| Lautsprecher |
Transkript |
| Jeremy Ash |
Hallo, ich bin Jeremy Ash. Ich bin Statistiker bei Jump R amp D. Meine Arbeit besteht hauptsächlich darin, die multivariaten Statistikplattformen und Jump zu testen, aber |
| |
Ich helfe auch bei der Erforschung und Bewertung der Methodik und werde heute den Tennessee-Eastman-Prozess mithilfe einiger statistischer Prozesskontrollmethoden analysieren und springen. |
| |
Ich werde der modellgesteuerten multivariaten Kontrollkartenplattform, die neu bei Jump ist, besondere Aufmerksamkeit widmen. Ich bin wirklich begeistert von dieser Plattform und diese Daten boten eine neue Gelegenheit, einige ihrer Funktionen vorzustellen. |
| |
Erstens setze ich in diesem Vortrag gewisse Kenntnisse in statistischer Prozesskontrolle voraus. |
| |
Das Wichtigste, was Sie wissen müssen, sind Kontrolldiagramme. Falls Sie damit nicht vertraut sind: Diese Diagramme werden verwendet, um komplexe Industriesysteme zu überwachen und festzustellen, wann sie von den normalen Betriebsbedingungen abweichen. |
| |
Ich werde nicht viel Zeit haben, um auf die Methodik und die modellgesteuerte multivariate Kontrollkarte einzugehen. Daher verweise ich auf diese anderen großartigen Vorträge, die kostenlos verfügbar sind. |
| |
Für weitere Einzelheiten. Ich sollte auch erwähnen, dass Jim Finding der Hauptentwickler des modellgesteuerten multivariaten Kontrolldiagramms war und dass ich in Zusammenarbeit mit Chris Got Walt und Tanya Malden als Tester fungierte. |
| |
Der Schwerpunkt dieses Vortrags liegt daher auf der Verwendung multivariater Kontrollkarten zur Überwachung eines realen chemischen Prozesses. |
| |
Ein weiterer neuartiger Aspekt dieses Vortrags wird die Verwendung von Kontrollkarten für die Online-Prozessüberwachung sein. Das bedeutet, dass wir Daten kontinuierlich überwachen, während sie einer Datenbank hinzugefügt werden, und Fehler in Echtzeit per SMS melden. |
| |
Ich beginne also mit der obligatorischen Folie zu den Vorteilen multivariater Regelkarten. Warum also nicht die Regelkarten der Universität verwenden? Es gibt eine Reihe hervorragender Optionen. |
| |
Universitätskontrollkarten eignen sich hervorragend für die Analyse weniger Variablen gleichzeitig. Qualitätskontrolldatensätze sind jedoch oft hochdimensional |
| |
Und die Anzahl der Diagramme, die Sie betrachten müssen, kann schnell überwältigend werden. Multivariate Kontrolldiagramme fassen daher einen hochdimensionalen Prozess zusammen. Und nur wenige Diagramme sind ein entscheidender Vorteil. |
| |
Das heißt aber nicht, dass Universitäts-Kontrollkarten in diesem Zusammenhang nicht nützlich sind. Sie werden im Laufe des Vortrags sehen, dass die Fehlerdiagnose häufig das Umschalten zwischen multivariaten Kontrollkarten in der Universität erfordert. |
| |
Multivariate Kontrollkarten geben Ihnen ein Gefühl für den Gesamtzustand eines Prozesses. Universitätskontrollkarten ermöglichen es Ihnen, |
| |
Betrachten Sie bestimmte Aspekte. Die Informationen ergänzen sich also gegenseitig und eines der Hauptziele der modellgesteuerten multivariaten Kontrollkarte bestand darin, einige Tools bereitzustellen, die den Wechsel zwischen diesen beiden Kartentypen erleichtern. |
| |
Ein Nachteil der Universitätskontrollkarte besteht darin, dass Beobachtungen scheinbar unter Kontrolle sind, obwohl sie im multivariaten Sinne tatsächlich außer Kontrolle geraten. Ich muss also |
| |
Kontrollieren Sie unsere IR-Diagramme für Öl und Dichte. Diese beiden rot markierten Beobachtungen liegen im Rahmen, Öl und Dichte sind jedoch stark korreliert. Und diese Beobachtungen sind Ausreißer im multivariaten Sinne. Insbesondere Beobachtung 51 verletzt die Korrelationsstruktur erheblich. |
| |
Multivariate Kontrollkarten können diese Art von Ausreißern erfassen. Wenn Universitätskontrollkarten nicht |
| |
Modellgesteuerte multivariate Kontrollkarten verwenden Projektionsmethoden zur Erstellung ihrer Kontrollkarten. Ich beginne mit der Erklärung der PCA, da der Aufbau von dort aus einfach ist. |
