281538_ko-KR

liliconcom

다변량 관리도를 사용한 Tennessee Eastman 프로세스의 결함 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. 이는 고차원 데이터 세트의 오류 감지 및 진단에 사용할 수 있습니다. 실제 산업 화학 프로세스인 Tennessee Eastman 프로세스의 시뮬레이션을 사용하여 PLS 모델의 MDMVCC 모니터링을 시연합니다. 시뮬레이션 중에 화학 반응기가 기체 반응물에서 액체 제품을 생산할 때 품질 및 프로세스 변수가 측정됩니다. 오프라인 환경에서 결함 진단을 시연합니다. 여기에는 종종 다변량 관리도, 일변량 관리도 및 진단 플롯 간의 전환이 포함됩니다. MDMVCC는 이러한 플롯 사이를 이동할 수 있는 사용자 친화적인 방법을 제공합니다. 다음으로 JMP를 외부 데이터베이스에 연결하여 MDMVCC가 온라인 모니터링을 수행하는 방법을 보여줍니다. 제품 품질 변수 측정에는 측정이 가능하기까지 시간 지연이 수반되는 경우가 많으며 이로 인해 결함 감지가 상당히 지연될 수 있습니다. MDMVCC가 PLS 모델을 모니터링할 때 제품 품질 변수의 변화는 프로세스 변수의 함수로 모니터링됩니다. 프로세스 변수는 종종 더 쉽게 사용할 수 있기 때문에 결함을 조기에 감지하는 데 도움이 될 수 있습니다.

예제 파일

streaming_example.zip을 다운로드하고 압축을 풉니다.비디오의 예를 따르기 전에 수행해야 하는 몇 가지 추가 설정 지침이 포함된 README 파일이 있습니다.추가 결함 진단 예제도 제공됩니다. 문제를 발견하거나 질문이 있는 경우 커뮤니티에서 저에게 메시지를 보내주세요.

 

 

 

자동 생성된 성적표...

 

