| Lautsprecher |
Transkript |
| |
Hallo, ich bin Jeremy Ash. Ich bin ein |
| |
Statistiker in JMP R&D. Mein Job |
| |
besteht in erster Linie aus dem Testen |
| |
die multivariate Statistik |
| |
Plattformen in JMP, aber ich habe auch |
| |
helfen bei der Recherche und Auswertung |
| |
Methodik. Heute werde ich |
| |
analysieren die Tennessee |
| |
Eastman-Verfahren unter Verwendung einiger |
| |
Statistische Prozesskontrolle |
| |
Methoden in JMP. Ich werde |
| |
besondere Aufmerksamkeit schenken |
| |
zum modellgetriebenen multivariaten |
| |
Kontrollkartenplattform, die |
| |
eine neue Ergänzung zu JMP 15. |
| |
Diese Daten liefern eine |
| |
Gelegenheit zur Präsentation der |
| |
Nummer der Plattform |
| |
Funktionen. Und nur als schnelle |
| |
Haftungsausschluss, dies ist ähnlich wie |
| |
mein Discovery Americas Vortrag. Wir |
| |
erkannte, dass Europa noch nie eine |
| |
modellgesteuerte multivariate |
| |
Kontrolldiagrammgespräch aufgrund all der |
| |
Wahnsinn um COVID, also ich |
| |
beschlossen, sich auf die Grundlagen zu konzentrieren. |
| |
Aber es gibt neues Material |
| |
am Ende des Vortrags. Ich werde |
| |
kurz auf einige zusätzliche |
| |
Beispielanalysen, dann lege ich |
| |
die Community-Seite für den Vortrag. |
| |
Zunächst gehe ich davon aus, dass ich |
| |
der statistischen Prozesskontrolle |
| |
in diesem Vortrag. Die Hauptsache ist, |
| |
wäre hilfreich zu wissen über |
| |
ist Kontrollkarten. Wenn Sie |
| |
nicht vertraut mit diesen, diesen |
| |
sind Diagramme zur Überwachung |
| |
komplexe Industriesysteme zu |
| |
bestimmen, wann sie abweichen |
| |
vom normalen Betrieb |
| |
Bedingungen. |
| |
Ich werde nicht viel Zeit haben, |
| |
gehen Sie in die Methodik des Modells |
| |
gesteuerte multivariate Kontrolle |
| |
Diagramm, also werde ich auf diese anderen verweisen |
| |
tolle Vorträge, die frei |
| |
verfügbar in der JMP-Community |
| |
Wenn Sie weitere Einzelheiten wünschen. Ich |
| |
sollte auch sagen, dass Jianfeng |
| |
Ding war der Haupt |
| |
Entwickler des modellgetriebenen |
| |
multivariate Steuerung Steuerung |
| |
Diagramm in Zusammenarbeit mit |
| |
Chris Gotwalt und diese Tonya |
| |
Mauldin und ich waren Tester. Die |
| |
Der Schwerpunkt dieses Vortrags liegt auf der Verwendung |
| |
multivariate Kontrollkarten zur |
| |
eine reale Welt überwachen |
| |
typischer Prozess; ein weiterer Roman |
| |
Aspekt wird die Kontrolle nutzen |
| |
Diagramme für Online-Prozesse |
| |
Überwachung. Das bedeutet, dass wir |
| |
Überwachungsdaten kontinuierlich als |
| |
Es wird einer Datenbank hinzugefügt und |
| |
Erkennen von Fehlern in Echtzeit. |
| |
Ich werde also beginnen mit |
| |
die obligatorische Folie auf der |
| |
Vorteile der multivariaten |
| |
Kontrollkarten. Warum also nicht verwenden |
| |
univariate Kontrollkarten? Es |
| |
sind eine Reihe von ausgezeichneten |
| |
Optionen in JMP. Univariate |
| |
Kontrollkarten sind ausgezeichnet |
| |
Werkzeuge zur Analyse einiger |
| |
Variablen gleichzeitig. Allerdings |
| |
Qualitätskontrolldaten sind oft |
| |
hochdimensional und die Zahl |
| |
von Regelkarten, die Sie benötigen |
| |
Blick kann schnell werden |
| |
überwältigend. Multivariat |
| |
Regelkarten können eine |
| |
hochdimensionalen Prozess in |
| |
nur ein paar Kontrollkarten, |
| |
das ist also ein entscheidender Vorteil. |
| |
Das heißt aber nicht, dass |
| |
univeriate Kontrollkarten sind nicht |
| |
in diesem Zusammenhang nützlich. Sie werden |
| |
sehen Sie im gesamten Vortrag, dass |
| |
Die Fehlerdiagnose umfasst oft |
| |
Umschalten zwischen multivariablem |
| |
und univariate Diagramme. |
| |
Multivariate Kontrollkarten geben |
| |
Sie ein Gefühl für die Gesamtheit |
| |
Gesundheit des Prozesses, während |
| |
univariate Diagramme ermöglichen Ihnen |
| |
Überwachung bestimmter Aspekte der |
| |
Prozess. Die Informationen sind also |
| |
komplementär. Eines der Ziele |
| |
der Überwachung multivariater |
| |
Kontrolldiagramm ist einige |
| |
nützliche Tools zum Umschalten |
| |
zwischen diesen beiden Arten von |
| |
Diagramme. Ein Nachteil von |
| |
univariaten Diagrammen ist, dass |
| |
Beobachtungen können in |
| |
Kontrolle, wenn sie tatsächlich |
| |
außer Kontrolle im multivariaten |
| |
Sinn und diese Plots zeigen, was ich |
| |
Ich meine damit. Die univariate |
| |
Regelkarte für Öl und |
| |
Dichte zeigen die beiden |
| |
Beobachtungen in Rot wie in |
| |
Kontrolle. Öl und Dichte |
| |
sind stark korreliert und beide |
| |
