Altoparlante | Trascrizione |
| Ciao, sono Chris Gotwalt e |
| oggi sarò |
| presentandosi con Markus Schafheutle |
| e Laura Castro-Schilo |
| su un'applicazione industriale di |
| modelli di equazioni strutturali, o |
| SEM. Questo discorso ne mostra uno |
| le cose che mi piacciono di più |
| il mio lavoro con JMP. In JMP |
| sviluppo statistico, abbiamo a |
| vista a volo d'uccello di ciò che è |
| accadendo nell'analisi dei dati |
| in molti campi, il che dà |
| noi l'opportunità di attraversare |
| concimare le migliori pratiche in tutto |
| discipline. |
| In JMP Pro 15, abbiamo aggiunto un nuovo file |
| modellazione di equazioni strutturali |
| piattaforma. Questa è la dominante |
| quadro analitico dei dati in a |
| molte scienze sociali perché |
| modella in modo flessibile complessi |
| relazioni in multivariata |
| impostazioni. Una delle chiavi |
| caratteristiche è che le variabili possono |
| essere usato sia come regressore che come |
| risposte contemporaneamente a a |
| parte dello stesso modello. |
| Inoltre, mi è venuto in mente |
| che con questi complicati |
| modelli con cui sono rappresentati |
| diagrammi che, almeno sul file |
| superficie, assomigliano a diagrammi |
| che rappresenta la produzione |
| processi. Non ero l'unico |
| per fare questo collegamento. Markus, |
| che stava lavorando con a |
| azienda chimica, pensò la |
| stessa cosa. Stava lavorando a un file |
| problema con un'azienda chimica |
| con un gemello a due colonne |
| produzione di distillazione |
| processo dove volevano |
| minimizzare i costi energetici che erano |
| in gran parte andando a vapore |
| produzione, mentre ancora in corso |
| prodotto che è rimasto all'interno |
| specifica. Ha allungato la mano |
| il suo addetto alle vendite JMP, |
| Martin Demel, che ha poi collegato |
| Markus a Laura e I. |
| Abbiamo avuto una serie di incontri |
| dove ha mostrato e descritto |
| i dati, il problema e il file |
| obiettivi dell'azienda. Noi eravamo |
| in grado di modellare i dati |
| notevolmente bene. Il nostro modello era |
| convalidato condividendo i risultati |
| come comunicato con JMP |
| profiler alla società |
| esperti interni e poi con |
| il primo simulatore di principi |
| e poi con nuovi dati fisici |
| dalla pianta. Questo era un chiaro |
| successo come scienza dei dati |
| progetto. Tuttavia, mi piacerebbe |
| per aggiungere un avvertimento. Il successo |
| richiesto lo sforzo congiunto di |
| Laura, che è un'esperta di alto livello |
| nelle equazioni strutturali |
| modellazione. Prima di entrare a far parte di JMP, |
| era facoltà di quantitativa |
| psicologia presso l'Università di |
| North Carolina, Chapel Hill, uno |
| dei principali reparti di |
| NOI. È anche l'inventore di |
| la piattaforma SEM in JMP Pro. |
| Questo esercizio è stato impegnativo |
| anche per lei. Ha dovuto scrivere un file |
| Programma JSL che stesso ha scritto |
| un programma JSL che ha specificato |
| questo modello, per esempio. |
| Il modello che ci adattiamo era forse |
| il più grande e il più |
| sofisticato modello SEM di tutti |
| tempo. Voglio chiamare il file |
| veramente eccezionale e |
| lavoro rivoluzionario che |
| Laura ha fatto entrambe le cose con il SEM |
| piattaforma in generale e in questo |
| caso di studio in particolare. Adesso |
| Lo consegnerò a |
| Markus, che darà |
| sfondo al problema il |
| il cliente voleva risolvere, quindi |
| Laura parlerà |
| SEM e il suo modello per questo |
| problema. Farò una lettera |
| discussione su come abbiamo impostato il |
| profiler e poi lo farà Markus |
| concludere e parlare del |
| takeaway dal progetto e |
| le azioni che il cliente |
| ha preso in base ai nostri risultati. |
| Grazie, Chris, per il |
| introduzione. |
| Prima di iniziare con il problema, |
| Voglio farti conoscere |
| i principi della distillazione. |
| La distillazione è un processo che |
| separare una miscela di liquidi |
| il più delle volte e separatamente |
| loro nel loro individuo |
| componenti. Allora come funziona |
| opera? Qui vedi uno schema |
| vista di una distillazione di laboratorio |
| attrezzature. Vedi qui c'è un file |
| pallone dove la miscela grezza, |
| che deve essere separato, è |
| dentro. Riscalda questo, qui |
