| Conférencier |
Transcription |
| |
Bonjour, je suis Jeremy Ash. Je suis un |
| |
statisticien chez JMP R&D. Mon métier |
| |
consiste principalement à tester |
| |
les statistiques multivariées |
| |
plates-formes dans JMP, mais j'ai aussi |
| |
aider à la recherche et à l'évaluation |
| |
méthodologie. Aujourd'hui, je vais |
| |
analyser le Tennessee |
| |
Procédé Eastman utilisant certains |
| |
contrôle statistique des processus |
| |
méthodes dans JMP. Je vais |
| |
prêter une attention particulière |
| |
au modèle multivarié piloté |
| |
plate-forme de carte de contrôle, qui est |
| |
un nouvel ajout à JMP 15. |
| |
Ces données fournissent une |
| |
l'occasion de mettre en valeur |
| |
numéro de la plateforme |
| |
fonctionnalités. Et juste comme un rapide |
| |
Avertissement, ceci est similaire à |
| |
ma conférence Discovery Americas. Nous |
| |
réalisé que l'Europe n'avait pas vu de |
| |
modèle multivarié piloté par modèle |
| |
discussion sur les cartes de contrôle en raison de tous les |
| |
folie autour du COVID, donc je |
| |
j'ai décidé de me concentrer sur les bases. |
| |
Mais il y a du nouveau matériel |
| |
à la fin de la conférence. Je |
| |
couvrir brièvement quelques points supplémentaires |
| |
exemples d'analyses, puis je mets |
| |
la page communautaire pour la discussion. |
| |
Tout d'abord, je supposerai que vous avez quelques connaissances |
| |
du contrôle statistique des processus |
| |
dans cette conférence. L'essentiel est |
| |
il serait utile de savoir à propos de |
| |
sont des cartes de contrôle. Si vous êtes |
| |
je ne suis pas familier avec ceux-ci, ceux-ci |
| |
les graphiques sont-ils utilisés pour surveiller |
| |
systèmes industriels complexes pour |
| |
déterminer quand ils s'écartent |
| |
du fonctionnement normal |
| |
conditions. |
| |
Je n'aurai pas beaucoup de temps pour |
| |
entrer dans la méthodologie du modèle |
| |
contrôle multivarié piloté |
| |
graphique, donc je vais me référer à ces autres |
| |
de grandes conférences qui sont librement |
| |
disponible sur la communauté JMP |
| |
si vous voulez plus de détails. Je |
| |
devrait également dire que Jianfeng |
| |
Ding était le principal |
| |
développeur du modèle piloté |
| |
contrôle multivarié contrôle |
| |
graphique en collaboration avec |
| |
Chris Gotwalt et cette Tonya |
| |
Mauldin et moi étions testeurs. |
| |
l'objectif de cette conférence sera d'utiliser |
| |
cartes de contrôle multivariées pour |
| |
surveiller un monde réel |
| |
processus typique; un autre roman |
| |
l'aspect utilisera le contrôle |
| |
graphiques pour le processus en ligne |
| |
surveillance. Cela signifie que nous serons |
| |
surveiller les données en continu |
| |
il est ajouté à une base de données et |
| |
détection des défauts en temps réel. |
| |
Alors je vais commencer par |
| |
la diapositive obligatoire sur le |
| |
avantages du multivarié |
| |
cartes de contrôle. Alors pourquoi ne pas utiliser |
| |
cartes de contrôle univariées ? Il y a |
| |
sont un certain nombre d'excellents |
| |
options dans JMP. Univarié |
| |
les cartes de contrôle sont excellentes |
| |
outils pour analyser quelques |
| |
variables à la fois. Cependant, |
| |
les données de contrôle qualité sont souvent |
| |
de grande dimension et le nombre |
| |
des cartes de contrôle dont vous avez besoin |
| |
regarder peut vite devenir |
| |
écrasant. Multivarié |
| |
les cartes de contrôle peuvent résumer une |
| |
processus de haute dimension dans |
| |
juste quelques cartes de contrôle, |
| |
c'est donc un avantage clé. |
| |
Mais cela ne veut pas dire que |
| |
les cartes de contrôle univeriales ne sont pas |
| |
utile dans ce contexte. Vous |
| |
voir tout au long du discours que |
| |
le diagnostic des pannes implique souvent |
| |
commutation entre multivarié |
| |
et des graphiques univariés. |
| |
Les cartes de contrôle multivariées donnent |
| |
vous avez une idée de l'ensemble |
| |
la santé du processus, tandis que |
| |
les graphiques univariés vous permettent de |
| |
surveiller des aspects spécifiques de la |
| |
processus. Donc l'information est |
| |
complémentaires. L'un des objectifs |
| |
de surveillance multivariée |
| |
carte de contrôle est de fournir quelques |
| |
outils utiles pour changer |
| |
entre ces deux types de |
| |
graphiques. Un inconvénient de |
| |
graphiques univariés est que |
| |
les observations peuvent sembler être en |
| |
contrôler quand ils sont réellement |
| |
hors de contrôle dans le multivarié |
| |
sens et ces tracés montrent ce que je |
| |
signifie par là. L'univariable |
| |
carte de contrôle pour l'huile et |
| |
la densité montre les deux |
| |
observations en rouge comme dans |
| |
