756778_zh-TW

liliconcom

最佳化多元模型：從資料收集到最優條件和評分模型 (2021-US-45MP-927)

ADM 資深分析工程師 Isaac Himanga

製造流程是高度相關的系統，難以最佳化。這種相關性為識別異常值提供了機會。在這裡，我們演示了完整的工作流程，其中包括：

• 從 OSISoft 歷史資料庫取得資料。
• 使用考慮過程約束的多元模型進行建模和最佳化。
• 使用MDMCC平台。
• 在線對模型進行評分，並將異常情況寫回歷史記錄器。

實踐中，許多過程難以最佳化。有時，系統無法簡化為一組可測試的獨立變數；在其他情況下，製程在不同條件下可能會變得不穩定。為了解決這些問題，我們使用 JMP 16 中的新功能，在潛在變數空間中最佳化成本和質量，同時考慮觀測變數的限制。為了維持這些最佳條件，我們使用 MDMCC 平台快速識別偏離正常值的偏差。

插件用於最大限度地減少收集資料和評分模型所花費的時間：一個插件用於將流程資料從流行的 PI 歷史資料庫拉入 JMP，一個插件用於快速重新創建計算列，第三個插件用於在線評分模型並將結果發送給歷史資料庫，包括來自 MDMCC 的貢獻。

所引用的插件可在 JMP 社群中找到：

• Had/OSISoft PI 工具
• 腳本工具

自動產生的成績單...

揚聲器	抄本
艾薩克·希曼加	你好早安。
Janice LeBeau，JMP	你好，艾薩克，你好嗎？
艾薩克·希曼加	一切都好，你好嗎？
Janice LeBeau，JMP	好的，謝謝你，我是丹，今天我將為你製作簡報。
艾薩克·希曼加	太棒了。
Janice LeBeau，JMP	我看不見你，艾薩克。
艾薩克·希曼加	是的，我很抱歉，我正在這裡進行設定。
Janice LeBeau，JMP	好的，只是想讓你知道我們現在正在錄音。
	太酷了，我覺得我們以前見過面。
艾薩克·希曼加	我確信，如果某個高峰會在任何地方舉行，我們都有可能會參加。
Janice LeBeau，JMP	好的，很好，你今天過得怎麼樣？
艾薩克·希曼加	一切都好，你好嗎？
Janice LeBeau，JMP	很好很好我喜歡你的背景那顏色真漂亮。
艾薩克·希曼加	謝謝。
	好的。
Janice LeBeau，JMP	我只是想討論一些事情，我只需要和你再次確認。
	您的演講者姓名、公司和摘要標題。
	好的，您有任何共同主持人嗎？好的，您同意我們錄製此內容並將其發佈到發現峰會檔案中嗎？
艾薩克·希曼加	當然，我想，我本來也會在我的網站上發布我的表演記錄，以防萬一發生什麼事，這樣我們就可以有一份副本，你同意。
Janice LeBeau，JMP	嗯，我不知道這是否會影響任何東西的品質。
艾薩克·希曼加	我不應該經常這樣做嗎？
Janice LeBeau，JMP	好的，我讓你先說一下，你的背景看起來不錯，你的麥克風聽起來不錯，好的，只是想再次確認你的手機和電腦通知已關閉。
艾薩克·希曼加	應該是，但我要再檢查一下，因為什麼時候。
Janice LeBeau，JMP	我把你的藝術品稱為。
	進而。
	到 10 日時能量為 8 和 1920，您的背景中是否有寵物。
艾薩克·希曼加	所以。
Janice LeBeau，JMP	它可能會發出噪音，就像我的貓可能會發出的一樣，所以我推薦了他。
艾薩克·希曼加	嗯，理論上，今天只有我一個人在家。
Janice LeBeau，JMP	您是否關閉了 Skype 或任何其他發出噪音的應用程式。
艾薩克·希曼加	是的，可以存取我的關閉此功能。
	好的。
艾薩克·希曼加	是的，所以我認為唯一應該打開的是你和我實際上在我們開始的時候會把音量調低，以防萬一發生什麼事我就能看到你，但這樣就會很安靜，如果其他東西發出噪音的話。
