製造プロセスにおける歩留まりの向上やスクラップの削減など、現実の問題を解決するとき。どの要因が製品の品質に影響を与えるかを理解する。または、機器障害の根本原因分析を実行する場合、データを活用することで強力な利点が得られます。 ただし、答えが自由に提供されることはほとんどありません。 解決策が見つかる前に、データにアクセスしてインポートし、クリーニングして整理し、視覚化して調査する必要があり、場合によってはさまざまな機械学習アルゴリズムを通過することもあります。 次に、結果を解釈し、問題の状況に関する実践的な知識と並行して考慮する必要があります。 最終ステップとして、学習内容は、その後の意思決定や必要な行動を行う人が理解できる方法で伝えられなければなりません。
未利用のデータが取得され、貴重な洞察に変換される累積的なプロセスは、分析ワークフローと呼ばれます。 ワークフローのステップに沿って移動する際に複数の機能が利用され、場合によってはさまざまな側面を担当する個人や部門間を行き来することもあります。
JMP生の乱雑なデータを組織の知識と価値に変換するために必要なすべてが含まれています。 生データから洞察を抽出できる JMP 分析ワークフロー (図 1) の図は、次の場所にあります。 JMPウェブサイト。 ソフトウェアに含まれるさまざまな分析機能に対応するオレンジ色のボックスをクリックすると、機能の使用方法を簡単に説明する JMP Minute Demo が表示されます。
Figure 1: The JMP Analytic Workflow, showing all the tools needed to transform raw data into shareable insights for any organization.図 1: JMP 分析ワークフロー。生データをあらゆる組織にとって共有可能な洞察に変換するために必要なすべてのツールを示しています。
たとえば、データ アクセス ステップでは、外部ソースからのデータは次のとおりです。
- JMP Excel インポート ウィザードを使用してアクセスします。
- Recode と [テーブル] メニューにあるさまざまなツールを使用してクリーンアップしました。
- 不規則性や奇妙なデータ ポイントをチェックするためにプロットされます。
- さまざまなオプションのメリット/リスクを調査して、最適なソリューション/トレードオフを決定するためにモデル化されています。
結果は JMP Live を使用して伝達され、ユーザーはレポートを確認したり、さらに分析するために生データにオンデマンドでアクセスしたりできるようになります。 おそらく、これらのステップはアクション レコーダーを使用して記録され、新しいデータが利用可能になったとき、管理図で KPI を監視するための定期的な更新 (毎日/毎週など)、またはプロセスが突然ずれた場合に電子メール アラートを送信するために自動化されています。 これらの分析の過程で、データに正しい情報が含まれていないことが判明し、実験計画法から利益を得る機会を提供するためにさらに収集する必要があることが判明した可能性があります。
重要なのは、これらの分析手法はそれ自体では完全なソリューションではなく、相互に独立して使用されることはほとんどないため、単一のプラットフォーム内にそれらを含めることの利便性と必要性が強調されているということです。
その裏返しとして、組織内の 1 人が分析ワークフロー全体を使用することはほとんどありません。 ソフトウェア内にある多様な分析機能の多くを利用している企業は数多くありますが、これらは個々のユーザーの役割に応じて細分化されています (図 2 を参照)。
Figure 2: Examples of specific capabilities of the JMP Analytic Workflow that may be used by various individual user’s roles within an organization.図 2: 組織内のさまざまな個々のユーザーの役割で使用できる JMP 分析ワークフローの特定の機能の例。
どこから始めるべきか: 問題と解決基準の定義
問題を解決するために必要な手順を決定する前に、まず問題と、それが解決されたかどうかを判断する基準の両方を定義する必要があります。 ここでの例をあまり文字通りに受け取らないことをお勧めします。 このケーススタディで提示された問題を調査し、最終的に克服するために使用される分析手法は、さまざまな業界のさまざまな状況に同様に適用できます。 したがって、あなた自身の仕事の中で、あなたとあなたの組織の利益のためにこれらの機能を採用できる例を検討してください。
このケーススタディの使用方法:
以下は、このケーススタディで示された問題を調査して解決するために使用されるワークフローのすべてのステップのリストです。 また、さまざまな役職の人がよく使用する手順の例も示しました。 以下のリンクをクリックして、現在の役割に応じた独自のワークフローに従ってください。または、すべてのリンクを読んで、組織全体で JMP をどのように使用できるかを理解してください。 手順を再現できるように開始 Excel ファイルが含まれていますが、独自のデータを使用して自由に操作してください。
研究開発科学者: 2-9、14
製造エンジニア: 2-9、13-14
データサイエンティスト: 1-6、10-14
IT管理者: 1-2、14
問題の定義
この例には、医薬品錠剤を製造する製造プロセスが含まれます。 多くのプロセスと同様、このプロセスにも一連のステップが含まれます。 各ステップで、調整できるさまざまな設定があります。 これらは、各ステップの下にあるプロセス フロー図 (図 3) で確認できます。 さらに、バッチごとに選択する必要がある公称変数がいくつかあり、それらはステップの上にリストされています (さまざまなサプライヤーからの材料、および圧縮ステップでのコンプレッサーの選択)。
Figure 3: Tablet manufacturing process flow map used as an example case study.図 3: ケーススタディの例として使用された錠剤の製造プロセス フロー マップ。
プロセスの最後に測定される反応は溶解度であり、錠剤が体内でどれだけ早く溶けるかの尺度です。 溶解度は高い値が望ましく、スペックは 70% と低くなります。この値未満で測定されたバッチは廃棄されます。 当面の課題は、錠剤を製造する方法を決定し、スクラップ率を確実に 5% 未満に抑えて製造プロセスを実行することです。
(注意: これは、JMP 分析ワークフローを通じて提供される分析の力を問題解決にどのように使用できるかを示すデモです。 ここで紹介する技術は製造業や製薬業に限定されるものではありません。）
1) ログをクリアして、自動化のための分析を記録する準備をします。
- JMP の「表示」メニューに移動し、「ログ」を選択します。
- ログ ウィンドウの左上隅近くにある赤いホットスポットをクリックし、[ログのクリア] を選択します (図 4)。
Figure 4: Top-left corner of log window, showing menu behind red hotspot with Clear Log indicated.図 4: ログ ウィンドウの左上隅。赤いホットスポットの後ろにメニューが表示され、ログのクリアが示されています。
2) データアクセス
データは Excel ファイル内に含まれているため、Excel インポート ウィザードを使用してデータをインポートします。
- Excel ファイルをデスクトップまたは保存した場所から、開いている JMP ウィンドウ (ホーム ウィンドウなど) にドラッグするだけです。 以下の図 5 の結果を参照してください。
Figure 5: Excel Import Wizard after dragging Excel file into open JMP window, showing default settings.図 5: Excel ファイルを開いている JMP ウィンドウにドラッグした後の Excel インポート ウィザード。デフォルト設定が表示されます。
図 5 の「データ プレビュー」セクションからわかるように、テーブルは完全に正しく見えません。 図 6 に示すように、個別のワークシート設定を調整して、分析可能な形式にしましょう。
- [列ヘッダーの開始行] を 2 に設定します。
- 列ヘッダーのある行数を 2 に設定します。
- 「インポート」を選択します。
Figure 6: Individual Worksheet Settings in Excel Import Wizard after adjusting values to align data properly.図 6: データを適切に配置するために値を調整した後の Excel インポート ウィザードの個々のワークシート設定。
