Lautsprecher
|
Transkript
|
| Isaac Himanga |
Hallo guten Morgen. |
| Janice LeBeau, JMP |
Hallo Isaak, wie geht es dir? |
| Isaac Himanga |
geht es dir gut, wie geht es dir. |
| Janice LeBeau, JMP |
Gut, danke, ich bin Dan, es geht darum, dass ich heute Ihre Präsentation für Sie produzieren werde. |
| Isaac Himanga |
Richtig fantastisch. |
| Janice LeBeau, JMP |
Und ich kann dich nicht sehen, Isaac. |
| Isaac Himanga |
Ja, es tut mir leid, dass ich es hier einrichten lasse. |
| Janice LeBeau, JMP |
Okay, und nur um Sie wissen zu lassen, dass wir gerade so aufnehmen. |
| |
Absolut cool, ich habe das Gefühl, dass wir uns schon einmal begegnet sind. |
| Isaac Himanga |
Wir könnten entweder einen der Gipfel haben, wenn er irgendwo wäre. |
| Janice LeBeau, JMP |
Okay, super gut, wie es dir heute geht. |
| Isaac Himanga |
geht es dir gut, wie geht es dir. |
| Janice LeBeau, JMP |
Gut gut, ich liebe deinen Hintergrund, der eine schöne Farbe ist, die du sicher übernommen hast. |
| Isaac Himanga |
Dankeschön. |
| |
Gut. |
| Janice LeBeau, JMP |
Ich werde nur ein paar Dinge durchgehen, die ich nur noch einmal mit Ihnen bestätigen muss. |
| |
Der Name Ihres Präsentators und der Titel des Abstracts. |
| |
Okay, haben Sie Co-Moderatoren? |
| Isaac Himanga |
Nur absolut und ich denke, ich wollte auch nur mein Ende auf meiner Seite abspielen, nur für den Fall, dass etwas passiert, damit wir eine Kopie davon haben und das ist in Ordnung für Sie. |
| Janice LeBeau, JMP |
ähm, ich weiß nicht, ob das die Qualität von irgendetwas beeinflusst oder. |
| Isaac Himanga |
sollte ich das nicht oft machen. |
| Janice LeBeau, JMP |
Okay, ich überlasse dir, dass ich bin dein Hintergrund sieht gut aus dein Mikrofon klingt gut okay wollte nur bestätigen, dass dein Handy und Computer Benachrichtigungen deaktiviert sind. |
| Isaac Himanga |
sollte sein, aber ich schau nochmal nach, nur weil wann. |
| Janice LeBeau, JMP |
Ich rufe Ihr Kunstwerk auf. |
| |
Und dann. |
| |
Energie von acht und 1920 von 10 Tag, haben Sie Haustiere im Hintergrund. |
| Isaac Himanga |
So. |
| Janice LeBeau, JMP |
Es könnte Geräusche machen, wie wahrscheinlich meine Katze, also verwies ich sie. |
| Isaac Himanga |
Nun, theoretisch bin ich heute der einzige zu Hause. |
| Janice LeBeau, JMP |
Hast du Skype oder andere Anwendungen, die Geräusche machen, aus der Nähe geschaut. |
| Isaac Himanga |
Ich greife auf meine zu, schalte diese richtig aus, ja. |
| |
Okay. |
| Isaac Himanga |
Ja, also ich denke, das Einzige, was als du angeschaltet sein sollte, und ich werde deine Lautstärke wirklich runterdrehen, wenn wir hier anfangen, nur für den Fall, dass etwas passiert, werde ich dich sehen können, aber es wird einfach Seien Sie so ruhig, wenn irgendetwas anderes Geräusche macht oh. |
| Janice LeBeau, JMP |
Nun, was ich tun werde, ist. |
| |
Ich werde Ihnen hier nur noch ein paar Hinweise geben. Ich werde mich selbst stummschalten und mein Video ausblenden. Sie können Ihren Bildschirm für Ihre Präsentation freigeben. |
| |
Und bevor ich mich stumm schalte, mache ich meine 54321 und gönne dir dann ein paar Sekunden, und dann kannst du dich vorstellen. |
| |
und mit der Aufnahme beginnen können Sie Ihre Präsentation starten und dann, wenn Sie mir nur gut sagen, dass dies die heutige Präsentation beendet. Ich hoffe, es hat Ihnen gefallen, was immer Sie sagen möchten, und dann höre ich auf, für Sie aufzuzeichnen. |
| |
Gut und wenn wir ganz am Anfang dabei sind und du nicht glücklich bist, wissen wir, dass wir es stoppen und von vorne anfangen können, also bin ich total cool mit all dem. |
| Isaac Himanga |
Okay, jetzt wird es hoffentlich kein Problem sein, wie nah an 35 Minuten du es willst, ich habe beim Üben gemeint, es war zwischen 34 und 36 hin- und hergerissen, dass du es 35 oder lesen willst. |
| Janice LeBeau, JMP |
Sie wissen, es ist in Ordnung, ich meine, tun Sie einfach, was immer Sie tun müssen. Ich kenne eine Person, die wir bei 20 Minuten eins waren, wenn sie Ihnen sagten, was 30 bis 40 Minuten lang sind. |
| Isaac Himanga |
Ja, irgendwo, ich erinnere mich, 35 sie könnten dort eine Reichweite angegeben haben. |
| Janice LeBeau, JMP |
das ist cool mach dir keine Sorgen. |
| Isaac Himanga |
Okay, gutes Geschäft perfekt. |
| Janice LeBeau, JMP |
Okay, wir nehmen also in der Cloud auf. |
| |
Wir können das sehen. |
| |
Oh, das sieht sehr gut aus, das sieht lecker aus. |
| Isaac Himanga |
perfekt. |
| Janice LeBeau, JMP |
Also ja. |
| |
Also, bist du bereit mein Video. |
