756631_es-ES

liliconcom

Detección y diagnóstico de fallas del proceso Tennessee Eastman mediante gráficos de control multivariados (2021-EU-45MP-782)

Jeremy Ash, probador de software de análisis JMP, SAS

La plataforma de Gráficos de Control Multivariados Basados en Modelos (MDMCC) permite a los usuarios crear gráficos de control basados en modelos PCA o PLS. Estos se pueden utilizar para la detección y el diagnóstico de fallos en conjuntos de datos de alta dimensión. Demostramos la monitorización mediante MDMCC de un modelo PLS mediante la simulación de un proceso químico industrial real: el Proceso Tennessee Eastman. Durante la simulación, se miden las variables de calidad y de proceso mientras un reactor químico produce productos líquidos a partir de reactivos gaseosos. Demostramos cómo MDMCC puede realizar la monitorización en línea conectando JMP a una base de datos externa. La medición de las variables de calidad del producto suele implicar un retraso en la disponibilidad de las mediciones, lo que puede retrasar considerablemente la detección de fallos. Cuando MDMCC monitoriza un modelo PLS, la variación de las variables de calidad del producto se monitoriza en función de las variables del proceso. Dado que las variables del proceso suelen estar más fácilmente disponibles, esto puede facilitar la detección temprana de fallos. También demostramos el diagnóstico de fallos sin conexión. Esto suele implicar la alternancia entre gráficos de control multivariados, gráficos de control univariados y gráficos de diagnóstico. MDMCC proporciona una interfaz intuitiva para navegar entre estos gráficos.

Transcripción generada automáticamente...

Vocero	Transcripción
	Hola, soy Jeremy Ash. Soy un
	Estadístico en I+D del JMP. Mi trabajo
	consiste principalmente en pruebas
	las estadísticas multivariadas
	plataformas en JMP, pero también
	ayudar a investigar y evaluar
	Metodología. Hoy voy a
	Estaré analizando el Tennessee
	Proceso Eastman utilizando algunos
	control estadístico de procesos
	métodos en JMP. Voy a
	prestar especial atención
	al modelo multivariado impulsado
	Plataforma de gráficos de control, que es
	una nueva incorporación a JMP 15.
	Estos datos proporcionan una
	oportunidad de mostrar la
	número de la plataforma
	características. Y solo como un rápido
	Descargo de responsabilidad: esto es similar a
	mi charla de Discovery Americas. Nosotros
	Me di cuenta de que Europa no había visto nada
	multivariante impulsado por modelos
	Charla sobre el gráfico de control debido a todo
	locura en torno al COVID, así que
	Decidí centrarme en lo básico.
	Pero hay algún material nuevo.
	Al final de la charla.
	Cubriremos brevemente algunos temas adicionales
	análisis de ejemplo, luego lo pongo
	La página de la comunidad para la charla.
	Primero, asumiré que tienes algún conocimiento.
	del control estadístico de procesos
	En esta charla, lo principal es...
	Sería útil saber sobre
	son gráficos de control. Si estás
	No estoy familiarizado con estos, estos
	son gráficos que se utilizan para monitorear
	sistemas industriales complejos para
	determinar cuándo se desvían
	del funcionamiento normal
	condiciones.
	No voy a tener mucho tiempo para
	entrar en la metodología del modelo
	control multivariable impulsado
	gráfico, por lo que me referiré a estos otros
	Grandes charlas que se dan libremente
	Disponible en la Comunidad JMP
	Si quieres más detalles. Yo
	También debería decir que Jianfeng
	Ding fue el principal
	Desarrollador del modelo impulsado
	control multivariante
	gráfico en colaboración con
	Chris Gotwalt y esa Tonya
	Mauldin y yo éramos probadores. El
	El enfoque de esta charla será el uso
	gráficos de control multivariados para
	monitorear un mundo real
	proceso típico; otra novela
	El aspecto utilizará el control
	gráficos para procesos en línea
	Monitoreo. Esto significa que estaremos
	Monitoreo continuo de datos como
	Se agrega a una base de datos y
	detección de fallos en tiempo real.
	Así que voy a empezar con
	La diapositiva obligatoria en el
	ventajas del multivariante
	gráficos de control. Entonces, ¿por qué no usar?
