398760_ko-KR

liliconcom

다변량 모델 최적화: 데이터 수집부터 최적 조건 및 점수 모델까지(2021-US-45MP-927) .

수준: 중급

 

Isaac Himanga, ADM 수석 분석 엔지니어

 

제조 프로세스는 최적화하기 어려운 상관관계가 높은 시스템입니다. 이러한 상관 관계는 이상값을 식별할 수 있는 기회를 제공합니다. 여기서는 다음을 포함하는 전체 작업 흐름을 보여줍니다.

 

• OSISoft 기록자로부터 데이터를 얻습니다.
• 프로세스 제약 조건을 설명하는 다변량 모델을 사용한 모델링 및 최적화.
• MDMCC 플랫폼을 사용합니다.
• 온라인으로 모델의 점수를 매기고 비정상적인 조건을 역사가에게 다시 기록합니다.

실제로 많은 프로세스를 최적화하기가 어렵습니다. 때로는 시스템을 테스트할 수 있는 독립 변수 집합으로 축소할 수 없는 경우도 있습니다. 다른 경우에는 다른 조건에서 프로세스가 불안정해질 수 있습니다.이러한 문제를 해결하기 위해 우리는 JMP 16의 새로운 기능을 사용하여 비용과 품질을 최적화하고 있습니다. 숨어있는 제약 조건을 고려하면서 가변 공간 관찰됨 변수. 최적의 조건을 유지하기 위해 MDMCC 플랫폼을 사용하여 정상과의 편차를 빠르게 식별했습니다.

 

추가 기능은 데이터 수집 및 모델 점수 매기기에 소요되는 시간을 최소화하는 데 사용됩니다. 하나는 널리 사용되는 PI 기록에서 프로세스 데이터를 JMP로 가져오고, 하나는 계산된 열을 빠르게 다시 생성하며, 세 번째는 온라인으로 모델 점수를 매기고 결과를 기록에 보내는 데 사용됩니다. MDMCC의 기부금을 포함합니다.

 

참조된 추가 기능은 JMP 커뮤니티에서 사용할 수 있습니다.

• Aveva/OSISoft PI 도구
• 스크립팅 도구

 

 

자동 생성된 성적표…

 

