398760_ja-JP

liliconcom

多変量モデルの最適化：データ収集から最適条件およびスコアリングモデルまで（2021-US-45MP-927）

レベル：中級

 

Isaac Himanga、シニア分析エンジニア、ADM

 

製造プロセスは相関性の高いシステムであり、最適化が困難です。 この相関関係は、外れ値を特定する機会を提供します。 ここでは、以下を含むワークフロー全体を示します。

 

• OSISoftの歴史家からデータを取得する。
• プロセスの制約を考慮した多変量モデルによるモデリングと最適化。
• MDMCCプラットフォームの使用。
• モデルをオンラインで採点し、異常な状態を歴史家に書き戻します。

実際には、多くのプロセスを最適化するのは困難です。 システムを、テスト可能な独立変数のセットに縮小できない場合があります。その他の場合、プロセスはさまざまな条件下で不安定になる可能性があります。これらの問題に対処するために、JMP 16の新機能を使用して、コストと品質を最適化します。潜在的の制約を考慮しながら、可変スペース観察された変数。 これらの最適な状態を維持するために、MDMCCプラットフォームを使用して、通常からの逸脱をすばやく特定します。

 

アドインは、データの収集とモデルのスコアリングにかかる時間を最小限に抑えるために使用されます。1つは人気のあるPIヒストリアンからプロセスデータをJMPにプルするため、1つは計算列をすばやく再作成するため、3つ目はモデルをオンラインでスコアリングして結果をヒストリアンに送信するためです。 MDMCCからの貢献を含みます。

 

参照されているアドインは、JMPコミュニティで入手できます。

• Aveva / OSISoftPIツール
• スクリプトツール

 

 

自動生成されたトランスクリプト...

 

