Conférencier
|
Transcription
|
| Jérémy Ash |
Bonjour, je suis Jeremy Ash. Je suis statisticien en jump R amp D. Mon travail consiste principalement à tester les plateformes de statistiques multivariées et jump mais |
| |
J'aide également à la recherche et à l'évaluation de la méthodologie et aujourd'hui, je vais analyser le processus Tennessee Eastman à l'aide de méthodes de contrôle de processus statistiques et sauter. |
| |
Je vais accorder une attention particulière à la plate-forme de cartes de contrôle multivariées pilotée par modèle, qui est un nouvel ajout à jump et je suis vraiment enthousiasmé par cette plate-forme et ces données ont fourni une nouvelle opportunité de présenter certaines de ses fonctionnalités. |
| |
Tout d'abord, je suppose une certaine connaissance du contrôle statistique des processus dans cet exposé. |
| |
La principale chose que vous devez savoir, ce sont les cartes de contrôle. Si vous n'êtes pas familier avec ceux-ci. Ce sont des graphiques utilisés pour surveiller les systèmes industriels complexes afin de déterminer quand ils s'écartent des conditions de fonctionnement normales. |
| |
Je n'aurai pas beaucoup de temps pour entrer dans la méthodologie et la carte de contrôle multivariée basée sur le modèle. Je vais donc me référer à ces autres grandes conférences qui sont disponibles gratuitement. |
| |
Pour plus de détails. Je dois également mentionner que Jim a été le développeur principal de la carte de contrôle multivariée pilotée par le modèle et, en collaboration avec Chris Got Walt et Tanya Malden, j'étais les testeurs. |
| |
L'objectif de cet exposé sera donc d'utiliser des cartes de contrôle multivariées pour surveiller un processus chimique réel. |
| |
Un autre aspect novateur de cette conférence sera l'utilisation de cartes de contrôle pour la surveillance des processus en ligne, ce qui signifie que nous surveillerons les données en continu au fur et à mesure qu'elles seront ajoutées à une base de données et que nous enverrons des erreurs en temps réel. |
| |
Je vais donc commencer par la diapositive obligatoire sur les avantages des cartes de contrôle multivariées. Alors pourquoi ne pas utiliser les cartes de contrôle universitaires là-bas. Il existe un certain nombre d'excellentes options et sauter. |
| |
Les cartes de contrôle universitaires sont d'excellents outils pour analyser quelques variables à la fois. Cependant, les ensembles de données de contrôle qualité sont souvent de grande dimension |
| |
Et le nombre de graphiques que vous devez consulter peut rapidement devenir écrasant. Ainsi, les cartes de contrôle multivariées résument un processus de grande dimension. Et juste quelques graphiques et c'est un avantage clé. |
| |
Mais cela ne veut pas dire que les cartes de contrôle universitaires ne sont pas utiles dans ce contexte, vous verrez tout au long de l'exposé que le diagnostic de défaut implique souvent de basculer entre les cartes de contrôle multivariées de l'Université. |
| |
Les cartes de contrôle multivariées vous donnent une idée de la santé globale d'un processus bien Les cartes de contrôle universitaires vous permettent de |
| |
Regardez des aspects spécifiques. Ainsi, les informations sont complémentaires et l'un des principaux objectifs de la carte de contrôle multivariée pilotée par un modèle était de fournir des outils permettant de basculer facilement entre ces deux types de cartes. |
| |
Un inconvénient de la carte de contrôle universitaire est que les observations peuvent sembler sous contrôle alors qu'elles sont en fait hors de contrôle au sens multivarié. Donc je dois |
| |
Contrôlez nos cartes IR pour l'huile et la densité et ces deux observations en rouge sont sous contrôle, mais l'huile et la densité sont fortement corrélées. Et ces observations sont des valeurs aberrantes au sens multivarié, en particulier l'observation 51 viole gravement la structure de corrélation. |
| |
Ainsi, les cartes de contrôle multivariées peuvent détecter ces types de valeurs aberrantes. Lorsque les cartes de contrôle universitaires ne peuvent pas |
