使用多元控製圖對田納西伊士曼過程進行故障檢測和診斷 (2021-EU-45MP-782) Jeremy Ash，SAS JMP 分析軟體測試員
模型驅動多元控製圖 (MDMCC) 平台允許使用者基於主成分分析 (PCA) 或偏最小二乘 (PLS) 模型建立控製圖。這些控製圖可用於高維度資料集的故障偵測和診斷。我們透過模擬一個真實的工業化學過程——田納西伊士曼過程，展示了 MDMCC 如何監控 PLS 模型。在模擬過程中，當化學反應器將氣態反應物轉化為液態產物時，會測量質量和製程變數。我們示範了 MDMCC 如何透過將 JMP 連接到外部資料庫進行線上監控。測量產品品質變數通常需要一定的時間才能獲得測量結果，這會大大延遲故障檢測。當 MDMCC 監控 PLS 模型時，會將產品品質變數的變化作為製程變數的函數進行監控。由於過程變數通常更容易獲得，這有助於早期發現故障。我們也演示了離線環境下的故障診斷。這通常涉及在多元控製圖、單變量控製圖和診斷圖之間切換。 MDMCC 提供了一個使用者友善的介面，方便使用者在這些圖表之間切換。
自動產生的成績單...
| 揚聲器 |
抄本 |
| |
你好，我是 Jeremy Ash。我是一名 |
| |
JMP 研發部門的統計員。我的工作 |
| |
主要包括測試 |
| |
多元統計 |
| |
JMP 平台，但我也 |
| |
幫助研究和評估 |
| |
方法論。今天我要 |
| |
分析田納西州 |
| |
Eastman 製程採用一些 |
| |
統計過程控制 |
| |
JMP 中的方法。我將 |
| |
特別注意 |
| |
模型驅動的多元 |
| |
控製圖平台 |
| |
JMP 15 的新增功能。 |
| |
這些數據提供了 |
| |
展示的機會 |
| |
平台數量 |
| |
功能。並且， |
| |
免責聲明，這類似於 |
| |
我的探索美洲演講。我們 |
| |
意識到歐洲還沒看到 |
| |
模型驅動的多變量 |
| |
控製圖討論由於所有 |
| |
新冠疫情導致的瘋狂，所以我 |
| |
決定專注於基礎知識。 |
| |
但有一些新材料 |
| |
在演講結束時。我會 |
| |
簡單介紹一些額外的 |
| |
範例分析，然後我穿上 |
| |
此次演講的社區頁面。 |
| |
首先，我假設你有一些知識 |
| |
統計過程控制 |
| |
在這次演講中。主要內容是 |
| |
了解 |
| |
是控製圖。如果你 |
| |
不熟悉這些，這些 |
| |
圖表用於監控 |
| |
複雜的工業系統 |
| |
確定何時出現偏差 |
| |
從正常運行 |
| |
狀況。 |
| |
我沒有太多時間 |
| |
深入研究模型的方法論 |
| |
驅動的多變量控制 |
| |
圖表，所以我將參考這些其他 |
| |
自由的精彩演講 |
| |
JMP 社群 |
| |
如果你想了解更多細節。我 |
| |
還應該說劍鋒 |
| |
丁是主要 |
| |
模型驅動的開發者 |
| |
多變量控制 |
| |
與...合作繪製 |
| |
克里斯·戈特沃特 (Chris Gotwalt) 和托尼亞 |
| |
莫爾丁和我都是測試員。 |
| |
本次演講的重點是使用 |
| |
多元控製圖 |
| |
監控真實世界 |
| |
典型過程；另一本小說 |
| |
方面將使用控制 |
| |
線上流程圖表 |
| |
監控。這意味著我們將 |
| |
持續監測數據 |
| |
它被添加到資料庫中，並且 |
| |
即時檢測故障。 |
| |
所以我首先要 |
| |
強制幻燈片 |
| |
多變量的優勢 |
| |
控製圖。那為什麼不使用 |
| |
單變量控製圖？ |
| |
有許多優秀的 |
| |
JMP 中的選項。單變數 |
| |
控製圖非常好 |
| |
分析一些工具 |
| |
每次只處理一個變數。然而， |
| |
品質控制數據通常 |
| |
高維度和數量 |
| |
你需要的控製圖 |
| |
看看可以很快成為 |
| |
壓倒性的。多變量的 |
| |
控製圖可以總結 |
| |
高維度過程 |
| |
只需幾張控製圖， |
| |
這是一個關鍵優勢。 |
| |
但這並不是說 |
| |
單變量控製圖不是 |
| |
在這種環境下很有用。你會 |
| |
在整個談話中看到 |
