| Lautsprecher |
Transkript |
| Isaac Himanga |
Hallo guten Morgen. |
| Janice LeBeau, JMP |
Hallo Isaac, wie geht es dir? |
| Isaac Himanga |
alles gut, wie geht es dir? |
| Janice LeBeau, JMP |
Gut, danke. Ich bin Dan und werde heute Ihre Präsentation für Sie erstellen. |
| Isaac Himanga |
Einfach fantastisch. |
| Janice LeBeau, JMP |
Und ich kann dich nicht sehen, Isaac. |
| Isaac Himanga |
ja, es tut mir leid, ich richte es hier ein. |
| Janice LeBeau, JMP |
Okay, und nur um Sie wissen zu lassen, dass wir gerade aufzeichnen. |
| |
Absolut cool, ich habe das Gefühl, wir sind uns schon einmal begegnet. |
| Isaac Himanga |
Ich bin sicher, wir hätten beides geschafft, wenn es irgendwo einen Gipfel gegeben hätte. |
| Janice LeBeau, JMP |
Okay, super, wie geht es Ihnen heute? |
| Isaac Himanga |
alles gut, wie geht es dir? |
| Janice LeBeau, JMP |
Gut, gut, ich liebe Ihren Hintergrund, das ist auf jeden Fall eine wunderschöne Farbe, die Sie gewählt haben. |
| Isaac Himanga |
Danke schön. |
| |
Gut. |
| Janice LeBeau, JMP |
Ich werde nur ein paar Dinge durchgehen und das muss ich nur noch einmal mit Ihnen bestätigen. |
| |
Name Ihres Vortragenden, Unternehmen und Titel der Zusammenfassung. |
| |
Okay, haben Sie Co-Moderatoren? Okay, alles klar, und sind Sie damit einverstanden, dass wir dies aufzeichnen und in den Archiven des Discovery Summit veröffentlichen? |
| Isaac Himanga |
Einfach absolut, und ich denke, ich wollte das Spiel auch auf meiner Site als Aufzeichnung veröffentlichen, nur für den Fall, dass etwas passiert, damit wir eine Kopie davon haben, und das ist für Sie in Ordnung. |
| Janice LeBeau, JMP |
ähm, ich weiß nicht, ob das die Qualität von irgendetwas beeinträchtigt oder. |
| Isaac Himanga |
sollte ich das nicht ziemlich oft tun. |
| Janice LeBeau, JMP |
Okay, ich überlasse das Ihnen. Ihr Hintergrund sieht gut aus, Ihr Mikrofon klingt gut. Okay, ich wollte nur noch einmal bestätigen, dass die Benachrichtigungen auf Ihrem Mobiltelefon und Computer ausgeschaltet sind. |
| Isaac Himanga |
sollte so sein, aber ich werde es noch einmal überprüfen, nur weil wann. |
| Janice LeBeau, JMP |
Ich rufe Ihr Kunstwerk auf. |
| |
Und dann. |
| |
Energie von acht und 1920 bis 10 Tage, haben Sie Haustiere im Hintergrund. |
| Isaac Himanga |
Also. |
| Janice LeBeau, JMP |
Es könnte Geräusche machen, wie meine Katze es wahrscheinlich tun wird, also habe ich es ihm empfohlen. |
| Isaac Himanga |
Nun, theoretisch bin ich heute der Einzige, der zu Hause ist. |
| Janice LeBeau, JMP |
Haben Sie Skype oder andere Anwendungen, die Geräusche machen, ausgeschaltet? |
| Isaac Himanga |
Wenn ich auf mein Gerät zugreife, schalte ich dieses hier aus, richtig, ja. |
| |
Okay. |
| Isaac Himanga |
ja, also ich denke, das Einzige, was eingeschaltet sein sollte, ist, dass Sie und ich Ihre Lautstärke tatsächlich ganz leise stellen werden, wenn wir hier anfangen, nur für den Fall, dass etwas passiert, damit ich Sie sehen kann, es aber auf diese Weise ruhig ist, falls irgendetwas anderes Geräusche macht, oh. |
| Janice LeBeau, JMP |
Also, ich werde Folgendes tun. |
| |
Ich gebe Ihnen hier nur noch ein paar Hinweise: Ich werde mich stummschalten und mein Video ausblenden. Sie können Ihren Bildschirm für Ihre Präsentation freigeben. |
| |
Und bevor ich mich stumm schalte, mache ich mein 54321 und gib dir dann ein paar Sekunden Zeit, und dann kannst du weitermachen und dich vorstellen. |
| |
und mit der Aufnahme beginnen. Sie können mit Ihrer Präsentation beginnen und mir dann einfach sagen: „Nun, damit ist die heutige Präsentation abgeschlossen. Ich hoffe, sie hat Ihnen gefallen, was auch immer Sie sagen möchten. Dann beende ich die Aufnahme für Sie, okay?“ |
| |
Gut, und wenn wir gleich zu Beginn dabei sind und Sie nicht zufrieden sind, wissen Sie, dass wir es abbrechen und von vorne beginnen können. Für mich ist das also völlig in Ordnung. |
| Isaac Himanga |
Okay, hoffentlich ist es jetzt kein Problem, wie nah Sie an 35 Minuten herankommen möchten. Als ich geübt habe, war ich hin- und hergerissen zwischen 34 und 36. Wollen Sie es also in 35 oder 36 Minuten lesen? |
| Janice LeBeau, JMP |
Weißt du, es ist in Ordnung, ich meine, tu einfach, was immer du tun musst. Ich kenne eine Person, wir waren bei 20 Minuten, und wenn sie dir gesagt hätten, was 30 bis 40 Minuten dauert. |
| Isaac Himanga |
ja, irgendwo, ich erinnere mich an 35, haben sie da vielleicht einen Bereich angegeben. |
| Janice LeBeau, JMP |
das ist cool, mach dir keine Sorgen. |
| Isaac Himanga |
