제조 공정에서 수율을 높이거나 스크랩을 줄이는 등 실제 문제를 해결할 때 어떤 요소가 제품 품질에 영향을 미치는지 이해합니다. 또는 장비 고장에 대한 근본 원인 분석을 수행하는 등 데이터를 활용하면 강력한 이점을 얻을 수 있습니다. 그러나 답변이 무료로 제공되는 경우는 거의 없습니다. 솔루션을 찾기 전에 데이터에 액세스하여 가져오고, 정리 및 구성하고, 시각화하고 탐색해야 하며, 어쩌면 다양한 기계 학습 알고리즘을 통과해야 할 수도 있습니다. 그런 다음 결과는 문제의 상황과 관련된 실제 지식과 함께 해석되고 고려되어야 합니다. 마지막 단계로, 결정을 내리거나 그에 따른 필요한 조치를 수행할 사람들이 이해할 수 있는 방식으로 학습 내용을 전달해야 합니다.
아직 활용되지 않은 데이터가 캡처되어 귀중한 통찰력으로 변환되는 누적 프로세스를 분석 워크플로우라고 합니다. 워크플로의 단계를 따라 이동하는 동안 여러 기능이 활용되며 잠재적으로 다양한 측면을 담당하는 개인이나 부서 간에 전달될 수도 있습니다.
JMP 원시적이고 지저분한 데이터를 조직의 지식과 가치로 변환하는 데 필요한 모든 것이 포함되어 있습니다. 원시 데이터에서 통찰력을 추출할 수 있는 JMP 분석 작업 흐름(그림 1)에 대한 설명은 다음에서 확인할 수 있습니다. JMP 웹사이트 . 소프트웨어에 포함된 다양한 분석 기능에 해당하는 주황색 상자를 클릭하면 기능 사용 방법에 대한 간략한 설명이 있는 JMP Minute Demo로 이동합니다.
Figure 1: The JMP Analytic Workflow, showing all the tools needed to transform raw data into shareable insights for any organization.그림 1: 원시 데이터를 모든 조직에서 공유 가능한 통찰력으로 변환하는 데 필요한 모든 도구를 보여주는 JMP 분석 작업 흐름.
예를 들어, 데이터 액세스 단계에서 외부 소스의 데이터는 다음과 같을 수 있습니다.
- JMP Excel 가져오기 마법사를 사용하여 액세스합니다.
- Recode 및 Tables 메뉴에 있는 다양한 도구를 사용하여 정리했습니다.
- 불규칙성이나 이상한 데이터 포인트를 확인하기 위해 플롯되었습니다.
- 최상의 솔루션/절충점을 결정하기 위해 다양한 옵션의 이점/위험을 탐색하도록 모델링되었습니다.
그런 다음 JMP Live를 사용하여 결과를 전달할 수 있으므로 사용자는 보고서를 확인하고 추가 분석을 위해 원데이터에 대한 온디맨드 액세스를 제공할 수 있습니다. 아마도 이러한 단계는 Action Recorder를 사용하여 기록되었으며 새 데이터가 사용 가능한 경우, 정기적인 업데이트(매일/매주/등)를 위해 자동화되어 제어 차트로 KPI를 모니터링하거나 프로세스가 갑자기 표류하는 경우 이메일 알림을 보냅니다. 이러한 분석 과정에서 데이터에 올바른 정보가 포함되어 있지 않으며 더 많은 정보를 수집해야 한다는 사실이 발견되어 실험 계획의 이점을 얻을 수 있는 기회가 제공되었을 수 있습니다.
요점은 이러한 분석 기술이 그 자체로는 완전한 솔루션이 아니며 서로 독립적으로 사용되는 경우가 거의 없으므로 단일 플랫폼 내에서 이러한 분석 기술을 보유할 필요성과 편의성이 강조된다는 것입니다.
이에 대한 반대 측면은 조직 내의 어느 한 사람이 분석 워크플로우를 전체적으로 사용하는 경우가 거의 없다는 것입니다. 소프트웨어에 있는 다양한 분석 기능을 활용하는 회사는 많지만 이는 개별 사용자의 역할에 따라 설명됩니다(그림 2 참조).
Figure 2: Examples of specific capabilities of the JMP Analytic Workflow that may be used by various individual user’s roles within an organization.그림 2: 조직 내의 다양한 개별 사용자 역할이 사용할 수 있는 JMP Analytic Workflow의 특정 기능 예.
시작 위치: 문제 및 해결 기준 정의
문제 해결에 필요한 단계를 결정하기 전에 먼저 문제와 문제가 해결되었는지 판단하는 기준을 모두 정의해야 합니다. 여기서의 예를 너무 문자 그대로 받아들이지 말 것을 권합니다. 이 사례 연구에서 제시된 문제를 탐구하고 궁극적으로 극복하는 데 사용되는 분석 기술은 다양한 산업 분야의 다양한 상황에 동일하게 적용될 수 있습니다. 그러므로 귀하와 조직의 이익을 위해 이러한 기능을 사용할 수 있는 사례를 귀하의 작업에서 고려하십시오.
이 사례 연구를 활용하는 방법:
다음은 이 사례 연구에서 제시된 문제를 조사하고 해결하는 데 사용되는 워크플로의 모든 단계 목록입니다. 또한 다양한 직책을 가진 사람들이 더 일반적으로 사용하는 단계의 예도 제시했습니다. 아래 링크를 클릭하여 현재 역할에 따라 자신의 워크플로를 따르거나, 전체 내용을 읽어보고 조직 전체에서 JMP를 어떻게 사용할 수 있는지 알아보세요. 단계를 복제할 수 있도록 시작 Excel 파일을 포함시켰지만 자신의 데이터를 사용하여 자유롭게 따라해 보세요.
R&D 과학자: 2-9, 14
제조 엔지니어: 2-9, 13-14
데이터 과학자: 1-6, 10-14
IT 관리자: 1-2, 14
문제 정의
이 예에는 의약품 정제가 생산되는 제조 공정이 포함됩니다. 많은 프로세스와 마찬가지로 이 프로세스에도 일련의 단계가 포함됩니다. 각 단계마다 조정할 수 있는 다양한 설정이 있습니다. 이는 각 단계 아래의 프로세스 흐름도(그림 3)에서 볼 수 있습니다. 또한 각 배치에 대해 선택해야 하는 여러 명목 변수가 있으며, 이는 단계 위에 나열되어 있습니다(다양한 공급업체의 재료 및 압축 단계에 대한 압축기 선택).
Figure 3: Tablet manufacturing process flow map used as an example case study.그림 3: 예시 연구로 사용된 태블릿 제조 공정 흐름도.
과정이 끝날 때 측정되는 반응은 용해이며, 이는 정제가 체내에서 얼마나 빨리 용해되는지를 측정하는 것입니다. 70%의 낮은 사양으로 높은 용해도 값이 바람직합니다. 이 값 미만으로 측정된 배치는 폐기됩니다. 당면 과제는 정제를 생산하는 방법을 결정하고 불량률을 5% 미만으로 안정적으로 유지하면서 제조 공정을 실행하는 것입니다.
(알림: 이는 JMP 분석 작업 흐름을 통해 제공되는 분석 기능을 사용하여 문제를 해결하는 방법을 보여줍니다. 여기에 제시된 기술은 제조나 의약품에만 국한되지 않습니다.)
1) 자동화를 위한 분석 기록 준비를 위해 로그를 지웁니다.
- JMP의 보기 메뉴로 이동하여 로그를 선택합니다.
- 로그 창의 왼쪽 상단 근처에 있는 빨간색 핫스팟을 클릭하고 로그 지우기를 선택합니다(그림 4).
Figure 4: Top-left corner of log window, showing menu behind red hotspot with Clear Log indicated.그림 4: 로그 창의 왼쪽 상단 모서리에는 로그 지우기가 표시된 빨간색 핫스팟 뒤에 메뉴가 표시되어 있습니다.
2) 데이터 접근
데이터가 Excel 파일에 포함되어 있으므로 Excel 가져오기 마법사를 사용하여 데이터를 가져오겠습니다.
- Excel 파일을 데스크톱이나 저장한 위치에서 열려 있는 JMP 창(예: 홈 창)으로 드래그하기만 하면 됩니다. 아래 그림 5의 결과를 참조하세요.
Figure 5: Excel Import Wizard after dragging Excel file into open JMP window, showing default settings.그림 5: Excel 파일을 열린 JMP 창으로 드래그한 후의 Excel 가져오기 마법사, 기본 설정 표시.