Janice LeBeau，JMP	好吧，我要做的是。
	我只是要在這裡給你更多的指示，我將靜音並隱藏我的視頻，你可以共享你的螢幕進行演示。
	而且，在我靜音之前，我會做 54321，然後給自己幾秒鐘的時間，然後你就可以繼續介紹自己了。
	然後開始錄製，你就可以開始你的演示了，然後，當你告訴我今天的演示到此結束，我希望你喜歡它，無論你想說什麼，然後我就會停止為你錄音，好嗎。
	很好，如果我們一開始就喜歡它，而你不開心，你知道我們可以停止它並重新開始，所以我對這一切都很滿意。
艾薩克·希曼加	好的，現在希望這不會成為一個問題，您希望它有多接近 35 分鐘，我練習時的意思是它在 34 和 36 之間徘徊，您想讀它 35 還是。
Janice LeBeau，JMP	你知道這很好，我的意思是做你必須做的事，我知道一個人我們花了 20 分鐘，如果他們告訴你什麼是 30 到 40 分鐘。
艾薩克·希曼加	是的，在某個地方，我記得他們可能給了 35 個範圍。
Janice LeBeau，JMP	沒關係，不用擔心。
艾薩克·希曼加	好的，很完美。
Janice LeBeau，JMP	好的，我們正在雲端錄製。
	我們可以看到這一點。
	哦，看起來很好，看起來很美味。
艾薩克·希曼加	完美的。
Janice LeBeau，JMP	是的。
	那麼，你準備好我的影片了嗎？
艾薩克·希曼加	讓我們看看，這樣你就沒有定時器相機可以在那裡設定定時器，所以我可以做 30。
Janice LeBeau，JMP	我的意思是做任何你想做的事，因為這將會開始。
	我的意思是，老實說，如果您認為是 35 然後您將其改為 32 那就沒問題，如果稍微超過一點也沒問題。
	好的。
艾薩克·希曼加	所以我把一切都得到了這裡。
	好的。
Janice LeBeau，JMP	好的，很好，所以你感覺很好，因為我要做這件事。
	我會做 54321 並將自己靜音。
	讓我們看看你是否凍結在那裡，好的，你準備好了。
艾薩克·希曼加	好的。
Janice LeBeau，JMP	我認為，到 4321 為止。
艾薩克·希曼加	我的名字是 Isaac Himanga，我將示範我在 ADM 使用的工作流程，以使用多元模型優化製造流程。
	我將從提取數據和建立模型開始，找到現實的最佳條件，識別異常情況，最後使用當前數據對模型進行評分。
	這裡還有很多關於各個平台的其他信息，因此我不會討論每個步驟的細節，而是只強調一些常用的功能，並嘗試展示整個工作流程。
	我想說的是，大多數像這樣詳細的分析都需要 45 分鐘以上的時間。
	因此，請前往 JMP 社區中有關此演講的文章以獲取更多詳細信息，其中包括我將在此快速瀏覽的步驟的屏幕截圖日誌。
	我將首先簡要概述 ADM 和一般工作流程。
	然後，我會把這個示範放在一邊，向大家展示JMP中的流程。你們會看到如何取得和清理數據，如何使用刻畫器找出多種情況，
	使用模型驅動的多元控製圖平台，編寫腳本根據該模型對新數據進行評分，最後，我將回到本演示文稿，簡要介紹一種使用 JMP 對該模型進行連續評分的方法。
	首先，簡單介紹一下 ADM。
	ADM 的宗旨是釋放大自然的力量，豐富生活品質。
	我們將天然產品轉化為食品和飲料、補充品、寵物和牲畜營養品的完整成分和風味組合，
	等等。憑藉在全球食品鏈各個環節的一系列無與倫比的能力，我們為客戶提供優勢，幫助他們應對當前和未來的全球挑戰。
	其中一項能力是利用數據分析來改善我們的製造流程，包括我將要談論的方法。
	我是相對較新的專注於改進和分析的卓越中心的一部分。
