수준: 중급
Markus Schafheutle, 컨설턴트, 비즈니스 컨설팅
Laura Castro-Schilo, JMP 선임 연구 통계 개발자, SAS
Christopher Gotwalt, SAS 통계 R&D 부문 JMP 이사
우리는 화학 공정에서 제조 데이터를 모델링하기 위한 사례 연구를 설명합니다. 연구의 목표는 제조 공정에서 제어 가능한 요소에 대한 최적의 설정을 식별하여 비용을 최소화하면서 제품의 품질을 높게 유지하는 것이었습니다. 우리는 구조 방정식 모델링(SEM)을 사용하여 수많은 프로세스 변수 사이의 다변량 연관성의 복잡성을 포착하는 다변량 시계열 모델을 맞추었습니다. 그런 다음 SEM의 모델 내재 공분산 행렬을 사용하여 제어 가능한 요인에 대한 최적 설정을 추정할 수 있는 예측 프로파일러를 만들었습니다. 결과는 도메인 전문가에 의해 그리고 열역학적 모델의 예측과 비교하여 검증되었습니다. 성공적인 검증 후 SEM 및 Profiler 결과는 화학 공장에서 테스트되어 긍정적인 결과를 얻었습니다. 최적화된 예측 설정은 품질과 비용 최적화를 위한 올바른 방향을 가리켰습니다. 우리는 공학보다는 사회 및 행동 과학에서 자주 사용되는 방법론을 사용하여 이러한 데이터를 모델링하는 데 따른 과제를 간략히 설명하면서 결론을 내립니다.
자동 생성된 성적표...
스피커 | 성적 증명서 |
| 안녕하세요, 저는 Chris Gotwalt입니다. |
| 오늘은 내가 될거야 |
| 마르쿠스 샤프호이틀레(Markus Schafheutle)와 함께 발표 |
| 그리고 로라 카스트로스칠로 |
| 산업적 응용에 대해 |
| 구조 방정식 모델 또는 |
| SEM. 이 강연에서는 다음 중 하나를 보여줍니다. |
| 내가 가장 좋아하는 것 |
| JMP를 사용한 작업입니다. JMP에서 |
| 통계적 발전, 우리는 |
| 무엇인지에 대한 조감도 |
| 데이터 분석에서 일어나는 일 |
| 다양한 분야에 걸쳐 |
| 우리에게 건너갈 기회가 있어 |
| 전반에 걸쳐 모범 사례를 강화합니다. |
| 학문. |
| JMP Pro 15에서는 새로운 기능을 추가했습니다. |
| 구조 방정식 모델링 |
| 플랫폼. 이것이 지배적이다 |
| 데이터 분석 프레임워크 |
| 사회과학이 많기 때문에 |
| 복잡한 모델을 유연하게 모델링합니다. |
| 다변수의 관계 |
| 설정. 핵심 중 하나 |
| 특징은 변수가 |
| 회귀변수와 회귀변수로 모두 사용됩니다. |
| 응답과 동시에 |
| 같은 모델의 일부입니다. |
| 게다가 나한테 이런 일이 생겼다. |
| 이 복잡한 것들로 인해 |
| 그들이 대표하는 모델 |
| 적어도 |
| 표면, 다이어그램처럼 보임 |
| 제조업을 대표하는 |
| 프로세스. 나만 그런 게 아니었어 |
| 이 연결을 만들기 위해. 마커스, |
| 누가 같이 일하고 있었어? |
| 화학회사는 그렇게 생각했다. |
| 같은 것. 그는 다음 작업을 하고 있었습니다. |
| 화학회사 문제 |
| 2열 트윈으로 |
| 증류 제조 |
| 그들이 원했던 프로세스 |
| 에너지 비용을 최소화 |
| 주로 증기로 갈 것입니다 |
| 생산, 아직도 만드는 동안 |
| 안에 머물렀던 제품 |
| 사양. 그는 손을 내밀었다 |
| 그의 JMP 영업 엔지니어, |
| 당시 연결되었던 Martin Demel |
| 마커스가 로라와 나에게 |
| 우리는 일련의 회의를 가졌습니다. |
| 그가 보여주고 설명했던 곳 |
| 데이터, 문제, 그리고 |
| 회사의 목표. 우리는 |
| 데이터를 모델링할 수 있다 |
| 눈에 띄게 잘. 우리 모델은 |
| 결과를 공유하여 검증 |
| JMP와 통신한 대로 |
| 회사 프로파일러 |
| 내부 전문가와 함께 |
| 첫 번째 원리 시뮬레이터 |
| 그런 다음 새로운 물리적 데이터로 |
| 공장에서. 이것은 분명했다 |
| 데이터 과학으로 성공하다 |
| 프로젝트. 그러나 나는 |
| 주의사항을 추가합니다. 성공 |
| 의 공동 노력이 필요했다 |
| 최고의 전문가인 로라 |
| 구조 방정식에서 |
| 모델링. JMP에 합류하기 전, |
| 그녀는 정량학 교수였어 |
| 대학의 심리학 |
| 노스캐롤라이나, 채플힐, 1개 |
| 상위 부서 중 |
| 우리를. 그녀는 또한 |
| JMP Pro의 SEM 플랫폼. |
| 이번 운동은 힘들었다 |
| 그녀를 위해서라도. 그녀는 글을 써야 했어요 |
| 자체적으로 작성한 JSL 프로그램 |
| 다음을 지정한 JSL 프로그램 |
| 예를 들어 이 모델. |
| 우리가 적합한 모델은 아마도 |
| 가장 크고 가장 |
| 모든 것의 정교한 SEM 모델 |
| 시간. 나는 부르고 싶다 |
| 정말 뛰어나고 |
| 획기적인 작품 |
| Laura는 SEM 작업을 모두 완료했습니다. |
| 플랫폼은 일반적으로 그리고 이 |
| 특히 사례 연구. 지금 |
| 나는 그것을 에게 넘겨줄 것이다. |
