Altoparlante | Trascrizione |
| Ciao, sono Chris Gotwalt e |
| oggi lo sarò |
| presentazione 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. Nel JMP |
| sviluppo statistico, abbiamo a |
| vista a volo d'uccello di ciò che è |
| accade nell’analisi dei dati |
| in molti campi, il che dà |
| noi l'opportunità di attraversare |
| diffondere le migliori pratiche in tutto il mondo |
| 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 il complesso |
| relazioni in multivariante |
| impostazioni. Una delle chiavi |
| caratteristiche è che le variabili possono |
| essere utilizzati sia come regressori che |
| risposte contemporaneamente a |
| parte dello stesso modello. |
| Inoltre, mi è venuto in mente |
| che con questi complicati |
| modelli con cui sono rappresentati |
| diagrammi che, almeno sul |
| superficie, sembrano diagrammi |
| che rappresentano la produzione |
| processi. Non ero l'unico |
| per effettuare questo collegamento. Markus, |
| che stava lavorando con a |
| azienda chimica, pensò |
| stessa cosa. Stava lavorando su a |
| 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 andrà a vapore |
| produzione, pur continuando a fare |
| prodotto che è rimasto dentro |
| specifica. Ha contattato |
| il suo ingegnere commerciale JMP, |
| Martin Demel, che poi si è collegato |
| Markus a Laura e me. |
| Abbiamo avuto una serie di incontri |
| dove ha mostrato e descritto |
| i dati, il problema e il |
| obiettivi dell'azienda. Noi eravamo |
| in grado di modellare i dati |
| straordinariamente bene. Il nostro modello era |
| validato condividendo i risultati |
| come comunicato al JMP |
| profiler per l'azienda |
| esperti interni e poi con |
| il simulatore del primo principio |
| e poi con nuovi dati fisici |
| dalla pianta. Questo era chiaro |
| successo come scienza dei dati |
| progetto. Tuttavia, vorrei |
| per aggiungere un avvertimento. Il successo |
| ha richiesto lo sforzo congiunto di |
| Laura, che è un'esperta di altissimo livello |
| nelle equazioni strutturali |
| modellazione. Prima di unirsi a JMP, |
| era docente di scienze quantitative |
| psicologia presso l'Università di |
| Carolina del Nord, Chapel Hill, uno |
| dei massimi dipartimenti della |
| NOI. È anche l'inventore di |
| la piattaforma SEM in JMP Pro. |
| Questo esercizio è stato impegnativo |
| anche per lei. Doveva scrivere a |
| Programma JSL scritto da sé |
| un programma JSL specificato |
| questo modello, per esempio. |
| Il modello a cui ci adattavamo era forse |
| il più grande e il più |
| sofisticato modello SEM di tutti |
| tempo. Voglio richiamare il |
| davvero 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. Ora |
| Lo consegnerò a |
| Markus, che darà |
| sfondo del problema il |
| il cliente voleva risolvere, allora |
| Laura parlerà di |
| SEM e il suo modello per questo |
| problema. Farò un breve |
| discussione su come impostare il |
| profiler e poi Markus lo farà |
| concludere e parlare di |
| takeaway dal progetto e |
| le azioni che il cliente |
| 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 |
| separa una miscela di liquidi |
| la maggior parte del tempo e si separa |
| trasformarli nel loro individuo |
| componenti. Allora come funziona? |
| lavoro? Qui puoi vedere uno schema |
| vista di una distillazione di laboratorio |
| attrezzatura. Vedi, qui c'è un |
| pallone dove si trova la miscela grezza, |
| che deve essere separato, lo è |
| dentro. Riscaldalo, ecco |
| in questo caso con bagno d'olio |
| e mescolalo e poi inizia |
| bollente. Quindi l'ebollizione più bassa |
| inizia prima il materiale e poi il |
| il vapore sale qui e si ferma |
| qui il termometro da raggiungere |
| la temperatura di ebollizione e poi |
