398760_de-DE

liliconcom

Optimierung multivariater Modelle: Von der Datenerfassung zu optimalen Bedingungen und Bewertungsmodellen (2021-US-45MP-927) .

Niveau: Mittelstufe

 

Isaac Himanga, Senior Analytics Engineer, ADM

 

Fertigungsprozesse sind stark korrelierte Systeme, die schwer zu optimieren sind. Diese Korrelation bietet die Möglichkeit, Ausreißer zu identifizieren. Hier demonstrieren wir einen gesamten Arbeitsablauf, der Folgendes umfasst:

 

• Abrufen von Daten vom OSISoft-Historiker.
• Modellierung und Optimierung mit multivariaten Modellen, die Prozessbeschränkungen berücksichtigen.
• Nutzung der MDMCC-Plattform.
• Modelle online bewerten und anormale Zustände an den Historiker zurückschreiben.

In der Praxis lassen sich viele Prozesse nur schwer optimieren. Manchmal kann ein System nicht auf eine Menge unabhängiger Variablen reduziert werden, die getestet werden können. in anderen Fällen kann der Prozess unter anderen Bedingungen instabil werden.Um diese Probleme anzugehen, verwenden wir neue Funktionen in JMP 16, um Kosten und Qualität zu optimieren latent variabler Raum unter Berücksichtigung von Einschränkungen beobachtet Variablen. Um diese optimalen Bedingungen aufrechtzuerhalten, nutzten wir die MDMCC-Plattform, um Abweichungen vom Normalzustand schnell zu erkennen.

 

Add-Ins werden verwendet, um den Zeitaufwand für das Sammeln von Daten und das Bewerten von Modellen zu minimieren: eines, um Prozessdaten aus dem beliebten PI-Historiker in JMP zu importieren, eines, um berechnete Spalten schnell neu zu erstellen, und ein drittes, um Modelle online zu bewerten und Ergebnisse an den Historiker zu senden. einschließlich Beiträgen des MDMCC.

 

Die genannten Add-Ins sind in der JMP-Community verfügbar:

• Aveva/OSISoft PI Tools
• Skript-Tools

 

 

Automatisch generiertes Transkript…

 

