| Conférencier |
Transcription |
| Isaac Himanga |
Bonjour, bonjour. |
| Janice LeBeau, JMP |
Salut Isaac, comment vas-tu ? |
| Isaac Himanga |
ça va bien, comment vas-tu ? |
| Janice LeBeau, JMP |
Très bien, merci, je suis Dan, je vais faire votre présentation aujourd'hui pour vous. |
| Isaac Himanga |
Vraiment fantastique. |
| Janice LeBeau, JMP |
Et je ne peux pas te voir Isaac. |
| Isaac Himanga |
ouais, je suis désolé pour ça, je suis en train de l'installer ici. |
| Janice LeBeau, JMP |
Ok, et juste pour vous faire savoir que nous enregistrons en ce moment. |
| |
C'est vraiment cool, j'ai l'impression que nous nous sommes déjà rencontrés. |
| Isaac Himanga |
Nous pourrions avoir l'un ou l'autre, j'en suis sûr, l'un des sommets s'il y en avait un. |
| Janice LeBeau, JMP |
Ok, très bien, comment vas-tu aujourd'hui ? |
| Isaac Himanga |
ça va bien, comment vas-tu ? |
| Janice LeBeau, JMP |
Bien bien, j'adore ton arrière-plan, c'est une belle couleur que tu as choisie, c'est sûr. |
| Isaac Himanga |
Merci. |
| |
Bien. |
| Janice LeBeau, JMP |
Je vais juste passer en revue quelques points et je dois simplement les reconfirmer avec vous. |
| |
Le nom de votre présentateur, votre entreprise et le titre de votre résumé. |
| |
D'accord, avez-vous des co-présentateurs, d'accord, et vous êtes d'accord pour que nous enregistrions ceci et le publiions dans les archives du sommet Discovery Discovery. |
| Isaac Himanga |
Absolument, et je suppose que j'allais publier le morceau Play In Record de mon côté sur mon site également, juste au cas où quelque chose se produirait, nous en aurons donc une copie et cela vous convient parfaitement. |
| Janice LeBeau, JMP |
euh, je ne sais pas si cela affectera la qualité de quoi que ce soit ou. |
| Isaac Himanga |
Je ne devrais pas le faire assez souvent. |
| Janice LeBeau, JMP |
Ok, je vais vous laisser prendre les devants, votre arrière-plan a l'air bon, votre microphone sonne bien, ok, je voulais juste reconfirmer que les notifications de votre téléphone portable et de votre ordinateur sont désactivées. |
| Isaac Himanga |
ça devrait l'être mais je vais vérifier à nouveau juste parce que quand. |
| Janice LeBeau, JMP |
J'appelle aussi votre œuvre d'art. |
| |
Et puis. |
| |
Énergie de huit et 1920 d'ici 10 jours, avez-vous des animaux de compagnie en arrière-plan. |
| Isaac Himanga |
Donc. |
| Janice LeBeau, JMP |
Il pourrait faire du bruit, comme le fera probablement mon chat, alors je l'ai référé. |
| Isaac Himanga |
Eh bien, en théorie, je suis le seul à la maison aujourd'hui, donc. |
| Janice LeBeau, JMP |
Avez-vous fermé Skype ou toute autre application qui fait du bruit. |
| Isaac Himanga |
En accédant à mon tour, celui-ci s'éteint à droite, oui. |
| |
D'accord. |
| Isaac Himanga |
ouais, donc je pense que la seule chose qui devrait être allumée pendant que toi et moi allons en fait baisser ton volume quand nous commencerons ici, juste au cas où quelque chose se passerait, je pourrai te voir mais ce sera juste silencieux de cette façon si quelque chose d'autre fait du bruit oh. |
| Janice LeBeau, JMP |
Eh bien, ce que je vais faire, c'est. |
| |
Je vais juste vous donner quelques conseils supplémentaires ici. Je vais me couper le son et masquer ma vidéo, vous pouvez partager votre écran pour votre présentation. |
| |
Et, avant de me couper le son, je vais faire mon 54321, puis vous donner quelques secondes, et ensuite vous pourrez aller de l'avant et vous présenter. |
| |
et commencez à enregistrer, vous pouvez commencer votre présentation et ensuite, lorsque vous me dites simplement que cela conclut la présentation d'aujourd'hui, j'espère que vous l'avez appréciée, quoi que vous vouliez dire, puis j'arrêterai d'enregistrer pour vous, d'accord. |
| |
Bien et si on est dedans, au tout début et que tu n'es pas content, tu sais qu'on peut arrêter et recommencer donc je suis totalement d'accord avec tout ça. |
| Isaac Himanga |
D'accord, maintenant j'espère que ce ne sera pas un problème de savoir à quelle distance de 35 minutes vous le souhaitez, quand je m'entraînais, je voulais dire qu'il était déchiré entre 34 et 36, c'est ça que vous voulez le lire 35 ou. |
| Janice LeBeau, JMP |
Tu sais que c'est bien, je veux dire, fais juste ce que tu as à faire. Je connais une personne avec qui nous étions à 20 minutes, une si on vous disait ce que ça dure entre 30 et 40 minutes. |
| Isaac Himanga |
ouais quelque part, je me souviens de 35, ils ont peut-être donné une fourchette là. |
| Janice LeBeau, JMP |
c'est cool, ne t'inquiète pas. |
| Isaac Himanga |
Ok, bonne affaire parfaite. |
| Janice LeBeau, JMP |
Ok, donc nous enregistrons dans le cloud. |
| |
On peut le voir. |
| |
