756778_zh-CN

liliconcom

优化多元模型：从数据收集到最优条件和评分模型 (2021-US-45MP-927)

ADM 高级分析工程师 Isaac Himanga

制造流程是高度相关的系统，难以优化。这种相关性为识别异常值提供了机会。这里，我们演示了完整的工作流程，其中包括：

• 从 OSISoft 历史数据库获取数据。
• 使用考虑过程约束的多元模型进行建模和优化。
• 使用MDMCC平台。
• 在线对模型进行评分，并将异常情况写回历史记录器。

实践中，许多过程难以优化。有时，系统无法简化为一组可测试的独立变量；在其他情况下，过程在不同条件下可能会变得不稳定。为了解决这些问题，我们使用 JMP 16 中的新功能，在潜变量空间中优化成本和质量，同时考虑对观测变量的限制。为了保持这些最佳条件，我们使用 MDMCC 平台快速识别偏离正常值的偏差。

插件用于最大限度地减少收集数据和评分模型所花费的时间：一个插件用于将过程数据从流行的 PI 历史数据库拉入 JMP，一个插件用于快速重新创建计算列，第三个插件用于在线评分模型并将结果发送给历史数据库，包括来自 MDMCC 的贡献。

所引用的插件可在 JMP 社区中找到：

• Had/OSISoft PI 工具
• 脚本工具

自动生成的成绩单...

扬声器	抄本
艾萨克·希曼加	你好早上好。
Janice LeBeau，JMP	你好，艾萨克，你好吗？
艾萨克·希曼加	一切都好，你好吗？
Janice LeBeau，JMP	好的，谢谢你，我是丹，今天我将为你制作演示文稿。
艾萨克·希曼加	太棒了。
Janice LeBeau，JMP	我看不见你，艾萨克。
艾萨克·希曼加	是的，我很抱歉，我正在这里进行设置。
Janice LeBeau，JMP	好的，只是想让你知道我们现在正在录音。
	太酷了，我觉得我们以前见过面。
艾萨克·希曼加	我确信，如果某个峰会在任何地方举行，我们都有可能会参加。
Janice LeBeau，JMP	好的，很好，你今天过得怎么样？
艾萨克·希曼加	一切都好，你好吗？
Janice LeBeau，JMP	很好很好我喜欢你的背景那颜色真漂亮。
艾萨克·希曼加	谢谢。
	好的。
Janice LeBeau，JMP	我只是想讨论一些事情，我只需要和你再次确认一下。
	您的演讲者姓名、公司和摘要标题。
	好的，您有任何共同主持人吗？好的，您同意我们录制这个视频并将其发布到发现峰会档案中吗？
艾萨克·希曼加	当然，我想，我本来也会在我的网站上发布我的表演记录，以防万一发生什么事，这样我们就可以有一份副本，你同意。
Janice LeBeau，JMP	嗯，我不知道这是否会影响任何东西的质量。
艾萨克·希曼加	我不应该经常这样做吗？
Janice LeBeau，JMP	好的，我让你先说一下，你的背景看起来不错，你的麦克风听起来不错，好的，只是想再次确认你的手机和电脑通知已关闭。
艾萨克·希曼加	应该是，但我要再检查一下，因为什么时候。
Janice LeBeau，JMP	我把你的艺术品称为。
	进而。
	到 10 日时能量为 8 和 1920，您的背景中是否有宠物。
艾萨克·希曼加	所以。
Janice LeBeau，JMP	它可能会发出噪音，就像我的猫可能会发出的一样，所以我推荐了他。
艾萨克·希曼加	嗯，理论上，今天只有我一个人在家。
Janice LeBeau，JMP	您是否关闭了 Skype 或任何其他发出噪音的应用程序。
艾萨克·希曼加	是的，可以访问我的关闭此功能。
	好的。
艾萨克·希曼加	是的，所以我认为唯一应该打开的是你和我实际上在我们开始的时候会把音量调低，以防万一发生什么事我就能看到你，但这样就会很安静，如果其他东西发出噪音的话。