| |
故障診斷通常涉及 |
| |
在多變量之間切換 |
| |
和單變量圖表。 |
| |
多元控製圖給出 |
| |
你對整體的感覺 |
| |
過程的健康狀況，同時 |
| |
單變量圖表可以讓你 |
| |
監測具體方面 |
| |
過程。因此資訊是 |
| |
互補。目標之一 |
| |
監測多變量 |
| |
控製圖提供了一些 |
| |
有用的切換工具 |
| |
這兩種類型之間 |
| |
圖表。 |
| |
單變量圖表是 |
| |
觀察結果似乎 |
| |
控制何時真正 |
| |
多變量失控 |
| |
這些情節顯示我 |
| |
意思是。單變數 |
| |
油和控製圖 |
| |
密度顯示兩個 |
| |
紅色的觀察結果如下 |
| |
控制。然而，石油和密度 |
| |
高度相關，且 |
| |
觀察結果失控。 |
| |
從多變量意義上來說， |
| |
特別是第 51 條意見， |
| |
相當違反相關性 |
| |
兩個變數的結構， |
| |
多元控製圖 |
| |
可以拾取這些類型的 |
| |
異常值，而單變數 |
| |
控製圖則不行。 |
| |
模型驅動的多變量 |
| |
控製圖使用投影 |
| |
建立圖表的方法。 |
| |
我先解釋一下 PCA |
| |
因為它很容易建立 |
| |
從那裡開始。 PCA 減少了 |
| |
過程的維度 |
| |
將數據投射到低 |
| |
維表面。嗯， |
| |
如圖所示 |
| |
在右邊。我們有 P |
| |
過程變數和 N |
| |
觀察結果，以及 |
| |
P 中的載重向量 |
| |
矩陣給出係數 |
| |
我們的 X 的線性組合 |
| |
導致的變數 |
| |
平方變數 |
| |
維度 A，其中維度 |
| |
A 比 P 小得多。然後 |
| |
這在方程式中有所體現 |
| |
左邊是這個。 X 可以 |
| |
預測為 |
| |
分數和載重，其中 E 是 |
| |
預測誤差。 |
| |
這些分數被選來 |
| |
最小化預測誤差， |
| |
換一種思考方式 |
| |
這就是你正在最大化 |
| |
解釋的變異量 |
| |
在 X 矩陣中。 |
| |
那麼 PLS 比較適合 |
| |
投影方法。當你有 |
| |
一組過程變數和一個 |
| |
一組質量變量，你 |
| |
確實想確保 |
| |
質量變數保存在 |
| |
控制，但這些變量 |
| |
通常價格昂貴或耗時 |
| |
收集需要消耗大量能源。該工廠 |
| |
可以生產沒有 |
| |
長期控製品質 |
| |
偵測到故障之前的時間。 |
| |
因此 PLS 模型可以讓你 |
| |
監控您的品質變數 |
| |
作為流程的功能 |
| |
變量，你可以看到 |
| |
PLS 模型找到分數 |
| |
最大化的變數 |
| |
解釋的變異量 |
| |
質量變數。 |
| |
這些過程變數是 |
| |
通常更便宜或更容易 |
| |
因此 PLS 可以為您提供 |
| |
檢測品質缺陷 |
| |
儘早制定流程 |
| |
監控更便宜。從這裡開始 |
| |
我將專注於 PLS |
| |
模型，因為它更 |
| |
適合該範例。 |
| |
因此 PLS 模型可以劃分你的 |
| |
數據分成兩個部分。 |
| |
第一個組件是模型 |
| |
組件。這給了 |
| |
流程的預測值 |
| |
變數。另一種思考方式 |
| |
關於這一點，你的數據有 |
| |
被投射到模型中 |
| |
由你的分數定義的平面 |
| |
變數和 T 平方監視器 |
| |
數據的變化 |
| |
在這個模型飛機內。 |
| |
第二個組成部分是 |
| |
錯誤組件。這是 |
| |
原始距離 |
| |
數據和預測數據以及 |
| |
平方預測誤差（SPE） |
| |
圖表監控這種變化。 |
| |
我們的另一個替代指標 |
| |
提供到模型的距離 |
| |
X 平面或 DModX。這只是 |
| |
SPE 的標準化替代方案 |
| |
有些人比較喜歡。 |
| |
最後一個概念是 |
| |
重要的是要理解 |
| |
demo 的差別在於 |
| |
歷史和當前數據。 |
| |
歷史數據通常 |
| |
當過程被收集時 |
| |
