758485_ko-KR

liliconcom

다변량 관리도를 이용한 테네시 이스트만 공정의 결함 탐지 및 진단(2020-US-45MP-606)

Jeremy Ash, JMP 분석 소프트웨어 테스터, JMP

모델 기반 다변량 관리도(MDMVCC) 플랫폼을 사용하면 PCA 또는 PLS 모델을 기반으로 관리도를 구축할 수 있습니다. 이러한 관리도는 고차원 데이터 세트의 결함 감지 및 진단에 사용할 수 있습니다. 실제 산업 화학 공정인 테네시 이스트만 공정 시뮬레이션을 사용하여 PLS 모델의 MDMVCC 모니터링을 시연합니다. 시뮬레이션 과정에서 화학 반응기가 기체 반응물로부터 액체 제품을 생산할 때 품질 및 공정 변수가 측정됩니다. 오프라인 환경에서의 결함 진단을 시연합니다. 여기에는 다변량 관리도, 단변량 관리도, 그리고 진단 플롯 간 전환이 포함되는 경우가 많습니다. MDMVCC는 이러한 플롯 간을 사용자 친화적으로 이동할 수 있는 방법을 제공합니다. 다음으로, MDMVCC가 JMP를 외부 데이터베이스에 연결하여 온라인 모니터링을 수행하는 방법을 시연합니다. 제품 품질 변수 측정은 측정값이 제공되기까지 시간 지연이 발생하는 경우가 많아 결함 감지가 상당히 지연될 수 있습니다. MDMVCC가 PLS 모델을 모니터링할 때, 제품 품질 변수의 변동은 공정 변수의 함수로 모니터링됩니다. 공정 변수는 일반적으로 쉽게 사용할 수 있기 때문에 결함을 조기에 감지하는 데 도움이 될 수 있습니다.

예제 파일

streaming_example.zip을 다운로드하고 압축을 푸세요. 영상의 예제를 따라 하기 전에 몇 가지 추가 설정 지침이 포함된 README 파일이 있습니다. 추가적인 오류 진단 예제도 제공됩니다. 문제가 발견되거나 궁금한 점이 있으면 커뮤니티에서 메시지를 보내주세요.

자동 생성된 대본...

스피커	성적 증명서
제레미 애쉬	안녕하세요, 저는 Jeremy Ash입니다. Jump R 및 D 분야의 통계학자입니다. 제 업무는 주로 다변량 통계 플랫폼과 Jump R 및 D를 테스트하는 것입니다.
	저는 또한 방법론을 연구하고 평가하는 데 도움을 주고 있으며, 오늘은 몇 가지 통계적 공정 관리 방법과 점프를 사용하여 테네시 이스트만 공정을 분석할 것입니다.
	저는 점프에 새로 추가된 모델 기반 다변량 관리도 플랫폼에 특히 주목하고 싶습니다. 저는 이 플랫폼에 대해 매우 기대하고 있으며, 이 데이터는 이 플랫폼의 일부 기능을 선보일 새로운 기회를 제공했습니다.
	먼저, 이 강연에서는 통계적 공정 관리에 대한 지식이 있다고 가정합니다.
	가장 먼저 알아야 할 것은 관리도입니다. 관리도에 대해 잘 모르시는 분들을 위해 설명드리자면, 관리도는 복잡한 산업 시스템을 모니터링하여 정상 작동 조건에서 벗어나는 시점을 파악하는 데 사용되는 차트입니다.
	방법론과 모델 기반 다변량 관리도에 대해서는 자세히 설명할 시간이 많지 않습니다. 따라서 무료로 제공되는 다른 훌륭한 강연들을 참고하겠습니다.
	더 자세한 내용을 말씀드리자면, Jim Finding이 모델 기반 다변량 관리도의 주요 개발자였고, 저는 Chris Got Walt, Tanya Malden과 함께 테스터로 참여했다는 점도 언급하고 싶습니다.
	따라서 이 강연의 초점은 다변량 관리도를 사용하여 실제 화학 공정을 모니터링하는 것입니다.
	이번 발표의 또 다른 새로운 측면은 온라인 프로세스 모니터링을 위해 통제 차트를 사용하는 것입니다. 즉, 데이터베이스에 데이터가 추가됨에 따라 지속적으로 데이터를 모니터링하고 실시간으로 오류를 문자 메시지로 전송한다는 의미입니다.
	그럼 다변량 관리도의 장점에 대한 필수 슬라이드부터 시작해 보겠습니다. 대학 관리도를 활용해 보는 건 어떨까요? 훌륭한 옵션들이 많이 있으니 바로 시작해 보세요.