スピーカー	トランスクリプト
アイザックヒマンガ	おはようございます。
Janice LeBeau、JMP	こんにちはアイザックお元気ですか。
アイザックヒマンガ	お元気ですか。
Janice LeBeau、JMP	よろしくお願いします。ダンです。今日はあなたのためにプレゼンテーションを作成します。
アイザックヒマンガ	まさに素晴らしい。
Janice LeBeau、JMP	そして、私はあなたにアイザックを見ることができません。
アイザックヒマンガ	はい、ここで設定していることをお詫びします。
Janice LeBeau、JMP	さて、そしてちょうどあなたに私たちが今録音していることを知らせるためにそうです。
	絶対にかっこいい以前に会ったような気がします。
アイザックヒマンガ	確かに、サミットがどこかにあったら、その1つがあるかもしれません。
Janice LeBeau、JMP	さて、今日の調子は素晴らしいです。
アイザックヒマンガ	お元気ですか。
Janice LeBeau、JMP	良い良い私はあなたが確かに行ってきた美しい色であるあなたの背景が大好きです。
アイザックヒマンガ	ありがとうございました。
	良い。
Janice LeBeau、JMP	私はいくつかのことを検討するつもりであり、あなたに再確認する必要があるだけです。
	あなたのプレゼンター名会社と抽象的なタイトル。
	さて、あなたは大丈夫大丈夫な共同プレゼンターがいますか、そしてあなたは私たちがこれを記録して発見発見サミットアーカイブに投稿することについて大丈夫ですか？
アイザックヒマンガ	絶対に、そして私は、何かが起こった場合に備えて、私のサイトでも私の終わりだけにプレイを記録に投稿するつもりだったので、そのコピーを用意します。それで大丈夫です。
Janice LeBeau、JMP	ええと、それが何かの品質に影響を与えるかどうかはわかりません。
アイザックヒマンガ	私はそれをかなり頻繁に行うべきではありません。
Janice LeBeau、JMP	さて、私はあなたのバックグラウンドが良さそうだということであなたに主導権を握らせましょうあなたのマイクは良さそうですあなたの携帯電話とコンピュータの通知がオフになっていることを再確認したかっただけです。
アイザックヒマンガ	あるべきですが、いつかという理由だけでもう一度確認します。
Janice LeBeau、JMP	私はあなたのアートワークをに呼びます。
	その後。
	10日までに8と1920のエネルギー、あなたはバックグラウンドでペットを飼っていますか。
アイザックヒマンガ	そう。
Janice LeBeau、JMP	私の猫がおそらくそうするように、それは音を立てる可能性があるので、私は彼を紹介しました。
アイザックヒマンガ	まあ、理論的には、私は今日唯一の家です。
Janice LeBeau、JMP	Skypeやその他のノイズを発生させるアプリケーションを確認しましたか。
アイザックヒマンガ	私のターンにアクセスすることは、はい、これをオフにします。
	わかった。
アイザックヒマンガ	ええ、だから私はあなたとしてオンにする必要がある唯一のことだと思います、そして私はここで始めるときに実際にあなたの音量を下げるつもりです、何かが起こった場合に備えて私はあなたを見ることができますがそれはただ他に何か音がする場合は、そのように静かにしてください。
Janice LeBeau、JMP	さて、私がやろうとしていることはです。
	ここでは、さらにいくつかのポインタを紹介します。自分自身をミュートして、プレゼンテーション用に画面を共有できるビデオを非表示にします。
	そして、自分をミュートする前に、54321を実行してから、数秒待ってから、先に進んで自己紹介をします。
	録音を開始すると、プレゼンテーションを開始できます。それで、今日のプレゼンテーションはこれで終わりです。あなたが言いたいことを何でも楽しんでいただければ、録音を停止します。
	よかったです。最初から満足していない場合は、停止して最初からやり直すことができるので、すべてがとてもクールです。
アイザックヒマンガ	さて、35分にどれだけ近づけても問題にならないことを願っています。練習したとき、34と36の間で引き裂かれたということは、35またはそれを読みたいということです。
Janice LeBeau、JMP	あなたはそれが大丈夫だということを知っています。つまり、あなたがしなければならないことは何でもするということです。
アイザックヒマンガ	ええどこかで、私は彼らがそこに範囲を与えたかもしれない35を覚えています。
Janice LeBeau、JMP	かっこいいです心配しないでください。
アイザックヒマンガ	さて、かなり完璧です。
Janice LeBeau、JMP	さて、私たちはクラウドで録音しています。
	私たちはそれを見ることができます。
	ああ、それは美味しそうに見えるとてもよさそうだ。
アイザックヒマンガ	完全。
Janice LeBeau、JMP	そうそう。