	我們不斷成長的團隊對類似這樣的技術進行了投資，以幫助我們的 800 個設施、300 個食品和飼料加工廠以及我們公司在世界各地的其他部門利用我們的數據做出更好的決策。
	現在，概述一下工作流程。
	我今天要回顧的四個步驟只是完整分析的一部分。為了節省時間，我將省略一些我認為對每個資料集至關重要的內容。
	例如視覺化資料、使用驗證、變數減少、用其他模型證實研究結果、協調實驗室和流程資料。
	取得數據、建立模型、在 JMP 中根據需要對模型進行評分，然後持續對模型進行評分。
	JMP 有支援每個步驟的工具，包括一系列資料庫連接、多元建模工具（如偏最小二乘法、主成分和模型驅動的多元控製圖平台），當然還有 JMP 腳本語言或 JSL。
	讓我們從獲取數據開始。儘管有許多資料庫連接和腳本選項可用，但我們需要一種快速的方法從我們的流程歷史記錄中提取資料。
	名為PI的熱門產品，無需撰寫查詢或瀏覽表格結構。自訂插件是大多數資料集的答案。這款外掛相對來說…最近發佈到了JMP社群。
	另外兩個插件可以協助完成此過程。其中一個外掛通常稱為腳本工具，它包含一個選項，可以快速取得腳本來重新建立計算列
	與大多數 JMP 平台內建的儲存腳本功能結合使用時，JMP 使用者可以根據需求快速重新建立分析並進行評分。
	最後一個外掛程式稱為 JMP 模型引擎，也是最新的。它使用設定檔以及 PItool 外掛程式保存到資料表中的資訊來獲取資料。
	它使用列公式或任何其他 JSL 腳本進行計算，然後將結果寫回歷史記錄器。
	出於時間考慮，我將快速介紹最後一步，但我再次鼓勵您使用 JMP 社群上的連結來尋找更多詳細資訊。
	本次演講的議程投影片。
	這些插件都經過了徹底的改進，刪除了敏感訊息，但我們正在將用戶遷移到與社群中發布的程式碼相同的版本。如果您有任何改進想法和方法，歡迎隨時在 JMP 社群或 GitHub 上與我們合作。
	有了它，讓我們打開 JMP。
	在後台，ADM…或 JMP PItool 的插件使用幾種不同的 PI 產品來提取數據，包括 SQL DAS、OLEDB 和 ODBC。設定說明可在此平台的說明選單中找到。
	今天我們將從 5 月 1 日中午開始提取一組 PItag 的數據，然後我們將每天中午提取另一個值，直到今天。
	我們將針對特定的一組標籤執行此操作，這些標籤在此處列出...
	在這個框裡。請注意，我們實際上添加了一個友善標籤，或一個比 PIhistorian 中的名稱更具描述性的名稱，這將有助於我們稍後在資料表中識別這些列。周圍都是小問號
	....圍繞插件提供更多信息，包括我們今天要使用的這種友好標籤格式的描述。
	當我點擊「執行查詢」時，它會開啟一個類似這樣的資料表。它包含一組列，用於記錄資料表中所有數值。
	它有一組用於任何字串值的列，所以如果你在 PItag 中儲存了字符，它就會提取這些字符。我們還可以看到該 PItag 的狀態。
	每行。
	此外，在該資料表的列屬性中，如果我們開啟列訊息，我們將看到用於提取該資料點的信息，包括 PItag，
	呼叫類型和間隔。對於更複雜的查詢，例如平均值或最大值，我們將在這裡看到更多資訊。
	我要指出的是，這是經過重新調整的真實數據，列名也已更改，但我們今天要看到的分析看起來和感覺起來應該非常類似於使用來自我們某個設施的實際數據進行的真實分析。
	最後，我要指出的是，這裡有一個保存到資料表中的腳本，稱為 PI 資料來源，它與加載項中實際顯示的腳本相同
	它包含的 SQL 也在這裡可用。同樣在後台，它使用
	SQL DAS 或 PI DAS 是為了從 PI 獲取信息，這些就是它為了獲取資料而要運行的所有腳本。我們將在今天的演講快結束時再次使用它們。
