Vocero | Transcripción |
| Hola, soy Chris Gotwalt y |
| hoy voy a ser |
| presentando con Markus Schafheutle |
| y Laura Castro-Schilo |
| en una aplicación industrial de |
| modelos de ecuaciones estructurales, o |
| SEM. Esta charla muestra uno de |
| las cosas de las que más disfruto |
| mi trabajo con JMP. En JMP |
| desarrollo estadístico, tenemos un |
| vista de pájaro de lo que es |
| sucediendo en el análisis de datos |
| en muchos campos, lo que da |
| nosotros la oportunidad de cruzar |
| fertilizar las mejores prácticas en |
| disciplinas. |
| En JMP Pro 15, agregamos un nuevo |
| modelado de ecuaciones estructurales |
| plataforma. Este es el dominante |
| marco analítico de datos en un |
| muchas ciencias sociales porque |
| Modela de manera flexible el complejo |
| relaciones en multivariante |
| ajustes. Una de las claves |
| características es que las variables pueden |
| ser utilizados como regresores y |
| respuestas al mismo tiempo que un |
| parte del mismo modelo. |
| Además, se me ocurrió |
| que con estos complicados |
| modelos con los que se representan |
| diagramas que, al menos en el |
| superficie, parecen diagramas |
| representando la manufactura |
| Procesos. Yo no era el unico |
| para hacer esta conexión. Markus, |
| quien estaba trabajando con un |
| empresa química, pensó el |
| la misma cosa. Estaba trabajando en un |
| problema con una empresa química |
| con un gemelo de dos columnas |
| fabricación de destilación |
| proceso donde querían |
| minimizar los costos de energía que fueron |
| en gran parte va a vapor |
| producción, mientras sigue haciendo |
| producto que se quedó dentro |
| especificación. Se acercó a |
| su ingeniero de ventas de JMP, |
| Martin Demel, quien luego conectó |
| Markus a Laura y a mí. |
| Tuvimos una serie de reuniones |
| donde mostró y describió |
| los datos, el problema y el |
| objetivos de la empresa. Éramos |
| capaz de modelar los datos |
| notablemente bien. Nuestro modelo fue |
| validado compartiendo los resultados |
| como se comunicó con el JMP |
| perfilador de la empresa |
| expertos internos y luego con |
| el primer simulador de principios |
| y luego con nuevos datos físicos |
| de la planta. Este fue un claro |
| éxito como ciencia de datos |
| proyecto. Sin embargo, me gustaria |
| para agregar una advertencia. El éxito |
| requirió el esfuerzo conjunto de |
| Laura, que es una experta de primer nivel |
| en ecuaciones estructurales |
| modelado. Antes de unirse a JMP, |
| ella era profesora en cuantitativo |
| psicología en la Universidad de |
| Carolina del Norte, Chapel Hill, uno |
| de los mejores departamentos del |
| NOSOTROS. Ella también es la inventora de |
| la plataforma SEM en JMP Pro. |
| Este ejercicio fue desafiante |
| incluso para ella. Ella tuvo que escribir un |
| Programa JSL que él mismo escribió |
| un programa JSL que especificaba |
| este modelo, por ejemplo. |
| El modelo que encajamos fue quizás |
| el mas grande y mas |
| sofisticado modelo SEM de todos |
| hora. Quiero gritar el |
| verdaderamente sobresaliente y |
| trabajo innovador que |
| Laura ha hecho ambas cosas con el SEM |
| plataforma en general y en este |
| estudio de caso en particular. Ahora |
| Voy a entregárselo a |
| Markus, quien va a dar |
| trasfondo del problema el |
| el cliente quería resolver, entonces |
| Laura va a hablar de |
| SEM y su modelo para esto |
| problema. Haré una carta |
| discusión de cómo configuramos el |
| perfilador y luego Markus |
| terminar y hablar sobre el |
| conclusiones del proyecto y |
| las acciones que el cliente |
| tomamos en base a nuestros resultados. |
| Gracias, Chris, por el |
| Introducción. |
| Antes de empezar con el problema, |
| Quiero que te familiarices con |
| los principios de la destilación. |
| La destilación es un proceso que |
| separar una mezcla de líquidos |
| la mayor parte del tiempo y por separado |
| ellos en su individuo |
| componentes. Entonces, ¿cómo funciona esto? |
| ¿trabaja? Aquí, ves un esquema |
| vista de una destilación de laboratorio |
| equipo. Ves que aqui hay un |
| matraz donde la mezcla cruda, |
| que tiene que ser separado, es |
| dentro. Tu calientas esto, aqui |
| en este caso, con baño de aceite |
| y revuelve y luego comienza |
