758494_ja-JP

liliconcom

JSL + JMP信頼性機能を使用した信頼性モデリングおよびレポート生成アプリの作成（2020-US-30MP-591）

GEガスパワーエンジニアリング、シニアアナリティクス＆信頼性エンジニア、シャムガー・マクドウェル氏

プロジェクトのサイクルタイムを短縮し、プロセスと出力を標準化するというビジネスニーズに直面したGEガスタービン信頼性チームは、解決策としてJMPを採用しました。JMPスクリプト言語とJMPに組み込まれた信頼性・生存時間プラットフォームを活用し、GEと信頼できるサードパーティは、以前のモデル情報と新しい経験的データを取り込むツールを開発しました。これにより、ユーザーは対話形式で最新の信頼性モデルを作成し、標準化された形式でレポートを生成できます。このツールにより、以前は手作業でのデータ操作（PowerPointへの画像のコピー＆ペーストなど）に何日も何週間もかかっていた作業が、わずか数分で完了します。時間の節約に加え、このツールによって新しいチームメンバーはモデリングプロセスをより早く習得し、データ操作に費やす時間を減らすことができます。GEガスタービン信頼性チームは、ビジネスニーズに基づいてツールの機能を継続的に更新・拡張しています。

自動生成されたトランスクリプト...

