398760_ko-KR

liliconcom

다변수 모델 최적화: 데이터 수집에서 최적 조건 및 스코어링 모델까지(2021-US-45MP-927)

레벨: 중급

 

Isaac Himanga, ADM 수석 분석 엔지니어

 

제조 프로세스는 최적화하기 어려운 상관관계가 높은 시스템입니다. 이 상관 관계는 이상값을 식별할 수 있는 기회를 제공합니다. 여기에서는 다음을 포함하는 전체 워크플로를 보여줍니다.

 

• OSISoft 히스토리언에서 데이터를 가져옵니다.
• 프로세스 제약 조건을 설명하는 다변수 모델을 사용한 모델링 및 최적화.
• MDMCC 플랫폼 사용.
• 온라인으로 모델에 점수를 매기고 비정상적인 조건을 역사가에게 다시 작성합니다.

실제로 많은 프로세스를 최적화하기가 어렵습니다. 때로는 시스템을 테스트할 수 있는 독립 변수 집합으로 축소할 수 없습니다. 다른 경우에는 프로세스가 다른 조건에서 불안정해질 수 있습니다.이러한 문제를 해결하기 위해 JMP 16의 새로운 기능을 사용하여 비용과 품질을 최적화합니다. 숨어있는 에 대한 제약을 고려하면서 가변 공간 관찰 변수. 이러한 최적의 조건을 유지하기 위해 MDMCC 플랫폼을 사용하여 정상과의 편차를 신속하게 식별합니다.

 

추가 기능은 데이터 수집 및 모델 스코어링에 소요되는 시간을 최소화하는 데 사용됩니다. 하나는 인기 있는 PI 히스토리언에서 프로세스 데이터를 JMP로 가져오고, 하나는 계산된 열을 빠르게 다시 생성하고, 세 번째는 모델을 온라인으로 스코어링하고 결과를 히스토리언에게 보냅니다. MDMCC의 기부금 포함.

 

참조된 추가 기능은 JMP 커뮤니티에서 사용할 수 있습니다.

• Aveva/OSISoft PI 도구
• 스크립팅 도구

 

 

자동 생성된 대본...

 