	¿Gráficos de control univariados?
	son una serie de excelentes
	Opciones en JMP. Univariante
	Los gráficos de control son excelentes
	herramientas para analizar algunos
	variables a la vez. Sin embargo,
	Los datos de control de calidad a menudo son
	de alta dimensión y el número
	de gráficos de control que necesitas
	Mirar puede convertirse rápidamente en
	abrumador. Multivariable
	Los gráficos de control pueden resumir una
	proceso de alta dimensión en
	Sólo un par de gráficos de control,
	Así que esa es una ventaja clave.
	Pero eso no quiere decir que
	Los gráficos de control universitarios no son
	Útil en este contexto.
	ver a lo largo de la charla que
	El diagnóstico de fallas a menudo implica
	cambio entre multivariables
	y gráficos univariados.
	Los gráficos de control multivariados dan
	Te da una idea del conjunto
	salud del proceso, mientras
	Los gráficos univariados le permiten
	Monitorear aspectos específicos de la
	proceso. Entonces la información es
	complementarios. Uno de los objetivos
	de seguimiento multivariable
	El gráfico de control sirve para proporcionar algunos
	herramientas útiles para cambiar
	entre estos dos tipos de
	gráficos. Una desventaja de
	Los gráficos univariados son que
	Las observaciones pueden parecer estar en
	controlar cuando realmente están
	fuera de control en el multivariante
	sentido y estas gráficas muestran lo que yo
	Quiero decir con esto. El univariante
	gráfico de control para aceite y
	La densidad muestra los dos
	observaciones en rojo como en
	control. Sin embargo, el aceite y la densidad
	están altamente correlacionados y ambos
	Las observaciones están fuera de control.
	en el sentido multivariado,
	especialmente la observación 51, que
	viola bastante la correlación
	estructura de las dos variables,
	Así que gráficos de control multivariados
	Puede detectar este tipo de
	valores atípicos, mientras que univariados
	Los gráficos de control no pueden.
	Modelo multivariado impulsado
	El gráfico de control utiliza proyección
	métodos para construir los gráficos.
	Voy a empezar explicando el PCA.
	Porque es fácil de construir
	Desde allí, el PCA reduce la
	dimensionalidad del proceso por
	Proyectar datos sobre un nivel bajo
	superficie dimensional. Um,
	Esto se muestra en la imagen
	A la derecha tenemos P
	variables de proceso y N
	observaciones, y
	los vectores de carga en el P
	La matriz da los coeficientes para
	combinaciones lineales de nuestras X
	variables que resultan en
	variables cuadradas con
	dimensión A, donde la dimensión
	A es mucho menor que P. Y entonces
	Esto se muestra en las ecuaciones en
	La izquierda aquí. La X puede ser
	predicho como una función de la
	puntuación y cargas, donde E es
	el error de predicción.
	Estas puntuaciones se seleccionan para
	minimizar el error de predicción,
	y otra forma de pensar en
	Esto es lo que estás maximizando
	la cantidad de varianza explicada
	en la matriz X.
	Entonces PLS es más adecuado
	método de proyección. Cuando tengas
	un conjunto de variables de proceso y una
	conjunto de variables de calidad, usted
	Realmente quiero asegurarme de que el
	Las variables de calidad se mantienen en
	control pero estas variables
	A menudo son costosos o requieren mucho tiempo.
	consumir para recolectar. La planta
	Podría estar fabricando un producto sin
	Un control de calidad a largo plazo
	tiempo antes de que se detecte un fallo.
	Así, los modelos PLS le permiten:
	Monitorea tus variables de calidad
	en función de su proceso
	variables y puedes ver que
	Los modelos PLS encuentran la puntuación
	variables que maximizan la
	cantidad de variación explicada de
	las variables de calidad.
	Estas variables de proceso son
	A menudo más barato o más fácil
	disponible, por lo que PLS puede habilitarlo
	para detectar fallas en la calidad
	Temprano y haz tu proceso
	Monitoreo más económico. Y desde aquí
	A partir de ahora me centraré en PLS
	modelos porque es más
	apropiado para el ejemplo.
	Así que el modelo PLS particiona su
	datos en dos componentes. El
	El primer componente es el modelo
	componente. Esto da el
	valores previstos de su proceso
	variables. Otra forma de pensar
	De lo que se trata es que tus datos tienen
	se han proyectado en el modelo
	plano definido por tu puntuación
	variables y monitores T cuadrado
	la variación de sus datos
	dentro de este modelo de avión.
	Y el segundo componente es el
	componente de error. Este es el
	distancia entre su original
	datos y los datos previstos y
	error de predicción al cuadrado (SPE)
	Los gráficos monitorean esta variación.
