| Lautsprecher |
Transkript |
| YASSIR EL HOUSNI |
Hallo. |
| |
Ich bin Yassir El Housni, F&E-Ingenieur und Datenwissenschaftler im Smart-Manufacturing-Team von Saint-Gobain Research Provence. |
| |
in Cavaillon, Frankreich. |
| |
Wir arbeiten für Geschäftseinheiten im Bereich keramischer Materialien. In diesem Beitrag behandeln wir zwei Punkte. Im ersten Teil stellen wir den Lebenszyklus von Datenprojekten vor, den wir für Datenprojekte von Herstellern vorschlagen. |
| |
Und im zweiten werden wir fortfahren |
| |
um zwei Anwendungsfälle von Saint-Gobain-Materialien vorzustellen ... Keramikwerkstoffindustrie. |
| |
Die Arbeit an Datenprojekten in verschiedenen Abteilungen wie Forschung und Entwicklung, Produktion, Qualität und Wartung erfordert einen schrittweisen Ansatz, um Fortschritte zu erzielen. |
| |
Wissensentdeckung in der Datenbankmethodik und die Six-Sigma-Philosophie, auch bekannt als DMAIC, zum Definieren, Messen, Analysieren, Verbessern und Kontrollieren. |
| |
Wir definieren in dieser Endlosschleife sieben Schritte, die für die erfolgreiche Durchführung von Datenanalyseprojekten zu befolgen sind. Dabei achten wir auf ein gutes Verständnis des Prozesses, da wir davon überzeugt sind, dass dieser ein Schlüssel zum Erfolg von Datenprojekten in der industriellen Welt ist. |
| |
Um beispielsweise Abweichungen im Prozess zu erkennen, verwenden wir das SIPOC- oder Flussdiagramm, und um die Ursachen der Abweichungen zu erkennen, verwenden wir unsere Toolbox zur Problemlösung, die ein ???- oder Ishikawa-Diagramm enthält. |
| |
Die Endlosschleife stellt einen weiteren Weg zur kontinuierlichen Verbesserung dar. Im Folgenden werden wir den Ansatz Schritt für Schritt detailliert beschreiben. |
| |
Beginnen wir mit der Definition der Projekte. Vor dem Start von Datenprojekten müssen drei Elemente klar definiert werden. |
| |
Wir schlagen hier einige Fragen vor, die wir für sehr nützlich hielten, um die Elemente des Handels klar zu definieren. Zunächst einmal eine Definition des Geschäftsbedarfs. |
| |
Die Ziele von Datenprojekten in der Fertigung bestehen häufig darin, einen Prozess zu optimieren, den Ertrag zu maximieren, die Qualität eines bestimmten Produkts zu verbessern oder den Energieverbrauch zu senken. |
| |
Bei der Definition der Geschäftsmöglichkeit sollten wir wissen, was verwendet wird. Benötigt das Ziel lediglich eine Visualisierung oder Analyse? |
| |
Und danach sollte die Wirkung einen quantifizierbaren Gewinn für das Unternehmen bringen. |
| |
Zweitens: Datenverfügbarkeit und Nutzbarkeit. Dabei führen wir eine diagonale Analyse der Datenqualität durch. Sie ist in diesem Schritt so wichtig, um die Machbarkeit des Datenprojekts zu bestimmen. Und daher die Teamzusammenstellung, |
| |
eine Person aus dem Datenteam, eine Person aus dem Geschäftsbereichsteam und eine Person aus den Werken, ein Prozessingenieur mit Six Sigma Green- oder Black Belt. |
| |
Fahren wir mit dem zweiten Schritt fort. |
| |
Datenaufbereitung. |
| |
Die Transformation, Integration und Bereinigung ist ein wichtiger Schritt, der in Datenprojekten viel Zeit in Anspruch nimmt. Wir haben hier beispielsweise verschiedene Datenquellen und müssen diese zentralisieren. |
| |
in einer Tabelle. Wir verwenden hauptsächlich X für Eingaben und Y für Ausgaben. In diesem Setup verwenden wir verschiedene Tools in JMP, wie z. B. die Verarbeitung fehlender Werte, die ??? von konstanten Variablen und natürlich die JMP-Datentabellentools, die die richtige SQL-Anfrage zur korrekten Transformation von Tabellen sicherstellen. |