| in questo caso, con un bagno d'olio |
| e mescola e poi inizia |
| bollente. Quindi il punto di ebollizione più basso |
| il materiale inizia prima e poi il file |
| il vapore sale qui e si ferma |
| ecco il termometro da raggiungere |
| la temperatura di ebollizione e poi |
| va ulteriormente in questi dispositivi di raffreddamento |
| qui dove si condensa e |
| poi i condensati cadono qui |
| nell'altra fiaschetta. |
| Quindi, come ho detto, è costruito |
| da ... per separare una miscela |
| di liquidi con differenti |
| punti di ebollizione, e quelli sono |
| separati dal punto di ebollizione. |
| Ad esempio, lo sanno tutti |
| che forse se vuoi fare |
| Schnapps from a mash, you just |
| fare il mosto all'interno di questo |
| pallone, riscaldalo e poi tu |
| distillare l'alcol qui |
| e prendi la grappa. |
| Come sembra molto semplice |
| qui in laboratorio, nel |
| l'industria è un po 'di più |
| complicato. Perché andiamo |
| dire che l'attrezzatura non lo è |
| solo più grande ma di più |
| complesso e principalmente perché |
| della parte ingegneristica |
| della storia. |
| Quindi in questo studio, il |
| la distillazione non è stata eseguita |
| in batch come hai visto prima, |
| ma in modo continuo. Questo |
| significa che la miscela grezza è |
| pompato da qualche parte nel mezzo di |
| la colonna e poi la bassa |
| materiale bollente sale come a |
| vapore alla sommità della colonna |
| e lì lascia la colonna |
| e l'altro bollente più alto |
| il materiale scorre verso il basso e |
| lascia la colonna in basso. |
| E per renderlo un po 'di più |
| complicato, nel nostro caso il file |
| il flusso inferiore viene quindi pompato |
| in una seconda colonna e |
| distillato di nuovo, così |
| separare un altro materiale |
| dal principale..da ... |
| dalla roba residua. Così |
| in realtà abbiamo separato il file |
| miscela grezza originale in |
| tre parti | Distillati 1, |
| Distillati 2 e cosa c'è |
| a sinistra, poi il ruscello in basso |
| della seconda ancora. |
| E per renderlo ancora di più |
| complesso, abbiamo usato il calore del |
| distillare questa seconda colonna |
| per riscaldare la prima colonna |
| per risparmiare energia per questo. |
| Quindi, in una vista schematica, |
| questo assomiglia a questo. |
| Qui hai ancora 1 e |
| c'è ancora 2. Ed eccoci qui |
| avere il mix di materie prime che |
| è in realtà l'assemblaggio di |
| distillati del |
| produzione e ciò che vogliamo |
| da fare è separare il valore |
| materiale dal resto. Quindi noi |
| pompato questa miscela grezza nel |
| primi fotogrammi. Come ho detto da qualche parte |
| nel mezzo si separa |
| il punto di ebollizione basso, che è il |
| materiale di primo valore che vogliamo |
| avere, e il resto lascia il file |
| prima ancora sul fondo. Poi |
| viene archiviato immediatamente qui in |
| un carro armato e poi da qui è |
| pompato di nuovo nel secondo |
| ancora, ancora una volta da qualche parte nel |
| mezzo e si separa in |
| il secondo valore materiale e |
| via ruscello, che era allora |
| ridistribuito. Per riscaldare la roba, |
| partiamo da questo lato perché |
| questa è l'ebollizione più alta |
| materiale, quindi abbiamo bisogno di più alto |
| temperature e questo significa anche |
| più energia. Quindi inseriamo il file |
| vapore qui, riscaldare questo ancora qui, |
| e il materiale che parte da qui |
| la parte superiore ha la temperatura di |
| l'ebollizione di questo materiale, quindi |
| abbiamo usato il calore residuo per |
| scaldare il primo ancora. E se |
| c'è un piccolo divario tra |
| cosa sta succedendo da qui e |
| ciò di cui abbiamo bisogno |
| distillazione qui nel primo |
| ancora, possiamo aggiungere un po ' |
| vapore extra da mantenere |
| tutto in esecuzione. |
| Quindi questo è un livello molto alto |
| vista delle cose, e se tu |
| voglio andare un po 'di più nel |
| dettagli, qui è una specie di |
| stessa immagine. Ma qui lo mostro |
| tu con tutti i diversi tag |
| che abbiamo qui per tutti i |
| letture e controllo di qualità e |
| controllo della temperatura e così via |
| e così via. Quindi quello che vedi |
| Qui? Cominciamo da qui, per nutrirlo |
| nel primo ancora. |
| E poi ci separiamo in alto |
| stream in cui controlliamo il |
| densità, che è una qualità |
