이 프레젠테이션에서는 산업 공정 시스템을 위한 다변량 관리도를 사용하여 생성된 워크플로를 살펴봅니다. 먼저, 수율이나 제품의 단백질 함량과 같은 공정 결과를 예측하기 위해 PLS 모델을 생성합니다. 이를 통해 예측에 중요한 변수들을 나타내는 모델 기반 다변량 관리도(MDMCC)가 생성됩니다.
MDMCC는 JMP Live에 업로드됩니다. 또한, 모델과 MDMCC를 생성하는 데 사용된 데이터는 PI 데이터 히스토리언에서 데이터를 가져오도록 제작된 추가 기능을 통해 가져옵니다. JMP Live 내에서는 스크립팅을 통해 데이터 가져오기가 자동화되어 자동으로 새로 고쳐지고 실시간 모델 기반 다변량 관리도가 생성됩니다. 이 관리도는 T2 및 제곱 예측 오차 편차를 나타낼 수 있으므로 공정 엔지니어에게 매우 유용한 도구입니다. 이러한 관리도는 일반적인 관리도보다 더 많은 정보를 제공하기 때문에 유용합니다. 변수의 단변량 관리 편차뿐만 아니라 일반적인 관리도에서는 볼 수 없는 x 변수 간의 관계 편차까지 보여주기 때문입니다.
안녕하세요, 저는 드류 루비입니다. 오늘은 "JMP Live를 이용한 자동 업데이트 다변량 관리도"라는 제목의 포스터 발표에 대해 말씀드리겠습니다. 먼저, 배경 설명을 간략히 드리겠습니다. 저는 ADM의 분석 엔지니어입니다. ADM은 농산물 가공 시설로, 전 세계에 여러 공장을 운영하고 있습니다. 이 공장들은 압력, 온도, 유량 등 센서 데이터를 대량으로 계측하고 있습니다. 이러한 고주파 데이터를 분석하고 문제를 해결하며, 바로 그 순간에 필요한 조치를 취할 수 있어야 합니다.
다음은 해당 데이터의 예시 또는 공정 과정을 보여드립니다. 이 예시에서는 옥수수 배아의 배아 건조 공정을 볼 수 있습니다. 다섯 대의 건조기가 함께 작동하여 최종적으로 배아 수분을 생성합니다. 모든 센서 데이터를 볼 수 있습니다. 밸브와 AMPS의 OP(영업 이익), 증기 유량 및 압력, 그리고 온도가 있습니다. 이 공정에는 다양한 데이터가 있으며, 이 모든 데이터를 연결하여 이 제품의 사양인 최종 수분과 비교하려고 합니다.
저희가 직면한 과제는 다양한 변수를 살펴보는 동시에 전체 과정을 한 번에 살펴볼 수 있어야 한다는 것입니다. 이를 위해, 방금 보여드린 모든 변수를 매일 개별적으로 추세를 분석하는 대신 하나의 차트에서 살펴볼 수 있는 모델 기반 다변량 관리도를 구축하는 것이 목표입니다.
모델 기반 다변량 관리도를 통해 정상 작동 범위를 벗어나는 변수가 있는지, 그리고 예상과 다르게 작동하는 변수가 있는지 확인할 수 있습니다. 이 모델 기반 다변량 관리도를 통해 더 깊이 파고들어 고장이 발생하거나 사양을 벗어나거나 일반적인 매개변수와 다른 매개변수를 사용하는 단일 변수가 있는지 확인할 수 있습니다. 이를 통해 해당 변수를 파악하여 공장의 엔지니어나 운영자가 즉시 조치를 취할 수 있습니다.
궁극적으로 저희의 목표는 이상 탐지를 통해 프로세스 변화에 대한 경고를 제공하고, 사양을 벗어난 매개변수나 매개변수, 또는 밸브가 예상과 다르게 작동하는 상황에서 장시간 실행되지 않도록 조치를 취하는 것입니다. 수많은 사례가 있습니다. 저희는 이러한 사례들을 신속하게 파악하고 조치를 취할 수 있기를 바랍니다. 모델 기반 다변량 관리도가 바로 이러한 역할을 합니다.
