| Oratore |
Trascrizione |
| Jeremy Ash |
Ciao, sono Jeremy Ash. Sono uno statistico in Jump R & D. Il mio lavoro consiste principalmente nel testare le piattaforme di statistica multivariata e Jump, ma |
| |
Collaboro anche alla ricerca e alla valutazione della metodologia e oggi analizzerò il processo Tennessee Eastman utilizzando alcuni metodi di controllo statistico dei processi e jump. |
| |
Dedicherò particolare attenzione alla piattaforma di carte di controllo multivariate basate su modelli, una nuova aggiunta a Jump. Sono davvero entusiasta di questa piattaforma e questi dati mi hanno offerto una nuova opportunità per mostrare alcune delle sue funzionalità. |
| |
Innanzitutto, per questa presentazione presumo che si abbia una certa conoscenza del controllo statistico dei processi. |
| |
La cosa principale che devi sapere sono le carte di controllo. Se non le conosci, si tratta di carte utilizzate per monitorare sistemi industriali complessi e determinare quando si discostano dalle normali condizioni operative. |
| |
Non avrò molto tempo per approfondire la metodologia e il modello di carta di controllo multivariata. Quindi farò riferimento ad altri ottimi interventi disponibili gratuitamente. |
| |
Per maggiori dettagli, vorrei anche menzionare che Jim è stato lo sviluppatore principale del modello guidato dal grafico di controllo multivariato e che, in collaborazione con Chris Got Walt e Tanya Malden, sono stato il tester. |
| |
Pertanto, l'obiettivo di questa conferenza sarà l'utilizzo di carte di controllo multivariate per monitorare un processo chimico reale. |
| |
Un altro aspetto innovativo di questa conferenza sarà l'utilizzo di carte di controllo per il monitoraggio dei processi online: ciò significa che monitoreremo i dati in modo continuo man mano che vengono aggiunti a un database e invieremo messaggi di testo in tempo reale in caso di errori. |
| |
Quindi inizierò con la diapositiva obbligatoria sui vantaggi delle carte di controllo multivariate. Perché non usare le carte di controllo universitarie? Ci sono diverse opzioni eccellenti e un ottimo spunto. |
| |
Le carte di controllo universitarie sono strumenti eccellenti per analizzare poche variabili alla volta. Tuttavia, i set di dati di controllo qualità sono spesso ad alta dimensionalità. |
| |
E il numero di grafici da analizzare può rapidamente diventare eccessivo. Per questo motivo, i grafici di controllo multivariati riassumono un processo ad alta dimensionalità. E con solo pochi grafici, questo è un vantaggio fondamentale. |
| |
Ma questo non significa che i grafici di controllo universitari non siano utili in questo contesto: nel corso della presentazione vedrete che la diagnosi dei guasti spesso comporta il passaggio da un grafico di controllo multivariato a un altro. |
| |
I grafici di controllo multivariati ti danno un'idea dello stato di salute generale di un processo. I grafici di controllo universitari ti consentono di |
| |
Esaminare aspetti specifici. In questo modo le informazioni sono complementari e uno degli obiettivi principali del grafico di controllo multivariato basato su modello era quello di fornire alcuni strumenti che semplificassero il passaggio da un tipo di grafico all'altro. |
| |
Uno svantaggio del diagramma di controllo universitario è che le osservazioni possono sembrare sotto controllo quando in realtà sono fuori controllo in senso multivariato. Quindi devo |
| |
Controllando i nostri grafici IR per petrolio e densità, queste due osservazioni in rosso sono sotto controllo, ma petrolio e densità sono altamente correlati. E queste osservazioni sono valori anomali in senso multivariato, in particolare l'osservazione 51 viola gravemente la struttura di correlazione. |
| |
Quindi le carte di controllo multivariate possono rilevare questi tipi di valori anomali. Quando le carte di controllo universitarie non possono |