Beobachtungen geraten außer Kontrolle. |
| |
im multivariaten Sinne, |
| |
insbesondere Beobachtung 51, die |
| |
verstößt ziemlich gegen die Korrelation |
| |
Struktur der beiden Variablen, |
| |
also multivariate Kontrollkarten |
| |
kann diese Arten von |
| |
Ausreißer, während univariate |
| |
Kontrollkarten können das nicht. |
| |
Modellgesteuerte multivariate |
| |
Kontrolldiagramm verwendet Projektion |
| |
Methoden zum Erstellen der Diagramme. |
| |
Ich werde zunächst PCA erklären |
| |
weil es einfach aufzubauen ist |
| |
Von dort. PCA reduziert die |
| |
Dimensionalität des Prozesses durch |
| |
Projektion von Daten auf eine niedrige |
| |
dimensionale Oberfläche. Ähm, |
| |
das ist auf dem Bild zu sehen |
| |
rechts. Wir haben P |
| |
Prozessvariablen und N |
| |
Beobachtungen und |
| |
die Belastungsvektoren im P |
| |
Matrix gibt die Koeffizienten für |
| |
Linearkombinationen unserer X |
| |
Variablen, die dazu führen, |
| |
quadratische Variablen mit |
| |
Abmessung A, wobei die Abmessung |
| |
A ist viel kleiner als P. Und dann |
| |
Dies wird in Gleichungen auf gezeigt |
| |
links hier. Das X kann |
| |
vorhergesagt als Funktion der |
| |
Punktzahl und Ladungen, wobei E ist |
| |
der Vorhersagefehler. |
| |
Diese Ergebnisse werden ausgewählt, um |
| |
Minimieren Sie den Vorhersagefehler, |
| |
und eine andere Art, darüber nachzudenken |
| |
das ist, dass Sie maximieren |
| |
der Betrag der erklärten Varianz |
| |
in der X-Matrix. |
| |
Dann ist PLS eine geeignetere |
| |
Projektionsmethode. Wenn Sie |
| |
eine Reihe von Prozessvariablen und eine |
| |
Satz von Qualitätsvariablen, Sie |
| |
wirklich sicherstellen wollen, dass die |
| |
Qualitätsvariablen werden in |
| |
Kontrolle, aber diese Variablen |
| |
sind oft teuer oder zeitaufwendig |
| |
aufwendig zu sammeln. Die Pflanze |
| |
könnte ein Produkt herstellen, ohne |
| |
eine Kontrollqualität für eine lange |
| |
Zeit, bis ein Fehler erkannt wird. |
| |
Mit PLS-Modellen können Sie |
| |
Überwachen Sie Ihre Qualitätsvariablen |
| |
als Funktion Ihres Prozesses |
| |
Variablen und Sie können sehen, dass |
| |
die PLS-Modelle finden die Punktzahl |
| |
Variablen, die maximieren die |
| |
Menge der erklärten Variation von |
| |
die Qualitätsvariablen. |
| |
Diese Prozessvariablen sind |
| |
oft billiger oder leichter |
| |
verfügbar, so dass PLS Ihnen ermöglichen kann |
| |
um Qualitätsmängel zu erkennen |
| |
frühzeitig und machen Sie Ihren Prozess |
| |
Überwachung günstiger. Und von hier |
| |
Ich werde mich auf PLS konzentrieren |
| |
Modelle, weil es mehr |
| |
passend zum Beispiel. |
| |
Das PLS-Modell unterteilt Ihre |
| |
Daten in zwei Komponenten. Die |
| |
Die erste Komponente ist das Modell |
| |
Komponente. Dies gibt die |
| |
vorhergesagte Werte Ihres Prozesses |
| |
Variablen. Eine andere Art zu denken |
| |
Das Wichtigste dabei ist, dass Ihre Daten |
| |
in das Modell projiziert |
| |
Ebene, die durch Ihre Punktzahl definiert ist |
| |
Variablen und T-Quadrat-Monitore |
| |
die Variation Ihrer Daten |
| |
innerhalb dieses Modellflugzeugs. |
| |
Und die zweite Komponente ist die |
| |
Fehlerkomponente. Dies ist die |
| |
Abstand zwischen Ihrem ursprünglichen |
| |
Daten und die vorhergesagten Daten und |
| |
quadrierter Vorhersagefehler (SPE) |
| |
Diagramme überwachen diese Variation. |
| |
Eine weitere alternative Metrik, die wir |
| |
Bereitstellung ist der Abstand zum Modell |
| |
X-Plane oder DModX. Dies ist nur |
| |
eine normalisierte Alternative zu SPE |
| |
die manche Leute bevorzugen. |
| |
Das letzte Konzept, das |
| |
wichtig zu verstehen für die |
| |
Demo ist die Unterscheidung zwischen |
| |
historische und aktuelle Daten. |
| |
Historische Daten sind typischerweise |
| |
gesammelt, als der Prozess |
| |
bekannt, die Kontrolle zu haben. Diese |
| |
Daten werden zum Aufbau des PLS verwendet |
| |
modellieren und definieren Sie die normale |
| |
Prozessvariation, so dass eine |
| |
Kontrollgrenze erreicht werden kann. |
| |
Und aktuelle Daten werden zugeordnet |
| |
Ergebnisse basieren auf dem Modell, aber |
| |
sind unabhängig vom Modell. |
| |
Eine andere Möglichkeit, darüber nachzudenken |
| |
ist, dass wir Schulungen und |
| |
Testsätze. Die T-Quadrat-Kontrolle |
| |
ist die Grenze für das Training niedriger |
| |
Daten, weil wir weniger erwarten |
| |
Variabilität für die verschiedenen... |
| |
Beobachtungen, die zum Trainieren der |
| |
Modell, während es größere |
| |
Variabilität in P-Quadrat, wenn |
| |