Lautsprecher	Transkript
Isaac Himanga	Hallo guten Morgen.
Janice LeBeau, JMP	Hallo Isaac, 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 aufnehmen.
	Absolut cool. Ich habe das Gefühl, wir hätten uns schon einmal getroffen.
Isaac Himanga	Ich bin mir sicher, dass wir entweder eines der Gipfel haben könnten, wenn es irgendwo wäre.
Janice LeBeau, JMP	Okay, großartig, wie geht es dir heute?
Isaac Himanga	geht es dir gut, wie geht es dir?
Janice LeBeau, JMP	Gut, gut, ich liebe deinen Hintergrund, die schöne Farbe hast du auf jeden Fall gewählt.
Isaac Himanga	Danke schön.
	Gut.
Janice LeBeau, JMP	Ich werde nur ein paar Dinge durchgehen und das muss ich noch einmal mit Ihnen bestätigen.
	Der Firmenname und der Abstract-Titel Ihres Vortragenden.
	Okay, haben Sie irgendwelche Co-Moderatoren, alles in Ordnung, und Sie sind damit einverstanden, dass wir dies aufzeichnen und in den Archiven des Discovery Discovery Summit veröffentlichen?
Isaac Himanga	Ganz klar, und ich schätze, ich wollte die Wiedergabe auch auf meiner Website posten, 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 beeinträchtigt oder.
Isaac Himanga	sollte ich das nicht öfter machen?
Janice LeBeau, JMP	Okay, ich überlasse Ihnen die Führung. Ich bin, dass Ihr Hintergrund gut aussieht und Ihr Mikrofon gut klingt. Okay, ich wollte nur noch einmal bestätigen, dass die Benachrichtigungen Ihres Mobiltelefons und Ihres Computers ausgeschaltet sind.
Isaac Himanga	sollte sein, aber ich werde es noch einmal überprüfen, nur weil wann.
Janice LeBeau, JMP	Ich rufe Ihr Kunstwerk dazu auf.
	Und dann.
	Energie von Acht und 1920 von 10 Tagen, hast du irgendwelche Haustiere im Hintergrund?
Isaac Himanga	Also.
Janice LeBeau, JMP	Es könnte ein Geräusch machen, wie es meine Katze wahrscheinlich tun würde, also habe ich ihn verwiesen.
Isaac Himanga	Nun, theoretisch bin ich heute der Einzige, der zu Hause ist.
Janice LeBeau, JMP	Haben Sie Skype oder andere Anwendungen geschlossen, die Geräusche machen?
Isaac Himanga	Wenn Sie auf meinen Zugriff zugreifen, schalten Sie dieses richtig aus, ja.
	Okay.
Isaac Himanga	Ja, also denke ich, das Einzige, was als Sie eingeschaltet sein sollte, und ich werde Ihre Lautstärke tatsächlich ganz herunterdrehen, wenn wir hier anfangen, nur für den Fall, dass etwas passiert, kann ich Sie sehen, aber es wird einfach so sein Seien Sie auf diese Weise ruhig, wenn irgendetwas anderes Lärm macht, oh.
Janice LeBeau, JMP	Nun, was ich tun werde, ist.
	Ich gebe Ihnen hier nur noch ein paar Hinweise. Ich schalte mich selbst stumm und verstecke mein Video. Sie können Ihren Bildschirm für Ihre Präsentation freigeben.
	Und bevor ich mich selbst stumm schalte, mache ich meine 54321 und gib dir dann ein paar Sekunden, und dann kannst du loslegen und dich vorstellen.
	und beginnen Sie mit der Aufnahme. Sie können mit Ihrer Präsentation beginnen und dann, wenn Sie mir einfach sagen, dass die heutige Präsentation damit abgeschlossen ist, hoffe ich, dass es Ihnen gefallen hat, was auch immer Sie sagen möchten, und dann werde ich die Aufnahme für Sie beenden, okay.
	Gut, und wenn wir ganz am Anfang dabei sind und Sie nicht zufrieden sind, wissen Sie, dass wir damit aufhören und von vorne beginnen können, also bin ich mit all dem völlig einverstanden.
Isaac Himanga	Okay, jetzt wird es hoffentlich kein Problem sein, wie nah an 35 Minuten Sie es haben möchten. Als ich geübt habe, meine ich, dass es zwischen 34 und 36 hin- und hergerissen ist, heißt das, dass Sie es 35 oder 35 Minuten lang lesen möchten.
Janice LeBeau, JMP	Du weißt, es ist in Ordnung, ich meine, tu einfach, was immer du tun musst. Ich kenne eine Person, bei der wir 20 Minuten lang waren, wenn sie dir sagten, was 30 bis 40 Minuten lang ist.
Isaac Himanga	Ja, irgendwo, ich erinnere mich an 35, hätten sie dort vielleicht eine Reichweite angegeben.
Janice LeBeau, JMP	Das ist cool, mach dir darüber keine Sorgen.
Isaac Himanga	Okay, gutes Geschäft, perfekt.
Janice LeBeau, JMP	Okay, wir zeichnen 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	Wie wär's mit mal sehen, damit Sie keine Timer-Kameras haben, die bei mir da oben einen Timer einstellen, also könnte ich es tun
Janice LeBeau, JMP	Ich meine, tun Sie, was Sie wollen, denn das wird beginnen.
	Ich meine, ehrlich gesagt, wenn Sie denken, dass es 35 ist, und dann auf 32 steigen, ist das in Ordnung, wenn Sie etwas darüber gehen, ist das in Ordnung.
	Okay.
Isaac Himanga	Also ich habe hier alles bekommen.
	In Ordnung.
Janice LeBeau, JMP	Okay, gut, also fühlst du dich gut, denn ich werde das tun.
	Ich mache den 54321 und schalte mich selbst stumm.
	Und mal sehen, wie du erstarrt bist. Okay, du bist also bereit.
Isaac Himanga	In Ordnung.
Janice LeBeau, JMP	Ich denke, von
Isaac Himanga	Ich werde einen Arbeitsablauf demonstrieren, den ich bei ADM verwende, um Herstellungsprozesse mithilfe multivariater Modelle zu optimieren.
	Sie beginnen damit, Daten abzurufen und ein Modell zu erstellen, realistische optimale Bedingungen zu finden, abnormale Bedingungen zu identifizieren und schließlich das Modell anhand aktueller Daten zu bewerten.
	Hier gibt es viele weitere Informationen zu den einzelnen Plattformen. Anstatt die Details jedes Schritts zu besprechen, werde ich nur einige häufig verwendete Funktionen hervorheben und stattdessen versuchen, den gesamten Arbeitsablauf darzustellen.
