Vocero | Transcripción |
| Hola, soy Chris Gotwalt y |
| hoy voy a ser |
| presentación 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 que más disfruto |
| mi trabajo con JMP. En JMP |
| desarrollo estadístico, tenemos una |
| 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 complejos |
| relaciones en multivariante |
| ajustes. una de las claves |
| características es que las variables pueden |
| utilizarse 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 fabricación |
| procesos. no fui el unico |
| para hacer esta conexión. Marcos, |
| 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 |
| en gran medida va a vapor |
| producción, sin dejar de hacer |
| 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 la |
| objetivos de la empresa. Éramos |
| capaz de modelar los datos |
| notablemente bien. Nuestro modelo fue |
| validado compartiendo los resultados |
| según lo comunicado con el JMP |
| perfilador de la empresa |
| expertos internos y luego con |
| el primer simulador de principio |
| y luego con nuevos datos fisicos |
| de la planta. Este fue un claro |
| éxito como ciencia de datos |
| proyecto. Sin embargo, me gustaría |
| 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 de cuantitativa |
| Psicología en la Universidad de |
| Carolina del Norte, Chapel Hill, uno |
| de los principales departamentos del |
| A NOSOTROS. Ella también es la inventora de |
| la plataforma SEM en JMP Pro. |
| Este ejercicio fue un desafío. |
| 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 más grande y más |
| modelo SEM sofisticado de todos |
| tiempo. quiero llamar a la |
| verdaderamente excepcional y |
| trabajo innovador que |
| Laura ha hecho ambas cosas con el SEM. |
| plataforma en general y en este |
| estudio de caso en particular. Ahora |
| se lo voy a entregar a |
| Markus, ¿quién va a dar? |
| antecedentes del problema |
| El cliente quería resolver, entonces |
| Laura va a hablar de |
| SEM y su modelo para esto. |
| problema. haré un breve |
| discusión sobre cómo configuramos el |
| perfilador y luego Markus |
| concluir y hablar sobre el |
| conclusiones del proyecto y |
| las acciones que el cliente |
| tomó en base a nuestros resultados. |
| Gracias Cris por |
| introducción. |
| Antes de comenzar con el problema, |
| quiero familiarizarte con |
| Los principios de la destilación. |
| La destilación es un proceso que |
| separa una mezcla de líquidos |
| la mayor parte del tiempo y se separa |
| ellos en su individuo |
| componentes. Entonces, ¿cómo funciona esto? |
| ¿trabajar? Aquí ves un esquema. |
| vista de una destilación de laboratorio |
| equipo. Verás aquí hay un |
| matraz donde se encuentra la mezcla cruda, |
| que hay que separar, es |
| adentro. Calienta esto, aquí. |
| en este caso con baño de aceite |
| y revuélvelo 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 refrigeradores |
| aquí donde se condensa y |
| entonces los condensados caen aquí |
| en el otro matraz pequeño. |
| Como dije, está construido |
| de...para separar una mezcla |
| de líquidos con diferentes |
| puntos de ebullición, y esos son |
| separados por el punto de ebullición. |
| Por ejemplo, todo el mundo sabe |
| que tal vez si quieres hacer |
| aguardiente de puré, simplemente |
| hacer el puré dentro de esto |
| matraz, caliéntalo y luego |
| destilar el alcohol por aquí |
| y consigue 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 |
| sólo más grande pero más |
| complejo y principalmente porque |
| de la parte de ingeniería |
| de la historia. |
| Así, en este estudio, el |
| la destilación no se hizo |
| por lotes como has visto antes, |
| pero de manera continua. Este |
| significa que la mezcla cruda es |
| bombeado en algún lugar en medio de |
| la columna y luego la baja |
| El material en ebullición sube como |
| vapor a la parte superior de la columna |
| y ahí sale la columna |
| y el otro de mayor punto de ebullición |
| el material fluye hacia abajo y |
| deja la columna en la parte inferior. |
| Y para hacerlo un poco más |
| complicado, en nuestro caso el |
| Luego se bombea la corriente del fondo |
| en una segunda columna y |
| destilado de nuevo, para así |
| separar otro material |
| desde la principal..desde... |
| de las cosas residuales. Entonces |
| en realidad separamos el |
| mezcla cruda original en |
| tres partes | Destilado 1, |
| Destilado 2 y que es |
| izquierda, luego la corriente de abajo |
| del segundo fotograma. |
