| Vocero |
Transcripción |
| Jeremy Ash |
Hola, soy Jeremy Ash. Soy estadístico en Jump R & D. Mi trabajo consiste principalmente en probar las plataformas de estadística multivariante y Jump, pero... |
| |
También ayudo a investigar y evaluar metodología y hoy voy a analizar el proceso Tennessee Eastman utilizando algunos métodos de control de procesos estadísticos y saltos. |
| |
Prestaré especial atención a la plataforma de gráficos de control multivariados impulsada por modelos, que es una nueva incorporación a Jump y estoy muy entusiasmado con esta plataforma y estos datos brindaron una nueva oportunidad para mostrar algunas de sus características. |
| |
Primero, supongo que tienes algún conocimiento de control de procesos estadísticos en esta charla. |
| |
Lo principal que necesita saber son los gráficos de control. Si no está familiarizado con ellos, estos son gráficos que se utilizan para monitorear sistemas industriales complejos y determinar cuándo se desvían de las condiciones normales de operación. |
| |
No tendré mucho tiempo para explicar la metodología y el gráfico de control multivariante basado en modelos. Así que me referiré a estas otras excelentes charlas que están disponibles gratuitamente. |
| |
Para más detalles, debo mencionar que Jim fue el principal desarrollador del gráfico de control multivariable basado en modelos y, en colaboración con Chris Got Walt y Tanya Malden, participé en las pruebas. |
| |
Entonces, el foco de esta charla será el uso de gráficos de control multivariados para monitorear un proceso químico del mundo real. |
| |
Otro aspecto novedoso de esta charla será el uso de gráficos de control para el monitoreo de procesos en línea, esto significa que estaremos monitoreando datos continuamente a medida que se agregan a una base de datos y enviando mensajes de texto sobre fallas en tiempo real. |
| |
Comenzaré con la diapositiva obligatoria sobre las ventajas de los gráficos de control multivariante. ¿Por qué no usar los gráficos de control universitarios? Hay varias opciones excelentes y un salto. |
| |
Los gráficos de control universitarios son excelentes herramientas para analizar unas pocas variables a la vez. Sin embargo, los conjuntos de datos de control de calidad suelen tener una alta dimensionalidad. |
| |
La cantidad de gráficos que se deben revisar puede resultar abrumadora rápidamente. Por eso, los gráficos de control multivariables resumen un proceso de alta dimensión. Y con solo unos pocos gráficos, esa es una ventaja clave. |
| |
Pero eso no quiere decir que los gráficos de control universitarios no sean útiles en este contexto; durante la charla verá que el diagnóstico de fallas a menudo implica cambiar entre gráficos de control multivariados en la Universidad. |
| |
Los gráficos de control multivariados le brindan una idea del estado general de un proceso. Los gráficos de control universitarios le permiten: |
| |
Analice aspectos específicos. Por lo tanto, la información es complementaria, y uno de los principales objetivos del gráfico de control multivariante basado en modelos era proporcionar herramientas que facilitaran la alternancia entre ambos tipos de gráficos. |
| |
Una desventaja del gráfico de control universitario es que las observaciones pueden parecer controladas cuando en realidad están fuera de control en el sentido multivariado. Así que tengo que... |
| |
Controle nuestros gráficos IR para el petróleo y la densidad; estas dos observaciones en rojo están bajo control, pero el petróleo y la densidad están altamente correlacionados. Estas observaciones son atípicas en el sentido multivariado; en particular, la observación 51 viola gravemente la estructura de correlación. |
| |
Por lo tanto, los gráficos de control multivariados pueden detectar este tipo de valores atípicos. Cuando los gráficos de control universitarios no pueden... |
| |
El gráfico de control multivariante basado en modelos utiliza métodos de proyección para construir sus gráficos de control. Comenzaré explicando el ACP, ya que es fácil de desarrollar a partir de ahí. |
| |
PCA reduce la dimensionalidad de las variables de su proceso al proyectarlas en un espacio de baja dimensión. |
| |
Esto se muestra en la imagen de la derecha, tenemos p variables de proceso y observaciones y queremos reducir la dimensionalidad del proceso a a donde a sea mucho menor que p y |