스피커	성적 증명서
제레미 애쉬	안녕하세요 제레미 애쉬입니다. 저는 jump R amp D의 통계학자입니다. 제 업무는 주로 다변량 통계 플랫폼을 테스트하고 점프하는 것으로 구성되어 있지만
	나는 또한 방법론을 연구하고 평가하는 것을 돕고 오늘은 몇 가지 통계적 프로세스 제어 방법과 점프를 사용하여 Tennessee Eastman 프로세스를 분석할 것입니다.
	나는 jump에 새로 추가된 모델 기반 다변량 컨트롤 차트 플랫폼에 특별한 관심을 기울일 것입니다. 이 플랫폼에 대해 정말 기대하고 있으며 이러한 데이터는 일부 기능을 선보일 수 있는 새로운 기회를 제공했습니다.
	먼저, 저는 이 강연에서 통계적 프로세스 제어에 대한 약간의 지식을 가지고 있다고 가정합니다.
	알아야 할 주요 사항은 컨트롤 차트입니다. 당신이 이것들에 익숙하지 않다면. 이는 복잡한 산업 시스템을 모니터링하여 정상적인 작동 조건에서 벗어나는 시기를 결정하는 데 사용되는 차트입니다.
	방법론과 모델 기반 다변량 관리도에 대해 설명할 시간이 많지 않습니다. 따라서 무료로 제공되는 다른 훌륭한 강연을 참조하겠습니다.
	상세 사항은. 또한 Jim의 발견은 모델 기반 다변량 제어 차트의 주요 개발자였으며 Chris Got Walt 및 Tanya Malden과 공동으로 테스터였습니다.
	따라서 이 강연의 초점은 실제 화학 공정을 모니터링하기 위해 다변량 관리도를 사용하는 것입니다.
	이 강연의 또 다른 참신한 측면은 온라인 프로세스 모니터링을 위해 컨트롤 차트를 사용한다는 것입니다. 즉, 데이터가 데이터베이스에 추가되고 실시간으로 오류를 문자 메시지로 보내면서 데이터를 지속적으로 모니터링하게 됩니다.
	따라서 다변량 관리도의 장점에 대한 필수 슬라이드부터 시작하겠습니다. 그렇다면 그곳에서 대학 컨트롤 차트를 사용하지 않는 이유는 무엇입니까? 훌륭한 옵션과 점프가 많이 있습니다.
	대학 관리도는 한 번에 몇 가지 변수를 분석하기 위한 훌륭한 도구입니다. 그러나 품질 관리 데이터 세트는 종종 고차원적입니다.
	그리고 살펴봐야 하는 차트의 수가 순식간에 압도적으로 많아질 수 있습니다. 따라서 다변량 관리도는 고차원 프로세스를 요약합니다. 몇 개의 차트만 있으면 이것이 주요 이점입니다.
	그러나 대학 관리도가 이 설정에서 유용하지 않다는 것은 아닙니다. 대화 내내 오류 진단이 종종 대학 관리도에서 다변량 사이를 전환하는 것을 포함한다는 것을 알게 될 것입니다.
	다변량 컨트롤 차트는 프로세스의 전반적인 상태를 잘 보여줍니다. 대학 컨트롤 차트를 사용하면 다음을 수행할 수 있습니다.
	구체적인 측면을 살펴보십시오. 따라서 정보는 보완적이며 모델 기반 다변량 컨트롤 차트의 주요 목표 중 하나는 이러한 두 가지 유형의 차트 간에 쉽게 전환할 수 있는 일부 도구를 제공하는 것이었습니다.
	대학 관리도의 한 가지 단점은 관측값이 실제로는 다변량 의미에서 통제 범위를 벗어났는데도 통제 범위에 있는 것처럼 보일 수 있다는 것입니다. 그래서 나는
	오일 및 밀도에 대한 IR 차트를 제어하고 빨간색으로 표시된 이 두 관측치가 제어되지만 오일과 밀도는 높은 상관 관계가 있습니다. 그리고 이러한 관찰은 다변량 의미에서 특이치입니다. 특히 관찰 51은 상관 구조를 심각하게 위반합니다.
	따라서 다변량 관리도는 이러한 유형의 이상값을 선택할 수 있습니다. 대학 컨트롤 차트를 사용할 수 없는 경우
	모델 기반 다변량 관리도는 투영 방법을 사용하여 관리도를 구성합니다. 거기에서 구축하기 쉽기 때문에 PCA를 설명하는 것으로 시작하겠습니다.
	PCA는 저차원 공간으로 투영하여 프로세스 변수의 차원을 줄입니다.
	이것은 오른쪽 그림에 나와 있습니다. 우리는 p개의 프로세스 변수와 관측값을 가지고 있으며 프로세스의 차원을 a로 줄이고 싶습니다. a는 p보다 훨씬 작습니다.
	이를 위해 점수 변수를 제공하는 X 변수의 선형 조합에 대한 계수를 제공하는 이 P 로딩 행렬을 사용합니다. 왼쪽에 표시된 방정식.
	티 타임 P는 저차원 표현으로 프로세스 변수에 대한 예측 값을 제공합니다. 그리고 몇 가지 예측 공기가 있고 점수 변수가 선택됩니다.
	이 제곱 예측 공기를 최소화하는 방식으로. 그것에 대해 생각하는 또 다른 방법은 설명되는 분산의 양을 최대화하는 것입니다.
	Pls는 프로세스 변수 세트와 품질 변수 세트가 있고 품질 변수를 관리하고 싶은 경우에 더 적합하지만 이러한 변수는 수집하는 데 비용이 많이 들거나 시간이 많이 소요되는 경우가 많습니다.
