Monitoreo de procesos multivariados con MDMVCCHola, he estado usando los gráficos de control multivariado de Model Drive para el monitoreo de mi proceso durante algunos meses y hay algunas preguntas/problemas que me gustaría verificar si alguien ha encontrado alguna solución similar o disponible.
1. Muy a menudo, el modelo es sensible a las desviaciones de la línea de base, pero aún está dentro del rango operativo normal y aparece marcado en el gráfico T2. Sería fantástico si se pudiera asignar un peso a las variables o, mejor aún, se pudiera definir y considerar el rango operativo normal en el modelo, con suerte reduciendo la sensibilidad y los valores T2/DModX. Creo que esto no está disponible actualmente en JMP, pero ¿hay otro software?
2. Los límites de especificación definidos para las variables en la propiedad de la columna no tienen ningún efecto en la representación roja/verde para univariante dentro/fuera de control. Parece que el control dentro/fuera que se muestra en el gráfico de contribución se basa únicamente en la varianza del conjunto de datos; nuevamente, sería útil comprender el desempeño con respecto a los límites. ¿Existe alguna forma de utilizar MDMVCC que también considere los límites de especificación?
3. Cualquier dato faltante hará que la fila sea inútil en MDMVCC, por lo que normalmente comienzo con la imputación automática de datos para completar los valores faltantes. Esto creará una tabla de datos separada sin todos los scripts y etiquetas en mi tabla de datos original, luego necesito copiar los cambios. Alternativamente, realizo la imputación de los nuevos datos antes de unirlos a mi tabla de datos original. Sin embargo, no puedo decir qué puntos de datos se imputan, ya que no se distinguen de los puntos de datos reales una vez que combino las tablas. ¿Hay una mejor manera de hacer esto?
¡Gracias por tomarse el tiempo de leer mi publicación!
Salud,
Señor
Combinación y limpieza de datosRe: Supervisión de procesos multivariante con MDMVCCTanto T cuadrado como SPE aparecen sustancialmente elevados en la fase actual, por lo que no es sorprendente que encuentre más señales ahora.
Es posible que esté satisfecho con el control actual de la temperatura del proceso. Aún así, T cuadrado indica que el cambio en esta temperatura ya no está correlacionado con el cambio en otras variables. Un gráfico de control le dice cuándo sucedió un evento inusual o inesperado. No es necesariamente malo. ¿Cuál fue la estructura de correlación de las 14 variables que se incluyen en este cuadro? ¿Ha cambiado durante la fase actual?
No conozco un método para reducir la sensibilidad de una variable en el cálculo de T cuadrado. Otro lector podría sugerir una manera.
¿Qué sucede si elimina la temperatura del proceso de T cuadrado, ya que no considera importante si el gráfico univariante indica que está bajo control?
No conozco una forma de imputar datos faltantes que no comprometa T cuadrado.
Re: Supervisión de procesos multivariante con MDMVCCGracias por la respuesta Marcos.
Sí, el rango de funcionamiento normal me refiero a univariado.
Y la flexibilidad para reducir/ajustar la sensibilidad a ciertos parámetros, teniendo en cuenta el rango normal definido por el usuario, podría ser útil.
- Adjunto un ejemplo en el que el gráfico T cuadrado y el gráfico SPE mostraron algunas desviaciones en las que el principal contribuyente fue una temperatura que se controlaba bien, excepto por fluctuaciones ocasionales de +- 0,2 a 0,3, si no estoy muy interesado en saber cuándo la temperatura del proceso está dentro de 0.3 desde el punto de ajuste. Me gustaría reducir la sensibilidad del modelo en consecuencia, lo que podría ayudarme a detectar mejor otras variables.
Mi segunda pregunta está relacionada con la primera, si podemos influir en la representación roja/verde para dentro/fuera de control mediante la especificación de propiedad de columna de límites de control o límites de especificación.
La falta de datos ocurre de vez en cuando, pero no muy a menudo y, por lo general, solo unas pocas de cien variables. Me gustaría saber si hay una mejor manera de integrar el paso de preparación de datos (manejo de datos faltantes) con el proceso de monitoreo multivariante para que sea eficiente.
Re: Supervisión de procesos multivariante con MDMVCC1. Asumo que el "modelo" es multivariado, pero el "rango de operación normal" es univariado. El punto del gráfico T cuadrado es que los gráficos univariados individuales no indicarán un cambio cuando la observación rompe la correlación establecida. ¿Está seguro de que desea reducir la sensibilidad del gráfico T cuadrado?
2. La capacidad (dentro de los límites de especificación) depende del control (dentro de los límites de control) pero no al revés. Como dices, el control se basa en la variación inherente o natural del proceso, no en el desempeño frente a las metas.
3. La imputación producirá los datos esperados y reducirá la sensibilidad del gráfico. ¿Por qué faltan datos? ¿Con qué frecuencia faltan datos?
