Altoparlante
|
Trascrizione
|
| Isaac Himanga |
Ciao buon giorno. |
| Janice LeBeau, JMP |
ciao Isacco come stai |
| Isaac Himanga |
stai bene, come stai. |
| Janice LeBeau, JMP |
Bene, grazie, sono Dan, si tratta di produrre la tua presentazione oggi per te. |
| Isaac Himanga |
Giusto fantastico. |
| Janice LeBeau, JMP |
E non riesco a vederti Isaac. |
| Isaac Himanga |
sì, mi dispiace per averlo impostato qui. |
| Janice LeBeau, JMP |
Ok, e solo per farti sapere che stiamo registrando proprio ora, quindi. |
| |
Assolutamente fantastico, mi sento come se ci fossimo già incontrati. |
| Isaac Himanga |
Potremmo avere o ne sono sicuro, uno dei vertici se fosse da qualche parte. |
| Janice LeBeau, JMP |
Ok, benissimo come stai oggi. |
| Isaac Himanga |
stai bene, come stai. |
| Janice LeBeau, JMP |
Bravo bravo mi piace il tuo sfondo che è un bel colore che hai acceso di sicuro. |
| Isaac Himanga |
Grazie. |
| |
Bene. |
| Janice LeBeau, JMP |
Ho solo intenzione di esaminare alcune cose e ho solo bisogno di riconfermare con te. |
| |
Il nome del presentatore, la società e il titolo dell'abstract. |
| |
Ok, hai qualche co-relatore ok, va bene e sei d'accordo che registriamo questo e lo pubblichiamo negli archivi del vertice di scoperta della scoperta. |
| Isaac Himanga |
Assolutamente e immagino, stavo per pubblicare anche la riproduzione in record solo la mia fine sul mio sito, nel caso in cui succedesse qualcosa, quindi ne avremo una copia e per te va bene. |
| Janice LeBeau, JMP |
um non so se questo influenzerà la qualità di qualcosa o. |
| Isaac Himanga |
non dovrei farlo abbastanza spesso. |
| Janice LeBeau, JMP |
Ok, ti lascio guidare sul fatto che il tuo sfondo sembra buono, il tuo microfono suona bene, volevo solo riconfermare che le notifiche del tuo cellulare e del computer sono disattivate. |
| Isaac Himanga |
dovrebbe essere, ma controllerò di nuovo solo perché quando. |
| Janice LeBeau, JMP |
Invito la tua opera d'arte a. |
| |
Poi. |
| |
Energia di otto e 1920 di 10 giorni, hai animali domestici sullo sfondo. |
| Isaac Himanga |
Così. |
| Janice LeBeau, JMP |
Potrebbe fare rumore, come probabilmente farà il mio gatto, quindi l'ho segnalato. |
| Isaac Himanga |
Beh, in teoria, sono l'unico a casa oggi così. |
| Janice LeBeau, JMP |
Hai chiuso a guardare Skype o qualsiasi altra applicazione che fa rumore. |
| Isaac Himanga |
Accedendo al mio turno questo è giusto sì. |
| |
Va bene. |
| Isaac Himanga |
sì, quindi penso che l'unica cosa che dovrebbe essere accesa mentre tu e io in realtà abbasserò il volume quando inizieremo qui, nel caso succeda qualcosa sarò in grado di vederti ma sarà solo stai zitto in quel modo se qualcos'altro fa rumore oh. |
| Janice LeBeau, JMP |
Bene, quello che farò è. |
| |
Ti darò solo un altro paio di indicazioni qui, disattiverò l'audio e nasconderò il mio video, puoi condividere lo schermo per la tua presentazione. |
| |
E, prima di disattivare l'audio, eseguo il mio 54321 e poi ti concedo un paio di secondi, e poi puoi andare avanti e presentarti. |
| |
e inizia a registrare puoi iniziare la tua presentazione e poi, quando mi dirai bene che questo concluderà la presentazione di oggi, spero che ti sia piaciuto qualunque cosa tu voglia dire e poi smetterò di registrare per te okay. |
| |
Bene e se ci piace, all'inizio e non sei felice, sai che possiamo fermarlo e ricominciare da capo, quindi sono totalmente d'accordo con tutto questo. |
| Isaac Himanga |
Ok ora spero che non sia un problema quanto vicino a 35 minuti lo vuoi, io quando mi sono esercitato significa che era diviso tra 34 e 36 è che vuoi leggerlo 35 o. |
| Janice LeBeau, JMP |
Sai che va bene, voglio dire, fai quello che devi fare, conosco una persona che eravamo a 20 minuti l'uno se ti dicessero cosa durava da 30 a 40 minuti. |
| Isaac Himanga |
sì, da qualche parte, mi ricordo che 35 avrebbero potuto dare un intervallo lì. |
| Janice LeBeau, JMP |
va bene non preoccuparti. |
| Isaac Himanga |
Ok, ottimo affare perfetto. |
| Janice LeBeau, JMP |
Ok, stiamo registrando nel cloud. |
| |
Possiamo vederlo. |
| |
Oh, sembra molto buono che sembra delizioso. |
| Isaac Himanga |
Perfetto. |
| Janice LeBeau, JMP |
Quindi sì. |
| |
Allora, sei pronto per il mio video. |
| Isaac Himanga |
Di che ne dici vediamo così non hai un timer che le telecamere impostano un timer sul mio lassù, quindi potrei fare 30. |
| Janice LeBeau, JMP |