| |
Le carte di controllo multivariate basate su modelli utilizzano metodi di proiezione per costruire le proprie carte di controllo. Inizierò spiegando la PCA perché è facile da costruire partendo da lì. |
| |
La PCA riduce la dimensionalità delle variabili di processo proiettandole in uno spazio a bassa dimensionalità. |
| |
Questo è mostrato nell'immagine a destra abbiamo p variabili di processo e osservazioni e vogliamo ridurre la dimensionalità del processo a a dove a è molto inferiore a p e |
| |
Per fare ciò utilizziamo questa matrice di caricamento P, che fornisce i coefficienti per le combinazioni lineari delle nostre variabili X che danno le variabili di punteggio. Le equazioni mostrate sono a sinistra. |
| |
I tee times P forniranno i valori previsti per le variabili di processo con la rappresentazione a bassa dimensionalità. E c'è un po' di aria di previsione e le variabili di punteggio sono selezionate. |
| |
In un modo che minimizzi questa aria di previsione quadratica. Un altro modo di vederla è che stai massimizzando la quantità di varianza spiegata x. |
| |
Pls è più adatto quando si dispone di un set di variabili di processo e di un set di variabili di qualità e si desidera davvero garantire che le variabili di qualità siano tenute sotto controllo, ma queste variabili sono spesso costose o richiedono molto tempo per essere raccolte |
| |
Su un pianeta la qualità può essere fuori controllo per molto tempo prima che il guasto venga rilevato, quindi |
| |
I modelli PLS consentono di monitorare le variabili di qualità in funzione delle variabili di processo. Come si può vedere, PLS troverà variabili di punteggio che massimizzano la varianza spiegata nelle variabili y. |
| |
Le variabili di processo sono spesso più economiche e facilmente reperibili. Pertanto, i modelli PLS consentono di rilevare tempestivamente i difetti di qualità e di rendere più economico il monitoraggio del processo. |
| |
Quindi da qui in poi mi concentrerò solo sui modelli pls perché sono più appropriati per il nostro esempio. |
| |
Quindi, pls suddivide i dati in due componenti. Il primo componente è il componente modello. Questo fornisce i valori previsti. |
| |
Un altro modo per pensare a questo è che i tuoi dati sono stati proiettati in un piano modello definito dalle tue variabili di punteggio e i grafici t-quadrati monitoreranno la variazione in questo piano modello. |
| |
Il secondo componente è la componente di errore. Questa è la distanza tra i dati originali e i dati previsti. I grafici dell'errore di previsione quadratico sono grafici sp che monitoreranno |
| |
Variazione in questo componente |
| |
Forniamo anche una distanza alternativa per modellare il piano x, che è semplicemente una versione normalizzata di sp. |
| |
L'ultimo concetto importante da comprendere per la demo è la distinzione tra dati storici e attuali. |
| |
dati storici in genere raccolti quando si sa che il processo è sotto controllo. Questi dati vengono utilizzati per costruire il modello PLS e definire |
| |
Variazione normale del processo. Ciò consente di ottenere un limite di controllo. Ai dati attuali vengono assegnati punteggi basati sul modello, ma sono indipendenti dal modello. |
| |
Un altro modo di pensare a questo è che abbiamo un set di addestramento e un set di test, e il limite di controllo t quadrato è inferiore per i dati di addestramento perché ci aspettiamo una variabilità inferiore per |
| |
Le osservazioni sono state utilizzate per addestrare il modello, mentre c'è una maggiore variabilità e t al quadrato. Quando il modello è generalizzato a un set di test. E fortunatamente, c'è una teoria che è stata elaborata per... |
| |
Varianti del T quadrato che consentono di ottenere limiti di controllo basati su alcune ipotesi distributive. |