contrôle. Cependant, l'huile et la densité |
| |
sont fortement corrélés et les deux |
| |
les observations sont hors de contrôle. |
| |
au sens multivarié, |
| |
en particulier l'observation 51, qui |
| |
viole assez la corrélation |
| |
structure des deux variables, |
| |
donc des cartes de contrôle multivariées |
| |
peut détecter ces types de |
| |
valeurs aberrantes, tandis qu'univariées |
| |
les cartes de contrôle ne le peuvent pas. |
| |
Modèle multivarié piloté par modèle |
| |
carte de contrôle utilise la projection |
| |
méthodes pour construire les graphiques. |
| |
Je vais commencer par expliquer PCA |
| |
parce que c'est facile à construire |
| |
à partir de là. Le PCA réduit la |
| |
dimensionnalité du processus par |
| |
projection de données sur un faible |
| |
surface dimensionnelle. Euh, |
| |
ceci est montré sur l'image |
| |
à droite. Nous avons P |
| |
variables de processus et N |
| |
observations, et |
| |
les vecteurs de chargement dans le P |
| |
matrice donne les coefficients pour |
| |
combinaisons linéaires de notre X |
| |
variables qui aboutissent à |
| |
variables carrées avec |
| |
dimension A, où la dimension |
| |
A est bien inférieur à P. Et puis |
| |
ceci est montré dans les équations sur |
| |
la gauche ici. Le X peut être |
| |
prédit en fonction de la |
| |
score et charges, où E est |
| |
l'erreur de prédiction. |
| |
Ces scores sont sélectionnés pour |
| |
minimiser l'erreur de prédiction, |
| |
et une autre façon de penser à |
| |
c'est ce que tu maximise |
| |
le montant de la variance expliqué |
| |
dans la matrice X. |
| |
Alors PLS est une solution plus adaptée |
| |
méthode de projection. Lorsque vous avez |
| |
un ensemble de variables de processus et un |
| |
ensemble de variables de qualité, vous |
| |
je veux vraiment m'assurer que le |
| |
les variables de qualité sont conservées |
| |
contrôle mais ces variables |
| |
sont souvent coûteux ou prennent du temps |
| |
consommer pour récolter. La plante |
| |
pourrait fabriquer un produit sans |
| |
une qualité de contrôle pour une longue |
| |
temps avant qu'un défaut soit détecté. |
| |
Les modèles PLS vous permettent donc de |
| |
surveillez vos variables de qualité |
| |
en fonction de votre processus |
| |
variables et vous pouvez voir que |
| |
les modèles PLS trouvent le score |
| |
variables qui maximisent la |
| |
quantité de variation expliquée de |
| |
les variables de qualité. |
| |
Ces variables de processus sont |
| |
souvent moins cher ou plus facilement |
| |
disponible, donc PLS peut vous permettre |
| |
pour détecter les défauts de qualité |
| |
tôt et faites votre processus |
| |
La surveillance est moins chère. Et à partir de là, |
| |
je vais me concentrer sur PLS |
| |
modèles parce que c'est plus |
| |
approprié à l'exemple. |
| |
Ainsi, le modèle PLS partitionne votre |
| |
données en deux composants. Le |
| |
le premier composant est le modèle |
| |
composant. Cela donne le |
| |
valeurs prédites de votre processus |
| |
variables. Une autre façon de penser |
| |
à ce sujet, c'est que vos données ont |
| |
été projeté dans le modèle |
| |
plan défini par votre score |
| |
variables et moniteurs T au carré |
| |
la variation de vos données |
| |
dans ce modèle d'avion. |
| |
Et le deuxième composant est le |
| |
composant d'erreur. C'est le |
| |
distance entre votre original |
| |
données et les données prédites et |
| |
erreur de prédiction au carré (SPE) |
| |
les graphiques surveillent cette variation. |
| |
Une autre mesure alternative que nous |
| |
fournir est la distance au modèle |
| |
Plan X ou DModX. C'est juste |
| |
une alternative normalisée au SPE |
| |
que certaines personnes préfèrent. |
| |
Le dernier concept qui est |
| |
important à comprendre pour le |
| |
la démo est la distinction entre |
| |
données historiques et actuelles. |
| |
Les données historiques sont généralement |
| |
collectées lorsque le processus a été |
| |
connu pour être aux commandes. Ces |
| |
les données sont utilisées pour construire le PLS |
| |
modéliser et définir la normale |
| |
variation de processus de sorte qu'un |
| |
une limite de contrôle peut être obtenue. |
| |
Et les données actuelles sont attribuées |
| |
scores basés sur le modèle mais |
| |
sont indépendants du modèle. |
| |
Une autre façon de penser à cela |
| |
c'est que nous avons une formation et |
| |
ensembles de tests. Le contrôle T au carré |
| |
la limite est inférieure pour la formation |
| |
données parce que nous attendons moins |
| |
variabilité pour les différents... |
| |
observations utilisées pour former le |
| |
modèle alors qu'il y a plus de |
| |
variabilité de P au carré lorsque |
| |
le modèle se généralise au test E |
| |
Heureusement, la théorie |
| |
car la variance de T au carré est |
| |
été élaboré afin que nous puissions obtenir |
| |
ces limites de contrôle basées sur |
| |
quelques hypothèses de distribution. |
| |
Dans la démo, il y aura une surveillance |
| |
le procédé Tennessee Eastman. |
| |
Je vais présenter un court |
| |
introduction à ces données. Ceci |
| |
est une simulation d'un produit chimique |
| |
procédé développé par Downs et |
| |
Vogel, deux chimistes chez Eastman |
| |
Chimique. À l'origine, c'était |
| |
écrit en Fortran, mais il y a |
| |
sont des wrappers pour Matlab et |
| |
Python maintenant. Je voulais juste souligner |
| |
que même si cet ensemble de données était |
| |
généré dans les années 90, il est toujours |
| |
l'un des principaux ensembles de données |
| |
utilisé pour comparer les données multivariées |
| |
méthodes de contrôle dans le |
| |
littérature. Il couvre les |
| |
tâches principales du multivarié |
| |
bien contrôler et il y a |
| |
une quantité impressionnante de |
| |
réalisme dans la simulation. |
| |
Et la simulation est basée sur |
| |
un processus industriel qui est |
| |
toujours d'actualité aujourd'hui. |
| |
Les données ont donc été manipulées |
| |
pour protéger la propriété |
| |
informations. La simulation |
| |
processus est la production de |
| |
deux produits liquides de |
| |
réactifs gazeux dans un |
| |
usine chimique. Et F ici est |
| |
un sous-produit |
| |
qui devra être siphonné |
| |
hors du produit désiré. |
| |
Euh et... |
| |
C'est à peu près tout ce que je dirai à ce sujet. |
| |
Le diagramme de processus ressemble donc à ceci |
| |
compliqué, mais ce n'est vraiment pas le cas |
| |
c'est si mauvais, alors je vais t'accompagner |
| |
à travers elle. Gazeux |
| |
les réactifs A, D et E s'écoulent dans |
| |
le réacteur ici. |
| |
La réaction se produit et le |
| |
produit sort sous forme de gaz. C'est |
| |
puis refroidi et condensé en |
| |
liquide dans le condenseur. |
| |
Ensuite un séparateur vapeur-liquide |
| |
recycle toute vapeur restante et |
| |
le renvoie au réacteur |
| |
à travers un compresseur, et le |
| |
sous-produit et produit chimique inerte B |
| |
sont purgés dans le flux de purge, |
| |
et c'est pour éviter tout |
| |
accumulation. Le produit liquide |
| |
est pompé à travers un stripper, |
| |
où les réactifs restants |
| |
sont dépouillés. |
| |
Et ensuite renvoyé au réacteur. |
| |
Et puis enfin, le |
| |
produit liquide purifié |
| |
quitte le processus. |
| |
Le premier ensemble de variables étant |
| |
surveillés sont les manipulés |
| |
variables. Elles ressemblent à des arcs |
| |
liens dans le diagramme. Je pense |
| |
ils sont en fait censés l'être |
| |
vannes et manipulés |
| |
processus...ou le manipulé |
| |
les variables contrôlent principalement la |
| |
débit à travers différents |
| |
flux du processus. |
| |
Et ces variables peuvent être définies |
| |
à toutes les valeurs dans les limites et |
| |
avoir un peu de bruit gaussien. |
| |
Les variables manipulées sont capables |
| |
à échantillonner dans le taux, |
| |
mais nous utilisons la valeur par défaut 3 |
| |
minutes d'échantillon maintenant. |
| |
Quelques exemples de manipulations |
| |
les variables sont les valves qui |
| |
contrôler le flux de réactifs |
| |
dans le réacteur. |
| |
Un autre exemple est une valve |
| |
qui contrôle le flux de |
| |
de la vapeur dans le décapant. |
| |
Et une autre est une valve qui |
| |
contrôle le débit du liquide de refroidissement |
| |
dans le réacteur. |
| |
Le prochain ensemble de variables est |
| |
variables de mesure. Celles-ci sont |
| |
représentés par des cercles dans le diagramme. |
| |
Ils ont également été échantillonnés à trois |
| |
intervalles de minutes. Le |
| |
différence entre manipulé |
| |
variables et mesures |
| |
variables est que le |
| |
les variables de mesure ne peuvent pas être |
| |
manipulé dans la simulation. |
| |
Nos variables de qualité seront |
| |
la composition en pourcentage de |
| |
deux produits liquides et vous |
| |
peut voir l'analyseur |
| |
mesurer les produits ici. |
| |
Ces variables sont échantillonnées avec |
| |
un délai considérable, donc |
| |
nous regardons la purge |
| |
flux au lieu de la sortie |
| |
flux, car ces données sont |
| |
disponible plus tôt. Et utilisera |
| |
un modèle PLS pour surveiller le processus |
| |
variables comme proxy pour ces |
| |
variables car le processus |
| |
les variables ont moins de retard et |
| |
affecter un taux d'échantillonnage plus rapide. |
| |
Donc ça devrait suffire |
| |
contexte des données. Dans |
| |
il y a au total 33 processus |
| |
variables et deux qualités |
| |
variables. Le processus de |
| |
la collecte des variables est |
| |
simulé avec un ensemble de |
| |
équations différentielles. Et ceci |
| |
c'est juste une simulation, mais comme vous |
| |
peut voir une quantité considérable de |
| |
un soin particulier a été apporté à la modélisation de ceci |
| |
après un processus réel. Ici |
| |
est un aperçu de la démo que je suis |
| |
sur le point de vous montrer. Nous collecterons |
| |
données sur notre processus et notre magasin |
| |
ces données dans une base de données. |
| |
Je voulais avoir un exemple qui |
| |
c'était facile à partager, donc je serai |
| |
en utilisant une base de données SQLite, mais |
| |
le flux de travail est pertinent pour la plupart |
| |
types de bases de données puisque la plupart |
| |
prend en charge les connexions ODBC. |
| |
Une fois que JMP forme un ODBC |
| |
connexion avec la base de données, |
| |
JMP peut vérifier périodiquement |
| |
de nouvelles observations et les ajouter à |
| |
un tableau de données. |
| |
Si nous avons un modèle piloté |
| |
carte de contrôle multivariée |
| |
rapport ouvert avec automatique |
| |
recalcul activé, nous avons un |
| |
mécanisme de mise à jour du |
| |
cartes de contrôle à mesure que de nouvelles données arrivent |
| |
dans et tout le processus de |
| |
l'ajout de données à une base de données |
| |
probablement aller sur une autre |
| |
ordinateur depuis l'ordinateur |
| |
qui fait la surveillance. Donc |
| |
J'ai deux sessions de JMP ouvertes |
| |
pour imiter cela. Les deux sessions |
| |
avoir leur propre journal |
| |
dans les documents sur le |
| |
Communauté et la session |
| |
ajout de nouvelles données simulées à |
| |
la base de données sera appelée |
| |
la session de streaming et |
| |
session de mise à jour des rapports |
| |
à mesure que de nouvelles données arriveront, |
| |
appelée la Session de Suivi. |
| |
Une chose que j'ai vraiment aimé à propos de |
| |
le document Downs et Vogel était |
| |
qu'ils n'ont pas fourni de |
| |
une seule métrique pour évaluer la |
| |
contrôle du processus. J'ai |
| |
une citation du journal ici |
| |
« Nous avons estimé que les compromis |
| |
parmi les contrôles possibles |
| |
stratégies et techniques |
| |
impliquait bien plus qu'un |
| |
expression mathématique." |
| |
Voici donc quelques-uns des objectifs |
| |
ils ont énuméré dans leur article, |
| |
qui sont pertinents pour notre |
| |
problème. Ils voulaient maintenir |
| |
les variables de processus à |
| |
valeurs souhaitées. Ils voulaient |
| |
minimiser la variabilité du produit |
| |
qualité pendant les perturbations, et |
| |
ils voulaient récupérer rapidement |
| |
et en douceur des perturbations. |
| |
Nous verrons donc à quel point notre |
| |
le processus atteint ces objectifs |
| |
avec nos méthodes de surveillance. |
| |
Donc, pour commencer, |
| |
Journal de session de surveillance, je vais |
| |
nous vous montrons notre premier ensemble de données. |
| |
Le tableau de données contenait tous les |
| |
les variables que j'ai introduites |
| |
plus tôt. Les premières variables sont |
| |
les variables de mesure ; la |
| |
deuxièmement, c'est la composition. |
| |
Et les troisièmes sont les |
| |
variables manipulées. |
| |
Le script ici conviendra |
| |
un modèle PLS. Il exclut |
| |
les 100 dernières lignes comme ensemble de test. |
| |
Juste pour rappel, |
| |
le modèle prédit 2 |
| |
composition du produit |
| |
variables en fonction de |
| |
les variables du processus. Si |
| |
vous avez JMP Pro, là |
| |
il y a eu une certaine vitesse |
| |
améliorations apportées au PLS |
| |
dans JMP 16. |
| |
PLS dispose désormais d'un |
| |
option SVD rapide. |
| |
Vous pouvez passer à la |
| |
classique en rouge |
| |
menu triangulaire. Il y a |
| |
il y a également eu un certain nombre de |
| |
améliorations des performances |
| |
sous le capot. |
| |
Principalement pertinent pour les ensembles de données |
| |
avec un grand nombre de |
| |
observations, mais c'est |
| |
commun dans le multivarié |
| |
paramètre de surveillance du processus. |
| |
Mais le PLS n’est pas au centre de l’attention. |
| |
parler, donc j'ai déjà adapté le |
| |
colonnes de score de modèle et de sortie |
| |
et vous pouvez les voir ici. |
| |
Une des raisons pour lesquelles le moniteur |
| |
le graphique de contrôle multivarié était |
| |
conçu comme il l'est, c'est que |
| |
imaginez que vous êtes un statisticien |
| |
et vous souhaitez partager votre modèle |
| |
avec un ingénieur pour qu'ils puissent |
| |
construire des cartes de contrôle. Tous |
| |
vous devez faire est de fournir le |
| |
tableau de données avec ces formules |
| |
colonnes. Vous n'avez pas besoin de partager |
| |
tous les détails sanglants de la façon dont vous |
| |