	행성에서는 결함이 감지되기까지 오랜 시간 동안 제어 품질을 벗어날 수 있으므로
	Pls 모델을 사용하면 프로세스 변수의 기능으로 품질 변수를 모니터링할 수 있습니다. 그리고 여기에서 pls는 y 변수에서 설명된 분산을 최대화하는 점수 변수를 찾을 것임을 알 수 있습니다.
	프로세스 변수는 종종 더 저렴하고 더 쉽게 사용할 수 있습니다. 따라서 pls 모델을 사용하면 품질 결함을 조기에 감지하고 프로세스 모니터링을 더 저렴하게 만들 수 있습니다.
	그래서 여기서부터. 저는 pls 모델에 집중할 것입니다. 그것이 우리의 예에 더 적합하기 때문입니다.
	따라서 pls는 데이터를 두 가지 구성 요소로 분할합니다. 첫 번째 구성 요소는 모델 구성 요소입니다. 이렇게 하면 예측 값이 제공됩니다.
	데이터가 점수 변수에 의해 정의된 모델 평면에 투영되고 t 제곱 차트가 이 모델 평면의 변화를 모니터링할 때 이를 생각하는 또 다른 방법입니다.
	두 번째 구성 요소는 오류 구성 요소입니다. 이것은 원래 데이터와 예측 데이터 및 제곱 예측 오류 차트 사이의 거리입니다. sp 차트는 모니터링합니다.
	이 구성 요소의 변형
	우리는 또한 모델 x 평면에 대한 대체 거리를 제공합니다. 이것은 sp의 정규화된 버전일 뿐입니다.
	데모에서 이해해야 할 중요한 마지막 개념은 과거 데이터와 현재 데이터 간의 구분입니다.
	프로세스가 제어 상태에 있는 것으로 알려진 경우 일반적으로 과거 데이터를 수집합니다. 이 데이터는 PLS 모델을 구축하고 정의하는 데 사용됩니다.
	정상적인 공정 변동. 그리고 이를 통해 제어 한계를 얻을 수 있습니다. 현재 데이터는 모델에 따라 점수가 할당되지만 모델과는 독립적입니다.
	이것에 대해 생각하는 또 다른 방법은 훈련 및 테스트 세트가 있고 훈련 데이터에 대한 t 제곱 제어 한계가 더 낮다는 것입니다.
	모델을 훈련하는 데 사용되는 관찰이지만 변동성과 t 제곱이 더 큽니다. 일반화된 모델이 테스트 세트일 때. 그리고 다행스럽게도,
	일부 분포 가정을 기반으로 제어 한계를 얻을 수 있는 T 제곱의 변형입니다.
	데모에서는 Tennessee Eastman 프로세스를 모니터링합니다. 이 데이터에 대해 간략하게 소개하겠습니다.
	이것은 downs와 Bogle이 Eastman Chemical의 화학자들에게 개발한 화학 공정의 시뮬레이션이며 원래 Fortran으로 작성되었지만 현재는 MATLAB과 Python을 사용하는 랩퍼가 있습니다.
	시뮬레이션은 실제 산업 프로세스를 기반으로 했지만 독점 정보를 보호하기 위해 조작되었습니다.
	시뮬레이션 프로세스. 액체의 생산.
	가스 반응물과 F는 원하는 제품에서 사이펀으로 제거해야 하는 부산물입니다.
	다변량 프로세스 제어 방법을 벤치마킹하는 문헌에 두 시즌 프로세스가 널리 퍼져 있습니다.
	이것이 프로세스 다이어그램입니다. 복잡해 보이지만 실제로는 그렇게 나쁘지 않습니다. 그래서 나는 당신에게 그것을 안내 할 것입니다.
	기체 상태의 반응물 광고와 그는 여기에서 반응기로 흘러 들어가고, 반응이 일어나고 생성물은 기체로 남습니다. 그것은 냉각되어 액체와 응축기로 응축되었습니다.
	그런 다음 남은 증기를 제거하고 압축기를 통해 반응기로 다시 재활용하는 증기 액체 분리기가 있습니다. 여기에 퍼지 스트림도 있습니다.
	부산물과 예술 화학 물질이 축적되는 것을 방지하기 위해 배출한 다음 액체 제품은 스트리퍼를 통해 펌핑되어 나머지 반응물이 제거되고 최종 정제된 제품이 여기 출구 스트림에 남습니다.
	모니터링되는 첫 번째 변수 세트는 조작 변수입니다. 이것은 나비 넥타이와 다이어그램처럼 보입니다.
	실제로 밸브와 조작 변수를 의미한다고 생각하면 대부분 프로세스의 다른 흐름을 통해 유속을 제어합니다.
	이러한 변수는 제한 내에서 특정 값으로 설정할 수 있으며 일부 가우시안 노이즈가 있고 조작 변수는 어떤 비율로든 샘플링할 수 있습니다. 기본 3분 샘플링을 사용하고 있습니다.
	조작 변수의 몇 가지 예는 반응기로 들어가는 반응물의 유량입니다.
	스트리퍼로의 증기 유량.
	그리고 원자로로의 냉각수 흐름