| |
Im dritten Schritt geht es darum, Daten mit dynamischer Visualisierung zu untersuchen. Mit JMP haben wir eine große Auswahl an Visualisierungsmöglichkeiten. Zeichnen Sie beispielsweise die Verteilung einer Variable auf und schätzen Sie die Belastung(?), der sie folgt. |
| |
Erkennen Sie die Ausreißer mit dem Boxplot-Diagramm, |
| |
nichtlineare Regression zwischen zwei Variablen, |
| |
Kontur oder Dichtekartierung, um die Hauptkonzentrationsstelle jeder Population zu bestimmen, und wir haben eine große Auswahl, um sie darzustellen. |
| |
???, wir verwenden sie normalerweise bei unserer Arbeit und fanden sie sehr nützlich. |
| |
Der vierte Schritt besteht in der Entwicklung des Modells und hängt von der Art der Analyse ab, die wir benötigen. |
| |
Es ist zu... |
| |
Das Ziel ist es, zu erklären oder vorherzusagen. Beim ersten geht es um Zusammenhänge zwischen Variablen und dient dazu, Muster in Daten zu erklären. Beim zweiten geht es um Formeln und dient dazu, Muster in Daten vorherzusagen. |
| |
Im Allgemeinen teilen wir unsere Datensätze in drei Blöcke auf: 70 % für das Training, 20 % für Tests und 10 % für die Validierung. Bei kleinen Datenmengen verwenden wir manchmal 70 % für das Training und 30 % für die Validierung. Wenn das Modell gut ist, fordern wir einen neuen Datensatz an, um die Entscheidungsfindung voranzutreiben. |
| |
Wir müssen uns mit überwachtem und unüberwachtem Lernen auseinandersetzen. Heute verwenden wir bei Saint-Gobain die normale Version von JMP. |
| |
Und wir haben Zugriff auf überwachte Lernwerkzeuge wie lineare Regression, Entscheidungsbäume und neuronale Netzwerke. Wir arbeiten heute viel mit Entscheidungsbäumen, weil sie uns relevante Ergebnisse liefern, die uns helfen, Herausforderungen in der Keramikindustrie zu lösen. |
| |
Im fünften Schritt geht es darum, die optimale Lösung zu finden. Manchmal ist es nur eine Lösung, in anderen Fällen aber auch eine Kombination aus mehreren Modellen. Um dies zu gewährleisten, haben wir einige Einschränkungen hinzugefügt, zum Beispiel den Mittelwert und den Bewertungsschritt jeder Variablen. |
| |
JMP-Profile bieten uns umfassende Möglichkeiten zur schnellen Optimierung von Lösungen. |
| |
Von nun an erfolgt der nächste Schritt mit Unterstützung unseres Prozessingenieurs mit Six Sigma Green- oder Black Belt in die Anlage. |
| |
Im sechsten Schritt geht es darum, die beste Lösung in den Anlagen zu implementieren und dabei nur ein repräsentatives Modell zu verwenden. Beispielsweise implementieren wir die Regelkarten der Ausgabe Y1 und analysieren die verschiedenen Variationen. |
| |
Im siebten Schritt überwachen wir die Modelleffektivität und visualisieren den globalen Gewinn der Arbeit an unserem Datenprojekt. In den Kreisdiagrammen sehen wir beispielsweise den radialen Einfluss auf den globalen Ertrag. |
| |
Und nicht zuletzt die Vorbereitung auf den ersten Schritt eines neuen Datenprojekts, um die Kontinuität, die kontinuierliche Verbesserung und die Kontinuität der Endlosschleife sicherzustellen. |
| |
Das war alles zum Lebenszyklus von Datenprojekten. Jetzt werden wir zwei echte Fallstudien des Protokolls unter Verwendung von JMP vorstellen. |
| |
