398760_zh-TW

liliconcom

優化多元模型：從數據收集到最佳條件和評分模型 (2021-US-45MP-927)

級別：中級

 

ADM 高級分析工程師 Isaac Himanga

 

製造過程是高度相關的系統，難以優化。 這種相關性提供了識別異常值的機會。 在這裡，我們展示了一個完整的工作流程，其中包括：

 

• 從 OSISoft 歷史數據庫獲取數據。
• 使用考慮過程約束的多變量模型進行建模和優化。
• 使用 MDMCC 平台。
• 在線評分模型並將異常情況寫回給歷史學家。

在實踐中，許多流程很難優化。 有時，系統不能簡化為一組可以測試的自變量；在其他情況下，該過程在不同條件下會變得不穩定。為了解決這些問題，我們正在使用 JMP 16 中的新功能來優化成本和質量潛可變空間，同時考慮對觀察到的變量。 為了保持這些最佳條件，我們使用 MDMCC 平台快速識別與正常的偏差。

 

插件用於最大限度地減少收集數據和評分模型所花費的時間：一個用於將過程數據從流行的 PI 歷史數據庫中提取到 JMP，一個用於快速重新創建計算列，第三個用於在線評分模型並將結果發送給歷史數據庫，包括 MDMCC 的貢獻。

 

JMP 社區提供了引用的插件：

• Aveva/OSISoft PI 工具
• 腳本工具

 

 

自動生成的成績單...

 

