레벨 : 중급
Markus Schafheutle, 컨설턴트, 비즈니스 컨설팅
Laura Castro-Schilo, JMP 선임 연구 통계 학자 개발자, SAS
Christopher Gotwalt, JMP, SAS 통계 R & D 이사
화학 공정에서 제조 데이터를 모델링하기위한 사례 연구를 설명합니다. 연구의 목표는 제조 공정에서 제어 가능한 요소에 대한 최적의 설정을 식별하여 제품의 품질을 높게 유지하면서 비용을 최소화하는 것이 었습니다. 우리는 구조 방정식 모델링 (SEM)을 사용하여 수많은 공정 변수 간의 다변량 연관성의 복잡성을 포착 한 다변량 시계열 모델을 적합했습니다. SEM의 모델 내재 공분산 행렬을 사용하여 제어 가능한 요인에 대한 최적 설정을 추정 할 수있는 예측 프로파일 러를 만들었습니다. 결과는 도메인 전문가와 열역학 모델의 예측과 비교하여 검증되었습니다. 성공적인 검증 후, 화학 공장에서 SEM 및 Profiler 결과를 테스트하여 긍정적 인 결과를 얻었습니다. 최적화 된 예측 설정은 품질과 비용을 최적화하기위한 올바른 방향을 가리 킵니다. 엔지니어링보다는 사회 및 행동 과학에서 자주 사용되는 방법론으로 이러한 데이터를 모델링 할 때의 과제를 요약하여 결론을 내립니다.
자동 생성 스크립트 ...
스피커 | 성적 증명서 |
| 안녕하세요, 저는 Chris Gotwalt입니다. |
| 오늘 나는 될거야 |
| Markus Schafheutle과 함께 발표 |
| 및 Laura Castro-Schilo |
| 산업 응용에 |
| 구조 방정식 모델 또는 |
| SEM. 이 강연은 |
| 내가 가장 좋아하는 것들 |
| JMP 작업. JMP에서 |
| 통계 개발, 우리는 |
| 무엇에 대한 조감도 |
| 데이터 분석에서 발생 |
| 많은 분야에서 |
| 우리에게 교차 할 수있는 기회 |
| 모범 사례 수정 |
| 분야. |
| JMP Pro 15에서는 새로운 |
| 구조 방정식 모델링 |
| 플랫폼. 이것은 지배적입니다 |
| 데이터 분석 프레임 워크 |
| 많은 사회 과학 때문에 |
| 유연하게 복잡한 모델링 |
| 다변량 관계 |
| 설정. 열쇠 중 하나 |
| 특징은 변수가 |
| 회귀 변수와 |
| 동시에 응답 |
| 동일한 모델의 일부입니다. |
| 게다가 나에게 일어났다 |
| 이 복잡한 |
| 그들이 대표하는 모델 |
| 적어도 |
| 표면, 다이어그램처럼 보입니다. |
| 제조 대표 |
| 프로세스. 나만이 아니 었어 |
| 이 연결을 만들기 위해. 마르쿠스, |
| 함께 일하고 있던 |
| 화학 회사, 생각 |
| 같은 것. 그는 일하고 있었다 |
| 화학 회사의 문제 |
| 2 열 트윈 |
| 증류 제조 |
| 그들이 원했던 과정 |
| 에너지 비용 최소화 |
| 크게 찌르다 |
| 생산하는 동안 |
| 안에 머물렀던 제품 |
| 사양. 그는 |
| 그의 JMP 영업 엔지니어, |
| 그때 연결되었던 Martin Demel |
| Markus에서 Laura와 I. |
| 우리는 일련의 회의를 가졌습니다. |
| 그가 보여주고 묘사 한 곳 |
| 데이터, 문제 및 |
| 회사의 목표. 우리는 |
| 데이터 모델링 가능 |
| 놀랍도록 잘. 우리 모델은 |
| 결과를 공유하여 검증 |
| JMP와 통신 |
| 프로파일 러를 회사의 |
| 내부 전문가와 |
| 첫 번째 원리 시뮬레이터 |
| 그리고 새로운 물리적 데이터로 |
| 식물에서. 이것은 분명했다 |
| 데이터 과학으로서의 성공 |
| 계획. 그러나 나는 |
| 경고를 추가합니다. 성공 |
| 공동 노력이 필요 |
| 최고 수준의 전문가 인 Laura |
| 구조 방정식에서 |
| 모델링. JMP에 합류하기 전에 |
| 그녀는 정량적 교수였습니다 |
| 대학의 심리학 |
| 노스 캐롤라이나, 채플 힐, 하나 |
| 최고 부서의 |
| 우리. 그녀는 또한 |
| JMP Pro의 SEM 플랫폼. |
| 이 운동은 어려웠습니다. |
| 그녀에게도. 그녀는 |
| 자체적으로 작성한 JSL 프로그램 |
| 지정한 JSL 프로그램 |
| 예를 들어,이 모델. |
| 우리가 맞는 모델은 아마도 |
| 가장 크고 가장 |
| 모두의 정교한 SEM 모델 |
| 시각. 나는 외치고 싶다 |
| 정말 뛰어나고 |
| 획기적인 작업 |
| Laura는 SEM으로 둘 다 완료했습니다. |