s'adapte à votre modèle. |
| |
Ensuite, je fournirai le score |
| |
colonnes pour surveiller le |
| |
carte de contrôle multivariée. |
| |
Faites-le glisser vers la droite ici. |
| |
Donc, sur la gauche ici, vous pouvez voir |
| deux types de cartes de contrôle |
le |
| |
T au carré et SPE. |
| |
Euh, il y a 860 observations |
| |
qui ont été utilisés pour estimer la |
| |
modèle et ceux-ci sont étiquetés comme |
| |
historique. Et puis la centaine |
| |
qui ont été laissés de côté comme ensemble de test |
| |
sont vos données actuelles. |
| |
Et vous pouvez voir dans la limite |
| |
résumés, le nombre de points |
| |
qui sont hors de contrôle et |
| |
niveau de signification. Euh, si vous |
| |
vouloir changer la signification |
| |
niveau, vous pouvez le faire ici dans |
| |
le menu triangle rouge. |
| |
Parce que le réacteur est en fonctionnement normal |
| |
conditions de fonctionnement, nous nous attendons à |
| |
aucune observation à faire |
| |
contrôle, mais nous avons quelques faux |
| |
points positifs ici parce que nous |
| |
je n'ai fait aucun ajustement pour |
| |
comparaisons multiples. C'est |
| |
rare de faire cela, pour autant que je sache |
| |
peut dire, en multivarié |
| |
cartes de contrôle. Je suppose que vous |
| |
ont une puissance de détection plus élevée |
| |
des signaux de commande sans |
| |
correction. Dans la carte de contrôle |
| |
jargon, cela signifie que vous êtes dehors |
| |
de contrôle. Longueur moyenne de course |
| |
est maintenu bas. |
| |
Donc, à droite ici, nous |
| |
ont également une contribution |
| |
les tracés et sur l'axe Y sont |
| |
les observations ; sur le X |
| |
axe, les variables. Un |
| |
la contribution est exprimée |
| |
en tant que portion. |
| |
Et puis en bas ici, |
| |
Nous avons des graphiques de score. C'est vrai |
| |
maintenant je suis en train de tracer le premier |
| |
dimension du score par rapport à la |
| |
deuxième dimension de score, mais |
| |
vous pouvez regarder n'importe quel |
| |
combinaison de scores |
| |
dimensions en utilisant ceci |
| |
menus déroulants ou la flèche |
| |
bouton. |
| |
OK, donc je pense que nous sommes orientés |
| |
au rapport. Je vais |
| |
passez maintenant à la |
| |
scripts que j'ai utilisés pour diffuser |
| |
données dans la base de données qui |
| |
le rapport est en cours de suivi. |
| |
Afin de faire quelque chose pour cela |
| |
par exemple, vous aurez besoin d'un |
| |
Pilote ODBC SQLite installé |
| |
pour votre ordinateur. C'est beaucoup plus simple |
| |
à faire sur un ordinateur Windows, |
| |
c'est ce que vous utilisez souvent |
| |
lors de la connexion réelle à un |
| |
base de données. Le processus sur Mac |
| |
est plus complexe, mais j'y mets un peu |
| |
instructions sur la Communauté |
| |
page. Et puis je n'ai plus le temps |
| |
pour parler de ça, mais je |
| |
créé la base de données SQLite |
| |
Je l'utiliserai dans JMP et je |
| |
je prévois de mettre quelques instructions |
| |
dans la façon de faire cela sur le |
| |
Page web communautaire. Et, espérons-le, |
| |
cet exemple vous est utile |
| |
si vous essayez de faire cela avec |
| |
données par vous-même. |
| |
Ensuite, je vais montrer |
| |
vous les fichiers que j'ai mis |
| |
dans la base de données SQLite. |
| |
Ici, j'ai les données historiques. |
| |
Cela a été utilisé pour construire |
| |
le modèle PLS. Il y en a 960 |
| |
observations qui sont dans |
| |
contrôle. Ensuite, j'ai le |
| |
données de surveillance, qui dans un premier temps |
| |
contient juste l'historique |
| |
données, mais j'ajouterai progressivement de nouvelles |
| |
données à ceci. Ce sont les données |
| |
que le contrôle multivarié |
| |
le graphique sera surveillé. |
| |
Et puis j'ai simulé de nouveaux |
| |
données déjà et les a ajoutées à la |
| |
tableau de données ici. Ce sont |
| |
960 autres mesures étranges |
| |
où un défaut est introduit à |
| |
à un moment donné. Je voulais |
| |
avoir quelque chose qui était facile à |
| |
partager, donc je ne vais pas courir |
| |
mon script de simulation et l'ajouter à |
| |
la base de données de cette façon. Nous sommes |
| |
je vais juste prendre des observations |
| |
à partir de ce nouveau tableau de données et |
| |
les déplacer vers la surveillance |
| |
tableau de données utilisant du JSL et |
| |
Instructions SQL. Ceci n'est qu'un exemple |
| |
exemple émulant le processus |
| |
de nouvelles données entrant dans un |
| |
base de données. D'une manière ou d'une autre, vous pourriez ne pas |
| |
en fait, je fais ça avec JMP, mais |
| |
c'était une opportunité de montrer |
| |
comment vous pouvez le faire avec JSL. |
| |
Faites le ménage ici. |
| |
Et ensuite je vais vous montrer ceci |
| |
script de streaming. Ceci est un |