	好的，現在我們有了數據，我們需要清理數據。今天我們將使用多變量工具來做這件事，特別是主成分分析。我會從資料表中提取所有數值，並將其放入 y 列列表中，然後
	我們馬上就能看到一些數值……相當多的數值在第一部分得分特別低。如果你查看這些值的載重
	不同的因素，我們可以看到組件一包含此資料集中所有不同流的高負載。
	所以這告訴我，左邊這些數值在整個系統中都代表著高流量。運用一些工程知識，我可以說這代表該流程的停機時間，所以我將繼續隱藏並排除所有這些值。
	現在我們已經完成了，我們將重新計算主成分分析，因此我們將使用重做並重做分析，然後關閉舊的分析。
	現在我們可以看到負載可能更有意義了。例如，主成分三解釋了流量 2 中的大部分變異，這裡存在一些分離。
	前三個成分解釋了大部分的變化，因此在尋找此資料集中的其他異常值時，我將使用這三個成分。
	為此，我將打開異常值分析，並將組件數量更改為三個。
	然後我們可以看到 T 平方圖，也可以開啟標準化的 DModX 圖
	查看具有一個或多個極值的點，或具有單一
	根據該特定角色的資料集中的所有其他資料列，某一列或單一儲存格的值不符合預期或超出了預期範圍。
	現在，我們將透過排除所有高於上限控制限的 T 平方和 DModX 值來快速清理該資料集。
	清理資料集時經常做的另一件事是轉換列，我想展示腳本工具插件的一個功能，它可以
	甚至嘗試應用一點點
	轉移到新的公式列選單。如果我選擇三列或任意數量的列，並轉到自訂轉換選項（該選項同樣作為腳本工具插件的一部分加載），
	我可以選擇 Savitzkey-Golay 轉換並點擊“確定”，它會在資料表末尾添加三列，其中包含包含該轉換的公式。
	要注意的是，我們所做的清理工作可以直接在PLS中進行。不過，我通常會先用PCA。
	好的，現在我們已經清理了資料集，我們需要實際建立一個模型
	嘗試預測…我們的製程條件。關於這個資料集，還有一點要注意，我們這裡設定了一個流量目標。
	今天，我們的目標是使用盡可能少的流量來創建一定數量的目標流量，同時考慮一些…
	考慮到這些質量參數的一些約束條件。由於我們主要關注的是流程一，我將切換到偏最小二乘模型，並使用該流程…目標流程作為 y 變量，所有其他變數作為 X 因子。
	我現在就接受所有預設值，然後稍微前進一點，立即使用四個因素。
	當我打開這四個因素時，
	我們將看到前兩個
	代表
	工廠通常會根據訂單調整變數…以調整流程的運作速度。如此，如果他們需要增加或減少目標流量，他們通常會調整第一個因素，以達到目標速率。
	另一方面，因素 2 主要與這些品質參數有關，這些參數實際上是我們無法控制的輸入品質參數。
	所以這不是我們能改變的。所以，即使第三和第四個因素相對…解釋一下
	我們的目標流程，它們解釋了因素一中相對較少的變化，這些是我們實際上可以控制的，因此，我們將能夠使用它們來優化我們的流程。
	為了使用它...所以我們建立了一個模型來解釋我們數據的變化。
	為了使用這些信息，我們需要保存其中一些列，或將預測保存到資料集中的新列中
	幾分鐘後我們將在預測分析器中使用它。
	我們將利用 JMP 16 中新增的一些功能，這些功能讓我們可以將 Y 和 X 變數的預測結果儲存為 X 得分公式。當我們打開刻畫器時，我想這將有助於說明為什麼這一點很重要。
	這樣，我們就把所有三個預測（X 預測和 T 格）都保存回了資料表。它們應該作為 X 分數的函數，在底部顯示為新的列。
	我們也可以快速瀏覽一下 PLS 平台內的距離和 T 平方圖，我們發現雖然有幾個變數具有相當高的 DModX 或 T 平方，但沒有太極端的。