| |
PCA reduziert die Dimensionalität Ihrer Prozessvariablen durch Projektion in einen niedrigdimensionalen Raum. |
| |
Dies wird im Bild rechts gezeigt. Wir haben p Prozessvariablen und Beobachtungen und wir wollen die Dimensionalität des Prozesses auf a reduzieren, wobei a viel kleiner als p ist und |
| |
Dazu verwenden wir diese P-Ladematrix, die die Koeffizienten für lineare Kombinationen unserer X-Variablen liefert, die die Score-Variablen ergeben. Die gezeigten Gleichungen sind links dargestellt. |
| |
Mit der niedrigdimensionalen Darstellung erhalten Sie mit „Startzeiten P“ Vorhersagewerte für Ihre Prozessvariablen. Es gibt noch etwas Vorhersageluft und Ihre Score-Variablen sind ausgewählt. |
| |
Auf eine Weise, die diese quadrierte Vorhersage minimiert. Eine andere Möglichkeit, darüber nachzudenken, ist, dass Sie die Menge der erklärten Varianz maximieren x |
| |
PLS ist besser geeignet, wenn Sie über eine Reihe von Prozessvariablen und eine Reihe von Qualitätsvariablen verfügen und wirklich sicherstellen möchten, dass die Qualitätsvariablen unter Kontrolle gehalten werden. Die Erfassung dieser Variablen ist jedoch häufig teuer oder zeitaufwändig. |
| |
Auf dem Planeten kann die Qualität lange Zeit außer Kontrolle geraten, bevor ein Fehler erkannt wird, also |
| |
Mit PLS-Modellen können Sie Ihre Qualitätsvariablen als Funktion Ihrer Prozessvariablen überwachen. Und Sie können hier sehen, dass PLS Score-Variablen findet, die die in den y-Variablen erklärte Varianz maximieren. |
| |
Die Prozessvariablen sind oft günstiger und leichter verfügbar. Daher können PLS-Modelle Qualitätsmängel frühzeitig erkennen und die Prozessüberwachung kostengünstiger gestalten. |
| |
Von nun an werde ich mich nur noch auf PLS-Modelle konzentrieren, da diese für unser Beispiel besser geeignet sind. |
| |
Teilen Sie Ihre Daten daher bitte in zwei Komponenten auf. Die erste Komponente ist Ihre Modellkomponente. Diese liefert Ihnen die vorhergesagten Werte. |
| |
Eine andere Möglichkeit, darüber nachzudenken, besteht darin, dass Ihre Daten in eine Modellebene projiziert wurden, die durch Ihre Score-Variablen definiert ist, und T-Quadrat-Diagramme die Variation in dieser Modellebene überwachen. |
| |
Die zweite Komponente ist Ihre Fehlerkomponente. Dies ist der Abstand zwischen Ihren Originaldaten und den vorhergesagten Daten. Quadratische Vorhersagefehlerdiagramme sind sp-Diagramme, die überwachen |
| |
Variation in dieser Komponente |
| |
Wir bieten auch einen alternativen Abstand zur Modell-X-Ebene an. Dies ist lediglich eine normalisierte Version von sp. |
| |
Das letzte Konzept, das für die Demo wichtig zu verstehen ist, ist die Unterscheidung zwischen historischen und aktuellen Daten. |
| |
Historische Daten werden typischerweise dann erhoben, wenn der Prozess unter Kontrolle ist. Diese Daten werden verwendet, um das PLS-Modell zu erstellen und zu definieren |
| |
Normale Prozessvariation. Dadurch lässt sich eine Kontrollgrenze ermitteln. Den aktuellen Daten werden auf Grundlage des Modells Punkte zugewiesen, sie sind jedoch unabhängig vom Modell. |
| |
Eine andere Möglichkeit, darüber nachzudenken, ist, dass wir einen Trainings- und einen Testsatz haben und die T-Quadrat-Kontrollgrenze für die Trainingsdaten niedriger ist, weil wir eine geringere Variabilität erwarten für |
| |
Beobachtungen wurden verwendet, um das Modell zu trainieren, wobei es eine größere Variabilität und ein höheres T-Quadrat gibt. Wenn das Modell verallgemeinert wird, handelt es sich um einen Testsatz. Und glücklicherweise gibt es eine Theorie, die für die |
| |
Varianten des T-Quadrats, die es uns ermöglichen, Kontrollgrenzen basierend auf einigen Verteilungsannahmen zu erhalten. |
| |
In der Demo wird der Tennessee Eastman-Prozess überwacht. Ich werde eine kurze Einführung in diese Daten geben. |
| |
Dies ist eine Simulation eines chemischen Prozesses, der von Downs und Bogle für Chemiker bei Eastman Chemical entwickelt wurde. Ursprünglich wurde er in Fortran geschrieben, aber es gibt mittlerweile Rapper dafür in MATLAB und Python. |
| |
Die Simulation basierte auf einem realen Industrieprozess, wurde jedoch manipuliert, um vertrauliche Informationen zu schützen. |
| |
Die Simulationsprozesse. Die, die Produktion von Flüssigkeiten. |
| |
Durch die Vergasung der Reaktanten entsteht F als Nebenprodukt, das vom gewünschten Produkt abgesaugt werden muss. |
| |
Die Zwei-Jahreszeiten-Prozesse sind in der Literatur zum Benchmarking multivariater Prozesssteuerungsmethoden weit verbreitet. |
| |
Dies ist das Prozessdiagramm. Es sieht kompliziert aus, ist aber gar nicht so schlimm. Ich werde es Ihnen erklären. |
| |
Die gasförmigen Reaktanten ad und he strömen hier in den Reaktor, die Reaktion findet statt und das Produkt tritt als Gas aus. Es wird gekühlt und zu einer Flüssigkeit und dem Kondensator kondensiert. |
| |
Dann haben wir einen Dampf-Flüssigkeits-Abscheider, der den restlichen Dampf entfernt und ihn durch den Kompressor zurück in den Reaktor führt. Außerdem gibt es hier einen Spülstrom, der |
| |
Lassen Sie Nebenprodukte und eine Kunstchemikalie ab, um deren Ansammlung zu verhindern. Anschließend wird das flüssige Produkt durch einen Stripper gepumpt, wo die verbleibenden Reaktanten abgestreift werden und das endgültige gereinigte Produkt hier im Ausgangsstrom austritt. |
| |
Der erste Satz von Variablen, der überwacht wird, sind die manipulierten Variablen. Diese sehen aus wie Fliegen und das Diagramm. |
| |
Ich glaube, es handelt sich dabei eigentlich um Ventile und die Stellgrößen steuern hauptsächlich die Durchflussrate durch verschiedene Ströme des Prozesses. |
| |
Diese Variablen können auf bestimmte Werte innerhalb von Grenzen eingestellt werden und haben ein gewisses Gaußsches Rauschen und die manipulativen Variablen können mit jeder Rate abgetastet werden, wir verwenden eine Standardabtastung von drei Minuten in |
| |
Einige Beispiele für die manipulativen Variablen sind die Durchflussrate der Reaktanten in den Reaktor |
| |
Die Durchflussrate des Dampfes in den Stripper. |
| |
Und der Kühlmittelfluss in den Reaktor |
| |
Die nächste Gruppe von Variablen sind Messvariablen. Diese werden im Diagramm als Kreise dargestellt und ebenfalls in dreiminütigen Intervallen abgetastet. Der Unterschied besteht darin, dass die Messvariablen in der Simulation nicht manipuliert werden können. |
| |
Unsere Qualitätsvariablen sind die prozentuale Zusammensetzung der flüssigen Produkte, die Sie sehen können |
| |
Der Analysator misst hier die Zusammensetzung. |
| |
Diese Variablen werden mit erheblicher Zeitverzögerung erfasst, |
| |
Wir schauen uns das Produkt im Stream an, weil |
| |
Diese Variablen lassen sich leichter messen als das Produkt, das im Ausgangsstrom austritt. Und wir werden auch ein PLS-Modell erstellen, um zu überwachen |
| |
Überwachen Sie unsere Qualitätsvariablen mithilfe unserer Prozessvariablen, die bei einer schnelleren Abtastrate eine wesentlich geringere Verzögerung aufweisen. |
| |
Okay, das ist also ein Hintergrund zu den Daten. Insgesamt gibt es 33 Prozessvariablen in Qualitätsvariablen. |
| |
Der Prozess der Variablenerfassung wird mit einer Reihe von Differentialgleichungen simuliert. Dies ist also nur eine Simulation. Man sieht jedoch, dass bei der Modellierung viel Sorgfalt aufgewendet wurde. Dies ist ein realer Prozess. |
| |
Hier ist also ein Überblick über die Demo. Ich werde Ihnen zeigen, wie wir Daten zu unserem Prozess sammeln und diese Daten dann in einer Datenbank speichern. |
| |
Ich wollte ein Beispiel haben, das sich leicht weitergeben lässt. Daher verwende ich eine Sequel Light-Datenbank, aber dieser Workflow ist für die meisten Datenbanktypen relevant. |
| |