| entra ulteriormente in questi dispositivi di raffreddamento |
| qui dove condensa e |
| poi i condensati cadono qui |
| nell'altra fiaschetta. |
| Quindi, come ho detto, è costruito |
| da...per separare una miscela |
| di liquidi con diverso |
| punti di ebollizione, e quelli lo sono |
| separati dal punto di ebollizione. |
| Ad esempio, lo sanno tutti |
| quello forse se vuoi farlo |
| grappa da un mosto, semplicemente |
| prepara la poltiglia all'interno di questo |
| pallone, scaldalo e poi tu |
| distillare l'alcol qui |
| e prendi la grappa. |
| Poiché 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 soprattutto perché |
| della parte ingegneristica |
| della storia. |
| Quindi in questo studio, il |
| la distillazione non è stata effettuata |
| in batch, come hai già visto, |
| ma in modo continuo. Questo |
| significa che la miscela grezza è |
| pompato da qualche parte nel mezzo |
| la colonna e poi il basso |
| il materiale bollente sale come a |
| vapore alla sommità della colonna |
| e lì lascia la colonna |
| e l'altro ad alto punto di ebollizione |
| il materiale scorre verso il basso e |
| lascia la colonna in basso. |
| E per renderlo un po' di più |
| complicato, nel nostro caso il |
| il flusso di fondo viene quindi pompato |
| in una seconda colonna e |
| distillato di nuovo, per così dire |
| separare un altro materiale |
| dal principale...da... |
| dalle cose residue. COSÌ |
| in realtà abbiamo separato il |
| miscela grezza originale in |
| tre parti | Distillato 1, |
| Distillato 2 e cosa c'è |
| a sinistra, poi il torrente inferiore |
| del secondo ancora. |
| E per renderlo ancora di più |
| complesso, abbiamo utilizzato il calore del |
| distillato di questa seconda colonna |
| per riscaldare la prima colonna |
| per risparmiare energia. |
| Quindi, in una visione schematica, |
| questo assomiglia a questo. |
| Qui hai ancora 1 e |
| ce ne sono 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 |
| fare è separare il valore |
| materiale dal resto. Quindi noi |
| ha pompato questa miscela grezza nel |
| primi alambicchi. Come ho detto da qualche parte |
| nel mezzo si separa |
| il punto di ebollizione basso, che è il |
| materiale di primo valore che desideriamo |
| avere, e il resto lascia il |
| prima ancora sul fondo. Poi |
| è memorizzato immediatamente qui |
| un carro armato e poi da qui è |
| pompato di nuovo nel secondo |
| ancora, ancora da qualche parte nel |
| mezzo, e si separa in |
| il secondo valore materiale e |
| flusso lontano, che era allora |
| ridepositato. Per riscaldare la roba, |
| iniziamo da questa parte perché |
| questo è il punto di ebollizione più alto |
| materiale, quindi abbiamo bisogno di più |
| temperature e questo significa anche |
| più energia. Quindi pompiamo il |
| vapore qui, scaldalo ancora qui, |
| e il materiale che lascia qui |
| la parte superiore ha la temperatura di |
| l'ebollizione di questo materiale, quindi |
| abbiamo utilizzato il calore residuo |
| scaldare il primo ancora. E se |
| c'è un piccolo divario in mezzo |
| cosa sta succedendo da qui e |
| ciò di cui abbiamo bisogno |
| distillazione qui nel primo |
| tuttavia, possiamo aggiungere qualcosa |
| vapore extra da mantenere |
| tutto funzionante. |
| Quindi questo è un livello molto alto |
| visione delle cose, e se tu |
| voglio approfondire un po' il |
| dettagli, qui è una specie di |
| stessa immagine. Ma qui lo mostro |
| te con tutti i diversi tag |
| che abbiamo qui per tutti |
| letture e controllo di qualità e |
| controllo della temperatura e così via |
| e così via. Quindi cosa vedi |
| Qui? Iniziamo da qui, per il feed uno |
| nel primo ancora. |
| E poi ci separiamo in alto |