Okay, guter Deal, perfekt. |
| Janice LeBeau, JMP |
Okay, wir zeichnen also in der Cloud auf. |
| |
Das können wir sehen. |
| |
Oh, das sieht sehr gut aus, das sieht lecker aus. |
| Isaac Himanga |
perfekt. |
| Janice LeBeau, JMP |
Also ja. |
| |
Also, sind Sie bereit für mein Video? |
| Isaac Himanga |
Oder wie wäre es, wenn wir mal sehen würden, ob Sie keine Zeitschaltuhr-Kameras haben, und ich dort oben einen Zeitschalter auf meine Kamera stellen würde, damit ich 30 machen könnte. |
| Janice LeBeau, JMP |
Ich meine, tun Sie, was Sie wollen, denn das wird der Anfang sein. |
| |
Ich meine, ehrlich gesagt, wenn Sie denken, es sind 35 und Sie gehen auf 32, ist das in Ordnung, wenn Sie ein bisschen darüber gehen, ist das in Ordnung. |
| |
Okay. |
| Isaac Himanga |
Also habe ich alles hier. |
| |
In Ordnung. |
| Janice LeBeau, JMP |
Okay, gut, Sie fühlen sich also gut, weil ich das tun werde. |
| |
Ich mache die 54321 und schalte mich stumm. |
| |
Und mal sehen, ob Sie eingefroren sind. So, okay, Sie sind also bereit. |
| Isaac Himanga |
In Ordnung. |
| Janice LeBeau, JMP |
Ich glaube, bis 4321. |
| Isaac Himanga |
Mein Name ist Isaac Himanga und ich werde einen Arbeitsablauf demonstrieren, den ich bei ADM verwende, um Herstellungsprozesse mithilfe multivariater Modelle zu optimieren. |
| |
Ich beginne mit dem Abrufen von Daten und dem Erstellen eines Modells, finde realistische optimale Bedingungen, identifiziere abnormale Bedingungen und bewerte das Modell schließlich anhand aktueller Daten. |
| |
Hier gibt es noch viele weitere Informationen zu den einzelnen Plattformen. Anstatt daher auf die Details der einzelnen Schritte einzugehen, werde ich nur einige häufig verwendete Funktionen hervorheben und stattdessen versuchen, den gesamten Arbeitsablauf darzustellen. |
| |
Ich würde sagen, dass die meisten Analysen mit diesem Detailgrad etwas länger als 45 Minuten dauern. |
| |
Weitere Einzelheiten und Informationen finden Sie im Artikel zu diesem Vortrag in der JMP-Community, einschließlich eines Journals mit Screenshots der Schritte, die ich hier ziemlich schnell durchgehen werde. |
| |
Ich beginne mit einem kurzen Überblick über ADM und den allgemeinen Arbeitsablauf. |
| |
Anschließend zeige ich Ihnen den Prozess in JMP. Sie erfahren, wie Sie Daten abrufen und bereinigen, den Profiler verwenden, um mehrere Bedingungen zu ermitteln, |
| |
Verwenden Sie die modellgesteuerte Plattform für multivariate Kontrollkarten, schreiben Sie ein Skript, um neue Daten anhand dieses Modells zu bewerten. Abschließend kehre ich zu dieser Präsentation zurück, um kurz eine Methode zur kontinuierlichen Bewertung dieses Modells mit JMP vorzustellen. |
| |
Zunächst ein wenig zu ADM. |
| |
Das Ziel von ADM besteht darin, die Kraft der Natur freizusetzen, um die Lebensqualität zu verbessern. |
| |
Wir verwandeln Naturprodukte in ein komplettes Portfolio an Zutaten und Aromen für Lebensmittel und Getränke, Nahrungsergänzungsmittel, Nahrung für Haustiere und Vieh, |
| |
und mehr. Und mit einer Reihe beispielloser Fähigkeiten in allen Teilen der globalen Lebensmittelkette verschaffen wir unseren Kunden einen Vorsprung bei der Lösung der globalen Herausforderungen von heute und morgen. |
| |
Eine dieser Fähigkeiten besteht darin, Datenanalysen zur Verbesserung unserer Herstellungsprozesse zu nutzen, einschließlich der Methode, über die ich gleich sprechen werde. |
| |
Ich bin Teil des relativ neuen Kompetenzzentrums für Verbesserung und Analyse. |
| |
Und unser wachsendes Team investiert in Techniken wie diese, um unseren 800 Einrichtungen, 300 Lebensmittel- und Futtermittelverarbeitungsstandorten und dem Rest unseres Unternehmens auf der ganzen Welt zu helfen, mithilfe unserer Daten bessere Entscheidungen zu treffen. |
| |
Nun ein Überblick über den Arbeitsablauf. |
| |
Die vier Schritte, die ich heute bespreche, stellen nur einen Teil der vollständigen Analyse dar. Aus Zeitgründen werde ich einige Dinge auslassen, die ich für jeden Datensatz als kritisch erachte. |
| |
wie das Visualisieren von Daten, die Verwendung von Validierung, Variablenreduktion, das Bestätigen von Ergebnissen mit anderen Modellen und das Angleichen von Labor- und Prozessdaten. |
| |
Daten abrufen, ein Modell erstellen, dieses Modell bei Bedarf in JMP bewerten und das Modell dann kontinuierlich bewerten. |
| |
JMP verfügt über Tools zur Unterstützung jedes einzelnen Schritts, darunter eine Reihe von Datenbankverbindungen, Tools zur multivariaten Modellierung wie Partial Least Squares, Hauptkomponenten und die modellgesteuerte Plattform für multivariate Kontrollkarten und natürlich die JMP-Skriptsprache oder JSL. |