	這些分數通常會以變數名稱保存，或始終以變數名稱保存，但隨著保存次數增加或模型迭代次數增加，變數名稱可能會變得混亂。因此，腳本工具包含另一個名為「重新命名列」的功能。
	這將允許您選擇一個 PLS 的範例查詢。它有一個相當複雜的正規表示式模式，
	但請注意，它會輸出一組標準名稱，這些名稱對於資料表中的 PLS、PCA 和其他平台看起來相同。
	因此，在這種情況下，我實際上要複製一個特定的前綴，我們將把它放在所有這些列的前面，表明這是我們要上線進行品質控制的模型，它是該模型的修訂版一。
	當我更改名稱時，我們可以看到它會自動更改資料集中所有這些列的名稱。
	因此我們建立了一個模型來解釋
	這些列，但我們還沒有完成我們最初的目標：弄清楚如何用盡可能少的流量來產生一定量的流量…也就是目標流量。為此，我們將使用分析器。注意，當我們打開分析器時，
	我們可以將所有這些預測值（不是 X 分數本身，而是預測值和 T 平方）加入此預測公式部分。
	然後，當它打開時，我們將在 X 軸上看到模型中的所有分數或潛在變數。
	我們可以看到，當我們移動其中一個分數時，它會自動將所有這些觀察到的變數一起移動
	在每個組件中的負載比例。重要的是，看看第三和第四個流程，它們總是一起移動。無論我們移動哪個分數，
	這個模型知道這兩個分數是相關的。也許其中一個是他們控制的流量計，另一個可能是
	是同一條管線上的第二個流量計，但無論如何，看起來工廠無法在不向同一方向移動另一個流量計的情況下移動一個流量計。
	因此，我們的目標是找到每個分數的值，以優化我們的流程。
	在此之前，我們需要告訴 JMP 我們要優化的內容。我們需要說明我們想要達到的流速和質量參數。
	首先，我們告訴它我們不關心大多數列的值。所以我們會選擇所有我們儲存過的列。
	我們將對屬性進行標準化，並為所有這些不同的欄位新增無回應限制。
	然後，我們會返回並調整響應限制。對於我們真正關心的列，它可以更具描述性。例如，流量目標將返回到回應限制，我們將指示我們希望為該列匹配 140 的值。
	同樣，對於品質一，我們希望達到
	20.15。
	對於流量，我們希望最小化該值。
	最後，我們需要確保我們得出的解決方案接近系統的正常運作範圍，因此我們不想在建構 PLS 的區域之外進行推論。
	為了做到這一點，我們將使用這個 T 平方列，並指出我們想要最小化 T 平方
	使其低於該 PLS 平台顯示的上限控制限。這裡我們可以看到上限控制限是 9.32，所以我們將使用它作為這裡的最小值。
	我們現在應該在分析器中看到，低於 9.32 的每個值都是同樣可以接受的，而當值超過 9.32 時，它會越來越不受歡迎。
	在圖形選單下，我將再次打開分析器，再次將所有這些預測和 T 平方公式放入 Y 預測公式中。
	我們仍然可以看到底部的 X 分數，但現在我們也可以在右側看到這些可取性函數。
	T平方的可取性函數再次在9.32以上開始下降。當流量1的值較低時，可取性最高，且我們得到了目標流量和品質參數的目標值。
	因為我們已經定義了所有這些，所以我們現在就可以最大化可取性。
	這將嘗試找到每個分數的值，從而找到資料集中所有觀測變數的值。
	實現這個目標流程並實現我們先前定義的目標。
	請注意，它接近達到目標了，但看起來有點低。它確實達到了我們的 20.15
	並且它在我們設定的T平方界限內。很可能JMP認為這種微小的可取性下降不如流量減少重要，所以我們可以按住Ctrl鍵點擊這個可取性函數，將重要性改為10來解決這個問題。
	現在，如果我們再次優化，它應該會更接近流量目標。不過，在優化之前，我會把這些因子設定保存到底部的表格中，這樣我們就可以比較優化前後的效果。然後，我們繼續最大化可取性。
	看起來它已經完成了，我們仍然在 T 平方的範圍內。
	它已經達到了我們要求的 20.15，而且肯定更接近 140。所以現在我們可以再次將這些因子設定儲存到資料表中。
	現在我們應該有一些因素可以回饋給製造工廠，並說，嘿，這是我們推薦的參數。
	使用像這樣的多元分析的好處，我們之前討論過第三和第四個流程是相關的，
	使用這種方法，我們應該能夠為工廠提供它們實際能夠運作的合理值。
	如果您告訴他們為三運行高值並為第四流運行低值，他們可能會看著您說這是不可能的。
	這些應該更合理。需要注意的是，並非所有這些變數都是工廠可以控制的獨立變數。其中一些可能是
	結果，或者它們可能只是與其他變數有關。理論上，如果工廠改變了所有它們能夠控制的因素，其他因素應該就能自然發揮作用。
	現在我們已經優化了這個模型，下一步通常是確保或驗證它是否運作正常。因此，一旦設定了最佳條件，最好使用相同的模型來對新行或新資料進行評分，並了解該流程是否按預期運行。
	為此，我們將使用從 PLS 平台保存的相同預測分數，但這次我們將在模型驅動的多元控製圖中使用這些分數
	在品質和流程方面。
	我將使用時間並將其放入時間 ID 中，因此我們不會看到行號，而是會看到所有圖表上的實際日期，並將 X 分數放入流程中。
	不幸的是，這些圖表上的範圍並不總是正確地工作，所以如果我稍微放大一點，我們就會看到這裡是 T 平方較高的時期，而高 T 平方主要是第二、三、四和一流的結果，所以其中的所有流...
	是這個T平方的高貢獻者。如果我們點擊它，並將滑鼠懸停在其中一個條形上，如果我再次點擊該點，那麼我們將看到該單一值的控制圖…單個
	變量，我們選擇的點在該圖表上突出顯示。
	不過，我要把這個隱藏起來，不僅要看 T 平方，我們還可以對 DModX 或 SPE 做同樣的事情（如果你還在看 SPE）。再說一次，
	但這並不總是能正確發揮作用。
	因此我們將放大
	DModX 值再次。
	因此，DModX 將指示與基於其他行（該行中的其他資料）的預期值相比，單一列具有高值或低值的點。
	這裡我們可以看到，這個點主要是因為第五個流而導致的異常值。
	我確實發現貢獻比例熱圖非常有用，可以查看舊數據中的模式，例如，當一個變數可能是一個很大的貢獻因素，或者在很長一段時間內或某個時間段內表現異常時。
	因此，這是一個圖表，我們可能想每天早上查看一下，或定期查看一下，看看流程是否正常運作？
	你進來，打開它看看，我現在應該調整什麼才能讓我們的流程重新控制？
	因此，為了做到這一點，我們希望重新建立整個分析過程，從提取 PI 資料到開啟 MDMCC 平台，並且只需點擊按鈕即可完成所有操作。
	為此，我們將編寫一個包含三個步驟的 JSL 腳本。它將從 PI 取得數據，加入計算列，然後在多元控製圖平台中開啟我們已有的模型。
	從 PI 獲取數據。如果我們回到原始資料表…
	在執行 PI 工具外掛程式後開啟的視窗中，我們可以看到儲存到該表中的 PI 資料來源腳本。如果我們編輯該腳本並將其複製，就可以將其貼到新的腳本視窗中。
	我只要做個更改。我們不再從 5 月開始提取數據，而是從 8 月 1 日開始提取數據。
	現在我們需要新增那些計算列。記住，在 PLS 平台中，我們使用已儲存的分數…「儲存為 X 分數公式」選項。
	為了重新建立這些，我們可以選擇資料表中的所有列，然後使用在該腳本工具外掛程式中再次新增的複製列腳本功能。
	一旦我們複製了列腳本，我們就會回到我們創建的這個新腳本，並貼上一堆新的列公式來再次重新建立所有這些列。
	最後，模型驅動的多變量控制
	圖表有一個???大多數其他平台，您可以在其中將腳本保存到剪貼簿並將其貼到同一個腳本視窗中。