| |
Para ello, utilizamos esta matriz de carga P, que proporciona los coeficientes para las combinaciones lineales de nuestras variables X, las cuales generan las variables de puntuación. Las ecuaciones se muestran a la izquierda. |
| |
Los horarios de salida P le proporcionarán valores predichos para sus variables de proceso con la representación de baja dimensión. Además, hay algo de aire de predicción y sus variables de puntuación están seleccionadas. |
| |
De una manera que minimiza esta predicción al cuadrado. Otra forma de verlo es que se maximiza la cantidad de varianza explicada x. |
| |
Por favor, es más adecuado cuando tienes un conjunto de variables de proceso y un conjunto de variables de calidad y realmente quieres asegurarte de que las variables de calidad se mantengan bajo control, pero estas variables suelen ser costosas o requieren mucho tiempo para recopilarlas. |
| |
En el planeta, la calidad puede estar fuera de control durante mucho tiempo antes de que se detecte una falla. |
| |
Los modelos PLS permiten monitorear las variables de calidad en función de las variables de proceso. Aquí se puede observar que PLS encontrará variables de puntuación que maximizan la varianza explicada en las variables y. |
| |
Las variables de proceso suelen ser más económicas y fáciles de conseguir. Por lo tanto, los modelos PLS permiten detectar fallos de calidad de forma temprana y abaratar la monitorización del proceso. |
| |
De ahora en adelante, me centraré en los modelos pls, ya que son más apropiados para nuestro ejemplo. |
| |
Por favor, divida sus datos en dos componentes. El primero es el componente del modelo. Esto le proporciona los valores predichos. |
| |
Otra forma de pensar en esto es que sus datos han sido proyectados en un plano modelo definido por sus variables de puntuación y los gráficos t al cuadrado monitorearán la variación en este plano modelo. |
| |
El segundo componente es el componente de error. Esta es la distancia entre los datos originales y los datos predichos. Los gráficos de error de predicción al cuadrado son gráficos sp que monitorearán. |
| |
Variación en este componente |
| |
También proporcionamos una distancia alternativa para modelar el plano x, esta es solo una versión normalizada de sp. |
| |
El último concepto que es importante comprender para la demostración es la distinción entre datos históricos y actuales. |
| |
Los datos históricos se suelen recopilar cuando se sabe que el proceso está bajo control. Estos datos se utilizan para construir el modelo PLS y definir |
| |
Variación normal del proceso. Esto permite obtener un límite de control. A los datos actuales se les asignan puntuaciones basadas en el modelo, pero son independientes del mismo. |
| |
Otra forma de pensar en esto es que tenemos un conjunto de entrenamiento y uno de prueba, y el límite de control t cuadrado es menor para los datos de entrenamiento porque esperamos una variabilidad menor para |
| |
Observaciones utilizadas para entrenar el modelo, donde hay mayor variabilidad y t al cuadrado. Cuando el modelo se generaliza a un conjunto de prueba. Afortunadamente, existe una teoría que se ha desarrollado para... |
| |
Variantes de T cuadrado que nos permiten obtener límites de control basados en algunos supuestos distribucionales. |
| |
En la demostración se monitoreará el proceso Eastman de Tennessee. Presentaré una breve introducción a estos datos. |
| |
Esta es una simulación de un proceso químico desarrollado por Downs y Bogle para químicos de Eastman Chemical y fue escrito originalmente en Fortran, pero ahora existen versiones para ello en MATLAB y Python. |
| |
La simulación se basó en un proceso industrial real, pero fue manipulado para proteger información confidencial. |
| |
Los procesos de simulación. La producción de líquidos. |
| |
Al gasificar los reactivos, se obtiene F como subproducto que será necesario extraer del producto deseado. |
| |
Los procesos de dos temporadas son omnipresentes en la literatura sobre métodos de control de procesos multivariados de referencia. |
| |
Este es el diagrama del proceso. Parece complicado, pero en realidad no lo es tanto. Así que voy a explicarlo paso a paso. |
| |
Los reactivos gaseosos (ad y he) fluyen hacia el reactor. La reacción ocurre y el producto sale en forma de gas. Se enfría y se condensa en líquido, pasando por el condensador. |
