Predictor Explainer automatisiert das Screening von Prozessvariablen mithilfe von Feature Engineering und maschinellem Lernen (bekannt als AutoML). Zur Interpretation der Ergebnisse werden automatisch parallele Koordinatendiagramme und Trends angezeigt. Wenn PyJMP installiert ist (optional), werden auch SHAP-Plots und UMAP 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 – Download und Installation
Laden Sie es herunter und klicken Sie auf . jmpaddin Datei zum Installieren der neuesten Version von Predictor Explainer 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 (kontinuierlicher Prozess)
In diesem Beispiel wird veranschaulicht, wie Tags (Sensordaten) überprüft werden, um schnell korrelierende Faktoren mit der Ausbeute in einer Destillationskolonne zu identifizieren.
Gehen Sie zum Add-Ins-Menü und öffnen Sie Predictor Explainer.
Der Predictor-Erklärer enthält Beispieldateien. Um den Ordner zu öffnen, klicken Sie auf die Schaltfläche in der unteren linken 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 (X) hinzu.
- 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 angeben, z. B. die Erstellung von Differenzen für alle Eingabevariablen, die Anzahl der Bäume im Bootstrap-Forest 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 weitere Beispieldateien und einen Python-Code
(B) Wenn pyJMP installiert ist, werden zusätzliche Optionen für SHAP und UMAP angezeigt.
Die wichtigsten Ergebnisse sind:
- Prädiktor-Screening (Bootstrap Forest) der eingeführten oder vorberechneten Variablen mittels Gruppierung oder Differenzen.
- Es werden einheitliche und zufällige Rauschspalten hinzugefügt und als Schwellenwert zur Auswahl der stärksten Prädiktoren verwendet. Der Signal-Rausch-Optionsparameter bestimmt, wie viel Unterschied im Beitrag genommen wird
- Es wird ein paralleles Koordinatendiagramm mit den obersten Variablen Nr. 3 angezeigt. Wenn das Signal im Vergleich zum Rauschen nicht stark genug ist, wird dieses Diagramm nicht angezeigt.
Über JMP Home kann auf eine versteckte und zeitliche Tabelle mit allen vorab ausgewählten Prädiktoren, Ziel- und Zeitvariablen zugegriffen werden. Die ursprüngliche Analysetabelle wird nicht geändert.
Wenn PyJMP installiert und die Option zur Anzeige von SHAP-Plots aktiviert ist, erscheint nach der Analyse ein interaktiver Violin-Plot.
Auf zusätzliche versteckte Tabellen mit SHAP-, UMAP- und Clustering-Ergebnissen kann über das Home-Menü zugegriffen werden.
3 – Batch-Datenanalyse
Predictor Explainer kann auch zur Überprüfung von Sensoren zur Messung von Batch-Prozessen verwendet werden. Die Datei mit dem Namen ' Fermentation_Batch_Data.jmp' veranschaulicht die Herausforderung, eindeutige Werte aus einer Laboranalyse mit Prozessdaten zu kombinieren.
Der Prädiktor-Erklärer erstellt zunächst eine Tabelle mit zusammenfassenden Statistiken (auch Fingerabdrücke oder Orientierungspunkte genannt).
Wenn Informationen zum Produkt (Qualität) oder zur Phase (Stufe) der Charge vorliegen, werden diese auch zur Erstellung detaillierterer zusammenfassender Statistiken verwendet. Durch die Verwendung des Rauschbeitrags als Filter werden alle darunter liegenden berechneten Merkmale eliminiert. Wenn PhaseID als numerische und ordinale Spalte (1, 2, 3…) eingeführt wird, wird eine automatische Ausrichtung des Stapels 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-Notizbücher enthalten alle Schritte. Um darauf zuzugreifen, öffnen Sie den Ordner und klicken Sie auf die Schaltfläche in der unteren linken Ecke. Es gibt eine ausführbare Datei namens open_notebook.bat, mit der Sie den ausgeführten Jupyter ändern können.
- Stellen Sie beim Ändern des JML-Add-In-Quellcodes und beim Speichern (Exportieren der Anwendung) sicher, dass Sie dieselbe eindeutige ID beibehalten:
Fügen Sie außerdem das Notebook 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)