| 일반적으로이 플랫폼에서 |
| 특히 사례 연구. 지금 |
| 나는 그것을 넘겨 줄거야 |
| 줄 것입니다 Markus |
| 문제의 배경 |
| 고객이 해결하기를 원했고 |
| Laura는 |
| 이를위한 SEM과 그녀의 모델 |
| 문제. 편지 할게 |
| 설정 방법에 대한 토론 |
| 프로파일 러와 Markus는 |
| 마무리하고 이야기 |
| 프로젝트의 요약 및 |
| 고객이하는 행동 |
| 우리의 결과를 기반으로했습니다. |
| 크리스, 감사합니다. |
| 소개. |
| 문제를 시작하기 전에 |
| 익숙해 지길 원해 |
| 증류의 원리. |
| 증류는 |
| 액체 혼합물을 분리하다 |
| 대부분의 시간과 별도로 |
| 그들 개인으로 |
| 구성 요소. 그래서 어떻게 |
| 작업? 여기에 회로도가 보입니다. |
| 실험실 증류의보기 |
| 장비. 여기는 |
| 조 혼합물이있는 플라스크, |
| 분리되어야하는 것은 |
| 내부. 이걸 데워 여기 |
| 이 경우에는 오일 배스로 |
| 저어 주면 시작됩니다 |
| 비등. 그래서 가장 낮은 끓는점 |
| 재료가 먼저 시작된 다음 |
| 증기가 여기 위로 올라와 멈춤 |
| 여기 도달 할 온도계 |
| 끓는 온도와 |
| 이 쿨러에 더 들어가 |
| 여기서 응축되고 |
| 여기에 응축수가 떨어집니다. |
| 다른 작은 플라스크에. |
| 그래서 제가 말했듯이 |
| ...에서 혼합물 분리 |
| 다른 액체의 |
| 끓는점, 그리고 그것들은 |
| 끓는점으로 분리됩니다. |
| 예를 들어, 모두가 알고 있습니다 |
| 아마도 당신이 만들고 싶다면 |
| 매시의 Schnapps, 당신은 |
| 이 안에 매쉬를 만들어 |
| 플라스크를 가열하고 |
| 여기 알코올을 증류 해 |
| 그리고 schnapps를 얻으십시오. |
| 매우 간단 해 보이기 때문에 |
| 여기 실험실에서 |
| 산업 그것은 조금 더 |
| 복잡한. 하자 |
| 장비가 아니라고 |
| 더 크지 만 더 |
| 복잡하고 주로 |
| 엔지니어링 부분 |
| 이야기의. |
| 따라서이 연구에서 |
| 증류가 이루어지지 않았습니다 |
| 이전에 본 것처럼 일괄 적으로 |
| 그러나 지속적으로. 이 |
| 원유 혼합물이 |
| 중간 어딘가에 펌핑 |
| 기둥과 낮은 |
| 끓는 재료는 |
| 기둥의 꼭대기까지 증기 |
| 그리고 거기에 기둥을 떠납니다 |
| 그리고 다른 더 높은 비등 |
| 재료가 아래쪽으로 흐르고 |
| 기둥을 바닥에 남깁니다. |
| 그리고 그것을 조금 더 만들기 위해 |
| 복잡한, 우리의 경우 |
| 그런 다음 하단 스트림이 펌핑됩니다. |
| 두 번째 열에 |
| 다시 증류, 그래서 |
| 다른 재료를 분리 |
| 메인에서 ..에서 ... |
| 잔여 물건에서. 그래서 |
| 실제로 우리는 |
| 원래 원유 혼합물 |
| 세 부분 | 증류 액 1, |
| 증류 액 2와 무엇이 |
| 왼쪽, 다음 하단 스트림 |
| 두 번째 스틸의. |
| 그리고 그것을 더 만들기 위해 |
| 복잡한, 우리는 열을 사용 |
| 이 두 번째 컬럼을 증류 |
| 첫 번째 열을 가열하기 위해 |
| 이를 위해 에너지를 절약하기 위해. |
| 따라서 개략도에서 |
| 이것은 이렇게 보입니다. |
| 여기 Still 1과 |
| Still 2가 있습니다. 그리고 여기 우리 |
| 원료 혼합이 |
| 실제로 조립 |
| 에서 증류 |
| 제조 및 우리가 원하는 것 |
| 할 일은 가치를 분리하는 것입니다 |
| 나머지 자료. 그래서 우리 |
| 이 원유 혼합물을 |
| 첫 번째 스틸. 내가 어딘가에서 말했듯이 |
| 중간에 분리됩니다 |
| 낮은 끓는점은 |
| 우리가 원하는 첫 번째 가치 자료 |
| 가지고 있고 나머지는 떠난다 |
| 첫 번째는 여전히 바닥에 있습니다. 그때 |
| 여기에 즉시 저장됩니다. |
| 탱크 그리고 여기에서 그것은 |
| 두 번째로 다시 펌핑 |
| 여전히 어딘가에 |
| 중간, 그리고 그것은 |
| 두 번째 가치 재료 및 |
| 어웨이 스트림, 그 당시 |
| 재 적립. 물건을 데 우려면 |
| 우리는 이쪽에서 시작합니다. |
| 이것은 더 높은 끓는점입니다 |
| 재료, 그래서 우리는 더 높은 |
| 온도와 이것은 또한 |
| 더 많은 에너지. 그래서 우리는 |
| 여기에 증기를 넣고 여기에 열을 가하고 |
| 여기에 남겨 두는 재료는 |
