Lautsprecher | Transkript |
| 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 sind für Geschäftsbereiche keramischer Werkstoffe tätig. In diesem Beitrag haben wir zwei Punkte. Im ersten Schritt stellen wir den Lebenszyklus von Datenprojekten vor, den wir für Hersteller von Datenprojekten vorschlagen. |
| Und im zweiten werden wir weitermachen |
| um zwei Anwendungsfälle von Saint-Gobain-Materialien vorzustellen...Keramikmaterialindustrie. |
| Die Arbeit an Datenprojekten in verschiedenen Abteilungen wie Forschung und Entwicklung, 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 es zu verfolgen gilt, um das Datenanalyseprojekt korrekt zu verwalten. Bei allen stellen wir sicher, dass wir den Prozess gut verstehen, da wir davon überzeugt sind, dass er ein relevanter Schlüssel für erfolgreiche Datenprojekte in einer industriellen Welt ist. |
| Um beispielsweise die Variation im Prozess zu erkennen, verwenden wir das SIPOC oder die Flussdiagrammkarte und um die Ursachen der Variation zu erkennen, verwenden wir unsere Toolbox zur Problemlösung, die ein ??? enthält. oder Ishikawa-Diagramm. |
| Dann bietet die Endlosschleife auch einen weiteren Weg zur kontinuierlichen Verbesserung. Im nächsten Schritt werden wir die Vorgehensweise detailliert beschreiben. |
| Beginnen wir mit der Definition der Projekte. Vor Beginn von Datenprojekten müssen drei Elemente klar definiert werden. |
| Wir schlagen hier einige Fragen vor, die wir als sehr nützlich erachteten, um die Elemente des Handels(?) klar zu definieren. Zunächst einmal die Definition des Geschäftsbedarfs. |
| Häufig besteht das Ziel von Datenprojekten in der Fertigung darin, einen Prozess zu optimieren, die Ausbeute zu maximieren, die Qualität eines bestimmten Produkts zu verbessern oder den Energieverbrauch zu senken. |
| Bei der Definition der Geschäftsmöglichkeit sollten wir wissen, was genutzt wird, ob das Ziel nur eine Visualisierung oder Analyse benötigt. |
| Und danach sollte die Wirkung unseren quantifizierten Gewinn für das Unternehmen bringen. |
| Zweitens die Datenverfügbarkeit und die Benutzerfreundlichkeit. Darin starten wir eine diagonale Analyse der Datenqualität. In diesem Schritt ist es sehr wichtig, die Machbarkeit des Datenprojekts zu ermitteln. Und deshalb das Team-Setup, |
| eine Person aus dem Datenteam, eine Person aus dem Team der Geschäftseinheit und eine Person aus den Werken, ein Prozessingenieur mit Six Sigma Green oder Black Belt. |
| Kommen wir zum zweiten Schritt. |
| Datenaufbereitung. |
| Bei der Transformation, Integration und Bereinigung handelt es sich um einen wichtigen Schritt, der in Datenprojekten viel Zeit in Anspruch nimmt. Wir haben hier beispielsweise unterschiedliche Datenquellen und müssen diese zentralisieren |
| in einer Tabelle. Hauptsächlich verwenden wir X für Eingaben und Y für Ausgaben. In diesem Setup verwenden wir verschiedene Tools in JMP, wie z. B. die Verarbeitung fehlender Werte, das ??? von konstanten Variablen und natürlich die JMP-Datentabellen-Tools, die die richtige SQL-Anfrage zur korrekten Transformation von Tabellen sicherstellen. |
| Im dritten Schritt geht es darum, Daten mit dynamischer Visualisierung zu erkunden, und mit JMP haben wir eine große Auswahl an Visualisierungsmöglichkeiten. Zeichnen Sie beispielsweise die Verteilung einer Variablen auf und schätzen Sie die Last(?), der sie folgt. |
| Erkennen Sie die Ausreißer mit dem Boxplot-Diagramm. |
| nichtlineare Regression zwischen zwei Variablen, |
| Kontur- oder Dichtekartierung, um die Hauptkonzentrationsposition jeder Population zu bestimmen, und wir haben eine große Auswahl, um sie darzustellen. |
| ???, wir verwenden sie normalerweise bei unserer Arbeit und fanden sie sehr nützlich. |
| Der vierte Schritt besteht in der Entwicklung des Modells und hängt von der Art der Analyse ab, die wir benötigen. |
| Es ist zu... |
| Das Ziel besteht darin, zu erklären oder vorherzusagen. Die erste befasst sich mit Verbindungen zwischen Variablen und dient der Erklärung von Mustern in Daten. Bei der zweiten handelt es sich um Formeln, die dazu dienen, Muster in Daten vorherzusagen. |