| caratteristica. E nel |
| flusso inferiore, il flusso inferiore |
| va in questo serbatoio intermedio. |
| E poi da qui è montato |
| di nuovo nella seconda ancora e |
| anche e separati qui nel file |
| flusso inferiore per flusso superiore. |
| E di nuovo stiamo testando qui |
| densità per il controllo di qualità. |
| Anche qui aggiungiamo il vapore |
| riscalda tutte queste cose e |
| il flusso superiore passa quindi attraverso il calore |
| scambiatore nel primo ancora |
| e riscaldalo di nuovo. E qui |
| abbiamo la possibilità di aggiungere |
| un po 'di vapore in più da avere |
| tutto in equilibrio qui. |
| Quindi quello che vediamo è su un locale |
| base ne hai molti |
| correlazione, quindi questo è fatto |
| qui con il codice colore del |
| frecce. Quindi, ad esempio, il feed |
| qui insieme al feed |
| densità, che è una misura per |
| la composizione qui di questo |
| alimentazione. Quindi insieme a questi due |
| stanno definendo lo stream principale e |
| qualità qui e quella |
| flusso inferiore più o meno. Quindi tu |
| avere alcune previsioni locali. Così |
| qui il materiale che entra |
| qui e qui definisce le cose finite |
| Qui. Ma se vuoi avere un file |
| descrizione totale dell'intero |
| l'attrezzatura, allora diventa complicato |
| perchè puoi fare i locali dei minimi quadrati |
| correlazioni qui. Puoi farlo |
| Qui. Puoi farlo separatamente |
| per il vapore o anche qui. Ma |
| come vedi, abbiamo un inizio di |
| il flusso di massa che viene qui, va |
| attraverso la prima ancora, attraverso il |
| secondo ancora, a qui e abbiamo |
| un flusso di energia che inizia |
| più o meno qui, passando |
| anche qui tramite lo scambiatore di calore |
| qui sotto. Quindi è una specie di |
| circuito, che abbiamo qui, e |
| tutte queste cose sono correlate |
| più o meno in una specie |
| di circuito e questo dà |
| noi la difficoltà che abbiamo |
| in realtà non sapevo cosa fossero le X |
| e le Y erano. |
| E questo era il motivo per cui noi |
| ha iniziato a pensare ad altro |
| possibilità di modellarlo. |
| Quindi l'obiettivo per questo studio era |
| per trovare il flusso ottimale e |
| impostazioni del vapore per tutti questi |
| fattori in entrata variabili |
| qui, e in un modo che noi |
| riescono a trattenere tutto |
| in spec. Quindi il distillato |
| la qualità dovrebbe rimanere nelle specifiche ma |
| cioè operativo interno |
| specifiche e anche le specifiche per |
| il flusso di rifiuti finale. |
| E la parte più interessante, |
| almeno soldi |
| saggio, vogliamo ridurre al minimo |
| il consumo di |
| velocità ... scusate, del vapore. |
| Quindi di cosa avevamo effettivamente bisogno |
| cosa prima di tutto, un buon modello |
| che descrive questo e quello |
| qual è il punto in cui è arrivata Laura |
| nel gioco qui e sviluppato |
| questo modello di equazione strutturale. |
| E abbiamo anche bisogno del tipo di |
| profiler che ci consente di |
| capire quali sono i migliori |
| impostazioni, le impostazioni ottimali |
| per tutti questi in arrivo |
| variazioni, che potremmo avere |
| qui per stare in tutti |
| queste specifiche. E quello era il |
| punto in cui Chris è entrato in gioco, |
| costruendo sul modello di Laura, |
| un profiler, che possiamo usare per |
| facendo tutte le previsioni noi |
| bisogno. Quindi ora voglio passare |
| oltre a Laura per descrivere il |
| modello che ha costruito da questo |
| dati qui. Laura, per favore. |
| Grazie, Markus. Sono Laura |
| Castro-Schilo e io andiamo |
| per parlarti dei passaggi |
| abbiamo seguito per modellare il |
| processo di distillazione utilizzando |
| l'equazione strutturale |
| piattaforma di modelli. |
| Quindi, quando Markus è arrivato per la prima volta e |
| ci ha parlato del suo progetto, |
| c'erano tre specifiche |
| caratteristiche che mi hanno fatto capire |
| che SEM sarebbe un buon strumento |
| per lui. Il primo è quello |
| c'era una cosa molto specifica |
| teoria di come i processi |
| si influenzano a vicenda, e abbiamo visto |
| quello sul diagramma che lui |
| mostrato. |
| Una caratteristica importante di questo |
| diagramma è che tutte le variabili |
| aveva due ruoli. In altre parole, |
| puoi vedere che le frecce puntano verso |
| i nodi del diagramma, ma |
| quei nodi puntano anche ad altri |