이를 위해 취할 방법은 바로 여기에 나와 있습니다. 포스터에서 이 단계를 모두 살펴보고 JMP에서 실제로 보여드리겠습니다. 데이터에 액세스하기 위해 해야 할 첫 번째 작업은 OSIsoft PI Tools라는 추가 기능을 사용하는 것입니다. 이것은 우리가 만든 것이고 커뮤니티에서 사용할 수 있으며 포스터에 링크되어 있다고 생각합니다. 이 추가 기능을 사용하면 데이터 히스토리언 PI인 PI 태그를 가져와 JMP로 가져올 수 있으며 그뿐만 아니라 JMP Live 측에 복사하여 붙여넣을 수 있는 JSL 스크립트를 만들어 매일 새 데이터를 자동으로 가져올 수 있습니다. 이는 해당 시점의 프로세스 문제를 해결하는 데 필요합니다.
데이터를 가져온 후 PLS 또는 부분 최소 제곱법 모델을 구축합니다. 기술적으로 PCA 또는 PLS 모델을 기반으로 모델 기반 다변량 관리도를 구축할 수 있지만, 여기서는 Y 변수를 예측하는 다변량 모델인 PLS를 선택하겠습니다. 제가 사용하는 이 예시에서는 앞서 설명한 모든 공정 매개변수, 즉 온도, 압력, AMPS, 유량을 사용하고자 합니다. 이러한 모든 매개변수를 사용하여 최종 수분을 예측하려고 합니다. PLS 모델을 구축하고 이를 모델 기반 관리도에 활용하겠습니다.
PLS에서 생성된 모델 기반 다변량 관리도를 완성하면, JMP에서 관리도를 보여주는 대시보드를 구축하고, 각 변수를 개별적으로 살펴볼 수 있는 프로세스 스크리닝 플랫폼도 구축할 것입니다. 마지막으로, JMP Live에 게시한 후에는 단계별로 데이터 추출을 자동화하는 방법을 보여드리겠습니다.
다시 말씀드리자면, 우리가 창출하는 가치 또는 목표는 프로세스 엔지니어와 운영자가 쉽게 접근할 수 있고, 실시간으로 새로운 데이터를 보여주는 도구를 만드는 것입니다. 이 도구는 모든 변수의 추세를 분석하지 않고도 프로세스의 어느 부분에 문제가 있는지 보여줍니다. 실제로 JMP Live와 결합된 모델 기반 다변량 관리도는 이러한 목적을 완벽하게 충족했습니다. JMP를 통해 이 작업이 어떻게 이루어지는지 자세히 보여드리겠습니다.
JMP 내에 JMP OSI PI 데이터라는 추가 기능을 만들었습니다. 정말 유용한 기능입니다. 기본적으로 서버 주소를 입력할 수 있습니다. 드롭다운 메뉴를 기반으로 몇 가지 추가 기능을 만들었습니다. PI 데이터에 익숙하다면 PI에서 사용하는 쿼리 유형과 PI 시간을 사용한 시작 및 종료 시간 정보를 제공합니다. 이 기능에 익숙하지 않다면 찾아보는 것이 좋을 것 같습니다. 하지만 시설에서 PI를 사용한다면 아마 익숙하실 겁니다.
이 예에서는 7일 풀을 사용하므로 별표에서 7일을 뺀 값을 매시간 보간하여 가져옵니다. 사용할 태그는 이미 살펴보고 미리 선택했습니다. 표시된 모든 태그를 사용하지는 않습니다. 중요한 태그는 몇 가지 있지만 모든 태그를 사용할 수 있습니다. 여기 창에 붙여넣기만 하면 검색을 변경할 수 있습니다. 넓은 테이블 대신 긴 테이블을 만들 수 있습니다. 여기서는 원하는 데이터를 가져오도록 할 수 있는 많은 작업이 있습니다. 이 추가 기능의 중요한 부분은 스크립트를 생성한다는 점이며, 이 스크립트를 복사하여 JMP Live에 붙여넣을 수 있습니다. 상당히 길지만 JMP Live에 복사하여 붙여넣어 이 데이터 테이블을 다시 만들 수 있습니다.
