756641_de-DE

liliconcom

Data-Mining-Tools und -Anwendungen in der Fertigung (2021-EU-30MP-770)

Yassir EL HOUSNI, F&E-Ingenieur/Datenwissenschaftler, Saint Gobain Research Provence
Mickael Boinet, Leiter der Gruppe Smart Manufacturing, Saint-Gobain Research Provence

Die Arbeit an Datenprojekten in verschiedenen Abteilungen wie F&E, Produktion, Qualität und Wartung erfordert einen schrittweisen Ansatz zur Erzielung von Fortschritten. Aus diesem Grund wurde ein Protokoll implementiert, das auf der Methodik „Knowledge Discovery in Databases“ (KDD) und der Six Sigma-Philosophie basiert. In diesem Dokument wird eine echte Fallstudie dieses Protokolls unter Verwendung von JMP als unterstützendes Tool vorgestellt. Die folgenden Schritte wurden verwendet: Datenvorverarbeitung, Datentransformation und Data Mining. Das Ziel dieser Fallstudie war es, den technischen Ertrag eines bestimmten Produkts durch statistische Analyse zu ermitteln. Aufgrund der Komplexität des Prozesses (multiphysikalische Phänomene: chemische, elektrische, thermische und zeitliche) wurde dieser Ansatz mit physikalischen Interpretationen kombiniert. In diesem Dokument wird die Datenaggregation (von mehr als 100 Sensoren) erläutert. Um den Ertrag zu erklären, wurde Entscheidungsbaumlernen als prädiktiver Modellierungsansatz verwendet. Entscheidungsbaumlernen ist eine Methode, die häufig im Data Mining verwendet wird. Das Ziel besteht darin, ein Modell zu erstellen, das den Wert einer Zielvariablen basierend auf mehreren Eingabevariablen vorhersagt. In unserem Fall wurde ein Modell basierend auf drei Eingabevariablen verwendet, um den Ertrag vorherzusagen.

Automatisch generiertes Transkript ...

Lautsprecher	Transkript
YASSIR EL HOUSNI	Hallo.
	Ich bin Yassir El Housni, F&E-Ingenieur und Datenwissenschaftler im Smart Manufacturing-Team von Saint-Gobain Research Provence.
	in Cavaillon, Frankreich.
	Wir arbeiten für Geschäftseinheiten im Bereich keramische Materialien. In diesem Beitrag haben wir zwei Punkte. Im ersten werden wir den Lebenszyklus von Datenprojekten vorstellen, den wir für Datenprojekte von Herstellern vorschlagen.
	Und im zweiten machen wir weiter
	um zwei Anwendungsfälle von Saint-Gobain-Materialien vorzustellen … Keramikwerkstoffindustrie.
	Die abteilungsübergreifende Arbeit an Datenprojekten, beispielsweise in Forschung und Entwicklung, Produktion, Qualität und Wartung, erfordert ein schrittweises Vorgehen, um Fortschritte zu erzielen.
	Wissensentdeckung in der Datenbankmethodik und die Six-Sigma-Philosophie, auch bekannt als DMAIC zum Definieren, Messen, Analysieren, Verbessern und Kontrollieren.
	Wir definieren in dieser Endlosschleife sieben Schritte, die zu befolgen sind, um ein Datenanalyseprojekt richtig zu verwalten. Bei allen Schritten stellen wir sicher, dass wir den Prozess gut verstehen, weil wir glauben, dass dies ein relevanter Schlüssel für erfolgreiche Datenprojekte in einer industriellen Welt ist.
	Um beispielsweise Abweichungen im Prozess zu erkennen, verwenden wir das SIPOC- oder Flussdiagramm, und um die Ursachen von Abweichungen zu erkennen, nutzen wir unsere Toolbox zur Problemlösung, die ein ???- oder Ishikawa-Diagramm enthält.
	Dann stellt Infinity Loop auch einen anderen Weg dar, um eine kontinuierliche Verbesserung zu erreichen. Im Folgenden werden wir den Ansatz Schritt für Schritt detailliert beschreiben.
	Beginnen wir mit der Definition der Projekte. Vor dem Start von Datenprojekten müssen drei Elemente klar definiert werden.
	Wir schlagen hier einige Fragen vor, die wir als sehr nützlich erachten, um die Elemente des Handels klar zu definieren. Zunächst einmal muss das Geschäft definiert werden.
	Die Ziele von Datenprojekten in der Fertigung bestehen häufig darin, einen Prozess zu optimieren, den Ertrag zu maximieren, die Qualität eines bestimmten Produkts zu verbessern oder den Energieverbrauch zu senken.
	Bei der Definition der Geschäftsmöglichkeit sollten wir wissen, was verwendet wird, d. h., ob das Ziel lediglich eine Visualisierung oder Analyse erfordert.
	Und danach sollte die Auswirkung einen quantifizierbaren Nutzen für unser Unternehmen bringen.
	Zweitens die Datenverfügbarkeit und die Nutzbarkeit. Dabei führen wir eine diagonale Analyse der Datenqualität durch. Dies ist in diesem Schritt sehr wichtig, um die Durchführbarkeit des Datenprojekts zu bestimmen. Und daher die Teamzusammenstellung,
	eine Person aus dem Datenteam, eine Person aus dem Geschäftsbereichsteam und eine Person aus den Werken, ein Prozessingenieur mit Six Sigma Green- oder Black Belts.
	Fahren wir mit dem zweiten Schritt fort.
	Datenaufbereitung.
	Die Transformation, Integration und Bereinigung ist ein wichtiger Schritt, der in Datenprojekten viel Zeit in Anspruch nimmt. Wir haben hier beispielsweise verschiedene Datenquellen und müssen diese zentralisieren.
	in einer Tabelle. Hauptsächlich verwenden wir X für Eingaben und Y für Ausgaben. In diesem Setup verwenden wir verschiedene Tools in JMP, wie z. B. die Verarbeitung fehlender Werte, die ??? von konstanten Variablen und natürlich die JMP-Datentabellentools, die die richtige SQL-Anfrage sicherstellen, um Tabellen korrekt zu transformieren.
	Im dritten Schritt geht es darum, Daten mit dynamischer Visualisierung zu untersuchen. Mit JMP haben wir eine große Auswahl an Visualisierungsmöglichkeiten. Sie können beispielsweise die Verteilung einer Variable darstellen und die Belastung(?) schätzen, der sie folgt.
	Erkennen Sie die Ausreißer mit dem Boxplot-Diagramm,
	nichtlineare Regression zwischen zwei Variablen,
	Kontur oder Dichtekartierung, um den Hauptkonzentrationsort jeder Population zu bestimmen, und wir haben eine große Auswahl, um ihn darzustellen.
	???, wir verwenden sie normalerweise bei unserer Arbeit und finden sie sehr nützlich.
	Der vierte Schritt besteht in der Entwicklung des Modells und hängt von der Art der Analyse ab, die wir benötigen.
	Es ist zu...
	Das Ziel ist zu erklären oder vorherzusagen. Beim ersten geht es um Verbindungen zwischen Variablen und dient dazu, Muster in Daten zu erklären. Beim zweiten geht es um Formeln und dient dazu, Muster in Daten vorherzusagen.
	Im Allgemeinen teilen wir unsere Datensätze in drei Blöcke auf: 70 % für das Training, 20 % für das Testen und 10 % für die Validierung. Und manchmal, wenn wir nur eine kleine Datenmenge haben, verwenden wir 70 % für das Training und 30 % für die Validierung. Wenn das Modell gut ist, fordern wir einen neuen Datensatz an, um die Entscheidungsfindung voranzutreiben.
	Wir müssen uns mit überwachtem und unüberwachtem Lernen befassen. Heute verwenden wir bei Saint-Gobain die normale Version von JMP.
	Und wir haben Zugriff auf überwachte Lerntools wie lineare Regression, Entscheidungsbäume und neuronale Netzwerke. Wir arbeiten heute viel mit Entscheidungsbäumen, weil sie uns relevante Ergebnisse liefern, die uns helfen, eine Herausforderung in der Keramikmaterialindustrie zu lösen.
	Im fünften Schritt geht es darum, die optimale Lösung zu finden. Manchmal ist es nur eine Lösung, in anderen Fällen ist es jedoch eine Kombination aus vielen Modellen. Und um sicherzustellen, dass alles sinnvoll ist, haben wir einige Einschränkungen hinzugefügt, beispielsweise den Mittelwert und den Bewertungsschritt jeder Variablen.
	Das JMP-Profil bietet uns umfassende Möglichkeiten zur schnellen Optimierung von Lösungen.
	Von nun an erfolgt der nächste Schritt durch die Unterstützung unseres Prozessingenieurs mit Six Sigma Green oder Black Belt in die Anlage.
	Im sechsten Schritt geht es darum, die beste Lösung in den Anlagen zu implementieren und dabei nur ein repräsentatives Modell zu verwenden. Wir implementieren beispielsweise die Kontrollkarten der Ausgabe Y1 und analysieren die verschiedenen Variationen.
	Im siebten Schritt überwachen wir die Modellwirksamkeit und visualisieren den globalen Gewinn der Arbeit an unserem Datenprojekt. In den Kreisdiagrammen sehen wir beispielsweise die radiale Auswirkung auf den globalen Ertrag.
	Und nicht zuletzt die Vorbereitung des ersten Schritts für ein neues Datenprojekt, um die Kontinuität, die kontinuierliche Verbesserung und die Kontinuität der Endlosschleife sicherzustellen.
	Das war alles zum Lebenszyklus von Datenprojekten. Jetzt werden wir zwei echte Fallstudien des Protokolls mit JMP vorstellen.
	In den beiden Beispielen haben wir dieselbe Prozesstechnologie untersucht. Es geht um einen Lichtbogenofen, aber für beide haben wir unterschiedliche Produkte und unterschiedliche Ziele.
	Bei dieser Technologie haben wir es mit komplexen multiphysikalischen Phänomenen wie elektrischen, thermischen, chemischen, zeitlichen und anderen physikalischen Effekten zu tun.
	Hier haben wir beispielsweise über 100 Prozessvariablen, die von unterschiedlichen Arten von Sensoren stammen.
	Der geschäftliche Bedarf
	war, die Gesamtausbeute eines bestimmten Produkts, JO7, zu erklären.
	Darin erkennen wir zahlreiche Arten von Defekten, die Defekte Nr. 1, Nr. 2 bis Nr. N.
	Und um die Datensätze richtig vorzubereiten, haben wir Pareto verwendet,
	Ausreißerverarbeitung mit Mahalanobis-Distanz und Neukodierung der richtigen Attribute um die Art der Fehler zu korrigieren, sowie Verarbeitung fehlender Werte.
	In Schritt drei, in „Explorieren“, präsentieren wir hier nur ein Beispiel für die Korrelation, die wir zwischen Eingaben untersuchen, um die Anzahl der Variationen zu reduzieren
	nach der Arbeit mit Modellen.
	Als Ergebnis haben wir unseren Entscheidungsbaum mit nur drei Variablen gefunden und hier war das Ziel zu erklären, warum der Ertrag nicht
	im Max.
	Und wir haben eine
	Entscheidungsbaum mit nur drei Variablen unter 100. Für das Modell verwenden wir hier also 70 % der Daten für das Training, da wir keine großen Datenmengen haben, und 30 % für die Validierung, und wir erzielen gute Ergebnisse mit wichtiger Quadratwurzel.
	Wie Sie sehen, sind es mehr als 70 %.
	Die Botschaft, die wir dem Werk übermittelt haben, ist, dass nur mit der spezifischen Einstellung von
	X1, X2 und X3 können wir erklären,
	Gesamtertrag, und wenn wir Y, den Prozentsatz dieses Ertrags, maximieren müssen, müssen wir eine spezielle Einstellung nur für X1 und X3 vornehmen.
	Und die globale Rendite dürfte sich rasch entwickeln. Darum geht es hier... um die Punkteansammlung.
	Und für jeden
	Projekt vermitteln wir auch das physikalische Verständnis jedes Parameters
	zur Anlage.
	Für das zweite Beispiel mit der gleichen Technologie, aber für ein anderes Produkt, haben wir hier nur 80 Prozessvariablen und das Ziel bestand darin, die Anzahl der Teile ohne Defekt, D1, zu entwickeln.
	Es geht darum, die Qualität zu erklären
	unserer spezifischen Produkte, daher verwenden wir für unsere Schritte dieselbe Methodik. Hier haben wir beispielsweise dieselbe Korrelation zwischen Eingaben untersucht, um die Anzahl der Variablen zu reduzieren, die wir in das Modell einfügen.
	Und als Ergebnis verwenden wir auch einen Entscheidungsbaum, aber hier haben wir 12 Variablen gefunden, die diesen globalen Ertrag erklären
	im Guten
	Ergebnisse. Wie Sie sehen, betrug das R-Quadrat 84 %, der RMSE 3 % und die Anzahl der Größen 287. Dafür haben wir die Methode der Kreuzvalidierung verwendet
	weil wir einen sehr kleinen Tisch haben.
	Der erste Parameter war also sehr wichtig, wie Sie sehen, trägt er 50 % bei.
	Und es war schwierig, das den Pflanzen mit den 12 Variablen zu erklären. Wenn wir also nur die erste Variable darstellen, sehen wir visuell, dass wir nur mit der Variablen X1 einen Schwellenwert definieren können, und damit sollte sich der Gesamtertrag schnell entwickeln.
	Danke schön.