	대학 관리도는 한 번에 여러 변수를 분석하는 데 매우 유용한 도구입니다. 하지만 품질 관리 데이터 세트는 종종 고차원입니다.
	살펴봐야 할 차트의 수는 순식간에 엄청나게 많아질 수 있습니다. 따라서 다변량 관리도는 고차원 프로세스를 요약합니다. 차트가 몇 개뿐이라는 점이 핵심적인 장점입니다.
	하지만 대학의 통제 차트가 이 설정에 유용하지 않다는 것은 아닙니다. 강의 전반에서 볼 수 있듯이 결함 진단에는 종종 대학의 다변수 통제 차트를 전환하는 작업이 포함됩니다.
	다변수 관리 차트는 프로세스의 전반적인 상태를 잘 파악할 수 있게 해줍니다. 대학 관리 차트를 사용하면 다음을 수행할 수 있습니다.
	특정 측면을 살펴보세요. 따라서 정보는 상호 보완적이며, 모델 기반 다변량 관리도의 주요 목표 중 하나는 두 가지 유형의 관리도 사이를 쉽게 전환할 수 있는 도구를 제공하는 것이었습니다.
	대학 관리도의 한 가지 단점은 관측치가 다변량 측면에서는 실제로는 관리되지 않는데도 관리되는 것처럼 보일 수 있다는 것입니다. 그래서 저는
	원유와 밀도에 대한 IR 차트를 통제하면, 빨간색으로 표시된 두 관측치는 통제 상태이지만, 원유와 밀도는 높은 상관관계를 보입니다. 그리고 이러한 관측치는 다변량 측면에서 이상치이며, 특히 관측치 51은 상관관계 구조를 심각하게 위반합니다.
	따라서 다변량 관리도는 이러한 유형의 이상치를 포착할 수 있습니다. 대학 관리도가
	모형 기반 다변량 관리도는 투영법을 사용하여 관리도를 작성합니다. PCA는 쉽게 이해할 수 있으므로, PCA부터 설명하겠습니다.
	PCA는 저차원 공간으로 투영하여 프로세스 변수의 차원을 줄입니다.
	이것은 오른쪽 그림에서 보여집니다. 우리는 p개의 프로세스 변수와 관찰치를 가지고 있으며 프로세스의 차원을 p보다 훨씬 작게 줄이고 싶습니다.
	이를 위해 P 로딩 행렬을 사용합니다. 이 행렬은 X 변수의 선형 조합에 대한 계수를 제공하며, 이를 통해 점수 변수를 도출합니다. 왼쪽에 표시된 방정식과 식을 참조하십시오.
	티타임 P는 저차원 표현을 통해 프로세스 변수에 대한 예측값을 제공합니다. 그리고 예측 변수와 점수 변수가 선택됩니다.
	이 제곱 예측 공기량을 최소화하는 방식으로 말입니다. 또 다른 방법은, 설명되는 분산의 양을 최대화하는 것입니다.
	프로세스 변수 집합과 품질 변수 집합이 있고 품질 변수가 제대로 관리되고 있는지 확인하고 싶지만 이러한 변수를 수집하는 데 비용이 많이 들거나 시간이 많이 걸리는 경우 Pls가 더 적합합니다.
	행성은 결함이 감지되기 전에 오랫동안 통제할 수 없는 품질을 만들 수 있으므로
	Pls 모델을 사용하면 프로세스 변수의 함수로 품질 변수를 모니터링할 수 있습니다. 여기서 Pls는 y 변수에 설명된 분산을 최대화하는 점수 변수를 찾는 것을 확인할 수 있습니다.
	공정 변수는 종종 더 저렴하고 쉽게 구할 수 있습니다. 따라서 PLS 모델을 사용하면 품질 결함을 조기에 감지하고 공정 모니터링 비용을 절감할 수 있습니다.
	그러니 이제부터는 pls 모델에만 집중하겠습니다. 우리 예시에는 그게 더 적합하거든요.
	데이터를 두 가지 구성 요소로 분할해 주세요. 첫 번째 구성 요소는 모델 구성 요소입니다. 이를 통해 예측 값을 얻을 수 있습니다.
	이를 생각하는 또 다른 방법은 데이터가 점수 변수와 t 제곱 차트로 정의된 모델 평면에 투영되었다는 것입니다. 이 모델 평면의 변동을 모니터링합니다.
	두 번째 구성 요소는 오차 구성 요소입니다. 이는 원본 데이터와 예측 데이터 간의 차이이며, 제곱 예측 오차 차트는 SP 차트에서 모니터링합니다.