	Ich würde sagen, dass die meisten Analysen bei dieser Detailtiefe etwas länger als 45 Minuten gedauert haben.
	Schauen Sie sich also den Artikel für diesen Vortrag in der JMP-Community an, um weitere Details und Informationen zu erhalten, einschließlich eines Tagebuchs 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 abzurufen und zu bereinigen, den Profiler zu verwenden, um mehrere Bedingungen herauszufinden,
	Verwenden Sie die modellgesteuerte Plattform für multivariate Kontrolldiagramme, schreiben Sie ein Skript, um neue Daten anhand dieses Modells zu bewerten, und schließlich werde ich auf diese Präsentation zurückkommen, um kurz eine Methode zur kontinuierlichen Bewertung dieses Modells mithilfe von JMP vorzustellen.
	Zunächst ein wenig über ADM.
	Der Zweck von ADM besteht darin, die Kraft der Natur freizusetzen, um die Lebensqualität zu bereichern.
	Wir verwandeln Naturprodukte in ein komplettes Portfolio an Inhaltsstoffen und Aromen für Lebensmittel und Getränke, Nahrungsergänzungsmittel, Ernährung für Haustiere und Nutztiere.
	und mehr. Und mit einer Reihe beispielloser Fähigkeiten in allen Teilen der globalen Lebensmittelkette verschaffen wir unseren Kunden einen Vorsprung bei der Lösung der globalen Herausforderungen von heute und morgen.
	Eine dieser Möglichkeiten ist die Nutzung von Datenanalysen zur Verbesserung unserer Herstellungsprozesse, einschließlich der Methode, über die ich gleich sprechen werde.
	Ich bin Teil des relativ neuen Focused Improvement and Analytics Centre of Excellence.
	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 dabei zu helfen, anhand unserer Daten bessere Entscheidungen zu treffen.
	Nun ein Überblick über den Arbeitsablauf.
	Die vier Schritte, die ich heute bespreche, stellen nur einen Teil der vollständigen Analyse dar. Aus Zeitgründen werde ich einige Dinge weglassen, die ich für jeden Datensatz als wichtig halte,
	B. die Visualisierung von Daten, die Verwendung von Validierung, Variablenreduktion, die Bestätigung von Ergebnissen mit anderen Modellen und die Abstimmung von Labor- und Prozessdaten.
	Daten abrufen, ein Modell erstellen, dieses Modell bei Bedarf in JMP bewerten und das Modell dann kontinuierlich bewerten.
	JMP verfügt über Tools zur Unterstützung jedes Schritts, darunter eine Reihe von Datenbankverbindungen, multivariate Modellierungstools wie partielle kleinste Quadrate, Hauptkomponenten und die modellgesteuerte Plattform für multivariate Kontrolldiagramme.
	Beginnen wir mit der Datenbeschaffung. 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 durch Tabellenstrukturen zu navigieren. Für die meisten Datensätze war ein benutzerdefiniertes Add-In die Lösung. Dieses Add-In war relativ … wurde kürzlich in der JMP-Community veröffentlicht.
	Zwei weitere Add-Ins helfen dabei. Eines davon, allgemein als Skripttools bezeichnet, enthält eine Option, mit der das Skript schnell berechnete Spalten neu erstellen kann
	in Kombination mit dem Speicherskript zur Funktionalität, die in den meisten JMP-Plattformen integriert ist. Analysen können von einem JMP-Benutzer bei Bedarf schnell neu erstellt und bewertet werden.
	Das neueste Add-In namens JMP Model Engine ist auch das neueste. Zum Abrufen von Daten werden eine Konfigurationsdatei und in der Datentabelle des PItool-Add-Ins gespeicherte Informationen verwendet.
	Das führt Berechnungen mithilfe von Spaltenformeln oder einem anderen JSL-Skript durch und schreibt die Ergebnisse dann zurück in den Historiker.
	Aus Zeitgründen werde ich diesen letzten Schritt sehr schnell durchgehen, aber ich empfehle Ihnen auch hier, über den Link auf der JMP-Community nach weiteren Details zu suchen
	geht Folie 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 wie Sie diese verbessern können, können Sie gerne mit uns in der JMP-Community zusammenarbeiten … oder auf GitHub.
	Öffnen wir damit JMP.
	Hinter den Kulissen verwendet der ADM oder das JMP PItool-Add-In eine Reihe verschiedener PI-Produkte zum Abrufen von Daten, darunter SQL DAS, OLEDB und ODBC. Die Anweisungen zum Einrichten finden Sie im Hilfemenü dieser Plattform.
	Heute werden wir Daten für eine Reihe von PItags ab dem 1. Mai abrufen, beginnend mittags, und dann werden wir jeden Tag mittags bis heute einen weiteren Wert abrufen.
	Wir werden dies für einen bestimmten Satz von Tags tun. Diese sind hier aufgelistet ...
	in dieser Box. Beachten Sie, dass wir tatsächlich ein sogenanntes freundliches Tag oder einen Namen eingefügt haben, der aussagekräftiger ist als nur der Name im PIhistorian, der uns dabei hilft, diese Spalten später in der Datentabelle zu identifizieren. Da sind all diese kleinen Fragezeichen
	... 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 enthält eine Reihe von Spalten für alle numerischen Werte in dieser Datentabelle.
	Es verfügt über eine Reihe von Spalten für jeden Zeichenfolgenwert. Wenn Sie also Zeichen im PItag gespeichert haben, werden diese abgerufen. Und wir können auch den Status für dieses PItag sehen
	Für jede Reihe.
