Altoparlante
|
Trascrizione
|
| Isacco Himanga |
Ciao buon giorno. |
| Janice LeBeau, JMP |
ciao Isacco, come stai? |
| Isacco Himanga |
stai bene, come stai? |
| Janice LeBeau, JMP |
Bene, grazie, sono Dan, oggi produrrò la tua presentazione per te. |
| Isacco Himanga |
Proprio fantastico. |
| Janice LeBeau, JMP |
E non posso vederti, Isaac. |
| Isacco Himanga |
sì, mi dispiace ma lo sto sistemando qui. |
| Janice LeBeau, JMP |
Ok, e solo per farti sapere che stiamo registrando proprio adesso, quindi. |
| |
Assolutamente fantastico, mi sento come se ci fossimo già incontrati. |
| Isacco Himanga |
Potremmo avere l'uno o l'altro, ne sono sicuro, uno dei summit se fosse da qualche parte. |
| Janice LeBeau, JMP |
Ok, benissimo, allora, come stai oggi? |
| Isacco Himanga |
stai bene, come stai? |
| Janice LeBeau, JMP |
Brava brava, mi piace il tuo sfondo, è un colore bellissimo, ci sei andato di sicuro. |
| Isacco Himanga |
Grazie. |
| |
Bene. |
| Janice LeBeau, JMP |
Esaminerò solo alcune cose e ho solo bisogno di riconfermarle. |
| |
Il nome dell'azienda e il titolo dell'abstract del relatore. |
| |
Ok, hai qualche co-presentatore, va bene, e sei d'accordo se registriamo questo e lo pubblichiamo negli archivi del Discovery Discovery Summit. |
| Isacco Himanga |
Assolutamente e immagino che avrei pubblicato la riproduzione nel registro anche della mia fine sul mio sito, nel caso succeda qualcosa, così ne avremo una copia e per te va bene. |
| Janice LeBeau, JMP |
ehm, non so se ciò influenzerà la qualità di qualcosa o. |
| Isacco Himanga |
non dovrei farlo abbastanza spesso. |
| Janice LeBeau, JMP |
Ok, ti lascio prendere l'iniziativa, io sono il tuo background sembra buono, il tuo microfono suona bene, ok, volevo solo riconfermare che le notifiche del cellulare e del computer sono disattivate. |
| Isacco Himanga |
dovrebbe essere, ma controllerò di nuovo solo perché quando. |
| Janice LeBeau, JMP |
Chiamo la tua opera d'arte a. |
| |
Poi. |
| |
Energia dell'Otto e 1920 del 10 Giorno, hai qualche animale domestico sullo sfondo? |
| Isacco Himanga |
COSÌ. |
| Janice LeBeau, JMP |
Potrebbe fare rumore, come probabilmente farà il mio gatto, quindi l'ho indirizzato. |
| Isacco Himanga |
Beh, in teoria, oggi sono l'unico a casa, quindi. |
| Janice LeBeau, JMP |
Hai chiuso lo sguardo su Skype o su qualsiasi altra applicazione che emetta rumori. |
| Isacco Himanga |
Accedendo a questo, disattivalo correttamente, sì. |
| |
Va bene. |
| Isacco Himanga |
sì, quindi penso che l'unica cosa che dovrebbe essere accesa mentre io e te abbasseremo il volume quando inizieremo qui, nel caso succeda qualcosa potrò 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 suggerimenti qui, disattiverò l'audio e nasconderò il mio video, potrai condividere lo schermo per la tua presentazione. |
| |
E, prima di disattivare l'audio, farò il mio 54321 e poi ti concederò un paio di secondi, poi potrai andare avanti e presentarti. |
| |
e inizia a registrare puoi iniziare la tua presentazione e poi, quando mi dici bene, questo conclude la presentazione di oggi, spero che ti sia piaciuto qualunque cosa tu voglia dire e poi interromperò la registrazione per te, okay. |
| |
Bene e se siamo coinvolti, proprio all'inizio e non sei felice, sai che possiamo fermarlo e ricominciare da capo, quindi sono assolutamente d'accordo con tutto ciò. |
| Isacco Himanga |
Ok ora spero che non sia un problema quanto vicino a 35 minuti lo vuoi, io quando mi sono esercitato intendo che era diviso tra 34 e 36 è che vuoi leggerlo 35 o. |
| Janice LeBeau, JMP |
Sai che va bene, voglio dire, fai semplicemente quello che devi fare. Conosco una persona che eravamo a 20 minuti uno se ti dicessero quanto dura dai 30 ai 40 minuti. |
| Isacco Himanga |
sì, da qualche parte, ricordo che 35 avrebbero potuto dare un intervallo lì. |
| Janice LeBeau, JMP |
va bene, non preoccuparti. |
| Isacco Himanga |
Ok, un buon affare, perfetto. |
| Janice LeBeau, JMP |
Ok, quindi stiamo registrando nel cloud. |
| |
Possiamo vederlo. |
| |
Oh, sembra molto buono, sembra delizioso. |