	だから、あなたは私のビデオの準備ができていますか。
アイザックヒマンガ	タイマーカメラが私の上にタイマーを設定することがないように見てみましょう、それで私は30をすることができました。
Janice LeBeau、JMP	これが始まるので、私はあなたがやりたいことを何でもすることを意味します。
	つまり、正直なところ、35だと思って、32に行くと、少し上を行くと問題ありません。
	わかった。
アイザックヒマンガ	だから私はここですべてを手に入れました。
	わかった。
Janice LeBeau、JMP	さて、私がやろうとしているので、あなたは気分が良いので、良いです。
	54321を実行して、自分自身をミュートします。
	そして、あなたがそこで凍ったのを見てみましょう、あなたは大丈夫です、それであなたは準備ができています。
アイザックヒマンガ	わかった。
Janice LeBeau、JMP	私は、4321年までにと思います。
アイザックヒマンガ	私の名前はIsaacHimangaです。多変量モデルを使用して製造プロセスを最適化するために、ADMで使用するワークフローを示します。
	まず、データを取得してモデルを構築し、現実的な最適条件を見つけ、異常な条件を特定し、最後に現在のデータを使用してモデルをスコアリングします。
	ここには個々のプラットフォームに関する他の多くの情報があるため、各ステップの詳細を説明する代わりに、一般的に使用されるいくつかの機能のみを強調し、代わりにワークフロー全体を示します。
	私は、これが45分より少し長くかかった詳細の量でほとんどの分析を言うでしょう。
	したがって、JMPコミュニティのこの講演の記事にアクセスして、詳細と情報を確認してください。ここでは、手順のスクリーンショットが記載されたジャーナルを含めて、ここですぐに説明します。
	まず、ADMと一般的なワークフローの概要から始めます。
	次に、このプレゼンテーションを脇に置いて、JMPでのプロセスを示します。 データを取得してクリーンアップする様子を確認し、プロファイラーを使用して複数の条件を見つけます。
	モデル駆動型多変量管理図プラットフォームを使用し、そのモデルに対して新しいデータをスコアリングするスクリプトを作成します。最後に、このプレゼンテーションに戻って、JMPを使用してそのモデルを継続的にスコアリングする1つの方法を簡単に説明します。
	まず、ADMについて少し説明します。
	ADMの目的は、自然の力を解き放ち、生活の質を高めることです。
	私たちは天然物を食品や飲料、サプリメント、ペットや家畜の栄養のための成分とフレーバーの完全なポートフォリオに変換します。
	もっと。 そして、グローバルなフードチェーンのあらゆる部分にまたがる比類のない機能の配列で、私たちはお客様に今日と明日のグローバルな課題を解決する上での優位性を提供します。
	それらの機能の1つは、データ分析を使用して、これから説明する方法を含め、製造プロセスを改善することです。
	私は、比較的新しく焦点を絞った改善と分析のセンターオブエクセレンスの一員です。
	そして、私たちの成長するチームは、このような技術に投資して、800の施設、300の食品および飼料処理場所、そして世界中のその他の会社がデータを使用してより良い意思決定を行うのを支援しています。
	次に、ワークフローの概要を説明します。
	今日レビューする4つのステップは、完全な分析の一部にすぎません。 時間の都合上、すべてのデータセットにとって重要であると私が考えるいくつかのことを省略します。
	データの視覚化、検証の使用、変数の削減、他のモデルとの調査結果の裏付け、ラボとプロセスのデータの調整など。
	データを取得し、モデルを構築し、JMPでそのモデルをオンデマンドでスコアリングしてから、モデルを継続的にスコアリングします。
	JMPには、データベース接続の配列、部分最小二乗法などの多変量モデリングモデリングツール、主成分、モデル駆動型多変量管理図プラットフォーム、そしてもちろんJMPスクリプト言語またはJSLなど、各ステップをサポートするツールがあります。
	データの取得から始めましょう。 多くのデータベース接続とスクリプトオプションが利用可能ですが、プロセス履歴からデータを取得するための迅速な方法が必要でした。
	クエリを記述したり、テーブル構造をナビゲートしたりすることなく、PIと呼ばれる人気のある製品。 ほとんどのデータセットでは、カスタムアドインがその答えでした。 このアドインは比較的...最近JMPコミュニティに投稿されました。
	さらに2つのアドインがこのプロセスを支援します。 1つは、一般的にスクリプトツールと呼ばれ、計算列を再作成するためのスクリプトをすばやく取得するオプションが含まれています。
	ほとんどのJMPプラットフォームに組み込まれている機能への保存スクリプトと組み合わせると。 JMPユーザーは、分析をすばやく再作成し、必要に応じてスコアを付けることができます。