揚聲器	成績單
艾薩克·希曼加	你好，早上好。
珍妮絲勒博，JMP	嗨，艾薩克，你好嗎。
艾薩克·希曼加	做得很好，你好嗎。
珍妮絲勒博，JMP	好的，謝謝你，我是丹，今天我要為你製作演示文稿。
艾薩克·希曼加	太棒了。
珍妮絲勒博，JMP	我看不到你以撒。
艾薩克·希曼加	是的，我很抱歉在這裡設置它。
珍妮絲勒博，JMP	好的，只是為了讓你知道我們現在正在錄音。
	絕對酷我覺得我們以前見過。
艾薩克·希曼加	我敢肯定，我們可能有一個峰會，如果它在任何地方。
珍妮絲勒博，JMP	好的，很好，你今天過得怎麼樣。
艾薩克·希曼加	做得很好，你好嗎。
珍妮絲勒博，JMP	很好很好，我喜歡你的背景，你肯定會用這種美麗的顏色。
艾薩克·希曼加	謝謝你。
	好的。
珍妮絲勒博，JMP	我只是要回顧一些事情，我只需要與你再次確認。
	您的演講者姓名公司和摘要標題。
	好的，你們有任何共同演示者嗎？好吧，你同意我們記錄這個並將其發佈到發現發現峰會檔案。
艾薩克·希曼加	絕對的，我想，我也打算在我的網站上將我的結局發佈到記錄中，以防萬一發生什麼事，所以我們會得到它的副本，這對你來說沒問題。
珍妮絲勒博，JMP	嗯，我不知道這是否會影響任何東西的質量。
艾薩克·希曼加	我不應該經常這樣做嗎？
珍妮絲勒博，JMP	好的，我讓你帶頭，我是你的背景看起來不錯你的麥克風聽起來不錯，只是想再次確認你的手機和計算機通知已關閉。
艾薩克·希曼加	應該是，但我會再次檢查只是因為什麼時候。
珍妮絲勒博，JMP	我把你的作品稱為。
	進而。
	能量8和1920乘10天，你有沒有在後台養寵物。
艾薩克·希曼加	所以。
珍妮絲勒博，JMP	它可能會發出噪音，就像我的貓可能會那樣，所以我推薦了他。
艾薩克·希曼加	好吧，理論上，我是今天唯一一個回家的人。
珍妮絲勒博，JMP	您是否關閉了 Skype 或任何其他發出噪音的應用程序。
艾薩克·希曼加	訪問我把這個關掉是的。
	好的。
艾薩克·希曼加	是的，所以我認為唯一應該像你一樣，當我們開始時，我實際上會把你的音量調低，以防萬一發生什麼事我能看到你，但它只會如果其他事情確實發出噪音，請保持安靜哦。
珍妮絲勒博，JMP	嗯，我要做的是。
	我只是要在這裡給你一些更多的指示，我要讓自己靜音並隱藏我的視頻，你可以共享你的屏幕進行演示。
	而且，在我讓自己靜音之前，我會先做我的 54321，然後給自己幾秒鐘，然後你可以繼續自我介紹。
	開始錄音，你可以開始你的演講，然後，當你告訴我今天的演講結束時，我希望你喜歡它，無論你想說什麼，然後我會停止為你錄音。
	很好，如果我們一開始就喜歡它，但你不高興，你知道我們可以停止它並重新開始，所以我對所有這些都非常酷。
艾薩克·希曼加	好的，現在希望這不會是你想要多接近 35 分鐘的問題，當我練習時，我的意思是它在 34 和 36 之間徘徊是你想讀 35 分鐘還是。
珍妮絲勒博，JMP	你知道這很好，我的意思是做你必須做的任何事情我知道一個人，如果他們告訴你 30 到 40 分鐘的時間，我們就在 20 分鐘一分鐘。
艾薩克·希曼加	是的，在某個地方，我記得他們可能在那裡給出了 35 個範圍。
珍妮絲勒博，JMP	這很酷，別擔心。
艾薩克·希曼加	好的，很好，很完美。
珍妮絲勒博，JMP	好的，所以我們正在雲端錄製。
	我們可以看到。
	哦，看起來很好，看起來很好吃。
艾薩克·希曼加	完美的。
珍妮絲勒博，JMP	是的。
	所以，你準備好我的視頻了嗎？
艾薩克·希曼加	讓我們看看怎麼樣，所以你沒有計時器相機會在我的上面設置計時器，所以我可以做 30。
珍妮絲勒博，JMP	我的意思是做任何你想做的事，因為這將開始。
	我的意思是，老實說，如果你認為它是 35 並且你去 32 那很好，如果你超過一點那很好。
	好的。
艾薩克·希曼加	所以我在這裡得到了一切。
	好的。
珍妮絲勒博，JMP	好的，所以你感覺很好，因為我要做。
	我會做 54321 並讓自己靜音。
	讓我們看看你在那裡僵住了 好吧，所以你準備好了。
艾薩克·希曼加	好的。
珍妮絲勒博，JMP	我想，到 4321 為止。
艾薩克·希曼加	我的名字是 Isaac Himanga，我將展示我在 ADM 使用的工作流程，以使用多變量模型優化製造流程。