Die meisten Datenbanken unterstützen Odd-See-Verbindungen. Sobald ein Sprung eine Verbindung zur Datenbank herstellt, kann er regelmäßig nach neuen Beobachtungen suchen und die Sprungtabelle aktualisieren, sobald diese eingehen. |
| |
Und wenn wir dann einen modellgesteuerten multivariaten Kontrolldiagrammbericht mit aktivierter automatischer Neuberechnung geöffnet haben, verfügen wir über einen Mechanismus zum Aktualisieren der Kontrolldiagramme, wenn neue Daten eingehen. |
| |
Und der gesamte Vorgang des Hinzufügens von Daten zu einer Datenbank wird wahrscheinlich auf einem anderen Computer als dem Computer, der die Überwachung durchführt, ablaufen. |
| |
Ich habe also zwei Jump-Open-Sitzungen eingerichtet, um dies zu emulieren. Beide Sitzungen verfügen über ein eigenes Journal, in dem die Materialien von der Community bereitgestellt werden. |
| |
Und die erste Sitzung fügt der Datenbank simulierte Daten hinzu und wird als Streaming-Sitzung bezeichnet. Die nächste Sitzung aktualisiert Berichte, sobald sie in die Datenbank eingehen und ich nenne das die Überwachungssitzung. |
| |
Was mir an der Arbeit von Downs und Vogel besonders gefiel, war, dass sie keine einzige Messgröße zur Bewertung der Prozesskontrolle lieferten. Ich habe hier ein Zitat aus der Arbeit. Wir hatten das Gefühl, |
| |
Wir waren der Meinung, dass die Abwägung zwischen möglichen Kontrollstrategien und -techniken weit mehr beinhaltet als nur einen mathematischen Ausdruck. |
| |
Hier sind einige der in ihrem Dokument aufgeführten Ziele, die für unser Problem relevant sind: die Prozessvariablen auf den gewünschten Werten zu halten, die Variabilität der Produktqualität bei Störungen zu minimieren und sich schnell und reibungslos von Störungen zu erholen. |
| |
Daher werden wir mithilfe unserer Überwachungsmethoden beurteilen, wie gut unser Prozess diese Ziele erreicht. |
| |
Okay. |
| |
Ich beginne also mit dem Sitzungsprotokoll und zeige Ihnen unsere ersten gesendeten Daten. Die Datentabelle enthält alle Variablen, die ich zuvor eingeführt habe. Der erste Satz sind die Messvariablen. Der nächste Satz sind unsere Zusammensetzungsvariablen. Und der letzte Satz sind die manipulierten Variablen. |
| |
Und das erste hier angehängte Skript passt zu einem PLS-Modell, es schließt die letzten hundert Rosen aus und ist ein Testsatz. |
| |
Und nur zur Erinnerung: Dieses Modell prognostiziert unsere beiden Produktzusammensetzungsvariablen als Funktion unserer Prozessvariablen, aber das PLS-Modell oder PLS ist nicht der Schwerpunkt dieses Vortrags. Daher habe ich das Modell und die Ausgabe-Score-Spalten hier bereits angepasst. |
| |
Und wenn wir uns die Spalteneigenschaften ansehen, sehen Sie, dass es eine MD MCC-Historische Statistikeigenschaft gibt, die alle Informationen enthält |
| |
Auf Ihrem Modell müssen Sie die multivariaten Kontrollkarten erstellen. Einer der Gründe, warum die Überwachung multivariater Kontrollkarten auf diese Weise konzipiert wurde, war |
| |
Stellen Sie sich vor, Sie sind Statistiker und möchten Ihr Modell einem Ingenieur zur Verfügung stellen, damit dieser Regelkarten erstellen kann. Sie müssen lediglich die Datentabelle mit den Formelspalten versehen. Sie müssen nicht alle Details zur Anpassung Ihres Modells offenlegen. |
| |
Als nächstes werde ich die Punktespalten verwenden, um unseren Kontrollzug zu erstellen |
| |
Auf der linken Seite habe ich Kontrolldiagramme für T-Quadrat und SPE. Dort sind 860 Beobachtungen, die zur Schätzung des Modells verwendet wurden. Diese sind als historisch gekennzeichnet. Dann habe ich 100 Beobachtungen, die als Testsatz zurückgehalten wurden. |
| |
Und Sie können in den Grenzwertzusammenfassungen hier unten sehen, dass ich eine Bindung nur zur Korrektur für Mehrfachtests durchgeführt habe. |
| |
Basierend auf den historischen Daten. Ich habe das hier oben im roten Dreieckmenü gemacht. Sie können den Alpha-Level einstellen, was immer Sie wollen und |
| |