	JMPモデルエンジンと呼ばれる最後のアドインも最新です。 PItoolのアドインからデータテーブルに保存された構成ファイルと情報を使用してデータを取得します。
	これにより、列の数式またはその他のJSLスクリプトを使用して計算が行われ、結果が履歴に書き戻されます。
	そして、時間の面で、私はこの最後のステップを非常に迅速に進めるつもりですが、繰り返しになりますが、上のリンクを使用してJMPコミュニティの詳細を探すことをお勧めします。
	このプレゼンテーションの議題スライド。
	これらの各アドインは機密情報を削除するためにオーバーホールされましたが、コミュニティに投稿されているのと同じコードにユーザーをシフトしています。 したがって、アイデアとそれを改善する方法がある場合は、JMPコミュニティまたはGitHubで自由にコラボレーションしてください。
	それでは、JMPを開いてみましょう。
	舞台裏では、ADM ...またはJMPPItoolのアドインは、SQL DAS、OLEDB、ODBCなど、いくつかの異なるPIproductを使用してデータをプルします。 これを設定する手順は、このプラットフォームのヘルプメニューにあります。
	今日は、5月1日正午から一連のPItagのデータを取得し、その後、毎日正午から今日まで別の値を取得します。
	特定のタグのセットに対してこれを実行します。これらはここにリストされています...
	このボックスに。 フレンドリタグと呼ばれるもの、またはPIhistorianにある名前よりもわかりやすい名前が実際に含まれていることに注意してください。これは、後でデータテーブルでこれらの列を識別するのに役立ちます。 周りにはこれらすべての小さな疑問符があります
	...今日使用するこのフレンドリーなタグ形式の説明など、より多くの情報を提供するアドインの周り。
	run queryを押すと、次のようなデータテーブルが開きます。 そのデータテーブルのすべての数値の列のセットがあります。
	任意の文字列値の列のセットがあるため、PItagに文字が格納されている場合は、それらをプルします。 また、そのPItagのステータスも確認できます。
	行ごとに。
	また、そのデータテーブルの列プロパティで、列情報を開くと、PItagなど、そのデータポイントをプルするために使用された情報が表示されます。
	通話の種類と間隔。 平均や最大などのより複雑なクエリについては、ここで詳細を確認します。
	これは再スケーリングされた実際のデータであり、列名が変更されていることに注意してください。ただし、今日表示する分析は、施設の1つからの実際のデータを使用した実際の分析と非常によく似ているはずです。
	最後に、PIデータソースと呼ばれるデータテーブルに保存されたスクリプトがあることを指摘します。これは、アドインに実際に表示されているものと同じスクリプトです。
	また、ここでも利用できるSQLが含まれています。 再び舞台裏で、これは使用します
	PIからその情報を取得するためのSQLDASまたはPIDAS。これがすべてです...そのデータを取得するために実行されるすべてのスクリプトです。 今日の話の終わり近くに戻ってきて、これを再び使用するつもりです。
	さて、データを取得したので、そのデータをクリーンアップする必要があります。 今日は多変量ツールを使用して、特に主成分分析を行います。 そのデータテーブルからすべての数値を取得し、それをy列リストに入れてから
	すぐに、コンポーネント1のスコアが特に低い値がいくつかあることがわかります。 あなたがそれらの負荷を見れば
	さまざまな要因から、コンポーネント1には、このデータセット内のさまざまなフローすべてに高負荷が含まれていることがわかります。
	つまり、左側にあるこれらの値はすべて、システム全体で全体的に高いフローを持っていることがわかります。 エンジニアリングの知識を使用すると、これはそのプロセスのダウンタイムを表していると言えるので、先に進んで、これらの値をすべて非表示にして除外します。
	これで、主成分分析を再計算するので、REDOを使用して分析をやり直してから、古い分析を閉じます。
	そして今、ロードがおそらくもう少し意味があることがわかります。 たとえば、主成分3は、フロー2の変動のほとんどを説明しており、ここでは少し分離しています。
	最初の3つのコンポーネントは変動の大部分を説明しているため、このデータセットで他の外れ値を探すときにこれらの3つのコンポーネントを使用します。
	そのために、外れ値分析を開き、コンポーネントの数を3つに変更します。
	そして、Tの二乗プロットの両方を見ることができ、正規化されたDModXプロットを開くこともできます
	1つ以上のスコアに対して極値を持つポイント、または単一のスコアを持つポイントを表示する
	その特定の役割のデータセット内の他のすべての列に基づいて、予期しない、または予期された範囲外の値を持つ列または単一のセル。
	今のところ、上限管理限界を超えるTの2乗値とDModX値をすべて除外することにより、このデータセットをすばやくクリーンアップします。