| 줄 사람 마커스 |
| 문제의 배경 |
| 고객이 문제를 해결하고 싶어 했다면 |
| 로라가 얘기할 거예요 |
| SEM과 그녀의 모델 |
| 문제. 브리핑을 할게요 |
| 우리가 어떻게 설정하는지에 대한 논의 |
| 프로파일러를 사용하면 Markus가 |
| 마무리하고 이것저것 얘기해봐 |
| 프로젝트에서 얻은 교훈과 |
| 고객이 하는 행동 |
| 우리의 결과를 바탕으로 취했습니다. |
| 고마워요, 크리스 |
| 소개. |
| 문제를 시작하기 전에, |
| 나는 당신을 친숙하게 만들고 싶습니다. |
| 증류의 원리. |
| 증류는 다음과 같은 과정입니다. |
| 액체 혼합물을 분리하다 |
| 대부분의 시간을 보내고 헤어진다 |
| 그들을 각자의 개인으로 |
| 구성 요소. 그럼 이건 어떻게 되는 걸까요? |
| 일하다? 여기 개략도가 보입니다. |
| 실험실 증류의 모습 |
| 장비. 보시다시피 여기 |
| 조 혼합물이 들어있는 플라스크, |
| 분리되어야 하는 것은 |
| 내부에. 여기를 데워주세요 |
| 이 경우에는 오일 배스를 사용하여 |
| 그리고 저어주면 시작됩니다 |
| 비등. 그래서 가장 낮은 끓는점 |
| 재료가 먼저 시작되고 그 다음에는 |
| 수증기가 여기까지 올라와서 멈춘다 |
| 여기 도달할 온도계 |
| 끓는 온도, 그 다음 |
| 더 나아가 이 쿨러에 들어갑니다 |
| 여기서 응축되고 |
| 그러면 응축수가 여기로 떨어집니다. |
| 다른 작은 플라스크에 넣습니다. |
| 그래서 내가 말했듯이, 그것은 만들어졌습니다. |
| ...로부터 혼합물을 분리하기 위해 |
| 다른 액체의 |
| 끓는점, 그리고 그것은 |
| 끓는점으로 구분됩니다. |
| 예를 들어 다들 아시죠? |
| 아마도 당신이 만들고 싶다면 |
| 매쉬에서 나온 슈냅스, 넌 그냥 |
| 안에 매시를 만들어요 |
| 플라스크를 가열한 다음 |
| 여기서 술을 증류해 |
| 그리고 슈냅스를 사세요. |
| 겉보기에는 매우 단순해 보이기 때문에 |
| 여기 연구실에서 |
| 업계는 좀 더 |
| 복잡한. 왜냐하면 |
| 장비가 없다고 하세요 |
| 더 크지만 더 많은 |
| 복잡하고 주로 |
| 엔지니어링 부분의 |
| 이야기의. |
| 그래서 이번 연구에서는 |
| 증류가 이루어지지 않았습니다 |
| 이전에 본 것처럼 일괄적으로 |
| 그러나 지속적으로. 이것 |
| 조 혼합물이 다음과 같다는 것을 의미합니다. |
| 중간 어딘가에 펌핑 |
| 열과 낮은 |
| 끓는 물질이 위로 올라간다. |
| 증기가 기둥 꼭대기까지 |
| 그리고 거기에서 그것은 기둥을 떠납니다 |
| 그리고 다른 하나는 더 높은 끓는점 |
| 물질은 아래로 흐르고 |
| 열을 맨 아래에 둡니다. |
| 그리고 좀 더 맛있게 하려면 |
| 복잡합니다. 우리의 경우에는 |
| 그런 다음 하단 스트림이 펌핑됩니다. |
| 두 번째 열에 |
| 다시 증류하여 |
| 다른 재료를 분리하다 |
| 메인에서..에서... |
| 남은 것부터. 그래서 |
| 사실 우리는 헤어졌어 |
| 원래의 원유 혼합물을 |
| 세 부분 | 증류물 1, |
| 증류수 2와 무엇입니까? |
| 왼쪽, 그 다음 아래쪽 스트림 |
| 두 번째는 아직입니다. |
| 그리고 그것을 더욱 좋게 만들기 위해 |
| 단지, 우리는 그 열을 이용했습니다. |
| 두 번째 컬럼의 증류물 |
| 첫 번째 기둥을 가열하려면 |
| 이를 위해 에너지를 절약하기 위해서입니다. |
| 그래서 개략적으로 보면, |
| 이것은 이렇게 보입니다. |
| 여기에 Still 1과 |
| Still 2가 있어요. 그리고 여기서 우리는 |
| 원료 혼합을 가지고 있습니다. |
| 실제로는 조립이다 |
| 에서 증류 |
| 제조와 우리가 원하는 것 |
| 해야 할 일은 값을 분리하는 것입니다 |
| 나머지 재료. 그래서 우리는 |
| 이 원유 혼합물을 펌프로 펌핑했습니다. |
| 첫 스틸. 내가 어디선가 말했듯이 |
| 중간에 분리가 되네요 |
| 낮은 끓는점, 즉 |
| 우리가 원하는 첫 번째 가치 소재 |
| 가지고 있고 나머지는 떠난다. |
| 처음에는 여전히 바닥에 있습니다. 그 다음에 |
| 바로 여기에 저장되어 있어요 |
| 탱크 그리고 여기서부터 |
| 두 번째로 다시 펌핑 |
| 아직도, 또 어딘가에 |
| 중간, 그리고 그것은로 분리됩니다 |
| 두 번째 가치 소재와 |
| 그 당시에는 어웨이 스트림이었습니다. |
| 재입금. 물건을 데우기 위해, |
| 우리는 이쪽에서 시작합니다 왜냐하면 |
| 이게 끓는점이 더 높아요 |
| 재료가 있으므로 더 높은 수준이 필요합니다. |
| 온도와 이는 또한 |
| 더 많은 에너지. 그래서 우리는 펌프질을 합니다. |
| 여기서 증기를 쐬고, 여기를 가열하고, |
| 그리고 여기서 떠나는 재료들 |
| 윗부분의 온도는 |
| 이 물질을 끓이는 것, 그래서 |
