398760_zh-TW

liliconcom

最佳化多元模型：從資料收集到最佳條件和評分模型 (2021-US-45MP-927)。

等級：中級

 

Isaac Himanga，ADM 資深分析工程師

 

製造流程是高度相關的系統，難以最佳化。 這種相關性提供了識別異常值的機會。 在這裡，我們演示了整個工作流程，其中包括：

 

• 從 OSISoft 歷史記錄取得資料。
• 使用考慮流程約束的多元模型進行建模和最佳化。
• 使用 MDMCC 平台。
• 在線對模型進行評分並將異常情況寫回歷史學家。

在實務中，許多流程很難優化。 有時一個系統不能簡化為一組可以測試的自變數；在其他情況下，該過程在不同條件下可能會變得不穩定。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，同時考慮約束觀察到的變數。 為了保持最佳條件，我們使用 MDMCC 平台快速識別與正常情況的偏差。

 

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 歷史記錄提取到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記錄，包括 MDMCC 的貢獻。

 

引用的插件可在 JMP 社群上找到：

• Aveva/OSISoft PI 工具
• 腳本工具

 

 

自動產生的成績單...

 

揚聲器	成績單
艾薩克·希曼加	你好早安。
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，我今天要為你製作簡報。
艾薩克·希曼加	太棒了。
珍妮絲·勒博，JMP	我看不見你，艾薩克。
艾薩克·希曼加	是的，我很抱歉我把它設置在這裡。
珍妮絲·勒博，JMP	好的，只是為了讓您知道我們現在正在錄音。
	太酷了，我感覺我們以前見過。
艾薩克·希曼加	我敢肯定，我們可能會登上頂峰，如果它在任何地方的話。
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，你的背景顏色很漂亮。
艾薩克·希曼加	謝謝。
	好的。
珍妮絲·勒博，JMP	我只是要回顧一些事情，我只需要再與你確認。
	您的演示者姓名、公司名稱和摘要標題。
	好的，你們有共同主持人嗎？好吧，你們同意我們錄製這段影片並將其發佈到 Discovery Discovery 高峰會檔案館。
艾薩克·希曼加	絕對是的，我想，我也會在我的網站上將我的比賽記錄下來，以防萬一發生什麼事情，所以我們會得到一份副本，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品質。
艾薩克·希曼加	我不應該經常這樣做嗎？
珍妮絲·勒博，JMP	好吧，我會讓你帶頭說我是你的背景看起來不錯你的麥克風聽起來不錯好吧只是想再次確認你的手機和電腦通知已關閉。
艾薩克·希曼加	應該是，但我會再次檢查，因為什麼時候。
珍妮絲·勒博，JMP	我稱你的作品為
	進而。
	八能量和1920 by 10 Day，你的背景有寵物嗎？
艾薩克·希曼加	所以。
珍妮絲·勒博，JMP	它可能會發出噪音，就像我的貓可能會發出的聲音，所以我推薦了他。
艾薩克·希曼加	嗯，理論上來說，今天只有我一個人在家。
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式。
艾薩克·希曼加	訪問我的權限，將其關閉，是的。
	好的。
艾薩克·希曼加	是的，所以我認為唯一應該做的事情是，當我們開始這裡時，你和我實際上會把你的音量調低，以防萬一發生什麼事情我能看到你，但它只會保持安靜，如果有其他聲音的話哦。
珍妮絲·勒博，JMP	嗯，我要做的是。
	我只是想給你一些更多的指示，我要把自己靜音並隱藏我的視頻，你可以共享你的演示屏幕。
	而且，在我將自己靜音之前，我會先執行 54321，然後給自己幾秒鐘的時間，然後您可以繼續介紹自己。
	開始錄音，你可以開始你的演示，然後，當你告訴我今天的演示就到此結束時，我希望你喜歡它，無論你想說什麼，然後我會停止為你錄製。
	很好，如果我們在一開始就參與其中，而你不高興，你知道我們可以停止它並重新開始，所以我對這一切完全不介意。
艾薩克·希曼加	好吧，現在希望這不會成為問題，你想要多接近 35 分鐘，我在練習時的意思是它在 34 和 36 之間撕裂，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，做你必須做的事情吧，我知道有一個人，我們在 20 分鐘內，如果他們告訴你 30 到 40 分鐘長的話。