| 상단의 온도가 |
| 이 물질의 끓는점, 그래서 |
| 우리는 잔열을 사용하여 |
| 첫 번째 스틸을 가열하십시오. 그리고 만약 |
| 사이에 약간의 간격이 있습니다 |
| 여기에서 나오는 내용과 |
| 우리가 필요한 것 |
| 여기 첫 번째 증류 |
| 그래도 조금 추가 할 수 있습니다. |
| 유지해야 할 여분의 증기 |
| 모든 것이 실행됩니다. |
| 그래서 이것은 매우 높은 수준입니다 |
| 사물의 관점, 그리고 |
| 좀 더 들어가고 싶어 |
| 세부 사항, 여기에 일종의 |
| 같은 그림. 하지만 여기에 |
| 당신은 모든 다른 태그를 |
| 여기에있는 모든 |
| 판독 및 품질 관리 및 |
| 온도 제어 등 |
| 기타 등등. 그래서 당신이 보는 |
| 여기? 여기서 시작합니다. 피드 1 |
| 첫 번째 스틸로. |
| 그런 다음 상단으로 분리됩니다. |
| 우리가 제어하는 스트림 |
| 밀도, 품질 |
| 특성. 그리고 |
| 하단 스트림, 하단 스트림 |
| 이 중간 탱크로 들어갑니다. |
| 그리고 여기에서 |
| 다시 두 번째 스틸로 |
| 또한 여기에서 분리 |
| 상단 스트림에 대한 하단 스트림. |
| 그리고 다시 여기서 테스트하고 있습니다. |
| 품질 관리를위한 밀도. |
| 여기에도 증기를 추가합니다. |
| 이 모든 것을 가열하고 |
| 그런 다음 상단 흐름은 열을 통해 이동합니다. |
| 첫 번째 스틸로 교환기 |
| 다시 가열합니다. 그리고 여기 |
| 우리는 추가 할 가능성이 있습니다 |
| 가질 추가 증기 |
| 여기에 모든 것이 균형을 이룹니다. |
| 그래서 우리가 보는 것은 |
| 기초 당신은 많은 |
| 상관 관계가 있습니다. |
| 여기의 색상 코드와 함께 |
| 화살표. 예를 들어 피드 |
| 여기 피드와 함께 |
| 밀도, 즉 |
| 여기의 구성 |
| 먹이다. 그래서이 둘과 함께 |
| 최상위 스트림을 정의하고 |
| 여기에 품질, 그리고 |
| 바닥 흐름은 다소. 그래서 당신은 |
| 지역 예측이 있습니다. 그래서 |
| 여기에 들어가는 재료 |
| 여기와 여기에 물건을 정의합니다 |
| 여기. 그러나 당신이 갖고 싶다면 |
| 전체에 대한 전체 설명 |
| 장비, 그러면 까다로워집니다 |
| 지역 최소 제곱을 할 수 있기 때문에 |
| 여기에 상관 관계. 넌 할 수있어 |
| 여기. 별도로 할 수 있습니다 |
| 증기 또는 여기에. 그러나 |
| 보시다시피, 우리는 |
| 여기에 오는 대량 스트림, |
| 처음부터 여전히 |
| 두 번째 여전히 여기에 우리는 |
| 시작되는 에너지 흐름 |
| 여기에 다소간, 통과 |
| 여기 열교환기를 통해서도 |
| 여기 아래. 그래서 그것은 일종의 |
| 여기에있는 회로와 |
| 이 모든 것들은 서로 연관되어 있습니다 |
| 다소간 |
| 회로의 그리고 이것은 준다 |
| 우리가 어려움을 |
| 실제로 X가 무엇인지 몰랐습니다. |
| 그리고 Ys였습니다. |
| 그것이 우리가 |
| 다른 생각하기 시작 |
| 이것을 모델링 할 가능성. |
| 그래서이 연구의 목표는 |
| 최적의 흐름을 찾고 |
| 이 모든 것에 대한 스팀 설정 |
| 다양한 유입 요인 |
| 여기에 우리가 |
| 모든 것을 유지할 수있다 |
| 사양에서. 그래서 증류 액 |
| 품질은 사양을 유지해야하지만 |
| 즉 내부 운영 |
| 사양 및 사양 |
| 최종 폐기물 흐름. |
| 그리고 가장 흥미로운 부분은 |
| 최소한 돈 |
| 현명하게, 우리는 최소화하고 싶습니다 |
| 의 소비 |
| 속도 ... 미안, 증기. |
| 그래서 우리가 실제로 필요한 것은 |
| 무엇보다 먼저 좋은 모델 |
| 이것과 저것을 설명하는 |
| 로라가 어디로 왔는지 |
| 여기에 게임에 추가하고 |
| 이 구조 방정식 모델. |
| 그리고 우리는 또한 |
| 프로파일 러를 통해 |
| 무엇이 최고인지 알아 내다 |
| 설정, 최적의 설정 |
| 이 모든 들어오는 것을 위해 |
| 우리가 가질 수있는 변형 |
| 여기 모두 안에 머물기 위해 |
| 이 사양. 그리고 그것은 |
| 크리스가 들어온 지점, |
| Laura의 모델을 기반으로 |
| 우리가 사용할 수있는 프로파일 러 |
| 우리가 모든 예측을 |
| 필요한 것. 그래서 이제 통과하고 싶어 |
| 로라에게 설명하기 위해 |