	データセットをクリーンアップするときに一般的に行われるもう1つのことは、列の変換です。これを作成するスクリプトツールアドインの機能を示したいと思います。
	適用しようとしても少しでも
	新しい数式列メニューに移動します。 3つの列または任意の数の列を選択して、そのスクリプトツールアドインの一部として再度読み込まれるカスタム変換オプションに移動すると、
	Savitzkey-Golay変換を選択して[OK]をクリックすると、その変換を含む数式を使用してデータテーブルの最後に3つの列が追加されます。
	私たちが行ったクリーニングは、直接およびPLSで実行できた可能性があることに注意してください。 ただし、私は最初にPCAを使用することがよくあります。
	データセットをクリーンアップしたので、実際にモデルを作成する必要があります
	それを予測しようとしています...私たちのプロセス条件。 このデータセットに関するもう1つの簡単な注意点として、ここにフローターゲットがあります。
	今日、私たちの目標は、できるだけ少ないフローを使用して、このターゲットフローを一定量作成し、いくつかを取り入れることです...
	これらの品質パラメータに対するいくつかの制約を考慮に入れます。 フロー1が私たちが主に関心を持っているものなので、部分最小二乗モデルに切り替えて、そのフローを使用します... yのターゲットフローと他のすべての変数をXファクターとして使用します。
	今のところすべてのデフォルトを受け入れるだけで、少し先に進み、すぐに4つの要素を使用します。
	これらの4つの要素を開くと、
	最初の2つがわかります
	を表す
	プラントが通常順序で変更する変数...プロセスの実行速度を調整するため。 したがって、この目標フローを多かれ少なかれ作成する必要がある場合、その目標レートを達成するために、多くの場合、ファクター1を変更します。
	一方、ファクター2は、主にこれらの品質パラメーターに関連しています。これらのパラメーターは、実際には制御できない入力品質パラメーターです。
	ですから、それは私たちが変えることができるものではありません。 したがって、ファクター3と4は比較的...比較的少量の変動を説明しますが
	ターゲットフローとそれらは、ファクター1の比較的少量の変動を説明します。これらは、実際に制御できるものであり、プロセスを最適化するために使用できるものです。
	これを使用するために...データの変動を説明するモデルを作成しました。
	その情報を使用するには、これらの列の一部を保存するか、この列からの予測をデータセットの新しい列に保存する必要があります。
	ほんの数分で予測プロファイラーで使用します。
	JMP 16で追加されたいくつかの新機能を利用して、Y変数とX変数の両方の予測をXスコア式として保存できるようにします。 そして、プロファイラーを開くと、それが重要になる理由を説明するのに役立つと思います。
	したがって、X予測とT二乗の3つの予測すべてをデータテーブルに保存しました。 これらは、これらのXスコアの関数として、下部の新しい列である必要があります。
	PLSプラットフォーム内の距離とTの二乗プロットを簡単に確認することもできます。かなり高いDModXまたはTの二乗を持つ変数がいくつかありますが、極端なものは何もないことがわかります。
	これらのスコアは保存されることが多く、変数名で常に保存されるため、保存を増やしたり、モデルを複数回繰り返したりすると混乱する可能性があります。 したがって、スクリプトツールには、名前変更列と呼ばれる別の関数が含まれています。
	これにより、PLSのクエリ例を選択できます。 ここではかなり複雑な正規表現パターンがありますが、
	ただし、データテーブル内のPLS、PCA、およびその他のプラットフォームで同じように見える標準の名前のセットが出力されることに注意してください。
	したがって、この場合、実際に特定のプレフィックスをコピーします。これらのすべての列の前に、これが品質管理のためにオンラインで公開するモデルであり、そのモデルのリビジョン1であることを示します。
	名前を変更すると、データセット内のこれらすべての列の名前が自動的に変更されていることがわかります。
	そこで、バリエーションを説明するモデルを作成しました
	これらの列ですが、私たちが行っていないのは、できるだけ少ないフローを使用して、ターゲットフローの特定の量のフローを生成する方法を理解するという当初の目標です。 そのために、プロファイラーを使用します。 プロファイラーを開くと、
	これらの予測値をすべて追加できるため、Xスコア自体ではなく、予測値とTの2乗をこの予測式のセクションに追加できます。
	そして、それが開くと、X軸全体に、モデル内のすべてのスコアまたは潜在変数が表示されます。
	そして、これらのスコアの1つを移動すると、これらの観測されたすべての変数が自動的に一緒に移動することがわかります。
