| Oratore |
Trascrizione |
| |
Ciao, sono Jeremy Ash. Sono un |
| |
statistico in JMP R&D. Il mio lavoro |
| |
consiste principalmente nel testare |
| |
le statistiche multivariate |
| |
piattaforme in JMP, ma anche |
| |
aiutare la ricerca e la valutazione |
| |
metodologia. Oggi ho intenzione di |
| |
analizzeremo il Tennessee |
| |
Processo Eastman utilizzando alcuni |
| |
controllo statistico di processo |
| |
metodi in JMP. Ho intenzione di |
| |
prestare particolare attenzione |
| |
al modello guidato multivariato |
| |
piattaforma di carte di controllo, che è |
| |
una nuova aggiunta a JMP 15. |
| |
Questi dati forniscono un |
| |
opportunità di mostrare la |
| |
numero della piattaforma |
| |
caratteristiche. E proprio come un rapido |
| |
disclaimer, questo è simile a |
| |
il mio discorso su Discovery Americas. Noi |
| |
si rese conto che l'Europa non aveva visto un |
| |
modello guidato multivariato |
| |
parlare di grafico di controllo a causa di tutto il |
| |
follia attorno al COVID, quindi io |
| |
ha deciso di concentrarsi sulle basi. |
| |
Ma c'è del nuovo materiale |
| |
alla fine del discorso. Io |
| |
coprire brevemente alcuni aspetti aggiuntivi |
| |
analisi di esempio, poi ho messo su |
| |
la pagina della community per la discussione. |
| |
Per prima cosa, darò per scontato che tu abbia una certa conoscenza |
| |
del controllo statistico di processo |
| |
in questo discorso. La cosa principale è |
| |
sarebbe utile sapere di |
| |
sono carte di controllo. Se sei |
| |
non ho familiarità con questi, questi |
| |
sono grafici utilizzati per monitorare |
| |
sistemi industriali complessi per |
| |
determinare quando deviano |
| |
dal normale funzionamento |
| |
condizioni. |
| |
Non avrò molto tempo per |
| |
entrare nella metodologia del modello |
| |
controllo multivariato guidato |
| |
grafico, quindi farò riferimento a questi altri |
| |
grandi discorsi che sono liberi |
| |
disponibile sulla JMP Community |
| |
se vuoi maggiori dettagli. Io |
| |
dovrebbe anche dire che Jianfeng |
| |
Ding era il primario |
| |
sviluppatore del modello guidato |
| |
controllo multivariato |
| |
grafico in collaborazione con |
| |
Chris Gotwalt e quella Tonya |
| |
Mauldin e io eravamo tester. |
| |
il focus di questo discorso sarà l'utilizzo |
| |
carte di controllo multivariate per |
| |
monitorare un mondo reale |
| |
processo tipico; un altro romanzo |
| |
l'aspetto utilizzerà il controllo |
| |
grafici per il processo online |
| |
monitoraggio. Ciò significa che saremo |
| |
monitoraggio continuo dei dati come |
| |
viene aggiunto a un database e |
| |
rilevare guasti in tempo reale. |
| |
Quindi inizierò con |
| |
la diapositiva obbligatoria sul |
| |
vantaggi della multivariata |
| |
carte di controllo. Quindi perché non usarle |
| |
carte di controllo univariate? Ci sono |
| |
sono un certo numero di eccellenti |
| |
opzioni in JMP. Univariata |
| |
i grafici di controllo sono eccellenti |
| |
strumenti per analizzare alcuni |
| |
variabili alla volta. Tuttavia, |
| |
i dati di controllo qualità sono spesso |
| |
alta dimensionalità e il numero |
| |
di carte di controllo di cui hai bisogno |
| |
guardare può diventare rapidamente |
| |
travolgente. Multivariato |
| |
i grafici di controllo possono riassumere un |
| |
processo ad alta dimensionalità in |
| |
solo un paio di carte di controllo, |
| |
quindi questo è un vantaggio fondamentale. |
| |
Ma questo non vuol dire che |
| |
i grafici di controllo universitari non sono |
| |
utile in questo contesto. Ti |
| |
vedi durante il discorso che |
| |
la diagnosi dei guasti spesso comporta |
| |
passaggio tra multivariato |
| |
e grafici univariati. |
| |
I grafici di controllo multivariati forniscono |
| |
ti dà un senso dell'insieme |
| |
salute del processo, mentre |
| |
i grafici univariati consentono di |
| |
monitorare aspetti specifici del |
| |
processo. Quindi le informazioni sono |
| |
complementari. Uno degli obiettivi |
| |
di monitoraggio multivariato |
| |
il grafico di controllo serve a fornire alcuni |
| |
strumenti utili per il passaggio |
| |
tra questi due tipi di |
| |
grafici. Uno svantaggio di |
| |
i grafici univariati sono quelli |
| |
le osservazioni possono sembrare in |
| |
controllo quando sono effettivamente |
| |
fuori controllo nel multivariato |
| |
senso e queste trame mostrano ciò che io |
| |
intendo con questo. L'univariante |
| |
carta di controllo per olio e |