| 우리는 남은 열을 이용해서 |
| 첫 번째 증류기를 가열하세요. 그리고 만약에 |
| 사이에 약간의 틈이 있어 |
| 여기서 무슨 일이 일어나고 있는지 |
| 우리에게 필요한 것 |
| 여기서 처음으로 증류 |
| 그래도 조금 더 추가할 수 있어요 |
| 보관할 여분의 증기 |
| 모든 것이 실행 중입니다. |
| 그럼 이건 아주 높은 수준이군요 |
| 사물의 관점, 그리고 만약 당신이 |
| 좀 더 안으로 들어가고 싶어 |
| 자세한 내용은 다음과 같습니다. |
| 같은 그림. 하지만 여기서 보여드리죠 |
| 당신은 다양한 태그를 갖고 있어요 |
| 우리는 여기에 모든 것을 위해 가지고 있습니다 |
| 판독 및 품질 관리 및 |
| 온도 조절 등등 |
| 기타 등등. 그래서 당신이 보는 것은 |
| 여기? 우리는 여기서 시작합니다. 첫 번째 피드는 |
| 첫 번째 스틸에 들어갑니다. |
| 그런 다음 상단으로 분리됩니다. |
| 우리가 제어하는 스트림 |
| 밀도, 즉 품질 |
| 특성. 그리고 |
| 바닥 스트림, 하단 스트림 |
| 이 중간 탱크로 들어갑니다. |
| 그러면 여기서부터 장착이 완료됩니다 |
| 다시 두 번째 스틸로 들어가고 |
| 또한 여기에서 분리되었습니다. |
| 상단 스트림에 대한 하단 스트림. |
| 그리고 다시 여기서 테스트 중입니다. |
| 품질 관리를 위한 밀도. |
| 여기에도 증기를 추가합니다. |
| 이 모든 것을 가열하고 |
| 상단 흐름은 열을 통해 전달됩니다. |
| 첫 번째 증류기로의 교환기 |
| 그리고 다시 가열하세요. 그리고 여기 |
| 우리는 추가할 가능성이 있습니다 |
| 여분의 증기가 필요합니다 |
| 여기에서는 모든 것이 균형을 이루고 있습니다. |
| 그래서 우리가 보는 것은 로컬에 있습니다 |
| 기본적으로 너는 많이 가지고 있어 |
| 상관 관계가 완료되었습니다. |
| 여기에 색상 코드가 있습니다. |
| 화살표. 예를 들어 피드 |
| 여기 피드와 함께 |
| 밀도는 다음과 같은 측정값입니다. |
| 여기의 구성은 |
| 밥을 먹이다. 그래서 이 둘과 함께 |
| 최상위 스트림을 정의하고 있으며 |
| 여기 품질, 그리고 그거 |
| 하단 스트림은 다소간입니다. 그래서 당신은 |
| 지역 예측이 있습니다. 또한 |
| 여기 재료가 들어가요 |
| 여기와 여기에서는 물건을 정의합니다. |
| 여기. 하지만 갖고 싶다면 |
| 전체에 대한 전체적인 설명 |
| 장비를 사용하면 까다로워집니다 |
| 왜냐하면 당신은 지역 최소 제곱을 할 수 있기 때문입니다 |
| 여기에 상관관계가 있습니다. 할 수 있어요 |
| 여기. 따로 하셔도 됩니다 |
| 증기를 위해 또는 여기에서도. 하지만 |
| 보시다시피 이제 시작이군요 |
| 대량의 흐름이 여기로 오고 가고 |
| 첫 번째 스틸을 통해, |
| 두 번째는 여기까지입니다. |
| 시작되는 에너지 흐름 |
| 어느 정도 여기를 통과하고 있습니다. |
| 여기서도 열교환기를 통해 |
| 여기 아래. 그래서 그것은 일종의 |
| 여기에 있는 회로와 |
| 이 모든 것들은 서로 연관되어 있어 |
| 어느 정도 종류 |
| 회로의 그리고 이것은 제공합니다 |
| 우리가 겪는 어려움 |
| 사실 Xs가 뭔지 몰랐어요 |
| 그리고 Y는 그랬다. |
| 그리고 그것이 바로 우리가 |
| 다른 생각을 하기 시작했다 |
| 이것을 모델링할 가능성이 있습니다. |
| 그래서 이번 연구의 목표는 |
| 최적의 흐름을 찾고 |
| 이 모든 것에 대한 Steam 설정 |
| 다양한 유입 요인 |
| 여기에서, 그리고 우리가 하는 방식으로 |
| 모든 것을 머물 수 있다 |
| 사양에서. 그래서 증류액은 |
| 품질은 사양에 따라야 하지만 |
| 또한 내부 운영 |
| 사양 및 사양 |
| 최종 폐기물 흐름. |
| 그리고 가장 흥미로운 부분은, |
| 적어도 돈은 |
| 현명하게도 우리는 최소화하고 싶습니다 |
| 소비 |
| 속도...미안해요, 증기 때문에요. |
| 그래서 우리에게 실제로 필요한 것은 |
| 우선 좋은 모델이었어. |
| 이것 저것 설명하는 것 |
| 로라가 온 지점이었어 |
| 여기 게임에 참여하여 개발했습니다. |
| 이 구조 방정식 모델. |
| 그리고 우리는 또한 그런 종류의 것이 필요합니다 |
| 프로파일러를 사용하면 다음을 수행할 수 있습니다. |
| 무엇이 최고인지 알아내세요 |
| 설정, 최적의 설정 |
| 이 모든 들어오는 것에 대해 |
| 우리가 가질 수 있는 변형 |
| 모든 것 안에 머물기 위해 여기에 |
| 이 스펙. 그리고 그게 바로 |
| 크리스가 들어온 지점, |
| Laura의 모델을 기반으로 제작, |
| 우리가 사용할 수 있는 프로파일러 |
| 우리가 모든 예측을 하고 있어 |
| 필요. 그럼 이제 합격하고 싶다 |
| Laura에게 가서 설명을 해주세요. |