	Otra métrica alternativa que tenemos
	Proporcionar es la distancia al modelo
	Plano X o DModX. Esto es solo
	una alternativa normalizada a SPE
	que algunas personas prefieren.
	El último concepto que es
	Es importante entenderlo para el
	demo es la distinción entre
	datos históricos y actuales.
	Los datos históricos suelen ser
	recogidos cuando se realizó el proceso
	Se sabe que tienen el control. Estos
	Los datos se utilizan para construir el PLS
	modelar y definir la normal
	variación del proceso de manera que una
	Se puede obtener el límite de control.
	Y se asignan los datos actuales
	puntuaciones basadas en el modelo pero
	son independientes del modelo.
	Otra forma de pensar en esto
	es que tenemos entrenamiento y
	Conjuntos de prueba. El control T cuadrado
	El límite es más bajo para el entrenamiento.
	datos porque esperamos menos
	variabilidad para los diversos...
	Observaciones utilizadas para entrenar al
	modelo mientras que hay mayor
	variabilidad en P cuadrado cuando
	El modelo se generaliza a la prueba E
	conjunto. Afortunadamente, la teoría
	para la varianza de T al cuadrado es
	Se han elaborado para que podamos conseguir
	Estos límites de control se basan en
	Algunas suposiciones distributivas.
	En la demo se realizará un seguimiento
	El proceso Eastman de Tennessee.
	Voy a presentar un breve
	Introducción a estos datos. Esta
	es una simulación de una sustancia química
	proceso desarrollado por Downs y
	Vogel, dos químicos de Eastman
	Químico. Originalmente era
	escrito en Fortran, pero hay
	son envoltorios para Matlab y
	Python ahora. Solo quería comentarlo.
	que si bien este conjunto de datos fue
	Generado en los años 90, todavía es
	uno de los conjuntos de datos primarios
	utilizado para comparar variables multivariadas
	métodos de control en el
	Literatura. Abarca la
	tareas principales del análisis multivariante
	controlan bien y hay
	una cantidad impresionante de
	realismo en la simulación.
	Y la simulación se basa en
	un proceso industrial que es
	Sigue siendo relevante hoy en día.
	Así que los datos fueron manipulados.
	para proteger la propiedad
	información. La simulación
	El proceso es la producción de
	dos productos líquidos de
	reactivos gaseosos dentro de un
	Planta química. Y F aquí es
	un subproducto
	que necesitará ser desviado
	fuera del producto deseado.
	Um y...
	Eso es todo lo que diré al respecto.
	Así se ve el diagrama del proceso
	Complicado, pero realmente no lo es.
	Está tan mal que te acompañaré.
	a través de él. Gaseoso
	Los reactivos A, D y E fluyen hacia
	El reactor aquí.
	La reacción se produce y la
	El producto sale en forma de gas.
	Luego se enfrió y se condensó en
	líquido en el condensador.
	Luego un separador de líquido vapor
	recicla cualquier vapor restante y
	lo envía de vuelta al reactor
	a través de un compresor, y el
	subproducto y sustancia química inerte B
	se purgan en la corriente de purga,
	Y eso es para evitar cualquier
	acumulación. El producto líquido
	se bombea a través de un separador,
	donde los reactivos restantes
	son despojados.
	Y luego lo enviaron de vuelta al reactor.
	Y luego finalmente, el
	producto líquido purificado
	sale del proceso.
	El primer conjunto de variables que son
	monitoreados son los manipulados
	variables. Estas parecen arcos
	lazos en el diagrama. Creo
	En realidad están destinados a serlo
	válvulas y los manipulados
	proceso...o lo manipulado
	Las variables controlan principalmente la
	caudal a través de diferentes
	corrientes del proceso.
	Y estas variables se pueden configurar
	a cualquier valor dentro de los límites y
	Tiene algo de ruido gaussiano.
	Las variables manipuladas son capaces
	para ser muestreados en la tasa,
	pero usamos el valor predeterminado 3
	minutos de muestra ahora.
	Algunos ejemplos de lo manipulado
	Las variables son las válvulas que
	controlar el flujo de reactivos
	en el reactor.
	Otro ejemplo es una válvula
	que controla el flujo de
	vapor en el stripper.
	Y otra es una válvula que
	controla el flujo de refrigerante
	en el reactor.
	El siguiente conjunto de variables son
	variables de medición. Estas son
	se muestran como círculos en el diagrama.
