使用多元控制图对田纳西伊士曼过程进行故障检测和诊断 (2021-EU-45MP-782) Jeremy Ash，SAS JMP 分析软件测试员
模型驱动多元控制图 (MDMCC) 平台允许用户基于主成分分析 (PCA) 或偏最小二乘 (PLS) 模型构建控制图。这些控制图可用于高维数据集的故障检测和诊断。我们通过模拟一个真实的工业化学过程——田纳西伊士曼过程，演示了 MDMCC 如何监控 PLS 模型。在模拟过程中，当化学反应器将气态反应物转化为液态产物时，会测量质量和过程变量。我们演示了 MDMCC 如何通过将 JMP 连接到外部数据库进行在线监控。测量产品质量变量通常需要一定的时间才能获得测量结果，这会大大延迟故障检测。当 MDMCC 监控 PLS 模型时，会将产品质量变量的变化作为过程变量的函数进行监控。由于过程变量通常更容易获得，这有助于早期发现故障。我们还演示了离线环境下的故障诊断。这通常涉及在多元控制图、单变量控制图和诊断图之间切换。MDMCC 提供了一个用户友好的界面，方便用户在这些图之间切换。
自动生成的成绩单...
| 扬声器 |
抄本 |
| |
你好，我是 Jeremy Ash。我是一名 |
| |
JMP 研发部门的统计员。我的工作 |
| |
主要包括测试 |
| |
多元统计 |
| |
JMP 平台，但我也 |
| |
帮助研究和评估 |
| |
方法论。今天我要 |
| |
分析田纳西州 |
| |
Eastman 工艺采用一些 |
| |
统计过程控制 |
| |
JMP 中的方法。我将 |
| |
特别注意 |
| |
模型驱动的多元 |
| |
控制图平台 |
| |
JMP 15 的新增功能。 |
| |
这些数据提供了 |
| |
展示的机会 |
| |
平台数量 |
| |
功能。并且， |
| |
免责声明，这类似于 |
| |
我的探索美洲演讲。我们 |
| |
意识到欧洲还没有看到 |
| |
模型驱动的多变量 |
| |
控制图讨论由于所有 |
| |
新冠疫情导致的疯狂，所以我 |
| |
决定专注于基础知识。 |
| |
但有一些新材料 |
| |
在演讲结束时。我会 |
| |
简要介绍一些额外的 |
| |
示例分析，然后我穿上 |
| |
此次演讲的社区页面。 |
| |
首先，我假设你有一些知识 |
| |
统计过程控制 |
| |
在这次演讲中。主要内容是 |
| |
了解 |
| |
是控制图。如果你 |
| |
不熟悉这些，这些 |
| |
图表用于监控 |
| |
复杂的工业系统 |
| |
确定何时出现偏差 |
| |
从正常运行 |
| |
状况。 |
| |
我没有太多时间 |
| |
深入研究模型的方法论 |
| |
驱动的多变量控制 |
| |
图表，所以我将参考这些其他 |
| |
自由的精彩演讲 |
| |
JMP 社区 |
| |
如果你想了解更多细节。我 |
| |
还应该说剑锋 |
| |
丁是主要 |
| |
模型驱动的开发者 |
| |
多变量控制 |
| |
与...合作绘制 |
| |
克里斯·戈特沃特 (Chris Gotwalt) 和托尼亚 |
| |
莫尔丁和我都是测试员。 |
| |
本次演讲的重点是使用 |
| |
多元控制图 |
| |
监控真实世界 |
| |
典型过程；另一部小说 |
| |
方面将使用控制 |
| |
在线流程图表 |
| |
监控。这意味着我们将 |
| |
持续监测数据 |
| |
它被添加到数据库中，并且 |
| |
实时检测故障。 |
| |
所以我首先要 |
| |
强制性幻灯片 |
| |
多变量的优势 |
| |
控制图。那么为什么不使用 |
| |
单变量控制图？ |
| |
有许多优秀的 |
| |
JMP 中的选项。单变量 |
| |
控制图非常好 |
| |
分析一些工具 |
| |
每次只处理一个变量。然而， |
| |
质量控制数据通常 |
| |
高维和数量 |
| |
你需要的控制图 |
| |
看看可以很快成为 |
| |
压倒性的。多变量的 |
| |
控制图可以总结 |
| |
高维过程 |
| |
只需几张控制图， |
| |
这是一个关键优势。 |
| |
但这并不是说 |
| |
单变量控制图不是 |
| |
在这种环境下很有用。你会 |
| |
在整个谈话中看到 |
| |
