756778_ja-JP

liliconcom

多変量モデルの最適化：データ収集から最適条件およびスコアリングモデルまで（2021-US-45MP-927）

アイザック・ヒマンガ、ADM シニア アナリティクス エンジニア

製造プロセスは高度に相関したシステムであり、最適化は困難です。この相関関係は、外れ値を特定する機会となります。ここでは、以下の要素を含むワークフロー全体を示します。

• OSISoft ヒストリアンからデータを取得します。
• プロセスの制約を考慮した多変量モデルを使用してモデリングおよび最適化します。
• MDMCC プラットフォームの使用。
• モデルをオンラインでスコアリングし、異常な状態をヒストリアンに書き戻します。

実際には、多くのプロセスを最適化するのは困難です。システムをテスト可能な独立変数の集合にまで縮減できない場合や、異なる条件下でプロセスが不安定になる場合もあります。これらの問題に対処するため、JMP 16の新機能を活用し、観測変数の制約を考慮しながら、潜在変数空間におけるコストと品質の最適化を行っています。これらの最適条件を維持するために、MDMCCプラットフォームを用いて、正規分布からの逸脱を迅速に特定します。

アドインは、データの収集とモデルのスコアリングにかかる時間を最小限に抑えるために使用されます。1 つは、一般的な PI ヒストリアンからプロセス データを JMP に取り込むためのアドイン、1 つは計算された列をすばやく再作成するためのアドイン、3 つ目はオンラインでモデルをスコアリングし、MDMCC からの貢献を含む結果をヒストリアンに送信するためのアドインです。

参照されているアドインは、JMP コミュニティで入手できます。

• Had/OSISoft PIツール
• スクリプトツール

自動生成されたトランスクリプト...

スピーカー	トランスクリプト
アイザック・ヒマンガ	こんにちはおはようございます。
ジャニス・ルボー、JMP	こんにちは、アイザックさん。お元気ですか。
アイザック・ヒマンガ	お元気ですか。
ジャニス・ルボー、JMP	わかりました。ありがとうございます。私はダンです。今日のプレゼンテーションを担当することになりました。
アイザック・ヒマンガ	本当に素晴らしい。
ジャニス・ルボー、JMP	そしてアイザック、君が見えないよ。
アイザック・ヒマンガ	はい、申し訳ありませんが、ここで設定します。
ジャニス・ルボー、JMP	はい、お知らせしておきますが、現在録音中です。
	本当に素敵ですね。以前会ったことがあるような気がします。
アイザック・ヒマンガ	どこかでサミットが開催されれば、私たちはきっとどちらか一方を経験するでしょう。
ジャニス・ルボー、JMP	はい、素晴らしいですね。今日はどうですか。
アイザック・ヒマンガ	お元気ですか。
ジャニス・ルボー、JMP	よかったよかった、あなたの背景がとても気に入りました。確かに美しい色ですね。
アイザック・ヒマンガ	ありがとう。
	良い。
ジャニス・ルボー、JMP	いくつかの点について確認させていただきますが、もう一度確認させていただきたいことがあります。
	発表者名、会社名、要旨のタイトル。
	さて、共同プレゼンターはいますか？わかりました。これを録画して、ディスカバリー・サミットのアーカイブに投稿してもよろしいでしょうか？
アイザック・ヒマンガ	そうですね、何かあった場合に備えて、自分のサイトでプレイの記録を投稿するつもりだったので、コピーが残るので、大丈夫ですよ。
ジャニス・ルボー、JMP	うーん、それが何かの品質に影響するかどうかはわかりません。
アイザック・ヒマンガ	かなり頻繁にやるべきではないでしょうか。
ジャニス・ルボー、JMP	わかりました。私はあなたに主導権を握らせます。背景は良さそうです。マイクの音も良さそうです。携帯電話とコンピューターの通知がオフになっていることを再確認したいのですが。
アイザック・ヒマンガ	そうなるはずですが、念のためもう一度確認します。
ジャニス・ルボー、JMP	あなたのアートワークを呼びます。
	その後。
	8 のエネルギーと 10 日までに 1920 、背景にペットはいますか。
アイザック・ヒマンガ	それで。
ジャニス・ルボー、JMP	私の猫もおそらくそうするでしょうが、音が出る可能性があるので、彼に紹介しました。