| Y para hacerlo aún más |
| complejo, utilizamos el calor del |
| destilado de esta segunda columna |
| para calentar la primera columna en |
| para ahorrar energía para ello. |
| Entonces, en una vista esquemática, |
| esto se ve así. |
| Aquí tenéis todavía 1 y |
| Todavía hay 2. y aquí nosotros |
| tener la mezcla de materias primas que |
| es en realidad un montaje de |
| destilados de la |
| Fabricación y lo que queremos. |
| hacer es separar el valor |
| material del resto. Así que nosotros |
| bombeó esta mezcla cruda al |
| primeras fotogramas. 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 |
| tienen, y el resto sale del |
| primero todavía en el fondo. Entonces |
| se almacena inmediatamente aquí en |
| un tanque y luego desde aquí es |
| bombeado de nuevo en el segundo |
| Aún así, de nuevo en algún lugar del |
| medio, y se separa en |
| el material de segundo valor y |
| corriente de distancia, que entonces era |
| redepositado. Para calentar las cosas, |
| empezamos de este lado porque |
| este es el punto de ebullición más alto |
| material, por lo que necesitamos mayor |
| 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 una pequeña brecha entre |
| lo que viene desde aquí 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 |
| quiero profundizar un poco más en |
| detalles, aquí es una especie de |
| misma imagen. Pero aquí te 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 uno. |
| en el primer fotograma. |
| Y luego nos separamos en la parte superior. |
| corriente donde controlamos el |
| densidad, que es una cualidad |
| característica. Y en el |
| corriente de fondo, la corriente de fondo |
| va en este tanque intermedio. |
| Y luego desde aquí está equipado |
| de nuevo en el segundo fotograma y |
| también y separado aquí en el |
| flujo inferior para el flujo superior. |
| Y nuevamente estamos probando aquí. |
| densidad para control de calidad. |
| Aquí también le añadimos el vapor |
| Calienta todas estas cosas y |
| el flujo superior luego pasa por calor |
| intercambiador en el primer alambique |
| y calentarlo nuevamente. Y aquí |
| tenemos la posibilidad de agregar |
| algo de vapor extra para tener |
| Todo en equilibrio aquí. |
| Entonces lo que vemos es en un local. |
| base tienes un montón de |
| correlación, entonces esto se hace |
| aquí con el código de color del |
| flechas. Así, por ejemplo, la alimentación |
| aquí junto con el feed |
| densidad, que es una medida de |
| la composición aquí de este |
| alimentar. Así que junto con estos dos |
| están definiendo la corriente principal y |
| calidad aquí, y que |
| corriente de fondo más o menos. Vos tambien |
| Tengo algunas predicciones locales. También |
| por aquí el material que entra |
| aquí y aquí definen las cosas |
| aquí. Pero si quieres tener un |
| descripción total de todo |
| 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 primer fotograma, a través del |
| segundo aún, hasta aquí y tenemos |
| un flujo de energía que comienza |
| más o menos aquí, pasando por |
| aquí también a través del intercambiador de calor |
| aquí abajo. Entonces es una especie de |
| circuito, que tenemos aquí, y |
| todas estas cosas se correlacionan |
| más o menos en una especie |
| del circuito y esto da da |
| nosotros la dificultad que tenemos |
| En realidad no sabía qué eran las X. |
| y las Y eran. |
| Y esa fue la razón por la que |
| Empecé a pensar en otros. |
| posibilidades de modelar esto. |
| Entonces el objetivo de este estudio fue |
| para encontrar el flujo óptimo y |
| ajustes de vapor para todos estos |
| diferentes factores entrantes |
| aquí, y de una manera que nosotros |
| son capaces de quedarse con todo |
| en especificaciones Entonces el destilado |
| La calidad debe permanecer dentro de las especificaciones, pero |
| también operativo interno |
| especificaciones y también las especificaciones para |
| el flujo final de residuos. |
| Y la parte más interesante, |
| al menos dinero |
| En cuanto a lo sabio, queremos minimizar |
| el consumo de la |
| velocidad...perdón, del vapor. |
| Entonces lo que realmente necesitábamos |
| fue ante todo un buen modelo |
| que describe esto y aquello |
| Fue el punto donde llegó Laura. |
| en el juego aquí y desarrollado |
| este modelo de ecuación estructural. |
| Y también necesitamos el tipo de |
| perfilador que nos permite |
| descubre cuales son los mejores |
| configuración, la configuración óptima |
