Un paquete de R para control y monitoreo de procesos por lotes utilizando el enfoque Statis Dual-Coordenadas Paralelas

  1. Moreno, José Ascencio
  2. Barzola, Omar Ruiz
  3. Barberán, Miriam Ramos
  4. Hinojosa Ramos, Miriam Vanessa
  5. Galindo Villardón, María Purificación
  6. Alcívar, Francisco Vera
  1. 1 Escuela Superior Politecnica del Litoral
    info

    Escuela Superior Politecnica del Litoral

    Guayaquil, Ecuador

    ROR https://ror.org/04qenc566

  2. 2 Universidad de Salamanca, España
Revista:
Revista Científica Ciencia y Tecnología

ISSN: 2661-6734,  1390-6321

Año de publicación: 2021

Tipo: Artículo

DOI: 10.47189/RCCT.V21I29.406 GOOGLE SCHOLAR

Otras publicaciones en: Revista Científica Ciencia y Tecnología

Resumen

El control estadístico multivariante de procesos para la producción por lotes generalmente toma en consideración características correlacionadas para la inspección del desempeño del proceso. En la literatura, los investigadores han utilizado varias técnicas estadísticas de forma individual para abordar esta inspección durante las fases de control y seguimiento. Nuevas estrategias han explorado la posibilidad de combinar dos técnicas con el fin de optimizar el control y el monitoreo del proceso por lotes, como el enfoque DS-PC. Este enfoque novedoso se refiere al uso de Statis Dual y Coordenadas Paralelas e implica una serie de varios pasos de protocolos y aplicaciones de fórmulas que son propensas a errores y consumen mucho tiempo. Utilizando la metodología que se encuentra en la literatura, el paquete DSPC para R se desarrolló con el objetivo de ofrecer una herramienta simple para realizar el cómputo de Statis Dual rápidamente para las fases de control y seguimiento. Las salidas del paquete ofrecen visualizaciones gráficas para detectar comportamientos inusuales durante la producción a través de gráficos de control IS (Interestructura) y CO (Intraestructura). La salida también incluye el gráfico de coordenadas paralelas. Este paquete será útil para los profesionales interesados en la aplicación del enfoque DS-PC a cualquier industria de proceso por lotes a través de la automatización sugerida por defecto o la opción personalizada. Para familiarizar a los usuarios con esta estrategia, el paquete proporciona un conjunto de datos simulado de fabricación de bolsas de plástico industriales.