| hirviendo. Entonces el punto de ebullición más bajo |
| el material comienza primero y luego el |
| el vapor sube aquí y se detiene |
| aquí el termómetro para llegar |
| la temperatura de ebullición y luego |
| más entra en estos enfriadores |
| aquí donde se condensa y |
| entonces los condensados caen aquí |
| en el otro frasco pequeño. |
| Entonces, como dije, está construido |
| de ... para separar una mezcla |
| de líquidos con diferentes |
| puntos de ebullición, y esos son |
| separados por punto de ebullición. |
| Por ejemplo, todo el mundo sabe |
| que tal vez si quieres hacer |
| Schnapps de un puré, solo |
| hacer el puré dentro de esto |
| matraz, caliéntalo y luego |
| destilar el alcohol por aqui |
| y coge el aguardiente. |
| Como parece muy simple |
| aquí en el laboratorio, en el |
| industria es un poco más |
| Complicado. Porque vamos |
| decir que el equipo no es |
| solo mas grande pero mas |
| complejo y principalmente porque |
| de la parte de ingeniería |
| de la historia. |
| Entonces, en este estudio, el |
| no se hizo la destilación |
| por lotes como has visto antes, |
| pero de manera continua. Esta |
| significa que la mezcla cruda es |
| bombeado en algún lugar en medio de |
| la columna y luego la baja |
| material hirviendo sube como un |
| vapor a la parte superior de la columna |
| y ahí sale la columna |
| y el otro de mayor ebullición |
| el material fluye hacia abajo y |
| deja la columna en la parte inferior. |
| Y para hacerlo un poco mas |
| complicado, en nuestro caso el |
| luego se bombea la corriente inferior |
| en una segunda columna y |
| destilado de nuevo, para |
| separar otro material |
| de la principal ... de ... |
| de las cosas residuales. Asi que |
| en realidad separamos el |
| mezcla cruda original en |
| tres partes | Destilados 1, |
| Destilados 2 y lo que |
| izquierda, luego la corriente inferior |
| del segundo alambique. |
| Y para hacerlo aun mas |
| complejo, usamos el calor del |
| destilar esta segunda columna |
| para calentar la primera columna en |
| para ahorrar energía para esto. |
| Entonces, en una vista esquemática, |
| esto se ve así. |
| Aquí tienes Still 1 y |
| Todavía hay 2. Y aqui nosotros |
| tener la mezcla de materia prima que |
| es en realidad ensamblaje de |
| destilados de la |
| fabricación y lo que queremos |
| hacer es separar el valor |
| material del resto. Así que nosotros |
| bombeó esta mezcla cruda en el |
| primeras imágenes fijas. Como dije en alguna parte |
| en el medio se separa en |
| el punto de ebullición bajo, que es el |
| material de primer valor que queremos |
| tener, y el resto deja el |
| primero todavía en la parte inferior. Entonces |
| se almacena inmediatamente aquí en |
| un tanque y luego de aquí es |
| bombeado de nuevo en el segundo |
| todavía, de nuevo en algún lugar del |
| medio, y se separa en |
| el material de segundo valor y |
| corriente de distancia, que era entonces |
| redepositado. Para calentar las cosas |
| empezamos de este lado porque |
| este es el punto de ebullición más alto |
| material, por lo que necesitamos más |
| temperaturas y esto significa también |
| mas energia. Entonces bombeamos el |
| vapor aquí, calentar esto todavía aquí, |
| y el material que sale de aquí |
| la parte superior tiene la temperatura de |
| la ebullición de este material, por lo que |
| Usamos el calor residual para |
| calentar el primer alambique. Y si |
| hay un pequeño espacio entre |
| que viene de aqui y |
| lo que necesitamos para |
| destilación aquí en la primera |
| aún así, podemos agregar un poco |
| vapor extra para mantener |
| todo funcionando. |
| Entonces este es un nivel muy alto |
| vista de las cosas, y si tu |
| quiero adentrarme un poco más en el |
| detalles, aquí es una especie de |
| misma imagen. Pero aqui muestro |
| tú con todas las diferentes etiquetas |
| que tenemos aquí para todos los |
| lecturas y control de calidad y |
| control de temperatura y así sucesivamente |
| Etcétera. Entonces lo que ves |
| ¿aquí? Empezamos aquí, para alimentar a uno |
| en el primer alambique. |
| Y luego nos separamos en la parte superior |
| corriente donde controlamos el |
| densidad, que es una cualidad |
| característica. Y en el |