スピーカー	トランスクリプト
シャムガー・マクダウェル	マヤ・アンジェロウの有名な言葉に、「より良く理解できるまで、できる限りのことをしなさい。そして、より良く理解できたら、より良く行動しなさい。」というものがあります。おはようございます、こんにちは、こんばんは。
	JMP Discovery Summit を楽しんでいただき、必要なことを実行するためのより良い方法を学んでいただければ幸いです。
	GEガスパワーのシニア信頼性・分析エンジニア、シャムガー・マクドウェルです。GEには15年間在籍し、調達、品質、製造、エンジニアリングに携わってきました。
	今日は、私たちのチームが JMP を使用して信頼性モデリングを自動化する過程について少しお話ししたいと思います。
	おそらく、皆さんの組織もこれから説明するような課題に直面しているのではないでしょうか。この課題への私たちのアプローチを詳しく説明することで、皆さんがご自身のビジネス環境におけるワークフローの改善を検討する際に、何かヒントを得られることを願っています。
	背景として、次の数枚のスライドでGEガスパワー事業について少しご説明したいと思います。まず、当社の製品についてです。
	当社は、さまざまな用途を持つハイテクの超大型エンジンを製造していますが、主に電力生産に使用されています。
	そして技術的な観点から見ると、これらの機械は、高温部で使用される合金の融点をはるかに超える焼成温度を誇り、実に驚くべき工学上の偉業です。
	ガスタービン 1 基で、数十万世帯に安定的に電力を供給するのに十分な電力を生成できます。
	これらの機械の大きさがわかるように、右側の写真には大人 4 人が写っています。このことからも、これらの機械が実際どれほど大きいかがわかります。
	そこで、JMPのグラフ作成例をいくつか紹介せざるを得ませんでした。バブルプロットとツリーマップは、当社の顧客基盤のグローバル性を明確に示しています。
	私たちは、世界中の人々が頼りにする、よりクリーンで入手しやすいエネルギーを提供しています。その中には、歴史的に電力にアクセスできず、それに伴う生活を変えるような影響を多く受けられなかった発展途上国も含まれます。
	私たちの仕事が世界中の多くの人々の日常生活にどのような影響を与えているかを理解するにつれ、それが謙虚な気持ちにさせてくれると同時に、私やチームの他のメンバーが毎日行っている仕事に目的を与えてくれることにも役立っています。
	私は信頼性分析およびデータ エンジニアリング チームの一員です。
	私たちのチームは、社内のチームがさまざまな方法で使用する実証的なリスクと信頼性のモデルをビジネスに提供する責任を負っています。
	そのため、私たちはチームのアナリストが、私たちの製品に影響を与える物理現象の理解といったエンジニアリングのタスクに集中できることを期待しています。
	コンポーネントの品質と使用するデータの適用性、またモデリング手法のトレードオフとデータから価値を引き出す最良の方法についても検討します。
	これらはすべて付加価値のあるタスクです。
	私たちのプロセスには、チーフエンジニアとの厳格なレビューも含まれています。そのため、モデルをまとめたPowerPointプレゼンテーションの作成もそのプロセスの一部です。
	以前は、このプレゼンテーションを作成するには、大量のコピー＆ペーストと様々なツールが必要で、時間がかかり、エラーが発生しやすくなっていました。つまり、付加価値がありませんでした。
	そのため、エンジニアが付加価値の高いタスクに集中できる時間を増やすソリューションが必要でした。また、この2つの要素によってプロセスの標準化も促進されました。
	生産性の向上、重要なことへの集中力の向上、そしてさらなる標準化。そのために、私たちは「退屈な作業は自動化する」というモットーを掲げています。
	そこで、私たちが使用したデータセットの規模感をお伝えしたかったのです。扱うデータの量によって、解決策の方向性が決まる場合が多いのです。
	私たちの場合、多少のばらつきはありますが、原則として、現場では数千基のガスタービンを扱っています。
	各ユニットには数百の線路部品があり、部品ごとに数十回の検査や再調整が行われます。
	つまり、私たちが扱っているレコードは合計で数百万件に上ります。しかし、私たちのモデルは通常、特定の構成を対象としているため、1万件以下、あるいは数万件以下のレコード数という、より限定的なデータセットに基づいて構築されています。
	ここでもう一つ指摘したいのは、データセットには10​​0を超える列が含まれることが多いということです。このデータサイズには課題があり、同じタスクを実行する場合、ExcelベースのアプローチよりもJMPの方がはるかに適しています。
	そこで、このツールの最初のバージョンでは、GE はサードパーティと協力して、JMP スクリプト言語を使用して開発しました。
	このツールの名前は、コンピュータ支援信頼性モデリングアプリケーション（CARMA）、つまり「c」です。これを現在の形にまで構築するのにかかった労力は、決して小さなものではありません。
	これはその好例です。スクリプト数とコード行数を見れば、今日のツールの規模と範囲が明らかになります。しかし、このツールは私たちにとって非常に有用なツールであることも証明されています。
	CARMAの開発が進むにつれ、私たちはCARMAを継続的に開発・改善していく必要性を感じてきました。そのため、社内で人材を育成し、育成する必要がありました。
	私は JSL コーディングの専門知識を持っており、これといくつかの関連ツールに重点を置く開発者の作業を監督しています。