| |
la densità mostra i due |
| |
osservazioni in rosso come in |
| |
controllo. Tuttavia, olio e densità |
| |
sono altamente correlati ed entrambi |
| |
le osservazioni sono fuori controllo. |
| |
in senso multivariato, |
| |
in particolare l'osservazione 51, che |
| |
viola abbastanza la correlazione |
| |
struttura delle due variabili, |
| |
quindi carte di controllo multivariate |
| |
può rilevare questi tipi di |
| |
valori anomali, mentre univariati |
| |
i grafici di controllo non possono. |
| |
Modello guidato multivariato |
| |
il grafico di controllo utilizza la proiezione |
| |
metodi per costruire i grafici. |
| |
Inizierò spiegando il PCA |
| |
perché è facile da costruire |
| |
da lì. PCA riduce il |
| |
dimensionalità del processo da parte |
| |
proiettare i dati su un basso |
| |
superficie dimensionale. Ehm, |
| |
questo è mostrato nella foto |
| |
sulla destra. Abbiamo P |
| |
variabili di processo e N |
| |
osservazioni e |
| |
i vettori di carico nel P |
| |
la matrice fornisce i coefficienti per |
| |
combinazioni lineari della nostra X |
| |
variabili che risultano in |
| |
variabili quadrate con |
| |
dimensione A, dove la dimensione |
| |
A è molto minore di P. E poi |
| |
questo è mostrato nelle equazioni su |
| |
qui a sinistra. La X può essere |
| |
previsto in funzione del |
| |
punteggio e carichi, dove E è |
| |
l'errore di previsione. |
| |
Questi punteggi sono selezionati per |
| |
minimizzare l'errore di previsione, |
| |
e un altro modo di pensare |
| |
questo è ciò che stai massimizzando |
| |
la quantità di varianza spiegata |
| |
nella matrice X. |
| |
Allora PLS è più adatto |
| |
metodo di proiezione. Quando hai |
| |
un insieme di variabili di processo e un |
| |
insieme di variabili di qualità, tu |
| |
voglio davvero assicurarmi che il |
| |
le variabili di qualità vengono mantenute in |
| |
controllo ma queste variabili |
| |
sono spesso costosi o richiedono tempo |
| |
consumare per raccogliere. La pianta |
| |
potrebbe realizzare un prodotto senza |
| |
una qualità di controllo a lungo termine |
| |
tempo prima che venga rilevato un guasto. |
| |
Quindi i modelli PLS ti consentono di |
| |
monitora le tue variabili di qualità |
| |
in funzione del tuo processo |
| |
variabili e puoi vedere che |
| |
i modelli PLS trovano il punteggio |
| |
variabili che massimizzano la |
| |
quantità di variazione spiegata di |
| |
le variabili di qualità. |
| |
Queste variabili di processo sono |
| |
spesso più economico o più facilmente |
| |
disponibile, quindi PLS può abilitarti |
| |
per rilevare difetti di qualità |
| |
in anticipo e rendi il tuo processo |
| |
monitoraggio più economico. E da qui |
| |
ora mi concentrerò su PLS |
| |
modelli perché è più |
| |
appropriato all'esempio. |
| |
Quindi il modello PLS suddivide il tuo |
| |
dati in due componenti. Il |
| |
il primo componente è il modello |
| |
componente. Questo dà il |
| |
valori previsti del tuo processo |
| |
variabili. Un altro modo di pensare |
| |
il fatto è che i tuoi dati sono |
| |
è stato proiettato nel modello |
| |
piano definito dal tuo punteggio |
| |
variabili e monitor T quadrato |
| |
la variazione dei tuoi dati |
| |
all'interno di questo piano modello. |
| |
E il secondo componente è il |
| |
componente di errore. Questo è il |
| |
distanza tra l'originale |
| |
dati e dati previsti e |
| |
errore di previsione quadratico (SPE) |
| |
i grafici monitorano questa variazione. |
| |
Un'altra metrica alternativa che abbiamo |
| |
fornire è la distanza dal modello |
| |
Piano X o DModX. Questo è solo |
| |
un'alternativa normalizzata allo SPE |
| |
che alcune persone preferiscono. |
| |
L'ultimo concetto che è |
| |
importante da capire per il |
| |
demo è la distinzione tra |
| |
dati storici e attuali. |
| |
I dati storici sono in genere |
| |
raccolti quando il processo è stato |
| |
noto per avere il controllo. Questi |
| |
i dati vengono utilizzati per costruire il PLS |
| |
modellare e definire la normale |
| |
variazione del processo in modo che un |
| |
è possibile ottenere il limite di controllo. |
| |
E i dati correnti sono assegnati |
| |
punteggi basati sul modello ma |
| |
sono indipendenti dal modello. |
| |
Un altro modo di pensare a questo |
| |
è che abbiamo una formazione e |
| |
set di test. Il controllo T quadrato |
| |
il limite è inferiore per l'allenamento |
| |
dati perché ci aspettiamo meno |
| |
variabilità per i vari... |