Das Modell verallgemeinert sich zum E-Test |
| |
eingestellt. Glücklicherweise ist die Theorie |
| |
für die Varianz von T² ist |
| |
ausgearbeitet, so dass wir bekommen können |
| |
Diese Kontrollgrenzen basieren auf |
| |
einige Verteilungsannahmen. |
| |
In der Demo wird überwacht |
| |
das Tennessee-Eastman-Verfahren. |
| |
Ich werde eine kurze |
| |
Einführung dieser Daten. Dies |
| |
ist eine Simulation einer chemischen |
| |
Prozess entwickelt von Downs und |
| |
Vogel, zwei Chemiker bei Eastman |
| |
Chemisch. Es war ursprünglich |
| |
in Fortran geschrieben, aber es |
| |
sind Wrapper für Matlab und |
| |
Python jetzt. Ich wollte nur anmerken |
| |
dass dieser Datensatz zwar |
| |
in den 90er Jahren generiert, ist es immer noch |
| |
einer der primären Datensätze |
| |
wird zum Benchmarking multivariater |
| |
Kontrollmethoden in der |
| |
Literatur. Es umfasst die |
| |
Hauptaufgaben der multivariaten |
| |
Kontrolle gut und es gibt |
| |
eine beeindruckende Menge an |
| |
Realismus in der Simulation. |
| |
Und die Simulation basiert auf |
| |
ein industrieller Prozess, der |
| |
auch heute noch relevant. |
| |
Die Daten wurden also manipuliert |
| |
zum Schutz des Eigentums |
| |
Informationen. Die simulierte |
| |
Prozess ist die Herstellung von |
| |
zwei flüssige Produkte aus |
| |
gasförmige Reaktanten innerhalb eines |
| |
Chemieanlage. Und F hier ist |
| |
ein Nebenprodukt |
| |
das muss abgesaugt werden |
| |
vom gewünschten Produkt ab. |
| |
Ähm und... |
| |
Das ist so ziemlich alles, was ich dazu sagen werde. |
| |
So sieht das Prozessdiagramm aus |
| |
kompliziert, aber es ist wirklich nicht |
| |
so schlimm, also werde ich dich begleiten |
| |
durch sie hindurch. Gasförmig |
| |
Die Reaktanten A, D und E fließen in |
| |
der Reaktor hier. |
| |
Die Reaktion findet statt und die |
| |
Produkt verlässt als Gas. Es ist |
| |
dann gekühlt und kondensiert in |
| |
Flüssigkeit im Kondensator. |
| |
Dann ein Dampf-Flüssigkeits-Abscheider |
| |
recycelt den restlichen Dampf und |
| |
schickt es zurück zum Reaktor |
| |
durch einen Kompressor, und die |
| |
Nebenprodukt und inerte Chemikalie B |
| |
werden im Spülstrom gespült, |
| |
und das soll verhindern, dass |
| |
Akkumulation. Das flüssige Produkt |
| |
wird durch einen Stripper gepumpt, |
| |
wobei die restlichen Reaktanten |
| |
werden abgestreift. |
| |
Und dann zurück zum Reaktor geschickt. |
| |
Und dann schließlich die |
| |
gereinigtes flüssiges Produkt |
| |
beendet den Prozess. |
| |
Der erste Satz von Variablen ist |
| |
überwacht werden die manipulierten |
| |
Variablen. Diese sehen aus wie Bogen |
| |
Verbindungen im Diagramm. Ich denke |
| |
sie sind eigentlich dazu bestimmt |
| |
Ventile und die manipulierten |
| |
Prozess...oder die manipulierte |
| |
Variablen steuern meist die |
| |
Durchflussrate durch verschiedene |
| |
Ströme des Prozesses. |
| |
Und diese Variablen können gesetzt werden |
| |
auf beliebige Werte innerhalb der Grenzen und |
| |
haben etwas Gaußsches Rauschen. |
| |
Die Stellgrößen sind in der Lage |
| |
in der Rate abgetastet werden, |
| |
aber wir verwenden die Standardeinstellung 3 |
| |
Minutenprobe jetzt. |
| |
Einige Beispiele für die manipulierten |
| |
Variablen sind die Ventile, die |
| |
den Fluss der Reaktanten kontrollieren |
| |
in den Reaktor. |
| |
Ein weiteres Beispiel ist ein Ventil |
| |
das den Fluss von |
| |
Dampf in den Stripper. |
| |
Und ein anderes ist ein Ventil, das |
| |
steuert den Kühlmittelfluss |
| |
in den Reaktor. |
| |
Der nächste Satz von Variablen ist |
| |
Messgrößen. Diese sind |
| |
im Diagramm als Kreise dargestellt. |
| |
Sie wurden auch bei drei |
| |
Minutenintervallen. Die |
| |
Unterschied zwischen manipulierten |
| |
Variablen und Messung |
| |
Variablen ist, dass die |
| |
Messgrößen können nicht |
| |
in der Simulation manipuliert. |
| |
Unsere Qualitätsvariablen werden sein |
| |
die prozentuale Zusammensetzung von |
| |
zwei flüssige Produkte und Sie |
| |
kann den Analysator sehen |
| |
Messen der Produkte hier. |
| |
Diese Variablen werden abgetastet mit |
| |
eine erhebliche Zeitverzögerung, so |
| |
wir schauen uns die Säuberung an |
| |
Stream anstelle des Ausgangs |
| |
Stream, da diese Daten |
| |
früher verfügbar. Und wird verwenden |
| |
ein PLS-Modell zur Prozessüberwachung |
| |
Variablen als Proxy für diese |
| |
Variablen, weil der Prozess |
| |
Variablen haben weniger Verzögerung und |
| |
eine schnellere Abtastrate beeinträchtigen. |
| |
Also das sollte reichen |
