| Vocero |
Transcripción |
| Isaac Himanga |
Hola, buenos días. |
| Janice LeBeau, JMP |
Hola Isaac, ¿cómo estás? |
| Isaac Himanga |
¿bien? ¿cómo estás? |
| Janice LeBeau, JMP |
Bien, gracias, soy Dan. Se trata de que voy a producir tu presentación hoy para ti. |
| Isaac Himanga |
Realmente fantástico. |
| Janice LeBeau, JMP |
Y no puedo verte Isaac. |
| Isaac Himanga |
Sí, lo siento, lo estoy configurando aquí. |
| Janice LeBeau, JMP |
Está bien, y sólo para que lo sepas, estamos grabando ahora mismo. |
| |
Absolutamente genial. Me siento como si ya nos hubiéramos conocido antes. |
| Isaac Himanga |
Podríamos tener cualquiera de los dos, estoy seguro, una de las cumbres si estuviera en algún lugar. |
| Janice LeBeau, JMP |
Bueno, genial, ¿cómo estás hoy? |
| Isaac Himanga |
¿bien? ¿cómo estás? |
| Janice LeBeau, JMP |
Bien bien, me encanta tu fondo, es un color muy bonito el que has elegido sin duda. |
| Isaac Himanga |
Gracias. |
| |
Bien. |
| Janice LeBeau, JMP |
Solo voy a repasar algunas cosas y necesito reconfirmarlas contigo. |
| |
Nombre de su presentador, empresa y título del resumen. |
| |
Bien, ¿tienen co-presentadores? Está bien, ¿y están de acuerdo con que grabemos esto y lo publiquemos en los archivos de la cumbre Discovery? |
| Isaac Himanga |
Absolutamente, y supongo que iba a publicar la grabación solo por mi parte en mi sitio también, en caso de que algo suceda, así tendremos una copia y eso está bien para ti. |
| Janice LeBeau, JMP |
Umm, no sé si eso afectará la calidad de algo o... |
| Isaac Himanga |
¿No debería hacerlo bastante a menudo? |
| Janice LeBeau, JMP |
Está bien, te dejaré tomar la iniciativa en eso. Tu fondo se ve bien, tu micrófono suena bien, está bien, solo quería reconfirmar que las notificaciones de tu teléfono celular y computadora están desactivadas. |
| Isaac Himanga |
Debería ser, pero lo comprobaré de nuevo solo porque cuando. |
| Janice LeBeau, JMP |
Yo también llamo tu obra de arte. |
| |
Y luego. |
| |
Energía de ocho y 1920 por 10 días, tienes alguna mascota en el fondo. |
| Isaac Himanga |
Entonces. |
| Janice LeBeau, JMP |
Podría hacer ruido, como probablemente lo hará mi gato, así que lo derivé. |
| Isaac Himanga |
Bueno, en teoría soy el único que está en casa hoy así que... |
| Janice LeBeau, JMP |
¿Cerraste Skype o cualquier otra aplicación que hace ruidos? |
| Isaac Himanga |
Accediendo a mi turno, este se apaga correctamente, sí. |
| |
Bueno. |
| Isaac Himanga |
Sí, entonces creo que lo único que debería estar encendido es que tú y yo vamos a bajar mucho el volumen cuando comencemos aquí, solo en caso de que algo suceda, podré verte, pero de esa manera estará en silencio si algo más hace ruido. oh. |
| Janice LeBeau, JMP |
Bueno lo que voy a hacer es. |
| |
Solo te daré un par de consejos más aquí. Voy a silenciarme y ocultar mi video para que puedas compartir tu pantalla para tu presentación. |
| |
Y, antes de silenciarme, haré mi 54321 y luego te darás un par de segundos, y luego podrás continuar y presentarte. |
| |
y empieza a grabar puedes empezar tu presentación y luego cuando me digas bueno con esto concluye la presentación de hoy espero que la hayas disfrutado lo que quieras decir y luego dejaré de grabar para ti ¿de acuerdo? |
| |
Bueno, y si nos gusta desde el principio y no estás contento, sabes que podemos parar y empezar de nuevo, así que estoy totalmente de acuerdo con todo eso. |
| Isaac Himanga |
Bien, ahora espero que no sea un problema qué tan cerca de 35 minutos lo quieres, cuando practiqué quise decir que estaba entre 34 y 36, así que ¿quieres leerlo en 35 o 36? |
| Janice LeBeau, JMP |
Sabes que está bien, quiero decir, simplemente haz lo que tengas que hacer. Conozco a una persona que estuvo 20 minutos, si te dijeran que duró entre 30 y 40 minutos. |
| Isaac Himanga |
Sí, en algún lugar, recuerdo que en el número 35 podrían haber dado un rango allí. |
| Janice LeBeau, JMP |
Eso es genial, no te preocupes. |
| Isaac Himanga |
Bueno, buen trato, perfecto. |
| Janice LeBeau, JMP |
Bien, entonces estamos grabando en la nube. |
| |
Podemos verlo. |
| |
Oh, eso se ve muy bien, se ve delicioso. |
| Isaac Himanga |
perfecto. |
| Janice LeBeau, JMP |
Así que sí. |
| |
Entonces, ¿estás listo para mi video? |
| Isaac Himanga |
De qué tal a ver, entonces no tengo cámaras con temporizador, voy a poner un temporizador en mi cámara de ahí arriba, así podría hacer 30. |
| Janice LeBeau, JMP |
Quiero decir, haz lo que quieras, porque esto va a empezar. |
| |
Quiero decir, honestamente, si piensas que es 35 y llegas a 32, está bien, si te pasas un poco, también está bien. |
| |
Bueno. |
| Isaac Himanga |
Así que tengo todo aquí. |
| |
Está bien. |
| Janice LeBeau, JMP |
Bueno, bien, entonces te sientes bien porque lo voy a hacer. |
| |
Haré el 54321 y me silenciaré. |
| |
Y veamos, te congelaste ahí estás. Bien, entonces estás listo. |
| Isaac Himanga |
Está bien. |
| Janice LeBeau, JMP |
Creo que para el 4321. |
| Isaac Himanga |
Mi nombre es Isaac Himanga y voy a demostrar un flujo de trabajo que uso en ADM para optimizar los procesos de fabricación utilizando modelos multivariados. |
| |
Comenzaré extrayendo datos y construyendo un modelo, encontrando condiciones óptimas realistas, identificando condiciones anormales y, finalmente, calificando el modelo usando datos actuales. |
| |
Hay mucha otra información sobre las plataformas individuales aquí, así que en lugar de discutir los detalles de cada paso, solo destacaré algunas características comúnmente utilizadas y en su lugar intentaré mostrar el flujo de trabajo completo. |
| |
Diré que la mayoría de los análisis con la cantidad de detalles que éste tiene toman un poco más de 45 minutos. |
| |
Entonces, dirígete al artículo de esta charla en la Comunidad JMP para obtener más detalles e información, incluido un diario con capturas de pantalla de los pasos que recorreré bastante rápidamente aquí. |
| |
Comenzaré con una breve descripción general de ADM y el flujo de trabajo general. |
| |
Luego, dejaré esta presentación a un lado para mostrarles el proceso en JMP. Verán cómo obtener y limpiar datos, y cómo usar el generador de perfiles para detectar múltiples condiciones. |
| |
utilice la plataforma de gráficos de control multivariados impulsada por modelos, escriba un script para puntuar nuevos datos contra ese modelo y, finalmente, volveré a esta presentación para brindar brevemente un método para puntuar continuamente ese modelo usando JMP. |
| |
Primero, un poco sobre ADM. |
| |
El propósito de ADM es liberar el poder de la naturaleza para enriquecer la calidad de vida. |
| |
Transformamos productos naturales en un portafolio completo de ingredientes y sabores para alimentos y bebidas, suplementos, nutrición para mascotas y ganado, |
| |
Y más. Y con una gama de capacidades inigualables en cada eslabón de la cadena alimentaria global, brindamos a nuestros clientes una ventaja competitiva para resolver los desafíos globales de hoy y del futuro. |
| |
Una de esas capacidades es utilizar el análisis de datos para mejorar nuestros procesos de fabricación, incluido el método del que voy a hablar. |
| |
Soy parte del relativamente nuevo centro de excelencia en análisis y mejoras enfocadas. |
| |
Y nuestro equipo en crecimiento invierte en técnicas como esta para ayudar a nuestras 800 instalaciones, 300 lugares de procesamiento de alimentos y piensos y al resto de nuestra empresa en todo el mundo a tomar mejores decisiones utilizando nuestros datos. |
| |
Ahora, una descripción general del flujo de trabajo. |
| |
Los cuatro pasos que revisaré hoy solo representan una parte del análisis completo. Por razones de tiempo, omitiré algunos aspectos que considero cruciales para cada conjunto de datos. |
| |
como visualizar datos, usar validación, reducción de variables, corroborar hallazgos con otros modelos y alinear datos de laboratorio y de proceso. |
| |
obtener datos, construir un modelo, calificar ese modelo a pedido en JMP y luego calificar el modelo de manera continua. |
| |
JMP tiene herramientas para respaldar cada paso, incluyendo una variedad de conexiones de bases de datos, herramientas de modelado de modelos multivariados, como mínimos cuadrados parciales, componentes principales y la plataforma de gráficos de control multivariados impulsada por modelos y, por supuesto, el lenguaje de scripting JMP o JSL. |
| |
Comencemos con la obtención de datos. A pesar de la gran cantidad de conexiones a bases de datos y opciones de scripting disponibles, necesitábamos una forma rápida de extraer datos de nuestro historial de procesos. |
| |
Un producto popular llamado PI, sin necesidad de escribir consultas ni navegar por las estructuras de tablas. Un complemento personalizado fue la solución para la mayoría de los conjuntos de datos. Este complemento fue relativamente... se publicó recientemente en la Comunidad JMP. |
| |
Dos complementos adicionales facilitan este proceso. Uno, denominado genéricamente "herramientas de scripting", incluye una opción para que el script recree rápidamente las columnas calculadas. |
| |
Al combinarse con la función de guardar scripts en, integrada en la mayoría de las plataformas JMP, los análisis pueden recrearse rápidamente y calificarse a petición del usuario de JMP. |
| |
El último complemento, llamado motor de modelos JMP, también es el más reciente. Utiliza un archivo de configuración e información guardada en la tabla de datos desde el complemento de PItool para obtener los datos. |
| |
Esto realiza cálculos utilizando fórmulas de columnas o cualquier otro script JSL y luego escribe los resultados en el historiador. |
| |
Y por el interés del tiempo, voy a pasar muy rápidamente a este último paso, pero nuevamente, los animo a buscar más detalles sobre la Comunidad JMP usando el enlace en la |
| |
Diapositiva de la agenda de esta presentación. |
| |
Cada uno de estos complementos se revisó para eliminar información confidencial, pero estamos cambiando a los usuarios al mismo código publicado en la Comunidad. Así que, si tienes ideas y cómo mejorarlos, no dudes en colaborar con nosotros en la Comunidad JMP o en GitHub. |
| |
Con esto, abramos JMP. |
| |
En segundo plano, el complemento ADM... o JMP PItool utiliza un par de productos PI diferentes para extraer datos, incluyendo SQL DAS, OLEDB y ODBC. Las instrucciones para configurarlo se encuentran en el menú de ayuda de esta plataforma. |
| |
Hoy vamos a extraer datos de un conjunto de PItags desde el 1 de mayo, comenzando al mediodía, y luego vamos a extraer otro valor cada día al mediodía hasta hoy. |
| |
Vamos a hacer esto para un determinado conjunto de etiquetas, que se enumeran aquí en este... |
| |
En este cuadro. Observe que hemos incluido una etiqueta amigable o un nombre más descriptivo que el que aparece en PIhistorian, que nos ayudará a identificar esas columnas más adelante en la tabla de datos. Hay muchos signos de interrogación alrededor de... |
| |
...alrededor del complemento brindando más información, incluida una descripción de este formato de etiqueta amigable que vamos a usar hoy. |
| |
Al pulsar "Ejecutar consulta", se abrirá una tabla de datos similar a esta. Contiene un conjunto de columnas para todos los valores numéricos de esa tabla. |
| |
Tiene un conjunto de columnas para cualquier valor de cadena, así que si tenía caracteres almacenados en la etiqueta PItag, los extraerá. También podemos ver el estado de esa etiqueta PItag. |
| |
para cada fila. |
| |
También en las propiedades de la columna de esa tabla de datos, si abrimos la información de la columna, veremos la información que se utilizó para extraer ese punto de datos, incluido el PItag, |
| |
El tipo de llamada y el intervalo. Para consultas más complejas, como un promedio o un máximo, veremos más información aquí. |
| |
Notaré que estos son datos reales que han sido reescalados y se han cambiado los nombres de las columnas, pero el análisis que veremos hoy debería verse y sentirse muy similar a un análisis real que utiliza datos reales de una de nuestras instalaciones. |
| |
Por último, señalaré que hay un script aquí guardado en la tabla de datos llamado PI data source, que es el mismo script que en realidad se muestra en el complemento. |
| |
y contiene el SQL que también está disponible aquí. De nuevo, tras bastidores, esto utiliza |
| |
SQL DAS o PI DAS para obtener esa información de PI, y estos son todos los scripts que se ejecutarán para obtener esos datos. Volveremos a usarlos casi al final de la charla de hoy. |
| |
Bien, ahora que tenemos los datos, necesitamos depurarlos. Hoy usaremos herramientas multivariantes para ello, específicamente el análisis de componentes principales. Extraeré todos los valores numéricos de esa tabla de datos y los pondré en la lista de columnas y. |
| |
De inmediato, podemos ver algunos valores con puntuaciones particularmente bajas para el componente uno. Si observamos las cargas de esos... |
| |
diferentes factores, podemos ver que el componente uno incluye cargas altas para todos los diferentes flujos en este conjunto de datos. |
| |
Esto me indica que todos estos valores a la izquierda tienen flujos altos en todo el sistema. Con conocimientos de ingeniería, puedo afirmar que esto representa un tiempo de inactividad en ese proceso, así que voy a ocultar y excluir todos estos valores. |
| |
Ahora que hemos hecho eso, volveremos a calcular el análisis de componentes principales, por lo que usaremos rehacer y reharemos el análisis y luego cerraremos el anterior. |
| |
Y ahora podemos ver que las cargas son quizás un poco más significativas. El componente principal tres, por ejemplo, explica la mayor parte de la variación en el flujo 2, y hay una ligera separación aquí. |
| |
Los primeros tres componentes explican la mayor parte de la variación, por lo que utilizaré esos tres componentes cuando busque otros valores atípicos en este conjunto de datos. |
| |
Para hacer eso, abriré el análisis de valores atípicos y cambiaré el número de componentes a tres. |
| |
Y luego podemos ver el gráfico de T cuadrado y también puedo abrir el gráfico DModX normalizado. |
| |
para ver puntos que tienen valores extremos para uno o más de los puntajes o puntos que tienen un solo |
| |
columna o una sola celda que tiene un valor inesperado o fuera del rango esperado, según todas las demás columnas en ese conjunto de datos para esa función en particular. |
| |
Por ahora, simplemente vamos a limpiar rápidamente este conjunto de datos excluyendo todos los valores de T cuadrado y DModX que estén por encima del límite de control superior. |
| |
Otra cosa que se hace comúnmente al limpiar un conjunto de datos es transformar columnas, y quiero mostrar una función del complemento de la herramienta de scripting que hace |
| |
Es un poco incluso intentar aplicarlo y |
| |
Pasar al menú de la nueva columna de fórmula. Si selecciono tres o cualquier número de columnas y voy a la opción de transformación personalizada, que también se carga como parte del complemento de herramientas de scripting, |
| |
Puedo seleccionar una transformación Savitzkey-Golay y presionar Aceptar, y agregará tres columnas al final de la tabla de datos con una fórmula que contiene esa transformación. |
| |
Cabe mencionar que la limpieza que hicimos podría haberse realizado directamente y en PLS. Sin embargo, suelo usar primero un PCA. |
| |
Bien, ahora que hemos limpiado nuestro conjunto de datos, necesitamos construir un modelo. |
| |
Para intentar predecir las condiciones de nuestro proceso. Otra nota rápida sobre este conjunto de datos: tenemos un objetivo de flujo aquí arriba. |
| |
Hoy, nuestro objetivo será crear una cierta cantidad de este flujo objetivo utilizando la menor cantidad posible del flujo uno y también teniendo en cuenta... |
| |
Teniendo en cuenta algunas restricciones sobre estos parámetros de calidad. Dado que el flujo uno es nuestro principal interés, cambiaré a un modelo de mínimos cuadrados parciales y usaré ese flujo... el flujo objetivo en la variable y y todas las demás variables como factores X. |
| |
Por ahora aceptaré todos los valores predeterminados y avanzaré un poco e inmediatamente utilizaré cuatro factores. |
| |
Cuando abro esos cuatro factores, |
| |
Veremos que los dos primeros |
| |
representar el |
| |
Variables que la planta normalmente modifica en los pedidos para ajustar la velocidad del proceso. Por lo tanto, si necesitan aumentar o disminuir el caudal objetivo, suelen modificar el factor uno para alcanzar la tasa objetivo. |
| |
El factor 2, por otro lado, se relaciona principalmente con estos parámetros de calidad, que en realidad son parámetros de calidad de entrada sobre los que no tenemos control. |
| |
Así que no es algo que podamos cambiar. Así que, aunque los factores tres y cuatro tienen relativamente... explican cantidades relativamente pequeñas de la variación de |
| |
nuestro flujo objetivo y explican cantidades relativamente pequeñas de la variación de nuestro factor uno, esos son los que realmente podemos controlar y por lo tanto esos son los que vamos a poder usar para optimizar nuestro proceso. |
| |
Para poder utilizar esto, hemos construido un modelo que explica la variación en nuestros datos. |
| |
Para poder utilizar esa información, necesitamos guardar algunas de esas columnas o guardar las predicciones de éstas en nuevas columnas en nuestro conjunto de datos. |