| |
osservazioni utilizzate per addestrare il |
| |
modello mentre c'è di più |
| |
variabilità in P quadrato quando |
| |
il modello si generalizza al test E |
| |
impostato. Fortunatamente, la teoria |
| |
per la varianza di T quadrato è |
| |
è stato elaborato in modo che possiamo ottenere |
| |
questi limiti di controllo basati su |
| |
alcune ipotesi distributive. |
| |
Nella demo sarà monitorato |
| |
il processo Eastman del Tennessee. |
| |
Vi presenterò un breve |
| |
introduzione a questi dati. Questo |
| |
è una simulazione di una sostanza chimica |
| |
processo sviluppato da Downs e |
| |
Vogel, due chimici dell'Eastman |
| |
Chimico. In origine era |
| |
scritto in Fortran, ma c'è |
| |
sono wrapper per Matlab e |
| |
Python ora. Volevo solo far notare |
| |
che mentre questo set di dati era |
| |
generato negli anni '90, è ancora |
| |
uno dei set di dati primari |
| |
utilizzato per il benchmark multivariato |
| |
metodi di controllo nel |
| |
letteratura. Copre la |
| |
compiti principali del multivariato |
| |
controlla bene e c'è |
| |
una quantità impressionante di |
| |
realismo nella simulazione. |
| |
E la simulazione si basa su |
| |
un processo industriale che è |
| |
ancora attuale oggi. |
| |
Quindi i dati sono stati manipolati |
| |
per proteggere la proprietà |
| |
informazioni. La simulazione |
| |
il processo è la produzione di |
| |
due prodotti liquidi da |
| |
reagenti gassosi all'interno di un |
| |
impianto chimico. E F qui è |
| |
un sottoprodotto |
| |
che dovrà essere sifonato |
| |
dal prodotto desiderato. |
| |
Ehm... |
| |
Questo è tutto ciò che dirò a riguardo. |
| |
Quindi il diagramma del processo appare |
| |
complicato, ma in realtà non lo è |
| |
così male, quindi ti accompagno |
| |
attraverso di esso. Gassoso |
| |
i reagenti A, D ed E fluiscono in |
| |
il reattore qui. |
| |
La reazione avviene e il |
| |
il prodotto esce come gas. È |
| |
poi raffreddato e condensato in |
| |
liquido nel condensatore. |
| |
Quindi un separatore di liquido e vapore |
| |
ricicla qualsiasi vapore rimanente e |
| |
lo rimanda al reattore |
| |
attraverso un compressore, e il |
| |
sottoprodotto e sostanza chimica inerte B |
| |
vengono spurgati nel flusso di spurgo, |
| |
e questo per prevenire qualsiasi |
| |
accumulo. Il prodotto liquido |
| |
viene pompato attraverso una spogliarellista, |
| |
dove i reagenti rimanenti |
| |
vengono spogliati. |
| |
E poi rimandati al reattore. |
| |
E poi finalmente, il |
| |
prodotto liquido purificato |
| |
esce dal processo. |
| |
Il primo set di variabili è |
| |
monitorati sono i manipolati |
| |
variabili. Sembrano archi |
| |
legami nel diagramma. Penso |
| |
in realtà sono destinati ad esserlo |
| |
valvole e manipolate |
| |
processo...o il manipolato |
| |
le variabili controllano principalmente il |
| |
portata attraverso diverse |
| |
flussi del processo. |
| |
E queste variabili possono essere impostate |
| |
a qualsiasi valore entro limiti e |
| |
presentano un po' di rumore gaussiano. |
| |
Le variabili manipolate sono in grado |
| |
da campionare nel tasso, |
| |
ma usiamo il valore predefinito 3 |
| |
minuti campione ora. |
| |
Alcuni esempi di manipolazioni |
| |
le variabili sono le valvole che |
| |
controllare il flusso dei reagenti |
| |
nel reattore. |
| |
Un altro esempio è una valvola |
| |
che controlla il flusso di |
| |
vapore nella spogliarellista. |
| |
E un'altra è una valvola che |
| |
controlla il flusso del refrigerante |
| |
nel reattore. |
| |
Il prossimo set di variabili è |
| |
variabili di misura. Queste sono |
| |
rappresentati come cerchi nel diagramma. |
| |
Sono stati inoltre campionati a tre |
| |
intervalli di un minuto. Il |
| |
differenza tra manipolato |
| |
variabili e misurazione |
| |
le variabili sono che il |
| |
le variabili di misura non possono essere |
| |
manipolati nella simulazione. |
| |
Le nostre variabili di qualità saranno |
| |
la composizione percentuale di |
| |
due prodotti liquidi e tu |
| |
può vedere l'analizzatore |
| |
misurare i prodotti qui. |
| |
Queste variabili vengono campionate con |
| |
un ritardo temporale considerevole, quindi |
| |
stiamo osservando la purga |
| |
flusso invece dell'uscita |
| |
flusso, perché questi dati sono |
| |
disponibile prima. E userà |
| |
un modello PLS per monitorare il processo |
| |
variabili come proxy per questi |
| |
variabili perché il processo |
| |
le variabili hanno meno ritardo e |
