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 氏、ADM シニア分析エンジニア

 

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。 この相関関係により、外れ値を特定する機会が得られます。 ここでは、以下を含むワークフロー全体を示します。

 

• OSISoft ヒストリアンからデータを取得します。
• プロセスの制約を考慮した多変量モデルを使用したモデリングと最適化。
• MDMCC プラットフォームを使用します。
• オンラインでモデルにスコアを付け、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。 場合によっては、システムをテストできる独立変数のセットに還元できない場合があります。また、別の条件下ではプロセスが不安定になる場合もあります。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、システムのコストと品質を最適化しています。潜在的な変数空間の制約を考慮しながら、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正常からの逸脱を迅速に特定しました。

 

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 つは一般的な PI ヒストリアンからプロセス データを JMP に取り込み、1 つは計算列を迅速に再作成し、3 つ目はオンラインでモデルをスコアリングして結果をヒストリアンに送信します。 MDMCC からの貢献を含む。

 

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/OSISoft PI 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	成績証明書
アイザック・ヒマンガ	おはようございます。
ジャニス・ルボー、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	元気ですか、お元気ですか。
ジャニス・ルボー、JMP	わかりました、ありがとうございます。私はダンです。今日は私があなたのプレゼンテーションを作成する予定です。
アイザック・ヒマンガ	まさに素晴らしい。
ジャニス・ルボー、JMP	そして、アイザックさんの姿が見えません。
アイザック・ヒマンガ	はい、こちらで設定させていただいて申し訳ありません。
ジャニス・ルボー、JMP	さて、それでは、ただ今録音中であることをお知らせします。
	絶対カッコいい、前にも会ったことがあるような気がする。
アイザック・ヒマンガ	きっと、どこかにサミットがあるなら、そのどちらかがあるかもしれない。
ジャニス・ルボー、JMP	さて、今日はいかがお過ごしでしょうか。
アイザック・ヒマンガ	元気ですか、お元気ですか。
ジャニス・ルボー、JMP	よかったね、あなたの背景が大好きです。確かに美しい色ですね。
アイザック・ヒマンガ	ありがとう。
	良い。
ジャニス・ルボー、JMP	いくつかのことをお話ししますが、皆さんに再確認する必要があるだけです。
	発表者の名前、会社名と要約タイトル。
	はい、共同プレゼンターはいらっしゃいますか。よろしいですか。これを録画して Discovery Discovery Summit アーカイブに投稿することについてはよろしいでしょうか。
アイザック・ヒマンガ	絶対に、そしておそらく、私は自分のサイトにもプレイを記録に投稿するつもりでした。何かが起こった場合に備えて、コピーを用意しておきますので、それで大丈夫です。
ジャニス・ルボー、JMP	うーん、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	かなり頻繁にやるべきではないでしょうか。
ジャニス・ルボー、JMP	わかりました。あなたの背景は良好です。マイクの音も良好です。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いだけです。
アイザック・ヒマンガ	そうあるべきですが、いつになるかもう一度確認します。
ジャニス・ルボー、JMP	私はあなたの作品をこう呼んでいます。
	その後。
	Energy of Eight と 1920 by 10 Day、背景にペットを飼っていますか?
アイザック・ヒマンガ	それで。
ジャニス・ルボー、JMP	うちの猫もそうなのですが、音を出す可能性があるので、彼に紹介しました。
アイザック・ヒマンガ	まあ、理論上、今日家にいるのは私だけです。
ジャニス・ルボー、JMP	Skype やノイズを発生するその他のアプリケーションを終了しましたか。
アイザック・ヒマンガ	アクセスしてこれをオフにしてください、はい。
	わかった。
アイザック・ヒマンガ	そう、それで、あなたと私がオンにするべき唯一のことは、実際にここから始めるときはあなたの音量をかなり下げるつもりです、何かが起こった場合に備えて、私はあなたに会うことはできますが、それはただのことですああ、他に何か騒音があったら静かにしてください。
ジャニス・ルボー、JMP	さて、私がやろうとしているのは。
	ここでさらにいくつかのヒントを提供します。自分自身をミュートしてビデオを非表示にし、プレゼンテーション用に画面を共有できます。
	そして、自分をミュートする前に、「54321」を実行してから、数秒待ってから自己紹介をしてください。
	録音を開始して、プレゼンテーションを開始できます。その後、今日のプレゼンテーションはこれで終わりです、言いたいことは何でも楽しんでいただければ幸いです、そうしたら録音を停止します。
	それはいいです。最初の段階で私たちが夢中になっていて、あなたが満足していない場合でも、私たちはそれを止めてやり直すことができることを知っているので、私はそのすべてにまったく問題ありません。
アイザック・ヒマンガ	さて、問題にならないことを願っていますが、どのくらい 35 分に近づけたいですか。練習したとき、34 分と 36 分の間で迷っていたのですが、35 分で読みたいですか、それとも。
ジャニス・ルボー、JMP	大丈夫ですよ、つまり、やるべきことは何でもやるだけです。ある人は、30 ～ 40 分かかると言われたら、20 分だったはずです。