アイザック・ヒマンガ	まあ、理論上は、今日は家にいるのは私だけなので。
ジャニス・ルボー、JMP	Skype やその他ノイズの出るアプリケーションを終了しましたか。
アイザック・ヒマンガ	これにアクセスすると、すぐにオフになります。
	わかった。
アイザック・ヒマンガ	ええ、だから、あなたと私がここで始めるときに実際に音量をかなり下げておく必要があるのは、オンにしておくべき唯一のものだと思います。何かが起こった場合に備えて、私はあなたの姿を見ることができますが、その方が静かになります。もし他の何かが音を立てた場合に備えて。
ジャニス・ルボー、JMP	さて、私がやろうとしていることは、
	ここでさらにいくつかのヒントを紹介します。自分の音声をミュートしてビデオを非表示にし、プレゼンテーション用に画面を共有できるようにします。
	私がミュートになる前に 54321 を言って、数秒お待ちください。その後、自己紹介をお願いします。
	録音を開始したら、プレゼンテーションを開始できます。その後、「これで今日のプレゼンテーションは終了です。楽しんでいただけたでしょうか」などと言っていただければ、何を言っても構いません。その後、録音を終了します。
	いいですね。もし、私たちが最初からやり直していて、あなたが満足できなかったら、私たちはそれを止めてもう一度やり直すことができますので、私はそのことについて全く問題ありません。
アイザック・ヒマンガ	さて、35 分にどれくらい近づけたいかという問題はなくなると思いますが、私が練習したときは 34 分と 36 分の間で迷っていました。35 分と読みますか、それとも 35 分と読みますか。
ジャニス・ルボー、JMP	大丈夫ですよ。つまり、やらなければならないことを何でもやるということです。ある人は、30 分から 40 分の長さだと言ったら、20 分で終わったと言っていました。
アイザック・ヒマンガ	ええ、どこかで、35 の範囲を示していたと記憶しています。
ジャニス・ルボー、JMP	大丈夫だよ、心配しなくていいよ。
アイザック・ヒマンガ	はい、良い取引ですね、完璧です。
ジャニス・ルボー、JMP	はい、クラウドに録音しています。
	それはわかります。
	ああ、とても美味しそうですね。
アイザック・ヒマンガ	完璧。
ジャニス・ルボー、JMP	そうですね。
	それで、私のビデオの準備はできていますか。
アイザック・ヒマンガ	では、タイマーカメラがないので、そこにタイマーをセットして、30 まで撮影するのはどうでしょう。
ジャニス・ルボー、JMP	つまり、あなたがしたいことを何でもしてください。これが始まりですから。
	つまり、正直に言うと、35 だと思って 32 まで行ったら問題ありませんし、少し超えても大丈夫です。
	わかった。
アイザック・ヒマンガ	だからここにすべて揃っています。
	よし。
ジャニス・ルボー、JMP	はい、いいですね。私がやるから気分がいいですよ。
	54321 を実行してミュートします。
	それで、あなたが凍りついたのを見てみましょう。 はい、準備はできました。
アイザック・ヒマンガ	よし。
ジャニス・ルボー、JMP	4321年までにだと思います。
アイザック・ヒマンガ	私の名前は Isaac Himanga です。ADM で多変量モデルを使用して製造プロセスを最適化するために使用しているワークフローを紹介します。
	まずデータを取得してモデルを構築し、現実的に最適な条件を見つけ、異常な条件を特定し、最後に現在のデータを使用してモデルにスコアを付けます。
	ここでは個々のプラットフォームに関する他の多くの情報が記載されているため、各ステップの詳細について説明する代わりに、よく使用される機能をいくつか取り上げて、ワークフロー全体を示してみたいと思います。
	この詳細な分析を行うには、ほとんどの場合、45 分よりも少し長くかかります。
	ここで簡単に説明する手順のスクリーンショットを含むジャーナルなど、さらに詳しい情報や詳細については、JMP コミュニティのこの講演の記事をご覧ください。
	まず、ADM と一般的なワークフローの概要を簡単に説明します。
	それでは、このプレゼンテーションを脇に置いて、JMPでのプロセスをご紹介します。データの取得とクリーニング、プロファイラーを使った複数の条件の特定など、JMPでの処理の様子をご覧ください。