| 그녀가 이것으로 만든 모델 |
| 여기에 데이터가 있습니다. 로라, 제발요. |
| 고마워요, 마커스. 저는 로라예요 |
| 카스트로-스칠로와 나는 간다 |
| 단계를 알려드리려고 |
| 우리는 모델을 따라갔습니다. |
| 을 이용한 증류과정 |
| 구조 방정식 |
| 모델 플랫폼. |
| 그래서 마커스가 처음 왔을 때 |
| 그의 프로젝트에 대해 우리에게 이야기했고 |
| 구체적으로 세 가지가 있었다 |
| 나를 깨닫게 해준 기능 |
| SEM이 좋은 도구가 될 거라고 |
| 그를 위해. 첫 번째는 |
| 아주 구체적인 일이 있었어요 |
| 프로세스가 어떻게 진행되는지에 대한 이론 |
| 서로 영향을 미치고 우리는 보았습니다. |
| 도표에서 그는 |
| 보여 주었다. |
| 그 중 중요한 특징은 |
| 다이어그램은 모든 변수가 |
| 이중 역할을 맡았습니다. 다시 말해서, |
| 화살표가 가리키는 것을 볼 수 있습니다 |
| 다이어그램의 노드이지만 |
| 해당 노드는 다른 노드도 가리킵니다. |
| 변수가 없었기 때문에 |
| 무엇과의 명확한 구별 |
| 입력이었고 무엇이었나요? |
| 산출. 오히려 변수가 있었다. |
| 그 두 역할 모두요. |
| 마지막으로 중요한 것은 |
| 우리가 거래하고 있다는 걸 알아차려 |
| 다음과 같은 프로세스로 |
| 반복적으로 측정합니다. 다른 곳에서는 |
| 즉, 시계열 데이터가 있었습니다. |
| 그래서 이 모든 기능은 |
| SEM이 |
| 마커스에게 좋은 도구가 되어주세요. 지금, |
| SEM에 익숙하지 않다면 |
| 이유가 궁금할 수도 있습니다. SEM은 매우 |
| 다음을 제공하는 일반적인 프레임워크 |
| 거래에 대한 많은 유연성 |
| 이러한 유형의 문제로. |
| 저는 이 슬라이드에 다음을 나열했습니다. |
| 다양한 기능의 수 |
| 이는 SEM을 좋은 도구로 만들어 주지만 |
| 우리는 할 수 없을 테니까 |
| 이 모든 일을 겪기 위해 나는 |
| 또한 |
| SEM에 대해 자세히 알아보세요. |
| 관심이 있다면. 지금 나는 |
| 두 가지에 집중할 예정 |
| 여기에 포인트가 있어요. 첫번째 |
| SEM을 통해 테스트할 수 있다는 것입니다. |
| 다변수 이론 |
| 변수 간의 관계, |
| Markus가 바로 그 사람이었습니다. |
| 하고 싶었어요. |
| 또한 매우 유용한 기능도 있습니다. |
| 경로라고 불리는 SEM의 도구 |
| 다이어그램. 이 다이어그램은 |
| 매우 직관적이고 그들은 |
| 통계 모델을 표현하다 |
| 우리가 딱 맞는 것 같아요. |
| 그럼 그 점에 대해 이야기해 볼까요? |
| 조금만 더. 여기에 예가 있습니다. |
| 우리가 할 수 있는 경로 다이어그램의 |
| SEM 플랫폼을 활용해 |
| 단순한 선형을 표현하다 |
| 회귀이며 다이어그램은 다음과 같습니다. |
| 매우 구체적으로 그려졌다 |
| 특징. 예를 들어, 우리는 |
| 직사각형을 사용하여 표현 |
| 우리가 가지고 있는 변수 |
| 정확히 잰. 여기는 X와 Y입니다. 우리 |
| 한쪽 방향 화살표도 있습니다 |
| 회귀효과를 나타냅니다. 그리고 |
| 양방향 화살표를 주목하세요 |
| 시작과 끝이 똑같아 |
| 변수는 분산을 나타냅니다. |
| 이제 이것이 시작되고 |
| 다른 변수로 끝나거나 |
| 그 양방향 화살표는 |
| 그런 다음 공분산을 나타냅니다. ~ 안에 |
| 이 경우에는 |
| X의 분산과 잔차 |
| 부분인 Y의 분산 |
| 그건 설명이 안 돼. |
| X를 예측합니다. |
| 이것이 경로 다이어그램입니다. |
| 간단한 표현 |
| 선형 회귀. 하지만 물론 |
| 우리는 또한 |
| 표현되는 방정식 |
| 그 다이어그램으로. 그리고 알아두세요 |
| Y에 대해 이 방정식은 다음과 같습니다. |
| 단순히 선형 회귀입니다. 그리고 |
| 여기서는 수단과 방법을 생략했습니다. |
| 단순함을 위해 가로채는 것뿐입니다. |
| 다음 사항에 유의하는 것이 중요합니다. |
| 의 모든 매개변수 |
| 방정식은 |
| 경로로 표현 |
| 다이어그램, 그래서 이 다이어그램은 |
| 정말로 전달한다 |
| 정확한 통계 모델 |
| 우리가 딱 맞는 것 같아요. |
| 이제 SEM에서는 다이어그램이나 |
| 우리가 지정하는 모델은 |
| 매우 구체적인 공분산 |
| 구조. 이것이 |
| 공분산 구조 |
| 간단하게 생각해보면 |
| 선형 회귀 모델. 그래서 당신은 |
| 엡실론 X가 있는 것을 볼 수 있습니다. |
| X의 분산. 우리는 또한 |
| Y의 분산은 다음과 같습니다. |
| 두 가지 분산의 함수 |
| X 및 잔차 분산 |
| Y, 그리고 우리는 또한 |
| 공분산에 대한 표현 |
| X와 Y. 그리고 일반적으로 말하면, |
| 모델 적합성을 평가하는 방식 |
| SEM에서는 모델을 비교하는 것입니다. |