| Isaac Himanga |
Mal sehen, dass Sie keine Timer-Kameras haben, die dort oben einen Timer einstellen, damit ich 30 machen könnte. |
| Janice LeBeau, JMP |
Ich meine, mach, was du willst, denn das wird anfangen. |
| |
Ich meine, ehrlich gesagt, wenn Sie denken, dass es 35 ist und Sie auf 32 steigen, ist das in Ordnung, wenn Sie ein wenig darüber hinausgehen, ist das in Ordnung. |
| |
Okay. |
| Isaac Himanga |
Also habe ich alles hier. |
| |
Gut. |
| Janice LeBeau, JMP |
Okay, gut, du fühlst dich gut, weil ich das machen werde. |
| |
Ich mache die 54321 und schalte mich selbst stumm. |
| |
Und lass uns sehen, dass du eingefroren bist. Okay, also bist du bereit. |
| Isaac Himanga |
Gut. |
| Janice LeBeau, JMP |
Ich glaube, um 4321. |
| Isaac Himanga |
Mein Name ist Isaac Himanga und ich werde einen Workflow demonstrieren, den ich bei ADM verwende, um Fertigungsprozesse mit multivariaten Modellen zu optimieren. |
| |
Ich beginne damit, Daten zu ziehen und ein Modell zu erstellen, realistische optimale Bedingungen zu finden, anormale Bedingungen zu identifizieren und schließlich das Modell mit aktuellen Daten zu bewerten. |
| |
Es gibt hier viele andere Informationen zu den einzelnen Plattformen, daher werde ich, anstatt die Details der einzelnen Schritte zu diskutieren, nur einige häufig verwendete Funktionen hervorheben und stattdessen versuchen, den gesamten Workflow zu zeigen. |
| |
Ich werde sagen, dass die meisten Analysen mit der Detailtiefe dieser Analyse etwas länger als 45 Minuten dauern. |
| |
Lesen Sie also den Artikel für diesen Vortrag in der JMP-Community, um weitere Details und Informationen zu erhalten, einschließlich eines Journals mit Screenshots der Schritte, die ich hier ziemlich schnell durchgehen werde. |
| |
Ich beginne mit einem kurzen Überblick über ADM und den allgemeinen Arbeitsablauf. |
| |
Dann lege ich diese Präsentation beiseite, um Ihnen den Prozess in JMP zu zeigen. Sie werden sehen, wie es aussieht, Daten zu erhalten und zu bereinigen, den Profiler zu verwenden, um mehrere Bedingungen herauszufinden, |
| |
Verwenden Sie die modellgesteuerte multivariate Regelkartenplattform, schreiben Sie ein Skript, um neue Daten anhand dieses Modells zu bewerten, und kehren Sie schließlich zu dieser Präsentation zurück, um kurz eine Methode zum kontinuierlichen Bewerten dieses Modells mit JMP zu präsentieren. |
| |
Zuerst ein wenig über ADM. |
| |
Das Ziel von ADM ist es, die Kraft der Natur freizusetzen, um die Lebensqualität zu bereichern. |
| |
Wir verwandeln Naturprodukte in ein komplettes Portfolio von Zutaten und Aromen für Lebensmittel und Getränke, Nahrungsergänzungsmittel, Ernährung für Heim- und Nutztiere, |
| |
und mehr. Und mit einer Reihe beispielloser Fähigkeiten in jedem Teil der globalen Lebensmittelkette geben wir unseren Kunden einen Vorsprung bei der Lösung der globalen Herausforderungen von heute und morgen. |
| |
Eine dieser Fähigkeiten ist die Verwendung von Datenanalysen zur Verbesserung unserer Fertigungsprozesse, einschließlich der Methode, über die ich gleich sprechen werde. |
| |
Ich bin Teil des relativ neuen, fokussierten Verbesserungs- und Analytik-Kompetenzzentrums. |
| |
Und unser wachsendes Team investiert in Techniken wie diese, um unseren 800 Einrichtungen, 300 Lebens- und Futtermittelverarbeitungsstandorten und dem Rest unseres Unternehmens auf der ganzen Welt zu helfen, bessere Entscheidungen mit unseren Daten zu treffen. |
| |
Nun ein Überblick über den Workflow. |
| |
Die vier Schritte, die ich heute besprechen werde, stellen nur einen Teil der vollständigen Analyse dar. Aus Zeitgründen werde ich einige Dinge weglassen, die ich für jeden Datensatz kritisch halte, |
| |
B. die Visualisierung von Daten, die Verwendung von Validierung, die Reduzierung von Variablen, die Bestätigung von Ergebnissen mit anderen Modellen und das Abgleichen von Labor- und Prozessdaten. |
| |
Abrufen von Daten, Erstellen eines Modells, Bewerten dieses Modells bei Bedarf in JMP und anschließendes kontinuierliches Bewerten des Modells. |
| |
JMP verfügt über Tools zur Unterstützung jedes Schritts, darunter eine Reihe von Datenbankverbindungen, multivariate Modellierungstools wie partielle kleinste Quadrate, Hauptkomponenten und die modellgesteuerte multivariate Regelkartenplattform und natürlich die JMP-Skriptsprache oder JSL. |
| |
Beginnen wir mit dem Abrufen von Daten. Trotz der vielen verfügbaren Datenbankverbindungen und Skriptoptionen brauchten wir eine schnelle Möglichkeit, Daten aus unserem Prozesshistoriker abzurufen. |
