| Conférencier |
Transcription |
| Jérémy Ash |
Bonjour, je suis Jeremy Ash. Je suis statisticien chez Jump R et D. Mon travail consiste principalement à tester les plateformes de statistiques multivariées et Jump. |
| |
J'aide également à la recherche et à l'évaluation de la méthodologie et aujourd'hui je vais analyser le processus Tennessee Eastman en utilisant certaines méthodes de contrôle statistique des processus et de saut. |
| |
Je vais accorder une attention particulière à la plate-forme de cartes de contrôle multivariées pilotées 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 que vous avez une certaine connaissance du contrôle statistique des processus dans cet exposé. |
| |
La principale chose à savoir, ce sont les cartes de contrôle. Si vous ne les connaissez pas encore, elles sont utilisées pour surveiller des systèmes industriels complexes afin de déterminer quand ils s'écartent des conditions de fonctionnement normales. |
| |
Je n'aurai pas beaucoup de temps pour aborder la méthodologie et les cartes de contrôle multivariées pilotées par le modèle. Je me référerai donc à d'autres excellentes conférences disponibles gratuitement. |
| |
Pour plus de détails, je dois également mentionner que Jim Finding était le principal développeur du graphique de contrôle multivarié piloté par le modèle et qu'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 sont ajoutées à une base de données et que nous signalerons les défauts 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 ? Il existe de nombreuses excellentes options. |
| |
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. |
| |
Le nombre de graphiques à analyser peut vite devenir écrasant. Les cartes de contrôle multivariées synthétisent donc un processus multidimensionnel. Quelques graphiques suffisent, 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 la conférence que le diagnostic des pannes 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. Les cartes de contrôle universitaires vous permettent de |
| |
Examinez des aspects spécifiques. Les informations sont donc complémentaires et l'un des principaux objectifs des cartes de contrôle multivariées pilotées par modèle était de fournir des outils facilitant le passage d'un type de carte à l'autre. |
| |
L'un des inconvénients de la carte de contrôle universitaire est que les observations peuvent sembler sous contrôle alors qu'elles sont en réalité hors de contrôle au sens multivarié. Je dois donc |
| |
Contrôlez nos graphiques IR pour le pétrole et la densité : ces deux observations en rouge sont contrôlées, mais le pétrole et la densité sont fortement corrélés. Ces observations sont des valeurs aberrantes au sens multivarié ; l'observation 51, en particulier, viole gravement la structure de corrélation. |
| |
Les cartes de contrôle multivariées peuvent donc détecter ces types de valeurs aberrantes. Lorsque les cartes de contrôle universitaires ne le peuvent pas |
| |
La carte de contrôle multivariée pilotée par modèle utilise des méthodes de projection pour construire ses cartes de contrôle. Je vais commencer par expliquer l'ACP, car elle est facile à construire à partir de là. |
| |
PCA réduit la dimensionnalité de vos variables de processus en projetant dans un espace de faible dimension. |
| |
Ceci est montré dans l'image de droite, nous avons p variables de processus et et observations et nous voulons réduire la dimensionnalité du processus à a où a est bien inférieur à p et |
| |
Pour ce faire, nous utilisons cette matrice de chargement P, qui fournit les coefficients des combinaisons linéaires de nos variables X, lesquelles donnent les variables de score. Les équations sont présentées à gauche. |
| |
Les heures de départ P vous donneront les valeurs prédites pour vos variables de processus avec une représentation dimensionnelle réduite. Il y a de l'air de prédiction et vos variables de score sont sélectionnées. |
| |
D'une manière qui minimise cette prédiction au carré. Autrement dit, on maximise la variance expliquée x |
| |
Pls est plus approprié lorsque vous disposez d'un ensemble de variables de processus et d'un ensemble de variables de qualité et que vous souhaitez vraiment vous assurer que les variables de qualité sont maintenues sous contrôle, mais ces variables sont souvent coûteuses ou prennent du temps à collecter. |
| |
Sur une planète, la qualité peut devenir incontrôlable pendant longtemps avant qu'un défaut ne soit détecté. |
| |
Les modèles PLS vous permettent de surveiller vos variables de qualité en fonction de vos variables de processus. Vous pouvez constater ici que PLS trouvera des variables de score qui maximisent la variance expliquée par les variables y. |