Oh, ça a l'air très bon, ça a l'air délicieux. |
| Isaac Himanga |
parfait. |
| Janice LeBeau, JMP |
Alors oui. |
| |
Alors, êtes-vous prêt pour ma vidéo ? |
| Isaac Himanga |
De quoi parlons-nous, voyons donc si vous n'avez pas de minuterie, les caméras vont régler une minuterie sur mon là-haut, donc je pourrais en faire 30. |
| Janice LeBeau, JMP |
Je veux dire, fais ce que tu veux, parce que ça va commencer. |
| |
Je veux dire, honnêtement, si vous pensez que c'est 35 et que vous allez jusqu'à 32, c'est bien, si vous allez un peu au-dessus, c'est bien. |
| |
D'accord. |
| Isaac Himanga |
Alors j'ai tout ici. |
| |
D'accord. |
| Janice LeBeau, JMP |
Ok, bien, alors tu te sens bien parce que je vais le faire. |
| |
Je vais faire le 54321 et me couper le son. |
| |
Et voyons, tu es figé, voilà. Ok, alors tu es prêt. |
| Isaac Himanga |
D'accord. |
| Janice LeBeau, JMP |
Je pense, vers 4321. |
| Isaac Himanga |
Je m'appelle Isaac Himanga et je vais vous présenter un flux de travail que j'utilise chez ADM pour optimiser les processus de fabrication à l'aide de modèles multivariés. |
| |
Je commencerai par extraire des données et construire un modèle, trouver des conditions optimales réalistes, identifier les conditions anormales et enfin noter le modèle à l'aide des données actuelles. |
| |
Il existe de nombreuses autres informations sur les plates-formes individuelles ici, donc au lieu de discuter des détails de chaque étape, je ne soulignerai que quelques fonctionnalités couramment utilisées et j'essaierai plutôt de montrer l'ensemble du flux de travail. |
| |
Je dirai que la plupart des analyses avec la quantité de détails que celle-ci contient prennent un peu plus de 45 minutes. |
| |
Alors, rendez-vous sur l'article de cette conférence dans la communauté JMP pour plus de détails et d'informations, y compris un journal avec des captures d'écran des étapes que je vais parcourir assez rapidement ici. |
| |
Je commencerai par un bref aperçu d'ADM et du flux de travail général. |
| |
Je vais ensuite mettre cette présentation de côté pour vous montrer le processus dans JMP. Vous verrez comment récupérer et nettoyer des données, utiliser le profileur pour déterminer plusieurs conditions, |
| |
utilisez la plate-forme de graphique de contrôle multivarié pilotée par modèle, écrivez un script pour évaluer les nouvelles données par rapport à ce modèle, et enfin, je reviendrai à cette présentation pour donner brièvement une méthode pour évaluer en continu ce modèle à l'aide de JMP. |
| |
Tout d’abord, quelques mots sur ADM. |
| |
L’objectif d’ADM est de libérer le pouvoir de la nature pour enrichir la qualité de vie. |
| |
Nous transformons les produits naturels en une gamme complète d'ingrédients et d'arômes pour les aliments et les boissons, les suppléments, la nutrition pour les animaux de compagnie et le bétail, |
| |
et bien plus encore. Grâce à un éventail de capacités inégalées dans tous les domaines de la chaîne alimentaire mondiale, nous offrons à nos clients un avantage concurrentiel pour relever les défis mondiaux d'aujourd'hui et de demain. |
| |
L’une de ces capacités consiste à utiliser l’analyse des données pour améliorer nos processus de fabrication, y compris la méthode dont je suis sur le point de parler. |
| |
Je fais partie du centre d’excellence relativement nouveau en matière d’amélioration ciblée et d’analyse. |
| |
Et notre équipe en pleine croissance investit dans des techniques, comme celle-ci, pour aider nos 800 installations, 300 sites de transformation de produits alimentaires et d'aliments pour animaux et le reste de notre entreprise dans le monde à prendre de meilleures décisions en utilisant nos données. |
| |
Maintenant, un aperçu du flux de travail. |
| |
Les quatre étapes que je vais passer en revue aujourd'hui ne représentent qu'une partie de l'analyse complète. Pour gagner du temps, je vais omettre certains éléments que je considère comme essentiels pour chaque ensemble de données. |
| |
comme la visualisation des données, l'utilisation de la validation, la réduction des variables, la corroboration des résultats avec d'autres modèles et l'alignement des données de laboratoire et de processus. |
| |
obtenir des données, créer un modèle, évaluer ce modèle à la demande dans JMP, puis évaluer le modèle en continu. |
| |
JMP dispose d'outils pour prendre en charge chaque étape, notamment un ensemble de connexions à des bases de données, des outils de modélisation multivariée, tels que les moindres carrés partiels, les composants principaux et la plate-forme de graphiques de contrôle multivariés pilotés par modèle, et bien sûr, le langage de script JMP ou JSL. |
| |
Commençons par récupérer les données. Malgré les nombreuses connexions aux bases de données et options de script disponibles, nous avions besoin d'un moyen rapide d'extraire les données de notre historien de processus. |
| |
Un produit populaire appelé PI, sans écriture de requêtes ni navigation dans les structures de tables. Un module complémentaire personnalisé était la solution pour la plupart des ensembles de données. Ce module complémentaire était relativement… a récemment été publié sur la communauté JMP. |
| |
Deux autres modules complémentaires facilitent ce processus. L'un d'eux, appelé outils de script, inclut une option permettant de recréer rapidement les colonnes calculées par le script. |
| |
Associé à la fonctionnalité de sauvegarde intégrée à la plupart des plateformes JMP, les analyses peuvent être recréées rapidement et notées à la demande par un utilisateur JMP. |
| |
Le dernier module complémentaire, appelé moteur de modèle JMP, est également le plus récent. Il utilise un fichier de configuration et les informations enregistrées dans la table de données depuis le module complémentaire de PItool pour obtenir les données. |
| |
Cela effectue des calculs à l'aide de formules de colonnes ou de tout autre script JSL, puis écrit les résultats à l'historien. |
| |
Et pour des raisons de temps, je vais passer très rapidement à cette dernière étape, mais encore une fois, je vous encourage à rechercher plus de détails sur la communauté JMP en utilisant le lien sur le |
| |
diapositive de l'ordre du jour de cette présentation. |
| |
Chacun de ces modules complémentaires a été remanié pour supprimer les informations sensibles, mais nous redirigeons les utilisateurs vers le même code que celui publié sur la communauté. Si vous avez des idées pour les améliorer, n'hésitez pas à collaborer avec nous sur la communauté JMP… ou sur GitHub. |
| |
Avec cela, ouvrons JMP. |
| |
En coulisses, l'ADM… ou le module complémentaire JMP PItool utilise différents produits PI pour extraire les données, notamment SQL DAS, OLEDB et ODBC. Les instructions de configuration sont disponibles dans le menu d'aide de cette plateforme. |
| |
Aujourd'hui, nous allons extraire des données pour un ensemble de PItags à partir du 1er mai, à partir de midi, puis nous allons extraire une autre valeur chaque jour à midi jusqu'à aujourd'hui. |
| |
Nous allons faire cela pour un certain ensemble de balises, celles-ci sont répertoriées ici dans ce... |
| |
dans cette boîte. Notez que nous avons inclus ce qu'on appelle une balise conviviale, ou un nom plus descriptif que celui de l'historiste PI, qui nous aidera à identifier ces colonnes ultérieurement dans le tableau de données. Il y a tous ces petits points d'interrogation autour de |
| |
...autour du module complémentaire donnant plus d'informations, y compris une description de ce format de balise convivial que nous allons utiliser aujourd'hui. |
| |
Lorsque je clique sur « Exécuter la requête », une table de données semblable à celle-ci s'ouvre. Elle contient un ensemble de colonnes pour toutes les valeurs numériques de cette table. |
| |
Il possède un ensemble de colonnes pour chaque valeur de chaîne ; si des caractères sont stockés dans le PItag, il les récupère. Nous pouvons également consulter l'état de ce PItag. |
| |
pour chaque ligne. |
| |
Également dans les propriétés de colonne de cette table de données, si nous ouvrons les informations de la colonne, nous allons voir les informations qui ont été utilisées pour extraire ce point de données, y compris le PItag, |
| |
le type d'appel et l'intervalle. Pour les requêtes plus complexes, comme une moyenne ou un maximum, nous verrons plus d'informations ici. |
| |
Je tiens à souligner qu'il s'agit de données réelles qui ont été redimensionnées et que les noms des colonnes ont été modifiés, mais l'analyse que nous allons voir aujourd'hui devrait ressembler beaucoup à une analyse réelle utilisant des données réelles provenant de l'une de nos installations. |
| |
Enfin, je soulignerai qu'il existe un script ici enregistré dans la table de données appelé source de données PI, qui est le même script qui est réellement affiché dans le complément. |
| |
et il contient le code SQL également disponible ici. Là encore, en coulisses, il utilise |
| |
SQL DAS ou PI DAS pour obtenir ces informations de PI, et voici tous les scripts qu'il exécutera pour obtenir ces données. Nous y reviendrons vers la fin de la présentation. |
| |
Maintenant que nous avons les données, il faut les nettoyer. Pour cela, nous allons utiliser des outils multivariés, notamment l'analyse en composantes principales. Je vais extraire toutes les valeurs numériques de ce tableau et les placer dans la liste des colonnes Y, puis |