| |
ein beliebtes Produkt namens PI, ohne Abfragen zu schreiben oder in Tabellenstrukturen zu navigieren. Ein benutzerdefiniertes Add-In war die Antwort für die meisten Datensätze. Dieses Add-In war relativ... wurde kürzlich in der JMP-Community veröffentlicht. |
| |
Zwei weitere Add-Ins unterstützen diesen Vorgang. Eines, allgemein Skripting-Tools genannt, enthält eine Option, mit der das Skript schnell berechnete Spalten neu erstellen kann |
| |
in Kombination mit dem Speicherskript zu Funktionen, die in die meisten JMP-Plattformen integriert sind. Analysen können schnell neu erstellt und bei Bedarf von einem JMP-Benutzer bewertet werden. |
| |
Das letzte Add-In namens JMP-Modell-Engine ist auch das neueste. Es verwendet eine Konfigurationsdatei und Informationen, die vom PItool-Add-In in der Datentabelle gespeichert werden, um Daten abzurufen. |
| |
Das macht Berechnungen mit Spaltenformeln oder einem anderen JSL-Skript und schreibt die Ergebnisse dann zurück an den Historiker. |
| |
Und aus Zeitgründen werde ich diesen letzten Schritt sehr schnell durchgehen, aber ich ermutige Sie auch hier, sich über den Link auf der JMP-Community nach weiteren Details zu suchen |
| |
Agendafolie dieser Präsentation. |
| |
Jedes dieser Add-Ins wurde überarbeitet, um vertrauliche Informationen zu entfernen, aber wir verlagern die Benutzer auf denselben Code, der in der Community veröffentlicht wird. Wenn Sie also Ideen haben und diese verbessern können, können Sie mit uns in der JMP-Community über ... oder auf GitHub zusammenarbeiten. |
| |
Damit öffnen wir JMP. |
| |
Hinter den Kulissen verwendet das ADM ... oder das JMP PItool-Add-In ein paar verschiedene PI-Produkte, um Daten abzurufen, einschließlich SQL DAS, OLEDB und ODBC. Die Anweisungen zur Einrichtung finden Sie im Hilfemenü dieser Plattform. |
| |
Heute werden wir ab Mittag Daten für eine Reihe von PItags vom 1. Mai abrufen und dann bis heute jeden Tag mittags einen anderen Wert abrufen. |
| |
Wir werden dies für einen bestimmten Satz von Tags tun, diese sind hier in diesem... |
| |
in dieser Kiste. Beachten Sie, dass wir tatsächlich ein sogenanntes benutzerfreundliches Tag oder einen aussagekräftigeren Namen eingefügt haben als nur den Namen im PIhistorian, der uns hilft, diese Spalten später in der Datentabelle zu identifizieren. Da sind all diese kleinen Fragezeichen um die |
| |
... rund um das Add-In mit weiteren Informationen, einschließlich einer Beschreibung für dieses benutzerfreundliche Tag-Format, das wir heute verwenden werden. |
| |
Wenn ich auf Abfrage ausführen klicke, wird eine Datentabelle geöffnet, die wie diese aussieht. Es hat eine Reihe von Spalten für alle numerischen Werte in dieser Datentabelle. |
| |
Es hat eine Reihe von Spalten für jeden String-Wert. Wenn Sie also Zeichen im PItag gespeichert haben, werden diese abgerufen. Und wir können auch den Status für diesen PItag sehen |
| |
Für jede Reihe. |
| |
Auch in den Spalteneigenschaften für diese Datentabelle werden beim Öffnen der Spalteninformationen Informationen angezeigt, die zum Abrufen dieses Datenpunkts verwendet wurden, einschließlich des PItag, |
| |
die Anrufart und das Intervall. Bei komplexeren Abfragen wie einem Durchschnitt oder einem Maximum finden Sie hier weitere Informationen. |
| |
Ich möchte anmerken, dass dies echte Daten sind, die neu skaliert und die Spaltennamen geändert wurden, aber die Analyse, die wir heute sehen werden, sollte einer echten Analyse mit tatsächlichen Daten aus einer unserer Einrichtungen sehr ähnlich sein. |
| |
Abschließend möchte ich darauf hinweisen, dass hier ein Skript namens PI data source gespeichert ist, das dasselbe Skript ist, das tatsächlich im Add-In angezeigt wird |
| |
und es enthält die SQL, die auch hier verfügbar ist. Wieder hinter den Kulissen, das nutzt |
| |
SQL DAS oder PI DAS, um diese Informationen von PI zu erhalten, und das sind alle... all die Skripte, die es ausführen wird, um diese Daten zu erhalten. Wir werden zurückkommen und dies gegen Ende des heutigen Vortrags noch einmal verwenden. |
| |
Okay, da wir jetzt Daten haben, müssen wir diese Daten bereinigen. Dafür werden wir heute multivariate Tools einsetzen, insbesondere die Hauptkomponentenanalyse. Ich ziehe alle numerischen Werte aus dieser Datentabelle und füge sie in die Liste der y-Spalten ein und dann |
| |
sofort können wir einige Werte sehen, die... einige Werte haben, die besonders niedrige Werte für Komponente eins haben. Wenn Sie sich die Ladungen für diese ansehen |