| por todos estos entrantes |
| variaciones que podamos tener |
| aquí para quedarme dentro de todo |
| estas especificaciones. Y ese fue el |
| punto donde Chris entró, |
| basándose en el modelo de Laura, |
| un perfilador, que podemos usar para |
| haciendo todas las predicciones que |
| necesidad. Así que ahora quiero pasar |
| a Laura para que le describa |
| modelo que ella construyó a partir de esto |
| datos aquí. Laura, por favor. |
| Gracias, Marcos. soy laura |
| Castro-Schilo y yo nos vamos |
| para contarte los pasos |
| seguimos para modelar el |
| proceso de destilación usando |
| la ecuación estructural |
| plataforma de modelos. |
| Entonces, cuando Markus vino por primera vez y |
| nos habló de su proyecto, |
| Había tres específicos |
| características que me hicieron darme cuenta |
| que el SEM sería una buena herramienta |
| para él. La primera es que |
| hubo una muy especifica |
| teoría de cómo los procesos |
| se afectan mutuamente, 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 |
| clara distinción entre lo que |
| fue un insumo y qué fue un |
| producción. Más bien, las variables tenían |
| ambos roles. |
| Por último, era importante |
| darnos cuenta de que estábamos tratando |
| con procesos que fueron |
| medido repetidamente. En otra |
| Es decir, 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 estás familiarizado con SEM, |
| Podría preguntarse por qué. SEM es una herramienta muy |
| marco general que permite |
| mucha flexibilidad para tratar |
| con este tipo de problemas. |
| He enumerado en esta diapositiva una |
| número de características diferentes |
| que hacen del SEM una buena herramienta, pero |
| ya que no vamos a poder |
| para pasar por todo esto, yo |
| También incluimos un enlace donde |
| puede ir a aprender más sobre SEM |
| si estás interesado. Ahora soy |
| vamos a centrarnos en dos de los |
| puntos que tengo aquí. La primera |
| es que el SEM nos permite probar |
| teorías de multivariado |
| 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 intuitivos 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 lineal simple |
| regresión, y el diagrama es |
| dibujado con muy específico |
| características. Por ejemplo, estamos |
| usando rectángulos para representar |
| las variables que tenemos |
| Medido. Aquí son X e Y. Nosotros |
| También tiene una flecha de una sola punta para |
| representan efectos de regresión. Y |
| observe las flechas de dos puntas |
| que empiezan y terminan en lo mismo |
| las variables representan variaciones. |
| Ahora bien, si estos comenzaran y |
| terminar en una variable diferente, |
| esas flechas de dos puntas |
| luego representa una covarianza. En |
| este caso, solo tenemos el |
| varianza de X y el residual |
| 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 una simple |
| regresión lineal. Pero por supuesto |
| También podríamos mirar el |
| ecuaciones que se representan |
| 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 sólo por simplicidad. |
| Es importante tener en cuenta que |
| todos los parámetros en |
| las ecuaciones son |
| representado en el camino |
| diagrama, por lo que estos diagramas |
| Realmente transmites el |
| modelo estadístico preciso |
| que estamos encajando. |
| Ahora en SEM, los diagramas o |
| Los modelos que especificamos implican un |
| covarianza muy específica |
| estructura. Este es el |
| estructura de covarianza que |
| esperaría dada la simple |
| modelo de regresión lineal. Vos tambien |
| podemos ver que tenemos épsilon X como |
| varianza de X. También tenemos el |
| varianza de Y, que es una |
| función tanto de la varianza de |
| X y la varianza residual de |
| Y, y también tenemos un |
| expresión para la covarianza de |
| X y Y. Y en términos generales, 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 |
| unos a otros, entonces diríamos |
| que el modelo encaja muy bien. |
| Entonces varios modelos diferentes. |
| Se puede encajar en SEM. |
| Y hoy nuestro enfoque es |
| va a ser específicamente |
| en modelos de series temporales. |
| Cuando hablamos de series temporales, |
| estamos hablando específicamente de |
| una colección de datos donde hay |
| es dependencia de datos anteriores |
| puntos, y estos datos son |
| normalmente recogidos en partes iguales |
| intervalos de tiempo espaciados. |
| Y la forma en que esa serie temporal |
| El análisis se ocupa de la |
| las dependencias en los datos son por |