	También fueron muestreados en tres
	intervalos de un minuto. El
	diferencia entre manipulado
	variables y medición
	variables es que la
	Las variables de medición no pueden ser
	manipulados en la simulación.
	Nuestras variables de calidad serán
	la composición porcentual de
	dos productos líquidos y tú
	puede ver el analizador
	midiendo los productos aquí.
	Estas variables se muestrean con
	un retraso de tiempo considerable, por lo que
	Estamos viendo la purga
	corriente en lugar de la salida
	flujo, porque estos datos son
	disponible antes. Y se utilizará
	un modelo PLS para monitorear procesos
	variables como proxy de estos
	variables porque el proceso
	Las variables tienen menos retraso y
	Afecta una frecuencia de muestreo más rápida.
	Así que eso debería ser suficiente.
	Antecedentes de los datos. En
	En total hay 33 procesos
	variables y dos de calidad
	variables. El proceso de
	Recopilar las variables es
	simulado con un conjunto de
	ecuaciones diferenciales. Y esto
	es solo una simulación, pero como tú
	Puede ver una cantidad considerable de
	Se puso mucho cuidado al modelar esto
	después de un proceso real. Aquí
	Es una descripción general de la demostración que estoy
	A punto de mostrártelo. Recopilaremos
	datos sobre nuestro proceso y almacenamiento
	estos datos en una base de datos.
	Quería tener un ejemplo que
	Fue fácil compartirlo, así que lo haré.
	utilizando una base de datos SQLite, pero
	El flujo de trabajo es relevante para la mayoría
	tipos de bases de datos ya que la mayoría
	Admite conexiones ODBC.
	Una vez que JMP forma un ODBC
	conexión con la base de datos,
	JMP puede verificar periódicamente
	Nuevas observaciones y añadirlas a
	una tabla de datos.
	Si tenemos un modelo impulsado
	gráfico de control multivariado
	Informe abierto con automático
	Recálculo activado, tenemos un
	mecanismo para actualizar el
	Gráficos de control a medida que llegan nuevos datos
	en y todo el proceso de
	Agregar datos a una base de datos sería
	Probablemente se vaya por separado
	computadora desde la computadora
	Eso es lo que hace el monitoreo. Entonces
	Tengo dos sesiones de JMP abiertas
	para emular esto. Ambas sesiones
	tienen su propio diario
	en los materiales sobre el
	Comunidad y la sesión
	añadiendo nuevos datos simulados a
	Se llamará la base de datos
	La sesión de streaming y
	Sesión de actualización de los informes
	A medida que lleguen nuevos datos, se irán actualizando.
	llamada Sesión de Monitoreo.
	Una cosa que realmente me gustó de
	El artículo de Downs y Vogel fue
	que no proporcionaron una
	métrica única para evaluar la
	control del proceso. Tengo
	Una cita del artículo aquí
	"Sentimos que las compensaciones
	Entre los posibles controles
	estrategias y técnicas
	implicó mucho más que una
	expresión matemática."
	Así que aquí están algunos de los objetivos
	Ellos enumeraron en su artículo,
	que son relevantes para nuestra
	problema. Querían mantener
	las variables del proceso en
	valores deseados. Querían
	minimizar la variabilidad del producto
	calidad durante las perturbaciones, y
	Querían recuperarse rápidamente
	y sin problemas de perturbaciones.
	Así que veremos qué tan bien va nuestro
	El proceso logra estos objetivos
	con nuestros métodos de seguimiento.
	Así que para empezar en el
	Diario de la sesión de seguimiento, lo haré
	Te mostramos nuestro primer conjunto de datos.
	La tabla de datos contenía todos los
	las variables que introduje
	antes. Las primeras variables son
	las variables de medición; la
	En segundo lugar está la composición.
	Y los terceros son los
	variables manipuladas.
	El guión que aparece aquí arriba encajará
	un modelo PLS. Excluye el
	últimas 100 filas como conjunto de prueba.
	Sólo como recordatorio,
	El modelo predice 2
	composición del producto
	variables en función de
	las variables del proceso. Si
	tienes JMP Pro, ahí
	Ha habido cierta velocidad
	mejoras en PLS
	en JMP 16.
	PLS ahora tiene una
	Opción SVD rápida.
	Puedes cambiar a la
	clásico en rojo
	Menú triangular. Hay
	También ha habido varios
	mejoras de rendimiento
	bajo el capó.
	Mayormente relevante para conjuntos de datos
	con un gran número de
	observaciones, pero eso es
	común en el multivariante
	Configuración de monitorización de procesos.