故障诊断通常涉及 |
| |
在多变量之间切换 |
| |
和单变量图表。 |
| |
多元控制图给出 |
| |
你对整体的感觉 |
| |
过程的健康状况，同时 |
| |
单变量图表可以让你 |
| |
监测具体方面 |
| |
过程。因此信息是 |
| |
互补。目标之一 |
| |
监测多变量 |
| |
控制图提供了一些 |
| |
有用的切换工具 |
| |
这两种类型之间 |
| |
图表。 |
| |
单变量图表是 |
| |
观察结果似乎 |
| |
控制他们何时真正 |
| |
多变量失控 |
| |
这些情节表明我 |
| |
意思是。单变量 |
| |
油和控制图 |
| |
密度显示两个 |
| |
红色的观察结果如下 |
| |
控制。然而，石油和密度 |
| |
高度相关，并且 |
| |
观察结果失控。 |
| |
从多变量意义上来说， |
| |
特别是第 51 条意见， |
| |
相当违反相关性 |
| |
两个变量的结构， |
| |
多元控制图 |
| |
可以拾取这些类型的 |
| |
异常值，而单变量 |
| |
控制图则不行。 |
| |
模型驱动的多变量 |
| |
控制图使用投影 |
| |
构建图表的方法。 |
| |
我首先解释一下 PCA |
| |
因为它很容易建立 |
| |
从那里开始。PCA 减少了 |
| |
过程的维度 |
| |
将数据投射到低 |
| |
维表面。嗯， |
| |
如图所示 |
| |
在右边。我们有 P |
| |
过程变量和 N |
| |
观察结果，以及 |
| |
P 中的载荷向量 |
| |
矩阵给出系数 |
| |
我们的 X 的线性组合 |
| |
导致的变量 |
| |
平方变量 |
| |
维度 A，其中维度 |
| |
A 比 P 小得多。然后 |
| |
这在方程中有所体现 |
| |
左边的。X 可以 |
| |
预测为 |
| |
分数和载荷，其中 E 是 |
| |
预测误差。 |
| |
这些分数被选择来 |
| |
最小化预测误差， |
| |
换一种思考方式 |
| |
这就是你正在最大化 |
| |
解释的方差量 |
| |
在 X 矩阵中。 |
| |
那么 PLS 更适合 |
| |
投影方法。当你有 |
| |
一组过程变量和一个 |
| |
一组质量变量，你 |
| |
真的想确保 |
| |
质量变量保存在 |
| |
控制，但这些变量 |
| |
通常价格昂贵或耗时 |
| |
收集需要消耗大量能源。该工厂 |
| |
可以生产没有 |
| |
长期控制质量 |
| |
检测到故障之前的时间。 |
| |
因此 PLS 模型可以让你 |
| |
监控您的质量变量 |
| |
作为流程的功能 |
| |
变量，你可以看到 |
| |
PLS 模型找到分数 |
| |
最大化的变量 |
| |
解释的变异量 |
| |
质量变量。 |
| |
这些过程变量是 |
| |
通常更便宜或更容易 |
| |
因此 PLS 可以为您提供 |
| |
检测质量缺陷 |
| |
尽早制定流程 |
| |
监控更便宜。从这里开始 |
| |
我将专注于 PLS |
| |
模型，因为它更 |
| |
适合该示例。 |
| |
因此 PLS 模型可以划分你的 |
| |
数据分成两个部分。 |
| |
第一个组件是模型 |
| |
组件。这给出了 |
| |
流程的预测值 |
| |
变量。另一种思考方式 |
| |
关于这一点，你的数据有 |
| |
被投射到模型中 |
| |
由你的分数定义的平面 |
| |
变量和 T 平方监视器 |
| |
数据的变化 |
| |
在这个模型飞机内。 |
| |
第二个组成部分是 |
| |
错误组件。这是 |
| |
原始距离 |
| |
数据和预测数据以及 |
| |
平方预测误差（SPE） |
| |
图表监控这种变化。 |
| |
我们的另一个替代指标 |
| |
提供到模型的距离 |
| |
X 平面或 DModX。这只是 |
| |
SPE 的标准化替代方案 |
| |
有些人更喜欢。 |
| |
最后一个概念是 |
| |
重要的是要理解 |
| |
demo 的区别在于 |
| |
历史和当前数据。 |
| |
历史数据通常 |
| |
当过程被收集时 |
| |