스피커	성적 증명서
아이작 히망가	안녕 좋은 아침.
재니스 르보, JMP	안녕 이삭 잘 지내?
아이작 히망가	잘 지내요, 잘 지내요?
재니스 르보, JMP	좋아요, 감사합니다. 저는 Dan입니다. 오늘은 당신을 위해 프레젠테이션을 제작할 예정입니다.
아이작 히망가	정말 환상적이네요.
재니스 르보, JMP	그리고 나는 당신을 볼 수 없습니다 이삭.
아이작 히망가	네, 죄송해요. 여기서 설정하겠습니다.
재니스 르보, JMP	알겠습니다. 지금 녹음 중이라는 점을 알려드립니다.
	정말 멋지네요. 전에 만난 적이 있는 것 같아요.
아이작 히망가	어딘가에 있었다면 우리는 정상회담 중 하나를 가질 수도 있을 것입니다.
재니스 르보, JMP	좋아, 오늘은 잘 지내?
아이작 히망가	잘 지내요, 잘 지내요?
재니스 르보, JMP	좋아좋아요 당신이 확실히 채색한 아름다운 색상의 배경이 마음에 듭니다.
아이작 히망가	감사합니다.
	좋은.
재니스 르보, JMP	몇 가지 사항을 검토할 예정인데, 그 내용을 다시 확인하고 싶습니다.
	발표자의 이름 회사 및 초록 제목.
	좋습니다. 공동 발표자가 있습니까? 이 내용을 녹음하여 Discovery Discovery Summit 기록 보관소에 게시해도 괜찮습니다.
아이작 히망가	제 추측으로는, 무슨 일이 일어날 경우를 대비해 내 사이트에 내 플레이 기록을 게시할 예정이었기 때문에 사본을 갖게 된다면 괜찮을 것 같습니다.
재니스 르보, JMP	음, 그것이 어떤 것의 품질에 영향을 미칠지는 모르겠습니다.
아이작 히망가	꽤 자주 하면 안 될까?
재니스 르보, JMP	알겠습니다. 배경이 좋아 보이니 마이크 소리도 괜찮다는 점을 제가 주도하겠습니다. 휴대폰과 컴퓨터 알림이 꺼져 있는지 다시 확인하고 싶었습니다.
아이작 히망가	그래야 하지만 언제인지 다시 확인하겠습니다.
재니스 르보, JMP	나는 당신의 작품을 호출합니다.
	그런 다음.
	Energy of Eight와 1920 by 10 Day, 배경에 애완동물이 있나요?
아이작 히망가	그래서.
재니스 르보, JMP	내 고양이처럼 소리가 날 수도 있어서 그를 소개했습니다.
아이작 히망가	글쎄, 이론상으로는 오늘은 집에 나 혼자니까.
재니스 르보, JMP	Skype나 소음이 나는 다른 응용 프로그램을 닫았습니까?
아이작 히망가	내 설정에 액세스하는 중입니다. 바로 이 기능을 끄는 것입니다.
	좋아요.
아이작 히망가	응, 그래서 내 생각엔 너가 틀어야 할 유일한 일은 우리가 여기서 시작할 때 실제로 너의 볼륨을 아주 낮춰야 할 것 같아. 만약에 무슨 일이 생기면 내가 너를 볼 수는 있겠지만 그냥 그럴 거야 다른 게 시끄러우면 조용히 하세요. 아.
재니스 르보, JMP	내가 할 일은 다음과 같다.
	여기에 몇 가지 추가 지침을 제공하겠습니다. 저는 음소거하고 비디오를 숨기겠습니다. 프레젠테이션을 위해 화면을 공유할 수 있습니다.
	그리고 제가 음소거하기 전에 54321을 하고 잠시 시간을 드린 다음 계속해서 자기 소개를 하시면 됩니다.
	녹음을 시작하면 프리젠테이션을 시작할 수 있습니다. 그리고 오늘 프리젠테이션이 끝났다고 잘 말씀해 주시면 무슨 말씀이든 즐거웠기를 바라며 녹음을 중단하겠습니다.
	좋습니다. 우리가 처음에 그것에 빠져 있고 당신이 행복하지 않다면, 우리는 그것을 멈추고 다시 시작할 수 있다는 것을 알고 있습니다. 그래서 저는 그 모든 것에 완전히 괜찮습니다.
아이작 히망가	좋아요, 이제 35분에 얼마나 가까운지는 문제가 되지 않기를 바랍니다. 제가 연습했을 때 34분과 36분 사이에서 찢어졌다는 뜻입니다. 35분이나 읽으시겠습니까?
재니스 르보, JMP	괜찮다는 거 알잖아, 내 말은 그냥 네가 해야 할 일을 하라는 거야. 한 사람은 우리가 30~40분 길이라고 말하면 우리가 20분 안에 있었다는 걸 알아.
아이작 히망가	응, 어딘가에, 거기에 범위를 지정했을 수도 있는 35가 기억나네요.
재니스 르보, JMP	그거 괜찮아요 걱정하지 마세요.
아이작 히망가	좋아, 좋은 거래 완벽해.
재니스 르보, JMP	좋아요, 클라우드에 녹음 중이군요.
	우리는 그것을 볼 수 있습니다.
	아, 정말 맛있어 보여요. 맛있어 보여요.
아이작 히망가	완벽한.
재니스 르보, JMP	그렇죠.
	그럼 제 영상 준비됐나요?
아이작 히망가	타이머 카메라가 없어 저 위에 있는 타이머를 설정할 수 있는지 살펴보겠습니다.
재니스 르보, JMP	내 말은, 당신이 원하는 것은 무엇이든 하라는 것입니다. 왜냐하면 이것이 시작될 것이기 때문입니다.
	내 말은, 솔직히 35세라고 생각하고 32세로 가면 조금 더 넘어가도 괜찮다는 거죠.
	좋아요.
아이작 히망가	그래서 여기서 모든 것을 얻었습니다.
	괜찮은.
재니스 르보, JMP	알았어, 좋아, 내가 할 테니까 기분이 좋아.
	54321을 실행하고 음소거하겠습니다.
	그리고 당신이 거기서 얼어붙는 것을 봅시다. 좋아요, 이제 준비가 되었습니다.
아이작 히망가	괜찮은.
재니스 르보, JMP	내 생각엔,
아이작 히망가	다변량 모델을 사용하여 제조 프로세스를 최적화하기 위해 ADM에서 사용하는 워크플로를 보여 드리겠습니다.
