398760_es-ES

liliconcom

Optimización de modelos multivariados: de la recopilación de datos a las condiciones óptimas y los modelos de puntuación (2021-US-45MP-927).

Nivel: Intermedio

 

Isaac Himanga, ingeniero sénior de análisis, ADM

 

Los procesos de fabricación son sistemas altamente correlacionados que son difíciles de optimizar. Esta correlación brinda la oportunidad de identificar valores atípicos. Aquí, demostramos un flujo de trabajo completo, que implica:

 

• Obtención de datos del historiador OSISoft.
• Modelado y optimización con modelos multivariados que tienen en cuenta las restricciones del proceso.
• Utilizando la plataforma MDMCC.
• Calificar modelos en línea y escribir condiciones anormales para el historiador.

En la práctica, muchos procesos son difíciles de optimizar. A veces un sistema no puede reducirse a un conjunto de variables independientes que puedan probarse; en otros casos, el proceso puede volverse inestable en diferentes condiciones.Para abordar estos problemas, estamos utilizando nuevas funciones en JMP 16 para optimizar el costo y la calidad en el latente espacio variable, teniendo en cuenta las restricciones en observado variables. Para permanecer en esas condiciones óptimas, utilizamos la plataforma MDMCC para identificar rápidamente desviaciones de lo normal.

 

Los complementos se utilizan para minimizar el tiempo dedicado a recopilar datos y calificar modelos: uno para extraer datos de proceso en JMP desde el popular PI Historian, otro para recrear rápidamente columnas calculadas y un tercero para calificar modelos en línea y enviar resultados al historiador. incluidas las contribuciones del MDMCC.

 

Los complementos a los que se hace referencia están disponibles en la comunidad JMP:

• Herramientas de PI de Aveva/OSISoft
• Herramientas de secuencias de comandos

 

 

Transcripción generada automáticamente...

 