그림 5의 데이터 미리 보기 섹션에서 볼 수 있듯이 테이블이 제대로 보이지 않습니다. 그림 6과 같이 개별 워크시트 설정을 조정하여 분석 가능한 형식으로 만들어 보겠습니다.
- 열 헤더 시작을 행에서 2로 설정합니다.
- 열 헤더가 있는 행 수를 2로 설정합니다.
- 가져오기를 선택합니다.
Figure 6: Individual Worksheet Settings in Excel Import Wizard after adjusting values to align data properly.그림 6: 데이터를 올바르게 정렬하기 위해 값을 조정한 후 Excel 가져오기 마법사의 개별 워크시트 설정.
이제 TabletDissolution이라는 테이블이 생겼습니다.
3) 데이터 탐색 및 시각화, 1부
즉시 우리 테이블에 몇 가지 문제가 있는 것으로 나타났습니다. 두 번째 열인 API-Particle Size의 일부 값은 Small 또는 s로 입력된 것으로 보입니다. 이는 아마도 Small을 의미하는 것으로 보입니다. 테이블을 아래로 스크롤하면 중간 및 대형 항목에 비슷한 문제가 있음을 알 수 있습니다. 다른 열에도 비슷한 문제가 있나요? 열 머리글 그래프를 켜면 이에 대한 의미를 얻을 수 있습니다.
- 열 머리글 그래프를 켜려면 표 왼쪽 상단에 있는 히스토그램 기호를 클릭하세요(그림 7).
Figure 7: Top-left of the table with the Column Header graph button circled in blue.그림 7: 파란색 원으로 표시된 열 머리글 그래프 버튼이 있는 테이블 왼쪽 상단.
4) 데이터 혼합 및 정리, 1부
열 헤더 그래프를 살펴보면 MgSt-Supplier에 API 입자 크기뿐만 아니라 일부 데이터 입력 문제가 있는 것으로 보입니다. Recode를 사용하여 이를 수정해 보겠습니다.
- 열 상단에 있는 열 이름을 클릭하여 API-입자 크기 열을 선택합니다.
- 열을 선택한 상태에서 Cols 메뉴로 이동하여 Recode를 선택합니다.
- Recode 창의 왼쪽 상단에서 드롭다운 메뉴를 New Column에서 In Place로 변경합니다.
- Recode 창의 처음 두 행에 있는 l 및 Large를 클릭하는 동안 Shift 키를 누르십시오. Shift를 풀고 그룹 버튼을 누릅니다(그림 8).
Figure 8: Recode window, with Large and l values highlighted, and the Group button highlighted.그림 8: Large 및 l 값이 강조 표시되고 그룹 버튼이 강조 표시된 녹음 창.
- 중간 및 m 값과 작은 값 및 s 값을 강조 표시하고 그룹화합니다(그림 9 참조).
- 녹음을 누르세요.
- 선택 사항: MgSt-Supplier 열에 대해 코드 변경 절차를 반복합니다.
Figure 9: Recode window with the three groups for API-Particle Size defined.그림 9: 정의된 API 입자 크기에 대한 세 가지 그룹이 있는 재코딩 창.
여러분 중 일부가 눈치챌 수 있는 또 다른 문제는 연속 데이터를 포함해야 하는 많은 열이 범주형으로 나타난다는 것입니다. 이는 표의 왼쪽 중앙에 있는 열 뷰어에서 볼 수 있습니다(그림 10). 압축기 및 코팅 공급업체를 제외하고 Blend Time-hr 이후의 모든 열은 연속적이어야 합니다. 먼저 숫자 형식을 변경한 다음 속성 표준화 기능을 사용하면 이 문제를 쉽게 수정할 수 있습니다.
참고: 열이 범주형인 이유는 소수점 이하 자릿수를 나타내는 데 사용되는 마침표 때문입니다. 저는 유럽에 거주하고 있으므로 Windows는 내 컴퓨터에서 쉼표를 사용하도록 구성되어 있습니다. 시스템이 마침표를 사용하도록 설정된 경우 데이터를 제대로 가져온 것이므로 이 단계를 건너뛸 수 있습니다.숫자, 날짜 및 통화 형식에 시스템 로케일 설정 대신 JMP 언어를 사용할 수도 있습니다. 이는 "Windows 특정" 기본 설정에서 설정할 수 있습니다.
Figure 10: Columns panel, showing that most columns are categorical, with the exceptions of Mill Time-hr and Screen Size.그림 10: 열 패널은 Mill Time-hr 및 화면 크기를 제외하고 대부분의 열이 범주형임을 보여줍니다.
- 편집 메뉴에서 검색 --> 찾기를 선택합니다.
- 찾을 내용:에 마침표 기호를 입력하고 바꿀 내용:에 쉼표 기호를 입력합니다.
- 전체 셀 값 일치 확인란을 선택 취소합니다.
- 모두 바꾸기를 누릅니다.
- 검색 대화 상자 창을 닫습니다.
셀의 모든 마침표는 쉼표로 대체됩니다. 이제 영향을 받은 열의 데이터 유형과 모델링 유형을 변환할 수 있습니다.
- Blend Time-hr을 클릭하여 열 패널을 선택합니다.
- Shift 키를 누른 상태에서 열 패널에서 Dissolution을 클릭하여 모든 열을 선택합니다.
- Shift 키를 놓고 Ctrl 키를 누른 상태에서 Compressor and Coating Supply(압축기 및 코팅 공급업체)를 클릭하여 이 열을 선택 취소합니다.
- 열 메뉴에서 속성 표준화...를 선택합니다.
- 열 속성 표준화 창의 표준화할 속성 드롭다운 메뉴에서 데이터 유형 및 모델링 유형을 선택합니다.
- 데이터 유형을 숫자로 변경하고 모델링 유형을 연속형으로 변경합니다.
- 확인을 누르세요.
이제 기계 센서 열은 모두 숫자이고 연속적입니다. 하나 이상의 열(화면 크기)의 모델링 유형을 변경하겠습니다. JMP는 숫자를 인식하고 기본적으로 모델링 유형을 연속형으로 설정했지만 3, 4, 5는 별도의 모양을 나타내는 것으로 알고 있습니다. 차이가 있는지 확인하기 위해 크기 간 용출률을 비교하려는 경우 서수(Ordinal)가 더 적합할 것입니다.
- 열 패널의 화면 크기 앞에 있는 파란색 삼각형을 클릭하세요.
- 모델링 유형을 순서형으로 변경합니다.
5) 데이터 탐색 및 시각화, 2부
열 뷰어를 사용하면 각 열과 관련된 요약 통계 형식으로 데이터의 빠른 스냅샷을 얻을 수 있습니다. 명목 또는 순서 데이터의 경우 각 열에 고유 범주 수가 표시됩니다. 연속형의 경우 범위, 평균 및 표준 편차가 표시됩니다. 이것이 우리의 기대 범위 내에 있다면 몇 가지 분석을 해도 괜찮을 것입니다. 반면에, 그들이 멀리 떨어져 있다면, 청소를 좀 더 해야 할 수도 있습니다.
- 열 메뉴에서 열 뷰어를 선택합니다.
- 열 보기 선택기 창에서 모든 열을 선택하고 요약 표시를 누릅니다.
즉시 모든 것이 괜찮은 것처럼 보입니다. 명목형 데이터와 순서형 데이터, 연속형 데이터에 대해 각각 올바른 수의 범주와 대략적인 범위가 있습니다. 그러나 이를 살펴보면 승인/거부 열을 포함하여 승인 또는 거부된 배치(용해 값이 70 이상 또는 미만인 배치)를 표시할 수 있다는 생각이 듭니다.
6) 데이터 혼합 및 정리, 2부
승인된 배치와 거부된 배치의 새 열을 생성하는 방법에는 여러 가지가 있습니다. 자신이 편한 좋은 방법을 알고 있다면 마음껏 사용해 보세요. 아니면 JMP 16에 도입된 새로운 기능인 비닝 공식 만들기...를 저와 함께 따라해 보세요.
- 용해 열을 선택합니다.
- Cols 메뉴에서 Utilities --> Make Binning Formula…를 선택합니다.
- 기본 절단점을 모두 선택하고 - 기호를 눌러 제거합니다(그림 11 참조).
Figure 11: Binning dialog window, with all default cut points selected and the remove button (-) indicated by a blue circle.그림 11: 모든 기본 절단점이 선택되어 있고 제거 버튼(-)이 파란색 원으로 표시된 비닝 대화 상자 창.