	モデル駆動型多変量管理図プラットフォームを使用し、そのモデルに対して新しいデータをスコアリングするスクリプトを作成します。最後に、このプレゼンテーションに戻り、JMP を使用してそのモデルを継続的にスコアリングする方法を 1 つ簡単に説明します。
	まず、ADM について少し説明します。
	ADM の目的は、自然の力を解き放ち、生活の質を高めることです。
	私たちは、天然素材を食品や飲料、サプリメント、ペットや家畜の栄養剤などの原料やフレーバーの完全なポートフォリオに変換します。
	他にも様々なものがあります。世界のフードチェーンのあらゆる分野において比類のない能力を駆使し、お客様に今日そして明日の地球規模の課題解決における優位性を提供します。
	こうした機能の 1 つは、データ分析を使用して製造プロセスを改善することです。これには、これから説明する方法も含まれます。
	私は、比較的新しい、重点的な改善と分析を行うセンターオブエクセレンスの一員です。
	そして、成長を続ける当社のチームは、このような技術に投資し、800 の施設、300 の食品および飼料加工拠点、そして世界中の当社の残りの部分がデータを活用してよりよい意思決定を行えるように支援しています。
	次に、ワークフローの概要を説明します。
	本日ご紹介する4つのステップは、分析全体の一部に過ぎません。時間の関係上、すべてのデータセットにおいて重要と思われる項目については省略させていただきます。
	データの視覚化、検証の使用、変数の削減、他のモデルによる調査結果の裏付け、ラボとプロセス データの調整などです。
	データを取得し、モデルを構築し、JMP でオンデマンドでそのモデルにスコアを付け、その後継続的にモデルにスコアを付けます。
	JMP には、さまざまなデータベース接続、部分最小二乗法、主成分分析、モデル駆動型多変量管理図プラットフォームなどの多変量モデリング ツール、そしてもちろん JMP スクリプト言語 (JSL) など、各ステップをサポートするツールが用意されています。
	まずはデータの取得から始めましょう。データベース接続やスクリプトオプションは数多くありますが、プロセスヒストリアンからデータを素早く取得する方法が必要でした。
	PIという人気製品を使って、クエリを書いたりテーブル構造を操作したりすることなく、データシートを分析できます。ほとんどのデータセットでは、カスタムアドインが解決策でした。このアドインは比較的…最近JMPコミュニティに投稿されました。
	このプロセスを支援するアドインがさらに2つあります。1つは一般的にスクリプトツールと呼ばれ、スクリプトを使って計算列を素早く再作成するオプションが含まれています。
	ほとんどのJMPプラットフォームに組み込まれているスクリプト保存機能と組み合わせることで、JMPユーザーは分析を迅速に再現し、必要に応じてスコア付けすることができます。
	最後のアドインであるJMPモデルエンジンも最新です。PItoolのアドインからデータテーブルに保存された設定ファイルと情報を使用してデータを取得します。
	これにより、列の式またはその他の JSL スクリプトを使用して計算が行われ、結果がヒストリアンに書き戻されます。
	時間の都合上、この最後のステップは簡単に説明しますが、もう一度、JMPコミュニティのリンクから詳細を確認することをお勧めします。
	このプレゼンテーションの議題スライド。
	これらのアドインはそれぞれ、機密情報を削除するために全面的に見直されましたが、コミュニティに投稿されている同じコードにユーザーを移行しています。アイデアや改善方法がありましたら、JMPコミュニティまたはGitHubでお気軽にご連絡ください。
	それでは、JMP を開いてみましょう。
	ADM（またはJMP PItoolのアドイン）は、裏でSQL DAS、OLEDB、ODBCなど、いくつかの異なるPI製品を使用してデータを取得します。設定手順は、このプラットフォームのヘルプメニューに記載されています。
	今日は、5 月 1 日の正午から PItags セットのデータを取得し、その後、今日まで毎日正午に別の値を取得します。
	特定のタグのセットに対してこれを実行します。それらのタグはここにリストされています...