Janice LeBeau，JMP	好吧，我要做的是。
	我只是要在这里给你更多的指示，我将静音并隐藏我的视频，你可以共享你的屏幕进行演示。
	并且，在我静音之前，我会做 54321，然后给自己几秒钟的时间，然后你就可以继续介绍自己了。
	然后开始录制，你就可以开始你的演示了，然后，当你告诉我今天的演示到此结束，我希望你喜欢它，无论你想说什么，然后我就会停止为你录音，好吗。
	很好，如果我们一开始就喜欢它，而你不开心，你知道我们可以停止它并重新开始，所以我对这一切都很满意。
艾萨克·希曼加	好的，现在希望这不会成为一个问题，您希望它有多接近 35 分钟，我练习时的意思是它在 34 和 36 之间徘徊，您想读它 35 还是。
Janice LeBeau，JMP	你知道这很好，我的意思是做你必须做的事，我知道一个人我们花了 20 分钟，如果他们告诉你什么是 30 到 40 分钟。
艾萨克·希曼加	是的，在某个地方，我记得他们可能给出了 35 个范围。
Janice LeBeau，JMP	没关系，不用担心。
艾萨克·希曼加	好的，很完美。
Janice LeBeau，JMP	好的，我们正在云端录制。
	我们可以看到这一点。
	哦，看起来很好，看起来很美味。
艾萨克·希曼加	完美的。
Janice LeBeau，JMP	是的。
	那么，你准备好我的视频了吗？
艾萨克·希曼加	让我们看看，这样你就没有定时器相机可以在那里设置定时器，所以我可以做 30。
Janice LeBeau，JMP	我的意思是做任何你想做的事，因为这将会开始。
	我的意思是，老实说，如果您认为是 35 然后您将其改为 32 那就没问题，如果稍微超过一点也没问题。
	好的。
艾萨克·希曼加	所以我把一切都得到了这里。
	好的。
Janice LeBeau，JMP	好的，很好，所以你感觉很好，因为我要做这件事。
	我会做 54321 并将自己静音。
	让我们看看你是否冻结在那里，好的，你准备好了。
艾萨克·希曼加	好的。
Janice LeBeau，JMP	我认为，到 4321 为止。
艾萨克·希曼加	我的名字是 Isaac Himanga，我将演示我在 ADM 使用的工作流程，以使用多元模型优化制造流程。
	我将从提取数据和构建模型开始，找到现实的最佳条件，识别异常情况，最后使用当前数据对模型进行评分。
	这里还有很多关于各个平台的其他信息，因此我不会讨论每个步骤的细节，而是只强调一些常用的功能，并尝试展示整个工作流程。
	我想说的是，大多数像这样详细的分析都需要 45 分钟以上的时间。
	因此，请前往 JMP 社区中有关此演讲的文章以获取更多详细信息，其中包括我将在此快速浏览的步骤的屏幕截图日志。
	我将首先简要概述 ADM 和一般工作流程。
	然后，我会把这个演示放在一边，向大家展示JMP中的流程。你们会看到如何获取和清理数据，如何使用刻画器找出多种条件，
	使用模型驱动的多元控制图平台，编写脚本根据该模型对新数据进行评分，最后，我将回到本演示文稿，简要介绍一种使用 JMP 对该模型进行连续评分的方法。
	首先，简单介绍一下 ADM。
	ADM 的宗旨是释放自然的力量，丰富生活质量。
	我们将天然产品转化为食品和饮料、补充剂、宠物和牲畜营养品的完整成分和风味组合，
	等等。凭借在全球食品链各个环节的一系列无与伦比的能力，我们为客户提供优势，帮助他们应对当前和未来的全球挑战。
	其中一项能力是利用数据分析来改进我们的制造流程，包括我将要谈论的方法。
	我是相对较新的专注于改进和分析的卓越中心的一部分。
