Conférencier
|
Transcription
|
| Isaac Himanga |
Bonjour, bonjour. |
| Janice LeBeau, JMP |
salut Isaac, comment vas-tu. |
| Isaac Himanga |
ça va bien, comment vas-tu. |
| Janice LeBeau, JMP |
Très bien, merci, je m'appelle Dan, je vais produire votre présentation aujourd'hui pour vous. |
| Isaac Himanga |
C'est vraiment fantastique. |
| Janice LeBeau, JMP |
Et je ne peux pas te voir Isaac. |
| Isaac Himanga |
oui, je suis désolé, je suis en train de l'installer ici. |
| Janice LeBeau, JMP |
D'accord, et juste pour vous faire savoir que nous enregistrons en ce moment. |
| |
Absolument cool, j'ai l'impression que nous nous sommes déjà rencontrés. |
| Isaac Himanga |
Nous pourrions avoir l'un ou l'autre, j'en suis sûr, l'un des sommets s'il avait lieu n'importe où. |
| Janice LeBeau, JMP |
D'accord, très bien, comment vas-tu aujourd'hui. |
| Isaac Himanga |
ça va bien, comment vas-tu. |
| Janice LeBeau, JMP |
Bien bien j'adore ton fond c'est d'une belle couleur tu es parti c'est sûr. |
| Isaac Himanga |
Merci. |
| |
Bien. |
| Janice LeBeau, JMP |
Je vais juste revenir sur quelques points et je dois juste les reconfirmer avec vous. |
| |
Le nom de l'entreprise de votre présentateur 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 Discovery Discovery Summit. |
| Isaac Himanga |
Absolument et je suppose, j'allais également enregistrer la lecture de ma fin sur mon site, juste au cas où quelque chose se produirait, nous en aurons donc une copie et tout est d'accord avec 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 semble bon, 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 |
ça devrait l'être mais je vais vérifier à nouveau juste parce que quand. |
| Janice LeBeau, JMP |
J'appelle votre œuvre d'art. |
| |
Et 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. |
| Janice LeBeau, JMP |
Avez-vous fermé Skype ou toute autre application qui fait du bruit. |
| Isaac Himanga |
Accéder à mon tour est de désactiver celui-ci, oui. |
| |
D'accord. |
| Isaac Himanga |
ouais, donc je pense que la seule chose qui devrait être allumée, car toi et moi allons en fait baisser le volume quand nous commencerons ici, juste au cas où quelque chose arriverait, je pourrai vous voir mais ce sera juste sois silencieux de cette façon 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 je vous accorderai quelques secondes, puis vous pourrez vous présenter. |
| |
et commencez à enregistrer, vous pouvez commencer votre présentation et ensuite, quand vous me direz bien que cela conclut la présentation d'aujourd'hui, j'espère que vous avez apprécié tout ce que vous voulez dire et ensuite j'arrêterai d'enregistrer pour vous, d'accord. |
| |
Bien et si on est dedans, au tout début et que tu n'es pas content, tu sais qu'on peut l'arrêter et recommencer donc je suis totalement cool avec tout ça. |
| Isaac Himanga |
D'accord maintenant, j'espère que ce ne sera pas un problème à quel point vous le voulez près de 35 minutes, quand je m'entraînais, je voulais dire qu'il était déchiré entre 34 et 36, c'est-à-dire que voulez-vous le lire 35 ou. |
| Janice LeBeau, JMP |
Vous savez que c'est bien, je veux dire, faites tout ce que vous avez à faire. Je connais une personne à qui nous étions à 20 minutes si elle vous disait combien de 30 à 40 minutes. |
| Isaac Himanga |
ouais, quelque part, je me souviens qu'ils auraient pu donner une fourchette là-bas. |
| Janice LeBeau, JMP |
c'est cool ne t'inquiète pas pour ça. |
| 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, es-tu prêt ma vidéo. |
| Isaac Himanga |
Et qu'en est-il, voyons pour que vous n'ayez pas de minuterie, les caméras vont régler une minuterie sur mon là-haut, donc je pourrais le faire |
| 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 passez à 32, c'est bien si vous dépassez un peu, c'est bien. |
| |
D'accord. |
| Isaac Himanga |
J'ai donc tout ici. |
| |
D'accord. |
| Janice LeBeau, JMP |
D'accord, bien, 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 sois figé, tu y vas. Ok, donc tu es prêt. |
| Isaac Himanga |
D'accord. |
| Janice LeBeau, JMP |
Je pense, par |
| Isaac Himanga |
Je vais démontrer un flux de travail que j'utilise chez ADM pour optimiser les processus de fabrication à l'aide de modèles multivariés. |
| |
Vous commencerez par extraire des données et construire un modèle, trouver des conditions optimales réalistes, identifier les conditions anormales et enfin évaluer 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 vais seulement souligner quelques fonctionnalités couramment utilisées et essayer de montrer l'ensemble du flux de travail. |
| |
Je dirai que la plupart des analyses, avec autant de détails, ont pris 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 suivre 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 pour obtenir et nettoyer des données, utiliser le profileur pour découvrir plusieurs conditions, |
