Gracias, todos. Soy Mattia Vallerio, Avanzado Proceso Control en Solvay s eso en Italia en Spinetta Marengo. Hoy, Soy aquí a presentar una trabajar eso nosotros hizo juntos con el Universidad de L Venga ya el usar de el análisis de industrial lote datos. En más específico, I voluntad presente a JMP complemento eso nosotros desarrollado eso es usando aprendizaje automático a hacer característica cribado, y entonces I voluntad ser emocionante en a usar funcional predicción Explicador a analizar lote datos.
T él idea es en uno lado, el aprendizaje automático voluntad ser usado para automatizado cribado de importante parámetros, y en el otro lado, el funcional principio componente. El idea allá es a usar él para anomalía detección en lote fabricación procesos.
Mientras haciendo eso, I voluntad también hablar acerca de el necesidad de alinear datos tiempo inteligente a ser capaz a adecuadamente analizar él y por qué tú necesidad a hacer él y cómo tú podría hacer él en a simple forma. Justo para referencia, este es a trabajar eso tiene estado publicado en a libro, pero es también disponible en archivo. T su es el referencia con todo el autores listado allá y tú poder descargar él para gratis. Sentir gratis a tener a mirar en él y tú voluntad encontrar alguno más detalles en qué I voluntad hablar acerca de hoy.
En el mismo forma, el complemento eso I voluntad presente es ambos con libertad disponible en GitHub, pero también en el Comunidad JMP página como Bueno en el material para este hablar y también en a dedicado página eso es también llamado vaticinador Explicador.
M amoroso atrás a el hablar hoy, el datos eso nosotros usar es basado en a usar caso eso era publicado por el Salvador Muñoz atrás en 2003. Allá, tú poder descargar este código dónde Él es usando Método PCA y PLS a analizar lote datos. T aquí, el usar caso contenido dentro es también usado en este hablar como Bueno y en el publicación eso I presentado justo antes.
I f nosotros mirar en el datos eso nosotros son analizando, básicamente él es el secado proceso. Este el secado proceso es compuesto de tres diferente fases: el desaglomeración fase, el calefacción fase, y el enfriamiento fase cual tú poder ver aquí como fase 1, 2, y 3. T él objetivo de este proceso es equitativamente simple, es justo a eliminar solvente de el seco pastel para el material eso tiene estado introducido en este el secado unidad.
A s tú poder ver, nosotros tener diferente inicial pastel peso eso es introducido en el sistema, y allá son diferente variación de acuerdo a porque el a partir de material es diferente cada tiempo. T él objetivo es a alcanzar específico objetivo concentración para el solvente en el fin entonces él no tener a ser también seco o también húmedo en el fin de el fase. Y o poder claramente ver ya de este imagen eso nosotros tener alguno variación en forma y tiempo duración de el temperatura perfil y por lo tanto también de el proceso sí mismo.
Si nosotros ir a poco más en analizando el datos, entonces tú poder ver eso nosotros tener a variedad de diferente longitudes de lote duración. Este es el color en el bien lado en el leyenda. Tú poder claramente ver aquí incluso más claramente que antes eso allá son diferente formas. T su es también verdadero para el solvente concentración. Como tú poder ver ya, este no debería ser también mucho de a sorpresa desagradable para cualquiera eso es en el proceso industria. T él más extenso el lote, el más bajo el solvente concentración, el más corto el lote, el más alto el final longitud concentración más o menos con alguno pocos excepciones.
Pero como tú poder ver, el longitud es todo encima el lugar y también el principal fases, ellos son no alineado. Si tú quería llevar ahora datos para todo estos lotes y comenzar a analizar él, tú voluntad ser comparando muestras. Para ejemplo, en este punto en tiempo tú voluntad ser comparando datos de el de fase de aglomeración con datos de el calefacción fase, o incluso de el enfriamiento fase con el desaglomeración fase. O f curso, este es no qué nosotros quería como a hacer.
Eso es por qué es importante antes tú hacer cualquier cosa demás con el datos, es importante eso tú de hecho estrujar o encoger o agrandar datos. Pero en orden a tener todo el diferente lote tener el mismo longitud.
Y o poder hacer este en diferente maneras. Este es técnicamente llamado dinámica tiempo pandeo. Este es también a característica eso es incluido en JMP cuando tú hacer funcional datos exploración. Pero allá son diferente maneras a hacer este. Tú tener muy complejo mecanismos y algoritmos eso tener estado desarrollado durante el años. T él referencia para estos métodos tú poder encontrar en el publicación eso I justo presentado tú.