	我將從提取數據和構建模型開始，找到現實的最佳條件，識別異常條件，最後使用當前數據對模型進行評分。
	這裡有很多關於各個平台的其他信息，所以我不會討論每個步驟的細節，我只會突出一些常用的功能，而是嘗試展示整個工作流程。
	我會說大多數分析的細節量都比 45 分鐘多一點。
	因此，請轉至 JMP 社區中本次演講的文章以獲取更多詳細信息和信息，包括帶有步驟屏幕截圖的期刊，我將在此處快速完成。
	我將首先簡要概述 ADM 和一般工作流程。
	然後我將把這個演示文稿放在一邊，向您展示 JMP 中的過程。 您將看到獲取和清理數據的樣子，使用分析器找出多個條件，
	使用模型驅動的多元控製圖平台，編寫腳本來針對該模型對新數據進行評分，最後，我將返回到本演示文稿，簡要介紹一種使用 JMP 對該模型進行連續評分的方法。
	首先，稍微介紹一下 ADM。
	ADM 的宗旨是釋放大自然的力量，豐富生活品質。
	我們將天然產品轉化為用於食品和飲料、補充劑、寵物和牲畜營養品的完整成分和香料組合，
	和更多。 憑藉遍布全球食物鏈各個環節的一系列無與倫比的能力，我們為我們的客戶提供解決當今和未來全球挑戰的優勢。
	其中一項功能是使用數據分析來改進我們的製造流程，包括我將要討論的方法。
	我是相對較新的重點改進和分析卓越中心的一員。
	我們不斷壯大的團隊投資於此類技術，以幫助我們的 800 家設施、300 個食品和飼料加工地點以及我們公司在世界各地的其他部門使用我們的數據做出更好的決策。
	現在，概述工作流程。
	我今天要回顧的四個步驟僅代表完整分析的一部分。 為了節省時間，我將省略一些我認為對每個數據集都至關重要的事情，
	比如可視化數據、使用驗證、減少變量、用其他模型證實結果，以及調整實驗室和過程數據。
	獲取數據，構建模型，在 JMP 中按需為該模型評分，然後持續對模型評分。
	JMP 具有支持每個步驟的工具，包括一系列數據庫連接、多元建模建模工具，如偏最小二乘法、主成分和模型驅動的多元控製圖平台，當然還有 JMP 腳本語言或 JSL。
	讓我們從獲取數據開始。 儘管有許多可用的數據庫連接和腳本選項，但我們需要一種快速的方法從我們的流程歷史數據庫中提取數據，
	一種名為 PI 的流行產品，無需編寫查詢或導航表結構。 自定義加載項是大多數數據集的答案。 該插件相對...最近發佈到 JMP 社區。
	另外兩個加載項可協助此過程。 一個，通常稱為腳本工具，包括一個選項，用於快速獲取腳本以重新創建計算列
	與大多數 JMP 平台內置的保存腳本功能結合使用時。 JMP 用戶可以根據需要快速重新創建分析並評分。
	最後一個插件，稱為 JMP 模型引擎，也是最新的。 它使用從 PItool 的加載項保存到數據表的配置文件和信息來獲取數據。
	這可以使用列公式或任何其他 JSL 腳本進行計算，然後將結果寫回曆史記錄。
	時間關係，我將很快完成最後一步，但同樣，我鼓勵您使用以下鏈接查找有關 JMP 社區的更多詳細信息
	本演示文稿的議程幻燈片。
	這些插件中的每一個都經過徹底檢查以刪除敏感信息，但我們正在將用戶轉移到社區上發布的相同代碼。 因此，如果您有想法以及如何改進它們，請隨時通過 JMP 社區與我們合作，或通過 GitHub 與我們合作。
	有了這個，讓我們打開 JMP。
	在幕後，ADM...或 JMP PItool 的插件使用幾個不同的 PI 產品來提取數據，包括 SQL DAS、OLEDB 和 ODBC。 設置說明可在此平台的幫助菜單中找到。
	今天，我們將從 5 月 1 日中午開始提取一組 PItag 的數據，然後我們將在每天中午之前提取另一個值，直到今天。
	我們將為一組特定的標籤執行此操作，這些標籤列在此處...
	在這個盒子裡。 請注意，我們實際上包含了所謂的友好標記或一個比 PIhistorian 中的名稱更具描述性的名稱，可幫助我們稍後在數據表中識別這些列。 周圍都是這些小問號
	...圍繞加載項提供更多信息，包括我們今天將使用的這種友好標記格式的描述。
	當我點擊運行查詢時，它會打開一個看起來像這樣的數據表。 它有一組用於該數據表中所有數值的列。