これで、TabletDissolution というテーブルが作成されました。
3) データの探索と視覚化、パート 1
すぐに、テーブルにいくつかの問題があるようです。 2 番目の列の API-Particle Size の値の一部が Small または s として入力されているように見えますが、これはおそらく Small を意味するものと思われます。 テーブルを下にスクロールすると、中規模と大規模のエントリに同様の問題があることがわかります。 他の列にも同様の問題がありますか? 列ヘッダー グラフをオンにすると、これを理解できます。
- テーブルの左上にあるヒストグラム シンボルをクリックして、列ヘッダー グラフをオンにします (図 7)。
Figure 7: Top-left of the table with the Column Header graph button circled in blue.図 7: テーブルの左上に青い丸で囲まれた [列ヘッダー] グラフ ボタンが表示されます。
4) データのブレンディングとクリーンアップ、パート 1
列ヘッダーのグラフを見ると、MgSt-Supplier には API-Particle Size と同様にデータ入力の問題がいくつかあるようです。 Recodeを使って修正しましょう。
- 列の上部にある列名をクリックして、「API-Particle Size」列を選択します。
- 列を選択した状態で、「列」メニューに移動し、「再コード化」を選択します。
- [Recode] ウィンドウの左上で、ドロップダウン メニューを [New Column] から [In Place] に変更します。
- Shift キーを押したまま、[Recode] ウィンドウの最初の 2 行にある [l] と [Large] をクリックします。 Shift キーを放し、Group ボタンを押します (図 8)。
Figure 8: Recode window, with Large and l values highlighted, and the Group button highlighted.図 8: [Recode] ウィンドウ。[Large] と [l] の値が強調表示され、[Group] ボタンが強調表示されています。
- 中値と m 値、小値と s 値を強調表示してグループ化します (図 9 を参照)。
- 「再コード化」を押します。
- オプション: MgSt-Supplier 列に対して再コード化手順を繰り返します。
Figure 9: Recode window with the three groups for API-Particle Size defined.図 9: API パーティクル サイズの 3 つのグループが定義された [再コード化] ウィンドウ。
気づいた方もいるかもしれないもう 1 つの問題は、連続データを含むはずの列の多くがカテゴリとして表示されることです。 これは、テーブルの左中央にある列ビューアで確認できます (図 10)。 コンプレッサーとコーティング サプライヤーを除き、ブレンド時間時間以降およびブレンド時間時間を含むすべてのカラムは連続的である必要があります。 これは、最初に数値の形式を変更してから、属性の標準化機能を使用することで簡単に修正できます。
注: 列がカテゴリカルである理由は、小数点を示すためにピリオドが使用されているためです。 私はヨーロッパに拠点を置いているため、私のコンピューターでは Windows がカンマを使用するように構成されています。 システムがピリオドを使用するように設定されている場合、データは適切にインポートされているため、これらの手順をスキップできます。数値、日付、通貨形式には、システム ロケール設定ではなく JMP 言語を使用できることにも注意してください。これは「Windows 固有」環境設定で設定できます。
Figure 10: Columns panel, showing that most columns are categorical, with the exceptions of Mill Time-hr and Screen Size.図 10: [列] パネル。ミル時間時間と画面サイズを除き、ほとんどの列がカテゴリカルであることを示しています。
- 「編集」メニューから「検索 --> 検索」を選択します。
- [検索内容:] にピリオド記号を入力し、[置換文字列:] にカンマ記号を入力します。
- [セル値全体を一致させる] チェックボックスをオフにします。
- 「すべて置換」を押します。
- [検索]ダイアログ ウィンドウを閉じます。
セル内のすべてのピリオドはカンマに置き換えられます。 これで、影響を受ける列のデータ型とモデリング型を変換できるようになりました。
- Blend Time-hr をクリックして列パネルを選択します。
- Shift キーを押したまま、列パネルの [ディゾリューション] をクリックしてすべての列を選択します。
- Shift キーを放し、Ctrl キーを押したまま「Compressor and Coating Supplier」をクリックしてこれらの列の選択を解除します。
- 「列」メニューから「属性の標準化...」を選択します。
- [列属性の標準化] ウィンドウで、標準化する属性のドロップダウン メニューから [データ タイプ] と [モデリング タイプ] を選択します。
- データ タイプを数値に変更し、モデリング タイプを連続に変更します。
- 「OK」を押します。
マシンセンサーの列はすべて数値で連続するようになります。 もう 1 つの列「画面サイズ」のモデリング タイプを変更します。 JMP は数値を認識し、デフォルトでモデリング タイプを連続に設定しましたが、3、4、5 が別々の形状を表すことがわかっています。 サイズ間の溶解度を比較して違いがあることを確認したい場合は、序数の方が適切です。
- [列] パネルの [画面サイズ] の前にある青い三角形をクリックします。
- モデリング タイプを Ordinal に変更します。
5) データの探索と視覚化、パート 2
列ビューアを使用すると、各列に関連する概要統計の形式でデータのスナップショットを簡単に取得できます。 名目データまたは順序データの場合、各列に個別のカテゴリの数が表示されます。 連続の場合、範囲、平均、標準偏差が表示されます。 これらが想定内であれば、分析を行っても問題ありません。 一方、それらが大幅にずれている場合は、さらに清掃が必要になる可能性があります。
- 「列」メニューから「列ビューア」を選択します。
- [列ビュー セレクター] ウィンドウで、すべての列を選択し、[概要の表示] を押します。
すぐに、すべてがうまくいったように見えます。 名目データと順序データ、および連続データのそれぞれについて、正しいカテゴリ数とおおよその範囲が得られました。 しかし、これを見ると、合格または拒否されたバッチ (溶解値が 70 以上または未満のバッチ) を示すために、合格/拒否列を含めることができるかもしれないことが頭に浮かびます。
6) データのブレンディングとクリーンアップ、パート 2
承認されたバッチと拒否されたバッチの新しい列を作成するには、さまざまな方法があります。 自分にとって使いやすい良い方法を知っている場合は、ぜひそれを使ってください。 または、JMP 16 で導入された新機能である Make Binning Formula の使用方法について説明することもできます。
- 溶解列を選択します。
- 「列」メニューから、「ユーティリティ」 --> 「ビニング式の作成…」を選択します。
- デフォルトのカット ポイントをすべて選択し、-記号を押して削除します (図 11 を参照)。
Figure 11: Binning dialog window, with all default cut points selected and the remove button (-) indicated by a blue circle.図 11: ビニング ダイアログ ウィンドウ。デフォルトのカット ポイントがすべて選択され、削除ボタン (-) が青い丸で示されています。
- カットポイントの値を 70 に変更し、必要に応じて、図 12 に示すように、値ラベルをダブルクリックして「Reject」および「Accept」と入力して、値ラベルの名前を「Reject」および「Accept」に変更します。
[カットポイント] の横にある赤い三角メニューを使用し、[ビン ラベル スタイル] -> [カスタム] を選択して、ラベル タイプを変更することも可能であることに注意してください。