| corriente inferior, la corriente inferior |
| entra en este tanque intermedio. |
| Y luego desde aquí está encajado |
| de nuevo en el segundo todavía y |
| también y separados aquí en el |
| flujo inferior para flujo superior. |
| Y nuevamente estamos probando aquí |
| densidad para control de calidad. |
| Aquí también añadimos el vapor a |
| calentar todas estas cosas y |
| el flujo superior luego pasa por calor |
| intercambiador en el primer alambique |
| y caliéntalo de nuevo. Y aquí |
| tenemos la posibilidad de agregar |
| un poco de vapor extra para tener |
| todo en equilibrio aquí. |
| Entonces, lo que vemos es en un local |
| base tienes un montón de |
| correlación, así que esto se hace |
| aquí con el código de color del |
| flechas. Entonces, por ejemplo, el feed |
| aquí junto con la alimentación |
| densidad, que es una medida de |
| la composición aquí de este |
| alimentar. Así que junto con estos dos |
| están definiendo el flujo superior y |
| calidad aquí, y eso |
| corriente inferior más o menos. Vos tambien |
| tienen algunas predicciones locales. Asi que |
| por aquí el material que entra |
| aquí y aquí define cosas sobre |
| aquí. Pero si quieres tener un |
| descripción total de la totalidad |
| equipo, entonces se vuelve complicado |
| porque puedes hacer mínimos cuadrados locales |
| correlaciones aquí. Puedes hacerlo |
| aquí. Puedes hacerlo por separado |
| para el vapor o también aquí. Pero |
| como ves, tenemos un comienzo de |
| la corriente masiva que viene aquí, va |
| a través del primero todavía, a través del |
| segundo aún, hasta aquí y tenemos |
| una corriente de energía que comienza |
| mas o menos aqui, pasando por |
| aquí a través del intercambiador de calor también |
| aquí abajo. Entonces es una especie de |
| circuito, que tenemos aquí, y |
| todas estas cosas están correlacionadas |
| más o menos en una especie |
| de circuito y esto da |
| nosotros la dificultad que nosotros |
| en realidad no sabía lo que eran las X |
| y las Y fueron. |
| Y esa fue la razón por la que |
| comencé a pensar en otros |
| posibilidades de modelar esto. |
| Entonces, el objetivo de este estudio fue |
| para encontrar el flujo óptimo y |
| configuraciones de vapor para todos estos |
| factores entrantes variables |
| aquí, y de una manera que |
| son capaces de quedarse todo |
| en espec. Entonces el destilado |
| la calidad debe mantenerse dentro de las especificaciones, pero |
| es decir, operativo interno |
| especificaciones y también la especificación para |
| la corriente de residuos final. |
| Y la parte más interesante, |
| al menos dinero |
| sabio, queremos minimizar |
| el consumo de la |
| velocidad ... perdón, del vapor. |
| Entonces, lo que realmente necesitábamos |
| lo primero de todo, un buen modelo |
| que describe esto y aquello |
| cual es el punto donde vino Laura |
| en el juego aquí y desarrollado |
| este modelo de ecuación estructural. |
| Y también necesitamos el tipo de |
| perfilador que nos permite |
| averigua cuales son los mejores |
| ajustes, los ajustes óptimos |
| por todos estos entrantes |
| variaciones, que podemos tener |
| aquí para quedarme dentro de todo |
| estas especificaciones. Y ese fue el |
| punto donde entró Chris, |
| basándose en el modelo de Laura, |
| un generador de perfiles, que podemos utilizar para |
| haciendo todas las predicciones que |
| necesitar. Entonces ahora quiero pasar |
| a Laura para describir el |
| modelo que construyó a partir de esto |
| datos aquí. Laura, por favor. |
| Gracias, Markus. Soy laura |
| Castro-Schilo y yo voy |
| para contarte los pasos |
| Seguimos para modelar el |
| proceso de destilación usando |
| la ecuación estructural |
| plataforma de modelos. |
| Entonces, cuando Markus llegó por primera vez y |
| nos habló de su proyecto, |
| había tres específicos |
| características que me hicieron darme cuenta |
| que SEM sería una buena herramienta |
| para él. La primera es que |
| hubo un muy específico |
| teoría de cómo los procesos |
| afectarnos unos a otros, y vimos |
| que en el diagrama que él |
| presentado. |
| Una característica importante de eso |
| diagrama es que todas las variables |
| tenía roles duales. En otras palabras, |
| puedes ver que las flechas apuntan a |
| los nodos del diagrama, pero |
| esos nodos también apuntan a otros |
| variables, por lo que no hubo un |
| clara distinción entre lo que |
| que entrada y que fue una |
| producción. Más bien, las variables |
| ambos roles. |
| Por último, era importante |
| darse cuenta de que estábamos lidiando |
| con procesos que fueron |
| medido repetidamente. En otra |
| palabras, teníamos datos de series de tiempo |
| y entonces todas estas características |
| me hizo darme cuenta de que SEM |
| ser una buena herramienta para Markus. Ahora, |
| si no está familiarizado con SEM, |
| podría preguntarse por qué. SEM es muy |
| marco general que permite |
| mucha flexibilidad para negociar |
| con este tipo de problemas. |
| He enumerado en esta diapositiva un |
| número de características diferentes |
| que hacen de SEM una buena herramienta, pero |
| ya que no vamos a poder |
| para pasar por todos estos, yo. |
| también incluye un enlace donde |
| puede ir con aprender más sobre SEM |
| si estas interesado. Ahora soy |
| voy a centrarme en dos de los |
| puntos que tengo aquí. El primero |
| es que SEM nos permite probar |
| teorías de multivariante |
| relaciones entre variables, |
| que fue exactamente lo que Markus |
| quería hacer. |
| Además, son muy útiles |
| herramientas en SEM llamadas ruta |
| diagramas. Estos diagramas son |
| muy intuitivo y ellos |
| representar los modelos estadísticos |
| que estamos encajando. |
| Así que hablemos de ese punto |
| poco más. Aquí hay un ejemplo |
| de un diagrama de ruta que podríamos |
| dibujar en la plataforma SEM para |
| representar un simple lineal |
| regresión, y el diagrama es |
| dibujado con muy específico |
| caracteristicas. Por ejemplo, somos |
| usando rectángulos para representar |
| las variables que tenemos |
| Medido. Aquí, son X e Y. Nosotros |
| también tienen una flecha de una punta para |
| representan efectos de regresión. Y |
| observe las flechas de dos puntas |
| que comienzan y terminan en el mismo |
| las variables representan variaciones. |
| Ahora, si estos fueran a comenzar y |
| terminar en una variable diferente, |
| esas flechas de dos puntas |
| luego representan una covarianza. En |
| este caso, solo tenemos el |
| varianza de X y el residuo |
| varianza de Y, que es la parte |
| eso no se explica por el |
| predicción de X. |
| Entonces este es el diagrama de ruta |
| representación de un simple |
| regresión lineal. Pero por supuesto |
| también podríamos mirar el |
| ecuaciones que están representadas |
| por ese diagrama. Y nota que |
| para Y, esta ecuación es la de |
| simplemente una regresión lineal. Y |
| He omitido aquí los medios y |
| intercepta solo por simplicidad. |
| Es importante tener en cuenta que |
| todos los parámetros en |
| las ecuaciones son |
| representado en el camino |
| diagrama, entonces estos diagramas |
| realmente transmite el |
| modelo estadístico preciso |
| que estamos encajando. |
| Ahora en SEM, los diagramas o |
| modelos que especificamos implican un |
| covarianza muy específica |
| estructura. Este es el |
| estructura de covarianza que |
| esperaría dado lo simple |
| modelo de regresión lineal. Vos tambien |
| puede ver que tenemos épsilon X como el |
| varianza de X. También tenemos la |
| varianza de Y, que es una |
| función tanto de la varianza de |
| X y la varianza residual de |
| Y, y también tenemos un |
| expresión de la covarianza de |
| X e Y. Y en general, el |
| forma en que se evalúa el ajuste del modelo |
| en SEM es comparando el modelo |
| estructura de covarianza implícita para |
| la muestra real observada |
| covarianza de los datos, y si |
| estos dos están bastante cerca de |
| el uno al otro, entonces diríamos |
| que el modelo encaja muy bien. |
| Entonces, varios modelos diferentes |
| puede encajar en SEM. |
| Y hoy nuestro enfoque es |
| va a ser específicamente |
| en modelos de series de tiempo. |
| Cuando hablamos de series de tiempo, |
| estamos hablando específicamente de |
| una colección de datos donde hay |
| es la dependencia de datos anteriores |
| puntos, y estos datos son |
| por lo general recopilados a |
| intervalos de tiempo espaciados. |
| Y la forma en que esa serie de tiempo |
| El análisis se ocupa de la |
| dependencias en los datos es por |