| |
Beginnen wir mit dem Abrufen der Daten. Trotz der vielen verfügbaren Datenbankverbindungen und Skriptoptionen benötigten wir eine schnelle Möglichkeit, Daten aus unserem Prozessarchiv abzurufen. |
| |
Ein beliebtes Produkt namens PI, ohne Abfragen schreiben oder Tabellenstrukturen durchsuchen zu müssen. Ein benutzerdefiniertes Add-In war die Lösung für die meisten Datensätze. Dieses Add-In war relativ... wurde kürzlich in der JMP-Community veröffentlicht. |
| |
Zwei weitere Add-Ins unterstützen diesen Prozess. Eines davon, allgemein als Skripting-Tools bezeichnet, enthält eine Option, mit der das Skript schnell berechnete Spalten neu erstellen kann. |
| |
In Kombination mit der in den meisten JMP-Plattformen integrierten Funktion zum Speichern von Skripts können Analysen schnell neu erstellt und bei Bedarf von einem JMP-Benutzer ausgewertet werden. |
| |
Das letzte Add-In, die sogenannte JMP-Modell-Engine, ist zugleich das neueste. Es nutzt eine Konfigurationsdatei und in der Datentabelle des PItool-Add-Ins gespeicherte Informationen, um Daten abzurufen. |
| |
Dadurch werden Berechnungen mithilfe von Spaltenformeln oder anderen JSL-Skripten durchgeführt und die Ergebnisse anschließend zurück in den Historian geschrieben. |
| |
Und um Zeit zu sparen, werde ich diesen letzten Schritt sehr schnell durchgehen, aber ich empfehle Ihnen erneut, weitere Details zur JMP-Community über den Link auf der |
| |
Agendafolie dieser Präsentation. |
| |
Jedes dieser Add-Ins wurde überarbeitet, um vertrauliche Informationen zu entfernen. Wir verwenden jedoch weiterhin denselben Code, der in der Community veröffentlicht wurde. Wenn Sie also Ideen und Verbesserungsvorschläge haben, können Sie gerne mit uns in der JMP-Community oder auf GitHub zusammenarbeiten. |
| |
Öffnen wir damit JMP. |
| |
Im Hintergrund nutzt das ADM... bzw. das JMP PItool-Add-In verschiedene PI-Produkte zum Datenabruf, darunter SQL DAS, OLEDB und ODBC. Die Anweisungen zur Einrichtung finden Sie im Hilfemenü dieser Plattform. |
| |
Heute werden wir ab dem 1. Mai ab Mittag Daten für eine Reihe von PItags abrufen und dann bis heute jeden Tag um 12 Uhr mittags einen weiteren Wert abrufen. |
| |
Wir werden dies für einen bestimmten Satz von Tags tun, die hier aufgelistet sind ... |
| |
in diesem Feld. Beachten Sie, dass wir tatsächlich ein sogenanntes benutzerfreundliches Tag oder einen Namen eingefügt haben, der aussagekräftiger ist als nur der Name im PIhistorian, der uns später bei der Identifizierung dieser Spalten in der Datentabelle hilft. Es gibt all diese kleinen Fragezeichen um die |
| |
... rund um das Add-In mit weiteren Informationen, einschließlich einer Beschreibung dieses benutzerfreundlichen Tag-Formats, das wir heute verwenden werden. |
| |
Wenn ich auf „Abfrage ausführen“ klicke, wird eine Datentabelle geöffnet, die wie diese aussieht. Sie enthält eine Reihe von Spalten für alle numerischen Werte in dieser Datentabelle. |
| |
Es gibt eine Reihe von Spalten für beliebige Zeichenfolgenwerte. Wenn Sie also Zeichen im PItag gespeichert haben, werden diese abgerufen. Außerdem können wir den Status für diesen PItag sehen. |
| |
für jede Zeile. |
| |
Wenn wir in den Spalteneigenschaften dieser Datentabelle die Spalte „Info“ öffnen, sehen wir außerdem Informationen, die zum Abrufen dieses Datenpunkts verwendet wurden, einschließlich des PI-Tags. |
| |
den Anruftyp und das Intervall. Bei komplexeren Abfragen, wie z. B. einem Durchschnitt oder einem Maximum, werden hier weitere Informationen angezeigt. |
| |
Ich möchte darauf hinweisen, dass es sich hierbei um reale Daten handelt, die neu skaliert wurden und deren Spaltennamen geändert wurden. Die Analyse, die wir uns heute ansehen werden, sollte jedoch einer realen Analyse mit tatsächlichen Daten aus einer unserer Einrichtungen sehr ähnlich sehen und sich auch so anfühlen. |
| |
Abschließend möchte ich darauf hinweisen, dass hier ein Skript in der Datentabelle mit dem Namen PI-Datenquelle gespeichert ist. Dies ist dasselbe Skript, das tatsächlich im Add-In angezeigt wird. |
| |
und es enthält das SQL, das auch hier verfügbar ist. Auch hier wird im Hintergrund |
| |
SQL DAS oder PI DAS, um diese Informationen von PI abzurufen. Dies sind alle Skripte, die ausgeführt werden, um diese Daten abzurufen. Wir werden gegen Ende des heutigen Vortrags noch einmal darauf zurückkommen. |
| |