| |
Nella demo verrà monitorato il processo Tennessee Eastman. Presenterò una breve introduzione a questi dati. |
| |
Si tratta di una simulazione di un processo chimico sviluppata da Downs e Bogle per i chimici della Eastman Chemical. Originariamente era stata scritta in Fortran, ma ora esistono versioni in MATLAB e Python. |
| |
La simulazione si basava su un processo industriale reale, ma era stata manipolata per proteggere informazioni proprietarie. |
| |
I processi di simulazione. La produzione di liquidi. |
| |
Gassando i reagenti, F è un sottoprodotto che dovrà essere aspirato dal prodotto desiderato. |
| |
I processi a due stagioni sono diffusi nella letteratura sui metodi di benchmarking del controllo di processo multivariato. |
| |
Ecco il diagramma di processo. Sembra complicato, ma in realtà non è poi così male. Quindi ve lo spiegherò nel dettaglio. |
| |
I reagenti gassosi vengono fatti fluire nel reattore, dove avviene la reazione e il prodotto esce allo stato gassoso. Viene raffreddato e condensato in un liquido e il condensatore. |
| |
Poi abbiamo un separatore di vapore e liquido che rimuoverà qualsiasi vapore rimanente e lo riciclerà nel reattore attraverso il compressore e c'è anche un flusso di spurgo qui che |
| |
Sfiatare il sottoprodotto e un prodotto chimico per impedirne l'accumulo, quindi il prodotto liquido verrà pompato attraverso uno stripper, dove i reagenti rimanenti verranno rimossi e il prodotto purificato finale verrà rilasciato nel flusso di uscita. |
| |
Il primo insieme di variabili monitorate sono le variabili manipolate. Queste assomigliano a papillon e al diagramma. |
| |
Penso che in realtà siano pensate per essere valvole e che le variabili manipolative controllino principalmente la portata attraverso i diversi flussi del processo. |
| |
Queste variabili possono essere impostate su valori specifici entro limiti e presentano un certo rumore gaussiano e le variabili manipolative possono essere campionate a qualsiasi velocità, stiamo utilizzando un campionamento predefinito di tre minuti in |
| |
Alcuni esempi di variabili manipolative sono la portata dei reagenti nel reattore |
| |
La portata del vapore nello stripper. |
| |
E il flusso del refrigerante nel reattore |
| |
Il set successivo di variabili è costituito dalle variabili di misura. Queste sono rappresentate da cerchi nel diagramma e sono anch'esse campionate a intervalli di tre minuti. La differenza è che le variabili di misura non possono essere manipolate nella simulazione. |
| |
Le nostre variabili di qualità saranno la percentuale di composizione dei prodotti liquidi che puoi vedere |
| |
L'analizzatore che misura la composizione qui. |
| |
Queste variabili vengono raccolte con un ritardo temporale considerevole, quindi |
| |
Stiamo esaminando il prodotto nel flusso perché |
| |
Queste variabili possono essere misurate più facilmente rispetto al prodotto che esce dal flusso di uscita. E costruiremo anche un modello PLS per monitorare |
| |
monitorare le nostre variabili di qualità tramite le nostre variabili di processo che presentano un ritardo sostanzialmente inferiore in una frequenza di campionamento più rapida. |
| |
Bene, questo è un po' il contesto dei dati. In totale ci sono 33 variabili di processo in variabili di qualità. |
| |
Il processo di raccolta delle variabili viene simulato con una serie di equazioni differenziali. Quindi si tratta solo di una simulazione. Ma si può notare la notevole cura dedicata alla modellazione del modello. Si tratta di un processo reale. |
| |
Ecco una panoramica della demo che sto per mostrarvi: raccoglieremo dati sul nostro processo e poi memorizzeremo questi dati in un database. |
| |