| |
verschiedenen Faktoren können wir sehen, dass die Komponente eins hohe Ladungen für all die verschiedenen Flüsse in diesem Datensatz enthält. |
| |
Das sagt mir also, dass alle diese Werte hier auf der linken Seite hohe Flüsse für das gesamte System haben. Mit etwas technischem Wissen kann ich sagen, dass dies eine Ausfallzeit für diesen Prozess darstellt, also werde ich alle diese Werte ausblenden und ausschließen. |
| |
Nachdem wir dies getan haben, berechnen wir die Hauptkomponentenanalyse neu, verwenden also "redo" und "redo" die Analyse und schließen dann die alte. |
| |
Und jetzt können wir sehen, dass die Ladungen vielleicht ein bisschen aussagekräftiger sind. Hauptkomponente drei erklärt zum Beispiel die meisten Variationen in Flow 2 und es gibt hier eine kleine Trennung. |
| |
Die ersten drei Komponenten erklären den Großteil der Variation, daher werde ich diese drei Komponenten verwenden, wenn ich nach anderen Ausreißern in diesem Datensatz suche. |
| |
Dazu öffne ich die Ausreißeranalyse und ändere die Anzahl der Komponenten auf drei. |
| |
Und dann können wir sowohl den T-Quadrat-Plot sehen, als auch den normalisierten DModX-Plot öffnen |
| |
um Punkte zu sehen, die entweder Extremwerte für eine oder mehrere der Punkte haben oder Punkte, die eine einzelne haben |
| |
-Spalte oder eine einzelne Zelle mit einem unerwarteten Wert oder außerhalb des erwarteten Bereichs, basierend auf allen anderen Spalten in diesem Datensatz für diese bestimmte Rolle. |
| |
Im Moment werden wir diesen Datensatz nur schnell bereinigen, indem wir alle T-Quadrat- und DModX-Werte ausschließen, die über der oberen Kontrollgrenze liegen. |
| |
Eine weitere Sache, die beim Bereinigen eines Datensatzes häufig gemacht wird, ist die Transformation von Spalten, und ich möchte eine Funktion des Skript-Tool-Add-Ins zeigen, die |
| |
es ein bisschen sogar versucht, sich zu bewerben und |
| |
in das neue Formelspaltenmenü übertragen. Wenn ich drei Spalten oder eine beliebige Anzahl von Spalten auswähle und zur benutzerdefinierten Transformationsoption gehe, die erneut als Teil dieses Skriptwerkzeug-Add-Ins geladen wird, |
| |
Ich kann eine Savitzkey-Golay-Transformation auswählen und auf OK klicken, und es werden am Ende der Datentabelle drei Spalten mit einer Formel hinzugefügt, die diese Transformation enthält. |
| |
Ich möchte anmerken, dass die Reinigung, die wir durchgeführt haben, direkt und in PLS hätte erfolgen können. Ich verwende jedoch oft zuerst einen PCA. |
| |
Okay, jetzt haben wir unseren Datensatz bereinigt, wir müssen tatsächlich ein Modell erstellen |
| |
zu versuchen und vorherzusagen, dass ... unsere Prozessbedingungen. Vielleicht noch eine kurze Anmerkung zu diesem Datensatz, wir haben hier oben ein Flow-Ziel. |
| |
Heute ist es unser Ziel, einen gewissen Anteil dieses Ziel-Flows mit möglichst wenig Flow eins zu erzeugen und dabei auch einige... |
| |
einige Einschränkungen dieser Qualitätsparameter berücksichtigen. Da wir also hauptsächlich an Fluss 1 interessiert sind, werde ich zu einem Modell mit partiellen kleinsten Quadraten wechseln und diesen Fluss ... Zielfluss in y und allen anderen Variablen als X-Faktoren verwenden. |
| |
Ich akzeptiere vorerst einfach alle Standardeinstellungen und werde ein wenig vorspringen und sofort vier Faktoren verwenden. |
| |
Wenn ich diese vier Faktoren öffne, |
| |
wir werden sehen, dass die ersten beiden |
| |
repräsentieren die |
| |
Variablen, die die Anlage normalerweise in Aufträgen ändert, um anzupassen, wie schnell sie den Prozess ausführen. Wenn sie also mehr oder weniger aus diesem Zielfluss machen müssen, ändern sie oft Faktor eins, um diese Zielrate zu erreichen. |
| |
Faktor 2 hingegen bezieht sich in erster Linie auf diese Qualitätsparameter, die eigentlich Eingangsqualitätsparameter sind, auf die wir keinen Einfluss haben. |
| |
Es ist also nichts, was wir ändern können. Auch wenn die Faktoren drei und vier relativ... |
| |
unseren Zielfluss und sie erklären relativ kleine Mengen der Variation unseres Faktors eins, diese sind diejenigen, über die wir tatsächlich die Kontrolle haben und die wir verwenden können, um unseren Prozess zu optimieren. |
| |
Um dies zu nutzen, haben wir ein Modell erstellt, das die Variation in unseren Daten erklärt. |
| |
Um diese Informationen zu verwenden, müssen wir einige dieser Spalten speichern oder die Vorhersagen daraus in neue Spalten in unserem Datensatz speichern |
| |