| variabili, quindi non c'era un file |
| chiara distinzione tra cosa |
| che input e che cosa era un |
| produzione. Piuttosto, le variabili lo avevano |
| entrambi questi ruoli. |
| Infine, era importante |
| rendersi conto che stavamo trattando |
| con processi che erano |
| misurato ripetutamente. In altro |
| parole, avevamo dati di serie temporali |
| e quindi tutte queste caratteristiche |
| mi ha fatto capire che SEM lo avrebbe fatto |
| essere un buon strumento per Markus. Adesso, |
| se non hai familiarità con SEM, |
| potrebbe chiedersi perché. SEM è molto |
| quadro generale che offre |
| molta flessibilità per la negoziazione |
| con questi tipi di problemi. |
| Ho elencato in questa diapositiva un file |
| numero di caratteristiche diverse |
| questo rende SEM un buon strumento, ma |
| poiché non saremo in grado |
| per passare attraverso tutti questi, I. |
| incluso anche un link dove tu |
| può andare con ulteriori informazioni su SEM |
| se sei interessato. Adesso sono |
| concentrarsi su due dei |
| punti che ho qui. Il primo |
| è che SEM ci permette di testare |
| teorie della multivariata |
| relazioni tra variabili, |
| che era esattamente quello che Markus |
| voleva fare. |
| Inoltre, sono molto utili |
| strumenti in SEM chiamati path |
| diagrammi. Questi diagrammi sono |
| molto intuitivo e loro |
| rappresentano i modelli statistici |
| che stiamo adattando. |
| Quindi parliamo di questo punto a |
| poco più. Ecco un esempio |
| di un diagramma del percorso che potremmo |
| disegnare nella piattaforma SEM per |
| rappresentano un semplice lineare |
| regressione e il diagramma è |
| disegnato con molto specifico |
| Caratteristiche. Ad esempio, siamo |
| utilizzando rettangoli per rappresentare |
| le variabili che abbiamo |
| misurato. Qui sono X e Y. Noi |
| hanno anche una freccia a una punta per |
| rappresentano gli effetti di regressione. E |
| notare le frecce a due punte |
| che iniziano e finiscono nello stesso modo |
| le variabili rappresentano le varianze. |
| Ora, se questi dovessero iniziare e |
| terminare su una variabile diversa, |
| quelle frecce a doppia punta lo farebbero |
| quindi rappresentano una covarianza. Nel |
| in questo caso, abbiamo solo il file |
| varianza di X e residuo |
| varianza di Y, che è la parte |
| non è spiegato da |
| previsione di X. |
| Quindi questo è il diagramma del percorso |
| rappresentazione di un semplice |
| regressione lineare. Ma certo |
| potremmo anche guardare il file |
| equazioni rappresentate |
| da quel diagramma. E notalo |
| per Y, questa equazione è quella di |
| semplicemente una regressione lineare. E |
| Ho omesso qui i mezzi e |
| intercetta solo per semplicità. |
| È importante notare che |
| tutti i parametri in |
| le equazioni sono |
| rappresentato nel percorso |
| diagramma, quindi questi diagrammi |
| trasmettere davvero il |
| modello statistico preciso |
| che stiamo adattando. |
| Ora in SEM, i diagrammi o |
| i modelli che specifichiamo implicano un file |
| covarianza molto specifica |
| struttura. Questo è il |
| struttura di covarianza che noi |
| ci si aspetterebbe dato il semplice |
| modello di regressione lineare. Quindi tu |
| possiamo vedere che abbiamo epsilon X come file |
| varianza di X. Abbiamo anche il |
| varianza di Y, che è a |
| funzione sia della varianza di |
| X e la varianza residua di |
| Sì, e abbiamo anche un file |
| espressione per la covarianza di |
| X e Y. E in generale, il file |
| il modo in cui viene valutato l'adattamento del modello |
| in SEM è confrontando il modello |
| struttura di covarianza implicita a |
| il campione effettivamente osservato |
| covarianza dei dati e se |
| questi due sono abbastanza vicini |
| l'un l'altro, allora ci diremmo |
| che il modello si adatta molto bene. |
| Quindi una serie di modelli diversi |
| può essere inserito in SEM. |
| E oggi il nostro obiettivo è |
| sarà specificamente |
| sui modelli di serie temporali. |
| Quando parliamo di serie temporali, |
| di cui stiamo parlando specificamente |
| una raccolta di dati laddove presenti |
| è la dipendenza dai dati precedenti |
| punti, e questi dati sono |
| di solito raccolti allo stesso modo |
| intervalli di tempo distanziati. |
| E il modo in cui quella serie temporale |