| retrocediendo sobre 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 |
| hacer retroceder 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 sobre 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 sorprende que el |
| El diagrama de ruta se ve igual. |
| Y podemos extender este AR(1) |
| modelo a uno que incluya dos |
| se retrasa, en otras palabras, un |
| autorregresivo de orden dos. Y |
| Aquí vemos que tenemos el proceso. |
| YT que está retrocediendo |
| tanto T menos 1 como T menos 2. |
| Y si miramos el camino |
| diagrama que representa eso |
| modelo, vemos que tenemos un |
| representación explícita para el |
| proceso en el momento actual, pero |
| también en el rezago uno y el rezago 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. Entonces |
| 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 como está |
| prediciendo YT, así que aquí está el |
| efectos de retraso 2. |
| Ahora todos estos modelos son |
| modelos de series temporales univariadas, |
| y puedes encajarlos usando el |
| modelos de ecuaciones estructurales |
| plataforma en JMP o podrías |
| Utilice también la serie de tiempo. |
| plataforma que tenemos disponible. |
| Sin embargo, el problema que teníamos |
| lidiar con los datos de Markus |
| requieren mayor complejidad. Él |
| nos obligó a mirar |
| modelos de series de tiempo multivariados |
| 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 lo mismo |
| efectos autorregresivos que |
| vi antes se incluyen aquí. |
| Note que tenemos nuestra igualdad. |
| restricciones que son realmente |
| importante para una adecuada |
| especificación. Pero también tenemos |
| los efectos de retraso cruzado que |
| cuéntanos cómo son los procesos |
| influyen entre sí. Y aviso |
| aquí gamma 1 y gamma 1 y |
| también gamma 3, gamma 3, |
| sugiriendo aquí que tenemos que |
| imponer restricciones de igualdad |
| esos efectos de retraso 1 a través |
| procesos. |
| También tenemos que incorporar el |
| covarianzas entre los procesos |
| entonces tenemos su covarianza en |
| tiempo T menos 2. Pero también tenemos |
| las covarianzas residuales en el momento |
| T menos 1 y T y observe estos |
| tiene que haber igualdad |
| restricciones nuevamente para tener la adecuada |
| especificación. entonces me voy |
| para mostrarte en este vídeo cómo |
| encajaríamos en un tiempo bivariado |
| modelo de serie como el |
| uno que les mostré, usando JMP |
| Pro. vamos a empezar por |
| manipular nuestros datos para que |
| Están listos para SEM. Primero, |
| estandarizamos estos dos |
| procesos porque están en |
| escalas muy diferentes. |
| Luego creamos variables rezagadas. |
| representar explícitamente el tiempo |
| puntos anteriores al 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 |
| Es más fácil especificar nuestros modelos. |
| Y ahora aceleré el video. |
| para que puedas ver rápidamente |
| cómo se especifica el modelo. |
| Aquí estamos agregando el |
| efectos de retardo cruzado |
| para el retraso 1. |
| Y luego usando directamente el |
| interactividad del diagrama, nosotros |
| agregue los efectos de retraso 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 último, estamos |
| va a ejecutarlo. |
| Como puedes ver, incluso solo un |
| modelo bivariado de series de tiempo que |
| sólo incorpora dos procesos |
| requiere un número de igualdad |
| limitaciones y matices en el |
| especificaciones que lo hacen |
| relativamente desafiante. Sin embargo, |
| en el caso de la destilación |
| procesar datos, teníamos muchos más |
| de dos procesos. Éramos |
| en realidad tratando con 26 de |
| estos procesos y en total nosotros |
| tenía alrededor de 45.000 |
| mediciones, que fueron tomadas |
| a intervalos de 10 minutos. |
| Y entonces nuestro primer acercamiento fue |
| para explorar lo univariado |
| modelos de series de tiempo utilizando el |
| Plataforma de series temporales en JMP. |
| Y cuando hicimos esto, |
| se dio cuenta de que para la mayoría |
| procesa un AR(1) o AR(2) |
| El modelo se ajusta mejor, por lo que esto |
| Me hizo darme cuenta de que realmente |
| al menos necesitábamos |
| para ajustar modelos multivariados en |
| SEM que se incorporó en |
| al menos dos rezagos. |
| También tuvimos que seguir un número |
| de pasos de preprocesamiento para |
| preparando los datos en SEM. |
| Por un lado, tuvimos mucha |
| datos faltantes, y aunque |
| SEM puede manejar datos faltantes simplemente |
| bien, con modelos que son tan |