Vocero	Transcripción
Isaac Himanga	Hola, buenos días.
Janice LeBeau	hola isaac como estas.
Isaac Himanga	bien, ¿cómo estás?
Janice LeBeau	Bien, gracias, soy Dan, se trata de que hoy voy a producir tu presentación para ti.
Isaac Himanga	Muy fantástico.
Janice LeBeau	Y no puedo verte Isaac.
Isaac Himanga	Sí, lo siento, lo configuraré aquí.
Janice LeBeau	Bien, y solo para informarles que estamos grabando ahora mismo.
	Absolutamente genial. Siento como si nos hubiésemos conocido antes.
Isaac Himanga	Podríamos tener cualquiera de los dos, estoy seguro, uno de los de la cumbre si estuviera en algún lugar.
Janice LeBeau	Vale, genial, ¿cómo estás hoy?
Isaac Himanga	bien, ¿cómo estás?
Janice LeBeau	Bien, me encanta tu fondo, es un color hermoso, seguro que lo has elegido.
Isaac Himanga	Gracias.
	Bien.
Janice LeBeau	Sólo voy a repasar algunas cosas y solo necesito reconfirmarlas con usted.
	El nombre de la empresa del presentador y el título del resumen.
	Bien, ¿tiene algún copresentador? Está bien y está de acuerdo con que grabemos esto y lo publiquemos en los archivos de Discovery Discovery Summit.
Isaac Himanga	Absolutamente, y supongo que iba a publicar la reproducción en el disco también en mi sitio, en caso de que algo suceda, así que tendremos una copia y eso está bien para ustedes.
Janice LeBeau	um, no sé si eso afectará la calidad de algo o.
Isaac Himanga	¿No debería hacerlo con bastante frecuencia?
Janice LeBeau	Está bien, te dejaré tomar la iniciativa. Soy tu fondo de pantalla se ve bien, tu micrófono suena bien, está bien, solo quería reconfirmar que las notificaciones de tu teléfono celular y computadora están desactivadas.
Isaac Himanga	Debería serlo, pero lo comprobaré de nuevo porque sí.
Janice LeBeau	Llamo a tu obra de arte.
	Y luego.
	Energía del Ocho y 1920 para el Día 10, ¿tienes alguna mascota en el fondo?
Isaac Himanga	Entonces.
Janice LeBeau	Podría hacer ruido, como probablemente hará mi gato, así que lo recomendé.
Isaac Himanga	Bueno, en teoría, hoy soy el único en casa.
Janice LeBeau	¿Cerraste Skype o cualquier otra aplicación que haga ruidos?
Isaac Himanga	Accediendo a mi turno, apague este bien, sí.
	Bueno.
Isaac Himanga	Sí, así que creo que lo único que debería estar encendido ya que tú y yo vamos a bajar el volumen cuando comencemos aquí, en caso de que algo suceda, podré verte, pero simplemente quédate callado de esa manera si algo más hace ruido oh.
Janice LeBeau	Bueno, lo que voy a hacer es.
	Solo te daré un par de consejos más. Voy a silenciarme y ocultar mi video. Puedes compartir tu pantalla para tu presentación.
	Y antes de silenciarme haré mi 54321 y luego me daré un par de segundos y luego podrás seguir adelante y presentarte.
	y comienza a grabar puedes comenzar tu presentación y luego, cuando me digas bueno, esto concluye la presentación de hoy, espero que la hayas disfrutado, sea lo que quieras decir y luego dejaré de grabar para ti, ¿vale?
	Bien, y si nos gusta, desde el principio y no estás contento, sabes que podemos detenerlo y empezar de nuevo, así que estoy totalmente de acuerdo con todo eso.
Isaac Himanga	Bien, ahora espero que no sea un problema qué tan cerca de 35 minutos lo quieres. Cuando practiqué, quiero decir que estaba dividido entre 34 y 36, ¿quieres leerlo 35 o?
Janice LeBeau	Sabes que está bien, quiero decir, simplemente haz lo que tengas que hacer. Conozco a una persona con la que estábamos 20 minutos y si te dijeran que duraba entre 30 y 40 minutos.
Isaac Himanga	Sí, en alguna parte recuerdo que 35 podrían haber dado un rango allí.
Janice LeBeau	eso es genial, no te preocupes por eso.
Isaac Himanga	Bien, buen trato, perfecto.
Janice LeBeau	Bien, entonces estamos grabando en la nube.
	Podemos ver eso.
	Oh, eso se ve muy bien, se ve delicioso.
Isaac Himanga	perfecto.
Janice LeBeau	Así que sí.
	Entonces, ¿estás listo mi video?
Isaac Himanga	¿Qué tal si vamos a ver para que no tengan un temporizador? Las cámaras van a configurar un temporizador en mi allí arriba, para que pueda hacerlo.
Janice LeBeau	O sea, haz lo que quieras, porque esto empezará.
	Quiero decir, honestamente, si crees que es 35 y llegas a 32, está bien, si te excedes un poco, está bien.
	Bueno.
Isaac Himanga	Entonces tengo todo aquí.
	Está bien.
Janice LeBeau	Está bien, entonces te sientes bien porque voy a hacer el.
	Haré el 54321 y me silenciaré.
	Y veamos que te congelaste ahí vas. Bien, entonces estás listo.
Isaac Himanga	Está bien.
Janice LeBeau	creo que por
Isaac Himanga	Voy a demostrar un flujo de trabajo que utilizo en ADM para optimizar los procesos de fabricación utilizando modelos multivariados.
	Comenzará extrayendo datos y construyendo un modelo, buscando condiciones óptimas realistas, identificando condiciones anormales y, finalmente, calificando el modelo utilizando los datos actuales.
	Aquí hay mucha más información sobre las plataformas individuales, por lo que en lugar de discutir los detalles de cada paso, solo resaltaré algunas características utilizadas comúnmente y en su lugar intentaré mostrar todo el flujo de trabajo.
	Diré que la mayoría de los análisis con la cantidad de detalles que éste ha tomado un poco más de 45 minutos.
	Así que dirígete al artículo de esta charla en la comunidad JMP para obtener más detalles e información, incluido un diario con capturas de pantalla de los pasos que seguiré con bastante rapidez 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 obtiene y limpia datos, use el generador de perfiles para descubrir múltiples condiciones,
	usar la plataforma de gráficos de control multivariado impulsado por modelos, escribir un script para calificar nuevos datos con respecto a ese modelo y, finalmente, volveré a esta presentación para brindar 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 análisis de datos para mejorar nuestros procesos de fabricación, incluido el método del que voy a hablar.
	Soy parte del relativamente nuevo Centro de Excelencia de Análisis y Mejora Enfocada.
	Y nuestro creciente equipo invierte en técnicas como ésta 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 sólo representan una parte del análisis completo. Por razones de tiempo, voy a omitir algunas cosas que considero críticas para cada conjunto de datos.
	como visualizar datos, utilizar 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 según demanda en JMP y luego calificar el modelo continuamente.
	JMP tiene herramientas para respaldar cada paso, incluida una variedad de conexiones de bases de datos, herramientas de modelado multivariado, como mínimos cuadrados parciales, componentes principales y la plataforma de gráficos de control multivariado basada en modelos.
	Comencemos por obtener datos. A pesar de las muchas conexiones de bases de datos y opciones de secuencias de comandos 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 hacer que la secuencia de comandos recree rápidamente las columnas calculadas.
	cuando se combina con el script de guardado en la funcionalidad integrada en la mayoría de las plataformas JMP. Un usuario de JMP puede recrear y calificar rápidamente los análisis a pedido.
	El último complemento, llamado JMP Model Engine, 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 en el historiador.
	Por razones de tiempo, avanzaré muy rápidamente en este último paso, pero nuevamente, los invito a buscar más detalles sobre la comunidad JMP utilizando el enlace en el
	va diapositiva 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… o en GitHub.
	Con eso, abramos JMP.
	Detrás de escena, el 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, a partir del 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 descriptiva 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
	...alrededor del complemento que brinda más información, incluida una descripción de este formato de etiqueta amigable que usaremos hoy.
	Cuando presiono ejecutar consulta, se abrirá una tabla de datos similar a esta. Tiene un conjunto de columnas para todos los valores numéricos de esa tabla de datos.
	Tiene un conjunto de columnas para cualquier valor de cadena, por lo que si tenía caracteres almacenados en PItag, los extraerá. Y también podemos ver el estado de ese PItag.
	por cada fila.
	Además, 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 estos son datos reales que han sido reescalados y los nombres de las columnas han sido cambiados, pero el análisis que veremos hoy debería verse y sentirse muy similar a un análisis real que utiliza datos reales de una de nuestras instalaciones.
	Finalmente, voy a señalar que aquí hay un script guardado en la tabla de datos llamado PI data source, que es el mismo script que realmente se muestra 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 ejecutará para obtener esos datos. Volveremos y usaremos esto nuevamente cerca del final de la charla de hoy.
	Bien, ahora que tenemos datos, necesitamos limpiarlos. Hoy usaremos herramientas multivariadas para hacer eso, específicamente el análisis de componentes principales. Voy a extraer 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.
	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, vamos a recalcular el análisis del componente principal, así 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 la cantidad de componentes a tres.
	Y luego podemos ver el gráfico de 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, en función de todas las demás columnas de ese conjunto de datos para esa función en particular.
	Por ahora, simplemente limpiaremos rápidamente este conjunto de datos excluyendo todos los valores de T cuadrado y DModX que estén por encima del límite de control superior.
	Una cosa más que se hace comúnmente cuando se limpia 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 intentar aplicar y
	transferir al menú de la nueva columna de fórmula. Si selecciono tres columnas o cualquier cantidad 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 de Savitzkey-Golay y presionar Aceptar, y se agregarán tres columnas al final de la tabla de datos con una fórmula que contiene esa transformación.
	Observo que la limpieza que hicimos se podría haber hecho directamente y en PLS. Sin embargo, suelo utilizar primero un PCA.
	Bien, ahora que hemos limpiado nuestro conjunto de datos, necesitamos construir un modelo.
	para intentar predecir eso…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 utilizando la menor cantidad de flujo posible y también teniendo en cuenta algo...
	en cuenta algunas limitaciones sobre estos parámetros de calidad. Entonces, debido a que el flujo uno es lo que nos interesa principalmente, voy a cambiar a un modelo de mínimos cuadrados parciales y usaré ese flujo... flujo objetivo en y y todas las demás variables como factores X.
	Por ahora, simplemente aceptaré todos los valores predeterminados y avanzaré un poco y usaré cuatro factores de inmediato.
	Cuando abro esos cuatro factores,
	veremos que los dos primeros
	representar el
	variables que la planta normalmente cambia en los pedidos… para ajustar la velocidad con la que ejecutan el proceso. Entonces, si necesitan generar 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 han explicado cantidades relativamente pequeñas de la variación de
	nuestro flujo objetivo y explican cantidades relativamente pequeñas de la variación de nuestro factor uno, esos son sobre los que realmente tenemos control y, por lo tanto, esos son los que podremos usar para optimizar nuestro proceso.
	Para poder usar esto... hemos construido un modelo que explica la variación en nuestros datos.