	このボックスで、フレンドリータグと呼ばれる名前、つまりPIhistorianで表示される名前よりも分かりやすい名前を追加しています。これは、後でデータテーブルでこれらの列を識別するのに役立ちます。
	...アドインの周囲に、今日使用するこのフレンドリーなタグ形式の説明を含む、詳細情報を提供します。
	クエリ実行をクリックすると、このようなデータテーブルが開きます。このデータテーブルには、すべての数値に対応する列のセットがあります。
	文字列値用の列セットが用意されているので、PIタグに文字列が格納されている場合は、それらの文字列が取得されます。また、PIタグのステータスも確認できます。
	各行ごとに。
	また、そのデータテーブルの列プロパティで列情報を開くと、PIタグなど、そのデータポイントを取得するために使用された情報が表示されます。
	通話の種類と間隔です。平均値や最大値といったより複雑なクエリの場合は、ここでより多くの情報が表示されます。
	これは実際のデータを再スケールし、列名を変更したものですが、今日見る分析は、当社の施設の実際のデータを使用した実際の分析と見た目も感触も非常に似ているはずです。
	最後に、PIデータソースと呼ばれるデータテーブルに保存されたスクリプトがあることを指摘します。これは、実際にアドインに表示されるスクリプトと同じです。
	ここにもあるSQLが含まれています。ここでも裏で使われているのは
	PIから情報を取得するにはSQL DASまたはPI DASを使用します。そして、これがそのデータを取得するために実行されるすべてのスクリプトです。今日の講演の終わり頃に、これをもう一度使用します。
	さて、データが揃ったので、データを整理する必要があります。今日は多変量解析ツール、特に主成分分析を使って整理します。データテーブルからすべての数値を取り出し、y列リストに入力します。
	すぐに、構成要素1のスコアが特に低い値がいくつかあることがわかります。それらの負荷量を見ると
	さまざまな要因を考慮すると、コンポーネント 1 には、このデータ セット内のすべての異なるフローに対する高い負荷が含まれていることがわかります。
	つまり、左側のこれらの値はすべて、システム全体でフローが高くなっていることがわかります。エンジニアリングの知識を駆使すると、これはそのプロセスのダウンタイムを表していると言えるので、これらの値をすべて非表示にして除外します。
	これを実行したら、主成分分析を再計算します。そのため、「やり直し」を使用して分析をやり直し、古い分析を閉じます。
	これで、ローディングがもう少し意味を持つようになったことがわかります。例えば、主成分3はフロー2の変動の大部分を説明しており、ここでは少し分離が見られます。
	最初の 3 つのコンポーネントは変動の大部分を説明するので、このデータ セット内の他の外れ値を探すときは、これらの 3 つのコンポーネントを使用します。
	それを実行するには、外れ値分析を開き、コンポーネントの数を 3 に変更します。
	そしてT2乗プロットと正規化されたDModXプロットの両方を見ることができます
	1つ以上のスコアが極値である点、または単一のスコアが極値である点を確認するには
	特定のロールのデータ セット内の他のすべての列に基づいて、予期しない値または予想範囲外の値を持つ列または単一のセルを検出します。
	今のところは、上限管理限界を超える T 平方値と DModX 値をすべて除外して、このデータ セットを簡単にクリーンアップするだけです。
	データセットをクリーンアップする際によく行われるもう一つのことは列の変換です。ここでは、スクリプトツールアドインの機能を使って、
	少し適用しようとしても
	新しい数式列メニューに切り替えます。3列または任意の数の列を選択し、スクリプトツールアドインの一部として再度読み込まれるカスタム変換オプションに移動すると、
	Savitzkey-Golay 変換を選択して [OK] をクリックすると、その変換を含む数式を含む 3 つの列がデータ テーブルの末尾に追加されます。
	なお、今回のクリーニングはPLSで直接行うこともできました。ただし、私はPCAを最初に使用することが多いです。
	さて、データセットを整理したので、実際にモデルを構築する必要があります
	それを予測しようとしています…私たちのプロセス条件です。このデータセットについてもう一つ簡単に説明しますと、ここにフローターゲットがあります。
	本日の目標は、フロー 1 をできるだけ少なく使用し、さらにいくつかの要素も考慮して、このターゲット フローを一定量作成することです...
