Questa presentazione esamina un flusso di lavoro creato utilizzando una carta di controllo multivariata per un sistema di processo industriale. Innanzitutto, viene creato un modello PLS per prevedere un risultato del processo, come la resa o il contenuto proteico di un prodotto, solo per citare un paio di esempi. Da lì, viene creata una carta di controllo multivariata basata su modello (MDMCC), che rappresenta le variabili critiche per effettuare tale previsione.
L'MDMCC viene quindi caricato su JMP Live. Inoltre, i dati utilizzati per creare il modello e l'MDMCC vengono estratti tramite un componente aggiuntivo creato appositamente per estrarre i dati da uno storico dati PI. All'interno di JMP Live, viene eseguito uno scripting per automatizzare l'estrazione dei dati in modo che si aggiornino automaticamente, creando un grafico di controllo multivariato basato su modello in tempo reale. È uno strumento eccellente per gli ingegneri di processo, poiché può indicare deviazioni dell'errore di previsione T2 e quadratico. Apprezziamo questi grafici perché forniscono più informazioni rispetto ai tipici grafici di controllo, poiché non solo mostrano deviazioni nel controllo univariato delle variabili, ma anche deviazioni nella relazione tra le variabili x, che non vengono visualizzate nei tipici grafici di controllo.
Ciao, sono Drew Luby. Oggi vi parlerò della mia presentazione poster intitolata "Carte di controllo multivariate aggiornate automaticamente con JMP Live". Innanzitutto, un po' di contesto. Sono un ingegnere analitico presso ADM. ADM è un'azienda di trasformazione agricola, abbiamo molti impianti in tutto il mondo. Molti di questi impianti sono ampiamente strumentati con dati provenienti da sensori, quindi pressione, temperatura, flusso e così via. Si tratta di dati ad alta frequenza che vogliamo essere in grado di analizzare e risolvere i problemi, per poi intervenire immediatamente.
Ecco un esempio di questi dati o di come potrebbe apparire il processo. In questo esempio, vedete un processo di essiccazione di germi, germi di mais. Ci sono cinque essiccatori che si uniscono per produrre un'umidità finale per i germi. Potete vedere tutti questi dati dei sensori. Abbiamo l'apertura delle valvole e gli AMPS, abbiamo i flussi e le pressioni del vapore e le temperature. Ci sono molti dati diversi disponibili nel nostro processo e vogliamo metterli in relazione tra loro e confrontarli con questa umidità finale, che è la nostra specifica per questo prodotto.
La sfida che ci troviamo ad affrontare è che vogliamo analizzare molte variabili diverse, ma dobbiamo essere in grado di analizzare l'intero processo in un'unica analisi. Per raggiungere questo obiettivo, crediamo che l'obiettivo sia costruire un grafico di controllo multivariato basato su un modello che ci permetta di analizzare tutte le variabili che ho appena mostrato in un unico grafico, anziché doverle analizzare singolarmente ogni giorno.
Il grafico di controllo multivariato basato su modello ci permetterà quindi di verificare se ci sono variabili che esulano dal normale funzionamento e se ci sono variabili che si comportano in modo diverso da quanto ci aspetteremmo. Da questo grafico di controllo multivariato basato su modello, siamo in grado di approfondire e scoprire se ci sono singole variabili che non funzionano correttamente, che sono fuori specifica o che hanno parametri diversi da quelli tipici. Questo ci indirizza verso queste variabili in modo che un tecnico o un operatore dell'impianto possa intervenire immediatamente.
Questo è in definitiva il nostro obiettivo: utilizzare il rilevamento delle anomalie per segnalare eventuali cambiamenti di processo e intervenire in modo da non dover lavorare a lungo con un parametro fuori specifica o con un parametro o una valvola che si comportano in modo diverso da come ci si aspetterebbe. Ci sono molti esempi. Vogliamo identificarli rapidamente e vogliamo essere in grado di intervenire. Il grafico di controllo multivariato basato su modello fa proprio questo per noi.