	다음 변수 세트는 측정 변수입니다. 이들은 다이어그램에서 원으로 표시되며 3분 간격으로 샘플링되며 차이점은 시뮬레이션에서 측정 변수를 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 제품이 출구 스트림에서 나가는 것보다 더 쉽게 측정할 수 있습니다. 또한 모니터링할 pls 모델을 구축할 예정입니다.
	더 빠른 샘플링 속도에서 지연이 상당히 적은 프로세스 변수를 통해 품질 변수를 모니터링합니다.
	자, 이것이 데이터의 배경입니다. 품질 변수에는 총 33개의 프로세스 변수가 있습니다.
	변수를 수집하는 과정은 일련의 미분 방정식으로 시뮬레이션됩니다. 따라서 이것은 단지 시뮬레이션일 뿐입니다. 하지만 모델 모델링에 상당한 주의를 기울였다는 것을 알 수 있습니다. 이것은 실제 프로세스입니다.
	여기 데모에 대한 개요가 있습니다. 프로세스에 대한 데이터를 수집한 다음 이 데이터를 데이터베이스에 저장하는 방법을 보여드리겠습니다.
	공유하기 쉬운 예를 갖고 싶었습니다. 그래서 저는 후속 조명 데이터베이스를 사용할 것이지만 이 작업 흐름은 대부분의 데이터베이스 유형과 관련이 있습니다.
	대부분의 데이터베이스는 일단 점프가 데이터베이스에 연결되면 이상한 참조 연결을 지원하여 주기적으로 새로운 관찰을 확인하고 점프 테이블이 들어올 때 업데이트할 수 있습니다.
	그런 다음 자동 재계산이 켜져 있는 모델 기반 다변량 컨트롤 차트 보고서가 열린 경우. 새로운 데이터가 들어올 때 컨트롤 차트를 업데이트하는 메커니즘이 있습니다.
	그리고 데이터베이스에 데이터를 추가하는 전체 프로세스는 모니터링을 수행하는 컴퓨터와 별도의 컴퓨터에서 진행될 가능성이 높습니다.
	그래서 저는 이것을 모방하기 위해 점프 오픈의 두 세션을 가지고 있습니다. 두 세션 모두 커뮤니티에서 제공되는 자료에 자체 저널이 있습니다.
	그리고 첫 번째 세션은 시뮬레이션된 데이터를 데이터베이스에 추가하고 스트리밍 세션이라고 하며 다음 세션은 보고서가 데이터베이스에 들어올 때 업데이트합니다. 저는 이 세션을 모니터링 세션이라고 합니다.
	downs와 Vogel 논문에 대해 정말 마음에 들었던 한 가지는 프로세스 제어를 평가하기 위한 단일 메트릭을 제공하지 않았다는 것입니다. 여기 논문에서 인용한 것이 있습니다. 우리는 같은 느낌
	우리는 수학적 표현보다 훨씬 더 관련된 가능한 제어 전략과 기술 간의 절충안을 느꼈습니다.
	따라서 문제와 관련된 논문에 나열된 목표 중 일부는 원하는 값이 교란 중에 제품 품질의 변동성을 최소화하고 교란에서 빠르고 원활하게 복구하는 프로세스 변수를 유지하는 것입니다.
	따라서 모니터링 방법을 사용하여 프로세스가 이러한 목표를 얼마나 잘 달성하는지 평가할 것입니다.
	좋아요.
	시작하기 위해 저는 모니터링 세션 저널에 있으며 데이터 테이블에 전송된 첫 번째 데이터를 보여드리겠습니다. 이전에 소개한 모든 변수가 포함되어 있습니다. 첫 번째 세트는 측정 변수입니다. 다음은 컴포지션 변수를 설정합니다. 그리고 마지막 세트는 조작된 변수입니다.
	그리고 여기에 첨부된 첫 번째 스크립트는 테스트 세트인 마지막 백 장미를 제외한 pls 모델에 맞을 것입니다.
	참고로 이 모델은 두 가지 제품 구성 변수를 프로세스 변수의 함수로 예측하지만 pls 모델 또는 PLS는 이야기의 초점이 아닙니다. 그래서 저는 이미 여기에 모델 및 출력 점수 열을 맞췄습니다.
	열 속성을 보면. 모든 정보가 포함된 MD MCC 기록 통계 속성이 있음을 알 수 있습니다.
	다변량 컨트롤 차트를 구성해야 하는 모델에서. 모니터링 다변량 관리도가 이렇게 설계된 이유 중 하나는
	당신이 통계학자이고 모델을 엔지니어와 공유하여 관리도를 구성할 수 있도록 한다고 가정해 보십시오. 데이터 테이블에 이러한 수식 열을 제공하기만 하면 됩니다. 당신이 당신의 모델에 맞는 방법에 대한 피투성이의 세부 사항을 모두 공유할 필요는 없습니다.
	다음으로 점수 열을 사용하여 컨트롤 턴을 생성하겠습니다.
	왼쪽에는 모델을 추정하는 데 사용된 860개의 관측값이 있는 차트 t 제곱 및 SPE를 제어해야 합니다. 그리고 이것들은 역사적으로 라벨이 붙었고 테스트 세트로 제시된 100개의 관찰이 있습니다.
	여기 아래에 있는 한도 요약에서 여러 테스트에 대한 보정용으로만 본드를 수행했음을 볼 수 있습니다.
	과거 데이터를 기반으로 합니다. 저는 여기 빨간색 삼각형 메뉴에서 이 작업을 수행했습니다. 원하는 대로 알파 레벨을 설정할 수 있으며
