WO2017114984A1 - Método de análisis de datos de procesos industriales - Google Patents

Método de análisis de datos de procesos industriales Download PDF

Info

Publication number
WO2017114984A1
WO2017114984A1 PCT/ES2015/070970 ES2015070970W WO2017114984A1 WO 2017114984 A1 WO2017114984 A1 WO 2017114984A1 ES 2015070970 W ES2015070970 W ES 2015070970W WO 2017114984 A1 WO2017114984 A1 WO 2017114984A1
Authority
WO
WIPO (PCT)
Prior art keywords
matrix
data
variable data
statistical parameter
variables
Prior art date
Application number
PCT/ES2015/070970
Other languages
English (en)
French (fr)
Inventor
Charles Andres HERNANDEZ MARTINEZ
Original Assignee
Appliedit S.L.
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Appliedit S.L. filed Critical Appliedit S.L.
Priority to PCT/ES2015/070970 priority Critical patent/WO2017114984A1/es
Publication of WO2017114984A1 publication Critical patent/WO2017114984A1/es

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user

Definitions

  • the present invention belongs in general to the field of industry, and more particularly to the field of industrial process analysis.
  • the object of the invention is a new method of data analysis designed to find non-random patterns in large data sets of industrial process variables based on statistical and visual representation tools.
  • physicochemical variables can be variables related to distances (length, width, thickness, diameter %), variables related to surface quality (surface roughness), optical variables (reflectivity), temperature, variable exchange rates , etc., as well as the tolerances of any of them. It is assumed that these variables encode all relevant information related to process performance. When the result of the process, or parts thereof, is not within certain quality limits, a thorough analysis of the process variables must be performed to find and resolve the reason for the quality decline.
  • the process analysis involves the search for correlations or non-random patterns between the variables that define the process.
  • a process can be characterized by tens, or even hundreds, of variables.
  • the total production capacity of the process can amount to thousands of pieces daily. The amount of data is huge.
  • the present invention is a method of finding non-random patterns in large data sets of process variables.
  • the method is based on a combination of technical knowledge and statistical methods to guide production / business decisions in real time.
  • the data of the process variables are first analyzed by means of statistical tools and then displayed in such a way that non-random patterns are visually evident to a human operator.
  • the process variables involved in these non-random patterns are thus quickly identified and subsequently analyzed in detail to predict the future behavior of the process.
  • the result is that knowledge about the process is obtained without the need for experts in statistics or engineering, which allows more people to analyze vast data sets to identify patterns, correlations, key indicators, and ultimately Causes of process failures.
  • process refers to a set of tasks that are carried out to take a piece from an initial state to an final state.
  • An example of a process can be a production line in an automobile parts manufacturing industry, a chemical process to produce sulfuric acid in a chemical production plant, or a physical-chemical process to purify wastewater in a wastewater treatment plant. waters
  • a piece refers to any element manufactured, transformed, assembled, or in general, whose physical or chemical characteristics are modified as it progresses throughout the process.
  • a piece can be a steering column manufactured in the previous production line, the sulfuric acid produced in the previous chemical production plant, or the purified water in the previous water treatment plant.
  • a task refers to each individual action to which the pieces are subjected during the process.
  • a task can be the sub-process carried out in each individual station or machine within the production line of the steering column, or each individual sub-process carried out at the chemical production plant or the water treatment plant.
  • an example process includes two tasks called task (A) and task (B).
  • the method of the present invention comprises the following steps:
  • Process variables are stored in all types of industry. As mentioned above, in case the final product of the process does not meet the quality requirements, this data is retrieved and analyzed to look for process defects that cause the final product to be defective. In the parts manufacturing industries, these data sets also allow the manufacturer to know the traceability of each part whenever there is a complaint from the customer. In any case, companies in the industry field store huge data sets of process variables that contain a lot of information but are almost never analyzed together to look for non-random patterns that can allow a consistent improvement of the quality parameters of the process. Final product.
  • the data sets of process variables may include physical parameters that characterize the status of the product at each step of a process and / or that characterize the execution of each individual task within a process.
  • process variable data may include parameters that characterize each part as it progresses along a production line and / or parameters that characterize the task carried out. out at each manufacturing station or machine within the production line.
  • the type of variables analyzed is irrelevant in the context of the present invention. Any non-random pattern between any two process variables will be visually evident to a human operator, and combinations of variables that have no relationship will be easily discarded.
  • the statistical parameter (R ⁇ ) is a regression coefficient (R 2 and), such as the coefficient of determination.
  • the regression coefficient (R 2 y) allows to find pairs of process variables that have a linear correlation.