die wir in wenigen Minuten im Vorhersageprofiler verwenden werden. |
| |
Wir werden einige neue Funktionen verwenden, die in JMP 16 hinzugefügt wurden und es uns ermöglichen, Vorhersagen sowohl für die Y- als auch für die X-Variablen als X-Score-Formeln zu speichern. Und wenn wir den Profiler öffnen, wird es meiner Meinung nach helfen, zu veranschaulichen, warum das wichtig wird. |
| |
Also haben wir alle drei Vorhersagen, die X-Vorhersagen und die T-Quadrate, in unserer Datentabelle gespeichert. Dies sollten neue Spalten am unteren Rand als Funktionen dieser X-Werte sein. |
| |
Wir können auch einen kurzen Blick auf die Entfernungs- und T-Quadrat-Diagramme innerhalb der PLS-Plattform werfen und sehen, dass es zwar einige Variablen gibt, die ziemlich hohe DModXs oder T-Quadrate haben, aber nichts zu Extremes. |
| |
Diese Scores werden oft gespeichert oder immer mit Variablennamen gespeichert, die verwirrend werden können, wenn Sie immer mehr speichern oder mehrere Iterationen Ihres Modells durchlaufen. Die Skriptwerkzeuge enthalten also eine weitere Funktion, die als Spalten umbenennen bezeichnet wird. |
| |
Hiermit können Sie eine Beispielabfrage für PLS auswählen. Es hat hier ein ziemlich kompliziertes Muster für reguläre Ausdrücke, |
| |
Beachten Sie jedoch, dass es einen Standardsatz von Namen ausgibt, die für PLS, PCA und andere Plattformen innerhalb der Datentabelle gleich aussehen. |
| |
In diesem Fall kopiere ich also tatsächlich ein bestimmtes Präfix, wir setzen vor all diese Spalten, die angeben, dass dies das Modell ist, das wir für unsere Qualitätskontrolle online stellen werden, und die Revision 1 dieses Modells. |
| |
Wenn ich Namen ändere, können wir sehen, dass der Name für alle diese Spalten im Datensatz automatisch geändert wurde. |
| |
Also haben wir ein Modell erstellt, das die Variation in . erklärt |
| |
diese Spalten, aber was wir nicht getan haben, ist unser ursprüngliches Ziel, herauszufinden, wie man eine bestimmte Menge an Fluss ... unseres Zielflusses mit so wenig Fluss wie möglich erzeugt. Dazu verwenden wir den Profiler. Beachten Sie, wenn wir den Profiler öffnen, |
| |
wir können alle diese vorhergesagten Werte, also nicht die X-Scores selbst, sondern die vorhergesagten Werte und das T zum Quadrat zu diesem Vorhersageformelabschnitt hinzufügen. |
| |
Und dann, wenn es sich öffnet, sehen wir auf der X-Achse alle unsere Werte im Modell oder unsere latenten Variablen. |
| |
Und wir können sehen, wenn wir einen dieser Scores verschieben, werden all diese beobachteten Variablen automatisch zusammen verschoben |
| |
beim Verhältnis der Beladungen in jeder dieser Komponenten. So wichtig ist, werfen Sie einen Blick auf diese Flüsse drei und vier, sie bewegen sich immer zusammen. Egal welche Partitur wir verschieben, |
| |
Dieses Modell versteht, dass diese beiden Werte zusammenhängen. Vielleicht ist einer ein Durchflussmesser, über den sie die Kontrolle haben, und vielleicht ein zweiter |
| |
ist ein zweiter Durchflussmesser in derselben Linie, aber es sieht nicht so aus, als könnte die Anlage einen bewegen, ohne den anderen in die gleiche Richtung zu bewegen. |
| |
Das Ziel ist es also, für jeden dieser Scores Werte zu finden, die unseren Prozess optimieren. |
| |
Bevor wir das tun können, müssen wir JMP mitteilen, was wir optimieren möchten. Wir müssen sagen, dass wir eine bestimmte Durchflussrate haben, die wir zu erreichen versuchen, und bestimmte Qualitätsparameter, die wir versuchen zu erreichen. |
| |
Also beginnen wir damit, dass wir uns nicht um die Werte für die meisten dieser Spalten kümmern. Also wählen wir alle Spalten aus, die wir gespeichert haben, |
| |
Wir werden Attribute standardisieren und für all diese verschiedenen Spalten ein Antwortlimit von none hinzufügen. |
| |
Dann gehen wir zurück und passen das Antwortlimit an. Es kann für die Spalten, die uns wichtig sind, aussagekräftiger sein. Das Ablaufziel wird beispielsweise auf das Antwortlimit zurückgesetzt und wir geben an, dass wir für diese Spalte einen Wert von 140 abgleichen möchten. |
| |
In ähnlicher Weise möchten wir für Qualität eins den Wert von erreichen |
| |
20.15. |
| |
Für den Flow-Wert möchten wir diesen Wert minimieren. |
| |
Und schließlich müssen wir sicherstellen, dass die Lösung, zu der wir kommen, nahe am normalen Betriebsbereich des Systems liegt, also möchten wir nicht außerhalb des Bereichs extrapolieren, in dem wir das PLS gebaut haben. |
| |
Dazu verwenden wir diese T-Quadrat-Spalte und geben an, dass wir das T-Quadrat minimieren wollen |