	데이터가 정상적인 작동 조건으로 알려져 있기 때문에 이렇게 수정했습니다. 따라서 우리는 통제 불능 상태의 관찰이 없을 것으로 예상하며 이 다중도 조정 후에는 잘못된 경보가 전혀 발생하지 않습니다.
	오른쪽 또는 기여 비율 히트 맵. 이것은 각 변수가 Y축에 있는 각 관측값이 외부 제어 신호에 얼마나 기여하는지를 나타내며 기여도는 비율로 표시됩니다.
	그리고 이 두 도표에서 기여도가 변수 전체에 꽤 고르게 퍼져 있음을 볼 수 있습니다.
	그리고 하단에. 점수 공장이 있습니다.
	지금은 첫 번째 점수 차원과 두 번째 점수 차원을 비교하고 있지만 이 드롭다운 메뉴 또는 이 화살표를 사용하여 점수 차원의 모든 조합을 볼 수 있습니다.
	알겠습니다. 이제 보고서에 대해 잘 알고 있으므로 모니터링 세션으로 전환하겠습니다.
	데이터를 데이터베이스로 스트리밍합니다.
	이 예제에 대해 무엇이든 하려면 속편 light odd see 드라이버가 설치되어 있어야 합니다. 하기 쉽습니다. 여기 이 링크를 따라가면 됩니다.
	그리고 이것에 대해 말할 시간이 없지만 후속 라이트 데이터베이스를 만들었습니다. 사용하고 점프할 것입니다. 이를 수행하는 방법과 내 커뮤니티 웹 페이지의 데이터베이스에 점프를 연결하는 방법에 대한 지침이 있습니다.
	이 예제는 자신의 날짜에 이것을 시도하려는 경우 도움이 될 수 있습니다.
	이미 이 데이터베이스에 대한 연결을 만들었습니다.
	그리고 커뮤니티에 데이터베이스를 공유했습니다. 그래서 쿼리 작성기에서 데이터 테이블을 살펴보겠습니다.
	나는 그 테이블 스냅샷을 할 수 있다
	첫 번째 데이터 세트는 제가 pls 모델을 구성하는 데 사용한 과거 데이터입니다. 제어할 수 있는 960개의 관측치가 있습니다.
	다음 데이터 테이블은 모니터링 데이터 테이블입니다. 처음에는 기록 데이터만 포함되어 있지만 점차 여기에 새 데이터를 추가할 예정이며 이것이 다변량 컨트롤 차트에서 모니터링할 것입니다.
	그런 다음 이미 새 데이터를 시뮬레이션하고 여기 이 데이터 테이블에 추가했으며 타임스탬프 961에서 시작하는 것을 확인했습니다.
	그리고 또 다른 960개의 관찰이 있지만 어느 시점에서 결함을 도입했습니다.
	그리고 공유하기 쉬운 것을 갖고 싶었습니다. 따라서 시뮬레이션 스크립트를 실행하고 그런 식으로 데이터베이스를 추가하지 않을 것입니다.
	저는 이 새로운 데이터 테이블에서 관찰한 내용을 가져와 일부 JSON을 속편 문과 함께 사용하여 모니터링 데이터 테이블로 옮길 것입니다.
	그리고 이것은 새로운 데이터가 데이터베이스로 들어오는 과정을 모방하는 간단한 예일 뿐입니다. 여하튼 실제로 점프를 사용하여 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 나는 당신에게 그것을 아주 빨리 안내할 것입니다.
	첫 번째 명령 세트는 후속 조명 데이터베이스에서 새 데이터 테이블을 열며 백그라운드에서 열립니다. 그래서 저는 창을 처리해야 합니다. 그런 다음 이 새로운 데이터 테이블에서 조각을 가져와서
	모니터링 데이터 테이블로 이동합니다. 조각을 바이트라고 부르며 바이트 크기는 20입니다.
	그러면 데이터베이스 SQL 문을 보낼 수 있는 데이터베이스 연결이 생성됩니다. 그런 다음 이 마지막 코드는 모니터링 데이터에 새 데이터를 삽입하는 속편 문을 대화형으로 구성합니다. 그래서 초기화를 하려고 합니다
	자, 이 루프의 첫 번째 반복을 보여드리겠습니다.
	그래서 이것은 단순한
	SQL 문은 처음 20개의 관찰을 삽입하는 문에 삽입합니다.
	시작이 더 빨리 실행된다는 의견을 말하십시오. 그리고 여기 아래에 wait statement가 있습니다. 이렇게 하면 스트림 속도가 느려집니다.
	데이터의 진행 상황과 컨트롤 차트를 볼 수 있는 충분한 시간을 가지려면 이 스트리밍 예제가 너무 빨리 끝날 것입니다.
	좋아, 그래서 나는 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 재계산 기능이 켜져 있기 때문입니다.
	새 데이터가 추가될 때마다 보고서가 업데이트됩니다. 그리고 현실적으로 추가해야 합니다. 아마 이렇게 통합되는 스크립트를 사용하지 않을 것입니다. 아마도 작업 스케줄러를 사용하고 Windows는 자동화되고 Max는 실행 일정을 더 잘 예약할 것입니다.
	그리고 여기 다음 스크립트가 있습니다.
	보고서가 업데이트될 때마다 보고서를 공개하도록 푸시합니다.
	나는 이것이 가능하고 점프한다는 사실에 정말 흥분했습니다.