Il metodo che adotteremo per farlo è mostrato proprio qui. Illustrerò questi passaggi sia qui nel poster, sia in JMP. La prima cosa che dobbiamo fare per accedere ai nostri dati è utilizzare un componente aggiuntivo che abbiamo chiamato OSIsoft PI Tools. È un componente aggiuntivo che abbiamo creato, disponibile nella community e credo sia linkato nel poster. Questo componente aggiuntivo ci permette di estrarre questi tag PI, ovvero il nostro PI dello storico dei dati, di importarli in JMP e, non solo, crea uno script JSL che possiamo copiare e incollare sul lato JMP Live in modo da poter estrarre automaticamente nuovi dati ogni giorno. Questo è necessario per la risoluzione dei problemi del processo in quel momento.
Dopo aver inserito i dati, costruiremo un modello PLS o un modello ai minimi quadrati parziali. Tecnicamente, potremmo costruire un grafico di controllo multivariato basato su modelli basati su PCA o PLS, ma qui sceglieremo PLS poiché è un modello multivariato che prevede una variabile Y. In questo esempio, vogliamo utilizzare tutti i parametri di processo che ho mostrato, le temperature, le pressioni, gli AMPS, i flussi. Vogliamo usarli tutti per cercare di prevedere l'umidità finale. Costruiremo un modello PLS e lo utilizzeremo per il nostro grafico di controllo basato su modelli.
Una volta creato il grafico di controllo multivariato basato su modello da PLS, creeremo una dashboard in JMP che mostrerà il grafico di controllo e una piattaforma di screening dei processi che ci consentirà di analizzare ciascuna di queste variabili singolarmente. Infine, una volta pubblicato il tutto su JMP Live, illustrerò i passaggi e come automatizzare l'estrazione dei dati.
Ancora una volta, il valore che stiamo creando, o l'obiettivo che stiamo creando, è creare uno strumento per i nostri ingegneri di processo, i nostri operatori, che sia accessibile a loro, e che mostri nuovi dati in tempo reale quando li consultano. Questo strumento mostrerà loro dove potrebbero esserci problemi nel processo senza dover analizzare l'andamento di ogni singola variabile. In effetti, il grafico di controllo multivariato basato su modello, combinato con JMP Live, ha assolto perfettamente a questo scopo. Passeremo a JMP e mostrerò esattamente come si fa.
All'interno di JMP, abbiamo creato questo componente aggiuntivo, JMP OSI PI data proprio qui. È un componente aggiuntivo interessante. In pratica, ci permette di digitare l'indirizzo del nostro server. Ne ho alcuni basati su menu a discesa. Quindi, se avete familiarità con i dati PI, vi fornisce il tipo di query che PI utilizza e anche gli orari di inizio e fine utilizzando l'ora PI. Se non avete familiarità con questo, potrebbe essere utile cercarlo. Se la vostra struttura utilizza PI, invece, probabilmente lo conoscete già.
In questo esempio, userò un pull di 7 giorni, quindi, sottraendo 7 giorni, estrarrò i valori interpolati ogni ora. I tag che userò, li ho già esaminati e preselezionati. Non sto usando tutti i tag della schermata che vi ho mostrato. Questi sono alcuni dei tag critici, ma potrei usarli tutti. Li incollo semplicemente nella finestra qui e posso modificare le mie ricerche. Posso creare una tabella lunga invece di una tabella larga. Molte cose che posso fare qui per far sì che i miei dati estraggano ciò che stiamo cercando. La parte critica di questo componente aggiuntivo è proprio qui, nel senso che genera uno script, che può essere copiato e incollato in JMP Live. È piuttosto lungo, ma può essere copiato e incollato in JMP Live per consentire la ricreazione di questa tabella dati.
È importante sottolineare che, poiché utilizzo timestamp relativi, quindi "asterisco meno 7 giorni a stella" corrisponderebbe a oggi, ovvero a oggi meno 7 giorni fa, ogni volta che viene eseguito, estrarrà nuovi dati in base all'orario indicato da JMP Live per la nuova esecuzione. Quando verrà eseguito domani, i dati saranno da domani a 7 giorni fa. Ho sempre l'estrazione dei dati in tempo reale.
Non lascerò che questo processo si esaurisca, in realtà può richiedere un po' di tempo. Nel video qui, l'ho già ricreato un po' di tempo fa, e ho nascosto ed escluso alcuni elementi per ripulire un po' la tabella dati. Questo è già pronto, ma potete vedere che si tratta degli stessi tag qui sopra, ed è un processo di 7 giorni. Questo è iniziato il 23 luglio ed è durato fino al 30 luglio.
Normalmente, quando inserisco questi dati, c'è molta pulizia da fare e organizzazione della tabella dati, e qui è già stato fatto. Non voglio dare l'impressione di saltare dei passaggi, ma ho appena fatto in anticipo quel lavoro.
Per creare questo modello di minimi quadrati parziali, ho JMP Pro, quindi posso farlo all'interno della piattaforma Adatta modello, oppure lo trovo proprio qui in Quadrati parziali, sotto Metodi multivariati. Prevedo l'umidità dell'essiccatore di germi da tutte queste variabili di processo. Procedo e lascio che esegua la convalida K-fold. Minimi quadrati parziali, clicco su Esegui e userò le impostazioni predefinite, così da creare il modello.
Per la mia professione, dove lavoro, questo è un modello piuttosto valido. Abbiamo molto rumore di processo, quindi non necessariamente arriviamo a valori del 90% o 0,9 R². Questo è accettabile per quello che facciamo. Quattro fattori qui, e va bene. Probabilmente potrei andare oltre e rifinirlo un po', ma questo è il tipo di modello che, dal punto di vista direzionale, ritengo corretto e, per quanto riguarda l'accuratezza, penso sia sufficiente per il nostro esempio. Di nuovo, normalmente utilizzerei un processo iterativo per rifinire un po' la situazione.
Per creare un grafico di controllo multivariato basato su modello, ci sono un paio di modi da qui. Posso andare direttamente al Grafico di controllo multivariato basato su modello per i punteggi X salvati. Ciò che farò sarà salvare quei punteggi X nella tabella dati e creare un grafico di controllo multivariato basato su modello da questi, e va bene. Quello che sceglierò di fare, però, è salvare la previsione come formula per i punteggi X perché, in questo esempio, potrei voler creare un trend che mostri l'umidità prevista tra i miei campioni, oltre al grafico di controllo multivariato basato su modello. Questo è il percorso che ho seguito qui. Entrambi i metodi porterebbero a questo stato, che sto per mostrare, che consiste in alcune colonne per le formule dei punteggi X.
Se non avete familiarità con i fattori e la modellazione PLS, potreste parlarne qui, ma questo è un fattore, e potete vedere che si tratta di una formula che è una combinazione lineare di tutte quelle variabili. Qui ci sono quattro di quei fattori. Quindi questa formula di previsione è in realtà una combinazione lineare dei quattro fattori. È così che il modello PLS riporta i dati.
Per creare un grafico di controllo multivariato basato su modello, andrei su "Analisi, Qualità e Processo, Grafico di Controllo Multivariato basato su Modello". Posso semplicemente inserire questi punteggi X nella variabile di processo e il tempo nell'ID temporale, e il risultato sarà un grafico di T².
Senza addentrarmi troppo nelle statistiche, il T² misura essenzialmente quanto mi trovo lontano dal centro del mio processo, considerando tutte queste variabili. Uno dei modi in cui lo spiego è che abbiamo una velocità che attraversa il nostro impianto. La chiamiamo velocità di macinazione, quando maciniamo il mais in quella situazione. Se in genere utilizziamo una velocità standard, se dovessimo ridurre la velocità di macinazione a metà o a zero, il mio T² sarebbe alto perché sarebbe molto diverso dallo stato normale. Ci sono anche fattori come l'umidità in uscita da uno degli essiccatori estremamente elevata o il vapore molto più alto del solito, tutte le variabili potrebbero essere molto alte o molto basse, e questo contribuirà a un T² elevato. È una statistica che mi permette di valutare lo stato del mio processo per tutte queste variabili, analizzando in realtà un'unica statistica chiamata T².