| |
La carte de contrôle multivariée basée sur un modèle utilise des méthodes de projection pour construire ses cartes de contrôle. Je vais commencer par expliquer PCA parce qu'il est facile de construire à partir de là. |
| |
L'ACP réduit la dimensionnalité de vos variables de processus en se projetant dans un espace de faible dimension. |
| |
Ceci est illustré dans l'image de droite, nous avons p variables de processus et et observations et nous voulons réduire la dimensionnalité du processus à a si a était bien inférieur à p et |
| |
Pour ce faire, nous utilisons cette matrice de chargement P, qui fournit les coefficients pour les combinaisons linéaires de nos variables X qui donnent les variables de score. Le montré et les équations sur la gauche. |
| |
les temps de départ P vous donneront des valeurs prédites pour vos variables de processus avec la représentation à faible dimension. Et il y a un peu d'air de prédiction et vos variables de score sont sélectionnées. |
| |
D'une manière qui minimise cet air de prédiction au carré. Une autre façon d'y penser est que vous maximisez la quantité de variance expliquée x |
| |
Pls est plus approprié lorsque vous avez un ensemble de variables de processus et un ensemble de variables de qualité et que vous voulez vraiment vous assurer que les variables de qualité sont sous contrôle, mais ces variables sont souvent coûteuses ou longues à collecter. |
| |
Chez Planet, la qualité peut être incontrôlable pendant longtemps avant qu'un défaut ne soit détecté, donc |
| |
Les modèles Pls vous permettent de surveiller vos variables de qualité en fonction de vos variables de processus. Et vous pouvez voir ici que les pls trouveront des variables de score qui maximisent la variance expliquée dans les variables y. |
| |
Les variables de processus sont souvent moins chères et plus facilement disponibles. Ainsi, les modèles pls peuvent vous permettre de détecter rapidement les défauts de qualité et peuvent rendre la surveillance des processus moins chère. |
| |
Donc à partir de maintenant. Je vais juste me concentrer sur les modèles pls parce que c'est plus approprié pour notre exemple. |
| |
Veuillez donc partitionner vos données en deux composants. Le premier composant est votre composant de modèle. Cela vous donne les valeurs prédites. |
| |
Une autre façon de penser à cela car vos données ont été projetées dans un plan de modèle défini par vos variables de score et les graphiques t au carré surveilleront la variation dans ce plan de modèle. |
| |
Le deuxième composant est votre composant d'erreur. Il s'agit de la distance entre vos données d'origine et les données prédites et les graphiques d'erreur de prédiction au carré que les graphiques sp surveilleront |
| |
Variation de ce composant |
| |
Nous proposons également une distance alternative au plan x du modèle, il s'agit simplement d'une version normalisée de sp. |
| |
Le dernier concept qu'il est important de comprendre pour la démo est la distinction entre les données historiques et actuelles. |
| |
données historiques généralement collectées lorsque le processus est connu pour être sous contrôle. Ces données sont utilisées pour construire le modèle PLS et définir |
| |
Variation normale du processus. Et cela permet d'obtenir une limite de contrôle. Les données actuelles sont notées en fonction du modèle, mais sont indépendantes du modèle. |
| |
Une autre façon de penser à cela est que nous avons une formation et un ensemble de test, et la limite de contrôle t au carré est inférieure pour les données de formation car nous nous attendons à une variabilité plus faible pour |
| |
Observations utilisées pour former le modèle, alors qu'il y a une plus grande variabilité et t au carré. Lorsque le modèle est généralisé à un ensemble de test. Et heureusement, il y a une théorie qui a été élaborée pour le |
| |
Variantes de T carré qui nous permettent d'obtenir des limites de contrôle basées sur certaines hypothèses de distribution. |
| |
