Vocero
|
Transcripción
|
| Isaac Himanga |
Hola buenos dias. |
| Janice LeBeau, JMP |
hola Isaac como estas. |
| Isaac Himanga |
bien, como estas. |
| Janice LeBeau, JMP |
Bien, gracias, soy Dan, se trata de que voy a estar produciendo tu presentación hoy para ti. |
| Isaac Himanga |
Cierto fantástico. |
| Janice LeBeau, JMP |
Y no puedo verte Isaac. |
| Isaac Himanga |
sí, lo siento, lo estoy configurando aquí. |
| Janice LeBeau, JMP |
De acuerdo, y solo para hacerle saber que estamos grabando en este momento. |
| |
Absolutamente genial, siento que nos hemos conocido antes. |
| Isaac Himanga |
Podríamos tener, estoy seguro, uno de los de la cumbre si estuviera en algún lugar. |
| Janice LeBeau, JMP |
Bien, muy bien cómo estás hoy. |
| Isaac Himanga |
bien, como estas. |
| Janice LeBeau, JMP |
Bueno, bueno, me encanta tu fondo, ese es un hermoso color que seguro que has usado. |
| Isaac Himanga |
Gracias. |
| |
Bueno. |
| Janice LeBeau, JMP |
Solo voy a repasar algunas cosas y solo necesito reconfirmar con ustedes. |
| |
El nombre del presentador, la empresa y el título del resumen. |
| |
De acuerdo, ¿tiene algún copresentador? ¿Está bien que lo grabemos y lo publiquemos en los archivos de la Cumbre de Descubrimiento? |
| Isaac Himanga |
Absolutamente, y supongo, iba a publicar la reproducción en el registro solo mi final en mi sitio también, en caso de que algo suceda, tendremos una copia y eso está bien con usted. |
| Janice LeBeau, JMP |
um no sé si eso afectará la calidad de algo o. |
| Isaac Himanga |
¿No debería hacerlo con bastante frecuencia? |
| Janice LeBeau, JMP |
De acuerdo, te dejaré tomar la iniciativa en que soy tu fondo se ve bien, tu micrófono suena bien, solo quería volver a confirmar que las notificaciones de tu teléfono celular y computadora están apagadas. |
| Isaac Himanga |
debería ser, pero voy a comprobar de nuevo sólo para cuando. |
| Janice LeBeau, JMP |
Llamo a tu obra de arte para. |
| |
Y luego. |
| |
Energía de ocho y 1920 por 10 días, ¿tiene alguna mascota en el fondo? |
| Isaac Himanga |
Entonces. |
| Janice LeBeau, JMP |
Podría hacer ruido, como probablemente lo hará mi gato, así que lo recomendé. |
| Isaac Himanga |
Bueno, en teoría, soy el único en casa hoy. |
| Janice LeBeau, JMP |
¿Cerraste mira Skype o cualquier otra aplicación que haga ruidos? |
| Isaac Himanga |
Accediendo a mi apaga este derecho sí. |
| |
Bueno. |
| Isaac Himanga |
sí, así que creo que lo único que debería estar encendido como tú y en realidad voy a bajar el volumen cuando comencemos aquí, en caso de que ocurra algo, podré verte, pero solo cállate de esa manera si algo más hace ruido oh. |
| Janice LeBeau, JMP |
Bueno, lo que voy a hacer es. |
| |
Solo les voy a dar un par de consejos más. Voy a silenciarme y ocultar mi video, pueden compartir su pantalla para su presentación. |
| |
Y, antes de silenciarme, haré mi 54321 y luego te daré un par de segundos, y luego puedes seguir adelante y presentarte. |
| |
y comenzar a grabar, puede comenzar su presentación y luego, cuando me diga bien, esto concluye la presentación de hoy, espero que haya disfrutado lo que quiera decir y luego dejaré de grabar para usted. |
| |
Bien y si nos gusta, al principio y no estás contento, sabes que podemos detenerlo y empezar de nuevo, así que estoy totalmente de acuerdo con todo eso. |
| Isaac Himanga |
Bueno, ahora espero que no sea un problema qué tan cerca de 35 minutos lo quieres, cuando practiqué me refiero a que estaba dividido entre 34 y 36 es que quieres leerlo 35 o. |
| Janice LeBeau, JMP |
Sabes que está bien, quiero decir, haz lo que tengas que hacer. Conozco a una persona que estuvimos a los 20 minutos si te dijeran entre 30 y 40 minutos. |
| Isaac Himanga |
sí, en alguna parte, recuerdo 35 que podrían haber dado un rango allí. |
| Janice LeBeau, JMP |
eso es genial, no te preocupes por eso. |
| Isaac Himanga |
Bien, buen trato perfecto. |
| Janice LeBeau, JMP |
Bien, estamos grabando en la nube. |
| |
Podemos ver eso. |
| |
Oh, eso se ve muy bien y se ve delicioso. |
| Isaac Himanga |
Perfecto. |
| Janice LeBeau, JMP |
Así que sí. |
| |
Entonces, ¿estás listo mi video? |
| Isaac Himanga |
¿Qué hay de veamos para que no tengas un temporizador? Las cámaras establecerán un temporizador allí arriba, así que podría hacer 30. |
| Janice LeBeau, JMP |
Quiero decir, haz lo que quieras, porque esto empezará. |
| |