| |
Luego tenemos un separador de vapor líquido que eliminará cualquier vapor restante y lo reciclará de nuevo al reactor a través del compresor y también hay una corriente de purga aquí que... |
| |
Se ventila el subproducto y se aplica una sustancia química para evitar que se acumule y luego el producto líquido se bombea a través de un separador donde se eliminan los reactivos restantes y el producto purificado final sale de aquí en la corriente de salida. |
| |
El primer conjunto de variables que se monitorean son las variables manipuladas. Estas se ven como pajaritas y el diagrama. |
| |
Creo que en realidad están destinados a ser válvulas y las variables manipulables, principalmente, controlan el caudal a través de diferentes corrientes del proceso. |
| |
Estas variables se pueden establecer en valores específicos dentro de límites y tienen algo de ruido gaussiano y las variables manipulativas se pueden muestrear a cualquier ritmo, estamos usando un muestreo predeterminado de tres minutos en |
| |
Algunos ejemplos de variables manipulables son el caudal de los reactivos en el reactor. |
| |
El caudal de vapor hacia el separador. |
| |
Y el flujo de refrigerante hacia el reactor. |
| |
El siguiente conjunto de variables son las de medición. Estas se muestran como círculos en el diagrama y también se muestrean en intervalos de tres minutos. La diferencia radica en que las variables de medición no se pueden manipular en la simulación. |
| |
Nuestras variables de calidad serán la composición porcentual de los productos líquidos que podrás ver |
| |
El analizador que mide la composición aquí. |
| |
Estas variables se recogen con un retraso considerable en el tiempo, por lo que |
| |
Estamos mirando el producto en la transmisión porque |
| |
Estas variables se pueden medir con mayor facilidad que el producto que sale del flujo de salida. Además, desarrollaremos un modelo PLS para monitorear... |
| |
Monitorear nuestras variables de calidad a través de nuestras variables de proceso que tienen un retraso sustancialmente menor en una tasa de muestreo más rápida. |
| |
Bien, este es un resumen de los datos. En total, hay 33 variables de proceso dentro de las variables de calidad. |
| |
El proceso de recopilación de variables se simula mediante una serie de ecuaciones diferenciales. Esto es solo una simulación. Sin embargo, se puede observar que se ha puesto mucho cuidado en el modelado. Este es un proceso real. |
| |
Entonces, aquí hay una descripción general de la demostración. Estoy a punto de mostrarle que recopilará datos sobre nuestro proceso y luego almacenará estos datos en una base de datos. |
| |
Quería un ejemplo fácil de compartir. Por eso, usaré una base de datos Sequel Light, pero este flujo de trabajo es relevante para la mayoría de las bases de datos. |
| |
La mayoría de las bases de datos admiten conexiones impares; una vez que Jump se conecta a la base de datos, puede verificar periódicamente si hay nuevas observaciones y actualizar la tabla de saltos a medida que llegan. |
| |
Y luego, si tenemos abierto un informe de gráfico de control multivariante basado en modelos con el recálculo automático activado, tenemos un mecanismo para actualizar los gráficos de control a medida que se reciben nuevos datos. |
| |
Y todo el proceso de agregar datos a una base de datos probablemente se realizará en una computadora separada de la computadora que realiza el monitoreo. |
| |
Entonces tengo dos sesiones de salto abiertas para emular esto, ambas sesiones tienen su propio diario en los materiales que se proporcionan en la Comunidad. |
| |
Y la primera sesión agregará datos simulados a la base de datos y se llama sesión de transmisión y la siguiente sesión actualizará los informes a medida que ingresan a la base de datos y la llamo sesión de monitoreo. |
| |
Algo que me gustó mucho del artículo de Downs y Vogel fue que no proporcionaban una única métrica para evaluar el control del proceso. Tengo una cita del artículo aquí. Sentíamos que... |
| |
Consideramos que las compensaciones entre las posibles estrategias y técnicas de control implicaban mucho más que una expresión matemática. |
| |