Voglio dire, fai quello che vuoi, perché questo inizierà. |
| |
Voglio dire, onestamente, se pensi che sia 35 e arrivi a 32 va bene se vai un po' oltre va bene. |
| |
Va bene. |
| Isaac Himanga |
Quindi ho tutto qui. |
| |
Va bene. |
| Janice LeBeau, JMP |
Ok, bene così ti senti bene perché ho intenzione di fare il. |
| |
Farò il 54321 e disattiverò me stesso. |
| |
E vediamo che ti sei congelato ecco fatto Okay, quindi sei pronto. |
| Isaac Himanga |
Va bene. |
| Janice LeBeau, JMP |
Penso, entro il 4321. |
| Isaac Himanga |
Mi chiamo Isaac Himanga e mostrerò un flusso di lavoro che utilizzo in ADM per ottimizzare i processi di produzione utilizzando modelli multivariati. |
| |
Inizierò estraendo i dati e costruendo un modello, trovando condizioni ottimali realistiche, identificando condizioni anomale e infine valutando il modello utilizzando i dati correnti. |
| |
Ci sono molte altre informazioni sulle singole piattaforme qui, quindi invece di discutere i dettagli di ogni passaggio, evidenzierò solo alcune funzionalità comunemente utilizzate e proverò invece a mostrare l'intero flusso di lavoro. |
| |
Dirò che la maggior parte delle analisi con la quantità di dettagli di questa richiede poco più di 45 minuti. |
| |
Quindi vai all'articolo per questo discorso nella comunità JMP per maggiori dettagli e informazioni, incluso un diario con schermate di passaggi che passerò piuttosto rapidamente qui. |
| |
Inizierò con una breve panoramica di ADM e del flusso di lavoro generale. |
| |
Quindi metterò da parte questa presentazione per mostrarvi il processo in JMP. Vedrai com'è ottenere e pulire i dati, utilizzare il profiler per scoprire più condizioni, |
| |
utilizzare la piattaforma del grafico di controllo multivariato guidato dal modello, scrivere uno script per valutare i nuovi dati rispetto a quel modello e, infine, tornerò su questa presentazione per fornire brevemente un metodo per valutare continuamente quel modello utilizzando JMP. |
| |
Innanzitutto, un po' di ADM. |
| |
Lo scopo di ADM è sbloccare il potere della natura per arricchire la qualità della vita. |
| |
Trasformiamo prodotti naturali in un portafoglio completo di ingredienti e aromi per alimenti e bevande, integratori, nutrizione per animali domestici e bestiame, |
| |
e altro ancora. E con una serie di capacità senza precedenti in ogni parte della catena alimentare globale, diamo ai nostri clienti un vantaggio nel risolvere le sfide globali di oggi e di domani. |
| |
Una di queste funzionalità è l'utilizzo dell'analisi dei dati per migliorare i nostri processi di produzione, incluso il metodo di cui sto per parlare. |
| |
Faccio parte del relativamente nuovo centro di eccellenza focalizzato sul miglioramento e l'analisi. |
| |
E il nostro team in crescita è investito in tecniche, come questa, per aiutare le nostre 800 strutture, 300 sedi di lavorazione di alimenti e mangimi e il resto della nostra azienda in tutto il mondo a prendere decisioni migliori utilizzando i nostri dati. |
| |
Ora, una panoramica del flusso di lavoro. |
| |
I quattro passaggi che esaminerò oggi rappresentano solo una parte dell'analisi completa. Nell'interesse del tempo, tralascerò alcune cose che considero fondamentali per ogni set di dati, |
| |
come visualizzare i dati, utilizzare la convalida, la riduzione delle variabili, corroborare i risultati con altri modelli e allineare i dati di laboratorio e di processo. |
| |
ottenere dati, creare un modello, assegnare un punteggio a quel modello su richiesta in JMP e quindi assegnare un punteggio al modello in modo continuo. |
| |
JMP dispone di strumenti per supportare ogni passaggio, tra cui una serie di connessioni al database, strumenti di modellazione di modellazione multivariata, come minimi quadrati parziali, componenti principali e la piattaforma di grafici di controllo multivariati basati su modello e, naturalmente, il linguaggio di scripting JMP o JSL. |
| |
Iniziamo con l'acquisizione dei dati. Nonostante le numerose connessioni al database e le opzioni di scripting disponibili, avevamo bisogno di un modo rapido per estrarre i dati dal nostro storico dei processi, |
| |
un prodotto popolare chiamato PI, senza scrivere query o navigare tra le strutture delle tabelle. Un componente aggiuntivo personalizzato era la risposta per la maggior parte dei set di dati. Questo componente aggiuntivo è stato relativamente... è stato pubblicato di recente nella comunità JMP. |