| stream dove 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 nel secondo ancora e |
| anche e separati qui nel |
| flusso inferiore per il flusso superiore. |
| E ancora una volta stiamo testando qui |
| densità per il controllo di qualità. |
| Anche qui aggiungiamo il vapore |
| riscaldare tutte queste cose e |
| il flusso superiore passa quindi attraverso il calore |
| scambiatore nel primo distillatore |
| e riscaldarlo di nuovo. E qui |
| abbiamo la possibilità di aggiungere |
| un po' di vapore extra da avere |
| tutto in equilibrio qui. |
| Quindi quello che vediamo è in locale |
| di 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 |
| foraggio. Quindi insieme a questi due |
| stanno definendo il flusso principale e |
| qualità qui e quello |
| flusso inferiore più o meno. Quindi tu |
| avere alcune previsioni locali. Anche |
| qui entra il materiale |
| qui e qui definisce le cose |
| Qui. Ma se vuoi avere un |
| descrizione completa dell'intero |
| attrezzature, allora diventa complicato |
| perché puoi fare i minimi quadrati locali |
| correlazioni qui. Puoi farlo |
| Qui. Puoi farlo separatamente |
| per il vapore o anche qui. Ma |
| come vedi, abbiamo un inizio |
| il flusso di massa che viene qui, va |
| attraverso prima ancora, attraverso il |
| secondo ancora, a qui e abbiamo |
| un flusso di energia che inizia |
| più o meno qui, di passaggio |
| anche qui tramite lo scambiatore di calore |
| qui sotto. Quindi è una specie di a |
| circuito, che abbiamo qui, e |
| tutte queste cose sono correlate |
| più o meno in un certo senso |
| di circuito e questo dà dà |
| noi la difficoltà che noi |
| in realtà non sapevo cosa fossero le X |
| e le Y lo erano. |
| E questo è stato il motivo per cui noi |
| cominciò a pensare ad altro |
| possibilità di modellarlo. |
| Quindi l'obiettivo di questo studio era |
| per trovare il flusso ottimale e |
| impostazioni del vapore per tutti questi |
| diversi fattori in entrata |
| qui, e in un modo in cui noi |
| sono in grado di restare tutto |
| nelle specifiche Quindi il distillato |
| la qualità dovrebbe rimanere nelle specifiche ma |
| anche operativo interno |
| specifiche e anche le specifiche per |
| il flusso di rifiuti finale. |
| E la parte più interessante, |
| almeno soldi |
| saggio, vogliamo minimizzare |
| il consumo del |
| velocità... scusate, del vapore. |
| Quindi quello di cui avevamo effettivamente bisogno |
| era prima di tutto un buon modello |
| che descrive questo e quello |
| è stato il punto in cui è arrivata Laura |
| nel gioco qui e sviluppato |
| questo modello di equazioni strutturali. |
| E abbiamo anche bisogno del tipo di |
| profiler che ci consente di farlo |
| capire quali sono i migliori |
| impostazioni, le impostazioni ottimali |
| per tutti questi in arrivo |
| variazioni che potremmo avere |
| qui per restare dentro tutti |
| queste specifiche. E quello era il |
| punto in cui Chris è entrato, |
| sul modello di Laura, |
| un profiler, che possiamo usare per |
| facendo tutte le previsioni noi |
| Bisogno. Quindi ora voglio passare |
| passo 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 raccontarti i passaggi |
| abbiamo seguito per modellare il |
| processo di distillazione utilizzando |
| l'equazione strutturale |
| piattaforma dei modelli. |
| Quindi quando Markus è arrivato per la prima volta e |
| ci ha parlato del suo progetto, |
| ce n'erano tre specifici |
| caratteristiche che me lo hanno fatto capire |
| quel SEM sarebbe un buon strumento |
| per lui. Il primo è quello |
| ce n'era uno molto specifico |
| teoria di come i processi |
| si influenzano a vicenda, e abbiamo visto |
| quello sul diagramma che lui |
| ha mostrato. |
| Una caratteristica importante di ciò |
| diagramma è che tutte le variabili |
| aveva un doppio ruolo. In altre parole, |
| puoi vedere che le frecce puntano a |
| i nodi del diagramma, ma |
| quei nodi puntano anche ad altri |
| variabili, quindi non c'era un |
| chiara distinzione tra cosa |
| era un input e cosa era un |
| produzione. Piuttosto, le variabili avevano |
| entrambi i ruoli. |
| Infine, era importante |
| rendersi conto che avevamo a che fare |
| con processi che erano |
| misurato ripetutamente. In altro |
| parole, avevamo dati di serie temporali |
| e così tutte queste funzionalità |
| mi ha fatto capire che il SEM lo avrebbe fatto |
| essere un buon strumento per Markus. Ora, |
| se non hai familiarità con il SEM, |
| potrebbe chiedersi perché. SEM è molto |
| quadro generale che offre |
| molta flessibilità per trattare |
| con questo tipo di problemi. |
| Ho elencato in questa diapositiva a |
| numero di caratteristiche diverse |
| che rendono SEM un buon strumento, ma |
| visto che non ne saremo in grado |
| per affrontare tutto questo, I |
| incluso anche un collegamento in cui tu |
| può andare con saperne di più su SEM |
| se sei interessato. Adesso sono |
| ci concentreremo su due dei |
| punti che ho qui. Il primo |
| è che il SEM ci permette di testare |
| teorie multivariate |
| relazioni tra variabili, |
| che era esattamente ciò che Markus |
| voleva fare. |
| Inoltre, ci sono molto utili |
| strumenti in SEM chiamati percorso |
| diagrammi. Questi diagrammi sono |
| molto intuitivo e loro |
| rappresentano i modelli statistici |
| che ci stiamo adattando. |
| Quindi parliamo del punto a |
| poco più. Ecco un esempio |
| di un diagramma del percorso che potremmo |
| disegnare nella piattaforma SEM per |
| rappresentano una lineare semplice |
| 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 |
| avere anche una freccia con una sola punta |
| rappresentano effetti di regressione. E |
| notare le frecce a doppia punta |
| che iniziano e finiscono nello stesso |
| le variabili rappresentano le varianze. |
| Ora, se questi dovessero iniziare e |
| terminare su una variabile diversa, |
| quelle frecce a doppia punta lo farebbero |
| quindi rappresentare una covarianza. In |
| in questo caso, abbiamo solo il |
| varianza di X e del residuo |
| varianza di Y, che è la parte |
| questo 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 |
| 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 notarlo |
| tutti i parametri in |
| le equazioni sono |
| rappresentato nel percorso |
| diagramma, quindi questi diagrammi |
| trasmettere davvero il |
| modello statistico preciso |
| che ci stiamo adattando. |
| Ora in SEM, i diagrammi o |
| i modelli che specifichiamo implicano a |
| covarianza molto specifica |
| struttura. Questo è il |
| struttura di covarianza che noi |
| ci si aspetterebbe dato il semplice |
| modello di regressione lineare. Quindi tu |
| puoi vedere che abbiamo epsilon X come |
| varianza di X. Abbiamo anche il |
| varianza di Y, che è a |
| funzione di entrambi la varianza di |
| X e la varianza residua di |
| Y, e abbiamo anche un |
| espressione per la covarianza di |
| X e Y. E in generale, 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 |
| tra loro, diremmo allora |
| che il modello si adatta molto bene. |
| Quindi una serie di modelli diversi |
| può essere inserito nel SEM. |
| E oggi il nostro focus è |
| sarà specifico |
| sui modelli di serie temporali. |
| Quando parliamo di serie temporali, |
| stiamo parlando specificamente di |
| una raccolta di dati dove c'è |
| è la dipendenza dai dati precedenti |
| punti, e questi dati lo sono |
| solitamente raccolti in parti uguali |
| intervalli di tempo distanziati. |