	それらのコンポーネントのそれぞれの負荷の比率で。 非常に重要なのは、これらのフロー3と4を見てください。これらは、常に一緒に移動します。 どのスコアを動かしても、
	このモデルは、これら2つのスコアが関連していることを理解しています。 おそらく1つは彼らが制御できる流量計であり、おそらく2つ目は
	は同じライン上の2番目の流量計ですが、プラントが同じ方向にもう一方を移動せずに一方を移動できるようには見えません。
	したがって、目標は、プロセスを最適化するこれらのスコアのそれぞれの値を見つけることです。
	その前に、最適化しようとしているものをJMPに伝える必要があります。 ヒットしようとしている特定の流量と、ヒットしようとしている特定の品質パラメータがあることを言う必要があります。
	したがって、これらの列のほとんどの値は気にしないことを伝えることから始めます。 保存したすべての列を選択します。
	属性を標準化し、これらのさまざまな列すべてに応答制限なしを追加します。
	次に戻って、その応答制限を調整します。 関心のある列については、より説明的である可能性があります。 たとえば、フローターゲットは応答制限に戻り、その列の値140に一致させる必要があることを示します。
	同様に、品質の1つについては、
	20.15。
	フロー1の場合、その値を最小化する必要があります。
	そして最後に、私たちが到達するソリューションがシステムの通常の動作範囲に近くなることを確認する必要があるため、そのPLSを構築した領域の外側を推定したくありません。
	そのために、このTの二乗列を使用し、Tの二乗を最小化することを示します。
	そのPLSプラットフォームで示された上限管理限界を下回るように。 ここでは、管理上限が9.32であったことがわかるので、ここではそれを最小値として使用します。
	プロファイラーに表示されるのは、9.32未満のすべての値が等しく受け入れられることであり、9.32を超えると、それはますます望ましくなくなります。
	グラフメニューの下で、プロファイラーをもう一度開き、これらの予測とTの二乗式をすべて取得して、Y予測式に入れます。
	また、下部にXスコアが表示されていますが、右側にこれらの望ましさ関数も表示されています。
	また、Tの2乗の望ましさ関数は、9.32を超えて低下し始めます。 望ましさはフロー1の低い値で最も高く、ターゲットフローと品質パラメーターの両方のターゲットがあります。
	これらすべてを定義したので、今度は望ましさを最大化するために行くことができます。
	そして、それはそれらのスコアのそれぞれの値を見つけようとします。したがって、データセット内の観測されたすべての変数の値は次のようになります。
	この目標フローを達成し、前に定義したこれらの目標を達成します。
	完全な目標を達成するのに近づいたことに注意してください、しかしそれは少し低いように見えます。 それは私たちの20.15を達成しました
	そして、私たちがそれを与えたのは、Tの2乗の範囲内でした。 おそらくJMPは、この望ましさのわずかな減少はフローの減少よりも重要ではないと考えていたので、この望ましさ関数をクリックして制御し、重要度を10に変更するだけで修正できます。
	ここで、これを再度最適化すると、フローターゲットに少し近づくはずです。 ただし、その前に、これらの係数設定を下部のこのテーブルに保存して、前後を比較できるようにします。 そして、先に進み、望ましさを最大化します。
	終了したようで、Tの2乗の範囲内にあります。
	それは私たちが求めた20.15を達成し、確かに140にはるかに近いです。 これで、これらの係数設定をもう一度データテーブルに保存できます。
	これで、製造施設に返すことができる要素ができあがり、「ねえ、ここに推奨するパラメーターがあります」と言う必要があります。
	このような多変量解析を使用する利点については、前に3番目と4番目のフローが関連していることについて説明しました。
	この方法を使用すると、実際に実行できる妥当な値をプラントに与えることができるはずです。
	3の値を高く、フロー4の値を低くするように指示すると、彼らはあなたを見て、それは不可能だとよく言うかもしれません。
	これらははるかに合理的であるはずです。 これらの変数のすべてが、プラントが制御できる独立変数である必要はないことに注意してください。 それらのいくつかはかもしれません
	結果、またはそれらは他の変数に関連している可能性があります。 理論的には、植物が制御できるすべてのものを変更した場合、他のことは適切に行われるはずです。
	したがって、このモデルを最適化したので、次のステップは、多くの場合、正常に実行されていることを確認または確認することです。 したがって、最適な条件が設定されたら、同じモデルを使用して新しい行または新しいデータをスコアリングし、理解することをお勧めします。プロセスは期待どおりに機能していますか？
