756778_ko-KR

liliconcom

다변량 모델 최적화: 데이터 수집부터 최적 조건 및 모델 평가까지 (2021-US-45MP-927)

Isaac Himanga, ADM 수석 분석 엔지니어

제조 공정은 상호 연관성이 매우 높아 최적화하기 어려운 시스템입니다. 이러한 상관관계는 이상치를 식별할 수 있는 기회를 제공합니다. 여기에서는 다음과 같은 전체 워크플로를 보여줍니다.

• OSISoft 히스토리언트에서 데이터를 얻습니다.
• 프로세스 제약 조건을 고려한 다변수 모델을 사용하여 모델링하고 최적화합니다.
• MDMCC 플랫폼을 사용합니다.
• 온라인에서 모델에 점수를 매기고 비정상적인 조건을 역사가에게 다시 기록합니다.

실제로 많은 프로세스는 최적화하기 어렵습니다. 때로는 시스템을 검증 가능한 독립 변수 집합으로 축소할 수 없고, 다른 경우에는 프로세스가 다른 조건에서 불안정해질 수 있습니다. 이러한 문제를 해결하기 위해 JMP 16의 새로운 기능을 사용하여 잠재 변수 공간에서 비용 및 품질을 최적화하는 동시에 관측 변수에 대한 제약 조건을 고려합니다. 이러한 최적 조건을 유지하기 위해 MDMCC 플랫폼을 사용하여 정상 범위와의 편차를 신속하게 파악합니다.

추가 기능은 데이터 수집과 모델 평가에 소요되는 시간을 최소화하는 데 사용됩니다. 하나는 인기 있는 PI 히스토리언에서 JMP로 프로세스 데이터를 가져오는 기능, 다른 하나는 계산된 열을 빠르게 다시 만드는 기능, 세 번째는 온라인으로 모델에 점수를 매기고 MDMCC의 기여를 포함하여 결과를 히스토리언에 보내는 기능입니다.

참조된 추가 기능은 JMP 커뮤니티에서 사용할 수 있습니다.

• Had/OSISoft PI Tools
• 스크립팅 도구

자동 생성된 대본...

스피커	성적 증명서
아이작 히망가	안녕하세요 좋은 아침입니다.
Janice LeBeau, JMP	안녕, 아이작. 잘 지내?
아이작 히망가	잘 지내시죠?
Janice LeBeau, JMP	좋습니다. 감사합니다. 저는 댄입니다. 오늘은 당신을 위한 프레젠테이션을 제작하게 되었습니다.
아이작 히망가	그렇죠, 환상적이에요.
Janice LeBeau, JMP	그리고 아이작, 나는 당신을 볼 수 없어요.
아이작 히망가	네, 죄송합니다. 여기에 설정해 두겠습니다.
Janice LeBeau, JMP	알겠습니다. 지금 녹음 중이라는 걸 알려드리고자 합니다.
	정말 멋지네요. 마치 전에 만난 적이 있는 것 같은 느낌이 들어요.
아이작 히망가	아마도 정상 회담 중 하나가 있을 겁니다. 어디에 있든 말이죠.
Janice LeBeau, JMP	좋아요, 오늘은 잘 지내셨나요?
아이작 히망가	잘 지내시죠?
Janice LeBeau, JMP	좋아요 좋아요 배경이 참 예쁘네요. 색깔도 정말 예쁘네요.
아이작 히망가	감사합니다.
	좋은.
Janice LeBeau, JMP	몇 가지 사항을 다시 말씀드리고 싶은데, 꼭 다시 한 번 확인하셔야 할 사항이 있습니다.
	발표자 이름, 회사, 초록 제목.
	좋아요, 공동 발표자가 있나요? 그리고 이걸 녹화해서 Discovery Discovery Summit 기록 보관소에 게시하는 것에 대해 괜찮으신가요?
아이작 히망가	물론이고, 제 사이트에도 플레이를 기록으로 게시하려고 했어요. 무슨 일이 생길 경우를 대비해서요. 그러면 사본을 얻을 수 있을 테고, 여러분은 그걸로 괜찮을 거예요.
Janice LeBeau, JMP	음, 그것이 품질에 영향을 미칠지 모르겠네요.
아이작 히망가	내가 자주 해야 하는 게 아닌가.
Janice LeBeau, JMP	알겠습니다. 제가 주도권을 쥐겠습니다. 배경도 좋고 마이크 소리도 좋습니다. 휴대전화와 컴퓨터 알림이 꺼져 있는지 다시 한번 확인하고 싶었습니다.
아이작 히망가	그래야 하지만 언제 다시 확인하게 될지 모르겠어요.
Janice LeBeau, JMP	나는 당신의 예술작품을 부릅니다.
	그런 다음.
	10일차에 8과 1920의 에너지가 있는데, 배경에 애완동물이 있나요?
아이작 히망가	그래서.
Janice LeBeau, JMP	내 고양이가 그럴 것처럼 소음이 날 수도 있어서 그를 추천했어요.
아이작 히망가	글쎄요, 이론적으로는 오늘은 집에 있는 사람이 저 뿐이거든요.
Janice LeBeau, JMP	소리를 내는 Skype나 다른 애플리케이션을 닫았나요?
아이작 히망가	네, 제 차례가 됐습니다. 맞아요.