| |
On peut immédiatement observer certaines valeurs dont les scores pour la composante 1 sont particulièrement faibles. Si l'on examine les charges pour ces valeurs, |
| |
différents facteurs, nous pouvons voir que le composant un comprend des charges élevées pour tous les différents flux dans cet ensemble de données. |
| |
Cela m'indique que toutes ces valeurs à gauche présentent des débits élevés pour l'ensemble du système. Grâce à mes connaissances en ingénierie, je peux affirmer que cela représente un temps d'arrêt pour ce processus. Je vais donc masquer et exclure toutes ces valeurs. |
| |
Maintenant que nous avons fait cela, nous allons recalculer l'analyse des composantes principales, nous allons donc utiliser « refaire » et refaire l'analyse, puis fermer l'ancienne. |
| |
Et maintenant, nous pouvons constater que les charges sont peut-être un peu plus significatives. La composante principale trois, par exemple, explique la majeure partie de la variation du flux 2, et il y a une légère séparation ici. |
| |
Les trois premiers composants expliquent la majorité de la variation, je vais donc utiliser ces trois composants lorsque je rechercherai d'autres valeurs aberrantes dans cet ensemble de données. |
| |
Pour ce faire, j'ouvrirai l'analyse des valeurs aberrantes et je modifierai le nombre de composants à trois. |
| |
Et puis nous pouvons voir à la fois le graphique T au carré, et je peux également ouvrir le graphique DModX normalisé |
| |
pour voir les points qui ont soit des valeurs extrêmes pour un ou plusieurs scores, soit des points qui ont un seul |
| |
colonne ou une cellule unique qui a une valeur inattendue ou en dehors de la plage attendue, en fonction de toutes les autres colonnes de cet ensemble de données pour ce rôle particulier. |
| |
Pour l'instant, nous allons simplement nettoyer rapidement cet ensemble de données en excluant toutes les valeurs T au carré et DModX qui sont supérieures à la limite de contrôle supérieure. |
| |
Une autre chose qui est couramment effectuée lors du nettoyage d'un ensemble de données est la transformation des colonnes, et je souhaite montrer une fonctionnalité du module complémentaire de l'outil de script qui permet |
| |
c'est un peu même essayer de l'appliquer et |
| |
Passer au menu des nouvelles colonnes de formules. Si je sélectionne trois colonnes ou un nombre quelconque de colonnes et que j'accède à l'option de transformation personnalisée, également intégrée à ce module complémentaire d'outils de script, |
| |
Je peux sélectionner une transformation Savitzkey-Golay et cliquer sur OK, et cela ajoutera trois colonnes à la fin du tableau de données avec une formule contenant cette transformation. |
| |
Je tiens à préciser que le nettoyage que nous avons effectué aurait pu être effectué directement et dans PLS. J'utilise cependant souvent un PCA au préalable. |
| |
Ok, maintenant que nous avons nettoyé notre ensemble de données, nous devons réellement créer un modèle |
| |
Pour essayer de prédire les conditions de notre processus. Autre remarque rapide concernant cet ensemble de données : nous avons une cible de flux ici. |
| |
Aujourd'hui, notre objectif sera de créer une certaine quantité de ce flux cible en utilisant le moins possible du flux un et en prenant également en compte certains... |
| |
En tenant compte de certaines contraintes sur ces paramètres de qualité. Comme le flux 1 nous intéresse principalement, je vais passer à un modèle des moindres carrés partiels et utiliser ce flux… le flux cible dans l'axe Y et toutes les autres variables comme facteurs X. |
| |
Je vais simplement accepter toutes les valeurs par défaut pour l'instant et je vais aller un peu plus loin et utiliser immédiatement quatre facteurs. |
| |
Quand j'ouvre ces quatre facteurs, |
| |
nous verrons que les deux premiers |
| |
représentent le |
| |
Variables que l'usine modifie habituellement dans les commandes… afin d'ajuster la vitesse d'exécution du processus. Ainsi, si elle doit augmenter ou diminuer le débit cible, elle modifie souvent le facteur un pour atteindre ce débit. |
| |
Le facteur 2, en revanche, concerne principalement ces paramètres de qualité, qui sont en fait des paramètres de qualité d'entrée sur lesquels nous n'avons aucun contrôle. |
| |
Ce n'est donc pas quelque chose que nous pouvons changer. Même si les facteurs trois et quatre expliquent relativement peu de variations de |
| |
notre flux cible et ils expliquent des quantités relativement faibles de la variation de notre facteur un, ce sont ceux sur lesquels nous avons réellement le contrôle et donc ce sont ceux que nous allons pouvoir utiliser pour optimiser notre processus. |
| |
Afin d'utiliser cela... nous avons donc construit un modèle qui explique la variation de nos données. |
| |
Afin d'utiliser ces informations, nous devons enregistrer certaines de ces colonnes ou enregistrer les prédictions de celles-ci dans de nouvelles colonnes de notre ensemble de données. |
| |
que nous allons utiliser dans le profileur de prédiction dans quelques minutes. |
| |
Nous utiliserons quelques nouvelles fonctionnalités ajoutées dans JMP 16, permettant d'enregistrer les prédictions, pour les variables Y et X, sous forme de formules de score X. L'ouverture du profileur illustrera, je pense, l'importance de cette fonctionnalité. |
| |
Nous avons donc enregistré les trois prédictions, les prédictions X et les carrés T, dans notre tableau de données. Celles-ci devraient apparaître dans de nouvelles colonnes en bas, en fonction de ces scores X. |
| |
Nous pouvons également jeter un œil rapide aux tracés de distance et de T au carré dans la plate-forme PLS, et nous voyons que même s'il existe quelques variables qui ont des DModX ou des T au carré assez élevés, il n'y a rien de trop extrême. |
| |
Ces scores sont souvent, ou toujours, enregistrés avec des noms de variables, ce qui peut prêter à confusion à mesure que vous enregistrez de plus en plus de données ou que vous effectuez plusieurs itérations du modèle. Les outils de script contiennent donc une autre fonction, appelée « renommer les colonnes ». |
| |
qui vous permettra de sélectionner un exemple de requête pour PLS. Le modèle d'expression régulière utilisé ici est assez complexe. |
| |
mais notez qu'il génère un ensemble standard de noms qui vont se ressembler pour PLS, PCA et d'autres plates-formes dans la table de données. |
| |
Donc dans ce cas, je vais en fait copier un préfixe spécifique, que nous mettrons avant toutes ces colonnes indiquant qu'il s'agit du modèle que nous allons mettre en ligne pour notre contrôle qualité et qu'il s'agit de la première révision de ce modèle. |
| |
Lorsque je change les noms, nous pouvons voir que le nom de toutes ces colonnes dans l'ensemble de données est automatiquement modifié. |
| |
Nous avons donc construit un modèle expliquant la variation de |
| |
Ces colonnes, mais nous n'avons pas encore atteint notre objectif initial : trouver comment produire une certaine quantité de flux… de notre flux cible en utilisant le moins possible de flux 1. Pour ce faire, nous allons utiliser le profileur. Remarquez qu'à l'ouverture du profileur, |
| |
nous pouvons ajouter toutes ces valeurs prédites, donc pas les scores X eux-mêmes, mais les valeurs prédites et le T au carré, à cette section de formule de prédiction. |
| |
Et puis, quand il s'ouvre, nous verrons sur l'axe des X, tous nos scores dans le modèle ou nos variables latentes. |
| |
Et nous pouvons voir que lorsque nous déplaçons l'un de ces scores, cela va automatiquement déplacer toutes ces variables observées ensemble |
| |
au rapport des charges de chacun de ces composants. Il est donc important d'observer ces flux trois et quatre : ils évoluent toujours ensemble. Quel que soit le score que nous évoluons, |
| |
Ce modèle comprend que ces deux scores sont liés. L'un peut être un débitmètre sur lequel ils ont un contrôle, et l'autre peut être un débitmètre. |
| |
il y a un deuxième débitmètre sur cette même ligne, mais quoi qu'il en soit, il ne semble pas que l'usine soit capable d'en déplacer un sans déplacer l'autre dans la même direction. |
| |
L’objectif est donc de trouver des valeurs pour chacun de ces scores qui vont optimiser notre processus. |
| |
Avant de procéder, nous devons indiquer à JMP ce que nous cherchons à optimiser. Nous devons préciser que nous cherchons à atteindre un certain débit et certains paramètres de qualité. |
| |
Commençons par lui indiquer que les valeurs de la plupart de ces colonnes ne nous intéressent pas. Nous sélectionnons donc toutes les colonnes enregistrées. |
| |
nous allons standardiser les attributs et nous allons ajouter une limite de réponse nulle pour toutes ces différentes colonnes. |
| |
Nous reviendrons ensuite sur cette limite de réponse et l'ajusterons. Elle peut être plus descriptive pour les colonnes qui nous intéressent. Par exemple, la cible de flux reviendra à la limite de réponse et nous indiquerons que nous souhaitons correspondre à une valeur de 140 pour cette colonne. |
| |
De même pour la qualité 1, nous voulons atteindre la valeur de |
| |
20.15. |
| |
Pour le flux, nous voulons minimiser cette valeur. |
| |
Et enfin, nous devons nous assurer que la solution à laquelle nous parviendrons sera proche de la plage de fonctionnement normale du système, nous ne voulons donc pas extrapoler en dehors de la zone où nous avons construit ce PLS. |
| |
Pour ce faire, nous utiliserons cette colonne T au carré, et nous indiquerons que nous voulons minimiser le T au carré |
| |
de telle sorte qu'elle soit inférieure à la limite de contrôle supérieure affichée sur cette plateforme PLS. Nous constatons ici que la limite de contrôle supérieure était de 9,32 ; nous l'utiliserons donc comme valeur minimale. |
| |
Ce que nous devrions voir dans le profileur maintenant, c'est que chaque valeur inférieure à 9,32 est également acceptable et, à mesure que vous dépassez 9,32, elle sera de moins en moins souhaitable. |
| |
Dans le menu graphique, j'ouvrirai à nouveau le profileur et reprendrai à nouveau toutes ces prédictions et formules T au carré et les placerai dans la formule de prédiction Y. |
| |
Et nous voyons toujours les scores X en bas, mais maintenant nous voyons également ces fonctions de désirabilité à droite. |
| |
Et une fois de plus, la fonction de désirabilité pour T au carré commence à chuter au-dessus de 9,32. La désirabilité est maximale aux faibles valeurs du flux 1, et nous avons des cibles pour le flux cible et le paramètre de qualité. |
| |
Parce que nous avons défini tout cela, nous pouvons maintenant maximiser la désirabilité. |
| |
Et cela va essayer de trouver des valeurs pour chacun de ces scores, et donc, des valeurs pour toutes les variables observées dans notre ensemble de données qui vont |
| |
atteindre ce flux cible et atteindre les cibles qui sont dans celles que nous avons définies précédemment. |
| |
Notez qu'il a presque atteint la cible maximale, mais il semble un peu en dessous. Il a atteint notre objectif de 20,15. |
| |
et c'était dans la limite T au carré que nous lui avons attribuée. JMP a probablement pensé que cette infime diminution de désirabilité était moins importante que la réduction du flux. Nous pouvons donc corriger cela en cliquant sur cette fonction de désirabilité et en modifiant simplement l'importance à 10. |
| |
Maintenant, si nous optimisons à nouveau, le résultat devrait se rapprocher un peu plus de l'objectif de flux. Avant cela, je vais enregistrer ces paramètres de facteur dans ce tableau en bas de page, afin de pouvoir comparer avant et après. Nous poursuivrons ensuite notre optimisation de la désirabilité. |
| |
On dirait que c'est fini et que nous sommes toujours dans les limites de notre T carré. |
| |
Il a atteint les 20,15 que nous avions demandés et il est certainement beaucoup plus proche de 140. Nous pouvons donc maintenant enregistrer à nouveau ces paramètres de facteur dans la table de données. |
| |
Et nous devrions maintenant avoir des facteurs que nous pouvons transmettre à l’usine de fabrication et dire, hé, voici les paramètres que nous recommandons. |
| |
L'avantage d'utiliser une analyse multivariée comme celle-ci, nous avons parlé plus tôt de la relation entre les flux trois et quatre, |
| |
en utilisant cette méthode, nous devrions être en mesure de donner à l'usine des valeurs raisonnables auxquelles elle est réellement capable de fonctionner. |
| |
Si vous leur dites d'exécuter une valeur élevée pour le flux trois et une valeur faible pour le flux quatre, ils pourraient vous regarder et dire que ce n'est tout simplement pas possible. |
| |
Ces variables devraient être beaucoup plus raisonnables. Notez que toutes ne sont pas nécessairement des variables indépendantes que la centrale peut contrôler. Certaines d'entre elles pourraient être |
| |
Les résultats peuvent être liés à d'autres variables. En théorie, si l'usine modifie tous les éléments sur lesquels elle a un contrôle, les autres devraient se mettre en place d'eux-mêmes. |
| |
Maintenant que nous avons optimisé ce modèle, l'étape suivante consiste souvent à vérifier que tout fonctionne normalement. Une fois les conditions optimales réunies, il est judicieux d'utiliser le même modèle pour évaluer de nouvelles lignes ou de nouvelles données et comprendre si le processus se comporte comme prévu. |
| |
Pour ce faire, nous utiliserons ces mêmes scores de prédiction que nous avions enregistrés à partir de la plateforme PLS, mais cette fois, nous allons les utiliser dans le graphique de contrôle multivarié piloté par le modèle. |
| |
sous qualité et processus. |
| |
Je vais utiliser l'heure et la mettre dans l'ID de temps, donc au lieu de voir les numéros de ligne, nous allons voir une date réelle sur tous nos graphiques et nous mettrons les scores X dans le processus. |
| |
Malheureusement, la plage ne fonctionne pas toujours correctement sur ces graphiques, donc si je zoome un peu, nous verrons qu'il y a ici des périodes où nous avons eu un T au carré élevé et que ce T au carré élevé était principalement le résultat des flux deux, trois, quatre et un, donc tous les flux dans ce... |
| |
sont les principaux contributeurs à ce T au carré. Si nous cliquons dessus et que nous survolons l'une de ces barres, et que nous cliquons à nouveau sur ce point, nous verrons un graphique de contrôle pour cette valeur individuelle… |
| |
variable avec le point que nous avons sélectionné mis en évidence sur ce graphique. |
| |
Et je vais cacher celui-ci, et non seulement regarder T au carré, mais aussi faire la même chose pour DModX ou SPE, si vous regardez toujours SPE. Encore une fois, |
| |
cela ne fonctionne pas toujours correctement. |
| |
Nous allons donc zoomer sur le |
| |
Les valeurs DModX à nouveau. |
| |
Ainsi, DModX va indiquer les points qui ont une valeur élevée ou faible pour une colonne individuelle, par rapport à ce qui était attendu en fonction des autres lignes, des autres données de cette ligne. |
| |
Ici, nous pouvons voir que ce point est principalement une valeur aberrante en raison du flux cinq. |
| |
Je trouve que les cartes thermiques de proportion de contribution sont assez utiles pour examiner et voir des modèles dans d'anciennes données lorsque, par exemple, une variable peut avoir été un facteur contributif important ou avoir agi de manière anormale pendant une longue période ou pendant une certaine période de temps. |
| |
Il s’agit donc d’un graphique que nous pourrions vouloir consulter chaque matin, par exemple, ou périodiquement pour voir si le processus fonctionne normalement. |
| |
Vous entrez, vous voulez ouvrir cela et voir, y a-t-il quelque chose que je devrais ajuster maintenant afin de ramener notre processus sous contrôle ? |
| |
Pour ce faire, nous souhaitons recréer l’intégralité de cette analyse, depuis l’extraction des données PI jusqu’à l’ouverture de la plateforme MDMCC, et rendre tout cela disponible en un clic. |
| |
Pour ce faire, nous allons écrire un script JSL en trois étapes : récupérer les données de PI, ajouter les colonnes calculées, puis ouvrir le modèle dans la plateforme de cartes de contrôle multivariées. |
| |
Récupération des données de PI. Si nous revenons au tableau de données d'origine… |
| |
Dans la table ouverte après l'exécution du module complémentaire PI Tools, nous pouvons voir le script de source de données PI enregistré dans cette table. Si nous modifions ce script et le copions, nous pouvons le coller dans la nouvelle fenêtre de script. |
| |
Je vais juste apporter une modification : au lieu de récupérer les données de mai, nous commencerons à les récupérer à partir du 1er août. |
| |
Nous devons maintenant ajouter ces colonnes calculées. N'oubliez pas que, sur la plateforme PLS, nous utilisons l'option « Enregistrer le score sous forme de formules de score X ». |
| |
Afin de les recréer, nous pouvons simplement sélectionner toutes les colonnes de la table de données et utiliser la fonction de script de copie de colonne qui a été ajoutée à nouveau dans ce module complémentaire d'outils de script. |
| |
Une fois que nous avons copié le script de colonne, nous revenons dans ce nouveau script que nous avons créé et nous allons coller un ensemble de nouvelles formules de colonne pour recréer à nouveau toutes ces colonnes. |
| |
Enfin, le contrôle multivarié piloté par le modèle |
| |
le graphique a un ??? la plupart des autres plates-formes, où vous pouvez enregistrer le script dans le presse-papiers et vous pouvez le coller dans la même fenêtre de script. |
| |
Imaginons maintenant qu'un nouveau jour se lève, que tout est fermé et que je souhaite analyser l'état de notre processus. J'exécuterais simplement ce même script. Notez que je pourrais le démarrer avec |
| |
un slash spécifique puis un point d'exclamation afin de s'exécuter automatiquement à l'ouverture du script. |
| |
Lorsque j'appuie sur « Exécuter », une table de données identique à notre table d'origine s'ouvre. Elle contient toutes les mêmes colonnes. |
| |
Il a ajouté ces colonnes calculées, alors mettons ces scores et toutes les prédictions, et il a également ouvert la plate-forme de graphique de contrôle multivarié pilotée par modèle |
| |
où nous pouvons voir que cette valeur récente pour DModX est en fait assez élevée, donc les données les plus récentes ont des valeurs anormales, dans ce cas, pour la qualité trois. |
| |
Donc, encore une fois, la qualité 3 ne semble pas correspondre à la valeur attendue, compte tenu des autres paramètres. Dans ce cas précis, cela pourrait signifier : |
| |
étant donné que la qualité trois est un paramètre d'entrée et que les qualités un, deux et trois sont souvent liées, cela pourrait signifier que la qualité trois est un mauvais échantillon de laboratoire ou qu'il s'agit d'un nouveau matériau avec lequel nous n'avons jamais travaillé auparavant. |
| |
Bon, enfin, parlons d'une méthode pour exécuter ce modèle en continu. Il a été recréé à la demande. |
| |
où nous avons écrit un script JSL pour exécuter cela, mais parfois c'est bénéfique |
| |
à... ou nous avons trouvé utile de renvoyer ces résultats à notre historien PI afin qu'ils puissent être utilisés par |
| |
les opérateurs de nos installations. Dans les dernières minutes, je souhaite vous présenter ce module complémentaire, appelé module de moteur de modélisation. |
| |
qui permettra d'évaluer rapidement les modèles en ligne. Je tiens à préciser que cette méthode ne doit être utilisée qu'à titre indicatif. Elle n'est pas acceptable pour fournir des informations critiques ni pour un contrôle en boucle fermée. |
| |
Pour cela, vous pouvez envisager d'exporter les formules du dépôt de formules et d'utiliser un autre logiciel pour les noter. |
| |
Comme mentionné précédemment, certaines des prédictions et informations disponibles dans ce modèle |
| |
Ce qui a le plus de valeur au moment où cela se produit est important. Savoir ce qui a causé le problème d'hier est donc une bonne chose, mais savoir ce qui se passe maintenant est essentiel. |
| |
Cela signifie prendre des décisions avec les résultats actuels du modèle et cela permet de résoudre certains problèmes avant qu'ils ne deviennent un gros problème. |
| |
Bien sûr, il existe de nombreuses façons de noter les modèles, mais la puissance du langage de script JMP, JSL, |
| |
fournit un moyen d'obtenir des prévisions et des informations sur les anomalies devant les opérateurs de nos installations de fabrication en utilisant leur suite existante d'outils de visualisation et de tendances auxquels ils sont déjà habitués. |
| |
Une paire de moteurs de modèles, ou des ordinateurs exécutant JMP avec un module complémentaire spécifique qui a démarré le planificateur de tâches, sont configurés pour exécuter périodiquement tous les modèles stockés dans un répertoire spécifique. |
| |
Toute la configuration est effectuée via deux types de fichiers de configuration, un seul fichier de configuration de moteur et un fichier de configuration de modèle pour chaque modèle qui va être noté. |
| |
Commençons par ce fichier de configuration du modèle. Vous souvenez-vous comment le module complémentaire PI Tools enregistre les informations sources dans la table de données ? |
| |
Désormais, ces mêmes informations peuvent être utilisées pour remplir le fichier de configuration du modèle, qui indique au moteur de modèle comment télécharger une table avec une seule ligne contenant toutes les entrées du modèle dont il a besoin pour calculer les valeurs. |
| |
Plus tard, le module complémentaire des outils de script enregistre rapidement les scripts pour recréer les colonnes enregistrées à partir du PLS et de toute autre plate-forme, |
| |
Incluant potentiellement les contributions T carré et DModX, pouvant être enregistrées depuis la plateforme de contrôle de version du modèle. Ces nouveaux scripts de colonnes sont également enregistrés dans le fichier de configuration du modèle ou dans un fichier séparé du même répertoire. |
| |
Enfin, le fichier de configuration du moteur définit la manière dont le moteur communique avec la source de données où se trouvent les outils PI. |
| |
module complémentaire...où le module complémentaire des outils PI utilise l'OLDB |
| |
et les requêtes SQL pour obtenir des données, le moteur de modèle utilise l'API Web PI pour lire et écrire des données directement dans PI. |
| |
En définissant un ensemble de fonctions dans le fichier de configuration du moteur, ce moteur peut également communiquer avec de nombreuses autres sources de données. |
| |
Notez qu'un ensemble de balises de pulsation est défini, ce qui permet à la source de données et aux autres moteurs de modèle de connaître l'état de ce moteur. |
| |
Chaque modèle possède également son propre ensemble de balises de pulsation, donc si une machine cesse de noter un modèle particulier, l'autre moteur prendra automatiquement le relais. |
| |
Encore une fois, cette idée de moteur de modèle n'est pas destinée à être utilisée pour des applications critiques, mais j'ai constaté qu'elle nous permet de passer très rapidement du déploiement et de l'analyse exploratoire à une prédiction en ligne ou à une solution de contrôle qualité. |
| |
Sur ce, merci à tous de votre présence. N'oubliez pas que plus d'informations sur chaque module complémentaire et le journal que j'utilise aujourd'hui sont disponibles sur la communauté JMP. |
| Janice LeBeau, JMP |
Super boulot, super. |