	ここでお伝えしたいのは、CARMA のようなものを作成した後でも、ビジネス ニーズの変化に合わせてアプリを維持し、適切な状態に保ち、進化させるためには継続的な投資が必要になるということです。
	しかし、それは実行可能であり、そのメリットは明白です。今年の夏にユーザーを対象に実施した調査では、
	ネットプロモータースコア100%、モデル更新サイクルタイムの25%以上短縮。つまり、リアルタイムです。
	保存されているということです。また、CARMA によってプロセス上の問題が表面化し、そうでなければ隠れたまま対処できなかったかもしれない問題に対処できた事例もいくつかあります。
	ちょっと長いですが、ビル・ゲイツが自動化について述べたことを引用しておきます。彼はソフトウェア開発について多少の知識を持っています。
	「ビジネスで使用されるあらゆるテクノロジーの第一のルールは、効率的な自動化に自動化を適用すると、効率がさらに高まるということです。第二のルールは、非効率的な業務に自動化を適用すると、非効率がさらに高まるということです。」
	これで引用は終わりですが、これは、自動化が壊れたプロセスを修正する特効薬ではないことを思い出させてくれるものであり、今日でもそれを実行するには人間が必要であることを改めて示しています。
	さて、ツールのデモンストレーションを行う前に、ツールの概要とCARMAの入出力について簡単に説明したいと思います。
	ユーザーはツールに入力ファイルを指定する必要があります。左側には、既に承認されているモデルであるアクティブモデルファイルがあります。そして、経験的データがあります。
	そして、ユーザー インターフェイスでは、ユーザーはいくつかのモデリング アクティビティを実行します。
	そして、出力は実行モデルなので、PowerPoint プレゼンテーション内のモデルの動作の更新になります。
	それについても見ていきます。
	データの背景として、デモを使用します。
	機関車のデータセットから始めたことをお伝えしたいと思います。JMPにはサンプルデータが用意されているので、そちらをご覧ください。
	これで一つの集団ができました。そして、モデルの集団も追加しました。
	ここで私が伝えたかった重要なメッセージは、これから見るものはすべて作り出されたデータだということです。それは現実のものではなく、機能を表すものでもありません。
	あるいは、現場での部品の挙動、あるいはすべてが人為的なものである可能性もあります。結果を確認する際には、この点を念頭に置いてください。それでも、ツールを評価するための手がかりにはなるはずです。
	それで、ちょっとJMPに切り替えます。デモにはJMP 15.2を使用しています。このデータセットは通常のものと比べて簡略化されていますが、先ほども言ったように、CARMAのコア機能を試すことができるはずです。
	まずヘルプメニューのサンプルデータを開いて、
	信頼性と生存時間に関するメニューがここにあります。それでは、JMPの優れた点の一つは、様々な分野や機能、そしてそれぞれの専門ツールが用意されていることです。私のケースでは信頼性について多くの機能があり、それがまた役立っています。
	JMP を使用する価値は CARMA の拠点にあります。
	しかし、私はあなたに機関車のデータセットを示して、ただお見せしたいと思いました...
	これはもともと教科書から出てきたものです。
	ここで応用生命データ分析についてお話します。8万回の曝露でのリスクはいくらかという問題があり、今日はそれをデータセットでモデル化します。
	酸化モデルと呼んでいますが、CARMAは基本的に答えを与えてくれます。繰り返しますが、非常に単純な答えですが、先ほどお見せしたように、同じ結果が得られます。
	クリックして
	分析メニューで。
	そこで、責任と生存、生命の分布を分析します。
	時間とセンサーを必要な場所に配置します。
	ワイブル検定を使います
	そして、たった 2 つで...そのデータに適合するものが作成されます。
	私が指摘しようとしていた2つのパラメータは、ベータ（2.3）と、ワイブル・アルファ（ここではAdaと呼ばれます）です。私たちのツールではAdaと呼ばれますが、実際には183です。
	さて、ここでそのやり方を見てみましょう。
	さて、ちょっと飛び越えて、
	他のファイル、入力ファイルも見てみましょう
	それを引き上げておきます。
	さて、これがモデルファイルです。
	先ほど3つのモデルを作成したと言いましたが、これらがデータを比較するアクティブなモデルです。
	酸化が最初の段階であることはおわかりでしょう。そして
	もう一つは、モデルパラメータに加えて、設定情報も持っていることです。これは、ここでは2つの単純なことだけです。
	（燃焼システム、燃料能力）は例として使いますが、他にもたくさんの列があります。CARMAの基本的な機能の一つは、様々な構成を持つ大規模なデータセットがある場合でも、CARMAが検索して、
	どのレコード行がモデルに該当するかを判断し、リアルタイムでソートします。データセット内で必要なすべてのモデルに対して、この処理を実行します。これをデモに使用していきます。
	すみません。
	また、ちょっと見て、経験的データにちょっと飛んでみてください。
	そして
	ハイライトですが、センサーがあり、露出があり、
	その
	それらの曝露を評価する間隔は
	モード、
	そして、これらは先ほどお話しした最後の 2 つの列、燃焼システムと燃料能力です。
	さて、CARMAを起動しましょう。
	追加機能として、とりあえず実行してみます。
	すでにその場所を指しているのがわかると思います
	使いたいです。
	そして