  • the conversion described in this step can be carried out in any way provided there is a unique correlation in which a single brightness value (Ty) is assigned to each value of the statistical parameter (Ry).
  • the brightness values (Ty) of an electronic display are usually set as an integer ranging from a minimum value to a maximum value (usually 1 and 255, respectively).
  • the minimum value corresponds to a minimum brightness value
  • the maximum value corresponds to a maximum brightness value.
  • most of the values of the statistical parameters (Ry) that encode the accuracy of a correlation between two variables also range between a minimum and a maximum value (for example, the regression coefficient (R 2 and) typically ranges from 0 and ⁇ 1).
  • a linear correlation can be used in which the minimum value of the statistical parameter (Ry) is assigned a minimum brightness value (Ty) and the maximum value of the statistical parameter (Ry) is assigned a brightness value ( Ty) maximum.
  • the conversion of the values of the regression coefficients (R 2 y) into brightness values ( Ty) is carried out according to a linear correlation where a brightness value (Ty) of 255 is assigned the regression coefficients (R 2 y) of value ⁇ 1 and a brightness value (Ty) of 0 to the regression coefficients (R 2 y) of value 0.
  • a non-linear correlation could also be used.
  • Non-linear correlations allow different weights to be assigned to different parts of the entire range of variation of the statistical parameter (Ry). For example, a type of correlation could be used that assigns brightness values (T ⁇ ) very high to 20% higher than the values of the statistical parameter (Ry) and brightness values (T ⁇ ) very low to 80% remaining This correlation would specifically highlight this higher 20% of the values of the statistical parameter (Ry) that potentially indicates a real non-random relationship between two process variables, while hiding the remaining 80% of the values of the statistical parameter (R ⁇ j) indicating that there is no useful relationship between these pairs of variables.
  • the term “brightness” encompasses not only the type of brightness described above, but in general any other visual characteristic whose change is easily detectable by the human operator.
  • the color tone could be used, so that the elements that have a high brightness correspond to elements of a light color tone, while the elements that have a low brightness correspond to elements in a dark color tone .
  • shades of gray could also be used.
  • the result of this final step is a matrix (M) of pxq elements where the brightness of each element (My) is related to the value of the statistical parameter (Ry) of the specific combination of variables (A ⁇ ; Bj) corresponding to said element (My). That is, bright (My) elements of the matrix (M) correspond to high values of the statistical parameter (Ry), while dark (My) elements of the matrix (M) correspond to low values of the statistical parameter (Ry). Therefore, when the matrix (M) is displayed on a screen, a human operator can easily identify the brightest (My) elements that potentially indicate that there is a non-random pattern between the combination of variables (A ⁇ ; Bj) corresponding to said elements (My). The human operator can then focus his attention on this specific combination of variables to deepen the investigation.
  • a preferred embodiment of the invention further comprises the step of, when selecting a specific element (My) from the process characteristic matrix (M), to display a graph (G ij ) of the complete correlation data that correspond to the combination of specific variables (A ⁇ ; Bj) that corresponds to said element (My) of the matrix.
  • the elements (My) of the matrix corresponding to positive regression coefficients (R 2 y) are shown in a first color and the elements (My) of the matrix that correspond to negative regression coefficients (R 2 and) are shown in a second color.
  • the first and second colors can be red and blue. The human operator can thus easily distinguish between positive linear correlations and negative linear correlations.
  • each element (My) of the process characteristic matrix (M) is a pixel.
  • Another preferred embodiment of the invention comprises the step of showing a plurality of process characteristic matrices (M n ) corresponding to a plurality of process variable data sets (A n ⁇ ; B n j) corresponding to a plurality of periods of time (n) as a movie in motion, where each frame of the movie in motion is a characteristic process matrix (M n ) corresponding to each period of time (n).
  • M n process characteristic matrix
  • the present invention can be carried out by means of any processor device capable of executing the described method, such as for example a computer, a smartphone or a tablet.
  • Said processing device may comprise at least one processing element, a data entry element, and a data display element.
  • the term "computer” should be construed as referring in general to any suitable processor device.
  • the present invention may be in the form of a computer program comprising instructions for causing a computer to execute the method described above.
  • the computer program may be in the form of source code, object code, or an intermediate form between source code and object code, such as in a partially compiled form, or in any other form suitable to cause a computer to execute the method of the invention.
  • the computer program may be arranged in a carrier.
  • the carrier can be any entity capable of storing or transmitting the program. For example, when the program is incorporated into a signal to be transmitted through a cable or any other physical medium, the carrier may be said physical medium.
  • the carrier may also be the signal itself, such as an electrical or optical signal suitable for transmission by a cable, air, or by any other means.
  • the carrier can also be an integrated circuit having the program stored therein such that the integrated circuit causes the method of the invention to be executed.
