Lors de la résolution d'un problème du monde réel, comme l'augmentation du rendement ou la diminution des rebuts dans un processus de fabrication ; comprendre quels facteurs affectent la qualité d'un produit ; ou en effectuant une analyse des causes profondes des pannes d'équipement : l'exploitation des données peut offrir un avantage considérable. Toutefois, les réponses sont très rarement proposées librement. Avant de trouver des solutions, les données doivent être consultées et importées, nettoyées et organisées, visualisées et explorées, et peut-être même transmises via divers algorithmes d'apprentissage automatique. Les résultats doivent ensuite être interprétés et pris en compte aux côtés des connaissances pratiques liées à la situation en question. Comme étape finale, les apprentissages doivent être communiqués d’une manière qui soit comprise par ceux qui prendront les décisions ou exécuteront les actions nécessaires qui suivront.
Le processus cumulatif par lequel les données inexploitées sont capturées et converties en informations précieuses est appelé flux de travail analytique. De multiples fonctionnalités sont utilisées tout au long des étapes du flux de travail, potentiellement même entre les individus ou les services responsables de divers aspects.
JMP contient tout le nécessaire pour transformer des données brutes et désordonnées en connaissances et en valeur pour une organisation. Vous pouvez trouver une représentation du flux de travail analytique JMP (Figure 1), grâce auquel des informations peuvent être extraites des données brutes, à l'adresse Site Internet JMP . En cliquant sur les cases orange correspondant aux différentes fonctionnalités analytiques incluses dans le logiciel, vous accédez à la démo JMP Minute, une brève explication de la façon dont la fonctionnalité peut être utilisée.
Figure 1: The JMP Analytic Workflow, showing all the tools needed to transform raw data into shareable insights for any organization.Figure 1 : JMP Analytic Workflow, montrant tous les outils nécessaires pour transformer les données brutes en informations partageables pour toute organisation.
Par exemple, lors de l’étape d’accès aux données, les données provenant d’une source externe peuvent être :
- Accessible à l'aide de l'assistant d'importation JMP Excel.
- Nettoyé à l'aide de Recode et des différents outils présents dans le menu Tableaux.
- Traceé pour vérifier les irrégularités ou les points de données étranges.
- Modélisé pour explorer les avantages/risques de diverses options afin de déterminer la meilleure solution/compromis.
Les résultats peuvent ensuite être communiqués à l'aide de JMP Live, permettant aux utilisateurs de consulter des rapports et offrant un accès à la demande aux données brutes pour une analyse plus approfondie. Peut-être que ces étapes ont été enregistrées à l'aide de l'Action Recorder et automatisées lorsque de nouvelles données sont disponibles, pour des mises à jour périodiques (quotidiennes/hebdomadaires/etc.) pour surveiller les KPI avec des cartes de contrôle, ou pour envoyer une alerte par e-mail si le processus dérive soudainement. Il se peut qu'au cours de ces analyses, on ait découvert que les données ne contenaient pas les bonnes informations et qu'il était nécessaire d'en collecter davantage, ce qui permettrait de bénéficier de la conception des expériences.
Le fait est que ces techniques analytiques ne constituent pas des solutions complètes en elles-mêmes et sont rarement utilisées indépendamment les unes des autres, soulignant ainsi la commodité et la nécessité de les regrouper au sein d’une seule plateforme.
Le revers de la médaille est que le workflow analytique est rarement utilisé dans son intégralité par une seule personne au sein d’une organisation. De nombreuses entreprises utilisent une grande partie des diverses capacités d'analyse présentes dans le logiciel, mais celles-ci sont délimitées en fonction du rôle de chaque utilisateur (voir Figure 2).
Figure 2: Examples of specific capabilities of the JMP Analytic Workflow that may be used by various individual user’s roles within an organization.Figure 2 : Exemples de fonctionnalités spécifiques de JMP Analytic Workflow qui peuvent être utilisées par différents rôles d'utilisateur individuel au sein d'une organisation.
Par où commencer : définir les critères du problème et de la solution
Avant de pouvoir commencer à déterminer les étapes nécessaires pour résoudre un problème, nous devons d’abord définir à la fois le problème et les critères selon lesquels nous jugerons s’il a été résolu. Je vous encourage à ne pas prendre l’exemple ici trop littéralement. Les techniques analytiques utilisées pour explorer et, finalement, résoudre le problème présenté dans cette étude de cas peuvent également être appliquées dans de nombreuses situations différentes dans toute une gamme d’industries. Par conséquent, envisagez des exemples dans votre propre travail dans lesquels vous pourriez utiliser ces fonctionnalités pour votre bénéfice et celui de votre organisation.
Comment utiliser cette étude de cas :
Vous trouverez ci-dessous une liste de toutes les étapes du flux de travail utilisé pour étudier et résoudre le problème présenté dans cette étude de cas. J'ai également donné des exemples d'étapes les plus couramment utilisées par des personnes ayant des titres de poste différents. Cliquez sur les liens ci-dessous pour suivre votre propre flux de travail en fonction de votre rôle actuel, ou lisez-les tous pour avoir une idée de la manière dont JMP peut être utilisé dans une organisation. J'ai inclus le fichier Excel de départ afin que vous puissiez reproduire les étapes, mais n'hésitez pas à suivre en utilisant vos propres données.
Scientifique R&D : 2-9, 14
Ingénieur de fabrication : 2-9, 13-14
Scientifique des données : 1-6, 10-14
Administrateur informatique : 1-2, 14
Définition du problème
Cet exemple implique un processus de fabrication dans lequel des comprimés pharmaceutiques sont produits. Comme beaucoup de processus, celui-ci implique une série d’étapes. A chaque étape, différents paramètres peuvent être ajustés. Ceux-ci peuvent être vus dans le diagramme de flux de processus (Figure 3) sous chaque étape. De plus, plusieurs variables nominales doivent être sélectionnées pour chaque lot, qui sont listées au-dessus des étapes (matériaux provenant de différents fournisseurs, ainsi qu'un choix de compresseur pour l'étape Compresser).
Figure 3: Tablet manufacturing process flow map used as an example case study.Figure 3 : Schéma du flux du processus de fabrication des comprimés utilisé comme exemple d'étude de cas.
La réponse mesurée à la fin du processus est la dissolution, une mesure de la vitesse à laquelle les comprimés se dissolvent dans le corps. Des valeurs élevées de dissolution sont souhaitables, avec une spécification inférieure de 70 % ; les lots mesurés en dessous de cette valeur sont mis au rebut. La tâche à accomplir consiste à déterminer comment produire les comprimés et à exécuter le processus de fabrication avec un taux de rebut inférieur à 5 %.
(Rappel : il s'agit d'une démonstration de la façon dont la puissance de l'analyse, fournie via JMP Analytic Workflow, peut être utilisée pour résoudre un problème. Les techniques présentées ici ne se limitent pas à la fabrication ou aux produits pharmaceutiques.)
1) Effacer le journal pour être prêt à enregistrer l'analyse pour l'automatisation
- Accédez au menu Affichage dans JMP et sélectionnez Journal.
- Cliquez sur le point chaud rouge près du coin supérieur gauche de la fenêtre du journal et sélectionnez Effacer le journal (Figure 4).
Figure 4: Top-left corner of log window, showing menu behind red hotspot with Clear Log indicated.Figure 4 : Coin supérieur gauche de la fenêtre du journal, affichant le menu derrière le point chaud rouge avec Clear Log indiqué.
2) Accès aux données
Comme nos données sont contenues dans un fichier Excel, nous allons importer les données à l'aide de l'assistant d'importation Excel.
- Faites simplement glisser le fichier Excel depuis votre bureau, ou depuis l'endroit où vous l'avez enregistré, vers n'importe quelle fenêtre JMP ouverte (la fenêtre d'accueil, par exemple). Voir le résultat dans la figure 5 ci-dessous.
Figure 5: Excel Import Wizard after dragging Excel file into open JMP window, showing default settings.Figure 5 : Assistant d'importation Excel après avoir fait glisser le fichier Excel dans la fenêtre JMP ouverte, affichant les paramètres par défaut.
