 얻을 수 있는 제어 한계가 모델을 기반으로 점수가 할당되지만 모델과 독립적입니다.
	이에 대해 생각하는 또 다른 방법은 훈련 및 테스트 세트가 있고 훈련 데이터에 대한 t 제곱 제어 한계가 더 낮다는 것입니다.
	모델을 훈련하는 데 사용되는 관찰은 더 큰 변동성과 t 제곱이 있습니다. 일반화된 모델이 테스트 세트인 경우. 그리고 다행스럽게도 몇 가지 이론이 해결되었습니다.
	일부 분포 가정을 기반으로 제어 한계를 얻을 수 있도록 하는 T 제곱의 변형.
	데모에서는 Tennessee Eastman 프로세스를 모니터링합니다. 이 데이터에 대해 간략히 소개하겠습니다.
	이것은 Downs와 Bogle이 Eastman Chemical의 화학자들에게 개발한 화학 공정의 시뮬레이션이며 원래 Fortran으로 작성되었지만 현재 MATLAB 및 Python에서 이에 대한 래퍼가 있습니다.
	시뮬레이션은 실제 산업 프로세스를 기반으로 했지만 독점 정보를 보호하기 위해 조작되었습니다.
	시뮬레이션 프로세스. 액체로의 생산.
	반응물과 F를 가스화함으로써 원하는 생성물에서 사이펀으로 제거해야 하는 부산물입니다.
	다변량 공정 제어 방법 벤치마킹에 대한 문헌에 2계절 공정이 널리 퍼져 있습니다.
	이것이 프로세스 다이어그램입니다. 복잡해 보이지만 실제로는 그렇게 나쁘지 않습니다. 그래서 내가 당신을 안내하겠습니다.
	기체 반응물은 여기에서 반응기로 흐르고 반응이 일어나고 생성물은 기체로 남습니다. 그것은 냉각되고 액체와 콘덴서로 응축됩니다.
	그런 다음 남은 증기를 제거하고 압축기를 통해 반응기로 다시 재활용하는 증기 액체 분리기가 있으며 여기에는 퍼지 스트림도 있습니다.
	부산물과 예술 화학 물질이 축적되는 것을 방지하기 위해 배출된 다음 액체 제품은 스트리퍼를 통해 펌핑되어 나머지 반응물이 제거되고 최종 정제된 제품이 출구 스트림에 남습니다.
	모니터링되는 첫 번째 변수 집합은 조작된 변수입니다. 나비 넥타이와 다이어그램처럼 보입니다.
	그것들이 실제로 밸브와 조작 변수로 의도되었다고 생각하십시오. 대부분 프로세스의 다른 흐름을 통해 유속을 제어합니다.
	이러한 변수는 제한 내에서 특정 값으로 설정할 수 있으며 약간의 가우스 노이즈가 있으며 조작 변수는 임의의 비율로 샘플링할 수 있습니다. 기본 3분 샘플링을 사용하고 있습니다.
	조작 변수의 몇 가지 예는 반응기로의 반응물의 유속입니다.
	스트리퍼로 유입되는 증기의 유속.
	그리고 원자로로의 냉각수의 흐름
	다음 변수 세트는 측정 변수입니다. 이들은 다이어그램에서 원으로 표시되고 3분 간격으로 샘플링되며 차이점은 측정 변수는 시뮬레이션에서 조작할 수 없다는 것입니다.
	우리의 품질 변수는 볼 수 있는 액체 제품에 대한 구성 비율입니다.
	여기에서 조성을 측정하는 분석기.
	이러한 변수는 상당한 시간 지연으로 수집되므로
	스트림에서 제품을 보고 있는 이유는
	이러한 변수는 출구 스트림으로 나가는 제품보다 더 쉽게 측정할 수 있습니다. 또한 모니터링할 pls 모델을 구축할 것입니다.
	더 빠른 샘플링 속도에서 지연이 상당히 적은 프로세스 변수를 사용하여 품질 변수를 모니터링합니다.
	자, 이것이 데이터에 대한 배경입니다. 품질 변수에는 총 33개의 프로세스 변수가 있습니다.
	변수를 수집하는 프로세스는 일련의 미분 방정식으로 시뮬레이션됩니다. 그래서 이것은 단지 시뮬레이션입니다. 하지만 모델 모델링에 상당한 공을 들인 것을 알 수 있습니다. 이것은 실제 프로세스입니다.