| l'analisi si occupa del |
| le dipendenze nei dati sono di |
| regredendo sul passato. Così uno |
| tipo di questi modelli sono chiamati |
| processi autoregressivi o |
| ARP. E puoi vedere qui, dove |
| Y rappresenta un processo che è |
| misurato al tempo T, l'auto |
| i modelli regressivi consistono |
| facendo regredire quel processo |
| precedenti osservazioni di questo |
| processo fino al tempo T meno P. |
| Quindi se stiamo parlando |
| in particolare su un file |
| un processo autoregressivo, |
| allora puoi vedere che abbiamo il file |
| processo YT è regredito nel suo |
| immediatamente adiacente dopo YT |
| meno uno. |
| E il modo in cui lo faremmo |
| implementarlo in SEM è semplicemente |
| specificando, come abbiamo visto prima, |
| la regressione di YT su YouTube meno |
| uno. Quindi nota che qui il file |
| l'equazione di regressione è molto |
| simile a quello che abbiamo visto in |
| la diapositiva precedente e così via |
| non sorprende che il file |
| il diagramma del percorso ha lo stesso aspetto. |
| E possiamo estendere questo AR (1) |
| modello a uno che ne include due |
| ritarda, in altre parole, su |
| autoregressivo di secondo ordine. E |
| qui vediamo che abbiamo il processo |
| YT su cui si sta regredendo |
| sia T meno 1 che T meno 2. |
| E se guardiamo il percorso |
| diagramma che lo rappresenta |
| model, vediamo che abbiamo un file |
| rappresentazione esplicita per il |
| processo al momento attuale, ma |
| anche al lag uno e al lag due. |
| Un aspetto molto specifico di questo |
| diagramma è che i percorsi per |
| i punti temporali adiacenti sono impostati su |
| essere uguali tra loro, e questo |
| è una parte importante di |
| specifica che ci consente di |
| specificare correttamente il modello. Così |
| nota che qui stiamo usando la beta 1 |
| per rappresentare questo ritardo 1 |
| effetti e dobbiamo anche farlo |
| imposta i vincoli di uguaglianza |
| le varianze residue. |
| Infine, abbiamo anche l'effetto |
| di YT meno 2 così com'è |
| prevedere YT, quindi ecco il file |
| posare 2 effetti. |
| Ora tutti questi modelli lo sono |
| modelli di serie temporali univariati, |
| e puoi adattarli usando il |
| modellazione di equazioni strutturali |
| piattaforma in JMP o potresti |
| utilizzare anche le serie temporali |
| piattaforma che abbiamo a disposizione. |
| Tuttavia, il problema che eravamo |
| occuparsi dei dati di Markus |
| richiedono più complessità. It |
| ci ha chiesto di guardare |
| modelli di serie temporali multivariati |
| e un tipo di questi modelli sono |
| chiamato autoregressivo vettoriale |
| Modelli. E cosa mi piacerebbe |
| mostrarti è uno di questi modelli |
| di ordine due. |
| Quindi abbiamo un processo per X e |
| un altro per Y, e lo stesso |
| effetti autoregressivi che noi |
| visto prima sono inclusi qui. |
| Notate che abbiamo la nostra uguaglianza |
| vincoli che sono davvero |
| importante per il corretto |
| specifica. Ma abbiamo anche |
| gli effetti ritardati incrociati che |
| dicci come funziona |
| influenzarsi a vicenda. E nota |
| qui gamma 1 e gamma 1 e |
| quindi gamma 3, gamma 3, |
| suggerendo qui che dobbiamo |
| imporre vincoli di uguaglianza |
| quegli effetti sono in ritardo di 1 |
| processi. |
| Dobbiamo anche incorporare il file |
| Covarianze tra i processi |
| quindi abbiamo la loro covarianza a |
| tempo T meno 2. Ma abbiamo anche |
| le covarianze residue nel tempo |
| T meno 1 e T e notali |
| deve avere l'uguaglianza |
| vincoli ancora una volta per avere propri |
| specifica. Quindi vado |
| per mostrarti in questo video come |
| ci adatterebbe un tempo bivariato |
| modello di serie proprio come il |
| uno che ti ho mostrato usando JMP |
| Per. Inizieremo |
| manipolare i nostri dati in modo tale |
| sono pronti per SEM. Primo, |
| standardizziamo questi due |
| processi perché sono in |
| scale molto diverse. |
| Quindi creiamo variabili ritardate |
| per rappresentare esplicitamente l'ora |
| punti prima del tempo T. Quindi siamo |
| sta per avere |
| T meno 1 e T meno 2. |
| Abbiamo lanciato la piattaforma SEM e |
| stiamo per inserire le X |
| poi la Y in modo che sia |
| più facile specificare i nostri modelli. |
| E ora ho accelerato il video |
| in modo che tu possa vedere rapidamente |