- 절단점의 값을 70으로 변경하고, 원하는 경우 그림 12에서와 같이 값 레이블을 두 번 클릭하고 "Reject" 및 "Accept"를 입력하여 값 레이블의 이름을 Reject 및 Accept로 바꿉니다.
"컷포인트" 옆에 있는 빨간색 삼각형 메뉴를 사용하고 "빈 라벨 스타일 -> 사용자 정의"를 선택하여 라벨 유형을 변경할 수도 있습니다.
Figure 12: Binning dialog window, with cut point value changed to 70 and value labels changed to Reject and Accept.그림 12: 절단점 값이 70으로 변경되고 값 레이블이 거부 및 승인으로 변경된 비닝 대화 상자 창.
- 수식 열 만들기를 누릅니다.
- 새 열의 이름을 바꾸려면 열 상단의 이름을 두 번 클릭하고 이름을 수락/거부로 변경한 다음 확인을 누릅니다.
이제 데이터를 정리하고 형식을 지정하고 일괄 처리의 수락 또는 거부 여부를 나타내는 열을 추가했으므로 이제 이해하기 시작했습니다. 데이터 뒤에 숨은 이야기. 특히 우리는 승인/거부된 배치의 비율과 해당 비율에 영향을 미치는 요소(및 영향을 주지 않는 기타 요소)를 알고 싶습니다. 궁극적으로 우리는 거부된 배치 발생을 최소화하기 위해 프로세스를 어떻게 조정해야 하는지 알고 싶습니다.
7) 기본 데이터 분석 및 모델링, 1부
이러한 질문에 대한 답을 얻으려면 어디를 봐야 할지에 대한 아이디어가 필요합니다. 답이 어디에 있는지, 심지어 어떤 질문을 해야 하는지 파악하기 위해 시각적 자료를 만드는 과정을 탐색적 데이터 분석(EDA)이라고 합니다.
- 분석 메뉴에서 분포를 선택합니다. 팝업 대화 상자 창에서 Accept/Reject 열을 Y, 열 상자로 끌고 OK를 클릭합니다(그림 13).
Figure 13: Distribution dialog window, with column Accept/Reject in the Y, Columns box.그림 13: Y, 열 상자에 수락/거부 열이 있는 배포 대화 상자 창.
그림 14에 표시된 결과 분포 보고서에는 총 90개의 배치 중 거부된 배치가 14개(약 15.6%의 비율에 해당)가 있음을 나타내는 빈도 테이블이 포함되어 있습니다.
Figure 14: Distribution report for column Accept/Reject.그림 14: 수락/거부 열에 대한 배포 보고서.
승인/거절 비율에 영향을 미칠 수도 있고 그렇지 않을 수도 있는 테이블의 요소에 대한 히스토그램을 추적할 수 있습니다. 또한 응답 열인 해산도 포함하겠습니다.
- 분석 메뉴에서 분포를 선택합니다. 이번에는 API-Particle Size에서 Dissolution Reject 열까지의 모든 열을 Y, 열 상자로 드래그합니다.
- 확인을 클릭하기 전에 대화 상자 창 왼쪽 하단에 있는 히스토그램만 확인란을 선택하여 요약 통계를 숨기세요. 나중에 빨간색 삼각형 메뉴를 사용하여 이 기능을 켤 수 있습니다.
- 확인을 클릭하세요.
참고: 히스토그램만 선택하기 전에 확인을 눌렀다면 문제가 없습니다. 배포 보고서를 닫고 분석 --> 배포로 돌아가면 됩니다. 여기에서 Recall을 누르면 마지막으로 배포를 사용한 방식으로 대화 상자가 설정됩니다. 이는 분석을 다시 실행해야 하는 경우 몇 번의 클릭을 절약할 수 있는 좋은 방법입니다.
결과 보고서에는 모든 요인과 반응에 대한 히스토그램이 표시됩니다. 오른쪽으로 스크롤하여 각 요인의 모든 값이 어떻게 분포되어 있는지 확인할 수 있습니다. 예를 들어 가장 왼쪽 그림은 소형 또는 대형 API 입자보다 중간 API 입자가 약간 더 많다는 것을 보여줍니다. 이 그림의 오른쪽에는 Mill Time에 대한 히스토그램이 있으며, 이 히스토그램에는 약 30시간까지 값이 거의 균일하게 분포되어 있습니다. 단순히 이러한 수치를 보고 이러한 분포가 배치 실행 방식에 대한 우리의 이해와 일치하는지 고려하면 많은 것을 배울 수 있습니다.
JMP에서 생성된 모든 시각적 개체와 마찬가지로 이러한 시각적 개체도 데이터 테이블에 동적으로 연결됩니다. 우리는 이 속성을 사용하여 이미지를 더 자세히 분석하여 프로세스에 대해 더 자세히 알아낼 것입니다.
- 그림 14에 표시된 Accept/Reject 분포 보고서의 Reject 옆에 있는 녹색 히스토그램 직사각형을 클릭합니다.
- 이제 데이터 테이블에서 거부된 배치의 모든 행이 선택되었습니다.
- 그림 15에서 볼 수 있듯이 요인의 해당 값은 포함된 히스토그램(진한 녹색)으로 분포 보고서 내에 표시됩니다.
Figure 15: Left-most three histograms of the Distribution report, which indicate embedded histograms for rejected batches.그림 15: 거부된 배치에 대해 내장된 히스토그램을 나타내는 분포 보고서의 가장 왼쪽 3개 히스토그램.
포함된 히스토그램은 선택한 행을 구성하는 데이터의 하위 집합을 나타냅니다. 이를 전체 데이터에 대한 히스토그램(그림의 연한 녹색)과 대조하면 급격한 차이가 있을 때 중요성을 나타낼 수 있습니다. 그 반대도 마찬가지입니다. 동일한 모양의 포함된 히스토그램과 전체 히스토그램은 요인이 반응(이 경우 배치 승인 또는 거부 여부)에 영향을 미치지 않음을 나타냅니다. Mill Time의 경우 전체 분포는 균일하지만 거부된 배치에 대해서는 오른쪽으로 치우쳐 있습니다. 화면 크기를 살펴보면 크기 5가 거부 대상에서 과도하게 대표되는 것으로 보이는 반면 크기 3과 4는 과소 대표되는 것으로 보입니다. 이는 호기심을 불러일으키며 이러한 요인들이 용해와 정확히 어떤 관련이 있는지 자세히 조사할 가치가 있습니다.
분포는 단 몇 번의 클릭만으로 답을 찾기 위해 어디를 찾아야 하는지에 대한 단서를 제공할 수 있는 강력한 도구입니다. 면밀한 조사가 필요한 다른 사항이 있는지 확인하려면 더 자세히 살펴보십시오.
8) 데이터 탐색 및 시각화, 3부
이제 프로세스에 영향을 미칠 수 있는 두 가지 요소를 발견했으므로 그래프 빌더를 사용하여 해당 요소를 더욱 자세히 살펴볼 수 있습니다.
- 그래프 메뉴에서 그래프 빌더를 선택합니다.
- 그래프 빌더 창에서 Mill Time-hr 열을 끌어 X로 표시된 직사각형 영역(중간 하단)에 놓습니다.
- 용해까지 열을 아래로 스크롤합니다. Y 영역으로 드래그 앤 드롭하세요.
결과는 데이터를 스네이킹하는 파란색 스플라인이 있는 용해 대 분쇄 시간-시간의 산점도입니다. 이 스플라인은 뷰어에게 데이터의 모양을 안내하는 데 도움이 됩니다. 이것을 사용하는 대신 Smoother를 Line of Fit으로 변경해 보겠습니다.
- 그래프 중앙을 마우스 오른쪽 버튼으로 클릭하세요.
- 매끄러움 --> 변경 --> 적합선을 선택합니다. (참고: 그래프 제목 바로 위에 있는 상자를 사용하여 이 작업을 수행할 수도 있습니다.)
- 완료를 누릅니다.
이제 아래 그림 16과 같은 그래프가 생성되었습니다. 그림을 보면 과거 배치에서 Mill Time과 Dissolution 사이에 긍정적인 상관관계가 있는 것으로 보입니다. 이것이 통계적으로 유의미합니까(이것이 단순한 우연이 아니라 실제일 가능성을 묻는 또 다른 방법임)?
Figure 16: Dissolution vs Mill time-hr with a Line of Fit depicting a positive correlation between the variables.그림 16: 변수 사이의 양의 상관관계를 나타내는 적합선을 사용한 용해 대 밀 시간-시간.
