| Oratore |
Trascrizione |
| YASSIR EL HOUSNI |
Ciao. |
| |
Sono Yassir El Housni, ingegnere di ricerca e sviluppo e data scientist, nel team di produzione intelligente di Saint-Gobain Research Provence. |
| |
a Cavaillon, Francia. |
| |
Lavoriamo per le unità aziendali dedicate ai materiali ceramici. In questo post affronteremo due punti. Nel primo, presenteremo il ciclo di vita dei progetti dati che proponiamo per i progetti dati dei produttori. |
| |
E nel secondo, continueremo |
| |
per presentare due casi di utilizzo dei materiali Saint-Gobain...settori dei materiali ceramici. |
| |
Lavorare su progetti di dati in diversi reparti, come ricerca e sviluppo, produzione, qualità e manutenzione, richiede un approccio graduale per perseguire i progressi. |
| |
scoperta della conoscenza nella metodologia dei database e la filosofia Six Sigma, nota anche come DMAIC per definire, misurare, analizzare, migliorare e controllare. |
| |
In questo ciclo infinito, definiamo sette passaggi da seguire per gestire correttamente un progetto di analisi dati. In ognuno di essi, ci assicuriamo di avere una buona comprensione del processo, perché crediamo che sia fondamentale per il successo dei progetti di analisi dati in ambito industriale. |
| |
Ad esempio, per rilevare la variazione nel processo utilizziamo il SIPOC o la mappa del diagramma di flusso e per rilevare le cause della variazione utilizziamo la nostra cassetta degli attrezzi per la risoluzione dei problemi che contiene un diagramma ??? o di Ishikawa. |
| |
Il ciclo infinito presenta anche un altro percorso per raggiungere il miglioramento continuo. Di seguito, approfondiremo l'approccio, passo dopo passo. |
| |
Iniziamo con la definizione dei progetti. È necessario definire chiaramente tre elementi prima di avviare progetti dati. |
| |
Proponiamo qui alcune domande che abbiamo trovato molto utili per definire chiaramente gli elementi del commercio. Innanzitutto, definiamo le esigenze aziendali. |
| |
Spesso, gli obiettivi dei progetti sui dati nel settore manifatturiero sono l'ottimizzazione di un processo, la massimizzazione della resa, il miglioramento della qualità di un prodotto specifico o la riduzione del consumo di energia. |
| |
In base alla definizione di opportunità di business, dovremmo sapere cosa verrà utilizzato, se l'obiettivo ha bisogno solo di una visualizzazione o di un'analisi. |
| |
E dopodiché, l'impatto dovrebbe portare un guadagno quantificato all'azienda. |
| |
In secondo luogo, la disponibilità dei dati e l'usabilità. In questo contesto, avviamo un'analisi diagonale della qualità dei dati. È fondamentale determinare la fattibilità del progetto dati. E quindi, la configurazione del team... |
| |
una persona del team dati, una persona del team dell'unità aziendale e una persona degli stabilimenti, un ingegnere di processo con cintura verde o nera Six Sigma. |
| |
Passiamo al secondo passaggio. |
| |
Preparazione dei dati. |
| |
La trasformazione, l'integrazione e la pulizia sono fasi importanti che richiedono molto tempo nei progetti sui dati. Ad esempio, abbiamo diverse fonti di dati e dobbiamo centralizzarle. |
| |
in una tabella. Principalmente utilizziamo X per gli input e Y per gli output. In questa configurazione utilizziamo diversi strumenti in JMP, come l'elaborazione dei valori mancanti, il ??? delle variabili costanti e, naturalmente, gli strumenti per le tabelle dati di JMP, che garantiscono la corretta richiesta SQL per trasformare correttamente le tabelle. |
| |
Il terzo passaggio riguarda l'esplorazione dei dati con la visualizzazione dinamica e con JMP abbiamo un'ampia scelta di visualizzazioni. Ad esempio, tracciare un grafico della distribuzione delle variabili e stimare il carico che ne consegue. |
| |
Rileva i valori anomali con il diagramma dei box plot, |
| |
regressione non lineare tra due variabili, |
| |
contorno o la mappatura della densità per determinare il posizionamento principale per la concentrazione di ciascuna popolazione, e abbiamo un'ampia scelta per tracciarlo. |
| |
???, li utilizziamo abitualmente nel nostro lavoro e li abbiamo trovati molto utili. |
| |
Il quarto passaggio consiste nello sviluppare lo sviluppo del modello e dipende dal tipo di analisi di cui abbiamo bisogno. |
| |
È per... |
| |
L'obiettivo è spiegare o prevedere. Il primo riguarda i collegamenti tra variabili e serve a spiegare gli andamenti nei dati. Il secondo riguarda le formule e serve a prevedere gli andamenti nei dati. |
| |
Generalmente dividiamo i nostri set di dati in tre blocchi: il 70% per l'addestramento, il 20% per i test e il 10% per la convalida. A volte, se i dati sono di piccole dimensioni, utilizziamo il 70% per l'addestramento e il 30% per la convalida. Se il modello è valido, richiediamo un nuovo set di dati per orientare il processo decisionale. |
| |
Dobbiamo affrontare l'apprendimento supervisionato e non supervisionato. Oggi alla Saint-Gobain useremo la versione standard di JMP. |
| |