	これらの品質パラメータにはいくつかの制約があります。まず、フロー1に主に関心があるので、部分最小二乗モデルに切り替えて、そのフロー、つまりY軸の目標フローと、その他のすべての変数をX軸の係数として使用します。
	今のところはすべてデフォルトのままにして、少し先に進んですぐに 4 つの要素を使用します。
	これら4つの要素を開くと、
	最初の2つを見てみましょう
	を表す
	工場は通常、プロセスの実行速度を調整するために、注文に応じてこれらの変数を変更します。そのため、目標流量を増減する必要がある場合、その目標速度を達成するために、多くの場合、係数1を変更します。
	一方、要因 2 は主にこれらの品質パラメータに関係しますが、これは実際には私たちが制御できない入力品質パラメータです。
	ですから、これは私たちが変えることができるものではありません。3番目と4番目の要因は比較的…比較的小さな変動しか説明できませんが、
	これらは私たちの目標フローであり、要因 1 の変動の比較的小さな量を説明します。これらは私たちが実際に制御できるものであり、したがって、これらを使用してプロセスを最適化することができます。
	これを利用するには、データの変動を説明するモデルを構築する必要があります。
	その情報を使用するには、それらの列のいくつかを保存するか、そこからの予測をデータセットの新しい列に保存する必要があります。
	これを数分後に予測プロファイラーで使用します。
	JMP 16で追加されたいくつかの新機能を活用します。これにより、Y変数とX変数の両方の予測値をXスコア式として保存できるようになります。プロファイラーを開くと、これがなぜ重要になるのかが理解できると思います。
	これで、X予測とTスクエアの3つの予測すべてをデータテーブルに保存しました。これらは、Xスコアの関数として、下部に新しい列として表示されます。
	PLS プラットフォーム内の距離と T 平方のプロットを簡単に確認してみましょう。DModX または T 平方がかなり高い変数がいくつかありますが、極端に高いものはないことがわかります。
	これらのスコアは、多くの場合、あるいは常に変数名で保存されますが、保存数が増えたり、モデルの反復処理を繰り返すと、混乱を招く可能性があります。そのため、スクリプトツールには「列名変更」と呼ばれる別の関数が含まれています。
	PLSのサンプルクエリを選択できます。これはかなり複雑な正規表現パターンです。
	ただし、データ テーブル内では PLS、PCA、その他のプラットフォームで同じになる標準の名前セットが出力されることに注意してください。
	この場合、私は実際に特定のプレフィックスをコピーして、すべての列の前に付けます。これは、これが品質管理のためにオンラインにするモデルであり、そのモデルのリビジョン 1 であることを示します。
	名前を変更すると、データセット内のすべての列の名前が自動的に変更されることがわかります。
	そこで私たちは、
	これらの列はまだ作成されていませんが、当初の目標である、フロー1をできるだけ少なくして、目標フローの一定量のフローを生成する方法を見つけ出すという目標はまだ達成していません。そのためにプロファイラーを使用します。プロファイラーを開くと、
	これらの予測値すべて、つまり X スコア自体ではなく、予測値と T の 2 乗をこの予測式のセクションに追加できます。
	そしてそれが開くと、X 軸全体にモデル内のすべてのスコアまたは潜在変数が表示されます。
	これらのスコアの1つを動かすと、すべての観測変数が自動的に一緒に動くことがわかります
	各成分の負荷率で表されます。重要なのは、フロー3と4を見てください。これらは常に一緒に動きます。どちらのスコアを動かしても、
	このモデルは、これら2つのスコアが関連していることを理解しています。おそらく1つは彼らが管理している流量計であり、もう1つは
	同じラインに 2 番目の流量計がありますが、いずれにしても、プラントは 1 つの流量計を同じ方向に動かさずにもう 1 つの流量計を動かすことはできないようです。
	したがって、目標は、プロセスを最適化するこれらのスコアのそれぞれの値を見つけることです。
	それを実行する前に、JMPに何を最適化しようとしているのかを伝える必要があります。達成したいフローレートと、達成したい品質パラメータを指定する必要があります。
	まず、これらの列のほとんどの値は気にしないことを伝えます。保存したすべての列を選択します。
	属性を標準化し、これらすべての異なる列に対して応答制限なしを追加します。
	次に、戻ってレスポンス制限を調整します。対象となる列については、より詳細な情報を指定できます。例えば、フローターゲットをレスポンス制限に戻して、その列の値を140に一致させたいことを示します。
	同様に品質1では、
	20.15.