	Pero PLS no es el foco de la
	hablar, así que ya he encajado el
	columnas de puntuación del modelo y de salida
	y puedes verlos aquí.
	Una razón por la que el monitor
	El gráfico de control multivariado fue
	Diseñado de la forma en que está, es que
	Imagina que eres un estadístico
	y quieres compartir tu modelo
	con un ingeniero para que puedan
	construir gráficos de control. Todos
	Lo que necesitas hacer es proporcionar el
	tabla de datos con estas fórmulas
	columnas. No necesitas compartir
	Todos los detalles sangrientos de cómo tú
	se ajusta a tu modelo
	A continuación os dejo la partitura.
	columnas para monitorear la
	gráfico de control multivariado.
	Arrástrelo hacia la derecha aquí.
	Entonces, aquí a la izquierda puedes ver
dos tipos de gráficos de control	el
	T cuadrado y SPE.
	Um, hay 860 observaciones
	que se utilizaron para estimar la
	modelo y estos están etiquetados como
	histórico. Y luego los cien
	que quedaron fuera como conjunto de prueba
	son tus datos actuales.
	Y puedes ver en el límite
	resúmenes, el número de puntos
	que están fuera de control y la
	nivel de significancia. Um, si tú
	quiero cambiar el significado
	nivel, puedes hacerlo aquí arriba en
	El menú del triángulo rojo.
	Porque el reactor está en condiciones normales
	condiciones de funcionamiento, esperamos
	No hay observaciones que deban descartarse
	control, pero tenemos algunos errores
	Lo positivo aquí es que nosotros
	No he hecho ningún ajuste para
	Comparaciones múltiples. Es
	Es poco común hacer esto, hasta donde yo sé.
	se puede decir, en multivariante
	gráficos de control. Supongo que tú
	tienen mayor poder para detectar
	de señales de control sin una
	Corrección. En el gráfico de control
	jerga, esto significa que estás fuera
	de control. Longitud media de ejecución
	se mantiene bajo.
	Así que aquí a la derecha estamos
	También tengo contribución
	Los gráficos y en el eje Y son
	las observaciones; en la X
	eje, las variables. A
	La contribución se expresa
	como una porción.
	Y luego aquí abajo,
	Tenemos gráficos de puntuación. ¿Cierto?
	Ahora estoy planeando el primero
	dimensión de la puntuación versus la
	segunda dimensión de puntuación, pero
	Puedes mirar cualquiera
	combinación de puntuación
	dimensiones usando esto
	menús desplegables o la flecha
	botón.
	Bueno, creo que estamos orientados.
	al informe. Voy a
	Ahora cambia a la
	Scripts que he usado para transmitir
	datos en la base de datos que
	El informe está haciendo seguimiento.
	Para poder hacer algo por esto
	Por ejemplo, necesitarás tener un
	Controlador ODBC de SQLite instalado
	para tu computadora. Esto es mucho más fácil.
	para hacer en una computadora con Windows,
	que es lo que usas a menudo
	Cuando realmente se conecta a un
	base de datos. El proceso en Mac
	Es más complejo, pero le pongo algo
	instrucciones sobre la Comunidad
	página. Y luego no tengo tiempo
	hablar de esto, pero yo
	creó la base de datos SQLite
	Lo usaré en JMP y yo
	Planeo poner algunas instrucciones
	en cómo hacer esto en el
	Página web de la comunidad. Y con suerte
	Ese ejemplo te sirve
	Si estás intentando hacer esto con
	datos por su cuenta.
	A continuación voy a mostrar
	Tú los archivos que puse
	en la base de datos SQLite.
	Aquí tengo los datos históricos.
	Esto se utilizó para construir
	El modelo PLS. Hay 960
	observaciones que están en
	control. Entonces tengo el
	datos de seguimiento, que en un primer momento
	Sólo contiene lo histórico
	datos, pero iré añadiendo nuevos poco a poco
	Datos a esto. Estos son los datos
	que el control multivariable
	El gráfico se irá monitoreando.
	Y luego he simulado algo nuevo.
	datos ya y los agregó al
	Tabla de datos aquí. Estos son
	otras 960 mediciones extrañas
	donde se introduce una falla en
	En algún momento. Quería
	tener algo que fuera fácil de
	compartir, así que no voy a correr
	Mi script de simulación y agregarlo a
	la base de datos de esa manera. Estamos
	Sólo voy a tomar observaciones
	de esta nueva tabla de datos y
	moverlos al monitoreo
	tabla de datos usando algo de JSL y
	Sentencias SQL. Esto es solo una
	ejemplo que emula el proceso
	de nuevos datos que llegan a un
	base de datos. De alguna manera, es posible que no
	En realidad hago esto con JMP, pero
	Esta fue una oportunidad para demostrar
	Cómo puedes hacerlo con JSL.