Un esempio: se guardo questo punto, potete vedere che mi permette di mostrare quelle barre. Poi, proprio qui, lasciatemi evidenziare quel punto per evidenziare... Potete vedere che è quello più fuori controllo. In effetti, l'umidità dell'essiccatore di germi 4 era molto più alta del solito. La cosa bella è che ho un grafico di controllo per l'essiccatore di germi 4 che mostra che è decisamente fuori specifica, ma sono in grado di mostrare tutte quelle variabili con un unico grafico di controllo. Questo è davvero il principio del valore aggiunto qui: posso esaminare centinaia di variabili con un'unica statistica.
Mi piace creare una mappa termica dei contributi qui, che credo aiuti un ingegnere di processo a risolvere questo problema, così posso capire che l'umidità dell'essiccatore di germi 4 era rossa lì. Molto rapidamente, ho potuto vedere T², cosa l'ha causato, proprio qui. Saprebbero subito dove andare a cercare e capire qual è il problema.
L'altra cosa che mi piace aggiungere al mio grafico di controllo multivariato basato su modello, in "Monitoraggio del processo", è un grafico dell'errore di previsione al quadrato. Ridimensionerò leggermente la scala. SPE, o errore di previsione al quadrato, misura qualcosa di leggermente diverso da T². Ciò che SPE misura è quanto ci si allontana dalla previsione del modello o, per così dire, quanto ci si trova al di fuori del piano del modello.
Se SPE è alto, significa che il valore che abbiamo previsto è molto diverso da quello previsto dal modello, oppure che il valore che abbiamo previsto era diverso da quello effettivamente verificatosi, o ancora che il valore della previsione della matrice X, se vogliamo, è diverso da quello effettivamente verificatosi. Ciò significa che l'interazione tra le mie variabili era diversa da quella che mi aspettavo. Nel mio caso, e ho approfondito la questione, potete vedere che l'umidità dell'essiccatore di germi 1 è quella alta, con SPE alto.
Ciò che accade in realtà in quella situazione è che di solito, quando aumentiamo il vapore, la valvola del vapore si apre, il misuratore di portata del vapore aumenta e di solito vediamo l'umidità dell'essiccatore di germi diminuire. In questo caso, non è diminuita. Questo mi dice che c'è qualcosa di diverso nella struttura di previsione del modello e che SPE segnala un valore elevato. Questo è un aspetto che un grafico di controllo univariato non sempre rileva o che T² non rileva, perché ciascuna di queste variabili da sola potrebbe rientrare nei propri limiti di controllo normali.
Normalmente, sono correlati positivamente, ma in questo periodo di tempo sono correlati negativamente. Questo è importante per il nostro impianto perché potrebbe identificare, in primo luogo, che un campione di laboratorio aveva un valore errato. Forse è stato campionato nel punto sbagliato. Potrebbe significare che il mio misuratore di portata del vapore è guasto. Potrebbe significare che c'è qualcosa che non va nell'essiccatore. È importante per noi scoprirlo. Di nuovo, faccio la stessa cosa con una mappa termica di contributo, e la allungo un po'.
Proprio come in questo esempio, potete vedere che mancano dei dati. Abbiamo riscontrato delle interruzioni, e potete vedere come le cose si stanno evidenziando a causa di ciò. Questo è il grafico di controllo multivariato basato su modello che credo abbiamo trovato più utile per i nostri ingegneri e ingegneri di processo per la risoluzione dei problemi di processo.
Una cosa comune che devono fare è osservare... Vedono un T² elevato, o vedono un SPE elevato, e poi vogliono vedere quella variabile su un grafico di controllo univariato. Penso che il modo migliore per dimostrarlo sia in Analizza, Qualità e Processo, Screening di Processo, dove inserirò tutti questi valori nelle mie Variabili di Processo e Tempo nel Tempo.
Ora ho un pratico strumento, e puoi vedere che c'è un'interruzione in questo set di dati, quindi tutto è rosso, ma in realtà ordina le variabili in base alla meno stabile. In questo modo saprai di nuovo quale variabile analizzare quando cerchi di risolvere i problemi del processo. Se le evidenzio tutte e faccio "Mostra grafici per selezionati", ottengo grafici di controllo univariati e attivo quei marcatori. Puoi vedere che questo sta andando verso il basso, quindi ecco l'esempio.