| |
influenzano una frequenza di campionamento più rapida. |
| |
Quindi dovrebbe bastare |
| |
contesto sui dati. In |
| |
in totale ci sono 33 processi |
| |
variabili e due qualità |
| |
variabili. Il processo di |
| |
la raccolta delle variabili è |
| |
simulato con un set di |
| |
equazioni differenziali. E questo |
| |
è solo una simulazione, ma come puoi vedere |
| |
può vedere una quantità considerevole di |
| |
cura è stata posta nel modellare questo |
| |
dopo un processo nel mondo reale. Qui |
| |
è una panoramica della demo che sto |
| |
stiamo per mostrarti. Raccoglieremo |
| |
dati sul nostro processo e negozio |
| |
questi dati in un database. |
| |
Volevo avere un esempio che |
| |
è stato facile da condividere, quindi sarò |
| |
utilizzando un database SQLite, ma |
| |
il flusso di lavoro è rilevante per la maggior parte |
| |
tipi di database poiché la maggior parte |
| |
supporta connessioni ODBC. |
| |
Una volta che JMP forma un ODBC |
| |
connessione con il database, |
| |
JMP può controllare periodicamente |
| |
nuove osservazioni e aggiungerle a |
| |
una tabella di dati. |
| |
Se abbiamo un modello guidato |
| |
carta di controllo multivariata |
| |
rapporto aperto con automatico |
| |
ricalcolo attivato, abbiamo un |
| |
meccanismo per l'aggiornamento del |
| |
carte di controllo man mano che arrivano nuovi dati |
| |
in e l'intero processo di |
| |
aggiungere dati a un database sarebbe |
| |
probabilmente andrò su un percorso separato |
| |
computer dal computer |
| |
che sta effettuando il monitoraggio. Quindi |
| |
Ho due sessioni di JMP aperte |
| |
per emulare questo. Entrambe le sessioni |
| |
avere il proprio diario |
| |
nei materiali sul |
| |
Comunità e sessione |
| |
aggiungendo nuovi dati simulati a |
| |
il database si chiamerà |
| |
la sessione di streaming e |
| |
sessione di aggiornamento dei report |
| |
man mano che arriveranno nuovi dati saranno |
| |
denominata Sessione di Monitoraggio. |
| |
Una cosa che mi è piaciuta molto |
| |
il documento di Downs e Vogel era |
| |
che non hanno fornito un |
| |
metrica unica per valutare la |
| |
controllo del processo. Ho |
| |
una citazione dal giornale qui |
| |
"Abbiamo ritenuto che i compromessi |
| |
tra i possibili controlli |
| |
strategie e tecniche |
| |
ha coinvolto molto più di un |
| |
espressione matematica." |
| |
Ecco quindi alcuni degli obiettivi |
| |
hanno elencato nel loro articolo, |
| |
che sono rilevanti per la nostra |
| |
problema. Volevano mantenere |
| |
le variabili di processo a |
| |
valori desiderati. Volevano |
| |
minimizzare la variabilità del prodotto |
| |
qualità durante i disturbi, e |
| |
volevano riprendersi in fretta |
| |
e senza intoppi dai disturbi. |
| |
Quindi vedremo quanto bene il nostro |
| |
il processo raggiunge questi obiettivi |
| |
con i nostri metodi di monitoraggio. |
| |
Quindi per cominciare nel |
| |
Diario della sessione di monitoraggio, lo farò |
| |
vi mostriamo il nostro primo set di dati. |
| |
La tabella dei dati conteneva tutto |
| |
le variabili che ho introdotto |
| |
prima. Le prime variabili sono |
| |
le variabili di misura; |
| |
in secondo luogo c'è la composizione. |
| |
E il terzo sono i |
| |
variabili manipolate. |
| |
Lo script qui sopra si adatterà |
| |
un modello PLS. Esclude il |
| |
ultime 100 righe come set di prova. |
| |
Solo come promemoria, |
| |
il modello prevede 2 |
| |
composizione del prodotto |
| |
variabili in funzione di |
| |
le variabili di processo. Se |
| |
hai JMP Pro, lì |
| |
c'è stata una certa velocità |
| |
miglioramenti al PLS |
| |
in JMP 16. |
| |
PLS ora ha un |
| |
opzione SVD veloce. |
| |
Puoi passare a |
| |
classico in rosso |
| |
menu triangolare. C'è |
| |
anche stato un certo numero di |
| |
miglioramenti delle prestazioni |
| |
sotto il cofano. |
| |
Principalmente rilevante per i set di dati |
| |
con un gran numero di |
| |
osservazioni, ma questo è |
| |
comune nel multivariato |
| |
impostazione di monitoraggio del processo. |
| |
Ma il PLS non è il focus del |
| |
parlare, quindi ho già adattato il |
| |
colonne del modello e del punteggio di output |
| |
e potete vederli qui. |
| |
Un motivo per cui il monitor |
| |
il grafico di controllo multivariato era |
| |
progettato così com'è, è quello |
| |
immagina di essere uno statistico |
| |
e vuoi condividere il tuo modello |
| |
con un ingegnere così possono |
| |
costruire carte di controllo. Tutti |