已知处于控制之中。这些 |
| |
数据用于构建 PLS |
| |
模型并定义正常 |
| |
过程变化，以便 |
| |
即可得到控制限。 |
| |
并且当前数据被分配 |
| |
根据模型得分，但 |
| |
与模型无关。 |
| |
另一种思考方式 |
| |
我们有培训， |
| |
测试集。T平方控制 |
| |
训练的限制较低 |
| |
数据，因为我们期望较少 |
| |
各种变化... |
| |
用于训练的观察结果 |
| |
模型，而有更大的 |
| |
当 P 平方发生变化时 |
| |
该模型推广至 E 检验 |
| |
设定。幸运的是，理论 |
| |
T 平方的方差为 |
| |
已经制定好了，所以我们可以 |
| |
这些控制限度基于 |
| |
一些分布假设。 |
| |
在演示中将会监控 |
| |
田纳西伊士曼工艺。 |
| |
我将介绍一个简短的 |
| |
这些数据的介绍。这 |
| |
是对化学物质的模拟 |
| |
Downs 开发的流程 |
| |
沃格尔，伊士曼的两位化学家 |
| |
化学。它最初 |
| |
用 Fortran 编写，但 |
| |
是 Matlab 的包装器， |
| |
现在开始使用 Python。我只是想说明一下 |
| |
虽然这个数据集 |
| |
产生于 90 年代，至今仍 |
| |
主要数据集之一 |
| |
用于基准多变量 |
| |
控制方法 |
| |
文献。它涵盖了 |
| |
多元函数的主要任务 |
| |
控制得很好，而且 |
| |
数量惊人 |
| |
模拟中的真实感。 |
| |
并且模拟基于 |
| |
工业流程 |
| |
至今仍然适用。 |
| |
所以数据被操纵了 |
| |
保护专有 |
| |
信息。模拟 |
| |
过程是生产 |
| |
两种液体产品 |
| |
气态反应物 |
| |
化工厂。F 是 |
| |
副产品 |
| |
需要抽取 |
| |
远离所需产品。 |
| |
嗯，还有…… |
| |
关于这一点，我要说的就这些。 |
| |
因此流程图看起来 |
| |
复杂，但实际上并不复杂 |
| |
太糟糕了，所以我会陪你 |
| |
通过它。气态 |
| |
反应物 A、D 和 E 流入 |
| |
这里的反应堆。 |
| |
反应发生， |
| |
产品以气体形式离开。 |
| |
然后冷却并凝结成 |
| |
冷凝器中的液体。 |
| |
然后是汽液分离器 |
| |
回收任何剩余的蒸汽和 |
| |
将其送回反应堆 |
| |
通过压缩机， |
| |
副产品和惰性化学物质B |
| |
在吹扫流中被吹扫， |
| |
这是为了防止任何 |
| |
积累。液体产品 |
| |
通过汽提塔泵送， |
| |
其余反应物 |
| |
被剥去。 |
| |
然后送回反应堆。 |
| |
最后， |
| |
纯化液体产品 |
| |
退出该进程。 |
| |
第一组变量是 |
| |
被监控的是被操纵的 |
| |
变量。这些看起来像弓 |
| |
图中的关系。我认为 |
| |
它们实际上应该是 |
| |
阀门和操纵 |
| |
过程...或被操纵 |
| |
变量主要控制 |
| |
通过不同的流量 |
| |
流程的流程。 |
| |
这些变量可以设置 |
| |
限制范围内的任何值， |
| |
有一些高斯噪声。 |
| |
操纵变量能够 |
| |
以速率进行采样， |
| |
但我们使用默认的 3 |
| |
分钟样本现在。 |
| |
一些被操纵的例子 |
| |
变量是 |
| |
控制反应物的流动 |
| |
进入反应堆。 |
| |
另一个例子是阀门 |
| |
控制流量 |
| |
蒸汽进入汽提塔。 |
| |
另一个是阀门 |
| |
控制冷却液流量 |
| |
进入反应堆。 |
| |
下一组变量是 |
| |
测量变量。这些是 |
| |
如图中圆圈所示。 |
| |
他们还在三个 |
| |
分钟间隔。 |
| |
操纵之间的差异 |
| |
变量和测量 |
| |
变量是 |
| |
测量变量不能 |
| |
在模拟中进行操纵。 |
| |
我们的质量变量将是 |
| |
百分比组成 |
| |
两种液体产品，你 |
| |
可以看到分析仪 |
| |
在这里测量产品。 |
| |
