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 12 de Agosto del 2015

Los datos del experimento:

  • Hora de inicio: 12:00
  • Hora final : 12:30
  • Filamento extruido: 425cm
  • $T: 150ºC$
  • $V_{min} tractora: 1.5 mm/s$
  • $V_{max} tractora: 3.4 mm/s$
  • Los incrementos de velocidades en las reglas del sistema experto son distintas:
    • En los casos 3 a 6 se pasa de un incremento de velocidad de +1 a un incremento de +2.

In [10]:
#Importamos las librerías utilizadas
import numpy as np
import pandas as pd
import seaborn as sns

In [11]:
#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 [12]:
#Abrimos el fichero csv con los datos de la muestra
datos = pd.read_csv('ensayo3.CSV')

In [13]:
%pylab inline


Populating the interactive namespace from numpy and matplotlib
WARNING: pylab import has clobbered these variables: ['box']
`%matplotlib` prevents importing * from pylab and numpy

In [14]:
#Almacenamos en una lista las columnas del fichero con las que vamos a trabajar
columns = ['Diametro X','Diametro Y', 'RPM TRAC']

In [15]:
#Mostramos un resumen de los datos obtenidoss
datos[columns].describe()
#datos.describe().loc['mean',['Diametro X [mm]', 'Diametro Y [mm]']]


Out[15]:
Diametro X Diametro Y RPM TRAC
count 1124.000000 1124.000000 1124.000000
mean 1.668724 1.657342 2.257444
std 0.248754 0.237337 0.855732
min 0.988940 0.977249 1.497500
25% 1.482145 1.482943 1.497500
50% 1.659928 1.655338 1.497500
75% 1.826241 1.804748 3.500000
max 2.606193 2.609260 3.500000

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


In [16]:
graf = datos.ix[:, "Diametro X"].plot(figsize=(16,10),ylim=(0.5,3))
graf.axhspan(1.65,1.85, alpha=0.2)
graf.set_xlabel('Tiempo (s)')
graf.set_ylabel('Diámetro (mm)')
#datos['RPM TRAC'].plot(secondary_y='RPM TRAC')


Out[16]:
<matplotlib.text.Text at 0x8b7f1f0>

In [17]:
box = datos.ix[:, "Diametro X":"Diametro Y"].boxplot(return_type='axes')
box.axhspan(1.65,1.85, alpha=0.2)


Out[17]:
<matplotlib.patches.Polygon at 0x8b98b50>

Con esta tercera aproximación se ha conseguido estabilizar los datos y reducir la desviación estandar, sin embargo, la medía del filamento y de la velocidad de tracción ha disminuido también.

Como tercera aproximación, vamos a modificar los incrementos en los que el diámetro se encuentra entre $1.80mm$ y $1.70 mm$, en sentido de subida. (casos 3 y 5) el sentido de bajada se mantendrá con incrementos de +1.

Se ha detectado también que el eje de giro de la tractora está algo suelto. Se va a apretar para el siguiente ensayo.

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


In [18]:
plt.scatter(x=datos['Diametro X'], y=datos['Diametro Y'], marker='.')


Out[18]:
<matplotlib.collections.PathCollection at 0x8c7cbd0>

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 [19]:
datos_filtrados = datos[(datos['Diametro X'] >= 0.9) & (datos['Diametro Y'] >= 0.9)]

In [20]:
#datos_filtrados.ix[:, "Diametro X":"Diametro Y"].boxplot(return_type='axes')

Representación de X/Y


In [21]:
plt.scatter(x=datos_filtrados['Diametro X'], y=datos_filtrados['Diametro Y'], marker='.')


Out[21]:
<matplotlib.collections.PathCollection at 0x8cbec90>

Analizamos datos del ratio


In [22]:
ratio = datos_filtrados['Diametro X']/datos_filtrados['Diametro Y']
ratio.describe()


Out[22]:
count    1124.000000
mean        1.024330
std         0.204496
min         0.523577
25%         0.884079
50%         0.999381
75%         1.125506
max         2.188724
dtype: float64

In [23]:
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[23]:
<matplotlib.axes._subplots.AxesSubplot at 0x8f79fd0>

Límites de calidad

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


In [24]:
Th_u = 1.85
Th_d = 1.65

In [25]:
data_violations = datos[(datos['Diametro X'] > Th_u) | (datos['Diametro X'] < Th_d) |
                       (datos['Diametro Y'] > Th_u) | (datos['Diametro Y'] < Th_d)]

In [26]:
data_violations.describe()


Out[26]:
Tmp Husillo Tmp Nozzle Diametro X Diametro Y MARCHA PARO RPM EXTR RPM TRAC
count 1028.000000 1028.000000 1028.000000 1028.000000 1028 1028 1028 1028.000000
mean 66.589397 151.097860 1.661490 1.650587 1 1 0 2.230581
std 0.144198 0.740691 0.258431 0.246481 0 0 0 0.849306
min 66.300000 149.600000 0.988940 0.977249 True True 0 1.497500
25% 66.500000 150.500000 1.470675 1.471450 1 1 0 1.497500
50% 66.600000 151.000000 1.631253 1.620859 1 1 0 1.497500
75% 66.700000 151.600000 1.837711 1.816241 1 1 0 3.500000
max 67.000000 153.100000 2.606193 2.609260 True True 0 3.500000

In [27]:
data_violations.plot(subplots=True, figsize=(12,12))


Out[27]:
array([<matplotlib.axes._subplots.AxesSubplot object at 0x08FB35D0>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x09012F30>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x09042350>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x08B200F0>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x08A351B0>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x09054490>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x0907C810>,
       <matplotlib.axes._subplots.AxesSubplot object at 0x0908F330>], dtype=object)

In [ ]: