398760_zh-CN

liliconcom

优化多元模型：从数据收集到最佳条件和评分模型 (2021-US-45MP-927)。

级别：中级

 

Isaac Himanga，ADM 高级分析工程师

 

制造流程是高度相关的系统，难以优化。 这种相关性提供了识别异常值的机会。 在这里，我们演示了整个工作流程，其中包括：

 

• 从 OSISoft 历史记录获取数据。
• 使用考虑流程约束的多元模型进行建模和优化。
• 使用 MDMCC 平台。
• 在线对模型进行评分并将异常情况写回历史学家。

在实践中，许多流程很难优化。 有时一个系统不能简化为一组可以测试的自变量；在其他情况下，该过程在不同条件下可能会变得不稳定。为了解决这些问题，我们正在使用 JMP 16 中的新功能来优化成本和质量潜可变空间，同时考虑到约束观察到的变量。 为了保持最佳条件，我们使用 MDMCC 平台快速识别与正常情况的偏差。

 

插件用于最大限度地减少收集数据和评分模型所花费的时间：一个用于将流程数据从流行的 PI 历史记录提取到 JMP，一个用于快速重新创建计算列，第三个用于在线评分模型并将结果发送给历史记录，包括 MDMCC 的贡献。

 

引用的插件可在 JMP 社区上找到：

• Aveva/OSISoft PI 工具
• 脚本工具

 

 

自动生成的成绩单...

 

扬声器	成绩单
艾萨克·希曼加	你好早上好。
珍妮丝·勒博，JMP	嗨，艾萨克，你好吗。
艾萨克·希曼加	做得很好，你好吗。
珍妮丝·勒博，JMP	好的，谢谢你，我是丹，我今天要为你制作演示文稿。
艾萨克·希曼加	太棒了。
珍妮丝·勒博，JMP	我看不到你，艾萨克。
艾萨克·希曼加	是的，我很抱歉我把它设置在这里。
珍妮丝·勒博，JMP	好的，只是为了让您知道我们现在正在录音。
	太酷了，我感觉我们以前见过。
艾萨克·希曼加	我敢肯定，我们可能会登上顶峰，如果它在任何地方的话。
珍妮丝·勒博，JMP	好的，很好，你今天过得怎么样。
艾萨克·希曼加	做得很好，你好吗。
珍妮丝·勒博，JMP	很好很好，我喜欢你的背景，你的背景颜色很漂亮。
艾萨克·希曼加	谢谢。
	好的。
珍妮丝·勒博，JMP	我只是要回顾一些事情，我只需要与你再次确认。
	您的演示者姓名、公司名称和摘要标题。
	好的，你们有共同主持人吗？好吧，你们同意我们录制这段视频并将其发布到 Discovery Discovery 峰会档案馆。
艾萨克·希曼加	绝对是的，我想，我也会在我的网站上将我的比赛记录下来，以防万一发生什么事情，所以我们会得到一份副本，这对你来说没问题。
珍妮丝·勒博，JMP	嗯，我不知道这是否会影响任何东西的质量。
艾萨克·希曼加	我不应该经常这样做吗？
珍妮丝·勒博，JMP	好吧，我会让你带头说我是你的背景看起来不错你的麦克风听起来不错好吧只是想再次确认你的手机和电脑通知已关闭。
艾萨克·希曼加	应该是，但我会再次检查，因为什么时候。
珍妮丝·勒博，JMP	我称你的作品为
	进而。
	八能量和1920 by 10 Day，你的背景里有宠物吗？
艾萨克·希曼加	所以。
珍妮丝·勒博，JMP	它可能会发出噪音，就像我的猫可能会发出的声音，所以我推荐了他。
艾萨克·希曼加	嗯，理论上来说，今天只有我一个人在家。
珍妮丝·勒博，JMP	您是否关闭了 Skype 或任何其他发出噪音的应用程序。
艾萨克·希曼加	访问我的权限，将其关闭，是的。
	好的。
艾萨克·希曼加	是的，所以我认为唯一应该做的事情是，当我们开始这里时，你和我实际上会把你的音量调低，以防万一发生什么事情我能看到你，但它只会保持安静，如果有其他声音的话哦。
珍妮丝·勒博，JMP	嗯，我要做的是。
	我只是想给你一些更多的指示，我要把自己静音并隐藏我的视频，你可以共享你的演示屏幕。
	而且，在我将自己静音之前，我会先执行 54321，然后给自己几秒钟的时间，然后您可以继续介绍自己。
	开始录音，你可以开始你的演示，然后，当你告诉我今天的演示就到此结束时，我希望你喜欢它，无论你想说什么，然后我会停止为你录制。
	很好，如果我们在一开始就参与其中，而你不高兴，你知道我们可以停止它并重新开始，所以我对这一切完全不介意。
艾萨克·希曼加	好吧，现在希望这不会成为问题，你想要多接近 35 分钟，我在练习时的意思是它在 34 和 36 之间撕裂，你想读 35 分钟还是。
珍妮丝·勒博，JMP	你知道这很好，我的意思是，做你必须做的事情吧，我知道有一个人，我们在 20 分钟内，如果他们告诉你 30 到 40 分钟长的话。
艾萨克·希曼加	是的，在某个地方，我记得他们可能在那里给出了 35 个范围。
珍妮丝·勒博，JMP	没关系，不用担心。
艾萨克·希曼加	好的，很完美。
珍妮丝·勒博，JMP	好的，我们正在云端录制。
	我们可以看到这一点。
	哦，看起来很好吃。
艾萨克·希曼加	完美的。
珍妮丝·勒博，JMP	嗯是的。
	那么，你准备好我的视频了吗？
艾萨克·希曼加	让我们看看怎么样，这样你就没有定时器相机可以在我上面设置定时器，这样我就可以做
珍妮丝·勒博，JMP	我的意思是做任何你想做的事，因为这将开始。
	我的意思是，老实说，如果你认为是 35，那么你就选择 32，那也没关系，如果你稍微超过一点也没关系。
	好的。
艾萨克·希曼加	所以我在这里得到了一切。
	好的。
珍妮丝·勒博，JMP	好的，很好，所以你感觉很好，因为我要做。
	我会拨打 54321 并将自己静音。
	让我们看看你僵在那里吧，好吧，你准备好了。
艾萨克·希曼加	好的。
珍妮丝·勒博，JMP	我认为，通过
艾萨克·希曼加	我将演示我在 ADM 中使用的工作流程，以使用多元模型优化制造流程。
	您将首先提取数据并构建模型，找到现实的最佳条件，识别异常条件，最后使用当前数据对模型进行评分。
	这里还有很多关于各个平台的其他信息，因此我不会讨论每个步骤的细节，而只会重点介绍一些常用的功能，并尝试展示整个工作流程。
	我想说的是，大多数分析的详细程度都超过了 45 分钟。
	因此，请参阅 JMP 社区中本次演讲的文章，了解更多详细信息和信息，包括包含我将在此处快速完成的步骤屏幕截图的日志。
	我将首先简要概述 ADM 和一般工作流程。
	然后我将把这个演示放在一边，向您展示 JMP 中的流程。 您将看到获取和清理数据的样子，使用分析器找出多个条件，
	使用模型驱动的多元控制图平台，编写一个脚本来针对该模型对新数据进行评分，最后，我将返回到本演示文稿，简要给出一种使用 JMP 对该模型进行连续评分的方法。
	首先，简单介绍一下 ADM。
	ADM 的宗旨是释放自然的力量，丰富生活质量。
	我们将天然产品转化为食品和饮料、补充剂、宠物和牲畜营养品的完整成分和香料组合，
	和更多。 凭借遍布全球食物链各个环节的一系列无与伦比的能力，我们为客户提供解决当今和未来全球挑战的优势。
	其中一项功能是使用数据分析来改进我们的制造流程，包括我即将讨论的方法。
	我是相对较新的重点改进和卓越分析中心的一员。
	我们不断壮大的团队对此类技术进行了投资，以帮助我们的 800 个设施、300 个食品和饲料加工地点以及我们公司在世界各地的其他部门利用我们的数据做出更好的决策。
	现在，概述一下工作流程。
	我今天要回顾的四个步骤仅代表完整分析的一部分。 为了节省时间，我将省略一些我认为对每个数据集都至关重要的内容，
	例如可视化数据、使用验证、变量缩减、与其他模型验证发现以及协调实验室和过程数据。
	获取数据、构建模型、在 JMP 中按需对该模型进行评分，然后连续对模型进行评分。
	JMP 拥有支持每个步骤的工具，包括一系列数据库连接、多元建模建模工具（例如偏最小二乘法、主成分）以及模型驱动的多元控制图平台。
	让我们从获取数据开始。 尽管有许多数据库连接和脚本选项可用，但我们需要一种快速方法从流程历史记录中提取数据，
	一种名为 PI 的流行产品，无需编写查询或导航表结构。 自定义插件是大多数数据集的答案。 该插件相对......最近发布到 JMP 社区。
	另外两个加载项可协助此过程。 其中一种通常称为脚本工具，包括一个快速让脚本重新创建计算列的选项
	与大多数 JMP 平台内置功能的保存脚本结合使用。 JMP 用户可以根据需要快速重新创建分析并评分。
	最新的插件称为 JMP 模型引擎，也是最新的。 它使用配置文件和从 PItool 加载项保存到数据表的信息来获取数据。
	它使用列公式或任何其他 JSL 脚本进行计算，然后将结果写回历史记录。
	由于时间关系，我将很快完成最后一步，但我再次鼓励您使用以下链接查找有关 JMP 社区的更多详细信息：
	转到此演示文稿的幻灯片。
	每个加载项都经过彻底检查以删除敏感信息，但我们正在将用户转移到社区上发布的相同代码。 因此，如果您有想法以及如何改进它们，请随时在 JMP 社区或 GitHub 上与我们合作。
	这样，我们就可以打开 JMP。
	在幕后，ADM...或 JMP PItool 的插件使用几个不同的 PI 产品来提取数据，包括 SQL DAS、OLEDB 和 ODBC。 有关设置的说明可以在该平台的帮助菜单中找到。
	今天，我们将从 5 月 1 日中午开始提取一组 PItag 的数据，然后每天中午提取另一个值，直到今天。
	我们将对一组特定的标签执行此操作，这些标签在此列出...
	在这个盒子里。 请注意，我们实际上包含了所谓的友好标记或比 PIhistorian 中的名称更具描述性的名称，它将帮助我们稍后在数据表中识别这些列。 周围都是这些小问号
	...围绕加载项提供更多信息，包括我们今天要使用的这种友好标签格式的描述。
	当我点击运行查询时，它将打开一个如下所示的数据表。 它有一组包含该数据表中所有数值的列。
	它有一组适用于任何字符串值的列，因此如果您在 PItag 中存储了字符，它就会提取这些字符。 我们还可以看到该 PItag 的状态
	对于每一行。
	此外，在该数据表的列属性中，如果我们打开列信息，我们将看到用于提取该数据点的信息，包括 PItag，
	呼叫类型和间隔。 对于更复杂的查询，例如平均值或最大值，我们将在此处查看更多信息。
	我要指出的是，这是经过重新调整的真实数据，列名称也已更改，但我们今天将看到的分析应该看起来和感觉上与使用我们设施之一的实际数据进行的真实分析非常相似。
	最后，我要指出的是，这里保存了一个名为 PI 数据源的数据表中的脚本，该脚本与加载项中实际显示的脚本相同
	它包含也可在此处获得的 SQL。 再次在幕后，这使用
	SQL DAS 或 PI DAS 以便从 PI 获取该信息，这就是所有...它将运行以获取该数据的所有脚本。 我们将在今天演讲结束时再次使用它。
	好的，现在我们已经有了数据，我们需要清理这些数据。 今天我们将使用多元工具来做到这一点，特别是主成分分析。 我将从该数据表中提取所有数值并将其放入 y 列列表中，然后
	马上，我们可以看到一些值......相当多的值在组件一中得分特别低。 如果你看看那些的负载
	不同的因素，我们可以看到组件一包括该数据集中所有不同流的高负载。
	这告诉我，左边的所有这些值对于整个系统来说都有很高的流量。 使用一些工程知识，我可以说这代表该过程的停机时间，因此我将继续隐藏并排除所有这些值。
	现在我们已经做到了这一点，我们将重新计算主成分分析，因此我们将使用重做和重做分析，然后关闭旧的分析。
	现在我们可以看到载荷可能更有意义一些。 例如，主成分 3 解释了流 2 中的大部分变化，并且这里有一点分离。
	前三个组成部分解释了大部分变化，因此我将在寻找此数据集中的其他异常值时使用这三个组成部分。
	为此，我将打开异常值分析并将组件数量更改为三个。
	然后我们可以看到 T 平方图，我还可以打开标准化 DModX 图
	查看一个或多个分数具有极值的点或具有单个分数的点
	基于该特定角色的数据集中的所有其他列，列或单个单元格的值超出预期或超出预期范围。
	现在，我们将通过排除所有高于控制上限的 T 平方和 DModX 值来快速清理该数据集。
	清理数据集时通常做的另一件事是转换列，我想展示脚本工具加载项的一项功能，该功能使
	甚至有点尝试申请和
	转移到新的公式列菜单。 如果我选择三列或任意数量的列并转到自定义转换选项，该选项将再次作为脚本工具加载项的一部分加载，
	我可以选择 Savitzkey-Golay 转换并单击“确定”，它将使用包含该转换的公式将三列添加到数据表的末尾。
	我要指出的是，我们所做的清洁工作可以直接在 PLS 中完成。 不过，我经常先使用 PCA。
	好吧，现在我们已经清理了数据集，我们需要实际构建一个模型
	尝试预测……我们的工艺条件。 也许关于这个数据集的另一个快速说明是，我们在这里有一个流量目标。
	今天，我们的目标是使用尽可能少的流量来创建一定数量的目标流量，并考虑一些……
	考虑到这些质量参数的一些限制。 因为流一是我们主要感兴趣的，所以我将切换到偏最小二乘模型，并使用该流...y 中的目标流和所有其他变量作为 X 因子。
	我现在将接受所有默认值，然后稍微向前跳一点，立即使用四个因素。
	当我打开这四个因素时，
	我们会看到前两个
	代表
	工厂通常会根据订单更改变量……以调整流程运行的速度。 因此，如果他们需要增加或减少该目标流量，他们通常会更改因素一以实现该目标速率。
	另一方面，因素 2 主要与这些质量参数相关，这些参数实际上是我们无法控制的输入质量参数。
	所以这不是我们可以改变的。 因此，尽管因素三和因素四相对……解释了相对少量的变化
	我们的目标流程，它们解释了我们的因素一的相对少量的变化，这些是我们实际上可以控制的，所以我们将能够使用这些来优化我们的流程。
	为了使用这个......所以我们建立了一个模型来解释数据的变化。
	为了使用该信息，我们需要保存其中一些列或将预测保存到数据集中的新列
	几分钟后我们将在预测分析器中使用它。
	我们将利用 JMP 16 中添加的一些新功能，使我们能够将 Y 和 X 变量的预测保存为 X 分数公式。 当我们打开分析器时，我认为这将有助于说明为什么这变得很重要。
	因此，我们已将所有三个预测（X 预测和 T 方）保存回数据表中。 这些应该是底部的新列，作为这些 X 分数的函数。
	我们还可以快速查看 PLS 平台内的距离和 T 平方图，我们发现虽然有一些变量具有相当高的 DModX 或 T 平方，但没有什么太极端的。
	这些分数通常会保存或始终与变量名称一起保存，当您保存越来越多或经历模型的多次迭代时，这些名称可能会变得混乱。 因此脚本工具包含另一个功能，称为重命名列，
	这将允许您选择 PLS 的示例查询。 这里有一个非常复杂的正则表达式模式，
	但请注意，它输出一组标准名称，这些名称对于 PLS、PCA 和数据表中的其他平台来说看起来是相同的。
	因此，在这种情况下，我实际上要复制一个特定的前缀，我们将放在所有这些列之前，表明这是我们要在线进行质量控制的模型，并且它是该模型的修订版之一。
	当我更改名称时，我们可以看到它自动更改了数据集中所有这些列的名称。
	所以我们建立了一个模型来解释
	这些列，但我们还没有做的是我们最初的目标，即弄清楚如何使用尽可能少的流一来产生一定量的流......我们的目标流。 为此，我们将使用分析器。 请注意，当我们打开您的个人资料时，
	我们可以将所有这些预测值添加到此预测公式部分，因此不是 X 分数本身，而是预测值和 T 平方。
	然后，当它打开时，我们将在 X 轴上看到模型中的所有分数或潜在变量。
	我们可以看到，当我们移动其中一个分数时，它会自动将所有这些观察到的变量一起移动
	每个组件的负载比率。 非常重要的是，请看一下流程三和流程四。 无论我们移动哪个分数，
	该模型知道这两个分数是相关的。 也许其中一个是他们可以控制的流量计，也许还有第二个
	是同一条线上的第二个流量计，但无论如何，工厂似乎无法在不向同一方向移动另一个流量计的情况下移动一个流量计。
	因此，我们的目标是找到每个分数的值，以优化我们的流程。
	在此之前，我们需要告诉 JMP 我们正在尝试优化什么。 我们需要说的是，我们有一定的流速和质量参数。
	因此，我们首先告诉它我们不关心大多数列的值。 所以我们将选择我们保存的所有列，
	我们将标准化属性，并且为所有这些不同的列添加无响应限制。
	然后我们将返回并调整响应限制。 对于我们关心的列可以更具描述性。 例如，流量目标将返回到响应限制，我们将指示我们希望为该列匹配值 140。
	同样，对于质量一，我们希望达到
	20.15。
	对于流程，我们希望最小化该值。
	最后，我们需要确保我们得出的解决方案接近系统的正常运行范围，因此我们不想在构建 PLS 的区域之外进行推断。
	为此，我们将使用这个 T 平方列，并且我们将表明我们想要最小化 T 平方
	使其低于该 PLS 平台中显示的控制上限。 在这里我们可以看到控制上限为 9.32，因此我们将在此处使用它作为最小值。
	我们现在应该在分析器中看到的是，低于 9.32 的每个值都同样可以接受，而当高于 9.32 时，它会越来越不理想。
	在图形菜单下，我将再次打开分析器，并再次采用所有这些预测和 T 平方公式并将它们放入 Y 预测公式中。
	我们仍然在底部看到 X 分数，但现在我们还在右侧看到这些意愿函数。
	T 平方的意愿函数再次开始下降至 9.32 以上。 当流量一的值较低时，期望值最高，并且我们已经获得了目标流量和质量参数的目标。
	因为我们已经定义了所有这些，所以我们现在可以最大化意愿。
	这将尝试找到每个分数的值，从而找到我们数据集中所有观察到的变量的值
	实现这个目标流程并实现我们之前定义的目标。
	请注意，它几乎达到了全部目标。 它确实达到了我们的20.15
	我们给出的值是在 T 平方范围内的。 JMP 很可能认为意愿度的微小下降不如减少流量重要，因此我们可以通过控制单击此意愿函数并将重要性更改为 10 来解决此问题。
	现在，如果我们再次优化它，它应该会更接近流量目标。 不过，在此之前，我会将这些因子设置保存到底部的表中，以便我们可以比较之前和之后的情况。 然后我们将继续并最大限度地提高满意度。
	看起来已经完成了，我们仍然在 T 方范围内。
	它已经达到了我们要求的 20.15，而且肯定更接近 140。 现在我们可以再次将这些因子设置保存到数据表中。
	我们现在应该有一些因素可以反馈给制造工厂，并说，嘿，这是我们推荐的参数。
	使用这样的多变量分析的好处，我们之前讨论过相关的流程三和流程四，
	使用这种方法，我们应该能够为工厂提供它们实际能够运行的合理值。
	如果你告诉他们在第三流中运行高值，在第四流中运行低值，他们可能会看着你并说这是不可能的。
	这些应该是比较合理的。 请注意，并非所有这些变量都一定是工厂可以控制的自变量。 其中一些可能是
	结果，或者它们可能只是与其他变量相关。 从理论上讲，如果植物改变了它们确实可以控制的所有事情，那么其他事情就应该水到渠成。
	现在我们已经优化了这个模型，下一步通常是确定或验证我们是否正常运行。 因此，一旦设置了最佳条件，最好使用相同的模型对新行或新数据进行评分，并了解该过程是否按照我们的预期进行？
	为此，我们将使用从 PLS 平台保存的相同预测分数，但这次我们将使用模型驱动的多元控制图中的预测分数
	在质量和流程下。
	我将使用时间并将其放入时间 ID 中，因此我们将在所有图表上看到实际日期，而不是看到行号，并将 X 分数放入流程中。
	不幸的是，范围在这些图表上并不总是正确工作，所以如果我放大一点，我们会看到这里有一些时期，我们有一个高 T 平方，而高 T 平方主要是流量的结果二、三、四、一，一切都在其中流动。
	是这个 T 方的主要贡献者。 如果我们单击它并将鼠标悬停在其中一个条上，如果我再次单击该点，那么我们将看到该单个值的控制图...单个
	变量，我们选择的点在该图表上突出显示。
	不过，我将隐藏这个，不仅看 T 平方，还看 T 平方。 再次，
	这并不总是正确的。
	所以我们将放大
	DModX 再次值。
	因此，DModX 将指示与基于其他行、该行中的其他数据的预期相比，单个列具有高值或低值的点。
	在这里我们可以看到，该点主要是由于流程五而导致的异常值。
	我确实发现贡献比例热图对于查看和查看旧数据中的模式非常有用，例如，当一个变量可能是一个高贡献因素或在很长一段时间或某个时间段内表现异常时……
	因此，这是一个图表，我们可能想每天早上查看，例如，或定期查看该过程是否正常运行？
	你进来，你想打开它看看，我现在应该调整什么以使我们的流程恢复受控吗？
	为此，我们希望重新创建从提取 PI 数据到打开 MDMCC 平台的整个分析，并且只需单击一个按钮即可使用所有这些分析。
	为此，我们将编写一个包含三个步骤的 JSL 脚本。 它将从 PI 获取数据，我们将添加计算列，然后打开多元控制图平台中的模型。
	从 PI 获取数据。 如果我们回到原始数据表，我们。
	运行 PI 工具加载项后打开的表，我们可以看到此 PI 数据源脚本保存到该表中。 如果我们编辑该脚本并复制它，我们可以将其粘贴到新的脚本窗口中。
	我只想做一件事改变。 我们将从 8 月 1 日开始提取数据，而不是从 5 月开始提取数据。
	现在我们需要添加这些计算列。 所以请记住，我们...在 PLS 平台中，我们使用保存的分数...另存为 X 分数公式选项。
	为了重新创建这些，我们只需选择数据表中的所有列，并使用在该脚本工具加载项中再次添加的复制列脚本功能。
	复制列脚本后，我们返回到我们创建的新脚本，然后粘贴一堆新列公式以再次重新创建所有这些列。
	最后，模型驱动的多元控制
	图表有一个???大多数其他平台，您可以将脚本保存到剪贴板，然后将其粘贴到同一脚本窗口中。
	现在，如果我们想象这是新的一天并且我们已经关闭了所有内容，并且我想查看我们的流程运行情况，我将运行相同的脚本。 请注意，我可以这样开始
	特定的斜杠斜杠，然后是感叹号，以便在打开脚本时自动运行。
	当我点击运行时，它将打开一个看起来与我们的原始表完全相同的数据表。 它有所有相同的列。
	它添加了那些计算列，因此让我们将这些分数和所有预测放入其中，并且它还打开了模型驱动的多元控制图平台
	我们可以看到 DModX 的最近值实际上相当高，因此最近的数据有一些异常值，在本例中为质量三。
	因此，根据其他参数，质量三似乎未达到预期值。 在这种特殊情况下，这可能意味着，
	由于质量三是一个输入参数，而质量一、质量二和质量三通常是相关的，这可能意味着质量三是一个不好的实验室样本，或者可能意味着这是我们以前从未使用过的新材料。
	好吧，最后我们来谈谈一种连续运行这个模型的方法。 所以这是根据需要重新创建的，
	我们编写了一个 JSL 脚本来运行它，但有时它是有益的
	……或者我们发现将这些结果写回我们的 PI 历史记录是有益的，以便它们可以被使用
	我们设施的操作员。 所以在最后几分钟，我想介绍一下这个插件，它被称为模型引擎插件，
	这将快速在线对模型进行评分。 我应该指出，这应该仅用于建议。 这不是提供关键信息或闭环控制的可接受的方法。
	为此，您可以考虑从公式库导出公式并使用其他软件包对其进行评分。
	如前所述，该模型中提供的一些预测和信息
	在它发生的那一刻，拥有最多的东西就具有最大的价值。 因此，知道导致昨天问题的原因固然很好，但了解现在发生的情况
	意味着根据当前的模型结果做出决策，并且可以在一些问题变得严重之前解决它们。
	当然，对模型进行评分的方法有很多，但 JMP 脚本语言、JSL 的强大功能，
	提供了一种方法，可以使用他们已经习惯的现有可视化和趋势工具套件，在我们的制造工厂的操作员面前获取预测和异常信息。
	一对模型引擎或运行带有启动任务计划程序的特定插件的 JMP 的计算机被设置为定期运行存储在特定目录中的所有模型。
	所有配置都是通过两种类型的配置文件完成的：一个引擎配置文件和一个针对每个要评分的模型的模型配置文件。
	让我们从模型配置文件开始。 还记得 PI 工具插件如何将源信息保存到数据表中吗？
	现在，相同的信息可用于填充模型配置文件，该文件告诉模型引擎如何下载包含单行的表，其中包含计算值所需的所有模型输入。
	随后，脚本工具加载项快速保存脚本以重新创建从 PLS 和任何其他平台保存的列，
	可能包括可以从模型版本控制图平台保存的 T 平方和 DModX 贡献。 这些新的列脚本也保存在模型配置文件中或同一目录中的单独文件中。
	最后，引擎配置文件定义引擎如何与 PI 工具所在的数据源进行通信
	插件...其中 PI 工具插件使用 OLDB
	和 SQL 查询来获取数据，模型引擎使用 PI Web API 直接向 PI 读取和写入数据。
	通过在引擎配置文件中定义一组函数，该引擎还可以与许多其他数据源进行通信。
	请注意，定义了一组心跳标签，它允许数据源和其他模型引擎了解该引擎的状态。
	每个模型还有自己的一组心跳标签，因此如果一台机器停止对特定模型进行评分，另一个引擎将自动接管。
	同样，这个模型引擎的想法并不打算用于关键应用程序，但我发现它使我们能够非常快速地从部署和探索性分析转向在线预测或质量控制解决方案。
	在此，感谢大家的出席。 请记住，有关每个插件和我今天使用的日记的更多信息可以在 JMP 社区中找到。
珍妮丝·勒博，JMP	太棒了，太棒了。

爆发数据访问和操作统计和建模回复：优化多元模型：从数据收集到最佳条件和评分模型 (2021-US-45MP-927)

确实令人印象深刻的作品！

回复：优化多元模型：从数据收集到最佳条件和评分模型 (2021-US-45MP-927)

@ih ：谢谢你的演讲，Issac。我真的很喜欢！
我实际上还有另一个问题要补充：
您能分享一张操作员最终在屏幕上看到的图片吗？

您是否直接使用 UCL 显示 T2 或 Dmodx？然后操作员是否会进行深入分析以显示最大的贡献比例？

谢谢！
本

回复：优化多元模型：从数据收集到最佳条件和评分模型 (2021-US-45MP-927)

很棒的演讲和出色的工作，感谢您展示这些技术可以提供的所有内容，并分享您创造性地使用主成分作为观察到的变量的“构建块”。

既然您已将其应用于不同的工厂，您是否发现过这样的情况：最好不要在同时测量时进行 PCA，而是在一些延迟测量时进行 PCA，以考虑处理和传输时间等？如果是这样，您能分享一下您是如何处理这种情况的吗？谢谢！