	먼저 데이터를 가져와 모델을 구축하고, 현실적인 최적의 조건을 찾고, 비정상적인 조건을 식별하고, 마지막으로 현재 데이터를 사용하여 모델에 점수를 매깁니다.
	여기에는 개별 플랫폼에 대한 다른 많은 정보가 있으므로 각 단계의 세부 사항을 논의하는 대신 일반적으로 사용되는 몇 가지 기능만 강조하고 전체 작업 흐름을 보여 드리겠습니다.
	대부분의 분석은 세부적인 내용을 포함하여 45분보다 조금 더 걸렸습니다.
	자세한 내용과 정보를 보려면 JMP 커뮤니티에서 이 강연에 대한 기사를 참조하세요. 여기에서 매우 빠르게 살펴볼 단계의 스크린샷이 포함된 일지가 포함되어 있습니다.
	ADM과 일반적인 워크플로에 대한 간략한 개요부터 시작하겠습니다.
	그렇다면 JMP의 프로세스를 보여드리기 위해 이 프리젠테이션을 잠시 접어 두겠습니다. 데이터를 가져와서 정리하는 방법을 확인하고, 프로파일러를 사용하여 여러 조건을 찾아보세요.
	모델 기반 다변량 관리도 플랫폼을 사용하고, 해당 모델에 대해 새 데이터의 점수를 매기는 스크립트를 작성하고, 마지막으로 이 프레젠테이션으로 돌아가서 JMP를 사용하여 해당 모델의 점수를 지속적으로 매기는 한 가지 방법을 간략하게 설명하겠습니다.
	먼저 ADM에 대해 조금 설명하겠습니다.
	ADM의 목적은 자연의 힘을 활용하여 삶의 질을 풍요롭게 하는 것입니다.
	우리는 천연 제품을 식품 및 음료, 보충제, 애완동물 및 가축을 위한 영양 성분 및 향료의 완전한 포트폴리오로 변환합니다.
	그리고 더. 그리고 글로벌 식품 사슬의 모든 부분에 걸쳐 비교할 수 없는 다양한 역량을 통해 고객에게 현재와 미래의 글로벌 과제를 해결하는 데 있어 우위를 제공합니다.
	이러한 기능 중 하나는 제가 이야기하려는 방법을 포함하여 데이터 분석을 사용하여 제조 프로세스를 개선하는 것입니다.
	저는 비교적 새로운 집중 개선 및 분석 우수 센터의 일원입니다.
	그리고 성장하고 있는 우리 팀은 이와 같은 기술에 투자하여 800개 시설, 300개 식품 및 사료 가공 장소, 그리고 전 세계 나머지 회사가 우리 데이터를 사용하여 더 나은 결정을 내릴 수 있도록 돕습니다.
	이제 워크플로의 개요를 살펴보겠습니다.
	오늘 검토할 네 단계는 전체 분석의 일부일 뿐입니다. 시간을 고려하여 모든 데이터 세트에 중요하다고 생각되는 몇 가지 사항은 생략하겠습니다.
	데이터 시각화, 검증 사용, 변수 감소, 다른 모델과의 결과 확증, 실험실 및 프로세스 데이터 정렬 등이 있습니다.
	데이터를 얻고, 모델을 구축하고, JMP에서 필요에 따라 해당 모델의 점수를 매긴 다음, 계속해서 모델의 점수를 매깁니다.
	JMP에는 데이터베이스 연결 배열, 다변량 모델링 모델링 도구(예: 부분 최소 제곱), 주성분, 모델 기반 다변량 관리 차트 플랫폼 등 각 단계를 지원하는 도구가 있습니다.
	데이터를 가져오는 것부터 시작해 보겠습니다. 사용 가능한 많은 데이터베이스 연결 및 스크립팅 옵션에도 불구하고 프로세스 기록에서 데이터를 가져오는 빠른 방법이 필요했습니다.
	쿼리를 작성하거나 테이블 구조를 탐색하지 않고도 PI라는 인기 제품을 사용할 수 있습니다. 대부분의 데이터 세트에 대한 답은 맞춤형 추가 기능이었습니다. 이 추가 기능은 최근 JMP 커뮤니티에 게시되었습니다.
	두 가지 추가 기능이 이 프로세스에 도움이 됩니다. 일반적으로 스크립팅 도구라고 불리는 하나에는 계산된 열을 다시 생성하기 위한 스크립트를 빠르게 가져오는 옵션이 포함되어 있습니다.
	저장 스크립트와 결합하여 대부분의 JMP 플랫폼에 내장된 기능을 사용할 수 있습니다. JMP 사용자는 필요에 따라 분석을 빠르게 다시 생성하고 점수를 매길 수 있습니다.
	JMP 모델 엔진이라는 최신 추가 기능도 최신 버전입니다. PItool의 추가 기능에서 데이터 테이블에 저장된 구성 파일과 정보를 사용하여 데이터를 가져옵니다.
	이는 열 수식이나 기타 JSL 스크립트를 사용하여 계산을 수행한 다음 결과를 기록자에게 다시 기록합니다.
	시간 관계상 이 마지막 단계를 아주 빠르게 진행하겠습니다. 하지만 다시 한 번 말씀드리지만, JMP 커뮤니티에 대한 자세한 내용은
	이 프레젠테이션의 슬라이드로 이동합니다.
	이러한 각 추가 기능은 민감한 정보를 제거하기 위해 정밀 검사를 거쳤지만 사용자는 커뮤니티에 게시된 것과 동일한 코드로 이동하고 있습니다. 따라서 아이디어와 이를 개선할 수 있는 방법이 있다면 JMP 커뮤니티나 GitHub에서 자유롭게 협업해 주세요.
	이제 JMP를 열어보겠습니다.
	그 뒤에서 ADM 또는 JMP PItool의 추가 기능은 SQL DAS, OLEDB 및 ODBC를 포함한 몇 가지 다른 PI 제품을 사용하여 데이터를 가져옵니다. 이를 설정하는 지침은 이 플랫폼의 도움말 메뉴에서 찾을 수 있습니다.
	오늘은 정오부터 5월 1일부터 PItag 세트에 대한 데이터를 가져온 다음 오늘까지 매일 정오에 다른 값을 가져오겠습니다.
	우리는 특정 태그 세트에 대해 이 작업을 수행할 것입니다. 해당 태그는 여기에 나열되어 있습니다.