Comme le montre la section Aperçu des données de la figure 5, le tableau ne semble pas tout à fait correct. Mettons-le dans un format prêt pour l'analyse en ajustant les paramètres de la feuille de calcul individuelle, comme le montre la figure 6.
- Définissez les en-têtes de colonne commençant sur la ligne sur 2.
- Définissez le nombre de lignes avec en-têtes de colonnes sur 2.
- Sélectionnez Importer.
Figure 6: Individual Worksheet Settings in Excel Import Wizard after adjusting values to align data properly.Figure 6 : Paramètres de feuille de calcul individuelle dans l'assistant d'importation Excel après avoir ajusté les valeurs pour aligner correctement les données.
Vous devriez maintenant avoir une table appelée TabletDissolution.
3) Exploration et visualisation des données, partie 1
Immédiatement, il semble qu'il y ait des problèmes avec notre table. Il semble que certaines des valeurs de la deuxième colonne, API-Taille des particules, aient été saisies comme Small ou s, probablement pour signifier Small. En faisant défiler le tableau, les entrées pour Medium et Large présentent des problèmes similaires. Est-ce que d'autres colonnes ont des problèmes similaires ? Nous pouvons avoir une idée de cela en activant les graphiques d’en-tête de colonne.
- Cliquez sur le symbole Histogramme en haut à gauche du tableau pour activer les graphiques d'en-tête de colonne (Figure 7).
Figure 7: Top-left of the table with the Column Header graph button circled in blue.Figure 7 : En haut à gauche du tableau avec le bouton graphique d’en-tête de colonne entouré en bleu.
4) Mélange et nettoyage des données, partie 1
En parcourant les graphiques d'en-tête de colonne, il semble que le fournisseur MgSt ait des problèmes de saisie de données, ainsi que de taille de particule API. Corrigeons ceux qui utilisent Recode.
- Sélectionnez la colonne API-Particle Size en cliquant sur le nom de la colonne en haut de la colonne.
- Avec la colonne sélectionnée, allez dans le menu Cols et sélectionnez Recoder.
- En haut à gauche de la fenêtre Recoder, modifiez le menu déroulant de Nouvelle colonne à Sur place.
- Maintenez la touche Maj enfoncée tout en cliquant sur l et Large dans les deux premières lignes de la fenêtre Recode. Relâchez Shift et appuyez sur le bouton Groupe (Figure 8).
Figure 8: Recode window, with Large and l values highlighted, and the Group button highlighted.Figure 8 : Fenêtre Recoder, avec les valeurs Large et l en surbrillance et le bouton Groupe en surbrillance.
- Mettez en surbrillance et regroupez les valeurs Medium et m et Small et s (voir Figure 9).
- Appuyez sur Recoder.
- Facultatif : Répétez la procédure Recode pour la colonne MgSt-Supplier.
Figure 9: Recode window with the three groups for API-Particle Size defined.Figure 9 : Fenêtre de recodage avec les trois groupes pour API-Particle Size définis.
Un autre problème que certains d'entre vous ont peut-être remarqué est que la plupart des colonnes qui devraient contenir des données continues apparaissent comme catégoriques. Ceci est visible dans la visionneuse de colonnes au milieu à gauche du tableau (Figure 10). Toutes les colonnes après et y compris Blend Time-hr, à l'exception du compresseur et du fournisseur de revêtement, doivent être continues. Nous pouvons corriger cela facilement en modifiant d'abord le format des nombres, puis en utilisant la fonction Standardiser les attributs.
REMARQUE : La raison pour laquelle les colonnes sont catégoriques est due au point utilisé pour désigner une décimale. Je suis basé en Europe, Windows est donc configuré pour utiliser une virgule sur mon ordinateur. Si votre système est configuré pour utiliser une période, les données auront été importées correctement et vous pourrez ignorer ces étapes.Notez également qu'il est possible d'utiliser le langage JMP, plutôt que les paramètres régionaux du système, pour les formats de nombres, de dates et de devises ; cela peut être défini dans les préférences "Spécifiques à Windows".
Figure 10: Columns panel, showing that most columns are categorical, with the exceptions of Mill Time-hr and Screen Size.Figure 10 : Panneau Colonnes, montrant que la plupart des colonnes sont catégorielles, à l'exception de Mill Time-hr et Screen Size.
- Dans le menu Edition, choisissez Rechercher --> Rechercher.
- Entrez un point dans Rechercher quoi : et une virgule dans Remplacer par :.
- Décochez la case Faire correspondre la valeur entière de la cellule.
- Appuyez sur Remplacer tout.
- Fermez la fenêtre de dialogue Rechercher.
Tous les points dans les cellules auront été remplacés par des virgules. Nous pouvons maintenant convertir le type de données et le type de modélisation des colonnes concernées.
- Cliquez sur Blend Time-hr pour sélectionner le panneau Colonnes.
- Tout en maintenant la touche Maj enfoncée, cliquez sur Dissolution dans le panneau Colonnes pour sélectionner toutes les colonnes.
- Relâchez la touche Maj, maintenez la touche Ctrl enfoncée et cliquez sur Compresseur et Fournisseur de revêtement pour désélectionner ces colonnes.
- Dans le menu Cols, choisissez Standardiser les attributs...
- Dans la fenêtre Standardiser les attributs des colonnes, sélectionnez Type de données et Type de modélisation dans le menu déroulant des attributs à normaliser.
- Remplacez le type de données par Numérique et le type de modélisation par Continu.
- Appuyer sur OK.
Les colonnes des capteurs de la machine seront désormais toutes numériques et continues. Nous allons modifier le type de modélisation d'une colonne supplémentaire : Taille de l'écran. JMP a reconnu les nombres et défini le type de modélisation sur Continue par défaut, mais nous savons que 3, 4 et 5 représentent des formes distinctes. Ordinal serait plus approprié si nous voulions comparer les dissolutions entre les tailles pour confirmer qu'il existe une différence.
- Cliquez sur le triangle bleu devant Taille de l'écran dans le panneau Colonnes.
- Changez le type de modélisation en Ordinal.
5) Exploration et visualisation des données, partie 2
Nous pouvons utiliser la visionneuse de colonnes pour obtenir un aperçu rapide de nos données sous la forme de statistiques récapitulatives relatives à chaque colonne. Pour les données nominales ou ordinales, on nous montre le nombre de catégories distinctes dans chaque colonne. Pour le continu, nous voyons l'étendue, la moyenne et l'écart type. Si cela correspond à nos attentes, nous devrions pouvoir faire quelques analyses. Par contre, s'ils sont loin, nous aurons peut-être encore du ménage à faire.
- Dans le menu Cols, sélectionnez Visionneuse de colonnes.
- Dans la fenêtre Sélecteur de vue de colonnes, sélectionnez toutes les colonnes et appuyez sur Afficher le résumé.
Immédiatement, il semble que tout va bien. Nous disposons du nombre correct de catégories et de plages approximatives pour les données nominales et ordinales, ainsi que les données continues, respectivement. Cependant, en regardant cela, il nous vient à l'esprit que nous souhaiterions peut-être inclure une colonne Accepter/Rejeter pour indiquer les lots acceptés ou rejetés (ceux dont les valeurs de dissolution sont supérieures ou inférieures à 70).
6) Mélange et nettoyage des données, partie 2
Il existe de nombreuses façons de créer une nouvelle colonne de lots acceptés et rejetés. Si vous connaissez une bonne méthode avec laquelle vous êtes à l'aise, n'hésitez pas à l'utiliser. Ou vous pouvez me suivre pendant que nous utilisons une nouvelle fonctionnalité introduite dans JMP 16, Make Binning Formula…
- Sélectionnez la colonne Dissolution.
- Dans le menu Cols, choisissez Utilitaires -> Créer une formule de regroupement…
- Sélectionnez tous les points de coupe par défaut et appuyez sur le signe - pour les supprimer (voir Figure 11).