Okay, da wir nun Daten haben, müssen wir diese bereinigen. Dafür verwenden wir heute multivariate Werkzeuge, insbesondere die Hauptkomponentenanalyse. Ich ziehe alle numerischen Werte aus der Datentabelle und füge sie in die Liste der y-Spalten ein. Dann |
| |
Wir sehen sofort einige Werte, die... einige Werte, die besonders niedrige Werte für Komponente eins haben. Wenn man sich die Ladungen für diese ansieht |
| |
Wenn wir verschiedene Faktoren betrachten, können wir sehen, dass die Komponente eins hohe Belastungen für alle verschiedenen Flüsse in diesem Datensatz enthält. |
| |
Das bedeutet, dass alle Werte hier links hohe Durchflussraten für das gesamte System bedeuten. Mit etwas Ingenieurwissen kann ich sagen, dass dies eine Ausfallzeit für diesen Prozess darstellt. Daher werde ich alle diese Werte ausblenden und ausschließen. |
| |
Nachdem wir das getan haben, werden wir die Hauptkomponentenanalyse neu berechnen. Dazu verwenden wir „Wiederholen“, wiederholen die Analyse und schließen dann die alte. |
| |
Und jetzt können wir sehen, dass die Ladungen vielleicht etwas aussagekräftiger sind. Hauptkomponente drei erklärt beispielsweise den Großteil der Variation in Fluss 2, und hier gibt es eine kleine Trennung. |
| |
Die ersten drei Komponenten erklären den Großteil der Variation, daher werde ich diese drei Komponenten verwenden, wenn ich in diesem Datensatz nach anderen Ausreißern suche. |
| |
Dazu öffne ich die Ausreißeranalyse und ändere die Anzahl der Komponenten auf drei. |
| |
Und dann können wir sowohl das T-Quadrat-Diagramm sehen, als auch das normalisierte DModX-Diagramm. |
| |
um Punkte zu sehen, die entweder Extremwerte für einen oder mehrere der Werte haben oder Punkte, die einen einzelnen |
| |
Spalte oder einzelne Zelle, die einen unerwarteten oder außerhalb des erwarteten Bereichs liegenden Wert aufweist, basierend auf allen anderen Spalten in diesem Datensatz für diese bestimmte Rolle. |
| |
Im Moment werden wir diesen Datensatz nur schnell bereinigen, indem wir alle T-Quadrat- und DModX-Werte ausschließen, die über der oberen Kontrollgrenze liegen. |
| |
Eine weitere Sache, die häufig beim Bereinigen eines Datensatzes gemacht wird, ist das Transformieren von Spalten, und ich möchte eine Funktion des Skript-Tool-Add-Ins zeigen, die |
| |
es ein wenig sogar versuchen, anzuwenden und |
| |
Wechsel zum neuen Formelspaltenmenü. Wenn ich drei Spalten oder eine beliebige Anzahl von Spalten auswähle und zur benutzerdefinierten Transformationsoption gehe, die wiederum als Teil des Skripttools-Add-Ins geladen wird, |
| |
Ich kann eine Savitzkey-Golay-Transformation auswählen und auf „OK“ klicken. Dadurch werden am Ende der Datentabelle drei Spalten mit einer Formel hinzugefügt, die diese Transformation enthält. |
| |
Ich möchte darauf hinweisen, dass die Reinigung, die wir durchgeführt haben, auch direkt in PLS hätte durchgeführt werden können. Ich verwende jedoch oft zuerst einen PCA. |
| |
Okay, jetzt haben wir unseren Datensatz bereinigt, wir müssen tatsächlich ein Modell erstellen |
| |
um zu versuchen, unsere Prozessbedingungen vorherzusagen. Vielleicht noch eine kurze Anmerkung zu diesem Datensatz: Wir haben hier oben ein Flussziel. |
| |
Heute besteht unser Ziel darin, einen bestimmten Anteil dieses Zielflusses zu erzeugen, indem wir so wenig von Fluss 1 wie möglich verwenden und dabei auch einiges berücksichtigen … |
| |
Berücksichtigen Sie einige Einschränkungen dieser Qualitätsparameter. Da uns vor allem der Fluss 1 interessiert, wechsle ich zu einem Partial-Least-Squares-Modell und verwende diesen Fluss... den Zielfluss im y-Bereich und alle anderen Variablen als X-Faktoren. |
| |
Ich akzeptiere vorerst einfach alle Standardeinstellungen und mache einen kleinen Sprung nach vorne, indem ich gleich vier Faktoren verwende. |
| |
Wenn ich diese vier Faktoren öffne, |
| |
Wir werden sehen, dass die ersten beiden |
| |
repräsentieren die |
| |
Variablen, die das Werk normalerweise in Aufträgen ändert, um die Prozessgeschwindigkeit anzupassen. Wenn also mehr oder weniger von diesem Zielfluss produziert werden muss, wird oft der Faktor eins geändert, um die Zielrate zu erreichen. |
| |
Faktor 2 hingegen bezieht sich vor allem auf diese Qualitätsparameter, die eigentlich Eingangsqualitätsparameter sind, auf die wir keinen Einfluss haben. |
| |
Es ist also nichts, was wir ändern können. Obwohl die Faktoren drei und vier relativ kleine Mengen der Variation von erklären, |
| |