Volevo un esempio facile da condividere. Quindi userò un database leggero, ma questo flusso di lavoro è valido per la maggior parte dei tipi di database. |
| |
La maggior parte dei database supporta connessioni di tipo odd see: una volta che jump si connette al database, può controllare periodicamente la presenza di nuove osservazioni e aggiornare la tabella jump man mano che arrivano. |
| |
E poi, se abbiamo un report di carte di controllo multivariate basato su modello aperto con il ricalcolo automatico attivato, abbiamo un meccanismo per aggiornare le carte di controllo man mano che arrivano nuovi dati. |
| |
E l'intero processo di aggiunta dei dati a un database avverrà probabilmente su un computer diverso da quello che esegue il monitoraggio. |
| |
Quindi ho due sessioni di Jump Open per emulare questo; entrambe le sessioni hanno il loro diario e i materiali sono forniti nella Community. |
| |
La prima sessione aggiungerà dati simulati al database e si chiama sessione di streaming, mentre la sessione successiva aggiornerà i report non appena arriveranno al database e la chiamerò sessione di monitoraggio. |
| |
Una cosa che mi è piaciuta molto del documento di Downs e Vogel è che non hanno fornito un singolo parametro per valutare il controllo del processo. Riporto qui una citazione dal documento. Ci siamo sentiti come... |
| |
Abbiamo ritenuto che i compromessi tra possibili strategie e tecniche di controllo implicassero molto più di una semplice espressione matematica. |
| |
Ecco quindi alcuni degli obiettivi elencati nel loro articolo che sono rilevanti per il nostro problema: mantenere le variabili di processo i cui valori desiderati riducono al minimo la variabilità della qualità del prodotto durante i disturbi e ripristinarli rapidamente e senza intoppi. |
| |
Valuteremo quindi in che misura il nostro processo raggiunge questi obiettivi, utilizzando i nostri metodi di monitoraggio. |
| |
Va bene. |
| |
Per iniziare, mi trovo nel diario della sessione di monitoraggio e vi mostrerò i nostri primi dati inviati: la tabella dati contiene tutte le variabili che ho introdotto in precedenza. Il primo set è costituito dalle variabili di misurazione. Il set successivo è costituito dalle variabili di composizione. E l'ultimo set è costituito dalle variabili manipolate. |
| |
E il primo script allegato qui si adatterà a un modello pls, escludendo le ultime cento rose che sono un set di prova. |
| |
E giusto per ricordarlo, questo modello prevede le nostre due variabili di composizione del prodotto in funzione delle variabili di processo, ma il modello pls o PLS non è il fulcro della discussione. Quindi ho già inserito qui le colonne del modello e del punteggio di output. |
| |
E se osserviamo le proprietà delle colonne, possiamo vedere che c'è una proprietà delle statistiche storiche MD MCC che contiene tutte le informazioni. |
| |
Sul modello in cui è necessario costruire le carte di controllo multivariate. Uno dei motivi per cui il monitoraggio delle carte di controllo multivariate è stato progettato in questo modo è stato |
| |
Immagina di essere uno statistico e di voler condividere il tuo modello con un ingegnere, in modo che possa costruire carte di controllo. Tutto ciò che devi fare è fornire la tabella dati con queste colonne di formule. Non devi condividere tutti i dettagli minacciosi su come adatti il tuo modello. |
| |
Quindi ora userò le colonne dei punteggi per creare il nostro turno di controllo |
| |
A sinistra, ho i grafici di controllo t-quadrato e SPE, dove ci sono 860 osservazioni che sono state utilizzate per stimare il modello. Queste sono etichettate come storiche e poi ho 100 osservazioni che sono state utilizzate come set di test. |
| |
E potete vedere nei riepiloghi dei limiti qui sotto che ho eseguito un legame solo per la correzione di più test. |
| |