다음 섹션에서 해당 질문에 답해 보겠습니다. 그동안 히스토그램을 탐색할 때 화면 크기도 관심 요소로 등장했다는 사실을 기억하실 것입니다. 이 그래프에 화면 크기를 추가하여 그것이 용출에 어떤 영향을 미칠 수 있는지에 대해 더 자세히 알아볼 수 있는지 살펴보겠습니다.”
- 그래프 빌더 옆의 빨간색 삼각형에서 제어판 표시를 선택합니다.
- 그래프 빌더 창의 그룹 X, 그룹 Y, 랩, 오버레이 및 색상 영역으로 화면 크기를 드래그합니다(드롭하지 마세요!). 이렇게 하면 해당 끌어 놓기 영역에 열을 놓으면 그래프가 어떻게 보일지 미리 볼 수 있습니다.
- 화면 크기를 사용하여 다양한 놓기 영역을 탐색한 후 열을 그룹 X 놓기 영역에 놓습니다.
- 완료를 누릅니다.
그래프 빌더의 특성상 데이터에 대해 유용한 내용을 발견할 때까지 열을 드래그하여 다양한 다른 그래프를 생성할 수 있습니다. 화면 크기를 그룹 X에 추가하여 각각 고유한 적합선이 있는 3개의 산점도를 나란히 만들었습니다(그림 17). 그림에서 우리는 용해도와 Mill Time-hr 사이의 양의 상관관계가 사용된 크기에 의해 영향을 받았다는 것을 분명히 볼 수 있습니다. Size 3이나 5를 사용하면 강한 효과가 있었고, Size 4를 사용하면 효과가 없었습니다. 여기서 시사점은 이 두 요소와 우리의 반응 사이에 상호 작용 효과가 존재한다는 것입니다. 분석의 모델링 단계에 도달하면 이에 대해 더 자세히 조사할 예정이지만 지금은 이러한 변수를 개별적으로 자세히 살펴보겠습니다.
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.그림 17: 세 가지 스크린 크기 값 모두에 대한 용해 대 밀 시간-시간. 적합선은 크기 3과 5에 대해 양의 상관 관계를 나타내지만 크기 4에 대해서는 상관 관계가 없습니다.
9) 기본 데이터 분석 및 모델링, 2부
밀링 시간이 용해에 미치는 영향이 통계적으로 유의합니까? 밀링 시간의 증가가 실제로 용출 증가로 이어진다는 것을 얼마나 확신할 수 있습니까? 스크린 크기 5로 실행된 배치에 대해 측정된 낮은 용해도는 어떻습니까? 그냥 사고였나요? 크기 5를 계속 사용하면 크기 3이나 4를 사용할 때보다 품질이 낮은 배치가 계속해서 나타날 가능성이 있습니까? 이는 Fit Y by X 플랫폼을 사용하여 분석의 이 부분에서 답변할 일종의 질문입니다.
- 분석 메뉴(분포 다음에서 위에서 두 번째)에서 Fit Y by X를 선택합니다.
- 대화 상자 창에서 용해를 Y, 반응 열 상자에 끌어다 놓습니다.
- 다음으로 Mill Time-hr과 Screen Size를 모두 X, Factor 열 상자에 끌어다 놓습니다.
- 확인을 누르세요.
가장 먼저 눈에 띄는 것은 두 개의 결과 플롯이 매우 다르게 보이는 것 외에도 서로 다른 것으로 불린다는 것입니다. 왼쪽의 플롯은…의 이변량 적합이라고 하고 오른쪽의 플롯은…의 일원 분석이라고 합니다. 이는 특정 분석이 적용되거나 적용되지 않을 수 있는 서로 다른 유형의 데이터를 사용하여 만들어졌기 때문입니다. Mill Time-hr의 경우 x축에 연속 데이터가 표시되고 y축에 용출 연속 데이터가 표시되는 경우 데이터에 맞는 회귀선을 플롯하고 용출이 어떻게 변화하는지 설명하는 것이 합리적일 수 있습니다. Mill Time의 모든 값에 대한 기능입니다. 그런 다음 적합선의 기울기가 0과 크게 다른지 확인하여 이것이 실제이거나 데이터의 수차일 가능성을 계산할 수 있습니다(0은 응답의 평균에 표시된 평평한 선의 기울기임). 반면, 화면 크기 3과 4 사이에 연속적인 맞춤 선은 3과 4 사이에 크기가 없으면 의미가 없습니다. 이 사례 연구에서 화면 크기는 개별 변수입니다. 합리적인 질문은 다음과 같습니다. 한 사이즈를 사용하여 만든 값과 다른 사이즈를 사용하여 만든 값을 비교할 때 응답에 실제 차이가 있습니까? 우리는 크기 간의 기울기를 계산하기보다는 이러한 비교를 조사하는 분석에 관심이 있습니다.
왼쪽의 이변량 맞춤부터 시작해 보겠습니다.
- 이변량 적합 그림의 빨간색 삼각형에서 적합선을 선택합니다.
결과 플롯과 보고서는 아래 그림 18에 나와 있습니다. 선에 대한 정보와 선이 데이터에 얼마나 잘 맞는지에 대한 정보가 많이 있습니다. 우리의 질문에 대답하기 위해 이 보고서의 모든 측면을 이해할 필요는 없습니다. 마치 우산을 가져갈지 여부를 알기 위해 일기 예보의 모든 세부 사항을 읽을 필요가 없는 것과 같습니다. 관심이 있는 분은 JMP 온라인 문서에서 이에 대한 모든 설명을 찾아보실 수 있습니다. 지금은 프로세스에 대한 질문에 대답하는 데 필요한 내용을 추출해 보겠습니다.
Figure 18: Bivariate Fit of Dissolution vs Mill time-hr, with a linear fit and accompanying details indicating that the effect is likely real.그림 18: 용출 대 분쇄 시간-시간의 이변량 맞춤. 선형 맞춤과 함께 효과가 실제일 가능성이 있음을 나타내는 세부 정보가 포함되어 있습니다.
산점도의 선이 위쪽으로 기울어진 것을 볼 수 있는데, 이는 더 긴 밀링 시간을 사용하면 더 높은 용해 값이 달성되고 더 짧은 시간을 사용하면 더 낮은 용해 값이 달성되었음을 나타냅니다. 이 선의 방정식은 선형 맞춤 바로 아래에서 찾을 수 있으며 기울기 값은 약 0.165%/hr입니다. 이것이 중요한가요? 경사에 대한 추정치는 관련 p-값(0.0004)과 함께 보고서의 매개변수 추정 섹션에서 반복됩니다. 이는 가파른 경사가 단순히 우연히 달성될 가능성이 10,000명 중 4명이라는 것을 의미합니다. 물론 Mill Time이 용해에 실제 영향을 미치지 않을 수도 있지만, 그 효과가 실제라는 것이 훨씬 더 안전합니다.
이제 오른쪽 Oneway Analysis 플롯 옆에 있는 빨간색 삼각형 메뉴를 살펴보겠습니다. 선을 맞추는 옵션이 없다는 것을 즉시 알 수 있습니다. 논의한 바와 같이, 불연속적인 데이터를 통해 연속선을 맞추는 것은 의미가 없습니다. 그러나 이러한 배치를 비교할 수 있는 옵션은 많습니다. 매우 일반적인 접근 방식인 t-테스트를 사용해 보겠습니다.
- 일원 분석 빨간색 삼각형 메뉴에서 평균 비교 -> 각 쌍, 학생의 t를 선택합니다.
이제 t-테스트가 완료되었습니다. 물론, 이제 이 보고서를 해석하는 것은 우리의 몫입니다(그림 19). 다시 한 번, 여기에는 많은 세부 사항이 있지만 이러한 화면 크기가 동일한지 확인하는 데는 극히 일부만 필요합니다.
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.그림 19: 스튜던트 t-테스트를 사용하여 평균 비교를 수행한 용출 대 화면 크기의 일원 분석. 결과는 화면 크기 5를 사용하면 상당한 부정적인 효과가 있음을 시사합니다.
연결 문자 보고서를 보면 같은 문자로 연결되지 않은 수준이 크게 다르다고 나와 있습니다. 화면 크기 3과 4에 해당하는 레벨에는 둘 다 옆에 문자 A가 있는 반면, 크기 5 옆에는 문자 B가 표시됩니다. 따라서 크기 3과 4는 서로 동일하지만 크기 5와는 동일하지 않음을 의미합니다. 이것이 우연히 발생하지 않았을 확률은 순서 차이 보고서의 p-값으로 표현됩니다. 크기 3과 5, 크기 4와 5 사이의 차이가 실제라고 결론을 내리는 것이 매우 안전합니다(p 값은 각각 <0.0001 및 0.0017). 반대로, 크기 3~4 간의 비교는 실제일 가능성이 낮습니다(우연히 발생한 경우 5.79%, 이는 사소하게 들릴 수 있지만 일반적으로 허용되는 입증 부담인 5%보다 높습니다).
