Niveau: Mittelstufe
Die Model-Based Multivariate Control Chart (MDMVCC)-Plattform erstellt Regelkarten basierend auf Hauptkomponentenanalyse (PCA) und PLS-Modellen. Dieses Kontrolldiagramm kann zur Fehlererkennung und -diagnose in mehrdimensionalen Daten verwendet werden. Hier demonstrieren wir die Überwachung durch MDMVCC basierend auf dem PLS-Modell unter Verwendung des Tennessee-Eastman-Prozesses (ein simulierter chemischer Industrieprozess). Diese Simulation misst Qualität und Prozessvariablen, während ein chemischer Reaktor aus gasförmigen Reaktanten ein flüssiges Produkt erzeugt.
Führen Sie zunächst eine Fehlerdiagnose im Offline-Zustand durch. In diesem Fall müssen Sie abwechselnd auf multivariate Regelkarten, univariate Regelkarten und Prozessdiagnoseberichte zurückgreifen, was mit der MDMVCC-Plattform sehr einfach möglich ist. Als Nächstes verbinden wir JMP mit einer externen Datenbank und demonstrieren die Online-Überwachung mit der MDMVCC-Plattform. Da es eine Zeitverzögerung gibt, bis alle Messergebnisse für Produktqualitätsgrößen vorliegen, verzögert sich in der Regel auch die Fehlererkennung. Bei MDMVCC, das auf einem PLS-Modell basiert, wird die Variation von Qualitätsvariablen als Funktion von Prozessvariablen überwacht, die im Allgemeinen relativ leicht verfügbar und daher für die Früherkennung von Fehlern nützlich sind.
Jeremy Ash hat einen Abschluss in Bioinformatik von der North Carolina State University und arbeitet derzeit als Analysesoftwaretester bei JMP. In meiner Dissertation habe ich über Computermethoden in der Chemoinformatik, Chemometrie und Bioinformatik geschrieben. Er besitzt außerdem einen Master-Abschluss in Statistik der North Carolina State University und einen Bachelor-Abschluss in Biologie der University of Texas in Austin.