E abbiamo accesso a strumenti di apprendimento supervisionato, come la regressione lineare, gli alberi decisionali e le reti neurali. Oggi lavoriamo molto con gli alberi decisionali perché ci forniscono risultati rilevanti, che ci aiutano a risolvere una sfida nel settore dei materiali ceramici. |
| |
Il quinto passaggio riguarda la ricerca della soluzione ottimale. A volte si tratta solo di una soluzione, ma in altri casi è una combinazione di più modelli. E per garantire la correttezza, abbiamo aggiunto alcuni vincoli, ad esempio la media massima e il passo di valutazione di ciascuna variabile. |
| |
Il profilo JMP ci offre ampie possibilità di ottimizzare rapidamente le soluzioni. |
| |
Da ora in poi, il passo successivo sarà passare all'impianto, con il supporto del nostro ingegnere di processo con certificazione Six Sigma Green o Black Belt. |
| |
Il sesto passaggio riguarda l'implementazione della soluzione ottimale negli impianti, governata da un unico modello rappresentativo. Ad esempio, implementiamo le carte di controllo dell'output Y1 e analizziamo le diverse variazioni. |
| |
Nella settima fase, monitoriamo l'efficacia del modello e visualizziamo il guadagno globale derivante dal lavoro sul nostro progetto dati. Ad esempio, nei grafici a torta, vediamo l'impatto radiale sulla resa globale. |
| |
E ultimo ma non meno importante, la preparazione alla prima fase di un nuovo progetto dati per garantire la continuità, il miglioramento continuo e la continuità del ciclo infinito. |
| |
Fin qui abbiamo parlato del ciclo di vita del progetto dati e ora passeremo a presentare due casi di studio reali del protocollo che utilizza JMP. |
| |
Nei due esempi abbiamo studiato la stessa tecnologia di processo. Si tratta di forni ad arco elettrico, ma per entrambi i prodotti abbiamo obiettivi e target diversi. |
| |
In questa tecnologia abbiamo fenomeni multifisici complessi, come effetti elettrici, termici, chimici, temporali e altri ancora. |
| |
Qui abbiamo, ad esempio, più di 100 variabili di processo che provengono da diversi tipi di sensori. |
| |
L'esigenza aziendale |
| |
era quello di spiegare la resa globale di un prodotto specifico, JO7. |
| |
In esso rileviamo molti tipi di difetti, dal difetto n. 1 al n. 2 fino al n. N. |
| |
E per preparare correttamente i set di dati, abbiamo utilizzato Pareto, |
| |
elaborazione dei valori anomali con distanza di Mahalanobis e ricodifica degli attributi corretti per correggere il tipo di errori e l'elaborazione dei valori mancanti. |
| |
Nel terzo passaggio, in fase di esplorazione, presentiamo qui solo un esempio di correlazione che studiamo tra gli input per ridurre il numero di variazioni |
| |
dopo aver lavorato con le modelle. |
| |
Come risultati, abbiamo trovato il nostro albero decisionale con solo tre variabili e qui, l'obiettivo era spiegare perché la resa non è |
| |
al massimo. |
| |
E abbiamo un |
| |
albero decisionale con solo tre variabili inferiori a 100. Quindi per il modello utilizziamo qui il 70% dei dati per l'addestramento perché non abbiamo grandi quantità di dati e il 30% per la convalida e otteniamo buoni risultati con una radice quadrata importante. |
| |
Come potete vedere, è più del 70%. |
| |
Quindi il messaggio che abbiamo trasmesso alla pianta è che solo con l'impostazione specifica di |
| |
X1, X2 e X3 possiamo spiegare il |
| |
rendimento globale e se dobbiamo massimizzare Y, la percentuale di questo rendimento, dobbiamo ottenere un'impostazione specifica solo per X1 e X3. |
| |
E il rendimento globale dovrebbe evolversi rapidamente. È questo il punto... nel cluster di punti qui. |
| |
E per ciascuno |
| |
progetto, forniamo anche la comprensione fisica di ogni parametro |
| |
alla pianta. |
| |
Per il secondo esempio, con la stessa tecnologia ma per un altro prodotto, abbiamo solo 80 variabili di processo e l'obiettivo era quello di aumentare il numero di pezzi senza difetti, D1. |
| |
La necessità è di spiegare la qualità |
| |
dei nostri prodotti specifici, quindi utilizziamo la stessa metodologia per le nostre fasi. Ad esempio, qui abbiamo studiato la stessa correlazione tra input per ridurre il numero di variabili da inserire nel modello. |
| |
E, di conseguenza, utilizziamo anche un albero decisionale, ma qui abbiamo trovato 12 variabili che spiegano questo rendimento globale |
| |
con il bene |
| |
risultati. Come potete vedere, l'R quadrato era dell'84%, l'RMSE era del 3% e il numero di dimensioni era 287. Per questo, abbiamo utilizzato il metodo di convalida incrociata |
| |
perché abbiamo un tavolo di dimensioni molto ridotte. |
| |
Quindi il primo parametro è stato molto importante, come potete vedere, contribuisce per il 50%. |
| |
Ed è stato difficile spiegarlo con le 12 variabili alle piante. Per questo, quando tracciamo solo la prima variabile, vediamo visivamente che possiamo definire una soglia solo con la variabile X1, e con essa la resa globale dovrebbe evolvere rapidamente. |
| |
Grazie. |