	フローの場合、その値を最小化したいと考えています。
	そして最後に、私たちが到達した解決策がシステムの通常の動作範囲に近くなることを確認する必要があります。そのため、PLS を構築したエリアの外側に外挿することは望ましくありません。
	それには、このTの2乗の列を使用し、Tの2乗を最小化したいことを示します。
	PLSプラットフォームで示された上側管理限界を下回っています。ここで上側管理限界は9.32であったことが分かるので、これを最小値として使用します。
	プロファイラーで確認すると、9.32 未満の値はすべて同等に許容され、9.32 を超えるにつれて、ますます望ましくない値になっていくことがわかります。
	グラフ メニューで、もう一度プロファイラーを開き、もう一度、それらの予測と T 二乗式をすべて取得して、Y 予測式に入力します。
	下部には X スコアが表示されていますが、右側には望ましさ関数も表示されます。
	そして、T平方の望ましさ関数は9.32を超えると再び低下し始めます。望ましさはフロー1の値が低いときに最も高くなり、目標フローと品質パラメータの両方に目標があります。
	これらすべてを定義したので、今度は望ましさを最大化することに進みます。
	そして、それぞれのスコアの値、つまりデータセット内の観測変数の値を見つけようとします。
	この目標フローを達成し、先ほど定義した目標を達成します。
	目標値にほぼ達しましたが、少し低いようです。20.15は達成しました。
	そして、それは私たちが設定したT二乗の境界内に収まっていました。JMPは、このわずかな望ましさの低下はフローの減少よりも重要ではないと判断した可能性が高いので、この望ましさ関数をCtrlキーを押しながらクリックし、重要度を10に変更するだけで修正できます。
	これを再度最適化すれば、フロー目標にもう少し近づくはずです。ただし、その前に、これらの要因設定をこの下の表に保存して、前後を比較できるようにします。そして、望ましさを最大化していきます。
	どうやら完了したようです。T スクエアの範囲内にまだ収まっています。
	要求した 20.15 が達成され、確かに 140 にかなり近づいています。これで、これらの係数設定をデータ テーブルに再度保存できるようになりました。
	そして、これで製造施設に返して「これが私たちが推奨するパラメータです」と言える要素が得られるはずです。
	このような多変量解析を使用する利点は、先ほど3番目と4番目のフローが関連していることについてお話ししましたが、
	この方法を使用すると、プラントが実際に稼働できる適切な値を与えることができるはずです。
	フロー 3 で高い値を実行し、フロー 4 で低い値を実行するように指示すると、相手はあなたを見て、それは不可能だと言うかもしれません。
	これらはもっと合理的であるはずです。これらの変数のすべてが必ずしもプラントが制御できる独立変数であるわけではないことに注意してください。その中には
	結果が原因なのかもしれないし、あるいは他の変数と関連しているだけかもしれない。理論的には、植物が制御可能なすべてのものを変えれば、他のものは自然にうまくいくはずだ。
	これでこのモデルは最適化されました。次のステップは、正常に動作しているかどうかを確認、あるいは検証することです。最適な条件が設定されたら、同じモデルを使用して新しい行や新しいデータをスコアリングし、プロセスが期待どおりに動作しているかどうかを把握するとよいでしょう。
	そのために、PLSプラットフォームから保存したのと同じ予測スコアを使用しますが、今回はモデル駆動型多変量管理図でそれらを使用します。
	品質とプロセスの下で。
	時間を使用してそれを時間 ID に入力すると、行番号が表示される代わりに、すべてのチャートに実際の日付が表示され、X スコアがプロセスに入力されます。
	残念ながら、これらのグラフでは範囲が常に正しく機能するとは限りません。少し拡大すると、T の二乗が高かった期間が示されます。この高い T の二乗は主にフロー 2、3、4、1 の結果であり、その中のすべてのフローは...