已知處於控制之中。這些 |
| |
數據用於建構 PLS |
| |
模型並定義正常 |
| |
過程變化，以便 |
| |
即可得到控制限。 |
| |
並且當前資料被分配 |
| |
根據模型得分，但 |
| |
與模型無關。 |
| |
另一種思考方式 |
| |
我們有培訓， |
| |
測試集。 T平方控制 |
| |
訓練的限制較低 |
| |
數據，因為我們期望較少 |
| |
各種變化... |
| |
用於訓練的觀察結果 |
| |
模型，而有更大的 |
| |
當 P 平方改變時 |
| |
此模型推廣至 E 檢驗 |
| |
設定。幸運的是，理論 |
| |
T 平方的變異數為 |
| |
已經制定好了，所以我們可以 |
| |
這些控制限度是基於 |
| |
一些分佈假設。 |
| |
在演示中將會監控 |
| |
田納西伊士曼工藝。 |
| |
我將介紹一個簡短的 |
| |
這些數據的介紹。這 |
| |
是對化學物質的模擬 |
| |
Downs 開發的流程 |
| |
伊士曼的兩位化學家 Vogel |
| |
化學。它最初 |
| |
用 Fortran 編寫，但 |
| |
是 Matlab 的包裝器， |
| |
現在開始使用 Python。我只是想說明一下 |
| |
雖然這個數據集 |
| |
產生於 90 年代，至今仍 |
| |
主要數據集之一 |
| |
用於基準多變量 |
| |
控制方法 |
| |
文獻。它涵蓋了 |
| |
多元函數的主要任務 |
| |
控制得很好，而且 |
| |
數量驚人 |
| |
模擬中的真實感。 |
| |
並且模擬基於 |
| |
工業流程 |
| |
至今仍然適用。 |
| |
所以數據被操縱了 |
| |
保護專有 |
| |
資訊.模擬 |
| |
過程是生產 |
| |
兩種液體產品 |
| |
氣態反應物 |
| |
化工廠。 F 是 |
| |
副產品 |
| |
需要抽取 |
| |
遠離所需產品。 |
| |
嗯，還有… |
| |
關於這一點，我要說的就這些。 |
| |
因此流程圖看起來 |
| |
複雜，但實際上並不複雜 |
| |
太糟糕了，所以我會陪你 |
| |
透過它。氣態 |
| |
反應物 A、D 和 E 流入 |
| |
這裡的反應爐。 |
| |
反應發生， |
| |
產品以氣體形式離開。 |
| |
然後冷卻並凝結成 |
| |
冷凝器中的液體。 |
| |
然後是汽液分離器 |
| |
回收任何剩餘的蒸汽和 |
| |
將其送回反應爐 |
| |
通過壓縮機， |
| |
副產品和惰性化學物質B |
| |
在吹掃流中被吹掃， |
| |
這是為了防止任何 |
| |
積累。液體產物 |
| |
透過汽提塔泵送， |
| |
其餘反應物 |
| |
被剝去。 |
| |
然後送回反應爐。 |
| |
最後， |
| |
純化液體產品 |
| |
退出該進程。 |
| |
第一組變數是 |
| |
被監控的是被操縱的 |
| |
變數。這些看起來像弓 |
| |
圖中的關係。我認為 |
| |
它們實際上應該是 |
| |
閥門和操縱 |
| |
過程...或被操縱 |
| |
變數主要控制 |
| |
透過不同的流量 |
| |
流程的流程。 |
| |
這些變數可以設定 |
| |
限制範圍內的任何值， |
| |
有一些高斯噪聲。 |
| |
操縱變數能夠 |
| |
以速率進行採樣， |
| |
但我們使用預設的 3 |
| |
分鐘樣本現在。 |
| |
一些被操縱的例子 |
| |
變數是 |
| |
控制反應物的流動 |
| |
進入反應爐。 |
| |
另一個例子是閥門 |
| |
控制流量 |
| |
蒸汽進入汽提塔。 |
| |
另一個是閥門 |
| |
控製冷卻液流量 |
| |
進入反應爐。 |
| |
下一組變數是 |
| |
測量變數。這些是 |
| |
如圖中圓圈所示。 |
| |
他們還在三個 |
| |
分鐘間隔。 |
| |
操縱之間的差異 |
| |
變數和測量 |
| |
變數是 |
| |
測量變數不能 |
| |
在模擬中進行操縱。 |
| |
我們的品質變數將是 |
| |
百分比組成 |
| |
兩種液體產品，你 |
| |
可以看到分析儀 |
| |
在這裡測量產品。 |