	이 구성 요소의 변형
	또한 모델 x 평면에 대한 대체 거리를 제공합니다. 이는 sp의 정규화된 버전일 뿐입니다.
	데모를 이해하는 데 중요한 마지막 개념은 과거 데이터와 현재 데이터의 구분입니다.
	일반적으로 프로세스가 제어 상태에 있는 것으로 알려진 시점에 수집되는 과거 데이터입니다. 이러한 데이터는 PLS 모델을 구축하고
	정상적인 공정 변동. 이를 통해 관리 한계를 얻을 수 있습니다. 현재 데이터는 모델에 따라 점수가 지정되지만 모델과는 독립적입니다.
	이에 대해 생각하는 또 다른 방법은 훈련 및 테스트 세트가 있고 훈련 데이터의 t 제곱 관리 한계가 더 낮다는 것입니다. 왜냐하면 우리는 훈련 데이터의 변동성이 더 낮을 것으로 예상하기 때문입니다.
	모델 학습에 사용된 관측값은 변동성과 t제곱이 더 큰 반면, 모델이 일반화되면 테스트 세트로 변환됩니다. 다행히도,
	일부 분포 가정에 근거하여 관리 한계를 얻을 수 있게 해주는 T 제곱의 변형입니다.
	데모에서는 테네시 이스트만 공정을 모니터링합니다. 이 데이터에 대한 간략한 소개를 드리겠습니다.
	이것은 다운스와 보글이 Eastman Chemical의 화학자들을 위해 개발한 화학 공정 시뮬레이션으로, 원래는 Fortran으로 작성되었지만, 현재는 MATLAB과 Python으로 래퍼가 개발되었습니다.
	이 시뮬레이션은 실제 산업 공정을 기반으로 했지만, 독점 정보를 보호하기 위해 조작되었습니다.
	시뮬레이션 과정. 액체의 생산.
	반응물에 가스를 발생시키면 F는 부산물이 되는데, 이는 원하는 제품에서 제거해야 합니다.
	다변수 공정 제어 방법의 벤치마킹에 관한 문헌에서는 2개 계절 공정이 널리 언급됩니다.
	이게 프로세스 다이어그램입니다. 복잡해 보이지만, 실제로는 그렇게 어렵지 않습니다. 그럼 제가 설명해 드리겠습니다.
	기체 반응물 ad와 he가 여기 반응기로 유입되면 반응이 일어나고 생성물은 기체 상태로 배출됩니다. 이 기체는 냉각되어 액체로 응축되고 응축기에서 배출됩니다.
	그런 다음 압축기를 통해 남아 있는 증기를 제거하고 반응기로 다시 재활용하는 증기 액체 분리기가 있으며 여기에는 퍼지 스트림도 있습니다.
	부산물과 화학 물질을 배출하여 축적되는 것을 방지한 다음, 액체 제품을 스트리퍼로 펌핑하여 남아 있는 반응물을 제거하고 최종 정제된 제품을 출구 흐름에 남겨 둡니다.
	모니터링되는 첫 번째 변수 집합은 조작된 변수입니다. 나비넥타이와 다이어그램처럼 보입니다.
	그것들은 실제로 밸브 역할을 하며, 조작 변수는 주로 프로세스의 다양한 흐름을 통해 흐름 속도를 제어합니다.
	이러한 변수는 한계 내에서 특정 값으로 설정될 수 있으며 일부 가우시안 노이즈를 가질 수 있으며 조작 변수는 어떤 속도로든 샘플링될 수 있습니다. 우리는 기본 3분 샘플링을 사용하고 있습니다.
	조작 변수의 몇 가지 예는 반응기 내 반응물의 흐름 속도입니다.
	스트리퍼로 들어가는 증기의 흐름 속도.
	그리고 원자로로의 냉각수 흐름
	다음 변수 집합은 측정 변수입니다. 다이어그램에서 원으로 표시되어 있으며, 3분 간격으로 샘플링됩니다. 차이점은 시뮬레이션에서 측정 변수를 조작할 수 없다는 것입니다.
	당사의 품질 변수는 액체 제품의 구성 비율로 표시됩니다.
	여기 분석기가 성분을 측정하고 있습니다.
	이러한 변수들은 상당한 시간 지연을 거쳐 수집되므로
	우리는 스트림에서 제품을 보고 있습니다.
	이러한 변수들은 출구 스트림에서 나가는 제품보다 더 쉽게 측정할 수 있습니다. 또한, 모니터링을 위한 pls 모델도 구축할 예정입니다.
	더 빠른 샘플링 속도에서 지연이 훨씬 적은 프로세스 변수를 통해 품질 변수를 모니터링합니다.