Quiero decir, honestamente, si piensas que son 35 y pasas a 32, está bien, si lo pasas un poco, está bien. |
| |
Bueno. |
| Isaac Himanga |
Así que tengo todo aquí. |
| |
Está bien. |
| Janice LeBeau, JMP |
Está bien, así que te sientes bien porque voy a hacer el. |
| |
Haré el 54321 y me silenciaré. |
| |
Y veamos que te congelaste. Está bien, así que estás listo. |
| Isaac Himanga |
Está bien. |
| Janice LeBeau, JMP |
Creo que en 4321. |
| Isaac Himanga |
Mi nombre es Isaac Himanga y voy a demostrar un flujo de trabajo que utilizo en ADM para optimizar los procesos de fabricación utilizando modelos multivariados. |
| |
Comenzaré extrayendo datos y construyendo un modelo, encontrando condiciones óptimas realistas, identificando condiciones anormales y finalmente calificando el modelo usando datos actuales. |
| |
Aquí hay mucha otra información sobre las plataformas individuales, por lo que en lugar de discutir los detalles de cada paso, solo resaltaré algunas características de uso común y, en su lugar, intentaré mostrar todo el flujo de trabajo. |
| |
Diré que la mayoría de los análisis con la cantidad de detalles que este tiene toman un poco más de 45 minutos. |
| |
Así que diríjase al artículo de esta charla en la comunidad de JMP para obtener más detalles e información, incluido un diario con capturas de pantalla de los pasos por los que pasaré bastante rápido aquí. |
| |
Comenzaré con una breve descripción general de ADM y el flujo de trabajo general. |
| |
Luego dejaré esta presentación a un lado para mostrarles el proceso en JMP. Verá cómo se ve obtener y limpiar datos, use el generador de perfiles para descubrir múltiples condiciones, |
| |
usar la plataforma de gráficos de control multivariante impulsados por modelos, escribir un script para calificar nuevos datos contra ese modelo y, finalmente, volveré a esta presentación para dar brevemente un método para calificar continuamente ese modelo usando JMP. |
| |
Primero, un poco sobre ADM. |
| |
El propósito de ADM es desbloquear el poder de la naturaleza para enriquecer la calidad de vida. |
| |
Transformamos productos naturales en un portafolio completo de ingredientes y sabores para alimentos y bebidas, suplementos, nutrición para mascotas y ganado, |
| |
y más. Y con una variedad de capacidades incomparables en cada parte de la cadena alimentaria global, brindamos a nuestros clientes una ventaja para resolver los desafíos globales de hoy y de mañana. |
| |
Una de esas capacidades es utilizar el análisis de datos para mejorar nuestros procesos de fabricación, incluido el método del que estoy a punto de hablar. |
| |
Soy parte del centro de excelencia de análisis y mejora enfocado relativamente nuevo. |
| |
Y nuestro equipo en crecimiento está invertido en técnicas, como esta, para ayudar a nuestras 800 instalaciones, 300 ubicaciones de procesamiento de alimentos y piensos, y al resto de nuestra empresa en todo el mundo a tomar mejores decisiones utilizando nuestros datos. |
| |
Ahora, una descripción general del flujo de trabajo. |
| |
Los cuatro pasos que revisaré hoy solo representan una parte del análisis completo. En aras del tiempo, omitiré algunas cosas que considero críticas para cada conjunto de datos, |
| |
como visualizar datos, usar validación, reducción de variables, corroborar hallazgos con otros modelos y alinear datos de laboratorio y de proceso. |
| |
obtener datos, construir un modelo, calificar ese modelo a pedido en JMP y luego calificar el modelo continuamente. |
| |
JMP tiene herramientas para respaldar cada paso, incluida una serie de conexiones de base de datos, herramientas de modelado de modelado multivariante, como mínimos cuadrados parciales, componentes principales y la plataforma de gráficos de control multivariante impulsados por modelos y, por supuesto, el lenguaje de scripting JMP o JSL. |
| |
Comencemos por obtener datos. A pesar de las muchas conexiones de bases de datos y opciones de scripting disponibles, necesitábamos una forma rápida de extraer datos de nuestro historiador de procesos, |
| |
un producto popular llamado PI, sin escribir consultas ni navegar por estructuras de tablas. Un complemento personalizado fue la respuesta para la mayoría de los conjuntos de datos. Este complemento fue relativamente ... se publicó recientemente en la comunidad JMP. |
| |
Dos complementos más ayudan en este proceso. Una, genéricamente llamada herramientas de secuencias de comandos, incluye una opción para obtener rápidamente la secuencia de comandos para recrear columnas calculadas. |