| |
這些變數是用 |
| |
相當長的時間延遲，所以 |
| |
我們正在考慮清除 |
| |
流而不是出口 |
| |
流，因為這些數據 |
| |
更早可用。並將使用 |
| |
一個用於監控過程的 PLS 模型 |
| |
變數作為這些的代理 |
| |
變量，因為過程 |
| |
變數延遲較少， |
| |
影響更快的取樣率。 |
| |
所以這就足夠了 |
| |
數據背景。在 |
| |
總共有 33 個進程 |
| |
變數和兩個質量 |
| |
變數。 |
| |
收集變數是 |
| |
用一組模擬 |
| |
微分方程。這 |
| |
只是一個模擬，但正如你 |
| |
可以看到相當多的 |
| |
精心設計了模型 |
| |
經過現實世界的過程。這裡 |
| |
這是我正在進行的演示的概述 |
| |
即將向您展示。我們將收集 |
| |
我們處理和儲存的數據 |
| |
這些數據儲存在資料庫中。 |
| |
我想舉一個例子 |
| |
很容易分享，所以我會 |
| |
使用 SQLite 資料庫，但是 |
| |
工作流程與大多數 |
| |
由於大多數資料庫 |
| |
支援ODBC連線。 |
| |
一旦 JMP 形成 ODBC |
| |
與資料庫的連接， |
| |
JMP 可以定期檢查 |
| |
新的觀察結果並將其添加到 |
| |
一個數據表。 |
| |
如果我們有一個模型驅動 |
| |
多元控製圖 |
| |
報告自動打開 |
| |
重新計算開啟後，我們有一個 |
| |
更新機制 |
| |
隨著新數據的出現，控製圖 |
| |
在整個過程中 |
| |
向資料庫新增數據 |
| |
可能會單獨進行 |
| |
計算機從計算機 |
| |
那就是進行監控。所以 |
| |
我打開了兩個 JMP 會話 |
| |
來模擬這一點。兩個會議 |
| |
有自己的日記 |
| |
在材料中 |
| |
社區和會議 |
| |
新增新的模擬數據 |
| |
資料庫將被稱為 |
| |
串流媒體會話和 |
| |
會議更新報告 |
| |
隨著新數據的到來 |
| |
稱為監測會議。 |
| |
我非常喜歡的一件事 |
| |
Downs 和 Vogel 的論文 |
| |
他們沒有提供 |
| |
單一指標來評估 |
| |
控制過程。我有 |
| |
此處引用了報紙上的一段話 |
| |
“我們認為 |
| |
在可能的控制中 |
| |
策略和技巧 |
| |
涉及的遠不止 |
| |
數學表達式。 」 |
| |
以下是一些目標 |
| |
他們在論文中列出了 |
| |
與我們相關的 |
| |
問題。他們想維持 |
| |
流程變數 |
| |
期望值。他們希望 |
| |
盡量減少產品的變異性 |
| |
幹擾期間的質量，以及 |
| |
他們希望盡快康復 |
| |
並順利擺脫幹擾。 |
| |
因此，我們將看到我們的 |
| |
流程實現了這些目標 |
| |
透過我們的監測方法。 |
| |
因此，首先 |
| |
監控會話日誌，我會 |
| |
向您展示我們的第一個資料集。 |
| |
數據表包含 |
| |
我引入的變數 |
| |
更早。第一個變數是 |
| |
測量變數； |
| |
第二是構圖。 |
| |
第三是 |
| |
操縱變數。 |
| |
上面的腳本適合 |
| |
PLS 模型。它排除了 |
| |
最後 100 行作為測試集。 |
| |
提醒一下， |
| |
該模型預測 2 |
| |
產品成分 |
| |
變數作為函數 |
| |
過程變數。如果 |
| |
你有 JMP Pro， |
| |
已經有一些速度 |
| |
PLS 的改進 |
| |
在 JMP 16 中。 |
| |
PLS 現在有一個 |
| |
快速 SVD 選項。 |
| |
您可以切換到 |
| |
經典紅色 |
| |
三角形菜單。有 |
| |
也有一些 |
| |
性能改進 |
| |
在引擎蓋下。 |
| |
與資料集最相關 |
| |
有大量的 |
| |
觀察，但那是 |
| |
在多變量中很常見 |
| |
過程監控設定。 |
| |
但 PLS 並不是 |
| |
談話，所以我已經適應了 |
| |
模型和輸出分數列 |
| |
您可以在這裡看到它們。 |
| |
顯示器 |