  • the carrier may comprise a storage medium, such as a ROM, a RAM, a CD-ROM, a semiconductor ROM, or any magnetic or optical storage media, such as a flexible disk or a hard disk.
  • Fig. 1 shows a diagram of a process comprising two tasks and two tables containing the relevant variable data corresponding to those tasks.
  • Fig. 2 shows an array of regression graphs that correspond to each combination of variables.
  • Fig. 3 shows a real industrial example of a characteristic process matrix with 123 x 123 elements.
  • Fig. 4 shows a regression graph corresponding to a specific element of the characteristic process matrix of Fig. 3.
  • Fig. 5 shows a moving film characteristic of the process corresponding to the actual industrial example shown in Fig. 3. PREFERRED EMBODIMENT OF THE INVENTION
  • process variables (A ⁇ , Bj) are obtained directly from a Programmable Logic Controller (PLC) connected to the machine in question and subsequently stored in an SQL server. Therefore, this database contains two tables where, for each part, process variables A1, A2, A3 and B1, B2, B3 are stored. These tables can be generated automatically daily and contain data corresponding to hundreds or thousands of pieces.
  • PLC Programmable Logic Controller
  • a set of process variables (A ⁇ , Bj) is obtained in a period of time.
  • the period of time may be a full day, a shift, or any period of time of interest to the operator.
  • the number of pieces manufactured in the selected period of time can be very high but, for simplicity, in the present example only data corresponding to five pieces are considered.
  • the information is shown in the following tables (see also Fig. 1).
  • a statistical parameter (Ry) is calculated that encodes a correlation relationship between pairs of variable data (A ⁇ ; Bj) for each combination of said variable data (A ⁇ ; Bj) obtained.
  • the regression coefficient (R 2 y) is selected as the statistical parameter (Ry).
  • Fig. 2 shows nine regression graphs corresponding to each combination of variables where the axis of abscissa corresponds to the variables of task A and the axis of ordinates corresponds to the variables of task B. Each point of the graph corresponds to one piece, and the dashed straight line represented is the regression line.
  • the absolute value of the regression coefficient (IR 2 ⁇ jl) is shown above each graph. For simplicity, in the present description the sign has been omitted.
  • the nine graphs are shown here as a 3x3 matrix.
  • said regression coefficients (R 2 and) calculated into brightness values (Ty) of an electronic display are converted.
  • the brightness values (T ⁇ ) range from 0 (not illuminated) to 255 (maximum illumination). Since the regression coefficients (R 2 and) range between 0 and 1 (they are not considered coefficients (negative regression R3 ⁇ 4 in this example), this conversion is carried out simply by multiplying the value of each regression coefficient (R3 ⁇ 4 by 255.
  • the result is a characteristic process matrix (M) where the value of each element corresponds to a brightness value (Ty).
  • each element (My) has a brightness value (T ⁇ j) corresponding to the value of the statistical parameter (Ry) of each variable data pair (A ⁇ ; Bj).
  • T ⁇ j brightness value
  • Ry statistical parameter
  • the bright elements of the matrix (M) are shown in dark color, while the more muted elements of the matrix (M) are shown in a light color. Since color and brightness cannot be represented in this document, a grayscale is used in the following representation of the matrix (M).
  • Elements (M ⁇ j) that correspond to combinations of process variables (A ⁇ ; Bj) with a non-random pattern (that is, those combinations that have a regression coefficient (R 2 and) close to 1) are shown in a color close to black, while the elements that correspond to combinations of process variables (My) that have a random pattern (that is, those combinations that have a regression coefficient (R 2 and) close to 0) are shown in A color close to white.
  • the human operator can easily identify the dark elements (My) of the matrix (M) that indicate a combination of variables that potentially identifies a cause of process failure.
  • each element (My) of the matrix can be shown in different shapes and sizes.
  • elements (My) can have a rounded or square shape that contains a plurality of pixels with the corresponding brightness value (T ⁇ ).
  • each element can correspond to a single pixel that has the corresponding brightness value (Ty).
  • the regression coefficient (R 2 and) can adopt both positive and negative values, not only the brightness of the elements but also the color of the elements can be used. elements to allow the human operator to easily identify those elements (M) that correspond to regression coefficient values (R3 ⁇ 4 positive and those elements (M) that correspond to regression coefficient values (R3 ⁇ 4 negative. For example, the elements with coefficient of Regression (R3 ⁇ 4 positive can be shown in blue, while items with regression coefficient (R3 ⁇ 4 negative can be shown in red. This possibility is not shown in the figures of this document.
  • M characteristic process matrix
  • the human operator can easily see a pattern relative to where the most related combinations of variables (A ⁇ ; Bj) are located and act accordingly. Clicking on a specific element (My) in the matrix (M) shows the complete regression graph.
  • Fig. 5 shows an example of "motion film process characteristic".
  • the term "motion film” refers to a sequence of images (and not a support medium).
  • the motion characteristic process film is obtained by performing the above steps for a plurality of data sets corresponding to successive time periods (n).
  • these four process characteristic matrices (M n ) can be shown as a moving film where each individual process characteristic matrix (M n ) is a frame.
  • bright elements (M n ⁇ j) of the matrix may appear or change location, allowing the human operator to identify not only which elements (M n ⁇ j) are correlated, but also the specific moment at which they appeared This relationship and how it developed.

Abstract

La invención describe un método de análisis de datos para encontrar patrones no aleatorios en conjuntos de datos de variables de proceso, que comprende los siguientes pasos: obtener un conjunto de datos de variables de proceso (A¡; Bj) en un período de tiempo; calcular, para cada combinación de dichos datos de variables (A¡; Bj) obtenidos, un parámetro estadístico (R¡j) que codifica una relación de correlación entre dicho par de datos de variables (A¡; Bj); convertir dichos valores del parámetro estadístico (R¡j) calculados en valores de brillo (T¡j) de una pantalla electrónica; y mostrar una matriz característica de proceso (M) donde cada elemento (M¡j) tiene un valor de brillo (T¡j) que corresponde al valor del parámetro estadístico (R¡j) de cada par de datos de variables (A¡; Bj), lo que permite a un operador humano reconocer visualmente patrones no aleatorios en los datos de variables (A¡; Bj).

Description

DESCRIPCIÓN
Método de análisis de datos de procesos industriales OBJETO DE LA INVENCIÓN
La presente invención pertenece en general al campo de la industria, y más particularmente al campo del análisis de los procesos industriales.
El objeto de la invención es un nuevo método de análisis de datos diseñado para encontrar patrones no aleatorios en grandes conjuntos de datos de variables de procesos industriales basándose en herramientas estadísticas y de representación visual.
ANTECEDENTES DE LA INVENCIÓN
Muchos procesos industriales, tales como la fabricación de piezas o los procesos químicos, están definidos por una serie de variables físico-químicas. Ejemplos de tales variables físico- químicas pueden ser variables relativas a distancias (longitud, anchura, grosor, diámetro...), variables relativas a la calidad superficial (rugosidad superficial), variables ópticas (reflectividad), temperatura, tasas de cambio de variables, etc., así como las tolerancias de cualquiera de ellas. Se supone que estas variables codifican toda la información relevante relativa al rendimiento del proceso. Cuando el resultado del proceso, o partes del mismo, no está dentro de ciertos límites de calidad, se debe realizar un análisis concienzudo de las variables del proceso para encontrar y resolver el motivo de la caída de la calidad.
Esto no siempre resulta fácil. El análisis del proceso implica la búsqueda de correlaciones o patrones no aleatorios entre las variables que definen el proceso. Sin embargo, un proceso puede estar caracterizado por decenas, o incluso cientos, de variables. Además, en el caso específico de la fabricación de piezas, la capacidad de producción total del proceso puede ascender a miles de piezas diarias. La cantidad de datos es enorme.
Aunque el análisis de procesos en este campo normalmente se lleva a cabo utilizando funciones de análisis estadísticas tales como el análisis de correlación, regresión y variancia, el número de combinaciones de variables es con frecuencia tan alto que resulta muy improbable que un operador humano encuentre patrones no aleatorios útiles que indiquen un defecto en el proceso. Como consecuencia, estos enormes conjuntos de datos normalmente se analizan sólo cuando surgen problemas específicos y una gran cantidad de la información escondida en estos conjuntos de datos frecuentemente permanece inutilizada.
RESUMEN DE LA INVENCIÓN
La presente invención es un método para encontrar patrones no aleatorios en grandes conjuntos de datos de variables de proceso. El método está basado en una combinación de conocimiento técnico y métodos estadísticos para guiar las decisiones de producción/negocio en tiempo real. Los datos de las variables de proceso primero se analizan por medio de herramientas estadísticas y luego se muestran de tal modo que los patrones no aleatorios resultan visualmente evidentes para un operador humano. Las variables de proceso implicadas en estos patrones no aleatorios son así rápidamente identificadas y posteriormente se analizan con detalle para predecir el comportamiento futuro del proceso. El resultado es que se obtiene conocimiento acerca del proceso sin la necesidad de recurrir a expertos en estadística o ingeniería, lo que permite a un mayor número de gente analizar vastos conjuntos de datos para identificar patrones, correlaciones, indicadores clave, y en última instancia las causas de los fallos del proceso.
En el presente documento, el término "proceso" hace referencia a un conjunto de tareas que se llevan a cabo para llevar una pieza desde un estado inicial hasta un estado final. Un ejemplo de proceso puede ser una línea de producción en una industria de fabricación de partes de automóviles, un proceso químico para producir ácido sulfúrico en una planta de producción química, o un proceso físico-químico para purificar aguas residuales en una planta de tratamiento de aguas.
En el presente documento, el término "pieza" hace referencia a cualquier elemento fabricado, transformado, ensamblado, o en general, cuyas características físicas o químicas se ven modificadas a medida que avanza a lo largo del proceso. En los ejemplos anteriores, una pieza puede ser una columna de dirección fabricada en la línea de producción anterior, el ácido sulfúrico producido en la planta de producción química anterior, o el agua purificada en la planta de tratamiento de aguas anterior.
En el presente documento, el término "tarea" hace referencia a cada acción individual a la que son sometidas las piezas durante el proceso. Siguiendo con los ejemplos anteriores, una tarea puede ser el sub-proceso llevado a cabo en cada estación individual o máquina dentro de la línea de producción de la columna de dirección, o cada sub-proceso individual llevado a cabo en la planta de producción química o la planta de tratamiento de aguas.
En el presente documento, un ejemplo de proceso comprende dos tareas denominadas tarea (A) y tarea (B). A su vez, cada tarea (A; B) está respectivamente definida por varias variables (A¡; Bj), donde i=1 ... p y j=1 ... q.
El método de la presente invención comprende los siguientes pasos:
1) Obtener un conjunto de datos de variables de proceso (A¡; Bj) en un período de tiempo.