アイザック・ヒマンガ	そう、どこかで、彼らがそこに範囲を与えていたかもしれないことを覚えています。
ジャニス・ルボー、JMP	それはいいです、心配しないでください。
アイザック・ヒマンガ	わかりました、完璧な取引です。
ジャニス・ルボー、JMP	さて、クラウドで録音します。
	それはわかります。
	ああ、とても美味しそうです。
アイザック・ヒマンガ	完璧。
ジャニス・ルボー、JMP	そうそう。
	それで、私のビデオの準備はできていますか？
アイザック・ヒマンガ	どうですか、タイマーがないので、カメラがそこにいる私にタイマーを設定するので、私はそうすることができます
ジャニス・ルボー、JMP	つまり、やりたいことは何でもやってください、これが始まるからです。
	つまり、正直に言うと、35 だと思って 32 に行っても、少し超えても問題ありません。
	わかった。
アイザック・ヒマンガ	それで、ここですべてを手に入れました。
	よし。
ジャニス・ルボー、JMP	分かった、いいよ、私がやるから気分はいいよ。
	54321して自分もミュートします。
	そして、あなたがそこでフリーズするのを見てみましょう、それでは、準備はできています。
アイザック・ヒマンガ	よし。
ジャニス・ルボー、JMP	私は、によって、と思います
アイザック・ヒマンガ	ADM で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使用するワークフローをデモンストレーションします。
	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て、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、各ステップの詳細について説明する代わりに、一般的に使用されるいくつかの機能のみを取り上げ、代わりにワークフロー全体を示します。
	ほとんどの詳細な分析には 45 分以上かかります。
	そのため、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。これには、ここで簡単に説明する手順のスクリーンショットを含むジャーナルも含まれます。
	まず、ADM と一般的なワークフローの簡単な概要から始めます。
	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。 データの取得とクリーンアップがどのようなものかを確認し、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、自然の力を解き放って生活の質を豊かにすることです。
	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、
	もっと。 そして、世界の食品チェーンのあらゆる部分にわたる比類のない一連の機能により、当社はお客様に現在および将来の世界的な課題を解決する際の優位性を提供します。
	それらの機能の 1 つは、これから説明する方法を含め、データ分析を使用して製造プロセスを改善することです。
	私は比較的新しい集中的改善および分析センター オブ エクセレンスの一員です。
	そして、成長を続ける当社のチームは、世界中の 800 か所の施設、300 か所の食品および飼料加工拠点、および当社の残りの企業が当社のデータを使用してより適切な意思決定を行えるよう、このような技術に投資しています。
	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考えられるいくつかのことは省略します。
	データの視覚化、検証の使用、変数の削減、他のモデルとの結果の裏付け、ラボとプロセスのデータの調整などです。
	データを取得し、モデルを構築し、JMP でオンデマンドでそのモデルをスコアリングし、その後モデルを継続的にスコアリングします。
	JMP には、一連のデータベース接続、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など、各ステップをサポートするツールがあります。
	まずは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あるにもかかわらず、プロセス ヒストリアンからデータを迅速に取得する方法が必要でした。
	PI と呼ばれる人気の製品で、クエリを作成したりテーブル構造をナビゲートしたりする必要はありません。 カスタム アドインは、ほとんどのデータ セットに対する答えでした。 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 つは一般にスクリプト ツールと呼ばれるもので、計算列を再作成する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、分析をすぐに再作成し、オンデマンドでスコアを付けることができます。
	JMP Model Engine と呼ばれる最新のアドインも最新です。 構成ファイルと、PItool のアドインからデータ テーブルに保存された情報を使用してデータを取得します。
	これは、列式またはその他の JSL スクリプトを使用して計算を実行し、結果をヒストリアンに書き込みます。
	時間の都合上、この最後のステップを手早く進めていきますが、再度、JMP コミュニティの詳細については、次のリンクを使用して検索することをお勧めします。
	このプレゼンテーションのスライドに進みます。
	これらのアドインはそれぞれオーバーホールされ、機密情報が削除されましたが、コミュニティに投稿されているものと同じコードにユーザーを移行しています。 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 でお気軽に協力してください。
	それでは、JMP を開いてみましょう。
	バックグラウンドでは、ADM...または JMP PItool のアドインは、SQL DAS、OLEDB、ODBC などのいくつかの異なる PIproduct を使用してデータを取得します。 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 日の正午から一連の PItag のデータを取得し、その後、今日まで毎日正午に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。それらはこのセクションにリストされています...
