Exponentiell Gewichtet Gleitender Durchschnitt (Ewma) Control Charts Für Monitoring An Analytical Prozess

Typische Prozessleittechniken Das zugrundeliegende Konzept der statistischen Prozesskontrolle basiert auf einem Vergleich des heutigen Geschehens mit dem, was bisher geschah. Wir nehmen einen Schnappschuss davon, wie der Prozess typischerweise ein Modell ausführt oder aufbaut, wie wir denken, dass der Prozess durchführt und Steuergrenzen für die erwarteten Messungen der Ausgabe des Prozesses berechnet. Dann sammeln wir Daten aus dem Prozess und vergleichen die Daten mit den Kontrollgrenzen. Die meisten Messungen sollten innerhalb der Grenzwerte liegen. Messungen, die außerhalb der Kontrollgrenzen liegen, werden untersucht, um zu sehen, ob sie zu der gleichen Population gehören wie unsere ursprüngliche Momentaufnahme oder das Modell. Anders ausgedrückt verwenden wir historische Daten, um die anfänglichen Kontrollgrenzen zu berechnen. Dann werden die Daten mit diesen Anfangsgrenzen verglichen. Punkte, die außerhalb der Grenzen liegen, werden untersucht, und vielleicht werden einige später verworfen. Wenn ja, würden die Grenzen neu berechnet und der Vorgang wiederholt. Dies wird als Phase I bezeichnet. Die Echtzeit-Prozessüberwachung unter Verwendung der Grenzen von dem Ende der Phase I ist Phase II. Statistische Qualitätskontrolle (SQC) Werkzeuge der statistischen Qualitätskontrolle Mehrere Techniken können verwendet werden, um das Produkt auf Fehler oder defekte Stücke zu untersuchen, nachdem alle Verarbeitung abgeschlossen ist. Typische Werkzeuge von SQC (beschrieben in Abschnitt 2) sind: Losannahme-Stichprobenpläne Skip Losentnahmepläne Militär (MIL) Standard-Stichprobenpläne Grundlegende Konzepte der statistischen Qualitätskontrolle Der Zweck der statistischen Qualitätskontrolle ist es, kostengünstig sicherzustellen, dass Das Produkt geliefert, um Kunden erfüllt ihre Spezifikationen. Inspektion jedes Produkt ist teuer und ineffizient, aber die Konsequenzen des Versandes nicht konforme Produkt kann signifikant in Bezug auf Kunden Unzufriedenheit sein. Statistische Qualitätskontrolle ist der Prozess der Inspektion genug Produkt aus bestimmten Losen zu probabilistisch sicherzustellen, eine bestimmte Qualität level. PLS-basierte EWMA-Fehler-Erkennung Strategie für die Prozessüberwachung Fouzi Harrou a. Mohamed N. Nounou a ,. Hazem N. Nounou b. Muddu Madakyaru a. Ein Chemieingenieur-Programm, Texas AampM Universität in Katar, Doha, Qatar b Elektrische und Informatik-Programm, Texas AampM Universität in Katar, Doha, Katar erhielt 1. Dezember 2014. Überarbeitet 20. Mai 2015. Akzeptiert 20. Mai 2015. Verfügbar online 22. Mai 2015 Highlights PLS-basierte EWMA-Fehlererkennungsstrategie entwickelt. Das EWMA-Schema wird eingeführt, um die Nachteile der herkömmlichen PLS zu überwinden. Das entwickelte Schema erweitert den Vorteil von EWMA, wenn kleine Störungen von Interesse sind. Beispiele zeigen die Wirksamkeit des entwickelten PLS-basierten EWMA-Fehlerdetektionsverfahrens. Fehlererkennung (FD) und Diagnose in industriellen Prozessen sind unerlässlich, um die Prozesssicherheit zu gewährleisten und die Produktqualität zu erhalten. Partielle kleinste Fehlerquadrate (PLS) wurden erfolgreich bei der Prozessüberwachung eingesetzt, da sie effektiv mit hochkorrelierten Prozessvariablen umgehen können. Jedoch sind die herkömmlichen PLS-basierten Detektionsmetriken, wie die Hotellings T 2 und die Q-Statistiken schlecht geeignet, kleine Fehler zu detektieren, da sie nur Informationen aus den jüngsten Beobachtungen verwenden. Andere univariate statistische Monitoring-Methoden, wie die exponentiell gewichtete gleitende Durchschnitt (EWMA) - Steuerung Schema, hat bessere Möglichkeiten, um kleine Fehler zu erkennen. EWMA kann jedoch nur zur Überwachung einzelner Variablen verwendet werden. Daher ist das Hauptziel dieser Arbeit, die Vorteile der univariaten EWMA - und PLS-Methoden zu kombinieren, um ihre Leistungen zu verbessern und ihre Anwendbarkeit in der Praxis zu erweitern. Die Leistung des vorgeschlagenen PLS-basierten EWMA-FD-Verfahrens wurde mit dem des herkömmlichen PLS-FD-Verfahrens durch zwei simulierte Beispiele verglichen, eines mit synthetischen Daten und das andere unter Verwendung simulierter Destillationskolumnendaten. Die Simulationsergebnisse zeigen deutlich die Wirksamkeit des vorgeschlagenen Verfahrens gegenüber dem herkömmlichen PLS, insbesondere in Gegenwart von Fehlern mit kleinen Größenordnungen. Teilweise kleinste Fehlerquadrate Statistische Fehlererkennung Kleine Fehler Datenbasierte Fehlererkennung EWMA-Regelschema Destillationskolonnen Tabelle 2. Abb. Fig. Fig. Fig. Fig. Fig. Fig. Fig. Fig. Fig. Fig. Fig. Tabelle 3. Fig. Fig. Fig. Fig. Fig. Fig. Fig. Fig. 21. Copyright 2015 Elsevier Ltd. Alle Rechte vorbehalten.