| complejos como estos, se volvió |
| computacionalmente muy muy |
| intensivo. 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. |
| Además, como vimos en el vídeo, |
| tuvo diferencias a gran escala |
| a través de los procesos, por lo que teníamos |
| estandarizarlos todos. 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, por supuesto, |
| Por supuesto, tedioso y propenso a errores. |
| Así que nuestro enfoque para abordar |
| 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 |
| Al estimar este modelo, estamos |
| capaz de obtener una covarianza |
| estructura que está implícita en la |
| modelo y esa era la pieza de |
| información que podría pasar |
| a Chris Gotwalt, quien |
| Luego usó la información de |
| esa matriz para crear una |
| perfilador que Markus podría usar |
| para sus propósitos. |
| Entonces Chris, ¿por qué no nos cuentas? |
| ¿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 |
| perfilador que la empresa |
| podría trabajar fácilmente con. |
| Entonces Laura ejecutó su modelo en el |
| datos estandarizados y me envió un |
| tabla que contiene el mismo modelo |
| intercepta y ella también incluye |
| los medios y estándares originales |
| desviaciones que se utilizaron para |
| estandarizar los datos. Sobre el |
| cierto, tenemos el modelo sim |
| matriz de covarianza implícita, que |
| incluye las covarianzas entre |
| los valores actuales y |
| valores rezagados del inmediato |
| pasado. Esta información describe |
| cómo se relacionan todas las variables |
| 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. |
| Así que esencialmente necesitamos el |
| media condicional de la |
| respuestas dadas las entradas. Entonces |
| Para hacer eso, necesitamos implementar |
| esta fórmula aquí mismo. |
| Y para hacer eso, usamos el BARRIDO |
| Operador en JSL, el SWEEP |
| El operador es una herramienta matemática. |
| que fue creado por el CEO de SAS y |
| cofundador 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 se que el BARRIDO |
| El operador es utilizado por todos |
| Plataforma estadística JMP en |
| Muchas maneras. Lo usamos para matriz. |
| 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 |
| El perfilador 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 la extrema derecha. |
| Esto es lo que una de las fórmulas |
| parecía. Metí el |
| resultados del análisis como |
| matrices. Modelo de Laura incluido. |
| la covarianza estimada entre |
| los Y actuales en los dos últimos |
| valores anteriores porque era |
| un gran multivariado |
| Modelo autorregresivo de orden 2. |
| Predecir el presente por |
| controlando los dos anteriores |
| valores de las variables de entrada |
| iba a ser muy engorroso |
| para operacionalizar. Así que hice |
| una suposición simplificadora de que |
| Estos dos valores debían ser |
| el mismo, que colapsó el |
| modelo en una forma que fuera |
| más fácil de usar. Para hacer esto, yo |
| simplemente usa la misma columna |
| etiqueta cuando me dirigía |
| en el de retraso, y |
| retrasar dos entradas por término. |
| Sin maquinaria en su lugar, |
| Creé un perfilador para el |
| columnas de respuesta de |
| interés. Configuro |
| funciones de deseabilidad que |
| reflejó la empresa |
| objetivos. Entonces querían |
| coincidir con un objetivo en |
| A2TopTemp, maximizar A2BotTemp, |
| y así sucesivamente, en última instancia |
| queriendo minimizar la suma |
| del vapor que salio |
| de las dos columnas. |
| Para que puedas bloquear ciertos |
| variables en el perfilador por |
| controlar el clic sobre un dolor. El |
| las variables de bloqueo tendrán sus |
| valor dibujado a través de un rojo sólido |
| línea, y luego una vez que hayamos hecho |
| que podemos introducir valores para |
| ellos, y cuando ejecutamos el |
| optimizador o maximizar |
| deseabilidad, el bloqueado |
| las variables se mantendrán fijas. |
| De esta manera encontramos la configuración del |
| variables que podemos controlar |
| que mantienen el producto en proceso |
| según las especificaciones mientras |
| minimizando los costos de energía. |
| Es justo decir que sería |
| ser difícil para otra persona |
| repetir el enfoque de modelo de Laura |
| en un nuevo problema, y sería |
| ser difícil para otra persona |
| para configurar un generador de perfiles como lo hice yo |
| aquí. Si suficientes personas ven esto |
| presentación y quieres que agreguemos una |
| plataforma que hace este tipo de |