스피커	성적 증명서
아이작 히만가	안녕 좋은 아침.
재니스 르보, JMP	안녕 이삭 잘 지내?
아이작 히만가	잘 지내, 어때?
재니스 르보, JMP	알겠습니다. 감사합니다. 저는 Dan이라고 합니다. 오늘은 프레젠테이션을 제작할 예정입니다.
아이작 히만가	맞아요.
재니스 르보, JMP	그리고 이삭을 볼 수 없습니다.
아이작 히만가	네, 여기에 설치하게 되어 죄송합니다.
재니스 르보, JMP	알겠습니다. 지금 녹화 중임을 알려드립니다.
	정말 멋져요. 우리가 전에 만난 적이 있는 것 같아요.
아이작 히만가	우리는 내가 확신하는 정상 회담 중 하나를 가질 수 있습니다.
재니스 르보, JMP	좋아, 오늘 잘 지내고 있어.
아이작 히만가	잘 지내, 어때?
재니스 르보, JMP	좋아 좋아, 나는 당신이 확실히 가졌던 아름다운 색의 배경을 좋아합니다.
아이작 히만가	감사합니다.
	좋은.
재니스 르보, JMP	몇 가지만 짚고 넘어가겠습니다.
	발표자 이름 회사 및 초록 제목.
	좋아요, 공동 발표자가 있습니까? 괜찮습니다. 우리가 이것을 녹음하여 발견 발견 정상 회담 아카이브에 게시하는 것은 괜찮습니다.
아이작 히만가	그냥 절대적으로 그리고 내 생각에 나는 내 사이트에 내 끝을 기록하기 위해 플레이를 게시할 예정이었습니다. 만일 어떤 일이 발생할 경우를 대비하여 우리가 그것을 복사할 수 있도록 하고 당신과 함께라면 괜찮습니다.
재니스 르보, JMP	음, 그것이 어떤 것의 품질에 영향을 미칠지 아니면 모르겠습니다.
아이작 히만가	꽤 자주해야하지 않겠습니까.
재니스 르보, JMP	알겠습니다. 배경이 좋아 보이니 마이크 소리도 괜찮습니다. 휴대폰과 컴퓨터 알림이 꺼져 있는지 다시 확인하고 싶었습니다.
아이작 히만가	이어야 하지만 언제인지 다시 확인하겠습니다.
재니스 르보, JMP	나는 당신의 작품을 호출합니다.
	그리고.
	8의 에너지와 1920년 10일, 배경에 애완동물이 있습니까?
아이작 히만가	그래서.
재니스 르보, JMP	내 고양이처럼 소리가 날 수 있으므로 그를 추천했습니다.
아이작 히만가	글쎄요, 이론상으로는 오늘 집에 나 혼자뿐입니다.
재니스 르보, JMP	Skype 또는 소음을 내는 다른 응용 프로그램을 닫으셨습니까?
아이작 히만가	내 턴에 액세스하는 것은 바로 그렇습니다.
	괜찮아.
아이작 히만가	네, 그래서 제 생각에는 당신과 제가 여기에서 시작할 때 실제로 당신의 볼륨을 줄여야 한다고 생각합니다. 무슨 일이 생길 때를 대비해서 당신을 볼 수는 있지만 그냥 다른 것이 시끄럽다면 오. 조용히 하세요.
재니스 르보, JMP	글쎄, 내가 할 일은.
	여기에서 몇 가지 지침을 더 드리겠습니다. 저는 음소거를 하고 프레젠테이션을 위해 화면을 공유할 수 있는 내 비디오를 숨길 것입니다.
	그리고 음소거를 하기 전에 54321을 사용하고 몇 초 후에 자신을 소개할 수 있습니다.
	녹음을 시작하고 프레젠테이션을 시작할 수 있습니다. 그런 다음 잘 말하면 오늘의 프레젠테이션을 마치겠습니다. 여러분이 하고 싶은 말을 모두 즐겼기를 바랍니다. 그러면 녹음을 중단하겠습니다.
	좋습니다. 우리가 시작하고 당신이 행복하지 않다면, 당신은 우리가 그것을 멈추고 다시 시작할 수 있다는 것을 알고 있습니다. 그래서 나는 그 모든 것에 완전히 멋집니다.
아이작 히만가	자, 이제 35분에 얼마나 가까운 시간을 원하는지 문제가 되지 않기를 바랍니다. 연습할 때 34분과 36분 사이에서 찢어졌다는 의미는 35분 또는 35분을 읽고 싶은 것입니다.
재니스 르보, JMP	당신은 괜찮다는 것을 알다시피 내 말은 당신이해야 할 일은 무엇이든하십시오. 한 사람이 20 분에서 30 분에서 40 분 길이라고 말하면 우리가 한 사람이라는 것을 압니다.
아이작 히만가	예, 어딘가에 35명이 거기에 범위를 지정했을 수도 있습니다.
재니스 르보, JMP	걱정하지 마세요.
아이작 히만가	좋아요, 좋은 거래 완벽합니다.
재니스 르보, JMP	좋아, 그래서 우리는 클라우드에서 녹음하고 있습니다.
	우리는 그것을 볼 수 있습니다.
	아, 보기만해도 맛있어보이네요.
아이작 히만가	완벽한.
재니스 르보, JMP	그래.
	그럼 제 영상 준비되셨나요?
아이작 히만가	타이머 카메라가 제 위에 타이머를 설정하지 않도록 하려면 30개를 할 수 있는지 봅시다.
재니스 르보, JMP	당신이 원하는 것은 무엇이든 하십시오, 왜냐하면 이것이 시작될 것이기 때문입니다.
	내 말은, 솔직히 말해서, 만약 당신이 그것이 35라고 생각하고 당신이 32로 간다면 그것은 당신이 조금 더 나아가면 괜찮습니다.
	괜찮아.
아이작 히만가	그래서 여기에서 모든 것을 얻었습니다.
	괜찮아.
재니스 르보, JMP	좋아, 내가 할 테니까 기분이 좋아.
	54321을 하고 음소거하겠습니다.
	그리고 당신이 거기에서 얼어 붙은 것을 봅시다. 자, 준비가되었습니다.
아이작 히만가	괜찮아.
재니스 르보, JMP	4321까지라고 생각합니다.
아이작 히만가	제 이름은 Isaac Himanga이고 다변수 모델을 사용하여 제조 프로세스를 최적화하기 위해 ADM에서 사용하는 워크플로를 시연할 것입니다.
	먼저 데이터를 가져와 모델을 구축하고, 현실적인 최적 조건을 찾고, 비정상적인 조건을 식별하고, 마지막으로 현재 데이터를 사용하여 모델에 점수를 매길 것입니다.