| |
Les variables de processus sont souvent moins chères et plus facilement disponibles. Les modèles PLS permettent donc de détecter précocement les défauts de qualité et de réduire les coûts de surveillance des processus. |
| |
À partir de maintenant, je vais me concentrer sur les modèles pls, car c'est ce qui convient le mieux à notre exemple. |
| |
Veuillez donc diviser vos données en deux composants. Le premier composant est votre modèle. Il vous donne les valeurs prédites. |
| |
Une autre façon de penser à cela est que vos données ont été projetées dans un plan modèle défini par vos variables de score et les graphiques t au carré surveilleront la variation dans ce plan modèle. |
| |
Le deuxième composant est votre composante d'erreur. Il s'agit de la distance entre vos données d'origine et les données prédites. Les graphiques d'erreur de prédiction au carré surveilleront ces données. |
| |
Variation de ce composant |
| |
Nous fournissons également une distance alternative au plan x du modèle, il s'agit simplement d'une version normalisée de sp. |
| |
Le dernier concept important à comprendre pour la démonstration est la distinction entre les données historiques et actuelles. |
| |
Données historiques généralement collectées lorsque le processus est sous contrôle. Ces données servent à construire le modèle PLS et à définir |
| |
Variation normale du processus. Cela permet d'obtenir une limite de contrôle. Les données actuelles sont notées en fonction du modèle, mais sont indépendantes de celui-ci. |
| |
Une autre façon de voir les choses est que nous avons un ensemble d'entraînement et un ensemble de test, et la limite de contrôle au carré t est plus faible pour les données d'entraînement car nous nous attendons à une variabilité plus faible pour |
| |
Les observations ont servi à entraîner le modèle, alors que la variabilité et le t au carré sont plus importants. Lorsque le modèle est généralisé à un ensemble de tests, une théorie a été élaborée. |
| |
Variantes du carré T qui nous permettent d'obtenir des limites de contrôle basées sur certaines hypothèses de distribution. |
| |
La démonstration portera sur le suivi du processus Tennessee Eastman. Je présenterai brièvement 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 existe désormais des versions en MATLAB et Python. |
| |
La simulation était basée sur un véritable processus industriel, mais elle a été manipulée pour protéger des informations exclusives. |
| |
Les processus de simulation. La production de liquides. |
| |
En gazant les réactifs, F est un sous-produit qui devra être siphonné du produit souhaité. |
| |
Les deux processus saisonniers sont omniprésents dans la littérature sur l'analyse comparative des méthodes de contrôle de processus multivariés. |
| |
Voici donc le diagramme de processus. Il a l'air compliqué, mais ce n'est pas si compliqué. Je vais donc vous le présenter. |
| |
Les réactifs gazeux ad et he s'écoulent dans le réacteur. La réaction se produit et le produit sort sous forme gazeuse. Il a été refroidi et condensé en liquide et dans le condenseur. |
| |
Ensuite, nous avons un séparateur de liquide vapeur qui éliminera toute vapeur restante et la recyclera vers le réacteur via le compresseur et il y a également un flux de purge ici qui |
| |
Évacuez le sous-produit et un produit chimique pour l'empêcher de s'accumuler, puis le produit liquide sera pompé à travers un stripper où les réactifs restants sont éliminés et le produit purifié final sort d'ici dans le flux de sortie. |
| |
Le premier ensemble de variables surveillées est celui des variables manipulées. Celles-ci ressemblent à des nœuds papillon et à un diagramme. |
| |
Je pense 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 les limites et avoir un certain 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 manipulables sont le débit des réactifs dans le réacteur |
| |
Le débit de vapeur dans le décapeur. |
| |
Et le flux de liquide de refroidissement dans le réacteur |
| |
Le groupe de variables suivant est constitué de variables de mesure. Elles sont représentées par des cercles dans le diagramme et sont également échantillonnées à des intervalles de trois minutes. La différence réside dans le fait 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 mesure la composition ici. |
| |
Ces variables sont collectées avec un délai considérable, donc |
| |
Nous regardons le produit dans le flux parce que |
| |
Ces variables sont plus faciles à mesurer que le produit sortant. Nous allons également créer un modèle de suivi. |
| |
surveiller nos variables de qualité au moyen de nos variables de processus qui ont un retard considérablement moindre dans un taux d'échantillonnage plus rapide. |
| |
Voilà donc un aperçu des données. Au total, 33 variables de processus sont intégrées aux variables de qualité. |
| |
Le processus de collecte des variables est simulé à l'aide d'une série d'équations différentielles. Il ne s'agit donc que d'une simulation. Mais vous pouvez constater qu'un soin considérable a été apporté à la modélisation du modèle. Il s'agit d'un processus réel. |
| |
Voici donc un aperçu de la démo, je suis sur le point de vous montrer que je collecterai des données sur notre processus, puis que je stockerai ces données dans une base de données. |
| |
Je souhaitais un exemple facile à partager. J'utiliserai donc une base de données Sequel Light, mais ce workflow est pertinent pour la plupart des types de bases de données. |
| |
La plupart des bases de données prennent en charge les connexions étranges. Une fois que Jump 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 de leur arrivée. |
| |
Si nous avons un rapport de carte de contrôle multivariée piloté par modèle ouvert avec le recalcul automatique activé, nous disposons d'un mécanisme de mise à jour des cartes de contrôle à mesure que de nouvelles données arrivent. |
| |
Et l’ensemble du processus d’ajout de données à une base de données se déroulera probablement sur un ordinateur distinct de celui effectuant la surveillance. |
| |
J'ai donc deux sessions de saut ouvertes pour émuler cela, les deux sessions ont leur propre journal dans les matériaux fournis sur la Communauté. |
| |
Et la première session ajoutera des données simulées à la base de données et elle s'appelle la session de streaming et la session suivante mettra à jour les rapports au fur et à mesure qu'ils arrivent dans la base de données et j'appelle cela la session de surveillance. |
| |
Ce que j'ai vraiment apprécié dans l'article de Downs et Vogel, c'est qu'ils ne fournissent aucune mesure unique pour évaluer le contrôle du processus. J'ai ici un extrait de l'article. Nous avions l'impression |
| |
Nous avons estimé que les compromis entre les stratégies et techniques de contrôle possibles impliquaient bien plus qu’une simple expression mathématique. |
| |
Voici donc quelques-uns des objectifs qu'ils ont énumérés dans leur article et qui sont pertinents pour notre problème : maintenir les variables de processus dont les valeurs souhaitées minimisent la variabilité de la qualité du produit pendant les perturbations et se remettent 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. |
| |
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 présentées précédemment. Le premier ensemble comprend les variables de mesure. Le suivant comprend nos variables de composition. Et le dernier ensemble comprend les variables manipulées. |
| |
Et le premier script ci-joint s'adaptera à un modèle pls, il exclut les cent dernières roses, c'est un ensemble de test. |
| |
Pour rappel, ce modèle prédit nos deux variables de composition du produit en fonction de nos variables de processus, mais le modèle pls ou PLS n'est pas au cœur de la présentation. J'ai donc déjà inséré les colonnes « modèle » et « score de sortie » ici. |
| |
Si l'on examine les propriétés des colonnes, on constate qu'une propriété de statistiques historiques MD MCC 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 a été conçue de cette façon était : |
| |
Imaginez que vous êtes statisticien et que vous souhaitez partager votre modèle avec un ingénieur afin qu'il puisse construire des cartes de contrôle. Il vous suffit de fournir le tableau de données avec ces colonnes de formules. Vous n'avez pas besoin de partager tous les détails complexes de l'ajustement de votre modèle. |
| |
Ensuite, j'utiliserai les colonnes de score pour créer notre tour de contrôle |
| |
À gauche, je dois contrôler les graphiques t au carré et SPE : 860 observations ont été utilisées pour estimer le modèle. Celles-ci sont étiquetées comme historiques, et 100 observations ont été retenues comme ensemble de test. |
| |
Et vous pouvez voir dans les résumés de limites ci-dessous que j'ai effectué une liaison uniquement pour la correction de plusieurs tests. |
| |
D'après les données historiques. Je l'ai fait ici, dans le menu du triangle rouge, vous pouvez définir le niveau alpha, comme vous le souhaitez. |
| |
J'ai effectué cette correction, car les données sont considérées comme normales. Nous nous attendons donc à ce qu'aucune observation ne soit hors de contrôle et, après cet ajustement de multiplicité, à ce qu'il n'y ait plus de fausses alarmes. |
| |
À droite, les cartes thermiques de proportion de contribution. Elles indiquent la contribution de chaque variable au signal de contrôle externe. Chaque observation est représentée sur l'axe des ordonnées. Les contributions sont exprimées en proportion. |
| |
Et vous pouvez voir dans ces deux graphiques que les contributions sont réparties de manière assez uniforme entre les variables. |
| |
Et en bas, j'ai une plante à score. |
| |
Pour l'instant, nous traçons simplement la première dimension de score par rapport à la deuxième dimension de score, mais vous pouvez examiner n'importe quelle combinaison des dimensions de score à l'aide de ces menus déroulants ou de cette flèche. |
| |
Ok, donc nous sommes assez orientés vers le rapport, je vais passer à la session de surveillance. |
| |
Ce qui diffusera les données dans la base de données. |
| |
Pour utiliser cet exemple, vous devez installer un pilote Sequel Light Odd See. C'est facile à faire. Il vous suffit de suivre ce lien. |
| |
Je n'ai pas le temps d'en parler, mais j'ai créé la base de données Sequel Light. J'utiliserai Jump. J'ai des instructions pour cela et pour connecter Jump à la base de données sur ma page communautaire. |
| |
Cet exemple pourrait être utile si vous souhaitez l'essayer à votre propre date. |
| |
J'ai déjà créé une connexion à cette base de données. |
| |
J'ai partagé la base de données avec la communauté. Je vais donc jeter un œil aux tables de données dans le générateur de requêtes. |
| |
Je peux faire cet instantané de table |
| |
Le premier ensemble de données est constitué des données historiques que j'ai utilisées pour construire un modèle pls, il y a 960 observations qui sont sous contrôle. |
| |
Le tableau de données suivant est un tableau de données de surveillance. Il contient simplement les données historiques au début, mais j'ajouterai progressivement de nouvelles données et c'est ce que notre graphique de contrôle multivarié 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 960 autres observations, mais j'ai introduit une erreur à un moment donné |
| |
Et je voulais quelque chose de simple à partager. Je ne vais donc pas exécuter mon script de simulation et ajouter la base de données de cette façon. |
| |
Je vais simplement prendre les observations de cette nouvelle table de données et les déplacer vers la table de données de surveillance à l'aide de JSON avec des instructions de suite. |
| |
Il s'agit d'un simple exemple illustrant le processus d'entrée de nouvelles données dans une base de données. Ce processus ne serait pas réalisable avec Jump. Mais c'est l'occasion de montrer comment le faire avec ASL. |
| |
Ensuite, je vais vous montrer le script qui sera utilisé pour diffuser les données. |
| |
C'est un script simple. Je vais donc vous le décrire rapidement. |
| |
La première série de commandes ouvrira la nouvelle table de données de la base de données Sequel Light, en arrière-plan. Je dois donc gérer la fenêtre, puis extraire des éléments de cette nouvelle table de données. |
| |
déplacez-les vers la table de données de surveillance. J'appelle les morceaux des bouchées et les TAILLES DE BOUCHÉES 20 |
| |
Cela créera ensuite une connexion à la base de données qui me permettra d'envoyer les instructions SQL de la base de données. Ce dernier fragment de code construira ensuite de manière interactive des instructions séquentielles qui insèrent de nouvelles données dans les données de surveillance. Je vais donc initialiser |
| |
Ok, et je vous montre la première itération de cette boucle. |
| |
Donc c'est juste un simple |
| |
Insérer une instruction SQL dans une instruction qui insère les 20 premières observations. |
| |
Le commentaire indique que le début est plus rapide. Il y a aussi une instruction d'attente ici. Cela ralentira simplement le flux. |
| |
Pour que nous ayons suffisamment de temps pour voir la progression des données et les graphiques de contrôle, si nous n'avions pas cet exemple de streaming, cela se terminerait trop vite. |
| |
Ok, alors je vais |
| |
Revenez à la session de surveillance et montrez-vous quelques scripts qui mettront à jour le rapport. |
| |
Déplacez-le vers la droite. Vous pourrez ainsi voir le rapport et les scripts simultanément. |
| |
Donc, |
| |
Ce script de lecture des données de surveillance est simple et vérifie la base de données toutes les deux secondes et ajoute de nouvelles données à la table de saut. Le recomptage automatique est activé dans le rapport. |
| |
Le rapport sera mis à jour dès que de nouvelles données seront ajoutées. De manière réaliste, vous n'utiliserez probablement pas un script qui s'intègre comme celui-ci ; vous utiliserez probablement le Planificateur de tâches, les fenêtres étant automatisées, et Max planifiera mieux les exécutions. |