| |
Altri due componenti aggiuntivi aiutano in questo processo. Uno, chiamato genericamente strumenti di scripting, include un'opzione per ottenere rapidamente lo script per ricreare le colonne calcolate |
| |
quando combinato con lo script di salvataggio nella funzionalità integrata nella maggior parte delle piattaforme JMP. Le analisi possono essere ricreate rapidamente e valutate su richiesta da un utente JMP. |
| |
L'ultimo componente aggiuntivo, chiamato motore del modello JMP, è anche il più recente. Utilizza un file di configurazione e le informazioni salvate nella tabella dati dal componente aggiuntivo di PItool per ottenere i dati. |
| |
Ciò esegue i calcoli utilizzando le formule delle colonne o qualsiasi altro script JSL e quindi scrive i risultati nello storico. |
| |
E l'interesse del tempo, mi sposterò molto rapidamente attraverso quest'ultimo passaggio, ma ancora una volta, ti incoraggio a cercare maggiori dettagli sulla comunità JMP utilizzando il collegamento sul |
| |
diapositiva dell'ordine del giorno di questa presentazione. |
| |
Ciascuno di questi componenti aggiuntivi è stato revisionato per rimuovere le informazioni sensibili, ma stiamo spostando gli utenti sullo stesso codice pubblicato nella community. Quindi, se hai idee e come migliorarle, sentiti libero di collaborare con noi sulla community JMP su... o su GitHub. |
| |
Con ciò, apriamo JMP. |
| |
Dietro le quinte, l'ADM... o il componente aggiuntivo di JMP PItool utilizza un paio di prodotti PI diversi per estrarre i dati, inclusi SQL DAS, OLEDB e ODBC. Le istruzioni per configurarlo possono essere trovate nel menu di aiuto per questa piattaforma. |
| |
Oggi estrarremo i dati per una serie di PItag dal 1 maggio, a partire da mezzogiorno, quindi estrarremo un altro valore ogni giorno a mezzogiorno fino ad oggi. |
| |
Lo faremo per un certo set di tag, quelli sono elencati qui in questo... |
| |
in questa scatola. Nota che in realtà abbiamo incluso quello che viene chiamato un tag amichevole o un nome che è più descrittivo del semplice nome che è nel PIhistorian che ci aiuterà a identificare quelle colonne più avanti nella tabella dei dati. Ci sono tutti questi piccoli punti interrogativi in giro |
| |
...intorno al componente aggiuntivo che fornisce maggiori informazioni, inclusa una descrizione per questo formato di tag amichevole che useremo oggi. |
| |
Quando premo Esegui query, si aprirà una tabella di dati simile a questa. Ha una serie di colonne per tutti i valori numerici in quella tabella di dati. |
| |
Ha una serie di colonne per qualsiasi valore di stringa, quindi se avevi caratteri memorizzati nel PItag, li estrarrà. E possiamo anche vedere lo stato di quel PItag |
| |
per ogni riga. |
| |
Anche nelle proprietà della colonna per quella tabella dati, se apriamo le informazioni sulla colonna, vedremo le informazioni utilizzate per estrarre quel punto dati, incluso il PItag, |
| |
il tipo di chiamata e l'intervallo. Per query più complesse, come una media o un massimo, vedremo maggiori informazioni qui. |
| |
Noterò che si tratta di dati reali che sono stati ridimensionati e che i nomi delle colonne sono stati modificati, ma l'analisi che vedremo oggi dovrebbe sembrare molto simile a un'analisi reale utilizzando i dati reali di una delle nostre strutture. |
| |
Infine, farò notare che qui c'è uno script salvato nella tabella dati chiamato PI data source, che è lo stesso script effettivamente mostrato nel componente aggiuntivo |
| |
e contiene l'SQL che è disponibile anche qui. Di nuovo dietro le quinte, questo usa |
| |
SQL DAS o PI DAS per ottenere quelle informazioni da PI, e questi sono tutti... tutti gli script che eseguirà per ottenere quei dati. Torneremo e useremo questo di nuovo verso la fine del discorso di oggi. |
| |
Ok, ora che abbiamo i dati, dobbiamo ripulirli. Oggi useremo strumenti multivariati per farlo, in particolare l'analisi dei componenti principali. Prenderò tutti i valori numerici da quella tabella di dati e li inserirò nell'elenco delle colonne y e poi |
| |
subito, possiamo vedere alcuni valori che hanno... parecchi valori che hanno punteggi particolarmente bassi per il componente uno. Se guardi i caricamenti per quelli |
| |
diversi fattori, possiamo vedere che il componente uno include carichi elevati per tutti i diversi flussi in questo set di dati. |
| |