| |
utilisez la plate-forme de carte de contrôle multivariée pilotée par modèle, écrivez un script pour évaluer de nouvelles données par rapport à ce modèle, et enfin, je reviendrai sur 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. |
| |
L'objectif d'ADM est de libérer le pouvoir de la nature pour enrichir la qualité de vie. |
| |
Nous transformons des produits naturels en une gamme complète d'ingrédients et d'arômes pour les aliments et boissons, les suppléments, la nutrition pour animaux de compagnie et le bétail, |
| |
et plus. Et grâce à un éventail de capacités inégalées à chaque étape 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 des données pour améliorer nos processus de fabrication, y compris la méthode dont je vais parler. |
| |
Je fais partie du centre d'excellence relativement nouveau d'amélioration ciblée et d'analyse. |
| |
Et notre équipe en pleine croissance investit dans des techniques, comme celle-ci, pour aider nos 800 installations, 300 sites de transformation de denrées alimentaires et d'aliments pour animaux, ainsi que 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 essentielles pour chaque ensemble de données, |
| |
telles que 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 ensemble de connexions à des bases de données, des outils de modélisation multivariés, tels que les moindres carrés partiels, les composants principaux et la plateforme de cartes de contrôle multivariées pilotées par modèle. |
| |
Commençons par obtenir des données. Malgré les nombreuses connexions de bases de données et options de script disponibles, nous avions besoin d'un moyen rapide d'extraire les données de notre historique de processus, |
| |
un produit populaire appelé PI, sans écrire de requêtes ni naviguer dans les structures de tables. Un complément personnalisé était la solution pour la plupart des ensembles de données. Ce complément était relativement… a été récemment publié sur la communauté JMP. |
| |
Deux autres compléments facilitent ce processus. L'un d'entre eux, appelé génériquement outils de script, inclut une option permettant au script de recréer rapidement les colonnes calculées. |
| |
lorsqu'il est combiné avec le script de sauvegarde dans la fonctionnalité intégrée à la plupart des plates-formes JMP. Les analyses peuvent être rapidement recréées et évaluées à la demande par un utilisateur JMP. |
| |
Le dernier complément, appelé JMP Model Engine, 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 colonnes ou de tout autre script JSL, puis réécrit les résultats dans l'historien. |
| |
Pour gagner du temps, je vais passer très rapidement à cette dernière étape, mais encore une fois, je vous encourage à rechercher plus de détails sur la communauté JMP en utilisant le lien sur le |
| |
va la diapositive 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 sur… ou sur GitHub. |
| |
Sur ce, ouvrons JMP. |
| |
En coulisses, l'ADM... ou le complément de JMP PItool utilise plusieurs PIproducts différents pour extraire des données, notamment SQL DAS, OLEDB et ODBC. Les instructions de configuration se trouvent dans le menu d'aide de cette plateforme. |
| |
Aujourd'hui, nous allons extraire les données d'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 faire cela pour un certain ensemble de balises, celles-ci sont répertoriées ici dans ceci... |
| |
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 figurant dans le PIhistorian, qui nous aidera à identifier ces colonnes plus tard dans le tableau 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, une table de données qui ressemble à celle-ci s'ouvre. Il contient un ensemble de colonnes pour toutes les valeurs numériques de ce tableau de données. |
| |
Il contient 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 ligne. |
| |
Également dans les propriétés de colonne de cette table de données, si nous ouvrons les informations de colonne, nous verrons 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 verrons plus d'informations ici. |
| |
Je noterai qu'il s'agit de données réelles qui ont été redimensionnées et que les noms des 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 tiens à souligner qu'il existe ici un script enregistré dans la table de données appelé PI data source, qui est le même script que celui affiché dans le complément. |
| |
et il contient le SQL qui est également disponible ici. Encore une fois, en 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 y revenir et l'utiliser à nouveau vers la fin de l'exposé d'aujourd'hui. |
| |