| 묵시적 공분산 구조 |
| 실제 관찰된 샘플 |
| 데이터의 공분산, 그리고 만약 |
| 이 둘은 꽤 가깝다 |
| 그러면 우리는 이렇게 말할 것입니다. |
| 모델이 너무 잘 맞는 것 같아요. |
| 그래서 다양한 모델이 |
| SEM에 적합할 수 있습니다. |
| 그리고 오늘 우리의 초점은 |
| 구체적으로 있을 예정 |
| 시계열 모델에 대해. |
| 시계열에 관해 이야기할 때, |
| 우리는 구체적으로 이야기하고 있습니다 |
| 거기에 데이터 모음 |
| 이전 데이터에 대한 의존성 |
| 포인트이며 이 데이터는 |
| 일반적으로 균등하게 수집됩니다. |
| 간격을 둔 시간 간격. |
| 그리고 그 시계열 방식은 |
| 분석은 다음을 다룬다. |
| 데이터의 종속성은 다음과 같습니다. |
| 과거로 회귀합니다. 그래서 하나 |
| 이러한 모델의 유형을 호출합니다. |
| 자기회귀 과정 또는 |
| ARP. 그리고 여기서 볼 수 있듯이, |
| Y는 다음과 같은 프로세스를 나타냅니다. |
| 시간 T에서 측정된 자동 |
| 회귀 모델은 다음으로 구성됩니다. |
| 해당 프로세스를 회귀 |
| 그에 대한 이전 관찰 |
| T에서 P까지 시간을 처리합니다. |
| 그러니까 우리가 얘기를 해보자면 |
| 구체적으로 ~에 대해 |
| 자기회귀적 단일 프로세스, |
| 그러면 우리는 |
| 프로세스 YT가 회귀되었습니다. |
| YT를 지나 바로 인접한 |
| 마이너스 1. |
| 그리고 우리가 할 방식은 |
| SEM에서 이를 구현하는 것은 간단합니다. |
| 이전에 본 것처럼 지정함으로써 |
| YT 마이너스에 대한 YT 회귀 |
| 하나. 여기서 주의할 점은 |
| 회귀 방정식은 매우 |
| 우리가 본 것과 비슷해요 |
| 이전 슬라이드 등 |
| 그것은 놀라운 일이 아니다 |
| 경로 다이어그램은 동일해 보입니다. |
| 그리고 이 AR을 확장할 수 있습니다(1) |
| 두 개를 포함하는 모델로 |
| 지연, 즉, |
| 2차 자기회귀입니다. 그리고 |
| 여기에 프로세스가 있습니다. |
| 회귀 중인 YT |
| T - 1 및 T - 2 둘 다. |
| 그리고 경로를 살펴보면 |
| 그것을 나타내는 다이어그램 |
| 모델, 우리는 |
| 에 대한 명시적인 표현 |
| 현재로서는 처리하고 있지만 |
| 또한 시차 1과 시차 2에서도 마찬가지입니다. |
| 이것의 매우 구체적인 측면 |
| 다이어그램은 |
| 인접한 시점은 다음과 같이 설정됩니다. |
| 서로 동등하고 이것은 |
| 의 중요한 부분이다 |
| 우리가 할 수 있는 사양 |
| 모델을 올바르게 지정하십시오. 그래서 |
| 여기서는 베타 1을 사용하고 있습니다. |
| 이 지연을 표현하기 위해 1 |
| 효과가 있고 우리도 그래야 합니다. |
| 동등 제약 조건 설정 |
| 잔차 분산. |
| 마지막으로 효과도 있어요 |
| YT에서 2를 뺀 것입니다. |
| YT를 예측하고 있습니다. |
| 지연 2 효과. |
| 이제 이 모델들은 모두 |
| 일변량 시계열 모델, |
| 그리고 당신은 |
| 구조 방정식 모델링 |
| JMP 플랫폼을 사용하거나 |
| 시계열도 사용 |
| 우리가 사용할 수 있는 플랫폼입니다. |
| 그런데 우리가 문제였던 것은 |
| Markus의 데이터 처리하기 |
| 더 많은 복잡성이 필요합니다. 그것 |
| 우리에게 살펴보라고 요구했습니다. |
| 다변량 시계열 모델 |
| 이러한 모델의 유형은 다음과 같습니다. |
| 벡터 자기회귀라고 함 |
| 모델. 그리고 내가 하고 싶은 것은 |
| 당신이 이 모델 중 하나라는 걸 보여주세요 |
| 주문 2번. |
| 그래서 우리는 X에 대한 프로세스를 가지고 있고 |
| Y에 대해 또 다른 하나, 그리고 동일 |
| 우리가 하는 자기회귀 효과 |
| 이전에 본 내용이 여기에 포함되어 있습니다. |
| 우리는 평등하다는 것을 주목하세요 |
| 제약 조건은 실제로 |
| 적절한 |
| 사양. 하지만 우리도 |
| 교차 지연 효과 |
| 프로세스가 어떻게 진행되는지 알려주세요. |
| 서로 영향을 미칩니다. 그리고 주목하세요 |
| 여기 감마 1과 감마 1 그리고 |
| 또한 감마 3, 감마 3, |
| 여기서 우리가 해야 할 일을 제안합니다 |
| 동등 제약을 가하다 |
| 그 지연 효과는 전체적으로 1입니다. |
| 프로세스. |
| 우리는 또한 |
| 프로세스 전반의 공분산 |
| 따라서 우리는 공분산을 가집니다. |
| 시간 T 빼기 2. 하지만 우리도 |
| 시간의 잔차 공분산 |
| T 빼기 1과 T 그리고 이것을 주목하세요 |
| 평등해야 해 |
| 적절한 제약 조건을 다시 갖습니다. |
| 사양. 그래서 나는 갈거야 |
| 이 영상에서 그 방법을 보여드리려고 |
| 우리는 이변량 시간에 맞을 것입니다 |
| 시리즈 모델과 마찬가지로 |