	이 상자에. 나중에 데이터 테이블에서 해당 열을 식별하는 데 도움이 되는 PIhistorian에 있는 이름보다 더 설명적인 이름이나 친숙한 태그라는 것이 실제로 포함되어 있습니다. 주변에는 작은 물음표가 가득해요
	...오늘 사용할 친숙한 태그 형식에 대한 설명을 포함하여 추가 정보를 제공하는 추가 기능 주변입니다.
	쿼리 실행을 누르면 이와 같은 데이터 테이블이 열립니다. 해당 데이터 테이블의 모든 숫자 값에 대한 열 세트가 있습니다.
	모든 문자열 값에 대한 열 세트가 있으므로 PItag에 저장된 문자가 있는 경우 해당 문자를 가져옵니다. 또한 해당 PItag의 상태도 볼 수 있습니다.
	각 행마다.
	또한 해당 데이터 테이블의 열 속성에서 열 정보를 열면 PItag를 포함하여 해당 데이터 포인트를 가져오는 데 사용된 정보가 표시됩니다.
	통화 유형 및 간격. 평균이나 최대값과 같은 더 복잡한 쿼리의 경우 여기에서 자세한 정보를 확인할 수 있습니다.
	이것은 크기가 조정되고 열 이름이 변경된 실제 데이터라는 점에 유의하십시오. 하지만 오늘 볼 분석은 우리 시설 중 하나의 실제 데이터를 사용한 실제 분석과 모양과 느낌이 매우 유사해야 합니다.
	마지막으로 여기에 PI 데이터 원본이라는 데이터 테이블에 저장된 스크립트가 있다는 점을 지적하겠습니다. 이는 실제로 추가 기능에 표시되는 것과 동일한 스크립트입니다.
	여기에도 사용할 수 있는 SQL이 포함되어 있습니다. 다시 한 번 뒤에서 이것은 다음을 사용합니다.
	PI에서 해당 정보를 얻기 위한 SQL DAS 또는 PI DAS, 그리고 이것이 해당 데이터를 얻기 위해 실행할 모든 스크립트입니다. 우리는 오늘 강연이 끝날 무렵 다시 돌아와서 이것을 다시 사용할 것입니다.
	좋습니다. 이제 데이터가 있으므로 해당 데이터를 정리해야 합니다. 오늘은 이를 수행하기 위해 다변량 도구, 특히 주성분 분석을 사용할 것입니다. 해당 데이터 테이블에서 모든 숫자 값을 가져와서 y 열 목록에 넣은 다음
	즉시 우리는 구성 요소 1에 대해 특히 낮은 점수를 갖는 몇 가지 값을 갖는 일부 값을 볼 수 있습니다. 해당 로딩을 보면
	요소가 다르면 이 데이터 세트의 모든 다른 흐름에 대해 높은 로딩이 포함된 구성 요소를 볼 수 있습니다.
	그래서 여기 왼쪽에 있는 이 모든 값은 전체 시스템에 걸쳐 높은 흐름을 가지고 있다는 것을 말해줍니다. 일부 엔지니어링 지식을 사용하여 이는 해당 프로세스의 가동 중지 시간을 나타낸다고 말할 수 있으므로 계속해서 이러한 값을 모두 숨기고 제외하겠습니다.
	이제 그 작업을 마쳤으므로 주성분 분석을 다시 계산할 것이므로 분석을 다시 실행하고 다시 실행한 다음 이전 분석을 닫겠습니다.
	이제 로딩이 좀 더 의미가 있다는 것을 알 수 있습니다. 예를 들어, 주성분 3은 흐름 2의 변동 대부분을 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 이상값 분석을 열고 구성요소 수를 3개로 변경하겠습니다.
	그런 다음 T 제곱 플롯을 모두 볼 수 있고 정규화된 DModX 플롯도 열 수 있습니다.
	하나 이상의 점수에 대해 극단적인 값을 갖는 포인트 또는 단일 값을 갖는 포인트를 확인하려면
	해당 특정 역할에 대한 해당 데이터 세트의 다른 모든 열을 기준으로 예상치 못한 값이나 예상 범위를 벗어난 값이 있는 열 또는 단일 셀입니다.
	지금은 관리 상한보다 높은 T 제곱 및 DModX 값을 모두 제외하여 이 데이터 세트를 빠르게 정리하겠습니다.
	데이터 세트를 정리할 때 일반적으로 수행되는 또 하나의 작업은 열을 변환하는 것입니다.
	조금이라도 신청하려고 노력 중이고
	새 수식 열 메뉴로 전환합니다. 세 개의 열 또는 임의 개수의 열을 선택하고 해당 스크립팅 도구 추가 기능의 일부로 다시 로드되는 사용자 정의 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 수도 있음을 알려드립니다. 하지만 나는 종종 PCA를 먼저 사용합니다.
	이제 데이터 세트를 정리했으므로 실제로 모델을 구축해야 합니다.
	우리의 프로세스 조건을 예측하려고 노력합니다. 이 데이터 세트에 대한 또 다른 간단한 참고 사항은 여기에 흐름 목표가 있다는 것입니다.
	오늘 우리의 목표는 가능한 한 적은 흐름을 사용하고 일부 흐름을 사용하여 일정량의 이 목표 흐름을 생성하는 것입니다.
	이러한 품질 매개변수에 대한 몇 가지 제약 조건을 고려합니다. 따라서 흐름 1이 우리가 주로 관심을 갖는 것이기 때문에 부분 최소 제곱 모델로 전환하고 해당 흐름...y의 흐름 목표와 다른 모든 변수를 X 요소로 사용하겠습니다.
	지금은 모든 기본값을 수락하고 조금 앞서서 바로 4가지 요소를 사용하겠습니다.
	이 네 가지 요소를 열면
	처음 두 개는
	대표하다
	프로세스 실행 속도를 조정하기 위해 공장이 일반적으로 순서대로 변경하는 변수입니다. 따라서 목표 흐름을 어느 정도 만들어야 하는 경우 목표 비율을 달성하기 위해 요소 1을 변경하는 경우가 많습니다.
	반면에 요소 2는 실제로 우리가 통제할 수 없는 입력 품질 매개변수인 이러한 품질 매개변수와 주로 관련됩니다.