	여기에는 개별 플랫폼에 대한 다른 정보가 많이 있으므로 각 단계의 세부 사항을 논의하는 대신 일반적으로 사용되는 몇 가지 기능만 강조 표시하고 전체 워크플로를 보여 드리겠습니다.
	나는 대부분의 분석이 45분보다 조금 더 오래 걸린다고 말할 것입니다.
	따라서 여기에서 매우 빠르게 진행할 단계의 스크린샷이 있는 저널을 포함하여 더 자세한 내용과 정보를 보려면 JMP 커뮤니티의 이 강연 기사로 이동하십시오.
	ADM 및 일반 워크플로에 대한 간략한 개요부터 시작하겠습니다.
	그런 다음 이 프레젠테이션을 잠시 접어 JMP의 프로세스를 보여드리겠습니다. 데이터를 가져와 정리하고, 프로파일러를 사용하여 여러 조건을 찾고,
	모델 기반 다변수 제어 차트 플랫폼을 사용하고 해당 모델에 대해 새 데이터의 점수를 매기는 스크립트를 작성하고 마지막으로 이 프레젠테이션으로 돌아와서 JMP를 사용하여 해당 모델에 지속적으로 점수를 매기는 한 가지 방법을 간략하게 설명하겠습니다.
	먼저 ADM에 대해 조금.
	ADM의 목적은 삶의 질을 풍요롭게 하는 자연의 힘을 여는 것입니다.
	우리는 천연 제품을 식품 및 음료, 보충제, 애완 동물 및 가축을 위한 영양,
	그리고 더. 또한 글로벌 식품 사슬의 모든 부분에 걸쳐 비할 데 없는 다양한 기능을 통해 우리는 고객에게 현재와 미래의 글로벌 과제를 해결할 수 있는 우위를 제공합니다.
	이러한 기능 중 하나는 데이터 분석을 사용하여 제가 이야기하려는 방법을 포함하여 제조 프로세스를 개선하는 것입니다.
	저는 상대적으로 새롭게 초점을 맞춘 개선 및 분석 우수성 센터의 일원입니다.
	그리고 성장하는 우리 팀은 이와 같은 기술에 투자하여 800개 시설, 300개 식품 및 사료 가공 위치, 그리고 전 세계의 나머지 회사가 우리 데이터를 사용하여 더 나은 결정을 내릴 수 있도록 지원합니다.
	이제 워크플로에 대한 개요입니다.
	오늘 검토할 4단계는 전체 분석의 일부일 뿐입니다. 시간을 위해 모든 데이터 세트에 대해 중요하다고 생각하는 몇 가지 사항을 생략하겠습니다.
	데이터 시각화, 유효성 검사 사용, 변수 축소, 다른 모델과의 확인 결과 확인, 실험실 및 프로세스 데이터 정렬과 같은 작업이 포함됩니다.
	데이터를 얻고, 모델을 구축하고, JMP에서 요청 시 해당 모델에 점수를 매기고, 계속해서 모델에 점수를 매깁니다.
	JMP에는 데이터베이스 연결 배열, 부분 최소 제곱과 같은 다변량 모델링 모델링 도구, 주성분, 모델 기반 다변량 제어 차트 플랫폼, 물론 JMP 스크립팅 언어 또는 JSL을 포함하여 각 단계를 지원하는 도구가 있습니다.
	데이터를 가져오는 것부터 시작하겠습니다. 사용 가능한 많은 데이터베이스 연결 및 스크립팅 옵션에도 불구하고 프로세스 히스토리언에서 데이터를 빠르게 가져올 수 있는 방법이 필요했습니다.
	쿼리를 작성하거나 테이블 구조를 탐색하지 않고 PI라는 인기 제품. 사용자 지정 추가 기능은 대부분의 데이터 세트에 대한 해답이었습니다. 이 추가 기능은 비교적...최근에 JMP 커뮤니티에 게시되었습니다.
	두 가지 추가 기능이 이 프로세스를 지원합니다. 일반적으로 스크립팅 도구라고 하는 하나에는 계산된 열을 다시 생성하는 스크립트를 빠르게 가져오는 옵션이 포함되어 있습니다.
	대부분의 JMP 플랫폼에 내장된 기능에 대한 저장 스크립트와 결합될 때. JMP 사용자는 분석을 신속하게 재생성하고 필요에 따라 점수를 매길 수 있습니다.
	JMP 모델 엔진이라고 하는 마지막 추가 기능도 최신 버전입니다. PItool의 추가 기능에서 데이터 테이블에 저장된 구성 파일 및 정보를 사용하여 데이터를 가져옵니다.
	그러면 열 공식이나 다른 JSL 스크립트를 사용하여 계산을 수행한 다음 결과를 히스토리언에 다시 기록합니다.
	시간이 걸리므로 이 마지막 단계를 매우 빠르게 진행하겠습니다. 그러나 다시 한 번 JMP 커뮤니티의 링크를 사용하여 자세한 내용을 찾아보시기 바랍니다.
	이 프레젠테이션의 의제 슬라이드입니다.
	이러한 각 추가 기능은 민감한 정보를 제거하기 위해 정밀 검사를 받았지만 커뮤니티에 게시된 것과 동일한 코드로 사용자를 이동하고 있습니다. 따라서 아이디어와 개선 방법이 있는 경우 JMP 커뮤니티 또는 GitHub에서 자유롭게 협력하십시오.
	그것으로 JMP를 열어보자.
	ADM... 또는 JMP PItool의 추가 기능은 SQL DAS, OLEDB 및 ODBC를 포함하여 데이터를 가져오기 위해 몇 가지 다른 PI 제품을 사용합니다. 이를 설정하는 지침은 이 플랫폼의 도움말 메뉴에서 찾을 수 있습니다.
	오늘 우리는 5월 1일 정오부터 PItag 집합에 대한 데이터를 가져온 다음 오늘까지 매일 정오에 다른 값을 가져올 것입니다.
	우리는 특정 태그 세트에 대해 이 작업을 수행할 것입니다. 태그는 여기에 나열되어 있습니다...
	이 상자에. 나중에 데이터 테이블에서 해당 열을 식별하는 데 도움이 될 PIhistorian에 있는 이름보다 더 설명적인 이름 또는 친숙한 태그라는 것을 실제로 포함했습니다. 이 작은 물음표가 주위에 있습니다.