	좋아요.
아이작 히망가	네, 그래서 제 생각엔 우리가 여기서 시작할 때 볼륨을 아주 낮춰야 할 것 같아요. 무슨 일이 생기면 당신을 볼 수 있을 테니까요. 하지만 그렇게 하면 다른 소리가 나더라도 조용해질 거예요.
Janice LeBeau, JMP	글쎄요, 제가 할 일은 다음과 같습니다.
	여기서 몇 가지 더 알려드릴 게 있습니다. 제 자신을 음소거하고 비디오를 숨기고 프레젠테이션을 위해 화면을 공유하세요.
	그리고, 음소거하기 전에 54321을 하고 몇 초간 기다려 주세요. 그러면 자기소개를 하실 수 있습니다.
	녹음을 시작하면 프레젠테이션을 시작할 수 있습니다. 그리고 오늘 프레젠테이션은 이것으로 마무리됩니다. 말씀하시고 싶은 것이 무엇이든 즐기셨기를 바랍니다. 그런 다음 녹음을 멈추겠습니다.
	좋아요. 처음에 푹 빠졌다가 만족스럽지 않으면 중단하고 다시 시작할 수 있다는 걸 알잖아요. 저는 그런 것에 전혀 문제가 없습니다.
아이작 히망가	좋아요, 이제 문제가 되지 않기를 바랍니다. 35분에 얼마나 가깝게 원하시나요? 제가 연습했을 때는 34분과 36분 사이에서 갈팡질팡했는데, 35분으로 읽고 싶으신가요?
Janice LeBeau, JMP	알다시피, 뭐든지 해야 할 일을 하면 돼요. 한 사람은 20분짜리를 30~40분짜리라고 했는데,
아이작 히망가	네, 어딘가에 35가 있었던 걸 기억해요. 거기에 범위를 정해 놓았을 수도 있어요.
Janice LeBeau, JMP	괜찮아요. 걱정하지 마세요.
아이작 히망가	좋아요, 좋은 거래가 완벽하네요.
Janice LeBeau, JMP	좋아요, 클라우드에 녹화하고 있네요.
	우리는 그것을 볼 수 있습니다.
	오, 정말 맛있어 보이네요.
아이작 히망가	완벽한.
Janice LeBeau, JMP	그렇죠.
	그럼, 제 영상을 보실 준비되셨나요?
아이작 히망가	그럼, 타이머가 없는 카메라에 타이머를 설정해 볼까요? 그러면 30개를 할 수 있을 것 같아요.
Janice LeBeau, JMP	뭐, 뭐든지 하세요. 이게 시작될 테니까요.
	솔직히 말해서, 35라고 생각하고 32까지 가면 괜찮고, 조금 더 가도 괜찮습니다.
	좋아요.
아이작 히망가	그래서 저는 모든 것을 여기에 가지고 있습니다.
	괜찮은.
Janice LeBeau, JMP	좋아요, 좋아, 그러면 내가 그걸 할 테니까 기분이 좋아질 거예요.
	54321을 실행해서 내 목소리를 음소거하겠습니다.
	그럼, 당신이 얼어붙은 것을 보세요. 좋아, 준비됐어요.
아이작 히망가	괜찮은.
Janice LeBeau, JMP	제 생각에는 4321년쯤 될 거예요.
아이작 히망가	저는 아이작 히망가입니다. 저는 ADM에서 다변수 모델을 사용하여 제조 공정을 최적화하는 데 사용하는 워크플로를 보여드리겠습니다.
	먼저 데이터를 추출하고 모델을 구축하고, 현실적인 최적 조건을 찾고, 비정상 조건을 식별한 다음, 마지막으로 현재 데이터를 사용하여 모델의 점수를 매기겠습니다.
	여기에는 각 플랫폼에 대한 많은 정보가 있으므로, 각 단계의 세부 사항을 설명하는 대신, 흔히 사용되는 몇 가지 기능만 강조하고 대신 전체 워크플로를 보여드리려고 합니다.
	이 분석의 세부 사항을 고려하면 대부분 분석에 45분보다 조금 더 걸릴 것 같습니다.
	따라서 JMP 커뮤니티에서 이 강연에 대한 자세한 내용과 정보를 얻을 수 있는 기사를 읽어보세요. 여기에는 제가 여기서 빠르게 살펴보게 될 단계들의 스크린샷이 있는 저널도 포함되어 있습니다.
	먼저 ADM과 일반적인 작업 흐름에 대한 간략한 개요부터 살펴보겠습니다.
	그러면 이 프레젠테이션은 잠시 접어두고 JMP의 프로세스를 보여드리겠습니다. 데이터를 수집하고 정리하는 과정, 프로파일러를 사용하여 여러 조건을 찾아내는 과정 등을 살펴보겠습니다.
	모델 기반 다변량 관리도 플랫폼을 사용하고, 해당 모델에 대해 새로운 데이터를 평가하는 스크립트를 작성한 후, 마지막으로 이 프레젠테이션으로 돌아와 JMP를 사용하여 해당 모델의 점수를 지속적으로 평가하는 한 가지 방법을 간략하게 소개하겠습니다.
	먼저 ADM에 대해 간략히 알아보겠습니다.
	ADM의 목적은 자연의 힘을 활용하여 삶의 질을 풍요롭게 하는 것입니다.