| |
多元控製圖是 |
| |
按照這樣的設計， |
| |
假設你是統計學家 |
| |
你想分享你的模型 |
| |
和工程師一起，這樣他們就可以 |
| |
建構控製圖。所有 |
| |
你需要做的就是提供 |
| |
包含這些公式的資料表 |
| |
列。您無需共享 |
| |
所有血腥的細節 |
| |
適合你的模型。 |
| |
接下來我會提供分數 |
| |
監視器列 |
| |
多元控製圖。 |
| |
將其拖至此處右側。 |
| |
左邊你可以看到 |
| 兩種類型的控製圖 |
這 |
| |
T 平方和 SPE。 |
| |
嗯，有 860 個觀察值 |
| |
用於估計 |
| |
模型，這些被標記為 |
| |
歷史。然後是一百 |
| |
被排除在測試集之外 |
| |
是您目前的數據。 |
| |
你可以在極限中看到 |
| |
摘要，點數 |
| |
失控了， |
| |
顯著水準。嗯，如果你 |
| |
想要改變意義 |
| |
級別，你可以在這裡做 |
| |
紅色三角形菜單。 |
| |
因為反應爐處於正常狀態 |
| |
經營狀況，我們預計 |
| |
沒有觀察到 |
| |
控制，但我們有一些錯誤的 |
| |
這裡的優點是因為我們 |
| |
尚未做出任何調整 |
| |
多重比較。這是 |
| |
在我看來，這樣做並不常見 |
| |
可以判斷，在多變量 |
| |
控製圖。我想你 |
| |
有更高的能力來檢測 |
| |
控制訊號，無需 |
| |
校正。在控制圖中 |
| |
行話，這意味著你出局了 |
| |
控制。平均運行長度 |
| |
保持低位。 |
| |
所以在右邊我們 |
| |
也有貢獻 |
| |
圖和 Y 軸上的 |
| |
觀察結果；在 X |
| |
軸，變數。 A |
| |
貢獻表達 |
| |
作為一部分。 |
| |
然後在底部 |
| |
我們有得分圖。對的 |
| |
現在我正在策劃第一個 |
| |
分數維度與 |
| |
第二個分數維度，但是 |
| |
你可以看看任何 |
| |
分數組合 |
| |
使用此尺寸 |
| |
下拉式選單或箭頭 |
| |
按鈕。 |
| |
好的，我認為我們已經 |
| |
報告。我要 |
| |
現在切換到 |
| |
我用來直播的腳本 |
| |
資料存入資料庫 |
| |
該報告正在監測中。 |
| |
為了做任何事 |
| |
例如，你需要有一個 |
| |
已安裝 SQLite ODBC 驅動程式 |
| |
適用於您的計算機。這更容易 |
| |
在 Windows 電腦上執行的操作 |
| |
這是你經常使用的 |
| |
當實際連接到 |
| |
資料庫. Mac 上的進程 |
| |
更加複雜，但我把一些 |
| |
關於社區的說明 |
| |
頁面。然後我就沒時間了 |
| |
談論這個，但我 |
| |
建立了 SQLite 資料庫 |
| |
我將在 JMP 中使用 |
| |
計劃發布一些說明 |
| |
如何做到這一點 |
| |
社區網頁。希望 |
| |
這個例子對你有幫助 |
| |
如果你嘗試這樣做 |
| |
數據由您自己決定。 |
| |
接下來我要展示 |
| |
你我放的文件 |
| |
在 SQLite 資料庫中。 |
| |
這裡有歷史數據。 |
| |
這被用來構建 |
| |
PLS 模型。共有 960 |
| |
觀察結果 |
| |
控制。然後我有 |
| |
監測數據，首先 |
| |
只包含歷史 |
| |
數據，但我會逐步添加新的 |
| |
數據。這是數據 |
| |
多變量控制 |
| |
圖表將被監控。 |
| |
然後我模擬了新的 |
| |
數據並將其添加到 |
| |
數據表。這些是 |
| |
另外 960 次測量 |
| |
故障發生的位置 |
| |
某個時間點。我想 |
| |
有一些容易 |
| |
分享，所以我不會跑 |
| |
我的模擬腳本並添加到 |
| |
資料庫.我們 |
| |
只是去觀察一下 |
| |
從這個新的數據表和 |
| |
將它們移至監控 |
| |
使用一些 JSL 的數據表和 |
| |
SQL 語句。這只是一個 |
| |
模擬該過程的範例 |
| |
新數據進入 |
| |
資料庫.不知何故，你可能不會 |