	我们不断壮大的团队对类似这样的技术进行了投资，以帮助我们的 800 个设施、300 个食品和饲料加工厂以及我们公司在世界各地的其他部门利用我们的数据做出更好的决策。
	现在，概述一下工作流程。
	我今天要回顾的四个步骤只是完整分析的一部分。为了节省时间，我将省略一些我认为对每个数据集都至关重要的内容。
	例如可视化数据、使用验证、变量减少、用其他模型证实研究结果以及协调实验室和过程数据。
	获取数据、建立模型、在 JMP 中根据需要对模型进行评分，然后持续对模型进行评分。
	JMP 有支持每个步骤的工具，包括一系列数据库连接、多元建模工具（如偏最小二乘法、主成分和模型驱动的多元控制图平台），当然还有 JMP 脚本语言或 JSL。
	让我们从获取数据开始。尽管有很多数据库连接和脚本选项可用，但我们需要一种快速的方法从我们的流程历史记录中提取数据。
	一款名为PI的热门产品，无需编写查询或浏览表结构。自定义插件是大多数数据集的答案。这款插件相对来说……最近发布到了JMP社区。
	另外两个插件可以协助完成此过程。其中一个插件通常称为脚本工具，它包含一个选项，可以快速获取脚本来重新创建计算列
	与大多数 JMP 平台内置的保存脚本功能结合使用时，JMP 用户可以根据需求快速重新创建分析并进行评分。
	最后一个插件称为 JMP 模型引擎，也是最新的。它使用配置文件以及 PItool 插件保存到数据表中的信息来获取数据。
	它使用列公式或任何其他 JSL 脚本进行计算，然后将结果写回历史记录器。
	出于时间考虑，我将快速介绍最后一步，但我再次鼓励您使用 JMP 社区上的链接查找更多详细信息。
	本次演讲的议程幻灯片。
	这些插件都经过了彻底的改进，删除了敏感信息，但我们正在将用户迁移到与社区中发布的代码相同的版本。如果您有任何改进想法和方法，欢迎随时在 JMP 社区或 GitHub 上与我们合作。
	有了它，让我们打开 JMP。
	在后台，ADM……或者 JMP PItool 的插件使用几种不同的 PI 产品来提取数据，包括 SQL DAS、OLEDB 和 ODBC。设置说明可在此平台的帮助菜单中找到。
	今天我们将从 5 月 1 日中午开始提取一组 PItag 的数据，然后我们将每天中午提取另一个值，直到今天。
	我们将针对特定的一组标签执行此操作，这些标签在此处列出...
	在这个框里。注意，我们实际上添加了一个友好标签，或者一个比 PIhistorian 中的名称更具描述性的名称，这将有助于我们稍后在数据表中识别这些列。周围都是小问号
	...围绕插件提供更多信息，包括我们今天要使用的这种友好标签格式的描述。
	当我点击“运行查询”时，它会打开一个类似这样的数据表。它包含一组列，用于记录数据表中所有数值。
	它有一组用于任何字符串值的列，所以如果你在 PItag 中存储了字符，它就会提取这些字符。我们还可以看到该 PItag 的状态。
	每行。
	此外，在该数据表的列属性中，如果我们打开列信息，我们将看到用于提取该数据点的信息，包括 PItag，
	呼叫类型和间隔。对于更复杂的查询，例如平均值或最大值，我们将在这里看到更多信息。
	我要指出的是，这是经过重新调整的真实数据，列名也已更改，但我们今天要看到的分析看起来和感觉起来应该非常类似于使用来自我们某个设施的实际数据进行的真实分析。
	最后，我要指出的是，这里有一个保存到数据表中的脚本，称为 PI 数据源，它与加载项中实际显示的脚本相同
	它包含的 SQL 也在这里可用。同样在后台，它使用
	SQL DAS 或 PI DAS 是为了从 PI 获取信息，这些就是它为了获取数据而要运行的所有脚本。我们将在今天的演讲快结束时再次使用它们。
