#real-time #moving-average #process-control #surveillance #spc
#в реальном времени #скользящая средняя #управление процессом #наблюдение #spc
Вопрос:
Привет, я собрал некоторые данные процесса за 3 года, и я хочу имитировать перспективный анализ EWMA, чтобы увидеть, будет ли мой установленный параметр сглаживания обнаруживать все важные изменения (без слишком большого количества ложных тревог).
Похоже, что большинство учебников и литературы, которые я просмотрел, используют среднее и стандартное отклонение для вычисления контрольных пределов. Обычно это «контролируемое» среднее и стандартное отклонение от некоторых исторических данных или среднее и sd генеральной совокупности, из которой взяты выборки. У меня нет никакой информации.
Есть ли другой способ рассчитать контрольные пределы?
Существует ли вариант графика EWMA, который не использует среднее и стандартное отклонение?
Есть творческие идеи?
Заранее благодарю
Комментарии:
1. Чтобы убедиться, что я это понимаю: вы могли бы вычислить среднее значение EWMA и дисперсию, но у вас нет базовой линии для их сравнения? Мне кажется, что у вас есть контролируемая техника (которая предполагает, что вы можете определить, как она «должна» выглядеть), но вам нужна неконтролируемая техника (которая ищет только различия, не называя одно состояние «хорошим», а другое «плохим»). Для неконтролируемых методов на ум приходит кластеризация, но ее нужно будет изменить, чтобы применить к временным рядам. Как насчет обобщенного коэффициента правдоподобия (GLR)?
2. Если мы обратимся к en.wikipedia.org/wiki/EWMA_chart , я могу вычислить Zi для моей заданной лямбды, но когда дело доходит до контрольных пределов, у меня нет исторических данных для вычисления T и S. Спасибо, я изучу GLR, а также опубликую сообщение о перекрестной проверке.
3. Кроме того, это, вероятно, следует перейти к перекрестной проверке: stats.stackexchange.com
4. Да, T и S — это среднее и стандартное отклонение базового распределения, которое либо задается априори, либо определяется из обучающего набора данных. Обучающий набор данных представляет, как «должны» выглядеть данные, следовательно, это контролируемый метод, и вам нужен неконтролируемый метод. GLR не имеет экспоненциального взвешивания, но он динамически находит разрыв в данных между двумя различными распределениями и объединяет данные с каждой стороны разрыва, чтобы получить более надежные результаты. Это может быть то, что вы хотите.
Ответ №1:
С практической / операционной точки зрения, использование статистического анализа только исторических данных встречается редко. Да, это дает некоторые рекомендации о том, как выполняется процесс (и его система управления), однако, безусловно, самое важное — иметь хорошее понимание и знание «технических ограничений».
Я имею в виду эксплуатационные пределы, которые определяются спецификациями и эксплуатационными характеристиками различных единиц оборудования. Это позволяет получить хорошее представление о том, как должен вести себя процесс (с точки зрения оптимальной рабочей точки и верхних / нижних пределов управления) и где находятся области наибольшего отклонения от оптимального. Это имеет очень мало общего со статистическим анализом исторических данных и в значительной степени связано с технологическим процессом / металлургией — в зависимости от типа процесса, с которым вы имеете дело.
Пределы контроля в конечном итоге определяются исходя из ПОЖЕЛАНИЙ менеджера процесса / инженера-технолога, которые обычно (но не всегда) находятся в пределах паспортной мощности оборудования.
Если вы работаете в рамках операционных ограничений и занимаетесь оптимизацией процессов, то да, статистический анализ используется более широко и может дать хорошее представление. В зависимости от изменчивости вашего процесса, от того, насколько хорошо настроена ваша система управления, и от однородности вашего исходного продукта, выбранные верхние/ нижние пределы контроля будут различаться. Хорошей отправной точкой является оптимальная рабочая точка (например, 100 м3 / час), затем используйте разумный объем исторических данных для вычисления стандартного отклонения и сделайте свой верхний предел 100 1 стандартным dev, а нижний предел 100 — 1 стандартным dev. Это ни в коем случае не «жесткое и быстрое» правило, но это разумная отправная точка.