Surveillance de processus multivariée avec MDMVCCsalut, j'utilise les cartes de contrôle multivariées Model Drive pour la surveillance de mes processus depuis quelques mois et il y a quelques questions/problèmes que j'aimerais vérifier si quelqu'un a rencontré une solution similaire, une solution disponible
1. Très souvent, le modèle est sensible aux écarts par rapport à la ligne de base mais reste dans la plage de fonctionnement normale et est signalé dans le tracé T2. Ce serait formidable si une pondération pouvait être attribuée aux variables ou, mieux encore, la plage de fonctionnement normale pouvait être définie et prise en compte dans le modèle - en espérant réduire la sensibilité et les valeurs T2 / DModX. Je pense que ce n'est actuellement pas disponible sur JMP mais sur d'autres logiciels ?
2. Les limites de spécification définies pour les variables dans la propriété de colonne n'ont aucun effet sur la représentation rouge/verte pour les variables univariées dans/hors contrôle. Il semble que le contrôle intra/hors contrôle indiqué dans le graphique de contribution soit uniquement basé sur la variance de l'ensemble de données - encore une fois, il serait utile de comprendre les performances par rapport aux limites. Existe-t-il un moyen d'utiliser MDMVCC qui prend également en compte les limites des spécifications ?
3. Toute donnée manquante rendra la ligne inutile dans MDMVCC, je commence donc généralement par l'imputation automatique des données pour remplir les valeurs manquantes. Cela créera une table de données distincte sans tous les scripts et étiquettes de ma table de données d'origine, je devrai ensuite copier les modifications. Alternativement, j'effectue l'imputation sur les nouvelles données avant de les joindre à ma table de données d'origine. Néanmoins, je ne suis pas en mesure de dire quels points de données sont imputés car ils ne se distinguent pas des points de données réels une fois que je combine les tableaux. Y a-t-il une meilleure manière de faire cela?
Merci d'avoir pris le temps de lire mon message !
Acclamations,
M
Mélange et nettoyage des donnéesRe : Surveillance de processus multivariée avec MDMVCCLe carré T et le SPE apparaissent tous deux considérablement élevés dans la phase actuelle, il n'est donc pas surprenant que vous rencontriez plus de signaux maintenant.
Vous pourriez être satisfait du contrôle actuel de la température du procédé. Pourtant, T carré indique que le changement de cette température n'est plus corrélé avec le changement des autres variables. Une carte de contrôle vous indique quand un événement inhabituel ou inattendu s'est produit. Ce n'est pas forcément mauvais. Quelle était la structure de corrélation des 14 variables incluses dans ce graphique ? A-t-il changé pendant la phase actuelle ?
Je ne connais pas de méthode pour réduire la sensibilité d'une variable dans le calcul du T carré. Un autre lecteur pourrait suggérer un moyen.
Que se passe-t-il si vous supprimez la température du procédé de T carré, puisque vous ne considérez pas qu'il est important si le graphique univarié indique qu'il est sous contrôle ?
Je ne connais pas de moyen d'imputer les données manquantes qui ne compromettrait pas T carré.
Re : Surveillance de processus multivariée avec MDMVCCMerci pour la réponse Marc.
Oui, la plage de fonctionnement normale à laquelle je fais référence est univariée.
Et la flexibilité de réduire/ajuster la sensibilité à certains paramètres, en tenant compte de la plage normale définie par l'utilisateur, pourrait être utile.
- Je joins un exemple où le graphique T carré et le graphique SPE ont montré quelques écarts où le premier contributeur était une température qui se contrôlait bien à l'exception de fluctuations occasionnelles +- 0,2 à 0,3, si je ne suis pas très intéressé de savoir quand la température du processus est à moins de 0,3 du point de consigne, je voudrais réduire la sensibilité du modèle en conséquence, ce qui pourrait m'aider à mieux saisir d'autres variables
Ma 2ème question est liée à la 1ère, en ce sens que pouvons-nous influencer la représentation rouge / verte pour sous / hors contrôle par la spécification de la propriété de colonne des limites de contrôle ou des limites de spécification.
Les données manquantes se produisent de temps en temps, mais pas très souvent et généralement seulement quelques-unes des centaines de variables. J'aimerais savoir s'il existe une meilleure façon d'intégrer l'étape de préparation des données (traitement des données manquantes) avec le processus de surveillance multivariée afin qu'il soit efficace.
Re : Surveillance de processus multivariée avec MDMVCC1. Je suppose que le "modèle" est multivarié, mais la "gamme de fonctionnement normale" est univariée. Le point du graphique en T carré est que les graphiques univariés individuels ne signaleront pas de changement lorsque l'observation rompt la corrélation établie. Êtes-vous sûr de vouloir réduire la sensibilité du graphique en T carré ?
2. La capacité (dans les limites de spécification) dépend du contrôle (dans les limites de contrôle) mais pas l'inverse. Comme vous le dites, le contrôle est basé sur la variation inhérente ou naturelle du processus, et non sur la performance par rapport aux objectifs.
3. L'imputation produira les données attendues et réduira la sensibilité du graphique. Pourquoi les données manquent-elles ? À quelle fréquence les données manquent-elles ?