Figure 11: Binning dialog window, with all default cut points selected and the remove button (-) indicated by a blue circle.Figure 11 : Fenêtre de dialogue Binning, avec tous les points de coupe par défaut sélectionnés et le bouton de suppression (-) indiqué par un cercle bleu.
- Modifiez la valeur du point de coupure à 70 et, si vous le souhaitez, renommez les étiquettes de valeur en Rejeter et Accepter, comme dans la figure 12, en double-cliquant sur les étiquettes de valeur et en tapant « Rejeter » et « Accepter ».
Notez qu'il est également possible de modifier les types d'étiquettes en utilisant le menu triangulaire rouge à côté de « Points de coupure » et en sélectionnant « Style d'étiquette de bac -> Personnalisé ».
Figure 12: Binning dialog window, with cut point value changed to 70 and value labels changed to Reject and Accept.Figure 12 : Fenêtre de dialogue Binning, avec la valeur du point de coupure modifiée à 70 et les étiquettes de valeur modifiées en Rejeter et Accepter.
- Appuyez sur Créer une colonne de formule.
- Pour renommer la nouvelle colonne, double-cliquez sur le nom en haut de la colonne, changez le nom en Accepter/Rejeter et appuyez sur OK.
Maintenant que nous avons nettoyé et formaté nos données et ajouté une colonne indiquant si un lot a été accepté ou rejeté, nous sommes en mesure de commencer à comprendre l'histoire derrière les données. Plus précisément, nous souhaitons connaître la proportion de lots acceptés/rejetés et les facteurs affectant cette proportion (et les autres facteurs qui n'ont aucune influence). En fin de compte, nous aimerions savoir comment nous devons ajuster notre processus pour minimiser l'apparition de lots rejetés.
7) Analyse et modélisation des données de base, partie 1
Pour commencer à obtenir des réponses à ces questions, nous devons savoir où chercher. Le processus de création de visuels pour avoir une idée des réponses, ou peut-être même des questions que nous devrions poser, est appelé analyse exploratoire des données (EDA).
- Dans le menu Analyser, sélectionnez Distribution. Dans la fenêtre de dialogue contextuelle, faites glisser la colonne Accepter/Rejeter vers la zone Y, Colonnes et cliquez sur OK (Figure 13).
Figure 13: Distribution dialog window, with column Accept/Reject in the Y, Columns box.Figure 13 : Fenêtre de dialogue Distribution, avec la colonne Accepter/Rejeter dans la zone Y, Colonnes.
Le rapport Distributions résultant, illustré à la figure 14, comprend un tableau Fréquences indiquant qu'il y a 14 lots rejetés sur un total de 90, correspondant à une proportion d'environ 15,6 %.
Figure 14: Distribution report for column Accept/Reject.Figure 14 : Rapport de distribution pour la colonne Accepter/Rejeter.
Nous pouvons faire un suivi avec des histogrammes des facteurs de notre tableau, qui peuvent ou non avoir un effet sur le rapport acceptation/rejet. Nous inclurons également la colonne de réponse Dissolution.
- Dans le menu Analyser, sélectionnez Distribution. Cette fois, faites glisser toutes les colonnes de la colonne API-Particle Size vers Dissolution Reject vers la zone Y, Colonnes.
- Avant de cliquer sur OK, cochez la case Histogrammes uniquement en bas à gauche de la fenêtre de dialogue pour masquer les statistiques récapitulatives. Ceux-ci peuvent être activés ultérieurement à l’aide des menus du triangle rouge.
- Cliquez sur OK.
Remarque : Si vous avez appuyé sur OK avant de cocher Histogrammes uniquement, pas de problème. Fermez simplement le rapport de distribution et revenez à Analyser --> Distribution. Appuyer sur Rappel ici configurera la boîte de dialogue telle qu'elle était la dernière fois que vous avez utilisé Distribution. C’est une belle astuce pour vous épargner quelques clics si jamais vous avez besoin de refaire une analyse.
Le rapport résultant affiche des histogrammes pour tous les facteurs ainsi que la réponse. Vous pouvez faire défiler vers la droite pour voir comment toutes les valeurs de chaque facteur sont distribuées. Par exemple, la figure la plus à gauche montre qu'il y avait légèrement plus de particules API moyennes que de petites ou grandes. À droite de cette figure se trouve l'histogramme du Mill Time, pour lequel il existe une répartition des valeurs à peu près uniforme jusqu'à environ 30 heures. Nous pouvons apprendre beaucoup en examinant simplement ces chiffres et en nous demandant si ces distributions correspondent à notre compréhension de la manière dont les lots ont été exécutés.
Comme tous les visuels créés dans JMP, ceux-ci sont liés dynamiquement au tableau de données. Nous utiliserons cette propriété pour approfondir les images afin d'en découvrir encore plus sur notre processus.
- Cliquez sur le rectangle d'histogramme vert à côté de Rejeter dans le rapport de distribution Accepter/Rejeter, illustré à la figure 14.
- Notez que toutes les lignes de lots rejetés dans la table de données sont désormais sélectionnées.
- Les valeurs correspondantes des facteurs sont également rendues visibles dans le rapport de distribution sous forme d'histogrammes intégrés (vert foncé), comme le montre la figure 15.
Figure 15: Left-most three histograms of the Distribution report, which indicate embedded histograms for rejected batches.Figure 15 : Les trois histogrammes les plus à gauche du rapport de distribution, qui indiquent les histogrammes intégrés pour les lots rejetés.
Les histogrammes intégrés représentent le sous-ensemble de données comprenant les lignes sélectionnées. Les comparer aux histogrammes des données globales (vert clair dans les figures) peut signaler une signification lorsqu'il existe des différences drastiques. L'inverse est également vrai : les histogrammes intégrés et globaux ayant la même forme suggèrent que le facteur n'a aucun effet sur la réponse – dans ce cas, si un lot est accepté ou rejeté. Notez que pour Mill Time, la distribution globale est uniforme, alors qu'elle est asymétrique à droite pour les lots rejetés. En ce qui concerne la taille de l'écran, la taille 5 semble surreprésentée parmi les refus, tandis que les tailles 3 et 4 semblent sous-représentées. Ceci est curieux et mérite une inspection plus approfondie de la manière exacte dont ces facteurs sont liés à la dissolution.
Les distributions sont un outil puissant qui peut fournir des indices sur où chercher pour trouver des réponses en quelques clics seulement. N'hésitez pas à explorer plus avant pour voir si quelque chose d'autre ressort qui pourrait justifier une inspection plus approfondie.
8) Exploration et visualisation des données, partie 3
Maintenant que nous avons découvert deux facteurs susceptibles d'affecter notre processus, nous pouvons les approfondir encore plus à l'aide de Graph Builder.
- Dans le menu Graphique, choisissez Générateur de graphiques.
- Dans la fenêtre Graph Builder, faites glisser la colonne Mill Time-hr et déposez-la dans la zone rectangulaire marquée d'un X (au milieu en bas).
- Faites défiler les colonnes jusqu'à Dissolution. Faites-le glisser et déposez-le dans la zone Y.
Le résultat est un nuage de points de Dissolution vs Mill Time-hr avec une spline bleue serpentant à travers les données. Cette spline est destinée à guider les spectateurs vers la forme des données. Plutôt que de l'utiliser, changeons le lissage en ligne d'ajustement.
- Faites un clic droit au milieu du graphique.
- Choisissez Plus lisse -> Passer à -> Ligne d'ajustement. (Remarque : nous aurions également pu le faire en utilisant les cases situées juste au-dessus du titre du graphique.)
- Appuyez sur Terminé.
Nous avons maintenant produit le graphique comme le montre la figure 16 ci-dessous. En regardant la figure, il semble clairement qu'il existe une corrélation positive entre le temps de broyage et la dissolution dans nos lots historiques. Est-ce statistiquement significatif (ce qui est une autre façon de demander la probabilité que cela soit réel et pas seulement un hasard) ?
Figure 16: Dissolution vs Mill time-hr with a Line of Fit depicting a positive correlation between the variables.Figure 16 : Dissolution par rapport au temps de broyage-heure avec une ligne d'ajustement représentant une corrélation positive entre les variables.