| |
que utilizaremos en el generador de perfiles de predicción en unos minutos. |
| |
Utilizaremos algunas funciones nuevas añadidas en JMP 16, que nos permiten guardar predicciones, tanto para las variables Y como X, como fórmulas de puntuación X. Al abrir el generador de perfiles, creo que ayudará a ilustrar su importancia. |
| |
Hemos guardado las tres predicciones (las predicciones X y los cuadrados T) en nuestra tabla de datos. Deberían ser nuevas columnas en la parte inferior, en función de estas puntuaciones X. |
| |
También podemos echar un vistazo rápido a los gráficos de distancia y T cuadrados dentro de la plataforma PLS, y vemos que si bien hay algunas variables que tienen DModX o T cuadrados bastante altos, no hay nada demasiado extremo. |
| |
Estas puntuaciones suelen guardarse o siempre se guardan con nombres de variables que pueden resultar confusos a medida que se guardan más o se realizan múltiples iteraciones del modelo. Por lo tanto, las herramientas de scripting contienen otra función, llamada "renombrar columnas". |
| |
Esto le permitirá seleccionar una consulta de ejemplo para PLS. Tiene un patrón de expresión regular bastante complejo. |
| |
pero tenga en cuenta que genera un conjunto estándar de nombres que tendrán el mismo aspecto para PLS, PCA y otras plataformas dentro de la tabla de datos. |
| |
Entonces, en este caso, voy a copiar un prefijo específico y lo colocaremos antes de todas esas columnas para indicar que este es el modelo que vamos a poner en línea para nuestro control de calidad y es la revisión uno de ese modelo. |
| |
Cuando cambio los nombres, podemos ver que se cambia automáticamente el nombre de todas estas columnas en el conjunto de datos. |
| |
Así que hemos construido un modelo que explica la variación en |
| |
Estas columnas, pero lo que no hemos logrado es nuestro objetivo original de determinar cómo producir cierta cantidad de flujo... de nuestro flujo objetivo utilizando la menor cantidad posible de flujo uno. Para ello, usaremos el generador de perfiles. Observe que al abrir el generador de perfiles, |
| |
Podemos agregar todos estos valores predichos, es decir, no los puntajes X en sí, sino los valores predichos y el T al cuadrado, a esta sección de fórmula de predicción. |
| |
Y luego, cuando se abra, veremos en el eje X, todos nuestros puntajes en el modelo o nuestras variables latentes. |
| |
Y podemos ver que cuando movemos una de esas puntuaciones, se moverán automáticamente todas estas variables observadas juntas. |
| |
en la proporción de las cargas en cada uno de esos componentes. Es importante observar los flujos tres y cuatro; siempre se mueven juntos. Independientemente de la puntuación que movamos, |
| |
Este modelo entiende que estas dos puntuaciones están relacionadas. Quizás una sea un medidor de flujo que controlan, y quizás la otra... |
| |
Hay un segundo medidor de flujo en esa misma línea, pero independientemente de ello no parece que la planta pueda mover uno sin mover el otro en la misma dirección. |
| |
Por lo tanto, el objetivo es encontrar valores para cada una de estas puntuaciones que optimicen nuestro proceso. |
| |
Antes de poder hacerlo, debemos indicarle a JMP qué queremos optimizar. Debemos indicarle que buscamos un caudal y unos parámetros de calidad determinados. |
| |
Comenzaremos diciéndole que no nos importan los valores de la mayoría de estas columnas. Seleccionaremos todas las columnas que guardamos. |
| |
Iremos a estandarizar atributos y agregaremos un límite de respuesta de ninguno para todas estas diferentes columnas. |
| |
Luego, volveremos y ajustaremos ese límite de respuesta. Puede ser más descriptivo para las columnas que nos interesan. Por ejemplo, el objetivo de flujo volverá al límite de respuesta e indicaremos que queremos que coincida con un valor de 140 para esa columna. |
| |
De manera similar, para la calidad uno, queremos alcanzar el valor de |
| |
20.15. |
| |
Para el flujo, queremos minimizar ese valor. |
| |
Y finalmente, debemos asegurarnos de que la solución a la que lleguemos esté cerca del rango operativo normal del sistema, por lo que no queremos extrapolar fuera del área donde construimos ese PLS. |
| |
Para hacer eso, usaremos esta columna T al cuadrado e indicaremos que queremos minimizar el T al cuadrado. |