艾薩克·希曼加	是的，在某個地方，我記得他們可能在那裡給了 35 個範圍。
珍妮絲·勒博，JMP	沒關係，不用擔心。
艾薩克·希曼加	好的，很完美。
珍妮絲·勒博，JMP	好的，我們正在雲端錄製。
	我們可以看到這一點。
	哦，看起來很好吃。
艾薩克·希曼加	完美的。
珍妮絲·勒博，JMP	嗯是的。
	那麼，你準備好我的影片了嗎？
艾薩克·希曼加	讓我們看看怎麼樣，這樣你就沒有定時器相機可以在我上面設定定時器，這樣我就可以做
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，如果你認為是 35，那麼你就選擇 32，那也沒關係，如果你稍微超過一點也沒關係。
	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，很好，所以你感覺很好，因為我要做。
	我會撥打 54321 並將自己靜音。
	讓我們看看你僵在那裡吧，好吧，你準備好了。
艾薩克·希曼加	好的。
珍妮絲·勒博，JMP	我認為，透過
艾薩克·希曼加	我將示範我在 ADM 中使用的工作流程，以使用多元模型最佳化製造流程。
	您將首先提取數據並建立模型，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。
	這裡還有很多關於各個平台的其他信息，因此我不會討論每個步驟的細節，而只會重點介紹一些常用的功能，並嘗試展示整個工作流程。
	我想說的是，大多數分析的詳細程度都超過了 45 分鐘。
	因此，請參閱 JMP 社區中本次演講的文章，以了解更多詳細信息和信息，包括包含我將在此處快速完成的步驟屏幕截圖的日誌。
	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放在一邊，向您展示 JMP 中的流程。 您將看到獲取和清理資料的樣子，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，編寫一個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，簡要給出一種使用 JMP 對該模型進行連續評分的方法。
	首先，簡單介紹一下 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食品和飲料、補充品、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，包括我即將討論的方法。
	我是相對較新的重點改進和卓越分析中心的一員。
	我們不斷成長的團隊對此類技術進行了投資，以幫助我們的 800 個設施、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利用我們的數據做出更好的決策。
	現在，概述一下工作流程。
	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資料集至關重要的內容，
	例如視覺化資料、使用驗證、變數縮減、與其他模型驗證發現以及協調實驗室和流程資料。
	取得資料、建立模型、在 JMP 中按需對該模型進行評分，然後連續對模型進行評分。
	JMP 擁有支援每個步驟的工具，包括一系列資料庫連接、多元建模建模工具（例如偏最小二乘法、主成分）以及模型驅動的多元控製圖平台。
	讓我們從獲取數據開始。 儘管有許多資料庫連接和腳本選項可用，但我們需要一種快速方法從流程歷史記錄中提取數據，
	名為 PI 的流行產品，無需編寫查詢或導航表結構。 自訂插件是大多數資料集的答案。 該插件相對......最近發佈到 JMP 社群。
	另外兩個插件可以幫助完成這個過程。 其中一種通常稱為腳本工具，包括一個快速讓腳本重新建立計算列的選項
	與大多數 JMP 平台內建功能的保存腳本結合使用。 JMP 使用者可以根據需要快速重新建立分析並評分。
	最新的插件稱為 JMP 模型引擎，也是最新的。 它使用設定檔和從 PItool 加載項儲存到資料表的資訊來取得資料。
	它使用列公式或任何其他 JSL 腳本進行計算，然後將結果寫回歷史記錄。
	由於時間關係，我將很快完成最後一步，但我再次鼓勵您使用以下連結查找有關 JMP 社區的更多詳細資訊：
	前往此簡報的投影片。
	每個加載項都經過徹底檢查以刪除敏感訊息，但我們正在將用戶轉移到社群上發布的相同程式碼。 因此，如果您有想法以及如何改進它們，請隨時在 JMP 社群或 GitHub 上與我們合作。
	這樣，我們就可以打開 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。 有關設定的說明可以在該平台的說明選單中找到。
	今天，我們將從 5 月 1 日中午開始提取一組 PItag 的數據，然後每天中午提取另一個值，直到今天。
	我們將對一組特定的標籤執行此操作，這些標籤在此列出...
	在這個盒子裡。 請注意，我們實際上包含了所謂的友善標記或比 PIhistorian 中的名稱更具描述性的名稱，它將幫助我們稍後在資料表中識別這些資料列。 周圍都是這些小問號
	....圍繞加載項提供更多信息，包括我們今天要使用的這種友好標籤格式的描述。
	當我點擊執行查詢時，它將開啟一個如下所示的資料表。 它有一組包含該資料表中所有數值的資料列。
	它有一組適用於任何字串值的列，因此如果您在 PItag 中儲存了字符，它就會提取這些字符。 我們還可以看到該 PItag 的狀態
	對於每一行。
	此外，在該資料表的列屬性中，如果我們開啟列訊息，我們將看到用於提取該資料點的信息，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資訊。
	我要指出的是，這是經過重新調整的真實數據，列名稱也已更改，但我們今天將看到的分析應該看起來和感覺上與使用來自我們設施之一的實際數據進行的真實分析非常相似。
	最後，我要指出的是，這裡保存了一個名為 PI 資料來源的資料表中的腳本，該腳本與加載項中實際顯示的腳本相同
	它包含也可在此處取得的 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。 我們將在今天演講結束時再次使用它。
	好的，現在我們已經有了數據，我們需要清理這些數據。 今天我們將使用多元工具來做到這一點，特別是主成分分析。 我將從該資料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......相當多的值在組件一中得分特別低。 如果你看看那些的負載
	不同的因素，我們可以看到組件一包括該資料集中所有不同流的高負載。
	這告訴我，左邊的所有這些值對於整個系統來說都有很高的流量。 使用一些工程知識，我可以說這代表該過程的停機時間，因此我將繼續隱藏並排除所有這些值。
	現在我們已經做到了這一點，我們將重新計算主成分分析，因此我們將使用重做和重做分析，然後關閉舊的分析。
	現在我們可以看到載荷可能更有意義一些。 例如，主成分 3 解釋了流 2 中的大部分變化，並且這裡有一點分離。
	前三個組成部分解釋了大部分變化，因此我將在尋找此資料集中的其他異常值時使用這三個組成部分。
	為此，我將打開異常值分析並將組件數量更改為三個。
	然後我們可以看到 T 平方圖，我還可以打開標準化 DModX 圖
	查看一個或多個分數具有極端值的點或具有單一分數的點
	基於該特定角色的資料集中的所有其他資料列，列或單一儲存格的值超出預期或超出預期範圍。
	現在，我們將透過排除所有高於控制上限的 T 平方和 DModX 值來快速清理該資料集。
	清理資料集時通常會做的另一件事是轉換列，我想展示腳本工具加載項的一項功能，該功能使
	甚至有點嘗試申請和
	轉移到新的公式列選單。 如果我選擇三列或任意數量的列並轉到自訂轉換選項，則該選項將再次作為腳本工具加載項的一部分加載，
	我可以選擇 Savitzkey-Golay 轉換並單擊“確定”，它將使用包含該轉換的公式將三列添加到資料表的末尾。
	我要指出的是，我們所做的清潔工作可以直接在 PLS 中完成。 不過，我常先使用 PCA。
	好吧，現在我們已經清理了資料集，我們需要實際建立一個模型
	嘗試預測…我們的製程條件。 也許關於這個資料集的另一個簡短說明是，我們在這裡有一個流量目標。
	今天，我們的目標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…
	考慮到這些質量參數的一些限制。 因為流一是我們主要感興趣的，所以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數作為 X 因子。
	我現在將接受所有預設值，然後稍微向前跳一點，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
	工廠通常會根據訂單更改變數…以調整流程運作的速度。 因此，如果他們需要增加或減少該目標流量，他們通常會更改因素一以實現該目標速率。
	另一方面，因素 2 主要與這些品質參數相關，這些參數實際上是我們無法控制的輸入品質參數。
	所以這不是我們可以改變的。 因此，儘管因素三和因素四相對…解釋了相對少量的變化
	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，這些是我們實際上可以控制的，所以我們將能夠使用這些來優化我們的流程。
	為了使用這個......所以我們建立了一個模型來解釋數據的變化。
	為了使用該信息，我們需要保存其中一些列或將預測保存到資料集中的新列
	幾分鐘後我們將在預測分析器中使用它。
	我們將利用 JMP 16 中新增的一些新功能，使我們能夠將 Y 和 X 變數的預測儲存為 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非常重要。
	因此，我們已將所有三個預測（X 預測和 T 方）保存回資料表中。 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，我們發現雖然有一些變數具有相當高的 DModX 或 T 平方，但沒有太極端的。
	這些分數通常會保存或始終與變數名稱一起保存，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。 因此腳本工具包含另一個功能，稱為重新命名列，
	這將允許您選擇 PLS 的範例查詢。 這裡有一個非常複雜的正規表示式模式，
	但請注意，它輸出一組標準名稱，這些名稱對於 PLS、PCA 和資料表中的其他平台看起來是相同的。
	因此，在這種情況下，我實際上要複製一個特定的前綴，我們將放在所有這些列之前，表明這是我們要在線進行品質控制的模型，並且它是該模型的修訂版之一。
	當我更改名稱時，我們可以看到它自動更改了資料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，即弄清楚如何使用盡可能少的流一來產生一定量的流......我們的目標流。 為此，我們將使用分析器。 請注意，當我們打開您的個人資料時，
	我們可以將所有這些預測值加到此預測公式部分，因此不是 X 分數本身，而是預測值和 T 平方。
	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數。
	我們可以看到，當我們移動其中一個分數時，它會自動將所有這些觀察到的變數一起移動
	每個組件的負載比率。 非常重要的是，請看一下流程三和流程四。 無論我們移動哪個分數，
	模型知道這兩個分數是相關的。 也許其中一個是他們可以控制的流量計，也許還有第二個
	是同一條線上的第二個流量計，但無論如何，工廠似乎無法在不向同一方向移動另一個流量計的情況下移動一個流量計。
	因此，我們的目標是找到每個分數的值，以優化我們的流程。
	在此之前，我們需要告訴 JMP 我們正在嘗試優化什麼。 我們需要說的是，我們有一定的流速和質量參數。
	因此，我們首先告訴它我們不關心大多數列的值。 所以我們將選擇我們保存的所有列，
	我們將標準化屬性，並且為所有這些不同的欄位新增無回應限制。
	然後我們將返回並調整響應限制。 對於我們關心的欄位可以更具描述性。 例如，流量目標將返回到回應限制，我們將指示我們希望為該列符合值 140。
	同樣，對於品質一，我們希望達到
	20.15。
	對於流程，我們希望最小化該值。
	最後，我們需要確保我們得出的解決方案將接近系統的正常運作範圍，因此我們不想在建構 PLS 的區域之外進行推論。
	為此，我們將使用這個 T 平方列，並且我們將表明我們想要最小化 T 平方
	使其低於該 PLS 平台中顯示的控制上限。 在這裡我們可以看到控制上限為 9.32，因此我們將在此處使用它作為最小值。
	我們現在應該在分析器中看到的是，低於 9.32 的每個值都同樣可以接受，而當高於 9.32 時，它會越來越不理想。
	在圖形選單下，我將再次開啟分析器，並再次取得所有這些預測和 T 平方公式，並將它們放入 Y 預測公式中。
	我們仍然在底部看到 X 分數，但現在我們也在右側看到這些意願函數。
	T 平方的意願函數再次開始下降到 9.32 以上。 當流量一的值較低時，期望值最高，我們已經獲得了目標流量和品質參數的目標。
	因為我們已經定義了所有這些，所以我們現在可以最大化意願。
	這將嘗試找到每個分數的值，從而找到我們資料集中所有觀察到的變數的值
	實現這個目標流程並實現我們先前定義的目標。
	請注意，它已接近達到全部目標。 它確實達到了我們的20.15
	我們給出的值是在 T 平方範圍內的。 JMP 很可能認為意願度的微小下降不如減少流量重要，因此我們可以透過控制點擊此意願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，它應該會更接近流量目標。 不過，在此之前，我會將這些因子設定保存到底部的表中，以便我們可以比較之前和之後的情況。 然後我們將繼續並最大限度地提高滿意度。
	看起來已經完成了，我們仍然在 T 方範圍內。
	它已經達到了我們要求的 20.15，而且肯定更接近 140。 現在我們可以再次將這些因子設定儲存到資料表中。
	我們現在應該有一些因素可以回饋給製造工廠，並說，嘿，這是我們推薦的參數。
	使用這樣的多變量分析的好處，我們之前討論過相關的流程三和流程四，
	使用這種方法，我們應該能夠為工廠提供它們實際能夠運作的合理值。
	如果你告訴他們在第三流中運行高值，在第四流中運行低值，他們可能會看著你並說這是不可能的。
	這些應該是比較合理的。 請注意，並非所有這些變數都一定是工廠可以控制的自變數。 其中一些可能是
	結果，或者它們可能只是與其他變數相關。 從理論上講，如果植物改變了它們確實可以控制的所有事情，那麼其他事情就應該水到渠成。
	現在我們已經優化了這個模型，下一步通常是確定或驗證我們是否正常運行。 因此，一旦設定了最佳條件，最好使用相同的模型對新行或新資料進行評分，並了解流程是否按照我們的預期進行？
	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
	在品質和流程下。
	我將使用時間並將其放入時間 ID 中，因此我們將在所有圖表上看到實際日期，而不是看到行號，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，所以如果我放大一點，我們會看到這裡有一些時期，我們有一個高 T 平方，而高 T 平方主要是流量的結果二、三、四、一，一切都在其中流動。
	是這個 T 方的主要貢獻者。 如果我們單擊它並將滑鼠懸停在其中一個條上，如果我再次單擊該點，那麼我們將看到該單一值的控製圖...單個
	變量，我們選擇的點在該圖表上突出顯示。
	不過，我將隱藏這個，不僅看 T 平方，還要看 T 平方。 再次，
	這並不總是正確的。
	所以我們將放大
	DModX 再次值。
	因此，DModX 將指示與基於其他行、該行中的其他資料的預期相比，單一列具有高值或低值的點。
	在這裡我們可以看到，該點主要是由於流程五而導致的異常值。
	我確實發現貢獻比例熱圖對於查看和查看舊數據中的模式非常有用，例如，當一個變數可能是一個高貢獻因素或在很長一段時間或某個時間段內表現異常時…
	因此，這是一個圖表，我們可能想每天早上查看，例如，或定期查看該過程是否正常運行？
	你進來，你想打開它看看，我現在應該調整什麼以使我們的流程恢復受控嗎？
	為此，我們希望重新建立從提取 PI 資料到開啟 MDMCC 平台的整個分析，並且只需單擊一個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，我們將新增計算列，然後開啟多元控製圖平台中的模型。
	從 PI 獲取數據。 如果我們回到原始數據表，我們。
	執行 PI 工具加載項後開啟的表，我們可以看到此 PI 資料來源腳本儲存到該表中。 如果我們編輯該腳本並複製它，我們可以將其貼到新的腳本視窗中。
	我只想做一件事改變。 我們將從 8 月 1 日開始提取數據，而不是從 5 月開始提取數據。
	現在我們需要新增這些計算列。 所以請記住，我們...在 PLS 平台中，我們使用已儲存的分數...另存為 X 分數公式選項。
	為了重新建立這些，我們只需選擇資料表中的所有列，並使用在該腳本工具加載項中再次新增的複製列腳本功能。
	複製列腳本後，我們返回到我們創建的新腳本，然後貼上一堆新列公式以再次重新建立所有這些列。
	最後，模型驅動的多元控制
	圖表有一個???大多數其他平台，您可以將腳本儲存到剪貼簿，然後將其貼到同一腳本視窗中。
	現在，如果我們想像這是新的一天並且我們已經關閉了所有內容，並且我想查看我們的流程運行情況，我將運行相同的腳本。 請注意，我可以這樣開始
	特定的斜杠斜杠，然後是感嘆號，以便在打開腳本時自動運行。
	當我點擊運行時，它將打開一個看起來與我們的原始表完全相同的數據表。 它有所有相同的列。
	它添加了那些計算列，因此讓我們將這些分數和所有預測放入其中，並且它還打開了模型驅動的多元控製圖平台
	我們可以看到 DModX 的最近值實際上相當高，因此最近的數據有一些異常值，在本例中為質量三。
	因此，根據其他參數，質量三似乎未達到預期值。 在這種特殊情況下，這可能意味著，
	由於品質三是一個輸入參數，而品質一、品質二和品質三通常是相關的，這可能意味著品質三是一個不好的實驗室樣本，或者可能意味著這是我們以前從未使用過的新材料。
	好吧，最後我們來談談一種連續運行這個模型的方法。 所以這是根據需要重新創建的，
	我們編寫了一個 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 歷史記錄是有益的，以便它們可以被使用
	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。 我應該指出，這應該僅用於建議。 這不是提供關鍵資訊或閉環控制的可接受的方法。
	為此，您可以考慮從公式庫匯出公式並使用其他軟體包對其進行評分。
	如前所述，該模型中提供的一些預測和信息
	在它發生的那一刻，擁有最多的東西就具有最大的價值。 因此，知道導致昨天問題的原因很好，但了解現在發生的情況
	意味著根據目前的模型結果做出決策，並且可以在一些問題變得嚴重之前解決它們。
	當然，對模型進行評分的方法有很多，但 JMP 腳本語言、JSL 的強大功能，
	提供了一種方法，可以使用他們已經習慣的現有視覺化和趨勢工具套件，在我們的製造工廠的操作員面前獲取預測和異常資訊。
	一對模型引擎或運行帶有啟動任務計劃程序的特定插件的 JMP 的計算機被設定為定期運行存儲在特定目錄中的所有模型。
	所有配置都是透過兩種類型的設定檔完成的：一個引擎設定檔和一個針對每個要評分的模型的模型設定檔。
	讓我們從模型設定檔開始。 還記得 PI 工具外掛如何將來源資訊儲存到資料表中嗎？
	現在，相同的資訊可用於填充模型配置文件，該文件告訴模型引擎如何下載包含單行的表，其中包含計算值所需的所有模型輸入。
	隨後，腳本工具加載項快速儲存腳本以重新建立從 PLS 和任何其他平台儲存的列，
	可能包括可以從模型版本控製圖平台保存的 T 平方和 DModX 貢獻。 這些新的列腳本也保存在模型設定檔中或同一目錄中的單獨檔案中。
	最後，引擎設定檔定義引擎如何與 PI 工具所在的資料來源進行通信
	外掛...其中 PI 工具外掛程式使用 OLDB
	和 SQL 查詢來獲取數據，模型引擎使用 PI Web API 直接向 PI 讀取和寫入數據。
	透過在引擎設定檔中定義一組函數，該引擎還可以與許多其他資料來源進行通訊。
	請注意，定義了一組心跳標籤，它允許資料來源和其他模型引擎了解該引擎的狀態。
	每個模型還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進行評分，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品質控制解決方案。
	在此，感謝大家的出席。 請記住，有關每個插件和我今天使用的日記的更多資訊可以在 JMP 社群中找到。
珍妮絲·勒博，JMP	太棒了，太棒了。

爆發資料存取和操作統計和建模回覆：最佳化多元模型：從資料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工作！

回覆：最佳化多元模型：從資料收集到最佳條件和評分模型 (2021-US-45MP-927)

@ih ：謝謝你的演講伊薩克。我真的很喜歡它！
其實我還有一個問題要補充：
您能分享一張操作員最終在螢幕上看到的圖片嗎？

您是否直接以 UCL 顯示 T2 或 Dmodx？營運商是否會進行向下鑽取以顯示最大的貢獻比例？

謝謝！
本

回覆：最佳化多元模型：從資料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，感謝您展示這些技術可以提供的所有內容，並分享您創造性地使用主要成分作為觀察到的變數的「構建塊」。

由於您已將其應用於不同的工廠，您是否想過在哪些情況下 PCA 最好不要同時進行測量，而是進行一些延遲測量以考慮處理和運輸時間等？如果是這樣，您能分享一下您是如何處理的嗎？謝謝！