	Wenn wir in den Spalteneigenschaften für diese Datentabelle die Spalteninformationen öffnen, sehen wir auch Informationen, die zum Abrufen dieses Datenpunkts verwendet wurden, einschließlich des PItags.
	die Anrufart und das Intervall. Für komplexere Abfragen, etwa einen Durchschnitt oder ein Maximum, sehen wir hier weitere Informationen.
	Ich möchte anmerken, dass es sich um reale Daten handelt, die neu skaliert wurden 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-Datenquelle in der Datentabelle gespeichert ist, bei dem es sich um dasselbe Skript handelt, das tatsächlich im Add-In angezeigt wird
	und es enthält das SQL, das auch hier verfügbar ist. Nochmals hinter den Kulissen nutzt dies
	SQL DAS oder PI DAS, um diese Informationen von PI zu erhalten, und das sind alle ... alle Skripte, die ausgeführt werden, um diese Daten zu erhalten. Gegen Ende des heutigen Vortrags werden wir darauf zurückkommen und es noch einmal verwenden.
	Okay, jetzt, da wir Daten haben, müssen wir diese Daten bereinigen. Dafür werden wir heute multivariate Tools verwenden, insbesondere die Hauptkomponentenanalyse. Ich werde alle numerischen Werte aus dieser Datentabelle ziehen und sie in die Y-Spalten-Liste einfügen und dann
	Wir können sofort einige Werte sehen, die ... ziemlich viele Werte haben, die besonders niedrige Werte für Komponente eins haben. Wenn Sie sich die Belastungen dafür ansehen
	Wenn wir verschiedene Faktoren berücksichtigen, können wir sehen, dass die erste Komponente hohe Ladungen für alle verschiedenen Flüsse in diesem Datensatz enthält.
	Das sagt mir also, dass alle diese Werte hier links im gesamten System hohe Flüsse aufweisen. Mit etwas technischem Wissen kann ich sagen, dass dies eine Ausfallzeit für diesen Prozess darstellt, daher werde ich alle diese Werte ausblenden und ausschließen.
	Nachdem wir das nun getan haben, werden wir die Hauptkomponentenanalyse neu berechnen, also werden wir „Wiederherstellen“ verwenden und die Analyse wiederholen und dann die alte schließen.
	Und jetzt können wir sehen, dass die Ladungen vielleicht etwas aussagekräftiger sind. Hauptkomponente drei erklärt beispielsweise die meisten Variationen in Fluss 2 und hier gibt es 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 das T-Quadrat-Diagramm sehen, als auch das normalisierte DModX-Diagramm öffnen
	um Punkte zu sehen, die entweder extreme Werte für einen oder mehrere der Punkte haben, oder Punkte, die einen einzelnen Wert haben
	Spalte oder eine einzelne Zelle, deren Wert unerwartet ist oder außerhalb des erwarteten Bereichs liegt, basierend auf allen anderen Spalten in diesem Datensatz für diese bestimmte Rolle.
	Im Moment bereinigen wir diesen Datensatz nur schnell, indem wir alle T-Quadrat- und DModX-Werte ausschließen, die über der oberen Kontrollgrenze liegen.
	Eine weitere Sache, die beim Bereinigen eines Datensatzes häufig durchgeführt wird, ist das Transformieren von Spalten, und ich möchte eine Funktion des Skript-Tool-Add-Ins zeigen, die das macht
	Es ist ein bisschen sogar der Versuch, es anzuwenden und
	Übergang zum neuen Formelspaltenmenü. Wenn ich drei Spalten oder eine beliebige Anzahl von Spalten auswähle und zur benutzerdefinierten Transformationsoption gehe, die wiederum als Teil dieses Skripttools-Add-Ins geladen wird,
	Ich kann eine Savitzkey-Golay-Transformation auswählen und auf „OK“ klicken. Am Ende der Datentabelle werden dann 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. Allerdings verwende ich oft zuerst eine PCA.
	Okay, jetzt, da wir unseren Datensatz bereinigt haben, müssen wir tatsächlich ein Modell erstellen
	um zu versuchen, das vorherzusagen...unsere Prozessbedingungen. Vielleicht noch eine kurze Anmerkung zu diesem Datensatz: Wir haben hier oben ein Flussziel.
	Heute wird es unser Ziel sein, eine bestimmte Menge dieses Zielflusses zu erstellen, indem wir so wenig wie möglich von Fluss eins verwenden und auch einiges berücksichtigen …
	Berücksichtigen Sie einige Einschränkungen dieser Qualitätsparameter. Da uns also in erster Linie Fluss eins interessiert, werde ich auf ein Modell der partiellen kleinsten Quadrate umsteigen und diesen Fluss verwenden ... den Zielfluss im y-Bereich und alle anderen Variablen als X-Faktoren.
	Ich werde vorerst einfach alle Standardwerte akzeptieren und dann ein wenig weitermachen und sofort vier Faktoren verwenden.
	Wenn ich diese vier Faktoren öffne,
	Wir werden sehen, dass die ersten beiden
	repräsentieren die
	Variablen, die das Werk normalerweise in Aufträgen ändert, um die Geschwindigkeit anzupassen, mit der der Prozess ausgeführt wird. Wenn sie also mehr oder weniger aus diesem Zielfluss herausholen müssen, ändern sie häufig Faktor eins, um diese Zielrate zu erreichen.
	Faktor 2 hingegen bezieht sich in erster Linie auf diese Qualitätsparameter, bei denen es sich eigentlich um Eingabequalitätsparameter handelt, auf die wir keinen Einfluss haben.
	Es ist also nichts, was wir ändern können. Obwohl also die Faktoren drei und vier relativ... relativ kleine Mengen der Variation von erklärt haben
	Unser Zielfluss und sie erklären relativ kleine Mengen der Variation unseres Faktors Eins. Das sind diejenigen, über die wir tatsächlich Kontrolle haben und die wir also nutzen 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 nutzen zu können, müssen wir einige dieser Spalten speichern oder die Vorhersagen daraus in neuen Spalten in unserem Datensatz speichern