Nous tenterons de répondre à cette question dans la section suivante. En attendant, vous vous souviendrez peut-être que la taille de l'écran est également apparue comme un facteur d'intérêt lors de l'exploration des histogrammes. Ajoutons la taille de l'écran à ce graphique pour voir si nous pouvons en apprendre davantage sur la façon dont elle peut influencer la dissolution.
- Dans le triangle rouge à côté de Graph Builder, choisissez Afficher le panneau de configuration.
- Faites glisser (mais ne déposez pas !) la taille de l'écran vers les zones Groupe X, Groupe Y, Wrap, Superposition et Couleur de la fenêtre Graph Builder. Cela fournira un aperçu de ce à quoi ressemblerait le graphique si la colonne était déposée dans cette zone de dépôt.
- Après avoir exploré les différentes zones de dépôt avec Taille de l'écran, déposez la colonne dans la zone de dépôt Groupe X.
- Appuyez sur Terminé.
La nature de Graph Builder permet de faire glisser des colonnes, produisant divers autres graphiques, jusqu'à ce que l'on tombe sur un élément révélant quelque chose d'utile sur nos données. En déposant la taille de l'écran dans le groupe X, nous avons créé trois nuages de points côte à côte, chacun avec sa propre ligne d'ajustement (Figure 17). Sur la figure, nous pouvons voir clairement que la corrélation positive entre la dissolution et le temps de broyage-heure a été influencée par la taille utilisée ; il y avait un effet important lorsque les tailles 3 ou 5 étaient utilisées, mais aucun effet lors de l'utilisation de la taille 4. La suggestion ici est qu'il existe un effet d'interaction entre ces deux facteurs et notre réponse. Nous étudierons cela plus en détail lorsque nous atteindrons la phase de modélisation de notre analyse, mais pour l'instant, examinons de plus près ces variables individuellement.
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.Figure 17 : Dissolution par rapport au temps de broyage-heure pour les trois valeurs de taille d'écran, avec des lignes d'ajustement représentant des corrélations positives pour les tailles 3 et 5, mais aucune corrélation pour la taille 4.
9) Analyse et modélisation des données de base, partie 2
L’effet du temps de broyage sur la dissolution est-il statistiquement significatif ? Dans quelle mesure pouvons-nous être sûrs que l’augmentation du temps de broyage entraîne réellement une augmentation de la dissolution ? Qu’en est-il de la dissolution plus faible mesurée pour les lots exécutés avec une taille d’écran 5 ? Était-ce juste un accident ? Si nous continuons à utiliser la taille 5, est-il probable que nous continuerons à voir des lots de moins bonne qualité que si nous utilisions les tailles 3 ou 4 ? C’est le genre de questions auxquelles nous allons répondre dans cette partie de l’analyse en utilisant la plateforme Fit Y by X.
- Sélectionnez Ajuster Y par X dans le menu Analyser (deuxième en partant du haut, après Distribution).
- Dans la fenêtre de dialogue, faites glisser et déposez Dissolution dans la zone de la colonne Y, Réponse.
- Ensuite, faites glisser et déposez Mill Time-hr et Screen Size dans la zone de la colonne X, Factor.
- Appuyer sur OK.
La première chose que vous remarquerez peut-être est que les deux tracés résultants, en plus d'être très différents, sont également appelés des choses différentes : le tracé de gauche est appelé Ajustement bivarié de…, tandis que celui de droite est appelé Analyse unidirectionnelle de…. En effet, ils ont été réalisés à partir de types de données différents, pour lesquels certaines analyses peuvent ou non s'appliquer. Dans le cas des données continues de Mill Time-hr tracées sur l'axe des x et des données continues de dissolution tracées sur l'axe des y, il peut être judicieux de tracer une ligne de régression qui correspond aux données et décrit comment la dissolution change en tant que fonction de toutes les valeurs du Mill Time. Nous pouvons ensuite calculer la probabilité que cela soit réel ou simplement des aberrations dans les données en vérifiant si la pente de notre ligne d'ajustement est significativement différente de 0 (zéro étant la pente d'une ligne plate tracée à la moyenne de notre réponse). D’un autre côté, une ligne continue d’ajustement entre les tailles d’écran 3 et 4 n’a aucun sens s’il n’y a pas de tailles entre 3 et 4. Dans cette étude de cas, la taille de l'écran est une variable discrète. Une question raisonnable à poser est la suivante : existe-t-il de réelles différences dans notre réponse lorsque nous comparons les valeurs créées avec une taille avec les valeurs créées avec une autre ? Nous nous intéressons aux analyses qui étudient ces comparaisons plutôt que de calculer les pentes entre les tailles.
Commençons par l'ajustement bivarié à gauche :
- Dans le triangle rouge de la figure Bivariate Fit, choisissez Fit Line.
Le tracé et le rapport résultants sont présentés ci-dessous dans la figure 18. Il existe de nombreuses informations sur la ligne et sur son adéquation aux données. Il n'est pas nécessaire de comprendre tous les aspects de ce bulletin pour répondre à nos questions, tout comme il n'est pas nécessaire de lire tous les détails d'un bulletin météo pour savoir s'il faut prendre un parapluie. Si quelqu'un est intéressé, une description de tout cela peut être trouvée dans la documentation en ligne de JMP. Pour l'instant, extrayons simplement ce dont nous avons besoin pour répondre aux questions que nous nous posions sur notre processus.
Figure 18: Bivariate Fit of Dissolution vs Mill time-hr, with a linear fit and accompanying details indicating that the effect is likely real.Figure 18 : Ajustement bivarié de la dissolution en fonction du temps de broyage-heure, avec un ajustement linéaire et des détails associés indiquant que l'effet est probablement réel.
Nous pouvons voir que la ligne dans le nuage de points est inclinée vers le haut, indiquant que des valeurs de dissolution plus élevées ont été obtenues avec des temps de broyage plus longs et des valeurs plus faibles avec des temps plus courts. L'équation de cette droite se trouve juste sous l'ajustement linéaire, la pente ayant une valeur d'environ 0,165 %/h. Est-ce significatif ? L'estimation de la pente est répétée dans la section Estimations des paramètres du rapport, avec sa valeur p associée (0,0004), ce qui signifie qu'il y a quatre chances sur 10 000 qu'une pente aussi raide ait été obtenue simplement par hasard. Il est bien sûr possible que Mill Time n'ait aucun effet réel sur la Dissolution, mais il y a fort à parier que l'effet soit réel.
Passons maintenant au menu triangulaire rouge à côté du tracé Oneway Analysis sur la droite. Vous remarquerez immédiatement qu'il n'y a aucune option pour ajuster une ligne. Comme nous l’avons vu, cela n’a aucun sens de tracer une ligne continue à travers des données discrètes. Nous disposons cependant de nombreuses options pour comparer ces lots. Utilisons une approche très courante, le test t.
- Dans le menu triangulaire rouge Oneway Analysis, sélectionnez Comparer les moyennes -> Chaque paire, t de l'étudiant.
Voilà, test t effectué. Bien entendu, il nous appartient désormais d’interpréter ce rapport (Figure 19). Encore une fois, les détails sont nombreux ici, mais il nous en faut très peu pour déterminer si ces tailles d’écran sont équivalentes.
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.Figure 19 : Analyse unidirectionnelle de la dissolution en fonction de la taille de l'écran, avec une comparaison des moyennes effectuée à l'aide du test t de Student. Les résultats suggèrent un effet négatif significatif de l’utilisation de la taille d’écran 5.
En regardant le rapport sur les lettres de connexion, il est indiqué que les niveaux qui ne sont pas connectés par la même lettre sont significativement différents. Les niveaux qui correspondent aux tailles d'écran 3 et 4 portent tous deux la lettre A à côté d'eux, tandis que la lettre B est affichée à côté de la taille 5. Cela implique donc que les tailles 3 et 4 sont équivalentes entre elles, mais pas à la taille 5. Les probabilités associées que cela ne se soit pas produit par hasard sont exprimées dans les valeurs p du rapport sur les différences ordonnées. Il est tout à fait prudent de conclure que les différences entre les tailles 3 et 5 et les tailles 4 et 5 sont réelles (valeurs p <0,0001 et 0,0017, respectivement). À l'inverse, la comparaison entre les tailles 3 et 4 est moins susceptible d'être réelle (5,79 % qu'elle s'est produite par hasard, ce qui peut paraître petit mais est supérieur à la charge de la preuve habituellement acceptée de 5 %).