| |
cuando se combina con el guión de guardar en la funcionalidad integrada en la mayoría de las plataformas JMP. Los análisis pueden ser recreados rápidamente y puntuados bajo demanda por un usuario de JMP. |
| |
El último complemento, llamado motor de modelo JMP, también es el más nuevo. Utiliza un archivo de configuración e información guardada en la tabla de datos desde el complemento de PItool para obtener datos. |
| |
Eso hace cálculos usando fórmulas de columna o cualquier otro script JSL y luego escribe los resultados al historiador. |
| |
Y el interés del tiempo, voy a avanzar muy rápidamente a través de este último paso, pero nuevamente, los animo a buscar más detalles sobre la Comunidad JMP usando el enlace en el |
| |
diapositiva de la agenda de esta presentación. |
| |
Cada uno de estos complementos se revisó para eliminar información confidencial, pero estamos cambiando a los usuarios al mismo código que se publica en la Comunidad. Entonces, si tiene ideas y cómo mejorarlas, no dude en colaborar con nosotros en la Comunidad JMP en ... o en GitHub. |
| |
Con eso, abramos JMP. |
| |
Detrás de escena, ADM ... o el complemento de JMP PItool utiliza un par de productos PI diferentes para extraer datos, incluidos SQL DAS, OLEDB y ODBC. Las instrucciones para configurar esto se pueden encontrar en el menú de ayuda de esta plataforma. |
| |
Hoy vamos a extraer datos para un conjunto de PItags desde el 1 de mayo, comenzando al mediodía, y luego vamos a extraer otro valor todos los días al mediodía hasta hoy. |
| |
Vamos a hacer esto para un determinado conjunto de etiquetas, que se enumeran aquí en este ... |
| |
en esta caja. Observe que en realidad hemos incluido lo que se llama una etiqueta amigable o un nombre que es más descriptivo que solo el nombre que está en PIhistorian que nos ayudará a identificar esas columnas más adelante en la tabla de datos. Hay todos estos pequeños signos de interrogación alrededor del |
| |
... en torno al complemento que proporciona más información, incluida una descripción de este formato de etiqueta amigable que vamos a utilizar hoy. |
| |
Cuando presiono ejecutar consulta, se abrirá una tabla de datos que se parece a esta. Tiene un conjunto de columnas para todos los valores numéricos en esa tabla de datos. |
| |
Tiene un conjunto de columnas para cualquier valor de cadena, por lo que si tenía caracteres almacenados en el PItag, los extraerá. Y también podemos ver el estado de esa etiqueta |
| |
por cada fila. |
| |
También en las propiedades de la columna para esa tabla de datos, si abrimos la información de la columna, veremos la información que se usó para extraer ese punto de datos, incluido el PItag, |
| |
el tipo de llamada y el intervalo. Para consultas más complejas, como un promedio o un máximo, veremos más información aquí. |
| |
Notaré que se trata de datos reales que se han vuelto a escalar y que se han cambiado los nombres de las columnas, pero el análisis que veremos hoy debe verse y sentirse muy similar a un análisis real utilizando datos reales de una de nuestras instalaciones. |
| |
Finalmente, señalaré que hay un script aquí guardado en la tabla de datos llamada fuente de datos PI, que es el mismo script que se muestra realmente en el complemento. |
| |
y contiene el SQL que también está disponible aquí. De nuevo detrás de escena, esto usa |
| |
SQL DAS o PI DAS para obtener esa información de PI, y estos son todos ... todos los scripts que se ejecutarán para obtener esos datos. Regresaremos y usaremos esto nuevamente cerca del final de la charla de hoy. |
| |
Bien, ahora que tenemos datos, necesitamos limpiarlos. Hoy vamos a utilizar herramientas multivariadas para hacer eso, específicamente el análisis de componentes principales. Extraeré todos los valores numéricos de esa tabla de datos y los pondré en la lista de columnas y y luego |
| |
De inmediato, podemos ver algunos valores que tienen ... bastantes valores que tienen puntuaciones particularmente bajas para el componente uno. Si miras las cargas para esos |
| |
diferentes factores, podemos ver que el componente uno incluye cargas altas para todos los diferentes flujos en este conjunto de datos. |
| |
Entonces eso me dice que todos estos valores aquí a la izquierda tienen flujos altos en todos los ámbitos para todo el sistema. Utilizando algunos conocimientos de ingeniería, puedo decir que esto representa un tiempo de inactividad para ese proceso, así que seguiré adelante y ocultaré y excluiré todos estos valores. |