| |
De tal manera que esté por debajo del límite de control superior que se mostró en esa plataforma PLS. Aquí podemos ver que el límite de control superior fue de 9.32, por lo que lo usaremos como el valor mínimo. |
| |
Lo que deberíamos ver ahora en el generador de perfiles es que todos los valores por debajo de 9,32 son igualmente aceptables y, a medida que superamos 9,32, serán cada vez menos deseables. |
| |
En el menú de gráficos, abriré nuevamente el generador de perfiles y, una vez más, tomaré todas esas predicciones y fórmulas de T cuadrado y las pondré en la fórmula de predicción Y. |
| |
Y todavía vemos las puntuaciones X en la parte inferior, pero ahora también vemos estas funciones de deseabilidad a la derecha. |
| |
Y una vez más, la función de deseabilidad para T cuadrado comienza a disminuir por encima de 9,32. La deseabilidad es máxima en valores bajos de flujo uno, y tenemos objetivos tanto para el flujo objetivo como para el parámetro de calidad. |
| |
Ahora que hemos definido todo esto, podemos pasar a maximizar la deseabilidad. |
| |
Y vamos a intentar encontrar valores para cada uno de esos puntajes y, por lo tanto, valores para todas las variables observadas en nuestro conjunto de datos que vamos a... |
| |
lograr ese flujo objetivo y alcanzar los objetivos que están en estos que definimos anteriormente. |
| |
Observen que estuvo cerca de alcanzar el objetivo completo, pero parece que está un poco bajo. Logró nuestro 20.15. |
| |
Y estaba dentro del límite de T cuadrado que le asignamos. Lo más probable es que JMP considerara que esta pequeña disminución en la deseabilidad era menos importante que la reducción del flujo, así que podemos solucionarlo manteniendo presionada la tecla Ctrl y haciendo clic en esta función de deseabilidad y cambiando la importancia a 10. |
| |
Ahora, si optimizamos esto de nuevo, debería acercarse un poco más al objetivo de flujo. Antes de hacerlo, guardaré la configuración de estos factores en la tabla de abajo para que podamos comparar el antes y el después. Después, maximizaremos la deseabilidad. |
| |
Parece que está terminado y todavía estamos dentro de los límites en nuestro T al cuadrado. |
| |
Ha alcanzado el 20,15 que pedimos y ciertamente está mucho más cerca de 140. Así que ahora podemos volver a guardar estas configuraciones de factores en la tabla de datos. |
| |
Y ahora deberíamos tener factores que podamos devolver a la planta de fabricación y decir: "Oye, aquí están los parámetros que recomendamos". |
| |
El beneficio de utilizar un análisis multivariado como este, hablamos sobre los flujos tres y cuatro que están relacionados anteriormente, |
| |
Usando este método, deberíamos poder darle a la planta valores razonables que realmente pueda alcanzar. |
| |
Si les dices que ejecuten un valor alto para el flujo tres y un valor bajo para el flujo cuatro, es posible que te miren y digan que eso simplemente no es posible. |
| |
Estas deberían ser mucho más razonables. Tenga en cuenta que no todas estas variables son necesariamente variables independientes que la planta pueda controlar. Algunas de ellas podrían ser... |
| |
Resultados, o podrían estar simplemente relacionados con otras variables. En teoría, si la planta cambia todo lo que controla, lo demás debería encajar. |
| |
Ahora que hemos optimizado este modelo, el siguiente paso suele ser verificar si funciona con normalidad. Una vez establecidas las condiciones óptimas, conviene usar el mismo modelo para puntuar nuevas filas o nuevos datos y comprender si el proceso funciona como esperamos. |
| |
Para hacer eso, usaremos estos mismos puntajes de predicción que teníamos guardados desde la plataforma PLS, pero esta vez los usaremos en el gráfico de control multivariado impulsado por el modelo. |
| |
bajo calidad y proceso. |
| |
Voy a usar el tiempo y ponerlo en ID de tiempo, así que en lugar de ver números de fila, veremos una fecha real en todos nuestros gráficos y pondremos los puntajes X en el proceso. |
| |
Lamentablemente, el rango no siempre funciona correctamente en estos gráficos, así que si hago un poco de zoom, veremos que aquí hay períodos en los que tuvimos un T cuadrado alto y ese T cuadrado alto fue principalmente el resultado de los flujos dos, tres, cuatro y uno, por lo que todos los flujos en eso... |