	여기 데모에 대한 개요가 있습니다. 저희 프로세스에 대한 데이터를 수집한 다음 이 데이터를 데이터베이스에 저장하는 방법을 보여드리겠습니다.
	쉽게 공유할 수 있는 예시를 갖고 싶었습니다. 따라서 나는 후속 라이트 데이터베이스를 사용할 것이지만 이 워크플로는 대부분의 데이터베이스 유형과 관련이 있습니다.
	대부분의 데이터베이스는 데이터베이스에 점프가 연결되면 주기적으로 새로운 관찰을 확인하고 들어오는 점프 테이블을 업데이트할 수 있는 이상한 참조 연결을 지원합니다.
	그런 다음 자동 재계산이 켜져 있는 모델 기반 다변량 관리도 보고서가 열려 있는 경우입니다. 새로운 데이터가 들어올 때 관리도를 업데이트하는 메커니즘이 있습니다.
	그리고 데이터베이스에 데이터를 추가하는 전체 프로세스는 모니터링을 수행하는 컴퓨터와 별도의 컴퓨터에서 진행될 것입니다.
	그래서 나는 이것을 에뮬레이트하기 위해 두 세션의 점프 오픈을 가졌습니다. 두 세션 모두 커뮤니티에서 제공되는 자료에 자체 저널이 있습니다.
	그리고 첫 번째 세션은 시뮬레이션된 데이터를 데이터베이스에 추가하고 이를 스트리밍 세션이라고 하고 다음 세션은 보고서가 데이터베이스에 들어올 때 보고서를 업데이트합니다. 저는 이를 모니터링 세션이라고 부릅니다.
	내가 downs와 Vogel 논문에 대해 정말 좋아했던 것 중 하나는 그들이 프로세스의 제어를 평가하기 위한 단일 메트릭을 제공하지 않았다는 것입니다. 여기 신문에서 인용한 내용이 있습니다. 우리는 느꼈다
	우리는 가능한 제어 전략과 기술 간의 절충이 수학적 표현보다 훨씬 더 중요하다고 느꼈습니다.
	따라서 우리 문제와 관련하여 그들이 논문에 나열한 목표 중 일부는 원하는 값이 교란 중 제품 품질의 변동성을 최소화하고 교란으로부터 빠르고 원활하게 복구하는 프로세스 변수를 유지하는 것입니다.
	따라서 모니터링 방법을 사용하여 프로세스가 이러한 목표를 얼마나 잘 달성하는지 평가할 것입니다.
	괜찮아.
	시작하기 위해 저는 모니터링 세션 저널에 있습니다. 첫 번째로 전송된 데이터를 보여드리겠습니다. 데이터 테이블에는 앞서 소개한 모든 변수가 포함되어 있습니다. 첫 번째 세트는 측정 변수입니다. 다음으로 구성 변수를 설정합니다. 그리고 마지막 집합은 조작된 변수입니다.
	그리고 여기에 첨부된 첫 번째 스크립트는 테스트 세트인 마지막 백 장미를 제외하고 pls 모델에 맞습니다.
	그리고 다시 상기시켜드리자면, 이 모델은 프로세스 변수의 함수로 두 가지 제품 구성 변수를 예측하지만 pls 모델 또는 PLS는 논의의 초점이 아닙니다. 그래서 이미 여기에 모델 및 출력 점수 열을 맞추었습니다.
	열 속성을 보면. 모든 정보가 포함된 MD MCC 기록 통계 속성이 있음을 알 수 있습니다.
	다변량 관리도를 구성해야 하는 모델에서. 모니터링 다변량 관리도가 이러한 방식으로 설계된 이유 중 하나는 다음과 같습니다.
	당신이 통계학자이고 엔지니어와 모델을 공유하여 그들이 관리도를 구성할 수 있기를 원한다고 상상해 보십시오. 이러한 수식 열이 포함된 데이터 테이블을 제공하기만 하면 됩니다. 모델을 맞추는 방법에 대한 모든 세부 사항을 공유할 필요는 없습니다.
	다음으로 점수 열을 사용하여 제어 턴을 생성하겠습니다.
	왼쪽에서 나는 모델을 추정하는 데 사용된 860개의 관측값이 있는 차트 t 제곱과 SPE를 제어해야 합니다. 그리고 이것들은 역사적으로 레이블이 지정되고 테스트 세트로 나온 100개의 관찰이 있습니다.