	この箱の中に。 実際には、フレンドリ タグと呼ばれるもの、または PIhistorian 内の単なる名前よりもわかりやすい名前が含まれていることに注目してください。これは、後でデータ テーブル内でそれらの列を識別するのに役立ちます。 周りには小さな疑問符がたくさんあります
	...今日使用するこのフレンドリーなタグ形式の説明など、詳細情報を提供するアドインの周り。
	[クエリの実行] をクリックすると、次のようなデータ テーブルが開きます。 データテーブル内のすべての数値を表す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 に文字が保存されている場合は、それらの文字を取得します。 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、そのデータ ポイントを取得するために使用された情報 (PItag など) が表示されます。
	通話の種類と間隔。 平均や最大値など、より複雑なクエリについては、ここで詳細を確認します。
	これは再スケールされ、列名が変更された実際のデータであることに注意してください。しかし、今日説明する分析は、当社の施設の 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 ソースというデータ テーブルに保存されているスクリプトがあることを指摘します。これは、アドインで実際に表示されるスクリプトと同じです。
	ここでも利用できる SQL が含まれています。 繰り返しになりますが、これは舞台裏で使用されます
	PI から情報を取得するための SQL DAS または PI DAS。これが、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。 今日の講演の終わり近くに戻ってこれをもう一度使用する予定です。
	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。 今日はこれを行うために多変量ツール、特に主成分分析を使用します。 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 列リストに入れます。
	すぐに、コンポーネント 1 のスコアが特に低い値を持ついくつかの値が確認できます。かなりの数の値があります。 それらの負荷を見ると、
	さまざまな要因を考慮すると、このデータ セット内のすべてのさまざまなフローに対して、コンポーネント 1 に高い負荷が含まれていることがわかります。
	つまり、左側のこれらすべての値は、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活用すると、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、先に進み、これらの値をすべて非表示にして除外します。
	それが完了したら、主成分分析を再計算するので、[やり直し] を使用して分析をやり直し、古い分析を閉じます。
	そして今、ローディングがおそらくもう少し意味のあるもので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ますが、ここには少し分離があります。
	最初の 3 つのコンポーネントで変動の大部分が説明されるため、このデータ セット内の他の外れ値を探すときにこれら 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 に変更します。
	そして、T 二乗プロットの両方が表示され、正規化された DModX プロットも開くことができます。
	1 つ以上のスコアの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確認するには
	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、予期しない値または予想範囲外の値を持つ列または単一のセル。
	現時点では、管理上限を超える T 二乗値と DModX 値をすべて除外することで、このデータ セットを簡単に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よく行われるもう 1 つのことは、列の変換です。ここでは、列の変換を行うスクリプト ツール アドインの機能を紹介したいと思います。
	応用しようとしても少し大変ですし、
	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、カスタム変換オプションに移動すると、このオプションもスクリプト ツール アドインの一部として読み込まれます。
	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含む 3 つの列がデータ テーブルの最後に追加されます。
	私たちが行ったクリーニングは、PLS で直接行うこともできたかもしれないことに注意してください。 ただし、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、実際にモデルを構築する必要があります
	それを予測してみます…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 つの簡単なメモかもしれません。ここにはフロー ターゲットがあります。
	今日の目標は、フロー 1 をできるだけ少なくし、いくつかの要素も取り入れて、このターゲット フローの一定量を作成することです。
	これらの品質パラメータにはいくつかの制約が考慮されます。 主に関心があるのはフロー 1 であるため、部分最小二乗モデルに切り替えて、そのフロー、つまり y のターゲット フロー、および X 因子として他のすべての変数を使用します。
	現時点ではすべてのデフォルトを受け入れ、少し先に進んで、すぐに 4 つの係数を使用します。
	これら 4 つの要素を開くと、
	最初の 2 つはわかります
	を表します
	プラントがプロセスを実行する速度を調整するために、通常は順序に従って変更する変数。 したがって、多かれ少なかれこの目標フローを達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要素 1 を変更することがよくあります。