In base ai dati storici. L'ho fatto qui nel menu del triangolo rosso, puoi impostare il livello alfa, quello che vuoi e |
| |
Ho apportato questa correzione perché è noto che i dati sono in condizioni operative normali. Pertanto, ci aspettiamo che nessuna osservazione sia fuori controllo e, dopo questa correzione di molteplicità, non ci siano falsi allarmi. |
| |
A destra, le mappe di calore della proporzione di contributo. Queste indicano quanto ciascuna variabile contribuisce al segnale di controllo esterno; ogni osservazione è sull'asse Y e i contributi sono espressi come proporzione. |
| |
E come si può vedere in entrambi i grafici, i contributi sono distribuiti in modo piuttosto uniforme tra le variabili. |
| |
E in basso ho una pianta da punteggio. |
| |
Al momento stiamo solo tracciando un grafico della prima dimensione del punteggio rispetto alla seconda, ma puoi visualizzare qualsiasi combinazione delle dimensioni del punteggio utilizzando questi menu a discesa o questa freccia. |
| |
Bene, siamo abbastanza orientati sul report, ora passo alla sessione di monitoraggio. |
| |
Che trasmetterà i dati nel database. |
| |
Per fare qualsiasi cosa per questo esempio, è necessario installare un driver per la luce di Odd See di Sequel. È facile da fare. Basta seguire questo link. |
| |
E non ho tempo per parlarne, ma ho creato il database Sequel Light. Userò Jump. Ho le istruzioni su come farlo e su come connettere Jump al database sulla mia pagina web della community. |
| |
Questo esempio potrebbe essere utile se vuoi provare a farlo tu stesso. |
| |
Ho già creato una connessione a questo database. |
| |
Ho condiviso il database con la community. Ora darò un'occhiata alle tabelle dati nel generatore di query. |
| |
Posso fare quello snapshot della tabella |
| |
Il primo set di dati è costituito dai dati storici che ho utilizzato per costruire un modello pls; ci sono 960 osservazioni sotto controllo. |
| |
La tabella dati successiva è una tabella dati di monitoraggio; inizialmente contiene solo i dati storici, ma aggiungerò gradualmente nuovi dati e questo è ciò che il nostro grafico di controllo multivariato monitorerà. |
| |
E poi ho già simulato i nuovi dati e li ho aggiunti a questa tabella dati qui e vedo che inizia al timestamp 961 |
| |
E ci sono altre 960 osservazioni, ma ho introdotto un errore in un punto temporale |
| |
E volevo avere qualcosa di facile da condividere. Quindi non ho intenzione di eseguire il mio script di simulazione e aggiungere il database in questo modo. |
| |
Prenderò semplicemente le osservazioni da questa nuova tabella dati e le sposterò nella tabella dati di monitoraggio utilizzando un JSON con istruzioni sequel. |
| |
Questo è solo un semplice esempio che emula il processo di immissione di nuovi dati in un database. In un certo senso, con jump non è possibile farlo. Ma questa è un'opportunità per mostrare come è possibile farlo con la lingua dei segni americana. |
| |
Ora ti mostrerò lo script che verrà utilizzato per trasmettere i dati. |
| |
Questo è uno script semplice. Quindi te lo spiegherò brevemente. |
| |
Il primo set di comandi aprirà la nuova tabella dati dal database Sequel Light, che si aprirà in background. Quindi devo occuparmi della finestra, e poi prenderò dei pezzi da questa nuova tabella dati e |
| |
spostali nella tabella dei dati di monitoraggio. Chiamo i pezzi morsi e le DIMENSIONI DEI MORSI 20 |
| |
Questo creerà una connessione al database che mi permetterà di inviare istruzioni SQL al database. Quest'ultima parte di codice costruirà interattivamente istruzioni sequel che inseriscono nuovi dati nei dati di monitoraggio. Quindi, inizializzerò |
| |
Bene, ora vi mostro la prima iterazione di questo ciclo. |
| |
Quindi questo è solo un semplice |
| |
Istruzione SQL insert into istruzione che inserisce le prime 20 osservazioni. |
| |