Unser Zielfluss und sie erklären relativ kleine Abweichungen unseres Faktors eins. Das sind die Faktoren, über die wir tatsächlich Kontrolle haben und die wir daher nutzen können, um unseren Prozess zu optimieren. |
| |
Um dies zu nutzen, haben wir ein Modell erstellt, das die Variation in unseren Daten erklärt. |
| |
Um diese Informationen nutzen zu können, müssen wir einige dieser Spalten speichern oder die Vorhersagen daraus in neuen Spalten in unserem Datensatz speichern. |
| |
die wir in wenigen Minuten im Vorhersageprofiler verwenden werden. |
| |
Wir nutzen einige neue Funktionen aus JMP 16, die es uns ermöglichen, Vorhersagen sowohl für die Y- als auch für die X-Variablen als X-Score-Formeln zu speichern. Wenn wir den Profiler öffnen, wird er meiner Meinung nach verdeutlichen, warum das wichtig ist. |
| |
Wir haben also alle drei Vorhersagen – die X-Vorhersagen und die T-Quadrate – wieder in unserer Datentabelle gespeichert. Diese sollten als neue Spalten unten als Funktionen dieser X-Werte erscheinen. |
| |
Wir können auch einen kurzen Blick auf die Distanz- und T-Quadrat-Diagramme innerhalb der PLS-Plattform werfen und sehen, dass es zwar einige Variablen mit ziemlich hohen DModXs oder T-Quadraten gibt, aber nichts allzu Extremes. |
| |
Diese Werte werden oft oder immer mit Variablennamen gespeichert, die verwirrend werden können, wenn Sie immer mehr speichern oder mehrere Iterationen Ihres Modells durchlaufen. Daher enthält das Skripting-Tool eine weitere Funktion namens „Spalten umbenennen“. |
| |
Damit können Sie eine Beispielabfrage für PLS auswählen. Es handelt sich um ein ziemlich kompliziertes reguläres Ausdrucksmuster. |
| |
Beachten Sie jedoch, dass ein Standardsatz von Namen ausgegeben wird, die für PLS, PCA und andere Plattformen innerhalb der Datentabelle gleich aussehen. |
| |
In diesem Fall kopiere ich also tatsächlich ein bestimmtes Präfix, das wir vor alle diese Spalten setzen, um anzuzeigen, dass dies das Modell ist, das wir für unsere Qualitätskontrolle online stellen, und dass es sich um die erste Revision dieses Modells handelt. |
| |
Wenn ich Namen ändere, können wir sehen, dass der Name für alle diese Spalten im Datensatz automatisch geändert wird. |
| |
Deshalb haben wir ein Modell entwickelt, das die Variation in |
| |
Diese Spalten, aber was wir noch nicht getan haben, ist unser ursprüngliches Ziel, herauszufinden, wie wir einen bestimmten Fluss unseres Zielflusses mit möglichst wenig Fluss 1 erzeugen können. Dazu verwenden wir den Profiler. Beachten Sie, wenn wir den Profiler öffnen, |
| |
Wir können alle diese vorhergesagten Werte, also nicht die X-Werte selbst, sondern die vorhergesagten Werte und das T-Quadrat, zu diesem Abschnitt mit der Vorhersageformel hinzufügen. |
| |
Und wenn es sich dann öffnet, sehen wir auf der X-Achse alle unsere Werte im Modell oder unsere latenten Variablen. |
| |
Und wir können sehen, dass, wenn wir einen dieser Werte verschieben, automatisch alle beobachteten Variablen mit verschoben werden. |
| |
beim Verhältnis der Ladungen in jeder dieser Komponenten. Schauen Sie sich also die Ströme drei und vier an, sie bewegen sich immer zusammen. Egal, welche Partitur wir bewegen, |
| |
Dieses Modell versteht, dass diese beiden Werte miteinander verbunden sind. Vielleicht ist einer ein Durchflussmesser, über den sie Kontrolle haben, und vielleicht ein zweiter |
| |
Es gibt einen zweiten Durchflussmesser in derselben Leitung, aber trotzdem sieht es nicht so aus, als ob die Anlage in der Lage wäre, einen zu bewegen, ohne den anderen in die gleiche Richtung zu bewegen. |
| |
Das Ziel besteht also darin, für jeden dieser Scores Werte zu finden, die unseren Prozess optimieren. |
| |
Bevor wir das tun können, müssen wir JMP mitteilen, was wir optimieren möchten. Wir müssen angeben, dass wir eine bestimmte Durchflussrate und bestimmte Qualitätsparameter erreichen möchten. |
| |
Wir beginnen damit, dass uns die Werte der meisten Spalten egal sind. Wir wählen alle gespeicherten Spalten aus. |
| |
Wir werden die Attribute standardisieren und für alle diese verschiedenen Spalten eine Antwortbeschränkung von „null“ hinzufügen. |
| |
Anschließend gehen wir zurück und passen das Antwortlimit an. Es kann für die für uns relevanten Spalten aussagekräftiger sein. Beispielsweise wird das Flussziel auf das Antwortlimit zurückgesetzt, und wir geben an, dass wir für diese Spalte einen Wert von 140 festlegen möchten. |
| |
Ähnlich verhält es sich mit der Qualität eins. Wir wollen den Wert von |
| |
20.15 Uhr. |
| |
Für den Durchfluss möchten wir diesen Wert minimieren. |
| |