Dans la démo surveillera le processus Tennessee Eastman. Je vais présenter une brève introduction à ces données. |
| |
Il s'agit d'une simulation d'un processus chimique développé par Downs et Bogle pour les chimistes d'Eastman Chemical et il a été écrit à l'origine en Fortran, mais il y a maintenant des rappeurs pour cela dans MATLAB et Python. |
| |
La simulation était basée sur un processus industriel réel, mais elle a été manipulée pour protéger des informations confidentielles. |
| |
Les processus de simulation. Le, la production de liquides. |
| |
En gazant les réactifs et F est un sous-produit qui devra être siphonné du produit souhaité. |
| |
Les processus à deux saisons sont omniprésents dans la littérature sur l'analyse comparative des méthodes de contrôle de processus multivariées. |
| |
Voici donc le diagramme de processus. Ça a l'air compliqué, mais ce n'est vraiment pas si mal. Je vais donc vous guider. |
| |
Les réactifs gazeux et il s'écoulent dans le réacteur ici, la réaction se produit et le produit sort sous forme de gaz. Il a été refroidi et condensé en un liquide et le condenseur. |
| |
Ensuite, nous avons un séparateur vapeur-liquide qui éliminera toute vapeur restante et la recyclera dans le réacteur via le compresseur et il y a aussi un flux de purge ici qui |
| |
Évacuer le sous-produit et un produit chimique de l'art pour l'empêcher de s'accumuler, puis le produit liquide sera pompé à travers un strippeur où les réactifs restants sont éliminés et le produit purifié final part ici dans le flux de sortie. |
| |
Le premier ensemble de variables surveillées sont les variables manipulées. Ceux-ci ressemblent à des nœuds papillon et au diagramme. |
| |
Pensez qu'ils sont en fait censés être des vannes et que les variables manipulatrices contrôlent principalement le débit à travers différents flux du processus. |
| |
Ces variables peuvent être définies sur des valeurs spécifiques dans des limites et avoir un bruit gaussien et les variables manipulatrices peuvent être échantillonnées à n'importe quel rythme, nous utilisons un échantillonnage par défaut de trois minutes dans |
| |
Quelques exemples de variables manipulatrices sont le débit des réactifs dans le réacteur |
| |
Le débit de vapeur dans le stripper. |
| |
Et le flux de liquide de refroidissement dans le réacteur |
| |
Le prochain ensemble de variables sont des variables de mesure. Ceux-ci sont représentés par des cercles dans le diagramme et ils sont également échantillonnés à des intervalles de trois minutes et la différence est que les variables de mesure ne peuvent pas être manipulées dans la simulation. |
| |
Nos variables de qualité seront la composition en pourcentage des produits liquides que vous pouvez voir |
| |
L'analyseur mesurant la composition ici. |
| |
Ces variables sont collectées avec un retard considérable de sorte que |
| |
Nous examinons le produit dans le flux parce que |
| |
Ces variables peuvent être mesurées plus facilement que le produit sortant dans le flux de sortie. Et nous allons également construire un modèle pls pour surveiller |
| |
surveiller nos variables de qualité au moyen de nos variables de processus qui ont beaucoup moins de retard dans un taux d'échantillonnage plus rapide. |
| |
D'accord, c'est un arrière-plan sur les données. Au total, il y a 33 variables de processus en variables de qualité. |
| |
Le processus de collecte des variables est simulé avec une série d'équations différentielles. Ce n'est donc qu'une simulation. Mais vous pouvez voir qu'un soin considérable a été apporté à la modélisation du modèle. Il s'agit d'un processus du monde réel. |
| |
Voici donc un aperçu de la démo, je suis sur le point de vous montrer que vous allez collecter des données sur notre processus, puis stocker ces données dans une base de données. |
| |
Je voulais avoir un exemple facile à partager. Je vais donc utiliser une base de données légère suite, mais ce flux de travail est pertinent pour la plupart des types de bases de données. |
| |
La plupart des bases de données prennent en charge les connexions à vue impaire une fois que le saut se connecte à la base de données, il peut vérifier périodiquement les nouvelles observations et mettre à jour la table de saut au fur et à mesure qu'elles arrivent. |
| |
Et puis, si nous avons un rapport de carte de contrôle multivariée basé sur un modèle ouvert avec le recalcul automatique activé. Nous avons un mécanisme pour mettre à jour les cartes de contrôle au fur et à mesure que de nouvelles données arrivent. |
| |
Et tout le processus d'ajout de données à une base de données se déroulera probablement sur un ordinateur distinct de l'ordinateur effectuant la surveillance. |
| |
J'ai donc deux sessions de saut ouvertes pour imiter cela, les deux sessions ont leur propre journal dans le matériel fourni sur la communauté. |
| |
Et la première session ajoutera des données simulées à la base de données et cela s'appelle la session de streaming et la prochaine session mettra à jour les rapports au fur et à mesure qu'ils entrent dans la base de données et j'appelle cela la session de surveillance. |
| |
Une chose que j'aimais vraiment à propos des downs et du papier Vogel était qu'ils ne fournissaient pas une seule métrique pour évaluer le contrôle du processus. J'ai ici une citation du journal. Nous nous sommes sentis comme |
| |
Nous avons estimé que les compromis entre les stratégies et techniques de contrôle possibles impliquaient bien plus qu'une expression mathématique. |
| |
Voici donc quelques-uns des objectifs qu'ils ont énumérés dans leur article qui sont pertinents pour notre problème maintenir les variables de processus que les valeurs souhaitées minimisent la variabilité de la qualité du produit pendant les perturbations et récupérer rapidement et en douceur des perturbations. |
| |
Nous évaluerons donc dans quelle mesure notre processus atteint ces objectifs, en utilisant nos méthodes de surveillance. |
| |
D'accord. |
| |
Donc pour commencer, je suis dans le journal de la session de surveillance et je vais vous montrer nos premières données envoyées le tableau de données contient toutes les variables que j'ai introduites plus tôt, le premier ensemble sont les variables de mesure. Le suivant définit nos variables de composition. Et puis le dernier ensemble sont les variables manipulées. |
| |
Et le premier script joint ici s'adaptera à un modèle pls, il exclut que les cent dernières roses soient un ensemble de test. |
| |
Et juste pour rappel, ce modèle prédit nos deux variables de composition de produit en fonction de nos variables de processus, mais le modèle pls ou PLS n'est pas au centre de la discussion. J'ai donc déjà ajusté les colonnes de score de modèle et de sortie ici. |
| |
Et si nous regardons les propriétés de la colonne. Vous pouvez voir qu'il existe une propriété de statistiques historiques MD MCC qui contient toutes les informations |
| |
Sur votre modèle, vous devez construire les cartes de contrôle multivariées. L'une des raisons pour lesquelles la carte de contrôle multivariée de surveillance a été conçue de cette façon était |
| |
Imaginez que vous êtes un statisticien et que vous souhaitez partager votre modèle avec un ingénieur, afin qu'il puisse créer des cartes de contrôle. Tout ce que vous avez à faire est de fournir la table de données avec ces colonnes de formules. Vous n'avez pas besoin de partager tous les détails sanglants de la façon dont vous adaptez votre modèle. |
| |
Donc, ensuite, j'utiliserai les colonnes de score pour créer notre tour de contrôle |
| |
Sur la gauche, je dois contrôler les cartes t au carré et SPE il y a 860 observations qui ont servi à estimer le modèle. Et ceux-ci sont étiquetés comme historiques, puis j'ai 100 observations qui ont été présentées comme un ensemble de tests. |
| |
Et vous pouvez voir dans les résumés des limites ici que j'ai effectué un cautionnement pour la seule correction des tests multiples. |
| |
Tel que basé sur les données historiques. Je l'ai fait ici dans le menu du triangle rouge, vous pouvez définir le niveau alpha, tout ce que vous voulez et |
| |
J'ai fait cette correction, car les données sont connues pour être des conditions de fonctionnement normales. Ainsi, nous nous attendons à ce qu'aucune observation ne soit hors de contrôle et après cet ajustement de multiplicité, il n'y a aucune fausse alarme. |
| |
Sur la droite ou les cartes thermiques de proportion de contribution. Ceux-ci indiquent combien chaque variable contribue au signal de contrôle externe chaque observation est sur l'axe Y et les contributions sont exprimées en proportion |
| |
Et vous pouvez voir dans ces deux graphiques que les contributions sont réparties assez uniformément entre les variables. |
| |
Et au fond. J'ai une usine de score. |
| |
Pour le moment, nous traçons simplement la première dimension de score par rapport à la deuxième dimension de score, mais vous pouvez consulter n'importe quelle combinaison des dimensions de score à l'aide de ces menus déroulants ou de cette flèche. |
| |
D'accord, nous sommes donc assez orientés vers le rapport, je vais passer à la session de surveillance. |
| |
Qui diffusera des données dans la base de données. |
| |
Afin de faire quoi que ce soit pour cet exemple, vous aurez besoin d'avoir un pilote sequel light odd see installé. C'est facile à faire. Vous pouvez simplement suivre ce lien ici. |
| |
Et je n'ai pas le temps d'en parler mais j'ai créé la base de données de lumière suite. Je vais utiliser et sauter J'ai des instructions sur la façon de le faire et sur la façon de se connecter à la base de données sur la page Web de ma communauté |
| |
Cet exemple peut être utile si vous voulez l'essayer à votre propre date. |
| |
J'ai déjà créé une connexion à cette base de données. |
| |
Et j'ai partagé la base de données sur la communauté. Je vais donc jeter un coup d'œil aux tables de données dans le générateur de requêtes. |
| |
Je peux faire cet instantané de table |
| |
Le premier ensemble de données est les données historiques que j'ai utilisées pour construire un modèle pls, il y a 960 observations qui sont sous contrôle. |
| |
La table de données suivante est une table de données de surveillance, elle ne contient que les données historiques au début, mais j'y ajouterai progressivement de nouvelles données et c'est ce que notre carte de contrôle multivariée surveillera. |
| |
Et puis j'ai déjà simulé les nouvelles données et je les ai ajoutées à cette table de données ici et je vois qu'elles commencent à l'horodatage 961 |
| |
Et il y a encore 960 observations, mais j'ai introduit une erreur à un moment donné |
| |
Et je voulais avoir quelque chose de facile à partager. Je ne vais donc pas exécuter mon script de simulation et ajouter la base de données de cette façon. |
| |
Je vais juste prendre des observations de cette nouvelle table de données et les déplacer vers la table de données de surveillance en utilisant du JSON avec des instructions de suite. |
| |
Et ce n'est qu'un exemple simple imitant le processus d'entrée de nouvelles données dans une base de données, d'une manière ou d'une autre, vous ne le ferez peut-être pas avec jump. Mais c'est l'occasion de montrer comment vous pouvez le faire avec l'ASL. |
| |
Ensuite, je vais vous montrer le script qui sera utilisé pour diffuser les données. |
| |
Il s'agit d'un script simple. Je vais donc vous expliquer cela très rapidement. |
| |
Le premier ensemble de commandes ouvrira la nouvelle table de données de la base de données de lumière de suite, elle s'ouvre en arrière-plan. Je dois donc m'occuper de la fenêtre, puis je vais prendre des éléments de cette nouvelle table de données et |
| |
déplacez-les vers la table de données de surveillance que j'appelle les morceaux morsures et les BITE SIZES 20 |
| |
Et puis cela créera une connexion à la base de données qui me permettra d'envoyer les instructions SQL de la base de données. Et puis ce dernier morceau de code construira de manière interactive des instructions de suite qui insèrent de nouvelles données dans les données de surveillance. Je vais donc initialiser |
| |
D'accord, et montrez-vous la première itération de cette boucle. |
| |
Alors ce n'est qu'un simple |
| |
Insertion d'instruction SQL dans l'instruction qui insère les 20 premières observations. |
| |
Commentez que le départ s'exécute plus rapidement. Et il y a une déclaration d'attente ici. Cela ne fera que ralentir le flux. |
| |
Pour que nous ayons suffisamment de temps pour voir la progression des données et que les cartes de contrôle ne l'aient pas, cet exemple de streaming serait tout simplement trop rapide. |
| |
Bon, alors je vais |
| |
Revenez à la session de surveillance et affichez quelques scripts qui mettront à jour le rapport. |
| |
Déplacez-le vers la droite. Ainsi, vous pouvez voir le rapport et les scripts en même temps. |
| |
Alors, |
| |
Ce script de lecture à partir des données de surveillance est un script simple qui vérifie la base de données toutes les deux secondes et ajoute de nouvelles données à la table de sauts. Et puisque le rapport a un recomptage automatique activé. |
| |
Le rapport sera mis à jour chaque fois que de nouvelles données seront ajoutées. Et je devrais ajouter que de manière réaliste, vous n'utiliseriez probablement pas un script qui s'intègre simplement comme celui-ci, vous utilisez probablement le planificateur de tâches et les fenêtres sont automatisées et Max mieux planifier les exécutions |
| |
Et puis le script suivant ici. |
| |
poussera le rapport à devenir public chaque fois que le rapport est mis à jour. |
| |
J'étais vraiment excité que cela soit possible et j'ai sauté. |
| |
Il permet à tout ordinateur doté d'un navigateur Web d'afficher les mises à jour de la carte de contrôle. Vous pouvez même consulter le rapport sur votre smartphone. Cela facilite donc le partage des résultats entre les organisations. Vous pouvez également utiliser Jump Live si vous souhaitez que les rapports soient sur un serveur restreint. |
| |
Et puis le script recréera les données historiques et la table de données au cas où vous voudriez exécuter l'exemple plusieurs fois. |
| |
Bon, exécutons le script de streaming. |
| |
Et regardez comment le rapport est mis à jour. |
| |
Vous pouvez voir que les données sont sous contrôle au début, mais ensuite un défaut est introduit, il y a un grand signal hors contrôle, mais il y a un système de contrôle à l'échelle de l'usine qui a été mis en œuvre et la simulation, qui amène le système à un nouvel équilibre |
| |
Je donne une seconde pour finir. |
| |
Et maintenant que j'ai mis à jour la carte de contrôle. Je vais pousser les résultats pour sauter public |
| |
Sur ma page publique de saut, j'ai d'abord la carte de contrôle avec les données et le contrôle au début. |
| |
Et cela devrait être mis à jour avec l'ajout des données. |
| |
Donc, si nous zoomons sur le moment où le processus est devenu incontrôlable. |
| |
Ton |
| Jérémy Ash |
On dirait que c'était l'échantillon 1125, je vais le colorer |
| |
Et étiquetez-le. |
| |
Pour qu'il apparaisse dans d'autres parcelles, puis |
| |
Dans le tracé SP, il semble que cette observation soit toujours sous contrôle. |
| |
Et quel tableau détectera les défauts plus tôt dépend de votre modèle. Et combien de facteurs, vous avez choisi |
| |
On peut aussi zoomer sur |
| |
Ce moment dans le graphique de contribution. Et vous pouvez voir quand le processus. D'abord hors de contrôle. Il y a un grand nombre de variables qui contribuent au signal hors de contrôle. Mais lorsque le système atteint un nouvel équilibre, seules deux variables ont des contributions importantes. |
| |
Je vais donc supprimer ces cartes thermiques afin d'avoir plus de place dans la section de diagnostic. |
| |
Et pour que tout soit assez grand pour que le texte apparaisse sur votre écran. |
| |
Si je survole le premier point, c'est hors de contrôle. Vous pouvez obtenir un aperçu des 10 principales variables contributives. |
| |
C'est idéal pour identifier rapidement les variables qui contribuent le plus au signal hors de contrôle. Je peux également cliquer sur ce tracé et l'ajouter à la section de diagnostic et |
