Lautsprecher | Abschrift |
| YASSIR EL HOUSNI | Hallo. |
| Ich bin Yassir El Housni, F&E-Ingenieur und Datenwissenschaftler im Smart-Manufacturing-Team von Saint-Gobain Research Provence. |
| in Cavaillon, Frankreich. |
| Wir arbeiten für Geschäftsbereiche für Keramikmaterialien. In diesem Beitrag haben wir zwei Punkte. In der ersten stellen wir den Lebenszyklus von Datenprojekten vor, den wir für Datenprojekte von Herstellern vorschlagen. |
| Und im zweiten werden wir weitermachen |
| um zwei Anwendungsfälle von Saint-Gobain-Materialien vorzustellen...Keramikmaterialienindustrie. |
| Die Arbeit an Datenprojekten in verschiedenen Abteilungen wie F&E, Produktion, Qualität und Wartung erfordert einen schrittweisen Ansatz, um den Fortschritt zu verfolgen. |
| Wissensentdeckung in der Datenbankmethodik und die Six-Sigma-Philosophie, auch bekannt als DMAIC, zum Definieren, Messen, Analysieren, Verbessern und Kontrollieren. |
| Wir definieren in dieser Endlosschleife sieben Schritte, die verfolgt werden müssen, um das Datenanalyseprojekt korrekt zu verwalten. In allen stellen wir sicher, dass wir den Prozess gut verstehen, weil wir glauben, dass dies ein Schlüssel zur Relevanz für erfolgreiche Datenprojekte in einer industriellen Welt ist. |
| Um zum Beispiel Abweichungen im Prozess zu erkennen, verwenden wir die SIPOC- oder Flussdiagrammkarte, und um die Ursachen von Abweichungen zu erkennen, verwenden wir unsere Toolbox zur Problemlösung, die ein ??? oder Ishikawa-Diagramm. |
| Dann stellt die Endlosschleife auch einen anderen Weg dar, um die kontinuierliche Verbesserung zu erreichen. Im Folgenden werden wir den Ansatz Schritt für Schritt detailliert beschreiben. |
| Beginnen wir mit der Definition der Projekte. Es ist notwendig, drei Elemente klar zu definieren, bevor Sie mit Datenprojekten beginnen. |
| Wir schlagen hier einige Fragen vor, die wir für sehr nützlich hielten, um die Elemente des Handels (?) klar zu definieren. Zunächst einmal die Definition des Geschäftsbedarfs. |
| Häufig ist das Ziel von Datenprojekten in der Fertigung, einen Prozess zu optimieren, eine Ausbeute zu maximieren, die Qualität für ein bestimmtes Produkt zu verbessern oder den Energieverbrauch zu senken. |
| Unter der Definition der Geschäftsmöglichkeit sollten wir wissen, was verwendet wird, ob das Ziel nur eine Visualisierung oder Analyse benötigt. |
| Und danach sollten die Auswirkungen unseren quantifizierten Gewinn für das Unternehmen bringen. |
| Zweitens die Datenverfügbarkeit und die Benutzerfreundlichkeit. Darin starten wir eine diagonale Analyse der Datenqualität. Es ist so wichtig, in dem Schritt die Machbarkeit des Datenprojekts zu bestimmen. Und deshalb die Teamaufstellung, |
| eine Person aus dem Datenteam, eine Person aus dem Geschäftsbereichsteam und eine Person aus den Werken, ein Verfahrenstechniker mit Six Sigma Green Belt oder Black Belt. |
| Kommen wir zum zweiten Schritt. |
| Datenaufbereitung. |
| Mit der Transformation, Integration, Bereinigung ist das ein wichtiger Schritt, der in Datenprojekten viel Zeit in Anspruch nimmt. Zum Beispiel haben wir hier verschiedene Datenquellen und wir müssen sie zentralisieren |
| in einer Tabelle. Hauptsächlich verwenden wir X für Eingänge und Y für Ausgänge. In diesem Setup verwenden wir andere Tools in JMP, wie z. B. die Verarbeitung fehlender Werte, das ??? von konstanten Variablen, und natürlich die JMP-Datentabellen-Tools, die die richtige SQL-Anforderung sicherstellen, um Tabellen korrekt umzuwandeln. |