Figure 12: Binning dialog window, with cut point value changed to 70 and value labels changed to Reject and Accept.図 12: カット ポイント値が 70 に変更され、値ラベルが Reject と Accept に変更された [ビニング] ダイアログ ウィンドウ。
- 「数式列の作成」を押します。
- 新しい列の名前を変更するには、列の上部にある名前をダブルクリックし、名前を「承認/拒否」に変更して、「OK」を押します。
データを整理してフォーマットし、バッチが受け入れられたか拒否されたかを示す列を追加したので、理解できるようになりました。データの背後にある物語。 具体的には、承認/拒否されたバッチの割合と、その割合に影響を与える要因 (および影響を及ぼさないその他の要因) を知りたいと考えています。 最終的には、不合格のバッチの発生を最小限に抑えるためにプロセスをどのように調整する必要があるかを知りたいと考えています。
7) 基本的なデータ分析とモデリング、パート 1
これらの質問に対する答えを得るには、どこを見るべきかを理解する必要があります。 答えがどこにあるのか、あるいはどのような質問をすればよいのかを理解するためにビジュアルを作成するプロセスは、探索的データ分析 (EDA) と呼ばれます。
- 「分析」メニューから「分布」を選択します。 ポップアップ ダイアログ ウィンドウで、[承認/拒否] 列を [Y, 列] ボックスにドラッグし、[OK] をクリックします (図 13)。
Figure 13: Distribution dialog window, with column Accept/Reject in the Y, Columns box.図 13: [Y, Columns] ボックスに [Accept/Reject] 列がある [配布] ダイアログ ウィンドウ。
図 14 に示す結果の分布レポートには、合計 90 個のうち 14 個の不合格バッチがあり、これは約 15.6% の割合に相当することを示す度数テーブルが含まれています。
Figure 14: Distribution report for column Accept/Reject.図 14: 列承認/拒否の分布レポート。
テーブル内の因子のヒストグラムを追跡することができます。これは、合格/拒否率に影響を与える場合もあれば、影響しない場合もあります。 回答欄「解散」も含めます。
- 「分析」メニューから「分布」を選択します。 今度は、「API-Particle Size」列から「Dissolution Reject」列までのすべての列を「Y, Columns」ボックスにドラッグします。
- [OK] をクリックする前に、ダイアログ ウィンドウの左下にある [ヒストグラムのみ] ボックスをオンにして、要約統計を非表示にします。 これらは、後で赤い三角ボタンのメニューを使用してオンにすることができます。
- 「OK」をクリックします。
注: [ヒストグラムのみ] をチェックする前に [OK] を押しても問題ありません。 分布レポートを閉じて、「分析」 --> 「分布」に戻るだけです。 ここで Recall を押すと、最後に Distribution を使用したときと同じようにダイアログが設定されます。 これは、分析をやり直す必要がある場合に、数回のクリックを節約するための優れたトリックです。
結果として得られるレポートには、すべての因子と応答のヒストグラムが表示されます。 右にスクロールすると、各因子のすべての値がどのように分布しているかを確認できます。 たとえば、一番左の図は、小または大の API 粒子よりも中程度の API 粒子がわずかに多いことを示しています。 この図の右側にはミル時間のヒストグラムがあり、約 30 時間までは値がほぼ均一に分布しています。 これらの数字を見て、これらの分布がバッチの実行方法についての理解と一致しているかどうかを検討するだけでも、多くのことを学ぶことができます。
JMP で作成されたすべてのビジュアルと同様に、これらはデータ テーブルに動的にリンクされます。 このプロパティを使用して画像をさらにドリルダウンし、プロセスについてさらに詳しく明らかにします。
- 図 14 に示す、承認/拒否分布レポートの拒否の横にある緑色のヒストグラム四角形をクリックします。
- データ テーブル内の拒否されたバッチのすべての行が選択されていることに注目してください。
- 図 15 に示すように、対応する係数の値も分布レポート内に埋め込みヒストグラム (濃い緑色) として表示されます。
Figure 15: Left-most three histograms of the Distribution report, which indicate embedded histograms for rejected batches.図 15: 分布レポートの左端の 3 つのヒストグラム。拒否されたバッチの埋め込みヒストグラムを示します。
埋め込まれたヒストグラムは、選択された行を構成するデータのサブセットを表します。 これらをデータ全体のヒストグラム (図の薄緑色) と比較すると、大幅な違いがある場合に重要性を示すことができます。 逆もまた真です。同じ形状の埋め込みヒストグラムと全体のヒストグラムは、その要因が応答に影響を与えていないことを示しています。この場合、バッチが受け入れられるか拒否されるかです。 ミル時間の場合、全体の分布は均一ですが、拒否されたバッチでは右に偏っていることに注意してください。 画面サイズに目を向けると、サイズ 5 が不採用の中で過大評価されているように見えますが、サイズ 3 と 4 は過小評価されているように見えます。 これは興味深いことであり、これらの要因が解散にどのように関係しているかを正確に詳しく調べる価値があります。
Distributions は、数回クリックするだけで、答えを見つけるためにどこを見るべきかについての手がかりを提供してくれる強力なツールです。 自由にさらに探索して、詳細な検査を必要とする可能性のあるものが他に飛び出していないかどうかを確認してください。
8)データの探索と視覚化、パート 3
プロセスに影響を与えている可能性のある 2 つの要因が明らかになったので、グラフ ビルダーを使用してそれらの要因をさらに掘り下げることができます。
- 「グラフ」メニューから「グラフビルダー」を選択します。
- [グラフ ビルダー] ウィンドウで、[Mill Time-hr] 列をドラッグし、X (中下) のマークが付いている長方形の領域にドロップします。
- 「溶解」まで列を下にスクロールします。 それを Y エリアにドラッグ アンド ドロップします。
結果は、データを蛇行する青いスプラインを含む溶解対粉砕時間の散布図です。 このスプラインは、閲覧者をデータの形状に導くことを目的としています。 これを使用する代わりに、スムーザーを Line of Fit に変更しましょう。
- グラフの中央を右クリックします。
- [スムーズ化] --> [変更] --> [フィット線] を選択します。 (注: グラフ タイトルのすぐ上にあるボックスを使用してもこれを行うことができました。)
- 「完了」を押します。
以下の図 16 に示すようなグラフが作成されました。 この図を見ると、過去のバッチでは粉砕時間と溶解の間に正の相関関係があることがわかります。 これは統計的に有意ですか (これは、これが単なるまぐれではなく本物である可能性を問う別の方法です)。
Figure 16: Dissolution vs Mill time-hr with a Line of Fit depicting a positive correlation between the variables.図 16: 変数間の正の相関を示す適合線を含む溶解対粉砕時間 - 時間。
次のセクションでは、その質問に答えていきます。 一方で、ヒストグラムを調べるときに画面サイズも重要な要素として浮上したことを思い出してください。 このグラフに画面サイズを追加して、それがディゾリューションにどのように影響するかについてさらに何かを学べるかどうかを確認してみましょう。」
- [グラフ ビルダー] の横にある赤い三角形から、[コントロール パネルの表示] を選択します。
- 「画面サイズ」を「グラフ ビルダー」ウィンドウの「グループ X」、「グループ Y」、「ラップ」、「オーバーレイ」、および「カラー」領域にドラッグします (ドロップしないでください)。 これにより、列がそのドロップ ゾーンにドロップされた場合にグラフがどのように見えるかをプレビューできます。
- 画面サイズを使用してさまざまなドロップ ゾーンを調べた後、列をグループ X ドロップ ゾーンにドロップします。
- 「完了」を押します。