| |
Ahora que hemos hecho eso, recalcularemos el análisis del componente principal, por lo que usaremos rehacer y rehacer el análisis y luego cerraremos el anterior. |
| |
Y ahora podemos ver que las cargas son quizás un poco más significativas. El componente principal tres, por ejemplo, explica la mayor parte de la variación en el flujo 2 y aquí hay un poco de separación. |
| |
Los primeros tres componentes explican la mayor parte de la variación, por lo que usaré esos tres componentes cuando busque otros valores atípicos en este conjunto de datos. |
| |
Para hacer eso, abriré el análisis de valores atípicos y cambiaré el número de componentes a tres. |
| |
Y luego podemos ver el gráfico T cuadrado, y también puedo abrir el gráfico DModX normalizado |
| |
para ver puntos que tienen valores extremos para una o más de las puntuaciones o puntos que tienen un solo |
| |
columna o una sola celda que tiene un valor inesperado o fuera del rango esperado, según todas las demás columnas de ese conjunto de datos para ese rol en particular. |
| |
Por ahora, vamos a limpiar rápidamente este conjunto de datos excluyendo todos los valores de T cuadrado y DModX que están por encima del límite de control superior. |
| |
Una cosa más que se hace comúnmente al limpiar un conjunto de datos es transformar columnas, y quiero mostrar una característica del complemento de la herramienta de secuencias de comandos que hace |
| |
Es un poco incluso tratando de aplicar y |
| |
transferir al nuevo menú de columna de fórmula. Si selecciono tres columnas o cualquier número de columnas y voy a la opción de transformación personalizada, que se carga nuevamente como parte de ese complemento de herramientas de secuencias de comandos, |
| |
Puedo seleccionar una transformación Savitzkey-Golay y presionar OK, y agregará tres columnas al final de la tabla de datos con una fórmula que contiene esa transformación. |
| |
Notaré que la limpieza que hicimos podría haberse hecho directamente y en PLS. Sin embargo, a menudo uso primero un PCA. |
| |
Bien, ahora hemos limpiado nuestro conjunto de datos, necesitamos realmente construir un modelo |
| |
para intentar predecir que ... nuestras condiciones de proceso. Quizás otra nota rápida sobre este conjunto de datos, tenemos un objetivo de flujo aquí. |
| |
Hoy, nuestro objetivo será crear una cierta cantidad de este flujo objetivo usando la menor cantidad posible de flujo uno y también tomando algunos ... |
| |
en cuenta algunas limitaciones de estos parámetros de calidad. Entonces, debido a que el flujo uno es lo que nos interesa principalmente, cambiaré a un modelo de mínimos cuadrados parciales y usaré ese flujo ... flujo objetivo en y y todas las demás variables como factores X. |
| |
Simplemente aceptaré todos los valores predeterminados por ahora y voy a adelantarme un poco y usar de inmediato cuatro factores. |
| |
Cuando abro esos cuatro factores, |
| |
veremos que los dos primeros |
| |
representar el |
| |
variables que la planta normalmente cambia en los pedidos ... con el fin de ajustar la rapidez con que ejecutan el proceso. Entonces, si necesitan hacer más o menos de este flujo objetivo, a menudo cambian el factor uno para lograr esa tasa objetivo. |
| |
El factor 2, por otro lado, se relaciona principalmente con estos parámetros de calidad, que en realidad son parámetros de calidad de entrada sobre los que no tenemos control. |
| |
Entonces no es algo que podamos cambiar. Entonces, aunque los factores tres y cuatro tienen relativamente ... explican cantidades relativamente pequeñas de la variación de |
| |
nuestro flujo objetivo y explican cantidades relativamente pequeñas de la variación de nuestro factor uno, esos son los que realmente tenemos control y, por lo tanto, esos son los que vamos a poder usar para optimizar nuestro proceso. |
| |
Para usar esto ... hemos construido un modelo que explica la variación en nuestros datos. |
| |
Para usar esa información, necesitamos guardar algunas de esas columnas o guardar las predicciones de esto en nuevas columnas en nuestro conjunto de datos. |
| |
que usaremos en el generador de perfiles de predicciones en solo unos minutos. |
| |