| come viene specificato il modello. |
| Qui stiamo aggiungendo il file |
| effetti con ritardo incrociato |
| per il ritardo 1. |
| E quindi utilizzando direttamente il file |
| interattività del diagramma, noi |
| aggiungi gli effetti lag 2. |
| E quello che resta da fare è |
| specificare tutte le uguaglianze |
| vincoli richiesti |
| per questi modelli all'interno |
| processo e attraverso i processi. |
| Diamo un nome al nostro modello. |
| E infine, lo siamo |
| andando a eseguirlo. |
| Come puoi vedere, anche solo un file |
| modello di serie temporale bivariata che |
| incorpora solo due processi |
| richiede una serie di uguaglianza |
| vincoli e sfumature in |
| specifiche che lo rendono |
| relativamente impegnativo. Tuttavia, |
| nel caso della distillazione |
| elaborare i dati, avevamo molto di più |
| di due processi. Noi eravamo |
| effettivamente trattare con 26 di |
| questi processi e in totale noi |
| aveva circa 45.000 |
| misurazioni effettuate |
| a intervalli di 10 minuti. |
| E così è stato il nostro primo approccio |
| per esplorare l'univariato |
| modelli di serie temporali che utilizzano il |
| piattaforma di serie temporali in JMP. |
| E quando l'abbiamo fatto, noi |
| capito che per la maggior parte |
| elabora un AR (1) o AR (2) |
| il modello si adatta meglio, e così questo |
| me lo ha fatto capire davvero |
| per lo meno ne avevamo bisogno |
| per adattare i modelli multivariati in |
| SEM che ha incorporato in |
| almeno due ritardi. |
| Abbiamo anche dovuto seguire un numero |
| di passaggi di pre-elaborazione per |
| preparare i dati in SEM. |
| Da un lato, ne abbiamo avuti molti |
| dati mancanti, e anche se |
| SEM può gestire solo i dati mancanti |
| bene, con modelli che sono come |
| complesso come questi, è diventato |
| computazionalmente molto molto |
| intenso. E così abbiamo deciso di farlo |
| selezionare un sottoinsieme di dati in cui noi |
| disponeva di dati completi per tutti i file |
| processi e questo ci ha lasciato |
| circa 13.000 osservazioni. |
| Quindi, come abbiamo visto nel video, noi |
| presentava differenze su larga scala |
| attraverso i processi, quindi abbiamo avuto |
| per standardizzarli tutti. E |
| infine abbiamo creato variabili lag |
| per assicurarci che potremmo |
| specificare i modelli in SEM. |
| Ora per le specifiche del modello, |
| vincoli di uguaglianza in |
| i particolari sono molto molto grandi |
| sfida perché ci vorrebbe |
| molto tempo per specificarli |
| manualmente e sarebbe, di |
| Naturalmente, noioso e soggetto a errori. |
| Quindi il nostro approccio per trattare |
| questo era per generare un JSL |
| script che verrebbe quindi generato |
| un altro script JSL per l'avvio |
| la piattaforma SEM. |
| E quello che vedi qui è il file |
| modello finale che inseriamo nel |
| piattaforma e per fortuna, dopo |
| stimando questo modello, lo siamo |
| in grado di ottenere una covarianza |
| struttura implicita da |
| modello e quello era il pezzo di |
| informazioni che potrei passare |
| a Chris Gotwalt, che |
| quindi ha utilizzato le informazioni di |
| quella matrice per creare un file |
| profiler che Markus potrebbe usare |
| per i suoi scopi. |
| Allora Chris, perché non ce lo dici |
| come hai creato quel profiler? |
| Grazie, Laura. Adesso vado |
| per mostrare i punti salienti di come |
| Sono riuscito a prendere il modello |
| risultati e trasformarli in un file |
| profiler che l'azienda |
| potrebbe facilmente lavorare con. |
| Quindi Laura ha eseguito il suo modello sul |
| dati standardizzati e mi ha inviato un file |
| tabella contenente lo stesso modello |
| intercetta e anche lei inclusa |
| i mezzi e gli standard originali |
| deviazioni che erano abituate |
| standardizzare i dati. Sul |
| giusto abbiamo il modello sim |
| matrice di covarianza implicita, che |
| include le covarianze tra |
| i valori attuali e il |
| valori ritardati dall'immediato |
| passato. Questa informazione descrive |
| come si riferiscono tutte le variabili |
| l'un l'altro. In questa forma, |
| anche se il modello non è pronto |
| essere utilizzato per la previsione. Da vedere |
| come cambiano determinate variabili |
| in funzione degli altri, abbiamo |
| utilizzare queste informazioni per |
| derivare il condizionale |