En todos los tipos de industria se almacenan datos de variables de proceso. Como se ha mencionado anteriormente, en caso de que el producto final del proceso no cumpla con los requisitos de calidad, estos datos se recuperan y se analizan para buscar los defectos del proceso que provocan que el producto final sea defectuoso. En las industrias de fabricación de piezas, estos conjuntos de datos también permiten al fabricante conocer la trazabilidad de cada pieza siempre que hay una queja por parte del cliente. En cualquier caso, las compañías en el campo de la industria almacenan enormes conjuntos de datos de variables de proceso que contienen mucha información pero que casi nunca se analizan en conjunto para buscar patrones no aleatorios que puedan permitir una mejora consistente de los parámetros de calidad del producto final.
Los conjuntos de datos de variables de proceso pueden incluir parámetros físicos que caracterizan el estado del producto en cada paso de un proceso y/o que caracterizan la ejecución de cada tarea individual dentro de un proceso. Por ejemplo, en el caso de una industria de fabricación de piezas, los datos de variables de proceso pueden incluir parámetros que caracterizan cada pieza a medida que ésta avanza a lo largo de una línea de producción y/o parámetros que caracterizan la tarea llevada a cabo en cada estación de fabricación o máquina dentro de la línea de producción. En cualquier caso, el tipo de variables analizadas es irrelevante en el contexto de la presente invención. Cualquier patrón no aleatorio entre cualesquiera dos variables del proceso será visualmente evidente para un operador humano, y las combinaciones de variables que no tengan ninguna relación se descartarán fácilmente.
2) Calcular, para cada combinación de dichos datos de variables (A¡; Bj) obtenidas, un parámetro estadístico (R¡¡) que codifica una relación de correlación entre dicho par de datos de variables (Ai; Bj). De acuerdo con una realización preferida de la presente invención, el parámetro estadístico (Ry) es un coeficiente de regresión (R2y), tal como el coeficiente de determinación. El coeficiente de regresión (R2y) permite encontrar pares de variables de proceso que presentan una correlación lineal.
Sin embargo, la invención no está limitada en este aspecto. En este paso podría emplearse cualquier parámetro estadístico (Ry) capaz de identificar cualquier tipo de patrón no aleatorio entre variables del proceso, ya sea una correlación lineal o una correlación no lineal.
3) Convertir dichos valores de parámetro estadístico calculados (Ry) en valores de brillo (Ty) de una pantalla electrónica.
En principio, la conversión descrita en este paso puede llevarse a cabo de cualquier modo siempre que exista una correlación unívoca en la que a cada valor del parámetro estadístico (Ry) se asigna un único valor de brillo (Ty).
Los valores de brillo (Ty) de una pantalla electrónica normalmente están configurados como un entero que oscila entre un valor mínimo y un valor máximo (normalmente 1 y 255, respectivamente). El valor mínimo corresponde a un valor de brillo mínimo, mientras que el valor máximo corresponde a un valor de brillo máximo. Similarmente, la mayoría de los valores de los parámetros estadísticos (Ry) que codifican la precisión de una correlación entre dos variables también oscilan entre un valor mínimo y un valor máximo (por ejemplo, el coeficiente de regresión (R2y) típicamente oscila entre 0 y ±1).
Por tanto, se puede utilizar una correlación lineal en la que al mínimo valor del parámetro estadístico (Ry) se le asigna un valor de brillo (Ty) mínimo y al máximo valor del parámetro estadístico (Ry) se le asigna un valor de brillo (Ty) máximo. Por ejemplo, en una realización preferida de la invención específicamente dirigida al uso del coeficiente de regresión (R2y) como parámetro estadístico (Ry), la conversión de los valores de los coeficientes de regresión (R2y) en valores de brillo (Ty) se lleva a cabo de acuerdo con una correlación lineal donde se asigna un valor de brillo (Ty) de 255 los coeficientes de regresión (R2y) de valor ±1 y se asigna un valor de brillo (Ty) de 0 a los coeficientes de regresión (R2y) de valor 0. Es más, también se podría utilizar una correlación no lineal. Las correlaciones no lineales permiten asignar diferentes pesos a diferentes partes de todo el rango de variación del parámetro estadístico (Ry). Por ejemplo, se podría emplear un tipo de correlación que asigne valores de brillo (T¡¡) muy altos al 20% más alto de los valores del parámetro estadístico (Ry) y valores de brillo (T¡¡) muy bajos al 80% restante. Esta correlación resaltaría específicamente este 20% más alto de los valores del parámetro estadístico (Ry) que potencialmente indica una relación no aleatoria real entre dos variables de proceso, al mismo tiempo que escondería el restante 80% de los valores del parámetro estadístico (R¡j) que indican que no existe ninguna relación útil entre esos pares de variables.
En este contexto, nótese que el término "brillo" abarca no sólo el tipo de brillo descrito anteriormente, sino en general cualquier otra característica visual cuyo cambio sea fácilmente detectable por el operador humano. Por ejemplo, se podría utilizar el tono del color, de tal modo que los elementos que tienen un brillo alto corresponden a elementos de un tono claro de color, mientras que los elementos que tienen un brillo bajo corresponden a elementos en un tono oscuro de color. Como se muestra más adelante en este documento, también se podrían utilizar tonos de gris.
Nótese también que no es necesario asignar valores de brillo altos a valores del parámetro estadístico (Ry) altos. Sería igualmente válido asignar valores de brillo bajo a valores del parámetro estadístico (Ry) altos y viceversa.
4) Mostrar una matriz característica de proceso (M) donde cada elemento (My) tiene un valor de brillo (T¡¡) que corresponde al valor del parámetro estadístico (Ry) de cada par de datos de variables (A¡; Bj), lo que permite a un operador humano reconocer visualmente patrones no aleatorios en los datos de variables (A¡; Bj).