Ich habe diese Korrektur vorgenommen, da die Daten bekanntermaßen normale Betriebsbedingungen aufweisen. Daher erwarten wir keine außer Kontrolle geratenen Beobachtungen und nach dieser Multiplizitätsanpassung gibt es keine Fehlalarme mehr. |
| |
Rechts die Heatmaps mit den Beitragsanteilen. Diese geben an, wie viel jede Variable zum äußeren Kontrollsignal beiträgt. Jede Beobachtung ist auf der Y-Achse dargestellt und die Beiträge werden als Anteil ausgedrückt. |
| |
Und Sie können in beiden Diagrammen sehen, dass die Beiträge ziemlich gleichmäßig über die Variablen verteilt sind. |
| |
Und ganz unten habe ich eine Punkteanlage. |
| |
Im Moment stellen wir nur die erste Score-Dimension im Vergleich zur zweiten Score-Dimension dar, aber Sie können mithilfe dieser Dropdown-Menüs oder dieses Pfeils jede beliebige Kombination der Score-Dimensionen anzeigen. |
| |
Okay, wir sind nun ziemlich gut mit dem Bericht vertraut. Ich werde zur Überwachungssitzung wechseln. |
| |
Dadurch werden Daten in die Datenbank gestreamt. |
| |
Um in diesem Beispiel etwas tun zu können, benötigen Sie einen Sequel Light Odd See-Treiber. Das ist ganz einfach. Folgen Sie einfach diesem Link hier. |
| |
Und ich habe keine Zeit, darüber zu sprechen, aber ich habe die Sequel Light-Datenbank erstellt. Ich werde Jump verwenden. Anweisungen dazu und wie man Jump mit der Datenbank verbindet, finden Sie auf meiner Community-Webseite. |
| |
Dieses Beispiel könnte hilfreich sein, wenn Sie dies bei Ihrem eigenen Date ausprobieren möchten. |
| |
Ich habe bereits eine Verbindung zu dieser Datenbank hergestellt. |
| |
Und ich habe die Datenbank in der Community geteilt. Ich werde also einen Blick auf die Datentabellen im Abfrage-Generator werfen. |
| |
Ich kann diesen Tabellen-Snapshot machen |
| |
Der erste Datensatz besteht aus den historischen Daten. Ich habe diese zum Erstellen eines PLS-Modells verwendet. Es gibt 960 Beobachtungen, die unter Kontrolle sind. |
| |
Die nächste Datentabelle ist eine Überwachungsdatentabelle. Sie enthält zunächst nur die historischen Daten, aber ich werde ihr nach und nach neue Daten hinzufügen, und dies ist, was unser multivariates Kontrolldiagramm überwachen wird. |
| |
Und dann habe ich die neuen Daten bereits simuliert und sie dieser Datentabelle hier hinzugefügt und sehe, dass sie beim Zeitstempel 961 beginnen |
| |
Und es gibt noch 960 weitere Beobachtungen, aber ich habe irgendwann einen Fehler eingeführt |
| |
Und ich wollte etwas haben, das sich leicht teilen lässt. Daher werde ich mein Simulationsskript nicht ausführen und die Datenbank auf diese Weise hinzufügen. |
| |
Ich werde einfach Beobachtungen aus dieser neuen Datentabelle nehmen und sie mithilfe von JSON mit Folgeanweisungen in die Überwachungsdatentabelle verschieben. |
| |
Und dies ist nur ein einfaches Beispiel, das den Prozess des Einlesens neuer Daten in eine Datenbank emuliert. Mit Jump gelingt Ihnen das vielleicht nicht wirklich. Aber hier haben wir die Gelegenheit zu zeigen, wie es mit ASL geht. |
| |
Als Nächstes zeige ich Ihnen das Skript, das zum Streamen der Daten verwendet wird. |
| |
Dies ist ein einfaches Skript. Ich werde es Ihnen kurz erklären. |
| |
Der erste Befehlssatz öffnet die neue Datentabelle aus der Sequel Light-Datenbank. Sie öffnet sich im Hintergrund. Ich muss mich also mit dem Fenster befassen und dann Teile aus dieser neuen Datentabelle nehmen und |
| |
Verschieben Sie sie in die Überwachungsdatentabelle. Ich nenne die Stücke Bissen und die BISSGRÖSSEN 20 |
| |
Anschließend wird eine Datenbankverbindung erstellt, die es mir ermöglicht, SQL-Anweisungen an die Datenbank zu senden. Dieser letzte Codeabschnitt erstellt interaktiv Folgeanweisungen, die neue Daten in die Überwachungsdaten einfügen. Ich initialisiere also |
| |
Okay, und ich zeige Ihnen die erste Iteration dieser Schleife. |
| |
Das ist also nur eine einfache |
| |
SQL-Anweisung „Into-Anweisung einfügen“, die die ersten 20 Beobachtungen einfügt. |
| |