グラフ ビルダーの性質上、列をドラッグして、データに関する有用な何かを発見するまで、他のさまざまなグラフを作成することができます。 [画面サイズ] をグループ X にドロップすることで、それぞれが独自の適合線を持つ 3 つの散布図を並べて作成しました (図 17)。 この図から、溶解と粉砕時間の間の正の相関関係が、使用したサイズの影響を受けたことが明確にわかります。サイズ 3 または 5 を使用すると強い効果がありましたが、サイズ 4 を使用した場合は効果がありませんでした。 ここでの示唆は、これら 2 つの要因と私たちの反応の間に相互作用効果が存在するということです。 分析のモデリング段階に到達したら、さらに詳しく調査しますが、ここでは、これらの変数を個別に詳しく見てみましょう。
Figure 17: Dissolution vs Mill time-hr for all three values of Screen Size, with Lines of Fit depicting positive correlations for Sizes 3 and 5, but no correlation for Size 4.図 17: スクリーン サイズの 3 つの値すべてにおける溶解対粉砕時間 - 時間。適合線はサイズ 3 および 5 では正の相関を示していますが、サイズ 4 では相関がありません。
9) 基本的なデータ分析とモデリング、パート 2
溶解に対するミル時間の影響は統計的に有意ですか? ミルタイムの増加が本当に溶解の増加につながるとどの程度確信できますか? スクリーン サイズ 5 で実行したバッチで測定された溶解度の低下についてはどうですか? あれはただの事故だったのでしょうか？ サイズ 5 を使用し続けると、サイズ 3 または 4 を使用した場合よりも低品質のバッチが引き続き表示される可能性がありますか? これらは、Fit Y by X プラットフォームを使用した分析のこの部分で回答する種類の質問です。
- 「Analyze」メニューから「Fit Y by X」を選択します(上から2番目、Distributionの次)。
- ダイアログ ウィンドウで、[溶解] を [Y, Response] 列ボックスにドラッグ アンド ドロップします。
- 次に、Mill Time-hr と Screen Size の両方を [X, Factor] 列ボックスにドラッグ アンド ドロップします。
- 「OK」を押します。
最初に気付くかもしれないのは、結果として得られる 2 つのプロットは、見た目が大きく異なるだけでなく、別名でも呼ばれることです。左側のプロットは「二変量フィット of…」と呼ばれ、右側のプロットは「一元配置分析 of…」と呼ばれます。 これは、特定の分析が適用される場合と適用されない場合がある、異なる種類のデータを使用して作成されたためです。 粉砕時間 - 時間の連続データが X 軸にプロットされ、溶解連続データが Y 軸にプロットされている場合、データに適合し、溶解がどのように変化するかを説明する回帰直線をプロットすることが意味がある場合があります。ミルタイムのすべての値の関数。 次に、適合線の傾きが 0 (ゼロは応答の平均値にプロットされた平坦な線の傾き) から大きく異なるかどうかを確認することで、これが実際のデータの異常であるか、それとも単なるデータの異常である可能性を計算できます。 一方、画面サイズ 3 と 4 の間にサイズがない場合、画面サイズ 3 と 4 の間のフィットの連続線は意味がありません。 このケーススタディでは、画面サイズは目立たない変数です。 当然の質問は、あるサイズを使用して作成された値と別のサイズを使用して作成された値を比較したときの応答に実際の違いがあるのかということです。 私たちは、サイズ間の傾きを計算するのではなく、これらの比較を調査する分析に興味があります。
左側の二変量近似から始めましょう。
- 二変量フィット図の赤い三角形から、[フィットライン] を選択します。
結果のプロットとレポートを以下の図 18 に示します。 ラインとそれがデータにどの程度適合するかについては、多くの情報があります。 傘を持っていくべきかどうかを知るために天気予報の詳細をすべて読む必要がないのと同じように、質問に答えるためにこのレポートのすべての側面を理解する必要はありません。 興味のある方は、これらすべての説明が JMP オンライン ドキュメントに記載されています。 現時点では、プロセスに関する質問に答えるために必要なものを抽出してみましょう。
Figure 18: Bivariate Fit of Dissolution vs Mill time-hr, with a linear fit and accompanying details indicating that the effect is likely real.図 18: 溶解時間対粉砕時間-時間の二変量フィット。線形フィットと付随する詳細は、効果が実際である可能性が高いことを示します。
散布図の線が上向きに傾いていることがわかります。これは、より長い粉砕時間を使用するとより高い溶解値が達成され、より短い時間を使用するとより低い溶解値が達成されることを示しています。 この線の方程式は直線フィットの直下にあり、傾きの値は約 0.165 %/hr です。 これは重要ですか? 傾きの推定値は、関連する p 値 (0.0004) とともにレポートの [パラメーター推定] セクションで繰り返されます。これは、そのような急な傾きが単に偶然に達成される確率は 10,000 分の 4 であることを意味します。 もちろん、ミルタイムが解散に実質的な影響を与えない可能性もありますが、その影響が本物であると考えたほうが安全です。
次に、右側の一元配置分析プロットの横にある赤い三角ボタンのメニューに移りましょう。 線に合わせるオプションがないことがすぐにわかります。 議論したように、離散的なデータに連続線を当てはめることは意味がありません。 ただし、これらのバッチを比較するためのオプションが多数あります。 非常に一般的なアプローチである t 検定を使用してみましょう。
- 一元配置分析の赤い三角ボタン メニューから、[平均の比較] -> [各ペア、生徒の t] を選択します。
以上で、t 検定は完了です。 もちろん、このレポートを解釈するのは私たちの責任です (図 19)。 繰り返しになりますが、ここには多くの詳細情報がありますが、これらの画面サイズが同等かどうかを判断するために必要なのはごく一部だけです。
Figure 19: Oneway Analysis of Dissolution vs Screen Size, with a means comparison done using Student’s t-test. The results suggest a significant negative effect of using Screen Size 5.図 19: スチューデントの t 検定を使用して行われた平均比較による、溶解対スクリーン サイズの一元配置分析。 この結果は、画面サイズ 5 の使用による重大な悪影響を示唆しています。
接続文字レポートを見ると、同じ文字で接続されていないレベルは大きく異なると記載されています。 画面サイズ 3 と 4 に対応するレベルの横には文字 A が表示されますが、サイズ 5 の横には文字 B が表示されます。 したがって、サイズ 3 と 4 は互いに同等ですが、サイズ 5 とは同等ではないという意味になります。 これが偶然に発生したわけではないという関連する確率は、順序付き差異レポートの p 値で表されます。 サイズ 3 と 5、およびサイズ 4 と 5 の差は実際のものであると結論付けるのはまったく安全です (それぞれ、p 値 <0.0001 および 0.0017)。 逆に、サイズ 3 とサイズ 4 の比較は、現実である可能性は低くなります (偶然に起こった確率は 5.79%、小さいように聞こえるかもしれませんが、通常受け入れられている立証責任の 5% を超えています)。
確信が持てない場合は、確信を得るためにさらにデータを収集してみることができます。 あるいは、スクリーン サイズ 5 の使用を直ちに中止し、ミル時間を最大 30 時間まで調整すると、溶解値の改善が見られるはずです。 また、高度な統計モデリングへの分析ワークフローに沿って続行し、まず EDA 中に見逃した可能性のある重要な要因を特定します。 また、これらすべての要素を使用して統計モデルを構築し、要素間の根底にある相互作用を明らかにし、理想的には、不合格の発生を減らしながら、可能な限り最高品質のバッチを確実かつ一貫して生産できるプロセスのスイートスポットを見つけたいと考えています。最小。
10) 高度な統計モデリング
最初の質問から始めましょう。ミルタイムと画面サイズ以外に、さらに詳しく検討する必要がある、見落としている可能性のある要素はありますか?