Usaremos algunas características nuevas que se agregaron en JMP 16, lo que nos permitirá guardar predicciones, tanto para las variables Y como para las variables X, como fórmulas de puntuación X. Y cuando abramos el generador de perfiles, creo que ayudará a ilustrar por qué eso se vuelve importante. |
| |
Así que hemos guardado las tres predicciones, las predicciones X y los cuadrados T, de regreso a nuestra tabla de datos. Esas deberían ser columnas nuevas en la parte inferior como funciones de estos puntajes X. |
| |
También podemos echar un vistazo rápido a las gráficas de distancia y T cuadrado dentro de la plataforma PLS, y vemos que si bien hay algunas variables que tienen DModX o T cuadrados bastante altos, no hay nada demasiado extremo. |
| |
Estas puntuaciones a menudo se guardan o siempre se guardan con nombres de variables que pueden volverse confusos a medida que guarda más y más o pasa por múltiples iteraciones de su modelo. Por tanto, las herramientas de secuencias de comandos contienen otra función, denominada columnas de cambio de nombre, |
| |
que le permitirá seleccionar una consulta de ejemplo para PLS. Tiene un patrón de expresión regular bastante complicado aquí, |
| |
pero observe que genera un conjunto estándar de nombres que tendrán el mismo aspecto para PLS, PCA y otras plataformas dentro de la tabla de datos. |
| |
Entonces, en este caso, voy a copiar un prefijo específico, pondremos antes de todas esas columnas indicando que este es el modelo que vamos a poner en línea para nuestro control de calidad y es la revisión uno de ese modelo. |
| |
Cuando cambio los nombres, podemos ver que ha cambiado automáticamente el nombre de todas estas columnas en el conjunto de datos. |
| |
Así que hemos creado un modelo que explica la variación en |
| |
estas columnas, pero lo que no hemos hecho es nuestro objetivo original de averiguar cómo producir una cierta cantidad de flujo ... de nuestro flujo objetivo utilizando la menor cantidad posible de flujo uno. Para hacer eso, usaremos el generador de perfiles. Observe cuando abrimos el generador de perfiles, |
| |
podemos agregar todos estos valores predichos, de modo que no los puntajes X en sí mismos, sino los valores predichos y la T al cuadrado, a esta sección de fórmula de predicción. |
| |
Y luego, cuando se abra, veremos a través del eje X, todos nuestros puntajes en el modelo o nuestras variables latentes. |
| |
Y podemos ver que cuando movemos uno de esos puntajes, automáticamente moverá todas estas variables observadas juntas. |
| |
a la relación de las cargas en cada uno de esos componentes. Es muy importante que eche un vistazo a estos flujos tres y cuatro, siempre se mueven juntos. No importa qué puntaje movamos, |
| |
este modelo entiende que estos dos puntajes están relacionados. Quizás uno sea un medidor de flujo sobre el que tienen control, y quizás un segundo |
| |
es un segundo medidor de flujo en la misma línea, pero independientemente de que parezca que la planta puede mover uno sin mover el otro en la misma dirección. |
| |
Entonces el objetivo es encontrar valores para cada uno de estos puntajes que van a optimizar nuestro proceso. |
| |
Antes de que podamos hacer eso, debemos decirle a JMP qué es lo que estamos tratando de optimizar. Necesitamos decir que tenemos una cierta tasa de flujo que estamos tratando de alcanzar y ciertos parámetros de calidad que estamos tratando de alcanzar. |
| |
Entonces, comenzaremos diciéndole que no nos importan los valores para la mayoría de estas columnas. Entonces, seleccionaremos todas las columnas que guardamos, |
| |
iremos a estandarizar los atributos y agregaremos un límite de respuesta de ninguno para todas estas columnas diferentes. |
| |
Luego regresaremos y ajustaremos ese límite de respuesta. Puede ser más descriptivo para las columnas que nos interesan. Por ejemplo, el objetivo de flujo volverá al límite de respuesta e indicaremos que queremos hacer coincidir un valor de 140 para esa columna. |
| |
De manera similar, para la calidad uno, queremos alcanzar el valor de |
| |
20.15. |
| |
Para el flujo, queremos minimizar ese valor. |
| |
Y finalmente, debemos asegurarnos de que la solución a la que lleguemos esté cerca del rango operativo normal del sistema, por lo que no queremos extrapolar fuera del área donde construimos ese PLS. |
| |
Para hacer eso, usaremos esta columna T al cuadrado, e indicaremos que queremos minimizar el T al cuadrado |
| |