Quindi questo mi dice che tutti questi valori qui a sinistra hanno flussi elevati su tutta la linea per l'intero sistema. Usando alcune conoscenze ingegneristiche, posso dire che questo rappresenta un tempo di inattività per quel processo, quindi andrò avanti e nasconderò ed escluderò tutti questi valori. |
| |
Ora che l'abbiamo fatto, ricalcoleremo l'analisi del componente principale, quindi useremo ripeti e ripeti l'analisi e poi chiudiamo quella vecchia. |
| |
E ora possiamo vedere che i caricamenti sono forse un po' più significativi. Il componente principale tre, ad esempio, spiega la maggior parte della variazione nel flusso 2 e qui c'è un po' di separazione. |
| |
I primi tre componenti spiegano la maggior parte della variazione, quindi utilizzerò questi tre componenti quando cercherò altri valori anomali in questo set di dati. |
| |
Per fare ciò, aprirò l'analisi dei valori anomali e cambierò il numero di componenti in tre. |
| |
E poi possiamo vedere sia il grafico T al quadrato, sia posso anche aprire il grafico DModX normalizzato |
| |
per vedere punti che hanno valori estremi per uno o più dei punteggi o punti che hanno un singolo |
| |
colonna o una singola cella con un valore imprevisto o al di fuori dell'intervallo previsto, in base a tutte le altre colonne in quel set di dati per quel particolare ruolo. |
| |
Per ora, puliremo rapidamente questo set di dati escludendo tutti i valori T al quadrato e DModX che sono al di sopra del limite di controllo superiore. |
| |
Un'altra cosa che viene eseguita comunemente durante la pulizia di un set di dati è la trasformazione delle colonne e voglio mostrare una funzionalità del componente aggiuntivo dello strumento di scripting che rende |
| |
è un po' anche cercando di applicare e |
| |
trasferimento al menu della colonna della nuova formula. Se seleziono tre colonne o un numero qualsiasi di colonne e vado all'opzione di trasformazione personalizzata, che viene nuovamente caricata come parte del componente aggiuntivo degli strumenti di scripting, |
| |
Posso selezionare una trasformazione Savitzkey-Golay e premere OK, e aggiungerà tre colonne alla fine della tabella dati con una formula contenente quella trasformazione. |
| |
Farò notare che la pulizia che abbiamo fatto avrebbe potuto essere fatta direttamente e in PLS. Tuttavia, uso spesso prima un PCA. |
| |
Ok, ora abbiamo ripulito il nostro set di dati, dobbiamo effettivamente costruire un modello |
| |
per cercare di prevedere che... le nostre condizioni di processo. Forse un'altra breve nota su questo set di dati, abbiamo un obiettivo di flusso qui. |
| |
Oggi, il nostro obiettivo sarà quello di creare una certa quantità di questo flusso target utilizzando il minor flusso possibile e anche prendendo in qualche... |
| |
conto di alcuni vincoli su questi parametri di qualità. Quindi, poiché il flusso uno è ciò a cui siamo principalmente interessati, passerò a un modello dei minimi quadrati parziali e userò quel flusso... flusso target in y e tutte le altre variabili come fattori X. |
| |
Accetterò solo tutte le impostazioni predefinite per ora e farò un salto in avanti e userò subito quattro fattori. |
| |
Quando apro quei quattro fattori, |
| |
vedremo che i primi due |
| |
rappresentare il |
| |
variabili che l'impianto normalmente cambia negli ordini... per regolare la velocità con cui eseguono il processo. Quindi, se hanno bisogno di aumentare o diminuire questo flusso target, spesso cambiano il fattore uno per raggiungere quel tasso target. |
| |
Il fattore 2, d'altra parte, si riferisce principalmente a questi parametri di qualità, che sono in realtà parametri di qualità di input su cui non abbiamo il controllo. |
| |
Quindi non è qualcosa che possiamo cambiare. Quindi, anche se i fattori tre e quattro hanno relativamente...spiegato quantità relativamente piccole della variazione di |
| |
il nostro flusso target e spiegano quantità relativamente piccole della variazione del nostro fattore uno, quelli sono quelli su cui abbiamo effettivamente il controllo e quindi quelli sono quelli che saremo in grado di usare per ottimizzare il nostro processo. |
| |
Per poterlo utilizzare... quindi abbiamo creato un modello che spiega la variazione nei nostri dati. |
| |
Per utilizzare tali informazioni, dobbiamo salvare alcune di quelle colonne o salvare le previsioni da queste a nuove colonne nel nostro set di dati |
| |
che useremo nel profiler di previsione tra pochi minuti. |
| |