Si nous ne sommes pas convaincus, nous pouvons continuer et essayer de collecter davantage de données pour en être sûr. Alternativement, si nous arrêtons immédiatement d'utiliser la taille d'écran 5 et la durée de broyage jusqu'à 30 heures, nous devrions commencer à constater une amélioration des valeurs de dissolution. Nous allons également poursuivre le flux de travail analytique vers la modélisation statistique avancée, dans un premier temps pour identifier les facteurs probablement importants que nous avons peut-être manqués lors de notre EDA. Nous souhaitons également construire un modèle statistique utilisant tous ces facteurs pour découvrir toutes les interactions sous-jacentes entre eux et, idéalement, trouver un point idéal dans notre processus où nous pouvons produire de manière fiable et cohérente des lots de la plus haute qualité possible tout en réduisant l'apparition de rejets à un minimum.
10) Modélisation statistique avancée
Commençons par la première question : y a-t-il des facteurs que nous aurions pu oublier et que nous devrions examiner de plus près en plus du temps de broyage et de la taille de l'écran ?
- Dans le menu Analyser, choisissez Modélisation prédictive --> Partition.
- Sélectionnez Dissolution dans la liste des colonnes de la fenêtre de dialogue Partition et appuyez sur Y, Réponse.
- Sélectionnez toutes les colonnes de API-Particle Size à Atom. Pression-Pa et appuyez sur X, Facteur.
- Sélectionnez OK.
- Dans la nouvelle fenêtre de rapport Partition pour dissolution qui est apparue, sélectionnez Fractionner.
Encore une fois, ce rapport contient beaucoup d'informations, mais nous n'avons pas besoin de toutes les informations pour reconnaître que la taille de l'écran est apparue comme la variable la plus significative. Pas de grande surprise ici, puisque nous l'avions déjà remarqué lors de l'EDA. Notez que le rapport contient désormais deux zones indiquant Taille d'écran (3, 4) et Taille d'écran (5). L'algorithme de partition a identifié un point de coupure au sein de ce facteur important qui divise, ou partitionne, les données pour capturer autant que possible la variation de notre processus. Apparemment, nous sommes arrivés à la même conclusion que celle que nous avons obtenue lorsque nous avons exploré ce facteur en utilisant Fit Y by X.
Continuons:
- Sélectionnez à nouveau Diviser.
Mill Time-hr est devenu notre deuxième facteur le plus important dans notre processus. Encore une fois, ce n’est pas une grande surprise. Mais nous avons découvert un autre point de coupure (11 heures). De plus, vous avez peut-être remarqué que les zones Mill Time-hr sont enracinées dans la zone Screen Size (5). Cela signifie que le point de coupe ne s'applique que lors de l'utilisation de la taille 5, et nous donne donc une limite de spécifications si jamais nous sommes obligés de l'utiliser. La taille 5 n'est pas idéale, mais si nous devons l'utiliser, nous devons au moins nous assurer de broyer pendant 11 heures ou plus. Cela nous donnera notre meilleure chance de faire des lots à moitié décents.
- Sélectionnez à nouveau Diviser.
Ha! Blend Time-hr n'était pas quelque chose que nous avions remarqué auparavant.
- Sélectionnez Diviser encore et encore, jusqu'à ce que les feuilles ne soient plus ajoutées à notre arbre de décision. (Vous devriez pouvoir faire 11 fractionnements supplémentaires.)
Eh bien, un certain nombre de facteurs ont maintenant été ajoutés à l’arbre. En fait, quelques facteurs ont été ajoutés plusieurs fois. Chaque feuille de cet arbre est une recette, avec des facteurs dans les feuilles supérieures (feuilles parentales, plus proches du tronc) définis au-dessus ou en dessous, selon le cas, et tous les autres facteurs définis à leur moyenne (ou attribués au hasard dans le cas de l'arbre catégoriel). variables). La valeur moyenne prévue de dissolution produite avec cette recette est indiquée dans la feuille. Une chose que nous pourrions faire serait de parcourir toutes les feuilles pour trouver la meilleure recette, c’est-à-dire celle avec la moyenne prédite la plus élevée. Prenez une minute pour voir si vous pouvez le trouver… Astuce : c'est près du centre en bas de l'arbre : taille de l'écran (3 ou 4), temps de mélange (≥ 15,9 heures), fournisseur de lactose (Bond Inc.) et viscosité du revêtement (≥ 99,3 cp), tous les autres facteurs étant définis sur leurs valeurs moyennes. Comme vous pouvez le constater, il est prévu de produire des lots avec une dissolution moyenne d'environ 79.
Nous pourrions essayer d'exécuter cette recette et de surveiller les lots résultants pour voir si notre modèle est précis et si les valeurs de dissolution des lots résultants sont proches de notre valeur prévue de 79. C'est parfaitement bien de s'arrêter ici pour vérifier si cela fonctionne, si produire des lots de cette qualité résout notre problème. Dans ce cas, nous pouvons passer au problème à résoudre ensuite. Cependant, dans ce scénario, cela ne suffit pas. Nous allons devoir trouver un moyen d'aller plus haut, ce qui signifie extraire encore plus d'informations de ces données pour essayer d'extraire notre solution.
- Dans le menu triangulaire rouge de Partition pour dissolution, choisissez Contributions de colonne.
Cette action ajoute le rapport Contributions aux colonnes, présenté dans la figure 20, à notre fenêtre Partition. En commençant par le haut, le rapport nous indique, par ordre décroissant, l'importance de chacun de nos facteurs. Il semble que la taille de l'écran soit le facteur le plus important, suivi du temps de broyage, du temps de mélange, de la vitesse de mélange, etc. En lisant plus bas, nous atteignons finalement des facteurs (à commencer par API-Taille des particules et ci-dessous) qui n'apparaissent dans aucune des feuilles et, par conséquent, ne semblent avoir aucun effet sur la dissolution.
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.Figure 20 : Contributions en colonnes du rapport Partition pour dissolution, montrant l'importance des facteurs par ordre décroissant. Le débit de pulvérisation est considéré comme le dernier facteur important ; tout ce qui se trouve en dessous est considéré comme n'ayant aucun effet sur la dissolution.
Nous pouvons donc concentrer nos efforts pour augmenter la dissolution sur les huit facteurs qui sont significatifs, et nous pouvons largement ignorer les neuf facteurs restants qui ne le sont pas.
- Dans le rapport Contributions aux colonnes, sélectionnez les huit facteurs importants (taille de l'écran et taux de pulvérisation). Notez que ces colonnes sont désormais sélectionnées dans le tableau.
- Dans le menu Analyser, choisissez Ajuster le modèle. La fenêtre de dialogue Ajuster le modèle apparaît maintenant avec les colonnes déjà sélectionnées (Figure 21).
Figure 21: Fit Model dialog window, with columns of significant factors selected.Figure 21 : Fenêtre de dialogue Ajuster le modèle, avec des colonnes de facteurs significatifs sélectionnées.
- Appuyez sur le bouton Macros dans la fenêtre de dialogue Ajuster le modèle et sélectionnez Surface de réponse.
- Enfin, sélectionnez la colonne Dissolution et appuyez sur Y (bouton en haut au milieu de la fenêtre de dialogue).
- Appuyez sur Exécuter.
Remarque : Un modèle de surface de réponse inclut tous les effets principaux (dans ce cas, nos huit facteurs significatifs), toutes les interactions bidirectionnelles et tous les termes au carré. Il a été démontré à plusieurs reprises que ce type de modèle constitue un excellent point de départ pour aborder les problèmes d'optimisation, en essayant de trouver le point idéal parmi nos paramètres de processus. À l'exception de quelques améliorations du modèle, dont nous parlerons ci-dessous, il s'agit généralement également d'un point final assez bon, ce qui signifie qu'il capture suffisamment d'informations sur notre processus pour résoudre le problème que nous essayions de résoudre.