| |
Hintergrundinformationen zu den Daten. In |
| |
Insgesamt gibt es 33 Prozesse |
| |
Variablen und zwei Qualitäts |
| |
Variablen. Der Prozess der |
| |
Das Sammeln der Variablen ist |
| |
simuliert mit einer Reihe von |
| |
Differentialgleichungen. Und das |
| |
ist nur eine Simulation, aber wie Sie |
| |
kann eine beträchtliche Menge sehen |
| |
Sorgfalt wurde bei der Modellierung dieses |
| |
nach einem realen Prozess. Hier |
| |
ist eine Übersicht über die Demo, die ich |
| |
Wir werden es Ihnen zeigen. |
| |
Daten über unsere Verarbeitung und Speicherung |
| |
diese Daten in einer Datenbank. |
| |
Ich wollte ein Beispiel haben, das |
| |
war einfach zu teilen, also werde ich |
| |
mit einer SQLite-Datenbank, aber |
| |
Der Workflow ist für die meisten relevant |
| |
Arten von Datenbanken, da die meisten |
| |
unterstützt ODBC-Verbindungen. |
| |
Sobald JMP eine ODBC- |
| |
Verbindung mit der Datenbank, |
| |
JMP kann regelmäßig prüfen, |
| |
neue Beobachtungen und fügen Sie sie hinzu |
| |
eine Datentabelle. |
| |
Wenn wir ein modellgesteuertes |
| |
multivariable Kontrollkarte |
| |
Bericht öffnen mit automatischer |
| |
recalc eingeschaltet ist, haben wir eine |
| |
Mechanismus zur Aktualisierung der |
| |
Kontrollkarten, wenn neue Daten vorliegen |
| |
in und der gesamte Prozess der |
| |
Das Hinzufügen von Daten zu einer Datenbank würde |
| |
wahrscheinlich auf eine separate |
| |
Computer vom Computer |
| |
das ist die Überwachung. Also |
| |
Ich habe zwei JMP-Sitzungen geöffnet |
| |
um dies zu emulieren. Beide Sitzungen |
| |
ein eigenes Tagebuch haben |
| |
in den Materialien auf der |
| |
Gemeinschaft und die Sitzung |
| |
Hinzufügen neuer simulierter Daten zu |
| |
Die Datenbank wird aufgerufen |
| |
die Streaming-Sitzung und |
| |
Sitzung zur Aktualisierung der Berichte |
| |
sobald neue Daten eingehen, |
| |
wird als Überwachungssitzung bezeichnet. |
| |
Eine Sache, die mir besonders gut gefallen hat an |
| |
Das Papier von Downs und Vogel war |
| |
dass sie keine |
| |
einzelne Metrik zur Bewertung der |
| |
Kontrolle über den Prozess. Ich habe |
| |
ein Zitat aus der Zeitung hier |
| |
„Wir waren der Meinung, dass die Kompromisse |
| |
unter den möglichen Kontrollen |
| |
Strategien und Techniken |
| |
beinhaltete weit mehr als eine |
| |
mathematischer Ausdruck." |
| |
Hier sind einige der Ziele |
| |
Sie führten in ihrem Papier auf, |
| |
die für unsere |
| |
Problem. Sie wollten |
| |
die Prozessvariablen bei |
| |
gewünschten Werte. Sie wollten |
| |
Minimieren Sie die Variabilität des Produkts |
| |
Qualität bei Störungen und |
| |
Sie wollten sich schnell erholen |
| |
und reibungslos von Störungen. |
| |
Wir werden sehen, wie gut unsere |
| |
Prozess erreicht diese Ziele |
| |
mit unseren Überwachungsmethoden. |
| |
Beginnen wir also mit |
| |
Monitoring-Sitzungsjournal, ich werde |
| |
zeige Ihnen unseren ersten Datensatz. |
| |
Die Datentabelle enthielt alle |
| |
die Variablen, die ich eingeführt habe |
| |
früher. Die ersten Variablen sind |
| |
die Messgrößen; die |
| |
Zweitens ist es die Komposition. |
| |
Und die dritten sind die |
| |
Stellgrößen. |
| |
Das Skript hier oben passt |
| |
ein PLS-Modell. Es schließt die |
| |
letzten 100 Zeilen als Testsatz. |
| |
Nur zur Erinnerung, |
| |
das Modell sagt 2 voraus |
| |
Produktzusammensetzung |
| |
Variablen als Funktion von |
| |
die Prozessvariablen. Wenn |
| |
Sie haben JMP Pro, dort |
| |
etwas Geschwindigkeit |
| |
Verbesserungen an PLS |
| |
in JMP 16. |
| |
PLS verfügt nun über eine |
| |
schnelle SVD-Option. |
| |
Sie können wechseln zu |
| |
Klassiker in Rot |
| |
Dreieckmenü. Es gibt |
| |
gab es auch eine Reihe von |
| |
Leistungsverbesserungen |
| |
unter der Haube. |
| |
Vor allem relevant für Datensätze |
| |
mit einer großen Anzahl von |
| |
Beobachtungen, aber das ist |
| |
häufig in der multivariaten |
| |
Einstellung der Prozessüberwachung. |
| |
Aber PLS ist nicht der Fokus der |
| |
sprechen, so habe ich bereits passen die |
| |
Modell- und Ausgabe-Scorespalten |
| |
und Sie können sie hier sehen. |
| |
Ein Grund dafür, dass der Monitor |
| |
multivariable Kontrollkarte war |
| |
so gestaltet ist, wie es ist, |
| |
Stellen Sie sich vor, Sie sind Statistiker |
| |
und Sie möchten Ihr Modell teilen |
| |
mit einem Ingenieur, damit sie |
| |
Regelkarten erstellen. Alle |
| |
Sie müssen lediglich die |
| |
Datentabelle mit dieser Formel |
| |
Spalten. Sie müssen nicht teilen |
| |
alle blutigen Details darüber, wie Sie |