| E il modo in cui quelle serie temporali |
| l'analisi si occupa di |
| le dipendenze nei dati sono di |
| regredire al 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 in |
| regredire quel processo |
| precedenti osservazioni in merito |
| processo fino al tempo T meno P. |
| Quindi se stiamo parlando |
| specificamente su un |
| un processo autoregressivo, |
| allora puoi vedere che abbiamo il |
| il processo YT è regredito |
| immediatamente adiacente oltre YT |
| meno uno. |
| E come lo faremmo noi |
| implementarlo in SEM è semplice |
| specificando, come abbiamo visto prima, |
| la regressione di YT su YT meno |
| uno. Quindi nota che qui il |
| l'equazione di regressione è molto |
| simile a quello che abbiamo visto in |
| la diapositiva precedente e così via |
| non sorprende che il |
| il diagramma del percorso sembra lo stesso. |
| E possiamo estendere questo AR(1) |
| modello a uno che ne include due |
| ritardi, in altre parole, an |
| autoregressivo di ordine due. 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 |
| modello, vediamo che abbiamo un |
| 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 |
| sono impostati punti temporali adiacenti |
| essere uguali tra loro, e questo |
| è una parte importante del |
| specifica che ci consente di farlo |
| specificare correttamente il modello. COSÌ |
| nota che qui stiamo usando la beta 1 |
| per rappresentare questo ritardo 1 |
| effetti e dobbiamo anche farlo |
| imporre vincoli di uguaglianza |
| le varianze residue. |
| Infine, abbiamo anche l'effetto |
| di YT meno 2 così com'è |
| prevedendo YT, e quindi ecco il |
| effetti di ritardo 2. |
| Ora tutti questi modelli lo sono |
| modelli di serie temporali univariate, |
| e puoi adattarli utilizzando il |
| modellazione di equazioni strutturali |
| piattaforma in JMP o potresti |
| utilizzare anche le serie temporali |
| piattaforma che abbiamo a disposizione. |
| Tuttavia, il problema eravamo noi |
| avere a che fare con i dati di Markus |
| richiedono maggiore complessità. Esso |
| ci ha obbligato a guardare |
| modelli di serie temporali multivariate |
| e un tipo di questi modelli sono |
| chiamato vettore autoregressivo |
| Modelli. E cosa mi piacerebbe |
| mostrarti è uno di questi modelli |
| dell'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 realmente |
| importante per il corretto |
| specifica. Ma abbiamo anche |
| gli effetti incrociati che |
| dicci come procedono i processi |
| influenzarsi a vicenda. E nota |
| qui gamma 1 e gamma 1 e |
| anche gamma 3, gamma 3, |
| suggerendo qui che dobbiamo farlo |
| imporre vincoli di uguaglianza |
| questi effetti ritardano 1 |
| processi. |
| Dobbiamo anche incorporare il |
| covarianze tra i processi |
| quindi abbiamo la loro covarianza a |
| tempo T meno 2. Ma abbiamo anche |
| le covarianze residue al momento |
| T meno 1 e T e notali |
| deve esserci uguaglianza |
| vincoli ancora una volta per avere adeguati |
| specifica. Quindi vado |
| per mostrarti in questo video come |
| adatteremmo un tempo bivariato |
| modello di serie proprio come il |
| uno che ti ho mostrato, usando JMP |
| Pro. Inizieremo da |
| manipolando i nostri dati in modo che |
| sono pronti per il SEM. Primo, |
| standardizziamo questi due |
| processi perché sono presenti |
| scale molto diverse. |
| Quindi creiamo variabili ritardate |
| rappresentare esplicitamente l'ora |
| punti precedenti al tempo T. Così erano |
| avrò |
| T meno 1 e T meno 2. |
| Abbiamo lanciato la piattaforma SEM e |
| inseriremo le X |
| poi la Y così 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 |
| effetti incrociati |
| per il ritardo 1. |
| E poi utilizzando direttamente il file |
| interattività del diagramma, we |