| 그녀가 이것에서 만든 모델 |
| 여기에 데이터. 로라, 제발. |
| 감사합니다, Markus. 로라입니다 |
| Castro-Schilo와 나는 |
| 단계에 대해 알려줍니다. |
| 우리는 모델을 따랐다 |
| 사용하는 증류 과정 |
| 구조 방정식 |
| 모델 플랫폼. |
| 그래서 Markus가 처음 왔을 때 |
| 그의 프로젝트에 대해 우리에게 말했고 |
| 세 가지가 있었다 |
| 나를 깨달은 기능 |
| SEM은 좋은 도구가 될 것입니다. |
| 그를 위해. 첫 번째는 |
| 매우 구체적인 |
| 과정에 대한 이론 |
| 서로 영향을 미치고 우리는 |
| 그가 다이어그램에서 |
| 보여 주었다. |
| 그것의 중요한 특징 |
| 다이어그램은 모든 변수가 |
| 이중 역할을했습니다. 다시 말해, |
| 화살표가 |
| 다이어그램의 노드이지만 |
| 이러한 노드는 다른 |
| 변수, 그래서 |
| 무엇 사이의 명확한 구별 |
| 어떤 입력이고 무엇 이었습니까 |
| 산출. 오히려 변수는 |
| 두 역할 모두. |
| 마지막으로 |
| 우리가 거래하고 있다는 것을 깨달으십시오 |
| 프로세스와 함께 |
| 반복적으로 측정. 다른 |
| 즉, 시계열 데이터가 |
| 이 모든 기능은 |
| SEM이 |
| Markus에게 좋은 도구가 되십시오. 지금, |
| SEM에 익숙하지 않은 경우 |
| 이유가 궁금 할 수도 있습니다. SEM은 매우 |
| 제공하는 일반적인 프레임 워크 |
| 거래를위한 많은 유연성 |
| 이러한 유형의 문제로. |
| 이 슬라이드에는 |
| 다양한 기능 |
| SEM을 좋은 도구로 만들지 만 |
| 우리는 할 수 없기 때문에 |
| 이 모든 것을 살펴보기 위해 I. |
| 또한 귀하가 |
| SEM에 대해 자세히 알아볼 수 있습니다. |
| 관심이 있다면. 지금 나는 |
| 두 가지에 초점을 |
| 여기에 포인트가 있습니다. 첫번째 |
| SEM을 통해 |
| 다변량 이론 |
| 변수 간의 관계, |
| 정확히 Markus가 |
| 하고 싶었습니다. |
| 또한 매우 유용한 |
| 경로라는 SEM의 도구 |
| 다이어그램. 이 다이어그램은 |
| 매우 직관적이고 |
| 통계 모델을 표현 |
| 우리가 적합하다는 것을. |
| 그래서 그 점에 대해 이야기합시다 |
| 조금만 더. 다음은 예입니다. |
| 우리가 할 수있는 경로 다이어그램의 |
| SEM 플랫폼에서 |
| 단순한 선형을 나타냄 |
| 회귀, 다이어그램은 |
| 매우 구체적으로 그린 |
| 풍모. 예를 들어, 우리는 |
| 직사각형을 사용하여 표현 |
| 우리가 가진 변수 |
| 정확히 잰. 여기는 X와 Y입니다. |
| 또한 단방향 화살표가 |
| 회귀 효과를 나타냅니다. 과 |
| 양방향 화살표를 주목하십시오 |
| 같은 시작과 끝 |
| 변수는 분산을 나타냅니다. |
| 이제 이것이 시작되고 |
| 다른 변수에서 끝납니다. |
| 그 양방향 화살표는 |
| 그런 다음 공분산을 나타냅니다. 에 |
| 이 경우, 우리는 |
| X와 잔차의 분산 |
| 부분 인 Y의 분산 |
| 에 의해 설명되지 않은 |
| X의 예측. |
| 그래서 이것은 경로 다이어그램입니다 |
| 단순한 표현 |
| 선형 회귀. 하지만 물론 |
| 우리는 또한 볼 수 있습니다 |
| 표현되는 방정식 |
| 그 다이어그램으로. 그리고 |
| Y의 경우이 방정식은 |
| 단순히 선형 회귀입니다. 과 |
| 여기서는 수단을 생략했습니다. |
| 단순함을 위해 차단합니다. |
| 주목하는 것이 중요합니다. |
| 의 모든 매개 변수 |
| 방정식은 |
| 경로에 표시 |
| 그래서이 다이어그램은 |
| 정말 전달 |
| 정확한 통계 모델 |
| 우리가 적합하다는 것을. |
| 이제 SEM, 다이어그램 또는 |
| 우리가 지정하는 모델은 |
| 매우 구체적인 공분산 |
| 구조. 이것이 |
| 공분산 구조는 |
| 간단한 기대 |
| 선형 회귀 모델. 그래서 당신은 |
| 엡실론 X가 |
| X의 분산입니다. 또한 |
| Y의 분산, 즉 |
| 두 분산의 함수 |
| X 및 잔차 분산 |
| Y, 우리는 또한 |
| 공분산에 대한 표현 |
| X와 Y. 일반적으로 말해서 |
| 모델 적합도 평가 방법 |
| SEM에서 모델을 비교하여 |
| 암시 적 공분산 구조 |
| 실제 관찰 된 샘플 |
| 데이터의 공분산 |