Entonces, aquí están algunos de los objetivos que enumeraron en su artículo que son relevantes para nuestro problema: mantener las variables del proceso en valores deseados, minimizar la variabilidad de la calidad del producto durante las perturbaciones y recuperarse rápidamente y sin problemas de las perturbaciones. |
| |
Así, evaluaremos qué tan bien nuestro proceso logra estos objetivos, utilizando nuestros métodos de monitoreo. |
| |
Bueno. |
| |
Para empezar, estoy en el diario de la sesión de monitoreo y les mostraré nuestros primeros datos enviados. La tabla de datos contiene todas las variables que introduje anteriormente. El primer conjunto son las variables de medición. El siguiente conjunto son las variables de composición. Y el último conjunto son las variables manipuladas. |
| |
Y el primer script adjunto aquí se ajustará a un modelo pls, excluye las últimas cien rosas que son un conjunto de prueba. |
| |
Y solo como recordatorio, este modelo predice nuestras dos variables de composición del producto en función de nuestras variables de proceso, pero el modelo PLS o PLS no es el enfoque de la charla. Por lo tanto, ya he ajustado las columnas de modelo y puntuación de salida aquí. |
| |
Si observamos las propiedades de la columna, podemos ver que hay una propiedad de estadísticas históricas de MD MCC que contiene toda la información. |
| |
En su modelo, necesita construir los gráficos de control multivariados. Una de las razones por las que el monitoreo de gráficos de control multivariados se diseñó de esta manera fue... |
| |
Imagina que eres estadístico y quieres compartir tu modelo con un ingeniero para que pueda crear gráficos de control. Solo necesitas proporcionar la tabla de datos con estas columnas de fórmulas. No necesitas compartir todos los detalles de cómo ajustaste tu modelo. |
| |
A continuación, utilizaré las columnas de puntuación para crear nuestro turno de control. |
| |
A la izquierda, tengo que controlar los gráficos t cuadrado y SPE. Hay 860 observaciones que se usaron para estimar el modelo. Estas están etiquetadas como históricas y luego tengo 100 observaciones que se utilizaron como conjunto de prueba. |
| |
Y puedes ver en los resúmenes de límites aquí abajo que realicé un enlace solo para la corrección para pruebas múltiples. |
| |
Basándome en los datos históricos, hice esto aquí arriba, en el menú del triángulo rojo, puedes configurar el nivel alfa, lo que quieras. |
| |
Hice esta corrección porque se sabe que los datos corresponden a condiciones operativas normales. Por lo tanto, esperamos que ninguna observación esté fuera de control y, tras este ajuste de multiplicidad, no hay falsas alarmas. |
| |
A la derecha, los mapas de calor de proporción de contribución. Estos indican la contribución de cada variable a la señal de control externa. Cada observación se encuentra en el eje Y, y las contribuciones se expresan como proporción. |
| |
Y en ambos gráficos se puede observar que las contribuciones se distribuyen de manera bastante uniforme entre las variables. |
| |
Y abajo tengo una planta de puntuación. |
| |
En este momento, solo estamos trazando la primera dimensión de puntuación versus la segunda dimensión de puntuación, pero puedes ver cualquier combinación de las dimensiones de puntuación usando estos menús desplegables o esta flecha. |
| |
Bien, ya estamos bastante orientados al informe, voy a pasar a la sesión de monitoreo. |
| |
Que transmitirá datos a la base de datos. |
| |
Para realizar cualquier acción en este ejemplo, necesitará tener instalado el controlador Sequel Light Odd See. Es fácil. Siga este enlace. |
| |
No tengo tiempo para hablar de esto, pero creé la base de datos de la secuela. Usaré Jump. Tengo instrucciones sobre cómo hacerlo y cómo conectar Jump a la base de datos en la página web de mi comunidad. |
| |
Este ejemplo podría ser útil si quieres probarlo en una cita por tu cuenta. |
| |
Ya he creado una conexión a esta base de datos. |
| |
Ya compartí la base de datos en la comunidad. Así que voy a echar un vistazo a las tablas de datos en el generador de consultas. |
| |
Puedo hacer esa instantánea de la tabla |
| |
El primer conjunto de datos son los datos históricos que he utilizado para construir un modelo PLS; hay 960 observaciones que están bajo control. |
| |
La siguiente tabla de datos es una tabla de datos de monitoreo; al principio, solo contiene los datos históricos, pero gradualmente agregaré datos nuevos y esto es lo que nuestro gráfico de control multivariado monitoreará. |