	一方、要素 2 は主にこれらの品質パラメータに関係しており、これらは実際には制御できない入力品質パラメータです。
	したがって、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、因子 3 と因子 4 は比較的…比較的少量の変動を説明したとしても、
	これらは、私たちが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構築しました。
	その情報を使用するには、それらの列の一部を保存するか、そこからの予測をデータセット内の新しい列に保存する必要があります。
	これは、ほんの数分後に予測プロファイラーで使用する予定です。
	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いてみると、なぜそれが重要になるのかがわかると思います。
	そこで、X 予測と T スクエアの 3 つの予測をすべてデータ テーブルに保存しました。 これらは、X スコアの関数として下部にある新しい列である必要があります。
	また、PLS プラットフォーム内の距離と T 二乗プロットを簡単に確認すると、かなり高い DModX または T 二乗を持つ変数がいくつかありますが、極端すぎるものはないことがわかります。
	これらのスコアは多くの場合保存されるか、常に変数名で保存されますが、保存する量が増えたり、モデルを複数回反復したりすると、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、列名の変更と呼ばれる別の機能が含まれています。
	これにより、PLS のサンプル クエリを選択できるようになります。 ここにはかなり複雑な正規表現パターンがあります。
	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に見える名前の標準セットが出力されることに注意してください。
	この場合、実際に特定のプレフィックスをコピーし、これが品質管理のためにオンラインに公開するモデルであり、そのモデルのリビジョン 1 であることを示すすべての列の前に置きます。
	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たことがわかります。
	そこで、この変動を説明するモデルを構築しました。
	これらの列ですが、私たちが行っていないのは、フロー 1 をできるだけ少なくして、ターゲット フローの一定量のフローを生成する方法を見つけるという当初の目標です。 これを行うには、プロファイラーを使用します。 プロフィールを開いたときに注目してください。
	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 二乗をこの予測式セクションに追加できます。
	そして、それが開くと、X 軸を横切って、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。
	これらのスコアの 1 つを移動すると、これらの観測変数がすべて自動的に一緒に移動することがわかります。
	それらの各コンポーネントの負荷の比率で。 非常に重要なことですが、これらのフロー 3 と 4 を見てください。 どちらのスコアに進んでも、
	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 つ目は流量計です。
	は同じライン上の 2 番目の流量計ですが、それにもかかわらず、プラントが一方を同じ方向に動かさずにもう一方を動かすことが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。
	それを行う前に、何を最適化しようとしているのかを JMP に伝える必要があります。 達成しようとしている特定の流量と、達成しようとしている特定の品質パラメータがあると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を気にしないことを伝えることから始めます。 そこで、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。
	その後、戻って応答制限を調整します。 関心のある列をよりわかりやすく説明できます。 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 と一致するように指定します。
	同様に、品質 1 についても、次の値を達成したいと考えています。
	20.15。
	フローの場合は、その値を最小限に抑えたいと考えています。
	そして最後に、私たちがたどり着いたソリューションがシステムの通常の動作範囲に近いものであることを確認する必要があるため、PLS を構築した領域の外に推定したくありません。
	これを行うには、この T 二乗列を使用し、T 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します。 ここでは、管理上限が 9.32 であることがわかります。したがって、ここではそれを最小値として使用します。
	ここでプロファイラーで確認すべきことは、9.32 未満のすべての値が同様に許容可能であり、9.32 を超えると、その値はますます望ましくなくなるということです。
	グラフ メニューでプロファイラーをもう一度開き、すべての予測と T 二乗式をもう一度取得して、Y 予測式に代入します。
	また、引き続き X スコアが下部に表示されますが、右側にはこれらの満足度関数も表示されます。
	そして再び、T 二乗に対する好感度関数は 9.32 を超えると低下し始めます。 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について目標を達成しました。
	これらをすべて定義したので、次に望ましさを最大化することができます。
	そして、これらのスコアのそれぞれの値を見つけようとします。つまり、データセット内のすべての観測変数の値が検索されます。
	この目標フローを達成し、以前に定義したこれらの目標を達成します。
	ほぼ完全な目標に達していることに注目してください。 20.15を達成しました
	そしてそれは私たちが与えたT二乗境界内でした。 おそらく JMP は、この好感度のわずかな低下はフローを減らすことよりも重要ではないと考えたので、この好感度関数でコントロールをクリックして重要度を 10 に変更するだけで問題を修正できます。