	웹 브라우저가 있는 모든 컴퓨터에서 컨트롤 차트에 대한 업데이트를 볼 수 있습니다. 스마트폰에서도 보고서를 볼 수 있습니다. 따라서 조직 간에 결과를 쉽게 공유할 수 있습니다. 보고서가 제한된 서버에 있기를 원하는 경우 라이브 점프를 사용할 수도 있습니다.
	그런 다음 스크립트는 예제를 여러 번 실행하려는 경우 기록 데이터와 데이터 테이블을 다시 만듭니다.
	좋습니다. 이제 스트리밍 스크립트를 실행해 보겠습니다.
	그리고 보고서가 어떻게 업데이트되는지 살펴보십시오.
	처음에는 데이터가 제어 상태에 있는 것을 볼 수 있지만 이후 결함이 발생하고 제어 범위를 벗어난 신호가 크게 발생하지만 공장 전체에 구현된 제어 시스템과 시스템을 새로운 평형 상태로 가져오는 시뮬레이션이 있습니다.
	나는 이것을 끝내기 위해 두 번째를 준다.
	이제 컨트롤 차트를 업데이트했습니다. 결과를 공개적으로 추진하겠습니다.
	내 점프 공개 페이지에는 처음에 데이터와 컨트롤이 있는 컨트롤 차트가 처음에 있습니다.
	그리고 이것은 데이터의 추가로 업데이트되어야 합니다.
	따라서 프로세스가 처음 통제 불능 상태가 된 시점을 확대해 보겠습니다.
	당신의
제레미 애쉬	샘플 1125인 것 같네요.
	그리고 라벨을 붙입니다.
	다른 플롯에 표시되도록 한 다음
	SP 플롯에서 이 관찰이 여전히 제어 중인 것처럼 보입니다.
	그리고 어떤 차트가 더 일찍 결함을 포착할 것인지는 모델에 따라 다릅니다. 그리고 얼마나 많은 요소를 선택했는지
	우리는 또한 확대 할 수 있습니다
	기여 플롯의 해당 시점입니다. 그리고 언제 프로세스를 볼 수 있습니다. 먼저 통제 불능 상태가 됩니다. 통제 불능 신호에 기여하는 많은 변수가 있습니다. 그러나 시스템이 새로운 균형에 도달하면 두 가지 변수만 크게 기여합니다.
	그래서 진단 섹션에 더 많은 공간을 확보하기 위해 이 열 지도를 제거하겠습니다.
	그리고 텍스트가 화면에 표시되도록 모든 것을 꽤 크게 만듭니다.
	첫 번째 지점 위로 마우스를 가져가면 제어할 수 없습니다. 상위 10개의 기여 변수를 엿볼 수 있습니다.
	이는 통제 불능 신호에 가장 많이 기여하는 변수를 신속하게 식별하는 데 유용합니다. 또한 해당 플롯을 클릭하고 진단 섹션에 추가하고
	통제 불능 신호에 기여하는 많은 변수가 있음을 알 수 있습니다.
	여기를 조금 확대해 보세요.
	따라서 막대 중 하나가 빨간색이면. 이는 변수가 통제 불능임을 의미합니다.
	범용 컨트롤 차트에서. 막대 위로 마우스를 가져가면 이를 볼 수 있습니다.
	패닝할게요, 그 중 몇 개
	그리고 이 그래프는 3 시그마 제어 한계가 있는 개별 변수에 대한 IR 차트입니다.
	스트리퍼 압력 변수를 볼 수 있습니다. 관찰은 대학 제어 차트에서 제어할 수 없지만 변수는 결국 제어 시스템에 의해 다시 제어됩니다. 그리고 그것은 사실입니다
	대부분의
	큰 기여 변수는 또한 관찰이 제어되는 변수 중 하나를 보여줍니다.
	따라서 제어 시스템이 응답하면 많은 변수가 다시 제어되고 프로세스가 도달합니다.
	새로운 균형
	그러나 분명히 그 과정에 변화가 있습니다. 따라서 변화에 기여하는 변수를 식별합니다. 그리고 여러분이 볼 수 있는 한 가지는 주요 기여입니다.
	구성
	이렇게 분류해서 보면
	가장 기여하는 변수. 단지 두 개의 변수가 큰 기여를 하는 것처럼 보이며 두 변수 모두 반응기로 들어오는 스트림에서 반응의 유속을 측정하고 있습니다.
	그리고 이것들은 하나는 측정 변수이고 하나는 조작 변수라는 점을 제외하면 본질적으로 같은 것을 측정하고 있습니다. 그리고 당신은 볼 수 있습니다
	대학 제어 차트에서 흐름 속도에 큰 단계 변화가 있음을 알 수 있습니다.
	이것도 마찬가지입니다. 그리고 이것은 제가 시뮬레이션에서 프로그래밍한 단계 변화입니다. 따라서 이러한 기여를 통해 근본 원인을 신속하게 식별할 수 있습니다.
	그래서 변화의 동일한 원인을 식별하기 위해 몇 가지 다른 대체 방법을 제시할 것입니다. 그 이유는 실제 데이터 때문입니다.
	프로세스 변화는 종종 더 미묘하며 일부 도구는 다른 도구보다 더 유용하고 이를 식별할 수 있으며 이러한 대체 방법을 사용하여 동일한 결론에 지속적으로 도달합니다. 따라서 이러한 메서드가 연결되는 몇 가지 방법을 보여줍니다.
	여기 아래에는 t 제곱 식물의 이동에 대한 보충 정보를 제공할 수 있는 점수 식물이 있습니다.