| |
tutto ciò che devi fare è fornire il |
| |
tabella dati con queste formule |
| |
colonne. Non è necessario condividere |
| |
tutti i dettagli cruenti di come tu |
| |
adatti al tuo modello. |
| |
Successivamente, fornirò il punteggio |
| |
colonne per monitorare il |
| |
carta di controllo multivariata. |
| |
Trascinalo qui a destra. |
| |
Quindi a sinistra qui puoi vedere |
| due tipi di carte di controllo |
IL |
| |
T quadrato e SPE. |
| |
Ehm, ci sono 860 osservazioni |
| |
che sono stati utilizzati per stimare la |
| |
modello e questi sono etichettati come |
| |
storico. E poi i cento |
| |
che sono stati lasciati fuori come set di test |
| |
sono i tuoi dati attuali. |
| |
E puoi vedere nel limite |
| |
riassunti, il numero di punti |
| |
che sono fuori controllo e il |
| |
livello di significatività. Ehm, se tu |
| |
voglio cambiare il significato |
| |
livello, puoi farlo qui in |
| |
il menu del triangolo rosso. |
| |
Poiché il reattore è in condizioni normali |
| |
condizioni operative, ci aspettiamo |
| |
nessuna osservazione da fare |
| |
controllo, ma abbiamo qualche falso |
| |
positivi qui perché noi |
| |
non ho apportato alcuna modifica per |
| |
confronti multipli. È |
| |
è raro fare questo, per quanto mi riguarda |
| |
può dire, in multivariata |
| |
carte di controllo. Suppongo che tu |
| |
avere un potere maggiore per rilevare |
| |
di segnali di controllo senza un |
| |
correzione. Nel grafico di controllo |
| |
gergo, questo significa che sei fuori |
| |
di controllo. Durata media della corsa |
| |
viene mantenuto basso. |
| |
Quindi qui a destra noi |
| |
hanno anche contribuito |
| |
grafici e sull'asse Y sono |
| |
le osservazioni; sulla X |
| |
asse, le variabili. A |
| |
il contributo è espresso |
| |
come porzione. |
| |
E poi in fondo qui, |
| |
abbiamo grafici dei punteggi. Giusto |
| |
ora sto tracciando il primo |
| |
dimensione del punteggio rispetto al |
| |
seconda dimensione del punteggio, ma |
| |
puoi guardare qualsiasi |
| |
combinazione di punteggio |
| |
dimensioni utilizzando questo |
| |
menu a discesa o la freccia |
| |
pulsante. |
| |
OK, quindi penso che siamo orientati |
| |
al rapporto. Ho intenzione di |
| |
ora passa a |
| |
script che ho usato per lo streaming |
| |
dati nel database che |
| |
il rapporto sta monitorando. |
| |
Per fare qualsiasi cosa per questo |
| |
ad esempio, avrai bisogno di un |
| |
Driver ODBC SQLite installato |
| |
per il tuo computer. È molto più semplice |
| |
da fare su un computer Windows, |
| |
che è quello che usi spesso |
| |
quando ci si connette effettivamente a un |
| |
database. Il processo su Mac |
| |
è più complicato, ma ne ho messo un po' |
| |
istruzioni sulla Comunità |
| |
pagina. E poi non ho tempo |
| |
per parlare di questo, ma io |
| |
ha creato il database SQLite |
| |
Lo userò in JMP e io |
| |
ho intenzione di mettere alcune istruzioni |
| |
su come farlo su |
| |
Pagina Web della comunità. E si spera |
| |
quell'esempio ti è utile |
| |
se stai cercando di farlo con |
| |
dati da solo. |
| |
Ora ti mostrerò |
| |
tu i file che ho messo |
| |
nel database SQLite. |
| |
Qui ho i dati storici. |
| |
Questo è stato utilizzato per costruire |
| |
il modello PLS. Ce ne sono 960 |
| |
osservazioni che sono in |
| |
controllo. Poi ho il |
| |
dati di monitoraggio, che in un primo momento |
| |
contiene solo lo storico |
| |
dati, ma aggiungerò gradualmente nuovi |
| |
dati a questo. Questi sono i dati |
| |
che il controllo multivariato |
| |
il grafico monitorerà. |
| |
E poi ho simulato il nuovo |
| |
dati già e li ho aggiunti al |
| |
tabella dati qui. Questi sono |
| |
altre 960 misurazioni dispari |
| |
dove viene introdotto un guasto a |
| |
ad un certo punto. Volevo |
| |
avere qualcosa che fosse facile da |
| |
condividere, quindi non ho intenzione di correre |
| |
il mio script di simulazione e aggiungilo a |
| |
il database in questo modo. Siamo |
| |
andrò solo a fare delle osservazioni |
| |
da questa nuova tabella dati e |
| |
spostarli al monitoraggio |
| |
tabella dati utilizzando un po' di JSL e |
| |
Istruzioni SQL. Questo è solo un |
| |
esempio che emula il processo |
| |
di nuovi dati in arrivo |
| |
database. In qualche modo potresti non |
| |
in realtà lo faccio con JMP, ma |
| |
questa è stata un'occasione per mostrare |
| |
come puoi farlo con JSL. |
| |
Fate pulizia qui. |
| |
E ora ti mostrerò questo |
| |
sceneggiatura per lo streaming. Questo è un |