| |
passen Sie zu Ihrem Modell. |
| |
Als nächstes werde ich die Partitur bereitstellen |
| |
Spalten zur Überwachung der |
| |
multivariables Kontrolldiagramm. |
| |
Ziehen Sie es hier nach rechts. |
| |
Hier links sehen Sie |
| zwei Arten von Kontrollkarten |
Die |
| |
T-Quadrat und SPE. |
| |
Ähm, es gibt 860 Beobachtungen |
| |
die zur Schätzung der |
| |
Modell und diese sind gekennzeichnet als |
| |
historisch. Und dann die hundert |
| |
die als Testsatz ausgelassen wurden |
| |
sind Ihre aktuellen Daten. |
| |
Und Sie können in der Grenze sehen |
| |
Zusammenfassungen, die Anzahl der Punkte |
| |
die außer Kontrolle geraten sind und die |
| |
Signifikanzniveau. Ähm, wenn Sie |
| |
wollen die Bedeutung ändern |
| |
Ebene, können Sie es hier oben tun in |
| |
das rote Dreieckmenü. |
| |
Weil der Reaktor im Normalbetrieb ist |
| |
Betriebsbedingungen erwarten wir |
| |
keine Beobachtungen, aus denen |
| |
Kontrolle, aber wir haben ein paar falsche |
| |
Positives hier, weil wir |
| |
habe keine Anpassungen vorgenommen für |
| |
mehrere Vergleiche. Es ist |
| |
ungewöhnlich, dies zu tun, soweit ich |
| |
kann sagen, in multivariaten |
| |
Kontrollkarten. Ich nehme an, Sie |
| |
haben eine höhere Leistung zum Erkennen |
| |
von Steuersignalen ohne |
| |
Korrektur. Im Kontrolldiagramm |
| |
Im Jargon bedeutet das, dass du raus bist |
| |
der Kontrolle. Durchschnittliche Lauflänge |
| |
wird niedrig gehalten. |
| |
Also hier rechts wir |
| |
habe auch einen Beitrag |
| |
Diagramme und auf der Y-Achse sind |
| |
die Beobachtungen; auf dem X |
| |
Achse, die Variablen. Eine |
| |
Beitrag wird ausgedrückt |
| |
als Portion. |
| |
Und dann hier unten, |
| |
wir haben Score-Plots. Rechts |
| |
jetzt plane ich die erste |
| |
Score-Dimension im Vergleich zur |
| |
zweite Score-Dimension, aber |
| |
Sie können sich jede |
| |
Kombination von Punktzahl |
| |
Abmessungen mit diesem |
| |
Dropdown-Menüs oder den Pfeil |
| |
Taste. |
| |
OK, ich denke, wir orientieren uns |
| |
zum Bericht. Ich werde |
| |
Wechseln Sie nun zum |
| |
Skripte, die ich zum Streamen verwendet habe |
| |
Daten in die Datenbank, die |
| |
der Bericht dient der Überwachung. |
| |
Um etwas dafür zu tun |
| |
Beispielsweise benötigen Sie eine |
| |
SQLite ODBC-Treiber installiert |
| |
für Ihren Computer. Das ist viel einfacher |
| |
auf einem Windows-Computer zu tun, |
| |
Das ist, was Sie oft verwenden |
| |
beim Verbinden mit einem |
| |
Datenbank. Der Prozess auf dem Mac |
| |
ist komplizierter, aber ich habe einige |
| |
Anweisungen zur Gemeinschaft |
| |
Seite. Und dann habe ich keine Zeit |
| |
darüber zu reden, aber ich |
| |
die SQLite-Datenbank erstellt |
| |
Ich werde in JMP verwenden und ich |
| |
planen, einige Anweisungen zu geben |
| |
in wie man das macht auf der |
| |
Community-Webseite. Und hoffentlich |
| |
das Beispiel ist hilfreich für Sie |
| |
Wenn Sie dies versuchen mit |
| |
Daten selbst. |
| |
Als nächstes werde ich zeigen |
| |
Sie die Dateien, die ich |
| |
in der SQLite-Datenbank. |
| |
Hier habe ich die historischen Daten. |
| |
Dies wurde verwendet, um zu konstruieren |
| |
das PLS-Modell. Es gibt 960 |
| |
Beobachtungen, die in |
| |
Kontrolle. Dann habe ich die |
| |
Überwachungsdaten, die zunächst |
| |
enthält nur die historischen |
| |
Daten, aber ich werde nach und nach neue hinzufügen |
| |
Daten dazu. Dies sind die Daten |
| |
dass die multivariate Kontrolle |
| |
Das Diagramm wird überwacht. |
| |
Und dann habe ich neue simuliert |
| |
Daten bereits und fügte sie dem |
| |
Datentabelle hier. Dies sind |
| |
weitere 960 Messungen |
| |
wo ein Fehler auftritt bei |
| |
irgendwann. Ich wollte |
| |
etwas haben, das leicht zu |
| |
teilen, also werde ich nicht laufen |
| |
mein Simulationsskript und füge hinzu zu |
| |
die Datenbank auf diese Weise. Wir sind |
| |
werde nur Beobachtungen machen |
| |
aus dieser neuen Datentabelle und |
| |
verschieben Sie sie in die Überwachung |
| |
Datentabelle mit etwas JSL und |
| |
SQL-Anweisungen. Dies ist nur eine |
| |
Beispiel zur Emulation des Prozesses |
| |
von neuen Daten, die in eine |
| |
Datenbank. Irgendwie könnten Sie nicht |
| |
eigentlich mit JMP, aber |
| |
Dies war eine Gelegenheit zu zeigen |
| |
wie Sie es mit JSL machen können. |
| |
Hier aufräumen. |
| |
Und als nächstes zeige ich Ihnen das |
| |
Streaming-Skript. Dies ist ein |
| |
einfaches Skript, also werde ich |
| |
Ich werde Sie schnell durch die einzelnen Schritte führen. |
| |