| 제가 JMP를 사용해 보여드린 것 중 하나는 |
| 찬성. 우리는 다음부터 시작하겠습니다 |
| 데이터를 조작하여 |
| SEM을 위한 준비가 되었습니다. 첫 번째, |
| 우리는 이 두 가지를 표준화합니다 |
| 프로세스가 있기 때문에 |
| 매우 다른 규모. |
| 그런 다음 지연 변수를 만듭니다. |
| 시간을 명시적으로 표현하기 위해 |
| 시간 T 이전의 지점. 그래서 우리는 |
| 가질 예정이다 |
| T 마이너스 1 및 T 마이너스 2. |
| SEM 플랫폼을 출시하고 |
| X를 입력하겠습니다. |
| 그런 다음 Y를 입력하면 |
| 모델을 지정하기가 더 쉽습니다. |
| 이제 영상 속도를 높였어요 |
| 빠르게 보실 수 있도록 |
| 모델이 어떻게 지정되는지. |
| 여기에 우리는 |
| 교차지연 효과 |
| 지연 1의 경우. |
| 그런 다음 직접 사용하여 |
| 다이어그램의 상호작용성, 우리는 |
| 지연 2 효과를 추가합니다. |
| 그리고 남은 것은 |
| 모든 평등을 지정 |
| 꼭 필요한 제약 |
| 이 모델의 경우 |
| 프로세스와 프로세스 전반에 걸쳐. |
| 우리는 모델의 이름을 지정합니다. |
| 그리고 마지막으로 우리는 |
| 실행할 예정입니다. |
| 보시다시피, 심지어 |
| 이변량 시계열 모델 |
| 두 가지 프로세스만 통합합니다. |
| 많은 평등이 필요합니다 |
| 제약 조건과 뉘앙스 |
| 그것을 만드는 사양 |
| 상대적으로 도전적입니다. 하지만, |
| 증류의 경우 |
| 프로세스 데이터에는 더 많은 정보가 있었습니다. |
| 두 가지 프로세스보다 우리는 |
| 실제로 26개 중 |
| 이러한 프로세스와 전체적으로 우리는 |
| 45,000정도 있었는데 |
| 측정한 내용 |
| 10분 간격으로. |
| 그래서 우리의 첫 번째 접근 방식은 |
| 일변량을 탐구하기 위해 |
| 시계열 모델을 사용하는 |
| JMP의 시계열 플랫폼. |
| 그리고 우리가 이 일을 했을 때, 우리는 |
| 대부분의 경우 그것을 깨달았습니다 |
| AR(1) 또는 AR(2)를 처리합니다. |
| 모델이 가장 잘 맞네요. |
| 정말 그걸 깨닫게 해줬어 |
| 최소한 우리는 필요했다 |
| 다변량 모델에 적합 |
| 다음 회사에 통합된 SEM |
| 적어도 두 번의 시차. |
| 우리도 숫자를 따라가야 했어 |
| 전처리 단계 |
| SEM에 데이터를 준비합니다. |
| 한편으로는 우리는 많은 것을 가지고 있었습니다. |
| 데이터가 누락되었음에도 불구하고 |
| SEM은 누락된 데이터만 처리할 수 있습니다. |
| 좋아, 다음과 같은 모델을 사용하면 |
| 이것만큼 복잡해졌죠 |
| 계산적으로 매우 매우 |
| 강한. 그래서 우리는 다음과 같이 결정했습니다. |
| 데이터의 하위 집합을 선택합니다. |
| 모든 항목에 대한 완전한 데이터를 가지고 있었습니다. |
| 프로세스를 통해 우리는 |
| 약 13,000개의 관측값. |
| 또한, 저희는 영상에서 보았듯이 |
| 규모 차이가 컸다 |
| 프로세스 전반에 걸쳐 |
| 모두 표준화하는 것입니다. 그리고 |
| 마지막으로 지연 변수를 만들었습니다. |
| 우리가 할 수 있는지 확인하기 위해 |
| SEM에서 모델을 지정합니다. |
| 이제 모델 사양에 대해 |
| 동등 제약조건 |
| 특히나 아주 아주 크다 |
| 시간이 걸리기 때문에 도전하세요. |
| 그것들을 지정하는 데 많은 시간이 걸립니다 |
| 수동으로 그렇게 될 것입니다. |
| 물론 지루하고 오류가 발생하기 쉽습니다. |
| 그래서 우리의 접근 방식은 |
| 이것은 JSL을 생성하는 것이었습니다 |
| 그런 다음 생성되는 스크립트 |
| 실행을 위한 또 다른 JSL 스크립트 |
| SEM 플랫폼. |
| 그리고 여기 보이는 것은 |
| 우리가 적합한 최종 모델 |
| 플랫폼을 사용하고 다행히도 이후에는 |
| 이 모델을 추정하면 |
| 공분산을 얻을 수 있다 |
| 에 의해 암시되는 구조 |
| 모델이었는데 그게 바로 그 작품이었어 |
| 전달할 수 있는 정보 |
| Chris Gotwalt에게 넘겨주세요. |
| 그런 다음 다음의 정보를 사용했습니다. |
| 그 행렬을 만들기 위해 |
| Markus가 사용할 수 있는 프로파일러 |
| 그의 목적을 위해. |
| 그럼 크리스, 우리한테 말해 보는 게 어때? |
| 그 프로파일러를 어떻게 만들었나요? |
| 고마워요, 로라. 이제 나는 간다 |
| 방법의 하이라이트를 보여주기 위해 |
| 모델을 맡을 수 있었어요 |
| 결과를 확인하고 이를 |
| 그 회사의 프로파일러 |
| 쉽게 작업할 수 있습니다. |
| 그래서 Laura는 자신의 모델을 |
| 표준화된 데이터를 보내왔고 |
| 동일한 모델이 포함된 테이블 |
| 가로채고 그녀도 포함했습니다 |
| 원래의 수단과 표준 |
| 이전에 사용되었던 편차 |
