Nous avons un client fabricant de verre qui évalue JMP Pro.Il a un ensemble de données inhabituel (pour moi).Je serais intéressé par des suggestions sur la façon de gérer l'un de plusieurs problèmes.
Le processus consiste à envoyer lentement le matériau en verre à travers plusieurs fours, où différentes températures et débits d'air sont contrôlés.Les temps sont mesurés de haut en bas du four, ainsi que sur la longueur du four.Les temps sont enregistrés toutes les minutes environ.
Le résultat est une inspection visuelle du verre, à la recherche de bulles, de sorte qu'ils ont une réponse de type comptage par pouce carré.Il s'agit apparemment d'une inspection manuelle, donc ils ne prélèvent des échantillons que toutes les quatre heures .Leur estimation est que les échantillons peuvent être décalés des températures mesurées jusqu'à 40 minutes (le temps que l'échantillon passe devant un capteur de température jusqu'au moment où il sort du four et est examiné), bien que cela varie pour différentes stations de mesure de la température sur la longueur de La fournaise.
L'ensemble de données finit par être très large (peut-être 1000 colonnes de températures et de débits d'air). Il y a aussi des milliers de lignes, mais seulement quelques centaines de lignes de données de réponse en raison de l'échantillonnage intermittent de 4 heures.Il est également assez bruyant avec des pertes de signal de temps en temps et de nombreux défauts qui doivent être nettoyés.
Ils font un essai Pro, ils ont donc immédiatement sauté sur la plate-forme Model Screening.Les ensembles d'apprentissage peuvent donner un Rsqd assez élevé (peut-être 0,8 environ), mais la validation est très faible (peut-être 0,2).Neural Boosted et Boosted Tree ont tendance à remonter en haut de la liste, mais ils ne sont pas assez bons pour créer des modèles prédictifs utiles.
Je pense qu'ils doivent régler le décalage temporel entre les entrées et les sorties.Ils devraient créer une nouvelle colonne pour chacune des entrées, avec un décalage approprié par rapport à la réponse mesurée (qui peut varier d'une colonne à l'autre).Je peux voir comment le faire manuellement, mais à moins d'écrire un script, ce serait beaucoup de travail à mettre en place.Quelqu'un connaît-il un moyen plus rapide de le faire?Ou mieux encore, comment déterminer réellement le meilleur décalage pour chaque signal (encore une fois à court d'un script) ?
Quelqu'un a-t-il déjà eu affaire à cela dans le passé ?
Merci!
Excellente suggestion @Phil_Kay !Je vais transmettre cela au client et voir si cela fonctionne pour lui.
Et (personnellement) je pense qu'un enregistrement de cette technique serait très utile aux autres.
Appréciez vraiment la suggestion!
jerry
Salut @JerryFish ,
J'ai créé cette démo alors que j'imaginais une situation similaire - un flux continu de données de capteur provenant d'un processus avec des décalages inconnus. La solution dans cette démo consiste à adopter une approche d'apprentissage automatique rapide et sale pour trouver les temps de latence les plus prédictifs.
Fondamentalement, l'idée est que pour chaque capteur, vous créez une série de variables de décalage pour couvrir une plage de temps de décalage. (C'est très facile maintenant avec la fonction Décalage multiple... dans Nouvelle colonne de formule > Ligne). Utilisez ensuite Bootstrap Forest pour les filtrer en fonction du temps de latence qui est le meilleur prédicteur de la réponse. Vous utiliseriez ce sous-ensemble de prédicteurs pour créer le modèle "final" - vous utiliseriez probablement le filtrage de modèle à ce stade. Model Screening n'existait pas lorsque j'ai créé la démo.
Il y a deux avantages à cela par rapport aux méthodes plus traditionnelles. 1. C'est simple et rapide. 2. Il peut trouver des effets non linéaires et d'interaction entre les prédicteurs et la réponse.
Je pense que c'est un bon cas d'utilisation pour JMP Pro. Mais, bien sûr, cela ne signifie pas qu'ils seront certainement en mesure de construire un modèle utile - tous ces capteurs pourraient ne pas mesurer les facteurs importants.
Faites-moi savoir s'il serait utile de parler de cet exemple. Je ne sais pas si quelqu'un a un enregistrement de cette démo. Je sais que non. Mais peut-être serait-il utile d'en créer un.
Acclamations,
Phil