	Para utilizar 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 predicción en solo unos minutos.
	Haremos uso de algunas características nuevas que se agregaron en JMP 16, lo que nos permitirá guardar predicciones, tanto para las variables Y como para X, como fórmulas de puntuación X. Y cuando abrimos el generador de perfiles, creo que ayudará a ilustrar por qué esto se vuelve importante.
	Así que hemos guardado las tres predicciones, las predicciones X y los cuadrados T, en nuestra tabla de datos. Esas deberían ser columnas nuevas en la parte inferior en función de estas puntuaciones X.
	También podemos echar un vistazo rápido a los gráficos de distancia y T cuadrado dentro de la plataforma PLS, y vemos que si bien hay algunas variables que tienen DModX o T cuadrado bastante altos, no hay nada demasiado extremo.
	Estas puntuaciones a menudo se guardan o siempre se guardan con nombres de variables que pueden resultar confusos a medida que guarda más y más o realiza múltiples iteraciones de su modelo. Entonces las herramientas de secuencias de comandos contienen otra función, llamada cambiar el nombre de las columnas,
	lo 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, lo pondremos antes de todas esas columnas indicando que este es el modelo que vamos a poner en línea para nuestro control de calidad y su revisión uno de ese modelo.
	Cuando cambio los nombres, podemos ver que se cambia automáticamente el nombre de todas estas columnas en el conjunto de datos.
	Así que hemos construido un modelo que explica la variación en
	estas columnas, pero lo que no hemos hecho es nuestro objetivo original de descubrir cómo producir una cierta cantidad de flujo... de nuestro flujo objetivo utilizando la menor cantidad de flujo posible. Para hacer eso usaremos el generador de perfiles. Aviso cuando abrimos tu perfil,
	Podemos agregar todos estos valores predichos, de modo que no las puntuaciones X en sí, 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, todas nuestras puntuaciones en el modelo o nuestras variables latentes.
	Y podemos ver que cuando movemos una de esas puntuaciones, automáticamente moverá todas estas variables observadas juntas.
	en la relación de las cargas en cada uno de esos componentes. Lo más importante es echar un vistazo a estos flujos tres y cuatro. No importa qué puntuación nos movamos,
	este modelo entiende que estas dos puntuaciones están relacionadas. Quizás uno sea un medidor de flujo sobre el que tienen control, y quizás un segundo
	Hay un segundo medidor de flujo en esa misma línea, pero de todos modos no parece que la planta pueda mover uno sin mover el otro en la misma dirección.
	Entonces el objetivo es encontrar valores para cada una de estas puntuaciones que vayan a optimizar nuestro proceso.
	Antes de que podamos hacer eso, debemos decirle a JMP qué es lo que estamos intentando optimizar. Necesitamos decir que tenemos un cierto caudal que estamos tratando de alcanzar y ciertos parámetros de calidad que estamos tratando de alcanzar.
	Entonces, comenzaremos diciéndole que no nos importan los valores de la mayoría de estas columnas. Entonces seleccionaremos todas las columnas que guardamos,
	Vamos 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 de 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 cuadrado e indicaremos que queremos minimizar la T 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 era 9,32, por lo que lo usaremos como valor mínimo aquí.
	Lo que deberíamos ver ahora en el generador de perfiles es que cada valor por debajo de 9,32 es igualmente aceptable y, a medida que supere 9,32, será cada vez menos deseable.
	En el 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 colocaré 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 con valores bajos de flujo uno y tenemos objetivos tanto para el flujo objetivo como para el parámetro de calidad.
	Como hemos definido todo esto, ahora podemos pasar a maximizar la deseabilidad.
	Y eso intentará 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 alcanzar los objetivos que están en estos que definimos anteriormente.
	Observe que estuvo cerca de alcanzar el objetivo completo. Logró nuestro 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 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 estas configuraciones de 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 conseguido los 20.15 que le pedíamos y ciertamente está mucho más cerca de los 140. Ahora podemos volver a guardar estas configuraciones de factores en la tabla de datos.
	Y ahora deberíamos tener factores que podamos devolver a las instalaciones de fabricación y decir, oye, estos son los parámetros que recomendamos.
	El beneficio de utilizar un análisis multivariado como este, hablamos anteriormente de que los flujos tres y cuatro están relacionados,
	Con este método, deberíamos poder darle a la planta valores razonables con los que realmente pueda 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 pueda controlar. Algunos de esos podrían ser
	resultados, o podrían simplemente estar relacionados con otras variables. En teoría, si la planta cambia todas las cosas sobre las que tiene control, las otras cosas simplemente deberían encajar.
	Entonces, ahora que hemos optimizado este modelo, el siguiente paso suele ser asegurarnos o verificar que 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 si 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 los usaremos en el gráfico de control multivariado impulsado por el modelo.
	bajo calidad y proceso.
	Voy a usar la hora y la pondré en el ID de hora, así que en lugar de ver los números de fila, veremos una fecha real en todos nuestros gráficos y pondremos 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 cuadrada alta y esa T cuadrada alta fue principalmente el resultado de flujos. dos, tres, cuatro y uno, entonces todo fluye en eso.