| retrocediendo en el pasado. Así que uno |
| tipo de estos modelos se llaman |
| procesos autorregresivos o |
| ARP. Y puedes ver aquí, donde |
| Y representa un proceso que es |
| medido en el tiempo T, el auto |
| los modelos regresivos consisten en |
| retrocediendo ese proceso en |
| observaciones previas de eso |
| procesar hasta el tiempo T menos P. |
| Entonces si estamos hablando |
| específicamente sobre un |
| un proceso autorregresivo, |
| entonces puedes ver que tenemos el |
| proceso YT retrocedió en su |
| inmediatamente adyacente después de YT |
| menos uno. |
| Y la forma en que lo haríamos |
| implementar esto en SEM es simplemente |
| especificando, como vimos antes, |
| la regresión de YT en YT menos |
| uno. Así que note que aquí el |
| la ecuación de regresión es muy |
| similar a lo que vimos en |
| la diapositiva anterior, y así |
| no es de extrañar que el |
| El diagrama de ruta tiene el mismo aspecto. |
| Y podemos extender este AR (1) |
| modelo a uno que incluye dos |
| se retrasa, en otras palabras, en |
| autorregresivo de orden dos. Y |
| aquí vemos que tenemos el proceso |
| YT que está retrocediendo en |
| tanto T menos 1 como T menos 2. |
| Y si miramos el camino |
| diagrama que representa que |
| modelo, vemos que tenemos un |
| representación explícita de la |
| proceso en el momento actual, pero |
| también en el retraso uno y el retraso dos. |
| Un aspecto muy específico de este |
| diagrama es que los caminos para |
| los puntos de tiempo adyacentes se establecen en |
| ser iguales entre sí, y esto |
| es una parte importante de la |
| especificación que nos permite |
| especificar el modelo correctamente. Asi que |
| observe que aquí estamos usando beta 1 |
| para representar este retraso 1 |
| efectos y también tenemos que |
| establecer restricciones de igualdad en |
| las variaciones residuales. |
| Por último, también tenemos el efecto |
| de YT menos 2, ya que es |
| prediciendo YT, así que aquí está el |
| poner 2 efectos. |
| Ahora todos estos modelos son |
| modelos de series de tiempo univariantes, |
| y puedes ajustarlos usando el |
| modelos de ecuaciones estructurales |
| plataforma en JMP o podría |
| también usa la serie de tiempo |
| plataforma que tenemos disponible. |
| Sin embargo, el problema que éramos |
| lidiar con los datos de Markus |
| requieren más complejidad. Eso |
| requirió que miráramos |
| modelos de series de tiempo multivariante |
| y un tipo de estos modelos son |
| llamado vector autorregresivo |
| modelos. Y lo que me gustaría |
| mostrarte es uno de estos modelos |
| de orden dos. |
| Entonces tenemos un proceso para X y |
| otro para Y, y el mismo |
| efectos autorregresivos que |
| vio antes se incluyen aquí. |
| Fíjate que tenemos nuestra igualdad |
| restricciones que son realmente |
| importante para la correcta |
| especificación. Pero tambien tenemos |
| los efectos rezagados cruzados que |
| cuéntanos cómo los procesos |
| influir unos en otros. Y nota |
| aquí gamma 1 y gamma 1 y |
| entonces gamma 3, gamma 3, |
| sugiriendo aquí que tenemos que |
| poner restricciones de igualdad en |
| esos efectos de retardo 1 en |
| Procesos. |
| También tenemos que incorporar el |
| Covarianzas entre los procesos |
| así que tenemos su covarianza en |
| tiempo T menos 2. Pero tambien tenemos |
| las covarianzas residuales en el tiempo |
| T menos 1 y T y observe estos |
| tienes que tener igualdad |
| restricciones de nuevo para tener las |
| especificación. Asi que me voy |
| para mostrarte en este video cómo |
| encajaríamos un tiempo bivariado |
| modelo de serie como el |
| uno que te mostré usando JMP |
| Por. Vamos a empezar por |
| manipulando nuestros datos para que |
| están listos para SEM. Primero, |
| estandarizamos estos dos |
| procesos porque están en |
| escalas muy diferentes. |
| Luego creamos variables rezagadas |
| para representar explícitamente el tiempo |
| puntos antes del tiempo T. Así que estamos |
| va a tener |
| T menos 1 y T menos 2. |
| Lanzamos la plataforma SEM y |
| vamos a ingresar las X |
| luego las Y para que sea |
| más fácil de especificar nuestros modelos. |
| Y ahora aceleré el video |
| para que puedas ver rápidamente |
| cómo se especifica el modelo. |