	우리는 천연 제품을 식품 및 음료, 보충제, 애완동물 및 가축을 위한 영양제에 대한 완전한 성분 및 향미료 포트폴리오로 변환합니다.
	그리고 그 이상입니다. 전 세계 식품 사슬의 모든 단계에 걸쳐 독보적인 역량을 갖춘 우리는 고객에게 현재와 미래의 글로벌 과제를 해결하는 데 있어 우위를 제공합니다.
	그러한 역량 중 하나는 데이터 분석을 활용하여 제조 공정을 개선하는 것입니다. 여기에는 제가 지금 이야기하려는 방법도 포함됩니다.
	저는 비교적 새로운 집중 개선 및 분석 센터의 일원입니다.
	그리고 성장하고 있는 우리 팀은 800개 시설, 300개 식품 및 사료 가공 장소, 그리고 전 세계에 있는 우리 회사의 나머지 부서가 데이터를 사용하여 더 나은 결정을 내릴 수 있도록 돕는 이러한 기술에 투자하고 있습니다.
	이제 작업 흐름에 대한 개요를 살펴보겠습니다.
	오늘 제가 살펴볼 네 단계는 전체 분석의 일부에 불과합니다. 시간 절약을 위해 모든 데이터 세트에 중요하다고 생각하는 몇 가지 내용은 생략하겠습니다.
	데이터 시각화, 검증 사용, 변수 감소, 다른 모델과의 결과 확인, 실험실 및 프로세스 데이터 정렬과 같은 작업입니다.
	데이터를 수집하고, 모델을 구축하고, JMP에서 필요에 따라 해당 모델의 점수를 매기고, 계속해서 모델에 대한 점수를 매깁니다.
	JMP에는 데이터베이스 연결, 부분 최소 제곱법, 주성분, 모델 기반 다변량 관리도 플랫폼과 같은 다변량 모델링 도구, 그리고 물론 JMP 스크립팅 언어 또는 JSL을 포함하여 각 단계를 지원하는 도구가 있습니다.
	데이터 수집부터 시작해 보겠습니다. 다양한 데이터베이스 연결과 스크립팅 옵션이 있음에도 불구하고, 프로세스 히스토리언에서 데이터를 빠르게 가져올 방법이 필요했습니다.
	PI라는 인기 제품을 쿼리 작성이나 테이블 구조 탐색 없이 사용할 수 있습니다. 대부분의 데이터 세트에는 사용자 지정 추가 기능이 해답이었습니다. 이 추가 기능은 비교적...최근 JMP 커뮤니티에 게시되었습니다.
	이 프로세스를 지원하는 두 가지 추가 기능이 있습니다. 하나는 스크립팅 도구라고 하며, 스크립트에서 계산된 열을 빠르게 다시 생성하는 옵션을 제공합니다.
	대부분의 JMP 플랫폼에 내장된 스크립트 저장 기능과 결합하면 JMP 사용자는 필요에 따라 분석을 빠르게 재생성하고 점수를 매길 수 있습니다.
	JMP 모델 엔진이라는 마지막 추가 기능도 최신 버전입니다. 이 추가 기능은 PItool 추가 기능에서 데이터 테이블에 저장된 구성 파일과 정보를 사용하여 데이터를 가져옵니다.
	그러면 열 수식이나 다른 JSL 스크립트를 사용하여 계산을 수행한 다음 결과를 역사가에게 다시 기록합니다.
	그리고 시간의 관심으로, 나는 이 마지막 단계를 매우 빠르게 진행할 것입니다. 그러나 다시 한번, 나는 여러분이 링크를 사용하여 JMP 커뮤니티에서 더 자세한 내용을 찾아보시기를 권장합니다.
	이 프레젠테이션의 의제 슬라이드입니다.
	각 추가 기능은 민감한 정보를 제거하기 위해 전면 개편되었지만, 커뮤니티에 게시된 동일한 코드로 사용자들을 전환하고 있습니다. 따라서 아이디어나 개선 방안이 있으시면 JMP 커뮤니티나 GitHub에서 저희와 함께 협업해 주세요.
	이제 JMP를 열어보겠습니다.
	ADM(JMP PItool)의 애드인은 내부적으로 SQL DAS, OLEDB, ODBC 등 여러 PI 제품을 사용하여 데이터를 가져옵니다. 설정 방법은 해당 플랫폼의 도움말 메뉴에서 확인할 수 있습니다.
	오늘은 5월 1일 정오부터 시작하여 PI태그 세트에 대한 데이터를 가져오고, 오늘까지 매일 정오에 다른 값을 가져올 것입니다.
	우리는 특정 태그 집합에 대해 이 작업을 수행할 것입니다. 이 태그 집합은 여기에 나열되어 있습니다...
	이 상자에 있습니다. PIhistorian에 있는 이름보다 더 설명적인 태그, 즉 친근한 이름을 실제로 포함했는데, 이는 나중에 데이터 테이블에서 해당 열을 식별하는 데 도움이 됩니다.
	...오늘 사용할 친숙한 태그 형식에 대한 설명을 포함하여 추가 기능에 대한 자세한 정보를 제공합니다.
	'쿼리 실행'을 클릭하면 이런 형태의 데이터 테이블이 열립니다. 해당 데이터 테이블의 모든 숫자 값에 대한 열 집합이 있습니다.