Kommentieren Sie, dass Outset schneller läuft. Und hier unten gibt es eine Warteanweisung. Dies verlangsamt den Stream nur. |
| |
Damit wir genügend Zeit haben, den Verlauf der Daten und Kontrolldiagramme zu sehen, wäre dieses Streaming-Beispiel ohne dieses einfach zu schnell vorbei. |
| |
Okay, ich werde |
| |
Wechseln Sie zurück zur Überwachungssitzung und zeigen Sie einige Skripte, die den Bericht aktualisieren. |
| |
Verschieben Sie dies nach rechts. So können Sie den Bericht und die Skripte gleichzeitig sehen. |
| |
Also, |
| |
Dieses Skript zum Lesen von Überwachungsdaten ist ein einfaches Skript, das alle zwei Sekunden die Datenbank überprüft und der Sprungtabelle neue Daten hinzufügt. Und da im Bericht die automatische Nachzählung aktiviert ist. |
| |
Der Bericht wird aktualisiert, sobald neue Daten hinzugefügt werden. Und ich sollte hinzufügen, dass Sie realistisch gesehen wahrscheinlich kein Skript verwenden würden, das sich einfach so integriert, sondern wahrscheinlich den Taskplaner verwenden würden, und Fenster sind automatisiert, und Max kann die Ausführungen besser planen. |
| |
Und dann das nächste Skript hier. |
| |
wird den Bericht bei jeder Aktualisierung öffentlich machen. |
| |
Ich war wirklich aufgeregt, dass dies möglich ist, und bin gesprungen. |
| |
Es ermöglicht jedem Computer mit Webbrowser, Aktualisierungen der Kontrollkarte anzuzeigen. Sie können den Bericht sogar auf Ihrem Smartphone anzeigen. Dies erleichtert den unternehmensübergreifenden Austausch von Ergebnissen. Sie können auch Jump Live verwenden, wenn Sie die Berichte auf einem eingeschränkten Server speichern möchten. |
| |
Anschließend erstellt das Skript die historischen Daten und die Datentabelle neu, falls Sie das Beispiel mehrmals ausführen möchten. |
| |
Okay, lassen Sie uns also das Streaming-Skript ausführen. |
| |
Und sehen Sie sich an, wie der Bericht aktualisiert wird. |
| |
Sie können sehen, dass die Daten zunächst unter Kontrolle sind, aber dann tritt ein Fehler auf, es gibt ein großes Signal, das außer Kontrolle gerät, aber es gibt ein anlagenweites Kontrollsystem, das implementiert wurde, und die Simulation, die das System in ein neues Gleichgewicht bringt |
| |
Ich gebe mir eine Sekunde Zeit, um fertig zu werden. |
| |
Und jetzt, da ich das Kontrolldiagramm aktualisiert habe, werde ich die Ergebnisse öffentlich machen. |
| |
Auf meiner öffentlichen Jump-Seite habe ich zunächst das Kontrolldiagramm mit den Daten und Kontrollen am Anfang. |
| |
Und dies sollte durch die Hinzufügung der Daten aktualisiert werden. |
| |
Wenn wir also näher auf den Zeitpunkt eingehen, als der Prozess zum ersten Mal außer Kontrolle geriet. |
| |
Dein |
| Jeremy Ash |
Es sieht aus, als wäre das Beispiel 1125. Ich werde das einfärben |
| |
Und beschriften Sie es. |
| |
Damit es in anderen Plots auftaucht und dann |
| |
Im SP-Diagramm sieht es so aus, als ob diese Beobachtung immer noch die Kontrolle hat. |
| |
Und welches Diagramm Fehler früher erkennt, hängt von Ihrem Modell ab. Und wie viele Faktoren Sie gewählt haben |
| |
Wir können auch zoomen auf |
| |
Dieser Zeitpunkt im Beitragsdiagramm. Sie können sehen, wann der Prozess außer Kontrolle gerät. Es gibt eine große Anzahl von Variablen, die zum Signal „außer Kontrolle“ beitragen. Wenn das System dann ein neues Gleichgewicht erreicht, tragen nur zwei Variablen stark dazu bei. |
| |
Daher werde ich diese Heatmaps entfernen, damit ich im Diagnosebereich mehr Platz habe. |
| |
Und um alles ziemlich groß zu machen, damit der Text auf Ihrem Bildschirm angezeigt wird. |
| |
Wenn ich mit der Maus über den ersten Punkt fahre, der außer Kontrolle geraten ist, können Sie einen Blick auf die 10 wichtigsten beitragenden Variablen werfen. |
| |
Dies ist ideal, um schnell zu erkennen, welche Variablen am meisten zum außer Kontrolle geratenen Signal beitragen. Ich kann auch auf dieses Diagramm klicken und es an den Diagnosebereich anhängen und |
| |
Sie können sehen, dass eine große Anzahl von Variablen zum Signal „außer Kontrolle“ beiträgt. |