| Im Allgemeinen teilen wir unsere Datensätze in drei Blöcke auf: 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 überwachten Lernwerkzeuge 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 guten Sinn zu gewährleisten, haben wir einige Einschränkungen hinzugefügt, zum Beispiel den Mittelwert und den Bewertungsschritt jeder Variablen. |
| Das JMP-Profil bietet uns große Möglichkeiten, Lösungen schnell zu optimieren. |
| Von nun an ist der nächste Schritt die Übergabe an das Werk, unterstützt von unserem Verfahrenstechniker mit dem Six Sigma Green oder Black Belt. |
| Im sechsten Schritt geht es darum, die beste Lösung in den Werken zu implementieren und dabei nur ein repräsentatives Modell zu verwenden. Beispielsweise implementieren wir die Regelkarten der Ausgabe Y1 und analysieren die verschiedenen Variationen. |
| Im siebten Schritt überwachen wir die Modelleffektivität und visualisieren den globalen Gewinn der Arbeit an unserem Datenprojekt. In den Kreisdiagrammen sehen wir beispielsweise die radiale Auswirkung auf die Gesamtrendite. |
| Und zu guter Letzt die Vorbereitung auf den ersten Schritt für ein neues Datenprojekt, um die Kontinuität, die kontinuierliche Verbesserung und die Kontinuität der Endlosschleife sicherzustellen. |
| Dabei drehte sich alles um den Lebenszyklus von Datenprojekten. Jetzt werden wir zwei reale Fallstudien des Protokolls mit JMP vorstellen. |
| In den beiden Beispielen haben wir die gleiche Prozesstechnologie untersucht. Es geht um einen Lichtbogenofen, aber für beide haben wir unterschiedliche Produkte und unterschiedliche Ziele. |
| In dieser Technologie haben wir komplexe multiphysikalische Phänomene wie elektrische, thermische, chemische, zeitliche und andere physikalische Effekte. |
| Hier haben wir beispielsweise mehr als 100 Prozessvariablen, die von verschiedenen Arten von Sensoren stammen. |
| Das Geschäftsbedürfnis |
| sollte die Gesamtausbeute eines bestimmten Produkts, JO7, erklären. |
| Darin erkennen wir viele Arten von Fehlern, den Fehler Nr. 1, Nr. 2 bis Nr. N. |
| Und um die Datensätze korrekt vorzubereiten, haben wir Pareto verwendet. |
| Ausreißerverarbeitung mit Mahalanobis-Distanz und Neukodierung der richtigen Attribute zur Korrektur der Fehlerart und Verarbeitung fehlender Werte. |
| In Schritt drei, in „Erkunden“, präsentieren wir hier nur ein Beispiel für die 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 bestand das Ziel darin, zu erklären, warum der Ertrag 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, da wir keine große Datenmenge haben, und 30 % für die Validierung und wir erhalten gute Ergebnisse mit einem wichtigen Wurzelquadrat. |
| Wie Sie sehen, sind es mehr als 70 %. |
| Die Botschaft, die wir an das Werk weitergegeben haben, ist also, dass nur mit der spezifischen Einstellung von |
| X1, X2 und X3 können wir erklären |
| Globaler Ertrag, und wenn wir Y, den Prozentsatz dieses Ertrags, maximieren müssen, müssen wir eine spezifische Einstellung nur für X1 und X3 erhalten. |
| Und der globale Ertrag sollte sich schnell entwickeln. Es ist der Punkt ... in der Ansammlung von Punkten hier. |
| Und für jeden |
| Projekt vermitteln wir auch das physikalische Verständnis jedes Parameters |
| zur Pflanze. |
| Für das zweite Beispiel hier mit derselben Technologie, aber für ein anderes Produkt, haben wir hier nur 80 Prozessvariablen und das Ziel bestand darin, 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 die gleiche Korrelation zwischen Eingaben untersucht, um die Anzahl der Variablen zu reduzieren, die wir in das Modell einfügen. |
| Daher 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 eine sehr kleine Tischgröße haben. |
| Der erste Parameter war also sehr wichtig, er trägt, wie Sie sehen, 50 % bei. |
| Und es war schwierig, das mit den 12 Variablen den Pflanzen zu erklären. Wenn wir also nur die erste Variable darstellen, sehen wir visuell, dass wir allein mit der Variablen X1 einen Schwellenwert definieren können, und damit sollte sich der Gesamtertrag schnell entwickeln. |
| Danke schön. |