	모든 문자열 값에 대한 열 집합이 있으므로 PItag에 저장된 문자가 있으면 해당 문자열을 가져옵니다. 해당 PItag의 상태도 확인할 수 있습니다.
	각 행마다.
	또한 해당 데이터 테이블의 열 속성에서 열 정보를 열면 PI태그를 포함하여 해당 데이터 포인트를 가져오는 데 사용된 정보를 볼 수 있습니다.
	호출 유형과 간격입니다. 평균이나 최대값과 같이 더 복잡한 쿼리의 경우, 여기에서 더 많은 정보를 확인할 수 있습니다.
	이는 실제 데이터를 재조정하고 열 이름을 변경한 것이지만, 오늘 우리가 보게 될 분석은 우리 시설 중 한 곳의 실제 데이터를 사용한 실제 분석과 매우 유사해 보이고 느껴질 것입니다.
	마지막으로 PI 데이터 소스라는 데이터 테이블에 저장된 스크립트가 있다는 점을 알려드리겠습니다. 이 스크립트는 실제로 추가 기능에 표시되는 스크립트와 동일합니다.
	여기에는 여기에서도 사용할 수 있는 SQL이 포함되어 있습니다. 다시 한 번 내부적으로는 다음을 사용합니다.
	PI에서 해당 정보를 가져오기 위해 SQL DAS 또는 PI DAS를 사용합니다. 그리고 이 모든 것이 PI가 데이터를 가져오기 위해 실행하는 모든 스크립트입니다. 오늘 강연 마지막 부분에서 이 부분을 다시 사용하겠습니다.
	좋아요, 이제 데이터가 준비되었으니 데이터를 정리해야 합니다. 오늘은 다변량 도구, 특히 주성분 분석을 사용해서 데이터를 정리하겠습니다. 해당 데이터 테이블에서 모든 숫자 값을 추출하여 y 열 목록에 넣은 다음
	바로, 우리는 몇몇 값들을 볼 수 있는데, 그중 상당수는 구성 요소 1에 대해 특히 낮은 점수를 받았습니다. 해당 값들의 로딩을 살펴보면,
	다양한 요소가 있지만, 이 데이터 세트의 모든 흐름에 대해 높은 부하가 포함된 구성 요소를 볼 수 있습니다.
	즉, 왼쪽에 있는 모든 값은 전체 시스템에서 높은 흐름을 나타냅니다. 엔지니어링 지식을 활용하면 이는 해당 프로세스의 가동 중지 시간을 나타낸다고 할 수 있습니다. 따라서 이 모든 값을 숨기고 제외하겠습니다.
	이제 주성분 분석을 다시 계산하겠습니다. 다시 실행을 사용하여 분석을 다시 실행한 다음 이전 분석을 닫습니다.
	이제 부하량이 조금 더 의미 있게 변했음을 알 수 있습니다. 예를 들어, 주성분 3은 흐름 2의 변동 대부분을 설명하며, 여기서 약간의 분리 현상이 나타납니다.
	처음 세 가지 구성 요소가 대부분의 변동을 설명하므로 이 데이터 세트에서 다른 이상치를 찾을 때 이 세 가지 구성 요소를 사용하려고 합니다.
	그렇게 하려면 이상치 분석을 열고 구성 요소의 수를 3으로 변경하겠습니다.
	그리고 T 제곱 플롯을 볼 수 있고 정규화된 DModX 플롯도 열 수 있습니다.
	하나 이상의 점수에 대해 극단적인 값을 갖는 점 또는 단일 값을 갖는 점을 보려면
	특정 역할에 대한 해당 데이터 세트의 다른 모든 열을 기반으로 예상치 못한 값이나 예상 범위를 벗어나는 값을 갖는 열이나 단일 셀을 찾습니다.
	지금은 상위 관리 한계 위에 있는 모든 T 제곱 값과 DModX 값을 제외하여 이 데이터 세트를 빠르게 정리하겠습니다.
	데이터 세트를 정리할 때 일반적으로 수행되는 또 다른 작업은 열을 변환하는 것입니다. 여기서는 스크립팅 도구 추가 기능의 기능을 보여드리고 싶습니다.
	조금만 노력해도 적용이 가능합니다.
	새 수식 열 메뉴로 이동합니다. 세 개의 열 또는 원하는 개수의 열을 선택하고 사용자 지정 변환 옵션으로 이동하면, 이 옵션도 스크립팅 도구 추가 기능의 일부로 로드됩니다.
	Savitzkey-Golay 변환을 선택하고 확인을 누르면 해당 변환을 포함하는 수식이 있는 세 개의 열이 데이터 테이블의 끝에 추가됩니다.
	저희가 한 청소는 PLS를 통해 직접 할 수도 있었을 것 같습니다. 하지만 저는 종종 PCA를 먼저 사용합니다.
	이제 데이터 세트를 정리했으므로 실제로 모델을 구축해야 합니다.
	예측을 시도해 보려고요... 공정 조건. 이 데이터 세트에 대해 또 한 가지 간단히 말씀드리자면, 여기 위쪽에 유량 목표가 있습니다.
	오늘 우리의 목표는 가능한 한 적은 유량을 사용하고, 또한 몇 가지를 고려하여 특정 양의 목표 유량을 생성하는 것입니다...