	它有一組用於任何字符串值的列，因此如果您在 PItag 中存儲了字符，它將提取這些字符。 我們還可以看到該 PItag 的狀態
	對於每一行。
	同樣在該數據表的列屬性中，如果我們打開列信息，我們將看到用於提取該數據點的信息，包括 PItag，
	呼叫類型和間隔。 對於更複雜的查詢，例如平均值或最大值，我們將在此處查看更多信息。
	我會注意到，這是經過重新調整併且列名已更改的真實數據，但是我們今天將看到的分析看起來應該與使用來自我們的一個設施的實際數據的真實分析非常相似。
	最後，我要指出，這裡有一個腳本保存到名為 PI 數據源的數據表中，該腳本與加載項中實際顯示的腳本相同
	它包含在這裡也可用的 SQL。 再次在幕後，這使用
	SQL DAS 或 PI DAS 以便從 PI 獲取該信息，這就是所有......它將運行以獲取該數據的所有腳本。 我們將在今天的演講接近尾聲時回來再次使用它。
	好的，現在我們有了數據，我們需要清理這些數據。 我們今天將使用多元工具來做到這一點，特別是主成分分析。 我將從該數據表中提取所有數值並將其放入 y 列列表中，然後
	馬上，我們可以看到一些值具有...相當多的值對於組件一的得分特別低。 如果您查看這些負載
	不同的因素，我們可以看到組件一包括該數據集中所有不同流的高負載。
	所以這告訴我左邊的所有這些值在整個系統中都有很高的流量。 使用一些工程知識，我可以說這代表了該過程的停機時間，所以我將繼續隱藏和排除所有這些值。
	既然我們已經這樣做了，我們將重新計算主成分分析，所以我們將使用重做和重做分析，然後關閉舊的分析。
	現在我們可以看到負載可能更有意義一些。 例如，主成分 3 解釋了流 2 中的大部分變化，這裡有一點分離。
	前三個組件解釋了大部分變化，因此我將在查找此數據集中的其他異常值時使用這三個組件。
	為此，我將打開異常值分析並將分量數更改為三個。
	然後我們可以看到T平方圖，我也可以打開歸一化的DModX圖
	查看具有一個或多個分數的極值的點或具有單個分數的點
	基於該數據集中針對該特定角色的所有其他列，列或具有意外值或超出預期範圍的值的單個單元格。
	現在，我們將通過排除所有高於控制上限的 T 平方和 DModX 值來快速清理此數據集。
	清理數據集時通常要做的另一件事是轉換列，我想展示腳本工具加載項的一個功能，它使
	它甚至試圖申請和
	轉移到新的公式列菜單。 如果我選擇三列或任意數量的列並轉到自定義轉換選項，該選項將再次作為該腳本工具加載項的一部分加載，
	我可以選擇一個 Savitzkey-Golay 轉換並點擊 OK，它會在數據表的末尾添加三列，其中包含一個包含該轉換的公式。
	我會注意到，我們所做的清潔工作可以直接在 PLS 中完成。 不過，我經常先使用 PCA。
	好的，現在我們已經清理了我們的數據集，我們需要實際構建一個模型
	嘗試並預測...我們的工藝條件。 也許是關於這個數據集的另一個快速說明，我們在這裡有一個流目標。
	今天，我們的目標將是使用盡可能少的流量來創建一定數量的目標流量，並考慮一些......
	考慮對這些質量參數的一些限制。 因此，因為流一是我們主要感興趣的，我將切換到偏最小二乘模型並使用該流...y 中的目標流和所有其他變量作為 X 因子。
	我現在只接受所有的默認值，我將提前一點，立即使用四個因素。
	當我打開這四個因素時，
	我們會看到前兩個
	代表
	工廠通常在訂單中更改的變量......以調整他們運行流程的速度。 因此，如果他們需要或多或少地製造此目標流量，他們通常會更改因子 1 以實現該目標速率。
	另一方面，因素 2 主要與這些質量參數有關，它們實際上是我們無法控制的輸入質量參數。
	所以這不是我們可以改變的。 因此，即使因子 3 和因子 4 相對......解釋了相對較小的變化量
	我們的目標流程，它們解釋了我們的因素一的相對少量的變化，那些是我們實際上可以控制的，因此我們將能夠使用這些來優化我們的流程。
	為了使用它......所以我們已經建立了一個模型來解釋我們數據的變化。
	為了使用該信息，我們需要保存其中一些列或將來自該列的預測保存到我們數據集中的新列
	我們將在幾分鐘內在預測分析器中使用它。
	我們將利用 JMP 16 中添加的一些新功能，允許我們將 Y 和 X 變量的預測保存為 X 分數公式。 當我們打開分析器時，我認為這將有助於說明為什麼這變得重要。
	因此，我們已將所有三個預測、X 預測和 T 方格保存回我們的數據表。 這些應該是底部的新列，作為這些 X 分數的函數。
	我們還可以快速查看 PLS 平台內的距離和 T 平方圖，我們看到雖然有一些變量具有相當高的 DModX 或 T 平方，但沒有什麼太極端的。
	這些分數通常被保存或總是與變量名稱一起保存，當您保存越來越多或經歷模型的多次迭代時，這些名稱可能會變得混亂。 所以腳本工具包含另一個函數，稱為重命名列，
	這將允許您為 PLS 選擇示例查詢。 這裡有一個非常複雜的正則表達式模式，
	但請注意，它會輸出一組標準名稱，這些名稱對於數據表中的 PLS、PCA 和其他平台看起來相同。
	所以在這種情況下，我實際上要復制一個特定的前綴，我們將放在所有這些列之前，表明這是我們要在線進行質量控制的模型，它是該模型的第一個修訂版。
	當我更改名稱時，我們可以看到它自動更改了數據集中所有這些列的名稱。
	所以我們建立了一個模型來解釋
	這些列，但我們還沒有做的是我們最初的目標是弄清楚如何使用盡可能少的流量來產生一定數量的流量......我們的目標流量。 為此，我們將使用分析器。 請注意，當我們打開分析器時，
	我們可以將所有這些預測值（因此不是 X 分數本身，而是預測值和 T 平方）添加到此預測公式部分。
	然後，當它打開時，我們將在 X 軸上看到模型中的所有分數或潛在變量。
	我們可以看到，當我們移動這些分數之一時，它會自動將所有這些觀察到的變量移動到一起
	以這些成分中的每一種的負載比率。 所以重要的是，看看這些流三和四，它們總是一起移動。 無論我們移動哪個分數，
	這個模型明白這兩個分數是相關的。 也許一個是他們可以控制的流量計，也許是第二個
	是同一條線上的第二個流量計，但無論如何它看起來不像工廠能夠在不沿同一方向移動另一個的情況下移動一個。
	因此，我們的目標是為這些分數中的每一個找到可以優化我們流程的值。
	在我們這樣做之前，我們需要告訴 JMP 我們要優化的是什麼。 我們需要說明的是，我們有一個我們試圖達到的特定流速和我們試圖達到的某些質量參數。
	所以我們首先要告訴它我們不關心大多數這些列的值。 所以我們將選擇我們保存的所有列，
	我們將標準化屬性，我們將為所有這些不同的列添加無響應限制。
	然後我們將返回並調整響應限制。 對於我們關心的列，它可以更具描述性。 例如，流目標將返回到響應限制，我們將指示我們希望匹配該列的值 140。
	同樣，對於質量一，我們希望達到
	20.15.
	對於流程一，我們希望最小化該值。
	最後，我們需要確保我們得到的解決方案接近系統的正常運行範圍，所以我們不想在我們構建 PLS 的區域之外進行推斷。
	為此，我們將使用此 T 平方列，並指出我們希望最小化 T 平方
	這樣它就低於該 PLS 平台中顯示的控制上限。 在這裡我們可以看到控制上限是 9.32，所以我們將使用它作為這裡的最小值。
	我們現在應該在分析器中看到的是，低於 9.32 的每個值都是同樣可以接受的，並且當您超過 9.32 時，它會越來越不受歡迎。
	在圖形菜單下，我將再次打開分析器，並再次將所有這些預測和 T 平方公式放入 Y 預測公式中。
	我們仍然看到底部的 X 分數，但現在我們也在右側看到了這些合意性函數。
	T 平方的合意性函數再次開始下降至 9.32 以上。 在流量 1 的低值處可取性最高，我們已經為目標流量和質量參數設定了目標。
	因為我們已經定義了所有這些，我們現在可以去最大化合意性。
	這將嘗試為這些分數中的每一個找到值，因此，我們數據集中所有觀察到的變量的值
	實現此目標流程並實現我們之前定義的目標。
	請注意，它幾乎達到了完整目標，但看起來有點低。 它確實達到了我們的 20.15
	它在我們給出的 T 平方範圍內。 很可能 JMP 認為合意性的這種微小降低不如減少流量重要，因此我們可以通過控制單擊此合意性函數並將重要性更改為 10 來解決此問題。
	現在，如果我們再次優化它，它應該更接近流目標。 不過，在我們這樣做之前，我會將這些因子設置保存到底部的這張表中，以便我們可以比較前後。 然後我們將繼續並最大限度地提高吸引力。