	このT2乗に大きく寄与しているのは、これです。これをクリックして、マウスをバーの1つに合わせ、もう一度その点をクリックすると、その個々の値の管理図が表示されます。
	選択したポイントの変数がそのチャート上で強調表示されます。
	ただし、これは非表示にしておきます。T2乗だけでなく、DModXやSPE（SPEをまだ見ているなら）でも同じことができます。もう一度言います。
	これは必ずしも正しく機能するとは限りません。
	そこで、
	DModX 値を再度確認します。
	したがって、DModX は、他の行、つまりその行の他のデータに基づいて予想されたものと比較して、個々の列の値が高いか低いポイントを示します。
	ここで、この点は主にフロー 5 による外れ値であることがわかります。
	寄与率ヒートマップは、たとえば、ある変数が長期間または一定期間にわたって大きな寄与要因であったり、異常な動作をしていた場合に、古いデータのパターンを確認するのに非常に役立つと思います。
	したがって、これは、たとえば毎朝、または定期的に確認して、プロセスが正常に動作しているかどうかを確認する必要があるチャートです。
	入ってきて、これを開いて、プロセスを再び制御できるようにするために今すぐ調整する必要があるものがあるかどうかを確認します。
	そのためには、PI データの取得から MDMCC プラットフォームのオープンまでの分析全体を再作成し、ボタンをクリックするだけですべてを利用できるようにする必要があります。
	そのためには、3つのステップからなるJSLスクリプトを作成します。PIからデータを取得し、計算列を追加し、多変量管理図プラットフォームにあるモデルを開きます。
	PIからデータを取得しています。元のデータテーブルに戻ると…
	PI Toolsアドインの実行後に開かれたスクリプトウィンドウには、このPIデータソーススクリプトがそのテーブルに保存されているのが確認できます。このスクリプトを編集してコピーすれば、新しいスクリプトウィンドウに貼り付けることができます。
	一つだけ変更を加えます。5月からのデータではなく、8月1日からのデータを取得します。
	次に、計算列を追加する必要があります。PLSプラットフォームでは、保存されたスコアを使用して、Xスコアの計算式として保存するオプションを使用することを覚えておいてください。
	これらを再作成するには、データ テーブル内のすべての列を選択し、そのスクリプト ツール アドインに再度追加された列コピー スクリプト関数を使用します。
	列スクリプトをコピーしたら、作成したこの新しいスクリプトに戻り、一連の新しい列数式を貼り付けて、すべての列を再度作成します。
	最後に、モデル駆動型多変数制御
	チャートには他のほとんどのプラットフォームにあるような???があり、スクリプトをクリップボードに保存して、同じスクリプト ウィンドウに貼り付けることができます。
	さて、新しい日が来て、すべてが終了し、プロセスがどのように進んでいるかを確認したいとします。この場合、同じスクリプトを実行します。
	スクリプトを開いたときに自動的に実行されるように、特定のスラッシュ、スラッシュ、感嘆符を入力します。
	実行ボタンを押すと、元のテーブルと全く同じデータテーブルが開きます。列もすべて同じです。
	計算列が追加されましたので、これらのスコアとすべての予測を入力し、モデル駆動型多変量管理図プラットフォームも開きます。
	ここで、DModX の最近の値は実際にはかなり高いことがわかります。つまり、最新のデータには、この場合は品質 3 の異常な値が含まれています。
	繰り返しになりますが、品質3は他のパラメータに基づくと期待値に達していないようです。この特定のケースでは、それは次のようなことを意味するかもしれません。
	品質 3 は入力パラメータであり、品質 1、2、3 は関連していることが多いため、品質 3 が不良なラボ サンプルである可能性や、これまで扱ったことのない新しい材料である可能性が考えられます。
	さて、最後に、このモデルを継続的に実行する一つの方法についてお話ししましょう。これはオンデマンドで再作成されました。