	好的，现在我们有了数据，我们需要清理数据。今天我们将使用多变量工具来做这件事，特别是主成分分析。我会从数据表中提取所有数值，并将其放入 y 列列表中，然后
	我们马上就能看到一些值……相当多的值在第一部分得分特别低。如果你查看这些值的载荷
	不同的因素，我们可以看到组件一包含此数据集中所有不同流的高负荷。
	所以这告诉我，左边这些值在整个系统中都代表着高流量。运用一些工程知识，我可以说这代表该流程的停机时间，所以我将继续隐藏并排除所有这些值。
	现在我们已经完成了，我们将重新计算主成分分析，因此我们将使用重做并重做分析，然后关闭旧的分析。
	现在我们可以看到载荷可能更有意义了。例如，主成分三解释了流量 2 中的大部分变异，这里存在一些分离。
	前三个成分解释了大部分的变化，因此在寻找该数据集中的其他异常值时，我将使用这三个成分。
	为此，我将打开异常值分析，并将组件数量更改为三个。
	然后我们可以看到 T 平方图，还可以打开标准化的 DModX 图
	查看具有一个或多个极值的点，或具有单个
	根据该特定角色的数据集中的所有其他列，某一列或单个单元格的值不符合预期或超出了预期范围。
	现在，我们将通过排除所有高于上限控制限的 T 平方和 DModX 值来快速清理该数据集。
	清理数据集时经常做的另一件事是转换列，我想展示一下脚本工具插件的一个功能，它可以
	甚至尝试应用一点点
	转移到新的公式列菜单。如果我选​​择三列或任意数量的列，并转到自定义转换选项（该选项同样作为脚本工具插件的一部分加载），
	我可以选择 Savitzkey-Golay 转换并点击“确定”，它会在数据表末尾添加三列，其中包含包含该转换的公式。
	需要注意的是，我们做的清理工作可以直接在PLS中进行。不过，我通常会先使用PCA。
	好的，现在我们已经清理了数据集，我们需要实际建立一个模型
	尝试预测……我们的工艺条件。关于这个数据集，还有一点需要注意，我们这里设置了一个流量目标。
	今天，我们的目标是使用尽可能少的流量来创建一定数量的目标流量，同时考虑一些……
	考虑到这些质量参数的一些约束条件。由于我们主要关注的是流程一，我将切换到偏最小二乘模型，并使用该流程……目标流程作为 y 变量，所有其他变量作为 X 因子。
	我现在就接受所有默认值，然后稍微前进一点，立即使用四个因素。
	当我打开这四个因素时，
	我们将看到前两个
	代表
	工厂通常会根据订单调整变量……以调整流程的运行速度。因​​此，如果他们需要增加或减少目标流量，他们通常会调整第一个因素，以达到目标速率。
	另一方面，因素 2 主要与这些质量参数有关，这些质量参数实际上是我们无法控制的输入质量参数。
	所以这不是我们能改变的。所以，即使第三和第四个因素相对……解释一下
	我们的目标流程，它们解释了因素一中相对较少的变化，这些是我们实际上可以控制的，因此，我们将能够使用它们来优化我们的流程。
	为了使用它...所以我们建立了一个模型来解释我们数据的变化。
	为了使用这些信息，我们需要保存其中一些列，或者将预测保存到数据集中的新列中
	几分钟后我们将在预测分析器中使用它。
	我们将利用 JMP 16 中新增的一些功能，这些功能允许我们将 Y 和 X 变量的预测结果保存为 X 得分公式。当我们打开刻画器时，我想这将有助于说明为什么这一点很重要。
	这样，我们就把所有三个预测（X 预测和 T 方格）都保存回了数据表。它们应该作为 X 分数的函数，在底部显示为新的列。
	我们还可以快速浏览一下 PLS 平台内的距离和 T 平方图，我们发现虽然有几个变量具有相当高的 DModX 或 T 平方，但没有什么太极端的。