	そのために、PLSプラットフォームから保存したものと同じ予測スコアを使用しますが、今回はモデル駆動型多変量管理図で使用します。
	品質とプロセスの下で。
	時間を使用してそれを時間IDに入れるので、行番号を表示する代わりに、すべてのグラフに実際の日付を表示し、Xスコアをプロセスに入れます。
	残念ながら、これらのグラフでは範囲が常に正しく機能するとは限らないため、少しズームインすると、Tの二乗が高く、Tの二乗が大きいのは主にフローの結果であることがわかります。 2、3、4、1なので、すべてがその中に流れます...
	このTの2乗に大きく貢献しています。 それをクリックしてそれらのバーの1つにマウスを合わせると、そのポイントをもう一度クリックすると、その個々の値の管理図が表示されます...個別
	選択したポイントがそのチャートで強調表示された変数。
	これを非表示にしますが、Tの二乗だけでなく、SPEをまだ見ている場合は、DModXまたはSPEに対しても同じことができます。 もう一度、
	これは常に正しく機能するとは限りません。
	ズームインします
	DModX値を再度。
	したがって、DModXは、他の行、その行の他のデータに基づいて予想されたものと比較して、個々の列の値が高いまたは低いポイントを示します。
	ここでは、このポイントがフロー5による主に外れ値であることがわかります。
	寄与率ヒートマップは、たとえば、1つの変数が高い寄与因子であったか、長期間またはあるセクションで異常に動作した可能性がある場合に、古いデータのパターンを確認するのに非常に役立つと思います。 。
	これは、たとえば毎朝、または定期的に確認したい場合があるチャートです。プロセスは正常に機能していますか？
	あなたが入って来て、これを開いて見たいのですが、私たちのプロセスを制御下に戻すために今調整しなければならないことはありますか？
	そのためには、PIデータの取得からMDMCCプラットフォームのオープンまで、この分析全体を再現し、ボタンをクリックするだけですべてを利用できるようにします。
	そのために、3つのステップを持つJSLスクリプトを作成します。 PIからデータを取得し、計算された列を追加してから、多変量管理図プラットフォームでモデルを開きます。
	PIからデータを取得します。 元のデータテーブルに戻ると...
	PI Toolsアドインの実行後に開かれたもので、このPIデータソーススクリプトがそのテーブルに保存されていることがわかります。 そのスクリプトを編集してコピーするだけで、新しいスクリプトウィンドウに貼り付けることができます。
	変更を1つだけ行います。 5月からデータを取得する代わりに、8月1日からデータの取得を開始します。
	次に、これらの計算列を追加する必要があります。 したがって、PLSプラットフォームでは、保存されたスコアを使用することを忘れないでください... Xスコア式として保存するオプション。
	それらを再作成するには、データテーブル内のすべての列を選択し、そのスクリプトツールアドインで再度追加された列のコピースクリプト関数を使用するだけです。
	列スクリプトをコピーしたら、作成したこの新しいスクリプトに戻り、新しい列数式の束を貼り付けて、それらの列をすべて再作成します。
	最後に、モデル駆動型多変量制御
	チャートには???スクリプトをクリップボードに保存し、それを同じスクリプトウィンドウに貼り付けることができる他のほとんどのプラットフォーム。
	さて、それが新しい日であり、すべてが閉じられていると想像し、プロセスがどのように行われているかを確認したい場合は、これと同じスクリプトを実行します。 私はそれを始めることができることに注意してください
	スクリプトを開いたときに自動的に実行するための特定のスラッシュスラッシュと感嘆符。
	runを押すと、元のテーブルとまったく同じように見えるデータテーブルが開きます。 すべて同じ列があります。
	これらの計算列が追加されたので、これらのスコアとすべての予測を入力し、モデル駆動型多変量管理図プラットフォームも開きました。
	ここで、DModXのこの最近の値は実際にはかなり高いことがわかります。したがって、最新のデータには、この場合は品質3の異常な値がいくつかあります。
	繰り返しになりますが、品質3は、他のパラメーターに基づくと、期待値に達していないように見えます。 この特定のケースでは、それは次のことを意味するかもしれません、
	品質3は入力パラメータであり、品質1、2、3は関連していることが多いため、品質3はラボのサンプルとして不適切であるか、これまで使用したことのない新しい材料である可能性があります。
	最後に、このモデルを継続的に実行する1つの方法について説明しましょう。 したがって、これはオンデマンドで再作成されました。
	これを実行するためにJSLスクリプトを作成しましたが、有益な場合もあります。
	または...または、これらの結果をPIヒストリアンに書き戻して、次のユーザーが使用できるようにすることが有益であることがわかりました。