	그러므로 그것은 우리가 바꿀 수 있는 것이 아닙니다. 따라서 요인 3과 4가 상대적으로…
	목표 흐름은 요인 1의 상대적으로 적은 양의 변형을 설명합니다. 이는 우리가 실제로 제어할 수 있는 것이며 프로세스를 최적화하기 위해 사용할 수 있는 것입니다.
	이것을 사용하기 위해... 그래서 우리는 데이터의 변화를 설명하는 모델을 구축했습니다.
	해당 정보를 사용하려면 해당 열 중 일부를 저장하거나 이 열의 예측을 데이터 세트의 새 열에 저장해야 합니다.
	단 몇 분만에 예측 프로파일러에서 사용할 것입니다.
	JMP 16에 추가된 몇 가지 새로운 기능을 활용하여 Y 변수와 X 변수 모두에 대한 예측을 X 점수 공식으로 저장할 수 있습니다. 그리고 프로파일러를 열면 그것이 왜 중요한지 설명하는 데 도움이 될 것이라고 생각합니다.
	따라서 우리는 세 가지 예측, 즉 X 예측과 T 제곱을 모두 데이터 테이블에 저장했습니다. 이는 X 점수의 함수로 하단에 새로운 열이 되어야 합니다.
	또한 PLS 플랫폼 내에서 거리와 T 제곱 플롯을 간략하게 살펴볼 수 있으며 DModX 또는 T 제곱이 상당히 높은 몇 가지 변수가 있지만 너무 극단적인 것은 없다는 것을 알 수 있습니다.
	이러한 점수는 종종 저장되거나 항상 변수 이름과 함께 저장되므로 더 많이 저장하거나 모델을 여러 번 반복할 때 혼동될 수 있습니다. 따라서 스크립팅 도구에는 이름 바꾸기 열이라는 또 다른 기능이 포함되어 있습니다.
	그러면 PLS에 대한 예시 쿼리를 선택할 수 있습니다. 여기에는 꽤 복잡한 정규식 패턴이 있습니다.
	그러나 데이터 테이블 내의 PLS, PCA 및 기타 플랫폼에 대해 동일하게 보이는 표준 이름 세트를 출력합니다.
	따라서 이 경우 실제로 특정 접두사를 복사할 것입니다. 모든 열 앞에는 이것이 품질 관리를 위해 온라인에 게시할 모델이고 해당 모델의 개정판임을 나타내는 것입니다.
	이름을 변경하면 데이터 세트에 있는 모든 열의 이름이 자동으로 변경되는 것을 볼 수 있습니다.
	그래서 우리는 변화를 설명하는 모델을 만들었습니다.
	이러한 열은 있지만 우리가 수행하지 않은 것은 가능한 한 적은 흐름을 사용하여 목표 흐름의 일정량의 흐름을 생성하는 방법을 알아내는 원래 목표입니다. 이를 위해 우리는 프로파일러를 사용할 것입니다. 귀하의 프로필을 열 때 알림을 받으십시오.
	이러한 모든 예측 값을 추가할 수 있으므로 X 점수 자체가 아니라 예측 값과 T 제곱을 이 예측 공식 섹션에 추가할 수 있습니다.
	그런 다음 열리면 X축을 가로질러 모델의 모든 점수 또는 잠재 변수를 볼 수 있습니다.
	그리고 우리가 해당 점수 중 하나를 이동하면 관찰된 모든 변수가 자동으로 함께 이동하는 것을 볼 수 있습니다.
	각 구성 요소의 로딩 비율에 따라 결정됩니다. 따라서 중요한 것은 이 흐름 3과 4를 살펴보는 것입니다. 어떤 점수를 움직여도
	이 모델은 이 두 점수가 서로 관련되어 있다는 것을 이해합니다. 아마도 하나는 그들이 제어할 수 있는 유량계이고 아마도 두 번째는 유량계일 것입니다.
	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 이러한 각 점수에 대한 값을 찾는 것입니다.
	그렇게 하기 전에 최적화하려는 것이 무엇인지 JMP에 알려야 합니다. 우리가 달성하려는 특정 유속과 달성하려는 특정 품질 매개변수가 있다고 말해야 합니다.
	따라서 우리는 대부분의 열에 대한 값에 관심이 없다는 점을 알리는 것부터 시작하겠습니다. 따라서 저장한 모든 열을 선택하고
	속성을 표준화하고 이러한 다양한 열 모두에 대해 응답 제한 없음을 추가할 예정입니다.
	그런 다음 돌아가서 해당 응답 제한을 조정하겠습니다. 우리가 관심을 갖는 열에 대해 더 자세히 설명할 수 있습니다. 예를 들어 흐름 대상은 응답 제한으로 돌아가고 해당 열에 대해 값 140을 일치시키려는 것을 나타냅니다.
	마찬가지로 품질이 좋은 경우에도 우리는 다음의 가치를 달성하고 싶습니다.
	20.15.
	흐름의 경우 해당 값을 최소화하려고 합니다.
	마지막으로, 우리가 도달한 솔루션이 시스템의 정상 작동 범위에 가까워지는지 확인해야 하므로 해당 PLS를 구축한 영역 외부로 추정하고 싶지 않습니다.
	이를 위해 이 T 제곱 열을 사용하고 T 제곱을 최소화하고 싶다는 것을 나타냅니다.
	이는 해당 PLS 플랫폼에 표시된 통제 상한보다 낮습니다. 여기서는 관리 상한이 9.32임을 알 수 있으므로 여기서는 이를 최소값으로 사용하겠습니다.
	이제 프로파일러에서 볼 수 있는 것은 9.32 미만의 모든 값은 동일하게 허용되며 9.32 이상으로 올라갈수록 점점 더 바람직하지 않게 된다는 것입니다.
	그래프 메뉴에서 프로파일러를 다시 한 번 열고 모든 예측과 T 제곱 공식을 다시 한 번 가져와 Y 예측 공식에 넣겠습니다.
	그리고 우리는 여전히 아래쪽에 X 점수를 볼 수 있지만 이제 오른쪽에서도 이러한 바람직함 기능을 볼 수 있습니다.