| 데이터를 표준화하세요. 에 |
| 그렇죠 우리에겐 시뮬레이션 모델이 있어요 |
| 묵시적 공분산 행렬 |
| 사이의 공분산을 포함합니다. |
| 현재의 가치와 |
| 즉각적인 값보다 지연된 값 |
| 과거. 이 정보에서는 다음을 설명합니다. |
| 모든 변수가 어떻게 관련되어 있는지 |
| 서로. 이 형식에서는 |
| 모델이 아직 준비가 안 됐지만 |
| 예측에 사용됩니다. 보다 |
| 특정 변수가 어떻게 변하는가 |
| 다른 사람들의 기능으로서 우리는 |
| 이 정보를 사용하기 위해 |
| 조건부 파생 |
| 응답의 분포 |
| 변수, 주어진 변수 |
| 우리가 입력으로 사용하고 싶은 것입니다. |
| 그래서 본질적으로 우리는 |
| 조건부 평균 |
| 입력에 따른 응답. 그래서 |
| 그렇게 하려면 구현해야 합니다. |
| 바로 이 공식이요. |
| 이를 위해 SWEEP을 사용합니다. |
| JSL의 연산자인 SWEEP |
| 연산자는 수학적 도구입니다 |
| SAS CEO와 |
| 공동 창립자 짐 굿나잇. 그것은 |
| 미국에서 출판되었습니다 |
| 1979년 통계학자. 스윕 |
| 운영자는 아마도 단일일 것이다. |
| 에 가장 중요한 기여 |
| 계산 통계 |
| 지난 100년. 대부분의 JMP 사용자 |
| SWEEP이라는 걸 몰라 |
| 연산자는 모든 단일에서 사용됩니다. |
| JMP 통계 플랫폼 |
| 여러 가지 방법으로. 우리는 그것을 매트릭스에 사용합니다 |
| 반전, 계산 |
| 제곱의 합은 다음과 같을 수도 있습니다. |
| 단순하고 우아한 것으로 활용 |
| 조건부 계산 방법 |
| 당신이 알고 있다면 배포판 |
| 올바르게 사용하는 방법. |
| 열이 있는 테이블을 만들었습니다. |
| 모든 변수에 대해. 둘 |
| 테이블의 행은 |
| 최소값과 최대값 |
| 원본 데이터를 통해 |
| 프로파일러는 설정 방법을 알고 있습니다. |
| 범위. 수식 열을 추가했습니다. |
| 다음을 사용하는 응답 변수에 대해 |
| 스윕 버전 |
| Laura의 분산 행렬 |
| 모델을 만들고 그 공식을 넣어보세요 |
| 여기 데이터 뒤쪽으로 |
| 테이블이나 맨 오른쪽. |
| 다음은 수식 중 하나입니다. |
| 처럼 보였다. 나는 |
| 분석 결과 |
| 행렬. Laura의 모델이 포함되어 있습니다. |
| 사이의 추정 공분산 |
| 지난 두 개의 현재 Y |
| 이전 값은 다음과 같기 때문입니다. |
| 큰 다변량 |
| 2차 자기회귀 모델. |
| 현재를 예측하는 방법 |
| 이전 두 개를 제어 |
| 입력 변수의 값 |
| 많이 번거로웠을 거야 |
| 운영화하다. 그래서 내가 만들었어요 |
| 단순화된 가정 |
| 이 두 값은 |
| 똑같은 일이 무너졌다. |
| 형태로 모델을 만들었습니다. |
| 사용하기 더 쉽습니다. 그러기 위해 나는 |
| 단순히 동일한 열을 사용하십시오 |
| 내가 연설할 때 라벨 |
| 지연 하나에, 그리고 |
| 용어에 대해 두 항목을 지연시킵니다. |
| 기계가 설치되어 있지 않은 상태에서, |
| 나는 |
| 응답 열 |
| 관심. 나는 설정했다 |
| 바람직함 함수 |
| 회사의 모습을 반영한 |
| 목표. 그래서 그들은 원했다 |
| 목표를 일치시키다 |
| A2TopTemp, A2BotTemp 최대화, |
| 등등, 결국에는 |
| 합계를 최소화하고 싶습니다. |
| 나온 증기 중 |
| 두 열 중. |
| 그래서 당신은 특정을 잠글 수 있습니다 |
| 프로파일러의 변수 |
| 통증을 클릭하는 것을 제어합니다. 그만큼 |
| 잠금 변수에는 |
| 단색 빨간색을 통해 그려진 값 |
| 줄을 선 다음 완료한 후 |
| 값을 입력할 수 있는 |
| 그리고 우리가 실행할 때 |
| 최적화 또는 최대화 |
| 바람직함, 잠겨 있음 |
| 변수는 고정된 상태로 유지됩니다. |
| 이런 식으로 우리는 |
| 우리가 통제할 수 있는 변수 |
| 제품이 계속 만들어지도록 하는 것 |
| 사양에 맞춰 |
| 에너지 비용을 최소화합니다. |
| 그럴 것이라고 말하는 것이 타당하다. |
| 다른 사람이 하기 어려울 정도로 |
| Laura의 모델링 접근 방식을 반복합니다. |
| 새로운 문제에 대해 |
| 다른 사람을 힘들게 하다 |
| 저처럼 프로파일러를 설정하려면 |
| 여기. 많은 사람들이 이 글을 본다면 |
| 프레젠테이션을 추가하고 싶습니다. |
| 이런 것을 만드는 플랫폼 |
| 앞으로는 분석이 더 쉬워질 것입니다. |
| 우리에게 알려주셔야 해요 |
| 기술팀에 연락 |
| support@JMP.com을 통해 지원하세요. |
| 이제 돌려줄게 |
| Markus에게 가서 얘기할 사람 |
| 고객이 무엇을 했는지에 대해 |
| 모델과 우리의 결론. |
| 고마워요, 크리스. |
| 따라서 예측 프로파일러를 사용하면 |
| Chris가 방금 발표한 내용은 |