	좋아요, 데이터에 대한 배경 지식은 여기까지입니다. 총 33개의 프로세스 변수가 품질 변수로 분류됩니다.
	변수 수집 과정은 일련의 미분 방정식을 통해 시뮬레이션됩니다. 따라서 이는 단순한 시뮬레이션일 뿐입니다. 하지만 모델 모델링에 상당한 노력이 기울여졌다는 것을 알 수 있습니다. 이는 현실 세계의 과정입니다.
	데모 개요를 알려드리겠습니다. 프로세스에 대한 데이터를 수집한 후 이 데이터를 데이터베이스에 저장하는 방법을 보여드리겠습니다.
	공유하기 쉬운 예시를 만들고 싶었습니다. 그래서 Sequel Light 데이터베이스를 사용하겠지만, 이 워크플로는 대부분의 데이터베이스 유형에 적용됩니다.
	대부분의 데이터베이스는 홀수 연결(odd see connection)을 지원하며, 점프 연결이 데이터베이스에 연결되면 주기적으로 새로운 관찰 결과를 확인하고, 관찰 결과가 들어오면 점프 테이블을 업데이트합니다.
	그리고 자동 재계산 기능이 켜진 모델 기반 다변량 관리도 보고서가 열려 있다면, 새로운 데이터가 입력될 때마다 관리도를 업데이트하는 메커니즘이 있습니다.
	그리고 데이터베이스에 데이터를 추가하는 전체 프로세스는 모니터링을 수행하는 컴퓨터와는 별도의 컴퓨터에서 진행될 가능성이 높습니다.
	그래서 저는 이를 에뮬레이션하기 위해 두 개의 점프 세션을 열었고, 두 세션 모두 커뮤니티에서 제공되는 자료에 자체 저널을 가지고 있습니다.
	첫 번째 세션에서는 시뮬레이션된 데이터를 데이터베이스에 추가하는데, 이를 스트리밍 세션이라고 합니다. 그리고 다음 세션에서는 보고서가 데이터베이스에 들어오면 이를 업데이트하는데, 이를 모니터링 세션이라고 합니다.
	다운스와 포겔의 논문에서 제가 정말 마음에 들었던 점 중 하나는 공정 제어를 평가할 지표를 하나도 제시하지 않았다는 점입니다. 논문에서 발췌한 내용을 여기에 첨부합니다. 우리는 다음과 같은 느낌을 받았습니다.
	우리는 가능한 제어 전략과 기술 간의 균형이 수학적 표현보다 훨씬 더 중요하다고 느꼈습니다.
	다음은 그들이 논문에 나열한 목표 중 일부로, 우리 문제와 관련이 있는 것입니다. 즉, 공정 변수를 원하는 값으로 유지하고, 장애 발생 시 제품 품질의 변동성을 최소화하며, 장애로부터 빠르고 원활하게 복구하는 것입니다.
	따라서 우리는 모니터링 방법을 사용하여 이러한 목표를 얼마나 잘 달성하는지 평가할 것입니다.
	좋아요.
	우선, 모니터링 세션 일지에 있는 첫 번째 데이터를 보여드리겠습니다. 데이터 테이블에는 앞서 소개한 모든 변수가 포함되어 있습니다. 첫 번째 세트는 측정 변수이고, 두 번째 세트는 구성 변수입니다. 그리고 마지막 세트는 조작 변수입니다.
	여기에 첨부된 첫 번째 스크립트는 pls 모델에 맞는데, 마지막 백 개의 장미는 테스트 세트입니다.
	다시 한번 말씀드리지만, 이 모델은 두 가지 제품 구성 변수를 프로세스 변수의 함수로 예측하고 있습니다. 하지만 pls 모델이나 PLS는 이 강의의 핵심 주제가 아닙니다. 따라서 모델과 출력 점수 열은 이미 여기에 맞춰져 있습니다.
	열 속성을 살펴보면 모든 정보가 포함된 MD MCC 과거 통계 속성이 있는 것을 알 수 있습니다.
	다변량 관리도를 작성해야 하는 모델에 대해 설명합니다. 모니터링 다변량 관리도가 이러한 방식으로 설계된 이유 중 하나는 다음과 같습니다.
	통계학자라고 가정해 보세요. 엔지니어와 모델을 공유하여 관리도를 작성하고 싶은데, 이 경우 데이터 테이블에 수식 열만 제공하면 됩니다. 모델을 어떻게 적합시켰는지에 대한 모든 세부 사항을 공유할 필요는 없습니다.
	다음으로 점수 열을 사용하여 제어 턴을 생성합니다.