확신할 수 없다면 계속해서 더 많은 데이터를 수집하여 확신을 갖도록 노력할 수 있습니다. 또는 스크린 크기 5 사용을 즉시 중단하고 밀링 시간을 최대 30시간까지 늘리면 용해도 값이 향상되기 시작해야 합니다. 또한 고급 통계 모델링에 대한 분석 워크플로우를 계속 진행하여 먼저 EDA 중에 놓쳤을 수 있는 중요한 요소를 식별할 것입니다. 또한 우리는 이러한 모든 요소를 사용하여 통계 모델을 구축하여 이들 요소 간의 기본 상호 작용을 파악하고 이상적으로는 거부 발생을 줄이면서 가능한 최고 품질의 배치를 안정적이고 일관되게 생산할 수 있는 프로세스의 최적 지점을 찾고 싶습니다. 최소한.
10) 고급 통계 모델링
첫 번째 질문부터 시작하겠습니다. 밀링 시간과 화면 크기 외에 자세히 살펴봐야 하는 요소 중 우리가 놓쳤을 수 있는 요소가 있습니까?
- 분석 메뉴에서 예측 모델링 --> 파티션을 선택합니다.
- Partition 대화 상자 창의 열 목록에서 Dissolution을 선택하고 Y, Response를 누릅니다.
- API-Particle Size에서 Atom까지 모든 열을 선택합니다. Pressure-Pa를 누르고 X, Factor를 누릅니다.
- 확인을 선택합니다.
- 팝업된 새로운 분할 분할 보고서 창에서 분할을 선택합니다.
다시 한 번 말씀드리지만, 이 보고서에는 많은 정보가 있지만 화면 크기가 가장 중요한 변수로 나타났다는 점을 인식하는 데 모든 정보가 필요한 것은 아닙니다. EDA 중에 이미 이를 알아차렸기 때문에 여기서는 크게 놀랄 일이 아닙니다. 이제 보고서에는 화면 크기(3, 4) 및 화면 크기(5)라는 두 개의 상자가 포함되어 있습니다. 분할 알고리즘은 프로세스의 변동을 최대한 많이 포착하기 위해 데이터를 분할하는 중요한 요소 내에서 컷 포인트를 식별했습니다. 분명히 Fit Y by X를 사용하여 이 요소를 탐색했을 때와 동일한 결론에 도달했습니다.
계속 해보자:
Mill Time-hr은 당사 프로세스에서 두 번째로 중요한 요소로 나타났습니다. 다시 한 번 말씀드리지만 크게 놀라운 일은 아닙니다. 하지만 우리는 또 다른 컷 포인트(11시간)를 발견했습니다. 또한 Mill Time-hr 상자가 화면 크기(5) 상자에 뿌리를 두고 있음을 알 수 있습니다. 즉, 컷 포인트는 크기 5를 사용할 때만 적용되므로 계속해서 사용하게 되면 사양 제한이 제공됩니다. 크기 5는 이상적이지는 않지만 꼭 사용해야 한다면 최소한 11시간 이상 밀링해야 합니다. 그러면 반쯤 괜찮은 배치를 만드는 데 최선의 기회가 생길 것입니다.
하아! Blend Time-hr은 이전에 우리가 알아차렸던 것이 아니었습니다.
- 나뭇잎이 더 이상 의사 결정 트리에 추가되지 않을 때까지 분할을 계속해서 선택합니다. (11번의 분할을 더 수행할 수 있어야 합니다.)
이제 여러 요소가 트리에 추가되었습니다. 실제로 몇 가지 요소가 여러 번 추가되었습니다. 이 트리의 각 잎은 위의 잎(줄기에 더 가까운 부모 잎)의 요소가 해당하는 경우 위 또는 아래로 설정되고 다른 모든 요소는 평균으로 설정되는 레시피입니다(또는 범주형의 경우 무작위로 할당됨). 변수). 이 레시피로 생성된 예상 평균 용해 값은 잎 내에 표시됩니다. 우리가 할 수 있는 한 가지는 최선의 레시피, 즉 예측 평균이 가장 높은 레시피를 찾기 위해 모든 리프를 살펴보는 것입니다. 잠시 시간을 내어 찾을 수 있는지 확인해 보세요. 힌트: 스크린 크기(3 또는 4), 혼합 시간(≥15.9시간), 유당 공급업체(Bond Inc.) 및 코팅 점도(≥99.3cp) 등 트리의 중앙 하단 근처에 있으며 기타 모든 요소는 다음으로 설정됩니다. 그들의 평균값. 보시다시피 평균 용해도가 약 79인 배치를 생산할 것으로 예상됩니다.
해당 레시피를 실행하고 결과 배치를 모니터링하여 모델이 정확한지, 결과 배치의 용해 값이 예측 값인 79에 가까운지 확인할 수 있습니다. 이 품질의 배치를 생산하면 문제가 해결되는지 확인하기 위해 여기에서 멈춰도 괜찮습니다. 이 경우 다음에 해결해야 할 문제로 넘어갈 수 있습니다. 그러나 이 시나리오에서는 이것만으로는 충분하지 않습니다. 우리는 더 높은 수준을 얻을 수 있는 방법을 찾아야 할 것입니다. 이는 우리의 솔루션을 짜내기 위해 이 데이터에서 더 많은 정보를 짜내는 것을 의미합니다.
- Dissolution for Partition의 빨간색 삼각형 메뉴에서 Column Contributions를 선택합니다.
이 작업을 수행하면 그림 20에 표시된 Column Contributions 보고서가 Partition 창에 추가됩니다. 보고서는 위에서부터 시작하여 내림차순으로 각 요인의 중요성을 알려줍니다. 화면 크기가 가장 중요한 요소인 것처럼 보이며, 밀링 시간, 블렌드 시간, 블렌드 속도 등이 그 뒤를 따릅니다. 더 자세히 읽어보면 결국에는 어떤 잎에도 나타나지 않는 요인(API 입자 크기 이하로 시작)에 도달하므로 용해에 아무런 영향을 주지 않는 것 같습니다.
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.그림 20: 해산을 위한 분할 보고서의 열 기여도는 내림차순으로 요소의 중요성을 보여줍니다. 스프레이 속도는 마지막으로 중요한 요소인 것으로 보입니다. 그 이하의 모든 것은 용해에 영향을 미치지 않는 것으로 간주됩니다.
따라서 우리는 중요한 8가지 요소에 용해도를 높이려는 노력을 집중할 수 있으며 그렇지 않은 나머지 9가지 요소는 대체로 무시할 수 있습니다.
- 열 기여도 보고서에서 8가지 중요한 요소(스크린 크기 - 스프레이 속도)를 선택합니다. 이제 테이블에서 이러한 열이 선택되었습니다.
- 분석 메뉴에서 적합 모델을 선택합니다. 이제 Fit Model 대화 상자 창이 이미 선택된 열과 함께 나타납니다(그림 21).
Figure 21: Fit Model dialog window, with columns of significant factors selected.그림 21: 중요한 요인의 열이 선택된 Fit Model 대화 상자 창.
- 모형 적합 대화 상자 창에서 매크로 버튼을 누르고 반응 표면을 선택합니다.
- 마지막으로 Dissolution 열을 선택하고 Y(대화 상자 창 상단 중앙에 있는 버튼)를 누릅니다.
- 실행을 누릅니다.
참고: 반응 표면 모델에는 모든 주효과(이 경우 8개의 중요한 요인), 모든 양방향 상호 작용 및 모든 제곱 항이 포함됩니다. 이러한 유형의 모델은 최적화 문제를 해결하고 프로세스 설정 중에서 최적의 지점을 찾는 데 탁월한 출발점이 된다는 사실이 여러 번 입증되었습니다. 아래에서 논의할 일부 모델 개선을 제외하면 일반적으로 충분할 정도로 좋은 종료점입니다. 즉, 해결하려는 문제가 무엇이든 해결하기 위해 프로세스에 대한 충분한 정보를 캡처한다는 의미입니다.
반응 용해 보고서 창이 팝업됩니다. 다시 한 번 말씀드리지만, JMP 온라인 문서에 모든 정보가 자세히 설명되어 있지만 대부분의 정보는 문제를 해결하는 데 필요한 지식은 아닙니다.