| aggiungi gli effetti lag 2. |
| E ciò che resta è fare |
| specificare tutta l'uguaglianza |
| vincoli richiesti |
| per questi modelli all'interno |
| processo e attraverso i processi. |
| Diamo un nome al nostro modello. |
| E infine, lo siamo |
| lo eseguirò. |
| Come hai potuto vedere, anche solo a |
| modello di serie temporali bivariate che |
| incorpora solo due processi |
| richiede un certo numero di uguaglianze |
| vincoli e sfumature nel |
| specifiche che lo compongono |
| relativamente impegnativo. Tuttavia, |
| nel caso della distillazione |
| elaborare i dati, avevamo molto di più |
| di due processi. Noi eravamo |
| in realtà si occupa di 26 di |
| questi processi e in totale noi |
| ne contava circa 45.000 |
| misurazioni che sono state effettuate |
| a intervalli di 10 minuti. |
| E così è stato il nostro primo approccio |
| per esplorare l'univariabile |
| modelli di serie temporali che utilizzano il |
| piattaforma di serie temporali in JMP. |
| E quando lo abbiamo fatto, noi |
| lo hanno capito per la maggior parte |
| elabora un AR(1) o AR(2) |
| il modello si adatta meglio, e quindi questo |
| me lo ha fatto capire davvero |
| per lo meno ne avevamo bisogno |
| per adattare i modelli multivariati |
| SEM che ha incorporato a |
| almeno due ritardi. |
| Dovevamo anche seguire un numero |
| di passaggi di preelaborazione per |
| preparare i dati al SEM. |
| Da un lato ne avevamo molti |
| dati mancanti, e anche se |
| Il SEM può gestire solo i dati mancanti |
| bene, con modelli che sono come |
| complesso come questi, è diventato |
| computazionalmente molto molto |
| intensivo. E così abbiamo deciso di farlo |
| seleziona un sottoinsieme di dati in cui noi |
| aveva dati completi per tutti i |
| processi e questo ci ha lasciato |
| circa 13.000 osservazioni. |
| Inoltre, come abbiamo visto nel video, noi |
| presentavano differenze su larga scala |
| attraverso i processi, quindi abbiamo avuto |
| standardizzarli tutti. E |
| infine abbiamo creato variabili lag |
| per assicurarci che potessimo |
| specificare i modelli in SEM. |
| Ora per le specifiche del modello, |
| vincoli di uguaglianza |
| particolare sono molto molto grandi |
| sfida perché ci vorrebbe |
| molto tempo per specificarli |
| manualmente e sarebbe, di |
| ovviamente noioso e soggetto a errori. |
| Quindi il nostro approccio per affrontare |
| 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 |
| modello finale in cui inseriremo |
| piattaforma e per fortuna, dopo |
| stimando questo modello, lo siamo |
| in grado di ottenere una covarianza |
| struttura implicita nel |
| modello e quello era il pezzo di |
| informazioni che potrei passare |
| la parola a Chris Gotwalt, che |
| quindi utilizzato le informazioni da |
| quella matrice per creare a |
| 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 |
| Ho potuto prendere il modello |
| risultati e trasformarli in a |
| profiler che l'azienda |
| potrebbe facilmente lavorare con. |
| Quindi Laura ha eseguito il suo modello su |
| dati standardizzati e mi ha inviato a |
| tabella contenente lo stesso modello |
| intercetta e ha anche incluso |
| i mezzi e gli standard originali |
| deviazioni a cui eravamo abituati |
| 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 rispetto all'immediato |
| passato. Queste informazioni descrivono |
| come si relazionano 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 alcune variabili |
| in funzione degli altri, abbiamo |
| per utilizzare queste informazioni |
| ricavare il condizionale |
| distribuzione della risposta |
| variabili, date le variabili |
| che vogliamo utilizzare come input. |
| Quindi essenzialmente abbiamo bisogno di |
| media condizionale di |
| risposte date gli input. COSÌ |
| per fare ciò, dobbiamo implementare |
| questa formula proprio qui. |
| E per farlo usiamo lo SWEEP |
| Operatore in JSL, lo SWEEP |
| L'operatore è uno strumento matematico |
| che è stato creato dal CEO di SAS e |
| co-fondatore Jim Buonanotte. Suo |
| è stato pubblicato nell'americano |
| Statistico nel 1979. Lo SPAZZAMENTO |
| L'operatore è probabilmente il singolo |
| contributo più importante a |
| statistica computazionale in |
| ultimi 100 anni. La maggior parte degli utenti JMP |
| non so che lo SWEEP |
| L'operatore è utilizzato da ogni singolo |
| Piattaforma statistica JMP in |
| molti modi. Lo usiamo per la matrice |
| inversione, i calcoli che |
| somme di quadrati e possono anche essere |
| sfruttato come semplice ed elegante |
| modo di calcolare il condizionale |
| distribuzioni se lo sai |
| come usarlo correttamente. |
| Ho creato una tabella con colonne |
| per tutte le variabili. Il due |
| le righe nella tabella sono le |
| minimi e massimi della |
| dati originali, che consentono al file |
| profiler sa come impostare il file |
| intervalli. Ho aggiunto colonne formula |
| per le variabili di risposta utilizzando |
| la versione spazzata del |
| matrice della varianza da quella di Laura |
| modella e inserisci quelle formule |
| sul retro qui nei dati |
| tavolo o all'estrema destra. |
| Ecco quale delle formule |
| sembrava. Ho inserito il |
| risultati dell'analisi come |
| matrici. Incluso il modello di Laura |
| la covarianza stimata tra |
| l'attuale Y negli ultimi due |
| valori precedenti perché lo era |
| una grande multivariata |
| modello autoregressivo di ordine 2. |
| Predire il presente di |
| controllando i due precedenti |
| valori delle variabili di ingresso |
| sarebbe stato molto complicato |
| rendere operativo. Così ho fatto |
| un presupposto semplificativo che |
| questi due valori dovevano essere |
| lo stesso, che è crollato il |
| modello in una forma che era |
| più facile da usare. Per fare questo, io |
| usa semplicemente la stessa colonna |
| etichetta quando mi stavo rivolgendo |
| in quello ritardato, e |
| ritardare due voci per termine. |
| Senza macchinari sul posto, |
| Ho creato un profiler per il |
| colonne di risposta di |
| interesse. ho installato |
| la desiderabilità funziona così |
| rifletteva quello dell'azienda |
| obiettivi. Quindi volevano farlo |
| abbina un bersaglio su su |
| A2TopTemp, massimizza A2BotTemp, |
| e così via, in definitiva |
| volendo minimizzare la somma |
| del vapore che usciva |
| delle due colonne. |
| Quindi puoi bloccarne alcuni |
| variabili nel profiler di |
| controllare facendo clic su un dolore. IL |
| le variabili lock avranno il loro |
| valore disegnato tramite un rosso pieno |
| linea, 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 del |
| variabili che possiamo controllare |
| che mantengono il prodotto in fase di realizzazione |
| alle specifiche mentre |
| minimizzando i costi energetici. |
| È giusto dire che lo sarebbe |
| essere difficile per qualcun altro |
| ripetere l'approccio di modellazione 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 abbastanza persone lo vedono |
| presentazione e vuoi che aggiungiamo a |
| piattaforma che rende questo tipo di |
| l'analisi sarà più semplice in futuro, |
| dovresti farcelo sapere |
| rivolgendosi al tecnico |
| Supporto tramite support@JMP.com. |
| Ora lo restituirò |
| la parola a Markus che parlerà |
| su ciò che ha fatto il cliente |
| il modello e le nostre conclusioni. |
| Grazie, Chris. |
| Quindi, con il Profiler di previsione, |
| che Chris ha appena presentato, noi |
| l'ho usato per, diciamo, creare a |
| panorama predittivo, che |
| ci fa capire come |