Und schließlich müssen wir sicherstellen, dass die Lösung, zu der wir gelangen, in der Nähe des normalen Betriebsbereichs des Systems liegt. Wir möchten also nicht über den Bereich hinaus extrapolieren, in dem wir dieses PLS gebaut haben. |
| |
Dazu verwenden wir diese T-Quadrat-Spalte und geben an, dass wir das T-Quadrat minimieren möchten. |
| |
sodass es unter der oberen Kontrollgrenze liegt, die in dieser PLS-Plattform angezeigt wurde. Hier sehen wir, dass die obere Kontrollgrenze 9,32 betrug, daher verwenden wir diesen Wert hier als Mindestwert. |
| |
Was wir jetzt im Profiler sehen sollten, ist, dass jeder Wert unter 9,32 gleichermaßen akzeptabel ist und über 9,32 hinaus immer weniger wünschenswert ist. |
| |
Unter dem Diagrammmenü öffne ich den Profiler noch einmal und nehme noch einmal alle diese Vorhersagen und T-Quadrat-Formeln und setze sie in die Y-Vorhersageformel ein. |
| |
Und wir sehen immer noch die X-Werte unten, aber jetzt sehen wir auch diese Erwünschtheitsfunktionen auf der rechten Seite. |
| |
Und wieder einmal beginnt die Wunschfunktion für T² oberhalb von 9,32 abzufallen. Die Wunschfunktion ist bei niedrigen Werten von Fluss eins am höchsten, und wir haben Ziele sowohl für den Zielfluss als auch für den Qualitätsparameter. |
| |
Da wir all dies definiert haben, können wir nun die Attraktivität maximieren. |
| |
Und das wird versuchen, Werte für jeden dieser Werte zu finden, und damit Werte für alle beobachteten Variablen in unserem Datensatz, die |
| |
Erreichen Sie diesen Zielfluss und erreichen Sie die darin enthaltenen Ziele, die wir zuvor definiert haben. |
| |
Beachten Sie, dass es fast das volle Ziel erreicht hat, aber es scheint etwas niedrig zu sein. Es hat unsere 20,15 erreicht |
| |
und es lag innerhalb der von uns angegebenen T-Quadrat-Grenze. Höchstwahrscheinlich hielt JMP diese winzige Abnahme der Attraktivität für weniger wichtig als die Reduzierung des Durchflusses. Wir können das beheben, indem wir bei gedrückter Strg-Taste in die Attraktivitätsfunktion klicken und die Wichtigkeit einfach auf 10 ändern. |
| |
Wenn wir dies nun erneut optimieren, sollte es dem Flow-Ziel etwas näher kommen. Zuvor speichere ich jedoch die Faktoreinstellungen in der Tabelle unten, damit wir Vorher und Nachher vergleichen können. Anschließend maximieren wir die Attraktivität. |
| |
Sieht aus, als wäre es fertig und wir liegen immer noch innerhalb der Grenzen unseres T-Quadrats. |
| |
Es hat die von uns geforderten 20,15 erreicht und liegt sicherlich viel näher an 140. Jetzt könnten wir diese Faktoreinstellungen also erneut in der Datentabelle speichern. |
| |
Und wir sollten jetzt über Faktoren verfügen, die wir an die Produktionsstätte zurückgeben und sagen können: „Hey, hier sind die Parameter, die wir empfehlen.“ |
| |
Der Vorteil einer solchen multivarianten Analyse besteht darin, dass wir bereits über die Zusammenhänge zwischen den Flüssen drei und vier gesprochen haben. |
| |
Mit dieser Methode sollten wir in der Lage sein, der Anlage sinnvolle Werte zu geben, mit denen sie tatsächlich betrieben werden kann. |
| |
Wenn Sie ihnen sagen, dass sie für Durchfluss drei einen hohen Wert und für Durchfluss vier einen niedrigen Wert verwenden sollen, werden sie Sie vielleicht ansehen und sagen: „Das ist einfach nicht möglich.“ |
| |
Diese sollten deutlich sinnvoller sein. Beachten Sie, dass nicht alle dieser Variablen notwendigerweise unabhängige Variablen sind, die die Anlage steuern kann. Einige davon könnten |
| |
Ergebnisse, oder sie hängen einfach mit anderen Variablen zusammen. Theoretisch sollten sich die anderen Dinge von selbst ergeben, wenn die Anlage alle Dinge ändert, die sie beeinflussen kann. |
| |
Nachdem wir dieses Modell optimiert haben, besteht der nächste Schritt oft darin, sicherzustellen, dass alles normal läuft. Sobald die optimalen Bedingungen geschaffen sind, empfiehlt es sich, dasselbe Modell zu verwenden, um neue Zeilen oder Daten zu bewerten und zu prüfen, ob der Prozess wie erwartet funktioniert. |
| |
Dazu verwenden wir dieselben Vorhersagewerte, die wir von der PLS-Plattform gespeichert haben, aber dieses Mal verwenden wir die Werte aus der modellgesteuerten multivariaten Kontrollkarte. |
| |
unter Qualität und Prozess. |
| |
Ich werde die Zeit verwenden und sie in die Zeit-ID einfügen, sodass wir statt Zeilennummern in allen unseren Diagrammen ein tatsächliches Datum sehen und die X-Ergebnisse in den Prozess einfügen. |
| |