	모델의 2차원만 한 번에 시각화되기 때문에 고차원 이동을 캡처하는 능력이 더 제한적이지만, 시각적으로 저차원 표현으로 시각화하므로 프로세스의 보다 직관적인 시각화를 제공할 수 있습니다.
	그리고 실제로 다변량 관리도가 애초에 t제곱과 SPE로 나뉘는 주된 이유 중 하나는 공정과 산점도를 쉽게 시각화할 수 있도록 충분한 차원 축소를 제공하기 때문입니다.
	따라서 우리는 다음과 같은 변수를 식별하고 싶습니다.
	변화를 일으키고 있습니다. 그래서 교대 전과 후의 포인트를 색칠할 것입니다.
	스코어 플롯에 표시되도록 합니다.
	일반적으로 6가지 요소의 모든 조합을 살펴보지만 살펴봐야 할 점수 도표가 많습니다.
	매우 편리한 기능은 여기 아래에 있는 이 화살표를 사용하여 모든 조합을 빠르게 순환할 수 있는 기능입니다. 요인 조합을 살펴보고 큰 차이가 있는 조합을 찾을 수 있습니다.
	그리고 점수 도표에서 이동이 처음 발생한 위치를 식별하려면 점을 연결하여 이동이 다시 1125년경에 발생했음을 확인할 수 있습니다.
	또 다른 유용한 도구입니다. 식별하고 싶다면
	관찰이 기록 데이터에서 가장 큰 차이를 보여주고 모든 점수 그림을 살펴보고 싶지 않은 점수 차원은 정규화된 점수 그림입니다. 그래서 교대 후 포인트를 선택하고 정규화된 스코어 플롯을 살펴보겠습니다.
	나는 실제로 다른 것을 선택할 것입니다.
	좋아요.
제레미 애쉬	차원, 5, 6을 보고 싶기 때문입니다. 그래서
	이 도표는 점수의 크기와 정규화된 각 차원을 보여주므로 차원이 동일한 척도에 있게 됩니다. 그리고 과거 데이터의 평균은 각 점수에 대해 0이 언급되기 때문에 가장 큰 규모의 차원이 가장 큰 분리를 보일 것입니다.
	선택한 지점과 과거 데이터 사이. 여기에서 치수 5와 6이 가장 큰 차이를 보이는 것처럼 보입니다.
	그쪽으로 이동하겠습니다
	그래서 여기 우리 사이에 큰 분리가 있습니다.
	변화된 데이터와 과거 데이터 및 제곱 도표 시각화는 요인에 의미를 할당하기 위해 변수 로딩을 사용할 수 있기 때문에 더 잘 해석될 수 있습니다.
	그리고
	여기 있어요
	모든 레이블을 보기에는 변수가 너무 많습니다.
	벡터를 로드하지만 마우스를 가져가서 볼 수 있습니다. 그리고 변화의 방향을 보면 원인이었던 두 변수가 거기에도 나타나는 것을 볼 수 있습니다.
	또한 그룹 비교를 사용하여 프로세스에서 하위 그룹 간의 차이점을 탐색할 수 있습니다. 이를 수행하기 위해 참조 그룹이 이동하기 전에 모든 포인트를 선택하고 참조 그룹과 비교하는 호출 이후의 모든 항목을 선택합니다.
	이것들
	그리고 이 기여 도표는 이 두 그룹 간의 차이에 가장 많이 기여하는 변수를 제공할 것입니다. 그리고 이것이 변화를 야기한 변수도 식별한다는 것을 알 수 있습니다.
	그룹 비교 도구는 점수 도표에 여러 변화가 있는 경우, 즉 데이터에서 2개 이상의 개별 하위 그룹을 볼 수 있는 경우에 특히 유용합니다.
	우리의 경우 현재 데이터의 그룹을 과거 데이터와 비교하고 있습니다. 교대 후 데이터를 선택하고 주요 기여도 점수 도표를 볼 수도 있습니다.
	그리고 이것은 우리에게 줄 것입니다
	주황색 그룹의 점수에 대한 각 변수의 평균 기여도입니다. 그리고 큰 점수는 과거 데이터와 큰 차이를 나타내기 때문입니다. 이러한 기여 도표는 원인을 식별할 수도 있습니다.
	이들은 동일한 공식을 사용하여 t 제곱에 대한 기여도 공식입니다. 그러나 이제 우리는 점수 플롯의 두 가지 요소를 사용하고 있습니다.
	좋아, 내 PowerPoint를 다시 찾을거야.
	데모에 표시된 모델 기반 다중 변형 컨트롤 차트의 주요 기능을 빠르게 요약하겠습니다.
	이 플랫폼은 온라인 결함 감지와 오프라인 결함 진단을 모두 수행할 수 있습니다. 결함의 근본 원인을 드릴다운하기 위한 플랫폼을 제공하는 많은 방법이 있습니다.
	당신에게 보여주고 있습니다. 다음은 책 저자 전체에 걸쳐 산업 시스템에서 널리 사용되는 책 결함 감지 및 진단의 일부 플롯입니다.
	프로세스에서 진행되는 상황을 파악하기 위해 다변량 및 범용 관리도를 나란히 사용해야 하는 방법을 보여줍니다.
	그리고 특히 유용한 기능 및 모델 기반 다변량 관리도는 상호 작용 및 사용자 친화적입니다. 이러한 유형의 차트 사이를 전환하는 것입니다.
	이것이 제 이야기입니다. 여기 내 이메일이 있습니다. 추가 질문이 있으시면 시청해 주신 모든 분들께 감사드립니다.