D'accord, maintenant que nous avons des données, nous devons nettoyer ces données. Nous allons utiliser aujourd'hui des outils multivariés pour ce 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 faibles pour le premier composant. Si vous regardez les chargements pour ceux |
| |
Différents facteurs, nous pouvons voir que le composant 1 inclut des chargements élevés pour tous les différents flux de cet ensemble de données. |
| |
Cela me dit donc que toutes ces valeurs ici à gauche ont des flux élevés à tous les niveaux pour l'ensemble du système. En utilisant certaines connaissances en ingénierie, je peux dire que cela représente un temps d'arrêt pour ce processus, je vais donc continuer 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 redo 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 l'essentiel de la variation du flux 2 et il y a ici un peu de séparation. |
| |
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 modifier 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 soit des valeurs extrêmes pour un ou plusieurs des scores, soit des points qui ont un seul |
| |
colonne ou une seule cellule dont la valeur est 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 supérieures à la limite de contrôle supérieure. |
| |
Une autre chose courante lors du nettoyage d'un ensemble de données consiste à transformer les colonnes, et je souhaite montrer une fonctionnalité du complément de l'outil de script qui permet |
| |
c'est même un peu essayer d'appliquer et |
| |
transférer vers le nouveau menu de la colonne de formule. Si je sélectionne trois colonnes ou un nombre quelconque de colonnes et que j'accède 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. Cependant, j'utilise souvent un PCA en premier. |
| |
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 possible et en prenant également en compte une partie… |
| |
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 y et toutes les autres variables comme facteurs X. |
| |
Je vais juste accepter toutes les valeurs par défaut pour l'instant et je vais avancer un peu et utiliser tout de suite quatre facteurs. |
| |
Quand j'ouvre ces quatre facteurs, |
| |
nous verrons que les deux premiers |
| |
représenter le |
| |
variables que l'usine modifie normalement dans les commandes… afin d'ajuster la vitesse à laquelle elle exécute le processus. Ainsi, s’ils ont besoin de générer plus ou moins de flux cible, ils modifient 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 réalité 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… expliqué une part relativement faible 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 un 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 seulement. |
| |
Nous utiliserons quelques nouvelles fonctionnalités ajoutées dans JMP 16, nous permettant d'enregistrer les prédictions, à la fois pour les variables Y et X, sous forme de formules de score X. Et lorsque nous ouvrirons le profileur, je pense que cela aidera à illustrer pourquoi cela devient important. |
| |
Nous avons donc sauvegardé les trois prédictions, les prédictions X et les carrés T, dans notre tableau de données. Il devrait s'agir de nouvelles colonnes en bas en fonction de ces scores X. |
| |
Nous pouvons également jeter un coup d'œil rapide 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 au carré 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 parcourez plusieurs itérations de votre modèle. Les outils de script contiennent donc une autre fonction, appelée renommer les colonnes, |
| |
qui vous permettra de sélectionner un exemple de requête pour PLS. Il a ici un modèle d'expression régulière assez compliqué, |
| |
mais remarquez 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 en fait 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 que c'est la révision 1 de ce modèle. |
| |
Lorsque je change de nom, nous pouvons voir que le nom de toutes ces colonnes dans l'ensemble de données a automatiquement changé. |
| |
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 comprendre 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 votre profil, |
| |
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, cela déplacera automatiquement toutes ces variables observées ensemble. |
| |
au rapport des chargements dans chacune de ces composantes. Il est donc important de jeter un œil à ces flux trois et quatre. Peu importe le score que nous avançons, |
| |
ce modèle comprend que ces deux scores sont liés. Peut-être que l'un d'entre eux est un débitmètre sur lequel ils ont le contrôle, et peut-être un deuxième. |
| |
Il y a un deuxième débitmètre sur cette même ligne, mais quoi qu'il en soit, il ne semble pas que l'usine soit capable de déplacer l'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 faire cela, nous devons indiquer à JMP ce que nous essayons d'optimiser. Nous devons dire que nous essayons d’atteindre un certain débit et certains paramètres de qualité. |