	왼쪽에는 t 제곱과 SPE 관리 차트가 있습니다. 모형 추정에 사용된 860개의 관측치가 있습니다. 이 관측치들은 과거 관측치로 분류되었고, 나머지 100개의 관측치는 검정 데이터로 사용되었습니다.
	그리고 여기 아래의 한계 요약에서 볼 수 있듯이 저는 여러 테스트를 위한 수정만을 위해 결합을 수행했습니다.
	과거 데이터를 기반으로 합니다. 빨간색 삼각형 메뉴에서 이 작업을 수행했습니다. 알파 수준을 원하는 대로 설정할 수 있습니다.
	데이터가 정상적인 작동 조건인 것으로 알려져 있기 때문에 이러한 수정을 수행했습니다. 따라서 통제 범위를 벗어난 관측치는 없을 것으로 예상되며, 이 다중도 조정 후에는 거짓 경보가 전혀 발생하지 않습니다.
	오른쪽에는 기여도 비율 열지도가 있습니다. 이는 각 변수가 외부 통제 신호에 얼마나 기여하는지를 나타냅니다. 각 관측치는 Y축에 있으며 기여도는 비율로 표시됩니다.
	그리고 두 그림 모두에서 변수 전체에 기여도가 꽤 균등하게 분포되어 있음을 볼 수 있습니다.
	그리고 맨 아래에는 점수 식물이 있어요.
	지금은 첫 번째 점수 차원과 두 번째 점수 차원을 표시하고 있지만, 이 드롭다운 메뉴나 이 화살표를 사용하면 점수 차원의 조합을 살펴볼 수 있습니다.
	좋아요, 보고서에 대한 내용은 대충 살펴보았으니 모니터링 세션으로 넘어가겠습니다.
	그러면 데이터가 데이터베이스로 스트리밍됩니다.
	이 예제를 실행하려면 Sequence Light Odd See 드라이버가 설치되어 있어야 합니다. 설치는 간단합니다. 여기 링크를 따라가시면 됩니다.
	이 부분에 대해 말씀드릴 시간은 없지만, 제가 시퀄 라이트 데이터베이스를 만들었습니다. Jump를 사용할 예정인데, 제 커뮤니티 웹페이지에 Jump를 데이터베이스에 연결하는 방법과 사용 방법에 대한 설명이 있습니다.
	이 예시는 여러분이 직접 데이트를 시도해보고 싶어한다면 도움이 될 수 있습니다.
	저는 이미 이 데이터베이스에 대한 연결을 생성했습니다.
	커뮤니티에 데이터베이스를 공유했습니다. 이제 쿼리 빌더에서 데이터 테이블을 살펴보겠습니다.
	그 테이블 스냅샷을 할 수 있어요
	첫 번째 데이터 세트는 과거 데이터입니다. 저는 이것을 사용하여 PLS 모델을 구성했고, 통제 하에 있는 관찰치가 960개 있습니다.
	다음 데이터 테이블은 모니터링 데이터 테이블입니다. 처음에는 과거 데이터만 포함되어 있지만 점차 새로운 데이터를 추가할 것입니다. 이것이 다변량 관리 차트에서 모니터링할 데이터입니다.
	그리고 이미 새로운 데이터를 시뮬레이션하고 여기 데이터 테이블에 추가했는데 타임스탬프 961에서 시작하는 것을 확인했습니다.
	그리고 또 다른 960개의 관찰이 있지만 어느 시점에서 결함이 발생했습니다.
	그리고 공유하기 쉬운 내용을 만들고 싶었습니다. 그래서 시뮬레이션 스크립트를 실행해서 데이터베이스를 추가하는 방식은 사용하지 않을 겁니다.
	JSON과 후속 문장을 사용하여 이 새로운 데이터 테이블에서 관찰 결과를 가져와 모니터링 데이터 테이블로 옮기겠습니다.
	이건 데이터베이스에 새 데이터가 들어오는 과정을 에뮬레이션하는 간단한 예시일 뿐인데, Jump를 사용해서는 실제로 이 작업을 할 수 없을지도 모릅니다. 하지만 ASL을 사용해서 어떻게 할 수 있는지 보여줄 기회입니다.
	다음으로, 데이터를 스트리밍하는 데 사용할 스크립트를 보여드리겠습니다.
	간단한 스크립트입니다. 아주 간단하게 설명해 드리겠습니다.
	첫 번째 명령 세트는 후속 Light 데이터베이스에서 새 데이터 테이블을 엽니다. 백그라운드에서 열립니다. 따라서 창을 처리해야 하고, 그런 다음 이 새 데이터 테이블에서 데이터를 가져와야 합니다.
