Predictor Explainer automatisiert das Screening von Prozessvariablen mithilfe von Feature Engineering und maschinellem Lernen (bekannt als AutoML). Parallele Koordinatendiagramme und Trends werden automatisch angezeigt, um die Ergebnisse zu interpretieren. Wenn PyJMP installiert ist (optional), werden SHAP-Plots und UMAP ebenfalls automatisch berechnet.
Weitere Details und Anwendungen von ML in industriellen Prozessen finden Sie in unserer Open-Access-Rezension: https://pubs.rsc.org/en/content/articlelanding/2022/re/d1re00541c
1 – Herunterladen und Installation
Laden Sie herunter und klicken Sie auf die . jmpaddin Datei, um die neueste Version von Predictor Explainer zu installieren von:
https://github.com/industrial-data/predictor-explainer
Wenn Sie eine frühere Version installiert haben, wird diese automatisch entfernt.
PyJMP (Python für JMP) kann optional installiert werden.
https://github.com/industrial-data/pyjmp
2 – Destillationskolonne (kontinuierliches Verfahren)
In diesem Beispiel wird veranschaulicht, wie Tags (Sensordaten) durchsucht werden, um korrelierte Faktoren zur Ausbeute in einer Destillationskolonne schnell zu identifizieren.
Gehen Sie zum Add-Ins-Menü und öffnen Sie Predictor Explainer.
Predictor Explainer enthält Beispieldateien. Um den Ordner zu öffnen, klicken Sie auf die Schaltfläche in der linken unteren Ecke (siehe A im Bild unten). Die folgenden Schritte verwenden die Datei ' destillation_column_na.jmp' .
- Wähle ein Ziel (Y)
- Fügen Sie alle Eingabevariablen oder Prädiktoren hinzu (X)
- Sie können Zusatzinformationen wie Datum, Zusatzinformationen oder Gewichte übergeben. Gruppierungsvariablen werden verwendet, um zusammenfassende Statistiken zu erstellen, bevor die Analyse durchgeführt wird (automatisches Feature-Engineering).
- Sie können mehrere Optionen festlegen, wie z. B. das Bilden von Differenzen für alle Eingangsvariablen, die Anzahl der Bäume im Bootstrap-Wald und den Schwellenwert für das Signal-Rausch-Verhältnis.
- Predictor Explainer erstellt eine Teilmenge der Tabelle und zeigt die Analyseergebnisse an
(A) Der Add-In-Ordner enthält andere Beispieldateien und einen Python-Code
(B) Wenn pyJMP installiert ist, werden zusätzliche Optionen für SHAP und UMAP angezeigt.
Die wichtigsten Ergebnisse sind:
- Prädiktorenscreening (Bootstrap Forest) der eingeführten oder vorberechneten Variablen durch Gruppierung oder Differenzen.
- Gleichmäßige und zufällige Rauschsäulen werden hinzugefügt und als Schwellenwert verwendet, um die stärksten Prädiktoren auszuwählen. Der Signal-zu-Rausch-Optionsparameter bestimmt, wie viel Unterschied im Beitrag genommen wird
- Ein paralleles Koordinatendiagramm wird mit den Top-3-Variablen angezeigt. Wenn das Signal im Vergleich zum Rauschen nicht stark genug ist, wird dieses Diagramm nicht angezeigt.
Auf eine verborgene und zeitliche Tabelle mit allen vorausgewählten Prädiktoren, Ziel- und Zeitvariablen kann über JMP Home zugegriffen werden. Die ursprüngliche Analysetabelle wird nicht geändert.
Wenn PyJMP installiert und die Option zum Anzeigen von SHAP-Plots aktiviert ist, wird nach der Analyse ein interaktiver Violin-Plot angezeigt.
Zusätzliche versteckte Tabellen mit SHAP-, UMAP- und Clustering-Ergebnissen sind über das Home-Menü zugänglich.
3 – Chargendatenanalyse
Predictor Explainer kann auch zum Screening von Sensoren verwendet werden, die Batch-Prozesse messen. Die Datei mit dem Namen ' Fermentation_Batch_Data.jmp' veranschaulicht die Herausforderung, eindeutige Werte aus einer Laboranalyse mit Prozessdaten zu kombinieren.
Predictor Explainer erstellt zunächst eine Tabelle mit zusammenfassenden Statistiken (auch Fingerabdrücke oder Orientierungspunkte genannt).
Wenn Informationen über das Produkt (Klasse) oder die Phase (Stadium) der Charge vorhanden sind, werden diese auch verwendet, um detailliertere zusammenfassende Statistiken zu erstellen. Die Verwendung des Rauschbeitrags als Filter eliminiert alle darunter liegenden berechneten Merkmale. Wenn PhaseID als numerische und ordinale Spalte (1, 2, 3…) eingeführt wird, wird ein automatischer Abgleich der Charge durchgeführt und angezeigt.
Im Beispiel hat Predictor Explainer den stärksten Sensor (Tag) identifiziert.
Erstellen Sie Ihre eigene Version des Add-Ins
Wenn Sie eine neue Version des JMP-Add-Ins verteilen oder ändern möchten, müssen Sie zwei wichtige Dinge beachten.
- Das Ändern des Jupyter-Notebooks erfordert keine Änderung des JMP-Add-Ins selbst, da JMP den Python-Code unabhängig über PyJMP aufruft. JMP generiert temporäre Dateien für die Kommunikation mit Python und liest dann die Ergebnisse. Die Jupyter Notebooks enthalten alle Schritte. Um darauf zuzugreifen, öffnen Sie den Ordner, indem Sie auf die Schaltfläche in der linken unteren Ecke klicken. Es gibt eine ausführbare Datei namens open_notebook.bat, mit der Sie den ausgeführten Jupyter ändern können.
- Achten Sie beim Ändern und Speichern des JML-Add-In-Quellcodes (Exportieren der Anwendung) darauf, dieselbe eindeutige ID beizubehalten:
Fügen Sie außerdem das Notizbuch und andere Dateien hinzu, die Sie mit dem Add-In verteilen möchten.
Falls Sie Vorschläge, Fehler oder Erfolgsgeschichten (!) haben, kontaktieren Sie uns
https://github.com/Industrial-data/predictor-explainer
Autoren: Francisco Navarro, Carlos Perez-Galvan, Juline Gilliard
Lizenz: BSD-Klausel 3
Code: github.com/industrial-data/predictor-explainer
Neueste Version: 12.09.2022 (JMP 16)