Pero el inconveniente para esto…oh es de el desventajas de el avanzado metodología es eso tú necesidad a referencia trayectoria en orden a ser capaz a usar mayoría de el deformación temporal dinámica algoritmo.
Allá son otro maneras eso tú podría usar a sincronizar el lotes. Uno es eso si tú tener a monótono- creciente latente variable, mayoría de el tiempo, este es el conversión o el total cantidad de material eso es alimentado adentro el reactor, por lo que t él acumulativo alimentar en el reactor. Este poder ser usado como a forma a trama el datos en a sistema en a estandarizado forma y a tener todo el datos alineado.
El metodología eso nosotros usado para este usar caso para este hablar y también eso nosotros son proponiendo en el papel, en el artículo eso nosotros escribió es a normalizar el datos basado en el automatización desencadenantes. B y automatización desencadenantes nosotros significar el cambiar en el diferente fases.
E muy comienzo y fin de el fase es entonces normalizado entre 0 y 1, como tú poder ver aquí. T él desaglomeración fase comienza de 1 y va a 2, y el cada fase va de 2 a 3, y el Frío abajo fase va de 3 a 4. Entonces todo el datos es exprimido o estirado a adaptar en este cubo. T gallina algo muy lindo sucede eso tú poder directamente ver anomalía o anormal lotes en a más claro forma que qué tú quería tener hecho en el izquierda lado.
Entonces si tú quería mirar en La trama de el tiempo de fase, entonces el uno en el medio, entonces tú poder claramente ver eso el inclinación de el línea básicamente dice tú cómo largo el lote duró. T él más empinado el línea, el más extenso el fase eso nosotros son actualmente mirando en.
El inconveniente de este metodología es eso él no puedo ser aplicado en línea, de curso. T su poder solo ser aplicado una vez el lote es finalizado o una vez el fase es finalizado. Pero de curso, en línea, es básicamente imposible a saber cuando este es yendo a fin. Y o por lo tanto necesidad a complejo a otro amable de alineación procedimiento como dinámica tiempo- pandeo eso es descrito en el papel. I no ser conmovedor eso hoy. T sombrero él para este.
Cómo hacer tú analizar de hecho lote ¿datos? Allá son diferente maneras a hacer eso. T él primero forma eso nosotros son mirando en es por usando huellas dactilares. W tiene hacer nosotros llamar ¿huellas dactilares? Básicamente, huellas dactilares, y o poder definir él como agregado o a estadístico resumen de diferente resumen estadística de el datos eso tener físico significado o ingeniería valor. T Estos son normalmente el variables eso su ingeniero mirar en a saber si el lote es yendo correctamente o tiene estado amaestrado Bueno o no. Si tú preguntar su expertos en el campo o en el proceso, ellos voluntad tener este amable de KPI eso ellos son escucha a saber si a lote tiene estado amaestrado Bueno o no.
F o ejemplo, uno de eso podría ser el máximo nivel de el tanque en el desaglomeración fase o el máximo temperatura en el el secado fase o el estándar desviación entre el colocar punto y el mesurado variable durante el el secado fase o… I no saber. Tú nombre él. Tú poder ir como loco como tú desear, y tú poder construir básicamente como muchos características como tú desear a partir de de el datos eso tú tener. T su es a forma a eliminar el carga de el transitorio comportamiento de lotes, y es a forma a de hecho comparar entre lotes por usando simple estadística a comparar diferente características de el lote.
El problema con este es eso tú poder imaginar eso tú poder fin arriba con a lote de diferente estadística eso tú tener a pista y monitor, y a veces es muy difícil a entender cual unos son en realidad importante o cual son no importante en todo. T Por lo tanto, eso es por qué nosotros desarrollado este complemento eso I presentado tú justo antes cual usos aprendizaje automático a básicamente hacer a característica selección en todo estos huellas dactilares eso tú poder crear tú mismo.
El complemento poder ser instalado por todos en JMP. I t básicamente aspecto como este. I t aspecto como cualquier normal menú eso tú quería tener en JMP. I t requiere tú a instalar a Pitón instalación eso también es automáticamente administrado por el instalador de este complemento como Bueno.
I f tú desear a hacer él, Vamos decir, Vamos intentar a usar eso. W e desear a modelo el final concentración de el solvente, cual es nuestro Y. Tú poder justo básicamente estallido en todo el sensor datos eso tú tener, y él voluntad automáticamente crear todo el diferente característica ingeniería. Bien llevar el máximo, el mínimo, el estándar desviación, el mediana, el significar, y todo el estadística tú probablemente imaginar de todo el variables eso nosotros introducir. Si tú tener información en el lote IDENTIFICACIÓN y el fase IDENTIFICACIÓN, entonces tú poder justo enchufar él en.