	이러한 품질 매개변수에 대한 몇 가지 제약 조건을 고려해야 합니다. 따라서 흐름 1이 우리의 주요 관심사이므로 부분 최소 제곱 모델로 전환하여 해당 흐름, 즉 y축의 목표 흐름과 다른 모든 변수를 X 인자로 사용하겠습니다.
	지금은 모든 기본값을 그대로 사용하고 조금 앞으로 넘어가서 바로 4가지 요소를 사용하겠습니다.
	그 4가지 요소를 열면,
	우리는 첫 번째 두 가지를 볼 것입니다
	대표하다
	공장에서 일반적으로 주문 시 변경하는 변수는 공정 속도를 조정하기 위한 것입니다. 따라서 목표 유량을 늘리거나 줄여야 할 경우, 해당 목표 유량을 달성하기 위해 종종 계수 1을 변경합니다.
	반면에 요인 2는 주로 이러한 품질 매개변수와 관련이 있는데, 이는 실제로 우리가 통제할 수 없는 입력 품질 매개변수입니다.
	그래서 우리가 바꿀 수 있는 것이 아닙니다. 세 번째와 네 번째 요인이 상대적으로... 상대적으로 적은 양의 변동을 설명하더라도
	우리의 목표 흐름은 우리의 1번째 요인의 변동을 비교적 적게 설명하는데, 이것들은 우리가 실제로 통제할 수 있는 것들이고, 그래서 이것들은 우리가 프로세스를 최적화하기 위해 사용할 수 있는 것들입니다.
	이것을 사용하기 위해...우리는 데이터의 변화를 설명하는 모델을 구축했습니다.
	해당 정보를 사용하려면 일부 열을 저장하거나 이 열의 예측을 데이터 세트의 새 열에 저장해야 합니다.
	몇 분 안에 예측 프로파일러에 사용할 것입니다.
	JMP 16에 추가된 몇 가지 새로운 기능을 활용해 보겠습니다. 이 기능을 사용하면 Y 변수와 X 변수 모두에 대한 예측을 X 점수 공식으로 저장할 수 있습니다. 프로파일러를 열면 이 기능이 왜 중요한지 이해하는 데 도움이 될 것 같습니다.
	따라서 세 가지 예측, 즉 X 예측과 T 제곱을 모두 데이터 테이블에 저장했습니다. 이 X 점수의 함수로서 하단에 새로운 열이 추가되어야 합니다.
	PLS 플랫폼 내에서 거리와 T 제곱 플롯을 간략히 살펴보면 꽤 높은 DModX나 T 제곱을 갖는 몇몇 변수가 있지만, 지나치게 극단적인 것은 없다는 것을 알 수 있습니다.
	이러한 점수는 종종 저장되거나 항상 변수 이름과 함께 저장되는데, 저장량이 늘어나거나 모델을 여러 번 반복할수록 변수 이름이 혼동될 수 있습니다. 따라서 스크립팅 도구에는 열 이름 바꾸기라는 또 다른 함수가 있습니다.
	PLS에 대한 예제 쿼리를 선택할 수 있습니다. 여기에는 꽤 복잡한 정규 표현식 패턴이 있습니다.
	하지만 데이터 테이블 내에서 PLS, PCA 및 기타 플랫폼에 동일하게 보이는 표준 이름 집합이 출력된다는 점에 유의하세요.
	따라서 이 경우 실제로 특정 접두사를 복사하여 모든 열 앞에 붙여서 이것이 품질 관리를 위해 온라인에 올릴 모델이고 해당 모델의 개정판임을 나타냅니다.
	이름을 변경하면 데이터 세트의 모든 열 이름이 자동으로 변경되는 것을 볼 수 있습니다.
	그래서 우리는 변화를 설명하는 모델을 구축했습니다.
	이 열들은 있지만, 아직 우리가 하지 않은 것은 목표 유량을 최대한 적게 사용하여 특정 유량을 생성하는 방법을 알아내는 원래 목표였습니다. 이를 위해 프로파일러를 사용할 것입니다. 프로파일러를 열면,
	예측된 값을 모두 추가할 수 있습니다. 즉, X 점수 자체가 아니라 예측된 값과 T 제곱을 이 예측 공식 섹션에 추가할 수 있습니다.
	그리고 열리면 X축을 따라 모델의 모든 점수나 잠재 변수를 볼 수 있습니다.
	그리고 우리는 그 점수 중 하나를 이동하면 관찰된 모든 변수가 자동으로 함께 이동되는 것을 볼 수 있습니다.
	각 구성 요소의 로딩 비율에서. 중요한 점은, 이 세 번째와 네 번째 흐름을 살펴보세요. 이 흐름들은 항상 함께 움직입니다. 어떤 점수로 이동하든,
	이 모델은 두 점수가 서로 연관되어 있음을 이해합니다. 아마도 하나는 그들이 제어할 수 있는 유량계이고, 다른 하나는
	같은 라인에 두 번째 유량계가 있지만, 공장에서는 하나를 움직이면 다른 하나를 같은 방향으로 옮기지 않는 것 같습니다.
	따라서 목표는 각 점수에 대한 값을 찾아 프로세스를 최적화하는 것입니다.
	그러기 전에 JMP에 최적화하려는 것이 무엇인지 알려줘야 합니다. 달성하려는 특정 유량과 달성하려는 특정 품질 매개변수가 있다는 것을 알려줘야 합니다.