	...오늘 사용할 이 친숙한 태그 형식에 대한 설명을 포함하여 더 많은 정보를 제공하는 추가 기능 주변.
	쿼리 실행을 누르면 다음과 같은 데이터 테이블이 열립니다. 해당 데이터 테이블의 모든 숫자 값에 대한 열 집합이 있습니다.
	모든 문자열 값에 대한 열 집합이 있으므로 PItag에 저장된 문자가 있는 경우 해당 열을 가져옵니다. 또한 해당 PItag의 상태도 볼 수 있습니다.
	각 행에 대해.
	또한 해당 데이터 테이블의 열 속성에서 열 정보를 열면 PItag를 포함하여 해당 데이터 포인트를 가져오는 데 사용된 정보를 볼 수 있습니다.
	통화 유형 및 간격. 평균 또는 최대값과 같은 더 복잡한 쿼리의 경우 여기에서 더 많은 정보를 볼 수 있습니다.
	이것은 크기가 재조정되고 열 이름이 변경된 실제 데이터입니다. 그러나 오늘 우리가 보게 될 분석은 우리 시설 중 하나의 실제 데이터를 사용한 실제 분석과 모양과 느낌이 매우 유사해야 합니다.
	마지막으로 PI 데이터 원본이라는 데이터 테이블에 저장된 스크립트가 있다는 점을 지적하겠습니다. 이 스크립트는 추가 기능에 실제로 표시된 것과 동일한 스크립트입니다.
	여기에는 여기에서도 사용할 수 있는 SQL이 포함되어 있습니다. 다시 무대 뒤에서 이것은 사용합니다.
	PI에서 해당 정보를 얻기 위해 SQL DAS 또는 PI DAS를 사용합니다. 이 모든 것이... 해당 데이터를 가져오기 위해 실행할 모든 스크립트입니다. 우리는 오늘 이야기가 끝날 때 돌아와서 이것을 다시 사용할 것입니다.
	자, 이제 데이터를 얻었으므로 해당 데이터를 정리해야 합니다. 우리는 오늘 다변수 도구, 특히 주성분 분석을 사용하여 이를 수행할 것입니다. 해당 데이터 테이블에서 모든 숫자 값을 가져와서 y 열 목록에 넣은 다음
	즉시 구성 요소 1에 대해 특히 낮은 점수를 가진 값이 꽤 많이 있는 일부 값을 볼 수 있습니다. 그 부하들을 보면
	여러 요인을 고려하여 구성 요소 하나에 이 데이터 세트의 모든 다른 흐름에 대해 높은 부하가 포함되어 있음을 알 수 있습니다.
	여기 왼쪽에 있는 이 모든 값이 전체 시스템에 대해 전반적으로 높은 흐름을 가지고 있음을 알려줍니다. 일부 엔지니어링 지식을 사용하여 이것이 해당 프로세스의 가동 중지 시간을 나타낸다고 말할 수 있으므로 이 모든 값을 숨기고 제외하겠습니다.
	이제 이를 수행했으므로 주성분 분석을 다시 계산할 것이므로 다시 실행을 사용하고 분석을 다시 실행한 다음 이전 분석을 닫습니다.
	이제 로딩이 조금 더 의미가 있음을 알 수 있습니다. 예를 들어 주성분 3은 흐름 2의 대부분의 변동을 설명하며 여기에는 약간의 분리가 있습니다.
	처음 세 가지 구성 요소는 대부분의 변동을 설명하므로 이 데이터 세트에서 다른 이상값을 찾을 때 이 세 가지 구성 요소를 사용하겠습니다.
	이를 위해 이상치 분석을 열고 구성 요소 수를 3으로 변경합니다.
	그런 다음 T 제곱 플롯을 모두 볼 수 있으며 정규화된 DModX 플롯도 열 수 있습니다.
	하나 이상의 점수에 대해 극단값을 갖는 포인트 또는 단일
	해당 특정 역할에 대한 해당 데이터 세트의 다른 모든 열을 기반으로 예상치 못한 값이나 예상 범위를 벗어난 값이 있는 열 또는 단일 셀.
	지금은 관리 상한을 초과하는 T 제곱 및 DModX 값을 모두 제외하여 이 데이터 세트를 빠르게 정리할 것입니다.
	데이터 세트를 정리할 때 일반적으로 수행되는 또 하나의 작업은 열을 변환하는 것입니다.
	적용하려고 해도 조금
	새 공식 열 메뉴로 이동합니다. 세 개의 열 또는 원하는 수의 열을 선택하고 해당 스크립팅 도구 추가 기능의 일부로 다시 로드되는 사용자 지정 변환 옵션으로 이동하면
	Savitzkey-Golay 변환을 선택하고 확인을 누르면 해당 변환이 포함된 수식이 있는 데이터 테이블 끝에 세 개의 열이 추가됩니다.
	우리가 한 청소는 PLS에서 직접 수행할 수 있었습니다. 나는 종종 PCA를 먼저 사용합니다.
	자, 이제 데이터 세트를 정리했습니다. 실제로 모델을 빌드해야 합니다.
	우리의 공정 조건을 시도하고 예측하는 것입니다. 이 데이터 세트에 대한 또 다른 간단한 참고 사항은 여기에 흐름 대상이 있습니다.
	오늘, 우리의 목표는 가능한 한 적은 흐름을 사용하여 이 목표 흐름의 일정량을 만들고 일부 흐름을 취하는 것입니다.
	이러한 품질 매개변수에 대한 몇 가지 제약을 고려합니다. 따라서 흐름 1이 우리가 주로 관심을 갖는 것이므로 부분 최소 제곱 모델로 전환하고 해당 흐름...목표 흐름을 y에 사용하고 다른 모든 변수를 X 요인으로 사용할 것입니다.
	지금은 모든 기본값을 그대로 사용하고 조금 더 진행하여 즉시 네 가지 요소를 사용하겠습니다.
	이 네 가지 요소를 열면
	우리는 처음 두
	대표하다
	프로세스를 실행하는 속도를 조정하기 위해 공장에서 일반적으로 주문을 변경하는 변수. 따라서 이 목표 흐름을 더 많거나 적게 만들어야 하는 경우 해당 목표 속도를 달성하기 위해 요소 1을 변경하는 경우가 많습니다.
	반면에 요소 2는 주로 이러한 품질 매개변수와 관련이 있습니다. 이는 실제로 우리가 제어할 수 없는 입력 품질 매개변수입니다.