这些变量是用 |
| |
相当长的时间延迟，所以 |
| |
我们正在考虑清除 |
| |
流而不是出口 |
| |
流，因为这些数据 |
| |
更早可用。并将使用 |
| |
一个用于监控过程的 PLS 模型 |
| |
变量作为这些的代理 |
| |
变量，因为过程 |
| |
变量延迟较少， |
| |
影响更快的采样率。 |
| |
所以这就足够了 |
| |
数据背景。在 |
| |
总共有 33 个进程 |
| |
变量和两个质量 |
| |
变量。 |
| |
收集变量是 |
| |
用一组模拟 |
| |
微分方程。这 |
| |
只是一个模拟，但正如你 |
| |
可以看到相当多的 |
| |
精心设计了模型 |
| |
经过现实世界的过程。这里 |
| |
这是我正在进行的演示的概述 |
| |
即将向您展示。我们将收集 |
| |
我们处理和存储的数据 |
| |
这些数据存储在数据库中。 |
| |
我想要一个例子 |
| |
很容易分享，所以我会 |
| |
使用 SQLite 数据库，但是 |
| |
工作流程与大多数 |
| |
由于大多数数据库 |
| |
支持ODBC连接。 |
| |
一旦 JMP 形成 ODBC |
| |
与数据库的连接， |
| |
JMP 可以定期检查 |
| |
新的观察结果并将其添加到 |
| |
一个数据表。 |
| |
如果我们有一个模型驱动 |
| |
多元控制图 |
| |
报告自动打开 |
| |
重新计算打开后，我们有一个 |
| |
更新机制 |
| |
随着新数据的出现，控制图 |
| |
在整个过程中 |
| |
向数据库添加数据 |
| |
可能会单独进行 |
| |
计算机从计算机 |
| |
那就是进行监控。所以 |
| |
我打开了两个 JMP 会话 |
| |
来模拟这一点。两个会议 |
| |
有自己的日记 |
| |
在材料中 |
| |
社区和会议 |
| |
添加新的模拟数据 |
| |
数据库将被称为 |
| |
流媒体会话和 |
| |
会议更新报告 |
| |
随着新数据的到来 |
| |
称为监测会议。 |
| |
我非常喜欢的一件事 |
| |
Downs 和 Vogel 的论文 |
| |
他们没有提供 |
| |
单一指标来评估 |
| |
控制过程。我有 |
| |
此处引用了报纸上的一段话 |
| |
“我们认为 |
| |
在可能的控制中 |
| |
策略和技巧 |
| |
涉及的远不止 |
| |
数学表达式。” |
| |
以下是一些目标 |
| |
他们在论文中列出了 |
| |
与我们相关的 |
| |
问题。他们想维持 |
| |
过程变量 |
| |
期望值。他们希望 |
| |
尽量减少产品的变异性 |
| |
干扰期间的质量，以及 |
| |
他们希望尽快康复 |
| |
并顺利摆脱干扰。 |
| |
因此，我们将看到我们的 |
| |
流程实现了这些目标 |
| |
通过我们的监测方法。 |
| |
因此，首先 |
| |
监控会话日志，我会 |
| |
向您展示我们的第一个数据集。 |
| |
数据表包含 |
| |
我引入的变量 |
| |
更早。第一个变量是 |
| |
测量变量； |
| |
第二是构图。 |
| |
第三是 |
| |
操纵变量。 |
| |
上面的脚本适合 |
| |
PLS 模型。它排除了 |
| |
最后 100 行作为测试集。 |
| |
提醒一下， |
| |
该模型预测 2 |
| |
产品成分 |
| |
变量作为函数 |
| |
过程变量。如果 |
| |
你有 JMP Pro， |
| |
已经有一些速度 |
| |
PLS 的改进 |
| |
在 JMP 16 中。 |
| |
PLS 现在有一个 |
| |
快速 SVD 选项。 |
| |
您可以切换到 |
| |
经典红色 |
| |
三角形菜单。有 |
| |
也有一些 |
| |
性能改进 |
| |
在引擎盖下。 |
| |
与数据集最相关 |
| |
有大量的 |
| |
观察，但那是 |
| |
在多变量中很常见 |
| |
过程监控设置。 |
| |
但 PLS 并不是 |
| |
谈话，所以我已经适应了 |
| |
模型和输出分数列 |
| |
您可以在这里看到它们。 |
| |
显示器 |
| |