	这些分数通常会以变量名保存，或者说始终以变量名保存，但随着保存次数增加或模型迭代次数增加，变量名可能会变得混乱。因此，脚本工具包含另一个名为“重命名列”的功能。
	这将允许您选择一个 PLS 的示例查询。它有一个相当复杂的正则表达式模式，
	但请注意，它会输出一组标准名称，这些名称对于数据表中的 PLS、PCA 和其他平台来说看起来相同。
	因此，在这种情况下，我实际上要复制一个特定的前缀，我们将把它放在所有这些列的前面，表明这是我们要上线进行质量控制的模型，它是该模型的修订版一。
	当我更改名称时，我们可以看到它会自动更改数据集中所有这些列的名称。
	因此我们建立了一个模型来解释
	这些列，但我们还没有完成我们最初的目标：弄清楚如何用尽可能少的流量来产生一定量的流量……也就是目标流量。为此，我们将使用分析器。注意，当我们打开分析器时，
	我们可以将所有这些预测值（不是 X 分数本身，而是预测值和 T 平方）添加到此预测公式部分。
	然后，当它打开时，我们将在 X 轴上看到模型中的所有分数或潜在变量。
	我们可以看到，当我们移动其中一个分数时，它会自动将所有这些观察到的变量一起移动
	在每个组件中的负载比例。重要的是，看看第三和第四个流程，它们总是一起移动。无论我们移动哪个分数，
	这个模型知道这两个分数是相关的。也许其中一个是他们控制的流量计，另一个可能是
	是同一条管线上的第二个流量计，但无论如何，看起来工厂无法在不向同一方向移动另一个流量计的情况下移动一个流量计。
	因此，我们的目标是找到每个分数的值，以优化我们的流程。
	在此之前，我们需要告诉 JMP 我们要优化的内容。我们需要说明我们想要达到的流速和质量参数。
	首先，我们告诉它我们不关心大多数列的值。所以我们会选择所有我们保存过的列。
	我们将对属性进行标准化，并为所有这些不同的列添加无响应限制。
	然后，我们会返回并调整响应限制。对于我们真正关心的列，它可以更具描述性。例如，流量目标将返回到响应限制，我们将指示我们希望为该列匹配 140 的值。
	同样，对于质量一，我们希望达到
	20.15。
	对于流量，我们希望最小化该值。
	最后，我们需要确保我们得出的解决方案接近系统的正常运行范围，因此我们不想在构建 PLS 的区域之外进行推断。
	为了做到这一点，我们将使用这个 T 平方列，并指出我们想要最小化 T 平方
	使其低于该 PLS 平台显示的上限控制限。这里我们可以看到上限控制限是 9.32，所以我们将其用作此处的最小值。
	我们现在应该在分析器中看到，低于 9.32 的每个值都是同样可以接受的，而当值超过 9.32 时，它会越来越不受欢迎。
	在图形菜单下，我将再次打开分析器，再次将所有这些预测和 T 平方公式放入 Y 预测公式中。
	我们仍然可以看到底部的 X 分数，但现在我们还可以在右侧看到这些可取性函数。
	T平方的可取性函数再次在9.32以上开始下降。当流量1的值较低时，可取性最高，并且我们得到了目标流量和质量参数的目标值。
	因为我们已经定义了所有这些，所以我们现在就可以最大化可取性。
	这将尝试找到每个分数的值，从而找到数据集中所有观测变量的值。
	实现这个目标流程并实现我们之前定义的目标。
	注意，它接近达到目标了，但看起来有点低。它确实达到了我们的 20.15
	并且它在我们设定的T平方界限内。很可能JMP认为这种微小的可取性下降不如流量减少重要，所以我们可以通过按住Ctrl键点击这个可取性函数，将重要性改为10来解决这个问题。
	现在，如果我们再次优化，它应该会更接近流量目标。不过，在优化之前，我会把这些因子设置保存到底部的表格中，这样我们就可以比较优化前后的效果。然后，我们继续最大化可取性。