	그래서 우리가 바꿀 수 있는 것이 아닙니다. 따라서 요인 3과 4가 상대적으로 ... 상대적으로 적은 양의 변동을 설명하더라도
	우리의 목표 흐름과 그것들은 우리의 요인 1의 변동의 상대적으로 적은 양을 설명합니다. 그것들은 우리가 실제로 제어할 수 있는 것이므로 우리가 프로세스를 최적화하기 위해 사용할 수 있는 것입니다.
	이것을 사용하기 위해... 그래서 우리는 데이터의 변화를 설명하는 모델을 만들었습니다.
	해당 정보를 사용하려면 해당 열 중 일부를 저장하거나 데이터 세트의 새 열에 대한 예측을 저장해야 합니다.
	몇 분 안에 예측 프로파일러에서 사용할 것입니다.
	JMP 16에 추가된 몇 가지 새로운 기능을 사용하여 Y 및 X 변수 모두에 대한 예측을 X 점수 공식으로 저장할 수 있습니다. 그리고 프로파일러를 열면 이것이 왜 중요한지 설명하는 데 도움이 될 것이라고 생각합니다.
	그래서 우리는 세 가지 예측, X 예측 및 T 제곱을 모두 데이터 테이블에 다시 저장했습니다. 그것들은 이 X 점수의 기능으로 맨 아래에 있는 새 열이어야 합니다.
	또한 PLS 플랫폼 내에서 거리와 T 제곱 플롯을 간단히 살펴볼 수 있으며 DModX 또는 T 제곱이 상당히 높은 몇 가지 변수가 있지만 너무 극단적인 것은 없습니다.
	이러한 점수는 종종 저장되거나 항상 변수 이름으로 저장되므로 더 많이 저장하거나 모델을 여러 번 반복할 때 혼동될 수 있습니다. 따라서 스크립팅 도구에는 이름 바꾸기 열이라는 다른 기능이 포함되어 있습니다.
	그러면 PLS에 대한 예제 쿼리를 선택할 수 있습니다. 여기에는 꽤 복잡한 정규식 패턴이 있습니다.
	그러나 데이터 테이블 내에서 PLS, PCA 및 기타 플랫폼에 대해 동일하게 보일 표준 이름 세트를 출력한다는 점에 유의하십시오.
	따라서 이 경우 실제로 특정 접두사를 복사할 것입니다. 모든 열 앞에 이것이 품질 관리를 위해 온라인에 올릴 모델이고 해당 모델의 개정판임을 나타내는 열을 추가하겠습니다.
	이름을 변경하면 데이터 세트에서 이러한 모든 열의 이름이 자동으로 변경되었음을 알 수 있습니다.
	그래서 우리는 의 변화를 설명하는 모델을 만들었습니다.
	그러나 우리가 하지 않은 것은 가능한 한 적은 양의 흐름을 사용하여 목표 흐름의 특정 양의 흐름을 생성하는 방법을 알아내는 원래 목표입니다. 이를 위해 프로파일러를 사용할 것입니다. 프로파일러를 열 때 주의하십시오.
	이 예측 공식 섹션에 X 점수 자체가 아니라 예측 값과 T 제곱을 모두 추가할 수 있습니다.
	그런 다음 열리면 X축을 가로질러 모델의 모든 점수 또는 잠재 변수를 볼 수 있습니다.
	그리고 우리는 그 점수 중 하나를 이동하면 자동으로 관찰된 모든 변수를 함께 이동한다는 것을 알 수 있습니다.
	각 구성 요소의 부하 비율입니다. 따라서 중요한 것은 이 흐름 3과 4를 살펴보십시오. 이 흐름은 항상 함께 움직입니다. 우리가 어떤 점수를 이동하든 상관없이
	이 모델은 이 두 점수가 관련되어 있음을 이해합니다. 아마도 하나는 제어할 수 있는 유량계이고 두 번째는
	같은 라인에 있는 두 번째 유량계이지만, 그럼에도 불구하고 식물이 다른 하나를 같은 방향으로 움직이지 않고 하나를 움직일 수 있는 것처럼 보이지는 않습니다.
	따라서 목표는 프로세스를 최적화할 각 점수에 대한 값을 찾는 것입니다.
	그렇게 하기 전에 JMP에 최적화하려는 항목을 알려야 합니다. 우리는 도달하려고 하는 특정 유량과 도달하려고 하는 특정 품질 매개변수가 있다고 말할 필요가 있습니다.
	그래서 우리는 이러한 열의 대부분에 대한 값에 대해 신경 쓰지 않는다는 것을 말함으로써 시작할 것입니다. 저장한 모든 열을 선택하고
	우리는 속성을 표준화하고 이러한 다른 모든 열에 대해 응답 제한 없음을 추가할 것입니다.
	그런 다음 돌아가서 응답 제한을 조정하겠습니다. 우리가 관심을 갖고 있는 열에 대해 더 자세히 설명할 수 있습니다. 예를 들어 흐름 대상은 응답 제한으로 돌아가 해당 열에 대해 값 140을 일치시키겠다고 표시합니다.
	마찬가지로 품질 1의 가치를 달성하고자 합니다.
	20.15.
	흐름 1의 경우 해당 값을 최소화하려고 합니다.
	마지막으로, 우리는 솔루션이 시스템의 정상 작동 범위에 가까워지도록 해야 하므로 해당 PLS를 구축한 영역 외부로 추정하고 싶지 않습니다.
	그렇게 하기 위해 이 T 제곱 열을 사용하고 T 제곱을 최소화하려는 것을 나타낼 것입니다.
	PLS 플랫폼에 표시된 관리 상한보다 낮도록 합니다. 여기에서 제어 상한이 9.32임을 알 수 있으므로 여기에서 최소값으로 사용합니다.
	이제 프로파일러에서 볼 수 있는 것은 9.32 미만의 모든 값이 동등하게 수용 가능하며 9.32를 초과함에 따라 점점 덜 바람직하다는 것입니다.
	그래프 메뉴에서 프로파일러를 다시 한 번 열고 다시 한 번 모든 예측과 T 제곱 공식을 가져와 Y 예측 공식에 넣습니다.
	그리고 여전히 아래쪽에 X 점수가 표시되지만 이제 오른쪽에 이러한 바람직함 함수도 표시됩니다.
	그리고 다시 한 번 T 제곱에 대한 만족도 함수는 9.32 이상으로 떨어지기 시작합니다. 만족도는 흐름 1의 낮은 값에서 가장 높으며 목표 흐름과 품질 매개변수 모두에 대한 목표가 있습니다.