| |
Y luego ya he simulado los nuevos datos y los he agregado a esta tabla de datos aquí y veo que comienza en la marca de tiempo 961. |
| |
Y hay otras 960 observaciones, pero he introducido un fallo en algún momento. |
| |
Quería tener algo fácil de compartir. Así que no voy a ejecutar mi script de simulación ni a agregar la base de datos de esa manera. |
| |
Simplemente tomaré observaciones de esta nueva tabla de datos y las moveré a la tabla de datos de monitoreo usando algo de JSON con declaraciones posteriores. |
| |
Este es solo un ejemplo sencillo que emula el proceso de entrada de nuevos datos a una base de datos. Por alguna razón, es posible que no se pueda hacer con jump. Pero esta es una oportunidad para mostrar cómo se puede hacer con ASL. |
| |
A continuación, le mostraré el script que se utilizará para transmitir los datos. |
| |
Este es un script sencillo. Te lo explicaré rápidamente. |
| |
El primer conjunto de comandos abrirá la nueva tabla de datos de la base de datos Sequel Light; se abre en segundo plano. Así que tengo que gestionar la ventana y luego tomaré fragmentos de esta nueva tabla de datos y... |
| |
moverlos a la tabla de datos de monitoreo. Estoy llamando a las piezas bocados y TAMAÑOS DE BOCADO 20 |
| |
Esto creará una conexión a la base de datos que me permitirá enviar las sentencias SQL de la base de datos. Este último fragmento de código construirá interactivamente sentencias de seguimiento que insertan nuevos datos en los datos de monitoreo. Así que voy a inicializar |
| |
Bien, y te mostraré la primera iteración de este bucle. |
| |
Así que esto es sólo algo simple. |
| |
Sentencia SQL insert into que inserta las primeras 20 observaciones. |
| |
Comenta que el inicio se ejecuta más rápido. Y hay una instrucción de espera aquí abajo. Esto solo ralentizará la transmisión. |
| |
Para que tengamos tiempo suficiente para ver la progresión de los datos y los gráficos de control, de no ser por este ejemplo de streaming, este terminaría demasiado rápido. |
| |
Bueno, entonces voy a |
| |
Regrese a la sesión de monitoreo y le mostraremos algunos scripts que actualizarán el informe. |
| |
Muévelo a la derecha para que puedas ver el informe y los guiones al mismo tiempo. |
| |
Entonces, |
| |
Este script de lectura de datos de monitoreo es simple y revisa la base de datos cada dos segundos y agrega nuevos datos a la tabla de saltos. Además, el informe tiene activado el recuento automático. |
| |
El informe se actualizará cada vez que se agreguen nuevos datos. Y debo añadir que, siendo realistas, probablemente no usarías un script que se integre así; probablemente usarías el Programador de tareas, las ventanas están automatizadas y Max programaría mejor las ejecuciones. |
| |
Y luego el siguiente guión aquí. |
| |
Hará que el informe se haga público cada vez que se actualice. |
| |
Me emocioné mucho al pensar que esto fuera posible y dar el salto. |
| |
Permite que cualquier computadora con un navegador web vea las actualizaciones del gráfico de control. Incluso puede ver el informe en su teléfono inteligente. Esto facilita compartir los resultados entre organizaciones. También puede usar Jump Live si desea que los informes estén en un servidor restringido. |
| |
Y luego el script recreará los datos históricos y la tabla de datos en caso de que desee ejecutar el ejemplo varias veces. |
| |
Bien, ahora ejecutemos el script de transmisión. |
| |
Y mira cómo se actualiza el informe. |
| |
Se puede ver que los datos están bajo control al principio, pero luego se introduce una falla, hay una gran señal fuera de control, pero hay un sistema de control en toda la planta que se ha implementado y la simulación, que lleva el sistema a un nuevo equilibrio. |
| |
Le doy un segundo para terminarlo. |
| |
Y ahora que actualicé el gráfico de control, voy a publicar los resultados. |
| |
En mi página pública de salto tengo al principio el gráfico de control con los datos y el control al inicio. |
| |
Y esto debería actualizarse con la adición de los datos. |
| |
Entonces, si nos centramos en el momento en que el proceso se salió de control por primera vez. |
| |
Su |
| Jeremy Ash |
Parece que esa fue la muestra 1125. Voy a colorearla. |
| |