| Isacco Himanga |
perfetto. |
| Janice LeBeau, JMP |
Quindi sì. |
| |
Allora, sei pronto il mio video. |
| Isacco Himanga |
Che ne dici di vedere, così non hai un timer, le telecamere impostano un timer sul mio lassù, così potrei fare |
| Janice LeBeau, JMP |
Voglio dire, fai quello che vuoi, perché tutto 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. |
| Isacco Himanga |
Quindi ho tutto qui. |
| |
Va bene. |
| Janice LeBeau, JMP |
Ok, bene, quindi ti senti bene perché ho intenzione di farlo. |
| |
Farò il 54321 e mi disattiverò. |
| |
E vediamo che sei congelato, ecco fatto. Okay, quindi sei pronto. |
| Isacco Himanga |
Va bene. |
| Janice LeBeau, JMP |
Penso che, da |
| Isacco Himanga |
Dimostrerò un flusso di lavoro che utilizzo presso ADM per ottimizzare i processi di produzione utilizzando modelli multivariati. |
| |
Inizierai con l'estrazione dei dati e la costruzione di un modello, trovando condizioni ottimali realistiche, identificando condizioni anomale e infine assegnando un punteggio al modello utilizzando i dati attuali. |
| |
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 che questa ha richiesto poco più di 45 minuti. |
| |
Quindi, per ulteriori dettagli e informazioni, consulta l'articolo relativo a questa conferenza nella community JMP, incluso un diario con schermate dei passaggi che esporrò abbastanza rapidamente qui. |
| |
Inizierò con una breve panoramica di ADM e del flusso di lavoro generale. |
| |
Quindi metterò da parte questa presentazione per mostrarti il processo in JMP. Vedrai come appare ottenere e pulire i dati, utilizzare il profiler per scoprire più condizioni, |
| |
utilizzare la piattaforma di grafici di controllo multivariati basati su modello, scrivere uno script per assegnare un punteggio ai nuovi dati rispetto a quel modello e, infine, tornerò a questa presentazione per fornire brevemente un metodo per assegnare un punteggio continuo a quel modello utilizzando JMP. |
| |
Innanzitutto, qualcosa sull'ADM. |
| |
Lo scopo di ADM è liberare il potere della natura per arricchire la qualità della vita. |
| |
Trasformiamo i prodotti naturali in un portafoglio completo di ingredienti e aromi per alimenti e bevande, integratori, alimentazione 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 nella risoluzione delle 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 per il miglioramento mirato e l'analisi. |
| |
E il nostro team in crescita è investito in tecniche come questa, per aiutare le nostre 800 strutture, 300 stabilimenti 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, ometterò alcune cose che considero fondamentali per ogni set di dati, |
| |
come la visualizzazione dei dati, l'utilizzo della convalida, la riduzione delle variabili, la conferma dei risultati con altri modelli e l'allineamento dei dati di laboratorio e di processo. |
| |
ottenere dati, creare un modello, assegnare un punteggio al modello su richiesta in JMP e quindi assegnare un punteggio al modello in modo continuo. |
| |
JMP dispone di strumenti per supportare ogni fase, tra cui una serie di connessioni al database, strumenti di modellazione di modellazione multivariata, come i minimi quadrati parziali, i componenti principali e la piattaforma di grafici di controllo multivariati basati su modello. |
| |
Cominciamo con la raccolta 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 nelle 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 recentemente pubblicato nella comunità JMP. |
| |
Altri due componenti aggiuntivi aiutano in questo processo. Uno, genericamente chiamato strumenti di scripting, include un'opzione per fare in modo che lo script ricrei rapidamente le colonne calcolate |
| |
se combinato con la funzionalità di salvataggio dello script incorporata nella maggior parte delle piattaforme JMP. Le analisi possono essere ricreate rapidamente e assegnate un punteggio su richiesta da un utente JMP. |
| |
L'ultimo componente aggiuntivo, denominato JMP Model Engine, è anche il più recente. Utilizza un file di configurazione e informazioni salvate nella tabella dati dal componente aggiuntivo PItool per ottenere i dati. |