	本日のプレゼンテーションでは、ここにある様々な機能の全てを説明する時間はありません。しかし、これらはすべて、データを取得して分析し、最適なモデル化方法を決定したり、モデルを最終決定する前に検証したりする際に役立つものです。
	時間の関係で、すべてを説明したり実演したりするつもりはありませんが、少し時間を取って、先ほど説明した 3 つのモデルを構築し、プレゼンテーションを作成して、機能のその部分を皆さんに見ていただきたいと思います。
	すみません、私の
	急に喉が乾いてきたので、飲み続けなければなりません。申し訳ありません。
	つまり酸化が起こります。
	失敗と停止の数を確認します。
	それはテキストで表示されるものと同じです。
	それを追加してください。
	少し下にスクロールしてみましょう。
	最初のモデルが追加されました
	酸化。旧モデルは故障が30回、サスペンションが50回でした。こちらは37回と59回です。
	ベータは外部で見た通り 2.33 で、ADA は 183 です。
	そして教科書的な質問への答えは、8万回の曝露のリスクである
	ワイブルモデルを用いると約13.5%になります。これはあくまでも大まかな計算方法です。
	他の 2 つのモデルを追加することも考えてみましょう。
	はい、ひび割れが発生しました。クリープを追加します。
	ここでわかるだろう
	燃焼システムや燃料能力などを表すさまざまなボックスが表示されます。この特定のモデルの場合、これが LDM ファイルで要求されるものです。
	しかし、これを変更したい場合は、ここで他の構成を選択すると、何が含まれるか、何が含まれていないかに関して FNS の行が変更されます。
	そして新しい集団を作成し、セグメント化することができます
	それに応じて。
	さて、3つのモデルすべてを追加しました
	オプションに関してはモデルを試してみるだけで、これ以上の時間を費やすつもりはありませんが、レポートを生成するつもりです。
	レポートに含める内容についてはいくつかのオプションがあります。
	プレゼンテーションでこのLDM入力はアクティブモデル、つまり実行中のモデルになります
	表として出てきます。
	わかりました。それで
	適切なフォルダを選択してください
	私のプレゼンテーションをどこに行きたいか
	さて、このレポートの作成には1分ほどかかります。確かに1分かかります。しかし、これを通常同じ作業にかかる時間と比較すると、何時間もかかることになります。
	ツール外で作業していた場合は、その可能性があります。これでレポートを最終決定する準備が整いました。
	保存してください。
	そして
	フォルダを保存すれば完了です。これで完了です。確認することができます。
	もう一つ指摘しておきたいのは、私が引き上げた時に、すでにこれを生成していたことです
	以前、私はただ
	引き上げる
	既に生成したファイルがありますので、内容を確認してみてください。これはテンプレートです。スピードを重視していますが、作成後にさらにカスタマイズしたり、プレースホルダーを残したり、スライドを生成後に修正したりすることも可能です。
	最初に少し触れた寿命分布モデリングだけでなく、各モデルに含まれるデータを要約するなど、多くの要約作業も実行します。もちろん、JMPはこうした作業に非常に優れています。
	モデルを比較する機能があるので、
	様々な統計検定を行うにはJMPを使います。繰り返しますが、JMPはその点で非常に優れています。そのため、JMPを使うことでその機能が追加されます。
	私たちのレビュー担当者が特に注目する点の一つは、モデルが年々どのように変化してきたかです。データが増え、含まれるデータが少なくなっています。これはパラメータにどのような影響を与えますか？リスクの数値はどのように変化しますか？
	もちろん、散布図やそれに類するものから大量のデータが得られます。
	これまでに説明した構成情報の一部と最終的なパラメータを含む概要があります。
	そして、3つのモデルそれぞれに対してこれを行います。
	最後にリスクロールアップするだけです
	これらすべてのために
	組み合わせる。
	ということで、簡単に
	ウォークスルー。
	デモ。
	私がやりたいことはすべてカバーできたと思います。
	ご質問があれば、Q&Aでもう少し詳しくお話しできればと思います。すべてを予測するのは難しいので。
	もう一度、メリットについてお話ししたいと思います。以前にも申し上げましたが、CARMAの結果として生産性が向上したという事例があります。これはメリットと言えるでしょう。
	もちろん、モデリングプロセスの標準化が進み、新しいチームメンバーがツールを使うよりもプロセスとその学習に集中できるようになります。
	最終的には、エンジニアが早く慣れるのに役立ちます。また、エンジニアが利用できるようにすることで、従業員のエンゲージメントも高まります。
	最大の影響を与えられる場所に心を集中させます。
	そこで、このプレゼンテーションにご協力いただいたメリッサ・シーリー氏、ブラッド・フォークス氏、プレストン・ケンプ氏、そしてウォルデマー・ゼロ氏にも感謝の意を表したいと思います。このプレゼンテーションをサポートしてくださった皆様には、心から感謝申し上げます。
	お時間をいただき、ありがとうございました。今日は皆さんと私たちの改善への道のりを共有できて、とても楽しかったです。質疑応答の時間で交流できれば幸いですが、いずれにせよ、サミットの残りの時間を楽しんでください。

高度な統計モデリング自動化とスクリプト基本的なデータ分析とモデリング消費者および市場調査コンテンツの編成データのブレンドとクリーンアップデータの探索と可視化実験計画法マスカスタマイゼーション予測モデリングと機械学習品質およびプロセスエンジニアリング信頼性分析