	これを再度最適化すると、フロー目標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この表の下部に保存して、前後を比較できるようにします。 そして、次に進み、望ましさを最大化します。
	どうやら終わったようですが、まだ T 2 乗の範囲内にいます。
	私たちが尋ねた20.15を達成しており、確かに140にはるかに近づいています。 これで、これらの係数設定をデータ テーブルに再度保存できるようになりました。
	そして、製造施設に「推奨するパラメータはこれです」と言える要素が得られるはずです。
	このような多変量解析を使用する利点は、フロー 3 と 4 が関連していることについて以前に説明したとおりです。
	この方法を使用すると、プラントが実際に動作できる適切な値を与えることができるはずです。
	フロー 3 には高い値を、フロー 4 には低い値を実行するように指示すると、彼らはあなたを見て、そんなことは不可能だと言うかもしれません。
	これらはもっと合理的であるべきです。 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。 そのうちのいくつかは、
	あるいは、単に他の変数に関連している可能性もあります。 理論的には、プラントが制御できるすべてのものを変更すると、他のものは適切な位置に収まるはずです。
	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かどうかを確認または検証することです。 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にスコアを付け、プロセスが期待どおりに動作しているかどうかを理解するとよいでしょう。
	これを行うには、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の予測スコアを使用します。
	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、すべてのチャートで実際の日付を確認し、X スコアをプロセスに追加します。
	残念ながら、これらのチャートではレンジが常に正しく機能するとは限りません。そのため、少し拡大してみると、高い T 二乗を示した期間があり、その高い T 二乗は主にフローの結果であることがわかります。 2、3、4、1、つまりすべてがその中に流れます。
	は、この T 二乗に大きく寄与しています。 それをクリックしてそれらのバーの 1 つにマウスを置き、その点をもう一度クリックすると、その個別の値の管理図が表示されます...個別
	チャート上で選択したポイントが強調表示された変数。
	ただし、これを非表示にします。T 2 乗だけを見るだけではありません。 もう一度、
	これは常に正しく機能するとは限りません。
	そこでズームインしてみます
	DModX値を再度示します。
	したがって、DModX は、他の行やその行の他のデータに基づいて予想される値と比較して、個々の列の値が高いか低いポイントを示します。
	ここで、この点は主にフロー 5 による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可能性がある場合や、長期間または一定期間にわたって異常な動作をしてい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便利であると感じています。 . . . .
	これは、プロセスが正常に動作しているかどうかを確認するために、たとえば毎朝、または定期的に確認する必要があるかもしれないグラフです。
	ここを開いて確認したいのですが、プロセスを制御下に戻すために今すぐ調整すべき点はありますか?
	そのために、PI データの取得から MDMCC プラットフォームを開くまでの分析全体を再作成し、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たいと考えています。
	そのために、3 つのステップからなる JSL スクリプトを作成します。 PI からデータを取得し、計算列を追加して、多変量管理図プラットフォームにあるモデルを開きます。
	PIからデータを取得しています。 元のデータテーブルに戻ると、
	PI ツール アドインの実行後に開かれたテーブルには、この PI データ ソース スクリプトが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。
	1 つだけ変更を加えます。 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覚えておいてください...X スコア式として保存するオプション。
	こ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、スクリプト ツール アドインに再度追加された列コピー 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、一連の新しい列式を貼り付けて、それらの列すべてを再作成します。
	最後に、モデル駆動多変量制御
	チャートに???があります他のほとんどのプラットフォームでは、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ます。
	さて、新しい日が始まり、すべてが終了し、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、同じスクリプトを実行するだけです。 次のように開始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には、特定のスラッシュと感嘆符を入力します。
	「実行」をクリックすると、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ましょう。また、モデル駆動型の多変量管理図プラットフォームもオープンしました。
	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。そのため、最新のデータには、この場合は品質 3 に関して異常な値がいくつか含まれています。