- 「分析」メニューから、「予測モデリング」 --> 「パーティション」を選択します。
- [パーティション] ダイアログ ウィンドウの列のリストから [溶解] を選択し、[Y、応答] を押します。
- API-Particle Size から Atom までのすべての列を選択します。 Pressure-Pa して X、Factor を押します。
- 「OK」を選択します。
- ポップアップ表示された新しいパーティションの溶解レポートウィンドウで、「分割」を選択します。
繰り返しになりますが、このレポートには多くの情報が含まれていますが、画面サイズが最も重要な変数として浮上していることを認識するには、そのすべてが必要というわけではありません。 EDA 中にすでに気づいていたので、ここでは大きな驚きはありません。 レポートには、「画面サイズ(3, 4)」と「画面サイズ(5)」という 2 つのボックスが含まれていることに注目してください。 分割アルゴリズムは、この重要な要素内のカット ポイントを特定し、データを分割または分割して、プロセスの変動をできるだけ多く捕捉します。 どうやら、Fit Y by X を使用してこの要素を調査したときと同じ結論に達したようです。
続けてみましょう:
ミルタイム時間は、当社のプロセスにおいて 2 番目に重要な要素として浮上しています。 もう一度言いますが、それほど大きな驚きではありません。 しかし、別のカットポイント (11 時間) が判明しました。 また、[Mill Time-hr] ボックスが [Screen Size(5)] ボックスに基づいていることに気づいたかもしれません。 これは、カット ポイントがサイズ 5 を使用する場合にのみ適用されることを意味し、したがって、サイズ 5 を使用する際に行き詰まった場合に仕様の制限が与えられることになります。 サイズ 5 は理想的ではありませんが、どうしても使用しなければならない場合は、少なくとも 11 時間以上粉砕する必要があります。 そうすれば、半分まともなバッチを作るのに最善の方法が得られます。
はぁ！ Blend Time-hr は、これまで注目されていなかったものです。
- デシジョン ツリーにリーフが追加されなくなるまで、[分割] を何度も選択します。 (あと 11 回の分割ができるはずです。)
さて、多くの要素がツリーに追加されました。 実際、いくつかの要素が何度も追加されています。 このツリーの各葉はレシピであり、上の葉 (幹に近い親葉) の因子は必要に応じて上下に設定され、他のすべての因子は平均値に設定されます (カテゴリカルの場合はランダムに割り当てられます)。変数)。 このレシピで生成される溶解の予測平均値は、葉内に示されています。 私たちにできることの 1 つは、すべてのリーフを調べて最適なレシピ、つまり予測平均が最も高いレシピを見つけることです。 見つけられるかどうか、少し待ってください… ヒント: ツリーの中央下付近にあります: スクリーン サイズ (3 または 4)、ブレンド時間 (≧15.9 時間)、乳糖供給者 (ボンド社)、およびコーティング粘度 (≧99.3 cp)、その他すべての要素は次のように設定されています。それらの平均値。 ご覧のとおり、平均溶解度が約 79 のバッチが生成されると予測されます。
そのレシピを実行し、結果のバッチを監視して、モデルが正確であるかどうか、また結果のバッチの溶解値が予測値 79 に近いかどうかを確認してみることができます。 この品質のバッチを生産することで問題が解決する場合は、これが機能するかどうかを確認するためにここで停止してもまったく問題ありません。 その場合、次に解決する必要がある問題に進むことができます。 ただし、このシナリオでは、これでは十分ではありません。 より高いレベルに到達する方法を見つける必要があります。これは、解決策を導き出すために、このデータからさらに多くの情報を絞り出すことを意味します。
- [Dissolution 用のパーティション] の赤い三角ボタンのメニューから、[Column Contributions] を選択します。
このアクションにより、図 20 に示す列寄与レポートがパーティション ウィンドウに追加されます。 レポートでは、上から順に各要素の重要性が示されます。 スクリーン サイズが最も重要な要素であり、次にミル時間、ブレンド時間、ブレンド速度などが続くように見えます。 さらに下を読んでいくと、最終的にはどのリーフにも現れず、したがって溶解に影響を及ぼさないように見える因子 (API 粒子サイズ以下から始まる) に到達します。
Figure 20: Column Contributions from the Partition for Dissolution report, showing the significance of the factors in descending order. Spray Rate is seen to be the last significant factor; everything below it is considered not to have any effect on Dissolution.図 20: 分割レポートの列寄与度。要因の重要性を降順で示しています。 噴霧速度は最後の重要な要素であると考えられます。それ以下のものはすべて解散に影響を及ぼさないと考えられます。
したがって、重要な 8 つの要因について溶解度を高めることに重点を置くことができ、そうでない残りの 9 つの要因はほとんど無視できます。
- Column Contributions レポートから、8 つの重要な要素 (画面サイズからスプレー速度まで) を選択します。 これらの列がテーブル内で選択されていることに注目してください。
- 「分析」メニューから「モデルの適合」を選択します。 [モデルの適合] ダイアログ ウィンドウが表示され、列がすでに選択されています (図 21)。
Figure 21: Fit Model dialog window, with columns of significant factors selected.図 21: 重要な因子の列が選択された状態の [モデルの適合] ダイアログ ウィンドウ。
- [モデルのフィット] ダイアログ ウィンドウで [マクロ] ボタンを押し、[応答曲面] を選択します。
- 最後に、溶解列を選択し、Y (ダイアログ ウィンドウの上部中央にあるボタン) を押します。
- 「実行」を押します。
注: 応答曲面モデルには、すべての主効果 (この場合は 8 つの重要な因子)、すべての二元交互作用、およびすべての二乗項が含まれます。 このタイプのモデルは、プロセス設定の中からスイート スポットを見つけようとして、最適化問題に取り組むための優れた出発点であることが何度も示されています。 以下で説明するいくつかのモデルの改良を除けば、これは通常、十分な終了点でもあります。つまり、解決しようとしていた問題を解決するのに十分なプロセスに関する情報が得られることを意味します。
[応答解消レポート] ウィンドウがポップアップ表示されます。 繰り返しになりますが、多くの情報があり、そのすべては JMP オンライン ドキュメントで詳しく説明されていますが、そのほとんどは問題を解決するために必要な知識ではありません。
このレポートを上から調べ始めて、特に興味のないものをスキップしながら、下に向かって進んでいきます。 最初に現れるのは、以下の図 22 に再現されている、実際と予測のプロットです。 ここで重要なことは、すべての点がほぼ暗赤色の直線に沿っているということです。 それらがすべて正確に一致することはありません。プロセスには、モデルでは捉えられない変動が常に存在します。 問題はどの程度の変動があるかになりますはモデルに撮られたの？ プロットのすぐ下の RSq 値がその情報を提供します: 0.88 (または 88%)。
Figure 22: Actual by Predicted Plot for a full response surface model with eight main effects, capturing 88% of the variation in Dissolution (RSq = 0.88).図 22: 8 つの主効果をもつ完全応答曲面モデルの実際と予測のプロット。溶解度の変動の 88% を捉えています (RSq = 0.88)。
実際と予測のプロットの下には効果の概要 (図 23) があり、モデルに含めたすべての効果を重要度の降順にリストします。 もちろん、これはすべてテーブル内に含まれる履歴データに基づいています。 PValue とラベル付けされた右端の列は、効果がまったく影響を及ぼさないと仮定して、より多くのデータを収集した場合に、それぞれの効果の解消に対するより大きな影響が見られる可能性を示しています。 小数点第 5 位に四捨五入すると、追加の実行により、画面サイズが何もない場合に、画面サイズがより大きな影響を与えるように見える可能性は 0% であるように見えます。 私たちが目にしている影響の大きさが偶然によるものではないことは、事実上数学的に確実です。 したがって、画面サイズがディゾリューションの値に実際に影響を与えると結論付けることができます。
Figure 23: Effects Summary for a full response surface model with eight main effects.図 23: 8 つの主効果を含む完全な応答曲面モデルの効果の概要。
対極にあるのは、乳糖供給者とブレンド速度の間の相互作用効果であり、リストの一番下にある要素です。 p 値はおよそ 0.959 で、許容されるカットオフの 0.05 をはるかに上回っており、この効果は溶解に影響を及ぼさないと安全に結論付けることができます。 先に進み、モデルから削除しましょう。
- 「効果の概要」表の「乳糖供給者*ブレンド速度-rpm」をクリックし、そのすぐ下の「削除」ボタンを押します。
すべての p 値とレポート内のその他すべてがわずかに変化していることに気づきましたか? JMP の多くのレポートと同様、変更によりすべての値が即座に再計算されるため、解析を再開することなく、重要でない影響をすべて削除してモデルを改良できます。
- 図 24 に示すように、残りのすべての効果の p 値が 0.05 より大きくなるまで、最も重要性の低い効果 ([効果の概要] レポートの下部にある最後の効果) を 1 つずつ削除します。
Figure 24: Effect Summary for a refined RSM model containing only effects with a p-value greater than 0.05.図 24: p 値が 0.05 を超える効果のみを含む、洗練された RSM モデルの効果の概要。
注: p 値の右側に ^ 記号がある効果は削除しないでください。 このシンボルは、その効果が他のより重要な効果の中に含まれていることを認識させることを目的としています。 原則として、それらをモデル内に残しますが、含まれているエフェクトがすべて最初に削除された場合にのみ削除されます。
実際の予測プロットを下回る RSq 値は 0.83 に減少しました。これは、この新しい洗練されたモデルによって捕捉される応答の変動が少なくなることを意味します。 それで大丈夫です。 元の RSq 0.88 は、実際のプロセスではなく、ランダム ノイズに適合する非有意な項が含まれているため、誤解を招くほど高かったです。 モデルから高い p 値因子を削除すると、当然 RSq は低くなりますが、将来のバッチの予測がより正確になる可能性が高くなります。
では、プロセスの変動の 83% を説明できたことは良いことなのでしょうか、それともまったく不十分なのでしょうか? この演習全体の目的を思い出してください。つまり、溶解度が 70 を超えるバッチを確実に製造して、スクラップ率を 15% から 5% 未満に下げる方法という問題を解決しようとしているのです。 その方法を理解するのに十分な理解が得られたら、作業は完了し、次の問題に進むことができます。 このモデルでそれが可能になるのであれば、十分に良い。 以下の図 25 に示されている、予測プロファイラーへの最小二乗法フィット レポートの最後までスクロールすると確認できます。
Figure 25: Prediction Profiler for our refined RSM model.図 25: 洗練された RSM モデルの予測プロファイラー。
予測プロファイラーはモデルをグラフィカルに表現したもので、設定の組み合わせによる予測結果を確認するために使用できます。 たとえば、図 25 では、これらの設定 (ミル時間 17.011 時間、スクリーン サイズ 3 など) を使用して生成されたバッチの平均は 77.49% と予測されます。 また、モデルによれば、ミル時間、ブレンド時間、およびコーティング粘度を増加させ、スプレー速度を減少させると、バッチの溶解度がさらに高くなることがプロファイルからわかります。
- プロファイル内の赤い垂直破線をクリックし、右または左にドラッグします。
- ラインを手動で移動し続けて、モデルが最も高い溶解度を達成すると予測する設定を見つけます。
最適な設定を手動で見つけることに加えて、予測プロファイラーの満足度の最大化機能を使用することもできます。
- 予測プロファイラーの赤い三角メニューをクリックします。
- [最適化と望ましさ] --> [望ましさの最大化] を選択します。
- 赤い三角ボタンのメニューに戻り、[最適化と満足度] --> [満足度の最大化] を選択します。
望ましさを最大化した後の最適な設定が表示されます (図 26)。
Figure 26: Prediction Profiler with Desirability Functions enables on, with factors at optimum settings resulting in highest value of Dissolution, 86.5% (y-axis adjusted from default).図 26: 満足度関数を使用した予測プロファイラーが有効になっており、因子を最適設定にすると、溶解度の最高値である 86.5% が得られます (y 軸はデフォルトから調整)。
予測値は 70% のマイルストーンを超えています。 もちろん、実際のテストは、これらの設定を工場で試したときに行われます。
11) 予測モデリングと機械学習 (JMP Pro)
JMP Pro では、Formula Depot を使用して実稼働環境へのモデルのデプロイが簡素化されます。 そこから、モデルを運用環境にデプロイするためのスコアリング コードを簡単に生成できます。
- 最小二乗法フィットレポートの上部にある応答分解の横にある赤い三角メニューから、[列の保存] --> [予測式の公開] を選択します。
- Formula Depot レポートで、Fit Least Squares – Dissolution の赤い三角ボタン メニューをクリックし、Generate… を選択します (図 27 を参照)。
注: Formula Depot は、C++、Python、JavaScript、SAS、または SQL の生成に使用できます。
Figure 27: Formula Depot with the Fit Least Squares model for Dissolution (left), with automatically generated Python code (right).図 27: 最小二乗法による溶解モデルの適合 (左) と自動生成された Python コード (右) を含む数式デポ。
12) 自動化とスクリプト作成
ここで、テーブルを JMP にインポートし、正しい形式で取得するためのスクリプトを保存します。 これにより、新しいデータが利用可能になったときに繰り返し行うのがはるかに簡単になります。 以前に行ったとおりにやり直す必要はほとんどないため、現時点で行ったすべての分析の手順を保存することについては心配する必要はありません。 最終的には、新しいレシピの実装による今後のバッチへの影響を監視し、すべてが安定しており、プロセスが変動していないことを確認する必要があります。 現時点では、ログ内のアクション レコーダからデータ テーブルの操作をキャプチャしてみましょう。
- [ログ] ウィンドウで、左上隅にある赤い三角メニューをクリックし、[アクション レコーダー] を選択します。
- このオプションの選択を解除するには、「プラットフォームの起動」を選択します。
- 図 28 に示すように、[閉じるときにレポート スナップショット] の選択を繰り返して選択を解除すると、データ テーブル操作のみが選択された状態で表示されます。
Figure 28: Log window, showing the Action Recording options within the red triangle menu, with only Data Table Operations selected.図 28: データ テーブル操作のみが選択された、赤い三角メニュー内のアクション記録オプションを示すログ ウィンドウ。