| |
so dass es unter der oberen Kontrollgrenze liegt, die in dieser PLS-Plattform angezeigt wurde. Hier sehen wir, dass die obere Kontrollgrenze 9,32 war, also verwenden wir dies hier als Mindestwert. |
| |
Was wir jetzt im Profiler sehen sollten, ist, dass jeder Wert unter 9,32 gleichermaßen akzeptabel ist und wenn Sie über 9,32 gehen, wird er immer weniger wünschenswert. |
| |
Unter dem Diagrammmenü öffne ich den Profiler noch einmal und nehme alle diese Vorhersagen und T-Quadrat-Formeln noch einmal und füge sie in die Y-Vorhersageformel ein. |
| |
Und wir sehen immer noch die X-Werte unten, aber jetzt sehen wir auch diese Erwünschtheitsfunktionen rechts. |
| |
Und wieder beginnt die Erwünschtheitsfunktion für T zum Quadrat oberhalb von 9,32 abzufallen. Die Erwünschtheit ist bei niedrigen Werten von Fluss eins am höchsten, und wir haben Ziele sowohl für den Zielfluss als auch für den Qualitätsparameter. |
| |
Da wir all dies definiert haben, können wir jetzt die Erwünschtheit maximieren. |
| |
Und das wird versuchen, Werte für jeden dieser Scores zu finden, und somit Werte für alle beobachteten Variablen in unserem Datensatz, die |
| |
diesen Zielfluss zu erreichen und die darin enthaltenen Ziele zu erreichen, die wir zuvor definiert haben. |
| |
Beachten Sie, dass es fast das volle Ziel erreicht hat, aber es sieht so aus, als wäre es ein bisschen niedrig. Es hat unsere 20.15 erreicht |
| |
und es war innerhalb der T-Quadrat-Schranke, die wir gegeben haben. Höchstwahrscheinlich dachte JMP, dass diese winzige Verringerung der Erwünschtheit weniger wichtig ist als die Verringerung des Flusses, also können wir dies beheben, indem wir diese Erwünschtheitsfunktion mit der Control-Taste anklicken und einfach die Wichtigkeit auf 10 ändern. |
| |
Wenn wir das jetzt noch einmal optimieren, sollte es dem Flow-Ziel etwas näher kommen. Bevor wir das tun, werde ich diese Faktoreinstellungen jedoch in dieser Tabelle unten speichern, damit wir vorher und nachher vergleichen können. Und dann werden wir weitermachen und die Erwünschtheit maximieren. |
| |
Sieht so aus, als wäre es fertig und wir sind immer noch in Grenzen mit unserem T-Quadrat. |
| |
Es hat die von uns geforderte 20.15 Uhr erreicht und ist sicherlich viel näher an 140. Nun konnten wir diese Faktoreinstellungen noch einmal in der Datentabelle speichern. |
| |
Und wir sollten jetzt Faktoren haben, die wir an die Produktionsstätte zurückgeben können und sagen, hey, hier sind die Parameter, die wir empfehlen. |
| |
Der Vorteil der Verwendung einer multivariaten Analyse wie dieser, wir haben bereits darüber gesprochen, dass die Ströme drei und vier miteinander verbunden sind. |
| |
Mit dieser Methode sollten wir in der Lage sein, der Anlage vernünftige Werte zu geben, mit denen sie tatsächlich betrieben werden können. |
| |
Wenn Sie ihnen sagen, dass sie einen hohen Wert für drei und einen niedrigen Wert für Fluss vier ausführen sollen, sehen sie Sie möglicherweise an und sagen, dass das einfach nicht möglich ist. |
| |
Diese sollten deutlich sinnvoller sein. Beachten Sie, dass nicht alle diese Variablen notwendigerweise unabhängige Variablen sind, die die Anlage steuern kann. Einige davon könnten sein |
| |
Ergebnisse, oder sie können nur mit anderen Variablen zusammenhängen. Theoretisch sollten die anderen Dinge einfach passen, wenn die Pflanze alle Dinge ändert, über die sie die Kontrolle hat. |
| |
Nachdem wir dieses Modell jetzt optimiert haben, besteht der nächste Schritt oft darin, sicherzustellen oder zu überprüfen, ob wir normal laufen. Wenn also die optimalen Bedingungen gegeben sind, ist es gut, das gleiche Modell zu verwenden, um neue Zeilen oder neue Daten zu bewerten und zu verstehen, ob der Prozess so funktioniert, wie wir es erwarten? |
| |
Dazu verwenden wir dieselben Vorhersagewerte, die wir in ... von der PLS-Plattform gespeichert hatten, aber dieses Mal verwenden wir die in der modellgesteuerten multivariaten Regelkarte |
| |
unter Qualität und Prozess. |
| |
Ich verwende die Zeit und setze sie in die Zeit-ID ein. Anstatt also Zeilennummern zu sehen, sehen wir in allen unseren Diagrammen ein tatsächliches Datum und fügen die X-Werte in den Prozess ein. |
| |
Leider funktioniert die Spanne in diesen Diagrammen nicht immer richtig. Wenn ich also nur ein wenig hineinzoom, werden wir sehen, dass es hier Perioden gibt, in denen wir ein hohes T-Quadrat hatten und dass ein hohes T-Quadrat hauptsächlich das Ergebnis von Flüssen war zwei, drei, vier und eins, also fließt alles hinein... |