| |
uno script semplice, quindi ho intenzione di |
| |
te lo spiego velocemente. |
| |
Questo primo set di |
| |
i comandi apriranno il |
| |
nuova tabella dati e |
| |
è nel database SQLite, |
| |
quindi apre la tabella nel |
| |
sfondo così non devo farlo |
| |
occuparsi della finestra. |
| |
Poi prenderò dei pezzi |
| |
da questa tabella dati e aggiungi |
| |
loro ai dati di monitoraggio |
| |
tavolo. Chiamo i pezzi |
| |
morsi e la dimensione del morso è 20. |
| |
E poi questo prossimo comando sarà |
| |
connettersi al database. Questo |
| |
mi permetterà di inviare il |
| |
istruzioni SQL del database. |
| |
E poi questa parte successiva |
| |
del codice è |
| |
invio iterativo di SQL |
| |
dichiarazioni che inseriscono nuovi |
| |
dati nei dati di monitoraggio. |
| |
E io andrò a |
| |
inizializza K e ti mostra il |
| |
prima iterazione di questo. |
| |
Questa è una semplice istruzione SQL, |
| |
inserire nell'istruzione che |
| |
inserisce i primi 20 |
| |
osservazioni nei dati |
| |
tabella. Questa istruzione di stampa è |
| |
commentato in modo che il codice |
| |
corre più veloce e poi anche io |
| |
avere una dichiarazione di attesa per rallentare |
| |
abbassa leggermente le cose in modo che |
| |
possiamo vedere la loro progressione |
| |
nel grafico di controllo. |
| |
E questo andrebbe troppo veloce |
| |
se non lo rallentassi. |
| |
Ehm, quindi ora mi sposterò |
| |
alle sessioni di monitoraggio |
| |
per mostrarti gli script |
| |
che aggiornerà il rapporto |
| |
man mano che arrivano nuovi dati. |
| |
Questo primo script è semplice |
| |
script. Questo controllerà il |
| |
database ogni 0,2 secondi per |
| |
nuove osservazioni e aggiungile |
| |
alla tabella JMP. Poiché il |
| |
il report ha un ricalcolo automatico |
| |
attivato, il report verrà aggiornato |
| |
ogni volta che vengono aggiunti nuovi dati. E |
| |
Dovrei aggiungere che |
| |
realisticamente, |
| |
probabilmente non useresti un |
| |
script che ripete semplicemente così |
| |
questo. Probabilmente usi il compito |
| |
pianificatore in Windows o |
| |
Automator su Mac per migliorare |
| |
pianificare le esecuzioni dello script. |
| |
E poi ce n'è anche un altro |
| |
sceneggiatura che lo farà |
| |
inviare il report a JMP Public |
| |
ogni volta che il report viene aggiornato, |
| |
ed ero davvero emozionato che |
| |
questo è possibile con JMP 15. |
| |
Abilita qualsiasi computer con un |
| |
browser web per visualizzare gli aggiornamenti |
| |
il grafico di controllo. Poi tu |
| |
puoi anche visualizzare il report su |
| |
il tuo smartphone, quindi questo rende |
| |
è davvero facile da condividere |
| |
risultati in tutte le organizzazioni. |
| |
E puoi anche usare JMP Live |
| |
se volevi che i report |
| |
essere su un server con restrizioni. |
| |
Non avrò tempo |
| |
per entrare in questo in questo |
| |
demo, ma puoi dare un'occhiata |
| |
il mio intervento su Discovery Americas. |
| |
Poi finalmente quaggiù, c'è |
| |
uno script che ricrea il |
| |
dati storici nei dati |
| |
tabella se vuoi eseguire il |
| |
esempio più volte. |
| |
Bene, quindi ora...assicurati |
| |
che abbiamo i dati storici... |
| |
Sto per correre il |
| |
script di streaming e vedere |
| |
come viene aggiornato il report. |
| |
Quindi i dati sono sotto controllo a |
| |
prima e poi c'è un difetto |
| |
introdotto, ma c'è un |
| |
sistema di controllo dell'intero impianto |
| |
che è implementato nel |
| |
simulazione, e puoi vedere |
| |
come funziona il sistema di controllo |
| |
alla fine porta il processo |
| |
verso un nuovo equilibrio. |
| |
Aspetta che finisca qui. |
| |
Quindi se ingrandiamo, |
| |
sembra che il processo sia il primo |
| |
è andato fuori controllo in questo periodo |
| |
punto temporale, quindi ho intenzione di |
| |
coloralo e |
| |
etichettalo, ma lo farà |
| |
compaiono in altre trame. |
| |
E poi nel grafico SPE, |
| |
sembra così |
| |
l'osservazione è anche fuori |
| |
controllo ma solo leggermente. |
| |
E poi se ingrandiamo |
| |
il punto temporale nel |
| |
grafici di contributo, puoi |
| |
vedi che ce ne sono molti |
| |
variabili che contribuiscono a |
| |
il segnale fuori controllo a |
| |
prima. Ma poi una volta che il |
| |
il processo raggiunge un nuovo |
| |
equilibrio, c'è solo |
| |
due grandi contributori. |
| |
Quindi rimuoverò il calore |
| |
mappe ora per ripulirle un po'. |
| |
Puoi passare il mouse sopra |
| |
il punto in cui il processo |