| distribuzione della risposta |
| variabili, date le variabili |
| che vogliamo utilizzare come input. |
| Quindi essenzialmente abbiamo bisogno del file |
| media condizionale di |
| risposte date gli input. Così |
| per farlo, dobbiamo implementare |
| questa formula proprio qui. |
| E per farlo, usiamo SWEEP |
| Operatore in JSL, lo SWEEP |
| L'operatore è uno strumento matematico |
| creato dal CEO di SAS e |
| co-fondatore Jim Goodnight. Suo |
| è stato pubblicato in America |
| Statistico nel 1979. Lo SWEEP |
| L'operatore è probabilmente il singolo |
| contributo più importante a |
| statistica computazionale in |
| ultimi 100 anni. La maggior parte degli utenti di JMP |
| non so che lo SWEEP |
| L'operatore è utilizzato da ogni singolo |
| Piattaforma statistica JMP in formato |
| molti modi. Lo usiamo per matrice |
| inversione, i calcoli che |
| somme di quadrati e possono anche essere |
| sfruttato come semplice ed elegante |
| modo per calcolare condizionale |
| distribuzioni se lo sai |
| come usarlo correttamente. |
| Ho creato una tabella con colonne |
| per tutte le variabili. Il due |
| le righe della tabella sono |
| minimi e massimi di |
| dati originali, che consente a |
| profiler sa come impostare il file |
| intervalli. Ho aggiunto colonne formula |
| per le variabili di risposta utilizzando |
| la versione spazzata di |
| matrice di varianza da Laura |
| modello e metti quelle formule |
| nella parte posteriore qui nei dati |
| tabella o l'estrema destra. |
| Ecco qual è una delle formule |
| sembrava. Ho inserito il file |
| risultati dell'analisi come |
| matrici. Modello di Laura incluso |
| la covarianza stimata tra |
| l'attuale Y negli ultimi due |
| valori precedenti perché lo era |
| un grande multivariato |
| modello di ordine autoregressivo 2. |
| Predire il presente di |
| controllando i due precedenti |
| valori delle variabili di input |
| cosa sarà molto ingombrante |
| per rendere operativo. Così ho fatto |
| un presupposto semplificante che |
| questi due valori dovevano essere |
| lo stesso, che ha fatto crollare il file |
| modello in una forma che era |
| più facile da usare. Per fare questo, I. |
| usa semplicemente la stessa colonna |
| etichetta quando mi stavo rivolgendo |
| in quello lag, e |
| ritardo di due voci per termine. |
| Senza macchinari a posto, |
| Ho creato un profiler per |
| colonne di risposta di |
| interesse. ho installato |
| desiderabilità funzioni che |
| riflette l'azienda |
| obiettivi. Così volevano |
| abbinare un obiettivo su |
| A2TopTemp, massimizza A2BotTemp, |
| e così via, alla fine |
| volendo minimizzare la somma |
| del vapore che è uscito |
| delle due colonne. |
| Quindi puoi bloccare determinati file |
| variabili nel profiler di |
| controllo facendo clic su un dolore. Il |
| le variabili di blocco avranno i loro file |
| valore tracciato tramite un rosso pieno |
| riga, e poi una volta che abbiamo finito |
| per cui possiamo inserire valori |
| loro e quando eseguiamo il file |
| ottimizzatore o massimizza |
| desiderabilità, il bloccato |
| le variabili verranno mantenute fisse. |
| In questo modo troviamo le impostazioni di |
| variabili che possiamo controllare |
| che mantengono il prodotto in fase di realizzazione |
| secondo le specifiche mentre |
| minimizzando i costi energetici. |
| È giusto dire che lo sarebbe |
| essere difficile per qualcun altro |
| ripetere l'approccio da modella di Laura |
| su un nuovo problema, e lo sarebbe |
| essere difficile per un'altra persona |
| per impostare un profiler come ho fatto io |
| Qui. Se un numero sufficiente di persone lo vede |
| presentazione e desidera che aggiungiamo un file |
| piattaforma che rende questo tipo di |
| analisi più facile in futuro, |
| dovresti farcelo sapere entro |
| contattare il tecnico |
| Supporto tramite support@JMP.com. |
| Ora lo restituirò |
| a Markus che parlerà |
| su cosa ha fatto il cliente |
| il modello e le nostre conclusioni. |
| Grazie, Chris. |
| Quindi, con la previsione Profiler, |
| che Chris ha appena presentato, noi |
| usato per, diciamo, creare un file |
| paesaggio predittivo, quale |
| ci fa capire come |
| le impostazioni migliori dovrebbero essere in |
| al fine di ottenere tutti i |