| 그걸 사용해서, 예를 들어, |
| 예측 가능한 풍경 |
| 우리가 어떻게 이해하게 되는지 |
| 가장 좋은 설정은 다음과 같습니다. |
| 모든 것을 이루기 위해 |
| 필요한 품질 사양. 그래서 |
| 세 가지 요소는 무엇입니까? |
| 예를 들어, |
| 우리의 영향력은 제한적이며, |
| 그리고 그게 뭐야? |
| Still 1에 대한 피드와 |
| Still 2에 대한 피드와 |
| 품질이나 구성 |
| 피드를 하나로 통합합니다. |
| 그리고 우리가 밝혀낸 것은 |
| 그들의 모델도 마찬가지입니다. |
| 냉각수 온도는 |
| 중요한 역할을 하기도 함 |
| 이 시나리오에서는. 다른 모든 것 |
| 변수는 덜 중요하다 |
| 그래서 우리는 그들을 무시했습니다. |
| 이 첫 번째 접근 방식. |
| 여기 풍경이 보입니다. |
| 일종의 변수죠 |
| 차트를 말하자면, 우리는 |
| 여기에 대한 공급 밀도는 다음과 같습니다. |
| Still 1, Still 1에 대한 피드 |
| Still 2에 대한 피드 |
| 그리고 가능한 모든 조합, |
| 다소간. 그리고 여기서 보시죠 |
| 예상되는 설정 |
| 머물기 위해 최고가 되려고 |
| 사양 내에서. 그리고 |
| 여기 내가 가지고 있는 것 중 일부가 있어요 |
| 사양도 마찬가지이므로 |
| 그 안에 머물러야 합니다. |
| 예를 들면 다음과 같습니다. |
| Still 2의 증기 흐름, |
| 거기에서 환류하면 보일러가 올라가고 |
| 같은 것들은 |
| 아직 1. 그리고 여기 오른쪽에는 |
| 쪽, 보시다시피 |
| 결과가 예측되므로 |
| 말하자면 품질 사양입니다. 그래서 |
| 상단 흐름의 온도 |
| 여전히 1 그 밀도 |
| 증류액의 밀도 |
| 스틸 2의 증류액, |
| 등등. 그래서 뭐 |
| 보시다시피 여기 있습니다. |
| 여기서 바람직함을 보세요. |
| 여기 맨 아래 줄이요. |
| 넓은 지역이 있어요 |
| 우리는 정말 좋은 결과를 얻을 수 없습니다 |
| 우리 시스템의 성능. 그리고 만약에 |
| 자세한 내용을 살펴보세요 |
| 알다시피, 여기 우리는 사양을 벗어났습니다. |
| 여기 우리는 사양을 벗어났어, 여기에서는 |
| 일부 점, 우리는 사양을 벗어났습니다. |
| 기타 등등. 하지만 또 무엇을 보는가 |
| 이게 사양/비사양에 관한 것인가요? |
| 또한 다음에 의해서만 관리되는 것이 아닙니다. |
| 이 세 가지 구성 요소가 아래로 |
| 여기뿐 아니라 강가에도 있어요 |
| 온도, 그리고 현재로서는 |
| 가장 낮게 강조 표시되어 있어요 |
| 강 온도; 1이야 |
| 도. 여기 보이는 것이 |
| 그것으로 우리는 대부분의 시간을 머물고 있습니다 |
| 사양에 시간이 있지만 |
| 드물다 |
| 이 세 가지의 조합 |
| 우리가 아닌 요인. 하지만 만약 |
| 우리는 강을 늘리고 있습니다 |
| 온도(예: 24) |
| 정도, 그 다음에는 우리가 |
| 사양을 벗어났어...너무 많아졌어 |
| 더 지배적입니다. 또한 여기에 있습니다. |
| 이 안에 머물기가 매우 어렵습니다 |
| 명세서. 그래서 우리는 무엇을 |
| 모델에게서 배운 |
| 우리가 머무르는 데 문제가 있다는 것입니다 |
| 우리 사양에서는 |
| 강 온도가 7도 이상이에요 |
| ℃ 그럼 그럼 그 다음은 |
| 질문은 왜냐는 것이었습니다. |
| 저것? 그리고 엔지니어들은 |
| 종종...의심되는 건 |
| 이게 바로 이것 때문이었어 |
| 냉각 용량 |
| 냉각수. 하지만 우리가 가기 전에 |
| 실제 재판에 우리는 |
| 우리의 SEM 모델을 |
| 열역학 모델 기반 |
| Chem CAD에서. |
| 그리고 그것이 지적한 것은 |
| 두 모델 모두 그렇다는 것 |
| 같은 것을 가리키며 |
| 방향이 있어서 없었어요 |
| 실제 불일치 없음 |
| 둘 사이. |
| 좋아, 이로 인해 우리는 |
| 낙관적인 기분으로 우리는 그렇게 했습니다 |
| 몇 가지 실제 시련 |
| 그리고 최고로 |
| 설정을 말씀드리자면, |
| 예상을 승인했다 |
| 모델에게서 나온 것들. |
| 그래서 내가 말했듯이 밝혀졌습니다 |
| 벌써 엔지니어가 그게 뭐야? |
| 냉각이 의심됨 |
| 쿨러 용량이 안맞네요 |
| 충분한. 그래서 당신이 가지고 있을 때 |
| 강의 수온이 높을수록 |
| 그렇다면 열 전달도 너무 |
| 작아서 장비도... |
| 장비가 실제로 작동하지 않습니다 |
| 더 이상. 그럼 이제 다음 단계는 |
| 이 데이터를 사용하려면 |
| 다른 사람을 정당화하기 위해 여기서 공부하십시오. |
| 구축하는 투자 |
| 여기 쿨러가 더 좋아 |
| 열교환 용량. |
| Laura와 Chris 덕분에 우리는 |
| 여기에 투자를 설정할 수 있습니다. |
| 그렇게 궁금한 점이 있으면 |
| 지금 편하게 물어보세요. |
| 감사합니다. |