| |
script simple, donc je vais |
| |
Je vais vous expliquer cela très rapidement. |
| |
Cette première série de |
| |
les commandes ouvriront le |
| |
nouveau tableau de données et |
| |
c'est dans la base de données SQLite, |
| |
donc il ouvre la table dans le |
| |
arrière-plan pour que je n'aie pas à |
| |
s'occuper de la fenêtre. |
| |
Ensuite je vais prendre des morceaux |
| |
à partir de ce tableau de données et ajoutez |
| |
les aux données de surveillance |
| |
table. J'appelle les pièces |
| |
morsures et la taille des bouchées est de 20. |
| |
Et puis cette prochaine commande va |
| |
se connecter à la base de données. Ceci |
| |
me permettra d'envoyer le |
| |
instructions SQL de base de données. |
| |
Et puis ce qui suit |
| |
du code est |
| |
envoi itératif de SQL |
| |
déclarations qui insèrent de nouvelles |
| |
données dans les données de surveillance. |
| |
Et je vais |
| |
initialiser K et vous montrer le |
| |
première itération de ceci. |
| |
Il s'agit d'une instruction SQL simple, |
| |
insérer dans la déclaration que |
| |
insère les 20 premiers |
| |
observations dans les données |
| |
table. Cette instruction d'impression est |
| |
commenté afin que le code |
| |
court plus vite et puis moi aussi |
| |
avoir une instruction d'attente pour ralentir |
| |
les choses baissent légèrement pour que |
| |
nous pouvons voir leur progression |
| |
dans la carte de contrôle. |
| |
Et cela irait trop vite. |
| |
si je ne le ralentissais pas. |
| |
Euh, alors ensuite je vais déménager |
| |
Passons aux séances de surveillance |
| |
pour vous montrer les scripts |
| |
qui mettra à jour le rapport |
| |
à mesure que de nouvelles données arrivent. |
| |
Ce premier script est un simple |
| |
script. Cela vérifiera le |
| |
base de données toutes les 0,2 secondes pendant |
| |
de nouvelles observations et les ajouter |
| |
à la table JMP. Étant donné que |
| |
le rapport a un recalcul automatique |
| |
activé, le rapport sera mis à jour |
| |
chaque fois que de nouvelles données sont ajoutées. Et |
| |
Je devrais ajouter que |
| |
de façon réaliste, |
| |
vous n'utiliseriez probablement pas un |
| |
script qui s'exécute simplement comme |
| |
ceci. Vous utilisez probablement la tâche |
| |
planificateur sous Windows ou |
| |
Automator sur Mac pour mieux |
| |
planifier les exécutions du script. |
| |
Et puis il y a aussi un autre |
| |
script qui va |
| |
envoyer le rapport au public JMP |
| |
chaque fois que le rapport est mis à jour, |
| |
et j'étais vraiment excité que |
| |
c'est possible avec JMP 15. |
| |
Il permet à tout ordinateur doté d'un |
| |
navigateur Web pour afficher les mises à jour de |
| |
la carte de contrôle. Ensuite, vous |
| |
peut même consulter le rapport sur |
| |
votre smartphone, donc cela rend |
| |
c'est vraiment facile à partager |
| |
résultats dans toutes les organisations. |
| |
Et vous pouvez également utiliser JMP Live |
| |
si vous vouliez que les rapports |
| |
être sur un serveur restreint. |
| |
Je n'aurai pas le temps |
| |
pour entrer dans ce sujet dans ce |
| |
démo, mais vous pouvez consulter |
| |
ma conférence Discovery Americas. |
| |
Et puis finalement ici en bas, il y a |
| |
un script qui recrée le |
| |
données historiques dans les données |
| |
table si vous souhaitez exécuter le |
| |
exemple plusieurs fois. |
| |
Très bien, alors ensuite... assurez-vous |
| |
que nous avons les données historiques... |
| |
Je vais courir le |
| |
script de streaming et voir |
| |
comment le rapport est mis à jour. |
| |
Les données sont donc sous contrôle à |
| |
d'abord et ensuite une faute est |
| |
introduit, mais il y a un |
| |
système de contrôle à l'échelle de l'usine |
| |
qui est mis en œuvre dans le |
| |
simulation, et vous pouvez voir |
| |
comment le système de contrôle |
| |
amène finalement le processus |
| |
vers un nouvel équilibre. |
| |
Attendez que cela se termine ici. |
| |
Donc si nous zoomons, |
| |
il semble que le processus soit le premier |
| |
est devenu incontrôlable à ce sujet |
| |
point dans le temps, donc je vais |
| |
colorie-le et |
| |
étiquetez-le, mais il le fera |
| |
apparaissent dans d'autres intrigues. |
| |
Et puis dans le graphique SPE, |
| |
ça ressemble à ça |
| |
l'observation est également hors de |
| |
contrôle mais seulement légèrement. |
| |
Et puis si on zoome sur |
| |
le moment dans le |
| |
parcelles de contribution, vous pouvez |
| |
voir qu'il y en a beaucoup |
| |
variables contribuant à |
| |
le signal hors de contrôle à |
| |
d'abord. Mais ensuite, une fois que le |
| |
le processus atteint un nouveau |
| |
équilibre, il n'y a que |
| |
deux grands contributeurs. |
| |
Alors je vais enlever la chaleur |
