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