Leider funktioniert der Bereich in diesen Diagrammen nicht immer richtig. Wenn ich also ein wenig hineinzoome, sehen wir, dass es Zeiträume gibt, in denen wir ein hohes T-Quadrat hatten und dieses hohe T-Quadrat hauptsächlich das Ergebnis der Ströme zwei, drei, vier und eins war, also alle Ströme darin ... |
| |
sind die Hauptfaktoren für dieses T-Quadrat. Wenn wir darauf klicken und mit der Maus über einen dieser Balken fahren und dann erneut auf diesen Punkt klicken, sehen wir ein Kontrolldiagramm für diesen Einzelwert. |
| |
Variable mit dem von uns ausgewählten Punkt, der in diesem Diagramm hervorgehoben ist. |
| |
Ich werde das hier jedoch ausblenden und nicht nur T-Quadrat betrachten. Wir können dasselbe auch für DModX oder SPE tun, falls Sie immer noch SPE betrachten. Noch einmal: |
| |
das klappt nicht immer richtig. |
| |
Wir werden also näher auf die |
| |
DModX-Werte erneut. |
| |
DModX zeigt also Punkte an, die für eine einzelne Spalte einen hohen oder niedrigen Wert aufweisen, verglichen mit dem, was auf Grundlage der anderen Zeilen bzw. der anderen Daten in dieser Zeile erwartet wurde. |
| |
Hier können wir sehen, dass dieser Punkt aufgrund von Fluss fünf hauptsächlich ein Ausreißer ist. |
| |
Ich finde, dass die Heatmaps der Beitragsanteile recht nützlich sind, um in alten Daten Muster zu erkennen, wenn beispielsweise eine Variable über einen langen Zeitraum oder einen bestimmten Zeitraum hinweg ein großer Beitragsfaktor war oder sich abnormal verhalten hat. |
| |
Dies ist also ein Diagramm, das wir uns beispielsweise jeden Morgen oder in regelmäßigen Abständen ansehen möchten, um zu sehen, ob der Prozess normal abläuft. |
| |
Sie kommen herein, möchten das Ganze öffnen und sehen: Gibt es irgendetwas, das ich jetzt anpassen sollte, um unseren Prozess wieder unter Kontrolle zu bringen? |
| |
Zu diesem Zweck möchten wir die gesamte Analyse vom Abrufen der PI-Daten bis zum Öffnen der MDMCC-Plattform neu erstellen und alles per Mausklick verfügbar machen. |
| |
Dazu schreiben wir ein JSL-Skript mit drei Schritten. Es ruft die Daten von PI ab, fügt die berechneten Spalten hinzu und öffnet dann das Modell, das wir in der Plattform für multivariate Kontrollkarten haben. |
| |
Daten von PI abrufen. Wenn wir zur ursprünglichen Datentabelle zurückkehren, die wir ... |
| |
Das nach der Ausführung des PI Tools-Add-Ins geöffnete PI-Datenquellenskript wird in der Tabelle gespeichert. Wenn wir das Skript bearbeiten und kopieren, können wir es in das neue Skriptfenster einfügen. |
| |
Ich werde nur eine Änderung vornehmen. Anstatt Daten vom Mai abzurufen, beginnen wir mit der Datenabrufung ab dem 1. August. |
| |
Jetzt müssen wir die berechneten Spalten hinzufügen. Denken Sie daran: In der PLS-Plattform verwenden wir die Option „Gespeicherter Score … Speichern als X-Score-Formeln“. |
| |
Um diese neu zu erstellen, können wir einfach alle Spalten in der Datentabelle auswählen und die Skriptfunktion zum Kopieren von Spalten verwenden, die in diesem Skripttool-Add-In erneut hinzugefügt wurde. |
| |
Nachdem wir das Spaltenskript kopiert haben, gehen wir zurück zu diesem neuen Skript, das wir erstellt haben, und fügen eine Reihe neuer Spaltenformeln ein, um alle diese Spalten erneut zu erstellen. |
| |
Schließlich modellgetriebene multivariate Regelung |
| |
Diagramm hat auf den meisten anderen Plattformen ein ???, wo Sie das Skript in der Zwischenablage speichern und in dasselbe Skriptfenster einfügen können. |
| |
Wenn wir uns nun vorstellen, es ist ein neuer Tag und wir haben alles abgeschlossen und ich möchte sehen, wie unser Prozess läuft, würde ich einfach dasselbe Skript ausführen. Beachten Sie, dass ich es mit |
| |
einen bestimmten Schrägstrich und dann ein Ausrufezeichen, um beim Öffnen des Skripts automatisch ausgeführt zu werden. |
| |
Wenn ich auf „Ausführen“ klicke, wird eine Datentabelle geöffnet, die genauso aussieht wie unsere ursprüngliche Tabelle. Sie enthält dieselben Spalten. |
| |
Es wurden diese berechneten Spalten hinzugefügt, also lassen Sie uns diese Werte und alle Vorhersagen einfügen. Außerdem wurde die modellgesteuerte multivariate Kontrollkartenplattform geöffnet. |
| |
Dort können wir sehen, dass dieser aktuelle Wert für DModX tatsächlich ziemlich hoch ist, sodass die aktuellsten Daten einige abnormale Werte aufweisen, in diesem Fall für Qualität drei. |
| |
Auch hier scheint Qualität drei nicht dem erwarteten Wert zu entsprechen, basierend auf den anderen Parametern. In diesem speziellen Fall könnte das bedeuten: |
| |