Además, si tú tener el Pitón instalación, entonces tú poder preguntar el herramienta a hacer a Gráfico SHAP para el FORMA valor de el diferente características a conseguir a mejor comprensión de qué el impulsado árbol es haciendo detrás el escenas a de hecho hacer el magia y usar este y seleccionar el características eso son importante o no.
Si I justo hacer clic en… T gallina tú poder pellizcar retorciendo su número de árboles y señal-t el- ruido relación y tú poder hacer lo que tú desear. Tú poder incluso agregar pesos. Tú poder elegir. I f nosotros hacer clic en DE ACUERDO, entonces el magia sucede Ahora, como tú ver, es aún computación porque este es el Pitón guion. Detrás, él es computación el FORMA valores, entonces él podría llevar alguno tiempo antes nosotros conseguir el resultados.
Pero dejar a mí ver si I Puedo… Sí, puedo mover aquí Ya. T su es el resultado básicamente. Y o poder ver eso nosotros tener el diferente…A s I dicho, el herramienta básicamente genera a lote de diferente estadístico agregación de el datos. Tú tener el estándar desviación de el agitador velocidad, estándar desviación de el esfuerzo de torsión, significar de el agitador velocidad. Y o poder ver él para tú mismo.
T gallina nosotros también tener… Ups, s a computación. Eso es el belleza de haciendo él vivir. A veces él no ir como planificado.
Aquí él es. Este es el Gráfico SHAP y eran yendo a mirar en él más tarde. Vamos hacer él de nuevo, pero sin el FORMA valor pedido justo porque I desear a espectáculo tú otro característica. I no hacer clic en eso. I no ser haciendo él ya no. Ahora… Oh, el SHAP [inaudible 00:16:57]. Enfermo hacer él de nuevo después, pero Vamos mover en con este.
Como tú poder ver, nosotros también tener aleatorio y uniforme ruido con estadístico característica de esto. T su es ser introducido como a forma de corte apagado, como a forma de seleccionando cual características son en realidad importante y cual características son no importante en todo o no puedo ser distinguido por ruido, de hecho. Este es estándar construido en como Bueno. I t da tú un automático cortar apagado como Bueno.
O es de el cosas eso tú poder ver es eso él seleccionado el esfuerzo de torsión y el agitador velocidad como uno de el interesante variables a mirar en. Ahora, tú no puedo en realidad usar este como… Un En realidad, si tú pensar acerca de él, es bastante comprensible, porque dependiente en el cantidad de el humedad de el pastel eso tú introducir, entonces de curso el esfuerzo de torsión consumado por el agitador voluntad ser más alto o menos o más bajo dependiente si él tiene a trabajar más o menos yo es completamente normal eso en el comienzo, el unos eso son a poco clima, ellos podría ser menos resistente, y el unos eso son menos húmedo voluntad tener a pequeño poco más resistencia.
Pero este es el amable de comentario eso tú conseguir de el herramienta. El estándar producción es a trama con el variables eso son más importante. Tú podría tener visto paso por ello. Él también marcas a paralelo coordinar trama de el producción como Bueno con el color en el objetivo. Aquí, tú poder ver de nuevo eso si el esfuerzo de torsión es a poco más alto, entonces el final concentración de el solvente es también a poco más alto, y si el esfuerzo de torsión va abajo, entonces el humedad de el pastel en el fin es más bajo. T él agitador velocidad es básicamente el efecto de el esfuerzo de torsión como Bueno. T su es también el esfuerzo de torsión. Pero este es justo a visual representación de qué el herramienta hace como nosotros eran vidente antes, pero es no allá ya no. I no ver él.
Y o poder también tener FORMA valores a mirar en el datos en a diferente forma. T él FORMA valores, si estás no familiar con el término, es a forma de visualizante el impacto o el efecto de el diferente valores en el objetivo. Es a forma a explicar de hecho el resultado de el máquina- aprendiendo algoritmo eso tú usar detrás.
L y es intentar a hacer él tal vez uno más tiempo, tal vez seleccionando menos parámetros, Vamos decir, esfuerzo de torsión, agitador, y temperatura de la secadora colocar punto, cual son el unos eso tener estado [inaudible 00:20:48]. Bueno, como eso. Entonces nosotros hacer con fases e y lote. T gallina nosotros preguntar a él a hacer el FORMA trama. Vamos ver. Viene. B oreja con a mí a poco con este. Él debería ser En cualquier momento, en cualquier momento segundo ahora. Oh, aquí nosotros ir.