중요한 점은, 상대 타임스탬프를 사용하고 있기 때문에, 별표 표시에서 7일을 뺀 값은 오늘부터 7일 전을 뺀 값이 됩니다. 따라서 JMP Live가 재실행하도록 지정한 시간을 기준으로 매번 실행 시 새로운 데이터를 가져옵니다. 내일 실행하면 내일부터 7일 전까지의 데이터가 됩니다. 저는 항상 실시간 데이터를 가져오고 있습니다.
실행하지 않을 거예요. 사실 시간이 좀 걸릴 수 있거든요. 여기 영상에서, 얼마 전에 이미 다시 만들어 봤는데, 데이터 테이블을 좀 정리하기 위해 숨기기와 제외 작업을 좀 했습니다. 준비는 되었지만, 위에 있는 태그와 같은 걸 보실 수 있고, 7일 동안 실행됩니다. 7월 23일에 시작해서 7월 30일까지 진행되었습니다.
보통 이 데이터를 가져올 때는 데이터 테이블 정리와 정리 작업이 많이 필요한데, 여기서는 이미 완료되었습니다. 단계를 건너뛰는 것처럼 보이고 싶지는 않지만, 그 작업은 미리 해 두었습니다.
부분 최소 제곱 모델을 만들려면 JMP Pro를 사용하는데, Fit Model 플랫폼에서 만들거나 바로 여기 "부분 제곱"의 "다변량 방법"에서 만들 수 있습니다. 모든 공정 변수를 사용하여 세균 건조기 수분을 예측해 보겠습니다. K-겹 검증을 진행하겠습니다. 부분 최소 제곱 모델을 만들려면 "실행"을 클릭하고 기본 설정을 사용하면 됩니다. 이렇게 모델이 생성됩니다.
제가 일하는 분야에서는 이 모델이 꽤 괜찮습니다. 프로세스 노이즈가 많아서 90%나 0.9 R²에 도달하는 건 아닙니다. 저희가 하는 일에서는 이 정도면 괜찮습니다. 네 가지 요인이 있는데, 그 정도면 괜찮습니다. 좀 더 발전해서 이 모델을 좀 더 다듬을 수도 있겠지만, 방향성 측면에서는 이 모델이 정확하다고 생각합니다. 정확도 측면에서도 이 예시에는 충분히 적합하다고 생각합니다. 다시 말씀드리지만, 보통은 반복적인 프로세스를 통해 이 문제를 조금 더 다듬습니다.
모델 기반 다변량 관리도를 만들려면 여기에서 몇 가지 방법이 있습니다. 저장된 X 점수에 대한 모델 기반 다변량 관리도로 바로 갈 수 있습니다. 그러면 해당 X 점수를 데이터 테이블에 저장하고 이를 기반으로 모델 기반 다변량 관리도를 만들 수 있으며 괜찮습니다. 하지만 저는 예측을 X 점수 수식으로 저장할 것입니다. 이 예에서 샘플과 모델 기반 다변량 관리도 사이의 예측된 수분을 보여주는 추세를 만들고 싶을 수 있기 때문입니다. 여기서는 그 경로를 선택했습니다. 어느 쪽이든 이 상태로 갈 수 있는데, 이제 보여드릴 X 점수 수식에 대한 몇 개의 열입니다.
요인과 PLS 모델링에 익숙하지 않으시다면 Discovery에서 논의해 볼 만한 내용일 수 있습니다. 하지만 이건 요인이고, 보시다시피 모든 변수의 선형 결합으로 이루어진 공식입니다. 여기에는 네 가지 요인이 있습니다. 그리고 이 예측 공식은 실제로 네 가지 요인의 선형 결합입니다. PLS 모델이 보고하는 방식입니다.
