1 / 22

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).

raisie
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. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Strumenti di controllo dell’impatto ambientale in presenza di dati autocorrelati Ugo Cardamone/Laura Deldossi STMicroelectronics U. Cardamone - STMicroelectronics

  2. 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

  3. 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

  4. Diagramma di dispersione Correlogramma (ACF) Come si può verificare che non sussiste la condizione di indipendenza? U. Cardamone - STMicroelectronics

  5. Diagramma di dispersione Correlogramma Esempio di correlazione Se le osservazioni non sono indipendenti, come fare a controllare il processo? U. Cardamone - STMicroelectronics

  6. ACF tutti i dati (n=2266) PreAl LSL ACF prime 500 oss. Esempio 1: Resistività U. Cardamone - STMicroelectronics

  7. Out Of Control Carta di controllo di Shewart Carta EWMA l=0.2 L=2.958 Osservazioni correlate – Cause Speciali U. Cardamone - STMicroelectronics

  8. 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

  9. 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

  10. 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

  11. 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

  12. 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

  13. 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

  14. Numero Osservazioni = 13595 USL = 5 ppb PreAllarme = 3 ppb Esempio 2: Total Organic Carbon U. Cardamone - STMicroelectronics

  15. 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

  16. 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

  17. Esempio 3: pH Osservazioni = 2266 USL = 9.5 LSL = 5.5 PreAl inf = 6.5 PreAl sup = 8.5 U. Cardamone - STMicroelectronics

  18. 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

  19. U. Cardamone - STMicroelectronics

  20. 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

  21. 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

  22. Forecast Recovery By Lin & Adams 1996 U. Cardamone - STMicroelectronics

More Related