El resultado de este paso final es una matriz (M) de p x q elementos donde el brillo de cada elemento (My) está relacionado con el valor del parámetro estadístico (Ry) de la combinación de variables (A¡; Bj) específica que corresponde a dicho elemento (My). Es decir, elementos (My) brillantes de la matriz (M) corresponden a valores altos del parámetro estadístico (Ry), mientras que elementos (My) oscuros de la matriz (M) corresponden a valores bajos del parámetro estadístico (Ry). Por tanto, cuando la matriz (M) se muestra sobre una pantalla, un operador humano puede identificar fácilmente los elementos (My) más brillantes que indican potencialmente que hay un patrón no aleatorio entre la combinación de variables (A¡; Bj) que corresponde a dichos elementos (My). El operador humano puede entonces centrar su atención en dicha combinación de variables específica para profundizar en la investigación.
En este contexto, una realización preferida de la invención comprende además el paso de, cuando se selecciona un elemento (My) específico de la matriz característica del proceso (M), mostrar una gráfica (Gij) de los datos de la correlación completa que corresponden a la combinación de variables (A¡; Bj) específica que corresponde a dicho elemento (My) de la matriz.
En otra realización preferida de la invención específicamente dirigida al uso del coeficiente de regresión (R2y) como parámetro estadístico (Ry), los elementos (My) de la matriz que corresponden a coeficientes de regresión (R2y) positivos se muestran en un primer color y los elementos (My) de la matriz que corresponden a coeficientes de regresión (R2y) negativos se muestran en un segundo color. Por ejemplo, el primer y segundo colores pueden ser rojo y azul. El operador humano puede así distinguir fácilmente entre correlaciones lineales positivas y correlaciones lineales negativas.
Además, los elementos (My) de la matriz pueden tener diferentes formas y tamaños. Sin embargo, en una realización preferida de la invención, cada elemento (My) de la matriz característica del proceso (M) es un pixel.
Otra realización preferida de la invención comprende el paso de mostrar una pluralidad de matrices características de proceso (Mn) correspondientes a una pluralidad de conjuntos de datos de variables de proceso (An¡; Bnj) correspondientes a una pluralidad de períodos de tiempo (n) como una película en movimiento, donde cada fotograma de la película en movimiento es una matriz característica de proceso (Mn) correspondiente a cada período de tiempo (n). Esta película permite que el operador humano vea el momento en que dichos potenciales patrones no aleatorios aparecen en el proceso y su evolución con el tiempo.
La presente invención puede ser llevada a cabo por medio de cualquier dispositivo procesador capaz de ejecutar el método descrito, tal como por ejemplo un ordenador, un teléfono inteligente o una tableta. Dicho dispositivo procesador puede comprender al menos un elemento de procesamiento, un elemento de introducción de datos, y un elemento de visualización de datos. En el contexto de la presente invención, el término "ordenador" debe interpretarse como referente en general a cualquier dispositivo procesador adecuado. La presente invención puede estar en la forma de un programa de ordenador que comprende instrucciones para hacer que un ordenador ejecute el método descrito anteriormente. El programa de ordenador puede estar en la forma de código fuente, código objeto, o una forma intermedia entre código fuente y código objeto, tal como en una forma parcialmente compilada, o en cualquier otra forma adecuada para hacer que un ordenador ejecute el método de la invención.
El programa de ordenador puede estar dispuesto en una portadora. La portadora puede ser cualquier entidad capaz de almacenar o transmitir el programa. Por ejemplo, cuando el programa está incorporado en una señal para ser transmitida a través de un cable o cualquier otro medio físico, la portadora puede ser dicho medio físico. La portadora también puede ser la propia señal, tal como una señal eléctrica u óptica adecuada para ser transmitida por un cable, el aire, o por cualquier otro medio. La portadora también puede ser un circuito integrado que tiene el programa almacenado en el mismo de tal modo que el circuito integrado provoca la ejecución del método de la invención. Además, la portadora puede comprender un medio de almacenamiento, tal como un ROM, una RAM, un CD-ROM, un ROM de semiconductor, o cualquier medio de almacenamiento magnético u óptico, tal como un disco flexible o un disco duro.
BREVE DESCRIPCIÓN DE LOS DIBUJOS
La Fig. 1 muestra un diagrama de un proceso que comprende dos tareas y dos tablas que contienen los datos de variable relevantes correspondientes a dichas tareas.
La Fig. 2 muestra una matriz de gráficas de regresión que corresponden a cada combinación de variables.
La Fig. 3 muestra un ejemplo industrial real de una matriz característica de proceso con 123 x 123 elementos.
La Fig. 4 muestra un gráfico de regresión que corresponde a un elemento específico de la matriz característica de proceso de la Fig. 3.
La Fig. 5 muestra una película en movimiento característica de proceso que corresponde al ejemplo industrial real mostrado en la Fig. 3. REALIZACIÓN PREFERIDA DE LA INVENCIÓN
Se muestra a continuación un ejemplo simplificado de la presente invención haciendo referencia a las figuras adjuntas. En este ejemplo específico, se considerará un ejemplo de proceso perteneciente al campo de la fabricación de piezas que comprende dos tareas (A, B), donde cada una de estas tareas está definida respectivamente por los datos de la variable de proceso (A¡), donde i=1 , 2, 3 (es decir, p=3), y los datos de la variable de proceso (Bj), donde j=1 , 2, 3 (es decir, q=3). Sin embargo, nótese que la presente invención es aplicable a cualquier clase de proceso definido por cualquier número de variables de proceso.
Los datos de variables de proceso (A¡, Bj) se obtienen directamente de un Controlador Lógico Programable (PLC) conectado a la máquina en cuestión y posteriormente se almacenan en un servidor SQL. Por tanto, la presente base de datos contiene dos tablas donde, para cada pieza, se almacenan las variables de proceso A1 , A2, A3 y B1 , B2, B3. Estas tablas pueden generarse automáticamente a diario y contienen datos correspondientes a cientos o miles de piezas.
De acuerdo con el método de la invención, se obtiene un conjunto de variables de proceso (A¡, Bj) en un período de tiempo. El período de tiempo puede ser un día completo, un turno, o cualquier período de tiempo de interés para el operador. El número de piezas fabricadas en el período de tiempo seleccionado puede ser muy alto pero, por simplicidad, en el presente ejemplo sólo se consideran datos correspondientes a cinco piezas. La información se muestra en las siguientes tablas (véase también la Fig. 1).