모델 기반 다변량 관리도를 만들려면 분석, 품질 및 프로세스, 모델 기반 다변량 관리도를 차례로 선택합니다. 이 X 점수를 프로세스 변수에 입력하고 시간을 시간 ID에 입력하면 T² 플롯이 생성됩니다.
통계에 너무 깊이 들어가지 않고도 T²는 본질적으로 모든 변수의 프로세스 중심에서 얼마나 떨어져 있는지 측정하는 것입니다. 제가 이것을 설명하는 방법 중 하나는 공장 전체에 적용되는 속도가 있다는 것입니다. 우리는 그것을 분쇄 속도라고 부르는데, 그 상황에서 옥수수를 분쇄합니다. 일반적으로 우리가 실행하는 표준 속도가 있다면, 우리가 절반 분쇄 속도나 0 분쇄로 낮춰진다면, 제 T²는 정상 상태와 매우 다르기 때문에 높을 것입니다. 또한 건조기 중 하나에서 나오는 수분이 매우 높거나 증기가 일반적으로 높은 것보다 훨씬 높은 경우와 같은 것도 있습니다. 모든 변수가 매우 높거나 매우 낮을 수 있으며, 이는 높은 T²에 기여할 것입니다. 이 통계는 T²라는 하나의 통계를 실제로 살펴보면서 모든 변수에 대한 프로세스 상태를 알 수 있게 해줍니다.
예를 들어, 이 지점을 보면 막대를 표시할 수 있다는 것을 알 수 있습니다. 바로 여기에서, 이 지점을 강조해서 보여드리겠습니다. 가장 통제 불능 상태인 것이 바로 이 지점입니다. 물론, 이 세균 건조기 4의 습도는 평소보다 훨씬 높았습니다. 좋은 점은 세균 건조기 4에 대한 관리도가 있는데, 이 관리도가 규격을 크게 벗어났음을 보여주지만, 하나의 관리도로 모든 변수에 대한 결과를 보여줄 수 있다는 것입니다. 바로 이것이 바로 부가가치 원칙인데, 하나의 통계량으로 수백 개의 변수를 살펴볼 수 있다는 것입니다.
저는 여기에 기여도 열 지도를 만드는 것을 좋아하는데, 공정 엔지니어가 이 문제를 해결하는 데 도움이 된다고 생각합니다. 그러면 세균 건조기 4의 습기가 빨간색이라는 것을 알 수 있습니다. 아주 빠르게 T²를 볼 수 있었고, 원인은 바로 여기 있습니다. 엔지니어는 바로 어디를 가서 문제가 무엇인지 확인해야 할지 알 수 있을 겁니다.
"Monitor the Process" 항목에 있는 모델 기반 다변량 관리도에 제가 추가하고 싶은 또 다른 기능은 제곱 예측 오차 그림입니다. 이 그림의 크기를 조금 조정해 보겠습니다. SPE, 즉 제곱 예측 오차는 T²와는 약간 다른 측정 단위입니다. SPE는 모델 예측값에서 얼마나 떨어져 있는지, 즉 모델 평면에서 얼마나 벗어나 있는지를 측정합니다.
SPE가 높다는 것은 우리가 예측한 값이 모델이 예측한 값과 크게 다르거나, 예측한 값이 실제 발생한 값과 다르거나, X 행렬의 예측 값이 실제 발생한 값과 다르다는 것을 의미합니다. 즉, 변수 간의 상호작용이 예상과 달랐다는 것을 의미합니다. 제 예시 상황에서, 그리고 이 부분을 좀 더 자세히 살펴본 결과, SPE가 높은 경우 Germ dryer 1의 습도가 높은 것을 알 수 있습니다.
실제로 그 상황에서 일어나는 일은 일반적으로 증기량을 늘리면 증기 밸브가 열리고 증기 유량계가 증가하면서 세균 건조기 수분이 감소하는 것을 볼 수 있다는 것입니다. 하지만 이 경우에는 감소하지 않았습니다. 이는 모델의 예측 구조에 문제가 있어 SPE 경보가 높게 표시되는 것을 의미합니다. 단변량 관리도나 T² 관리도 이러한 현상을 항상 포착하기는 어렵습니다. 각 변수가 정상 관리 한계 내에 있을 수 있기 때문입니다.
일반적으로는 양의 상관관계를 보이는데, 이 기간에는 음의 상관관계를 보입니다. 저희 공장에서는 이 점이 중요합니다. 실험실 샘플이 잘못된 값을 가지고 있었거나, 잘못된 위치에서 샘플링되었을 수도 있고, 증기 유량계가 고장 났거나, 건조기에 문제가 있을 수도 있기 때문입니다. 이러한 문제들을 발견하는 것이 중요합니다. 저는 기여도 히트맵(Contribution Heat Map)에도 같은 방법을 사용하는데, 조금 더 확장해서 사용합니다.
이 예시에서도 마찬가지로, 여기에 데이터가 누락된 것을 보실 수 있습니다. 마침 여기에 몇 가지 정전이 발생했는데, 그로 인해 상황이 어떻게 강조되는지 보실 수 있습니다. 이것이 저희 엔지니어와 프로세스 엔지니어가 프로세스 문제를 해결하는 데 가장 유용하다고 생각되는 모델 기반 다변량 관리도입니다.
그들이 흔히 해야 할 일은… 높은 T²나 높은 SPE를 보고, 그 변수를 단변량 관리도에서 확인하고 싶어 하는 것입니다. 제 생각에 이를 보여주는 가장 좋은 방법은 "분석", "품질 및 공정", "공정 선별"에서 이 모든 값을 "공정 변수"에 입력하고 "시간"에 "시간"을 입력하는 것입니다.
이제 편리한 기능을 사용할 수 있게 되었는데, 이 데이터 세트에 장애가 발생했음을 알 수 있습니다. 모든 변수가 빨간색으로 표시되어 있지만, 실제로는 불안정도가 가장 낮은 순서대로 변수를 정렬합니다. 이렇게 하면 프로세스 문제를 해결할 때 어떤 변수를 살펴봐야 할지 다시 알 수 있습니다. 모든 변수를 강조 표시하고 "선택 항목에 대한 차트 표시"를 실행하면 일변량 관리도가 표시되고, 해당 마커를 켭니다. 값이 감소하는 것을 볼 수 있는데, 이것이 바로 예시입니다.
이 도구는 모델 기반 다변량 관리도 도구와 함께 사용하면 매우 강력합니다. T²와 SPE가 일치하는지 빠르게 파악할 수 있기 때문입니다. 이론적으로 엔지니어는 다른 프로세스로 넘어갈 수 있습니다. 배아 프로세스를 살펴볼 필요가 없습니다. 배아 프로세스는 정상적으로 작동하고 있으며 모든 변수는 정상적으로 상호 작용합니다. 뭔가 발견되면 이 히트맵을 사용하여 어떤 변수가 잘못되었는지 파악한 다음, 단변량 관리도를 보고 무슨 일이 일어나고 있는지 확인할 수 있습니다.
이제 과제는, 훌륭하지만, 어떻게 하면 공유하기 쉽고, 사람들이 쉽게 접근할 수 있으며, 매일 아침 누군가가 와서 JMP에 다시 가져올 필요 없이 매번 업데이트되는 형태로 만들 수 있을까 하는 것입니다. 이를 위한 방법은 먼저 JMP Live에 게시하는 것입니다. 먼저 대시보드를 만들고, 창을 합치겠습니다. 대시보드라고 부르겠습니다. 좋습니다. 다시 한번 시도해 보겠습니다. 합칠 창을 선택해야 합니다.