	이 모든 것을 정의했으므로 이제 만족도를 최대화할 수 있습니다.
	그리고 그것은 각각의 점수에 대한 값을 찾으려고 할 것입니다. 따라서 데이터 세트에서 관찰된 모든 변수에 대한 값은
	이 목표 흐름을 달성하고 앞에서 정의한 목표를 달성하십시오.
	전체 목표에 거의 도달했지만 약간 낮은 것처럼 보입니다. 그것은 우리의 20.15를 달성했습니다
	그리고 우리가 그것을 준 것은 T 제곱 범위 내에 있었습니다. JMP는 바람직함의 작은 감소가 흐름을 줄이는 것보다 덜 중요하다고 생각했기 때문에 이 바람직함 기능에서 클릭을 제어하고 중요도를 10으로 변경하여 문제를 해결할 수 있습니다.
	이제 이것을 다시 최적화하면 흐름 목표에 조금 더 가까워져야 합니다. 하지만 그렇게 하기 전에 이 요소 설정을 맨 아래에 있는 이 표에 저장하여 전후를 비교할 수 있도록 하겠습니다. 그리고 나서 우리는 계속해서 바람직함을 극대화할 것입니다.
	완료된 것 같으며 여전히 T 제곱 범위 내에 있습니다.
	우리가 요청한 20.15를 달성했으며 확실히 140에 훨씬 가깝습니다. 이제 이러한 요소 설정을 다시 데이터 테이블에 저장할 수 있습니다.
	이제 제조 시설에 되돌려 줄 수 있는 요소가 있어야 합니다. 여기 우리가 권장하는 매개변수가 있습니다.
	이와 같은 다변량 분석을 사용하면 얻을 수 있는 이점은 앞서 설명한 흐름 3과 4가 관련되어 있다는 것입니다.
	이 방법을 사용하여 플랜트가 실제로 실행할 수 있는 합리적인 값을 제공할 수 있어야 합니다.
	3에 대해 높은 값을 실행하고 4에 대해 낮은 값을 실행하라고 말하면, 그들은 당신을 보고 그것이 불가능하다고 잘 말할 수 있습니다.
	이것들은 훨씬 더 합리적이어야 합니다. 이러한 변수가 모두 공장에서 제어할 수 있는 독립 변수일 필요는 없습니다. 그 중 일부는
	또는 다른 변수와 관련이 있을 수 있습니다. 이론적으로 식물이 통제할 수 있는 모든 것을 변경하면 다른 것들은 제자리에 있어야 합니다.
	이제 이 모델을 최적화했습니다. 다음 단계는 종종 정상적으로 실행되고 있는지 확인하는 것입니다. 따라서 최적의 조건이 설정되면 동일한 모델을 사용하여 새 행이나 새 데이터에 점수를 매기고 프로세스가 예상대로 작동하는지 이해하는 것이 좋습니다.
	이를 위해 PLS 플랫폼에서 저장한 것과 동일한 예측 점수를 사용하지만 이번에는 모델 기반 다변수 제어 차트의 점수를 사용할 것입니다.
	품질과 과정에서.
	시간을 사용하여 시간 ID에 넣을 것이므로 행 번호를 보는 대신 모든 차트에서 실제 날짜를 보고 X 점수를 프로세스에 넣습니다.
	불행히도 이 차트에서 범위가 항상 올바르게 작동하는 것은 아니므로 조금 확대하면 T 제곱이 높았고 T 제곱이 대부분 흐름의 결과였던 기간이 있음을 알 수 있습니다. 둘, 셋, 넷, 하나, 그래서 모든 것이 그 안에서 흐른다...
	이 T 제곱에 대한 고 기여자입니다. 그것을 클릭하고 막대 중 하나 위에 마우스를 가져가면 해당 지점을 다시 클릭하면 해당 개별 값에 대한 관리 차트가 표시됩니다...개별
	선택한 포인트가 차트에서 강조 표시된 변수입니다.
	그리고 저는 이것을 숨길 것입니다. T 제곱을 볼 뿐만 아니라 여전히 SPE를 보고 있다면 DModX 또는 SPE에 대해서도 동일한 작업을 수행할 수 있습니다. 다시 한번,
	이것은 항상 올바르게 작동하지 않습니다.
	그래서 우리는
	다시 DModX 값.
	따라서 DModX는 다른 행, 해당 행의 다른 데이터를 기반으로 예상한 것과 비교하여 개별 열에 대해 높거나 낮은 값을 갖는 포인트를 나타낼 것입니다.
	여기서 우리는 이 점이 5번 흐름으로 인해 주로 이상값임을 알 수 있습니다.
	예를 들어, 한 변수가 높은 기여 요인이거나 장기간 또는 일정 기간 동안 비정상적으로 행동했을 때 이전 데이터의 패턴을 보고 확인하는 데 기여 비율 히트 맵이 매우 유용하다는 것을 알았습니다. .
	예를 들어, 이것은 우리가 매일 아침, 또는 주기적으로 보기를 원할 수 있는 차트입니다. 프로세스가 정상적으로 작동하고 있습니까?
	들어와서 이것을 열어보고 싶습니까? 우리 프로세스를 다시 통제하기 위해 지금 조정해야 할 것이 있습니까?
	이를 위해 PI 데이터를 가져오는 것부터 MDMCC 플랫폼을 여는 것까지 이 전체 분석을 다시 만들고 버튼 클릭으로 모두 사용할 수 있도록 하고 싶습니다.
	이를 위해 3단계로 구성된 JSL 스크립트를 작성할 것입니다. PI에서 데이터를 가져오고 계산된 열을 추가한 다음 다변수 제어 차트 플랫폼에 있는 모델을 엽니다.
	PI에서 데이터를 가져옵니다. 우리가 원래 데이터 테이블로 돌아가면 ...
	PI 도구 추가 기능이 실행된 후 열린 PI 데이터 소스 스크립트가 해당 테이블에 저장된 것을 볼 수 있습니다. 해당 스크립트를 편집하고 복사하기만 하면 새 스크립트 창에 붙여넣을 수 있습니다.
	한 가지만 변경하겠습니다. 5월의 데이터를 가져오는 대신 8월 1일의 데이터를 가져오기 시작합니다.
	이제 계산된 열을 추가해야 합니다. 따라서 PLS 플랫폼에서 우리는 저장된 점수를 사용합니다...X 점수 공식으로 저장 옵션을 기억하십시오.