	그리고 여기 아래에 있는 한계 요약에서 여러 테스트에 대한 수정만을 위해 결합을 수행했음을 알 수 있습니다.
	과거 데이터를 기반으로 합니다. 여기 빨간색 삼각형 메뉴에서 이 작업을 수행했습니다. 알파 레벨, 원하는 모든 것을 설정할 수 있습니다.
	데이터가 정상 작동 조건으로 알려져 있기 때문에 이 수정을 수행했습니다. 따라서 통제 불능의 관측치가 없을 것으로 예상하고 이 다중성 조정 후에 잘못된 경보가 0개 있습니다.
	오른쪽 또는 기여 비율 히트 맵. 이것은 각 변수가 외부 제어 신호에 얼마나 기여하는지를 나타내며 각 관찰이 Y축에 있고 기여도는 비율로 표시됩니다.
	그리고 이 두 도표에서 기여도가 변수 전체에 꽤 고르게 분포되어 있음을 볼 수 있습니다.
	그리고 하단에. 점수 공장이 있습니다.
	지금은 첫 번째 점수 차원 대 두 번째 점수 차원을 표시하고 있지만 이 드롭다운 메뉴나 이 화살표를 사용하여 점수 차원의 모든 조합을 볼 수 있습니다.
	알겠습니다. 보고서에 집중하고 있으므로 모니터링 세션으로 전환하겠습니다.
	데이터를 데이터베이스로 스트리밍합니다.
	이 예에 대해 무엇이든 하려면 속편 라이트 홀수 드라이버가 설치되어 있어야 합니다. 하기 쉽습니다. 여기 이 링크를 따라가시면 됩니다.
	이에 대해 이야기할 시간이 없지만 후속 라이트 데이터베이스를 만들었습니다. 사용하고 점프하겠습니다. 이 작업을 수행하는 방법과 커뮤니티 웹 페이지에서 데이터베이스에 점프를 연결하는 방법에 대한 지침이 있습니다.
	이것은 자신의 날짜에 이것을 시도하려는 경우에 도움이 될 수 있는 예입니다.
	이 데이터베이스에 대한 연결을 이미 만들었습니다.
	그리고 커뮤니티에서 데이터베이스를 공유했습니다. 그래서 쿼리 빌더의 데이터 테이블을 살펴보겠습니다.
	나는 그 테이블 스냅샷을 할 수 있다
	첫 번째 데이터 세트는 pls 모델을 구성하는 데 사용한 과거 데이터입니다. 제어할 수 있는 960개의 관측치가 있습니다.
	다음 데이터 테이블은 모니터링 데이터 테이블입니다. 이 테이블에는 처음에는 과거 데이터만 포함되어 있지만 점차적으로 여기에 새 데이터를 추가할 것이며 이것이 우리의 다변수 관리 차트가 모니터링할 것입니다.
	그런 다음 새 데이터를 이미 시뮬레이션하고 여기 이 데이터 테이블에 추가했으며 타임스탬프 961에서 시작하는 것을 확인했습니다.
	그리고 또 다른 960개의 관찰이 있습니다. 하지만 저는 어떤 시점에서 결함을 도입했습니다.
	그리고 쉽게 공유할 수 있는 것을 갖고 싶었습니다. 따라서 시뮬레이션 스크립트를 실행하고 그런 식으로 데이터베이스를 추가하지 않을 것입니다.
	저는 이 새로운 데이터 테이블에서 관찰을 취하고 후속 명령문이 있는 일부 JSON을 사용하여 모니터링 데이터 테이블로 이동할 것입니다.
	그리고 이것은 데이터베이스로 들어오는 새로운 데이터의 프로세스를 에뮬레이트하는 간단한 예일 뿐입니다. 어떻게든 실제로 점프로 이 작업을 수행하지 않을 수도 있습니다. 그러나 이것은 ASL로 어떻게 할 수 있는지 보여줄 기회입니다.
	다음으로 데이터를 스트리밍하는 데 사용할 스크립트를 보여 드리겠습니다.
	이것은 간단한 스크립트입니다. 그래서 정말 빠르게 안내해 드리겠습니다.
	첫 번째 명령 세트는 후속 조명 데이터베이스에서 새 데이터 테이블을 열고 백그라운드에서 열립니다. 따라서 창을 처리해야 하며 이 새 데이터 테이블에서 일부를 가져와서