| specifiche di qualità necessarie. E così |
| quali sono i tre fattori che |
| sono, diciamo, stanno variando con |
| misura limitata alla nostra influenza, |
| e qual è il file |
| feed per Still 1 e |
| feed per Still 2 e anche |
| la qualità o la composizione |
| del feed in uno. |
| E quello che abbiamo scoperto |
| anche il loro modello è il |
| la temperatura dell'acqua di raffreddamento era |
| gioca anche un ruolo importante |
| in questo scenario. Tutti gli altri |
| le variabili sono di minore importanza |
| in modo che li abbiamo trascurati in |
| questo primo approccio. |
| Qui vedi il paesaggio. |
| È una specie di variabilità |
| grafico, per così dire, così abbiamo |
| qui la densità di alimentazione per il |
| Still 1, il feed in Still 1 |
| e il feed in Still 2 |
| e tutte le possibili combinazioni, |
| più o meno. E qui vedi allora |
| le impostazioni previste |
| essere il migliore per restare |
| all'interno delle specifiche. E |
| ecco alcuni di questi che ho |
| Anche le specifiche, quindi noi |
| devo restare dentro di loro. |
| Quindi, ad esempio, è il file |
| flusso di vapore per Still 2, il |
| riflusso lì, la caldaia su e |
| le stesse cose per il |
| Ancora 1. E qui a destra |
| lato, vedi il file |
| risultati previsti, quindi il file |
| specifiche di qualità, per così dire. Così la |
| temperatura del flusso superiore in |
| Ancora 1 che la densità |
| del distillato, la densità |
| del distillato di Still 2, |
| E così via e così via. E allora |
| vedi è qui, se hai un file |
| guarda qui l'appetibilità, |
| che è l'ultima riga qui, |
| ci sono grandi aree dove |
| non possiamo davvero ottenere un bene |
| prestazioni del nostro sistema. E se |
| dai uno sguardo ai dettagli |
| vedi, OK, qui siamo fuori specifica, |
| eccoci fuori specifica, qui su |
| alcuni punti, siamo fuori specifica e così via |
| e così via. Ma cos'altro vede |
| è che questo in spec / off spec cosa |
| è anche governato non solo da |
| questi tre componenti verso il basso |
| qui, ma anche in riva al fiume |
| temperatura e per il momento |
| è evidenziato il più basso |
| temperatura del fiume; è 1 |
| grado. Quindi questo lo vedi qui |
| con esso, restiamo per la maggior parte |
| il tempo nelle specifiche, anche se lì |
| solo sono rari |
| combinazioni di questi tre |
| fattori in cui non siamo. Ma se |
| stiamo aumentando il fiume |
| temperatura, ad esempio per 24 |
| gradi, quindi le aree in cui ci troviamo |
| sono fuori specifica sono ... diventati molto |
| più predominante. Quindi eccolo qui |
| molto difficile rimanere all'interno di questo |
| specifiche. Allora cosa abbiamo |
| imparato dal modello |
| è che abbiamo problemi a restare |
| nelle nostre specifiche quando il |
| la temperatura del fiume è superiore a 7 |
| gradi C. Allora allora il |
| la domanda che cosa è perché |
| quello? E gli ingegneri |
| spesso ... il sospetto è quello |
| questo è stato a causa del |
| capacità di raffreddamento del |
| freddo. Ma prima di partire |
| nella vera prova, noi |
| ha confrontato il nostro modello SEM con un file |
| modello termodinamico basato |
| su Chem CAD. |
| E cosa ha sottolineato cosa |
| che entrambi i modelli lo sono |
| indicando lo stesso |
| direzione, quindi non c'erano |
| nessuna vera discrepanza |
| tra i due. |
| OK, questo ci ha fatto entrare |
| stato d'animo ottimista e così abbiamo fatto |
| alcune vere prove |
| e con il meglio |
| impostazioni, e diciamo, |
| approvato il predetto |
| cose dai modelli. |
| E così si è scoperto, come ho detto |
| già, questo è ciò che l'ingegnere |
| sospettava che il raffreddamento |
| capacità del dispositivo di raffreddamento non lo è |
| sufficiente. E così quando l'hai fatto |
| a una temperatura del fiume più alta, |
| allora lo è anche il trasferimento di calore |
| piccolo, e così l'attrezzatura ... |
| l'attrezzatura non funziona davvero |
| più. Quindi il passo successivo ora è |
| per utilizzare questi dati da questo |
| studia qui per giustificarne un altro |
| investimento che costruisce |
| un dispositivo di raffreddamento qui con un migliore |
| capacità di scambio termico. |
| Quindi grazie a Laura e Chris, noi |
| potrebbe impostare qui l'investimento. |
| Se hai domande così |
| non esitate a chiedere ora. |
| Grazie. |