| 이 두 가지는 상당히 가깝습니다 |
| 서로, 우리는 말할 것입니다 |
| 모델이 아주 잘 맞습니다. |
| 그래서 다양한 모델이 |
| SEM에 맞출 수 있습니다. |
| 그리고 오늘 우리의 초점은 |
| 구체적으로 |
| 시계열 모델에서. |
| 시계열에 대해 이야기 할 때 |
| 우리는 구체적으로 말하고 있습니다 |
| 거기에 데이터 모음 |
| 이전 데이터에 대한 의존성 |
| 포인트, 이러한 데이터는 |
| 일반적으로 균등하게 수집 |
| 간격이있는 시간 간격. |
| 그리고 시계열이 |
| 분석은 |
| 데이터의 종속성은 |
| 과거로 회귀. 그래서 하나 |
| 이 모델의 유형은 |
| 자기 회귀 프로세스 또는 |
| ARP. 여기에서 볼 수 있습니다. |
| Y는 프로세스를 나타냅니다. |
| 시간 T에서 측정, 자동 |
| 회귀 모델은 |
| 그 프로세스를 회귀 |
| 그 이전 관찰 |
| 시간 T-P까지 처리합니다. |
| 그래서 우리가 이야기하고 있다면 |
| 구체적으로 |
| 자기 회귀 한 프로세스, |
| 그러면 우리는 |
| 프로세스 YT는 |
| YT를 지나서 바로 인접 |
| 마이너스 1. |
| 그리고 우리가 |
| 이것을 SEM에서 구현하는 것은 간단합니다. |
| 앞서 살펴본 것처럼 |
| YT에서 YT의 회귀 마이너스 |
| 하나. 여기에 |
| 회귀 방정식은 매우 |
| 우리가 본 것과 유사 |
| 이전 슬라이드 등 |
| 그것은 놀라운 일이 아닙니다 |
| 경로 다이어그램은 동일하게 보입니다. |
| 그리고 우리는이 AR을 확장 할 수 있습니다. (1) |
| 두 개를 포함하는 모델로 |
| 즉, 지연 |
| 차수 2의 자기 회귀. 과 |
| 여기에 우리는 프로세스가 있습니다 |
| 회귀중인 YT |
| T 마이너스 1과 T 마이너스 2입니다. |
| 그리고 우리가 경로를 보면 |
| 그것을 나타내는 다이어그램 |
| 모델, 우리는 |
| 에 대한 명시 적 표현 |
| 현재 처리하지만 |
| 또한 시차 1과 시차 2에서. |
| 이것의 매우 구체적인 측면 |
| 다이어그램은 |
| 인접 시점은 |
| 서로 같고 |
| 의 중요한 부분입니다 |
| 우리를 허용하는 사양 |
| 모델을 올바르게 지정하십시오. 그래서 |
| 여기서 우리는 베타 1을 사용하고 있습니다. |
| 이 지연을 나타 내기 위해 1 |
| 효과와 우리는 또한 |
| 동등 제약 설정 |
| 잔차 분산. |
| 마지막으로, 우리는 또한 효과가 있습니다 |
| YT에서 2를 빼면 |
| YT를 예측하고 있습니다. |
| 두 가지 효과가 있습니다. |
| 이제이 모든 모델은 |
| 일 변량 시계열 모델, |
| 그리고 당신은 |
| 구조 방정식 모델링 |
| JMP의 플랫폼 또는 |
| 시계열도 사용 |
| 우리가 사용할 수있는 플랫폼. |
| 그러나 문제는 |
| Markus의 데이터 처리 |
| 더 많은 복잡성이 필요합니다. 그것 |
| 우리가 보도록 요구했다 |
| 다변량 시계열 모델 |
| 이러한 모델의 유형은 |
| 벡터 자기 회귀라고 |
| 모델. 그리고 내가하고 싶은 것 |
| 이 모델 중 하나임을 보여줍니다 |
| 주문 2의. |
| 그래서 우리는 X에 대한 프로세스가 있고 |
| Y에 대한 또 다른 하나, 그리고 동일 |
| 자기 회귀 효과는 |
| 전에 본이 여기에 포함되어 있습니다. |
| 우리는 평등 함을 |
| 정말 제약이 |
| 적절한 것을 위해 중요 |
| 사양. 그러나 우리는 또한 |
| 교차 지연 효과 |
| 과정을 알려주세요 |
| 서로에게 영향을 미칩니다. 그리고주의 |
| 여기 감마 1과 감마 1 그리고 |
| 감마 3, 감마 3, |
| 여기서 우리는 |
| 평등 제약을 가하다 |
| 그 지연 1 효과 |
| 프로세스. |
| 우리는 또한 통합해야합니다 |
| 프로세스 간 공분산 |
| 그래서 우리는 그들의 공분산을 |
| 시간 T-2. 그러나 우리는 또한 |
| 시간의 잔차 공분산 |
| T 빼기 1과 T |
| 평등을 가져야한다 |
| 적절한 제약을 다시 |
| 사양. 그래서 나는 갈거야 |
| 이 비디오에서 어떻게 |
| 이변 량 시간을 맞출 것입니다. |
| 시리즈 모델은 |
| JMP를 사용하여 보여 드린 것 |
| 당. 우리는 |
| 데이터를 조작하여 |
| SEM을 사용할 준비가되었습니다. 먼저, |