이 보고서를 위에서부터 검토하고 아래로 작업하면서 특별히 관심이 없는 항목은 건너뛸 수 있습니다. 우리가 접하게 되는 첫 번째 것은 아래 그림 22에 복제된 실제와 예측 플롯입니다. 여기서 중요한 점은 모든 점들이 대부분 진한 빨간색 직선을 따라 위치한다는 것입니다. 그것들은 모두 정확히 선을 따라 떨어지지 않을 것입니다. 모델에 포착되지 않는 프로세스에는 항상 약간의 변형이 있을 것입니다. 그러면 문제는 얼마나 많은 변화가 일어나는가입니다. ~이다 모델이 포착한? 플롯 바로 아래의 RSq 값은 0.88(또는 88%)이라는 정보를 제공합니다.
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).그림 22: 8가지 주 효과가 있는 전체 반응 표면 모델에 대한 실제 대 예측 플롯으로 용출 변화의 88%를 포착합니다(RSq = 0.88).
Actual by Predicted 플롯 아래에는 모델에 포함된 모든 효과가 중요도 내림차순으로 나열되는 효과 요약(그림 23)이 있습니다. 물론 이는 모두 표에 포함된 과거 데이터를 기반으로 한 것입니다. PValue로 표시된 가장 오른쪽 열은 효과가 전혀 영향을 미치지 않는다는 가정 하에 더 많은 데이터를 수집할 경우 각 효과의 용해에 더 큰 영향을 미칠 가능성을 제공합니다. 소수점 다섯 자리까지 반올림하여 추가 실행이 없으면 화면 크기가 더 큰 영향을 미치는 것처럼 보일 가능성이 0%인 것처럼 보입니다. 우리가 보고 있는 영향의 크기가 우연에 의한 것이 아니라는 것은 실질적으로 수학적 확실성입니다. 따라서 화면 크기가 Dissolution 값에 실제로 영향을 미친다는 결론을 내릴 수 있습니다.
Figure 23: Effects Summary for a full response surface model with eight main effects.그림 23: 8가지 주 효과가 있는 전체 반응 표면 모델에 대한 효과 요약.
다른 극단에는 목록 맨 아래에 있는 요소인 유당 공급업체와 혼합 속도 사이의 상호 작용 효과가 있습니다. p-값이 대략 0.959(허용된 기준치인 0.05보다 훨씬 높음)를 사용하면 이 효과가 용출에 아무런 영향을 미치지 않는다는 결론을 안전하게 내릴 수 있습니다. 계속해서 모델에서 이를 제거해 보겠습니다.
- 효과 요약 표에서 "Lactose-Suppliers*Blend Speed-rpm"을 클릭하고 바로 아래의 제거 하단을 누릅니다.
모든 p-값과 보고서의 다른 모든 항목이 약간 변경된 것을 확인하셨나요? JMP의 많은 보고서와 마찬가지로 변경 사항이 있으면 모든 값이 즉시 다시 계산되므로 분석을 다시 시작하지 않고도 중요하지 않은 효과를 모두 제거하여 모델을 개선할 수 있습니다.
- 그림 24에서와 같이 나머지 모든 효과가 0.05보다 큰 p-값을 가질 때까지 가장 중요하지 않은 효과(효과 요약 보고서 하단의 마지막 효과)를 하나씩 제거합니다.
Figure 24: Effect Summary for a refined RSM model containing only effects with a p-value greater than 0.05.그림 24: p-값이 0.05보다 큰 효과만 포함하는 개선된 RSM 모델에 대한 효과 요약.
참고: p-값 오른쪽에 ^ 기호가 있는 효과를 제거하지 마십시오. 기호는 해당 효과가 다른 보다 중요한 효과 내에 포함되어 있음을 알려 주기 위한 것입니다. 일반적으로 우리는 이를 모델에 남겨두고 모든 포함 효과가 먼저 제거된 경우에만 제거합니다.
Actual by Predicted Plot 아래의 RSq 값은 0.83으로 감소했습니다. 이는 이 새롭고 개선된 모델에서 응답의 변동이 더 적다는 것을 의미합니다. 괜찮아. 0.88의 원래 RSq는 실제 프로세스가 아닌 무작위 노이즈에 맞는 중요하지 않은 항이 포함되어 있기 때문에 오해의 소지가 있을 정도로 높았습니다. 모델에서 높은 p-값 인자를 제거하면 자연스럽게 RSq가 낮아지지만 향후 배치에 대해 더 정확한 예측이 이루어질 가능성이 더 높습니다.
그렇다면 프로세스 변동의 83%를 설명하는 것이 좋은가요, 아니면 완전히 부적절합니까? 이 전체 실습의 목적을 상기해 보겠습니다. 우리는 불량률을 15%에서 5% 미만으로 줄이기 위해 용출률이 70을 넘는 배치를 안정적으로 생산하는 방법에 대한 문제를 해결하려고 노력하고 있습니다. 그 방법을 알아낼 만큼 충분히 이해했다면, 우리는 끝났고 다음 문제로 넘어갈 수 있습니다. 이 모델을 통해 그렇게 할 수 있다면, 충분하다 . 아래 그림 25에 복제된 예측 프로파일러에 대한 Fit Least Squares 보고서의 맨 끝까지 아래로 스크롤하여 확인할 수 있습니다.
Figure 25: Prediction Profiler for our refined RSM model.그림 25: 개선된 RSM 모델을 위한 예측 프로파일러.
예측 프로파일러는 모델을 그래픽으로 표현한 것으로, 설정 조합의 예측 결과를 확인하는 데 사용할 수 있습니다. 예를 들어, 그림 25에서 해당 설정(밀링 시간 17.011시간, 화면 크기 3 등)을 사용하여 생산된 배치의 평균은 77.49%로 예측됩니다. 또한 모델에 따르면 밀링 시간, 혼합 시간 및 코팅 점도를 높이면서 스프레이 속도를 낮추면 배치의 용출률이 훨씬 더 높아진다는 것을 프로필에서 확인할 수 있습니다.
- 프로필 내의 빨간색 수직 점선을 클릭하고 오른쪽이나 왼쪽으로 끕니다.
- 계속해서 선을 수동으로 이동하여 모델이 가장 높은 용출을 달성할 것으로 예측하는 설정을 찾습니다.
가장 최적의 설정을 수동으로 찾는 것 외에도 예측 프로파일러의 만족도 최대화 기능을 사용할 수 있습니다.
- 예측 프로파일러의 빨간색 삼각형 메뉴를 클릭하세요.
- 최적화 및 바람직성 --> 바람직성 최대화를 선택합니다.
- 빨간색 삼각형 메뉴로 돌아가서 최적화 및 바람직성 --> 바람직성 최대화를 선택합니다.
바람직성을 최대화한 후 최적의 설정이 표시됩니다(그림 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).그림 26: 바람직함 기능을 갖춘 예측 프로파일러는 최적 설정의 요인을 통해 활성화되어 가장 높은 용해도 값인 86.5%(기본값에서 조정된 y축)를 생성합니다.
예측 값은 70% 마일스톤보다 높습니다. 물론 실제 테스트는 공장에서 이러한 설정을 시도해 볼 때 올 것입니다.
11) 예측 모델링 및 기계 학습(JMP Pro)
JMP Pro에서는 Formula Depot을 사용하여 모델을 생산에 배포하는 작업이 단순화되었습니다. 여기에서 모델을 프로덕션에 배포하기 위한 채점 코드를 쉽게 생성할 수 있습니다.
- Fit Least Squares 보고서 상단의 반응 분해 옆에 있는 빨간색 삼각형 메뉴에서 열 저장 --> 예측 공식 게시를 선택합니다.
- Formula Depot 보고서에서 Fit Least Squares – Dissolution 빨간색 삼각형 메뉴를 클릭하고 생성...을 선택합니다(그림 27 참조).
참고: Formula Depot을 사용하여 C++, Python, JavaScript, SAS 또는 SQL을 생성할 수 있습니다.
Figure 27: Formula Depot with the Fit Least Squares model for Dissolution (left), with automatically generated Python code (right).그림 27: 자동 생성된 Python 코드(오른쪽)가 포함된 용해를 위한 최소 제곱법 적합 모델(왼쪽)이 포함된 Formula Depot.