| |
cartes maintenant à nettoyer un peu. |
| |
Vous pouvez survoler |
| |
le point auquel le processus |
| |
d'abord devenu incontrôlable et |
| |
jetez un œil au top dix |
| |
variables contributives. Ceci |
| |
est idéal pour vous donner un |
| |
aperçu rapide des variables |
| |
contribuent le plus à la |
| |
signal hors de contrôle. |
| |
Et puis si je clique sur le tracé, |
| |
ceci sera ajouté au |
| |
section diagnostic des pannes. |
| |
Et comme vous pouvez le voir, il y a |
| |
plusieurs variables avec de grandes |
| |
contributions et juste triées |
| |
sur la contribution. |
| |
Et pour les variables avec |
| |
barres rouges l'observation est |
| |
hors de contrôle dans l'univarié |
| |
cartes de contrôle. Vous pouvez voir |
| |
ceci en survolant l'un des |
| |
les barres et ces graphlets |
| |
sont des cartes IR pour un |
| |
variable individuelle avec un |
| |
limite de contrôle trois Sigma. |
| |
Vous pouvez voir dans la strip-teaseuse |
| |
variable de pression que le |
| |
l'observation est hors de |
| |
contrôle, mais finalement le |
| |
le processus est ramené sous |
| |
contrôle. Et c'est le cas |
| |
pour l'autre haut |
| |
contributeurs. Je montrerai également |
| |
vous êtes l'une des variables |
| |
là où nous avons le contrôle, le |
| |
carte de contrôle univariée. |
| |
Donc le processus était... |
| |
il y a beaucoup de variables |
| |
de contrôle dans le processus à |
| |
le début, mais |
| |
le processus atteint finalement |
| |
un nouvel équilibre. |
| |
Un... |
| |
Pour voir les variables qui |
| |
contribuent le plus au changement de |
| |
le processus, nous pouvons utiliser la moyenne |
| |
graphique de proportion de contribution. |
| |
Ces graphiques montrent la moyenne |
| |
contribution que les variables |
| |
il faut faire le T au carré pour le groupe |
| |
J'ai sélectionné. Euh, ici si je |
| |
trier sur ceux-ci. |
| |
Les deux seules variables avec |
| |
les contributions importantes mesurent la |
| |
débit du réactif A dans |
| |
flux un, qui est le flux de |
| |
ce réactif dans le réacteur. |
| |
Ces deux variables sont |
| |
mesurant essentiellement la |
| |
même chose, sauf une |
| |
mesure...on est un |
| |
variable de mesure et la |
| |
l'autre est manipulé |
| |
variable. |
| |
Vous pouvez voir qu'il y a un |
| |
changement important dans le flux |
| |
taux, c'est ce que j'ai programmé |
| |
dans la simulation. Donc, ces |
| |
les parcelles de contribution vous permettent de |
| |
identifier rapidement la cause profonde. |
| |
Et puis dans mon discours précédent, j'ai |
| |
a montré de nombreuses autres façons de |
| |
visualiser et diagnostiquer les défauts |
| |
utiliser des outils dans le graphique de score. |
| |
Cela comprend le traçage de la |
| |
charges sur les tracés de score et |
| |
faire quelques comparaisons de groupe. |
| |
Vous pouvez consulter ma Découverte |
| |
Les Amériques discutent du JMP |
| |
Communauté pour ça. Au lieu de ça, je suis |
| |
je vais passer le reste de cette |
| |
il est temps de présenter quelques nouveautés |
| |
exemples, que j'ai mis sur le |
| |
Page communautaire pour cette conférence. |
| |
Donc. |
| |
Il y a 20 défauts programmables |
| |
dans le processus Tennessee Eastman |
| |
et ils peuvent être introduits dans n'importe quel |
| |
combinaison. J'ai fourni deux autres |
| |
défauts représentatifs ici. Défaut |
| |
1 que j'ai montré précédemment était |
| |
facile à détecter car la sortie |
| |
du signal de commande est si grand |
| |
et tant de variables sont |
| |
impliqués. L'accent est mis sur la |
| |
la démo précédente était de montrer comment |
| |
utiliser les outils et identifier. |
| |
défauts parmi un grand nombre de |
| |
variables et non à référencer |
| |
les méthodes nécessairement. |
| |
Le défaut 4, en revanche, |
| |
est un défaut plus subtil, |
| |
et je vais vous le montrer ici. |
| |
La faute est... c'est programmé |
| |
est une augmentation soudaine de la |
| |
température dans le réacteur. |
| |
Et cela est compensé par |
| |
le système de contrôle en augmentant |
| |
le débit du liquide de refroidissement. |
| |
Et vous pouvez voir que |
| |
variable reprise ici et |
| |
vous pouvez voir le changement dans |
| |
parcelles de contribution. |
| |
Et puis vous pouvez aussi voir |
| |
que la plupart des autres variables |
| |
ne sont pas affectés |
| |
par la faute. Vous pouvez voir un |
| |
pic de température ici |
| |
est rapidement ramené sous |
| |
contrôle. Parce que la plupart des autres |
| |
les variables ne sont pas affectées, ceci |
| |
est difficile à détecter pour certains |
| |
méthodes de contrôle multivariées. |
| |
Et cela peut être plus |
| |
difficile à diagnostiquer. |
| |