	繰り返しになりますが、他のパラメータに基づくと、品質 3 は期待値ではないようです。 この特定のケースでは、次のことを意味します。
	品質 3 は入力パラメータであり、品質 1、2、および 3 は関連していることが多いため、品質 3 が不良なラボサンプルであることを意味する可能性や、これまでに扱ったことのない新しい材料であることを意味する可能性があります。
	さて、最後に、このモデルを継続的に実行する 1 つの方法について話しましょう。 これは要求に応じて再作成されたもので、
	これを実行するための JSL スクリプトを作成しましたが、場合によっては有益です
	…または、これらの結果を PI ヒストリアンに書き戻して、PI ヒストリアン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。 ここ数分で、モデル エンジン アドインと呼ばれるアドインを紹介したいと思います。
	これにより、オンラインでモデルにすばやくスコアが付けられます。 これはアドバイスとしてのみ使用する必要があることに注意してください。 これは、重要な情報を提供したり、閉ループ制御を行う場合には受け入れられる方法ではありません。
	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スコアを付けることを検討してください。
	前述したように、このモデルで利用可能な予測と情報の一部は、
	has most は、それが起こっている時点で最も価値があります。 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重要です
	これは、現在のモデルの結果に基づいて意思決定を行うことを意味し、一部の問題が大きな問題になる前に修正できるようになります。
	もちろん、モデルにスコアを付ける方法はたくさんありますが、JMP スクリプト言語、JSL のパワーは、
	は、製造施設のオペレーターが使い慣れている既存の一連の視覚化ツールやトレンド ツールを使用して、オペレーターの前で予測や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、つまりタスク スケジューラを開始した特定のアドインを備えた JMP を実行するコンピュータは、特定のディレクトリに保存されているすべてのモデルを定期的に実行するようにセットアップされます。
	すべての構成は、2 種類の構成ファイル (単一のエンジン構成ファイルと、スコア付けされるモデルごとに 1 つのモデル構成ファイル) を介して行われます。
	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?
	同じ情報をモデル構成ファイルに入力するために使用できるようになりました。これにより、値を計算する必要があるすべてのモデル入力を含む 1 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。
	その後、スクリプト ツール アドインによってスクリプトがすぐに保存され、PLS やその他のプラットフォームから保存された列が再作成されます。
	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も、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保存されます。
	最後に、エンジン構成ファイルは、エンジンが PI ツールが接続されるデータ ソースと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 を使用する場合
	データを取得するための SQL クエリの場合、モデル エンジンは PI Web API を使用して、PI に対して直接データを読み書きします。
	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。
	一連のハートビート タグが定義されていることに注目してください。これにより、データ ソースおよび他のモデル エンジンがこのエンジンのステータスを認識できるようになります。
	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、1 つ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 1 つのエンジンが自動的に引き継ぎます。
	繰り返しますが、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に使用することを目的としたものではありませんが、これにより、展開や探索的分析からオンライン予測や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。
	ということで、ご参加いただきました皆様、誠にありがとうございました。 私が現在使用している各アドインとジャーナルに関する詳細情報は、JMP コミュニティで入手できることに注意してください。
ジャニス・ルボー、JMP	素晴らしい仕事素晴らしい。

起こるデータの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)

本当に感動的な作品です！

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 さん、講演をありがとうございました。とても楽しかったです!
実はもう一つ質問があります。
オペレーターが最終的に画面に表示する内容の写真を共有していただけますか?

UCL で T2 または Dmodx を直接表示していますか? オペレーターは、最大の寄与率を示すドリルダウンを実行していますか?

ありがとう！
ベン

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)

素晴らしい講演と素晴らしい仕事でした。これらの技術が提供できるすべてのものを紹介し、観察された変数の「構成要素」としての主成分の創造的な使用を共有していただき、ありがとうございました。

これをさまざまな植物に適用したので、処理時間や輸送時間などを考慮して、同時測定ではなく遅延測定で PCA を実行するのが最適な状況に遭遇したことがありますか? もしそうなら、どのように対処したか教えてください。ありがとうございます!