de modo que esté por debajo del límite de control superior que se mostró en esa plataforma PLS. Aquí podemos ver que el límite de control superior fue 9.32, así que lo usaremos como el valor mínimo aquí. |
| |
Lo que deberíamos ver en el generador de perfiles ahora es que cada valor por debajo de 9,32 es igualmente aceptable y, a medida que supere 9,32, será cada vez menos deseable. |
| |
Debajo del menú de gráficos, abriré el generador de perfiles una vez más, y una vez más tomaré todas esas predicciones y fórmulas de T cuadrado y las pondré en la fórmula de predicción Y. |
| |
Y todavía vemos las puntuaciones X en la parte inferior, pero ahora también vemos estas funciones de deseabilidad a la derecha. |
| |
Y una vez más, la función de deseabilidad para T cuadrado comienza a caer por encima de 9,32. La conveniencia es mayor en valores bajos de flujo uno y tenemos objetivos tanto para el flujo objetivo como para el parámetro de calidad. |
| |
Debido a que hemos definido todos estos, ahora podemos ir a maximizar la conveniencia. |
| |
Y eso va a intentar encontrar valores para cada uno de esos puntajes y, por lo tanto, valores para todas las variables observadas en nuestro conjunto de datos que van a |
| |
lograr este flujo objetivo y lograr los objetivos que se encuentran en estos que definimos anteriormente. |
| |
Observe que estuvo cerca de alcanzar el objetivo completo, pero parece que está un poco bajo. Logró nuestras 20.15 |
| |
y fue dentro del límite de T al cuadrado que lo dimos. Lo más probable es que JMP pensara que esta pequeña disminución en la deseabilidad era menos importante que reducir el flujo, por lo que podemos solucionarlo haciendo clic en el control haciendo clic en esta función de deseabilidad y simplemente cambiando la importancia a 10. |
| |
Ahora, si optimizamos esto nuevamente, debería acercarse un poco más al objetivo de flujo. Sin embargo, antes de hacer eso, guardaré la configuración de estos factores en esta tabla en la parte inferior, para que podamos comparar el antes y el después. Y luego seguiremos adelante y maximizaremos la conveniencia. |
| |
Parece que está terminado y todavía estamos dentro de los límites de nuestra T al cuadrado. |
| |
Ha logrado las 20.15 que pedimos y ciertamente está mucho más cerca de las 140. Así que ahora podríamos guardar una vez más la configuración de estos factores en la tabla de datos. |
| |
Y ahora deberíamos tener factores que podemos devolver a la planta de fabricación y decir, oye, aquí están los parámetros que recomendamos. |
| |
El beneficio de usar un análisis multivariante como este, hablamos de que esos flujos tres y cuatro están relacionados anteriormente, |
| |
Con este método, deberíamos poder darle a la planta valores razonables a los que realmente puedan funcionar. |
| |
Si les dice que ejecuten un valor alto para tres y un valor bajo para el flujo cuatro, es posible que lo miren y digan bueno, eso simplemente no es posible. |
| |
Estos deberían ser mucho más razonables. Tenga en cuenta que no todas estas variables son necesariamente variables independientes que la planta puede controlar. Algunos de esos pueden ser |
| |
resultados, o pueden estar simplemente relacionados con otras variables. En teoría, si la planta cambia todas las cosas sobre las que tiene control, las otras cosas deberían encajar en su lugar. |
| |
Entonces, ahora que hemos optimizado este modelo, el siguiente paso suele ser asegurarnos o verificar si estamos funcionando normalmente. Entonces, una vez que se establecen las condiciones óptimas, es bueno usar el mismo modelo para calificar nuevas filas o nuevos datos y comprender, ¿el proceso está actuando como esperamos? |
| |
Para hacer eso, usaremos estos mismos puntajes de predicción que teníamos en ... guardados desde la plataforma PLS, pero esta vez usaremos los del gráfico de control multivariante impulsado por modelo |
| |
bajo calidad y proceso. |
| |
Usaré el tiempo y lo pondré en la identificación del tiempo, de modo que en lugar de ver los números de fila, veremos una fecha real en todos nuestros gráficos y colocaremos las puntuaciones X en el proceso. |
| |
Desafortunadamente, el rango no siempre funciona correctamente en estos gráficos, por lo que si me acerco un poco, veremos que aquí hay períodos en los que tuvimos una T alta al cuadrado y esa T alta al cuadrado fue principalmente el resultado de los flujos. dos, tres, cuatro y uno, entonces todo fluye en eso ... |
| |