	모니터링 데이터 테이블로 옮깁니다. 저는 조각들을 바이트라고 부르고 바이트 크기는 20입니다.
	그러면 데이터베이스 연결이 생성되어 데이터베이스 SQL 문을 전송할 수 있습니다. 마지막 코드는 모니터링 데이터에 새 데이터를 삽입하는 후속 문을 대화형으로 생성합니다. 따라서 다음을 초기화하겠습니다.
	좋습니다. 이 루프의 첫 번째 반복을 보여드리겠습니다.
	그래서 이것은 단지 간단한 것입니다
	첫 번째 20개의 관찰값을 삽입하는 SQL 문입니다.
	outset이 더 빨리 실행된다는 점을 언급해 주세요. 그리고 여기 아래에 wait 문이 있는데, 이건 스트림 속도를 늦출 뿐입니다.
	데이터의 진행과 통제 차트를 볼 수 있는 충분한 시간을 확보하기 위해 이 스트리밍 예제가 없었다면 너무 빨리 끝났을 것입니다.
	좋아, 그럼 나는 갈거야
	모니터링 세션으로 돌아가서 보고서를 업데이트하는 몇 가지 스크립트를 보여드리겠습니다.
	오른쪽으로 옮기세요. 그러면 보고서와 스크립트를 동시에 볼 수 있습니다.
	그래서,
	이 모니터링 데이터 읽기 스크립트는 2초마다 데이터베이스를 확인하고 점프 테이블에 새 데이터를 추가하는 간단한 스크립트입니다. 보고서에는 자동 재계산 기능이 활성화되어 있습니다.
	보고서는 새 데이터가 추가될 때마다 업데이트됩니다. 그리고 현실적으로 이렇게 통합만 되는 스크립트는 사용하지 않을 것입니다. 작업 스케줄러를 사용하면 Windows가 자동화되고 Max가 실행 일정을 예약하는 것이 더 좋습니다.
	그리고 다음 스크립트는 다음과 같습니다.
	보고서가 업데이트될 때마다 보고서를 대중에 공개합니다.
	저는 이것이 가능하다는 사실에 정말 흥분했습니다.
	웹 브라우저가 있는 모든 컴퓨터에서 관리도 업데이트를 확인할 수 있습니다. 스마트폰에서도 보고서를 볼 수 있으므로 여러 조직에서 결과를 쉽게 공유할 수 있습니다. 제한된 서버에 보고서를 게시하려는 경우 Jump Live를 사용할 수도 있습니다.
	그러면 스크립트는 예제를 여러 번 실행하려는 경우에 대비해 과거 데이터와 데이터 테이블을 다시 생성합니다.
	좋습니다. 스트리밍 스크립트를 실행해 보겠습니다.
	보고서가 어떻게 업데이트되는지 살펴보세요.
	처음에는 데이터가 제어되고 있는 것을 볼 수 있지만 오류가 발생하고 큰 제어 불가 신호가 발생하지만 플랜트 전체 제어 시스템이 구현되어 있으며 시스템을 새로운 평형 상태로 만드는 시뮬레이션이 있습니다.
	이걸 끝내는 데 잠깐 시간을 주겠습니다.
	이제 관리도를 업데이트했으니 결과를 공개로 전환하겠습니다.
	제 공개 페이지에서는 처음에 데이터와 통제를 담은 통제 차트가 있습니다.
	그리고 이는 데이터 추가로 업데이트되어야 합니다.
	그렇다면 이 과정이 처음으로 통제 불능 상태에 빠졌을 때를 살펴보겠습니다.
	당신의
제레미 애쉬	샘플 1125인 것 같습니다. 색칠해 볼게요.
	그리고 라벨을 붙이세요.
	그래서 다른 플롯에도 나타나게 되고
	SP 플롯에서는 이 관찰이 여전히 통제 상태에 있는 것처럼 보입니다.
	그리고 어떤 차트가 더 일찍 오류를 포착할지는 모델에 따라 달라집니다. 그리고 선택한 요인의 수도 달라집니다.
	확대해서 볼 수도 있습니다
	기여도 그래프에서 그 시점을 보세요. 과정이 언제 진행되는지 볼 수 있습니다. 처음에는 통제 불능 상태가 됩니다. 통제 불능 신호에 영향을 미치는 변수가 매우 많습니다. 하지만 시스템이 새로운 평형 상태에 도달하면 두 변수만이 큰 영향을 미칩니다.
	그래서 진단 섹션에서 더 많은 공간을 확보하기 위해 이 히트맵을 제거하려고 합니다.