| |
Vous pouvez voir qu'il y a un grand nombre de variables qui contribuent au signal hors de contrôle. |
| |
zoomez un peu ici. |
| |
Donc si l'une des barres est rouge. Cela signifie que la variable est hors de contrôle. |
| |
Dans une carte de contrôle universelle. Et vous pouvez le voir en survolant les barres. |
| |
Je vais faire un panoramique, quelques-uns de ceux-là |
| |
Et ces graphiques, disons nos graphiques IR pour les variables individuelles avec trois limites de contrôle sigma. |
| |
Vous verriez pour la variable de pression du décapant. L'observation est hors contrôle dans la carte de contrôle universitaire, mais les variables ont finalement été ramenées sous contrôle par notre système de contrôle. Et c'est vrai pour |
| |
La plupart |
| |
Les grandes variables contributives et vous montrent également l'une des variables où l'observation est sous contrôle. |
| |
Ainsi, une fois que le système de contrôle répond, de nombreuses variables sont ramenées sous contrôle et le processus atteint |
| |
Un nouvel équilibre |
| |
Mais il y a évidemment un changement dans le processus. Donc, pour identifier les variables qui contribuent au changement. Et une chose que vous pouvez regarder est une contribution principale. |
| |
Terrain |
| |
Si je trie ça et regarde |
| |
Les variables qui contribuent le plus. Il semble que seules deux variables aient de grandes contributions et que les deux mesurent le débit de réaction dans un flux qui entre dans le réacteur |
| |
Et ceux-ci mesurent essentiellement la même chose sauf que l'un est une variable de mesure et l'autre une variable manipulée. Et tu peux voir |
| |
Dans le tableau de contrôle de l'université, il y a un changement important dans le débit. |
| |
Celui-ci aussi. Et c'est le changement d'étape que j'ai programmé dans la simulation. Ces contributions nous permettent donc d'identifier rapidement la cause racine. |
| |
Je vais donc présenter quelques autres méthodes alternatives pour identifier la même cause du changement. Et la raison en est que dans des données réelles. |
| |
Les changements de processus sont souvent plus subtils et certains des outils peuvent être plus utiles et les identifier que d'autres et arriveront systématiquement à la même conclusion avec ces méthodes alternatives. Il montrera donc certaines des façons dont ces méthodes sont connectées |
| |
Ici, j'ai une usine de score qui peut fournir des informations supplémentaires sur les changements dans l'usine t au carré. |
| |
Il est plus limité dans sa capacité à capturer des changements dimensionnels élevés, car seules deux dimensions du modèle sont visualisées à la fois, cependant, nous pouvons fournir une visualisation plus intuitive du processus car il le visualise dans une représentation à faible dimension |
| |
Et en fait, l'une des principales raisons pour lesquelles les cartes de contrôle multivariées sont divisées en t au carré et SPE en premier lieu est qu'elles fournissent une réduction de dimensionnalité suffisante pour visualiser facilement le processus et le nuage de points. |
| |
Nous voulons donc identifier les variables qui sont |
| |
Provoquant le changement. Alors je vais, je vais colorier les points avant et après le quart de travail. |
| |
Pour qu'ils apparaissent dans le tracé des scores. |
| |
En règle générale, lorsque nous examinons toutes les combinaisons des six facteurs, mais cela fait beaucoup de graphiques de scores à examiner |
| |
Donc, quelque chose de très pratique est la possibilité de parcourir rapidement toutes les combinaisons avec cette flèche ici et nous pouvons parcourir les combinaisons de facteurs et en trouver une où il y a une grande séparation. |
| |
Et si nous voulions identifier où le décalage s'est produit pour la première fois dans les tracés de score, vous pouvez relier les points et voir que le décalage s'est produit à nouveau vers 1125. |
| |
Un autre outil utile. Si vous voulez identifier |
| |