| Aquí estamos agregando el |
| efectos rezagados cruzados |
| para el retraso 1. |
| Y luego usando directamente el |
| interactividad del diagrama, |
| agregue los efectos de lag 2. |
| Y lo que queda es |
| especificar toda la igualdad |
| restricciones que se requieren |
| para estos modelos dentro |
| proceso y entre procesos. |
| Nombramos nuestro modelo. |
| Y por ultimo, estamos |
| voy a ejecutarlo. |
| Como puede ver, incluso solo un |
| modelo bivariado de series de tiempo que |
| solo incorpora dos procesos |
| requiere un número de igualdad |
| limitaciones y matices en el |
| especificación que lo hace |
| relativamente desafiante. Sin embargo, |
| en el caso de la destilación |
| procesar datos, teníamos mucho más |
| de dos procesos. Éramos |
| en realidad lidiando con 26 de |
| estos procesos y en total |
| tenía alrededor de 45.000 |
| medidas, que fueron tomadas |
| a intervalos de 10 minutos. |
| Y entonces nuestro primer acercamiento fue |
| explorar lo univariado |
| modelos de series de tiempo utilizando el |
| plataforma de series de tiempo en JMP. |
| Y cuando hicimos esto, |
| me di cuenta de que para la mayoría |
| procesa un AR (1) o AR (2) |
| modelo encaja mejor, por lo que este |
| me hizo darme cuenta de que realmente |
| por lo menos necesitábamos |
| para encajar modelos multivariados en |
| SEM que incorporó en |
| al menos dos rezagos. |
| También tuvimos que seguir un número |
| de pasos de preprocesamiento para |
| preparar los datos en SEM. |
| Por un lado, tuvimos muchos |
| faltan datos, y aunque |
| SEM puede manejar datos faltantes solo |
| bien, con modelos que son tan |
| complejo como estos, se convirtió en |
| computacionalmente muy muy |
| intenso. Y entonces decidimos |
| seleccionar un subconjunto de datos donde |
| tenía datos completos para todos los |
| procesos y eso nos dejó con |
| alrededor de 13.000 observaciones. |
| Entonces, como vimos en el video, |
| tenía diferencias a gran escala |
| en todos los procesos, por lo que tuvimos |
| para estandarizar todos ellos. Y |
| por último creamos variables de retraso |
| para asegurarnos de que pudiéramos |
| especificar los modelos en SEM. |
| Ahora para la especificación del modelo, |
| restricciones de igualdad en |
| en particular son muy muy grandes |
| desafío porque tomaría |
| mucho tiempo para especificarlos |
| manualmente y sería, de |
| Por supuesto, tedioso y propenso a errores. |
| Entonces, nuestro enfoque para lidiar con |
| esto fue para generar un JSL |
| script que luego generaría |
| otro script JSL para iniciar |
| la plataforma SEM. |
| Y lo que ves aquí es el |
| modelo final que encajamos en el |
| plataforma y afortunadamente, después |
| estimando este modelo, estamos |
| capaz de obtener una covarianza |
| estructura que está implícita en el |
| modelo y esa fue la pieza de |
| información que pude pasar |
| a Chris Gotwalt, quien |
| luego usé la información de |
| esa matriz para crear una |
| generador de perfiles que Markus podría usar |
| para sus propósitos. |
| Entonces Chris, ¿por qué no nos dices? |
| ¿Cómo creaste ese perfilador? |
| Gracias, Laura. Ahora me voy |
| para mostrar los aspectos más destacados de cómo |
| Pude tomar el modelo |
| resultados y convertirlos en un |
| perfilador que la empresa |
| fácilmente podría trabajar con. |
| Entonces Laura ejecutó su modelo en el |
| datos estandarizados y me envió un |
| tabla que contiene el mismo modelo |
| intercepta y ella también incluyó |
| los medios y el estándar originales |
| desviaciones que estaban acostumbradas a |
| estandarizar los datos. Sobre el |
| derecho tenemos el modelo de sim |
| matriz de covarianza implícita, que |
| incluye las covarianzas entre |
| los valores presentes y el |
| valores rezagados del inmediato |
| pasado. Esta información describe |
| cómo se relacionan todas las variables con |
| unos y otros. Ene sta forma, |
| aunque el modelo no está listo para |
| ser utilizado para la predicción. Para ver |
| cómo cambian ciertas variables |
| en función de otros, tenemos |
| utilizar esta información para |
| derivar el condicional |
| distribución de la respuesta |
| variables, dadas las variables |
| que queremos utilizar como entradas. |
| Entonces, esencialmente, necesitamos el |