| |
Et puis le prochain script ici. |
| |
poussera le rapport à devenir public chaque fois que le rapport sera 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 de consulter les mises à jour de la carte de contrôle. Vous pouvez même consulter le rapport sur votre smartphone. Cela facilite le partage des résultats entre les organisations. Vous pouvez également utiliser Jump Live si vous souhaitez que les rapports soient stockés sur un serveur restreint. |
| |
Et ensuite, le script recréera les données historiques et la table de données au cas où vous souhaiteriez exécuter l'exemple plusieurs fois. |
| |
Ok, alors 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 de 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 lui donne une seconde pour finir. |
| |
Maintenant que j'ai mis à jour la carte de contrôle, je vais publier les résultats. |
| |
Sur ma page publique de saut, j'ai d'abord le graphique de contrôle avec les données et le contrôle au début. |
| |
Et cela devrait être mis à jour avec l'ajout des données. |
| |
Alors, si nous nous concentrons sur le moment où le processus a commencé à échapper à tout contrôle. |
| |
Ton |
| Jérémy Ash |
On dirait que c'était l'échantillon 1125, je vais le colorier |
| |
Et étiquetez-le. |
| |
Pour que cela apparaisse dans d'autres intrigues et ensuite |
| |
Dans le graphique SP, il semble que cette observation soit toujours sous contrôle. |
| |
Le graphique qui détectera les défauts plus tôt dépend de votre modèle et du nombre de facteurs que vous avez choisis. |
| |
Nous pouvons également zoomer sur |
| |
Ce point temporel dans le graphique de contribution. On peut voir quand le processus commence par échapper à tout contrôle. De nombreuses variables contribuent à ce signal d'incontrôlabilité. Mais lorsque le système atteint un nouvel équilibre, seules deux variables contribuent fortement. |
| |
Je vais donc supprimer ces cartes thermiques afin d'avoir plus de place dans la section diagnostic. |
| |
Et pour rendre tout assez grand pour que le texte apparaisse sur votre écran. |
| |
Si je survole le premier point, c'est incontrôlable. Vous pouvez jeter un œil aux 10 principales variables contributives. |
| |
C'est un excellent moyen d'identifier rapidement les variables qui contribuent le plus au signal hors contrôle. Je peux également cliquer sur ce graphique et l'ajouter à la section diagnostic. |
| |
Vous pouvez voir qu’il existe 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. Vous pouvez le constater en survolant les barres. |
| |
Je vais en faire un panoramique, quelques-uns de ceux-là |
| |
Et ces graphiques, nos graphiques IR pour les variables individuelles avec trois limites de contrôle sigma. |
| |
On observerait la variable de pression du stripper. L'observation est hors de contrôle dans la carte de contrôle de l'université, mais les variables sont finalement ramenées sous contrôle par notre système de contrôle. Et c'est vrai pour |
| |
La plupart des |
| |
Les grandes variables contributives 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 manifestement un changement dans le processus. Il faut donc identifier les variables qui contribuent à ce changement. L'une des choses que l'on peut observer est la contribution principale. |
| |
Parcelle |
| |
Si je trie ça et regarde |
| |
Les variables les plus contributives. Il semble que seules deux variables contribuent fortement, et toutes deux mesurent le débit de réaction dans un flux entrant dans le réacteur. |
| |
Ces mesures sont essentiellement les mêmes, sauf que l'une est une variable de mesure et l'autre une variable manipulée. Comme vous pouvez le constater, |
| |
Dans le graphique de contrôle de l'université, il y a un changement important dans le débit. |
| |
Celui-ci aussi. Et voici le changement radical que j'ai programmé dans la simulation. Ces contributions nous permettent donc d'identifier rapidement la cause profonde. |
| |
Je vais donc présenter quelques autres méthodes alternatives pour identifier la même cause de décalage. La raison est simple : dans des données réelles. |
| |
Les changements de processus sont souvent plus subtils, et certains outils peuvent être plus utiles pour les identifier que d'autres, et aboutir systématiquement à la même conclusion avec ces méthodes alternatives. L'article illustrera donc les liens entre ces méthodes. |
| |
Ici, j'ai une usine de score qui peut fournir des informations supplémentaires sur les décalages dans l'usine t au carré. |
| |