| |
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 de zéro pour toutes ces différentes colonnes. |
| |
Ensuite, nous reviendrons en arrière et 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 souhaitons faire correspondre une valeur de 140 pour cette colonne. |
| |
De même pour la qualité 1, nous voulons atteindre la valeur de |
| |
20h15. |
| |
Pour celui du flux, nous voulons minimiser cette valeur. |
| |
Et enfin, nous devons nous assurer que la solution à laquelle nous parviendrons 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 au carré, et nous indiquerons que nous voulons minimiser le T au carré |
| |
de telle sorte qu'il soit inférieur à la limite de contrôle supérieure indiquée sur cette plate-forme PLS. Ici, nous pouvons voir que la limite de contrôle supérieure était de 9,32, nous l'utiliserons donc comme valeur minimale ici. |
| |
Ce que nous devrions maintenant voir dans le profileur, c'est que chaque valeur inférieure à 9,32 est également acceptable et, à mesure que vous dépassez 9,32, elle deviendra de moins en moins souhaitable. |
| |
Dans le menu graphique, je vais ouvrir à nouveau le profileur, puis 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 une fois de plus, la fonction de désirabilité pour T au carré commence à chuter au-dessus de 9,32. La désirabilité est la plus élevée aux faibles valeurs du débit un et nous avons des objectifs pour le débit 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 figurent dans ceux que nous avons définis précédemment. |
| |
Remarquez qu’il a failli atteindre la cible complète. Il a atteint notre 20h15 |
| |
et c'est dans la limite du T au 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 la fonction de désirabilité et en changeant simplement l'importance à 10. |
| |
Maintenant, si nous optimisons à nouveau cela, cela devrait se rapprocher un peu de l'objectif de flux. Mais avant de faire cela, je vais enregistrer ces paramètres de facteurs dans ce tableau en bas, afin que nous puissions comparer avant et après. Et puis nous irons de l'avant et maximiserons l'opportunité. |
| |
On dirait que c'est terminé et que nous sommes toujours dans les limites de notre T au carré. |
| |
Il a atteint les 20h15 que nous avions demandés et il est certainement beaucoup plus proche des 140. Nous pouvons donc à nouveau enregistrer ces paramètres de facteurs dans le tableau de données. |
| |
Et nous devrions maintenant disposer de facteurs que nous pouvons redonner à l'usine de fabrication et lui dire : voici les paramètres que nous recommandons. |
| |
L'avantage d'utiliser une analyse multivariée comme celle-ci, nous avons parlé plus tôt de la relation entre les flux trois et quatre, |
| |
en utilisant cette méthode, nous devrions être en mesure de donner à l'usine des valeurs raisonnables auxquelles elle est réellement capable de fonctionner. |
| |
Si vous leur dites d'exécuter une valeur élevée pour le flux 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 simplement être liés à d’autres variables. En théorie, si l’usine modifie toutes les choses sur lesquelles elle a un contrôle, les autres choses devraient simplement se mettre en place. |
| |
Maintenant que nous avons optimisé ce modèle, l'étape suivante consiste souvent à nous assurer ou à vérifier que nous fonctionnons normalement. Ainsi, une fois que les conditions optimales sont réunies, il est bon d'utiliser le même modèle pour évaluer de nouvelles lignes ou de nouvelles données et comprendre si le processus agit comme prévu ? |
| |
Pour ce faire, nous allons utiliser ces mêmes scores de prédiction que ceux que nous avions dans... enregistrés depuis la plateforme PLS, mais cette fois nous allons utiliser ceux de la carte de contrôle multivariée pilotée par modèle. |
| |
sous la qualité et le processus. |
| |
Je vais utiliser l'heure et la mettre dans l'ID temporel, 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 peu, nous verrons qu'il y a des périodes où nous avions un T au carré élevé et que ce T au 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 en surbrillance sur ce graphique. |
| |
Et je vais cacher celui-ci, cependant, et ne pas seulement regarder T au carré ; Encore une fois, |
| |
cela ne fonctionne pas toujours correctement. |
| |
Nous allons donc zoomer sur |
| |
DModX valorise à nouveau. |
| |
DModX va donc indiquer les points qui ont une valeur élevée ou faible pour une colonne individuelle, par rapport à ce qui était attendu en fonction des autres lignes, des autres données de cette ligne. |
| |
Ici, nous pouvons voir que ce point est principalement une valeur aberrante en raison du flux cinq. |
| |