| 우리는이 두 가지를 표준화합니다. |
| 그들이 있기 때문에 프로세스 |
| 매우 다른 비늘. |
| 그런 다음 지연된 변수를 생성합니다. |
| 시간을 명시 적으로 나타 내기 위해 |
| 시간 T 이전의 포인트. 그래서 우리는 |
| 가질 것 |
| T 마이너스 1 및 T 마이너스 2 |
| SEM 플랫폼을 출시하고 |
| 우리는 X를 입력 할 것입니다. |
| 그런 다음 Ys는 |
| 모델을 더 쉽게 지정할 수 있습니다. |
| 이제 비디오 속도를 높였습니다. |
| 빨리 볼 수 있도록 |
| 모델 지정 방법. |
| 여기에 우리는 |
| 교차 지연 효과 |
| 지연 1의 경우 |
| 그런 다음 직접 |
| 다이어그램의 상호 작용, 우리는 |
| 지연 2 효과를 추가하십시오. |
| 그리고 남은 것은 |
| 모든 평등을 지정 |
| 필요한 제약 |
| 이러한 모델에 대해 |
| 프로세스 및 프로세스 전반. |
| 모델 이름을 지정합니다. |
| 그리고 마지막으로 우리는 |
| 그것을 실행할 것입니다. |
| 보시다시피, 심지어 |
| 이변 량 시계열 모델 |
| 두 가지 프로세스 만 통합 |
| 다수의 평등이 필요합니다. |
| 제약과 뉘앙스 |
| 그것을 만드는 사양 |
| 비교적 도전적입니다. 하나, |
| 증류의 경우 |
| 프로세스 데이터, 우리는 훨씬 더 |
| 두 프로세스보다. 우리는 |
| 실제로 26 개의 |
| 이러한 프로세스와 전체적으로 |
| 약 45,000 |
| 취해진 측정 |
| 10 분 간격으로. |
| 그래서 우리의 첫 번째 접근 방식은 |
| 일 변량 탐색 |
| 시계열 모델은 |
| JMP의 시계열 플랫폼. |
| 이 작업을 수행했을 때 |
| 대부분의 경우 |
| AR (1) 또는 AR (2) 처리 |
| 모델이 가장 잘 맞습니다. |
| 정말 |
| 최소한 우리는 |
| 다변량 모델을 |
| 통합 된 SEM |
| 최소한 두 번의 시차. |
| 우리는 또한 숫자를 따라야했습니다 |
| 전처리 단계 |
| SEM에 데이터 준비. |
| 한편으로 우리는 |
| 누락 된 데이터, |
| SEM은 누락 된 데이터 만 처리 할 수 있습니다. |
| 괜찮아요. |
| 이것들처럼 복잡해졌습니다. |
| 계산적으로 매우 |
| 심한. 그래서 우리는 |
| 데이터의 하위 집합을 선택하여 |
| 모두에 대한 완전한 데이터가 |
| 프로세스와 그로 인해 |
| 약 13,000 개의 관찰. |
| 그래서 우리가 비디오에서 보았 듯이 |
| 큰 차이가 있었다 |
| 프로세스 전반에 걸쳐 |
| 모두 표준화합니다. 과 |
| 마지막으로 지연 변수를 만들었습니다. |
| 우리가 할 수 있는지 확인하기 위해 |
| SEM에서 모델을 지정합니다. |
| 이제 모델 사양에 대해 |
| 동등 제약 |
| 특히 매우 큽니다 |
| 그것이 걸릴 것이기 때문에 도전 |
| 그들을 지정하는 데 많은 시간 |
| 수동으로 그리고 그것은 |
| 물론 지루하고 오류가 발생하기 쉽습니다. |
| 그래서 우리의 접근 방식은 |
| 이것은 JSL을 생성하는 것이 었습니다. |
| 생성 할 스크립트 |
| 시작을위한 또 다른 JSL 스크립트 |
| SEM 플랫폼. |
| 그리고 여기에서 보는 것은 |
| 우리가 맞는 최종 모델 |
| 고맙게도 |
| 이 모델을 추정하면 |
| 공분산을 얻을 수 있음 |
| 에 의해 암시되는 구조 |
| 모델과 그 조각이었다 |
| 내가 전달할 수있는 정보 |
| Chris Gotwalt에게 |
| 그런 다음 정보를 사용 |
| 그 행렬을 만들기 위해 |
| Markus가 사용할 수있는 프로파일 러 |
| 그의 목적을 위해. |
| 그래서 크리스, 우리에게 말하지 그래 |
| 프로파일 러를 어떻게 만들었습니까? |
| 고마워요, 로라 이제 나는 간다 |
| 방법의 하이라이트를 보여주기 위해 |
| 나는 모델을 취할 수 있었다 |
| 결과를 |
| 프로파일 러 그 회사 |
| 쉽게 사용할 수 있습니다. |
| 그래서 로라는 그녀의 모델을 |
| 표준화 된 데이터 및 |
| 동일한 모델을 포함하는 테이블 |
| 차단하고 그녀는 또한 포함했습니다 |
| 원래 수단과 기준 |
| 사용 된 편차 |
| 데이터를 표준화하십시오. 에 |
| 맞습니다. 시뮬레이션 모델이 있습니다. |
| 묵시적 공분산 행렬, |
| 사이의 공분산 포함 |
| 현재 가치와 |