	그리고 다시 한번 T 제곱에 대한 만족도가 9.32 이상으로 떨어지기 시작합니다. 바람직성은 흐름 1의 낮은 값에서 가장 높으며 목표 흐름과 품질 매개변수 모두에 대한 목표를 얻었습니다.
	이 모든 것을 정의했으므로 이제 바람직성을 최대화할 수 있습니다.
	그리고 그것은 각 점수에 대한 값을 찾으려고 시도할 것이며, 따라서 우리 데이터 세트에서 관찰된 모든 변수에 대한 값을 찾을 것입니다.
	이 목표 흐름을 달성하고 앞서 정의한 목표 흐름에 포함된 목표를 달성하세요.
	전체 목표 달성에 가까워졌습니다. 우리의 20.15를 달성했습니다
	그리고 우리가 준 것은 T 제곱 범위 내에 있었습니다. JMP는 만족도의 작은 감소가 흐름을 줄이는 것보다 덜 중요하다고 생각했을 가능성이 높습니다. 따라서 이 만족도 함수를 클릭하고 중요도를 10으로 변경하면 문제를 해결할 수 있습니다.
	이제 이것을 다시 최적화하면 흐름 목표에 조금 더 가까워질 것입니다. 하지만 그 전에 이러한 요소 설정을 하단에 있는 이 테이블에 저장하여 전후를 비교할 것입니다. 그런 다음 바람직성을 극대화하겠습니다.
	완료된 것 같습니다. 아직 T 제곱의 범위 내에 있습니다.
	우리가 요청한 20.15를 달성했으며 확실히 140에 훨씬 더 가깝습니다. 이제 이러한 요소 설정을 다시 한 번 데이터 테이블에 저장할 수 있습니다.
	이제 우리는 제조 시설에 돌려줄 수 있는 요소를 갖게 되었고, 여기 우리가 권장하는 매개변수가 있습니다.
	이와 같은 다변량 분석을 사용하면 얻을 수 있는 이점은 앞에서 흐름 3과 4가 서로 관련되어 있다는 점에 대해 이야기한 것입니다.
	이 방법을 사용하면 식물이 실제로 작동할 수 있는 합리적인 값을 제공할 수 있어야 합니다.
	3번 흐름에서는 높은 값을 실행하고 4번 흐름에서는 낮은 값을 실행하라고 말하면 그들은 여러분을 보고 그건 불가능하다고 말할 수도 있습니다.
	이는 훨씬 더 합리적이어야 합니다. 이러한 변수가 모두 공장이 제어할 수 있는 독립 변수일 필요는 없습니다. 그 중 일부는 다음과 같습니다.
	또는 단순히 다른 변수와 관련이 있을 수도 있습니다. 이론적으로, 식물이 통제할 수 있는 모든 것을 변경한다면 다른 것들도 제자리에 있어야 합니다.
	이제 이 모델을 최적화했으므로 다음 단계는 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 사용할 것입니다. 하지만 이번에는 모델 기반 다변량 관리 차트에서 해당 점수를 사용할 것입니다.
	품질과 프로세스에 따라.
	시간을 사용하여 시간 ID에 넣을 것이므로 행 번호를 보는 대신 모든 차트에서 실제 날짜를 확인하고 X 점수를 프로세스에 넣을 것입니다.
	안타깝게도 이 차트에서 범위가 항상 올바르게 작동하는 것은 아니므로 조금만 확대하면 여기에 높은 T 제곱이 있었던 기간이 있고 그 높은 T 제곱은 대부분 흐름의 결과라는 것을 알 수 있습니다. 둘, 셋, 넷, 하나, 그래서 모든 것이 그 안에 흐릅니다.
	이 T 제곱에 크게 기여하는 요소입니다. 이를 클릭하고 해당 막대 중 하나 위로 마우스를 가져가면 해당 지점을 다시 클릭하면 해당 개별 값에 대한 관리 차트가 표시됩니다.
	차트에서 우리가 선택한 포인트가 강조 표시된 변수입니다.
	그리고 저는 이것을 숨길 것입니다. 그리고 T 제곱만 보는 것이 아닙니다. 다시 한번,
	이것이 항상 올바르게 작동하는 것은 아닙니다.
	그럼 확대해 보겠습니다.
	DModX 값을 다시 확인합니다.
	따라서 DModX는 다른 행, 즉 해당 행의 다른 데이터를 기반으로 예상했던 것과 비교하여 개별 열에 대해 높거나 낮은 값을 갖는 지점을 나타냅니다.
	여기서 우리는 이 점이 주로 흐름 5로 인해 이상치라는 것을 알 수 있습니다.
	기여도 비율 히트맵은 예를 들어 한 변수가 높은 기여 요인이었거나 장기간 또는 일부 기간 동안 비정상적으로 작동했을 때 오래된 데이터의 패턴을 보고 확인하는 데 매우 유용하다고 생각합니다. . . . .
	따라서 이것은 예를 들어 매일 아침 또는 정기적으로 보고 싶은 차트입니다. 프로세스가 정상적으로 작동하고 있습니까?
	들어와서 이것을 열어보고 싶습니다. 프로세스를 다시 제어하기 위해 지금 당장 조정해야 할 것이 있습니까?
	이를 위해 우리는 PI 데이터 가져오기부터 MDMCC 플랫폼 열기까지 전체 분석을 재현하고 버튼 클릭 한 번으로 모든 분석을 사용할 수 있도록 하려고 합니다.
	이를 위해 우리는 세 단계로 구성된 JSL 스크립트를 작성하겠습니다. PI에서 데이터를 가져와 계산된 열을 추가한 다음 다변량 관리 차트 플랫폼에 있는 모델을 엽니다.
	PI에서 데이터를 가져오는 중입니다. 원래 데이터 테이블로 돌아가면.
	PI 도구 추가 기능이 실행된 후 열리면 해당 테이블에 저장된 이 PI 데이터 소스 스크립트를 볼 수 있습니다. 해당 스크립트를 편집하고 복사만 하면 새 스크립트 창에 붙여넣을 수 있습니다.
	한 가지만 바꾸겠습니다. 5월부터 데이터를 가져오는 대신 8월 1일부터 데이터를 가져오기 시작합니다.
	이제 계산된 열을 추가해야 합니다. PLS 플랫폼에서는 저장된 점수를 사용하며 X 점수 공식 옵션으로 저장합니다.