12) 자동화 및 스크립팅
이제 테이블을 JMP로 가져와서 올바른 형식으로 가져오기 위한 스크립트를 저장할 차례입니다. 이렇게 하면 새 데이터를 사용할 수 있을 때 반복하기가 훨씬 쉬워집니다. 지금 수행한 모든 분석에 대한 지침을 저장하는 것에 대해 걱정하지 않을 것입니다. 왜냐하면 이전에 수행했던 것과 똑같이 다시 실행할 필요가 없기 때문입니다. 결국 우리는 향후 배치에서 새로운 레시피 구현의 효과를 모니터링하고 모든 것이 안정적으로 유지되고 프로세스가 표류하지 않는지 확인하려고 합니다. 지금은 로그 내의 동작 레코더에서 데이터 테이블 작업을 캡처해 보겠습니다.
- 로그 창에서 왼쪽 상단 모서리에 있는 빨간색 삼각형 메뉴를 클릭하고 동작 레코더를 선택합니다.
- 이 옵션을 선택 취소하려면 플랫폼 시작을 선택하세요.
- 그림 28과 같이 데이터 테이블 작업만 선택된 것으로 나타나도록 닫기 시 보고서 스냅샷 선택을 반복하여 선택 취소합니다.
Figure 28: Log window, showing the Action Recording options within the red triangle menu, with only Data Table Operations selected.그림 28: 데이터 테이블 작업만 선택된 빨간색 삼각형 메뉴 내 동작 기록 옵션을 표시하는 로그 창.
- 로그 창에서 빨간색 삼각형 메뉴를 다시 클릭하세요. 스크립트 저장 --> 스크립트 창으로를 선택합니다.
- 스크립트 창에서 파일 --> 다른 이름으로 저장을 선택합니다. 스크립트 이름을 Tablet Data Import로 지정하고 데스크탑의 편리한 위치에 저장합니다.
이제 스크립트를 저장했으므로 열려 있는 모든 보고서를 포함하여 JMP 데이터 테이블을 닫을 수 있습니다. 원본 Excel 표와 이를 JMP로 가져와 분석 준비를 하는 데 필요한 모든 지침이 남아 있습니다. 우리는 또한 새로운 레시피를 사용하여 제품을 생산하기 시작하라는 지침을 공장에 제출했습니다. 로그를 지우고 새 데이터가 제공될 때까지 잠시 쉬도록 하겠습니다.
- 로그 창의 빨간색 삼각형 메뉴에서 로그 지우기를 선택합니다.
13) 품질 및 프로세스 엔지니어링
어느 정도 시간이 지났고 새롭고 향상된 프로세스 레시피를 사용하여 여러 번의 실행이 완료되었다고 상상해 보십시오. 이러한 새로운 실행은 Excel 작업에 새로운 행으로 추가되었습니다. 이 작업은 자동으로 수행되었을 수도 있고 행을 수동으로 추가한 다음 파일을 다시 저장했을 수도 있습니다. 새로운 프로세스는 A라고 알려진 이전 프로세스와 구별하기 위해 B라고 합니다.
- 이전에 사용한 Tablet Data.xlsx 파일과 동일한 위치에 Tablet Data update.xlsx 파일을 저장합니다.
- Tablet Data.xlsx를 삭제합니다.
- 새 파일의 이름을 Tablet Data.xlsx로 바꿉니다.
- 다음에 저장된 Tablet Data Import.jsl 스크립트 파일을 엽니다. 섹션 12 실행 버튼을 누릅니다(그림 29).
Figure 29: Script window with the Run button near the top of the window circled in blue.그림 29: 창 상단 근처에 파란색 원으로 표시된 실행 버튼이 있는 스크립트 창.
API-입자 크기 및 MgSt-공급자 열 기록, 화면 크기의 모델링 유형 변경, 소수점 기호로 쉼표 사용 등을 포함하여 원래 JMP 테이블에 대한 형식 변경이 이 테이블을 가져올 때 자동화되었습니다. 영향을 받은 열을 숫자로 변환하고 끝에 수락/거부 열을 추가합니다. 또한 새로운 실행에 해당하는 25개의 실행이 테이블에 추가되었으며 각 배치의 레시피를 나타내는 열도 추가되었습니다. 테이블을 간략하게 살펴보면 가져오기 및 형식 지정 스크립트가 이러한 추가 사항을 성공적으로 수용한 것으로 보입니다. 이는 좋은 소식입니다. 새로운 데이터가 계속해서 제공되므로 이 스크립트를 계속 사용할 수 있기 때문입니다.
테이블 하단으로 스크롤하면 새로운 실행이 레시피 열에 B로 표시됩니다.승인/거부 열(마지막, 맨 오른쪽)에서 모든 새 일괄 처리가 승인으로 분류된 것을 볼 수 있습니다. 물론 이것은 좋은 소식이기도 합니다. 레시피 설정값이 표에 있는 내용과 일치하지 않는다는 것을 눈치챘을 것입니다. 예를 들어, 모델은 Mill Time의 최적 설정을 25.7시간으로 결정했지만 표의 값은 이 설정과 다소 다릅니다. 이는 표에 각 배치 중에 측정된 실제 값이 포함되어 있기 때문입니다. 이 값은 항상 설정값과 정확히 일치하지 않습니다. 프로세스 변수를 더 잘 제어하여 이러한 값을 강화하는 것이 향후 프로세스 개선의 길이 될 수 있습니다.
그동안 관리 차트를 사용하여 새 레시피를 구현한 후 프로세스가 어떻게 변경되었는지 확인할 수 있습니다. 또한 이를 사용하여 프로세스를 추적 및 모니터링하고 개입이 필요한 점진적인 표류 또는 갑작스러운 변화에 대해 경고할 수 있습니다.
- 분석 메뉴에서 품질 및 프로세스 --> 관리도 작성기를 선택합니다.
- 관리도 작성기 창에서 열 패널의 용출 열까지 아래로 스크롤합니다. 용해를 클릭하고 Y 드롭 영역으로 드래그합니다.
- 레시피 열을 관리 차트 상단의 단계 드롭 영역으로 끌어 놓습니다.
- 완료를 선택합니다.
이제 두 개의 개별 및 이동 범위 차트가 나란히 있고, 그림 30에서 볼 수 있듯이 레시피 A 차트가 레시피 B 차트 왼쪽에 있습니다. 가장 먼저 눈에 띄는 점은 레시피 B의 점수가 더 높다는 것입니다. 이는 용해도 값이 더 높기 때문입니다. 차트 중앙의 녹색 실선은 각 프로세스의 평균을 지정하고, 평균 위와 아래의 빨간색 실선은 각각 관리 상한과 하한을 나타냅니다. 계산된 값은 관리 차트 바로 오른쪽에 있는 용출 한계 요약에 제공됩니다.
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).그림 30: 계산된 평균(Avg)과 하한/상한 관리 한계(LCL/UCL)를 제공하는 한계 요약이 포함된 레시피 A(왼쪽)와 B(오른쪽)에 대한 개별 및 이동 범위 차트.
이전 레시피 A를 사용하는 것보다 새로운 레시피 B를 사용하여 만든 배치에 더 많은 변형이 있습니다. 포인트 자체가 더 넓은 범위의 용해 값에 분산되어 있기 때문에 이를 알 수 있습니다. 또한 빨간색 선이 더 멀리 떨어져 있어 표준 편차가 더 크다는 것을 알 수 있습니다. 그러나 우리가 언급한 것처럼 승인/거부 열을 보면 모든 레시피 B 배치가 허용 가능하며 이것이 우리의 기본 목표입니다. 평균 86.76%는 원래 레시피의 평균인 72.86%보다 상당히 높습니다. 86.76%는 우리 모델에서 예측한 86.5% 값과 매우 가깝습니다.
넓은 제어 한계로 이어지는 큰 표준 편차에도 불구하고 언뜻 보면 우리의 공정이 안정적인 것처럼 보입니다. 그렇다면 레시피 B가 상승 추세일 수도 있습니다. 품질 및 프로세스 메뉴에서 사용할 수 있는 한 가지 옵션은 누적합계(CUSUM) 차트를 사용하여 계속 관찰하여 실제 추세인지 가능한 한 빨리 결정하는 것입니다.
안정성에 대한 간단한 테스트와 무언가 변경되었을 수 있다는 표시는 점 중 하나가 빨간색 선을 넘어서는 것입니다. 프로세스 모니터링에 대한 경고 역할을 하도록 활성화할 수 있는 다른 테스트도 있습니다.
- 개별 및 이동 범위 차트 중앙을 마우스 오른쪽 버튼으로 클릭합니다.
- 경고 --> 테스트 --> 모든 테스트를 선택합니다.