	그것들을 모니터링 데이터 테이블로 옮깁니다. 저는 조각을 물고 BITE SIZES 20이라고 부릅니다.
	그런 다음 데이터베이스 연결을 생성하여 데이터베이스 SQL 문을 보낼 수 있습니다. 그런 다음 이 마지막 코드 비트는 모니터링 데이터에 새 데이터를 삽입하는 후속 명령문을 대화식으로 구성합니다. 그래서 초기화를 해보겠습니다
	자, 이 루프의 첫 번째 반복을 보여주세요.
	그래서 이것은 단순한
	SQL 문은 처음 20개의 관찰을 삽입하는 문에 삽입합니다.
	시작이 더 빨리 실행된다는 의견. 그리고 여기 아래에 대기 내역서가 있습니다. 이것은 단지 스트림을 느리게 할 것입니다.
	데이터와 관리도의 진행 상황을 볼 수 있는 충분한 시간이 있으므로 이 스트리밍 예제가 없으면 너무 빨리 끝났을 것입니다.
	좋아, 그래서 내가 갈거야
	모니터링 세션으로 다시 전환하고 보고서를 업데이트할 몇 가지 스크립트를 표시합니다.
	이것을 오른쪽으로 옮깁니다. 따라서 보고서와 스크립트를 동시에 볼 수 있습니다.
	그래서,
	이 모니터링 데이터 스크립트에서 읽기는 2초마다 데이터베이스를 확인하고 점프 테이블에 새 데이터를 추가하는 간단한 스크립트입니다. 보고서에 자동 재계산이 켜져 있기 때문입니다.
	보고서는 새 데이터가 추가될 때마다 업데이트됩니다. 그리고 현실적으로 추가해야합니다. 아마도 이와 같이 통합되는 스크립트를 사용하지 않을 것입니다. 아마도 작업 스케줄러를 사용하고 창은 자동화되고 Max는 실행 일정을 예약하는 것이 좋습니다.
	그리고 여기에 다음 스크립트가 있습니다.
	보고서가 업데이트될 때마다 보고서를 푸시하여 공개로 이동합니다.
	이것이 가능하다는 사실에 정말 흥분하고 뛰어올랐다.
	웹 브라우저가 있는 모든 컴퓨터에서 관리도에 대한 업데이트를 볼 수 있습니다. 스마트폰에서도 보고서를 볼 수 있습니다. 따라서 조직 간에 결과를 쉽게 공유할 수 있습니다. 보고서가 제한된 서버에 있기를 원하는 경우 점프 라이브를 사용할 수도 있습니다.
	그런 다음 스크립트는 예제를 여러 번 실행하려는 경우에 대비하여 기록 데이터와 데이터 테이블을 다시 생성합니다.
	자, 스트리밍 스크립트를 실행해 보겠습니다.
	그리고 보고서가 어떻게 업데이트되는지 살펴보십시오.
	처음에는 데이터가 제어되고 있음을 알 수 있지만 오류가 발생하고 제어 불능 신호가 크지만 구현된 플랜트 전체 제어 시스템과 시스템을 새로운 평형 상태로 가져오는 시뮬레이션이 있습니다.
	나는 이것을 끝내기 위해 잠시 시간을 준다.
	이제 관리도를 업데이트했습니다. 결과를 공개하여 공개하겠습니다.
	내 점프 공개 페이지에는 처음에 데이터와 컨트롤이 있는 컨트롤 차트가 처음에 있습니다.
	그리고 이것은 데이터 추가로 업데이트되어야 합니다.
	따라서 프로세스가 처음으로 통제 불능 상태가 된 시점을 확대하면.
	당신의
제레미 애쉬	샘플 1125인 것 같습니다. 색상을 지정하겠습니다.
	그리고 라벨을 붙이세요.
	다른 플롯에 나타나도록 한 다음
	SP 플롯에서 이 관찰이 여전히 통제되는 것처럼 보입니다.
	그리고 어떤 차트가 더 일찍 결함을 포착할 것인지는 모델에 따라 다릅니다. 얼마나 많은 요소를 선택했는지
	우리는 또한 확대 할 수 있습니다
	기여도 플롯의 해당 시점. 그리고 당신은 과정을 볼 수 있습니다. 먼저 통제 불능 상태가 됩니다. 제어 불능 신호에 기여하는 많은 변수가 있습니다. 그러나 시스템이 새로운 균형에 도달하면 두 변수만 큰 기여를 합니다.