多元控制图是 |
| |
按照这样的设计， |
| |
假设你是一名统计学家 |
| |
你想分享你的模型 |
| |
和工程师一起，这样他们就可以 |
| |
构建控制图。所有 |
| |
你需要做的就是提供 |
| |
包含这些公式的数据表 |
| |
列。您无需共享 |
| |
所有血腥的细节 |
| |
适合你的模型。 |
| |
接下来我会提供分数 |
| |
监控列 |
| |
多元控制图。 |
| |
将其拖至此处右侧。 |
| |
左边你可以看到 |
| 两种类型的控制图 |
这 |
| |
T 平方和 SPE。 |
| |
嗯，有 860 条观察结果 |
| |
用于估计 |
| |
模型，这些被标记为 |
| |
历史。然后是一百 |
| |
被排除在测试集之外 |
| |
是您当前的数据。 |
| |
你可以在极限中看到 |
| |
摘要，点数 |
| |
失控了， |
| |
显著性水平。嗯，如果你 |
| |
想要改变意义 |
| |
级别，你可以在这里做 |
| |
红色三角形菜单。 |
| |
因为反应堆处于正常状态 |
| |
经营状况，我们预计 |
| |
没有观察到 |
| |
控制，但我们有一些错误的 |
| |
这里的优点是因为我们 |
| |
尚未做出任何调整 |
| |
多重比较。这是 |
| |
在我看来，这样做并不常见 |
| |
可以判断，在多变量 |
| |
控制图。我想你 |
| |
有更高的能力来检测 |
| |
控制信号，无需 |
| |
校正。在控制图中 |
| |
行话，这意味着你出局了 |
| |
控制。平均运行长度 |
| |
保持低位。 |
| |
所以在右边我们 |
| |
也有贡献 |
| |
图和 Y 轴上的 |
| |
观察结果；在 X |
| |
轴，即变量。A |
| |
贡献表达 |
| |
作为一部分。 |
| |
然后在底部 |
| |
我们有得分图。对的 |
| |
现在我正在策划第一个 |
| |
分数维度与 |
| |
第二个分数维度，但是 |
| |
你可以看看任何 |
| |
分数组合 |
| |
使用此尺寸 |
| |
下拉菜单或箭头 |
| |
按钮。 |
| |
好的，我认为我们已经 |
| |
报告。我要 |
| |
现在切换到 |
| |
我用来直播的脚本 |
| |
数据存入数据库 |
| |
该报告正在监测中。 |
| |
为了做任何事 |
| |
例如，你需要有一个 |
| |
已安装 SQLite ODBC 驱动程序 |
| |
适用于您的计算机。这更容易 |
| |
在 Windows 电脑上执行的操作 |
| |
这是你经常使用的 |
| |
当实际连接到 |
| |
数据库。Mac 上的进程 |
| |
更加复杂，但我把一些 |
| |
关于社区的说明 |
| |
页面。然后我就没时间了 |
| |
谈论这个，但我 |
| |
创建了 SQLite 数据库 |
| |
我将在 JMP 中使用 |
| |
计划发布一些说明 |
| |
如何做到这一点 |
| |
社区网页。希望 |
| |
这个例子对你有帮助 |
| |
如果你尝试这样做 |
| |
数据由您自己决定。 |
| |
接下来我要展示 |
| |
你我放的文件 |
| |
在 SQLite 数据库中。 |
| |
这里有历史数据。 |
| |
这被用来构建 |
| |
PLS 模型。共有 960 |
| |
观察结果 |
| |
控制。然后我有 |
| |
监测数据，首先 |
| |
只包含历史 |
| |
数据，但我会逐步添加新的 |
| |
数据。这是数据 |
| |
多变量控制 |
| |
图表将被监控。 |
| |
然后我模拟了新的 |
| |
数据并将其添加到 |
| |
数据表。这些是 |
| |
另外 960 次测量 |
| |
故障发生的位置 |
| |
某个时间点。我想 |
| |
有一些容易 |
| |
分享，所以我不会跑 |
| |
我的模拟脚本并添加到 |
| |
数据库。我们 |
| |
只是去观察一下 |
| |
从这个新的数据表和 |
| |
将它们移至监控 |
| |
使用一些 JSL 的数据表和 |
| |
SQL 语句。这只是一个 |
| |
模拟该过程的示例 |
| |
新数据进入 |
| |
数据库。不知何故，你可能不会 |
| |