	Limpia aquí.
	Y a continuación os mostraré esto.
	Guión de transmisión. Este es un
	guión simple, así que voy a
	Te lo explicaré rápidamente.
	Este primer conjunto de
	Los comandos abrirán el
	nueva tabla de datos y
	Está en la base de datos SQLite,
	Así que se abre la mesa en el
	fondo para no tener que hacerlo
	tratar con la ventana
	Entonces voy a tomar pedazos
	de esta tabla de datos y agregue
	a los datos de seguimiento
	mesa. Llamo a las piezas
	bocados y el tamaño del bocado es 20.
	Y luego este siguiente comando será
	Conectarse a la base de datos. Esto
	me permitirá enviar el
	Sentencias SQL de base de datos.
	Y luego este siguiente bit
	del código es
	enviando SQL iterativamente
	declaraciones que insertan nuevas
	datos en los datos de monitoreo.
	Y yo voy a
	Inicializa K y te muestro el
	Primera iteración de esto.
	Esta es una declaración SQL simple,
	Insertar en la declaración que
	inserta los primeros 20
	observaciones en los datos
	tabla. Esta declaración de impresión es
	comentado para que el código
	corre más rápido y luego yo también
	tener una declaración de espera para ralentizar
	las cosas un poco más abajo para que
	Podemos ver su progresión
	en el gráfico de control.
	Y esto iría demasiado rápido.
	Si no lo ralentizara.
	Um, entonces, a continuación me voy a mover.
	Pasar a las sesiones de seguimiento
	para mostrarte los guiones
	que actualizará el informe
	A medida que llegan nuevos datos.
	Este primer script es simple
	script. Eso comprobará el
	base de datos cada 0,2 segundos para
	Nuevas observaciones y añadirlas
	a la tabla JMP. Desde el
	El informe tiene recálculo automático
	activado, el informe se actualizará
	cada vez que se agregan nuevos datos. Y
	Debo añadir que
	de modo realista,
	Probablemente no usarías un
	script que simplemente itera como
	esto. Probablemente uses la tarea
	programador en Windows o
	Automator en Mac para mejorar
	programar ejecuciones del script.
	Y luego hay otro más
	guión que lo hará
	Enviar el informe a JMP Public
	cada vez que se actualice el informe,
	Y me emocioné mucho porque
	Esto es posible con JMP 15.
	Permite a cualquier ordenador con un
	navegador web para ver actualizaciones a
	el gráfico de control. Entonces tú
	Incluso puede ver el informe en
	tu teléfono inteligente, por lo que esto hace
	Es muy fácil compartir
	resultados en todas las organizaciones.
	Y también puedes usar JMP Live
	Si querías los informes
	Estar en servidor restringido.
	No voy a tener tiempo
	para entrar en esto en este
	demo, pero puedes echarle un vistazo
	Mi charla en Discovery Americas.
	Entonces finalmente aquí abajo, hay
	Un guión que recrea el
	datos históricos en los datos
	tabla si desea ejecutar el
	ejemplo varias veces
	Muy bien, entonces, a continuación... asegúrate
	que tenemos los datos históricos...
	Voy a correr el
	secuencias de comandos de streaming y ver
	Cómo se actualiza el informe.
	Así que los datos están bajo control en
	Primero y luego una falla es
	introducido, pero hay un
	sistema de control de toda la planta
	que se implementa en el
	simulación, y puedes ver
	Cómo funciona el sistema de control
	Finalmente trae el proceso
	hacia un nuevo equilibrio.
	Espera a que termine aquí.
	Así que si ampliamos la imagen,
	Parece que el proceso primero
	Se salió de control en torno a esto
	punto de tiempo, así que voy a
	coloréalo y
	etiquetarlo, pero lo hará
	aparecer en otras parcelas.
	Y luego, en el gráfico SPE,
	se ve así
	La observación también está fuera de lugar
	controlar, pero sólo ligeramente.
	Y luego, si nos acercamos a...
	El punto de tiempo en el
	parcelas de contribución, puedes
	Mira que hay muchos
	variables que contribuyen a
	La señal fuera de control en
	Primero. Pero luego, una vez que
	El proceso alcanza un nuevo
	equilibrio, solo hay
	Dos grandes contribuyentes.