- ログウィンドウの赤い三角メニューを再度クリックします。 [スクリプトの保存] --> [スクリプト ウィンドウへ] を選択します。
- スクリプト ウィンドウから、[ファイル] --> [名前を付けて保存] を選択します。 スクリプトに「Tablet Data Import」という名前を付け、デスクトップ上のわかりやすい場所に保存します。
スクリプトを保存したので、開いているすべてのレポートを含む JMP データ テーブルを閉じることができます。 元の Excel テーブルと、それを JMP にインポートして分析の準備をするために必要なすべての手順が残ります。 また、工場に対して新しいレシピを使用して製品の生産を開始するための指示も提出しました。 ログをクリアして、新しいデータが利用可能になるまで休憩しましょう。
- 「ログ」ウィンドウの赤い三角ボタンのメニューから、「ログのクリア」を選択します。
13) 品質およびプロセスエンジニアリング
しばらく時間が経過し、新しく改良されたプロセス レシピを使用した多数の実行が完了したと想像してください。 これらの新しい実行は、Excel 作業の新しい行として追加されました。これは自動的に行われた可能性がありますが、行が手動で追加されてからファイルが再保存された可能性もあります。 新しいプロセスは、A として知られる古いプロセスと区別するために B と呼ばれます。
- Tablet Data updated.xlsx ファイルを、以前に使用した Tablet Data.xlsx ファイルと同じ場所に保存します。
- タブレットデータ.xlsxを削除します。
- 新しいファイルの名前を Tablet Data.xlsx に変更します。
- に保存されている Tablet Data Import.jsl スクリプト ファイルを開きます。セクション 12実行ボタンを押します (図 29)。
Figure 29: Script window with the Run button near the top of the window circled in blue.図 29: 青い丸で囲まれたウィンドウの上部近くに [実行] ボタンがあるスクリプト ウィンドウ。
元の JMP テーブルに対して行った書式設定の変更が、このテーブルのインポート時に自動化されていることに注目してください。これには、列 API-Particle Size と MgSt-Supplier の再コード化、Screen Size のモデリング タイプの序数への変更、小数点記号としてカンマを使用するなどが含まれます。次に、影響を受ける列を数値に変換し、最後に承認/拒否列を追加します。 また、新しい実行に対応する 25 の実行がテーブルに追加されていることと、各バッチのレシピを示す列が追加されていることにも注目してください。 テーブルを簡単に検査すると、インポートおよび書式設定スクリプトがこれらの追加に正常に対応しているようです。 新しいデータが引き続き利用可能になるため、引き続きこのスクリプトに依存できるため、これは良いニュースです。
テーブルの一番下までスクロールすると、新しい実行がレシピ列に B として示されています。[承認/拒否] 列 (最後、右端) から、すべての新しいバッチが承認として分類されたことがわかります。 もちろん、これも素晴らしいニュースです。 レシピの設定値が表の内容と一致していないことに気付いたかもしれません。 たとえば、モデルは粉砕時間の最適設定を 25.7 時間と決定しましたが、表内の値はこの設定から多少異なります。 これは、テーブルには各バッチ中に測定された実際の値が含まれており、必ずしも設定値と正確に一致するとは限らないためです。 プロセス変数をより適切に制御することでこれらの値を厳しくすることが、プロセスの将来の改善手段となる可能性があります。
それまでの間、管理図を使用して、新しいレシピを実装した後にプロセスがどのように変化したかを確認できます。 また、これを使用してプロセスを追跡および監視し、介入が必要な段階的なドリフトや突然の変化を警告することもできます。
- 「分析」メニューから、「品質とプロセス」 --> 「管理図ビルダー」を選択します。
- 「管理図ビルダー」ウィンドウで、列パネルの「溶解」列まで下にスクロールします。 [溶解] をクリックして、Y ドロップ ゾーンにドラッグします。
- 「レシピ」列を管理図の上部にある「フェーズ」ドロップゾーンにドラッグします。
- 「完了」を選択します。
図 30 に示すように、レシピ A のチャートがレシピ B のチャートの左側にある、2 つの個別および移動範囲チャートが並べて表示されます。 最初に気づくのは、レシピ B のポイントが高いことであり、溶解値が高いことに対応しています。 グラフの中央を通る緑色の実線は各プロセスの平均値を示し、平均値の上と下の赤色の実線はそれぞれ管理限界の上限と下限を示します。 計算された値は、管理図のすぐ右側の溶解限界概要に示されています。
Figure 30: Individual & Moving Range chart for both recipes, A (left) and B (right), with Limit Summaries providing the calculated means (Avg) and lower/upper control limits (LCL/UCL).図 30: 両方のレシピ A (左) と B (右) の個別および移動範囲グラフ。限界概要には、計算された平均値 (平均) と下限/上限管理限界 (LCL/UCL) が示されています。
新しいレシピ B を使用して作成したバッチには、古いレシピ A を使用したバッチよりも多くのバリエーションがあります。 ポイント自体がより広い範囲の溶解値に分散しているため、これがわかります。 また、赤い線がさらに離れており、標準偏差が大きいことを示しています。 ただし、前述したように、[承認/拒否] 列を見ると、レシピ B のすべてのバッチが許容されており、これが私たちの主な目標です。 平均 86.76% は、元のレシピの平均 72.86% よりもかなり高くなります。 86.76% は、モデルによって予測された 86.5% の値にも著しく近い値です。
標準偏差が大きいため管理限界が広いにもかかわらず、一見するとプロセスは安定しているように見えます。 とはいえ、レシピBが上昇傾向にあるのかもしれません。 [品質とプロセス] メニューで利用できる 1 つのオプションは、CUSUM チャートを使用して監視し、それが実際の傾向であるかどうかをできるだけ早く判断することです。
安定性を簡単にテストし、何かが変化した可能性があることを示すには、ポイントの 1 つが赤い線を超えていることが考えられます。 プロセス監視のアラートとして機能するためにアクティブ化できる他のテストもあります。
- 個別および移動範囲チャートの中央を右クリックします。
- 「警告」 --> 「テスト」 --> 「すべてのテスト」を選択します。
A には 1 つの警告が表示されます (詳細を表示するには、警告の上にマウスを移動します)。B には何も表示されません。ただし、新しいデータが利用可能になったときに管理図を更新して変更を監視することは可能であり、また、これを工場で製品が製造されている限り定期的に行うことができますし、絶対にそうすべきです。
- 管理図ビルダーの横にある赤い三角ボタンのメニューから、「スクリプトの保存」 --> 「クリップボードへ」を選択します。
- タブレット データ インポート スクリプトに移動し、スクリプトの最後の行の後に貼り付けます (右クリック --> 貼り付け、または Ctrl-V)。
- 更新されたスクリプトを保存します [ファイル] --> [保存]。
保存せずに管理図と管理表を閉じることができるようになりました。 スクリプトを実行すると、テーブルが再インポートされ、管理図が作成されます。 分析を更新するために必要な作業がボタンを 1 回押すだけになったため、これを定期的かつ必要なだけ繰り返すのはほとんど手間がかかりません。 Windows のタスク スケジューラまたは Mac の iCal (または自動スケジュール用のその他の無数の無料ツール) を使用して自動化することもできます。 しかし、プロセスの監視を担当する同僚が JMP に詳しくなかったらどうなるでしょうか? リアルタイムで最新の情報を提供するにはどうすればよいでしょうか?
