| Servizi |
|---|
| Informazioni sui Prodotti |
|---|
| Per Restare Aggiornati |
|---|
STATISTICA Controllo Statistico di Processo Multivariato (MSPC) è una soluzione completa per il controllo di processi multivariati, implementata all'interno di una piattaforma analitica sicura e scalabile.
I moderni processi produttivi automatici solitamente misurano una grande numero di variabili. Esempi di prodotti includono il cemento, i fertilizzanti, i prodotti alimentari, i prodotti biochimici, le vernici, i profumi, i farmaci, i prodotti petroliferi, i polimeri e i semiconduttori.
L'obiettivo comune dei processi produttivi è di ridurre la loro variabilità, incrementando al tempo stesso la qualità. Individuare un potenziale problema, piuttosto che accertarlo dopo il suo verificarsi, può far risparmiare un sacco di soldi, ma le tecniche standard di controllo della qualità (ad es., le carte Shewhart, X-bar e R, ecc.) possono applicarsi soltanto a singole variabili. Pertanto, quando si utilizzano tali tecniche con i moderni processi produttivi, che presentano centinaia di variabili da monitorare, i criteri applicati al controllo univariato portano a generare numerosi falsi allarmi, alcune volte in modo continuo e costante.
Per porre rimedio a queste carenze, sono stati sviluppati dei metodi per monitorare contemporaneamente più variabili, utilizzando delle procedure statistiche multivariate.
Le funzionalità di MSPC consentono di:
STATISTICA è in grado di supportare diverse modalità per l'impiego delle tecniche MSPC.
Il deployment consente di applicare i modelli esistenti, creati con STATISTICA MSPC, a nuovi dati, in modo da ottenere ulteriori previsioni. È possibile salvare i modelli nei formati C\C++, Visual Basic e PMML, ma il modulo MSPC è in grado di accettare in input dei modelli solo nel linguaggio PMML.
L'obiettivo dell'Analisi delle Componenti Principali (PCA) è la riduzione della dimensionalità di un insieme di variabili, cercando di conservare la maggior informazione possibile dei dati.
Applicazioni ugualmente importanti di STATISTICA PCA riguardano le diagnostiche dei dati, sia a livello di osservazioni che di variabili. Il primo livello consente di rilevare outlier, mentre la diagnosi a livello di variabili permette di stabilire in che modo le variabili contribuiscano alla determinazione delle osservazioni e la relazione (correlazione) tra le variabili stesse.
Queste funzionalità di diagnosi di STATISTICA PCA si rivelano particolarmente utili nel monitoraggio dei processi e nel controllo della qualità, in quanto forniscono degli utili strumenti analitici e grafici per individuare delle anomalie che potrebbero insorgere durante la fase di produzione di un prodotto. La diagnosi dei dati effettuata da STATISTICA PCA gioca un ruolo importante nell'elaborazione in lotti, dove la qualità del prodotto finale può essere assicurata soltanto con un monitoraggio costante durante la fase di produzione.
All'interno di STATISTICA PCA è possibile utilizzare l'algoritmo NIPALS (Nonlinear Iterative Partial Least Squares).
Minimi Quadrati Parziali (PLS) è un metodo molto popolare per la modellazione di applicazioni industriali. È stato sviluppato da Wold negli anni 1960 come una tecnica economica, ma presto la sua utilità è stata riconosciuta in molte aree scientifiche ed applicative, tra le quali il Controllo Statistico di Processo Multivariato (MSPC) e in particolare l'ingegneria chimica.
Per molti versi, PLS può essere considerato come un metodo alternativo alla regressione multipla, in particolare quando si dispone di un gran numero di predittori. In questi casi, raramente si dispone di dati sufficiente per costruire un modello affidabile che possa essere usato per la previsione della variabile dipendente Y sulla base delle variabili predittrici X. Al contrario, accade spesso di ottenere un modello che si adatta perfettamente ai dati di addestramento, mentre fornisce delle prestazioni scarse con altri campioni. Tale problema prende il nome di sovra-adattamento (Bishop 1995).
PLS attenua questo problema adottando l'ipotesi, "spesso corretta", secondo la quale in presenza di numerosi predittori, la struttura dei dati potrebbe essere in realtà molto più semplice ed i dati potrebbero essere modellati con l'ausilio di poche componenti (note come latenti).
All'interno di STATISTICA PLS è possibile utilizzare l'algoritmo NIPALS (Nonlinear Iterative Partial Least Squares).
Sebbene il metodo PLS sia estremamente utile per affrontari i problemi di MSPC, è strettamente legato a problemi bidimensionali. Quindi è necessario adottare una trasformazione per poterlo applicare anche a dati tridimensionali.
Tutto ciò si può ottenere utilizzando il metodo del dispiegamento di tutti i lotti. La matrice tridimensionale si dispiega in direzione dei lotti.
I processi a lotti sono per natura temporali. Infatti non è soltanto la traiettoria delle variabili dei lotti a variare col tempo, ma anche la correlazione tra le stesse. Pertanto, qualunque sistema di monitoraggio dovrebbe includere implicitamente questa dipendenza temporale dinamica. Per questo motivo il dispigamento temporale è particolarmente adatto per il controllo online dei lotti, poiché conserva la dimensione temporale presente nel data set.
Di conseguenza, i modelli PCA e PLS costruiti sul dispiegamento temporale sono particolarmente sensibili, non solo alla qualità di un lotto nel suo complesso, ma anche alle condizioni dipendenti dal tempo sotto le quali si è sviluppato il lotto. In questo modo essi sono più adatti per il monitoraggio online.
STATISTICA Controllo Statistico di Processo Multivariato è compatibile con Windows XP, Windows Vista e Windows 7.
Sono disponibili la versione a 64-bit e le versioni multiprocessore altamente ottimizzate.
Per richiedere il prezzo di questa soluzione, si compili questo form.