Utilizzeremo alcune nuove funzionalità che sono state aggiunte in JMP 16, che ci consentono di salvare le previsioni, sia per le variabili Y che per quelle X, come formule di punteggio X. E quando apriremo il profiler, penso che aiuterà a illustrare perché diventa importante. |
| |
Quindi abbiamo salvato tutte e tre le previsioni, le previsioni X e i quadrati T, nella nostra tabella dei dati. Queste dovrebbero essere nuove colonne in basso in funzione di questi punteggi X. |
| |
Possiamo anche dare una rapida occhiata ai grafici di distanza e T al quadrato all'interno della piattaforma PLS e vediamo che mentre ci sono alcune variabili che hanno DModX o T quadrati piuttosto alti, non c'è niente di troppo estremo. |
| |
Questi punteggi vengono spesso salvati o vengono sempre salvati con nomi di variabili che possono creare confusione man mano che si salvano sempre di più o si attraversano più iterazioni del modello. Quindi gli strumenti di scripting contengono un'altra funzione, chiamata le colonne di ridenominazione, |
| |
che ti permetterà di selezionare una query di esempio per PLS. Ha un modello di espressione regolare piuttosto complicato qui, |
| |
ma nota che emette un set standard di nomi che avranno lo stesso aspetto per PLS, PCA e altre piattaforme all'interno della tabella dati. |
| |
Quindi in questo caso copierò effettivamente un prefisso specifico, metteremo prima di tutte quelle colonne che indicano che questo è il modello che metteremo online per il nostro controllo di qualità e che è la revisione uno di quel modello. |
| |
Quando cambio i nomi, possiamo vedere che è cambiato automaticamente il nome per tutte queste colonne nel set di dati. |
| |
Quindi abbiamo costruito un modello che spiega la variazione in |
| |
queste colonne, ma ciò che non abbiamo fatto è il nostro obiettivo originale di capire come produrre una certa quantità di flusso... del nostro flusso target utilizzando il meno flusso possibile. Per farlo utilizzeremo il profiler. Nota quando apriamo il profiler, |
| |
possiamo aggiungere tutti questi valori previsti, quindi non i punteggi X stessi, ma i valori previsti e la T al quadrato, a questa sezione della formula di previsione. |
| |
E poi, quando si aprirà, vedremo attraverso l'asse X, tutti i nostri punteggi nel modello o le nostre variabili latenti. |
| |
E possiamo vedere quando spostiamo uno di quei punteggi, sposterà automaticamente tutte queste variabili osservate insieme |
| |
al rapporto dei carichi in ciascuno di questi componenti. Quindi, cosa importante, dai un'occhiata a questi flussi tre e quattro, si muovono sempre insieme. Non importa quale punteggio ci muoviamo, |
| |
questo modello comprende che questi due punteggi sono correlati. Forse uno è un flussometro su cui hanno il controllo, e forse un secondo |
| |
è un secondo flussometro sulla stessa linea, ma nonostante ciò non sembra che l'impianto sia in grado di spostarne uno senza muovere l'altro nella stessa direzione. |
| |
Quindi l'obiettivo è trovare valori per ciascuno di questi punteggi che ottimizzeranno il nostro processo. |
| |
Prima di poterlo fare, dobbiamo dire a JMP che cosa stiamo cercando di ottimizzare. Dobbiamo dire che abbiamo una certa portata che stiamo cercando di raggiungere e determinati parametri di qualità che stiamo cercando di raggiungere. |
| |
Quindi inizieremo dicendogli che non ci interessano i valori per la maggior parte di queste colonne. Quindi selezioneremo tutte le colonne che abbiamo salvato, |
| |
andremo a standardizzare gli attributi e aggiungeremo un limite di risposta di nessuno per tutte queste diverse colonne. |
| |
Quindi torneremo indietro e regoleremo quel limite di risposta. Può essere più descrittivo per le colonne che ci interessano. Ad esempio, il target del flusso tornerà al limite di risposta e indicheremo che vogliamo far corrispondere un valore di 140 per quella colonna. |
| |
Allo stesso modo per la qualità uno, vogliamo raggiungere il valore di |
| |
20.15. |
| |
Per il flusso, vogliamo minimizzare quel valore. |
| |
E infine, dobbiamo assicurarci che la soluzione a cui arriviamo sarà vicina al normale intervallo operativo del sistema, quindi non vogliamo estrapolare al di fuori dell'area in cui abbiamo costruito quel PLS. |
| |
Per farlo, useremo questa colonna T al quadrato e indicheremo che vogliamo minimizzare il T al quadrato |
| |