| |
prima è andato fuori controllo e |
| |
dai un'occhiata ai primi dieci |
| |
variabili contributive. Questo |
| |
è ottimo per darti un |
| |
rapida panoramica delle variabili |
| |
contribuiscono maggiormente alla |
| |
segnale fuori controllo. |
| |
E poi se clicco sulla trama, |
| |
questo verrà aggiunto al |
| |
sezione di diagnosi dei guasti. |
| |
E come puoi vedere, c'è |
| |
diverse variabili con grande |
| |
contributi e appena ordinati |
| |
sul contributo. |
| |
E per le variabili con |
| |
barre rosse l'osservazione è |
| |
fuori controllo nell'univariata |
| |
carte di controllo. Puoi vedere |
| |
questo passando il mouse su uno dei |
| |
le barre e questi grafici |
| |
sono grafici IR per un |
| |
variabile individuale con una |
| |
limite di controllo tre Sigma. |
| |
Puoi vedere nella spogliarellista |
| |
variabile di pressione che il |
| |
l'osservazione è fuori |
| |
controllo, ma alla fine il |
| |
il processo viene riportato sotto |
| |
controllo. E questo è il caso |
| |
per l'altro top |
| |
collaboratori. Mostrerò anche |
| |
tu una delle variabili |
| |
dove abbiamo il controllo, il |
| |
carta di controllo univariata. |
| |
Quindi il procedimento è stato... |
| |
ci sono molte variabili fuori |
| |
di controllo nel processo a |
| |
l'inizio, ma |
| |
il processo alla fine raggiunge |
| |
un nuovo equilibrio. |
| |
Uno... |
| |
Per vedere le variabili che |
| |
contribuiscono maggiormente al cambiamento |
| |
il processo, possiamo usare la media |
| |
grafico della proporzione del contributo. |
| |
Questi grafici mostrano la media |
| |
contributo che le variabili |
| |
deve fare il T quadrato per il gruppo |
| |
Ho selezionato. Ehm, ecco, se io |
| |
ordinare su questi. |
| |
Le uniche due variabili con |
| |
grandi contributi misurano il |
| |
velocità di flusso del reagente A in |
| |
flusso uno, che è il flusso di |
| |
questo reagente nel reattore. |
| |
Entrambe queste variabili sono |
| |
misurando essenzialmente il |
| |
la stessa cosa, tranne una |
| |
misurazione...uno è un |
| |
variabile di misura e la |
| |
l'altro è manipolato |
| |
variabile. |
| |
Puoi vedere che c'è un |
| |
grande cambiamento graduale nel flusso |
| |
tasso, che è quello che ho programmato |
| |
nella simulazione. Quindi questi |
| |
i grafici dei contributi consentono di |
| |
identificare rapidamente la causa principale. |
| |
E poi nel mio discorso precedente io |
| |
ha mostrato molti altri modi per |
| |
visualizzare e diagnosticare i guasti |
| |
utilizzando gli strumenti nel grafico del punteggio. |
| |
Ciò include la tracciatura del |
| |
carichi sui grafici dei punteggi e |
| |
facendo alcuni confronti di gruppo. |
| |
Puoi dare un'occhiata alla mia Discovery |
| |
Le Americhe parlano del JMP |
| |
Comunità per questo. Invece, io sono |
| |
passerò il resto di questo |
| |
tempo di introdurre alcune novità |
| |
esempi, che ho messo su |
| |
Pagina della community per questa discussione. |
| |
COSÌ. |
| |
Ci sono 20 guasti programmabili |
| |
nel processo Eastman del Tennessee |
| |
e possono essere introdotti in qualsiasi |
| |
combinazione. Ne ho forniti altri due |
| |
difetti rappresentativi qui. Difetto |
| |
1 che ho mostrato in precedenza era |
| |
facile da rilevare perché l'esterno |
| |
del segnale di controllo è così grande |
| |
e ci sono così tante variabili |
| |
coinvolti. L'attenzione sul |
| |
la demo precedente serviva a mostrare come |
| |
utilizzare gli strumenti e identificare. |
| |
difetti di un gran numero di |
| |
variabili e non per il benchmark |
| |
i metodi necessariamente. |
| |
La faglia 4, invece, |
| |
è un difetto più sottile, |
| |
e te lo mostro qui. |
| |
La colpa è...che è programmato |
| |
è un aumento improvviso della |
| |
temperatura nel reattore. |
| |
E questo viene compensato da |
| |
il sistema di controllo aumentando |
| |
la portata del refrigerante. |
| |
E puoi vedere che |
| |
variabile ripresa qui e |
| |
puoi vedere il cambiamento in |
| |
grafici dei contributi. |
| |
E poi puoi anche vedere |
| |
che la maggior parte delle altre variabili |
| |
non sono interessati |
| |
dalla colpa. Puoi vedere un |
| |
picco di temperatura qui |
| |
viene rapidamente riportato sotto |
| |
controllo. Poiché la maggior parte degli altri |
| |
le variabili non sono interessate, questo |
| |
è difficile da rilevare per alcuni |
| |
metodi di controllo multivariato. |
| |
E può essere di più |