| Im dritten Schritt geht es darum, Daten mit dynamischer Visualisierung zu untersuchen, und mit JMP haben wir eine große Auswahl an Visualisierungsmöglichkeiten. Stellen Sie beispielsweise die Verteilung der Variablen grafisch dar und schätzen Sie die Last (?), der sie folgt. |
| Erkennen Sie die Ausreißer mit dem Boxplot-Diagramm, |
| nichtlineare Regression zwischen zwei Variablen, |
| Kontur oder die Dichtekartierung, um die Hauptplatzierung für die Konzentration jeder Population zu bestimmen, und wir haben eine große Auswahl, um sie zu zeichnen. |
| ???, wir verwenden sie normalerweise bei unserer Arbeit und wir fanden sie sehr nützlich. |
| Der vierte Schritt besteht darin, die Entwicklung des Modells zu entwickeln, und hängt von der Art der Analyse ab, die wir benötigen. |
| Es ist zu... |
| das Ziel ist zu erklären oder vorherzusagen. Die erste betrifft Verknüpfungen zwischen Variablen und dient dazu, Muster in Daten zu erklären. Die zweite betrifft Formeln und dient dazu, Muster in Daten vorherzusagen. |
| Im Allgemeinen schneiden wir unsere Datensätze in drei Blöcke, 70 % für das Training, 20 % für Tests und 10 % für die Validierung. Und manchmal, wenn wir eine kleine Datenmenge haben, verwenden wir 70 % für das Training und 30 % für die Validierung. Wenn das Modell gut ist, fordern wir einen neuen Datensatz an, um die Entscheidungsfindung voranzutreiben. |
| Wir müssen überwachtes und unüberwachtes Lernen angehen. Heute verwenden wir bei Saint-Gobain die normale Version von JMP. |
| Und wir haben Zugriff auf die Tools für überwachtes Lernen, wie lineare Regression, Entscheidungsbaum und das neuronale Netzwerk. Wir arbeiten heute viel mit Entscheidungsbäumen, weil sie uns relevante Ergebnisse liefern, die uns helfen, eine Herausforderung in der Keramikindustrie zu lösen. |
| Im fünften Schritt geht es darum, die optimale Lösung zu finden. Manchmal ist es nur eine Lösung, aber in anderen Fällen ist es eine Kombination aus vielen Modellen. Und um den gesunden Menschenverstand zu gewährleisten, haben wir einige Einschränkungen hinzugefügt, zum Beispiel das mittlere Maximum und den Bewertungsschritt jeder Variablen. |
| Das JMP-Profil gibt uns große Möglichkeiten, Lösungen schnell zu optimieren. |
| Ab jetzt geht der nächste Schritt in die Anlage, unterstützt durch unseren Verfahrenstechniker mit Six Sigma Green- oder Black Belt. |
| Im sechsten Schritt geht es darum, die beste Lösung in den Werken zu implementieren und sich dabei nur an einem repräsentativen Modell zu orientieren. Beispielsweise implementieren wir die Regelkarten des Ausgangs Y1 und analysieren die unterschiedlichen Variationen. |
| Im siebten Schritt überwachen wir die Wirksamkeit des Modells und visualisieren den globalen Nutzen der Arbeit an unserem Datenprojekt. In den Tortendiagrammen sehen wir beispielsweise die radiale Auswirkung auf die globale Rendite. |
| Und nicht zuletzt die Vorbereitung auf den ersten Schritt für ein neues Datenprojekt, um die Kontinuität, die kontinuierliche Verbesserung und die Kontinuität der Endlosschleife sicherzustellen. |
| Das war alles über den Lebenszyklus von Datenprojekten, und jetzt werden wir übergehen, um zwei echte Fallstudien des Protokolls mit JMP vorzustellen. |
| In den beiden Beispielen haben wir die gleiche Verfahrenstechnik untersucht. Es geht um Lichtbogenöfen, aber für die beiden haben wir unterschiedliche Produkte und unterschiedliche Ziele. |
| In dieser Technologie haben wir komplexe multiphysikalische Phänomene wie elektrische, thermische, chemische, Zeit- und andere physikalische Effekte. |
| Hier haben wir zum Beispiel mehr als 100 Prozessvariablen, die von verschiedenen Arten von Sensoren stammen. |
| Die geschäftliche Notwendigkeit |
| war es, die Gesamtausbeute eines bestimmten Produkts, JO7, zu erklären. |
| Darin erkennen wir viele Arten von Fehlern, die Fehler #1, #2 bis #N. |
| Und um die Datensätze richtig aufzubereiten, haben wir Pareto verwendet, |
| Ausreißerverarbeitung mit Mahalanobis-Distanz und Neucodierung der korrekten Attribute zur Korrektur der Art von Fehlern und Verarbeitung fehlender Werte. |
| In Schritt drei, in Erkunden, präsentieren wir hier nur ein Beispiel für eine Korrelation, die wir zwischen Eingaben untersuchen, um die Anzahl der Variationen zu reduzieren |
| nach der Arbeit mit Modellen. |
| Als Ergebnis fanden wir unseren Entscheidungsbaum mit nur drei Variablen und hier war das Ziel zu erklären, warum die Rendite nicht stimmt |
| im max. |
| Und wir haben eine |
| Entscheidungsbaum mit nur drei Variablen unter 100. Für das Modell verwenden wir hier also 70 % der Daten für das Training, weil wir keine große Datenmenge haben, und 30 % für die Validierung, und wir erhalten gute Ergebnisse mit wichtigen Wurzelquadratzahlen. |
| Wie Sie sehen, sind es mehr als 70 %. |
| Die Nachricht, die wir an die Anlage weitergegeben haben, lautet also nur mit der spezifischen Einstellung von |
| X1, X2 und X3 können wir Ihnen erklären |
| globaler Ertrag, und wenn wir Y, den Prozentsatz dieses Ertrags, maximieren müssen, müssen wir eine bestimmte Einstellung nur für X1 und X3 erhalten. |
| Und die globale Rendite sollte sich schnell entwickeln. Es ist der Punkt ... an der Ansammlung von Punkten hier. |
| Und für jeden |
| Projekt geben wir auch das physikalische Verständnis jedes Parameters |
| zur Anlage. |
| Für das zweite Beispiel hier mit der gleichen Technologie, aber für ein anderes Produkt, hier haben wir nur 80 Prozessvariablen und das Ziel war, die Anzahl der Teile ohne Fehler, D1, zu entwickeln. |
| Es geht darum, die Qualität zu erklären |
| unserer spezifischen Produkte, daher verwenden wir für unsere Schritte die gleiche Methodik. Hier haben wir beispielsweise dieselbe Korrelation zwischen Eingaben untersucht, um die Anzahl der Variablen zu reduzieren, die wir in das Modell einfügen werden. |
| Und als Ergebnis verwenden wir auch einen Entscheidungsbaum, aber hier haben wir 12 Variablen gefunden, die diesen globalen Ertrag erklären |
| im Guten |
| Ergebnisse. Wie Sie sehen, betrug das R-Quadrat 84 %, der RMSE 3 % und die Anzahl der Größen 287. Dafür haben wir die Kreuzvalidierungsmethode verwendet |
| weil wir einen sehr kleinen Tisch haben. |
| Der erste Parameter war also sehr wichtig, wie Sie sehen, trägt er 50 % bei. |
| Und es war schwierig, das mit den 12 Variablen den Pflanzen zu erklären. Wenn wir dafür nur die erste Variable darstellen, sehen wir visuell, dass wir nur mit der Variablen X1 einen Schwellenwert definieren können, und damit sollte sich der globale Ertrag schnell entwickeln. |
| Vielen Dank. |