Referencias bibliográficas

  • Bersimis, S., Psarakis, S., & Panaretos, J. (2007). Multivariate Statistical Process Control Charts: An Overview. Quality and Reliability Engineering International, 23(5), 517–543. https://doi.org/10.1002/qre.829
  • Chessel, D., Dufour, A., & Thioulouse, J. (2004). The ade4 Package – I: One-Table Methods. R News, 4(1), 5–10.
  • Chin Fatt, C., Beaton, D., & Abdi, H. (2013). Package MExPosition. http://www2.uaem.mx/r-mirror/web/packages/MExPosition/MExPosition.pdf
  • Dray, S., Dufour, A., & Chessel, D. (2007). The ade4 Package – II: Two-Table and K-Table Methods. R News, 7(2), 47–52.
  • Dunia, R., Edgar, T., & Nixon, M. (2012). Process Monitoring Using Principal Components in Parallel Coordinates. American Institute of Chemical Engineers Journal, 59(2), 1–12. https://doi.org/10.1002/aic.13846
  • Escoufier, Y. (1987). Three-Mode Data Analysis: The STATIS Method. In B. Fichet & C. Lauro (Eds.), Methods for Multidimensional Data Analysis (pp. 259–272). ECAS.
  • Filho, D. M., & Luna, L. P. (2015). Multivariate quality control of batch processes using STATIS. International Journal of Advanced Manufacturing Technology, 82(5–8), 867–875. https://doi.org/10.1007/s00170-015-7428-0
  • Harshman, R. A. (1970). Foundations of the PARAFAC procedure: Models and conditions for an “explanatory” multimodal factor analysis. UCLA Working Papers in Phonetics, 16(10), 1–84.
  • Hyvärinen, A., & Oja, E. (2000). Independent component analysis: algorithms and applications. Neural Networks, 13(4–5), 411–430. https://doi.org/10.1016/S0893-6080(00)00026-5
  • Inselberg, A., & Dimsdale, B. (1990). Parallel Coordinates: A Tool for Visualizing Multi-Dimensional Geometry. Proceedings of the First IEEE Conference on Visualization, 361–378. http://dl.acm.org/citation.cfm?id=949531.949588
  • Jiang, Q., Gao, F., Yi, H., & Yan, X. (2018). Multivariate Statistical Monitoring of Key Operation Units of Batch Processes Based on Time-Slice CCA. IEEE Transactions on Control Systems Technology, 27(3), 1368–1375. https://doi.org/10.1109/TCST.2018.2803071
  • Kim, I. S., Martin, P., McMurry, N., & Halterman, A. (2018). Instructions for Creating Your Own R Package. http://web.mit.edu/insong/www/teaching/teaching.html
  • Kourti, T., Nomikos, P., & MacGregor, J. F. (1995). Analysis, monitoring and fault diagnosis of batch processes using multiblock and multiway PLS. Journal of Process Control, 5(4), 277–284. https://doi.org/10.1016/0959-1524(95)00019-M
  • Leisch, F. (2009). Creating R package: A Tutorial. In P. Brito (Ed.), Compstat 2008-Proceedings in Computational Statistics (pp. 1–19). Physica Verlag.
  • Lewis, D. (2014). Control Charts for Batch Processes. In Wiley StatsRef: Statistics Reference Online. John Wiley & Sons.
  • Louwerse, D. J., & Smilde, A. K. (2000). Multivariate statistical process control of batch processes based on three-way models. Chemical Engineering Science, 55(7), 1225–1235. https://doi.org/10.1016/S0009-2509(99)00408-X
  • Meng, X., Morris, A. J., & Martin, E. B. (2003). On-line monitoring of batch processes using a PARAFAC representation. Journal of Chemometrics, 17(1), 65–81. https://doi.org/10.1002/cem.776
  • Nomikos, P., & MacGregor, J. F. (1994). Monitoring Batch Processes Using Multiway Principal Component Analysis. AIChE Journal, 40(8), 1361–1375. https://doi.org/10.1002/aic.690400809
  • Nomikos, P., & MacGregor, J. F. (1995). Multivariate SPC Charts for Monitoring Batch Processes. Technometrics, 37, 41–59. https://doi.org/10.1080/00401706.1995.10485888
  • Parra, L. C. (2018). Multi-set Canonical Correlation Analysis simply explained. Nips. http://arxiv.org/abs/1802.03759
  • Ramos-Barberán, M. (2020). Online repository for DSPC R package files data. GitHub Repository. https://github.com/mvramosb/DSPC
  • Ramos-Barberán, M., Hinojosa-Ramos, M. V., Ascencio-Moreno, J., Vera, F., Ruiz-Barzola, O., & Galindo-Villardón, M. P. (2018). Batch process control and monitoring: a Dual STATIS and Parallel Coordinates (DS-PC) approach. Production and Manufacturing Research, 6(1). https://doi.org/10.1080/21693277.2018.1547228
  • Smith, D. (2017). CRAN now has 10,000 R packages. Here’s how to find the ones you need. Revolutions. https://blog.revolutionanalytics.com/2017/01/cran-10000.html
  • Tucker, L. R. (1966). Some mathematical notes on three-mode factor analysis. Psychometrika, 31(3), 279–311. https://doi.org/10.1007/BF02289464
  • Venables, W. N., & Ripley, B. D. (2002). Modern Applied Statistics with S (Fourth). Springer. http://www.stats.ox.ac.uk/pub/MASS4/
  • Wang, Y., Jiang, Q., Li, B., & Cui, L. (2017). Joint-Individual Monitoring of Parallel-Running Batch Processes Based on MCCA. IEEE Access, 6, 13005–13014. https://doi.org/10.1109/ACCESS.2017.2784097
  • Wickham, H. (2015). R Packages. O`Reilly Media. http://r-pkgs.had.co.nz/
  • Wiskott, L., & Sejnowski, T. J. (2002). Slow feature analysis: Unsupervised learning of invariances. Neural Computation, 14(4), 715–770. https://doi.org/10.1162/089976602317318938
  • Zhang, H., Tian, X., & Deng, X. (2017). Batch Process Monitoring Based on Multiway Global Preserving Kernel Slow Feature Analysis. IEEE Access, 5, 2696–2710. https://doi.org/10.1109/ACCESS.2017.2672780