이제 대시보드가 생겼습니다. 제 경험상 JMP Live에서는 스크롤 막대가 생기고, 화면을 확대해서 봐야 하기 때문에 보기 좋지 않습니다. 그래서 저는 여기 빨간색 핫스팟인 "대시보드 편집"을 이용합니다. 이 대시보드를 클릭하고 끌어서 "탭 뒤에 삽입"이라고 적힌 곳에 도킹한 다음 대시보드를 실행합니다.
이제 멋진 대시보드가 생겼습니다. 엔지니어가 여기 와서 이걸 보고 세균 시스템에 주의를 기울여야 할지 말지 판단하는 모습을 상상해 보세요. 만약 그렇다면, 다음 탭에 모든 단변량 관리도가 표시됩니다.
이것이 제가 실제로 JMP Live에 게시하고 싶은 것입니다.파일, JMP Live에 보고서 게시를 선택합니다.잠시만 걸립니다.대시보드를 게시하고 지금 바로 포스터 프레젠테이션 폴더에 넣을 것입니다.제목을 Poster Presentation Germ Example로 지정하겠습니다.새 데이터 테이블을 게시한 다음 게시를 클릭하면 바로 여기서 열 수 있습니다.여기로 가져오겠습니다.이것이 JMP Live 측면입니다.JMP Live의 이점은 JMP가 있든 없든 회사의 모든 사람이 액세스할 수 있다는 것입니다.이를 통해 검토할 수 있습니다.대화형입니다.여기에 점을 강조 표시하면 여기서 볼 수 있으므로 요점을 볼 수 있습니다.여기로 가져올 수 있습니다.모두 연결되어 있고 대화형이어서 PDF나 이미지를 보내는 것보다 훨씬 편리합니다.
제가 원했던 모습이 바로 이겁니다. 제외된 데이터가 있는 부분을 보시면 아시겠지만, T²가 매우 높았을 겁니다. 그 부분에서 서비스 중단이 많았던 것 같거든요. 그 시간대에 SPE가 그렇게 높았던 것도 바로 그 때문입니다. 바로 이 부분을 자동화하고 싶습니다. 매 시간 새로운 데이터를 가져와서 항상 최신 데이터를 볼 수 있도록 하고 싶습니다.
JMP Live의 작동 방식은 보고서이고, 실제로는 저희가 만든 데이터 테이블이 그 뒤에 있습니다. JMP Live가 제 데이터 테이블을 JMP Live에 게시했기 때문에 자동화의 핵심은 이 데이터 테이블이 새로운 PI 데이터로 업데이트되는 빈도에 관계없이 자동으로 새 보고서를 생성하는 것입니다.
데이터 테이블 쪽에서 설정으로 가서 스크립트를 통해 데이터 새로 고침을 할 수 있습니다. JMP 데이터 테이블로 돌아가 보면, 바로 여기에 추가 기능에서 생성된 스크립트가 있습니다. 이 스크립트를 JMP Live 창에 복사하여 붙여넣으면 제대로 작동합니다. 원래 만들었던 테이블처럼 다시 만들 수 있습니다. 하지만 X 점수 1 수식이나 예측은 다시 만들어지지 않습니다.
해야 할 일은 이 열을 만들 때 로그나 워크플로 빌더를 사용할 수 있다는 것입니다. 또는 사양 제한을 입력하거나 데이터 테이블에 변경 사항을 적용하는 등의 작업을 할 때 해당 스크립트를 복사해야 합니다. 저는 시간을 절약하기 위해 이미 스크립트를 생성했지만, 스크립트 하단을 보시면 기본적으로 새로운 수식 열을 생성했고, 로그나 워크플로 빌더를 사용하여 이 스크립트를 복사했습니다. 해당 열의 수식과 모델 기반 다변량 관리도 통계를 복사했습니다.
