Análisis de los datos obtenidos

Uso de ipython para el análsis y muestra de los datos obtenidos durante la producción.Se implementa un regulador experto. Los datos analizados son del día 13 de Agosto del 2015

Los datos del experimento:

  • Hora de inicio: 10:30
  • Hora final : 11:00
  • Filamento extruido: 447cm
  • $T: 150ºC$
  • $V_{min} tractora: 1.5 mm/s$
  • $V_{max} tractora: 3.4 mm/s$
  • Los incrementos de velocidades en las reglas del sistema experto son distintas:
    • En los caso 3 y 5 se mantiene un incremento de +2.
    • En los casos 4 y 6 se reduce el incremento a -1.

In [2]:
#Importamos las librerías utilizadas
import numpy as np
import pandas as pd
import seaborn as sns

In [3]:
#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 [4]:
#Abrimos el fichero csv con los datos de la muestra
datos = pd.read_csv('ensayo1.CSV')

In [5]:
%pylab inline


Populating the interactive namespace from numpy and matplotlib

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

In [7]:
#Mostramos un resumen de los datos obtenidoss
datos[columns].describe()
#datos.describe().loc['mean',['Diametro X [mm]', 'Diametro Y [mm]']]


Out[7]:
Diametro X Diametro Y RPM TRAC
count 1526.000000 1526.000000 1526.000000
mean 1.721607 1.707735 2.363879
std 0.299929 0.292269 0.909141
min 1.206868 1.195617 1.497500
25% 1.482145 1.471450 1.497500
50% 1.631253 1.620859 2.165000
75% 1.986820 1.942664 3.500000
max 2.560314 2.609260 3.500000

Representamos ambos diámetro y la velocidad de la tractora en la misma gráfica


In [8]:
datos.ix[:, "Diametro X":"Diametro Y"].plot(figsize=(16,10),ylim=(0.5,3)).hlines([1.85,1.65],0,3500,colors='r')
#datos['RPM TRAC'].plot(secondary_y='RPM TRAC')


Out[8]:
<matplotlib.collections.LineCollection at 0x67727f0>

In [9]:
graf = datos.ix[:, "Diametro X":"Diametro Y"].boxplot(return_type='axes')
graf.axhspan(1.65,1.85, alpha=0.2)


Out[9]:
<matplotlib.patches.Polygon at 0x685e930>

Con esta segunda aproximación se ha conseguido estabilizar los datos. Se va a tratar de bajar ese porcentaje. Como cuarta aproximación, vamos a modificar las velocidades de tracción. El rango de velocidades propuesto es de 1.5 a 5.3, manteniendo los incrementos del sistema experto como en el actual ensayo.


In [ ]:

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


In [10]:
plt.scatter(x=datos['Diametro X'], y=datos['Diametro Y'], marker='.')


Out[10]:
<matplotlib.collections.PathCollection at 0x8af57d0>

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 [11]:
datos_filtrados = datos[(datos['Diametro X'] >= 0.9) & (datos['Diametro Y'] >= 0.9)]

In [12]:
#datos_filtrados.ix[:, "Diametro X":"Diametro Y"].boxplot(return_type='axes')

Representación de X/Y


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


Out[13]:
<matplotlib.collections.PathCollection at 0x8b3d770>

Analizamos datos del ratio


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


Out[14]:
count    1526.000000
mean        1.016194
std         0.135635
min         0.632548
25%         0.940269
50%         0.999491
75%         1.077269
max         1.655858
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 0x8d9c070>

Límites de calidad

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


In [16]:
Th_u = 1.85
Th_d = 1.65

In [17]:
data_violations = datos[(datos['Diametro X'] > Th_u) | (datos['Diametro X'] < Th_d) |
                       (datos['Diametro Y'] > Th_u) | (datos['Diametro Y'] < Th_d)]

In [18]:
data_violations.describe()


Out[18]:
Tmp Husillo Tmp Nozzle Diametro X Diametro Y MARCHA PARO RPM EXTR RPM TRAC
count 1469.000000 1469.000000 1469.000000 1469.000000 1469 1469 1469 1469.000000
mean 63.554323 151.313070 1.721209 1.706638 1 1 0 2.356450
std 0.279066 0.864951 0.305449 0.297587 0 0 0 0.913973
min 63.200000 149.500000 1.206868 1.195617 True True 0 1.497500
25% 63.400000 150.600000 1.470675 1.471450 1 1 0 1.497500
50% 63.500000 151.300000 1.619783 1.609366 1 1 0 1.942500
75% 63.600000 151.900000 1.998289 1.954157 1 1 0 3.500000
max 64.400000 153.200000 2.560314 2.609260 True True 0 3.500000

In [19]:
data_violations.plot(subplots=True, figsize=(12,12))


Out[19]:
array([<matplotlib.axes._subplots.AxesSubplot object at 0x09232F30>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x092945F0>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x094DE9F0>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x095020B0>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x0959B390>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x095BB790>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x095E49D0>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x095EED30>], dtype=object)

In [ ]: