Conférencier
|
Transcription
|
| Isaac Himanga |
Bonjour bonjour. |
| Janice LeBeau, JMP |
salut Isaac comment vas-tu. |
| Isaac Himanga |
va bien, comment vas-tu. |
| Janice LeBeau, JMP |
Très bien, merci, je suis Dan, il s'agit de produire votre présentation aujourd'hui pour vous. |
| Isaac Himanga |
C'est fantastique. |
| Janice LeBeau, JMP |
Et je ne peux pas te voir Isaac. |
| Isaac Himanga |
oui, je suis désolé de l'avoir configuré ici. |
| Janice LeBeau, JMP |
D'accord, et juste pour que vous sachiez que nous enregistrons en ce moment donc. |
| |
Absolument cool, j'ai l'impression que nous nous sommes déjà rencontrés. |
| Isaac Himanga |
Nous pourrions avoir soit j'en suis sûr, l'un des sommets si c'était n'importe où. |
| Janice LeBeau, JMP |
D'accord, très bien comment tu vas aujourd'hui. |
| Isaac Himanga |
va bien, comment vas-tu. |
| Janice LeBeau, JMP |
Bon bon j'adore ton fond c'est d'une belle couleur tu as continué c'est sûr. |
| Isaac Himanga |
Merci. |
| |
Bon. |
| Janice LeBeau, JMP |
Je vais juste passer en revue quelques choses et que je dois juste reconfirmer avec vous. |
| |
Le nom de votre société et le titre du résumé. |
| |
D'accord, avez-vous des co-présentateurs d'accord et vous êtes d'accord pour que nous enregistrions ceci et le publiions dans les archives du sommet de la découverte de la découverte. |
| Isaac Himanga |
Tout à fait absolument et je suppose que j'allais publier la pièce en enregistrement juste ma fin sur mon site également, juste au cas où quelque chose se produirait afin que nous en ayons une copie et ce n'est pas grave pour vous. |
| Janice LeBeau, JMP |
euh, je ne sais pas si cela affectera la qualité de quoi que ce soit ou. |
| Isaac Himanga |
ne devrais-je pas le faire assez souvent. |
| Janice LeBeau, JMP |
D'accord, je vous laisse prendre les devants, je suis votre arrière-plan a l'air bien, votre microphone sonne bien d'accord, je voulais juste reconfirmer que les notifications de votre téléphone portable et de votre ordinateur sont désactivées. |
| Isaac Himanga |
devrait être mais je vais vérifier à nouveau juste parce que quand. |
| Janice LeBeau, JMP |
J'appelle votre œuvre d'art. |
| |
Puis. |
| |
Énergie de huit et 1920 par jour 10, avez-vous des animaux de compagnie en arrière-plan. |
| Isaac Himanga |
Donc. |
| Janice LeBeau, JMP |
Cela pourrait faire du bruit, comme mon chat le fera probablement, alors je l'ai référé. |
| Isaac Himanga |
Eh bien, en théorie, je suis le seul à la maison aujourd'hui donc. |
| Janice LeBeau, JMP |
Avez-vous fermé les yeux sur Skype ou toute autre application qui fait du bruit. |
| Isaac Himanga |
Accéder à mon tour celui-ci à droite oui. |
| |
D'accord. |
| Isaac Himanga |
ouais, donc je pense que la seule chose qui devrait être allumée car vous et moi allons en fait baisser le volume quand nous commencerons ici, juste au cas où quelque chose se produirait, je pourrai vous voir mais ça va juste tais-toi comme ça si quelque chose d'autre fait du bruit oh. |
| Janice LeBeau, JMP |
Eh bien, ce que je vais faire, c'est. |
| |
Je vais juste vous donner quelques conseils supplémentaires ici, je vais me mettre en sourdine et masquer ma vidéo, vous pouvez partager votre écran pour votre présentation. |
| |
Et, avant de me mettre en sourdine, je vais faire mon 54321, puis vous donner quelques secondes, puis vous pourrez continuer et vous présenter. |
| |
et commencez à enregistrer, vous pouvez commencer votre présentation et ensuite, lorsque vous me direz bien que cela conclut la présentation d'aujourd'hui, j'espère que vous avez apprécié tout ce que vous voulez dire, puis j'arrêterai d'enregistrer pour vous d'accord. |
| |
Bien et si nous sommes dedans, au tout début et que tu n'es pas content, tu sais que nous pouvons l'arrêter et recommencer donc je suis totalement cool avec tout ça. |
| Isaac Himanga |
Bon maintenant, j'espère que ce ne sera pas un problème à quel point vous le voulez près de 35 minutes, quand je me suis entraîné, je veux dire qu'il était déchiré entre 34 et 36, c'est que voulez-vous le lire 35 ou. |
| Janice LeBeau, JMP |
Vous savez, c'est bon, je veux dire, faites tout ce que vous avez à faire. Je connais une personne, nous étions à 20 minutes une si elle vous disait ce que cela durait de 30 à 40 minutes. |
| Isaac Himanga |
ouais quelque part, je me souviens 35 qu'ils auraient pu donner une fourchette là-bas. |
| Janice LeBeau, JMP |
c'est cool ne t'en fais pas. |
| Isaac Himanga |
D'accord, bonne affaire parfaite. |
| Janice LeBeau, JMP |
D'accord, nous enregistrons donc dans le cloud. |
| |
On peut voir ça. |
| |
Oh, ça a l'air très bon ça a l'air délicieux. |
| Isaac Himanga |
parfait. |
| Janice LeBeau, JMP |
Donc voilà. |
| |
Alors, êtes-vous prêt ma vidéo. |
| Isaac Himanga |
Qu'en est-il, voyons si vous n'avez pas de minuterie, les caméras vont régler une minuterie sur moi là-haut, donc je pourrais en faire 30. |
| Janice LeBeau, JMP |
Je veux dire, fais ce que tu veux, parce que ça va commencer. |
| |
Je veux dire, honnêtement, si vous pensez que c'est 35 et que vous allez à 32, ça va si vous dépassez un peu ça va. |
| |
D'accord. |
| Isaac Himanga |
Alors j'ai tout ici. |
| |
D'accord. |
| Janice LeBeau, JMP |
D'accord, bon alors tu te sens bien parce que je vais le faire. |
| |
Je vais faire le 54321 et me mettre en sourdine. |
| |
Et voyons que tu es figé là-bas. Ok, alors tu es prêt. |
| Isaac Himanga |
D'accord. |
| Janice LeBeau, JMP |
Je pense, d'ici 4321. |
| Isaac Himanga |
Je m'appelle Isaac Himanga et je vais faire la démonstration d'un flux de travail que j'utilise chez ADM pour optimiser les processus de fabrication à l'aide de modèles multivariés. |
| |
Je vais commencer par extraire des données et construire un modèle, trouver des conditions optimales réalistes, identifier les conditions anormales et enfin noter le modèle à l'aide des données actuelles. |
| |
Il y a beaucoup d'autres informations sur les plates-formes individuelles ici, donc au lieu de discuter des détails de chaque étape, je ne soulignerai que quelques fonctionnalités couramment utilisées et j'essaierai plutôt de montrer l'ensemble du flux de travail. |
| |
Je dirai que la plupart des analyses avec la quantité de détails que celle-ci a prennent un peu plus de 45 minutes. |
| |
Rendez-vous donc sur l'article de cette conférence dans la communauté JMP pour plus de détails et d'informations, y compris un journal avec des captures d'écran des étapes que je vais parcourir assez rapidement ici. |
| |
Je vais commencer par un bref aperçu d'ADM et du flux de travail général. |
| |
Ensuite, je mettrai cette présentation de côté pour vous montrer le processus dans JMP. Vous verrez à quoi cela ressemble d'obtenir et de nettoyer des données, utilisez le profileur pour découvrir plusieurs conditions, |
| |
utiliser la plate-forme de carte de contrôle multivariée pilotée par un modèle, écrire un script pour évaluer de nouvelles données par rapport à ce modèle, et enfin, je reviendrai à cette présentation pour donner brièvement une méthode pour évaluer en continu ce modèle à l'aide de JMP. |
| |
Tout d'abord, un peu sur ADM. |
| |
Le but d'ADM est de libérer le pouvoir de la nature pour enrichir la qualité de vie. |
| |
Nous transformons les produits naturels en un portefeuille complet d'ingrédients et d'arômes pour aliments et boissons, suppléments, nutrition pour animaux de compagnie et bétail, |
| |
et plus. Et avec un éventail de capacités inégalées dans chaque partie de la chaîne alimentaire mondiale, nous donnons à nos clients un avantage pour résoudre les défis mondiaux d'aujourd'hui et de demain. |
| |
L'une de ces capacités consiste à utiliser l'analyse de données pour améliorer nos processus de fabrication, y compris la méthode dont je vais parler. |
| |
Je fais partie du nouveau centre d'excellence axé sur l'amélioration et l'analyse. |
| |
Et notre équipe en pleine croissance investit dans des techniques, comme celle-ci, pour aider nos 800 installations, 300 sites de transformation des aliments et des aliments pour animaux et le reste de notre entreprise dans le monde à prendre de meilleures décisions en utilisant nos données. |
| |
Maintenant, un aperçu du flux de travail. |
| |
Les quatre étapes que je vais passer en revue aujourd'hui ne représentent qu'une partie de l'analyse complète. Pour gagner du temps, je vais omettre certaines choses que je considère comme critiques pour chaque ensemble de données, |
| |
comme la visualisation des données, l'utilisation de la validation, la réduction des variables, la corroboration des résultats avec d'autres modèles et l'alignement des données de laboratoire et de processus. |
| |
obtenir des données, créer un modèle, évaluer ce modèle à la demande dans JMP, puis évaluer le modèle en continu. |
| |
JMP dispose d'outils pour prendre en charge chaque étape, notamment un éventail de connexions à des bases de données, des outils de modélisation de modélisation multivariée, tels que les moindres carrés partiels, les composants principaux et la plate-forme de carte de contrôle multivariée pilotée par modèle, et bien sûr, le langage de script JMP ou JSL. |
| |
Commençons par obtenir des données. Malgré les nombreuses connexions à la base de données et les options de script disponibles, nous avions besoin d'un moyen rapide d'extraire les données de notre historien de processus, |
| |
un produit populaire appelé PI, sans écrire de requêtes ni naviguer dans les structures de table. Un complément personnalisé était la réponse pour la plupart des ensembles de données. Ce module complémentaire a été relativement... récemment publié dans la communauté JMP. |
| |
Deux autres compléments aident dans ce processus. L'un, appelé génériquement outils de script, inclut une option pour obtenir rapidement le script pour recréer les colonnes calculées |
| |
lorsqu'il est associé à la fonctionnalité de sauvegarde du script intégrée à la plupart des plates-formes JMP. Les analyses peuvent être recréées rapidement et notées à la demande par un utilisateur JMP. |
| |
Le dernier complément, appelé moteur de modèle JMP, est également le plus récent. Il utilise un fichier de configuration et des informations enregistrées dans la table de données à partir du complément PItool pour obtenir des données. |
| |
Cela effectue des calculs à l'aide de formules de colonne ou de tout autre script JSL, puis réécrit les résultats à l'historien. |
| |
Et l'intérêt du temps, je vais passer très rapidement à cette dernière étape, mais encore une fois, je vous encourage à chercher plus de détails sur la communauté JMP en utilisant le lien sur le |
| |
diapositive de l'ordre du jour de cette présentation. |
| |
Chacun de ces compléments a été révisé pour supprimer les informations sensibles, mais nous transférons les utilisateurs vers le même code que celui publié sur la communauté. Donc, si vous avez des idées et comment les améliorer, n'hésitez pas à collaborer avec nous sur la communauté JMP via... ou via GitHub. |
| |
Sur ce, ouvrons JMP. |
| |
Dans les coulisses, l'ADM... ou le complément JMP PItool utilise plusieurs produits PI différents pour extraire des données, notamment SQL DAS, OLEDB et ODBC. Les instructions pour le configurer se trouvent dans le menu d'aide de cette plate-forme. |
| |
Aujourd'hui, nous allons extraire des données pour un ensemble de PItags à partir du 1er mai, à partir de midi, puis nous allons extraire une autre valeur chaque jour à midi jusqu'à aujourd'hui. |
| |
Nous allons le faire pour un certain ensemble de balises, celles-ci sont répertoriées ici dans ce... |
| |
dans cette boîte. Notez que nous avons en fait inclus ce qu'on appelle une balise conviviale ou un nom plus descriptif que le simple nom qui se trouve dans PIhistorian qui nous aidera à identifier ces colonnes plus tard dans la table de données. Il y a tous ces petits points d'interrogation autour du |
| |
...autour du complément donnant plus d'informations, y compris une description de ce format de balise convivial que nous allons utiliser aujourd'hui. |
| |
Lorsque j'appuie sur Exécuter la requête, cela va ouvrir une table de données qui ressemble à celle-ci. Il a un ensemble de colonnes pour toutes les valeurs numériques de cette table de données. |
| |
Il a un ensemble de colonnes pour n'importe quelle valeur de chaîne, donc si vous aviez des caractères stockés dans le PItag, il les extraira. Et nous pouvons également voir le statut de ce PItag |
| |
pour chaque rangée. |
| |
Également dans les propriétés de colonne pour cette table de données, si nous ouvrons les informations de la colonne, nous allons voir les informations qui ont été utilisées pour extraire ce point de données, y compris le PItag, |
| |
le type d'appel et l'intervalle. Pour les requêtes plus complexes, comme une moyenne ou un maximum, nous allons voir plus d'informations ici. |
| |
Je noterai qu'il s'agit de données réelles qui ont été redimensionnées et que les noms de colonnes ont été modifiés, mais l'analyse que nous allons voir aujourd'hui devrait ressembler beaucoup à une analyse réelle utilisant les données réelles de l'une de nos installations. |
| |
Enfin, je soulignerai qu'il y a un script ici enregistré dans la table de données appelée source de données PI, qui est le même script qui est en fait affiché dans le complément |
| |
et il contient le SQL qui est également disponible ici. Encore une fois dans les coulisses, cela utilise |
| |
SQL DAS ou PI DAS afin d'obtenir ces informations de PI, et ce sont tous les... tous les scripts qu'il va exécuter pour obtenir ces données. Nous allons revenir et l'utiliser à nouveau vers la fin de l'entretien d'aujourd'hui. |
| |
OK, maintenant que nous avons des données, nous devons nettoyer ces données. Nous allons utiliser des outils multivariés aujourd'hui pour le faire, en particulier l'analyse en composantes principales. Je vais extraire toutes les valeurs numériques de cette table de données et les mettre dans la liste des colonnes y, puis |
| |
tout de suite, nous pouvons voir certaines valeurs qui ont... pas mal de valeurs qui ont des scores particulièrement bas pour le composant un. Si vous regardez les charges pour ces |
| |
différents facteurs, nous pouvons voir que la composante 1 comprend des charges élevées pour tous les différents flux dans cet ensemble de données. |
| |
Cela me dit donc que toutes ces valeurs ici à gauche ont des débits élevés dans l'ensemble du système. En utilisant certaines connaissances en ingénierie, je peux dire que cela représente un temps d'arrêt pour ce processus, donc je vais aller de l'avant et masquer et exclure toutes ces valeurs. |
| |
Maintenant que nous avons fait cela, nous allons recalculer l'analyse en composantes principales, nous allons donc utiliser refaire et refaire l'analyse, puis fermer l'ancienne. |
| |
Et maintenant, nous pouvons voir que les chargements sont peut-être un peu plus significatifs. La composante principale trois, par exemple, explique la majeure partie de la variation du flux 2 et il y a un peu de séparation ici. |
| |
Les trois premiers composants expliquent la majorité de la variation, je vais donc utiliser ces trois composants pour rechercher d'autres valeurs aberrantes dans cet ensemble de données. |
| |
Pour ce faire, je vais ouvrir l'analyse des valeurs aberrantes et je vais changer le nombre de composants à trois. |
| |
Et puis nous pouvons voir à la fois le tracé T au carré, et je peux également ouvrir le tracé DModX normalisé |
| |
pour voir les points qui ont des valeurs extrêmes pour un ou plusieurs des scores ou les points qui ont un seul |
| |
colonne ou une cellule unique qui a une valeur inattendue ou en dehors de la plage attendue, en fonction de toutes les autres colonnes de cet ensemble de données pour ce rôle particulier. |
| |
Pour l'instant, nous allons simplement nettoyer rapidement cet ensemble de données en excluant toutes les valeurs T au carré et DModX qui sont au-dessus de la limite de contrôle supérieure. |
| |
Une autre chose qui est couramment faite lors du nettoyage d'un ensemble de données est la transformation des colonnes, et je souhaite montrer une fonctionnalité du complément d'outil de script qui rend |
| |
il essaie même un peu d'appliquer et |
| |
transfert vers le nouveau menu de la colonne de formule. Si je sélectionne trois colonnes ou un nombre quelconque de colonnes et que je passe à l'option de transformation personnalisée, qui est à nouveau chargée dans le cadre de ce complément d'outils de script, |
| |
Je peux sélectionner une transformation Savitzkey-Golay et appuyer sur OK, et cela ajoutera trois colonnes à la fin du tableau de données avec une formule contenant cette transformation. |
| |
Je noterai que le ménage que nous avons fait aurait pu être fait directement et en PLS. J'utilise souvent un PCA en premier, cependant. |
| |
Bon, maintenant que nous avons nettoyé notre ensemble de données, nous devons réellement créer un modèle |
| |
pour essayer de prédire que... nos conditions de processus. Peut-être une autre note rapide sur cet ensemble de données, nous avons un objectif de flux ici. |
| |
Aujourd'hui, notre objectif va être de créer une certaine quantité de ce flux cible en utilisant le moins de flux un possible et en prenant également en compte certains... |
| |
compte de certaines contraintes sur ces paramètres de qualité. Donc, parce que le flux un est ce qui nous intéresse principalement, je vais passer à un modèle des moindres carrés partiels et utiliser ce flux... flux cible dans le y et toutes les autres variables comme facteurs X. |
| |
Je vais juste accepter toutes les valeurs par défaut pour le moment et je vais aller un peu plus loin et utiliser tout de suite quatre facteurs. |
| |
Quand j'ouvre ces quatre facteurs, |
| |
on verra que les deux premiers |
| |
représenter le |
| |
variables que l'usine modifie normalement dans les commandes... afin d'ajuster la vitesse à laquelle ils exécutent le processus. Donc, s'ils ont besoin de faire plus ou moins de ce flux cible, ils changent souvent le facteur un afin d'atteindre ce taux cible. |
| |
Le facteur 2, quant à lui, concerne principalement ces paramètres de qualité, qui sont en fait des paramètres de qualité d'entrée sur lesquels nous n'avons aucun contrôle. |
| |
Ce n'est donc pas quelque chose que nous pouvons changer. Ainsi, même si les facteurs trois et quatre ont relativement... expliquent des quantités relativement faibles de la variation de |
| |
notre flux cible et ils expliquent des quantités relativement faibles de la variation de notre facteur un, ce sont ceux sur lesquels nous avons réellement le contrôle et ce sont donc ceux que nous allons pouvoir utiliser afin d'optimiser notre processus. |
| |
Afin d'utiliser cela... nous avons donc construit un modèle qui explique la variation de nos données. |
| |
Afin d'utiliser ces informations, nous devons enregistrer certaines de ces colonnes ou enregistrer les prédictions de celles-ci dans de nouvelles colonnes de notre ensemble de données. |
| |
que nous allons utiliser dans le profileur de prédiction dans quelques minutes. |
| |
Nous utiliserons quelques nouvelles fonctionnalités qui ont été ajoutées dans JMP 16, nous permettant d'enregistrer les prédictions, à la fois pour les variables Y et X, en tant que formules de score X. Et lorsque nous ouvrirons le profileur, je pense que cela aidera à illustrer pourquoi cela devient important. |
| |
Nous avons donc enregistré les trois prédictions, les prédictions X et les carrés T, dans notre tableau de données. Ceux-ci devraient être de nouvelles colonnes en bas en fonction de ces scores X. |
| |
Nous pouvons également jeter un rapide coup d'œil aux tracés de distance et de T au carré au sein de la plate-forme PLS, et nous voyons que même s'il existe quelques variables qui ont des DModX ou des T carrés assez élevés, il n'y a rien de trop extrême. |
| |
Ces scores sont souvent enregistrés ou sont toujours enregistrés avec des noms de variables qui peuvent devenir déroutants à mesure que vous enregistrez de plus en plus ou que vous passez par plusieurs itérations de votre modèle. Les outils de script contiennent donc une autre fonction, appelée les colonnes de renommage, |
| |
qui vous permettra de sélectionner un exemple de requête pour PLS. Il a un modèle d'expression régulière assez compliqué ici, |
| |
mais notez qu'il génère un ensemble standard de noms qui auront la même apparence pour PLS, PCA et d'autres plates-formes dans la table de données. |
| |
Donc dans ce cas je vais copier un préfixe spécifique, nous mettrons avant toutes ces colonnes indiquant que c'est le modèle que nous allons mettre en ligne pour notre contrôle qualité et c'est la révision 1 de ce modèle. |
| |
Lorsque je change de nom, nous pouvons voir que c'est automatiquement le nom de toutes ces colonnes dans l'ensemble de données qui a été modifié. |
| |
Nous avons donc construit un modèle expliquant la variation de |
| |
ces colonnes, mais ce que nous n'avons pas fait, c'est notre objectif initial de déterminer comment produire une certaine quantité de flux... de notre flux cible en utilisant le moins de flux possible. Pour ce faire, nous allons utiliser le profileur. Remarquez lorsque nous ouvrons le profileur, |
| |
nous pouvons ajouter toutes ces valeurs prédites, donc pas les scores X eux-mêmes, mais les valeurs prédites et le T au carré, à cette section de formule de prédiction. |
| |
Et puis, quand il s'ouvrira, nous verrons sur l'axe X, tous nos scores dans le modèle ou nos variables latentes. |
| |
Et nous pouvons voir que lorsque nous déplaçons l'un de ces scores, il déplacera automatiquement toutes ces variables observées ensemble |
| |
au rapport des charges dans chacun de ces composants. Si important, jetez un œil à ces flux trois et quatre, ils se déplacent toujours ensemble. Peu importe le score que nous déplaçons, |
| |
ce modèle comprend que ces deux scores sont liés. Peut-être que l'un est un débitmètre sur lequel ils ont le contrôle, et peut-être un deuxième |
| |
est un deuxième débitmètre sur cette même ligne, mais quoi qu'il en soit, il ne semble pas que l'usine soit capable d'en déplacer un sans déplacer l'autre dans la même direction. |
| |
Le but est donc de trouver des valeurs pour chacun de ces scores qui vont optimiser notre processus. |
| |
Avant de pouvoir le faire, nous devons dire à JMP ce que nous essayons d'optimiser. Nous devons dire que nous essayons d'atteindre un certain débit et certains paramètres de qualité que nous essayons d'atteindre. |
| |
Nous allons donc commencer par lui dire que nous ne nous soucions pas des valeurs de la plupart de ces colonnes. Nous allons donc sélectionner toutes les colonnes que nous avons enregistrées, |
| |
nous allons standardiser les attributs et nous allons ajouter une limite de réponse nulle pour toutes ces différentes colonnes. |
| |
Ensuite, nous reviendrons et nous ajusterons cette limite de réponse. Cela peut être plus descriptif pour les colonnes qui nous intéressent. Par exemple, la cible de flux reviendra à la limite de réponse et nous indiquerons que nous voulons faire correspondre une valeur de 140 pour cette colonne. |
| |
De même pour la qualité un, nous voulons atteindre la valeur de |
| |
20.15. |
| |
Pour le flux, nous voulons minimiser cette valeur. |
| |
Et enfin, nous devons nous assurer que la solution à laquelle nous arrivons sera proche de la plage de fonctionnement normale du système, nous ne voulons donc pas extrapoler en dehors de la zone où nous avons construit ce PLS. |
| |
Pour ce faire, nous utiliserons cette colonne T carré, et nous indiquerons que nous voulons minimiser le T carré |
| |
de telle sorte qu'il soit inférieur à la limite de contrôle supérieure qui a été affichée dans cette plate-forme PLS. Ici, nous pouvons voir que la limite de contrôle supérieure était de 9,32, nous allons donc l'utiliser comme valeur minimale ici. |
| |
Ce que nous devrions voir dans le profileur maintenant, c'est que chaque valeur inférieure à 9,32 est également acceptable et, à mesure que vous dépassez 9,32, elle sera de moins en moins souhaitable. |
| |
Dans le menu graphique, je vais ouvrir à nouveau le profileur et prendre à nouveau toutes ces prédictions et formules T au carré et les mettre dans la formule de prédiction Y. |
| |
Et nous voyons toujours les scores X en bas, mais maintenant nous voyons également ces fonctions de désirabilité à droite. |
| |
Et encore une fois, la fonction de désirabilité pour T au carré commence à chuter au-dessus de 9,32. La désirabilité est la plus élevée à de faibles valeurs de flux un et nous avons des objectifs à la fois pour le flux cible et le paramètre de qualité. |
| |
Parce que nous avons défini tout cela, nous pouvons maintenant maximiser la désirabilité. |
| |
Et cela va essayer de trouver des valeurs pour chacun de ces scores, et donc, des valeurs pour toutes les variables observées dans notre ensemble de données qui vont |
| |
atteindre ce flux cible et atteindre les objectifs qui se trouvent dans ceux que nous avons définis précédemment. |
| |
Remarquez qu'il a presque atteint la cible complète, mais il semble qu'il soit un peu bas. Il a atteint notre 20,15 |
| |
et c'est dans la limite du T carré que nous l'avons donné. Très probablement, JMP pensait que cette toute petite diminution de la désirabilité était moins importante que la réduction du flux, nous pouvons donc résoudre ce problème en cliquant sur le contrôle dans cette fonction de désirabilité et en changeant simplement l'importance à 10. |
| |
Maintenant, si nous optimisons à nouveau cela, cela devrait se rapprocher un peu plus de la cible de flux. Avant de faire cela, cependant, je vais enregistrer ces paramètres de facteur dans ce tableau en bas, afin que nous puissions comparer avant et après. Et puis nous irons de l'avant et maximiserons la désirabilité. |
| |
On dirait que c'est fini et que nous sommes toujours dans les limites de notre T au carré. |
| |
Il a atteint les 20,15 que nous demandions et il est certainement beaucoup plus proche de 140. Nous pouvons donc à nouveau enregistrer ces paramètres de facteur dans la table de données. |
| |
Et nous devrions maintenant avoir des facteurs que nous pouvons redonner à l'usine de fabrication et dire, hé, voici les paramètres que nous recommandons. |
| |
L'avantage d'utiliser une analyse multivariée comme celle-ci, nous avons parlé de ces flux trois et quatre étant liés plus tôt, |
| |
en utilisant cette méthode, nous devrions être en mesure de donner à la centrale des valeurs raisonnables auxquelles elle est réellement capable de fonctionner. |
| |
Si vous leur dites d'exécuter une valeur élevée pour trois et une valeur faible pour le flux quatre, ils pourraient vous regarder et dire que ce n'est tout simplement pas possible. |
| |
Ceux-ci devraient être beaucoup plus raisonnables. Notez que toutes ces variables ne sont pas nécessairement des variables indépendantes que l'usine peut contrôler. Certains d'entre eux pourraient être |
| |
résultats, ou ils peuvent être simplement liés à d'autres variables. En théorie, si la plante change toutes les choses sur lesquelles elle a le contrôle, les autres choses devraient juste se mettre en place. |
| |
Alors maintenant que nous avons optimisé ce modèle, l'étape suivante consiste souvent à s'assurer, ou à vérifier, que nous fonctionnons normalement. Donc, une fois que les conditions optimales sont réunies, il est bon d'utiliser le même modèle pour marquer de nouvelles lignes ou de nouvelles données et de comprendre si le processus agit comme nous l'attendons ? |
| |
Pour ce faire, nous utiliserons ces mêmes scores de prédiction que nous avions dans... enregistrés à partir de la plate-forme PLS, mais cette fois, nous allons utiliser ceux de la carte de contrôle multivariée pilotée par le modèle. |
| |
sous qualité et processus. |
| |
Je vais utiliser le temps et le mettre dans l'ID de temps, donc au lieu de voir les numéros de ligne, nous allons voir une date réelle sur tous nos graphiques et nous mettrons les scores X dans le processus. |
| |
Malheureusement, la plage ne fonctionne pas toujours correctement sur ces graphiques, donc si je zoome un petit peu, nous verrons que voici des périodes où nous avions un T carré élevé et ce T carré élevé était principalement le résultat de flux deux, trois, quatre et un, donc tout coule dedans... |
| |
sont les principaux contributeurs à ce T au carré. Si nous cliquons dessus et passons la souris sur l'une de ces barres, si je clique à nouveau sur ce point, nous verrons une carte de contrôle pour cette valeur individuelle... individuelle |
| |
variable avec le point que nous avons sélectionné mis en évidence sur ce graphique. |
| |
Et je vais cacher celui-ci, cependant, et pas seulement regarder T au carré, nous pouvons aussi faire la même chose pour DModX ou SPE, si vous regardez toujours SPE. Encore une fois, |
| |
cela ne fonctionne pas toujours correctement. |
| |
Nous allons donc zoomer sur |
| |
valeurs DModX à nouveau. |
| |
Ainsi, DModX va indiquer les points qui ont une valeur élevée ou faible pour une colonne individuelle, par rapport à ce qui était attendu sur la base des autres lignes, les autres données de cette ligne. |
| |
Ici, nous pouvons voir que ce point est principalement une valeur aberrante due au flux cinq. |
| |
Je trouve que les cartes thermiques des proportions de contribution sont assez utiles pour rechercher et voir des modèles dans les anciennes données lorsque, par exemple, une variable peut avoir été un facteur contributif élevé ou avoir agi de manière anormale pendant une longue période de temps ou pendant une certaine période de temps. . |
| |
C'est donc un tableau qui pourrait... que nous pourrions vouloir examiner tous les matins, par exemple, ou périodiquement pour voir si le processus se déroule normalement? |
| |
Vous entrez, vous voulez ouvrir cela et voir, y a-t-il quelque chose que je devrais ajuster maintenant afin de reprendre le contrôle de notre processus ? |
| |
Donc, pour ce faire, nous voulons recréer toute cette analyse, de l'extraction des données PI à l'ouverture de la plate-forme MDMCC et que tout soit disponible en un clic. |
| |
Pour ce faire, nous allons écrire un script JSL en trois étapes. Il va obtenir les données de PI, nous allons ajouter les colonnes calculées, puis ouvrir le modèle que nous avons dans la plate-forme de carte de contrôle multivariée. |
| |
obtenir des données de PI. Si nous revenons à la table de données d'origine que nous... |
| |
qui a été ouvert après l'exécution du complément d'outils PI, nous pouvons voir ce script de source de données PI enregistré dans cette table. Si nous éditons ce script et le copions simplement, nous pouvons le coller dans la nouvelle fenêtre de script. |
| |
Je vais juste faire un changement. Au lieu d'extraire les données de mai, nous commencerons à extraire les données du 1er août. |
| |
Maintenant, nous devons ajouter ces colonnes calculées. Alors rappelez-vous que nous ... dans la plate-forme PLS, nous utilisons l'option de score enregistré ... enregistrer en tant que formules de score X. |
| |
Afin de les recréer, nous pouvons simplement sélectionner toutes les colonnes de la table de données et utiliser la fonction de script de copie de colonne qui a été à nouveau ajoutée dans ce complément d'outils de script. |
| |
Une fois que nous avons copié le script de colonne, nous revenons dans ce nouveau script que nous avons créé et nous collerons un tas de nouvelles formules de colonne pour recréer à nouveau toutes ces colonnes. |
| |
Enfin, le contrôle multivarié piloté par modèle |
| |
le graphique a un ??? la plupart des autres plates-formes, où vous pouvez enregistrer le script dans le presse-papiers et le coller dans la même fenêtre de script. |
| |
Maintenant, si nous imaginons que c'est un nouveau jour et que nous avons tout fermé, et que je veux voir comment se passe notre processus, j'exécuterais simplement ce même script. Notez que je pourrais commencer par |
| |
une barre oblique spécifique puis un point d'exclamation afin de s'exécuter automatiquement à l'ouverture du script. |
| |
Lorsque j'appuie sur exécuter, cela va ouvrir une table de données qui ressemble à notre table d'origine. Il a toutes les mêmes colonnes. |
| |
Il a ajouté ces colonnes calculées, mettons donc ces scores et toutes les prédictions, et il a également ouvert la plate-forme de carte de contrôle multivariée pilotée par un modèle |
| |
où nous pouvons voir que cette valeur récente pour DModX est en fait assez élevée, donc les données les plus récentes ont des valeurs anormales, dans ce cas, pour la qualité trois. |
| |
Encore une fois, la qualité trois semble ne pas être à la valeur attendue, sur la base des autres paramètres. Dans ce cas particulier, cela pourrait signifier, |
| |
puisque la qualité trois est un paramètre d'entrée et que la qualité un, deux et trois sont souvent liées, cela peut signifier que la qualité trois est un mauvais échantillon de laboratoire ou cela peut signifier qu'il s'agit d'un nouveau matériau avec lequel nous n'avons jamais travaillé auparavant. |
| |
Bon, enfin, parlons d'une méthode pour exécuter ce modèle en continu. Cela a donc été recréé à la demande, |
| |
où nous avons écrit un script JSL pour exécuter cela, mais parfois c'est bénéfique |
| |
à... ou nous avons trouvé avantageux de réécrire ces résultats à notre historien PI afin qu'ils puissent être utilisés par |
| |
les opérateurs de nos installations. Donc, au cours des dernières minutes, je souhaite vous présenter ce complément, il s'appelle le complément de moteur de modèle, |
| |
qui marquera rapidement des modèles en ligne. Je dois noter que cela ne doit être utilisé qu'à titre de conseil. Ce n'est pas une méthode acceptable pour fournir des informations critiques ou pour un contrôle en boucle fermée. |
| |
Pour cela, vous pouvez envisager d'exporter les formules du dépôt de formules et d'utiliser un autre logiciel pour les noter. |
| |
Comme mentionné précédemment, certaines des prédictions et des informations disponibles dans ce modèle |
| |
a le plus a le plus de valeur au moment où cela se produit. Donc, savoir ce qui a causé le problème d'hier est génial, mais savoir ce qui se passe en ce moment |
| |
signifie prendre des décisions avec les résultats du modèle actuel et cela permet de résoudre certains problèmes avant qu'ils ne deviennent un gros problème. |
| |
Bien sûr, il existe de nombreuses façons de noter des modèles, mais la puissance du langage de script JMP, JSL, |
| |
fournit un moyen d'obtenir des prévisions et des informations sur les anomalies devant les opérateurs de nos installations de fabrication en utilisant leur suite existante d'outils de visualisation et de tendances auxquels ils sont déjà habitués. |
| |
Une paire de moteurs de modèles, ou des ordinateurs exécutant JMP avec un complément spécifique qui a démarré le planificateur de tâches, sont configurés pour exécuter périodiquement tous les modèles stockés dans un répertoire spécifique. |
| |
Toute la configuration se fait via deux types de fichiers de configuration, un fichier de configuration de moteur unique et un fichier de configuration de modèle pour chaque modèle qui va être noté. |
| |
Commençons par ce fichier de configuration de modèle. Vous vous souvenez de la façon dont le complément PI Tools enregistre les informations source dans la table de données ? |
| |
Maintenant, ces mêmes informations peuvent être utilisées pour remplir le fichier de configuration du modèle, qui indique au moteur de modèle comment télécharger une table avec une seule ligne contenant toutes les entrées de modèle dont il a besoin pour calculer les valeurs. |
| |
Plus tard, le complément d'outils de script enregistre rapidement les scripts pour recréer les colonnes enregistrées à partir du PLS et de toute autre plate-forme, |
| |
incluant potentiellement des contributions T au carré et DModX qui peuvent être enregistrées à partir de la plate-forme de carte de contrôle de version du modèle. Ces nouveaux scripts de colonne sont également enregistrés dans le fichier de configuration du modèle ou dans un fichier séparé dans ce même répertoire. |
| |
Enfin, le fichier de configuration du moteur définit comment le moteur communique avec la source de données où PI tools |
| |
complément... où le complément d'outils PI utilise l'OLDB |
| |
et les requêtes SQL pour obtenir des données, le moteur de modèle utilise l'API Web PI pour lire et écrire des données directement dans PI. |
| |
En définissant un ensemble de fonctions dans le fichier de configuration du moteur, ce moteur peut également communiquer avec de nombreuses autres sources de données. |
| |
Notez qu'un ensemble de balises de pulsation est défini, ce qui permet à la source de données et aux autres moteurs de modèle de connaître l'état de ce moteur. |
| |
Chaque modèle a également son propre ensemble de balises de pulsation, donc si une machine arrête de marquer un modèle particulier, l'autre moteur prendra automatiquement le relais. |
| |
Encore une fois, cette idée de moteur de modèle n'est pas destinée à être utilisée pour des applications critiques, mais j'ai trouvé qu'elle nous permet de passer très rapidement du déploiement et de l'analyse exploratoire à une prédiction en ligne ou à une solution de contrôle qualité. |
| |
Sur ce, merci à tous d'être venus. N'oubliez pas que plus d'informations sur chaque complément et le journal que j'utilise aujourd'hui sont disponibles dans la communauté JMP. |
| Janice LeBeau, JMP |
super boulot super. |