	진단 섹션에서 더 많은 공간을 확보할 수 있도록 이 히트 맵을 제거하겠습니다.
	그리고 텍스트가 화면에 표시되도록 모든 것을 꽤 크게 만듭니다.
	첫 번째 지점 위로 마우스를 가져가면 제어할 수 없습니다. 상위 10개 기여 변수를 엿볼 수 있습니다.
	이는 제어 불능 신호에 가장 기여하는 변수를 빠르게 식별하는 데 유용합니다. 해당 플롯을 클릭하고 진단 섹션에 추가할 수도 있습니다.
	제어 불능 신호에 기여하는 많은 변수가 있음을 알 수 있습니다.
	여기를 조금 확대해 보세요.
	따라서 막대 중 하나가 빨간색이면. 이는 변수가 통제 불능 상태임을 의미합니다.
	범용 관리도에서. 막대 위로 마우스를 가져가면 이를 확인할 수 있습니다.
	난 패닝할거야, 그 중 몇 개
	그리고 이 그래프는 3개의 시그마 제어 한계가 있는 개별 변수에 대한 IR 차트입니다.
	스트리퍼 압력 변수를 볼 수 있습니다. 관찰은 대학 관리도에서 통제할 수 없지만 변수는 결국 우리 통제 시스템에 의해 통제 하에 돌아옵니다. 그리고 그것은 사실입니다
	대부분의
	큰 기여 변수 및 관찰이 통제되는 변수 중 하나를 보여줍니다.
	따라서 제어 시스템이 응답하면 많은 변수가 다시 제어되고 프로세스가 다음 단계에 도달합니다.
	새로운 균형
	그러나 그 과정에서 분명히 변화가 있습니다. 따라서 변화에 기여하는 변수를 식별합니다. 그리고 당신이 볼 수 있는 한 가지는 주요 기여입니다.
	구성
	이렇게 정리해서 보면
	가장 기여하는 변수. 단지 두 개의 변수가 큰 기여를 하는 것처럼 보이며 둘 다 반응기로 들어오는 스트림의 반응 유량을 측정하고 있습니다.
	그리고 이것들은 하나는 측정 변수이고 하나는 조작 변수라는 점을 제외하고 본질적으로 동일한 것을 측정하고 있습니다. 그리고 당신은 볼 수 있습니다
	대학 제어 차트에서 유량에 큰 단계 변화가 있습니다.
	이것도. 그리고 이것은 시뮬레이션에서 프로그래밍한 단계 변경입니다. 따라서 이러한 기여를 통해 근본 원인을 신속하게 식별할 수 있습니다.
	그래서 나는 같은 변화의 원인을 식별하기 위해 몇 가지 다른 대안을 제시할 것입니다. 그리고 그 이유는 실제 데이터에 있습니다.
	프로세스 이동은 종종 더 미묘하며 일부 도구는 다른 도구보다 더 유용하고 식별할 수 있으며 이러한 대체 방법을 사용하여 일관되게 동일한 결론에 도달합니다. 따라서 이러한 메서드가 연결되는 몇 가지 방법을 보여줍니다.
	여기 아래에 t 제곱 식물의 이동에 대한 보충 정보를 제공할 수 있는 점수 식물이 있습니다.
	모델의 2차원만 한 번에 시각화되기 때문에 고차원 이동을 캡처하는 능력이 더 제한적입니다. 그러나 시각적으로 저차원 표현으로 시각화하므로 프로세스를 보다 직관적으로 시각화할 수 있습니다.
	그리고 사실 다변수 관리도를 t제곱과 SPE로 나누는 주된 이유 중 하나는 프로세스와 산점도를 쉽게 시각화할 수 있을 만큼 충분한 차원 축소를 제공하기 때문입니다.
	그래서 우리는 다음과 같은 변수를 식별하고 싶습니다.
	교대를 유발합니다. 그래서 저는 교대 전후에 점들을 색칠할 것입니다.
	스코어 플롯에 표시되도록 합니다.
	일반적으로 6가지 요소의 모든 조합을 살펴볼 때 살펴봐야 할 점수 플롯이 많습니다.
	따라서 매우 편리한 것은 여기 아래에 있는 이 화살표를 사용하여 모든 조합을 빠르게 순환할 수 있는 기능입니다. 우리는 요인 조합을 살펴보고 큰 차이가 있는 조합을 찾을 수 있습니다.