实际上是用 JMP 来实现的，但是 |
| |
这是一个展示的机会 |
| |
如何使用 JSL 来实现。 |
| |
把这里打扫干净。 |
| |
接下来我会给你展示这个 |
| |
流脚本。这是一个 |
| |
简单的脚本，所以我要 |
| |
快速引导您完成整个过程。 |
| |
第一组 |
| |
命令将打开 |
| |
新的数据表和 |
| |
它在 SQLite 数据库中， |
| |
所以它打开了表格 |
| |
背景，这样我就不用 |
| |
处理窗口。 |
| |
然后我要把碎片 |
| |
从该数据表中添加 |
| |
监测数据 |
| |
桌子。我把这些碎片称为 |
| |
咬，一口大小为 20。 |
| |
然后下一个命令将 |
| |
连接到数据库。这 |
| |
允许我发送 |
| |
数据库 SQL 语句。 |
| |
接下来是 |
| |
代码是 |
| |
迭代发送 SQL |
| |
插入新语句 |
| |
数据纳入监测数据。 |
| |
我要 |
| |
初始化 K 并向您展示 |
| |
这是第一次迭代。 |
| |
这是一个简单的 SQL 语句， |
| |
插入语句 |
| |
插入前 20 个 |
| |
观察数据 |
| |
表。此打印语句是 |
| |
注释掉，以便代码 |
| |
跑得更快，然后我也 |
| |
有等待语句来减缓 |
| |
稍微放下一些东西， |
| |
我们可以看到他们的进步 |
| |
在控制图中。 |
| |
这会太快 |
| |
如果我没有放慢速度的话。 |
| |
嗯，接下来我要移动 |
| |
转到监控会议 |
| |
向你展示脚本 |
| |
这将更新报告 |
| |
随着新数据的进入。 |
| |
第一个脚本很简单 |
| |
脚本。这将检查 |
| |
数据库每 0.2 秒 |
| |
新的观察结果并添加 |
| |
到 JMP 表。由于 |
| |
报告有自动重新计算功能 |
| |
开启后，报告将会更新 |
| |
每当有新数据添加时。并且 |
| |
我应该补充一下 |
| |
现实地， |
| |
你可能不会使用 |
| |
脚本只是像 |
| |
这个。你可能使用任务 |
| |
Windows 中的调度程序或 |
| |
Mac 上的 Automator 可以更好地 |
| |
安排脚本的运行。 |
| |
还有另一个 |
| |
脚本 |
| |
将报告推送至 JMP Public |
| |
每当报告更新时， |
| |
我真的很兴奋 |
| |
使用 JMP 15 可以实现这一点。 |
| |
它使任何具有 |
| |
使用网络浏览器查看更新 |
| |
控制图。然后你 |
| |
甚至可以查看报告 |
| |
你的智能手机 |
| |
分享真的很容易 |
| |
跨组织的结果。 |
| |
您还可以使用 JMP Live |
| |
如果你希望报告 |
| |
处于受限服务器。 |
| |
我没有时间 |
| |
深入探讨这个问题 |
| |
演示，但你可以看看 |
| |
我的探索美洲演讲。 |
| |
最后到了这里， |
| |
重新创建 |
| |
数据中的历史数据 |
| |
如果你想运行 |
| |
多次举例。 |
| |
好的，接下来...确保 |
| |
我们有历史数据... |
| |
我要运行 |
| |
流式脚本并查看 |
| |
报告如何更新。 |
| |
因此数据在 |
| |
首先，然后是故障 |
| |
介绍，但有一个 |
| |
全厂控制系统 |
| |
这是在 |
| |
模拟，你可以看到 |
| |
控制系统如何 |
| |
最终带来过程 |
| |
达到新的平衡。 |
| |
等待它在这里完成。 |
| |
如果我们放大， |
| |
看起来像是过程首先 |
| |
失去了控制 |
| |
时间点，所以我要 |
| |
给它上色， |
| |
给它贴上标签，但它会 |
| |
出现在其他地块中。 |
| |
然后在 SPE 图中， |
| |
看起来像这样 |
| |
观察也超出 |
| |
控制，但只是轻微的控制。 |
| |
然后如果我们放大 |
| |
时间点 |
| |
贡献图，你可以 |
| |
看到有很多 |
| |
变量 |
| |
失控信号 |
| |
首先。但是一旦 |
| |
进程达到新的 |