| |
Questo esegue calcoli utilizzando formule di colonna o qualsiasi altro script JSL e quindi riscrive i risultati nello storico. |
| |
Nell'interesse del tempo, procederò molto rapidamente attraverso quest'ultimo passaggio, ma ancora una volta ti incoraggio a cercare ulteriori dettagli sulla comunità JMP utilizzando il collegamento sul sito |
| |
va diapositiva di questa presentazione. |
| |
Ciascuno di questi componenti aggiuntivi è stato revisionato per rimuovere informazioni sensibili, ma stiamo spostando gli utenti allo stesso codice pubblicato nella community. Quindi, se hai idee e sai come migliorarle, sentiti libero di collaborare con noi nella community JMP su... o su GitHub. |
| |
Detto questo, apriamo JMP. |
| |
Dietro le quinte, l'ADM...o il componente aggiuntivo di JMP PItool utilizza un paio di diversi prodotti PI per estrarre i dati, inclusi SQL DAS, OLEDB e ODBC. Le istruzioni per l'impostazione sono disponibili nel menu di aiuto di 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 insieme di tag, quelli sono elencati qui in questo... |
| |
in questa casella. Nota che in realtà abbiamo incluso quello che viene chiamato tag descrittivo o un nome più descrittivo del semplice nome presente in PIhistorian che ci aiuterà a identificare quelle colonne più avanti nella tabella dati. Ci sono tutti questi piccoli punti interrogativi in giro |
| |
...intorno al componente aggiuntivo fornendo ulteriori informazioni, inclusa una descrizione per questo formato di tag amichevole che utilizzeremo oggi. |
| |
Quando premo Esegui query, si aprirà una tabella dati simile a questa. Ha una serie di colonne per tutti i valori numerici in quella tabella dati. |
| |
Ha un insieme di colonne per qualsiasi valore di stringa, quindi se nel PItag sono memorizzati caratteri, li estrarrà. E possiamo anche vedere lo stato di quel PItag |
| |
per ogni riga. |
| |
Inoltre, 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 più 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 apparire molto simile a un'analisi reale utilizzando dati reali provenienti da una delle nostre strutture. |
| |
Infine, farò notare che qui c'è uno script salvato nella tabella dati chiamato origine dati PI, che è lo stesso script effettivamente mostrato nel componente aggiuntivo |
| |
e contiene l'SQL disponibile anche qui. Ancora una volta dietro le quinte, questo utilizza |
| |
SQL DAS o PI DAS per ottenere tali informazioni da PI, e questo è tutto...tutti gli script che verrà eseguito per ottenere quei dati. Torneremo e lo useremo di nuovo verso la fine del discorso di oggi. |
| |
Ok, ora che abbiamo i dati, dobbiamo ripulirli. Oggi utilizzeremo strumenti multivariati per farlo, in particolare l'analisi delle componenti principali. Prenderò tutti i valori numerici da quella tabella di dati e li inserirò nell'elenco delle colonne y, quindi |
| |
subito, possiamo vedere alcuni valori che hanno... parecchi valori che hanno punteggi particolarmente bassi per il componente uno. Se guardi i caricamenti per quelli |
| |
fattori diversi, possiamo vedere che il componente uno include carichi elevati per tutti i diversi flussi in questo set di dati. |
| |
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 lo abbiamo fatto, ricalcoleremo l'analisi delle componenti principali, quindi utilizzeremo redo e ripeteremo l'analisi, quindi chiuderemo 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 modificherò 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 i punti che hanno valori estremi per uno o più punteggi o i punti che hanno un singolo |
| |
colonna o una singola cella con un valore imprevisto o esterno all'intervallo previsto, in base a tutte le altre colonne del set di dati per quel particolare ruolo. |
| |
Per ora, ripuliremo rapidamente questo set di dati escludendo tutti i valori T al quadrato e DModX che sono superiori al limite di controllo superiore. |
| |