Da Qualität drei ein Eingabeparameter ist und Qualität eins, zwei und drei oft miteinander in Beziehung stehen, könnte das bedeuten, dass Qualität drei eine schlechte Laborprobe ist oder dass es sich um ein neues Material handelt, mit dem wir noch nicht gearbeitet haben. |
| |
Okay, zum Schluss sprechen wir über eine Methode, dieses Modell kontinuierlich auszuführen. Dies wurde also bei Bedarf neu erstellt. |
| |
wo wir ein JSL-Skript geschrieben haben, um dies auszuführen, aber manchmal ist es vorteilhaft |
| |
zu...oder wir fanden es vorteilhaft, diese Ergebnisse an unseren PI-Historiker zurückzuschreiben, damit sie von |
| |
die Bediener in unseren Anlagen. In den letzten Minuten möchte ich Ihnen dieses Add-In vorstellen, das Modell-Engine-Add-In. |
| |
Damit lassen sich Modelle schnell online bewerten. Ich möchte darauf hinweisen, dass dies nur als Beratung dienen sollte. Es ist keine geeignete Methode zur Bereitstellung kritischer Informationen oder zur Regelung von Regelkreisen. |
| |
Hierzu könnten Sie erwägen, die Formeln aus dem Formeldepot zu exportieren und sie mit einem anderen Softwarepaket zu bewerten. |
| |
Wie bereits erwähnt, sind einige der in diesem Modell verfügbaren Vorhersagen und Informationen |
| |
hat den größten Wert im Moment, in dem es passiert. Zu wissen, was das Problem von gestern verursacht hat, ist großartig, aber zu wissen, was gerade passiert |
| |
bedeutet, Entscheidungen auf der Grundlage aktueller Modellergebnisse zu treffen und einige Probleme zu beheben, bevor sie zu einem großen Problem werden. |
| |
Natürlich gibt es viele Möglichkeiten, Modelle zu bewerten, aber die Leistungsfähigkeit der JMP-Skriptsprache, JSL, |
| |
bietet eine Möglichkeit, den Bedienern in unseren Produktionsanlagen Vorhersagen und Anomalieinformationen mithilfe der vorhandenen Suite von Visualisierungs- und Trendtools, an die sie bereits gewöhnt sind, zur Verfügung zu stellen. |
| |
Ein Paar Modell-Engines oder Computer, auf denen JMP mit einem bestimmten Add-In ausgeführt wird, das den Taskplaner gestartet hat, werden so eingerichtet, dass sie regelmäßig alle in einem bestimmten Verzeichnis gespeicherten Modelle ausführen. |
| |
Die gesamte Konfiguration erfolgt über zwei Arten von Konfigurationsdateien: eine einzelne Engine-Konfigurationsdatei und eine Modellkonfigurationsdatei für jedes Modell, das bewertet werden soll. |
| |
Beginnen wir mit der Modellkonfigurationsdatei. Erinnern Sie sich, wie das PI-Tools-Add-In Quellinformationen in der Datentabelle speichert? |
| |
Jetzt können dieselben Informationen verwendet werden, um die Modellkonfigurationsdatei zu füllen, die der Modell-Engine mitteilt, wie eine Tabelle mit einer einzelnen Zeile heruntergeladen wird, die alle Modell-Eingaben enthält, aus denen sie Werte berechnen muss. |
| |
Später speichert das Add-In für Skripttools die Skripte schnell, um die vom PLS und jeder anderen Plattform gespeicherten Spalten wiederherzustellen. |
| |
Möglicherweise einschließlich T-Quadrat- und DModX-Beiträgen, die von der Plattform für Modellversionskontrolldiagramme gespeichert werden können. Diese neuen Spaltenskripte werden auch in der Modellkonfigurationsdatei oder in einer separaten Datei im selben Verzeichnis gespeichert. |
| |
Schließlich definiert die Engine-Konfigurationsdatei, wie die Engine mit der Datenquelle kommuniziert, in der PI-Tools |
| |
Add-In...wobei das PI-Tools-Add-In die OLDB verwendet |
| |
und SQL-Abfragen zum Abrufen von Daten verwendet die Modell-Engine die PI-Web-API, um Daten direkt in PI zu lesen und zu schreiben. |
| |
Durch die Definition einer Reihe von Funktionen in der Engine-Konfigurationsdatei kann diese Engine auch mit vielen anderen Datenquellen kommunizieren. |
| |
Beachten Sie, dass eine Reihe von Heartbeat-Tags definiert sind, die es der Datenquelle und anderen Modell-Engines ermöglichen, den Status dieser Engine zu kennen. |
| |
Jedes Modell verfügt außerdem über einen eigenen Satz von Heartbeat-Tags. Wenn also eine Maschine die Bewertung eines bestimmten Modells einstellt, übernimmt automatisch die andere Maschine. |
| |
Auch diese Modell-Engine-Idee ist nicht für den Einsatz in kritischen Anwendungen gedacht, aber ich habe festgestellt, dass sie es uns ermöglicht, sehr schnell von der Bereitstellung und explorativen Analyse zu einer Online-Vorhersage oder einer Qualitätskontrolllösung überzugehen. |
| |
Vielen Dank für Ihre Teilnahme. Weitere Informationen zu den einzelnen Add-Ins und dem Journal, das ich heute verwende, finden Sie in der JMP-Community. |
| Janice LeBeau, JMP |
tolle Arbeit, super. |