Questo strumento, in combinazione con quello per la carta di controllo multivariata basata su modello, è molto potente perché mi permette di sapere rapidamente se un T² è in linea e se anche lo SPE è in linea. In teoria, come ingegnere, posso passare a un altro processo. Non ho bisogno di guardare il processo di germinazione. Funziona normalmente e tutte le variabili interagiscono come di consueto. Se vedessi qualcosa, potrei usare questa mappa termica per cercare di capire quale variabile è fuori controllo, e poi potrei tornare a guardare la carta di controllo univariata e vedere cosa sta succedendo.
Ora la sfida è: fantastico, ma come possiamo trasformarlo in un formato facile da condividere, a cui tutti possano accedere facilmente e che si aggiorni ogni volta senza che qualcuno debba intervenire ogni mattina per caricarlo di nuovo in JMP? Il modo in cui lo facciamo è prima di tutto pubblicarlo su JMP Live. Per prima cosa, creeremo una dashboard. Combinerò le finestre. La chiameremo Dashboard. Va bene. Proviamo di nuovo. Dobbiamo scegliere quelle che vogliamo combinare.
Ora abbiamo una dashboard. Nella mia esperienza, questa non ha un aspetto ottimale in JMP Live perché ci sono barre di scorrimento e bisogna zoomare, quindi preferisco andare qui, su questo hotspot rosso, "Modifica dashboard". Faccio clic su questo, lo trascino e lo aggancio proprio qui, dove c'è scritto "Inserisci dopo la scheda", e poi eseguo la dashboard.
Ora ho una bella dashboard che è stata sfruttata. Potete immaginare il mio ingegnere che entra qui, la esamina e valuta se è necessario prestare attenzione al sistema di controllo dei germi o meno. In tal caso, nella scheda successiva, hanno tutti i loro grafici di controllo univariati.
Ecco cosa voglio pubblicare su JMP Live. Seleziono File, Pubblica Report su JMP Live. Ci vuole solo un attimo. Pubblicheremo quella dashboard e la inserirò subito in una cartella di presentazione poster. Le assegnerò il titolo "Poster Presentation Germ Example". Pubblicheremo una nuova tabella dati, poi clicco su "Pubblica" e posso aprirla proprio qui. Portiamola qui. Questa è la parte di JMP Live. Il vantaggio di JMP Live è che chiunque nella nostra azienda può accedervi, indipendentemente dal fatto che abbia JMP o meno. Offre loro l'opportunità di esaminarli. È interattivo. Se evidenzio i punti lì, posso vederli qui, quindi posso vedere i punti. Posso portarli qui. È tutto connesso e interattivo, il che è davvero utile, molto meglio che inviare PDF o immagini.
Questo è esattamente ciò che volevo. Come potete vedere, dove avevo escluso i dati, avremmo avuto un T² molto alto, perché credo che sia lì che abbiamo avuto molte interruzioni. Ecco perché anche lo SPE era così alto in quei periodi. Questo è ciò che voglio automatizzare. Voglio che questo estragga nuovi dati ogni ora in modo da poter sempre visualizzare i dati più recenti.
JMP Live funziona in questo modo: questo è un report, e dietro le quinte c'è la tabella dati che abbiamo creato. Ha pubblicato la mia tabella dati in JMP Live, quindi la chiave dell'automazione è che questa tabella dati si aggiorni con nuovi dati PI, con qualsiasi frequenza, e che quindi il nuovo report venga generato automaticamente.
Sono nella tabella dati, posso andare su Impostazioni e posso aggiornare i dati tramite script. Tornando alla mia tabella dati JMP, ecco lo script generato dal mio componente aggiuntivo. Posso copiarlo e incollarlo direttamente nella finestra di JMP Live e funzionerà. Funzionerà per ricreare la tabella come l'ho creata originariamente. Non ricreerà le formule X Scores 1 o la previsione.