	私たちの施設のオペレーター。 ですから、ここ数分で、モデルエンジンアドインと呼ばれるそのアドインを紹介したいと思います。
	オンラインでモデルをすばやくスコアリングします。 これはアドバイスのみに使用する必要があることに注意してください。 重要な情報を提供したり、閉ループ制御を行ったりする方法は受け入れられません。
	そのためには、数式デポから数式をエクスポートし、他のソフトウェアパッケージを使用してそれらをスコアリングすることを検討してください。
	前述のように、このモデルで利用可能な予測と情報の一部
	それが起こっている瞬間に最も価値があります。 ですから、昨日の問題の原因を知ることは素晴らしいことですが、今何が起こっているのかを知ることは素晴らしいことです
	これは、現在のモデルの結果を使用して意思決定を行うことを意味し、問題が大きくなる前にいくつかの問題を修正できるようにします。
	もちろん、モデルをスコアリングする方法はたくさんありますが、JMPスクリプト言語、JSL、
	は、既存の視覚化ツールとトレンドツールの既存のスイートを使用して、製造施設のオペレーターの前で予測と異常情報を取得する方法を提供します。
	モデルエンジンのペア、またはタスクスケジューラを開始した特定のアドインを備えたJMPを実行しているコンピュータは、特定のディレクトリに格納されているすべてのモデルを定期的に実行するように設定されています。
	すべての構成は、スコアリングされるモデルごとに1つのエンジン構成ファイルと1つのモデル構成ファイルの2種類の構成ファイルを介して行われます。
	そのモデル構成ファイルから始めましょう。 PIツールアドインがソース情報をデータテーブルに保存する方法を覚えていますか？
	これで、同じ情報を使用してモデル構成ファイルにデータを入力できます。これにより、値の計算に必要なすべてのモデル入力を含む単一行のテーブルをダウンロードする方法がモデルエンジンに指示されます。
	後で、スクリプトツールアドインはスクリプトをすばやく保存して、PLSやその他のプラットフォームから保存された列を再作成します。
	モデルバージョン管理図プラットフォームから保存できるT二乗およびDModXの寄与が含まれる可能性があります。 これらの新しい列スクリプトは、モデル構成ファイルまたは同じディレクトリ内の別のファイルにも保存されます。
	最後に、エンジン構成ファイルは、PIツールが使用されるデータソースとエンジンが通信する方法を定義します。
	アドイン... PIツールアドインがOLDBを使用する場所
	SQLクエリを使用してデータを取得すると、モデルエンジンはPI Web APIを使用して、データを直接PIに読み書きします。
	エンジン構成ファイルで一連の関数を定義することにより、このエンジンは他の多くのデータソースとも通信できます。
	ハートビートタグのセットが定義されていることに注意してください。これにより、データソースや他のモデルエンジンがこのエンジンのステータスを知ることができます。
	各モデルには独自のハートビートタグのセットもあるため、一方のマシンが特定のモデルのスコアリングを停止すると、もう一方のエンジンが自動的に引き継ぎます。
	このモデルエンジンのアイデアは、重要なアプリケーションでの使用を目的としたものではありませんが、展開と探索的分析からオンライン予測または品質管理ソリューションに非常に迅速に移行できることがわかりました。
	それでは、ご参加ありがとうございました。 現在使用している各アドインとジャーナルの詳細については、JMPコミュニティを参照してください。
Janice LeBeau、JMP	素晴らしい仕事素晴らしい。

起こるデータアクセスと操作統計とモデリングRe：多変量モデルの最適化：データ収集から最適条件およびスコアリングモデルまで（2021-US-45MP-927）

本当に印象的な作品です！

Re：多変量モデルの最適化：データ収集から最適条件およびスコアリングモデルまで（2021-US-45MP-927）

素晴らしい話と素晴らしい仕事、これらのテクニックが提供できるすべてを紹介し、観察された変数の「ビルディングブロック」として主成分の創造的な使用を共有してくれてありがとう。

これをさまざまなプラントに適用したので、PCAが同時測定ではなく、処理時間や通過時間などを考慮した遅延測定で実行するのが最適な状況を考え出しましたか？ もしそうなら、あなたはそれをどのように扱ってきましたか？ ありがとう！

Re：多変量モデルの最適化：データ収集から最適条件およびスコアリングモデルまで（2021-US-45MP-927）

@ih ：Issacの話をありがとう。 すごく楽しかったです！
私は実際に追加する別の質問があります：
オペレーターが最終的に画面に表示するものの写真を共有できますか？

UCLでT2またはDmodxを直接表示していますか？ 次に、オペレーターは、最大の貢献率を示すドリルダウンに基づいて行動していますか？

ありがとう！
ベン