14) 結果の共有と伝達
JMP Live は、科学者やエンジニアが、JMP を使用せずに安全な Web 接続を通じて JMP レポートにアクセスできるツールです。 管理図内でプロセスアラームがトリガーされた場合に、警告電子メールを送信できるようにすることもできます。 データのインポート、分析の再現、JMP Live へのレポートの公開 (この場合は管理図)、制御不能なプロセスが発生した場合の電子メール警告の送信という手順全体を簡単に自動化し、定期的な更新を行うことができます。 。
JMP Live は、機密レポートや機密レポートを安全なサーバーにアップロードし、クローズドサークル内で共有できるようにするもので、JMP ファミリ内の別の製品です。 JMP Public は、JMP Live のパブリック バージョンです。 Web ブラウザを持っている人は誰でもレポート (public.jmp.com で入手可能) を閲覧でき、JMP 15 以降を持っている人は誰でも自由に JMP Public に公開できます。
まずはレポートを JMP Live に公開しましょう。
注: JMP Live にアクセスできない場合は、JMP Public に公開できます。 または、単に手順を読んで、後で実行してみることもできます。 JMP Live または JMP Public に初めて公開する場合は、接続を確立することから始めます ([ファイル] --> [公開] --> [接続の管理…])。 詳細は次のとおりです。このブログ投稿、自動公開の方法も説明します。
- 管理図ビルダーのレポート ウィンドウから、[ファイル] --> [公開] --> [JMP Live に公開…] を選択します。
- 公開するレポートを選択し、「次へ」を押します。
- [警告を有効にする] チェックボックスがオンになっていることを確認します。これは、管理図の警告がアクティブ化された場合に電子メールが送信されることを示します (図 31 を参照)。
- レポートへのアクセスを許可するグループ (以前に保存した電子メールのリスト) を選択します。
- 「公開」を押します。
Figure 31: JMP Live new post configuration window, with the Enable Warnings box checked, for Control Chart warning emails. Toward the bottom, we can see that access to the report will be limited to the Engineering group.図 31: 管理図警告メールの [警告を有効にする] ボックスがオンになっている、JMP Live の新規投稿設定ウィンドウ。 一番下に行くと、レポートへのアクセスがエンジニアリング グループに限定されていることがわかります。
これらの手順が完了すると、レポートが正常に発行されたことを示すメッセージが表示されます。
注: このブログでは、レポートのレプリカが公開されています。 JMPパブリック。
レポートは一度公開されているため、新しいデータが利用可能になったときにオンライン レポートを更新するのは簡単です。 前述のように、詳細と役立つヒントが見つかります。ここ。 つまり、次の 3 つの情報が必要です。
- JMP でのレポートの名前。
- JMP Live 接続の名前。
- JMP Live で公開されたレポートのレポート識別子。
レポートの名前 (この場合、管理図ビルダー レポート) は、JSL でオブジェクトを参照するために使用された名前です。 バックインセクション 13スクリプトをコピーして JSL ウィンドウに貼り付けたとき、名前は何も付けませんでした。 戻って今それをやってみましょう。
- JSL スクリプト ウィンドウで管理図を作成するために使用した管理図ビルダー関数の直前に等号を入力し、一意の名前を付けます (図 32 を参照)。
Figure 32: JSL script window with the Control Chart Builder, now referenced by the name ccb.図 32: 管理図ビルダーを含む JSL スクリプト ウィンドウ。現在は ccb という名前で参照されています。
次に、JMP Live への接続の名前は、[ファイル] --> [パブリッシュ] メニューの [接続の管理…] 機能を使用して見つけることができます。 詳細については、JMP Live への接続が初めて確立されたときに表示されます。 JMP Live 管理者のテクニック: パブリッシュの自動化ブログ投稿。
最後に、レポート識別子は、公開されたレポートの Web アドレスの最後のスラッシュ (/) の後のコードです。 たとえば、JMP Public で見られるレポートでは、図 33 の青で囲まれたコードに対応します。
Figure 33: JMP Public report with the report identifier code circled in blue.図 33: レポート識別コードが青で囲まれた JMP パブリック レポート。
この情報があれば、あとは次の 4 行のコードをスクリプトに追加するだけです。
liveconnection = New JMP Live( Connection( *JMP Live 接続名* ) );
webreport = 新しい Web レポート();
webreport<<レポートの追加(*JMP レポート名*);
jmpliveresult=liveconnection<
これらの行は、上に表示されているとおりにスクリプトにコピーできます。アスタリスク (*) で囲まれたプレースホルダー名は実際の名前に置き換えられます。
最後の挨拶
現時点では、プロセスは仕様の範囲内で動作しており、電子メールによるアラートによる自動監視が設定されています。 私たちはついに次の問題に進む準備が整いました。未解決の課題と未解決の疑問がすべて、パフォーマンスの向上、開発のスピードアップ、コストの削減、効率の向上をおそらくすべて一度に行う新たな機会を提供しています。 これらに向かうには、JMP 分析ワークフローを通じて新しいルートをたどり、その過程で新しい洞察を明らかにする必要があります。
しかし、先ほど解決した問題はどうなるのでしょうか? さらに収量を増やすことはできるでしょうか？ 解散率をさらに高める方法はあるのでしょうか? 機械が故障したり、サプライヤーが変更になったりした場合、プロセスにどのような影響が出ますか? JMP Live を通じて設定した管理図の電子メール アラートがトリガーされた場合、どのように対応すればよいでしょうか?
本当の価値は、問題から始まり解決策で終わる一方通行ではなく、継続的な改善サイクルに沿ったガイドとして JMP 分析ワークフローを捉えることによって生まれます。 サイクルの各ラウンドで徐々にパフォーマンスが向上し、より良い製品やプロセスが生まれ、ビジネスが強化されます。
JMP 分析ワークフローが課題の解決にどのように役立つかについて詳しくは、次のサイトをご覧ください。私たちのウェブサイト。
