Análisis de los datos obtenidos

Uso de ipython para el análsis y muestra de los datos obtenidos durante la producción. Los datos analizados son del filamento de bq el día 20 de Julio del 2015


In [1]:
#Importamos las librerías utilizadas
import numpy as np
import pandas as pd
import seaborn as sns

In [2]:
#Mostramos las versiones usadas de cada librerías
print ("Numpy v{}".format(np.__version__))
print ("Pandas v{}".format(pd.__version__))
print ("Seaborn v{}".format(sns.__version__))


Numpy v1.9.2
Pandas v0.16.2
Seaborn v0.6.0

In [3]:
#Abrimos el fichero csv con los datos de la muestra
datos = pd.read_csv('BQ.CSV')

In [20]:
%pylab inline


Populating the interactive namespace from numpy and matplotlib

In [5]:
#Mostramos un resumen de los datos obtenidoss
datos.describe()


Out[5]:
Tmp Husillo [C] Tmp Nozzle [C] Diametro X [mm] Diametro Y [mm] MARCHA PARO RPM
count 333.000000 333.000000 333.000000 333.000000 333 333 3.330000e+02
mean 23.987688 24.117117 1.761381 1.735165 1 0 3.219000e+00
std 0.032907 0.037723 0.018183 0.019583 0 0 2.446166e-14
min 23.900000 24.100000 1.670000 1.690000 True False 3.219000e+00
25% 24.000000 24.100000 1.750000 1.720000 1 0 3.219000e+00
50% 24.000000 24.100000 1.770000 1.740000 1 0 3.219000e+00
75% 24.000000 24.100000 1.770000 1.750000 1 0 3.219000e+00
max 24.000000 24.200000 1.800000 1.780000 True False 3.219000e+00

In [6]:
#Almacenamos en una lista las columnas del fichero con las que vamos a trabajar
columns = ['Diametro X [mm]', 'Diametro Y [mm]', 'RPM']

In [7]:
#Mostramos en varias gráficas la información obtenida tras el ensayo
datos[columns].plot(subplots=True, figsize=(20,20))


Out[7]:
array([<matplotlib.axes._subplots.AxesSubplot object at 0x109740748>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x10a0958d0>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x10a204710>], dtype=object)

Representamos ambos diámetros en la misma gráfica


In [8]:
datos.ix[:, "Diametro X [mm]":"Diametro Y [mm]"].plot(figsize=(16,3))


Out[8]:
<matplotlib.axes._subplots.AxesSubplot at 0x1097df198>

In [9]:
datos.ix[:, "Diametro X [mm]":"Diametro Y [mm]"].boxplot(return_type='axes')


Out[9]:
<matplotlib.axes._subplots.AxesSubplot at 0x10b02cc18>

Mostramos la representación gráfica de la media de las muestras


In [10]:
pd.rolling_mean(datos[columns], 50).plot(subplots=True, figsize=(12,12))


Out[10]:
array([<matplotlib.axes._subplots.AxesSubplot object at 0x10b66f630>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x10b6de748>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x10b918780>], dtype=object)

Comparativa de Diametro X frente a Diametro Y para ver el ratio del filamento


In [11]:
plt.scatter(x=datos['Diametro X [mm]'], y=datos['Diametro Y [mm]'], marker='.')


Out[11]:
<matplotlib.collections.PathCollection at 0x10bfe5be0>

Filtrado de datos

Las muestras tomadas $d_x >= 0.9$ or $d_y >= 0.9$ las asumimos como error del sensor, por ello las filtramos de las muestras tomadas.


In [12]:
datos_filtrados = datos[(datos['Diametro X [mm]'] >= 0.9) & (datos['Diametro Y [mm]'] >= 0.9)]

Representación de X/Y


In [13]:
plt.scatter(x=datos_filtrados['Diametro X [mm]'], y=datos_filtrados['Diametro Y [mm]'], marker='.')


Out[13]:
<matplotlib.collections.PathCollection at 0x10c0cfe10>

Analizamos datos del ratio


In [14]:
ratio = datos_filtrados['Diametro X [mm]']/datos_filtrados['Diametro Y [mm]']
ratio.describe()


Out[14]:
count    333.000000
mean       1.015286
std        0.018370
min        0.948864
25%        1.005682
50%        1.017241
75%        1.029070
max        1.047059
dtype: float64

In [15]:
rolling_mean = pd.rolling_mean(ratio, 50)
rolling_std = pd.rolling_std(ratio, 50)
rolling_mean.plot(figsize=(12,6))
# plt.fill_between(ratio, y1=rolling_mean+rolling_std, y2=rolling_mean-rolling_std, alpha=0.5)
ratio.plot(figsize=(12,6), alpha=0.6, ylim=(0.5,1.5))


Out[15]:
<matplotlib.axes._subplots.AxesSubplot at 0x10c0a6780>

Límites de calidad

Calculamos el número de veces que traspasamos unos límites de calidad. $Th^+ = 1.85$ and $Th^- = 1.65$


In [31]:
Th_u = 1.85
Th_d = 1.65

In [32]:
data_violations = datos[(datos['Diametro X [mm]'] > Th_u) | (datos['Diametro X [mm]'] < Th_d) |
                       (datos['Diametro Y [mm]'] > Th_u) | (datos['Diametro Y [mm]'] < Th_d)]

In [33]:
data_violations.describe()


Out[33]:
Tmp Husillo [C] Tmp Nozzle [C] Diametro X [mm] Diametro Y [mm] MARCHA PARO RPM
count 316.000000 316.000000 316.000000 316.000000 316 316 3.160000e+02
mean 23.987658 24.116772 1.761994 1.734367 1 0 3.219000e+00
std 0.032944 0.037421 0.018469 0.019790 0 0 2.312926e-14
min 23.900000 24.100000 1.670000 1.690000 True False 3.219000e+00
25% 24.000000 24.100000 1.750000 1.720000 1 0 3.219000e+00
50% 24.000000 24.100000 1.770000 1.740000 1 0 3.219000e+00
75% 24.000000 24.100000 1.770000 1.750000 1 0 3.219000e+00
max 24.000000 24.200000 1.800000 1.780000 True False 3.219000e+00

In [34]:
data_violations.plot(subplots=True, figsize=(12,12))


Out[34]:
array([<matplotlib.axes._subplots.AxesSubplot object at 0x10c6aca58>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x10c6ea5f8>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x10c70dd68>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x10c76eeb8>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x10c7bac88>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x10c91d390>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x10c969240>], dtype=object)

In [ ]: