Merci, tout le monde. Je suis Mattia Vallerio, Avancé Processus Contrôle à Solvay s ite dans Italie dans Spinetta Marengo. Aujourd'hui, Je suis ici à présenter un travail que nous a fait ensemble avec le Université de L euven sur le utiliser de le analyse de industriel lot données. Dans plus spécifique, I volonté présent a JMP plugin que nous développé que est en utilisant autoML à faire fonctionnalité dépistage, et alors I volonté être mobile sur à utiliser fonctionnel prédiction Explicatif à analyser lot données.
T il idée est sur un côté, le autoML volonté être utilisé pour automatisé dépistage de pertinent paramètres, et sur le autre côté, le fonctionnel principe composant. Le idée là est à utiliser il pour anomalie détection sur lot fabrication processus.
Alors que faire que, I volonté aussi parler à propos le besoin de aligner données temps sage à être capable à correctement analyser il et pourquoi toi besoin à faire il et comment toi pourrait faire il dans a simple chemin. Juste pour référence, ce est a travail que a a été publié dans a livre, mais c'est aussi disponible dans archives. T son est le référence avec tous le auteurs répertorié là et toi peut télécharger il pour gratuit. Sentir gratuit à avoir a regarder à il et toi volonté trouver quelques plus détails sur quoi I volonté parler à propos aujourd'hui.
Dans le même chemin, le plugin que I volonté présent est les deux librement disponible dans GitHub, mais aussi sur le Communauté JMP page comme Bien dans le matériel pour ce parler et aussi sur a dédié page que est aussi appelé prédicteur explication.
M aimer dos à le parler aujourd'hui, le données que nous utiliser est basé sur a utiliser cas que était publié par Salvador Muñoz dos dans 2003. Là, toi peut télécharger ce code où il est en utilisant Méthode PCA et PLS à analyser lot données. T ici, le utiliser cas contenu dans est aussi utilisé dans ce parler comme Bien et dans le publication que I a montré juste avant.
I f nous regarder à le données que nous sont analyser, essentiellement il est séchage processus. Ce séchage processus est composé de trois différent phases: le désagglomération phase, le chauffage phase, et le refroidissement phase lequel toi peut voir ici comme phase 1, 2, et 3. T il but de ce processus est assez simple, est juste à retirer solvant depuis le sec gâteau pour le matériel que a a été introduit dans ce séchage unité.
A s toi peut voir, nous avoir différent initial gâteau poids que est introduit dans le système, et là sont différent variation selon parce que le départ matériel est différent chaque temps. T il but est à atteindre spécifique cible concentration pour le solvant à le fin donc il n'a pas avoir à être aussi sec ou aussi mouillé à le fin de le phase. Y ou peut clairement voir déjà depuis ce image que nous avoir quelques variation dans forme et temps durée de le température profil et donc aussi de le processus elle-même.
Si nous aller a peu plus loin dans analyser le données, alors toi peut voir que nous avoir a variété de différent longueurs de lot durée. Ce est le couleur sur le droite côté sur le légende. Toi peut clairement voir ici même plus clairement que avant que là sont différent formes. T son est aussi vrai pour le solvant concentration. Comme toi peut voir déjà, ce ne devrait pas être aussi beaucoup de a choc pour personne que est dans le processus industrie. T il plus long le lot, le inférieur le solvant concentration, le plus court le lot, le plus haut le final longueur concentration plus ou moins avec quelques peu exceptions.
Mais comme toi peut voir, le longueur est tous sur le lieu et aussi le principal phases, ils sont pas aligné. Si toi serait prendre maintenant données pour tous ces lots et commencer à analyser il, toi volonté être comparer échantillons. Pour exemple, à ce indiquer dans temps toi volonté être comparer données depuis le de phase d'agglomération avec données depuis le chauffage phase, ou même depuis le refroidissement phase avec le désagglomération phase. O f cours, ce est pas quoi nous serait comme à faire.
C'est pourquoi c'est important avant toi faire rien autre avec le données, c'est important que toi en fait presser ou rétrécir ou agrandir données. Mais dans commande à avoir tous le différent lot avoir le même longueur.
Y ou peut faire ce dans différent manières. Ce est techniquement appelé dynamique temps gauchissement. Ce est aussi a fonctionnalité que est compris dans JMP quand toi faire fonctionnel données exploration. Mais là sont différent manières à faire ce. Toi avoir très complexe mécanismes et algorithmes que avoir a été développé pendant le années. T il référence pour ces méthodes toi peut trouver dans le publication que I juste a montré toi.
Mais le inconvénient pour ceci… O est de le inconvénients de le avancé méthodologie est que toi besoin a référence trajectoire dans commande à être capable à utiliser la plupart de le déformation temporelle dynamique algorithme.
Là sont autre manières que toi pourrait utiliser à synchroniser le lots. Un est que si toi avoir a monotone- croissant latent variable, la plupart de le temps, ce est le conversion ou le total montant de matériel que est nourri à l'intérieur le réacteur, donc t il cumulatif alimentation dans le réacteur. Ce peut être utilisé comme a chemin à parcelle le données dans a système dans a normalisé chemin et à avoir tous le données aligné.
Le méthodologie que nous utilisé pour ce utiliser cas pour ce parler et aussi que nous sont proposant dans le papier, dans le article que nous a écrit est à normaliser le données basé sur le automation déclencheurs. B y automation déclencheurs nous signifier le changement dans le différent phases.
E très début et fin de le phase est alors normalisé entre 0 et 1, comme toi peut voir ici. T il désagglomération phase commence depuis 1 et va à 2, et le chaque phase va depuis 2 à 3, et le cool vers le bas phase va depuis 3 à 4. Alors tous le données est pressé ou étiré à ajuster dans ce seau. T poule quelque chose très bon ça arrive que toi peut directement voir anomalie ou anormal lots dans a plus clair chemin que quoi toi serait avoir fait sur le gauche côté.
Alors si toi serait regarder dans l'intrigue de le temps de phase, donc le un dans le milieu, alors toi peut clairement voir que le inclination de le doubler essentiellement raconte toi comment long le lot a duré. T il plus raide le doubler, le plus long le phase que nous sont actuellement regarder à.
Le inconvénient de ce méthodologie est que il ne peut pas être appliqué en ligne, de cours. T son peut seulement être appliqué une fois le lot est fini ou une fois le phase est fini. Mais de cours, en ligne, c'est essentiellement impossible à savoir quand ce est en allant à end. Y ou donc besoin à station balnéaire à autre gentil de alignement procédure comme dynamique temps- gauchissement que est décrit dans le papier. I ne le fera pas être touchant que aujourd'hui. T chapeau il pour ce.
Comment faire toi analyser en fait lot données? Là sont différent manières à faire que. T il d'abord chemin que nous sont regarder à est par en utilisant empreintes digitales. W a faire nous appel empreintes digitales? Essentiellement, empreintes digitales, y ou peut définir il comme agrégé ou a statistique résumé de différent résumé statistiques de le données que avoir physique signification ou ingénierie valeur. T ces sont normalement le variables que ton ingénieur regarder à à savoir si le lot est en allant correctement ou a a été en train de jouer Bien ou pas. Si toi demander ton experts dans le champ ou dans le processus, ils volonté avoir ce gentil de Indicateurs clés de performance que ils sont surveillance à savoir si a lot a a été en train de jouer Bien ou pas.
F ou exemple, un de que pourrait être le maximum niveau de le réservoir dans le désagglomération phase ou le maximum température dans le séchage phase ou le standard déviation entre le ensemble indiquer et le mesuré variable pendant le séchage phase ou… I ne le faites pas savoir. Toi nom il. Toi peut aller comme fou comme toi vouloir, et toi peut construire essentiellement comme beaucoup caractéristiques comme toi vouloir départ depuis le données que toi avoir. T son est a chemin à retirer le fardeau de le transitoire comportement de lots, et c'est a chemin à en fait comparer entre lots par en utilisant simple statistiques à comparer différent caractéristiques de le lot.
Le problème avec ce est que toi peut imaginer que toi peut fin en haut avec a parcelle de différent statistiques que toi avoir à piste et moniteur, et parfois c'est très difficile à comprendre lequel ceux sont vraiment pertinent ou lequel sont pas pertinent à tous. T par conséquent, c'est pourquoi nous développé ce plugin que I a montré toi juste avant lequel utilisations autoML à essentiellement faire a fonctionnalité sélection sur tous ces empreintes digitales que toi peut créer toi-même.
Le complément peut être installé par tout le monde sur JMP. I t essentiellement apparence comme ce. I t apparence comme n'importe lequel normale menu que toi serait avoir dans JMP. I t nécessite toi à installer a Python installation que aussi est automatiquement géré par le installateur de ce plugin comme Bien.
I f toi vouloir à faire il, allons dire, allons essayer à utiliser ça. W e vouloir à modèle le final concentration de le solvant, lequel est notre ET. Toi peut juste essentiellement populaire dans tous le capteur données que toi avoir, et il volonté automatiquement créer tous le différent fonctionnalité ingénierie. Bien prendre le maximum, le minimum, le standard déviation, le médian, le signifier, et tous le statistiques toi peut-être imaginer de tous le variables que nous introduire. Si toi avoir information sur le lot IDENTIFIANT et le phase IDENTIFIANT, alors toi peut juste prise il dans.
En plus, si toi avoir le Python installation, alors toi peut demander le outil à faire a Graphique SHAP pour le FORME valeur de le différent caractéristiques à obtenir a mieux compréhension de quoi le boosté arbre est faire derrière le scènes à en fait faire le magie et utiliser ce et sélectionner le caractéristiques que sont pertinent ou pas.
Si I juste cliquez sur… T poule toi peut peaufiner ton nombre de arbres et signal-t le- bruit rapport et toi peut faire peu importe toi vouloir. Toi peut même ajouter poids. Toi peut choisir. I f nous cliquez sur D'ACCORD, alors le magie ça arrive. Maintenant, comme toi voir, c'est toujours informatique parce que ce est le Python scénario. Derrière, il est informatique le FORME valeurs, donc il pourrait prendre quelques temps avant nous obtenir le résultats.
Mais laisser moi voir si I je peux… Ouais, je peux se déplacer ici déjà. T son est le résultat essentiellement. Y ou peut voir que nous avoir le différent… Un s I dit, le outil essentiellement génère a parcelle de différent statistique agrégation de le données. Toi avoir le standard déviation de le agitateur vitesse, standard déviation de le couple, signifier de l'agitateur vitesse. Y ou peut voir il pour toi-même.
T poule nous aussi avoir… Oups, s à informatique. C'est le beauté de faire il en direct. Parfois il n'a pas aller comme prévu.
Ici il est. Ce est le Graphique SHAP et étaient en allant à regarder à il plus tard. Allons-y faire il encore, mais sans le FORME valeur demande juste parce que I vouloir à montrer toi un autre fonctionnalité. I ne le fera pas cliquez sur que. I ne le fera pas être faire il plus. Maintenant… Oh, le SHAP [inaudible 00:16:57]. Je vais faire il encore après, mais allons se déplacer sur avec ce.
Comme toi peut voir, nous aussi avoir aléatoire et uniforme bruit avec statistique fonctionnalité de ceci. T son est être introduit comme a chemin de coupe désactivé, comme a chemin de sélection lequel caractéristiques sont vraiment pertinent et lequel caractéristiques sont pas pertinent à tous ou ne peut pas être distingué par bruit, en fait. Ce est standard construit dans comme Bien. I t donne toi un automatique couper désactivé comme Bien.
O est de le des choses que toi peut voir est que il choisi le couple et le agitateur vitesse comme un de le intéressant variables à regarder à. Maintenant, toi ne peut pas vraiment utiliser ce comme… Un en fait, si toi pense à propos il, c'est assez compréhensible, parce que selon sur le montant de le humidité de le gâteau que toi introduire, alors de cours le couple consommé par le agitateur volonté être plus haut ou moins ou inférieur selon si il a à travail plus ou moins. Je c'est complètement normale que à le début, le ceux que sont a peu météo, ils pourrait être moins résistant, et le ceux que sont moins mouillé volonté avoir a petit peu plus résistance.
Mais ce est le gentil de retour que toi obtenir depuis le outil. Le standard sortir est a parcelle avec le variables que sont plus pertinent. Toi pourrait avoir vu passage par elle. Il aussi fait a parallèle coordonner parcelle de le sortir comme Bien avec le couleur sur le cible. Ici, toi peut voir encore que si le couple est a peu plus haut, alors le final concentration de le solvant est aussi a peu plus haut, et si le couple va vers le bas, alors le humidité de le gâteau à le fin est inférieur. T il agitateur vitesse est essentiellement le effet de le couple comme Bien. T son est aussi le couple. Mais ce est juste a visuel représentation de quoi le outil fait comme nous étaient vision avant, mais c'est pas là plus. I ne le faites pas voir il.
Y ou peut aussi avoir FORME valeurs à regarder à le données dans a différent chemin. T il FORME valeurs, si tu es pas familier avec le terme, est a chemin de visualisation le impact ou le effet de le différent valeurs sur le cible. C'est a chemin à expliquer en fait le résultat de le machine- apprentissage algorithme que toi utiliser derrière.
L et essayer à faire il peut être un plus temps, peut être sélection moins paramètres, allons dire, couple, agitateur, et température du sèche-linge ensemble indiquer, lequel sont le ceux que avoir a été [inaudible 00:20:48]. D'accord, comme que. Alors nous faire avec phas e et lot. T poule nous demander lui à faire le FORME parcelle. Allons-y voir. À venir. B oreille avec moi a peu avec ce. Il devrait être à tout moment, à tout moment deuxième maintenant. Oh, ici nous aller.
Le légende donne toi le normalisation de le valeur. Je f le points est sur le gauche côté, alors toi avoir a négatif effet sur le cible valeur, et si ton indiquer est sur le droite côté de ce, alors toi avoir a positif effet sur le cible valeur.
Maintenant, comme toi peut voir encore, le couple est un de le la plupart important ceux. Y ou volonté essentiellement voir le même que nous avoir vu dans le parallèle coordonnées parcelle et dans le résultats de le analyse comme Bien. Si toi avoir a inférieur valeur de le couple, alors toi avoir a négatif effet ou toi sont sur le gauche côté de le courbe, et si toi avoir a positif valeur de le couple ou plus haut valeur de le couple, alors toi avoir a positif effet. T poule toi peut analyser ce pour le autre variables comme Bien.
Mais ce est a très puissant… W e pense c'est a très puissant outil à visualiser le effet et à casser vers le bas, à analyser quoi le réel algorithme crache en retour à toi dans a plus efficace chemin. À moins ce est quoi nous pense et c'est pourquoi nous compris il dans ce outil.
T poule toi peut juste rouleau vers le bas et regarder à tous de le variables. Alors de cours, nous toujours avoir le aléatoire uniforme et le bruit comme Bien à l'intérieur, même cependant c'est pas vraiment pertinent.
Toi pourrait avoir remarqué que lot IDENTIFIANT était aussi pertinent comme Bien. C'est a peu de poisson, ce parcelle, droite? Ce en fait est a bien indiquer à se déplacer dans le suivant partie de le parler. Que est à avoir anomalie détection pour lots ou à avoir a chemin de analyser si un de le variable est en allant dehors de spéc.
T il standard chemin à faire ce pour lots ou pour industrie dans général, est à regarder à quelques indicateurs clés de performance et voir si ils évoluer pendant temps. F ou exemple, nous pourrait vouloir à regarder à… Non, ce n'est pas quoi ils Je voulais à ouvrir. Nous pourrait vouloir à regarder à le différent phases et le durée, à avoir a regarder à le variation que nous voir. W e attendre a parcelle de variation dans le désagglomération phase et a petit peu moins dans le chaleur phase et le cool vers le bas.
T il autre chemin à regarder à ce est essentiellement à faire a contrôle graphique de différent paramètres et voir si ces paramètres sont à l'intérieur le limites que toi avoir spécifié ou pas. O est chemin à regarder à que est à regarder à le cible fonction, pour exemple, que volonté être un de le d'abord variables que toi besoin à moniteur.
N aïe, si toi souviens-toi le graphique que nous a montré avant où toi pourrait voir que le lot IDENTIFIANT avait un impact sur le solvant. Maintenant tracé comme ce, il fait plus sens quoi nous sont regarder à dans que Graphique SHAP. Il est parce que là a a été certainement a tendance. S tarte depuis lot 0 vers lot 70, là est a variation sur où le final solvant concentration a a été. U p à lot 30, nous étaient sur cible, alors nous est allé sous cible, et alors nous est allé aussi beaucoup, solvant élevé comme Bien. Certainement quelque chose modifié pendant le processus, et donc, nous avait ce gentil de visualisation dans le FORME parcelle comme Bien. I t choix en haut que le lot IDENTIFIANT est pertinent à prédire le final solvant concentration, mais c'est juste un artefact de ce données.
N aïe, nous ne le faites pas savoir si ce est différent lots. La plupart probable, là sont différent lots de différent produit, et le initial concentration différé depuis différent campagnes ou quelque chose autre était en allant sur. Mais ce est un supplémentaire incertitude que est inhérent de lot processus que si toi avoir ce variation dans ton brut matériels. Ce est aussi vrai pour autre processus comme Bien, mais pour lot processus, c'est beaucoup pertinent comme toi peut voir ici.
Un chemin à regarder à données ou à faire anomalie détection que a a été largement publié et est aussi largement utilisé dans ce industrie est le utiliser de PCA analyse comme PCA et S'il vous plaît combinaison à comprendre le multivarié espace à le spécifique indiquer dans temps. I f ce est pas représentant de quoi est en allant sur dans le lot ou dans le en cours lot, alors toi volonté avoir un alarme. Je c'est a multivarié chemin à regarder à le données.
Maintenant, avec le fonctionnel prédicteur explicatif, maintenant nous peut essentiellement faire le même, mais plutôt de en utilisant standard PCA, nous volonté utiliser le entier information de le s'orienter. Ce est a standard outil que toi peut trouver à l'intérieur JMP. Il est dans spécialisé modèle. T son est Fonctionnel Explorateur de données . C'est a partie de JMP Pr le, seulement JMP Pro. C'est quoi Je suis en utilisant. Si tu avoir il, alors toi peut utiliser il. Nous peut faire essentiellement le même ou nous peut faire ce analyse. I déjà courir il donc Bien juste relancer il.
Essentiellement, quoi toi voir est, pour exemple, si étaient regarder à le réservoir niveau comme a fonction ou comme a variable, alors il donne toi résumé statistiques. T il idée derrière le FPCE comme PCA est plutôt de créer… C'est essentiellement création et identifier propre fonctions que peut expliquer le forme que nous voir dans a spécifique pourcentage. I n ce cas, pour le réservoir niveau il juste identifié deux propre fonctions, et le somme de ce fonction peut expliquer 97,3% de le forme de le totalité de le formes que nous voir.
N aïe, ici toi voir tous le formes sur le gauche, et toi peut clairement voir que là sont quelques que sont pas représenté par… Ils sont pas similaire à le repos. Toi peut jouer autour a peu et augmenter le nombre de formes à inclure le troisième propre fonction, mais automatiquement, JMP sélectionne pour toi le la plupart approprié nombre de propre fonction à avoir a commerce désactivé de explication de le forme. Je f toi aller dos à deux… Et voilà.
Comment fait ce travail? Essentiellement, comme toi peut voir, toi avoir tous le lots ici, et alors toi avoir le score parcelle lequel est en fait quoi permet toi à comprendre lequel lots sont anormal et lequel sont pas anormal. Y ou avoir certainement lot 61 que est a peu dehors là avec respect à le repos. Alors comme toi peut voir ici, toi avoir lot 55. En allant gauche depuis droite, toi peut voir que là est un évolution de le lots sur le Composant 1 axe, lequel était ce spécifique forme sur là.
A selon à où toi sont sur ce C ils s'arrêteront 1 axe, alors le lots volonté avoir différent formes, et le max niveau essentiellement volonté augmenter et augmenter jusqu'à toi atteindre lot 55 et lot 66, lequel sont a peu anormal avec respect à le repos. Ce essentiellement est le même concept de ayant a PCA mais avec forme fonction analyse plutôt de multivarié analyse fait rangée par rangée et indiquer par indiquer.
Le idée dans le fin est que toi pourrait utiliser ce en ligne à comprendre si le lot est à l'intérieur le spécification ou dehors de le spécification. Y ou pourrait faire il par phase, pour exemple. Si toi avoir a spécifique forme pour un de le variables que toi besoin à s'orienter, alors toi pourrait utiliser ce à analyser et voir où toi sont.
Le même est vrai pour le autre formes que nous avoir, le autre variables. Toi peut faire ce pour le séchoir température variable. Dans ce, cas nous avoir trois différent propre fonction, et ce explique en haut à 87% de le variation. A gagner, par regarder à le score parcelle, toi peut place anormal lot essentiellement juste par regarder à ceci, donc lot 34 comme a plat haut alors que tous le autre lots avoir a pointu forme que toi peut trouver dos dans essentiellement tous le autre ceux.
Le modèle que est à venir dehors peut être utilisé pour sur doubler anomalies détection si toi peut mettre en œuvre il. B y le chemin, si toi avoir le nouveau version de JMP, toi peut connecter directement à ton processus h historien si toi avoir PARTIE PI. Sinon, il y a a été un autre parler par mon collègue, Carlos, à propos le utiliser de un autre plugin que nous développé à extrait données depuis ton historien lequel peut connecter à les deux IP de l'OSI et Tremble 21. Toi peut télécharger ton données directement et prise, populaire il dans et voir si a lot a a été se comporter selon à ton spécification ou pas.
Essentiellement, I pense ce plus ou moins couverture quoi I recherché à montrer, et le idée que nous avons fait le deux différent méthodologie que nous avoir a été en utilisant dans Solvay à regarder à processus données. Regarder avant à voir toi à le sommet dans Espagne suivant mois dans Mars si toi sont là. Sinon, sentir gratuit à atteindre dehors à moi ou à n'importe lequel de mon co auteur si toi besoin plus information.
Tout aussi une pause en haut, ce est le lieu où toi trouver le article que nous publié à propos ce avec a petit peu plus information et a petit peu plus détail avec respect à quoi J'ai juste montré à toi. A gagner, c'est ouvrir source. Toi peut télécharger il pour gratuit depuis le lien et c'est tous là pour toi à regarder à et parcourir. Merci encore pour ton attention. T chapeau il.