son los que más contribuyen a este T cuadrado. Si hacemos clic en eso y colocamos el mouse sobre una de esas barras, si hago clic en ese punto nuevamente, entonces veremos un gráfico de control para ese valor individual ... individual |
| |
variable con el punto que seleccionamos resaltado en ese gráfico. |
| |
Y voy a ocultar este, sin embargo, y no solo mirar T al cuadrado, también podemos hacer lo mismo para DModX o SPE, si todavía estás mirando SPE. Una vez más, |
| |
esto no siempre funciona correctamente. |
| |
Así que haremos zoom en el |
| |
Valores DModX nuevamente. |
| |
Entonces, DModX indicará puntos que tienen un valor alto o bajo para una columna individual, en comparación con lo que se esperaba en función de las otras filas, los otros datos en esa fila. |
| |
Aquí podemos ver que este punto es principalmente un valor atípico debido al flujo cinco. |
| |
Encuentro que los mapas de calor de proporción de contribución son bastante útiles para buscar y ver patrones en datos antiguos cuando, por ejemplo, una variable podría haber sido un factor contribuyente alto o haber actuado de manera anormal durante un largo período de tiempo o durante una cierta sección de tiempo. . |
| |
Entonces, este es un gráfico que podría ... que podríamos querer mirar todas las mañanas, por ejemplo, o periódicamente para ver, ¿el proceso está actuando normalmente? |
| |
Entras, quieres abrir esto y verás, ¿hay algo que deba ajustar ahora mismo para que nuestro proceso vuelva a estar bajo control? |
| |
Entonces, para hacer eso, queremos recrear todo este análisis desde la extracción de datos de PI hasta la apertura de la plataforma MDMCC y que todo esté disponible con un clic de un botón. |
| |
Para hacer eso, vamos a escribir un script JSL que tiene tres pasos. Obtendrá los datos de PI, agregaremos las columnas calculadas y luego abriremos el modelo que tenemos en la plataforma de gráficos de control multivariante. |
| |
obteniendo datos de PI. Si volvemos a la tabla de datos original que ... |
| |
que se abrió después de ejecutar el complemento de herramientas de PI, podemos ver este script de fuente de datos de PI guardado en esa tabla. Si editamos ese script y simplemente lo copiamos, podemos pegarlo en la nueva ventana del script. |
| |
Solo voy a hacer un cambio. En lugar de extraer datos de mayo, comenzaremos a extraer datos del 1 de agosto. |
| |
Ahora necesitamos agregar esas columnas calculadas. Así que recuerde que ... en la plataforma PLS usamos la puntuación guardada ... guardar como opción de fórmulas de puntuación X. |
| |
Para recrearlos, podemos simplemente seleccionar todas las columnas en la tabla de datos y usar la función de secuencia de comandos de copia de columna que se agregó nuevamente en ese complemento de herramientas de secuencias de comandos. |
| |
Una vez que copiamos la secuencia de comandos de la columna, volvemos a esta nueva secuencia de comandos que creamos y pegaremos lo que son un montón de nuevas fórmulas de columna para volver a crear todas esas columnas. |
| |
Finalmente, control multivariante impulsado por modelo |
| |
gráfico tiene un ??? la mayoría de las otras plataformas, donde puede guardar el script en el portapapeles y pegarlo en la misma ventana del script. |
| |
Ahora, si imaginamos que es un nuevo día y tenemos todo cerrado, y quiero ver cómo va nuestro proceso, simplemente ejecutaría este mismo script. Tenga en cuenta que podría comenzar con |
| |
una barra diagonal específica y luego un signo de exclamación para que se ejecute automáticamente cuando se abre el script. |
| |
Cuando presiono Ejecutar, se abrirá una tabla de datos que se ve igual que nuestra tabla original. Tiene todas las mismas columnas. |
| |
Se agregaron esas columnas calculadas, así que pongamos estos puntajes y todas las predicciones, y también abrió la plataforma de gráficos de control multivariante impulsados por modelos |
| |
donde podemos ver que este valor reciente para DModX es en realidad bastante alto, por lo que los datos más recientes tienen algunos valores anormales, en este caso, para la calidad tres. |
| |
Entonces, nuevamente, la calidad tres parece que no está en el valor esperado, según los otros parámetros. En este caso particular, eso podría significar, |
| |
Dado que la calidad tres es un parámetro de entrada y la calidad uno, dos y tres a menudo están relacionados, eso podría significar que la calidad tres es una mala muestra de laboratorio o podría significar que este es un material nuevo con el que no hemos trabajado antes. |