| media condicional de la |
| respuestas dadas las entradas. Asi que |
| para hacer eso, necesitamos implementar |
| esta fórmula aquí mismo. |
| Y para hacer eso, usamos el SWEEP |
| Operador en JSL, el BARRIDO |
| El operador es una herramienta matemática |
| que fue creado por SAS CEO y |
| co-fundador Jim Goodnight. Es |
| fue publicado en el americano |
| Estadístico en 1979. El BARRIDO |
| El operador es probablemente el único |
| contribución más importante a |
| estadística computacional en el |
| últimos 100 años. La mayoría de los usuarios de JMP |
| no sé que el BARRIDO |
| El operador es utilizado por todos |
| Plataforma estadística JMP en |
| Muchas maneras. Lo usamos para matrix |
| inversión, los cálculos que |
| sumas de cuadrados y también puede ser |
| explotado como simple y elegante |
| forma de calcular condicional |
| distribuciones si sabes |
| cómo usarlo correctamente. |
| Creé una tabla con columnas |
| para todas las variables. Los dos |
| las filas de la tabla son las |
| mínimos y máximos de la |
| datos originales, lo que permite |
| Profiler sabe cómo configurar el |
| rangos. Agregué columnas de fórmula |
| para las variables de respuesta usando |
| la versión barrida del |
| matriz de varianza de Laura |
| modelar y poner esas fórmulas |
| en la parte de atrás aquí en los datos |
| mesa o el extremo derecho. |
| Esto es lo que una de las fórmulas |
| parecía. Tiré en el |
| resultados del análisis como |
| matrices. Modelo de Laura incluido |
| la covarianza estimada entre |
| las Y actuales en las dos últimas |
| valores precedentes porque era |
| un gran multivariado |
| modelo autorregresivo de orden 2. |
| Predecir el presente por |
| controlando los dos anteriores |
| valores de las variables de entrada |
| que va a ser muy engorroso |
| para operacionalizar. Así que hice |
| una suposición simplificadora de que |
| estos dos valores iban a ser |
| lo mismo, que colapsó el |
| modelar en una forma que fue |
| más fácil de usar. Para hacer esto, yo. |
| simplemente usa la misma columna |
| etiqueta cuando me estaba dirigiendo |
| en el retraso, y |
| retrasar dos entradas por término. |
| Sin maquinaria en su lugar, |
| Creé un generador de perfiles para el |
| columnas de respuesta de |
| interesar. Configuro |
| funciones de deseabilidad que |
| reflejó la empresa |
| metas. Entonces ellos querían |
| coincidir con un objetivo en |
| A2TopTemp, maximizar A2BotTemp, |
| y así sucesivamente, en última instancia |
| queriendo minimizar la suma |
| del vapor que salió |
| de las dos columnas. |
| Entonces puedes bloquear ciertos |
| variables en el generador de perfiles por |
| controlar haciendo clic en un dolor. los |
| las variables de bloqueo tendrán su |
| valor dibujado a través de un rojo sólido |
| línea, y luego, una vez que hayamos terminado |
| que podemos ingresar valores para |
| ellos, y cuando ejecutamos el |
| optimizador o maximizar |
| deseabilidad, el bloqueado |
| las variables se mantendrán fijas. |
| De esta forma encontramos la configuración del |
| variables que podemos controlar |
| que mantienen el producto en proceso |
| a la especificación mientras |
| minimizando los costos de energía. |
| Es justo decir que lo haría |
| ser difícil para otra persona |
| repite el enfoque de modelo de Laura |
| en un nuevo problema, y |
| ser dificil para otra persona |
| para configurar un generador de perfiles como lo hice yo |
| aquí. Si suficiente gente ve esto |
| presentación y desea que agreguemos una |
| plataforma que hace que este tipo de |
| análisis más fácil en el futuro, |
| deberías hacérnoslo saber por |
| llegar a técnicos |
| Soporte a través de support@JMP.com. |
| Ahora te lo voy a devolver |
| a Markus, quien hablará |
| sobre lo que hizo el cliente con |
| el modelo y nuestras conclusiones. |
| Gracias, Chris. |
| Entonces, con el generador de perfiles de predicción, |
| que Chris acaba de presentar, nosotros |
| usé eso para, digamos, hacer un |
| paisaje predictivo, que |
| nos hace entender como |
| la mejor configuración debería estar en |
| con el fin de lograr todos los |
| especificaciones de calidad necesarias. Y entonces |
| ¿Cuáles son los tres factores que |
| son, digamos, varían con |