마지막에 전부 복사해서 붙여넣었습니다. 맨 위에 있는 나머지 내용은 해당 추가 기능에서 바로 가져온 것이므로, 빈 스크립트로 가서 붙여넣고 저장을 클릭한 후 새로 고침 일정을 설정하면 됩니다. 매시간 반복되도록 설정하겠습니다. 내일 예제를 취소해서 서버를 많이 사용하지 않도록 할 예정입니다. 원한다면 5분마다 반복되도록 설정할 수도 있습니다. 매시간 반복되도록 설정하고 일정을 선택할 수 있습니다.
이 스크립트가 실행될 때마다 스크립트는 PI 서버로 돌아가 새 데이터를 요청하고, 이 데이터 테이블을 다시 빌드합니다. 그러면 새 데이터를 기반으로 보고서가 자동으로 생성됩니다. 또한 PI 서버에 액세스할 수 있도록 자격 증명을 제공해야 합니다. '저장'을 클릭한 다음 '데이터 새로 고침'을 클릭하여 제대로 작동하는지 확인합니다. 1초 정도면 제대로 작동하는 것을 확인할 수 있습니다.
물론, 여기서 제가... 하는 동안 실패했습니다. 클립보드에 아직 남아 있던 것은 추가 기능에 붙여넣은 이전 태그였습니다. 그것을 복사해서 붙여넣겠습니다. 죄송합니다. 저장을 클릭합니다. 이제 저장되었고 이제 데이터를 새로 고칠 수 있어야 합니다. 이 오류에 대해 죄송합니다. 이것을 실행하는 동안 JMP Live에 대해 우리가 보는 또 다른 장점 중 하나는 매일, 매월, 무엇이든 간에 업데이트하고 싶은 데이터 테이블이 있다는 것입니다. 사람이 들어가서 JMP를 매번 업데이트하는 대신, 실제로 여기에서 빌드하고 업데이트 빈도를 설정한 다음 여기서 다시 로드할 수 있고 항상 JMP Live에서 해당 데이터 테이블을 다시 가져올 수 있습니다. 데이터 테이블을 업데이트할 수 있는 정말 좋은 도구이며, 자동으로 업데이트되는 보고서를 만드는 것은 말할 것도 없습니다.
이제 제 보고서를 여기에서 볼 수 있습니다. 데이터가 8월 25일에서 8월 28일로 이동한 것을 볼 수 있습니다. T²가 감소하고 있는 것을 볼 수 있습니다. 해당 공장에서 발생한 몇 가지 유지보수 문제를 해결하고 있다는 것을 알고 있습니다. 사실, 건조기가 고장 났던 것 같은데, 그래서 증기 압력 컨트롤러를 항상 거기에서 읽는 것입니다. 이것이 바로 우리 직원들에게 필요한 도구이며, 우리는 그 도구의 가치를 발견했습니다. 다시 한번, 간단히 살펴보면, 제 T² 검사는 다른 관리 차트를 보는 것과 같고, 그 다음에는 SPE를 보는 것입니다. 두 가지 모두 좋다면, 그 이면에 수백 개의 단변량 변수가 있을 수 있다는 점에 대해 걱정할 필요가 없습니다.
우려되는 부분이 있다면, 예를 들어 T²가 높은 경우, 여기 열지도를 보거나 여기 와서 공정 검사를 확인하면, T²가 낮은 부분을 확인할 수 있습니다. 다시 한번 말씀드리지만, 저희 건조기에는 여러 가지 문제가 있었지만, 어떤 변수가 문제인지 빠르게 파악할 수 있었던 흥미로운 사례가 있습니다. 사양에 맞지 않는 걸까요? 예상과 다르게 작동하는 걸까요? 그런 다음, 문제가 있는 변수를 발견하면 더 쉽고 빠르게 조치를 취할 수 있습니다.
제가 보여드리고 싶었던 건 이게 전부입니다. 디스커버리에 오실 때 이 부분에 대해 궁금한 점이 있으시면 제가 가서 이야기 나눌 수 있도록 하겠습니다. 감사합니다.