	die wir in wenigen Minuten im Vorhersageprofiler verwenden werden.
	Wir nutzen einige neue Funktionen, die in JMP 16 hinzugefügt wurden und es uns ermöglichen, Vorhersagen sowohl für die Y- als auch die X-Variablen als X-Score-Formeln zu speichern. Und wenn wir den Profiler öffnen, wird er meiner Meinung nach verdeutlichen, warum das wichtig ist.
	Wir haben also alle drei Vorhersagen, die X-Vorhersagen und die T-Quadrate, wieder in unserer Datentabelle gespeichert. Dies sollten unten neue Spalten als Funktionen dieser X-Scores sein.
	Wir können auch einen kurzen Blick auf die Distanz- und T-Quadrat-Diagramme innerhalb der PLS-Plattform werfen und sehen, dass es zwar einige Variablen gibt, die recht hohe DModXs oder T-Quadrate aufweisen, es aber nichts zu Extremes gibt.
	Diese Ergebnisse werden oft oder immer mit Variablennamen gespeichert, was verwirrend werden kann, wenn Sie mehr und mehr speichern oder mehrere Iterationen Ihres Modells durchlaufen. Daher enthalten die Skripttools eine weitere Funktion namens „Spalten umbenennen“.
	Dadurch können Sie eine Beispielabfrage für PLS auswählen. Es gibt hier ein ziemlich kompliziertes Muster für reguläre Ausdrücke,
	Beachten Sie jedoch, dass ein Standardsatz von Namen ausgegeben wird, die für PLS, PCA und andere Plattformen in der Datentabelle gleich aussehen.
	In diesem Fall kopiere ich also tatsächlich ein bestimmtes Präfix, das wir vor alle diese Spalten setzen, um anzuzeigen, dass es sich um das Modell handelt, das wir für unsere Qualitätskontrolle online stellen werden, und um die Revision 1 dieses Modells.
	Wenn ich Namen ändere, können wir sehen, dass der Name für alle diese Spalten im Datensatz automatisch geändert wird.
	Deshalb haben wir ein Modell erstellt, das die Variation erklärt
	Diese Spalten, aber was wir noch nicht getan haben, ist unser ursprüngliches Ziel, herauszufinden, wie wir eine bestimmte Menge an Fluss erzeugen können ... unseres Zielflusses, indem wir so wenig Fluss eins wie möglich verwenden. Dazu verwenden wir den Profiler. Beachten Sie, wenn wir Ihr Profil öffnen,
	Wir können alle diese vorhergesagten Werte, also nicht die X-Werte selbst, sondern die vorhergesagten Werte und das T-Quadrat, zu diesem Abschnitt mit der Vorhersageformel hinzufügen.
	Und wenn es dann geöffnet wird, sehen wir auf der X-Achse alle unsere Bewertungen im Modell oder unsere latenten Variablen.
	Und wir können sehen, dass, wenn wir einen dieser Werte verschieben, automatisch alle beobachteten Variablen zusammen verschoben werden
	im Verhältnis der Ladungen in jeder dieser Komponenten. Schauen Sie sich unbedingt die Abläufe drei und vier an. Egal welche Punktzahl wir bewegen,
	Dieses Modell geht davon aus, 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 Leitung, aber trotzdem sieht es nicht so aus, als ob die Anlage in der Lage ist, einen zu bewegen, ohne den anderen in die gleiche Richtung zu bewegen.
	Das Ziel besteht also darin, 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 und bestimmte Qualitätsparameter erreichen wollen.
	Wir beginnen also damit, ihm mitzuteilen, dass uns die Werte für die meisten dieser Spalten egal sind. Wir wählen also alle Spalten aus, die wir gespeichert haben.
	Wir werden Attribute standardisieren und für alle diese verschiedenen Spalten ein Antwortlimit von „Keine“ hinzufügen.
	Dann gehen wir zurück und passen das Antwortlimit an. Es kann für die Spalten, die uns wichtig sind, aussagekräftiger sein. Beispielsweise geht das Flow-Ziel zurück zum Antwortlimit und wir geben an, dass wir für diese Spalte einen Wert von 140 festlegen möchten.
	Ebenso wollen wir für Qualität eins den Wert erreichen
	20.15.
	Für den Flow möchten wir diesen Wert minimieren.
	Und schließlich müssen wir sicherstellen, dass die Lösung, zu der wir gelangen, nahe am normalen Betriebsbereich des Systems liegt, sodass wir nicht über den Bereich hinaus extrapolieren möchten, in dem wir dieses PLS gebaut haben.
	Dazu verwenden wir diese T-Quadrat-Spalte und geben an, dass wir das T-Quadrat minimieren möchten
	so dass es unter der oberen Kontrollgrenze liegt, die in dieser PLS-Plattform angezeigt wurde. Hier sehen wir, dass die obere Kontrollgrenze bei 9,32 lag, daher verwenden wir diesen hier als Mindestwert.
	Was wir jetzt im Profiler sehen sollten, ist, dass jeder Wert unter 9,32 gleichermaßen akzeptabel ist und je höher der Wert von 9,32 ist, desto weniger wünschenswert wird er sein.
	Unter dem Diagrammmenü öffne ich den Profiler noch einmal und nehme noch einmal alle diese Vorhersagen und T-Quadrat-Formeln und füge sie in die Y-Vorhersageformel ein.
	Und unten sehen wir immer noch die X-Werte, aber jetzt sehen wir diese Erwünschtheitsfunktionen auch rechts.
	Und wieder einmal beginnt die Erwünschtheitsfunktion für T im Quadrat über 9,32 abzufallen. Die Erwünschtheit ist bei niedrigen Werten von Durchfluss eins am höchsten und wir haben Ziele sowohl für den Zielfluss als auch für den Qualitätsparameter.
	Da wir all dies definiert haben, können wir nun die Erwünschtheit maximieren.