El leyenda da tú el normalización de el valor. yo f el agujas es en el izquierda lado, entonces tú tener a negativo efecto en el objetivo valor, y si su punto es en el bien lado de este, entonces tú tener a positivo efecto en el objetivo valor.
Ahora, como tú poder ver de nuevo, el esfuerzo de torsión es uno de el mayoría importante unos. Y o voluntad básicamente ver el mismo eso nosotros tener visto en el paralelo coordenadas trama y en el resultados de el análisis como Bueno. Si tú tener a más bajo valor de el esfuerzo de torsión, entonces tú tener a negativo efecto o tú son en el izquierda lado de el curva, y si tú tener a positivo valor de el esfuerzo de torsión o más alto valor de el esfuerzo de torsión, entonces tú tener a positivo efecto. T gallina tú poder analizar este para el otro variables como Bueno.
Pero este es a muy poderoso… W e pensar es a muy poderoso herramienta a visualizar el efecto y a romper abajo, a analizar qué el actual algoritmo escupe de vuelta a tú en a más eficiente forma. En el menos este es qué nosotros pensar y eso es por qué nosotros incluido él en este herramienta.
T gallina tú poder justo voluta abajo y mirar en todo de el variables. Entonces de curso, nosotros aún tener el aleatorio uniforme y el ruido como Bueno adentro, incluso aunque es no en realidad importante.
Tú podría tener observó eso lote IDENTIFICACIÓN era también importante como Bueno. Es a poco sospechoso, este trama, ¿bien? Este de hecho es a bien punto a mover en el próximo parte de el hablar. Eso es a tener anomalía detección para lotes o a tener a forma de analizando si uno de el variable es yendo afuera de especulación.
T él estándar forma a hacer este para lotes o para industria en general, es a mirar en alguno KPI y ver si ellos evolucionar durante tiempo. F o ejemplo, nosotros podría desear a mirar en… No, eso no es qué ellos Yo quería a abierto. Nosotros podría desear a mirar en el diferente fases y el duración, a tener a mirar en el variación eso nosotros ver. W e esperar a lote de variación en el desaglomeración fase y a pequeño poco menos en el calor fase y el Frío abajo.
T él otro forma a mirar en este es básicamente a hacer a control cuadro de diferente parámetros y ver si estos parámetros son adentro el límites eso tú tener especificado o no. O es forma a mirar en eso es a mirar en el objetivo función, para ejemplo, eso voluntad ser uno de el primero variables eso tú necesidad a monitor.
N Ay, si tú recordar el gráfico eso nosotros presentado antes dónde tú podría ver eso el lote IDENTIFICACIÓN tenía un impacto en el solvente. Ahora trazado como este, él marcas más sentido qué nosotros son mirando en en eso Gráfico SHAP. Él es porque allá tiene estado definitivamente a tendencia. S inicio de lote 0 hacia lote 70, allá es a variación en dónde el final solvente concentración tiene estado. U p a lote 30, nosotros eran en objetivo, entonces nosotros fue bajo objetivo, y entonces nosotros fue también mucho, alto contenido de solvente como Bueno. Definitivamente algo cambió durante el proceso, y por lo tanto, nosotros tenía este amable de visualización en el FORMA trama como Bueno. I t selecciones arriba eso el lote IDENTIFICACIÓN es importante a predecir el final solvente concentración, pero es justo un artefacto de este datos.
N Ay, nosotros no saber si este es diferente lotes. Mayoría probable, allá son diferente lotes de diferente producto, y el inicial concentración difería de diferente campañas o algo demás era yendo en. Pero este es un adicional incertidumbre eso es inherente de lote procesos eso si tú tener este variación en su crudo materiales. Este es también verdadero para otro proceso como Bueno, pero para lote procesos, es mucho importante como tú poder ver aquí.
Uno forma a mirar en datos o a hacer anomalía detección eso tiene estado ampliamente publicado y es también ampliamente usado en este industria es el usar de PCA análisis como PCA y POR FAVOR combinación a entender el multivariante espacio en el específico punto en tiempo. I f este es no representante de qué es yendo en en el lote o en el en curso lote, entonces tú voluntad tener un alarma. yo es a multivariante forma a mirar en el datos.