| alcance limitado de nuestra influencia, |
| y cual es el |
| alimentar para el Still 1 y el |
| alimento para el Still 2 y también |
| la calidad o la composición |
| de la alimentación en uno. |
| Y lo que hemos resultado como en |
| su modelo también, es el |
| la temperatura del agua de enfriamiento era |
| también jugando un papel importante |
| en este escenario. Todo los demás |
| las variables son de menor importancia |
| para que los descuidamos en |
| este primer enfoque. |
| Aquí ves el paisaje. |
| Es una especie de variabilidad |
| gráfico, por así decirlo, así que tenemos |
| aquí la densidad de alimentación para el |
| Still 1, la alimentación en Still 1 |
| y la alimentación en Still 2 |
| y todas las combinaciones posibles, |
| más o menos. Y aqui ves entonces |
| la configuración que se predice |
| ser el mejor para permanecer |
| dentro de las especificaciones. Y |
| aquí hay algunos de estos que tengo |
| Especificaciones también, por lo que |
| tienes que permanecer dentro de ellos. |
| Así que, por ejemplo, es el |
| flujo de vapor para Still 2, el |
| reflujo allí, la caldera arriba y |
| las mismas cosas para el |
| Aún así 1. Y aqui a la derecha |
| lado, ves el |
| resultados previstos, por lo que |
| especificaciones de calidad, por así decirlo. Entonces el |
| temperatura del flujo superior en |
| Todavía 1 que la densidad |
| del destilado, la densidad |
| del destilado de Still 2, |
| y así sucesivamente y así sucesivamente. Así que lo que |
| ves está aquí, si tienes un |
| mira aquí la conveniencia, |
| que es la fila inferior aquí, |
| hay grandes áreas donde |
| realmente no podemos lograr un bien |
| rendimiento de nuestro sistema. Y si |
| echas un vistazo a los detalles |
| ya ves, está bien, aquí estamos fuera de especificación, |
| aquí estamos fuera de especificaciones, aquí en |
| algunos puntos, estamos fuera de especificaciones, y así sucesivamente |
| Etcétera. Pero que mas ve |
| es que esto en especificación / fuera de especificación |
| también se rige no solo por |
| estos tres componentes abajo |
| aquí, pero también junto al río |
| temperatura, y por el momento |
| está resaltado el más bajo |
| temperatura del río; es 1 |
| la licenciatura. Entonces esto lo ves aquí |
| con él, nos quedaremos la mayor parte de |
| el tiempo en especificaciones, aunque hay |
| solo son raros |
| combinaciones de estos tres |
| factores donde no estamos. Pero si |
| estamos aumentando el río |
| temperatura, por ejemplo para 24 |
| grados, luego las áreas donde |
| están fuera de especificaciones están ... se vuelven mucho |
| más predominante. Asi que aqui esta |
| muy dificil permanecer dentro de esto |
| especificaciones. Entonces, que nosotros |
| aprendido del modelo |
| es que tenemos problemas para quedarnos |
| en nuestras especificaciones cuando el |
| la temperatura del río es superior a 7 |
| grados C.Entonces entonces el |
| la pregunta ¿por qué? |
| ¿ese? Y los ingenieros |
| a menudo ... sospechado es que |
| esto fue por el |
| capacidad de enfriamiento del |
| frio. Pero antes de irnos |
| en la prueba real, nosotros |
| comparamos nuestro modelo SEM con un |
| basado en modelo termodinámico |
| en Chem CAD. |
| Y lo que señaló que |
| que ambos modelos son |
| apuntando en el mismo |
| dirección, por lo que no había |
| sin discrepancias reales |
| entre los dos. |
| OK, esto nos hizo entrar |
| estado de ánimo optimista y así lo hicimos |
| algunas pruebas reales |
| y con lo mejor |
| configuración, y digamos, |
| aprobó el predicho |
| cosas de los modelos. |
| Y así resultó, como dije |
| ya que lo que el ingeniero |
| sospechaba que el enfriamiento |
| La capacidad del enfriador no es |
| suficiente. Y entonces cuando tienes |
| a mayor temperatura del río, |
| entonces la transferencia de calor es demasiado |
| pequeño, por lo que el equipo ... |
| el equipo realmente no funciona |
| nunca más. Entonces el siguiente paso ahora es |
| para utilizar estos datos de este |
| estudiar aquí para justificar otro |
| inversión que construye |
| un enfriador aquí con un mejor |
| capacidad de intercambio de calor. |
| Así que gracias a Laura y Chris, |
| Podría configurar aquí la inversión. |
| Si tienes preguntas |
| no dude en preguntar ahora. |
| Gracias. |