Commenta che l'inizio è più veloce. E c'è un'istruzione wait qui sotto. Questo rallenterà solo lo streaming. |
| |
In modo da avere abbastanza tempo per vedere la progressione dei dati e dei grafici di controllo, se non avessimo avuto questo esempio di streaming, sarebbe finito troppo in fretta. |
| |
Ok, quindi lo farò |
| |
Torniamo alla sessione di monitoraggio e ti mostriamo alcuni script che aggiorneranno il report. |
| |
Spostalo a destra. Così potrai vedere il report e gli script contemporaneamente. |
| |
COSÌ, |
| |
Questo script di lettura dei dati di monitoraggio è uno script semplice che controlla il database ogni punto e due secondi e aggiunge nuovi dati alla tabella di salto. E poiché il report ha il conteggio automatico attivato. |
| |
Il report verrà aggiornato ogni volta che verranno aggiunti nuovi dati. E devo aggiungere che, realisticamente, probabilmente non useresti uno script che si integra in questo modo, probabilmente usi l'Utilità di pianificazione e le finestre sono automatizzate e Max pianifica meglio le esecuzioni. |
| |
E poi ecco il prossimo copione. |
| |
renderà pubblico il report ogni volta che verrà aggiornato. |
| |
Ero davvero emozionato che ciò fosse possibile e saltavo. |
| |
Permette a qualsiasi computer dotato di browser web di visualizzare gli aggiornamenti del grafico di controllo. È possibile visualizzare il report anche sullo smartphone. In questo modo, la condivisione dei risultati tra organizzazioni è semplificata. È anche possibile utilizzare la funzionalità Jump Live se si desidera che i report siano archiviati su un server con restrizioni. |
| |
Quindi lo script ricreerà i dati storici e la tabella dati nel caso in cui si desideri eseguire l'esempio più volte. |
| |
Bene, eseguiamo lo script di streaming. |
| |
E guarda come si aggiorna il report. |
| |
All'inizio puoi vedere che i dati sono sotto controllo, ma poi viene introdotto un errore, c'è un grande segnale fuori controllo, ma è stato implementato un sistema di controllo a livello di impianto e la simulazione, che porta il sistema a un nuovo equilibrio |
| |
Ci metto un secondo per finire. |
| |
E ora che ho aggiornato il grafico di controllo, pubblicherò i risultati su Jump Public. |
| |
Nella mia pagina pubblica di Jump ho innanzitutto il grafico di controllo con i dati e il controllo all'inizio. |
| |
E questo dovrebbe essere aggiornato con l'aggiunta dei dati. |
| |
Quindi, se concentriamo l'attenzione sul momento in cui il processo è andato fuori controllo per la prima volta. |
| |
Tuo |
| Jeremy Ash |
Sembra che quello fosse il campione 1125, lo colorerò |
| |
Ed etichettalo. |
| |
In modo che si presenti in altre trame e poi |
| |
Nel grafico SP sembra che questa osservazione sia ancora sotto controllo. |
| |
E quale grafico rileverà i guasti prima dipende dal tuo modello e da quanti fattori hai scelto. |
| |
Possiamo anche ingrandire |
| |
Quel punto temporale nel grafico dei contributi. E si può vedere quando il processo. Prima va fuori controllo. C'è un gran numero di variabili che contribuiscono al segnale fuori controllo. Ma poi, quando il sistema raggiunge un nuovo equilibrio, solo due variabili hanno contributi elevati. |
| |
Quindi eliminerò queste mappe termiche in modo da avere più spazio nella sezione diagnostica. |
| |
E per rendere tutto abbastanza grande in modo che il testo appaia sullo schermo. |
| |
Se passo il mouse sul primo punto, è fuori controllo. Puoi dare un'occhiata alle 10 variabili che contribuiscono maggiormente. |
| |
Questo è ottimo per identificare rapidamente quali variabili contribuiscono maggiormente al segnale fuori controllo. Posso anche cliccare su quel grafico e aggiungerlo alla sezione diagnostica e |
| |
Come si può notare, sono numerose le variabili che contribuiscono al segnale fuori controllo. |
| |