in modo tale che sia al di sotto del limite di controllo superiore mostrato in quella piattaforma PLS. Qui possiamo vedere che il limite di controllo superiore era 9.32, quindi lo useremo come valore minimo qui. |
| |
Quello che dovremmo vedere nel profiler ora è che ogni valore al di sotto di 9.32 è ugualmente accettabile e, quando si va al di sopra di 9.32, sarà sempre meno desiderabile. |
| |
Sotto il menu del grafico aprirò ancora una volta il profiler e ancora una volta prenderò tutte quelle previsioni e formule T al quadrato e le inserirò nella formula di previsione Y. |
| |
E vediamo ancora i punteggi X nella parte inferiore, ma ora vediamo anche queste funzioni di desiderabilità a destra. |
| |
E ancora una volta la funzione di desiderabilità per T al quadrato inizia a scendere sopra 9,32. La desiderabilità è massima a bassi valori di flusso uno e abbiamo obiettivi sia per il flusso target che per il parametro di qualità. |
| |
Poiché abbiamo definito tutto questo, ora possiamo massimizzare la desiderabilità. |
| |
E questo cercherà di trovare i valori per ciascuno di quei punteggi, e quindi, i valori per tutte le variabili osservate nel nostro set di dati che andranno a |
| |
raggiungere questo flusso target e raggiungere gli obiettivi che sono in questi che abbiamo definito in precedenza. |
| |
Nota che si è avvicinato al bersaglio completo, ma sembra che sia un po' basso. Ha raggiunto il nostro 20.15 |
| |
ed era all'interno del limite T al quadrato che lo abbiamo dato. Molto probabilmente JMP pensava che questa minuscola diminuzione della desiderabilità fosse meno importante della riduzione del flusso, quindi possiamo risolvere il problema facendo clic con il tasto di controllo in questa funzione di desiderabilità e cambiando semplicemente l'importanza a 10. |
| |
Ora, se lo ottimizziamo di nuovo, dovrebbe avvicinarsi un po' al target di flusso. Prima di farlo, però, salverò queste impostazioni del fattore in questa tabella in basso, così possiamo confrontare prima e dopo. E poi andremo avanti e massimizzeremo la desiderabilità. |
| |
Sembra che sia finito e siamo ancora nei limiti della nostra T al quadrato. |
| |
Ha raggiunto le 20.15 che avevamo chiesto ed è sicuramente molto più vicino alle 140. Quindi ora possiamo ancora una volta salvare queste impostazioni dei fattori nella tabella dei dati. |
| |
E ora dovremmo avere fattori che possiamo restituire all'impianto di produzione e dire, ehi, ecco i parametri che raccomandiamo. |
| |
Il vantaggio di utilizzare un'analisi multivariata come questa, abbiamo parlato di quei flussi tre e quattro che sono correlati in precedenza, |
| |
usando questo metodo, dovremmo essere in grado di fornire all'impianto valori ragionevoli a cui è effettivamente in grado di funzionare. |
| |
Se dici loro di eseguire un valore alto per tre e un valore basso per il flusso quattro, potrebbero guardarti e dire che non è possibile. |
| |
Questi dovrebbero essere molto più ragionevoli. Si noti che non tutte queste variabili sono necessariamente variabili indipendenti che l'impianto può controllare. Alcuni di quelli potrebbero essere |
| |
risultati o potrebbero essere semplicemente correlati ad altre variabili. In teoria, se la pianta cambia tutte le cose su cui ha il controllo, le altre cose dovrebbero andare a posto. |
| |
Quindi, ora che abbiamo ottimizzato questo modello, il passaggio successivo spesso è assicurarsi, o verificare, che stiamo funzionando normalmente. Quindi, una volta inserite le condizioni ottimali, è bene utilizzare lo stesso modello per valutare nuove righe o nuovi dati e capire, il processo si comporta come ci aspettiamo? |
| |
Per farlo, utilizzeremo gli stessi punteggi di previsione che avevamo in... salvato dalla piattaforma PLS, ma questa volta utilizzeremo quelli nel grafico di controllo multivariato guidato dal modello |
| |
sotto qualità e processo. |
| |
Userò il tempo e lo inserirò nell'ID tempo, quindi invece di vedere i numeri di riga, vedremo una data effettiva su tutti i nostri grafici e inseriremo i punteggi X nel processo. |
| |
Sfortunatamente, l'intervallo non funziona sempre correttamente su questi grafici, quindi se ingrandisco un po', vedremo che qui ci sono periodi in cui abbiamo avuto un alto T al quadrato e che un alto T al quadrato era principalmente il risultato di flussi due, tre, quattro e uno, quindi tutto scorre in quel... |
| |