| |
平衡，只有 |
| |
两位主要捐助者。 |
| |
所以我要把热量除去 |
| |
现在对地图进行一些清理。 |
| |
您可以将鼠标悬停在 |
| |
这个过程 |
| |
首先失控了 |
| |
看看前十名 |
| |
贡献变量。这 |
| |
非常适合给你 |
| |
快速概览哪些变量 |
| |
对 |
| |
失控信号。 |
| |
然后如果我点击情节， |
| |
这将被附加到 |
| |
故障诊断部分。 |
| |
正如你所见， |
| |
几个变量很大 |
| |
贡献并刚刚排序 |
| |
的贡献。 |
| |
对于变量 |
| |
红色条形的观察结果是 |
| |
单变量失控 |
| |
控制图。你可以看到 |
| |
通过将鼠标悬停在其中一个 |
| |
条形图和这些图形 |
| |
是红外图表 |
| |
个体变量 |
| |
三西格玛控制限度。 |
| |
你可以在脱衣舞娘中看到 |
| |
压力变量 |
| |
观察超出 |
| |
控制，但最终 |
| |
进程重新回到 |
| |
控制。情况就是这样 |
| |
对于另一个顶部 |
| |
贡献者。我还会展示 |
| |
你是变量之一 |
| |
我们能控制的地方 |
| |
单变量控制图。 |
| |
所以这个过程是... |
| |
有很多变量 |
| |
过程中的控制 |
| |
开始的时候，但是 |
| |
过程最终达到 |
| |
一个新的平衡。 |
| |
一... |
| |
要查看变量 |
| |
对转变贡献最大 |
| |
过程中，我们可以使用平均值 |
| |
贡献比例图。 |
| |
这些图显示了平均 |
| |
变量的贡献 |
| |
必须为组进行 T 平方 |
| |
我已经选好了。嗯，如果我 |
| |
对这些进行排序。 |
| |
仅有的两个变量 |
| |
大额捐款衡量 |
| |
反应物 A 的流速 |
| |
流一，即 |
| |
将该反应物送入反应器。 |
| |
这两个变量都是 |
| |
本质上测量 |
| |
相同，除了一个 |
| |
测量...一个是 |
| |
测量变量和 |
| |
另一个是被操纵的 |
| |
多变的。 |
| |
你可以看到 |
| |
流量发生巨大变化 |
| |
速率，这是我编程的 |
| |
在模拟中。所以这些 |
| |
贡献图可以让你 |
| |
迅速找出根本原因。 |
| |
在我之前的演讲中 |
| |
展示了许多其他方法 |
| |
可视化和诊断故障 |
| |
使用分数图中的工具。 |
| |
这包括绘制 |
| |
得分图上的载荷和 |
| |
做一些群体比较。 |
| |
你可以看看我的发现 |
| |
美洲关于 JMP 的讨论 |
| |
社区就是这样。相反，我 |
| |
剩下的时间 |
| |
介绍一些新的 |
| |
我把这些例子放在 |
| |
本次演讲的社区页面。 |
| |
所以。 |
| |
有 20 个可编程故障 |
| |
在田纳西伊士曼工艺中 |
| |
并且可以在任何 |
| |
组合。我提供了另外两个 |
| |
代表性断层。断层 |
| |
我之前展示的是 |
| |
很容易检测，因为 |
| |
控制信号如此之大 |
| |
还有很多变量 |
| |
参与。重点关注 |
| |
之前的演示是为了展示如何 |
| |
使用工具并识别。 |
| |
大量故障 |
| |
变量而不是基准 |
| |
方法必然。 |
| |
另一方面，故障 4 |
| |
是一个更微妙的错误， |
| |
我会在这里向你展示。 |
| |
错误在于……这是程序设定的 |
| |
突然增加 |
| |
反应堆内的温度。 |
| |
而这可以通过 |
| |
控制系统通过增加 |
| |
冷却剂的流速。 |
| |
你可以看到 |
| |
变量在这里拾取， |
| |
你可以看到 |
| |
贡献图。 |
| |
然后你还可以看到 |
| |
大多数其他变量 |
| |
不受影响 |
| |
故障。你可以看到 |
| |
这里的温度飙升 |
| |
很快就恢复了 |
| |
控制。因为大多数其他 |
| |
变量不受影响，这 |
| |
对于某些人来说很难检测 |
| |
多变量控制方法。 |
| |
而且它可以更多 |
| |
很难诊断。 |
| |