Dieser erste Satz von |
| |
Befehle öffnen das |
| |
neue Datentabelle und |
| |
es ist in der SQLite-Datenbank, |
| |
so öffnet sich die Tabelle in der |
| |
Hintergrund, damit ich nicht |
| |
kümmere dich um das Fenster. |
| |
Dann nehme ich Stücke |
| |
aus dieser Datentabelle und fügen Sie |
| |
sie zu den Überwachungsdaten |
| |
Tisch. Ich nenne die Stücke |
| |
Bissen und die Bissengröße beträgt 20. |
| |
Und dann wird dieser nächste Befehl |
| |
Verbindung zur Datenbank herstellen. Dies |
| |
wird es mir ermöglichen, die |
| |
Datenbank-SQL-Anweisungen. |
| |
Und dann das nächste Stück |
| |
des Codes ist |
| |
iteratives Senden von SQL |
| |
Anweisungen, die neue einfügen |
| |
Daten in die Überwachungsdaten. |
| |
Und ich werde |
| |
initialisieren K und zeigen Ihnen die |
| |
erste Iteration davon. |
| |
Dies ist eine einfache SQL-Anweisung. |
| |
in die Anweisung einfügen, dass |
| |
fügt die ersten 20 |
| |
Beobachtungen in die Daten |
| |
Tabelle. Diese Druckanweisung ist |
| |
auskommentiert, so dass der Code |
| |
läuft schneller und dann habe ich auch |
| |
eine Warteanweisung zum Verlangsamen |
| |
Dinge etwas runter, so dass |
| |
wir können ihren Fortschritt sehen |
| |
im Kontrolldiagramm. |
| |
Und das würde einfach zu schnell gehen |
| |
wenn ich es nicht langsamer machen würde. |
| |
Ähm, also als nächstes werde ich mich bewegen |
| |
zu den Monitoring-Sitzungen |
| |
um Ihnen die Skripte zu zeigen |
| |
Dadurch wird der Bericht aktualisiert |
| |
wenn neue Daten eingehen. |
| |
Dieses erste Skript ist ein einfaches |
| |
Skript. Das überprüft die |
| |
Datenbank alle 0,2 Sekunden für |
| |
neue Beobachtungen und fügen Sie sie hinzu |
| |
zur JMP-Tabelle. Da die |
| |
Bericht verfügt über eine automatische Neuberechnung |
| |
eingeschaltet ist, wird der Bericht aktualisiert |
| |
immer wenn neue Daten hinzugefügt werden. Und |
| |
Ich sollte hinzufügen, dass |
| |
realistisch, |
| |
Sie würden wahrscheinlich nicht verwenden eine |
| |
Skript, das einfach iteriert wie |
| |
dies. Sie verwenden wahrscheinlich Task |
| |
Scheduler in Windows oder |
| |
Automator auf dem Mac zur Verbesserung |
| |
Planen Sie die Ausführung des Skripts. |
| |
Und dann gibt es noch eine andere |
| |
Skript, das |
| |
Übertragen Sie den Bericht an JMP Public |
| |
jedes Mal, wenn der Bericht aktualisiert wird, |
| |
und ich war wirklich aufgeregt, dass |
| |
dies ist mit JMP 15 möglich. |
| |
Es ermöglicht jedem Computer mit einem |
| |
Webbrowser, um Updates anzuzeigen für |
| |
die Kontrollkarte. Dann |
| |
Sie können den Bericht sogar auf |
| |
Ihr Smartphone, so dass dies |
| |
es ist wirklich einfach zu teilen |
| |
Ergebnisse in allen Organisationen. |
| |
Und Sie können auch JMP Live verwenden |
| |
wenn Sie möchten, dass die Berichte |
| |
auf einem eingeschränkten Server sein. |
| |
Ich werde keine Zeit haben |
| |
darauf einzugehen in diesem |
| |
Demo, aber Sie können es ausprobieren |
| |
mein Vortrag über Discovery Americas. |
| |
Und dann gibt es hier unten endlich |
| |
ein Skript, das das |
| |
historische Daten in den Daten |
| |
Tabelle, wenn Sie die |
| |
Beispiel mehrmals. |
| |
Also gut, als nächstes... stellen Sie sicher, |
| |
dass wir die historischen Daten haben … |
| |
Ich werde den |
| |
Streaming-Skript und sehen |
| |
wie der Bericht aktualisiert wird. |
| |
Die Daten sind also unter Kontrolle bei |
| |
zuerst und dann wird ein Fehler |
| |
eingeführt, aber es gibt eine |
| |
anlagenweites Steuerungssystem |
| |
das ist implementiert in der |
| |
Simulation, und Sie können sehen |
| |
wie das Kontrollsystem |
| |
bringt schließlich den Prozess |
| |
zu einem neuen Gleichgewicht. |
| |
Warten Sie, bis es hier fertig ist. |
| |
Wenn wir also hineinzoomen, |
| |
scheint wie der Prozess zuerst |
| |
geriet außer Kontrolle um dieses |
| |
Zeitpunkt, also werde ich |
| |
färben Sie es und |
| |
beschriften Sie es, aber es wird |
| |
tauchen in anderen Diagrammen auf. |
| |
Und dann im SPE-Diagramm, |
| |
es sieht so aus |
| |
Beobachtung ist auch aus |
| |
Kontrolle, aber nur geringfügig. |
| |
Und wenn wir dann hineinzoomen auf |
| |
der Zeitpunkt in der |
| |
Beitragsdiagramme können Sie |
| |
sehen, dass es viele |
| |
Variablen, die dazu beitragen, |
| |
das Außer-Kontroll-Signal bei |
| |
zuerst. Aber dann, sobald die |
| |
Prozess erreicht eine neue |
| |
Gleichgewicht gibt es nur |
| |
zwei große Beitragszahler. |
| |
Also werde ich die Hitze entfernen |
| |
Karten, um jetzt ein bisschen aufzuräumen. |