Tabla correspondiente a la tarea A:
Figure imgf000010_0001
Tabla correspondiente a la tarea B:
Figure imgf000011_0001
Una vez se han obtenido los datos, se calcula un parámetro estadístico (Ry) que codifica una relación de correlación entre pares de datos de variables (A¡; Bj) para cada combinación de dichos datos de variables (A¡; Bj) obtenidos. En el presente ejemplo, se selecciona el coeficiente de regresión (R2y) como parámetro estadístico (Ry). La Fig. 2 muestra nueve gráficas de regresión que corresponden a cada combinación de variables donde el eje de abscisas corresponde a las variables de la tarea A y el eje de ordenadas corresponde a las variables de la tarea B. Cada punto de la gráfica corresponde a una pieza, y la línea recta discontinua representada es la línea de regresión. Encima de cada gráfica se muestra el valor absoluto del coeficiente de regresión (IR2¡jl). Por simplicidad, en la presente descripción se ha omitido el signo. Las nueve gráficas se muestran aquí como una matriz 3x3.
La matriz P siguiente muestra el valor absoluto de los nueve coeficientes de regresión (IR2¡jl):
P =
Figure imgf000011_0002
A continuación, se convierten dichos coeficientes de regresión (R2y) calculados en valores de brillo (Ty) de una pantalla electrónica. Los valores de brillo (T¡¡) oscilan desde 0 (no iluminado) a 255 (iluminación máxima). Como los coeficientes de regresión (R2y) oscilan entre 0 y 1 (no se consideran coeficientes (R¾ de regresión negativos en este ejemplo), esta conversión se lleva a cabo simplemente multiplicando el valor de cada coeficiente de regresión (R¾ por 255. El resultado es una matriz característica de proceso (M) donde el valor de cada elemento corresponde a un valor de brillo (Ty).
Figure imgf000011_0003
B1 1 ,4128 255,0000 19,3182
B2 56,2027 18,0241 1 ,5473
B3 128,6845 3,7979 156, 1224
Por último, se muestra la matriz característica del proceso (M), donde cada elemento (My) tiene un valor de brillo (T¡j) que corresponde al valor del parámetro estadístico (Ry) de cada par de datos de variables (A¡; Bj). Para representar visualmente esto en el presente documento, los elementos brillantes de la matriz (M) se muestran en color oscuro, mientras que los elementos más apagados de la matriz (M) se muestran en un color claro. Como en el presente documento no se puede representar el color ni el brillo, en la siguiente representación de la matriz (M) se utiliza una escala de grises. Los elementos (M¡j) que corresponden a combinaciones de variables de proceso (A¡; Bj) con un patrón no aleatorio (es decir, aquellas combinaciones que tienen un coeficiente de regresión (R2y) cercano a 1) se muestran en un color cercano al negro, mientras que los elementos que corresponden a combinaciones de variables de proceso (My) que tienen un patrón aleatorio (es decir, aquellas combinaciones que tienen un coeficiente de regresión (R2y) cercano a 0) se muestran en un color cercano al blanco.
M =
Figure imgf000012_0001
En esta matriz, el operador humano puede identificar fácilmente los elementos oscuros (My) de la matriz (M) que indican una combinación de variables que potencialmente identifica una causa de fallo en el proceso.
Nótese que cada elemento (My) de la matriz puede mostrarse con diferentes formas y tamaños. Por ejemplo, los elementos (My) pueden tener una forma redondeada o cuadrada que contiene una pluralidad de píxeles con el valor de brillo (T¡¡) correspondiente. Alternativamente, cada elemento puede corresponder a un único píxel que tiene el valor de brillo (Ty) correspondiente.
Además, como el coeficiente de regresión (R2y) puede adoptar valores tanto positivos como negativos, puede utilizarse no sólo el brillo de los elementos sino también el color de los elementos para permitir al operador humano identificar fácilmente aquellos elementos (M ) que corresponden a valores del coeficiente de regresión (R¾ positivos y aquellos elementos (M ) que corresponden a valores del coeficiente de regresión (R¾ negativos. Por ejemplo, los elementos con coeficiente de regresión (R¾ positive pueden mostrarse en color azul, mientras que los elementos con coeficiente de regresión (R¾ negativo pueden mostrarse en color rojo. Esta posibilidad no se muestra en las figuras del presente documento.
La Fig. 3 muestra un ejemplo industrial real de una matriz característica de proceso (M) que tiene 123 x 123 = 15129 elementos. El operador humano puede ver fácilmente un patrón relativo a dónde se encuentran las combinaciones de variables (A¡; Bj)más relacionadas y actuar en consecuencia. Haciendo clic sobre un elemento (My) específico en la matriz (M), se muestra la gráfica de regresión completa. La Fig. 4 muestra la gráfica de regresión completa correspondiente a una combinación de variables brillante específica sobre la que el operador ha hecho clic en la matriz (M). Obviamente, este gráfico de regresión confirma que existe una buena correlación lineal entre estas dos variables: R2=0,77.
Por último, la Fig. 5 muestra un ejemplo de "película en movimiento característica de proceso". En este contexto, el término "película en movimiento" hace referencia a una secuencia de imágenes (y no a un medio de soporte). La película en movimiento característica de proceso se obtiene llevando a cabo los pasos anteriores para una pluralidad de conjuntos de datos correspondientes a períodos de tiempo (n) sucesivos. Por ejemplo, pueden obtenerse 24 matrices características de proceso (Mn) para los conjuntos de datos respectivos correspondientes a las 24 horas de un día específico en el que se detectó un fallo en el proceso (es decir, n=1 , 2, 24). Luego, estas cuatro matrices características de proceso (Mn) pueden mostrarse como una película en movimiento donde cada matriz característica de proceso (Mn) individual es un fotograma. Durante la película, pueden aparecer o cambiar de ubicación elementos (Mn¡j) brillantes de la matriz, lo que permite al operador humano identificar no sólo qué elementos (Mn¡j) están correlacionados, sino también el momento específico en que apareció dicha relación y cómo se desarrolló.