Quello che devi fare, e puoi usare il registro o il generatore di flussi di lavoro quando crei queste colonne, o se vuoi fare qualcosa come inserire limiti di specifiche, qualsiasi modifica apporti alla tua tabella dati, è copiare quegli script. L'ho già creato qui solo per risparmiare tempo, ma puoi vedere in fondo al mio script, ho creato nuove colonne formula, in pratica, e le copio usando il registro o il generatore di flussi di lavoro. Copio sia la formula per quella colonna, sia le assegno le statistiche del grafico di controllo multivariato basato sul modello.
Tutto questo è copiato e incollato alla fine. Il resto del materiale in alto proviene direttamente da quel componente aggiuntivo, tutto ciò che devo fare è andare a questo script vuoto, incollarlo lì, premere Salva, impostare una frequenza di aggiornamento, così posso scegliere. Farò in modo che si ripeta ogni ora. Domani annullerò il mio esempio, in modo che non utilizzi troppo il server. Potrei farlo ripetere ogni 5 minuti se volessi. Farò in modo che si ripeta ogni ora e potrò scegliere una frequenza.
Ogni volta che viene eseguito, lo script torna al nostro server PI, richiede nuovi dati, ricostruisce la tabella dati e quindi il report viene generato automaticamente sulla base dei nuovi dati. Devo anche fornirgli alcune credenziali in modo che possa accedere al nostro server PI. Premo "Salva" e poi posso cliccare su "Aggiorna dati" per verificare che funzioni. Dovrebbe volerci solo un secondo per verificare che funzioni.
Ovviamente, non è servito a niente, mentre stavo facendo il mio... Perché quello che avevo ancora negli appunti erano quei vecchi tag che avevamo incollato nel componente aggiuntivo. Ora li copiamo e li incolliamo. Scusate. Premiamo Salva. Ora è salvato e dovremmo essere in grado di aggiornare i dati. Scusate per l'errore. Mentre è in esecuzione, dirò che uno degli altri vantaggi che vediamo di JMP Live è che a volte abbiamo tabelle di dati che vogliamo aggiornare ogni giorno, ogni mese, qualsiasi giorno. Invece di avere una persona che va ad aggiornare JMP ogni volta, puoi semplicemente integrarlo qui, impostare la frequenza di aggiornamento, e qui posso ricaricarlo, e poi puoi sempre estrarre quella tabella di dati direttamente da JMP Live. È uno strumento davvero valido per poter semplicemente aggiornare le tabelle di dati, per non parlare della creazione di report che si aggiornano automaticamente.
Ora potete guardare il mio report qui, e potete vedere che i nostri dati vanno dal 25/8 al 28/8. Potete vedere che la T² sta diminuendo. So che l'impianto sta affrontando alcuni problemi di manutenzione. In effetti, credo che ci fosse un essiccatore in avaria, ed è per questo che il regolatore di pressione del vapore viene sempre letto lì. Questo è lo strumento che vogliamo che il nostro personale abbia e da cui abbiamo tratto beneficio. Di nuovo, date un'occhiata veloce a questo punto, è la mia ispezione T², proprio come se stessi guardando un qualsiasi grafico di controllo, e poi guardo il mio SPE. Se entrambi sono corretti, allora non devo preoccuparmi di quelle che potrebbero essere centinaia di variabili univariate che si celano dietro le quinte.
Se c'è qualcosa di preoccupante, come un T² elevato qui, posso guardare le mie mappe di calore oppure posso venire qui e guardare lo screening del processo, e potete vedere che è quello che è sceso. Di nuovo, ho un esempio interessante qui in cui abbiamo avuto alti e bassi con i nostri essiccatori, ma in questo modo è possibile individuare rapidamente quale variabile è problematica. Sta esaurendo le specifiche? C'è qualcosa che funziona in modo diverso da come ci si aspetterebbe? Una volta individuato questo, è possibile intervenire più facilmente e rapidamente.
Questo è tutto ciò che volevo mostrarvi. Se verrete al Discovery e avete domande a riguardo, sarò lì e potremo discuterne. Grazie.