| |
實際上是用 JMP 來實現的，但是 |
| |
這是一個展示的機會 |
| |
如何使用 JSL 來實現。 |
| |
把這裡打掃乾淨。 |
| |
接下來我會為你展示這個 |
| |
流腳本。這是一個 |
| |
簡單的腳本，所以我要 |
| |
快速引導您完成整個過程。 |
| |
第一組 |
| |
命令將打開 |
| |
新的數據表和 |
| |
它在 SQLite 資料庫中， |
| |
所以它打開了表格 |
| |
背景，這樣我就不用 |
| |
處理視窗。 |
| |
然後我要把碎片 |
| |
從該數據表中新增 |
| |
監測數據 |
| |
桌子。我把這些碎片稱為 |
| |
份，每份大小為 20。 |
| |
然後下一個命令將 |
| |
連接到資料庫。這 |
| |
允許我發送 |
| |
資料庫 SQL 語句。 |
| |
接下來是 |
| |
代碼是 |
| |
迭代發送 SQL |
| |
插入新語句 |
| |
數據納入監測數據。 |
| |
我要 |
| |
初始化 K 並向您展示 |
| |
這是第一次迭代。 |
| |
這是一個簡單的 SQL 語句， |
| |
插入語句 |
| |
插入前 20 個 |
| |
觀察數據 |
| |
表。此列印語句是 |
| |
註解掉，以便程式碼 |
| |
跑得更快，然後我也 |
| |
等待語句來減緩 |
| |
稍微放下一些東西， |
| |
我們可以看到他們的進步 |
| |
在控製圖中。 |
| |
這會太快 |
| |
如果我沒有放慢速度的話。 |
| |
嗯，接下來我要移動 |
| |
轉到監控會議 |
| |
向你展示腳本 |
| |
這將更新報告 |
| |
隨著新數據的進入。 |
| |
第一個腳本很簡單 |
| |
腳本。這將檢查 |
| |
資料庫每 0.2 秒 |
| |
新的觀察結果並添加 |
| |
到 JMP 表。由於 |
| |
報告有自動重新計算功能 |
| |
開啟後，報告將會更新 |
| |
每當有新資料新增時。並且 |
| |
我應該補充一下 |
| |
現實地， |
| |
你可能不會使用 |
| |
腳本只是像 |
| |
這個。你可能會使用任務 |
| |
Windows 中的排程器或 |
| |
Mac 上的 Automator 可以更好地 |
| |
安排腳本的運行。 |
| |
還有另一個 |
| |
腳本 |
| |
將報告推送至 JMP Public |
| |
每當報告更新時， |
| |
我真的很興奮 |
| |
使用 JMP 15 可以實現這一點。 |
| |
它使任何具有 |
| |
使用網頁瀏覽器查看更新 |
| |
控製圖。然後你 |
| |
甚至可以查看報告 |
| |
你的智慧型手機 |
| |
分享真的很容易 |
| |
跨組織的結果。 |
| |
您也可以使用 JMP Live |
| |
如果你希望報告 |
| |
處於受限伺服器。 |
| |
我沒有時間 |
| |
深入探討這個問題 |
| |
演示，但你可以看看 |
| |
我的探索美洲演講。 |
| |
最後到了這裡， |
| |
重新創建 |
| |
數據中的歷史數據 |
| |
如果你想運行 |
| |
多次舉例。 |
| |
好的，接下來...確保 |
| |
我們有歷史數據... |
| |
我要運行 |
| |
串流腳本並查看 |
| |
報告如何更新。 |
| |
因此數據在 |
| |
首先，然後是故障 |
| |
介紹，但有一個 |
| |
全廠控制系統 |
| |
這是在 |
| |
模擬，你可以看到 |
| |
控制系統如何 |
| |
最終帶來過程 |
| |
達到新的平衡。 |
| |
等待它在這裡完成。 |
| |
如果我們放大， |
| |
看起來像是過程首先 |
| |
失去了控制 |
| |
時間點，所以我要 |
| |
給它上色， |
| |
給它貼上標籤，但它會 |
| |
出現在其他地塊。 |
| |
然後在 SPE 圖中， |
| |
看起來像這樣 |
| |
觀察也超出 |
| |
控制，但只是輕微的控制。 |
| |
然後如果我們放大 |
| |
時間點 |
| |
貢獻圖，你可以 |
| |
看到有很多 |
| |
變數 |
| |
失控訊號 |
| |
首先。但是一旦 |
| |