Une fenêtre de rapport de dissolution de réponse apparaît. Encore une fois, il existe de nombreuses informations, toutes expliquées en détail dans la documentation en ligne de JMP, mais la plupart ne constituent pas des connaissances requises pour résoudre notre problème.
Nous pouvons commencer à examiner ce rapport de haut en bas, en sautant les éléments qui ne présentent pas d'intérêt particulier. La première chose que nous rencontrons est le tracé réel par prévision, reproduit ci-dessous dans la figure 22. Ce qui est important ici, c'est que tous les points se situent pour la plupart le long de la ligne droite rouge foncé. Ils ne tomberont jamais exactement le long de la ligne ; il y aura toujours des variations dans notre processus qui ne seront pas prises en compte par le modèle. La question devient alors de savoir dans quelle mesure la variation est capturé par le modèle ? La valeur RSq juste en dessous du tracé fournit cette information : 0,88 (ou 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).Figure 22 : Réel par tracé prévu pour un modèle de surface de réponse complète avec huit effets principaux, capturant 88 % de la variation de dissolution (RSq = 0,88).
Sous le graphique Réel par Prédit se trouve le résumé des effets (Figure 23), qui répertorie tous les effets que nous avons inclus dans notre modèle par ordre décroissant d'importance. Bien entendu, tout cela est basé sur les données historiques contenues dans le tableau. La colonne la plus à droite, intitulée PValue, indique les probabilités que nous constations une plus grande influence sur la dissolution des effets respectifs si nous devions collecter plus de données, en supposant que l'effet n'a aucune influence. Il semble qu'il y ait 0 % de chance, arrondi à cinq décimales, que des exécutions supplémentaires montrent que la taille de l'écran semble avoir un effet plus important si elle n'en avait pas. Il est pratiquement mathématiquement certain que l’ampleur de l’influence que nous observons n’est pas due au hasard. Nous pouvons donc conclure que la taille de l'écran a réellement un impact sur les valeurs de Dissolution.
Figure 23: Effects Summary for a full response surface model with eight main effects.Figure 23 : Résumé des effets pour un modèle de surface de réponse complète avec huit effets principaux.
À l’autre extrême se trouve l’effet d’interaction entre le fournisseur de lactose et la vitesse de mélange, le facteur tout en bas de la liste. Avec une valeur p d'environ 0,959, ce qui est bien au-dessus du seuil accepté de 0,05, nous pouvons conclure avec certitude que cet effet n'a aucune influence sur la dissolution. Allons-y et supprimons-le du modèle.
- Cliquez sur « Lactose-Suppliers*Blend Speed-rpm » dans le tableau Résumé des effets et appuyez sur le bouton Supprimer juste en dessous.
Avez-vous remarqué que toutes les valeurs p et tout le reste du rapport ont légèrement changé ? Comme dans la plupart des rapports dans JMP, les modifications entraînent un recalcul immédiat de toutes les valeurs, ce qui nous permet d'affiner le modèle en supprimant tous les effets non significatifs sans avoir à relancer l'analyse.
- Un par un, supprimez l'effet le moins significatif (le dernier au bas du rapport Résumé des effets) jusqu'à ce que tous les effets restants aient des valeurs p supérieures à 0,05, comme dans la figure 24.
Figure 24: Effect Summary for a refined RSM model containing only effects with a p-value greater than 0.05.Figure 24 : Résumé des effets pour un modèle RSM affiné contenant uniquement les effets avec une valeur p supérieure à 0,05.
Remarque : Ne supprimez pas les effets qui comportent un symbole ^ à droite de leur valeur p. Le symbole est destiné à vous faire prendre conscience que l'effet est contenu dans d'autres effets plus significatifs. En règle générale, nous les laissons dans le modèle et ne les supprimons que si et après que tous les effets contenus ont été supprimés au préalable.
La valeur RSq inférieure à la valeur réelle par tracé prévu a diminué à 0,83, ce qui signifie que moins de variations dans notre réponse sont capturées par ce nouveau modèle raffiné. C'est OK. Le RSq initial de 0,88 était trompeusement élevé en raison de l'inclusion de termes non significatifs qui correspondent au bruit aléatoire et non à notre processus réel. La suppression des facteurs de valeur p élevées d'un modèle conduit naturellement à un RSq inférieur, mais est plus susceptible d'aboutir à des prédictions plus précises pour les lots futurs.
Alors, est-ce une bonne chose d’être capable d’expliquer 83 % des variations de notre processus, ou est-ce totalement inadéquat ? Rappelons l'objectif de tout cet exercice : nous essayons de résoudre le problème de la production fiable de lots avec des dissolutions supérieures à 70 pour réduire le taux de rebut de 15 % à moins de 5 %. Une fois que nous en avons suffisamment compris pour comprendre comment procéder, nous avons terminé et pouvons passer au problème suivant. Si ce modèle nous permet de faire cela, alors c'est assez bien . Nous pouvons le découvrir en faisant défiler jusqu'à la toute fin du rapport Ajuster les moindres carrés au profileur de prédiction, reproduit ci-dessous dans la figure 25.
Figure 25: Prediction Profiler for our refined RSM model.Figure 25 : Profileur de prédiction pour notre modèle RSM raffiné.
Le Prediction Profiler est une représentation graphique du modèle et peut être utilisé pour voir le résultat prévu d'une combinaison de paramètres. Par exemple, dans la figure 25, la moyenne des lots produits en utilisant ces paramètres (temps de broyage de 17,011 heures, taille d'écran 3, etc.) devrait être de 77,49 %. Nous pouvons également voir sur les profils que l'augmentation du temps de broyage, du temps de mélange et de la viscosité du revêtement, tout en diminuant le taux de pulvérisation, conduira, selon le modèle, à des lots avec des dissolutions encore plus élevées.
- Cliquez sur les lignes pointillées rouges verticales dans les profils et faites-les glisser vers la droite ou la gauche.
- Continuez à déplacer manuellement les lignes pour trouver le paramètre qui, selon le modèle, permettra d'obtenir la dissolution la plus élevée.
En plus d'essayer de trouver manuellement le paramètre le plus optimal, nous pouvons utiliser la fonction Maximiser la désirabilité de Prediction Profiler :
- Cliquez sur le menu triangulaire rouge du profileur de prédiction.
- Sélectionnez Optimisation et désirabilité --> Maximiser la désirabilité.
- Revenez au menu du triangle rouge et sélectionnez Optimisation et désirabilité -> Maximiser la désirabilité.
Après avoir maximisé la désirabilité, le réglage optimal résultant est visible (Figure 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).Figure 26 : Le profileur de prédiction avec fonctions de désirabilité est activé, avec des facteurs aux paramètres optimaux résultant en la valeur la plus élevée de dissolution, 86,5 % (axe y ajusté par défaut).
La valeur prévue est supérieure à notre objectif de 70 %. Bien entendu, le véritable test viendra lorsque nous essaierons ces réglages dans notre usine.
11) Modélisation prédictive et apprentissage automatique (JMP Pro)
Dans JMP Pro, le déploiement de modèles en production est simplifié grâce à Formula Depot. À partir de là, nous pouvons facilement générer du code de notation pour déployer notre modèle en production.
- Dans le menu triangulaire rouge à côté de Dissolution de la réponse en haut du rapport Ajuster les moindres carrés, choisissez Enregistrer les colonnes --> Publier la formule de prédiction.
- Dans le rapport Formula Depot, cliquez sur le menu Triangle rouge Ajuster les moindres carrés – Dissolution et sélectionnez Générer… (voir Figure 27).
Remarque : Formula Depot peut être utilisé pour générer du C++, Python, JavaScript, SAS ou SQL.
Figure 27: Formula Depot with the Fit Least Squares model for Dissolution (left), with automatically generated Python code (right).Figure 27 : Formula Depot avec le modèle Ajuster les moindres carrés pour la dissolution (à gauche), avec du code Python généré automatiquement (à droite).
12) Automatisation et scripts
Il est maintenant temps d'enregistrer le script permettant d'importer la table dans JMP et de la mettre au bon format. Cela facilitera grandement la répétition lorsque de nouvelles données seront disponibles. Nous ne nous soucierons pas de sauvegarder les instructions pour toutes les analyses que nous avons effectuées à ce moment-là, car nous ne devrons probablement pas les refaire exactement comme cela a été fait auparavant. À terme, nous voudrons surveiller l'effet de la mise en œuvre de la nouvelle recette sur les futurs lots, ainsi que nous assurer que tout reste stable et que le processus ne dérive pas. Pour l'instant, capturons simplement les opérations de la table de données à partir de l'enregistreur d'actions dans le journal.
- Dans la fenêtre Journal, cliquez sur le menu triangulaire rouge dans le coin supérieur gauche et sélectionnez Action Recorder.
- Sélectionnez Lancement de la plateforme pour désélectionner cette option.
- Répétez l'opération pour désélectionner également l'instantané du rapport à la fermeture, de sorte que seules les opérations de table de données apparaissent sélectionnées, comme dans la figure 28.
Figure 28: Log window, showing the Action Recording options within the red triangle menu, with only Data Table Operations selected.Figure 28 : Fenêtre de journal, affichant les options d'enregistrement des actions dans le menu triangulaire rouge, avec uniquement les opérations du tableau de données sélectionnées.
- Cliquez à nouveau sur le menu triangulaire rouge dans la fenêtre Journal. Sélectionnez Enregistrer le script -> Dans la fenêtre de script.
- Dans la fenêtre de script, sélectionnez Fichier --> Enregistrer sous. Nommez le script Tablet Data Import et enregistrez-le dans un endroit pratique sur votre bureau.
Maintenant que nous avons enregistré le script, vous pouvez fermer la table de données JMP, y compris tous les rapports ouverts. Il nous reste notre tableau Excel d'origine, ainsi que toutes les instructions nécessaires pour l'importer dans JMP et le préparer pour l'analyse. Nous avons également soumis les instructions permettant à notre usine de commencer à fabriquer des produits en utilisant la nouvelle recette. Effacons le journal, puis faisons une pause en attendant que de nouvelles données soient disponibles.
- Dans le menu triangulaire rouge de la fenêtre Journal, sélectionnez Effacer le journal.
13) Ingénierie qualité et procédés
Imaginez qu'un certain temps s'est écoulé et qu'un certain nombre d'exécutions utilisant notre nouvelle recette de processus améliorée ont été réalisées. Ces nouvelles exécutions ont été ajoutées sous forme de nouvelles lignes dans le travail Excel ; cela a peut-être été fait automatiquement, ou il se peut que les lignes aient été ajoutées manuellement, puis le fichier réenregistré. Le nouveau processus est appelé B pour le différencier de l’ancien processus, appelé A.
- Enregistrez le fichier Tablet Data update.xlsx au même emplacement que le fichier Tablet Data.xlsx précédemment utilisé.
- Supprimez Tablet Data.xlsx.
- Renommez le nouveau fichier Tablet Data.xlsx.
- Ouvrez le fichier de script Tablet Data Import.jsl enregistré dans Article 12 et appuyez sur le bouton Exécuter (Figure 29).
Figure 29: Script window with the Run button near the top of the window circled in blue.Figure 29 : Fenêtre de script avec le bouton Exécuter en haut de la fenêtre entouré en bleu.
Notez que les modifications de formatage que nous avons apportées à notre table JMP d'origine ont été automatisées lors de l'importation de cette table, y compris le recodage des colonnes API-Particle Size et MgSt-Supplier, en changeant le type de modélisation de la taille de l'écran en ordinal, en utilisant une virgule comme symbole décimal. et convertir les colonnes concernées en valeurs numériques et ajouter la colonne Accepter/Rejeter à la fin. Notez également que 25 runs ont été ajoutés au tableau, correspondant à nos nouveaux runs, ainsi qu'une colonne indiquant la recette de chaque lot. En inspectant brièvement le tableau, il semble que le script d'importation et de formatage ait réussi à prendre en compte ces ajouts. C’est une bonne nouvelle car, à mesure que de nouvelles données deviennent disponibles, nous pourrons toujours nous appuyer sur ce script.
En faisant défiler vers le bas du tableau, les nouvelles analyses ont été indiquées dans la colonne Recette par B.Depuis la colonne Accepter/Rejeter (dernière, à l'extrême droite), nous pouvons voir que tous les nouveaux lots ont été classés comme Acceptés. Bien entendu, c’est aussi une excellente nouvelle. Vous avez peut-être remarqué que les points de consigne de la recette ne correspondent pas à ce qui est indiqué dans le tableau. Par exemple, le modèle a déterminé que le réglage optimal du temps de broyage était de 25,7 heures, mais les valeurs du tableau diffèrent quelque peu de ce réglage. En effet, le tableau contient les valeurs réelles mesurées lors de chaque lot, qui ne correspondent pas toujours exactement au point de consigne. Le resserrement de ces valeurs grâce à un meilleur contrôle des variables du procédé pourrait être une voie future d'amélioration de notre procédé.
En attendant, nous pouvons utiliser une carte de contrôle pour voir comment notre processus a changé après la mise en œuvre de la nouvelle recette. Nous pouvons également l'utiliser pour suivre et surveiller le processus et nous alerter de toute dérive progressive ou changement soudain nécessitant une intervention.
- Dans le menu Analyser, choisissez Qualité et processus --> Générateur de cartes de contrôle.
- Dans la fenêtre Control Chart Builder, faites défiler jusqu'à la colonne Dissolution dans le panneau des colonnes. Cliquez sur Dissolution et faites-le glisser vers la zone de dépôt Y.
- Faites glisser la colonne Recette vers la zone de dépôt Phase en haut de la carte de contrôle.
- Sélectionnez Terminé.
Nous avons maintenant deux graphiques de plage individuelle et mobile côte à côte, avec le graphique de la recette A à gauche de celui de la recette B, comme le montre la figure 30. La première chose que l'on remarque est que les points pour la Recette B sont plus élevés, correspondant à leurs valeurs de dissolution plus élevées. Les lignes vertes pleines au milieu des graphiques désignent les moyennes de chaque processus, tandis que les lignes rouges pleines au-dessus et en dessous de la moyenne représentent respectivement les limites de contrôle supérieure et inférieure. Leurs valeurs calculées sont fournies dans les résumés des limites de dissolution, juste à droite de la carte de contrôle.
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).Figure 30 : Graphique de plage individuelle et mobile pour les deux recettes, A (à gauche) et B (à droite), avec des résumés de limites fournissant les moyennes calculées (Avg) et les limites de contrôle inférieures/supérieures (LCL/UCL).
Il y a plus de variations dans les lots réalisés avec la recette B, la nouvelle, qu'avec l'ancienne, la recette A. Nous pouvons le constater car les points eux-mêmes sont répartis sur une gamme plus large de valeurs de dissolution. On remarque également que les lignes rouges sont plus espacées, indiquant un écart type plus important. Cependant, comme nous l'avons noté en regardant la colonne Accepter/Rejeter, tous les lots de recette B sont acceptables, ce qui est notre objectif principal. Une moyenne de 86,76 % est bien supérieure à 72,86 %, la moyenne de notre recette originale ; 86,76 % est également remarquablement proche de la valeur de 86,5 % prédite par notre modèle.
Malgré un écart type important conduisant à des limites de contrôle larges, il semble à première vue que notre procédé est stable. Cela dit, il se peut que la recette B ait une tendance à la hausse. Une option, disponible dans le menu Qualité et Processus, pourrait être de la surveiller à l'aide d'un graphique CUSUM afin de déterminer le plus tôt possible s'il s'agit d'une tendance réelle.
Un simple test de stabilité et une indication que quelque chose a pu changer serait que l’un des points dépasse les lignes rouges. Il existe également d'autres tests qui peuvent être activés pour servir d'alertes pour la surveillance des processus.