Le dernier défaut que je vais vous montrer |
| |
est la faute 11. |
| |
Comme la faute 4, elle implique également |
| |
le flux de liquide de refroidissement dans le |
| |
réacteur, sauf que maintenant la faute |
| |
introduit de grandes oscillations dans |
| |
le débit, que nous pouvons |
| |
voir dans le contrôle univarié |
| |
graphique. Et cela donne un |
| |
fluctuation du réacteur |
| |
température. L'autre |
| |
les variables ne sont pas vraiment |
| |
affecté à nouveau, donc cela peut être |
| |
plus difficile à détecter pour certains |
| |
méthodes. Certaines méthodes multivariées |
| |
les méthodes de contrôle peuvent détecter |
| |
Défaut 4, mais pas le défaut 11 ou |
| |
vice versa. Mais notre méthode était |
| |
capable de saisir les deux. |
| |
Et puis finalement, tous les |
| |
exemples que j'ai créés en utilisant le |
| |
Le procédé Tennessee Eastman avait |
| |
défauts qui étaient apparents dans |
| |
les graphiques T au carré et SPE. |
| |
afficher quelques fonctionnalités plus récentes dans |
| |
modèle multivarié piloté par modèle |
| |
carte de contrôle, je voulais montrer |
| |
un exemple de défaut qui |
| |
apparaît dans le graphique SPE mais pas |
| |
T au carré. Et pour trouver un bon |
| |
exemple de cela, j'ai revisité un |
| |
ensemble de données dont Jianfeng Ding |
| |
présenté dans son précédent exposé, et |
| |
J'ai fourni un lien vers sa conférence |
| |
dans ce journal. |
| |
Sur sa page communautaire, |
| |
elle fournit plusieurs |
| |
exemples utiles qui sont |
| |
vaut également le détour. |
| |
Il s'agit d'un ensemble de données de Cordia |
| |
L'article classique de McGregor (?) sur |
| |
cartes de contrôle multivariées. Le |
| |
les données sont des variables traitées |
| |
mesurée dans un réacteur, produisant |
| |
polyéthylène, et vous pouvez trouver |
| |
plus d'informations sur Jianfeng |
| |
parler. Dans cet exemple, nous |
| |
avoir un processus qui est sorti de |
| |
contrôle. Laissez-moi vous montrer ceci. |
| |
Et c'est hors de contrôle... |
| |
plus tôt dans le graphique SPE que dans |
| |
le T au carré. |
| |
Et si nous regardons la moyenne |
| |
contribution |
| |
tracés pour SPE, |
| |
tu peux |
| |
voir qu'il y a une variable |
| |
avec une grande contribution et il |
| |
montre également un changement important dans la |
| |
carte de contrôle univariée, mais |
| |
il y a aussi d'autres variables |
| |
avec de grandes contributions, mais |
| |
qui sont toujours aux commandes dans le |
| |
cartes de contrôle univariées. |
| |
Et il est difficile de déterminer à partir de |
| |
les graphiques à barres seuls pourquoi ceux-ci |
| |
les variables avaient une grande |
| |
contributions. Grandes valeurs SPE |
| |
se produit lorsque les nouvelles données ne sont pas |
| |
suivre la structure de corrélation |
| |
des données historiques, qui sont |
| |
c'est souvent le cas lorsque de nouvelles données sont |
| |
collectées, et cela signifie que |
| |
votre modèle PLS que vous avez formé est |
| |
n'est plus applicable. |
| |
D'après les graphiques à barres, c'est difficile |
| |
pour savoir quelle paire de variables |
| |
ont leur structure de corrélation |
| |
cassé. Tellement nouveau dans la 15.2, vous |
| |
peut lancer des matrices de nuages de points. |
| |
Et c'est clair dans le |
| |
matrice de nuage de points indiquant que |
| |
violation des corrélations |
| |
avec Z2 c'est ce qui conduit |
| |
ces grandes contributions. |
| |
OK, je vais revenir en arrière |
| |
au PowerPoint. |
| |
Et très rapidement, je vais résumer |
| |
les principales caractéristiques du modèle piloté |
| |
carte de contrôle multivariée qui |
| |
ont été montrés dans la démo. Le |
| |
la plate-forme est capable de |
| |
effectuer les deux erreurs en ligne |
| |
détection et défaut hors ligne |
| |
diagnostic. Il existe de nombreux |
| |
méthodes fournies dans la plateforme |
| |
pour percer jusqu'à la racine |
| |
cause des défauts. Je vous montre |
| |
voici quelques intrigues d'un populaire |
| |
livre, Détection des défauts et |
| |
Diagnostic dans les systèmes industriels. |
| |
Tout au long du livre, les auteurs |
| |
démontrer comment il faut |
| |
utiliser des variables multivariées et univariées |
| |
cartes de contrôle côte à côte |
| |
pour avoir une idée de ce qui se passe |
| |
dans un processus. |
| |
Un particulièrement utile |
| |
fonctionnalité dans le modèle multivarié piloté |
| |
le graphique de contrôle est la façon dont |
| |
interactif et convivial |
| |
il s'agit de basculer entre ces |
| |
deux types de graphiques. |
| |
Et voilà mon discours. Voici |
| |
mon email si vous en avez |
| |
d'autres questions. Et |
| |
merci à tous ceux qui |
| |
connecté pour regarder ça. |