| |
sind die hohen Beiträge zu diesem T zum Quadrat. Wenn wir darauf klicken und die Maus über einen dieser Balken bewegen, wenn ich erneut auf diesen Punkt klicke, sehen wir eine Kontrollkarte für diesen individuellen Wert...individuell |
| |
Variable mit dem von uns ausgewählten Punkt in diesem Diagramm hervorgehoben. |
| |
Und ich werde dies jedoch ausblenden und nicht nur T im Quadrat betrachten, wir können dasselbe auch für DModX oder SPE tun, wenn Sie immer noch SPE betrachten. Noch einmal, |
| |
das klappt nicht immer richtig. |
| |
Also vergrößern wir die |
| |
DModX-Werte wieder. |
| |
DModX zeigt also Punkte an, die einen hohen oder niedrigen Wert für eine einzelne Spalte haben, verglichen mit dem, was basierend auf den anderen Zeilen, den anderen Daten in dieser Zeile, erwartet wurde. |
| |
Hier sehen wir, dass dieser Punkt in erster Linie ein Ausreißer aufgrund von Fluss fünf ist. |
| |
Ich finde die Beitragsanteil-Heatmaps ziemlich nützlich, um Muster in alten Daten zu sehen und zu erkennen, wenn beispielsweise eine Variable ein hoher Beitragsfaktor war oder sich über einen langen Zeitraum oder für einen bestimmten Zeitraum anormal verhalten hat . |
| |
Dies ist also ein Diagramm, das wir uns vielleicht jeden Morgen oder regelmäßig ansehen möchten, um zu sehen, ob der Prozess normal funktioniert? |
| |
Sie kommen rein, Sie wollen das öffnen und sehen, gibt es etwas, das ich jetzt anpassen sollte, um unseren Prozess wieder unter Kontrolle zu bringen? |
| |
Um dies zu erreichen, möchten wir diese gesamte Analyse vom Abrufen von PI-Daten bis zum Öffnen der MDMCC-Plattform neu erstellen und auf Knopfdruck verfügbar machen. |
| |
Dazu schreiben wir ein JSL-Skript mit drei Schritten. Es ruft die Daten von PI ab, wir fügen die berechneten Spalten hinzu und öffnen dann das Modell, das wir in der multivariaten Regelkartenplattform haben. |
| |
Daten von PI abrufen. Wenn wir zu der ursprünglichen Datentabelle zurückkehren, die wir... |
| |
die geöffnet wurde, nachdem das PI-Tools-Add-In ausgeführt wurde, können wir sehen, dass dieses PI-Datenquellenskript in dieser Tabelle gespeichert ist. Wenn wir dieses Skript bearbeiten und einfach kopieren, können wir es in das neue Skriptfenster einfügen. |
| |
Ich werde nur eine Änderung vornehmen. Anstatt Daten vom Mai abzurufen, beginnen wir stattdessen mit dem Abrufen von Daten ab dem 1. August. |
| |
Jetzt müssen wir diese berechneten Spalten hinzufügen. Denken Sie also daran, dass wir ... in der PLS-Plattform die gespeicherte Punktzahl ... als X-Punktzahlformel-Option speichern verwenden. |
| |
Um diese neu zu erstellen, können wir einfach alle Spalten in der Datentabelle auswählen und die Skriptfunktion zum Kopieren von Spalten verwenden, die wieder in diesem Skriptwerkzeug-Add-In hinzugefügt wurde. |
| |
Sobald wir das Spaltenskript kopiert haben, kehren wir zu diesem neuen Skript zurück, das wir erstellt haben, und fügen eine Reihe neuer Spaltenformeln ein, um alle diese Spalten erneut zu erstellen. |
| |
Schließlich modellgetriebene multivariate Regelung |
| |
Diagramm hat eine ??? die meisten anderen Plattformen, auf denen Sie das Skript in der Zwischenablage speichern und in dasselbe Skriptfenster einfügen können. |
| |
Wenn wir uns nun vorstellen, dass es ein neuer Tag ist und wir alles geschlossen haben und ich sehen möchte, wie unser Prozess abläuft, würde ich einfach dasselbe Skript ausführen. Beachten Sie, dass ich es damit beginnen könnte |
| |
einen bestimmten Schrägstrich Schrägstrich und dann ein Ausrufezeichen, um beim Öffnen des Skripts automatisch ausgeführt zu werden. |
| |
Wenn ich auf Ausführen klicke, wird eine Datentabelle geöffnet, die genauso aussieht wie unsere ursprüngliche Tabelle. Es hat alle die gleichen Spalten. |
| |
Es wurden diese berechneten Spalten hinzugefügt, also fügen wir diese Werte und alle Vorhersagen ein, und es öffnete auch die modellgesteuerte multivariate Regelkartenplattform |
| |
wo wir sehen können, dass dieser aktuelle Wert für DModX tatsächlich ziemlich hoch ist, so dass die neuesten Daten einige abnormale Werte aufweisen, in diesem Fall für Qualität drei. |
| |
Auch hier sieht Qualität drei so aus, als ob sie nicht dem erwarteten Wert entspricht, basierend auf den anderen Parametern. Das kann in diesem speziellen Fall bedeuten, |
| |
Da Qualität drei ein Eingabeparameter ist und Qualität eins, zwei und drei oft miteinander verbunden sind, kann dies bedeuten, dass Qualität drei eine schlechte Laborprobe ist oder dass dies ein neues Material ist, mit dem wir vorher noch nicht gearbeitet haben. |
