Multivariata verktyg för extrem användning

PCA-modellering

De data som finns i ett stort antal korrelerande mätningar kan uttryckas med hjälp av ett mindre antal beräknade variabler än det ursprungliga antalet signaler. Principalkomponentanalys (PCA) kan användas för att komprimera dessa data.

Målet är att uttrycka den ursprungliga informationen med hjälp av nya variabler, samtidigt som man behåller så mycket information som möjligt, trots att antalet nya variabler är mycket lägre än det ursprungliga. PCA kan avslöja dolda multivariata korrelationer som inte kan upptäckas med normala metoder för korrelationsanalys.

Allt onormalt beteende hos de komprimerade nya variablerna kan studeras ytterligare i Wedge: verktyget kan vända på PCA-komprimeringsprocessen och fastställa möjliga grundorsaker till förändringen.

PLS-modellering

PCA-komponenter kan användas som indata för linjär uppskattning av valfri processvariabel. Detta kallas en-variabels PLS-modellering.

PLS-modellen kan användas t.ex. för modellering av laboratoriedata baserat på processdata. Detta ger kunden möjlighet att få direkt information av hög kvalitet när online-mätningar inte är tillgängliga. En annan vanlig användning är att duplicera en mätning med PLS-modellen för att verifiera mätningens tillförlitlighet som i bilden nedan.

MAR-modellering

Periodiska variationer i processer kan till exempel bero på dåligt intrimmade reglerkretsar, dåligt fungerande ventiler, variationer i råvarukvalitet eller dagliga eller säsongsberoende variationer. En process innehåller ofta flera samtidiga störningar. Det är vanligt i reglerade system att en viss variation ofta visar sig på flera ställen i processen. Variationer i processen kan exempelvis minska produktiviteten och sänka kvaliteten på slutprodukten.

MAR Navigator-verktyget används för att fastställa ursprunget till processfluktuationerna. MAR-navigatorn är baserad på multivariat autoregressiv modellering.

Läs mer om Spektrumanalys >>

 

Vill du veta mer? Kontakta vårt säljteam