	그리고 모든 것을 꽤 크게 만들어서 텍스트가 화면에 잘 보이도록 하세요.
	통제 불능 상태인 첫 번째 지점에 마우스를 올리면, 상위 10개 기여 변수를 확인할 수 있습니다.
	이 기능은 제어 불능 신호에 가장 큰 영향을 미치는 변수를 빠르게 파악하는 데 매우 유용합니다. 해당 플롯을 클릭하여 진단 섹션에 추가할 수도 있습니다.
	통제 불능 신호에 영향을 미치는 변수가 매우 많다는 것을 알 수 있습니다.
	여기를 조금 확대해 보겠습니다.
	막대 중 하나가 빨간색이면 해당 변수가 통제 불능 상태라는 뜻입니다.
	범용 관리도에서요. 막대 위에 마우스를 올리면 확인할 수 있습니다.
	난 그 중 몇 개를 팬에 넣을 거야
	그리고 이 그래프는 3시그마 관리 한계를 갖는 개별 변수에 대한 IR 차트입니다.
	스트리퍼 압력 변수에 대해 알 수 있듯이, 대학 관리도에서는 관측치가 통제 범위를 벗어났지만, 결국 저희 관리 시스템을 통해 변수들이 다시 통제 범위로 돌아왔습니다.
	대부분의
	기여하는 변수가 크고, 관찰을 통해 통제할 수 있는 변수 중 하나를 보여줍니다.
	따라서 제어 시스템이 응답하면 많은 변수가 다시 제어되고 프로세스가 완료됩니다.
	새로운 균형
	하지만 분명히 과정에 변화가 있습니다. 따라서 변화에 기여하는 변수들을 파악해야 합니다. 그리고 한 가지 살펴볼 만한 것은 주요 기여 요인입니다.
	구성
	내가 이것을 정리하고 살펴보면
	가장 큰 영향을 미치는 변수는 다음과 같습니다. 두 변수만이 큰 영향을 미치는 것으로 보이며, 두 변수 모두 반응기로 유입되는 흐름에서 반응물의 유량을 측정합니다.
	그리고 이것들은 본질적으로 동일한 것을 측정하는데, 하나는 측정 변수이고 다른 하나는 조작 변수입니다. 그리고 당신은 볼 수 있습니다
	대학 관리 차트에서는 흐름 속도에 큰 단계적 변화가 있음을 알 수 있습니다.
	이것도 마찬가지입니다. 그리고 이건 제가 시뮬레이션에서 프로그래밍한 단계적 변화입니다. 이러한 기여를 통해 근본 원인을 빠르게 파악할 수 있습니다.
	그래서 저는 이러한 변화의 동일한 원인을 파악하기 위한 몇 가지 다른 대안을 제시하고자 합니다. 그 이유는 실제 데이터에서 다음과 같습니다.
	프로세스 변화는 종종 더 미묘하게 나타나며, 일부 도구는 다른 도구보다 더 유용하고 이를 식별하는 데 도움이 될 수 있으며, 이러한 대체 방법을 통해 항상 동일한 결론에 도달할 수 있습니다. 따라서 이러한 방법들이 어떻게 연결되는지 몇 가지 보여드리겠습니다.
	여기 아래에는 t제곱 플랜트의 변화에 대한 추가 정보를 제공할 수 있는 점수 플랜트가 있습니다.
	모델의 두 차원만 한 번에 시각화되기 때문에 고차원 이동을 포착하는 능력이 제한적이지만, 저차원 표현으로 시각화하면 프로세스를 보다 직관적으로 시각화할 수 있습니다.
	사실, 다변량 관리도가 t제곱과 SPE로 나뉜 주된 이유 중 하나는 프로세스와 산점도를 쉽게 시각화할 수 있을 만큼 충분한 차원 축소를 제공하기 때문입니다.
	그래서 우리는 변수를 식별하고 싶습니다.
	변화를 일으키는 거죠. 그래서 변화 전후의 점들을 색칠할 거예요.
	그래서 점수 플롯에 나타나도록 하죠.
	일반적으로 우리는 6가지 요소의 모든 조합을 살펴보지만, 살펴보아야 할 점수 플롯이 너무 많습니다.
	그래서 매우 편리한 점은 이 아래쪽 화살표를 사용하여 모든 조합을 빠르게 순환할 수 있는 기능인데, 이를 통해 요인 조합을 살펴보고 큰 분리가 있는 조합을 찾을 수 있습니다.
	그리고 점수 플롯에서 처음으로 변화가 발생한 위치를 파악하고 싶다면, 점들을 연결하여 변화가 다시 1125 부근에서 발생했음을 확인할 수 있습니다.