Un'altra cosa che viene comunemente eseguita quando si pulisce un set di dati è la trasformazione delle colonne e desidero mostrare una funzionalità del componente aggiuntivo dello strumento di scripting che rende |
| |
è un po' anche provare ad applicarlo e |
| |
trasferimento al nuovo menu della colonna 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 verranno aggiunte tre colonne alla fine della tabella dati con una formula contenente quella trasformazione. |
| |
Noterò che la pulizia che abbiamo effettuato avrebbe potuto essere eseguita direttamente e in PLS. Tuttavia, spesso utilizzo prima un PCA. |
| |
Ok, ora che abbiamo ripulito il nostro set di dati, dobbiamo creare effettivamente un modello |
| |
per provare a 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 la minima quantità possibile di flusso uno e prendendo anche in considerazione alcuni... |
| |
tenere conto di alcuni vincoli su questi parametri di qualità. Quindi, poiché il flusso uno è ciò che ci interessa principalmente, passerò a un modello dei minimi quadrati parziali e utilizzerò quel flusso... flusso target in y e tutte le altre variabili come fattori X. |
| |
Per ora accetterò tutte le impostazioni predefinite e farò un piccolo salto in avanti e utilizzerò subito quattro fattori. |
| |
Quando apro questi quattro fattori, |
| |
vedremo i primi due |
| |
rappresentare il |
| |
variabili che l'impianto normalmente modifica negli ordini... al fine di regolare la velocità con cui eseguono il processo. Quindi, se hanno bisogno di ottenere più o meno questo flusso target, spesso cambiano il fattore uno per raggiungere quel tasso target. |
| |
Il fattore 2, invece, si riferisce principalmente a questi parametri di qualità, che in realtà sono parametri di qualità di input sui quali non abbiamo 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 utilizzare per ottimizzare il nostro processo. |
| |
Per utilizzare questo... abbiamo creato un modello che spiega la variazione nei nostri dati. |
| |
Per utilizzare tali informazioni, dobbiamo salvare alcune di queste colonne o salvare le previsioni da queste in nuove colonne nel nostro set di dati |
| |
che utilizzeremo nel profiler di previsione tra pochi minuti. |
| |
Utilizzeremo alcune nuove funzionalità 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 questo diventa importante. |
| |
Quindi abbiamo salvato tutte e tre le previsioni, le previsioni X e i quadrati T, nella nostra tabella dati. Queste dovrebbero essere nuove colonne in basso in funzione di questi punteggi X. |
| |
Possiamo anche dare una rapida occhiata alla distanza e ai grafici T al quadrato all'interno della piattaforma PLS e vediamo che, sebbene ci siano alcune variabili che hanno DModX o T al quadrato piuttosto elevati, non c'è nulla 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 più o si eseguono più iterazioni del modello. Quindi gli strumenti di scripting contengono un'altra funzione, chiamata rinomina colonne, |
| |
che ti consentirà di selezionare una query di esempio per PLS. Qui ha uno schema di espressione regolare piuttosto complicato, |
| |
ma nota che restituisce 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, lo inseriremo prima di tutte quelle colonne che indicano che questo è il modello che metteremo online per il nostro controllo di qualità ed è la prima revisione di quel modello. |
| |
Quando cambio i nomi, possiamo vedere che è stato automaticamente cambiato il nome per tutte queste colonne nel set di dati. |
| |
Quindi abbiamo creato 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 la minima quantità di flusso possibile. Per fare ciò utilizzeremo il profiler. Nota quando apriamo il tuo profilo, |
| |
possiamo aggiungere tutti questi valori previsti, quindi non i punteggi X stessi, ma i valori previsti e il T quadrato, a questa sezione della formula di previsione. |
| |
E poi, quando si aprirà, vedremo lungo l'asse X, tutti i nostri punteggi nel modello o le nostre variabili latenti. |
| |
E possiamo vedere che quando spostiamo uno di questi punteggi, tutte queste variabili osservate si sposteranno automaticamente insieme |
| |
al rapporto dei carichi in ciascuno di questi componenti. È quindi importante dare un'occhiata a questi flussi tre e quattro. Non importa quale punteggio spostiamo, |
| |
questo modello comprende che questi due punteggi sono correlati. Forse uno è un flussometro su cui hanno il controllo, e forse un secondo |
| |
c'è un secondo flussometro sulla stessa linea, ma a prescindere non sembra che l'impianto sia in grado di spostarne uno senza spostare 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 cosa stiamo cercando di ottimizzare. Dobbiamo dire che abbiamo una certa portata che stiamo cercando di raggiungere e alcuni parametri di qualità che stiamo cercando di raggiungere. |
| |
Quindi inizieremo dicendo che non ci interessano i valori per la maggior parte di queste colonne. Quindi selezioneremo tutte le colonne che abbiamo salvato, |
| |
standardizzeremo gli attributi e aggiungeremo un limite di risposta pari a nessuno per tutte queste diverse colonne. |
| |
Quindi torneremo indietro e regoleremo il limite di risposta. Può essere più descrittivo per le colonne che ci interessano. Ad esempio, la destinazione 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 prima qualità, vogliamo raggiungere il valore di |
| |
20.15. |
| |
Per quello del flusso, vogliamo ridurre al minimo quel valore. |
| |
Infine, dobbiamo assicurarci che la soluzione a cui arriveremo sia vicina al normale range operativo del sistema, quindi non vogliamo estrapolare al di fuori dell'area in cui abbiamo costruito quel PLS. |
| |
Per fare ciò, utilizzeremo questa colonna T al quadrato e indicheremo che vogliamo minimizzare la T al quadrato |
| |
in modo tale che sia inferiore al limite di controllo superiore mostrato nella piattaforma PLS. Qui possiamo vedere che il limite di controllo superiore era 9,32, quindi lo useremo come valore minimo qui. |
| |
Ciò che dovremmo vedere nel profiler ora è che ogni valore inferiore a 9,32 è ugualmente accettabile e, man mano che si supera 9,32, sarà sempre meno desiderabile. |
| |
Nel menu del grafico aprirò nuovamente il profiler e ancora una volta prenderò tutte quelle previsioni e le formule T al quadrato e le inserirò nella formula di previsione Y. |
| |
E vediamo ancora i punteggi X in basso, 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 valori bassi del flusso uno e abbiamo obiettivi sia per il flusso target che per il parametro di qualità. |
| |
Poiché li abbiamo definiti tutti, ora possiamo massimizzare la desiderabilità. |
| |
E proveremo a trovare valori per ciascuno di questi punteggi e, quindi, valori per tutte le variabili osservate nel nostro set di dati che andranno a |
| |
raggiungere questo flusso di obiettivi e raggiungere gli obiettivi che sono in quelli che abbiamo definito in precedenza. |
| |
Notate che è arrivato vicino a colpire l'intero bersaglio. Ha raggiunto il nostro 20.15 |
| |
ed è stato entro il limite della T al quadrato che l'abbiamo dato. Molto probabilmente JMP pensava che questa piccola diminuzione della desiderabilità fosse meno importante della riduzione del flusso, quindi possiamo risolverlo facendo clic su questa funzione di desiderabilità e semplicemente modificando l'importanza su 10. |
| |
Ora, se lo ottimizziamo di nuovo, dovrebbe avvicinarsi un po' al flusso target. Prima di farlo, però, salverò queste impostazioni dei fattori in questa tabella in basso, così possiamo confrontare il prima e il dopo. E poi andremo avanti e massimizzeremo la desiderabilità. |
| |
Sembra che sia finito e siamo ancora entro i limiti della nostra T al quadrato. |
| |
Ha raggiunto i 20,15 che avevamo chiesto ed è sicuramente molto più vicino ai 140. Quindi ora potremmo salvare ancora una volta 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 è che in precedenza abbiamo parlato dei flussi tre e quattro correlati, |
| |
utilizzando questo metodo dovremmo essere in grado di dare all'impianto valori ragionevoli a cui è effettivamente in grado di funzionare. |
| |
Se dici loro di impostare un valore alto per tre e un valore basso per flusso quattro, potrebbero guardarti e dire: beh, semplicemente 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 questi potrebbero esserlo |
| |
risultati o potrebbero semplicemente essere correlati ad altre variabili. In teoria, se la pianta cambia tutte le cose su cui ha il controllo, le altre cose dovrebbero semplicemente andare a posto. |
| |
Quindi, ora che abbiamo ottimizzato questo modello, il passo successivo è spesso quello di accertarci, o verificare, che stiamo funzionando normalmente. Quindi, una volta inserite le condizioni ottimali, è bene utilizzare lo stesso modello per assegnare un punteggio a nuove righe o nuovi dati e capire se il processo funziona come ci aspettiamo? |
| |
Per fare ciò, utilizzeremo gli stessi punteggi di previsione che avevamo in...salvati dalla piattaforma PLS, ma questa volta utilizzeremo quelli nel grafico di controllo multivariato basato sul modello |
| |
sotto qualità e processo. |
| |
Utilizzerò l'ora e la inserirò nell'ID temporale, 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 T elevato al quadrato e tale T elevato al quadrato era principalmente il risultato di flussi due, tre, quattro e uno, quindi tutto scorre in quello. |
| |
sono i maggiori contributori a questa T al quadrato. Se facciamo clic su questo punto e passiamo il mouse su una di quelle barre, se clicco nuovamente 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 guarderò solo a T al quadrato; Di nuovo, |
| |
questo non sempre funziona correttamente. |
| |
Quindi ingrandiremo il |
| |
Valori DModX di nuovo. |
| |
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, agli 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 osservare e vedere modelli nei vecchi dati quando, ad esempio, una variabile potrebbe essere stata un fattore di contribuzione elevato o agire in modo anomalo per un lungo periodo di tempo o per qualche periodo di tempo . . . . |
| |
Quindi questo è un grafico che potrebbe... che potremmo voler guardare ogni mattina, per esempio, o vedere periodicamente, il processo sta agendo normalmente? |
| |
Vieni, vuoi aprire questa cosa e vedere, c'è qualcosa che dovrei modificare in questo momento per riportare il nostro processo sotto controllo? |
| |
Quindi, per fare ciò, vogliamo ricreare l'intera analisi dall'estrazione dei dati PI all'apertura della piattaforma MDMCC e rendere tutto disponibile con un clic di un pulsante. |
| |
Per fare ciò, scriveremo uno script JSL composto da 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 dei dati originale che noi. |
| |
che è stato aperto dopo l'esecuzione del componente aggiuntivo degli strumenti PI, possiamo vedere lo script dell'origine dati PI salvato in quella tabella. Se modifichiamo lo script e lo copiamo semplicemente, possiamo incollarlo nella nuova finestra dello script. |
| |
Farò solo un cambiamento. Invece di estrarre i dati da maggio, inizieremo invece a estrarre i dati dal 1° agosto. |
| |
Ora dobbiamo aggiungere quelle colonne calcolate. Quindi ricorda che... nella piattaforma PLS utilizziamo il punteggio salvato... salva come opzione formule punteggio X. |
| |
Per ricrearli, possiamo semplicemente selezionare tutte le colonne nella tabella dati e utilizzare la funzione di script di copia colonna che è stata aggiunta di nuovo nel componente aggiuntivo degli strumenti di scripting. |
| |
Una volta copiato lo script della colonna, torniamo al nuovo script che abbiamo creato e incolleremo una serie di nuove formule di colonna per ricreare nuovamente tutte quelle colonne. |
| |
Infine, controllo multivariato basato su modello |
| |
il grafico ha un ??? la maggior parte delle altre piattaforme, dove puoi salvare lo script negli appunti e incollarlo nella stessa finestra dello script. |
| |
Ora, se immaginiamo che sia un nuovo giorno e che abbiamo tutto chiuso, e voglio vedere come sta andando il nostro processo, eseguirei semplicemente 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 sarà identica alla nostra tabella originale. Ha tutte le stesse colonne. |
| |
Sono state aggiunte le colonne calcolate, quindi inseriamo questi punteggi e tutte le previsioni e viene anche aperta la piattaforma di grafici di controllo multivariato basata su modello |