	Así que voy a quitar el calor.
	Los mapas ahora hay que limpiarlos un poco.
	Puedes pasar el cursor sobre
	el punto en el que el proceso
	Primero se salió de control y
	Echa un vistazo a los diez mejores
	variables contribuyentes. Esto
	es genial para darte una
	descripción general rápida de qué variables
	son los que más contribuyen a la
	señal fuera de control.
	Y luego, si hago clic en el gráfico,
	Esto se añadirá a la
	Sección de diagnóstico de fallas.
	Y como podéis ver, hay
	varias variables con grandes
	contribuciones y recién ordenadas
	sobre la contribución.
	Y para las variables con
	barras rojas la observación es
	fuera de control en el univariado
	gráficos de control. Puedes ver
	Esto al pasar el cursor sobre uno de
	las barras y estos grafitos
	son gráficos IR para un
	variable individual con una
	Límite de control de tres Sigma.
	Puedes ver en la stripper
	variable de presión que la
	La observación está fuera de
	control, pero eventualmente el
	El proceso se pone nuevamente bajo control
	control. Y este es el caso
	para el otro top
	colaboradores. También mostraré
	Eres una de las variables
	donde tenemos el control, el
	gráfico de control univariado.
	Así que el proceso fue...
	Hay muchas variables fuera
	de control en el proceso en
	el principio, pero
	El proceso finalmente llega
	Un nuevo equilibrio.
	Uno...
	Para ver las variables que
	contribuyen más al cambio en
	El proceso, podemos utilizar la media
	gráfica de proporción de contribución.
	Estos gráficos muestran el promedio
	contribución de las variables
	Hay que elevar T al cuadrado para el grupo
	He seleccionado. Um, aquí si yo
	Ordenar estos.
	Las únicas dos variables con
	Las grandes contribuciones miden la
	velocidad de flujo del reactivo A en
	corriente uno, que es el flujo de
	Este reactivo en el reactor.
	Ambas variables son
	midiendo esencialmente la
	Lo mismo, excepto uno
	medida...una es una
	variable de medición y la
	El otro es un manipulado
	variable.
	Puedes ver que hay una
	gran cambio en el flujo
	tasa, que es lo que programé
	en la simulación. Así que estos
	Las parcelas de contribución le permiten
	Identificar rápidamente la causa raíz.
	Y luego, en mi charla anterior, yo...
	mostró muchas otras formas de
	visualizar y diagnosticar fallas
	utilizando herramientas en el gráfico de puntuación.
	Esto incluye trazar el
	cargas en los gráficos de puntuación y
	haciendo algunas comparaciones grupales.
	Puedes ver mi Discovery
	Las Américas hablan sobre el JMP
	Comunidad para eso. En cambio, estoy
	Voy a pasar el resto de esto
	Es hora de presentar algunas novedades
	ejemplos que pongo en el
	Página de la comunidad para esta charla.
	Entonces.
	Hay 20 fallos programables
	en el proceso Eastman de Tennessee
	y pueden introducirse en cualquier
	combinación. Proporcioné otros dos
	Fallas representativas aquí. Falla
	1 que mostré anteriormente fue
	Fácil de detectar porque la salida
	de la señal de control es tan grande
	y hay tantas variables
	involucrado. El enfoque en el
	La demostración anterior fue para mostrar cómo
	Utilice las herramientas e identifique.
	fallas de un gran número de
	variables y no para comparar
	los métodos necesariamente.
	La falla 4, por otro lado,
	es una falla más sutil,
	y te lo mostraré aquí.
	La culpa es...que esta programada
	es un aumento repentino en la
	temperatura en el reactor.
	Y esto se compensa con
	el sistema de control incrementando
	el caudal del refrigerante.
	Y puedes ver que
	variable recogida aquí y
	Puedes ver el cambio en
	parcelas de contribución.
	Y luego también puedes ver
	que la mayoría de las demás variables
	no se ven afectados
	por la falla. Se puede ver una
	Aumento de temperatura aquí
	se vuelve a poner rápidamente bajo control
	control. Porque la mayoría de los demás
	Las variables no se ven afectadas, esto
	Es difícil de detectar para algunos
	métodos de control multivariados.
	Y puede ser más
	difícil de diagnosticar.
	La última falla te la mostraré
	es Falla 11.