sono gli alti contributori a questa T al quadrato. Se ci clicchiamo sopra e passiamo il mouse su una di quelle barre, se clicco di nuovo su quel punto, vedremo un grafico di controllo per quel valore individuale...individuale |
| |
variabile con il punto che abbiamo selezionato evidenziato su quel grafico. |
| |
E nasconderò questo, però, e non solo guardo T al quadrato, possiamo anche fare la stessa cosa per DModX o SPE, se stai ancora guardando SPE. Di nuovo, |
| |
questo non sempre funziona correttamente. |
| |
Quindi ingrandiamo il |
| |
Di nuovo i valori di DModX. |
| |
Quindi DModX indicherà i punti che hanno un valore alto o basso per una singola colonna, rispetto a quanto previsto in base alle altre righe, gli altri dati in quella riga. |
| |
Qui possiamo vedere che questo punto è principalmente un valore anomalo dovuto al flusso cinque. |
| |
Trovo che le mappe di calore della proporzione di contributo siano piuttosto utili per guardare e vedere i modelli nei vecchi dati quando, ad esempio, una variabile potrebbe essere stata un fattore contribuente elevato o agire in modo anomalo per un lungo periodo di tempo o per un certo periodo di tempo . |
| |
Quindi questo è un grafico che potrebbe... che potremmo voler guardare ogni mattina, per esempio, o vedere periodicamente, il processo funziona normalmente? |
| |
Entra, vuoi aprire questo e vedere, c'è qualcosa che dovrei aggiustare adesso per riportare il nostro processo sotto controllo? |
| |
Quindi, per farlo, vogliamo ricreare l'intera analisi dall'estrazione dei dati PI all'apertura della piattaforma MDMCC e avere tutto disponibile con un clic di un pulsante. |
| |
Per farlo, scriveremo uno script JSL che ha tre passaggi. Otterrà i dati da PI, aggiungeremo le colonne calcolate e quindi apriremo il modello che abbiamo nella piattaforma del grafico di controllo multivariato. |
| |
ottenere dati da PI. Se torniamo alla tabella dati originale che abbiamo... |
| |
che è stato aperto dopo l'esecuzione del componente aggiuntivo degli strumenti PI, possiamo vedere questo script dell'origine dati PI salvato in quella tabella. Se modifichiamo quello script e lo copiamo, possiamo incollarlo nella nuova finestra dello script. |
| |
Faccio solo una modifica. Invece di estrarre i dati da maggio, inizieremo a estrarre i dati dal 1 agosto. |
| |
Ora dobbiamo aggiungere quelle colonne calcolate. Quindi ricorda che... nella piattaforma PLS usiamo il punteggio salvato... l'opzione di salvataggio come formule di punteggio X. |
| |
Per ricrearli, possiamo semplicemente selezionare tutte le colonne nella tabella dati e utilizzare la funzione di copia dello script della colonna che è stata aggiunta di nuovo in quel componente aggiuntivo degli strumenti di scripting. |
| |
Una volta copiato lo script di colonna, torniamo in questo nuovo script che abbiamo creato e incolleremo quelle che sono un mucchio di nuove formule di colonna per ricreare nuovamente tutte quelle colonne. |
| |
Infine, il controllo multivariato guidato dal modello |
| |
il grafico ha un ??? la maggior parte delle altre piattaforme, dove è possibile salvare lo script negli appunti e incollarlo nella stessa finestra dello script. |
| |
Ora, se immaginiamo che sia un nuovo giorno e abbiamo tutto chiuso, e voglio vedere come sta andando il nostro processo, eseguirei lo stesso script. Nota che potrei iniziare con |
| |
una barra specifica e poi un punto esclamativo per l'esecuzione automatica all'apertura dello script. |
| |
Quando premo Esegui, si aprirà una tabella di dati che ha lo stesso aspetto della nostra tabella originale. Ha tutte le stesse colonne. |
| |
Ha aggiunto quelle colonne calcolate, quindi inseriamo questi punteggi e tutte le previsioni, e ha anche aperto la piattaforma del grafico di controllo multivariato guidato dal modello |
| |
dove possiamo vedere che questo valore recente per DModX è in realtà piuttosto alto, quindi i dati più recenti hanno alcuni valori anomali, in questo caso, per la qualità tre. |
| |
Quindi, di nuovo, la qualità tre sembra non essere al valore previsto, in base agli altri parametri. In questo caso particolare, ciò potrebbe significare, |
| |
poiché la qualità tre è un parametro di input e la qualità uno, due e tre sono spesso correlate, ciò potrebbe significare che la qualità tre è un cattivo campione di laboratorio o potrebbe significare che si tratta di un nuovo materiale con cui non abbiamo mai lavorato prima. |
| |