Y etiquétalo. |
| |
Para que aparezca en otras tramas y luego |
| |
En el gráfico SP parece que esta observación todavía está bajo control. |
| |
Y qué gráfico detectará las fallas antes depende de tu modelo. Y de cuántos factores hayas elegido. |
| |
También podemos hacer zoom |
| |
Ese punto temporal en el gráfico de contribución. Y se puede ver cuándo el proceso se descontrola. Hay un gran número de variables que contribuyen a la señal de descontrol. Pero luego, cuando el sistema alcanza un nuevo equilibrio, solo dos variables tienen contribuciones importantes. |
| |
Entonces voy a eliminar estos mapas de calor para tener más espacio en la sección de diagnóstico. |
| |
Y hacer todo bastante grande para que el texto se apareciera en la pantalla. |
| |
Si paso el cursor sobre el primer punto que está fuera de control, puedes echar un vistazo a las 10 variables principales que contribuyen. |
| |
Esto es excelente para identificar rápidamente qué variables contribuyen más a la señal de descontrol. También puedo hacer clic en ese gráfico y adjuntarlo a la sección de diagnóstico. |
| |
Puedes ver que hay una gran cantidad de variables que contribuyen a la señal fuera de control. |
| |
Amplíe aquí un poco. |
| |
Si una de las barras está roja, significa que la variable está fuera de control. |
| |
En un gráfico de control universal. Puedes verlo pasando el cursor sobre las barras. |
| |
Voy a hacer una panorámica de un par de esos. |
| |
Y estos gráficos, sean nuestros gráficos IR para las variables individuales con tres límites de control sigma. |
| |
Se vería para la variable de presión del separador. La observación está fuera de control en el gráfico de control de la universidad, pero las variables finalmente fueron controladas por nuestro sistema de control. Y esto es cierto para |
| |
La mayoría de los |
| |
Grandes variables contribuyentes y también le muestran una de las variables donde la observación está en control. |
| |
Entonces, una vez que el sistema de control responde, muchas variables vuelven a estar bajo control y el proceso alcanza |
| |
Un nuevo equilibrio |
| |
Pero obviamente hay un cambio en el proceso. Por lo tanto, es necesario identificar las variables que contribuyen a dicho cambio. Algo que se puede observar es la contribución principal. |
| |
Trama |
| |
Si ordeno esto y miro |
| |
Las variables que más contribuyen. Parece que solo dos variables tienen una gran contribución, y ambas miden el caudal del reactivo en una corriente que entra al reactor. |
| |
Y estos miden esencialmente lo mismo, excepto que uno es una variable de medición y el otro es una variable manipulada. Y puedes ver |
| |
En el diagrama de control de la universidad se observa que hay un gran cambio en el caudal. |
| |
Este también. Y este es el cambio radical que programé en la simulación. Así que estas contribuciones nos permiten identificar rápidamente la causa raíz. |
| |
Presentaré otros métodos alternativos para identificar la misma causa del cambio. Y la razón es que se trata de datos reales. |
| |
Los cambios de proceso suelen ser más sutiles, y algunas herramientas pueden ser más útiles para identificarlos que otras, llegando consistentemente a la misma conclusión con estos métodos alternativos. Por lo tanto, se mostrarán algunas de las formas en que estos métodos están conectados. |
| |
Aquí abajo tengo una planta de puntuación que puede proporcionar información complementaria sobre los cambios en la planta t al cuadrado. |
| |
Es más limitado en su capacidad para capturar cambios de alta dimensión, porque solo se visualizan dos dimensiones del modelo a la vez, sin embargo, podemos proporcionar una visualización más intuitiva del proceso ya que lo visualiza en una representación de baja dimensión. |
| |
Y, de hecho, una de las principales razones por las que los gráficos de control multivariados se dividen en t cuadrado y SPE en primer lugar es que proporciona suficiente reducción de dimensionalidad para visualizar fácilmente el proceso y el diagrama de dispersión. |
| |
Entonces queremos identificar las variables que son |
| |
Provocando el cambio. Así que voy a colorear los puntos antes y después del cambio. |
| |
Para que aparezcan en el gráfico de puntuación. |
| |
Por lo general, cuando analizamos todas las combinaciones de los seis factores, pero son muchos gráficos de puntuación para analizar. |