	現在，假設我們假設這是新的一天，所有事情都已結束，我想查看流程的運行情況，我只需運行相同的腳本即可。注意，我可以使用以下命令啟動它：
	特定的斜線斜線然後是感嘆號，以便在打開腳本時自動運行。
	當我點擊“運行”時，它會打開一個數據表，它看起來和我們原來的表一模一樣，包含所有相同的列。
	它添加了那些計算列，所以我們把這些分數和所有的預測都放進去，它也打開了模型驅動的多元控製圖平台
	我們可以看到，DModX 的最近值實際上相當高，因此最新數據有一些異常值，在本例中，質量為三。
	所以，根據其他參數來看，質量三似乎沒有達到預期值。在這個特定情況下，這可能意味著，
	由於質量三是一個輸入參數，並且質量一、二和三通常是相關的，這可能意味著質量三是一個不好的實驗室樣本，或者可能意味著這是我們以前沒有使用過的新材料。
	好的，最後，讓我們來談談如何持續運行這個模型。這是按需重新建立的，
	我們編寫了一個 JSL 腳本來運行它，但有時它是有益的
	或者我們發現將這些結果寫回我們的 PI 歷史記錄中是有益的，以便它們可以被
	我們設施裡的操作員。最後幾分鐘，我想介紹這個插件，它叫做模型引擎插件，
	它可以快速在線對模型進行評分。需要注意的是，這僅供參考。它不適用於提供關鍵資訊或進行閉環控制。
	為此，您可以考慮從公式庫中匯出公式並使用其他軟體包對其進行評分。
	如前所述，該模型中的一些預測和訊息
	最有價值的資訊在發生的時刻最有價值。所以，知道昨天的問題是什麼固然重要，但知道現在發生了什麼
	意味著根據當前模型結果做出決策，並且可以在一些問題變得嚴重之前解決。
	當然，有很多方法可以對模型進行評分，但 JMP 腳本語言 JSL 的強大功能
	提供了一種方法，讓我們的製造工廠的操作員可以使用他們已經習慣的現有視覺化和趨勢工具套件來獲取預測和異常資訊。
	設定一對模型引擎或運行 JMP 並帶有啟動任務調度程序的特定插件的計算機，以定期運行存儲在特定目錄中的所有模型。
	所有配置都是透過兩種類型的設定檔完成的，即單一引擎設定檔和每個要評分的模型的一個模型設定檔。
	讓我們從模型設定檔開始。還記得 PI 工具外掛是如何將來源資訊儲存到資料表中的嗎？
	現在可以使用相同的資訊來填充模型配置文件，該文件告訴模型引擎如何下載一個表，該表包含單行，其中包含計算值所需的所有模型輸入。
	稍後，腳本工具外掛程式可以快速儲存腳本，以重新建立從 PLS 和任何其他平台儲存的列，
	可能包括可從模型版本控製圖平台保存的 T 平方和 DModX 貢獻。這些新的列腳本也保存在模型設定檔中，或保存在同一目錄中的單獨檔案中。
	最後，引擎設定檔定義了引擎如何與資料來源進行通信，其中 PI 工具
	外掛...PI 工具外掛程式使用 OLDB
	和 SQL 查詢來獲取數據，模型引擎使用 PI web API 直接讀取和寫入數據到 PI。
	透過在引擎設定檔中定義一組函數，該引擎也可以與許多其他資料來源通訊。
	注意到定義了一組心跳標籤，這使得資料來源和其他模型引擎可以知道該引擎的狀態。
	每個模型還擁有自己的一組心跳標籤，因此如果一台機器停止對特定模型進行評分，則另一台引擎將自動接管。
	再次強調，這個模型引擎的想法並不適用於關鍵應用，但我發現它使我們能夠非常快速地從部署和探索性分析轉向線上預測或品質控制解決方案。
	最後，感謝大家的參與。請記住，關於每個插件以及我目前使用的期刊的更多信息，都可以在 JMP 社區中找到。
Janice LeBeau，JMP	太棒了太棒了。

進階統計建模自動化和腳本基礎資料分析與建模消費者與市場研究內容組織資料混合與清理實驗設計預測模型和機器學習品質與工藝工程可靠度分析分享和交流成果