	이를 다시 생성하기 위해 데이터 테이블의 모든 열을 선택하고 해당 스크립팅 도구 추가 기능에 다시 추가된 열 복사 스크립트 기능을 사용할 수 있습니다.
	열 스크립트를 복사한 후에는 우리가 만든 이 새 스크립트로 돌아가서 새로운 열 수식을 붙여넣어 해당 열을 모두 다시 생성할 것입니다.
	마지막으로 모델 기반 다변수 제어
	차트에 ??? 대부분의 다른 플랫폼에서는 스크립트를 클립보드에 저장하고 동일한 스크립트 창에 붙여넣을 수 있습니다.
	이제 새로운 날이라고 상상하고 모든 것이 닫혀 있고 프로세스가 어떻게 진행되고 있는지 보고 싶다면 이 동일한 스크립트를 실행하면 됩니다. 다음으로 시작할 수 있습니다.
	스크립트가 열릴 때 자동으로 실행되도록 특정 슬래시와 느낌표를 차례로 입력합니다.
	실행을 누르면 원래 테이블과 똑같이 보이는 데이터 테이블이 열립니다. 동일한 열이 모두 있습니다.
	계산된 열이 추가되었으므로 이 점수와 모든 예측을 입력하고 모델 기반 다변수 제어 차트 플랫폼도 열었습니다.
	여기서 우리는 DModX에 대한 이 최근 값이 실제로 꽤 높다는 것을 알 수 있습니다. 따라서 가장 최근 데이터에는 품질 3에 대한 비정상적인 값이 있습니다.
	다시 말하지만, 품질 3은 다른 매개변수를 기반으로 하는 예상 값이 아닌 것처럼 보입니다. 이 특별한 경우에는 다음을 의미할 수 있습니다.
	품질 3은 입력 매개변수이고 품질 1, 2 및 3은 종종 관련이 있기 때문에 품질 3이 불량한 실험실 샘플이거나 이것이 이전에 작업한 적이 없는 새로운 재료임을 의미할 수 있습니다.
	자, 마지막으로 이 모델을 지속적으로 실행하는 한 가지 방법에 대해 이야기해 보겠습니다. 그래서 이것은 요청에 따라 재창조되었습니다.
	이것을 실행하기 위해 JSL 스크립트를 작성했지만 때로는 유용합니다.
	...또는 이러한 결과를 PI 히스토리언에 다시 작성하여
	우리 시설의 운영자. 그래서 지난 몇 분 동안 모델 엔진 추가 기능이라고 하는 추가 기능을 소개하고자 합니다.
	온라인에서 모델에 빠르게 점수를 매길 것입니다. 이것은 조언용으로만 사용해야 한다는 점에 유의해야 합니다. 중요한 정보를 제공하거나 폐쇄 루프 제어를 위해 허용되는 방법이 아닙니다.
	이를 위해 공식 저장소에서 공식을 내보내고 다른 소프트웨어 패키지를 사용하여 점수를 매기는 것을 고려할 수 있습니다.
	앞서 언급했듯이 이 모델에서 사용할 수 있는 일부 예측 및 정보
	has most는 그것이 일어나는 순간에 가장 가치가 있습니다. 그래서 어제의 문제를 일으킨 원인을 아는 것은 좋지만 지금 일어나고 있는 일을 아는 것은
	현재 모델 결과로 결정을 내리는 것을 의미하며 큰 문제가 되기 전에 일부 문제를 수정할 수 있습니다.
	물론 모델에 점수를 매기는 방법은 여러 가지가 있지만 JMP 스크립팅 언어인 JSL의 힘은
	는 이미 익숙한 기존 시각화 및 추세 도구 제품군을 사용하여 제조 시설의 작업자 앞에서 예측 및 이상 정보를 얻을 수 있는 방법을 제공합니다.
	한 쌍의 모델 엔진 또는 작업 스케줄러를 시작한 특정 추가 기능이 있는 JMP를 실행하는 컴퓨터는 특정 디렉토리에 저장된 모든 모델을 주기적으로 실행하도록 설정됩니다.
	모든 구성은 두 가지 유형의 구성 파일, 즉 단일 엔진 구성 파일과 점수를 매길 각 모델에 대한 하나의 모델 구성 파일을 통해 수행됩니다.
	해당 모델 구성 파일부터 시작하겠습니다. PI 도구 추가 기능이 소스 정보를 데이터 테이블에 저장하는 방법을 기억하십니까?
	이제 동일한 정보를 사용하여 값을 계산하는 데 필요한 모든 모델 입력이 포함된 단일 행이 있는 테이블을 다운로드하는 방법을 모델 엔진에 알려주는 모델 구성 파일을 채울 수 있습니다.
	나중에 스크립팅 도구 추가 기능은 스크립트를 빠르게 저장하여 PLS 및 기타 플랫폼에서 저장된 열을 다시 생성하고,
	모델 버전 관리 차트 플랫폼에서 저장할 수 있는 T 제곱 및 DModX 기여를 잠재적으로 포함합니다. 이러한 새 열 스크립트는 모델 구성 파일이나 동일한 디렉토리의 별도 파일에도 저장됩니다.
	마지막으로 엔진 구성 파일은 엔진이 PI 도구가 있는 데이터 소스와 통신하는 방법을 정의합니다.
	추가 기능...PI 도구 추가 기능이 OLDB를 사용하는 위치
	및 SQL 쿼리를 사용하여 데이터를 가져오는 경우 모델 엔진은 PI 웹 API를 사용하여 PI에 직접 데이터를 읽고 씁니다.
	엔진 구성 파일에 기능 세트를 정의함으로써 이 엔진은 다른 많은 데이터 소스와도 통신할 수 있습니다.
	데이터 소스 및 기타 모델 엔진이 이 엔진의 상태를 알 수 있도록 하는 하트비트 태그 세트가 정의되어 있습니다.
	각 모델에는 고유한 하트비트 태그 세트도 있으므로 한 기계가 특정 모델의 점수를 매기는 것을 중단하면 다른 엔진이 자동으로 인계를 받습니다.
	다시 말하지만 이 모델 엔진 아이디어는 중요한 응용 프로그램에 사용하기 위한 것이 아니지만 배포 및 탐색 분석에서 온라인 예측 또는 품질 관리 솔루션으로 매우 빠르게 이동할 수 있다는 것을 알았습니다.
	그럼, 참석해 주신 모든 분들께 감사드립니다. 현재 사용하는 각 추가 기능과 저널에 대한 자세한 정보는 JMP 커뮤니티에서 확인할 수 있습니다.
재니스 르보, JMP	멋진 작업입니다.