| |
Entonces, algo que es muy útil es la capacidad de recorrer todas las combinaciones rápidamente con esta flecha aquí abajo y podemos mirar las combinaciones de factores y encontrar una en la que haya una gran separación. |
| |
Y si quisiéramos identificar dónde se produjo el cambio por primera vez en los gráficos de puntuación, podemos conectar los puntos y ver que el cambio se produjo nuevamente alrededor de 1125. |
| |
Otra herramienta útil. Si quieres identificar |
| |
Las dimensiones de puntuación, donde una observación muestra la mayor separación con respecto a los datos históricos y no se desea revisar todos los gráficos de puntuación, son los gráficos de puntuación normalizados. Por lo tanto, seleccionaré un punto después del desplazamiento y analizaré el gráfico de puntuación normalizado. |
| |
De hecho voy a elegir otro. |
| |
Bueno. |
| Jeremy Ash |
Porque quiero ver las dimensiones cinco y seis. Entonces... |
| |
Estos gráficos muestran la magnitud de la puntuación y cada dimensión normalizada, de modo que las dimensiones se encuentren en la misma escala. Dado que la media de los datos históricos es cero para cada puntuación, mencionar las dimensiones con mayor magnitud mostrará la mayor separación. |
| |
Entre el punto seleccionado y los datos históricos. Así, las dimensiones cinco y seis muestran la mayor separación. |
| |
Voy a pasar a esos |
| |
Así que hay una gran separación aquí entre nuestros |
| |
Los datos desplazados, los datos históricos y la visualización del gráfico cuadrado también se pueden interpretar mejor porque se pueden usar las cargas de las variables para asignar significado a los factores. |
| |
Y |
| |
Aquí lo tengo |
| |
Tenemos demasiadas variables para ver todas sus etiquetas. |
| |
Cargando vectores, pero puedes pasar el cursor por encima para verlos. Y puedes ver, si miro en la dirección del desplazamiento, que las dos variables causantes también aparecen allí. |
| |
También podemos explorar las diferencias entre subgrupos en el proceso con las comparaciones de grupos, para ello seleccionaré todos los puntos antes del cambio en la llamada al grupo de referencia y todo lo posterior en la llamada al grupo que estoy comparando con la referencia. |
| |
Estos |
| |
Este gráfico de contribución me mostrará las variables que más contribuyen a la diferencia entre estos dos grupos. Como pueden ver, esto también identifica las variables que causaron el cambio. |
| |
La herramienta de comparaciones de grupos es particularmente útil cuando hay múltiples cambios en un gráfico de puntuación y cuando se pueden ver más de dos subgrupos distintos en los datos. |
| |
En nuestro caso, al comparar un grupo de nuestros datos actuales con los datos históricos, también podríamos seleccionar los datos después del cambio y observar un gráfico de puntuación de contribución principal. |
| |
Y esto nos dará |
| |
Las contribuciones promedio de cada variable a las puntuaciones del grupo naranja. Dado que las puntuaciones altas indican una gran diferencia con respecto a los datos históricos, estos gráficos de contribución también permiten identificar la causa. |
| |
Se utiliza la misma fórmula que la de contribución para t al cuadrado. Pero ahora solo usamos los dos factores del gráfico de puntuación. |
| |
Está bien, voy a encontrar mi PowerPoint de nuevo. |
| |
Muy rápidamente, voy a resumir las características clave del gráfico de control de múltiples variantes impulsado por modelos que se mostraron en la demostración. |
| |
La plataforma permite la detección y el diagnóstico de fallas tanto en línea como fuera de línea. Existen diversos métodos que permiten llegar a la raíz de las fallas. |
| |
Les muestro algunos gráficos del popular libro "Detección y diagnóstico de fallas en sistemas industriales", de sus autores. |
| |
Demuestre cómo es necesario utilizar gráficos de control multivariados y universales en paralelo para tener una idea de lo que está sucediendo en el proceso. |
| |
Una característica particularmente útil de los gráficos de control multivariante basados en modelos es su interactividad y facilidad de uso. Permite alternar entre estos tipos de gráficos. |
| |
Así que esta es mi charla. Aquí está mi correo electrónico. Si tienen más preguntas, gracias a todos los que vieron esto. |