In den beiden Beispielen haben wir dieselbe Prozesstechnologie untersucht. Es geht um einen Lichtbogenofen, aber in beiden Fällen haben wir unterschiedliche Produkte und unterschiedliche Ziele. |
| |
Bei dieser Technologie handelt es sich um komplexe multiphysikalische Phänomene wie elektrische, thermische, chemische, zeitliche und andere physikalische Effekte. |
| |
Hier haben wir beispielsweise über 100 Prozessvariablen, die von unterschiedlichen Arten von Sensoren stammen. |
| |
Der Geschäftsbedarf |
| |
bestand darin, die Gesamtausbeute eines bestimmten Produkts, JO7, zu erklären. |
| |
Darin erkennen wir viele Arten von Defekten, die Defekte Nr. 1, Nr. 2 bis Nr. N. |
| |
Und um die Datensätze richtig vorzubereiten, haben wir Pareto verwendet, |
| |
Ausreißerverarbeitung mit Mahalanobis-Distanz und Neukodierung der richtigen Attribute zur Korrektur der Fehlerart und Verarbeitung fehlender Werte. |
| |
In Schritt drei, in „Explore“, präsentieren wir hier nur ein Beispiel für die Korrelation, die wir zwischen Eingaben untersuchen, um die Anzahl der Variationen zu reduzieren |
| |
nach der Arbeit mit Modellen. |
| |
Als Ergebnis haben wir unseren Entscheidungsbaum mit nur drei Variablen gefunden und hier war das Ziel zu erklären, warum der Ertrag nicht |
| |
im Maximum. |
| |
Und wir haben eine |
| |
Entscheidungsbaum mit nur drei Variablen unter 100. Für das Modell verwenden wir hier 70 % der Daten für das Training, da wir keine großen Datenmengen haben, und 30 % für die Validierung und wir erzielen gute Ergebnisse mit wichtigen Wurzelquadraten. |
| |
Wie Sie sehen, sind es mehr als 70 %. |
| |
Die Botschaft, die wir dem Werk übermittelt haben, ist, dass nur mit der spezifischen Einstellung von |
| |
X1, X2 und X3 können wir erklären, |
| |
globaler Ertrag, und wenn wir Y, den Prozentsatz dieses Ertrags, maximieren müssen, müssen wir eine spezifische Einstellung nur für X1 und X3 erhalten. |
| |
Und die globale Rendite dürfte sich rasch entwickeln. Das ist der Punkt … an der Punktansammlung hier. |
| |
Und für jeden |
| |
Projekt vermitteln wir auch das physikalische Verständnis jedes Parameters |
| |
zur Anlage. |
| |
Für das zweite Beispiel hier mit der gleichen Technologie, aber für ein anderes Produkt, haben wir hier nur 80 Prozessvariablen und das Ziel bestand darin, die Anzahl der Teile ohne Defekt, D1, zu erhöhen. |
| |
Es geht darum, die Qualität zu erklären |
| |
unserer spezifischen Produkte, daher verwenden wir für unsere Schritte dieselbe Methodik. Hier haben wir beispielsweise dieselbe Korrelation zwischen den Eingaben untersucht, um die Anzahl der Variablen zu reduzieren, die wir in das Modell einfügen. |
| |
Und als Ergebnis verwenden wir auch einen Entscheidungsbaum, aber hier haben wir 12 Variablen gefunden, die diesen globalen Ertrag erklären |
| |
mit guten |
| |
Ergebnisse. Wie Sie sehen, betrug das R-Quadrat 84 %, der RMSE 3 % und die Anzahl der Größen 287. Dafür haben wir die Kreuzvalidierungsmethode verwendet |
| |
weil wir einen sehr kleinen Tisch haben. |
| |
Der erste Parameter war also sehr wichtig, wie Sie sehen, trägt er 50 % bei. |
| |
Und es war schwierig, dies den Pflanzen mit den 12 Variablen zu erklären. Wenn wir dazu nur die erste Variable darstellen, sehen wir visuell, dass wir nur mit der Variable X1 einen Schwellenwert definieren können, mit dem sich der Gesamtertrag schnell entwickeln sollte. |
| |
Danke schön. |