Je trouve que les cartes thermiques de proportion de contribution sont très utiles pour examiner et voir des modèles dans d'anciennes données lorsque, par exemple, une variable aurait pu être un facteur contributif élevé ou agir anormalement pendant une longue période de temps ou pendant une certaine période de temps. . . . . |
| |
Il s’agit donc d’un graphique que nous pourrions vouloir consulter chaque matin, 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 remettre notre processus sous contrôle ? |
| |
Pour ce faire, nous souhaitons recréer toute cette analyse, depuis l'extraction des données PI jusqu'à l'ouverture de la plateforme MDMCC, et que tout soit disponible en un seul clic. |
| |
Pour ce faire, nous allons écrire un script JSL qui comporte trois étapes. Il va récupérer les données de PI, nous allons ajouter les colonnes calculées, puis ouvrir le modèle que nous avons dans la plateforme de cartes de contrôle multivariées. |
| |
obtenir des données de PI. Si nous revenons au tableau de données d'origine, nous. |
| |
qui a été ouvert après l'exécution du complément PI Tools, nous pouvons voir ce script de source de données PI enregistré dans cette table. Si nous modifions 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. |
| |
Nous devons maintenant ajouter ces colonnes calculées. Alors rappelez-vous que nous… dans la plate-forme PLS, nous utilisons le score enregistré… enregistrer sous l'option de 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 ajoutée à nouveau dans ce complément d'outils de script. |
| |
Une fois que nous avons copié le script de colonne, nous retournons dans ce nouveau script que nous avons créé et nous collerons un ensemble 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 tout est fermé, et que je veux voir comment se déroule 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 exactement à notre table d'origine. Il contient toutes les mêmes colonnes. |
| |
Il a ajouté ces colonnes calculées, alors insérons ces scores et toutes les prédictions, et il a également ouvert la plate-forme de carte de contrôle multivariée pilotée par 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 ne semble pas correspondre à la valeur attendue, sur la base des autres paramètres. Dans ce cas particulier, cela pourrait vouloir dire, |
| |
Étant donné que la qualité trois est un paramètre d'entrée et que les qualités un, deux et trois sont souvent liées, cela peut signifier que la qualité trois est un mauvais échantillon de laboratoire ou 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. Donc ceci a 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, dans les dernières minutes, je souhaite présenter ce complément, il s'appelle le complément de moteur de modèle, |
| |
qui permettra de noter rapidement les modèles en ligne. Je dois noter que cela ne doit être utilisé qu'à titre indicatif. 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 évaluer. |
| |
Comme mentionné précédemment, certaines des prédictions et 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 une bonne chose, 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 d'évaluer des modèles, mais la puissance du langage de script JMP, JSL, |
| |
fournit un moyen de présenter des prévisions et des informations sur les anomalies aux 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 seul fichier de configuration du moteur et un fichier de configuration du modèle pour chaque modèle qui va être évalué. |
| |
Commençons par ce fichier de configuration de modèle. Vous souvenez-vous de la façon dont le complément PI Tools enregistre les informations source dans la table de données ? |
| |
Désormais, ces mêmes informations peuvent être utilisées pour remplir le fichier de configuration du modèle, qui indique au moteur de modèle comment télécharger un tableau avec une seule ligne contenant toutes les entrées du modèle dont il a besoin pour calculer les valeurs. |
| |
Plus tard, le complément des outils de script enregistre rapidement les scripts pour recréer les colonnes enregistrées depuis le PLS et toute autre plateforme, |
| |
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 colonnes 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 la manière dont le moteur communique avec la source de données où PI Tools |
| |
complément... où le complément PI Tools utilise l'OLDB |
| |
et des requêtes SQL pour obtenir des données, le moteur de modèle utilise l'API Web PI pour lire et écrire des données directement sur 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 battement de cœur 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 possède également son propre ensemble de balises de battement de cœur, donc si une machine arrête de noter 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 travail génial. |