| 즉시에서 지연된 값 |
| 과거. 이 정보는 |
| 모든 변수가 관련되는 방식 |
| 서로. 이 양식에서 |
| 모델이 준비되지 않았지만 |
| 예측에 사용됩니다. 보다 |
| 특정 변수가 어떻게 변하는 지 |
| 다른 사람들의 기능으로 우리는 |
| 이 정보를 사용하여 |
| 조건부 파생 |
| 응답 분포 |
| 변수, 주어진 변수 |
| 입력으로 사용하고 싶습니다. |
| 그래서 본질적으로 우리는 |
| 조건부 평균 |
| 주어진 입력에 대한 응답. 그래서 |
| 이를 위해 우리는 |
| 이 공식은 바로 여기에 있습니다. |
| 이를 위해 SWEEP을 사용합니다. |
| JSL의 연산자, SWEEP |
| 연산자는 수학적 도구입니다. |
| SAS CEO가 만든 |
| 공동 창립자 Jim Goodnight. 이것의 |
| 미국에서 출판되었습니다 |
| 1979 년 통계 학자. SWEEP |
| 연산자는 아마도 단일 |
| 가장 중요한 기여 |
| 계산 통계 |
| 지난 100 년. 대부분의 JMP 사용자 |
| SWEEP를 몰라 |
| 연산자는 모든 사람이 사용합니다 |
| JMP 통계 플랫폼 |
| 여러 가지 방법으로. 매트릭스에 사용합니다. |
| 반전, 계산 |
| 제곱의 합이며 또한 |
| 단순하고 우아하게 착취 |
| 조건부 계산 방법 |
| 아는 경우 배포 |
| 올바르게 사용하는 방법. |
| 열이있는 테이블을 만들었습니다. |
| 모든 변수에 대해. 두 |
| 테이블의 행은 |
| 최소 및 최대 |
| 원본 데이터, |
| 프로파일 러는 설정 방법을 알고 |
| 범위. 수식 항목을 추가했습니다. |
| 응답 변수에 대해 |
| 스윕 된 버전 |
| Laura의 분산 행렬 |
| 모델링하고 그 공식을 넣어 |
| 여기 데이터의 뒷면에 |
| 테이블 또는 맨 오른쪽. |
| 다음은 공식 중 하나입니다. |
| 처럼 보였다. 나는 뽑았다 |
| 분석 결과 |
| 행렬. Laura의 모델 포함 |
| 추정 된 공분산 |
| 마지막 2 개의 현재 Y |
| 이전 값이기 때문에 |
| 큰 다 변수 |
| 차수 2의 자기 회귀 모델. |
| 현재 예측 |
| 이전 두 가지 제어 |
| 입력 변수의 값 |
| 매우 성가신 일 |
| 운영합니다. 그래서 나는 |
| 단순화 된 가정 |
| 이 두 가지 가치는 |
| 같은, 붕괴 |
| 형태로 모델링 |
| 사용하기 쉽습니다. 이를 위해 I. |
| 단순히 동일한 열을 사용하십시오. |
| 내가 주소를 지정할 때 레이블 |
| 지연 1로, |
| 기간에 대해 두 항목이 지연됩니다. |
| 기계 없이는 |
| 나는 프로파일 러를 만들었습니다. |
| 응답 열 |
| 관심. 내가 설정 |
| 바람직한 함수 |
| 회사의 반영 |
| 목표. 그래서 그들은 |
| 에 목표와 일치 |
| A2TopTemp, A2BotTemp 최대화, |
| 그래서 궁극적으로 |
| 합계를 최소화하고 싶어 |
| 나오는 증기의 |
| 두 개의 열 중. |
| 그래서 당신은 확실하게 잠글 수 있습니다 |
| 프로파일 러의 변수 |
| 통증 클릭을 제어합니다. 그만큼 |
| 잠금 변수는 |
| 단색 빨강을 통해 그려진 값 |
| 라인, 그리고 일단 우리가 완료하면 |
| 값을 입력 할 수 있습니다. |
| 그들과 우리가 실행할 때 |
| 최적화 또는 최대화 |
| 바람직 함, 잠긴 |
| 변수는 고정 된 상태로 유지됩니다. |
| 이 방법으로 우리는 |
| 제어 할 수있는 변수 |
| 제품이 계속 만들어지는 |
| 사양에 |
| 에너지 비용 최소화. |
| 그럴 것이라고 말하는 것이 공정합니다. |
| 다른 사람이하기 어렵다 |
| Laura의 모델링 접근 방식을 반복합니다. |
| 새로운 문제에 대해 |
| 다른 사람에게 힘들다 |
| 내가 한 것처럼 프로파일 러를 설정하려면 |
| 여기. 충분한 사람들이 이것을 본다면 |
| 프레젠테이션을 추가하고 |
| 이런 종류의 |
| 앞으로 더 쉽게 분석 할 수 있습니다. |
| 당신은 저희에게 알려야합니다 |
| 기술 지원 |
| support@JMP.com을 통한 지원. |
| 이제 다시 건네 줄게 |
| 얘기 할 Markus에게 |
| 고객이 무엇을했는지 |
| 모델과 우리의 결론. |
| 고마워요, 크리스. |
| 따라서 예측 프로파일 러를 사용하면 |
| Chris가 방금 발표 한 |