| |
son los que más contribuyen a esta T al cuadrado. Si hacemos clic en él y pasamos el ratón sobre una de esas barras, si hago clic en ese punto de nuevo, veremos un gráfico de control para ese valor individual... individual. |
| |
variable con el punto que seleccionamos resaltado en ese gráfico. |
| |
Voy a ocultar esto, y no solo analizaremos T al cuadrado, sino que también podemos hacer lo mismo para DModX o SPE, si aún se analiza SPE. De nuevo, |
| |
Esto no siempre funciona correctamente. |
| |
Así que nos acercaremos a la |
| |
Valores DModX nuevamente. |
| |
Entonces, DModX va a indicar los puntos que tienen un valor alto o bajo para una columna individual, en comparación con lo que se esperaba según las otras filas, los otros datos en esa fila. |
| |
Aquí podemos ver que este punto es principalmente un valor atípico debido al flujo cinco. |
| |
Considero que los mapas de calor de proporción de contribución son bastante útiles para observar y ver patrones en datos antiguos cuando, por ejemplo, una variable puede haber sido un factor de gran contribución o haber actuado de manera anormal durante un largo período de tiempo o durante alguna sección de tiempo. |
| |
Así que este es un gráfico que quizás queramos mirar todas las mañanas, por ejemplo, o periódicamente para ver si el proceso está actuando normalmente. |
| |
Entras, quieres abrir esto y ver: ¿hay algo que deba ajustar ahora mismo para volver a tener nuestro proceso bajo control? |
| |
Para lograrlo, queremos recrear todo este análisis, desde la extracción de datos de PI hasta la apertura de la plataforma MDMCC, y que todo esté disponible con solo hacer clic en un botón. |
| |
Para ello, escribiremos un script JSL de tres pasos: obtendremos los datos de PI, añadiremos las columnas calculadas y, finalmente, abriremos el modelo en la plataforma de gráficos de control multivariante. |
| |
Obteniendo datos de PI. Si volvemos a la tabla de datos original que... |
| |
que se abrió después de ejecutar el complemento PI Tools, podemos ver este script de origen de datos de PI guardado en esa tabla. Si editamos ese script y lo copiamos, podemos pegarlo en la nueva ventana de script. |
| |
Solo voy a hacer un cambio. En lugar de extraer datos de mayo, empezaremos a extraerlos a partir del 1 de agosto. |
| |
Ahora necesitamos agregar esas columnas calculadas. Recuerda que en la plataforma PLS usamos la opción "Guardar como fórmula de puntuación X". |
| |
Para recrearlos, podemos simplemente seleccionar todas las columnas en la tabla de datos y utilizar la función de script de copia de columna que se agregó nuevamente en ese complemento de herramientas de script. |
| |
Una vez que copiamos el script de la columna, volvemos a este nuevo script que creamos y pegaremos lo que son un montón de nuevas fórmulas de columnas para recrear nuevamente todas esas columnas. |
| |
Finalmente, el control multivariable impulsado por modelos |
| |
El gráfico tiene un ??? en la mayoría de las otras plataformas, donde puede guardar el script en el portapapeles y pegarlo en la misma ventana de script. |
| |
Ahora, si imaginamos que es un nuevo día y tenemos todo cerrado, y quiero ver cómo va nuestro proceso, simplemente ejecutaría este mismo script. Tenga en cuenta que podría iniciarlo con |
| |
una barra oblicua específica y luego un signo de exclamación para ejecutarse automáticamente cuando se abre el script. |
| |
Al presionar "Ejecutar", se abrirá una tabla de datos idéntica a la original. Tiene las mismas columnas. |
| |
Se agregaron esas columnas calculadas, así que pongamos estos puntajes y todas las predicciones, y también abrió la plataforma de gráficos de control multivariados impulsada por modelos. |
| |
donde podemos ver que este valor reciente para DModX es realmente bastante alto, por lo que los datos más recientes tienen algunos valores anormales, en este caso, para la calidad tres. |
| |
De nuevo, la calidad tres parece no estar en el valor esperado, según los demás parámetros. En este caso particular, eso podría significar que... |
| |
Dado que la calidad tres es un parámetro de entrada y las calidades uno, dos y tres a menudo están relacionadas, eso podría significar que la calidad tres es una muestra de laboratorio defectuosa o podría significar que se trata de un material nuevo con el que no hemos trabajado antes. |