	看起來它已經完成了，我們仍然在 T 平方的範圍內。
	它達到了我們要求的 20.15，而且肯定更接近 140。 所以現在我們可以再次將這些因子設置保存到數據表中。
	我們現在應該有一些可以反饋給製造工廠的因素，然後說，嘿，這裡是我們推薦的參數。
	像這樣使用多變量分析的好處，我們之前討論過那些流三和四是相關的，
	使用這種方法，我們應該能夠為工廠提供他們實際能夠運行的合理值。
	如果你告訴他們為第三流運行一個高值而為第四流運行一個低值，他們可能會看著你說這是不可能的。
	這些應該更合理。 請注意，並非所有這些變量都必須是工廠可以控制的自變量。 其中一些可能是
	結果，或者它們可能只是與其他變量相關。 從理論上講，如果工廠改變了他們可以控制的所有事情，其他事情應該就位。
	所以現在我們已經優化了這個模型，下一步通常是確保或驗證我們是否正常運行。 因此，一旦將最佳條件放入其中，最好使用相同的模型對新行或新數據進行評分並了解，該過程是否如我們預期的那樣運行？
	為此，我們將使用從 PLS 平台保存的相同預測分數，但這次我們將使用模型驅動的多元控製圖中的預測分數
	在質量和工藝下。
	我將使用時間並將其放入時間 ID，因此我們將在所有圖表上看到實際日期，而不是查看行號，並將 X 分數放入流程中。
	不幸的是，範圍在這些圖表上並不總是正確工作，所以如果我稍微放大一點，我們會看到這裡有高 T 平方的時期，而高 T 平方主要是流動的結果二、三、四和一，所以所有的東西都流入……
	是這個 T 平方的高貢獻者。 如果我們單擊它並將鼠標懸停在其中一個條形上，如果我再次單擊該點，那麼我們將看到該單個值的控製圖......個人
	我們選擇的點在該圖表上突出顯示的變量。
	不過，我將隱藏這一點，不僅要看 T 平方，我們還可以對 DModX 或 SPE 做同樣的事情，如果你還在看 SPE。 再來一次，
	這並不總是正確的。
	所以我們將放大
	DModX 值再次。
	因此，與基於其他行、該行中的其他數據的預期相比，DModX 將指示單個列具有高值或低值的點。
	在這裡我們可以看到，這點主要是由於流 5 造成的異常值。
	我確實發現貢獻比例熱圖對於查看舊數據中的模式非常有用，例如，當一個變量可能是一個高影響因素或在很長一段時間內或某段時間內表現異常時.
	因此，這是一個圖表，我們可能希望……例如，我們可能希望每天早上查看或定期查看流程是否正常運行？
	你進來，你想打開它看看，我現在有什麼應該調整的，以便讓我們的過程重新得到控制？
	因此，為了做到這一點，我們希望重新創建從提取 PI 數據到打開 MDMCC 平台的整個分析，並通過單擊按鈕即可使用所有這些分析。
	為此，我們將編寫一個包含三個步驟的 JSL 腳本。 它將從 PI 獲取數據，我們將添加計算列，然後在多變量控製圖平台中打開我們擁有的模型。
	從 PI 獲取數據。 如果我們回到原來的數據表，我們...
	PI 工具加載項運行後打開，我們可以看到這個 PI 數據源腳本保存到該表。 如果我們編輯該腳本並複制它，我們可以將其粘貼到新的腳本窗口中。
	我只會做一個改變。 我們不會從 5 月開始提取數據，而是從 8 月 1 日開始提取數據。
	現在我們需要添加那些計算列。 所以請記住我們...在 PLS 平台中，我們使用保存的分數...另存為 X 分數公式選項。
	為了重新創建這些，我們只需選擇數據表中的所有列並使用在該腳本工具加載項中再次添加的複制列腳本功能。
	一旦我們複製了列腳本，我們就回到我們創建的這個新腳本中，我們將粘貼一堆新的列公式以再次重新創建所有這些列。
	最後，模型驅動的多元控制
	圖表有一個？？？大多數其他平台，您可以在其中將腳本保存到剪貼板，然後將其粘貼到同一個腳本窗口中。
	現在，如果我們想像這是新的一天，我們已經關閉了一切，我想看看我們的流程是如何進行的，我會運行相同的腳本。 請注意，我可以用
	一個特定的斜線斜線，然後是一個感嘆號，以便在腳本打開時自動運行。
	當我點擊運行時，它會打開一個數據表，它看起來與我們的原始表一樣。 它有所有相同的列。