	따라서 대부분의 열에 대한 값은 신경 쓰지 않는다고 설정하는 것으로 시작하겠습니다. 즉, 저장한 모든 열을 선택하겠습니다.
	우리는 속성을 표준화할 것이고, 모든 열에 대해 응답 제한을 '없음'으로 추가할 것입니다.
	그런 다음 다시 돌아가서 해당 응답 제한을 조정합니다. 관심 있는 열에 대해서는 더 구체적으로 설정할 수 있습니다. 예를 들어, 흐름 대상을 응답 제한으로 되돌리고 해당 열에 대해 140 값을 일치시키도록 지정합니다.
	마찬가지로 품질 1의 경우 우리는 가치를 달성하고 싶습니다.
	20.15.
	흐름의 경우, 우리는 그 값을 최소화하고 싶습니다.
	마지막으로, 우리가 도출해낸 솔루션이 PLS를 구축한 지역 밖으로 추론하지 않도록 시스템의 정상 작동 범위에 가까운지 확인해야 합니다.
	그렇게 하려면 T 제곱 열을 사용하고 T 제곱을 최소화하려는 것을 표시합니다.
	PLS 플랫폼에 표시된 상한 관리 한계보다 낮습니다. 여기서 상한 관리 한계가 9.32인 것을 볼 수 있는데, 이를 최소값으로 사용하겠습니다.
	프로파일러에서 지금 볼 수 있는 것은 9.32 이하의 모든 값은 동등하게 허용 가능하고, 9.32를 넘을수록 점점 덜 바람직해진다는 것입니다.
	그래프 메뉴에서 프로파일러를 다시 열고 모든 예측과 T제곱 공식을 다시 한 번 가져와서 Y 예측 공식에 넣습니다.
	그리고 여전히 하단에 X 점수가 표시되고, 이제 오른쪽에 이러한 바람직성 함수도 표시됩니다.
	그리고 다시 한번 T 제곱에 대한 선호도 함수가 9.32 이상에서 떨어지기 시작합니다. 선호도는 흐름 1의 값이 낮을 때 가장 높고, 목표 흐름과 품질 매개변수 모두에 대한 목표치를 얻었습니다.
	이 모든 것을 정의했으므로 이제 바람직성을 극대화할 수 있습니다.
	그리고 그것은 각 점수에 대한 값을 찾으려고 시도할 것이고, 따라서 우리 데이터 세트에서 관찰된 모든 변수에 대한 값을 찾으려고 시도할 것입니다.
	이 목표 흐름을 달성하고 앞서 정의한 목표들을 달성합니다.
	목표치에 거의 도달했지만, 약간 낮은 것 같습니다. 20.15는 달성했습니다.
	그리고 우리가 그 값을 준 것은 T 제곱 경계 안에 있었습니다. 아마도 JMP는 이 미미한 선호도 감소가 흐름을 줄이는 것보다 덜 중요하다고 생각했을 것입니다. 따라서 이 선호도 함수에서 Ctrl 키를 누르고 중요도를 10으로 변경하면 문제를 해결할 수 있습니다.
	이제 다시 최적화하면 흐름 목표에 조금 더 가까워질 것입니다. 하지만 그 전에 이 요인 설정을 하단 표에 저장하여 전후를 비교해 보겠습니다. 그런 다음 선호도를 최대화하는 단계로 넘어가겠습니다.
	끝난 것 같습니다. 아직 T제곱 범위 내에 있습니다.
	우리가 요구한 20.15를 달성했고 확실히 140에 훨씬 가깝습니다. 이제 이러한 요인 설정을 다시 데이터 테이블에 저장할 수 있습니다.
	그리고 이제 우리는 제조 시설에 돌려줄 수 있는 요소를 갖게 되었고, "여기 우리가 추천하는 매개변수가 있습니다"라고 말할 수 있게 되었습니다.
	이와 같은 다변수 분석을 사용하는 이점은 앞서 언급한 세 번째와 네 번째 흐름이 서로 관련되어 있다는 것입니다.
	이 방법을 사용하면, 우리는 식물이 실제로 운영할 수 있는 합리적인 값을 제공할 수 있어야 합니다.
	3개에는 높은 값을, 4개에는 낮은 값을 실행하라고 하면, 그들은 당신을 보고 그건 불가능하다고 말할지도 모릅니다.
	이것들은 훨씬 더 합리적이어야 합니다. 이러한 변수들이 모두 식물이 제어할 수 있는 독립 변수인 것은 아니라는 점에 유의하십시오. 그중 일부는 다음과 같을 수 있습니다.
	결과에 영향을 미칠 수도 있고, 다른 변수와 관련이 있을 수도 있습니다. 이론적으로, 식물이 통제할 수 있는 모든 것을 바꾸면 다른 것들은 저절로 제자리를 찾을 것입니다.
	이제 이 모델을 최적화했으니, 다음 단계는 정상적으로 작동하는지 확인하는 것입니다. 최적의 조건을 적용한 후에는 동일한 모델을 사용하여 새로운 행이나 데이터를 평가하고 프로세스가 예상대로 작동하는지 확인하는 것이 좋습니다.
	이를 위해 PLS 플랫폼에서 저장한 동일한 예측 점수를 사용하지만 이번에는 모델 기반 다변량 관리 차트의 예측 점수를 사용할 것입니다.