Ahora, con el funcional vaticinador explicador, ahora nosotros poder básicamente hacer el mismo, pero en cambio de usando estándar PCA, nosotros voluntad usar el completo información de el tendencia. Este es a estándar herramienta eso tú poder encontrar adentro JMP. Él es en especializado modelo. T su es Funcional Explorador de datos . Es a parte de JMP Pr el, solo JMP Pro. Eso es qué Soy usando. Si usted tener él, entonces tú poder usar él. Nosotros poder hacer básicamente el mismo o nosotros poder hacer este análisis. I ya correr él entonces Bueno justo relanzar él.
Básicamente, qué tú ver es, para ejemplo, si eran mirando en el tanque nivel como a función o como a variable, entonces él da tú resumen estadística. T él idea detrás el FPCE como PCA es en cambio de creando… Es básicamente creando y identificar propio funciones eso poder explicar el forma eso nosotros ver en a específico porcentaje. I n este caso, para el tanque nivel él justo identificado dos propio funciones, y el suma de este función poder explicar 97,3% de el forma de el totalidad de el formas eso nosotros ver.
N Ay, aquí tú ver todo el formas en el izquierda, y tú poder claramente ver eso allá son alguno eso son no representado por… Son no similar a el descansar. Tú poder jugar alrededor a poco y aumentar el número de formas a incluir el tercero propio función, pero automáticamente, JMP selecciona para tú el mayoría adecuado número de propio función a tener a comercio apagado de explicación de el forma. yo f tú ir atrás a dos…ahí vamos.
Cómo hace este ¿trabajar? Básicamente, como tú poder ver, tú tener todo el lotes aquí, y entonces tú tener el puntaje trama cual es de hecho qué permite tú a entender cual lotes son anómalo y cual son no anómalo. Y o tener definitivamente lote 61 eso es a poco afuera allá con respeto a el descansar. Entonces como tú poder ver aquí, tú tener lote 55. Yendo izquierda de bien, tú poder ver eso allá es un evolución de el lotes en el Componente 1 eje, cual era este específico forma encima allá.
A según a dónde tú son en Esta C Se detendrán 1 eje, entonces el lotes voluntad tener diferente formas, y el máximo nivel básicamente voluntad aumentar y aumentar hasta tú alcanzar lote 55 y lote 66, cual son a poco anómalo con respeto a el descansar. Este básicamente es el mismo concepto de teniendo a PCA pero con forma función análisis en cambio de multivariante análisis hecho fila por fila y punto por punto.
El idea en el fin es eso tú podría usar este en línea a entender si el lote es adentro el especificación o afuera de el especificación. Y o podría hacer él por fase, para ejemplo. Si tú tener a específico forma para uno de el variables eso tú necesidad a tendencia, entonces tú podría usar este a analizar y ver dónde tú son.
El mismo es verdadero para el otro formas eso nosotros tener, el otro variables. Tú poder hacer este para el secadora temperatura variable. En este, caso nosotros tener tres diferente propio función, y este explica arriba a 87% de el variación. A ganar, por mirando en el puntaje trama, tú poder lugar anómalo lote básicamente justo por mirando en esto, así que lote 34 como a departamento arriba mientras todo el otro lotes tener a puntiagudo forma eso tú poder encontrar atrás en básicamente todo el otro unos.
El modelo eso es próximo afuera poder ser usado para en línea anomalías detección si tú poder implementar él. B y el forma, si tú tener el nuevo versión de JMP, tú poder conectar directamente a su proceso h historiador si tú tener PARTE PI. De lo contrario, Hay estado otro hablar por mi colega, Carlos, acerca de el usar de otro complemento eso nosotros desarrollado a extracto datos de su historiador cual poder conectar a ambos PIs OSI y Álamo temblón 21. Tú poder descargar su datos directamente y enchufar, estallido él en y ver si a lote tiene estado comportándose de acuerdo a a su especificación o no.
Básicamente, I pensar este más o menos cubrir qué I buscado a espectáculo, y el idea eso Nosotros hicimos el dos diferente metodología eso nosotros tener estado usando en Solvay a mirar en proceso datos. Mirando adelante a ver tú en el cumbre en España próximo mes en Marzo si tú son allá. De lo contrario, sentir gratis a alcanzar afuera a a mí o a cualquier de mi co autor si tú necesidad más información.
Precisamente como un descanso arriba, este es el lugar dónde tú encontrar el artículo eso nosotros publicado acerca de este con a pequeño poco más información y a pequeño poco más detalle con respeto a qué Yo tengo justo mostrado a tú. A ganar, es abierto fuente. Tú poder descargar él para gratis de el enlace y es todo allá para tú a mirar en y navegar. Gracias de nuevo para su atención. T sombrero él.