Les dimensions de score, où une observation montre la plus grande séparation par rapport aux données historiques et où vous ne voulez pas parcourir tous les tracés de score est le tracé de score normalisé. Je vais donc sélectionner un point après le décalage et regarder le tracé du score normalisé. |
| |
Je vais effectivement en choisir un autre. |
| |
D'accord. |
| Jérémy Ash |
Parce que je veux regarder les dimensions, cinq et six. Alors le |
| |
Ces tracés montrent l'amplitude du score et chaque dimension normalisée, de sorte que les dimensions soient sur la même échelle. Et puisque la moyenne des données historiques est que zéro pour chaque score pour mentionner les dimensions avec la plus grande magnitude montrera la plus grande séparation. |
| |
Entre le point sélectionné et les données historiques. Donc, il semble qu'ici, les dimensions, cinq et six montrent la plus grande séparation et |
| |
je vais passer à ceux |
| |
Il y a donc une grande séparation entre nos |
| |
Les données décalées et les données historiques et la visualisation du tracé carré peuvent également être mieux interprétées car vous pouvez utiliser les chargements variables pour attribuer une signification aux facteurs. |
| |
Et |
| |
Ici j'ai |
| |
Nous avons trop de variables pour voir toutes les étiquettes pour elles. |
| |
Chargement des vecteurs, mais vous pouvez survoler et les voir. Et vous pouvez voir, si je regarde dans la direction du changement, que les deux variables qui en étaient la cause apparaissent également ici. |
| |
Nous pouvons également explorer les différences entre les sous-groupes dans le processus avec les comparaisons de groupe pour ce faire, je sélectionnerai tous les points avant le changement d'appel que le groupe de référence et tout après l'appel que le groupe que je compare à la référence |
| |
Ces |
| |
Et ce graphique de contribution me donnera les variables qui contribuent le plus à la différence entre ces deux groupes. Et vous pouvez voir que cela identifie également les variables qui ont provoqué le changement. |
| |
L'outil de comparaison de groupes est particulièrement utile lorsqu'il y a plusieurs décalages dans un tracé de score, c'est-à-dire lorsque vous pouvez voir plus de deux sous-groupes distincts dans vos données. |
| |
Dans notre cas, comme, comme nous comparons un groupe dans nos données actuelles aux données historiques. Nous pourrions également simplement sélectionner les données après le quart de travail et examiner un graphique de score de contribution principal. |
| |
Et cela nous donnera |
| |
Les contributions moyennes de chaque variable aux scores du groupe orange. Et puisque de grands scores indiquent une grande différence par rapport aux données historiques. Ces diagrammes de contribution peuvent également identifier la cause. |
| |
Ceux-ci utilisent la même formule est la formule de contribution pour t au carré. Mais maintenant, nous utilisons simplement les, les deux facteurs du tracé des scores. |
| |
Bon, je vais retrouver mon PowerPoint. |
| |
Très rapidement, je vais résumer les principales caractéristiques de la carte de contrôle multivariante pilotée par modèle qui ont été présentées dans la démo. |
| |
La plate-forme est capable d'effectuer à la fois une détection de panne en ligne et un diagnostic de panne hors ligne. Il existe de nombreuses méthodes, fournissant la plate-forme pour explorer la cause première des défauts. |
| |
Je te montre. Voici quelques tracés du livre populaire sur la détection et le diagnostic des défauts dans les systèmes industriels à travers les auteurs du livre. |
| |
Démontrez comment il faut utiliser côte à côte des cartes de contrôle multivariées et universelles pour avoir une idée de ce qui se passe dans le processus. |
| |
Et une fonctionnalité particulièrement utile et une carte de contrôle multivariée basée sur un modèle est son caractère interactif et convivial. Il s'agit de basculer entre ces types de graphiques. |
| |
C'est donc mon discours ici. Voici mon e-mail. Si vous avez d'autres questions, et merci à tous ceux qui se sont connectés pour regarder cela. |
