Strumenti di controllo dell impatto ambientale in presenza di dati autocorrelati
This presentation is the property of its rightful owner.
Sponsored Links
1 / 22

Strumenti di controllo dell’impatto ambientale in presenza di dati autocorrelati PowerPoint PPT Presentation


  • 72 Views
  • Uploaded on
  • Presentation posted in: General

Strumenti di controllo dell’impatto ambientale in presenza di dati autocorrelati. Ugo Cardamone/Laura Deldossi STMicroelectronics. U. Cardamone - STMicroelectronics. SPC (Statistical Process Control).

Download Presentation

Strumenti di controllo dell’impatto ambientale in presenza di dati autocorrelati

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Strumenti di controllo dell impatto ambientale in presenza di dati autocorrelati

Strumenti di controllo dell’impatto ambientale in presenza di dati autocorrelati

Ugo Cardamone/Laura Deldossi

STMicroelectronics

U. Cardamone - STMicroelectronics


Spc statistical process control

SPC (Statistical Process Control)

  • Il controllo statistico tradizionale si basa sull’assunzione di osservazioni indipendenti e identicamente distribuite.

  • Nel caso di osservazioni provenienti dal campo ambientale tale condizione non è sempre verificata.

PERCHÈ?

U. Cardamone - STMicroelectronics


Cause correlazione

Cause correlazione

  • I processi ambientali sono spesso processi di natura chimica (tipicamente correlati)

  • Inerzia di alcune procedure

  • Utilizzo di strumenti di misura automatica (alta frequenza delle rilevazioni e possibile correlazione tra le osservazioni)

U. Cardamone - STMicroelectronics


Come si pu verificare che non sussiste la condizione di indipendenza

Diagramma di dispersione

Correlogramma (ACF)

Come si può verificare che non sussiste la condizione di indipendenza?

U. Cardamone - STMicroelectronics


Esempio di correlazione

Diagramma di dispersione

Correlogramma

Esempio di correlazione

Se le osservazioni non sono indipendenti, come fare a controllare il processo?

U. Cardamone - STMicroelectronics


Esempio 1 resistivit

ACF tutti i dati (n=2266)

PreAl

LSL

ACF prime 500 oss.

Esempio 1: Resistività

U. Cardamone - STMicroelectronics


Osservazioni correlate cause speciali

Out Of Control

Carta di controllo di Shewart

Carta EWMA l=0.2 L=2.958

Osservazioni correlate – Cause Speciali

U. Cardamone - STMicroelectronics


Eliminando le osservazioni fuori controllo

Eliminando le osservazioni fuori controllo

Non sempre la correlazione è dovuta all’insorgere di una causa speciale.

Spesso essa è intrinseca al processo.

U. Cardamone - STMicroelectronics


Correlazione intrinseca al processo

Correlazione intrinseca al processo

  • Non utilizzabili le Carte di Controllo Standard!

  • Stimatori della varianza distorti

  • Se correlazione positiva (frequente), gli stimatori della varianza sottostimano il suo vero valore.

Elevato numero falsi allarmi

Sfiducia ed Inefficaci Oneri Economici

U. Cardamone - STMicroelectronics


Possibili approcci

Possibili Approcci

  • Modellizzazione del processo + controllo sui residui

  • “Aggiustamento” dei limiti di controllo

  • Carte di controllo ad “hoc”

  • Controllo di tipo “ingegneristico”

Esempio 2: Toc

Esempio 3: pH

U. Cardamone - STMicroelectronics


Modellizzazione e controllo dei residui

Modellizzazione e controllo dei residui

  • Approccio tradizionale

  • Procedimento: - si modella il processo

    - se il modello è corretto

Residui sono i.i.d.

Applicazione delle carte di controllo usuali

  • Necessità di identificare il modello, stimare i parametri ed ottenere residui i.i.d.

U. Cardamone - STMicroelectronics


Problemi

PROBLEMI

  • Le carte applicate ai residui, anche se i.i.d., non hanno un comportamento analogo alle carte sulle osservazioni.

  • La rottura di media che interviene sul processo viene riassorbita dallo stesso con modalità e tempi differenti a seconda della tipologia di modello sottostante e del tipo ed entità della rottura (FORECAST RECOVERY)

U. Cardamone - STMicroelectronics


Strumenti di controllo dell impatto ambientale in presenza di dati autocorrelati

  • Il problema del FORECAST RECOVERY rende più problematica la rilevazione della rottura.

  • A ciò si aggiungono problemi di robustezza legati alla stima dei parametri del modello (necessità di serie numerose)

NONOSTANTE QUESTO

Carte di controllo sui residui risultano essere le migliori qualora il processo sia caratterizzato da correlazione alta e si vogliano rilevare rotture di media di grande entità

U. Cardamone - STMicroelectronics


Esempio 2 total organic carbon

Numero Osservazioni = 13595

USL = 5 ppb

PreAllarme = 3 ppb

Esempio 2: Total Organic Carbon

U. Cardamone - STMicroelectronics


Total organic carbon

Total Organic Carbon

Limitandosi alle osservazione rilevate nel mese di marzo (4464 osservazioni) il processo si modella secondo un IMA(1,1)

ACF Calcolata sui residui

U. Cardamone - STMicroelectronics


Toc carta shewart ewma sui residui lin e adams 1996

TOC – Carta Shewart + EWMA sui residui(Lin e Adams (1996))

  • Nell’ipotesi che TOC (mese marzo) sia in controllo, utilizziamo il modello individuato per fare previsioni sul futuro.

U. Cardamone - STMicroelectronics


Esempio 3 ph

Esempio 3: pH

Osservazioni = 2266

USL = 9.5

LSL = 5.5

PreAl inf = 6.5

PreAl sup = 8.5

U. Cardamone - STMicroelectronics


Estrazione sottoserie stazionaria ph

Osservazioni = 900

USL = 9.5

LSL = 5.5

PreAl inf = 6.5

PreAl sup = 8.5

Estrazione sottoserie stazionaria pH

Carta EWMAST per processi stazionari

(Zhang (1998))

U. Cardamone - STMicroelectronics


Strumenti di controllo dell impatto ambientale in presenza di dati autocorrelati

U. Cardamone - STMicroelectronics


Conclusioni

Conclusioni

  • Le metodologie proposte in letteratura sono tra loro assai differenti.

  • Non esiste una metodologia che valga per qualsiasi tipo di processo correlato.

  • E’ necessario conoscere “bene” il processo per poter individuare lo strumento più idoneo.

  • Necessità di competenze statistiche e di software che consenta implementazione semiautomatica dei procedimenti.

U. Cardamone - STMicroelectronics


Modellizzazione del processo

Modellizzazione del processo

  • Vantaggi: Non richiesta Stazionarieta’

  • Svantaggi: Richiede di modellare il processo

  • Utilizzando i residui

  • Trend shift” in input Rilevare rottura di media “C”

  • “Step Shift” in output Rilevare rottura di media “C”

    Rischio “Forecast Recovery”

U. Cardamone - STMicroelectronics


Forecast recovery

Forecast Recovery

By Lin & Adams 1996

U. Cardamone - STMicroelectronics


  • Login