Strumenti di controllo dell’impatto ambientale in presenza di dati autocorrelati Ugo Cardamone/Laura Deldossi STMicroelectronics U. Cardamone - STMicroelectronics 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 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 Come si può verificare che non sussiste la condizione di indipendenza? Diagramma di dispersione Correlogramma (ACF) R E S IS TIV 1 ,0 A C F Y(t+1) ,5 0 ,0 - ,5 L im it i d i c o n f i d e n z a - 1 ,0 Y(t) C o e f f ic i e n t e 1 5 9 13 1 7 21 25 2 9 3 33 7 4 1 45 49 N u m e r o d i r it a r d o T _ _ (yt - y)( yt-h - y) ^ (h) = t=h+1 T _ 2 (yt - y) t=h+1 bande di confidenza al 95% (corrispondenti a 2/ T). U. Cardamone - STMicroelectronics Esempio di correlazione Diagramma di dispersione Correlogramma TO C 1 .0 A CF Y(t+1) .5 0 .0 - .5 L im iti d i c o nf ide n za -1 .0 Y(t) C oe ff ic ie n te 1 5 9 13 17 21 25 29 33 37 41 45 49 N ume ro di r itar do Se le osservazioni non sono indipendenti, come fare a controllare il processo? U. Cardamone - STMicroelectronics Esempio 1: Resistività ACF tutti i dati (n=2266) resistività (Mohm*cm) R ES IST IV 1 .0 18.3 .5 AC F 18.2 PreAl 18.1 LSL 18 0 .0 - .5 L i miti d i c o n fid e n z a 17.9 01-mar-03 - 1 .0 31-mar-03 30-apr-03 C o e ff ic i e n te 1 30-mag-03 5 9 13 17 21 25 29 33 37 41 45 49 N u m e ro d i rit a r d o (1)=0.317 (50)= 0.152 ACF prime 500 oss. G r a f ic o d i n o r m a lit à Q - Q d i R E S I S T I V R E S IS TIV 3 1 ,0 2 ,5 0 0 ,0 - ,5 L im it i d i c o n f i d e n z a - 1 ,0 C o e f f ic i e n t e 1 5 9 13 1 7 21 25 2 9 3 33 7 4 1 45 49 N u m e r o d i r it a r d o Normale atteso A C F 1 -1 -2 -3 1 8 .0 8 1 8 .1 0 1 8 .1 2 V a lo r e o s s e r v a t o U. Cardamone - STMicroelectronics 1 8 .1 4 1 8 .1 6 1 8 .1 8 1 8 .2 0 1 8 .2 2 Osservazioni correlate – Cause Speciali Out Of Control Carta di controllo di Shewart Carta EWMA l=0.2 L=2.958 U. Cardamone - STMicroelectronics Eliminando le osservazioni fuori controllo R ES G r a f ic o Q - Q N o r m a le d i R E S 1,0 18 ,22 18 ,20 V alo r e a tteso di N o r m a le A CF ,5 0,0 - ,5 - 1,0 1 5 18 ,18 18 ,16 18 ,14 18 ,12 Limit i di c on fi den z a 18 ,10 Coef f ic i ente 9 13 1 7 21 25 2 9 3 3 3 7 4 1 45 49 Nu m er o d i r it ar do (1)=0.069 18 ,08 18,08 18, 10 18 ,12 18,14 18,1 6 V a lo re os s e rv a t o (4)=0.093 Non sempre la correlazione è dovuta all’insorgere di una causa speciale. Spesso essa è intrinseca al processo. U. Cardamone - STMicroelectronics 18 ,18 1 8,20 18,2 2 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 Possibili Approcci 1) Modellizzazione del processo + controllo sui residui Esempio 2: Toc 2) “Aggiustamento” dei limiti di controllo 3) Carte di controllo ad “hoc” Esempio 3: pH 4) Controllo di tipo “ingegneristico” U. Cardamone - STMicroelectronics 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 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 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 Esempio 2: Total Organic Carbon Numero Osservazioni = 13595 T OC (ppb) 3 2,5 USL = 5 ppb PreAllarme = 3 ppb 2 1,5 1 0,5 0 1-mar 31-mar 30-apr 30-mag TOC TOC 1.0 1.0 .5 ACF parziale ACF .5 0.0 0.0 -.5 Limiti di conf idenza -.5 Limiti di conf idenza -1.0 -1.0 Coef f iciente 1 5 9 13 17 21 25 29 33 37 41 45 Coef f iciente 1 5 9 13 49 17 21 25 29 33 37 Numero di ritardo Numero di ritardo U. Cardamone - STMicroelectronics 41 45 49 Total Organic Carbon Limitandosi alle osservazione rilevate nel mese di marzo (4464 osservazioni) il processo si modella secondo un IMA(1,1) Yt = Yt-1 + et - 1et-1 con 1=0.7227 ACF Calcolata sui residui Error for TOC from ARIMA, MOD_9 CON 1000 1.0 800 .5 600 0.0 400 -.5 200 Dev. Stand = .06 Media = -.000 8 11 10 13 12 15 14 N = 4462.00 16 Error for TOC from ARIMA, MOD_9 CON Numero di ritardo U. Cardamone - STMicroelectronics 25 .3 6 9 75 .2 4 7 25 .2 2 5 75 .1 3 25 .1 Coef f iciente 1 75 .0 -1.0 0 25 .0 5 02 -. 5 07 -. 5 12 -. 5 17 -. 5 22 -. ACF Limiti di conf idenza 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. ^ t = (1-1)Yt-1 + 1Y ^ t-1 con 1=0.7227 (EWMA con l=(1-1)) Y 3 2,5 2 1,5 1 0,5 0 -0,5 -1 01-mar 31-mar U. Cardamone - STMicroelectronics 30-apr Esempio 3: pH Osservazioni = 2266 USL = 9.5 LSL = 5.5 PreAl inf = 6.5 PreAl sup = 8.5 pH 9,5 8,5 7,5 6,5 5,5 01/03/2003 31/03/2003 30/04/2003 30/05/2003 pH 1,0 ,5 ,5 ACF parziale ACF pH 1,0 0,0 -,5 0,0 -,5 Limiti di conf idenza -1,0 Coef f iciente 1 5 9 13 17 Limiti di conf idenza -1,0 Coef f iciente 1 Numero di ritardo 5 9 13 17 Numero di ritardo U. Cardamone - STMicroelectronics Estrazione sottoserie stazionaria pH Osservazioni = 900 USL = 9.5 LSL = 5.5 PreAl inf = 6.5 PreAl sup = 8.5 pH 9,5 8,5 7,5 6,5 5,5 13-mar 20-mar 27-mar 3-apr 10-apr 17-apr Carta EWMAST per processi stazionari (Zhang (1998)) Zt = lYt + (1-lZt-1 con l=0.2 LZ con L=3 U. Cardamone - STMicroelectronics 9,5 8,5 7,5 6,5 5,5 13-mar 27-mar 10-apr 24-apr 08-mag 22-mag 05-giu pH 9.5 8.5 7.5 6.5 5.5 13-mar 27-mar 10-apr 24-apr 8-mag U. Cardamone - STMicroelectronics 22-mag 5-giu 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 Modellizzazione del processo Non richiesta Stazionarieta’ Vantaggi: Svantaggi: Richiede di modellare il processo Utilizzando i residui Trend shift” in input “Step Shift” in output Rilevare rottura di media “C” Rilevare rottura di media “C” Rischio “Forecast Recovery” U. Cardamone - STMicroelectronics Forecast Recovery By Lin & Adams 1996 U. Cardamone - STMicroelectronics