	그리고 스코어 플롯에서 이동이 처음 발생한 위치를 식별하려는 경우 점을 연결하고 이동이 1125 주변에서 다시 발생했음을 확인할 수 있습니다.
	또 다른 유용한 도구입니다. 식별하고 싶다면
	관측치가 과거 데이터와 가장 크게 분리되어 있고 모든 점수 도표를 살펴보고 싶지 않은 점수 차원은 정규화된 점수 도표입니다. 따라서 교대 근무 후 한 지점을 선택하고 정규화된 점수 도표를 살펴보겠습니다.
	사실 다른 걸 선택하려고요.
	괜찮아.
제레미 애쉬	차원, 5, 6을 보고 싶기 때문입니다. 그래서
	이 플롯은 차원이 동일한 척도에 있도록 표준화된 각 차원과 점수의 크기를 보여줍니다. 그리고 과거 데이터의 평균은 각 점수에 대해 0이 가장 큰 차원을 언급하기 때문에 가장 큰 분리를 보여주기 때문입니다.
	선택한 지점과 과거 데이터 사이. 5차원과 6차원이 가장 크게 분리되어 있는 것처럼 보입니다.
	나는 그것들로 이동할 것이다.
	그래서 우리 사이에는 큰 차이가 있습니다.
	변수 로딩을 사용하여 요인에 의미를 할당할 수 있기 때문에 이동된 데이터와 과거 데이터 및 정사각형 플롯 시각화도 더 잘 해석될 수 있습니다.
	그리고
	여기 내가 가지고있다
	변수가 너무 많아 모든 레이블을 볼 수 없습니다.
	벡터를 로드하지만 마우스를 가져가면 벡터를 볼 수 있습니다. 그리고 변화의 방향을 보면 원인이 된 두 변수도 거기에 나타나는 것을 볼 수 있습니다.
	우리는 또한 그룹 비교를 통해 프로세스에서 하위 그룹 간의 차이점을 탐색할 수 있습니다. 그렇게 하기 위해 참조 그룹을 호출하기 전에 모든 점을 선택하고 참조 그룹과 비교하는 호출 후 모든 포인트를 선택합니다.
	이것들
	그리고 이 기여도는 이 두 그룹의 차이에 가장 크게 기여하는 변수를 알려줄 것입니다. 그리고 이것이 이동을 일으킨 변수도 식별한다는 것을 알 수 있습니다.
	그룹 비교 도구는 데이터에서 두 개 이상의 개별 하위 그룹을 볼 수 있는 경우와 같이 점수 도표에 여러 이동이 있을 때 특히 유용합니다.
	우리의 경우에는 현재 데이터의 그룹을 과거 데이터와 비교하고 있습니다. 교대 후 데이터를 선택하고 주요 기여 점수 도표를 볼 수도 있습니다.
	그리고 이것은 우리에게 줄 것입니다
	주황색 그룹의 점수에 대한 각 변수의 평균 기여도. 그리고 큰 점수는 과거 데이터와 큰 차이를 나타내기 때문입니다. 이러한 기여도는 원인을 식별할 수도 있습니다.
	이들은 동일한 공식을 사용하여 t제곱에 대한 기여 공식입니다. 그러나 이제 우리는 점수 플롯의 두 가지 요소를 사용하고 있습니다.
	좋아, 내 파워포인트를 다시 찾을거야.
	정말 빨리, 나는 데모에 표시된 모델 기반 다중 변형 관리 차트의 주요 기능을 요약할 것입니다.
	플랫폼은 온라인 오류 감지와 오프라인 오류 진단을 모두 수행할 수 있습니다. 결함의 근본 원인을 드릴다운하기 위한 플랫폼을 제공하는 많은 방법이 있습니다.
	보여주고 있어요. 다음은 책 저자 전반에 걸쳐 산업 시스템에서 널리 사용되는 책 결함 감지 및 진단의 일부 플롯입니다.
	프로세스에서 무슨 일이 일어나고 있는지 이해하기 위해 다변수 및 범용 관리도를 나란히 사용하는 방법을 보여줍니다.
	특히 유용한 기능 및 모델 기반 다변수 제어 차트는 대화형 및 사용자 친화적인 방법입니다. 이러한 유형의 차트 간에 전환하는 것입니다.
	여기까지가 제 얘기입니다. 여기 내 이메일이 있습니다. 추가 질문이 있는 경우 시청에 관심을 가져주신 모든 분들께 감사드립니다.

브레이크아웃데이터 액세스 및 조작품질 및 신뢰성Re: 다변수 제어 차트를 사용한 Tennessee Eastman 프로세스의 오류 감지 및 진단(2020-US-45MP-606)

제레미, 도와줘서 고마워. 나는 당신의 절차를 완전히 재현할 수 있습니다.

내 사소한 실수는 JMP의 개별 인스턴스("JMP 홈 창-JMP" 및 "JMP 홈 창-JMP[2]")에서 "monitoring_session.jmpprj" 및 "streaming_session.jmpprj"를 열지 않은 것입니다.

Re: 다변수 제어 차트를 사용한 Tennessee Eastman 프로세스의 오류 감지 및 진단(2020-US-45MP-606)

@LKJP 정보가 도움이 되어 기쁘고 이 작업을 수행할 수 있었습니다.개선할 수 있는 사항이 있으면 알려주십시오.JMP 공개가 귀하에게 도움이 되기를 바랍니다. 15.2를 사용하는 경우 그래야 하지만 16에서 JMP Public으로 푸시하기 위해 JSL에 변경 사항이 있다고 생각합니다.

Re: 다변수 제어 차트를 사용한 Tennessee Eastman 프로세스의 오류 감지 및 진단(2020-US-45MP-606)

@LKJP 올바른 매개변수를 수정하고 있습니다.문제는 대기 시간을 충분히 긴 시간으로 변경하지 않는 것입니다.단위는 초이므로 상당한 속도 저하를 보기 위해 Wait(3)과 같은 것을 시도하고 싶을 것입니다. 그것이 당신을 위해 작동하는지 알려주십시오.

 

자세한 내용은 스크립팅 인덱스에서 wait 명령에 대한 설명서를 확인할 수 있습니다.  

Re: 다변수 제어 차트를 사용한 Tennessee Eastman 프로세스의 오류 감지 및 진단(2020-US-45MP-606)

업데이트해주셔서 감사합니다.

나는 당신의 절차를 재현할 수 있습니다.

JMP Public을 사용하지 않았습니다. 나는 나중에 그것을 시도합니다.

한 가지 질문: 스트림 진행이 비디오보다 훨씬 빠릅니다.

"Wait(.5)"를 .5에서 .9로 높이려고 했지만 크게 달라지지 않았습니다.

잘못된 매개변수를 조정하고 있습니까?

[스트림 데이터]

// 제어 차트에서 진행 상황을 볼 수 있도록 스트림 속도를 줄입니다.
대기(.5);

Re: 다변수 제어 차트를 사용한 Tennessee Eastman 프로세스의 오류 감지 및 진단(2020-US-45MP-606)

@LKJP 추가 정보에 SQL 데이터베이스 구성 지침을 추가하는 것을 잊었습니다.지적해주셔서 감사합니다.방금 readme를 업데이트했습니다.

 

여기에 몇 가지 문서가 있습니다. https://www.jmp.com/support/help/en/16.0/index.shtml#page/jmp/save-data-tables-to-a-database.shtml .그러나 readme에는 더 자세한 지침이 있어야 합니다.

 

Mac에서 설정이 약간 더 복잡하다는 Jochen의 말이 맞습니다. ODBC 연결은 일반적으로 Mac에서 더 복잡합니다. 그러나 사용자는 ODBC 연결을 위해 대부분 Windows를 사용해야 한다고 생각합니다.

 

지침이 도움이 되는지, 다른 질문이 있는 경우 알려주세요.

 

 

Re: 다변수 제어 차트를 사용한 Tennessee Eastman 프로세스의 오류 감지 및 진단(2020-US-45MP-606)

@LKJP 환경에 따라 다르므로 절차가 간단하지 않지만 Jeremys의 도움으로 작업하게 되었습니다. 그는 매우지지적입니다. 우리가 배운 내용이 포함된 example.zip에 Readme가 있습니다.

문안 인사

JK

Re: 다변수 제어 차트를 사용한 Tennessee Eastman 프로세스의 오류 감지 및 진단(2020-US-45MP-606)

스트리밍 세션에서 SQLite 데이터베이스를 구성하고 JMP를 이 DB에 연결한다고 말했습니다. 그리고 이 절차는 커뮤니티 홈페이지에 있습니다.

나는 그것을 찾을 수 없었다! 잘못된 사이트를 보고 있을 수 있습니다! 이 절차를 찾을 수 있는 곳을 알려 주시겠습니까?

고맙습니다!

루이스

Re: 다변수 제어 차트를 사용한 Tennessee Eastman 프로세스의 오류 감지 및 진단(2020-US-45MP-606)

@David_Burnham 미안합니다! 파일을 다시 올렸습니다.미스테리하게 사라졌다!최근에 커뮤니티의 다른 몇몇 사람들에게 이런 일이 발생했다는 것을 알았습니다.관계자분들께 알려드립니다.감사!

Re: 다변수 제어 차트를 사용한 Tennessee Eastman 프로세스의 오류 감지 및 진단(2020-US-45MP-606)

예제 zip 파일을 계속 다운로드할 수 있습니까?