ingrandisci un po' qui. |
| |
Quindi, se una delle barre è rossa, significa che la variabile è fuori controllo. |
| |
In un grafico di controllo universale. E puoi vederlo passando il mouse sulle barre. |
| |
Farò una panoramica, un paio di quelli |
| |
E questi grafici, diamo un'occhiata ai nostri grafici IR per le singole variabili con tre limiti di controllo sigma. |
| |
Lo vedresti per la variabile di pressione dello stripper. L'osservazione è fuori controllo nel grafico di controllo dell'università, ma le variabili alla fine vengono riportate sotto controllo dal nostro sistema di controllo. E questo vale per |
| |
La maggior parte dei |
| |
Grandi variabili contributive e mostra anche una delle variabili in cui l'osservazione è in controllo. |
| |
Quindi, una volta che il sistema di controllo risponde, molte variabili vengono riportate sotto controllo e il processo raggiunge |
| |
Un nuovo equilibrio |
| |
Ma è ovvio che c'è un cambiamento nel processo. Quindi, per identificare le variabili che contribuiscono al cambiamento, è necessario considerare il contributo principale. |
| |
Complotto |
| |
Se ordino questo e guardo |
| |
Le variabili che contribuiscono maggiormente. Sembra che solo due variabili abbiano un contributo significativo ed entrambe misurano la portata del reattore in un flusso che entra nel reattore. |
| |
E queste misurano essenzialmente la stessa cosa, tranne per il fatto che una è una variabile di misura e l'altra è una variabile manipolata. E puoi vedere |
| |
Nel diagramma di controllo dell'università si nota un grande cambiamento nella portata. |
| |
Anche questo. E questo è il cambiamento radicale che ho programmato nella simulazione. Quindi questi contributi ci permettono di identificare rapidamente la causa principale. |
| |
Quindi presenterò alcuni metodi alternativi per identificare la stessa causa dello spostamento. E il motivo è che si basano su dati reali. |
| |
I cambiamenti di processo sono spesso più sottili e alcuni strumenti possono essere più utili e identificarli rispetto ad altri, arrivando sempre alla stessa conclusione con questi metodi alternativi. Mostreremo quindi alcuni dei modi in cui questi metodi sono collegati. |
| |
Qui sotto ho un impianto di punteggio che può fornire informazioni supplementari sugli spostamenti nell'impianto t-quadrato. |
| |
È più limitato nella sua capacità di catturare spostamenti dimensionali elevati, perché vengono visualizzate solo due dimensioni del modello alla volta, tuttavia, possiamo fornire una visualizzazione più intuitiva del processo poiché lo visualizza in una rappresentazione dimensionale bassa |
| |
E infatti, uno dei motivi principali per cui i grafici di controllo multivariati vengono suddivisi in t-quadrato e SPE è che ciò fornisce una riduzione della dimensionalità sufficiente a visualizzare facilmente il processo e il diagramma di dispersione. |
| |
Quindi vogliamo identificare le variabili che sono |
| |
Causando lo spostamento. Quindi colorerò i punti prima e dopo lo spostamento. |
| |
In modo che vengano visualizzati nel grafico del punteggio. |
| |
In genere, quando esaminiamo tutte le combinazioni dei sei fattori, ma sono molti i grafici dei punteggi da esaminare |
| |
Quindi una cosa molto utile è la possibilità di scorrere rapidamente tutte le combinazioni con questa freccia qui sotto, così possiamo esaminare le combinazioni dei fattori e trovarne una in cui c'è una grande separazione. |
| |
E se volessimo identificare dove si è verificato per la prima volta lo spostamento nei grafici dei punteggi, possiamo collegare i puntini e vedere che lo spostamento si è verificato di nuovo intorno alle 11:25. |
| |
Un altro strumento utile. Se vuoi identificare |
| |