Ok, finalmente parliamo di un metodo per eseguire questo modello continuamente. Quindi questo è stato ricreato su richiesta, |
| |
dove abbiamo scritto uno script JSL per eseguirlo, ma a volte è utile |
| |
a... o abbiamo trovato utile riscrivere questi risultati al nostro storico PI in modo che possano essere utilizzati da |
| |
gli operatori presso le nostre strutture. Quindi negli ultimi due minuti, voglio introdurre quel componente aggiuntivo, si chiama componente aggiuntivo del motore del modello, |
| |
che segnerà rapidamente i modelli online. Devo notare che questo dovrebbe essere usato solo per un consiglio. Non è un metodo accettabile per fornire informazioni critiche o per il controllo a circuito chiuso. |
| |
Per questo potresti prendere in considerazione l'esportazione delle formule dal deposito delle formule e l'utilizzo di qualche altro pacchetto software per valutarle. |
| |
Come accennato in precedenza, alcune delle previsioni e delle informazioni disponibili in questo modello |
| |
ha più ha più valore nel momento in cui sta accadendo. Quindi sapere cosa ha causato il problema di ieri è fantastico, ma sapere cosa sta succedendo in questo momento |
| |
significa prendere decisioni con i risultati del modello attuale e consente di risolvere alcuni problemi prima che diventino un grosso problema. |
| |
Ovviamente ci sono molti modi per assegnare un punteggio ai modelli, ma la potenza del linguaggio di scripting JMP, JSL, |
| |
fornisce un modo per ottenere previsioni e informazioni sulle anomalie di fronte agli operatori dei nostri impianti di produzione utilizzando la loro suite esistente di strumenti di visualizzazione e trend a cui sono già abituati. |
| |
Una coppia di motori modello, o computer che eseguono JMP con un componente aggiuntivo specifico che ha avviato l'utilità di pianificazione, sono impostati per eseguire periodicamente tutti i modelli memorizzati in una directory specifica. |
| |
Tutta la configurazione viene eseguita tramite due tipi di file di configurazione, un singolo file di configurazione del motore e un file di configurazione del modello per ogni modello che verrà valutato. |
| |
Iniziamo con quel file di configurazione del modello. Ricordi come il componente aggiuntivo degli strumenti PI salva le informazioni di origine nella tabella dei dati? |
| |
Ora le stesse informazioni possono essere utilizzate per popolare il file di configurazione del modello, che indica al motore del modello come scaricare una tabella con una singola riga contenente tutti gli input del modello da cui ha bisogno per calcolare i valori. |
| |
Successivamente, il componente aggiuntivo degli strumenti di scripting salva rapidamente gli script per ricreare le colonne salvate dal PLS e da qualsiasi altra piattaforma, |
| |
potenzialmente includendo contributi T al quadrato e DModX che possono essere salvati dalla piattaforma del grafico di controllo della versione del modello. Questi nuovi script di colonna vengono salvati anche nel file di configurazione del modello o in un file separato nella stessa directory. |
| |
Infine, il file di configurazione del motore definisce come il motore comunica con l'origine dati in cui gli strumenti PI |
| |
componente aggiuntivo... in cui il componente aggiuntivo degli strumenti PI utilizza OLDB |
| |
e query SQL per ottenere dati, il motore del modello utilizza l'API Web PI per leggere e scrivere dati direttamente su PI. |
| |
Definendo un insieme di funzioni nel file di configurazione del motore, questo motore può comunicare anche con molte altre origini dati. |
| |
Notare che è definito un set di tag heartbeat, che consente all'origine dati e ad altri motori del modello di conoscere lo stato di questo motore. |
| |
Ogni modello ha anche il proprio set di tag heartbeat, quindi se una macchina smette di segnare un particolare modello, l'altro motore prenderà automaticamente il sopravvento. |
| |
Anche in questo caso questa idea del motore di modello non è destinata ad essere utilizzata per applicazioni critiche, ma ho scoperto che ci consente di passare molto rapidamente dall'implementazione e dall'analisi esplorativa a una previsione online oa una soluzione di controllo della qualità. |
| |
Con questo, grazie a tutti per la partecipazione. Ricorda che ulteriori informazioni su ciascun componente aggiuntivo e il journal che utilizzo oggi sono disponibili nella community JMP. |
| Janice LeBeau, JMP |
fantastico lavoro fantastico. |