| análisis más fácil en el futuro, |
| deberías informarnos por |
| contactando al técnico |
| Soporte a través de support@JMP.com. |
| Ahora voy a devolverlo |
| a Markus quien hablará |
| sobre lo que hizo el cliente con |
| El modelo y nuestras conclusiones. |
| Gracias, Cris. |
| Entonces, con la predicción Profiler, |
| que Chris acaba de presentar, nosotros |
| Usé eso para, digamos, hacer un |
| panorama predictivo, que |
| nos hace entender cómo |
| la mejor configuración debe estar en |
| fin de lograr todos los |
| especificaciones de calidad necesarias. Y entonces |
| cuáles son los tres factores que |
| son, digamos, están variando con |
| medida limitada a nuestra influencia, |
| y cual es el |
| alimentación para el Still 1 y el |
| feed para Still 2 y también |
| la calidad o la composición |
| del alimento en uno. |
| Y lo que hemos resultado como en |
| su modelo también es el |
| La temperatura del agua de refrigeración era |
| también jugando un papel importante |
| en este escenario. Todo los demás |
| las variables son de menor importancia |
| de modo que los descuidamos en |
| este primer acercamiento. |
| Aquí ves el paisaje. |
| Es una especie de variabilidad |
| gráfico, por así decirlo, por lo 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 aquí ves entonces |
| los ajustes que se predicen |
| ser el mejor para quedarme |
| dentro de las especificaciones. Y |
| aquí están algunos de estos que tengo |
| especificaciones también, por lo que |
| Tienes que quedarte dentro de ellos. |
| Entonces es, por ejemplo, el |
| flujo de vapor para Still 2, el |
| reflujo allí, la caldera arriba y |
| las mismas cosas para el |
| Todavía 1. Y aquí a la derecha |
| lado, ves el |
| resultados previstos, por lo que |
| especificaciones de calidad, por así decirlo. Entonces el |
| temperatura del flujo superior en |
| Aún así 1 que la densidad |
| del destilado, la densidad |
| del destilado del alambique 2, |
| y así sucesivamente y así sucesivamente. Así que lo que |
| ves está aquí, si tienes un |
| mira aquí sobre 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 |
| Verás, está bien, aquí estamos fuera de especificación, |
| aquí estamos fuera de especificación, aquí adelante |
| algunos puntos, estamos fuera de especificaciones, etc. |
| Etcétera. Pero ¿qué más ve? |
| ¿Es que esto está dentro de las especificaciones/fuera de las especificaciones? |
| también se rige no sólo 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 |
| grado. Entonces esto que ves aquí |
| con ello nos quedaremos la mayor parte del tiempo |
| 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 durante 24 |
| grados, luego las áreas donde |
| están fuera de especificación son... se vuelven mucho |
| más predominante. También aquí está |
| Es muy difícil permanecer dentro de esto. |
| especificaciones. Entonces lo que nosotros |
| aprendido del modelo |
| es que tenemos problemas para quedarnos |
| en nuestras especificaciones cuando el |
| la temperatura del río está por encima de 7 |
| grados C. Entonces entonces el |
| la pregunta era ¿por qué? |
| ¿eso? y los ingenieros |
| A menudo... lo que se sospecha es que |
| esto fue por el |
| capacidad de enfriamiento del |
| refrigerante. Pero antes de irnos |
| En el juicio real, nosotros |
| comparó nuestro modelo SEM versus un |
| modelo termodinámico basado |
| en Química CAD. |
| Y lo que señaló fue |
| que ambos modelos son |
| apuntando en el mismo |
| dirección, por lo que no hubo |
| sin discrepancias reales |
| entre ambos. |
| OK, esto nos puso en una |
| estado de ánimo optimista y así lo hicimos |
| algunas pruebas reales |
| y con los mejores |
| configuración, y digamos, |
| aprobó lo previsto |
| cosas de los modelos. |
| Y así resultó, como dije. |
| ya, eso lo que el ingeniero |
| sospecha que el enfriamiento |
| La capacidad del refrigerador no es |
| suficiente. Y así cuando tengas |
| a mayor temperatura del río, |
| entonces la transferencia de calor es demasiado |
| pequeño, y por eso el equipo... |
| el equipo realmente no funciona |
| ya no. Entonces el siguiente paso ahora es |
| para utilizar estos datos de este |
| estudia aquí para justificar otro |
| inversión que construye |
| una hielera aquí con una mejor |
| capacidad de intercambio de calor. |
| Así que gracias a Laura y Chris, podemos |
| Podría establecer aquí la inversión. |
| Si tienes preguntas entonces |
| no dudes en preguntar ahora. |
| Gracias. |