- Cliquez avec le bouton droit au milieu du graphique Plage individuelle et mobile.
- Sélectionnez Avertissements --> Tests --> Tous les tests.
Un avertissement apparaît dans A (survolez l’avertissement pour voir les détails), tandis qu’aucun n’apparaît dans B.Cependant, nous pouvons – et devons absolument – mettre à jour la carte de contrôle pour surveiller les changements à mesure que de nouvelles données deviennent disponibles et le faire régulièrement aussi longtemps que le produit est fabriqué dans notre usine.
- Dans le menu triangulaire rouge à côté de Control Chart Builder, sélectionnez Enregistrer le script --> Dans le Presse-papiers.
- Accédez au script Tablet Data Import et collez (clic droit -> Coller ou ctrl-v) après la dernière ligne du script.
- Enregistrez le fichier de script mis à jour -> Enregistrer.
Nous pouvons maintenant fermer la carte et la table de contrôle sans enregistrer. L'exécution du script réimportera la table et créera la carte de contrôle. Étant donné que le travail nécessaire à la mise à jour de l’analyse a désormais été réduit à une simple pression sur un bouton, il n’est pas difficile de répéter cette opération régulièrement et aussi souvent que nécessaire. Il peut même être automatisé grâce à l'utilisation du Planificateur de tâches sous Windows ou d'iCal sous Mac (ou de l'un des nombreux autres outils gratuits de planification automatisée). Mais que se passe-t-il si nos collègues chargés de surveiller le processus ne connaissent pas JMP ? Comment pouvons-nous les tenir informés en temps réel ?
14) Partager et communiquer les résultats
JMP Live est un outil permettant aux scientifiques et aux ingénieurs d'accéder aux rapports JMP via une connexion Web sécurisée sans avoir besoin d'utiliser JMP. Il est même possible de permettre l'envoi d'e-mails d'avertissement en cas de déclenchement d'une alarme process au sein d'une carte de contrôle. L'ensemble de la procédure d'importation des données, de reproduction de l'analyse, de publication du rapport sur JMP Live (une carte de contrôle, dans notre cas) et d'envoi d'avertissements par courrier électronique en cas de processus hors de contrôle peut être facilement automatisé pour des mises à jour périodiques. .
JMP Live, qui permet de télécharger des rapports confidentiels ou sensibles sur un serveur sécurisé et de les partager dans des cercles fermés, est un produit distinct au sein de la famille JMP. JMP Public est une version publique de JMP Live. Toute personne disposant d'un navigateur Web peut consulter les rapports (disponibles sur public.jmp.com), tandis que toute personne disposant de JMP 15 ou version ultérieure peut publier librement sur JMP Public.
Commençons par publier notre rapport sur JMP Live :
Remarque : Si vous n'avez pas accès à JMP Live, vous pouvez publier sur JMP Public. Alternativement, vous pouvez simplement lire les étapes et essayer de suivre plus tard. Si c'est la première fois que vous publiez sur JMP Live ou JMP Public, commencez par établir une connexion (Fichier --> Publier --> Gérer les connexions…). Les détails peuvent être trouvés dans ce billet de blog , ainsi qu'un tutoriel sur la publication automatique.
- Dans la fenêtre du rapport Control Chart Builder, sélectionnez Fichier --> Publier --> Publier sur JMP Live…
- Sélectionnez le rapport à publier et appuyez sur Suivant.
- Assurez-vous que la case Activer les avertissements est cochée, indiquant que des e-mails seront envoyés en cas d'avertissement de carte de contrôle activé (voir Figure 31).
- Sélectionnez le groupe (liste d'e-mails précédemment enregistrée) qui sera autorisé à accéder au rapport.
- Appuyez sur Publier.
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.Figure 31 : Nouvelle fenêtre de post-configuration de JMP Live, avec la case Activer les avertissements cochée, pour les e-mails d'avertissement de la carte de contrôle. Vers le bas, nous pouvons voir que l'accès au rapport sera limité au groupe Ingénierie.
Un message indiquant que le rapport a été publié avec succès s'affiche à la fin de ces étapes.
Remarque : Pour les besoins de ce blog, une réplique du rapport a été publiée dans JMP Public .
Maintenant que le rapport a été publié, il est simple de mettre à jour le rapport en ligne à mesure que de nouvelles données sont disponibles. Comme mentionné ci-dessus, des détails et des conseils utiles peuvent être trouvés ici . En bref, trois informations sont nécessaires :
- Le nom du rapport dans JMP.
- Le nom de la connexion JMP Live.
- L'identifiant de notre rapport publié dans JMP Live.
Le nom du rapport (dans notre cas, le rapport Control Chart Builder) est le nom qui a été utilisé pour référencer l'objet dans JSL. De retour Article 13 lorsque nous avons copié le script et l'avons collé dans notre fenêtre JSL, nous ne lui avons rien nommé. Revenons en arrière et faisons-le maintenant.
- Juste avant la fonction Control Chart Builder qui a servi à créer la carte de contrôle dans votre fenêtre de script JSL, mettez un signe égal et donnez-lui un nom unique (voir Figure 32).
Figure 32: JSL script window with the Control Chart Builder, now referenced by the name ccb.Figure 32 : Fenêtre de script JSL avec le Control Chart Builder, désormais référencé sous le nom ccb.
Ensuite, le nom de la connexion à JMP Live peut être trouvé à l'aide de la fonctionnalité Gérer les connexions… du menu Fichier --> Publier. Il est indiqué la première fois qu'une connexion à JMP Live est établie, comme détaillé dans le Astuces d'administration de JMP Live : Automatisation de la publication article de blog.
Enfin, l'identifiant du rapport est le code situé après la dernière barre oblique (/) dans l'adresse Web du rapport publié. Par exemple, dans le rapport vu dans JMP Public, cela correspond au code entouré en bleu dans la Figure 33.
Figure 33: JMP Public report with the report identifier code circled in blue.Figure 33 : Rapport JMP Public avec le code identifiant du rapport entouré en bleu.
Avec ces informations, il ne vous reste plus qu'à ajouter les quatre lignes de code suivantes à votre script :
liveconnection = Nouveau JMP Live( Connection( *JMP Live Connection Name* ) );
webreport = Nouveau rapport Web ();
webreport<
jmpliveresult=liveconnection<
Les lignes peuvent être copiées dans votre script exactement telles qu'elles apparaissent ci-dessus, les noms d'espaces réservés entourés d'astérisques (*) étant remplacés par leurs noms réels.
Remarques finales
À ce stade, le processus fonctionne conformément aux spécifications et une surveillance automatisée avec des alertes par courrier électronique a été mise en place. Nous sommes enfin prêts à passer au problème suivant, avec tous ses défis non résolus et ses questions sans réponse offrant de nouvelles opportunités pour améliorer les performances, accélérer le développement, réduire les coûts ou augmenter l'efficacité, peut-être tout à la fois. Pour y parvenir, nous devrons emprunter de nouvelles voies à travers le flux de travail analytique JMP, découvrant ainsi de nouvelles informations en cours de route.
Mais qu’en est-il du problème que nous venons de résoudre ? Pouvons-nous encore augmenter le rendement ? Existe-t-il un moyen de pousser la dissolution encore plus haut ? Que se passe-t-il si une machine tombe en panne ou si un fournisseur change, quel impact cela aura-t-il sur notre processus ? Comment devons-nous réagir lorsque les alertes par e-mail de la carte de contrôle que nous avons configurées via JMP Live sont déclenchées ?
La vraie valeur vient du fait de considérer JMP Analytic Workflow comme un guide tout au long d'un cycle continu d'amélioration, plutôt que comme un parcours à sens unique qui commence par un problème et se termine par une solution. Chaque cycle du cycle améliore progressivement les performances, conduisant à de meilleurs produits ou processus, renforçant ainsi notre activité.
Pour en savoir plus sur la façon dont JMP Analytic Workflow peut vous aider à relever vos défis, visitez notre site Web.