| dovrebbero essere presenti le migliori impostazioni |
| per raggiungere tutti i |
| specifiche di qualità necessarie. E così |
| quali sono i tre fattori quali |
| sono, diciamo, variano con |
| misura limitata alla nostra influenza, |
| e qual è il |
| feed per Still 1 e the |
| feed per Still 2 e anche |
| la qualità o la composizione |
| del mangime in uno. |
| E quello che abbiamo scoperto in |
| anche il loro modello è il |
| la temperatura dell'acqua di raffreddamento era |
| svolgendo anche un ruolo importante |
| in questo scenario. Tutti gli altri |
| le variabili hanno minore importanza |
| in modo che li abbiamo trascurati |
| questo primo approccio. |
| Qui vedi il paesaggio. |
| È una specie di variabilità |
| grafico, per così dire, quindi 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 |
| eccone alcuni che ho |
| anche le specifiche, quindi noi |
| bisogna stare dentro di loro. |
| Quindi è, ad esempio, il |
| 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 |
| risultati previsti, quindi il |
| specifiche di qualità, per così dire. Così il |
| temperatura del flusso superiore |
| 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 ne hai uno |
| guarda qui sulla desiderabilità, |
| che è la riga in basso qui, |
| ci sono grandi aree dove |
| non possiamo realmente ottenere un bene |
| prestazioni del nostro sistema. E se |
| dai un'occhiata ai dettagli |
| vedi, OK, qui siamo fuori specifica, |
| qui siamo fuori specifica, qui avanti |
| alcuni punti, siamo fuori specifica e così via |
| e così via. Ma cos'altro vede? |
| è che questa cosa è nelle specifiche/fuori specifica |
| è disciplinato non solo da |
| questi tre componenti verso il basso |
| qui, ma anche vicino 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, resteremo per la maggior parte |
| il tempo nelle specifiche, anche se lì |
| solo sono rari |
| combinazioni di questi tre |
| fattori in cui non lo siamo. Ma se |
| stiamo aumentando il fiume |
| temperatura, ad esempio per 24 |
| gradi, quindi le aree in cui noi |
| sono fuori specifica sono... diventati molto |
| più predominante. Anche qui è |
| molto difficile restare in questo contesto |
| specifiche. Quindi cosa noi |
| 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 era perché lo è |
| Quello? E gli ingegneri |
| spesso...sospetto è quello |
| questo era a causa di |
| capacità di raffreddamento del |
| refrigerante. Ma prima di partire |
| nel vero processo, noi |
| ha confrontato il nostro modello SEM con a |
| basato sul modello termodinamico |
| sul CAD chimico. |
| E ciò che ha sottolineato è stato |
| che entrambi i modelli lo sono |
| indicando lo stesso |
| direzione, quindi non c'erano |
| nessuna reale discrepanza |
| tra i due. |
| OK, questo ci ha fatto diventare un |
| stato d'animo ottimista e così abbiamo fatto |
| alcune vere prove |
| e con il meglio |
| impostazioni e diciamo che |
| approvato il predetto |
| cose dai modelli. |
| E così è stato, come ho detto |
| già, questo è ciò che dice l'ingegnere |
| sospettavo che il raffreddamento |
| la capacità del frigorifero non lo è |
| sufficiente. E così quando hai |
| a una temperatura del fiume più elevata, |
| allora lo è anche il trasferimento di calore |
| piccolo, e quindi l'attrezzatura... |
| l'attrezzatura non funziona davvero |
| più. Quindi il prossimo passo adesso è |
| per utilizzare questi dati da this |
| studia qui per giustificarne un altro |
| investimento che costruisce |
| un refrigeratore qui con uno migliore |
| capacità di scambio termico. |
| Quindi grazie a Laura e Chris, noi |
| potrebbe impostare qui l'investimento. |
| Se hai domande così |
| per favore, sentitevi liberi di chiedere adesso. |
| Grazie. |