	품질과 프로세스가 좋지 않음.
	시간을 사용하여 시간 ID에 입력하겠습니다. 그러면 행 번호 대신 모든 차트에서 실제 날짜를 확인하고 X 점수를 프로세스에 입력하겠습니다.
	불행히도 이 차트에서는 범위가 항상 올바르게 작동하지 않으므로, 조금만 확대해 보면 높은 T제곱을 보였던 기간이 있고, 그 높은 T제곱은 주로 2, 3, 4, 1번 흐름의 결과였음을 알 수 있습니다. 즉, 해당 기간의 모든 흐름은...
	이 T 제곱에 크게 기여하는 요인들입니다. 이 점을 클릭하고 막대 중 하나에 마우스를 올려놓으면, 다시 그 점을 클릭하면 해당 개별 값에 대한 관리도가 표시됩니다.
	차트에서 우리가 선택한 지점이 강조 표시된 변수입니다.
	그리고 이건 숨기겠습니다. T제곱만 보는 게 아니라, DModX나 SPE에도 같은 작업을 할 수 있습니다. 아직 SPE를 보고 계신다면 말이죠. 다시 한번 말씀드리지만,
	이 방법은 항상 올바르게 작동하지는 않습니다.
	그래서 우리는 확대해 보겠습니다
	다시 DModX 값입니다.
	따라서 DModX는 다른 행, 즉 해당 행의 다른 데이터를 기반으로 예상했던 것과 비교하여 개별 열에 대해 높거나 낮은 값을 갖는 포인트를 표시합니다.
	여기서 우리는 이 지점이 주로 흐름 5로 인한 이상치임을 알 수 있습니다.
	저는 기여 비율 히트 맵이 오래된 데이터에서 패턴을 살펴보고 파악하는 데 매우 유용하다고 생각합니다. 예를 들어, 한 변수가 높은 기여 요인이었거나 장기간 또는 특정 기간 동안 비정상적으로 작용했을 수 있습니다.
	따라서 이 차트는 매일 아침 또는 주기적으로 살펴보고, 프로세스가 정상적으로 진행되고 있는지 확인하는 데 유용할 수 있습니다.
	들어와서 이걸 열어서 지금 당장 프로세스를 다시 통제하기 위해 조정해야 할 것이 있는지 확인하고 싶으신가요?
	이를 위해 PI 데이터를 추출하여 MDMCC 플랫폼을 여는 것부터 전체 분석을 재생성하고 버튼 하나만 클릭하면 모든 것을 사용할 수 있도록 하려고 합니다.
	이를 위해 세 단계로 구성된 JSL 스크립트를 작성하겠습니다. PI에서 데이터를 가져오고, 계산된 열을 추가한 다음, 다변량 관리도 플랫폼에서 모델을 엽니다.
	PI에서 데이터를 가져오는 중입니다. 원래 데이터 테이블로 돌아가면...
	PI 도구 추가 기능을 실행한 후 열린 창에서 해당 테이블에 PI 데이터 소스 스크립트가 저장된 것을 확인할 수 있습니다. 해당 스크립트를 편집하여 복사하면 새 스크립트 창에 붙여넣을 수 있습니다.
	한 가지만 바꾸겠습니다. 5월 데이터를 가져오는 대신 8월 1일부터 데이터를 가져오겠습니다.
	이제 계산된 열을 추가해야 합니다. PLS 플랫폼에서는 저장된 점수... X로 저장 점수 수식 옵션을 사용한다는 점을 기억하세요.
	이를 다시 만들려면 데이터 테이블의 모든 열을 선택하고 스크립팅 도구 추가 기능에 다시 추가된 열 복사 스크립트 기능을 사용하면 됩니다.
	열 스크립트를 복사한 후, 새로 만든 스크립트로 돌아가서 여러 개의 새 열 수식을 붙여넣어 모든 열을 다시 만듭니다.
	마지막으로, 모델 기반 다변량 제어
	차트에는 ???가 있는데, 대부분의 다른 플랫폼에서는 스크립트를 클립보드에 저장한 다음 같은 스크립트 창에 붙여넣을 수 있습니다.
	이제 새로운 날이 시작되었고 모든 작업이 완료되었으며 프로세스가 어떻게 진행되고 있는지 확인하고 싶다면, 동일한 스크립트를 실행하면 됩니다. 다음과 같이 시작할 수 있습니다.
	스크립트를 열 때 자동으로 실행되도록 하려면 특정 슬래시와 느낌표를 차례로 입력하세요.
	'실행'을 누르면 원래 테이블과 똑같은 데이터 테이블이 열립니다. 열도 모두 똑같고요.
	계산된 열이 추가되었으므로 이 점수와 모든 예측을 입력해 보겠습니다. 또한 모델 기반 다변수 관리 차트 플랫폼도 열렸습니다.
	여기서 우리는 DModX의 최근 값이 실제로 매우 높다는 것을 알 수 있습니다. 즉, 최신 데이터에는 비정상적인 값이 있는데, 이 경우 품질 3에 해당합니다.
	다시 말씀드리자면, 품질 3은 다른 매개변수를 기준으로 볼 때 예상 값에 미치지 못하는 것 같습니다. 이 특정 사례에서는 다음과 같은 의미일 수 있습니다.