	또 다른 유용한 도구입니다. 식별하려는 경우
	점수 차원은 관측치가 과거 데이터와 가장 큰 차이를 보이는 경우를 말하는데, 모든 점수 플롯을 일일이 살펴볼 필요는 없습니다. 바로 정규화된 점수 플롯입니다. 따라서 이동 후 한 지점을 선택하여 정규화된 점수 플롯을 살펴보겠습니다.
	사실 저는 다른 것을 선택할 겁니다.
	좋아요.
제레미 애쉬	저는 5차원과 6차원을 보고 싶거든요. 그래서
	이 플롯은 점수의 크기와 각 차원을 정규화하여 차원이 동일한 척도에 있도록 보여줍니다. 과거 데이터의 평균은 각 점수의 0이므로, 크기가 가장 큰 차원을 언급하면 가장 큰 차이를 나타냅니다.
	선택된 지점과 과거 데이터 사이입니다. 따라서 여기에서는 차원 5와 6이 가장 큰 분리를 보이는 것으로 보입니다.
	나는 그쪽으로 이동할 거야
	그래서 여기에는 우리 사이에 큰 분리가 있습니다.
	이동된 데이터와 과거 데이터, 그리고 정사각형 플롯 시각화는 변수 로딩을 사용하여 요인에 의미를 부여할 수 있으므로 더 잘 해석될 수 있습니다.
	그리고
	여기에 내가 가지고있다
	변수가 너무 많아서 모든 라벨을 볼 수 없습니다.
	벡터를 불러오는 중인데, 마우스를 올려놓으면 볼 수 있습니다. 그리고 이동 방향을 보면 원인이었던 두 변수가 거기에도 표시되는 것을 볼 수 있습니다.
	또한 그룹 비교 과정에서 하위 그룹 간의 차이점을 탐색할 수 있습니다. 이를 위해 참조 그룹에서 호출이 이동하기 전의 모든 지점과 참조 그룹과 비교하는 호출 이후의 모든 지점을 선택합니다.
	이것들
	이 기여도 플롯은 두 그룹 간 차이에 가장 큰 영향을 미치는 변수를 보여줍니다. 또한, 이 플롯을 통해 변화를 일으킨 변수도 파악할 수 있습니다.
	그룹 비교 도구는 점수 플롯에 여러 가지 변화가 있거나 데이터에서 두 개 이상의 서로 다른 하위 그룹을 볼 수 있을 때 특히 유용합니다.
	저희의 경우, 현재 데이터와 과거 데이터에서 그룹을 비교하고 있습니다. 전환 후 데이터를 선택하여 주요 기여도 점수 플롯을 살펴볼 수도 있습니다.
	그리고 이것은 우리에게 줄 것이다
	주황색 그룹의 점수에 대한 각 변수의 평균 기여도입니다. 큰 점수는 과거 데이터와의 차이가 크다는 것을 나타내므로, 이러한 기여도 플롯을 통해 원인을 파악할 수도 있습니다.
	이 공식은 t제곱 기여도 공식과 동일합니다. 하지만 이번에는 점수 플롯의 두 요인만 사용하고 있습니다.
	좋아요, 다시 파워포인트를 찾아보겠습니다.
	그럼, 데모에서 보여준 모델 기반 다중 변수 관리 차트의 주요 기능을 아주 간략하게 요약해 보겠습니다.
	이 플랫폼은 온라인 오류 감지와 오프라인 오류 진단을 모두 수행할 수 있습니다. 다양한 방법을 통해 오류의 근본 원인을 심층적으로 분석할 수 있는 플랫폼을 제공합니다.
	보여드릴게요. 저자들의 인기 책 "산업 시스템의 결함 탐지 및 진단"에서 발췌한 몇 가지 줄거리를 소개합니다.
	다변량 관리도와 범용 관리도를 나란히 사용하여 프로세스 진행 상황을 파악하는 방법을 보여주세요.
	특히 유용한 기능 중 하나는 모델 기반 다변량 관리도의 상호작용성과 사용자 편의성입니다. 바로 이러한 유형의 차트를 전환하는 기능입니다.
	제 발표는 여기까지입니다. 이메일 주소는 다음과 같습니다. 더 궁금한 점이 있으시면 언제든지 문의해 주세요. 그리고 시청해 주신 모든 분들께 감사드립니다.

고급 통계 모델링기본 데이터 분석 및 모델링소비자 및 시장 조사데이터 액세스데이터 블렌딩 및 정리데이터 탐색 및 시각화실험 설계대량 맞춤화예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석