	Und das wird versuchen, Werte für jeden einzelnen dieser Scores zu finden, und somit Werte für alle beobachteten Variablen in unserem Datensatz, die das tun werden
	Erreichen Sie diesen Zielfluss und erreichen Sie die darin enthaltenen Ziele, die wir zuvor definiert haben.
	Beachten Sie, dass es fast das volle Ziel erreicht hat. Es hat unseren 20.15 erreicht
	und es lag innerhalb der T-Quadrat-Grenze, die wir angegeben haben. Höchstwahrscheinlich war JMP der Meinung, dass dieser geringfügige Rückgang der Erwünschtheit weniger wichtig war als die Reduzierung des Flusses. Daher können wir das beheben, indem wir bei gedrückter Strg-Taste auf diese Erwünschtheitsfunktion klicken und die Wichtigkeit einfach auf 10 ändern.
	Wenn wir dies nun noch einmal optimieren, sollte es dem Flow-Ziel etwas näher kommen. Bevor wir das tun, speichere ich diese Faktoreinstellungen jedoch in dieser Tabelle unten, damit wir sie vorher und nachher vergleichen können. Und dann machen wir weiter und maximieren die Attraktivität.
	Sieht so aus, als wäre es fertig und wir sind mit unserem T-Quadrat immer noch innerhalb der Grenzen.
	Es hat die von uns geforderten 20,15 erreicht und liegt sicherlich viel näher bei 140. Nun konnten wir diese Faktoreinstellungen erneut in der Datentabelle speichern.
	Und wir sollten jetzt über Faktoren verfügen, die wir an die Produktionsstätte zurückgeben können, und sagen: „Hey, hier sind die Parameter, die wir empfehlen.“
	Der Vorteil einer solchen multivariaten Analyse besteht darin, dass wir bereits darüber gesprochen haben, dass die Ströme drei und vier miteinander verknüpft sind.
	Mit dieser Methode sollten wir in der Lage sein, der Anlage vernünftige Werte zu geben, mit denen sie tatsächlich laufen kann.
	Wenn Sie ihnen sagen, dass sie einen hohen Wert für drei und einen niedrigen Wert für Fluss vier ausführen sollen, werden sie Sie vielleicht ansehen und sagen, dass das einfach nicht möglich ist.
	Diese sollten viel vernünftiger sein. Beachten Sie, dass nicht alle dieser Variablen notwendigerweise unabhängige Variablen sind, die die Anlage steuern kann. Einige davon könnten es sein
	Ergebnisse, oder sie könnten einfach mit anderen Variablen in Zusammenhang stehen. Wenn die Anlage theoretisch alle Dinge ändert, über die sie Kontrolle hat, sollten sich die anderen Dinge einfach von selbst ergeben.
	Nachdem wir dieses Modell nun optimiert haben, besteht der nächste Schritt häufig darin, sicherzustellen oder zu überprüfen, ob es normal läuft. Sobald also die optimalen Bedingungen geschaffen sind, ist es gut, dasselbe Modell zu verwenden, um neue Zeilen oder neue Daten zu bewerten und zu verstehen, ob sich der Prozess so verhält, wie wir es erwarten.
	Dazu verwenden wir dieselben Vorhersagewerte, die wir in ... auf der PLS-Plattform gespeichert hatten, aber dieses Mal verwenden wir diese im modellgesteuerten multivariaten Kontrolldiagramm
	unter Qualität und Prozess.
	Ich werde die Zeit verwenden und diese in die Zeit-ID einfügen, sodass wir anstelle der Zeilennummern ein tatsächliches Datum in allen unseren Diagrammen sehen und die X-Werte in den Prozess einbeziehen.
	Leider funktioniert der Bereich in diesen Diagrammen nicht immer richtig. Wenn ich also ein wenig hineinzoome, sehen wir, dass es hier Perioden gibt, in denen wir ein hohes T-Quadrat hatten und dieses hohe T-Quadrat größtenteils das Ergebnis von Flüssen war zwei, drei, vier und eins, also fließt darin alles hinein.
	sind die großen Beiträge zu diesem T-Quadrat. Wenn wir darauf klicken und mit der Maus über einen dieser Balken fahren und ich erneut auf diesen Punkt klicke, sehen wir ein Kontrolldiagramm für diesen einzelnen Wert ... diesen einzelnen Wert
	Variable, wobei der von uns ausgewählte Punkt in diesem Diagramm hervorgehoben ist.
	Und ich werde dies jedoch verbergen und nicht nur T im Quadrat betrachten; Noch einmal,
	das klappt nicht immer richtig.
	Also zoomen wir hinein
	DModX-Werte wieder.
	DModX zeigt also Punkte an, die für eine einzelne Spalte einen hohen oder niedrigen Wert haben, verglichen mit dem, was aufgrund der anderen Zeilen und der anderen Daten in dieser Zeile erwartet wurde.
	Hier sehen wir, dass dieser Punkt aufgrund von Fluss fünf hauptsächlich ein Ausreißer ist.
	Ich halte die Beitragsverhältnis-Heatmaps für sehr nützlich, um Muster in alten Daten zu erkennen und zu erkennen, wenn beispielsweise eine Variable über einen längeren Zeitraum oder für einen bestimmten Zeitabschnitt einen hohen Beitrag geleistet hat oder sich abnormal verhielt . . . .
	Das ist also ein Diagramm, das wir uns beispielsweise jeden Morgen oder in regelmäßigen Abständen ansehen möchten, um zu sehen, ob der Prozess normal verläuft.
	Sie kommen herein, möchten das öffnen und sehen, gibt es irgendetwas, das ich jetzt anpassen sollte, um unseren Prozess wieder unter Kontrolle zu bringen?
	Um dies zu erreichen, möchten wir die gesamte Analyse vom Abrufen der PI-Daten bis zum Öffnen der MDMCC-Plattform neu erstellen und alles auf Knopfdruck verfügbar machen.
	Dazu schreiben wir ein JSL-Skript mit drei Schritten. Es ruft die Daten von PI ab, fügt die berechneten Spalten hinzu und öffnet dann das Modell, das wir in der Plattform für multivariate Kontrolldiagramme haben.
	Daten von PI abrufen. Wenn wir zur ursprünglichen Datentabelle zurückkehren, die wir haben.