	添加了那些計算列，所以我們把這些分數和所有的預測都放進去，它也打開了模型驅動的多元控製圖平台
	在這裡我們可以看到 DModX 的這個最近的值實際上相當高，所以最近的數據有一些異常值，在這種情況下，質量三。
	同樣，基於其他參數，質量 3 看起來不像預期值。 在這種特殊情況下，這可能意味著，
	由於質量 3 是一個輸入參數，而質量 1、2 和 3 通常是相關的，這可能意味著質量 3 是一個糟糕的實驗室樣品，或者它可能意味著這是一種我們以前從未使用過的新材料。
	好，最後我們來說說一種連續運行這個模型的方法。 所以這是按需重新創建的，
	我們寫了一個 JSL 腳本來運行它，但有時它是有益的
	或者我們發現將這些結果寫回我們的 PI 歷史數據庫是有益的，以便他們可以使用
	我們設施的操作員。 所以在最後幾分鐘，我想介紹這個插件，它被稱為模型引擎插件，
	這將快速在線對模型進行評分。 我應該注意，這應該僅用於建議。 這不是提供關鍵信息或閉環控制的可接受方法。
	為此，您可以考慮從公式庫中導出公式並使用其他一些軟件包對其進行評分。
	如前所述，該模型中可用的一些預測和信息
	在它發生的那一刻，最有價值。 所以知道是什麼導致了昨天的問題很好，但知道現在發生了什麼
	意味著使用當前模型結果做出決策，並允許在某些問題成為大問題之前加以解決。
	當然有很多方法可以為模型評分，但是 JMP 腳本語言、JSL、
	使用他們已經習慣的現有可視化和趨勢工具套件，提供了一種在我們製造設施的操作員面前獲取預測和異常信息的方法。
	一對模型引擎或運行 JMP 的計算機以及啟動任務調度程序的特定加載項，被設置為定期運行存儲在特定目錄中的所有模型。
	所有配置都是通過兩種類型的配置文件完成的，一個引擎配置文件和一個模型配置文件，用於每個要評分的模型。
	讓我們從該模型配置文件開始。 還記得 PI 工具加載項如何將源信息保存到數據表中嗎？
	現在可以使用相同的信息來填充模型配置文件，該文件告訴模型引擎如何下載一個表，其中一行包含它需要計算值的所有模型輸入。
	之後，腳本工具插件快速保存腳本以重新創建從 PLS 和任何其他平台保存的列，
	可能包括可以從模型版本控製圖表平台保存的 T 平方和 DModX 貢獻。 這些新的列腳本也保存在模型配置文件或同一目錄中的單獨文件中。
	最後，引擎配置文件定義了引擎如何與 PI 工具所在的數據源通信。
	加載項...PI 工具加載項使用 OLDB 的地方
	和 SQL 查詢獲取數據，模型引擎使用 PI Web API 直接向 PI 讀取和寫入數據。
	通過在引擎配置文件中定義一組函數，該引擎還可以與許多其他數據源進行通信。
	注意定義了一組心跳標籤，它允許數據源和其他模型引擎知道這個引擎的狀態。
	每個模型也有自己的一組心跳標籤，因此如果一台機器停止對特定模型評分，另一個引擎將自動接管。
	同樣，這個模型引擎的想法並不打算用於關鍵應用程序，但我發現它使我們能夠非常快速地從部署和探索性分析轉向在線預測或質量控制解決方案。
	在此，感謝大家的出席。 請記住，JMP 社區提供了有關每個插件和我今天使用的期刊的更多信息。
珍妮絲勒博，JMP	很棒的工作很棒。

爆發數據訪問和操作統計和建模回复：優化多元模型：從數據收集到最佳條件和評分模型 (2021-US-45MP-927)

真是令人印象深刻的作品！

回复：優化多元模型：從數據收集到最佳條件和評分模型 (2021-US-45MP-927)

@ih : 謝謝你的談話，Issac。 我真的很喜歡它！
我其實還有一個問題要補充：
你能分享一張關於操作員最終在他的屏幕上看到的照片嗎？

您是直接在 UCL 中展示 T2 或 Dmodx 嗎？ 那麼運營商是否正在執行顯示最大貢獻比例的向下鑽取？

謝謝！
本

回复：優化多元模型：從數據收集到最佳條件和評分模型 (2021-US-45MP-927)

精彩的演講和出色的工作，感謝您展示了這些技術可以提供的所有內容，並分享了您創造性地使用主成分作為觀察到的變量的“構建塊”。

由於您已將其應用於不同的工廠，您是否提出過 PCA 最好不要用於同時測量，而是用於一些延遲測量以考慮處理和傳輸時間等的情況？ 如果是這樣，您能分享一下您是如何處理的嗎？ 謝謝！