| |
Okay, lassen Sie uns schließlich über eine Methode sprechen, um dieses Modell kontinuierlich auszuführen. Also wurde dies auf Nachfrage nachgebaut, |
| |
wo wir ein JSL-Skript geschrieben haben, um dies auszuführen, aber manchmal ist es von Vorteil |
| |
zu ... oder wir fanden es hilfreich, diese Ergebnisse an unseren PI-Historiker zurückzuschreiben, damit sie von verwendet werden können |
| |
die Betreiber unserer Einrichtungen. In den letzten Minuten möchte ich dieses Add-In vorstellen, es heißt Modell-Engine-Add-In. |
| |
die schnell Modelle online punkten wird. Ich möchte darauf hinweisen, dass dies nur für Ratschläge verwendet werden sollte. Es ist keine akzeptable Methode, um kritische Informationen bereitzustellen oder für eine Regelung im geschlossenen Regelkreis. |
| |
Dazu können Sie in Erwägung ziehen, die Formeln aus dem Formeldepot zu exportieren und ein anderes Softwarepaket zu verwenden, um sie zu bewerten. |
| |
Wie bereits erwähnt, sind einige der in diesem Modell verfügbaren Vorhersagen und Informationen |
| |
hat am meisten hat im Moment den meisten Wert. Es ist also großartig zu wissen, was das Problem von gestern verursacht hat, aber zu wissen, was gerade passiert |
| |
bedeutet, Entscheidungen mit aktuellen Modellergebnissen zu treffen und einige Probleme zu beheben, bevor sie zu einer großen Sache werden. |
| |
Natürlich gibt es viele Möglichkeiten, Modelle zu bewerten, aber die Leistungsfähigkeit der JMP-Skriptsprache JSL |
| |
bietet eine Möglichkeit, Vorhersagen und Anomalieinformationen vor den Bedienern in unseren Produktionsstätten zu erhalten, indem sie ihre vorhandene Suite von Visualisierungs- und Trending-Tools verwenden, an die sie bereits gewöhnt sind. |
| |
Ein Paar Modell-Engines oder Computer, auf denen JMP mit einem bestimmten Add-In ausgeführt wird, das den Taskplaner gestartet hat, wird so eingerichtet, dass alle in einem bestimmten Verzeichnis gespeicherten Modelle regelmäßig ausgeführt werden. |
| |
Die gesamte Konfiguration erfolgt über zwei Arten von Konfigurationsdateien, eine einzelne Engine-Konfigurationsdatei und eine Modellkonfigurationsdatei für jedes zu bewertende Modell. |
| |
Beginnen wir mit dieser Modellkonfigurationsdatei. Erinnern Sie sich daran, wie das PI Tools-Add-In Quellinformationen in der Datentabelle speichert? |
| |
Jetzt können dieselben Informationen verwendet werden, um die Modellkonfigurationsdatei zu füllen, die der Modell-Engine mitteilt, wie eine Tabelle mit einer einzelnen Zeile heruntergeladen wird, die alle Modelleingaben enthält, aus denen Werte berechnet werden müssen. |
| |
Später speichert das Add-In für Skript-Tools die Skripte schnell, um Spalten neu zu erstellen, die aus dem PLS und jeder anderen Plattform gespeichert wurden. |
| |
potenziell einschließlich T-Quadrat- und DModX-Beiträge, die von der Modellversionskontrollkartenplattform gespeichert werden können. Diese neuen Spaltenskripts werden auch in der Modellkonfigurationsdatei oder in einer separaten Datei im selben Verzeichnis gespeichert. |
| |
Schließlich definiert die Engine-Konfigurationsdatei, wie die Engine mit der Datenquelle kommuniziert, in der PI-Tools |
| |
Add-In... wobei das PI Tools-Add-In das OLDB verwendet |
| |
und SQL-Abfragen zum Abrufen von Daten verwendet die Modell-Engine die PI-Web-API, um Daten direkt in PI zu lesen und zu schreiben. |
| |
Durch die Definition einer Reihe von Funktionen in der Engine-Konfigurationsdatei kann diese Engine auch mit vielen anderen Datenquellen kommunizieren. |
| |
Beachten Sie, dass eine Reihe von Heartbeat-Tags definiert sind, die es der Datenquelle und anderen Modell-Engines ermöglichen, den Status dieser Engine zu erfahren. |
| |
Jedes Modell hat auch seinen eigenen Satz von Heartbeat-Tags. Wenn also eine Maschine aufhört, ein bestimmtes Modell zu bewerten, übernimmt die andere Engine automatisch. |
| |
Auch hier ist diese Modell-Engine-Idee nicht für kritische Anwendungen gedacht, aber ich habe festgestellt, dass wir damit sehr schnell von der Bereitstellung und explorativen Analyse zu einer Online-Vorhersage- oder Qualitätskontrolllösung übergehen können. |
| |
In diesem Sinne vielen Dank für Ihre Teilnahme. Denken Sie daran, dass weitere Informationen zu jedem Add-In und der Zeitschrift, die ich heute verwende, in der JMP-Community verfügbar sind. |
| Janice LeBeau, JMP |
tolle Arbeit toll. |