	Wenn das PI-Tools-Add-In geöffnet wurde, nachdem das PI-Tools-Add-In ausgeführt wurde, können wir sehen, wie dieses PI-Datenquellenskript in dieser Tabelle gespeichert wurde. Wenn wir das Skript bearbeiten und einfach kopieren, können wir es in das neue Skriptfenster einfügen.
	Ich werde nur eine Änderung vornehmen. Anstatt Daten vom Mai abzurufen, werden wir stattdessen Daten vom 1. August abrufen.
	Jetzt müssen wir diese berechneten Spalten hinzufügen. Denken Sie also daran, dass wir auf der PLS-Plattform die Option „Gespeicherte Bewertung“ und „Als X-Bewertungsformeln 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 in diesem Skripttools-Add-In erneut 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 modellgesteuerte multivariate Steuerung
	Diagramm hat ein ??? Auf den meisten anderen Plattformen können Sie das Skript in der Zwischenablage speichern und in dasselbe Skriptfenster einfügen.
	Wenn wir uns nun vorstellen, dass es ein neuer Tag ist und wir alles geschlossen haben und ich sehen möchte, wie sich unser Prozess entwickelt, würde ich einfach dasselbe Skript ausführen. Beachten Sie, dass ich damit beginnen könnte
	einen bestimmten Schrägstrich und dann ein Ausrufezeichen, um beim Öffnen des Skripts automatisch ausgeführt zu werden.
	Wenn ich auf „Ausführen“ drücke, 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 Ergebnisse und alle Vorhersagen ein, und es öffnete auch die modellgesteuerte Plattform für multivariate Kontrolldiagramme
	wo wir sehen können, dass dieser aktuelle Wert für DModX tatsächlich ziemlich hoch ist, sodass die neuesten Daten einige abnormale Werte aufweisen, in diesem Fall für Qualität drei.
	Auch hier scheint Qualität drei, basierend auf den anderen Parametern, nicht dem erwarteten Wert zu entsprechen. In diesem speziellen Fall könnte das bedeuten:
	Da Qualität drei ein Eingabeparameter ist und Qualität eins, zwei und drei oft miteinander in Zusammenhang stehen, könnte das bedeuten, dass es sich bei Qualität drei um eine schlechte Laborprobe handelt oder dass es sich um ein neues Material handelt, mit dem wir noch nie gearbeitet haben.
	Okay, lassen Sie uns abschließend über eine Methode sprechen, um dieses Modell kontinuierlich auszuführen. Also wurde dies auf Anfrage nachgebildet,
	wo wir ein JSL-Skript geschrieben haben, um dies auszuführen, aber manchmal ist es von Vorteil
	... oder wir fanden es hilfreich, diese Ergebnisse an unseren PI-Historiker zurückzuschreiben, damit er von ihm verwendet werden kann
	die Betreiber unserer Einrichtungen. In den letzten paar Minuten möchte ich dieses Add-In vorstellen, es heißt Modell-Engine-Add-In.
	wodurch Models schnell online bewertet werden. Ich sollte beachten, dass dies nur als Ratschlag dienen sollte. Dies ist keine akzeptable Methode zur Bereitstellung kritischer Informationen oder zur Regelung im geschlossenen Regelkreis.
	Zu diesem Zweck könnten Sie erwägen, die Formeln aus dem Formeldepot zu exportieren und ein anderes Softwarepaket zu verwenden, um sie zu bewerten.
	Wie bereits erwähnt, sind einige der Vorhersagen und Informationen in diesem Modell verfügbar
	hat das meiste hat den größten Wert in dem Moment, in dem es passiert. Es ist also großartig zu wissen, was das gestrige Problem verursacht hat, aber auch zu wissen, was gerade passiert
	bedeutet, Entscheidungen anhand aktueller Modellergebnisse 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 für die Bediener in unseren Produktionsanlagen bereitzustellen, indem sie ihre vorhandene Suite von Visualisierungs- und Trendtools nutzen, mit denen sie bereits vertraut sind.
	Ein Paar Modell-Engines oder Computer, auf denen JMP mit einem bestimmten Add-In ausgeführt wird, das den Taskplaner gestartet hat, sind so eingerichtet, dass sie alle in einem bestimmten Verzeichnis gespeicherten Modelle regelmäßig ausführen.
	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 zum Füllen der Modellkonfigurationsdatei verwendet werden, die der Modell-Engine mitteilt, wie sie eine Tabelle mit einer einzelnen Zeile herunterladen soll, die alle Modelleingaben enthält, aus denen sie Werte berechnen muss.
	Später speichert das Skripttools-Add-in die Skripts schnell, um vom PLS und einer anderen Plattform gespeicherte Spalten neu zu erstellen.
	möglicherweise einschließlich T-Quadrat- und DModX-Beiträgen, die von der Plattform für Modellversionskontrollkarten gespeichert werden können. Diese neuen Spaltenskripte 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 sich die PI-Tools befinden
	Add-In...wobei das PI-Tools-Add-In die 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 kennen.
	Jedes Modell verfügt außerdem über einen eigenen Satz von Heartbeat-Tags. Wenn also eine Maschine aufhört, ein bestimmtes Modell zu bewerten, übernimmt automatisch die andere Engine.
	Auch diese Modell-Engine-Idee ist 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 einer Qualitätskontrolllösung übergehen können.
	In diesem Sinne vielen Dank an alle, die dabei waren. Denken Sie daran, dass weitere Informationen zu jedem Add-In und dem Journal, das ich heute verwende, in der JMP-Community verfügbar sind.
Janice LeBeau, JMP	Tolle Arbeit, großartig.