	son los que más contribuyen a esta T cuadrada. Si hacemos clic en eso y pasamos el mouse sobre una de esas barras, si hago clic en ese punto nuevamente, 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 sólo miraré T al cuadrado; Una vez más,
	Esto no siempre funciona correctamente.
	Así que nos acercaremos a la
	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 caso atípico debido al flujo cinco.
	Considero que los mapas de calor de proporción de contribución son bastante útiles para observar y ver patrones en datos antiguos cuando, por ejemplo, una variable podría haber sido un factor de gran contribución o haber actuado de manera anormal durante un largo período de tiempo o durante algún período de tiempo. . . . .
	Así que este es un gráfico que quizás querríamos mirar cada mañana, por ejemplo, o periódicamente para ver si el proceso está funcionando normalmente.
	Entras, quieres abrir esto y ver, ¿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 tenerlo todo disponible con solo hacer clic en un botón.
	Para hacer eso, escribiremos 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 multivariado.
	obteniendo datos de PI. Si volvemos a la tabla de datos original que tenemos.
	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.
	Sólo 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 nosotros... en la plataforma PLS usamos la puntuación guardada... opción de fórmulas de guardar como puntuación X.
	Para recrearlos, podemos seleccionar todas las columnas en la tabla de datos y usar la función de secuencia de comandos para copiar columnas que se agregó nuevamente en ese complemento de herramientas de secuencias de comandos.
	Una vez que copiamos el script de columna, volvemos a este nuevo script que creamos y pegaremos un montón de fórmulas de columnas nuevas para recrear nuevamente todas esas columnas.
	Finalmente, control multivariado impulsado por modelos.
	el 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 empezar 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 tiene el mismo aspecto que nuestra tabla original. Tiene todas las mismas columnas.
	Se agregaron esas columnas calculadas, así que coloquemos estos puntajes y todas las predicciones, y también abrió la plataforma de gráficos de control multivariado impulsado por modelos.
	donde podemos ver que este valor reciente para DModX en realidad es bastante alto, por lo que los datos más recientes tienen algunos valores anormales, en este caso, para la calidad tres.
	Nuevamente, la calidad tres parece no tener 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 relacionadas, eso podría significar que la calidad tres es una mala muestra de laboratorio o podría significar que se trata de un material nuevo con el que no hemos trabajado antes.
	Bien, finalmente, hablemos de un método para ejecutar este modelo de forma continua. Entonces esto fue recreado a pedido,
	donde escribimos un script JSL para ejecutar esto, pero a veces es beneficioso
	a... o nos pareció beneficioso escribir estos resultados a nuestro historiador de PI para que puedan ser utilizados por
	los operadores de nuestras instalaciones. En los últimos minutos quiero presentarles ese complemento, se llama complemento del motor de modelo.
	que puntuará rápidamente modelos en línea. Debo señalar que esto debe usarse únicamente como consejo. No es un método aceptable para proporcionar información crítica o para control de circuito cerrado.
	Para eso, podría considerar exportar las fórmulas desde el depósito de fórmulas y utilizar algún otro paquete de software para calificarlas.
	Como se mencionó anteriormente, algunas de las predicciones e información disponibles en este modelo
	tiene más tiene más valor en el momento en que está sucediendo. Entonces, saber qué causó el problema de ayer es excelente, 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 programación JMP, JSL,
	proporciona una manera de presentar predicciones e información sobre anomalías a los operadores de nuestras instalaciones de fabricación utilizando su conjunto existente de herramientas de visualización y tendencias a las que ya están acostumbrados.
	Un par de motores de modelos, o computadoras que ejecutan JMP con un complemento específico que inició el programador de tareas, están configurados 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 va a calificar.
	Comencemos con ese archivo de configuración del modelo. ¿Recuerda cómo el complemento de PI Tools 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 a partir de las cuales necesita calcular los valores.
	Posteriormente, el complemento de herramientas de secuencias de comandos guarda rápidamente las secuencias de comandos para recrear las columnas guardadas desde PLS y cualquier otra plataforma.
	potencialmente incluyendo contribuciones de T cuadrado y DModX que se pueden guardar desde la plataforma del gráfico de control de versión 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 se encuentran las herramientas PI.
	complemento... donde el complemento de herramientas PI utiliza OLDB
	y consultas SQL para obtener datos, el motor del modelo 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 del 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 calificar un modelo en particular, el otro motor tomará el control automáticamente.
	Nuevamente, esta idea de motor de modelo no está pensada para usarse en 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.
	Dicho esto, gracias a todos por asistir. Recuerde que más información sobre cada complemento y la revista que estoy usando hoy está disponible en la Comunidad JMP.
Janice LeBeau	impresionante trabajo impresionante.