Claims

REIVINDICACIONES
1. Método de análisis de datos de procesos industriales para encontrar patrones no aleatorios en conjuntos de datos de variables de proceso (A¡; Bj), caracterizado por que comprende los siguientes pasos:
- obtener un conjunto de datos de variables de proceso (A¡; Bj) en un período de tiempo;
- calcular, para cada combinación de dichos datos de variables (A¡; Bj) obtenidos, un parámetro estadístico (R¡¡) que codifica una relación de correlación entre dicho par de datos de variables (A¡; Bj);
- convertir dichos valores del parámetro estadístico (Ry) calculados en valores de brillo (Ty) de una pantalla electrónica; y
- mostrar una matriz característica de proceso (M) donde cada elemento (My) tiene un valor de brillo (Ty) que corresponde al valor del parámetro estadístico (Ry) de cada par de datos de variables (A¡; Bj), lo que permite a un operador humano reconocer visualmente patrones no aleatorios en los datos de variables (A¡; Bj).
2. Método de análisis de datos de procesos industriales de acuerdo con la reivindicación 1 , donde el parámetro estadístico (Ry) es el coeficiente de regresión (R2y).
3. Método de análisis de datos de procesos industriales de acuerdo con la reivindicación 2, donde la conversión de los valores del coeficiente de regresión lineal (R2y) en valores de brillo (Ty) se lleva a cabo de acuerdo con una correlación lineal donde se asigna un valor de brillo (Ty) de 255 a coeficientes de regresión (R¾ de valor ±1 y se asigna un valor de brillo (Ty) de 0 a coeficientes de regresión (R¾ de valor 0.
4. Método de análisis de datos de procesos industriales de acuerdo con la reivindicación 3, donde los elementos (My) de la matriz que corresponden a coeficientes de regresión (R¾ positivos se muestran en un primer color y los elementos de la matriz (M ) que corresponden a coeficientes de regresión (R¾ negativos se muestran en un segundo color.
5. Método de análisis de datos de procesos industriales de acuerdo con la reivindicación 4, donde el primer color es rojo y el segundo color es azul.
6. Método de análisis de datos de procesos industriales de acuerdo con cualquiera de las reivindicaciones anteriores, que además comprende el paso de, cuando se selecciona un elemento (My) específico de la matriz característica del proceso (M), mostrar una gráfica (Gij)
12
HOJA DE REEMPLAZO (REGLA 26) de los datos de correlación completos correspondientes a la combinación de datos de variables (A¡; Bj) que corresponden a dicho elemento (M ) de la matriz.
7. Método de análisis de datos de procesos industriales de acuerdo con cualquiera de las reivindicaciones anteriores, donde cada elemento (M ) de la matriz característica del proceso (M) es un píxel.
8. Método de análisis de datos de procesos industriales de acuerdo con cualquiera de las reivindicaciones anteriores, que además comprende el paso de mostrar una pluralidad de matrices características de proceso (Mn) correspondientes a una pluralidad de conjuntos de datos de variables de proceso (An¡; Bnj) correspondientes a una pluralidad de períodos de tiempo (n) como una película en movimiento, donde cada fotograma de la película en movimiento es una matriz característica de proceso (Mn) correspondiente a cada período de tiempo (n).
9. Producto de programa de ordenador que comprende instrucciones de programa para provocar que un ordenador lleve a cabo el método de cualquiera de las reivindicaciones anteriores.
10. Producto de programa de ordenador de acuerdo con la reivindicación 9, almacenado en una portadora.
11. Producto de programa de ordenador de acuerdo con la reivindicación 10, donde la portadora es un medio de almacenamiento.
13
HOJA DE REEMPLAZO (REGLA 26)
PCT/ES2015/070970 2015-12-30 2015-12-30 Método de análisis de datos de procesos industriales WO2017114984A1 (es)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/ES2015/070970 WO2017114984A1 (es) 2015-12-30 2015-12-30 Método de análisis de datos de procesos industriales

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/ES2015/070970 WO2017114984A1 (es) 2015-12-30 2015-12-30 Método de análisis de datos de procesos industriales

Publications (1)

Publication Number Publication Date
WO2017114984A1 true WO2017114984A1 (es) 2017-07-06

Family

ID=55315444

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/ES2015/070970 WO2017114984A1 (es) 2015-12-30 2015-12-30 Método de análisis de datos de procesos industriales

Country Status (1)

Country Link
WO (1) WO2017114984A1 (es)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050197805A1 (en) * 2001-03-01 2005-09-08 Fisher-Rosemount Systems, Inc. Data presentation system for abnormal situation prevention in a process plant

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050197805A1 (en) * 2001-03-01 2005-09-08 Fisher-Rosemount Systems, Inc. Data presentation system for abnormal situation prevention in a process plant

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MICHAEL FRIENDLY: "Corrgrams", AMERICAN STATISTICIAN, vol. 56, no. 4, 1 November 2002 (2002-11-01), US, pages 316 - 324, XP055291912, ISSN: 0003-1305, DOI: 10.1198/000313002533 *

Similar Documents

Publication Publication Date Title
Collins et al. Robotic microscopy for everyone: the OpenFlexure microscope
Ott et al. Process quality control: troubleshooting and interpretation of data
CN105426530B (zh) 一种商标检索方法、装置和系统
JP2017504307A5 (es)
Marengo et al. Development of a technique based on multi-spectral imaging for monitoring the conservation of cultural heritage objects
CN105574161B (zh) 一种商标图形要素识别方法、装置和系统
Patwary et al. Image restoration for three-dimensional fluorescence microscopy using an orthonormal basis for efficient representation of depth-variant point-spread functions
Yang et al. An analytical model for the illuminance distribution of a power LED
Chen et al. Extended Hα over compact far-infrared continuum in dusty submillimeter galaxies-Insights into dust distributions and star-formation rates at z∼ 2
US11609181B2 (en) Spectral analysis apparatus and spectral analysis method
Young et al. Locating star-forming regions in quasar host galaxies
WO2017114984A1 (es) Método de análisis de datos de procesos industriales
Simonte et al. Giant radio galaxies in the LOw-Frequency ARray Two-metre Sky Survey Boötes deep field
Barbosa et al. Design optimization of a high power LED matrix luminaire
Ribas et al. Identification of transitional disks in Chamaeleon with Herschel
Haim et al. Performance of imaging systems analyzed with two-dimensional target
Skarżyński et al. Quantitative Assessment of Architectural Lighting Designs
Audenaert et al. Practical limitations of near-field goniophotometer measurements imposed by a dynamic range mismatch
Ryś et al. Hubble Space Telescope study of resolved red giant stars in the outer halos of nearby dwarf starburst galaxies
CN116245230B (zh) 一种电站设备的运行巡检与趋势分析方法及系统
Monsoriu et al. Undergraduate experiment with fractal diffraction gratings
CN113034498B (zh) Led灯珠缺陷检测和评估方法、装置、计算机设备及介质
Spavone et al. Assembly history of massive galaxies-A pilot project with VEGAS deep imaging and M3G integral field spectroscopy
Kim et al. Mixed-color illumination and quick optimum search for machine vision
US8897489B2 (en) Methods for object-based identification, sorting and ranking of target detections and apparatuses thereof

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15832803

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15832803

Country of ref document: EP

Kind code of ref document: A1