탈주데이터 액세스 및 조작품질과 신뢰성회신: 다변량 관리도를 사용한 Tennessee Eastman 프로세스의 결함 감지 및 진단(2020-US-45MP-606)

제레미, 도와줘서 고마워. 귀하의 절차를 완전히 재현할 수 있습니다.

내 사소한 실수는 별도의 JMP 인스턴스에서 "monitoring_session.jmpprj" 및 "streaming_session.jmpprj"를 열지 않은 것입니다("JMP Home Window-JMP" & "JMP Home Window-JMP[2]").

회신: 다변량 관리도를 사용한 Tennessee Eastman 프로세스의 결함 감지 및 진단(2020-US-45MP-606)

@LKJP 정보가 귀하에게 도움이 되었고 귀하가 이 정보를 사용할 수 있게 되어 기쁩니다.개선할 수 있는 사항이 있으면 알려주세요.JMP 공개 기능이 도움이 되기를 바랍니다. 15.2를 사용하는 경우에는 필요하지만 16에서 JMP Public으로 푸시하기 위해 JSL에 변경 사항이 있었던 것 같습니다.

회신: 다변량 관리도를 사용한 Tennessee Eastman 프로세스의 결함 감지 및 진단(2020-US-45MP-606)

@LKJP 올바른 매개변수를 수정하고 있습니다.문제는 대기 시간을 충분히 긴 시간으로 변경하지 않는 것일 수 있습니다.단위는 초이므로 상당한 속도 저하를 보려면 Wait(3)과 같은 것을 시도하고 싶을 것입니다. 그것이 당신에게 효과가 있는지 알려주세요.

 

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

회신: 다변량 관리도를 사용한 Tennessee Eastman 프로세스의 결함 감지 및 진단(2020-US-45MP-606)

업데이트해 주셔서 감사합니다.

귀하의 절차를 재현할 수 있습니다.

저는 JMP Public을 사용하지 않았습니다. 나중에 시도해 보겠습니다.

한 가지 질문: 스트림 진행이 동영상보다 훨씬 빠릅니다.

나는 "Wait(.5)"를 .5에서 .9로 증가시키려고 노력했지만 별로 변하지 않았다.

잘못된 매개변수를 조정하고 있습니까?

[stream_data]

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

회신: 다변량 관리도를 사용한 Tennessee Eastman 프로세스의 결함 감지 및 진단(2020-US-45MP-606)

@LKJP readme에 SQL 데이터베이스 구성 지침을 추가하는 것을 잊었습니다.이것을 지적해 주셔서 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 대부분 ODBC 연결을 위해 Windows를 사용해야 한다고 생각합니다.

 

지침이 효과가 있는지 또는 다른 질문이 있는 경우 알려주십시오.

 

 

회신: 다변량 관리도를 사용한 Tennessee Eastman 프로세스의 결함 감지 및 진단(2020-US-45MP-606)

@LKJP 절차는 환경에 따라 다르므로 간단하지 않지만 Jeremy의 도움으로 작동하도록 했습니다. 그는 매우지지합니다. example.zip에는 우리가 배운 내용이 포함된 Readme가 있습니다.

문안 인사

JK

회신: 다변량 관리도를 사용한 Tennessee Eastman 프로세스의 결함 감지 및 진단(2020-US-45MP-606)

Streaming Session에서 SQLite 데이터베이스를 구성하고 JMP를 이 DB에 연결한다고 말했습니다. 그리고 이 절차는 커뮤니티 홈페이지에 있습니다.

나는 그것을 찾을 수 없었다! 내가 잘못된 사이트를 보고 있는 것일 수 있습니다! 이 절차를 어디에서 찾을 수 있는지 알려 주시겠습니까?

감사합니다!

루이스

회신: 다변량 관리도를 사용한 Tennessee Eastman 프로세스의 결함 감지 및 진단(2020-US-45MP-606)

@David_Burnham 미안합니다! 파일을 다시 올렸습니다.그것은 신비롭게 사라졌다!나는 최근에 커뮤니티의 다른 몇몇 사람들에게 이런 일이 일어났다는 것을 알았습니다.관계자분들께 알려드립니다.감사해요!

회신: 다변량 관리도를 사용한 Tennessee Eastman 프로세스의 결함 감지 및 진단(2020-US-45MP-606)

예제 zip 파일을 계속 다운로드할 수 있습니까?