A에는 하나의 경고가 표시되지만(자세한 내용을 보려면 경고 위로 마우스를 가져가세요) B에는 아무 것도 표시되지 않습니다.그러나 새로운 데이터가 제공될 때 변경 사항을 모니터링하기 위해 관리 차트를 업데이트할 수 있으며 반드시 업데이트해야 하며, 제품이 공장에서 생산되는 동안 정기적으로 이를 수행해야 합니다.
- 제어 차트 작성기 옆의 빨간색 삼각형 메뉴에서 스크립트 저장 --> 클립보드로를 선택하십시오.
- 태블릿 데이터 가져오기 스크립트로 이동하여 스크립트의 마지막 줄 뒤에 붙여넣습니다(마우스 오른쪽 버튼 클릭 --> 붙여넣기 또는 Ctrl-V).
- 업데이트된 스크립트 파일 --> 저장을 저장합니다.
이제 저장하지 않고 관리도와 테이블을 닫을 수 있습니다. 스크립트를 실행하면 테이블을 다시 가져오고 관리 차트가 생성됩니다. 이제 분석을 업데이트하는 데 필요한 작업이 버튼 한 번만 누르는 것으로 줄어들었기 때문에 이를 정기적으로, 필요할 때마다 반복하는 것은 거의 노력이 들지 않습니다. Windows의 작업 스케줄러나 Mac의 iCal(또는 자동화된 일정을 위한 기타 무료 도구)을 사용하여 자동화할 수도 있습니다. 하지만 프로세스 모니터링을 담당하는 동료가 JMP에 능숙하지 않다면 어떻게 될까요? 어떻게 실시간으로 최신 정보를 유지하고 정보를 얻을 수 있습니까?
14) 결과 공유 및 전달
JMP Live는 과학자와 엔지니어가 JMP를 사용하지 않고도 보안 웹 연결을 통해 JMP 보고서에 액세스할 수 있는 도구입니다. 제어 차트 내에서 프로세스 경보가 발생하는 경우 경고 이메일을 발송하도록 설정할 수도 있습니다. 데이터 가져오기, 분석 재현, 보고서를 JMP Live(우리의 경우 관리도)에 게시하고 프로세스가 통제 불능인 경우 이메일 경고를 보내는 전체 절차를 쉽게 자동화하여 정기적인 업데이트를 수행할 수 있습니다. .
기밀 또는 민감한 보고서를 보안 서버에 업로드하고 비공개 서클 내에서 공유할 수 있는 JMP Live는 JMP 제품군에 속한 별도의 제품입니다. JMP Public은 JMP Live의 공개 버전입니다. 웹 브라우저를 사용하는 사람은 누구나 보고서(public.jmp.com에서 확인 가능)를 볼 수 있으며, JMP 15 이상을 사용하는 사람은 누구나 JMP Public에 자유롭게 게시할 수 있습니다.
먼저 JMP Live에 보고서를 게시해 보겠습니다.
참고: JMP Live에 액세스할 수 없는 경우 JMP Public에 게시할 수 있습니다. 또는 간단히 단계를 읽고 나중에 따라해 볼 수도 있습니다. JMP Live 또는 JMP Public에 처음 게시하는 경우 연결 설정부터 시작하세요(파일 --> 게시 --> 연결 관리…). 자세한 내용은 다음에서 확인할 수 있습니다. 이 블로그 게시물 , 자동 게시 방법도 나와 있습니다.
- 관리도 작성기 보고서 창에서 파일 --> 게시 --> JMP Live에 게시…를 선택합니다.
- 게시할 보고서를 선택하고 다음을 누릅니다.
- 활성화된 제어 차트 경고가 발생할 경우 이메일이 전송된다는 것을 나타내는 경고 활성화 확인란이 선택되어 있는지 확인합니다(그림 31 참조).
- 보고서에 대한 액세스를 허용할 그룹(이전에 저장된 이메일 목록)을 선택합니다.
- 게시를 누릅니다.
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.그림 31: 관리 차트 경고 이메일에 대해 경고 활성화 상자가 선택된 JMP Live 새 게시물 구성 창. 하단을 보면 보고서에 대한 액세스가 엔지니어링 그룹으로 제한되는 것을 볼 수 있습니다.
이 단계가 완료되면 보고서가 성공적으로 게시되었음을 나타내는 메시지가 표시됩니다.
참고: 이 블로그의 목적을 위해 보고서의 사본이 다음에 게시되었습니다. JMP 공개 .
이제 보고서가 한 번 게시되었으므로 새 데이터가 제공될 때 온라인 보고서를 업데이트하는 것이 간단합니다. 위에서 언급했듯이 자세한 내용과 유용한 팁을 찾을 수 있습니다. 여기 . 간단히 말해서 세 가지 정보가 필요합니다.
- JMP의 보고서 이름입니다.
- JMP Live 연결의 이름입니다.
- JMP Live에 게시된 보고서의 보고서 식별자입니다.
보고서 이름(이 경우 Control Chart Builder 보고서)은 JSL에서 개체를 참조하는 데 사용된 이름입니다. 다시 섹션 13 스크립트를 복사하여 JSL 창에 붙여넣을 때 이름을 지정하지 않았습니다. 이제 돌아가서 그렇게 합시다.
- JSL 스크립트 창에서 컨트롤 차트를 생성하는 데 사용된 컨트롤 차트 빌더 기능 바로 앞에 등호를 입력하고 고유한 이름을 지정합니다(그림 32 참조).
Figure 32: JSL script window with the Control Chart Builder, now referenced by the name ccb.그림 32: 이제 ccb라는 이름으로 참조되는 제어 차트 작성기가 포함된 JSL 스크립트 창.
다음으로, 파일 --> 게시 메뉴의 연결 관리... 기능을 사용하여 JMP Live에 대한 연결 이름을 찾을 수 있습니다. JMP Live에 처음 연결되면 표시됩니다. JMP Live 관리 요령: 게시 자동화 블로그 게시물.
마지막으로 보고서 식별자는 게시된 보고서의 웹 주소에서 마지막 슬래시(/) 뒤에 나오는 코드입니다. 예를 들어 JMP Public에 표시된 보고서에서는 그림 33의 파란색 원으로 표시된 코드에 해당합니다.
Figure 33: JMP Public report with the report identifier code circled in blue.그림 33: 보고서 식별 코드가 파란색 원으로 표시된 JMP 공개 보고서.
해당 정보를 바탕으로 남은 작업은 스크립트에 다음 네 줄의 코드를 추가하는 것입니다.
liveconnection = 새 JMP Live( 연결( *JMP Live 연결 이름* ) );
webreport = 새 웹 보고서();
webreport<<보고서 추가(*JMP 보고서 이름*);
jmpliveresult=liveconnection<
별표(*)로 예약된 자리 표시자 이름을 실제 이름으로 대체하여 위에 표시된 대로 행을 스크립트에 정확하게 복사할 수 있습니다.
최종 발언
이 시점에서 프로세스는 사양 내에서 운영되고 있으며 이메일 알림을 통한 자동 모니터링이 설정되었습니다. 우리는 마침내 다음 문제로 넘어갈 준비가 되었습니다. 모든 해결되지 않은 과제와 해결되지 않은 질문은 성능 향상, 개발 속도 향상, 비용 절감 또는 효율성 향상을 위한 새로운 기회를 제공합니다. 아마도 한 번에 모두 가능합니다. 이러한 목표를 달성하려면 JMP 분석 작업 흐름을 통해 새로운 경로를 선택하고 그 과정에서 새로운 통찰력을 찾아야 합니다.
그런데 방금 해결한 문제는 어떻게 되나요? 수확량을 더 높일 수 있을까요? 용해도를 더 높일 수 있는 방법이 있나요? 기계가 고장나거나 공급업체가 변경되면 우리 프로세스에 어떤 영향을 미치나요? JMP Live를 통해 설정한 관리도 이메일 알림이 실행되면 어떻게 대응해야 합니까?
진정한 가치는 JMP 분석 작업 흐름을 문제에서 시작하여 해결책으로 끝나는 일방적인 여정이 아니라 지속적인 개선 주기에 따른 지침으로 보는 데서 나옵니다. 주기의 각 라운드에서 성능이 점진적으로 향상되어 더 나은 제품이나 프로세스가 탄생하고 비즈니스가 강화됩니다.
JMP 분석 작업 흐름이 귀하의 과제를 해결하는 데 어떻게 도움이 되는지 자세히 알아보려면 다음을 방문하세요. 우리 웹사이트.