Sa capacité à capturer des décalages dimensionnels élevés est plus limitée, 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 |
| |
Ce qui provoque le décalage. Je vais donc colorier les points avant et après le décalage. |
| |
Pour qu'ils apparaissent dans le graphique des scores. |
| |
En règle générale, lorsque nous examinons toutes les combinaisons des six facteurs, cela représente beaucoup de graphiques de scores à examiner. |
| |
Ce qui est très pratique, c'est la possibilité de parcourir rapidement toutes les combinaisons avec cette flèche en bas et nous pouvons examiner les combinaisons de facteurs et en trouver une où il y a une grande séparation. |
| |
Et si nous voulions identifier où le changement s'est produit en premier dans les graphiques de score, vous pouvez relier les points et voir que le changement s'est produit à nouveau vers 1125. |
| |
Un autre outil utile. Si vous souhaitez identifier |
| |
Les dimensions de score, où une observation présente l'écart le plus important par rapport aux données historiques et où il est préférable d'éviter d'examiner tous les graphiques de score, sont le graphique de score normalisé. Je vais donc sélectionner un point après le décalage et examiner le graphique de score normalisé. |
| |
En fait, je vais en choisir un autre. |
| |
D'accord. |
| Jérémy Ash |
Parce que je veux regarder les dimensions cinq et six. Donc le |
| |
Ces graphiques montrent l'ampleur du score et chaque dimension normalisée, de sorte que les dimensions soient à la même échelle. Et comme la moyenne des données historiques est nulle pour chaque score, les dimensions les plus importantes afficheront la plus grande séparation. |
| |
Entre le point sélectionné et les données historiques. Il semble donc qu'ici, les dimensions cinq et six présentent la plus grande séparation. |
| |
Je vais déménager vers ceux-là |
| |
Il y a donc une grande séparation ici entre nos |
| |
Les données décalées, 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 leurs étiquettes. |
| |
Chargement des vecteurs, mais vous pouvez les survoler pour les visualiser. Et vous pouvez voir, si je regarde dans la direction du décalage, que les deux variables responsables apparaissent également. |
| |
Nous pouvons également explorer les différences entre les sous-groupes dans le processus avec les comparaisons de groupes pour ce faire, je sélectionnerai tous les points avant le décalage dans l'appel qui est le groupe de référence et tout ce qui suit dans l'appel qui est le groupe que je compare à la référence |
| |
Ces |
| |
Ce graphique de contribution me donnera les variables qui contribuent le plus à la différence entre ces deux groupes. Vous constaterez qu'il identifie également les variables à l'origine de ce changement. |
| |
L'outil de comparaison de groupe est particulièrement utile lorsqu'il y a plusieurs décalages dans un graphique de score ou lorsque vous pouvez voir plus de deux sous-groupes distincts dans vos données. |
| |
Dans notre cas, comme nous comparons un groupe de nos données actuelles aux données historiques, nous pourrions également sélectionner les données après le changement et examiner un graphique du score de contribution principal. |
| |
Et cela nous donnera |
| |
Contributions moyennes de chaque variable aux scores du groupe orange. Étant donné que des scores élevés indiquent une différence importante par rapport aux données historiques, ces graphiques de contribution permettent également d'identifier la cause. |
| |
Ils utilisent la même formule de contribution pour t au carré. Mais maintenant, nous utilisons uniquement les deux facteurs du graphique de score. |
| |
Ok, je vais retrouver mon PowerPoint. |
| |
Alors très rapidement, je vais résumer les principales caractéristiques du graphique de contrôle multivariable piloté par modèle qui ont été présentées dans la démo. |
| |
La plateforme est capable de détecter et de diagnostiquer les pannes en ligne et hors ligne. De nombreuses méthodes permettent d'identifier la cause profonde des pannes. |
| |
Je vous montre quelques graphiques tirés du livre populaire « Détection et diagnostic des défauts dans les systèmes industriels » de ses auteurs. |
| |
Démontrer comment il est nécessaire d’utiliser des cartes de contrôle multivariées et universelles côte à côte pour avoir une idée de ce qui se passe dans le processus. |
| |
Une fonctionnalité particulièrement utile des graphiques de contrôle multivariés pilotés par modèle réside dans leur interactivité et leur convivialité. Il est possible de passer d'un type de graphique à l'autre. |
| |
Voilà donc mon exposé. Voici mon adresse e-mail. Si vous avez d'autres questions, merci à tous ceux qui ont suivi. |
