Relatore | Trascrizione |
| YASSIR EL HOUSNI | Ciao. |
| Sono Yassir El Housni, ingegnere di ricerca e sviluppo e data scientist, nel team di produzione intelligente di Saint-Gobain Research Provence. |
| a Cavaillon, Francia. |
| Lavoriamo per le unità di business dei materiali ceramici. In questo post abbiamo due punti. Nella prima presenteremo il ciclo di vita dei progetti dati che proponiamo per i progetti dati dei produttori. |
| E nel secondo, continueremo |
| presentare due casi d'uso dei materiali Saint-Gobain...industrie dei materiali ceramici. |
| Lavorare su progetti di dati in diversi dipartimenti, come ricerca e sviluppo, produzione, qualità e manutenzione, richiede un approccio graduale per perseguire i progressi. |
| scoperta della conoscenza nella metodologia del database e la filosofia sei Sigma, nota anche come DMAIC per definire, misurare, analizzare, migliorare e controllare. |
| Definiamo in questo ciclo infinito sette passaggi da perseguire per gestire correttamente il progetto di analisi dei dati. In tutti, ci assicuriamo di avere una buona comprensione del processo, perché riteniamo che sia una chiave di rilevanza per progetti di dati di successo in un mondo industriale. |
| Ad esempio, per rilevare la variazione nel processo utilizziamo la mappa SIPOC o diagramma di flusso e per rilevare le cause della variazione utilizziamo il nostro toolbox di risoluzione dei problemi che contiene un ??? o diagramma di Ishikawa. |
| Quindi il ciclo infinito presenta anche un altro percorso per raggiungere il miglioramento continuo. Di seguito illustreremo in dettaglio l'approccio, passo dopo passo. |
| Iniziamo con la definizione dei progetti. È necessario definire chiaramente tre elementi prima di avviare i progetti di dati. |
| Proponiamo qui alcune domande che abbiamo trovato molto utili per definire chiaramente gli elementi del mestiere(?). Prima di tutto la definizione delle esigenze aziendali. |
| Spesso, gli obiettivi del progetto dati nella produzione sono ottimizzare un processo, massimizzare una resa, migliorare la qualità per un prodotto specifico o ridurre il consumo di energia. |
| Nella definizione dell'opportunità di business, dovremmo sapere cosa verrà utilizzato, se l'obiettivo richiede solo una visualizzazione o analisi. |
| E dopo di che, l'impatto dovrebbe portare il nostro guadagno quantificato al business. |
| In secondo luogo, la disponibilità dei dati e l'usabilità. In esso lanciamo un'analisi diagonale della qualità dei dati. È così importante nella fase determinare la fattibilità del progetto di dati. E quindi la configurazione della squadra, |
| una persona del team dati, una persona del team della business unit e una persona degli stabilimenti, un ingegnere di processo con cintura verde o nera Six Sigma. |
| Passiamo al secondo passaggio. |
| Preparazione dei dati. |
| Con la trasformazione, l'integrazione, la pulizia, è un passaggio importante che richiede molto tempo nei progetti di dati. Ad esempio, abbiamo qui diverse fonti di dati e dobbiamo centralizzarle |
| in una tabella. Principalmente utilizziamo X per gli ingressi e Y per le uscite. In questa configurazione utilizziamo strumenti diversi in JMP come l'elaborazione del valore mancante, il ??? di variabili costanti e, naturalmente, gli strumenti delle tabelle di dati JMP che garantiscono la corretta richiesta SQL per trasformare correttamente le tabelle. |
| Il terzo passaggio riguarda l'esplorazione dei dati con la visualizzazione dinamica e con JMP abbiamo un'ampia scelta per la visualizzazione. Ad esempio, traccia la distribuzione della variabile e stima il carico (?) che ne deriva. |
| Rileva i valori anomali con il diagramma box plot, |
| regressione non lineare tra due variabili, |
| contorno o la mappatura della densità per determinare la posizione principale per la concentrazione di ciascuna popolazione e abbiamo un'ampia scelta per tracciarla. |
| ???, li usiamo solitamente nel nostro lavoro e li abbiamo trovati molto utili. |
| Il quarto passo è sviluppare lo sviluppo del modello e dipende dal tipo di analisi di cui abbiamo bisogno. |
| è per... |
| l'obiettivo è spiegare o prevedere. Il primo riguarda i collegamenti tra variabili e serve a spiegare i modelli nei dati. Il secondo riguarda la formula e serve a prevedere i modelli nei dati. |
| Generalmente tagliamo i nostri set di dati in tre blocchi, il 70% per la formazione, il 20% per i test e il 10% per la convalida. E a volte, se abbiamo una piccola dimensione di dati, utilizziamo il 70% per la formazione e il 30% per la convalida. Se il modello è valido, richiediamo un nuovo set di dati per guidare il processo decisionale. |
| Dobbiamo avvicinarci all'apprendimento supervisionato e non supervisionato. Oggi a Saint-Gobain utilizzeremo la versione normale di JMP. |