	Al igual que la falla 4, también implica
	El flujo de refrigerante hacia el
	reactor, excepto que ahora la falla
	Introduce grandes oscilaciones en
	el caudal, que podemos
	ver en el control univariante
	gráfico. Y esto da como resultado un
	fluctuación del reactor
	temperatura. El otro
	Las variables no son realmente
	afectado nuevamente, por lo que esto puede ser
	más difícil de detectar para algunos
	métodos. Algunos multivariados
	Los métodos de control pueden detectar
	Fallo 4, pero no Fallo 11 o
	viceversa. Pero nuestro método era
	Capaz de captar ambos.
	Y luego finalmente, todos los
	ejemplos que creé usando el
	El proceso de Tennessee Eastman tuvo
	fallas que eran evidentes en
	Tanto los gráficos de T cuadrado como los de SPE.
	Mostrar algunas características más nuevas en
	multivariante impulsado por modelos
	gráfico de control, quería mostrar
	Un ejemplo de una falla que
	aparece en el gráfico SPE pero no
	T al cuadrado. Y para encontrar una buena
	Ejemplo de esto, revisité un
	conjunto de datos que Jianfeng Ding
	presentado en su charla anterior, y
	Le proporcioné un enlace a su charla.
	en esta revista.
	En su página de la Comunidad,
	Ella proporciona varios
	ejemplos útiles que son
	También vale la pena echarle un vistazo.
	Este es un conjunto de datos de Cordia
	El artículo clásico de McGregor (?) sobre
	gráficos de control multivariados. El
	Los datos son variables procesadas
	medido en un reactor, produciendo
	polietileno, y lo puedes encontrar
	Más información sobre Jianfeng
	Hablar. En este ejemplo, nosotros
	tiene un proceso que se salió de control
	control. Déjame mostrarte esto.
	Y está fuera de control en...
	antes en el gráfico SPE que en
	la T al cuadrado.
	Y si miramos la media
	contribución
	parcelas para SPE,
	puede
	ver que hay una variable
	con gran aportación y
	También muestra un gran cambio en el
	gráfico de control univariante, pero
	También hay otras variables
	con grandes contribuciones, pero
	que todavía tienen el control en el
	gráficos de control univariados.
	Y es difícil determinarlo a partir de
	Los gráficos de barras solos, ¿por qué estos?
	Las variables tenían una gran
	Contribuciones. Valores altos de SPE
	Sucede cuando los nuevos datos no
	seguir la estructura de correlación
	de los datos históricos, que es
	A menudo ocurre cuando se obtienen nuevos datos
	recogidos, y esto significa que
	El modelo PLS que entrenaste es
	ya no aplica
	A partir de los gráficos de barras, es difícil
	para saber qué par de variables
	tienen su estructura de correlación
	Roto. Tan nuevo en 15.2, tú
	Puede lanzar matrices de diagrama de dispersión.
	Y está claro en el
	matriz de diagrama de dispersión que
	violación de correlaciones
	con Z2 es lo que está impulsando
	estas grandes contribuciones.
	Vale, voy a volver a cambiar.
	a la presentación de PowerPoint.
	Y muy rápido, voy a resumir.
	Las características clave del modelo impulsado
	gráfico de control multivariado que
	se mostraron en la demostración. El
	La plataforma es capaz de
	realizando ambas fallas en línea
	detección y fallos fuera de línea
	diagnóstico. Hay muchos
	métodos proporcionados en la plataforma
	Para perforar hasta la raíz
	Causa de las fallas. Te lo estoy mostrando.
	Aquí algunas tramas de un popular
	libro, Detección de fallos y
	Diagnóstico en Sistemas Industriales.
	A lo largo del libro, los autores
	demostrar cómo es necesario
	utilizar multivariado y univariado
	gráficos de control uno al lado del otro
	Para tener una idea de lo que está pasando
	en un proceso.
	Uno particularmente útil
	característica en multivariante impulsado por modelos
	El gráfico de control es como
	interactivo y fácil de usar
	Se trata de cambiar entre estos
	dos tipos de gráficos.
	Y esa es mi charla. Aquí está
	mi correo electrónico si tienes alguno
	Más preguntas. Y
	Gracias a todos por
	Sintonizado para ver esto.

Modelado estadístico avanzadoAnálisis y modelado de datos básicosInvestigación de mercados y consumidoresAcceso a datosExploración y visualización de datosDiseño de experimentosPersonalización masivaModelado predictivo y aprendizaje automáticoIngeniería de Calidad y ProcesosAnálisis de confiabilidad