	이를 다시 생성하려면 데이터 테이블의 모든 열을 선택하고 해당 스크립팅 도구 추가 기능에 다시 추가된 열 복사 스크립트 기능을 사용하면 됩니다.
	열 스크립트를 복사한 후 생성한 새 스크립트로 돌아가서 여러 개의 새 열 수식을 붙여넣어 모든 열을 다시 생성합니다.
	마지막으로 모델 기반 다변량 제어
	차트에는 ???가 있습니다. 대부분의 다른 플랫폼에서는 스크립트를 클립보드에 저장하고 동일한 스크립트 창에 붙여 넣을 수 있습니다.
	이제 새로운 날이 왔고 모든 것이 닫혀 있다고 가정하고 프로세스가 어떻게 진행되고 있는지 확인하고 싶다면 이 동일한 스크립트를 실행하면 됩니다. 내가 시작할 수 있다는 점에 유의하십시오.
	스크립트가 열릴 때 자동으로 실행하려면 특정 슬래시 슬래시와 느낌표를 입력하세요.
	실행을 누르면 원래 테이블과 똑같이 보이는 데이터 테이블이 열립니다. 그것은 모두 같은 열을 가지고 있습니다.
	계산된 열이 추가되었으므로 이러한 점수와 모든 예측을 입력하고 모델 기반 다변량 제어 차트 플랫폼도 열었습니다.
	여기서 우리는 DModX의 최근 값이 실제로 꽤 높다는 것을 알 수 있습니다. 따라서 가장 최근 데이터에는 품질 3의 경우 비정상적인 값이 있습니다.
	따라서 품질 3은 다른 매개변수를 기준으로 예상한 값이 아닌 것처럼 보입니다. 이 특별한 경우에는 다음을 의미할 수 있습니다.
	품질 3은 입력 매개변수이고 품질 1, 2, 3은 서로 관련되어 있는 경우가 많기 때문에 품질 3이 불량한 실험실 샘플이거나 이전에 작업해 본 적이 없는 새로운 재료라는 의미일 수 있습니다.
	자, 마지막으로 이 모델을 지속적으로 실행하는 한 가지 방법에 대해 이야기해 보겠습니다. 그래서 이것은 요청에 따라 다시 만들어졌습니다.
	이를 실행하기 위해 JSL 스크립트를 작성했지만 때로는 유익할 때도 있습니다.
	또는 우리는 이러한 결과를 PI 기록에 다시 기록하여 사용할 수 있도록 하는 것이 유익하다는 것을 알았습니다.
	우리 시설의 운영자. 그래서 지난 몇 분 동안 모델 엔진 추가 기능이라고 하는 추가 기능을 소개하겠습니다.
	온라인으로 모델의 점수를 빠르게 매길 수 있습니다. 이 내용은 조언용으로만 사용해야 합니다. 이는 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 예측 및 정보 중 일부는
	그 일이 일어나는 순간 가장 큰 가치를 지닌다. 따라서 어제 문제의 원인을 아는 것은 좋지만 지금 무슨 일이 일어나고 있는지 아는 것도 좋습니다.
	이는 현재 모델 결과를 바탕으로 결정을 내리고 일부 문제가 큰 문제가 되기 전에 해결할 수 있다는 것을 의미합니다.
	물론 모델의 점수를 매기는 방법에는 여러 가지가 있지만 JMP 스크립팅 언어인 JSL의 강력한 기능은
	이미 익숙한 기존 시각화 및 추세 도구 제품군을 사용하여 제조 시설의 운영자 앞에서 예측 및 이상 정보를 얻을 수 있는 방법을 제공합니다.
	한 쌍의 모델 엔진, 즉 작업 스케줄러를 시작한 특정 추가 기능과 함께 JMP를 실행하는 컴퓨터는 특정 디렉터리에 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 시작해 보겠습니다. PI 도구 추가 기능이 소스 정보를 데이터 테이블에 저장하는 방법을 기억하십니까?
	이제 동일한 정보를 사용하여 모델 구성 파일을 채울 수 있으며, 이는 값을 계산하는 데 필요한 모든 모델 입력이 포함된 단일 행이 있는 테이블을 다운로드하는 방법을 모델 엔진에 알려줍니다.
	나중에 스크립팅 도구 추가 기능은 스크립트를 신속하게 저장하여 PLS 및 기타 플랫폼에서 저장된 열을 다시 생성합니다.
	잠재적으로 모델 버전 관리 차트 플랫폼에서 저장할 수 있는 T 제곱 및 DModX 기여도 포함됩니다. 이러한 새 열 스크립트는 모델 구성 파일이나 동일한 디렉터리의 별도 파일에도 저장됩니다.
	마지막으로 엔진 구성 파일은 엔진이 PI 도구가 있는 데이터 원본과 통신하는 방법을 정의합니다.
	추가 기능...PI 도구 추가 기능이 OLDB를 사용하는 경우
	및 SQL 쿼리를 사용하여 데이터를 가져오면 모델 엔진은 PI 웹 API를 사용하여 PI에 직접 데이터를 읽고 씁니다.
	엔진 구성 파일에 일련의 기능을 정의함으로써 이 엔진은 다른 많은 데이터 소스와도 통신할 수 있습니다.
	데이터 원본 및 기타 모델 엔진이 이 엔진의 상태를 알 수 있도록 허용하는 일련의 하트비트 태그가 정의되어 있습니다.
	각 모델에는 고유한 하트비트 태그 세트도 있으므로 한 시스템이 특정 모델의 점수를 매기는 것을 중지하면 다른 엔진이 자동으로 인계받습니다.
	이 모델 엔진 아이디어는 중요한 애플리케이션에 사용하기 위한 것이 아니지만 배포 및 탐색 분석에서 온라인 예측 또는 품질 관리 솔루션으로 매우 빠르게 이동할 수 있다는 것을 알았습니다.
	참석해 주신 모든 분들께 감사드립니다. 제가 오늘 사용하고 있는 각 추가 기능과 저널에 대한 자세한 내용은 JMP 커뮤니티에서 확인할 수 있습니다.
재니스 르보, JMP	굉장한 일 굉장해.