	看起来它已经完成了，并且我们仍然在 T 平方的范围内。
	它已经达到了我们要求的 20.15，而且肯定更接近 140。所以现在我们可以再次将这些因子设置保存到数据表中。
	现在我们应该有一些因素可以反馈给制造工厂，并说，嘿，这是我们推荐的参数。
	使用像这样的多元分析的好处，我们之前讨论过第三和第四个流程是相关的，
	使用这种方法，我们应该能够为工厂提供它们实际能够运行的合理值。
	如果您告诉他们为三运行高值并为第四流运行低值，他们可能会看着您说这是不可能的。
	这些应该更合理。需要注意的是，并非所有这些变量都是工厂可以控制的独立变量。其中一些可能是
	结果，或者它们可能只是与其他变量有关。理论上，如果工厂改变了所有它们能够控制的因素，其他因素应该就能自然而然地发挥作用。
	现在我们已经优化了这个模型，下一步通常是确保或验证它是否运行正常。因此，一旦设置了最佳条件，最好使用相同的模型来对新行或新数据进行评分，并了解该过程是否按预期运行。
	为此，我们将使用从 PLS 平台保存的相同预测分数，但这次我们将在模型驱动的多元控制图中使用这些分数
	在质量和流程方面。
	我将使用时间并将其放入时间 ID 中，因此我们不会看到行号，而是会看到所有图表上的实际日期，并将 X 分数放入流程中。
	不幸的是，这些图表上的范围并不总是正确地工作，所以如果我稍微放大一点，我们就会看到这里是 T 平方较高的时期，而高 T 平方主要是第二、三、四和一流的结果，所以其中的所有流...
	是这个T平方的高贡献者。如果我们点击它，并将鼠标悬停在其中一个条形上，如果我再次点击该点，那么我们将看到该单个值的控制图……单个
	变量，我们选择的点在该图表上突出显示。
	不过，我要把这个隐藏起来，不仅要看 T 平方，我们还可以对 DModX 或 SPE 做同样的事情（如果你还在看 SPE）。再说一次，
	但这并不总能正确发挥作用。
	因此我们将放大
	DModX 值再次。
	因此，DModX 将指示与基于其他行（该行中的其他数据）的预期值相比，单个列具有高值或低值的点。
	这里我们可以看到，这个点主要是由于第五个流而导致的异常值。
	我确实发现贡献比例热图非常有用，可以查看旧数据中的模式，例如，当一个变量可能是一个很大的贡献因素，或者在很长一段时间内或某个时间段内表现异常时。
	因此，这是一个图表，我们可能想每天早上查看一下，或者定期查看一下，看看流程是否正常运行？
	你进来，打开它看看，我现在应该调整什么才能让我们的流程重新得到控制？
	因此，为了做到这一点，我们希望重新创建整个分析过程，从提取 PI 数据到打开 MDMCC 平台，并且只需单击按钮即可完成所有操作。
	为此，我们将编写一个包含三个步骤的 JSL 脚本。它将从 PI 获取数据，添加计算列，然后在多元控制图平台中打开我们已有的模型。
	从 PI 获取数据。如果我们回到原始数据表……
	在运行 PI 工具插件后打开的窗口中，我们可以看到保存到该表中的 PI 数据源脚本。如果我们编辑该脚本并复制它，就可以将其粘贴到新的脚本窗口中。
	我只要做一个更改。我们不再从 5 月份开始提取数据，而是从 8 月 1 日开始提取数据。
	现在我们需要添加那些计算列。记住，在 PLS 平台中，我们使用已保存的分数……“保存为 X 分数公式”选项。
	为了重新创建这些，我们可以选择数据表中的所有列，然后使用在该脚本工具插件中再次添加的复制列脚本功能。
	一旦我们复制了列脚本，我们就会回到我们创建的这个新脚本，并粘贴一堆新的列公式来再次重新创建所有这些列。
	最后，模型驱动的多变量控制
	图表有一个???大多数其他平台，您可以在其中将脚本保存到剪贴板并将其粘贴到同一个脚本窗口中。