Le dimensioni del punteggio, in cui un'osservazione mostra la maggiore separazione dai dati storici e non si desidera esaminare tutti i grafici del punteggio, sono i grafici del punteggio normalizzati. Quindi selezionerò un punto dopo lo spostamento e osserverò il grafico del punteggio normalizzato. |
| |
In realtà ne sceglierò un altro. |
| |
Va bene. |
| Jeremy Ash |
Perché voglio guardare le dimensioni cinque e sei. Quindi il |
| |
Questi grafici mostrano l'entità del punteggio e ciascuna dimensione normalizzata, in modo che le dimensioni siano sulla stessa scala. E poiché la media dei dati storici è pari a zero per ogni punteggio, menzionare le dimensioni con l'entità maggiore mostrerà la separazione maggiore. |
| |
Tra il punto selezionato e i dati storici. Quindi sembra che qui le dimensioni cinque e sei mostrino la maggiore separazione e |
| |
Mi sposterò verso quelli |
| |
Quindi c'è una grande separazione qui tra i nostri |
| |
Anche i dati spostati, i dati storici e la visualizzazione del grafico quadrato possono essere interpretati meglio perché è possibile utilizzare i carichi variabili per assegnare un significato ai fattori. |
| |
E |
| |
Qui ho |
| |
Abbiamo troppe variabili per vedere tutte le etichette corrispondenti. |
| |
Caricamento dei vettori, ma puoi passarci sopra con il mouse e vederli. E puoi vedere, se guardo nella direzione dello spostamento, che anche lì compaiono le due variabili che ne sono state la causa. |
| |
Possiamo anche esplorare le differenze tra i sottogruppi nel processo con i confronti di gruppo per farlo. Selezionerò tutti i punti prima dello spostamento nella chiamata che è il gruppo di riferimento e tutto dopo nella chiamata che è il gruppo che sto confrontando con il riferimento. |
| |
Questi |
| |
Questo grafico dei contributi mi indicherà le variabili che contribuiscono maggiormente alla differenza tra questi due gruppi. E potete vedere che identifica anche le variabili che hanno causato lo spostamento. |
| |
Lo strumento di confronto tra gruppi è particolarmente utile quando si verificano più spostamenti in un grafico dei punteggi, ovvero quando è possibile vedere più di due sottogruppi distinti nei dati. |
| |
Nel nostro caso, mentre confrontiamo un gruppo nei nostri dati attuali con i dati storici, potremmo anche semplicemente selezionare i dati dopo lo spostamento e osservare un grafico del punteggio del contributo principale. |
| |
E questo ci darà |
| |
I contributi medi di ciascuna variabile ai punteggi del gruppo arancione. E poiché punteggi elevati indicano una differenza significativa rispetto ai dati storici, questi grafici dei contributi possono anche identificarne la causa. |
| |
Si usa la stessa formula del contributo per t al quadrato. Ma ora stiamo usando solo i due fattori del grafico dei punteggi. |
| |
Ok, vado a riprendere il mio PowerPoint. |
| |
Quindi, molto velocemente, riassumerò le caratteristiche principali del modello guidato dal diagramma di controllo multivariante mostrato nella demo. |
| |
La piattaforma è in grado di eseguire sia il rilevamento dei guasti online che la diagnosi dei guasti offline. Sono disponibili numerosi metodi, che forniscono la piattaforma per individuare la causa principale dei guasti. |
| |
Ve lo mostro. Ecco alcuni grafici tratti dal famoso libro "Rilevamento e diagnosi dei guasti nei sistemi industriali", scritto dagli autori. |
| |
Dimostrare come sia necessario utilizzare parallelamente i grafici di controllo multivariati e universali per avere un'idea di cosa sta succedendo nel processo. |
| |
Una caratteristica particolarmente utile dei grafici di controllo multivariati basati su modelli è la loro interattività e facilità d'uso. È possibile passare da un tipo di grafico all'altro. |
| |
Questo è il mio intervento. Ecco la mia email. Se avete altre domande, ringrazio tutti coloro che si sono sintonizzati per seguire questo video. |