	품질 3은 입력 매개변수이고 품질 1, 2, 3은 종종 연관되어 있으므로 품질 3이 불량한 실험실 샘플일 수도 있고 이전에 다루어 본 적이 없는 새로운 재료일 수도 있습니다.
	좋아요, 마지막으로 이 모델을 지속적으로 실행하는 한 가지 방법에 대해 이야기해 보겠습니다. 이 모델은 필요에 따라 다시 만들어졌는데,
	이것을 실행하기 위해 JSL 스크립트를 작성했지만 때로는 유익합니다.
	...또는 우리는 이 결과를 PI 기록자에게 다시 기록하여 사용할 수 있도록 하는 것이 유익하다고 생각했습니다.
	저희 시설의 운영자들 말입니다. 마지막 몇 분 동안 모델 엔진 추가 기능이라고 불리는 추가 기능을 소개해 드리겠습니다.
	온라인에서 모델을 빠르게 평가할 수 있습니다. 이 방법은 조언용으로만 사용해야 합니다. 중요한 정보를 제공하거나 폐쇄 루프 제어를 수행하는 데 적합한 방법이 아닙니다.
	그러기 위해서는 수식 저장소에서 수식을 내보내고 다른 소프트웨어 패키지를 사용하여 점수를 매기는 것을 고려해 볼 수 있습니다.
	앞서 언급했듯이 이 모델에서 사용 가능한 일부 예측 및 정보는 다음과 같습니다.
	가장 중요한 것은 현재 발생하는 순간에 가장 큰 가치를 지닙니다. 어제의 문제를 일으킨 원인을 아는 것도 중요하지만, 지금 당장 무슨 일이 일어나고 있는지 아는 것도 중요합니다.
	현재 모델 결과를 바탕으로 결정을 내리고, 큰 문제가 되기 전에 일부 문제를 해결할 수 있다는 의미입니다.
	물론 모델을 평가하는 방법은 여러 가지가 있지만 JMP 스크립팅 언어인 JSL의 힘은
	제조 시설의 운영자들이 이미 사용하고 있는 시각화 및 추세 분석 도구를 사용하여 예측 및 이상 정보를 얻을 수 있는 방법을 제공합니다.
	특정 추가 기능으로 작업 스케줄러를 시작한 JMP를 실행하는 컴퓨터, 즉 모델 엔진 한 쌍은 특정 디렉토리에 저장된 모든 모델을 주기적으로 실행하도록 설정됩니다.
	모든 구성은 두 가지 유형의 구성 파일, 즉 단일 엔진 구성 파일과 점수를 매길 각 모델에 대한 하나의 모델 구성 파일을 통해 수행됩니다.
	모델 구성 파일부터 시작해 보겠습니다. PI Tools 추가 기능이 소스 정보를 데이터 테이블에 저장하는 방식을 기억하시나요?
	이제 동일한 정보를 사용하여 모델 구성 파일을 채울 수 있으며, 이 파일은 모델 엔진에 모든 모델 입력을 포함하는 단일 행으로 구성된 테이블을 다운로드하는 방법을 알려줍니다. 이 테이블은 값을 계산하는 데 필요합니다.
	나중에 스크립팅 도구 추가 기능은 PLS 및 기타 플랫폼에서 저장된 열을 다시 생성하기 위해 스크립트를 빠르게 저장합니다.
	모델 버전 관리 차트 플랫폼에서 저장할 수 있는 T 제곱 및 DModX 기여를 포함할 가능성이 있습니다. 이러한 새로운 열 스크립트는 모델 구성 파일이나 같은 디렉터리의 별도 파일에도 저장됩니다.
	마지막으로 엔진 구성 파일은 엔진이 PI 도구가 있는 데이터 소스와 통신하는 방식을 정의합니다.
	추가 기능...PI 도구 추가 기능이 OLDB를 사용하는 경우
	그리고 SQL 쿼리를 사용하여 데이터를 가져오고, 모델 엔진은 PI 웹 API를 사용하여 데이터를 직접 읽고 PI에 씁니다.
	엔진 구성 파일에서 함수 세트를 정의함으로써, 이 엔진은 다른 많은 데이터 소스와도 통신할 수 있습니다.
	하트비트 태그 세트가 정의되어 있어 데이터 소스와 다른 모델 엔진이 이 엔진의 상태를 알 수 있습니다.
	각 모델에는 고유한 하트비트 태그 세트가 있으므로 한 엔진이 특정 모델에 대한 점수를 매기는 것을 중단하면 다른 엔진이 자동으로 인수합니다.
	이 모델 엔진 아이디어 역시 중요한 애플리케이션에 사용하도록 의도된 것은 아니지만, 배포 및 탐색 분석에서 온라인 예측이나 품질 관리 솔루션으로 매우 빠르게 전환할 수 있다는 것을 알게 되었습니다.
	이상으로, 참석해 주셔서 감사합니다. 각 추가 기능과 오늘 제가 사용하는 저널에 대한 자세한 내용은 JMP 커뮤니티에서 확인하실 수 있습니다.
Janice LeBeau, JMP	굉장한 일이야 굉장한.

고급 통계 모델링자동화 및 스크립팅기본 데이터 분석 및 모델링소비자 및 시장 조사콘텐츠 구성데이터 블렌딩 및 정리실험 설계예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석결과 공유 및 전달