AusbrechenDatenzugriff und -manipulationStatistik und ModellierungBetreff: Optimierung multivariater Modelle: Von der Datenerfassung zu optimalen Bedingungen und Bewertungsmodellen (2021-US-45MP-927)

Wirklich beeindruckende Arbeit!

Betreff: Optimierung multivariater Modelle: Von der Datenerfassung über optimale Bedingungen bis hin zu Bewertungsmodellen (2021-US-45MP-927)

@ih : Danke für dein Gespräch, Issac. Es hat mir wirklich gefallen!
Ich hätte eigentlich noch eine Frage anzufügen:
Können Sie ein Bild davon teilen, was der Bediener schließlich auf seinem Bildschirm sieht?

Zeigen Sie mit den UCLs direkt T2 oder Dmodx an? Führt der Operator dann einen Drilldown durch, der die größten Beitragsanteile anzeigt?

Danke!
Ben

Betreff: Optimierung multivariater Modelle: Von der Datenerfassung über optimale Bedingungen bis hin zu Bewertungsmodellen (2021-US-45MP-927)

Toller Vortrag und tolle Arbeit, danke, dass Sie gezeigt haben, was diese Techniken alles leisten können, und dass Sie uns an Ihrer kreativen Verwendung der Hauptkomponenten als „Bausteine“ der beobachteten Variablen teilhaben lassen.

Da Sie dies auf verschiedene Anlagen angewendet haben, sind Ihnen Situationen eingefallen, in denen die PCA am besten nicht auf Basis gleichzeitiger Messungen, sondern auf Basis verzögerter Messungen durchgeführt wird, um Verarbeitungs- und Transitzeiten usw. zu berücksichtigen? Wenn ja, könnten Sie uns mitteilen, wie Sie damit umgegangen sind? Danke!