| 이를 사용하여 |
| 예측 풍경, |
| 우리가 어떻게 |
| 최고의 설정은 |
| 모든 것을 달성하기 위해 |
| 필요한 품질 사양. 그래서 |
| 세 가지 요소 |
| 예를 들어, 다양합니다. |
| 우리의 영향력에 제한적으로 |
| 그리고 무엇입니까 |
| 스틸 1 및 |
| Still 2에 대한 피드와 |
| 품질 또는 구성 |
| 하나에 피드의. |
| 그리고 우리가에서 밝혀낸 것은 |
| 그들의 모델도 |
| 냉각수 온도는 |
| 또한 중요한 역할을 |
| 이 시나리오에서. 다른 모든 |
| 변수는 덜 중요합니다. |
| 그래서 우리는 그들을 무시했습니다 |
| 이 첫 번째 접근 방식입니다. |
| 여기 풍경이 보입니다. |
| 일종의 가변성입니다. |
| 차트, 그래서 우리는 |
| 여기에 대한 피드 밀도 |
| 스틸 1, 스틸 1 로의 피드 |
| 그리고 스틸 2에 피드 |
| 가능한 모든 조합, |
| 다소. 그리고 여기에서 |
| 예상되는 설정 |
| 머물기 위해 최선을 다하는 |
| 사양 내에서. 과 |
| 여기에 제가 가지고있는 것들이 있습니다 |
| 사양도 있으므로 |
| 그들 안에 있어야합니다. |
| 예를 들어, |
| 스틸 2의 증기 흐름, |
| 거기에 환류, 보일러가 올라가고 |
| 에 대한 동일한 것 |
| 여전히 1. 그리고 여기 오른쪽에 |
| 측면, 당신은 |
| 예측 된 결과, 그래서 |
| 품질 사양입니다. 그래서 |
| 최고 흐름의 온도 |
| 그래도 1 밀도 |
| 증류 액의 밀도 |
| 스틸 2의 증류 액, |
| 등등 등등. 그래서 무엇 |
| 여기에 있습니다. |
| 여기에 바람직 함을보세요. |
| 여기 맨 아래 줄입니다. |
| 큰 지역이 있습니다 |
| 우리는 정말로 좋은 것을 얻을 수 없습니다 |
| 우리 시스템의 성능. 그리고 만약 |
| 당신은 세부 사항을 살펴 보았습니다 |
| 알다시피, 여기 우리는 사양을 벗어났습니다. |
| 여기에 우리는 사양을 벗어났습니다. |
| 어떤 점, 우리는 사양을 벗어났습니다. |
| 기타 등등. 그러나 그것이 보는 다른 것 |
| 이것이 스펙 / 오프 스펙의 것입니다 |
| 뿐만 아니라 |
| 이 세 가지 구성 요소는 |
| 여기뿐만 아니라 강가에서도 |
| 온도, 그리고 순간 |
| 가장 낮은 것으로 강조 |
| 강 온도; 그것은 1 |
| 정도. 여기 보시면 |
| 그것으로 우리는 대부분의 |
| 사양에 시간이 있지만 |
| 드물다 |
| 이 세 가지 조합 |
| 우리가 아닌 요인. 그러나 만약 |
| 우리는 강을 늘리고 있습니다 |
| 온도 (예 : 24) |
| 도, 우리가 |
| 사양이 떨어져 있습니다 ... 많이됩니다 |
| 더 우세합니다. 그래서 여기 있습니다 |
| 이 안에 머물기가 매우 어렵습니다. |
| 명세서. 그래서 우리는 |
| 모델에서 배운 |
| 우리가 머물 문제가 있다는 것입니다 |
| 우리의 사양에서 |
| 강 온도가 7 이상 |
| 섭씨 온도입니다. |
| 왜 그럴까요? |
| 그? 그리고 엔지니어 |
| 종종 ... 의심되는 것은 |
| 이것은 때문에 |
| 냉각 용량 |
| 멋있는. 하지만 우리가 가기 전에 |
| 실제 재판으로, 우리는 |
| SEM 모델과 |
| 열역학 모델 기반 |
| Chem CAD에서. |
| 그리고 그것이 무엇을 지적했는지 |
| 두 모델 모두 |
| 같은 것을 가리키는 |
| 방향, 그래서 없었다 |
| 실제 불일치 없음 |
| 둘 사이. |
| 좋아, 이로 인해 |
| 낙관적 인 기분 때문에 우리는 |
| 실제 시련 |
| 그리고 최고의 |
| 설정하고, |
| 예상을 승인 |
| 모델의 것들. |
| 그래서 내가 말했듯이 |
| 이미 엔지니어가 |
| 냉각이 의심 |
| 냉각기의 용량은 |
| 충분한. 그래서 당신이 가질 때 |
| 더 높은 강 온도에서 |
| 그럼 열전달도 |
| 작고 그래서 장비 ... |
| 장비가 실제로 작동하지 않습니다. |
| 더 이상. 이제 다음 단계는 |
| 이 데이터를 사용하려면 |
| 다른 사람을 정당화하기 위해 여기에서 공부하십시오 |
| 구축하는 투자 |
| 여기에 더 쿨러 |
| 열교환 용량. |
| Laura와 Chris 덕분에 |
| 여기에 투자를 설정할 수 있습니다. |
| 질문이 있으면 |
| 지금 문의하십시오. |
| 감사합니다. |