| |
difficile da diagnosticare. |
| |
L'ultimo difetto che ti mostrerò |
| |
è la faglia 11. |
| |
Come la faglia 4, coinvolge anche |
| |
il flusso del refrigerante nel |
| |
reattore, tranne ora il guasto |
| |
introduce grandi oscillazioni in |
| |
la portata, che possiamo |
| |
vedere nel controllo univariato |
| |
grafico. E questo si traduce in un |
| |
fluttuazione del reattore |
| |
temperatura. L'altro |
| |
le variabili non sono realmente |
| |
nuovamente interessato, quindi questo può essere |
| |
più difficile da rilevare per alcuni |
| |
metodi. Alcuni metodi multivariati |
| |
i metodi di controllo possono rilevare |
| |
Guasto 4, ma non Guasto 11 o |
| |
viceversa. Ma il nostro metodo era |
| |
in grado di cogliere entrambi. |
| |
E poi finalmente, tutti i |
| |
esempi che ho creato utilizzando il |
| |
Il processo Eastman del Tennessee aveva |
| |
difetti che erano evidenti in |
| |
sia i grafici T quadrato che SPE. Per |
| |
mostra alcune funzionalità più recenti in |
| |
modello guidato multivariato |
| |
grafico di controllo, volevo mostrare |
| |
un esempio di un difetto che |
| |
appare nel grafico SPE ma non |
| |
T al quadrato. E per trovare un buon |
| |
esempio di questo, ho rivisitato un |
| |
set di dati che Jianfeng Ding |
| |
presentato nel suo precedente discorso, e |
| |
Ho fornito un collegamento al suo discorso |
| |
in questa rivista. |
| |
Nella sua pagina Community, |
| |
ne fornisce diversi |
| |
esempi utili che sono |
| |
vale anche la pena di dare un'occhiata. |
| |
Questo è un set di dati di Cordia |
| |
Il classico articolo di McGregor (?) su |
| |
carte di controllo multivariate. Le |
| |
i dati sono variabili elaborate |
| |
misurato in un reattore, producendo |
| |
polietilene, e puoi trovare |
| |
ulteriori informazioni sullo sfondo di Jianfeng |
| |
parlare. In questo esempio, noi |
| |
avere un processo che è andato fuori controllo |
| |
controllo. Lascia che ti mostri questo. |
| |
Ed è fuori controllo in... |
| |
prima nel grafico SPE che in |
| |
la T al quadrato. |
| |
E se guardiamo alla media |
| |
contributo |
| |
grafici per SPE, |
| |
puoi |
| |
vedi che c'è una variabile |
| |
con grande contributo e |
| |
mostra anche un grande cambiamento nel |
| |
carta di controllo univariata, ma |
| |
ci sono anche altre variabili |
| |
con grandi contributi, ma |
| |
che hanno ancora il controllo nel |
| |
carte di controllo univariate. |
| |
Ed è difficile determinarlo da |
| |
i grafici a barre da soli perché questi |
| |
le variabili avevano un grande |
| |
contributi. Grandi valori SPE |
| |
accade quando i nuovi dati non |
| |
seguire la struttura di correlazione |
| |
dei dati storici, che sono |
| |
spesso accade quando i nuovi dati sono |
| |
raccolti, e questo significa che |
| |
il modello PLS che hai addestrato è |
| |
non più applicabile. |
| |
Dai grafici a barre è difficile |
| |
per sapere quale coppia di variabili |
| |
hanno la loro struttura di correlazione |
| |
rotto. Quindi nuovo in 15.2, tu |
| |
può avviare matrici di scatterplot. |
| |
Ed è chiaro nel |
| |
matrice di dispersione che il |
| |
violazione delle correlazioni |
| |
con Z2 è ciò che guida |
| |
questi grandi contributi. |
| |
Ok, torno indietro |
| |
alla presentazione PowerPoint. |
| |
E velocemente, riassumerò |
| |
le caratteristiche principali del modello guidato |
| |
carta di controllo multivariata che |
| |
sono stati mostrati nella demo. Il |
| |
la piattaforma è in grado di |
| |
esecuzione di entrambi gli errori online |
| |
rilevamento e guasto offline |
| |
diagnosi. Ce ne sono molte |
| |
metodi forniti nella piattaforma |
| |
per perforare fino alla radice |
| |
causa dei guasti. Ti sto mostrando |
| |
ecco alcune trame di un popolare |
| |
libro, Rilevamento guasti e |
| |
Diagnosi nei sistemi industriali. |
| |
In tutto il libro, gli autori |
| |
dimostrare come è necessario |
| |
utilizzare multivariato e univariato |
| |
carte di controllo affiancate |
| |
per avere un'idea di cosa sta succedendo |
| |
in un processo. |
| |
Uno particolarmente utile |
| |
caratteristica nel modello guidato multivariato |
| |
il grafico di controllo è come |
| |
interattivo e facile da usare |
| |
si tratta di passare da uno all'altro |
| |
due tipi di grafici. |
| |
E questo è il mio discorso. Ecco |
| |
la mia email se ne hai |
| |
ulteriori domande. E |
| |
grazie a tutti quelli che |
| |
sintonizzati per guardare questo. |