| |
Zoomen Sie hier ein wenig hinein. |
| |
Wenn also einer der Balken rot ist, bedeutet dies, dass die Variable außer Kontrolle geraten ist. |
| |
In einem universellen Kontrolldiagramm. Und Sie können dies sehen, indem Sie mit der Maus über die Balken fahren. |
| |
Ich werde ein paar davon schwenken |
| |
Und diese Grafik, lassen Sie uns unsere IR-Diagramme für die einzelnen Variablen mit drei Sigma-Kontrollgrenzen darstellen. |
| |
Sie sehen die Variable Stripperdruck. Die Beobachtung ist in der Kontrollkarte der Universität außer Kontrolle geraten, aber die Variablen wurden schließlich durch unser Kontrollsystem wieder unter Kontrolle gebracht. Und das gilt für |
| |
Die meisten |
| |
Große beitragende Variablen und zeigen Ihnen auch eine der Variablen, bei denen die Beobachtung die Kontrolle hat. |
| |
Sobald das Kontrollsystem reagiert, werden viele Variablen wieder unter Kontrolle gebracht und der Prozess erreicht |
| |
Ein neues Gleichgewicht |
| |
Es gibt jedoch offensichtlich eine Verschiebung im Prozess. Identifizieren Sie daher die Variablen, die zu dieser Verschiebung beitragen. Dabei können Sie sich einen Hauptbeitrag ansehen. |
| |
Handlung |
| |
Wenn ich das sortiere und mir anschaue |
| |
Die Variablen, die am meisten beitragen. Es sieht so aus, als ob nur zwei Variablen große Beiträge leisten, und beide messen die Durchflussrate des Reaktionsmediums in einem Strom, der in den Reaktor gelangt. |
| |
Und diese messen im Wesentlichen dasselbe, außer dass es sich bei der einen um eine Messvariable und bei der anderen um eine Stellgröße handelt. Und Sie können sehen |
| |
Im Kontrolldiagramm der Universität ist eine große sprunghafte Änderung der Durchflussrate zu erkennen. |
| |
Auch dieses hier. Und das ist die sprunghafte Veränderung, die ich in der Simulation programmiert habe. Diese Beiträge ermöglichen es uns, die Grundursache schnell zu identifizieren. |
| |
Ich werde daher einige alternative Methoden vorstellen, um die gleiche Ursache für die Verschiebung zu ermitteln. Und zwar in realen Daten. |
| |
Prozessverschiebungen sind oft subtiler und einige der Werkzeuge können nützlicher sein, um sie zu identifizieren als andere. Mit diesen alternativen Methoden gelangen Sie immer zum gleichen Ergebnis. Es werden einige der Verbindungen dieser Methoden aufgezeigt. |
| |
Hier unten habe ich eine Punkteanlage, die zusätzliche Informationen über Verschiebungen in der T-Quadrat-Anlage liefern kann. |
| |
Die Fähigkeit, hochdimensionale Verschiebungen zu erfassen, ist eingeschränkter, da jeweils nur zwei Dimensionen des Modells visualisiert werden. Wir können jedoch eine intuitivere Visualisierung des Prozesses bereitstellen, da er in einer niedrigdimensionalen Darstellung visualisiert wird. |
| |
Und tatsächlich ist einer der Hauptgründe, warum multivariate Kontrollkarten überhaupt in T-Quadrat und SPE unterteilt werden, dass sie eine ausreichende Dimensionsreduzierung bieten, um den Prozess und das Streudiagramm einfach zu visualisieren. |
| |
Wir wollen also die Variablen identifizieren, die |
| |
Verursacht die Verschiebung. Ich werde also die Punkte vor und nach der Verschiebung einfärben. |
| |
Damit sie im Punktediagramm angezeigt werden. |
| |
Normalerweise, wenn wir alle Kombinationen der sechs Faktoren durchgehen, aber das sind eine Menge Score-Plots, die wir durchgehen müssen |
| |
Sehr praktisch ist die Möglichkeit, mit diesem Pfeil hier unten schnell durch alle Kombinationen zu blättern. Wir können die Faktorkombinationen durchsehen und eine finden, bei der große Unterschiede bestehen. |
| |
Und wenn wir feststellen möchten, wo die Verschiebung in den Punktediagrammen zuerst auftrat, können Sie die Punkte verbinden und sehen, dass die Verschiebung erneut bei etwa 1125 auftrat. |
| |
Ein weiteres nützliches Tool. Wenn Sie identifizieren möchten |
| |