| |
Sie können mit der Maus über |
| |
der Punkt, an dem der Prozess |
| |
geriet zunächst außer Kontrolle und |
| |
Werfen Sie einen Blick auf die Top Ten |
| |
beitragenden Variablen. Dies |
| |
ist großartig, um Ihnen ein |
| |
schnellen Überblick, welche Variablen |
| |
tragen am meisten dazu bei, |
| |
Signal außer Kontrolle. |
| |
Und wenn ich dann auf die Handlung klicke, |
| |
Dies wird angehängt an die |
| |
Abschnitt Fehlerdiagnose. |
| |
Und wie Sie sehen können, gibt es |
| |
mehrere Variablen mit großen |
| |
Beiträge und nur sortiert |
| |
auf den Beitrag. |
| |
Und für Variablen mit |
| |
rote Balken die Beobachtung ist |
| |
außer Kontrolle im univariaten |
| |
Kontrollkarten. Sie können sehen |
| |
Dies geschieht, indem Sie mit der Maus über eine der |
| |
die Balken und diese Graphlets |
| |
sind IR-Diagramme für eine |
| |
einzelne Variable mit einer |
| |
Drei-Sigma-Kontrollgrenze. |
| |
Sie können in der Stripperin sehen |
| |
Druckvariable, die die |
| |
Beobachtung ist aus |
| |
Kontrolle, aber schließlich die |
| |
Prozess wird wieder unter |
| |
Kontrolle. Und das ist der Fall |
| |
für die andere Spitze |
| |
Mitwirkende. Ich werde auch zeigen |
| |
Sie eine der Variablen |
| |
wo wir die Kontrolle haben, die |
| |
univariate Kontrollkarte. |
| |
Der Prozess war also ... |
| |
Es gibt viele Variablen |
| |
der Kontrolle im Prozess bei |
| |
der Anfang, aber |
| |
Prozess erreicht schließlich |
| |
ein neues Gleichgewicht. |
| |
Eins... |
| |
Um die Variablen anzuzeigen, die |
| |
tragen am meisten zur Verschiebung bei |
| |
den Prozess, können wir Mittelwert verwenden |
| |
Beitragsverhältnisdiagramm. |
| |
Diese Diagramme zeigen den Durchschnitt |
| |
Beitrag, dass die Variablen |
| |
müssen T-Quadrat für die Gruppe |
| |
Ich habe ausgewählt. Ähm, hier, wenn ich |
| |
Sortieren Sie diese. |
| |
Die einzigen beiden Variablen mit |
| |
große Beiträge messen die |
| |
Durchflussrate des Reaktanten A in |
| |
Strom eins, das ist der Fluss von |
| |
dieses Reaktanten in den Reaktor. |
| |
Beide Variablen sind |
| |
Messung im Wesentlichen der |
| |
dasselbe, bis auf eines |
| |
Messung...eine ist eine |
| |
Messgröße und die |
| |
andere ist ein manipulierter |
| |
Variable. |
| |
Sie können sehen, dass es eine |
| |
große sprunghafte Veränderung im Durchfluss |
| |
Rate, das ist, was ich programmiert habe |
| |
in der Simulation. Diese |
| |
Beitragsdiagramme ermöglichen es Ihnen, |
| |
die Grundursache schnell identifizieren. |
| |
Und dann habe ich in meinem vorherigen Vortrag |
| |
zeigte viele andere Möglichkeiten, |
| |
Störungen visualisieren und diagnostizieren |
| |
Verwenden von Werkzeugen im Score-Plot. |
| |
Hierzu gehört das Plotten der |
| |
Ladungen auf den Score-Plots und |
| |
einige Gruppenvergleiche durchführen. |
| |
Sie können sich meine Entdeckung ansehen |
| |
Amerika-Gespräch auf dem JMP |
| |
Community dafür. Stattdessen bin ich |
| |
werde den Rest dieses |
| |
Zeit, einige neue |
| |
Beispiele, die ich auf die |
| |
Community-Seite für diesen Vortrag. |
| |
Also. |
| |
Es gibt 20 programmierbare Fehler |
| |
im Tennessee Eastman-Prozess |
| |
und sie können in jedem eingeführt werden |
| |
Kombination. Ich habe zwei weitere |
| |
repräsentative Fehler hier. Fehler |
| |
1, das ich zuvor gezeigt habe, war |
| |
leicht zu erkennen, da die aus |
| |
des Steuersignals ist so groß |
| |
und so viele Variablen sind |
| |
Der Fokus liegt auf der |
| |
Die vorherige Demo sollte zeigen, wie man |
| |
Verwenden Sie die Tools und identifizieren Sie sich. |
| |
Fehler aus einer großen Anzahl von |
| |
Variablen und nicht zum Benchmarking |
| |
die Methoden unbedingt. |
| |
Fehler 4 hingegen |
| |
ist ein subtilerer Fehler, |
| |
und ich zeige es Ihnen hier. |
| |
Der Fehler ist...das ist programmiert |
| |
ist ein plötzlicher Anstieg der |
| |
Temperatur im Reaktor. |
| |
Und das wird kompensiert durch |
| |
das Kontrollsystem durch Erhöhung |
| |
die Durchflussrate des Kühlmittels. |
| |
Und das sieht man |
| |
Variable hier aufgegriffen und |
| |
Sie können die Verschiebung in |
| |
Beitragsdiagramme. |
| |
Und dann sieht man auch |
| |
dass die meisten anderen Variablen |
| |
sind nicht betroffen |
| |
durch den Fehler. Sie können eine |
| |
Temperaturanstieg hier |
| |
wird schnell wieder unter |
| |
Kontrolle. Da die meisten anderen |
| |
Variablen sind nicht betroffen, dies |
| |
ist für manche schwer zu erkennen |
| |
multivariate Kontrollmethoden. |