브레이크아웃데이터 액세스 및 조작통계 및 모델링Re: 다변수 모델 최적화: 데이터 수집에서 최적 조건 및 스코어링 모델까지(2021-US-45MP-927)

정말 인상적인 작품!

Re: 다변수 모델 최적화: 데이터 수집에서 최적 조건 및 스코어링 모델까지(2021-US-45MP-927)

훌륭한 연설과 훌륭한 작업, 이러한 기술이 제공할 수 있는 모든 것을 보여주고 관찰된 변수의 '구성 요소'로 주성분의 창의적 사용을 공유해 주셔서 감사합니다.

이것을 다른 공장에 적용했기 때문에 동시 측정이 아니라 처리 및 운송 시간 등을 고려하기 위해 지연된 측정에서 PCA가 가장 잘 수행되는 상황을 생각해 냈습니까? 그렇다면 어떻게 대처하셨는지 공유해 주시겠습니까? 감사 해요!

Re: 다변수 모델 최적화: 데이터 수집에서 최적 조건 및 스코어링 모델까지(2021-US-45MP-927)

@ih : 이야기해주셔서 감사합니다. Issac. 나는 그것을 정말로 즐 겼어!
실제로 추가할 또 다른 질문이 있습니다.
교환원이 마침내 화면에서 본 사진을 공유할 수 있습니까?

UCL과 함께 T2 또는 Dmodx를 직접 표시하고 있습니까? 그러면 운영자는 가장 큰 기여 비율을 나타내는 드릴다운에 대해 조치를 취합니까?

감사해요!
벤