Die Score-Dimensionen, bei denen eine Beobachtung die größte Abweichung von den historischen Daten aufweist und Sie nicht alle Score-Diagramme durchsehen möchten, sind normalisierte Score-Diagramme. Ich wähle also einen Punkt nach der Verschiebung aus und schaue mir das normalisierte Score-Diagramm an. |
| |
Ich werde tatsächlich ein anderes auswählen. |
| |
Okay. |
| Jeremy Ash |
Ich möchte mir die Dimensionen fünf und sechs ansehen. |
| |
Diese Diagramme zeigen die Größenordnung des Scores und jeder Dimension normalisiert, sodass die Dimensionen auf derselben Skala liegen. Und da der Mittelwert der historischen Daten für jeden Score Null ist, weisen die Dimensionen mit der größten Größenordnung den größten Abstand auf. |
| |
Zwischen dem ausgewählten Punkt und den historischen Daten. Es sieht also so aus, als ob hier die Dimensionen fünf und sechs die größte Trennung aufweisen und |
| |
Ich werde zu denen wechseln |
| |
Es besteht also eine große Kluft zwischen unseren |
| |
Verschobene Daten und die Visualisierung historischer Daten und quadratischer Diagramme können außerdem besser interpretiert werden, da Sie die Variablenladungen verwenden können, um den Faktoren eine Bedeutung zuzuweisen. |
| |
Und |
| |
Hier habe ich |
| |
Wir haben zu viele Variablen, um alle Beschriftungen dafür anzuzeigen. |
| |
Vektoren werden geladen, aber Sie können mit der Maus darüberfahren und sie sehen. Und wenn ich in die Richtung der Verschiebung schaue, können Sie sehen, dass die beiden Variablen, die die Ursache waren, auch dort angezeigt werden. |
| |
Wir können auch Unterschiede zwischen Untergruppen im Prozess mit den Gruppenvergleichen untersuchen. Dazu wähle ich alle Punkte vor der Verschiebung aus, die ich als Referenzgruppe anrufe, und alles danach, die Gruppe, die ich mit der Referenz vergleiche. |
| |
Diese |
| |
Und dieses Beitragsdiagramm zeigt mir die Variablen, die am meisten zum Unterschied zwischen diesen beiden Gruppen beitragen. Und Sie können sehen, dass hiermit auch die Variablen identifiziert werden, die die Verschiebung verursacht haben. |
| |
Das Tool für Gruppenvergleiche ist besonders nützlich, wenn es in einem Scoreplot mehrere Verschiebungen gibt oder wenn Sie in Ihren Daten mehr als zwei unterschiedliche Untergruppen sehen. |
| |
In unserem Fall, wenn wir eine Gruppe in unseren aktuellen Daten mit den historischen Daten vergleichen, könnten wir auch einfach die Daten nach der Verschiebung auswählen und uns ein Diagramm des Hauptbeitragswerts ansehen. |
| |
Und das wird uns |
| |
Die durchschnittlichen Beiträge jeder Variable zu den Werten in der orangefarbenen Gruppe. Hohe Werte weisen auf große Abweichungen von den historischen Daten hin. Diese Beitragsdiagramme können auch die Ursache identifizieren. |
| |
Diese verwenden dieselbe Formel, nämlich die Beitragsformel für t-Quadrat. Aber jetzt verwenden wir nur die beiden Faktoren aus dem Score-Plot. |
| |
Okay, ich werde meine PowerPoint wiederfinden. |
| |
Ich werde also ganz kurz die wichtigsten Funktionen der modellgesteuerten mehrvarianten Kontrollkarte zusammenfassen, die in der Demo gezeigt wurden. |
| |
Die Plattform ermöglicht sowohl die Online-Fehlererkennung als auch die Offline-Fehlerdiagnose. Es gibt viele Methoden, mit denen die Plattform die eigentliche Fehlerursache ermitteln kann. |
| |
Ich zeige es Ihnen. Hier sind einige Diagramme aus dem beliebten Buch „Fehlererkennung und -diagnose in industriellen Systemen“ der verschiedenen Buchautoren. |
| |
Zeigen Sie, wie multivariate und universelle Kontrollkarten nebeneinander verwendet werden müssen, um ein Gefühl dafür zu bekommen, was im Prozess vor sich geht. |
| |
Und eine besonders nützliche Funktion des modellgesteuerten multivariaten Kontrolldiagramms ist die Interaktivität und Benutzerfreundlichkeit des Umschaltens zwischen diesen Diagrammtypen. |
| |
Das war mein Vortrag hier. Hier ist meine E-Mail-Adresse. Falls Sie weitere Fragen haben, vielen Dank an alle, die eingeschaltet haben. |