| E abbiamo accesso agli strumenti di apprendimento supervisionato, come la regressione lineare, l'albero decisionale e la rete neurale. Lavoriamo molto oggi con l'albero decisionale perché ci dà risultati rilevanti, che ci aiutano a risolvere una sfida nell'industria dei materiali ceramici. |
| Il quinto passo riguarda la ricerca della soluzione ottimale. A volte è solo una soluzione, ma in altri casi è una combinazione tra molti modelli. E per garantire il buon senso, abbiamo aggiunto alcuni vincoli, ad esempio la media massima e il passo di valutazione di ciascuna variabile. |
| Il profilo JMP ci offre un'ampia possibilità di ottimizzare rapidamente le soluzioni. |
| Da questo momento, il passo successivo è il passaggio all'impianto, con il supporto del nostro ingegnere di processo con cintura verde o nera Six Sigma. |
| Il sesto passo riguarda l'implementazione della migliore soluzione negli impianti e governata da un solo modello rappresentativo. Ad esempio, implementiamo le carte di controllo dell'uscita Y1 e analizziamo le diverse variazioni. |
| Nella settima fase, monitoriamo l'efficacia del modello e visualizziamo il guadagno globale di lavorare sul nostro progetto di dati. Ad esempio, nei grafici a torta, vediamo l'impatto radiale sul rendimento globale. |
| E, ultimo ma non meno importante, la preparazione alla fase uno per un nuovo progetto di dati per garantire la continuità, il miglioramento continuo e la continuità del ciclo infinito. |
| Era tutto sul ciclo di vita del progetto di dati e ora passeremo a presentare due casi di studio reali del protocollo che utilizza JMP. |
| Nei due esempi abbiamo studiato la stessa tecnologia di processo. Si tratta di un forno elettrico ad arco, ma per i due abbiamo prodotti diversi e target diversi. |
| In questa tecnologia, abbiamo complessi fenomeni multifisici come effetti elettrici, termici, chimici, temporali e altri effetti fisici. |
| Qui abbiamo, ad esempio, più di 100 variabili di processo che provengono da diversi tipi di sensori. |
| Il bisogno aziendale |
| doveva spiegare la resa globale di un prodotto specifico, JO7. |
| In esso rileviamo molti tipi di difetti, dal Difetto #1, dal #2 al #N. |
| E per questo per preparare correttamente i set di dati, abbiamo usato Pareto, |
| elaborazione anomala con distanza Mahalanobis e ricodifica degli attributi corretti per correggere il tipo di errori e l'elaborazione del valore mancante. |
| Nella fase tre, in explore, presentiamo qui solo un esempio di correlazione che studiamo tra gli input per ridurre il numero di variazioni |
| dopo aver lavorato con i modelli. |
| Come nostri risultati, abbiamo trovato il nostro albero decisionale con solo tre variabili e qui l'obiettivo era spiegare perché la resa non lo è |
| nel massimo |
| E abbiamo un |
| albero decisionale con solo tre variabili sotto 100. Quindi per il modello utilizziamo qui il 70% dei dati per l'allenamento perché non abbiamo una grande dimensione dei dati e il 30% per la convalida e otteniamo buoni risultati con un importante quadrato della radice. |
| Come vedi, è più del 70%. |
| Quindi il messaggio che abbiamo passato all'impianto è che solo con l'impostazione specifica di |
| X1, X2 e X3 possiamo spiegare il |
| rendimento globale, e se dobbiamo massimizzare Y, la percentuale di questo rendimento, dobbiamo ottenere un'impostazione specifica solo per X1 e X3. |
| E il rendimento globale dovrebbe evolversi rapidamente. È il punto... nel gruppo di punti qui. |
| E per ciascuno |
| progetto, diamo anche la comprensione fisica di ogni parametro |
| alla pianta. |
| Per il secondo esempio qui con la stessa tecnologia ma per un altro prodotto, qui abbiamo solo 80 variabili di processo e l'obiettivo era di evolvere il numero di pezzi senza difetti, D1. |
| La necessità è di spiegare la qualità |
| dei nostri prodotti specifici, quindi utilizziamo la stessa metodologia per i nostri passaggi. Ad esempio qui, abbiamo studiato la stessa correlazione tra gli input per ridurre il numero di variabili che inseriremo nel modello. |
| E, di conseguenza, utilizziamo anche un albero decisionale, ma qui abbiamo trovato 12 variabili che spiegano questa resa globale |
| con il bene |
| risultati. Come puoi vedere, il quadrato R era dell'84%, l'RMSE era del 3% e il numero di dimensioni era 287. Per questo, abbiamo utilizzato il metodo di convalida incrociata |
| perché abbiamo un tavolo di dimensioni molto ridotte. |
| Quindi il primo parametro era molto importante, come vedete contribuisce per il 50%. |
| Ed era difficile spiegarlo con le 12 variabili alle piante. Per questo, quando tracciamo solo la prima variabile, vediamo visivamente che possiamo definire una soglia solo con la variabile X1, e con essa la resa globale dovrebbe evolvere rapidamente. |
| Grazie. |