	现在，假设我们假设这是新的一天，所有事情都已结束，我想看看流程进展如何，我只需运行相同的脚本即可。注意，我可以使用以下命令启动它
	特定的斜线斜线然后是感叹号，以便在打开脚本时自动运行。
	当我点击“运行”时，它会打开一个数据表，它看起来和我们原来的表一模一样，包含所有相同的列。
	它添加了那些计算列，所以我们把这些分数和所有的预测都放进去，它还打开了模型驱动的多元控制图平台
	我们可以看到，DModX 的最近值实际上相当高，因此最新数据有一些异常值，在本例中，质量为三。
	所以，根据其他参数来看，质量三似乎没有达到预期值。在这个特定情况下，这可能意味着，
	由于质量三是一个输入参数，并且质量一、二和三通常是相关的，这可能意味着质量三是一个不好的实验室样本，或者可能意味着这是一种我们以前没有使用过的新材料。
	好的，最后，我们来谈谈如何持续运行这个模型。这是按需重新创建的，
	我们编写了一个 JSL 脚本来运行它，但有时它是有益的
	或者我们发现将这些结果写回到我们的 PI 历史记录中是有益的，以便它们可以被
	我们设施里的操作员。最后几分钟，我想介绍一下这个插件，它叫做模型引擎插件，
	它可以快速在线对模型进行评分。需要注意的是，这仅供参考。它不适用于提供关键信息或进行闭环控制。
	为此，您可以考虑从公式库中导出公式并使用其他软件包对其进行评分。
	如前所述，该模型中的一些预测和信息
	最有价值的信息在发生的时刻最有价值。所以，知道昨天的问题是什么固然重要，但知道现在发生了什么
	意味着根据当前模型结果做出决策，并且可以在一些问题变得严重之前得到解决。
	当然，有很多方法可以对模型进行评分，但 JMP 脚本语言 JSL 的强大功能
	提供了一种方法，让我们的制造工厂的操作员可以使用他们已经习惯的现有可视化和趋势工具套件来获取预测和异常信息。
	设置一对模型引擎或运行 JMP 并带有启动任务调度程序的特定插件的计算机，以定期运行存储在特定目录中的所有模型。
	所有配置都是通过两种类型的配置文件完成的，即单个引擎配置文件和每个要评分的模型的一个模型配置文件。
	让我们从模型配置文件开始。还记得 PI 工具插件是如何将源信息保存到数据表中的吗？
	现在可以使用相同的信息来填充模型配置文件，该文件告诉模型引擎如何下载一个表，该表包含单行，其中包含计算值所需的所有模型输入。
	稍后，脚本工具插件可以快速保存脚本，以重新创建从 PLS 和任何其他平台保存的列，
	可能包括可从模型版本控制图平台保存的 T 平方和 DModX 贡献。这些新的列脚本也保存在模型配置文件中，或保存在同一目录中的单独文件中。
	最后，引擎配置文件定义了引擎如何与数据源进行通信，其中 PI 工具
	插件...PI 工具插件使用 OLDB
	和 SQL 查询来获取数据，模型引擎使用 PI web API 直接读取和写入数据到 PI。
	通过在引擎配置文件中定义一组函数，该引擎也可以与许多其他数据源通信。
	注意到定义了一组心跳标签，这使得数据源和其他模型引擎可以知道该引擎的状态。
	每个模型还拥有自己的一组心跳标签，因此如果一台机器停止对特定模型进行评分，另一台引擎将自动接管。
	再次强调，这个模型引擎的想法并不适用于关键应用，但我发现它使我们能够非常快速地从部署和探索性分析转向在线预测或质量控制解决方案。
	最后，感谢大家的参与。请记住，关于每个插件以及我目前使用的期刊的更多信息，都可以在 JMP 社区中找到。
Janice LeBeau，JMP	太棒了太棒了。

高级统计建模自动化和脚本基础数据分析与建模消费者和市场研究内容组织数据混合和清理实验设计预测模型和机器学习质量与工艺工程可靠性分析分享和交流结果