FugarseAcceso y manipulación de datosEstadística y ModelizaciónAsunto: Optimización de modelos multivariados: desde la recopilación de datos hasta las condiciones óptimas y los modelos de puntuación (2021-US-45MP-927)

¡Un trabajo realmente impresionante!

Asunto: Optimización de modelos multivariados: desde la recopilación de datos hasta las condiciones óptimas y los modelos de puntuación (2021-US-45MP-927)

@ih : Gracias por tu charla Isaac. ¡Realmente lo disfrute!
De hecho tengo otra pregunta que agregar:
¿Puedes compartir una foto de lo que finalmente ve el operador en su pantalla?

¿Estás mostrando directamente T2 o Dmodx con las UCL? ¿Está entonces actuando el operador en un desglose que muestra las mayores proporciones de contribución?

¡Gracias!
ben

Asunto: Optimización de modelos multivariados: desde la recopilación de datos hasta las condiciones óptimas y los modelos de puntuación (2021-US-45MP-927)

Gran charla y gran trabajo, gracias por mostrar todo lo que estas técnicas pueden proporcionar y por compartir su uso creativo de los componentes principales como "bloques de construcción" de las variables observadas.

Dado que ha aplicado esto a diferentes plantas, ¿se le han ocurrido situaciones en las que es mejor realizar el PCA no en mediciones simultáneas sino en algunas mediciones retrasadas para tener en cuenta los tiempos de procesamiento y tránsito, etc.? Si es así, ¿podrías compartir cómo has lidiado con eso? ¡Gracias!