Cogs wheels graph
Visa originalbild , Öppnas i nytt fönster/flik

Tidsberoende påverkar populär statistisk metod

Publicerad: 30 maj 2016

Data som uppvisar tidsberoende påverkar principalkomponentanalys (PCA) beskrivande egenskaper samt dess prestanda vid processövervakning.

I en nyligen publicerad studie i tidskriften Quality and Reliability Engineering International presenterar Erik Vanhatalo och Murat Kulahci resultat från en simuleringsstudie där de genererar tidsberoende multivariat data och undersöker hur PCA påverkas.

PCA är en statistisk metod för att reducera dimensionaliteten hos data, förbättra tolkning och är en populär metod vid multivariat processövervakning. PCA används inom en rad olika tillämpningsområden inom industrin och forskning. När PCA används vid inferenssyfte vilar metoden på ett antagande om att data är oberoende i tiden. Detta antagande är dock idag orealistiskt i många industriella processer; bland annat på grund av mätsystemens frekventa provtagning.

Studiens resultat visar att de beskrivande egenskaperna hos PCA kan påverkas avsevärt av tidsberoende data med resultatet att fler principalkomponenter kan behöva inkluderas i modellen för att upprätthålla förklaringsförmåga. Resultaten visar också hur tidsberoende data kan påverka prestandan hos PCA vid processövervakning och orsaka färre falska larm men också försenad upptäckt av onormala situationer.

Referens: Vanhatalo, E. & Kulahci, M. (2015). Impact of Autocorrelation on Principal Components and Their Use in Statistical Process Control. Quality and Reliability Engineering International, 32 (4): 1483-1500

Kontakt

Erik Vanhatalo

Erik Vanhatalo, Biträdande professor

Telefon: 0920-491720
Organisation: Kvalitetsteknik och logistik, Industriell Ekonomi, Institutionen för ekonomi, teknik och samhälle
Murat Kulahci

Murat Kulahci, Professor

Organisation: Kvalitetsteknik och logistik, Industriell Ekonomi, Institutionen för ekonomi, teknik och samhälle