| |
Bien, finalmente, hablemos de un método para ejecutar este modelo de forma continua. Así que esto se recreó a pedido, |
| |
donde escribimos un script JSL para ejecutar esto, pero a veces es beneficioso |
| |
a ... o nos pareció beneficioso volver a escribir estos resultados a nuestro historiador de PI para que puedan ser utilizados por |
| |
los operadores en nuestras instalaciones. Entonces, en los últimos minutos, quiero presentar ese complemento, se llama complemento de motor de modelo, |
| |
que puntuará rápidamente modelos en línea. Debo señalar que esto debe usarse solo como consejo. No es un método aceptable para proporcionar información crítica o para el control de circuito cerrado. |
| |
Para eso, podría considerar exportar las fórmulas del depósito de fórmulas y usar algún otro paquete de software para calificarlas. |
| |
Como se mencionó anteriormente, algunas de las predicciones y la información disponible en este modelo |
| |
tiene más tiene el mayor valor en el momento en que está sucediendo. Entonces, saber qué causó el problema de ayer es genial, pero saber qué está sucediendo ahora |
| |
significa tomar decisiones con los resultados del modelo actual y permite solucionar algunos problemas antes de que se conviertan en un gran problema. |
| |
Por supuesto, hay muchas formas de puntuar modelos, pero el poder del lenguaje de scripting JMP, JSL, |
| |
proporciona una forma de obtener predicciones e información de anomalías frente a los operadores en nuestras instalaciones de fabricación utilizando su conjunto existente de herramientas de visualización y tendencias a las que ya están acostumbrados. |
| |
Un par de modelos de motores, o computadoras que ejecutan JMP con un complemento específico que inició el programador de tareas, se configuran para ejecutar periódicamente todos los modelos almacenados en un directorio específico. |
| |
Toda la configuración se realiza a través de dos tipos de archivos de configuración, un archivo de configuración de motor único y un archivo de configuración de modelo para cada modelo que se puntuará. |
| |
Comencemos con ese archivo de configuración de modelo. ¿Recuerda cómo el complemento de herramientas de PI guarda la información de origen en la tabla de datos? |
| |
Ahora, esa misma información se puede usar para completar el archivo de configuración del modelo, que le dice al motor del modelo cómo descargar una tabla con una sola fila que contiene todas las entradas del modelo de las que necesita calcular los valores. |
| |
Más tarde, el complemento de herramientas de secuencias de comandos guarda rápidamente las secuencias de comandos para recrear columnas guardadas desde PLS y cualquier otra plataforma, |
| |
potencialmente incluyendo contribuciones de T cuadrado y DModX que se pueden guardar desde la plataforma de gráficos de control de versiones del modelo. Estos nuevos scripts de columna también se guardan en el archivo de configuración del modelo o en un archivo separado en ese mismo directorio. |
| |
Finalmente, el archivo de configuración del motor define cómo se comunica el motor con la fuente de datos donde las herramientas de PI |
| |
complemento ... donde el complemento de herramientas de PI usa OLDB |
| |
y consultas SQL para obtener datos, el motor de modelos utiliza la API web de PI para leer y escribir datos directamente en PI. |
| |
Al definir un conjunto de funciones en el archivo de configuración del motor, este motor también puede comunicarse con muchas otras fuentes de datos. |
| |
Observe que se define un conjunto de etiquetas de latido, lo que permite que la fuente de datos y otros motores de modelo conozcan el estado de este motor. |
| |
Cada modelo también tiene su propio conjunto de etiquetas de latido, por lo que si una máquina deja de puntuar un modelo en particular, el otro motor se hará cargo automáticamente. |
| |
Nuevamente, esta idea de motor modelo no está destinada a ser utilizada para aplicaciones críticas, pero descubrí que nos permite pasar muy rápidamente de la implementación y el análisis exploratorio a una predicción en línea o una solución de control de calidad. |
| |
Con eso, gracias a todos por asistir. Recuerde que hay más información disponible sobre cada complemento y la revista que utilizo hoy en la Comunidad de JMP. |
| Janice LeBeau, JMP |
increíble trabajo increíble. |