| |
dove possiamo vedere che questo valore recente per DModX è in realtà piuttosto alto, quindi i dati più recenti presentano alcuni valori anomali, in questo caso, per la qualità tre. |
| |
Quindi, ancora una volta, la qualità tre sembra non corrispondere al valore atteso, in base agli altri parametri. In questo caso particolare, ciò potrebbe significare |
| |
poiché la qualità tre è un parametro di input e le qualità uno, due e tre sono spesso correlate, ciò potrebbe significare che la qualità tre è un campione di laboratorio scadente o potrebbe significare che si tratta di un nuovo materiale con cui non abbiamo mai lavorato prima. |
| |
Ok, infine, parliamo di un metodo per eseguire questo modello in modo continuo. Quindi questo è stato ricreato su richiesta, |
| |
dove abbiamo scritto uno script JSL per eseguirlo, ma a volte è utile |
| |
a... oppure abbiamo trovato utile riscrivere questi risultati al nostro storico PI in modo che possano essere utilizzati da |
| |
gli operatori presso le nostre strutture. Negli ultimi due minuti vorrei presentarvi quel componente aggiuntivo, chiamato componente aggiuntivo del motore del modello, |
| |
che segnerà rapidamente i modelli online. Dovrei notare che questo dovrebbe essere usato solo come 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 assegnargli un punteggio. |
| |
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 proprio ora |
| |
significa prendere decisioni sulla base dei risultati del modello attuale e consente di risolvere alcuni problemi prima che diventino un grosso problema. |
| |
Naturalmente esistono molti modi per assegnare punteggi ai modelli, ma la potenza del linguaggio di scripting JMP, JSL, |
| |
fornisce un modo per fornire previsioni e informazioni sulle anomalie agli operatori dei nostri impianti di produzione utilizzando la suite esistente di strumenti di visualizzazione e trend a cui sono già abituati. |
| |
Una coppia di motori di modelli, o computer che eseguono JMP con un componente aggiuntivo specifico che ha avviato l'utilità di pianificazione, sono configurati per eseguire periodicamente tutti i modelli archiviati in una directory specifica. |
| |
Tutta la configurazione viene eseguita tramite due tipi di file di configurazione, un file di configurazione del motore singolo e un file di configurazione del modello per ciascun modello a cui verrà assegnato il punteggio. |
| |
Iniziamo con il file di configurazione del modello. Ricordi come il componente aggiuntivo degli strumenti PI salva le informazioni sull'origine nella tabella dati? |
| |
Ora quelle 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 deve calcolare i valori. |
| |
Successivamente, il componente aggiuntivo degli strumenti di scripting salva rapidamente gli script per ricreare le colonne salvate da 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 il modo in cui il motore comunica con l'origine dati in cui si trovano gli strumenti PI |
| |
componente aggiuntivo...dove 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 i dati direttamente su PI. |
| |
Definendo una serie di funzioni nel file di configurazione del motore, questo motore può comunicare anche con molte altre origini dati. |
| |
Notare che è definita una serie di tag heartbeat che consente all'origine dati e ad altri motori di modello di conoscere lo stato di questo motore. |
| |
Ogni modello ha anche il proprio set di tag heartbeat, quindi se una macchina smette di assegnare il punteggio a un particolare modello, l'altro motore prenderà automaticamente il sopravvento. |
| |
Anche in questo caso l'idea di questo motore modello non è destinata a 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 o a una soluzione di controllo qualità. |
| |
Detto questo, grazie a tutti per la partecipazione. Ricordare che ulteriori informazioni su ciascun componente aggiuntivo e sul diario che utilizzo oggi sono disponibili nella comunità JMP. |
| Janice LeBeau, JMP |
lavoro fantastico fantastico. |