進程達到新的 |
| |
平衡，只有 |
| |
兩位主要捐助者。 |
| |
所以我要把熱量除去 |
| |
現在對地圖進行一點清理。 |
| |
您可以將滑鼠懸停在 |
| |
這個過程 |
| |
首先失控了 |
| |
看看前十名 |
| |
貢獻變數。這 |
| |
非常適合給你 |
| |
快速概覽哪些變數 |
| |
對 |
| |
失控信號。 |
| |
然後如果我點擊情節， |
| |
這將被附加到 |
| |
故障診斷部分。 |
| |
正如你所見， |
| |
幾個變數很大 |
| |
貢獻並剛剛排序 |
| |
的貢獻。 |
| |
對於變數 |
| |
紅色條形的觀察結果是 |
| |
單變數失控 |
| |
控製圖。你可以看到 |
| |
透過將滑鼠懸停在其中一個 |
| |
長條圖和這些圖形 |
| |
是紅外線圖表 |
| |
個體變數 |
| |
三西格瑪控制限度。 |
| |
你可以在脫衣舞孃中看到 |
| |
壓力變數 |
| |
觀察超出 |
| |
控制，但最終 |
| |
進程重新回到 |
| |
控制。情況就是這樣 |
| |
對於另一個頂部 |
| |
貢獻者。我還會展示 |
| |
你是變數之一 |
| |
我們能控制的地方 |
| |
單變量控製圖。 |
| |
所以這個過程是... |
| |
有很多變數 |
| |
過程中的控制 |
| |
開始的時候，但是 |
| |
過程最終達到 |
| |
一個新的平衡。 |
| |
一... |
| |
要查看變數 |
| |
對轉變貢獻最大 |
| |
過程中，我們可以使用平均值 |
| |
貢獻比例圖。 |
| |
這些圖顯示了平均 |
| |
變數的貢獻 |
| |
必須為組別進行 T 平方 |
| |
我已經選好了。嗯，如果我 |
| |
對這些進行排序。 |
| |
僅有的兩個變數 |
| |
大額捐款衡量 |
| |
反應物 A 的流速 |
| |
流一，即 |
| |
將此反應物送入反應器。 |
| |
這兩個變數都是 |
| |
本質上測量 |
| |
相同，除了一個 |
| |
測量...一個是 |
| |
測量變數和 |
| |
另一個是被操縱的 |
| |
多變的。 |
| |
你可以看到 |
| |
流量發生巨大變化 |
| |
速率，這是我編程的 |
| |
在模擬中。所以這些 |
| |
貢獻圖可以讓你 |
| |
迅速找出根本原因。 |
| |
在我之前的演講中 |
| |
展示了許多其他方法 |
| |
可視化和診斷故障 |
| |
使用分數圖中的工具。 |
| |
這包括繪製 |
| |
得分圖上的負荷和 |
| |
做一些群體比較。 |
| |
你可以看看我的發現 |
| |
美洲關於 JMP 的討論 |
| |
社區就是這樣。相反，我 |
| |
剩下的時間 |
| |
介紹一些新的 |
| |
我把這些例子放在 |
| |
本次演講的社群頁面。 |
| |
所以。 |
| |
有 20 個可編程故障 |
| |
在田納西伊士曼工藝中 |
| |
並且可以在任何 |
| |
組合。我提供了另外兩個 |
| |
代表性斷層。斷層 |
| |
我之前展示的是 |
| |
很容易檢測，因為 |
| |
控制訊號如此之大 |
| |
還有很多變數 |
| |
參與。重點關注 |
| |
之前的演示是為了展示如何 |
| |
使用工具並識別。 |
| |
大量故障 |
| |
變數而不是基準 |
| |
方法必然。 |
| |
另一方面，故障 4 |
| |
是一個更微妙的錯誤， |
| |
我會在這裡向你展示。 |
| |
錯誤在於…這是程式設定的 |
| |
突然增加 |
| |
反應爐內的溫度。 |
| |
而這可以透過 |
| |
控制系統透過增加 |
| |
冷卻劑的流速。 |
| |
你可以看到 |
| |
變數在這裡拾取， |
| |
你可以看到 |
| |
貢獻圖。 |
| |
然後你還可以看到 |
| |
大多數其他變數 |
| |
不受影響 |
| |
故障。你可以看到 |
| |
這裡的溫度飆升 |
| |
很快就恢復了 |
| |
控制。因為大多數其他 |
| |
變數不受影響，這 |
| |
對某些人來說很難檢測 |
| |
多變量控制方法。 |
| |
而且它可以更多 |
| |
很難診斷。 |