| |
Bien, finalmente, hablemos de un método para ejecutar este modelo continuamente. Esto se recreó a pedido. |
| |
donde escribimos un script JSL para ejecutar esto, pero a veces es beneficioso |
| |
a...o encontramos beneficioso escribir estos resultados nuevamente en nuestro historiador de PI para que puedan ser utilizados por |
| |
Los operadores de nuestras instalaciones. En los últimos minutos, quiero presentarles el complemento del motor de modelos. |
| |
Esto calificará rápidamente los modelos en línea. Cabe señalar que esto solo debe usarse como asesoramiento. No es un método aceptable para proporcionar información crítica ni para el control de ciclo cerrado. |
| |
Para ello, podría considerar exportar las fórmulas desde el depósito de fórmulas y utilizar algún otro paquete de software para puntuarlas. |
| |
Como se mencionó anteriormente, algunas de las predicciones e información disponibles en este modelo |
| |
Tiene el mayor valor en el momento en que ocurre. Así que saber qué causó el problema de ayer es genial, pero saber qué está sucediendo ahora mismo... |
| |
significa tomar decisiones con los resultados del modelo actual y permite solucionar algunos problemas antes de que se conviertan en un gran problema. |
| |
Por supuesto, hay muchas formas de puntuar modelos, pero el poder del lenguaje de scripting JMP, JSL, |
| |
proporciona una manera de obtener predicciones e información de anomalías frente a los operadores en nuestras instalaciones de fabricación utilizando su conjunto existente de herramientas de visualización y tendencias a las que ya están acostumbrados. |
| |
Un par de motores de modelos, o computadoras que ejecutan JMP con un complemento específico que inició el programador de tareas, están configurados para ejecutar periódicamente todos los modelos almacenados en un directorio específico. |
| |
Toda la configuración se realiza a través de dos tipos de archivos de configuración: un solo archivo de configuración del motor y un archivo de configuración del modelo para cada modelo que se va a calificar. |
| |
Comencemos con el archivo de configuración del modelo. ¿Recuerdas cómo el complemento PI Tools guarda la información de origen en la tabla de datos? |
| |
Ahora esa misma información se puede usar para completar el archivo de configuración del modelo, que le indica al motor del modelo cómo descargar una tabla con una sola fila que contiene todas las entradas del modelo que necesita para calcular valores. |
| |
Posteriormente, el complemento de herramientas de scripts guarda rápidamente los scripts para recrear columnas guardadas desde PLS y cualquier otra plataforma. |
| |
Incluyendo potencialmente contribuciones de T cuadrado y DModX que pueden guardarse desde la plataforma de gráficos de control de versiones del modelo. Estos nuevos scripts de columna también se guardan en el archivo de configuración del modelo o en un archivo separado en ese mismo directorio. |
| |
Finalmente, el archivo de configuración del motor define cómo se comunica el motor con la fuente de datos donde se encuentran las herramientas de PI. |
| |
complemento...donde el complemento de herramientas PI utiliza OLDB |
| |
y consultas SQL para obtener datos, el motor de modelos utiliza la API web de PI para leer y escribir datos directamente en PI. |
| |
Al definir un conjunto de funciones en el archivo de configuración del motor, este motor también puede comunicarse con muchas otras fuentes de datos. |
| |
Tenga en cuenta que se define un conjunto de etiquetas de latido, que permiten que la fuente de datos y otros motores de modelos conozcan el estado de este motor. |
| |
Cada modelo también tiene su propio conjunto de etiquetas de latido, por lo que si una máquina deja de puntuar un modelo en particular, el otro motor tomará el control automáticamente. |
| |
Nuevamente, esta idea de motor modelo no está pensada para usarse en aplicaciones críticas, pero descubrí que nos permite pasar muy rápidamente de la implementación y el análisis exploratorio a una predicción en línea o una solución de control de calidad. |
| |
Gracias a todos por asistir. Recuerden que encontrarán más información sobre cada complemento y el diario que uso hoy en la Comunidad JMP. |
| Janice LeBeau, JMP |
Excelente trabajo, excelente. |