	これを実行するためにJSLスクリプトを書いたのですが、時にはそれが有益なこともあります
	これらの結果をPIヒストリアンに書き戻すことで、
	施設のオペレーターの皆さん、最後の数分で、モデルエンジンアドインというアドインを紹介したいと思います。
	オンラインで迅速にモデルをスコアリングします。ただし、これはあくまでもアドバイスとしてのみ使用してください。重要な情報を提供したり、閉ループ制御を行うには適した方法ではありません。
	そのためには、数式デポから数式をエクスポートし、他のソフトウェア パッケージを使用して数式を採点することを検討してください。
	前述のように、このモデルで得られる予測と情報の一部は
	最も価値が高いのは、それが起こっている瞬間です。昨日の問題の原因を知ることは重要ですが、今何が起こっているかを知ることは重要です。
	現在のモデル結果に基づいて決定を下すことを意味し、問題が深刻化する前にいくつかの問題を修正することができます。
	もちろんモデルを評価する方法はたくさんありますが、JMPのスクリプト言語であるJSLの力は、
	製造施設のオペレーターが既に使い慣れている視覚化および傾向分析ツールの既存のスイートを使用して、予測と異常情報をオペレーターに提示する方法を提供します。
	1 組のモデル エンジン、またはタスク スケジューラを起動した特定のアドインを使用して JMP を実行するコンピューターは、特定のディレクトリに保存されているすべてのモデルを定期的に実行するように設定されます。
	すべての構成は、2 種類の構成ファイル (1 つのエンジン構成ファイルと、スコア付けされる各モデル用の 1 つのモデル構成ファイル) を介して行われます。
	まずはモデル構成ファイルから始めましょう。PI Toolsアドインがソース情報をデータテーブルに保存する方法を覚えていますか？
	これで、同じ情報を使用してモデル構成ファイルを入力できるようになりました。このファイルは、値を計算するために必要なすべてのモデル入力を含む 1 行のテーブルをダウンロードする方法をモデル エンジンに指示します。
	その後、スクリプトツールのアドインはスクリプトを素早く保存し、PLSや他のプラットフォームから保存された列を再作成します。
	モデルバージョン管理チャートプラットフォームから保存できるT平方およびDModX寄与が含まれる可能性があります。これらの新しい列スクリプトは、モデル構成ファイルまたは同じディレクトリ内の別のファイルにも保存されます。
	最後に、エンジン構成ファイルは、PIツールがデータソースと通信する方法を定義します。
	アドイン...PIツールアドインがOLDBを使用する
	データを取得するための SQL クエリを使用する場合、モデル エンジンは PI Web API を使用して PI に直接データを読み書きします。
	エンジン構成ファイルで一連の関数を定義することにより、このエンジンは他の多くのデータ ソースとも通信できるようになります。
	ハートビート タグのセットが定義されていることに注意してください。これにより、データ ソースと他のモデル エンジンはこのエンジンの状態を知ることができます。
	各モデルには独自のハートビート タグのセットもあるため、1 台のマシンが特定のモデルのスコアリングを停止すると、他のエンジンが自動的に引き継ぎます。
	このモデル エンジンのアイデアは、重要なアプリケーションで使用することを想定したものではありませんが、これにより、展開と探索的分析からオンライン予測や品質管理ソリューションに非常に迅速に移行できることがわかりました。
	ご参加いただきありがとうございました。各アドインと本日使用したジャーナルに関する詳しい情報は、JMPコミュニティでご覧いただけます。
ジャニス・ルボー、JMP	素晴らしい仕事、素晴らしい。

高度な統計モデリング自動化とスクリプト基本的なデータ分析とモデリング消費者および市場調査コンテンツの編成データのブレンドとクリーンアップ実験計画法予測モデリングと機械学習品質およびプロセスエンジニアリング信頼性分析結果の共有と伝達