| |
Und es kann mehr sein |
| |
schwer zu diagnostizieren. |
| |
Den letzten Fehler zeige ich dir |
| |
ist Fehler 11. |
| |
Wie bei Fehler 4 handelt es sich auch hier um |
| |
den Kühlmittelfluss in die |
| |
Reaktor, außer jetzt der Fehler |
| |
führt zu großen Schwingungen in |
| |
die Durchflussrate, die wir |
| |
siehe in der univariaten Kontrolle |
| |
Diagramm. Und das Ergebnis ist ein |
| |
Fluktuation des Reaktors |
| |
Temperatur. Die andere |
| |
Variablen sind nicht wirklich |
| |
wieder betroffen, so kann dies sein |
| |
schwieriger zu erkennen für einige |
| |
Methoden. Einige multivariate |
| |
Kontrollmethoden können erfassen |
| |
Fehler 4, aber nicht Fehler 11 oder |
| |
umgekehrt. Aber unsere Methode war |
| |
in der Lage, beides zu erfassen. |
| |
Und dann schließlich alle |
| |
Beispiele, die ich erstellt habe mit dem |
| |
Der Tennessee Eastman-Prozess hatte |
| |
Mängel, die offensichtlich waren in |
| |
sowohl T-Quadrat- als auch SPE-Diagramme. Um |
| |
zeigen einige neuere Funktionen in |
| |
modellgesteuerte multivariate |
| |
Kontrolldiagramm, ich wollte zeigen |
| |
ein Beispiel für einen Fehler, der |
| |
erscheint im SPE-Diagramm, aber nicht |
| |
T im Quadrat. Und um eine gute |
| |
Beispiel hierfür habe ich ein |
| |
Datensatz, der Jianfeng Ding |
| |
in ihrem früheren Vortrag vorgestellt, und |
| |
Ich habe einen Link zu ihrem Vortrag bereitgestellt |
| |
in dieser Zeitschrift. |
| |
Auf ihrer Community-Seite |
| |
sie bietet mehrere |
| |
nützliche Beispiele, die |
| |
auch einen Blick wert. |
| |
Dies ist ein Datensatz von Cordia |
| |
McGregors (?) klassischer Aufsatz über |
| |
multivariate Kontrollkarten. Die |
| |
Daten sind verarbeitete Variablen |
| |
in einem Reaktor gemessen, produziert |
| |
Polyethylen, und Sie finden |
| |
mehr Hintergrund in Jianfengs |
| |
sprechen. In diesem Beispiel |
| |
einen Prozess haben, der aus dem Ruder gelaufen ist |
| |
Kontrolle. Lassen Sie mich Ihnen das zeigen. |
| |
Und es ist außer Kontrolle in... |
| |
früher im SPE-Diagramm als in |
| |
das T im Quadrat. |
| |
Und wenn wir den Mittelwert betrachten |
| |
Beitrag |
| |
Diagramme für SPE, |
| |
du kannst |
| |
sehen, dass es eine Variable gibt |
| |
mit großem Beitrag und es |
| |
zeigt auch eine große Verschiebung in der |
| |
univariate Kontrollkarte, aber |
| |
Es gibt auch andere Variablen |
| |
mit großen Beiträgen, aber |
| |
die immer noch die Kontrolle haben in der |
| |
univariate Kontrollkarten. |
| |
Und es ist schwierig zu bestimmen, |
| |
allein die Balkendiagramme, warum diese |
| |
Variablen hatten eine große |
| |
Beiträge. Große SPE-Werte |
| |
passieren, wenn neue Daten nicht |
| |
Folgen Sie der Korrelationsstruktur |
| |
der historischen Daten, die |
| |
Dies ist häufig der Fall, wenn neue Daten |
| |
gesammelt, und das bedeutet, dass |
| |
Ihr trainiertes PLS-Modell ist |
| |
nicht mehr anwendbar. |
| |
Aus den Balkendiagrammen ist es schwer |
| |
um zu wissen, welches Variablenpaar |
| |
haben ihre Korrelationsstruktur |
| |
kaputt. Neu in 15.2, Sie |
| |
kann Streudiagrammmatrizen starten. |
| |
Und es ist klar, in der |
| |
Streudiagrammmatrix, die die |
| |
Verletzung von Korrelationen |
| |
mit Z2 ist das, was fährt |
| |
diese großen Beiträge. |
| |
OK, ich wechsle zurück |
| |
zur PowerPoint-Präsentation. |
| |
Und ganz schnell fasse ich zusammen |
| |
die wichtigsten Merkmale der modellgesteuerten |
| |
multivariable Kontrollkarte, die |
| |
wurden in der Demo gezeigt. Die |
| |
Plattform ist in der Lage, |
| |
Durchführen sowohl von Online-Fehlern |
| |
Erkennung und Offline-Fehler |
| |
Diagnose. Es gibt viele |
| |
in der Plattform bereitgestellte Methoden |
| |
zum Bohren bis zur Wurzel |
| |
Ursache von Fehlern. Ich zeige Ihnen |
| |
hier einige Plots aus einem beliebten |
| |
Buch, Fehlererkennung und |
| |
Diagnose in industriellen Systemen. |
| |
Im gesamten Buch |
| |
demonstrieren, wie man |
| |
Verwenden Sie multivariate und univariate |
| |
Regelkarten nebeneinander |
| |
um ein Gefühl dafür zu bekommen, was los ist |
| |
in einem Prozess. |
| |
Eine besonders nützliche |
| |
Merkmal in modellgetriebener multivariater |
| |
Kontrolldiagramm ist wie |
| |
interaktiv und benutzerfreundlich |
| |
es ist, zwischen diesen zu wechseln |
| |
zwei Arten von Diagrammen. |
| |
Und das ist mein Vortrag. Hier ist |
| |
meine E-Mail, falls Sie welche haben |
| |
weitere Fragen. Und |
| |
danke an alle, die |
| |
eingeschaltet, um das zu sehen. |