我会让你看到最后一个错误 |
| |
是故障 11。 |
| |
与故障 4 类似，它也涉及 |
| |
冷却剂流入 |
| |
反应堆，除了现在的故障 |
| |
引入大的振荡 |
| |
流速，我们可以 |
| |
参见单变量控制 |
| |
图表。这会导致 |
| |
反应堆波动 |
| |
温度。另一个 |
| |
变量实际上并不是 |
| |
再次受到影响，因此这可能是 |
| |
对于某些人来说更难检测 |
| |
方法。一些多变量 |
| |
控制方法可以 |
| |
故障 4，但不包括故障 11 或 |
| |
反之亦然。但我们的方法是 |
| |
能够同时掌握两者。 |
| |
最后，所有的 |
| |
我使用创建的示例 |
| |
田纳西伊士曼工艺 |
| |
明显的错误 |
| |
T 平方和 SPE 图。 |
| |
展示一些新功能 |
| |
模型驱动的多变量 |
| |
控制图，我想展示 |
| |
错误示例 |
| |
出现在 SPE 图表中，但没有 |
| |
T平方。并找到一个好的 |
| |
例如，我重新审视了一个 |
| |
data set which Jianfeng Ding |
| |
在她之前的演讲中提到过， |
| |
我提供了她演讲的链接 |
| |
在这本期刊中。 |
| |
在她的社区页面上， |
| |
她提供了几个 |
| |
有用的例子 |
| |
也值得一看。 |
| |
这是来自 Cordia 的数据集 |
| |
麦格雷戈的经典论文 |
| |
多元控制图。 |
| |
数据是处理变量 |
| |
在反应器中测量，产生 |
| |
聚乙烯，你可以找到 |
| |
更多关于 Jianfeng 的背景 |
| |
谈话。在这个例子中，我们 |
| |
有一个过程超出 |
| |
控制。让我给你演示一下。 |
| |
而且它已经失控了…… |
| |
在 SPE 图表中比 |
| |
T平方。 |
| |
如果我们看看平均值 |
| |
贡献 |
| |
SPE 图， |
| |
你可以 |
| |
看到有一个变量 |
| |
贡献巨大， |
| |
也显示出 |
| |
单变量控制图，但 |
| |
还有其他变量 |
| |
贡献巨大，但是 |
| |
仍然在控制 |
| |
单变量控制图。 |
| |
很难确定 |
| |
单凭条形图，为什么这些 |
| |
变量很大 |
| |
贡献。大的SPE值 |
| |
当新数据没有 |
| |
遵循相关结构 |
| |
历史数据，即 |
| |
通常情况下，当新数据 |
| |
收集，这意味着 |
| |
您训练的 PLS 模型是 |
| |
不再适用。 |
| |
从条形图来看，很难 |
| |
知道哪对变量 |
| |
有其相关结构 |
| |
坏了。所以在 15.2 中，你 |
| |
可以启动散点图矩阵。 |
| |
很明显 |
| |
散点图矩阵 |
| |
违反相关性 |
| |
Z2 的驱动力 |
| |
这些巨大的贡献。 |
| |
好的，我要换回来 |
| |
到 PowerPoint。 |
| |
我会快速总结一下 |
| |
模型驱动的主要特点 |
| |
多元控制图 |
| |
在演示中进行了展示。 |
| |
平台能够 |
| |
同时执行在线故障 |
| |
检测及离线故障 |
| |
诊断。有很多 |
| |
平台提供的方法 |
| |
深入到根部 |
| |
故障的原因。我向你展示 |
| |
以下是一些流行的 |
| |
书，故障检测和 |
| |
工业系统诊断。 |
| |
在整本书中，作者 |
| |
展示一个人需要如何 |
| |
使用多变量和单变量 |
| |
并排控制图 |
| |
了解正在发生的事情 |
| |
在一个过程中。 |
| |
一个特别有用的 |
| |
模型驱动的多元函数中的特征 |
| |
控制图是如何 |
| |
互动性强，用户友好 |
| |
就是在这些之间切换 |
| |
两种类型的图表。 |
| |
这就是我的演讲。 |
| |
如果你有的话，可以发邮件给我 |
| |
进一步的问题。以及 |
| |
感谢大家 |
| |
已打开频道观看此节目。 |
高级统计建模基础数据分析与建模消费者和市场研究数据访问数据探索与可视化实验设计大规模定制预测模型和机器学习质量与工艺工程可靠性分析