브레이크아웃데이터 접근 및 조작통계 및 모델링Re: 다변량 모델 최적화: 데이터 수집에서 최적 조건 및 점수 모델까지(2021-US-45MP-927)

정말 인상적인 작품!

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

@ih : Issac에 대해 이야기해 주셔서 감사합니다. 나는 그것을 정말로 즐 겼어!
사실 추가하고 싶은 질문이 하나 더 있습니다.
운영자가 화면에서 최종적으로 본 내용에 대한 사진을 공유해 주실 수 있나요?

UCL과 함께 T2 또는 Dmodx를 직접 표시하고 있습니까? 그런 다음 운영자는 가장 큰 기여 비율을 보여주는 드릴다운을 수행하고 있습니까?

감사해요!
벤

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

훌륭한 강연과 훌륭한 작업입니다. 이러한 기술이 제공할 수 있는 모든 것을 보여주고 관찰된 변수의 '구성 요소'로서 주요 구성 요소의 창의적인 사용을 공유해 주셔서 감사합니다.

이를 다른 공장에 적용한 이후, PCA가 동시 측정이 아니라 처리 및 운송 시간 등을 고려하기 위해 일부 지연된 측정에서 수행되는 것이 가장 좋은 상황을 생각해 냈습니까? 그렇다면, 그 문제를 어떻게 처리했는지 공유해 주실 수 있나요? 감사해요!