| |
我要告訴你最後一個錯誤 |
| |
是故障 11。 |
| |
與故障 4 類似，它也涉及 |
| |
冷卻劑流入 |
| |
反應堆，除了現在的故障 |
| |
引入大的振盪 |
| |
流速，我們可以 |
| |
參見單變量控制 |
| |
圖表。這會導致 |
| |
反應器波動 |
| |
溫度。另一個 |
| |
變數其實並不是 |
| |
再次受到影響，因此這可能是 |
| |
對某些人來說更難檢測 |
| |
方法。一些多變數 |
| |
控制方法可以 |
| |
故障 4，但不包括故障 11 或 |
| |
反之亦然。但我們的方法是 |
| |
能夠同時掌握兩者。 |
| |
最後，所有的 |
| |
我使用 |
| |
田納西伊士曼工藝 |
| |
明顯的錯誤 |
| |
T 平方和 SPE 圖。 |
| |
展示一些新功能 |
| |
模型驅動的多變量 |
| |
控製圖，我想展示 |
| |
錯誤範例 |
| |
出現在 SPE 圖表中，但沒有 |
| |
T平方。並找到一個好的 |
| |
例如，我重新審視了一個 |
| |
data set which Jianfeng Ding |
| |
在她之前的演講中提到過， |
| |
我提供了她演講的鏈接 |
| |
在這本期刊中。 |
| |
在她的社群頁面上， |
| |
她提供了幾個 |
| |
有用的例子 |
| |
也值得一看。 |
| |
這是來自 Cordia 的資料集 |
| |
麥格雷戈的經典論文 |
| |
多元控製圖。 |
| |
資料是處理變數 |
| |
在反應器中測量，產生 |
| |
聚乙烯，你可以找到 |
| |
更多關於 Jianfeng 的背景 |
| |
談話。在這個例子中，我們 |
| |
有一個過程超出 |
| |
控制。讓我給你示範一下。 |
| |
而且它已經失控了… |
| |
在 SPE 圖表中比 |
| |
T平方。 |
| |
如果我們看看平均值 |
| |
貢獻 |
| |
SPE 圖， |
| |
你可以 |
| |
看到有一個變數 |
| |
貢獻大， |
| |
也顯示出 |
| |
單變量控製圖，但 |
| |
還有其他變數 |
| |
貢獻巨大，但是 |
| |
仍在控制 |
| |
單變量控製圖。 |
| |
很難確定 |
| |
單憑長條圖，為什麼這些 |
| |
變數很大 |
| |
貢獻。大的SPE值 |
| |
當新數據沒有 |
| |
遵循相關結構 |
| |
歷史數據，即 |
| |
通常情況下，當新數據 |
| |
收集，這意味著 |
| |
您訓練的 PLS 模型是 |
| |
不再適用。 |
| |
從長條圖來看，很難 |
| |
知道哪對變數 |
| |
有其相關結構 |
| |
壞了。所以在 15.2 中，你 |
| |
可以啟動散點圖矩陣。 |
| |
很明顯 |
| |
散點圖矩陣 |
| |
違反相關性 |
| |
Z2 的驅動力 |
| |
這些巨大的貢獻。 |
| |
好的，我要換回來 |
| |
到 PowerPoint。 |
| |
我會快速總結一下 |
| |
模型驅動的主要特點 |
| |
多元控製圖 |
| |
在演示中進行了展示。 |
| |
平台能夠 |
| |
同時執行線上故障 |
| |
檢測及離線故障 |
| |
診斷。有很多 |
| |
平台提供的方法 |
| |
深入根部 |
| |
故障的原因。我向你展示 |
| |
以下是一些流行的 |
| |
書，故障檢測和 |
| |
工業系統診斷。 |
| |
在整本書中，作者 |
| |
展示一個人需要如何 |
| |
使用多變量和單變量 |
| |
並排控制圖 |
| |
了解正在發生的事情 |
| |
在一個過程中。 |
| |
一個特別有用的 |
| |
模型驅動的多元函數中的特徵 |
| |
控制圖是如何 |
| |
互動性強，使用者友好 |
| |
就是在這些之間切換 |
| |
兩種類型的圖表。 |
| |
這就是我的演講。 |
| |
如果你有的話，可以寄email給我 |
| |
進一步的問題。以及 |
| |
感謝大家 |
| |
已開啟頻道觀看此節目。 |
進階統計建模基礎資料分析與建模消費者與市場研究資料存取數據探索與視覺化實驗設計大規模客製化預測模型和機器學習品質與工藝工程可靠度分析
