耦合雙蒸餾塔的結構方程建模 (2021-EU-45MP-756)級別：中級
Markus Schafheutle，商業諮詢顧問
Laura Castro-Schilo，JMP 高級研究統計師開發人員，SAS
Christopher Gotwalt，JMP 統計研發總監，SAS
我們描述了一個對化學過程的製造數據進行建模的案例研究。 該研究的目標是確定製造過程中可控因素的最佳設置，從而保持高產品質量，同時最大限度地降低成本。 我們使用結構方程模型 (SEM) 來擬合多元時間序列模型，該模型捕獲了眾多過程變量之間多元關聯的複雜性。 然後，我們使用 SEM 中的模型隱含協方差矩陣創建了一個預測刻畫器，可以估計可控因素的最佳設置。 結果由領域專家驗證，並將預測與熱力學模型的預測進行比較。 成功驗證後，SEM 和 Profiler 結果在化工廠進行了測試，取得了積極的結果；優化的預測設置為優化質量和成本指明了正確的方向。 最後，我們概述了使用社會和行為科學而不是工程中常用的方法對這些數據進行建模的挑戰。
自動生成的成績單...
揚聲器 | 成績單 |
| 你好，我是克里斯·戈特瓦爾特 |
| 今天我將成為 |
| 與 Markus Schafheutle 一起演講 |
| 和勞拉·卡斯特羅-斯基洛 |
| 關於工業應用 |
| 結構方程模型，或 |
| 掃描電鏡。 這次演講展示了其中之一 |
| 我最喜歡的事情 |
| 我在 JMP 的工作。 在 JMP 中 |
| 統計發展，我們有 |
| 鳥瞰是什麼 |
| 發生在數據分析中 |
| 跨越許多領域，這給出了 |
| 我們有機會穿越 |
| 推廣最佳實踐 |
| 學科。 |
| 在 JMP Pro 15 中，我們添加了一個新的 |
| 結構方程建模 |
| 平台。這是占主導地位的 |
| 數據分析框架 |
| 很多社會科學因為 |
| 它靈活地模擬複雜的 |
| 多變量關係 |
| 設置。關鍵之一 |
| 特點是變量可以 |
| 既可以用作回歸器，也可以用作 |
| 同時響應 |
| 同一模型的一部分。 |
| 此外，我想到 |
| 與這些複雜的 |
| 他們所代表的模型 |
| 圖表至少在 |
| 表面，看起來像圖表 |
| 代表製造業 |
| 流程。我不是唯一一個 |
| 建立這種聯繫。 馬庫斯， |
| 誰正在與一個 |
| 化學公司認為 |
| 一樣。 他正在研究一個 |
| 一家化工公司的問題 |
| 帶有兩列雙胞胎 |
| 蒸餾製造 |
| 處理他們想要的地方 |
| 最大限度地減少能源成本 |
| 大部分會被蒸發 |
| 生產，同時仍在生產 |
| 留在裡面的產品 |
| 規格。他伸手去 |
| 他的 JMP 銷售工程師， |
| 馬丁·德梅爾（Martin Demel）隨後連線 |
| 馬庫斯對勞拉和我說。 |
| 我們舉行了一系列會議 |
| 他展示和描述的地方 |
| 數據、問題和 |
| 公司的目標。 我們曾經 |
| 能夠對數據建模 |
| 非常好。 我們的模型是 |
| 通過分享結果進行驗證 |
| 與 JMP 溝通 |
| 公司的概況分析員 |
| 內部專家，然後與 |
| 第一原理模擬器 |
| 然後用新的物理數據 |
| 來自植物。 這是一個明確的 |
| 數據科學的成功 |
| 項目。不過，我想 |
| 添加警告。 成功 |
| 需要大家共同努力 |
| 勞拉，頂級專家 |
| 在結構方程中 |
| 造型。在加入 JMP 之前， |
| 她是定量教授 |
| 大學心理學 |
| 北卡羅來納州教堂山，一 |
| 的最高部門 |
| 我們。 她也是 |
| JMP Pro 中的 SEM 平台。 |
| 這次練習很有挑戰性 |
| 即使對她來說。 她必須寫一個 |
| 自己寫的JSL程序 |
| 指定的 JSL 程序 |
| 以這個模型為例。 |
| 我們擬合的模型可能是 |
| 最大和最多 |
| 複雜的 SEM 模型 |
| 時間。我想叫出 |
| 真正傑出和 |
| 開創性的工作 |
| Laura 通過 SEM 完成了這兩件事 |
| 一般平台和在此 |
| 特別是案例研究。 現在 |
| 我要把它交給 |
| 馬庫斯，誰將給予 |
| 問題的背景 |
| 客戶想要解決，那麼 |
| 勞拉要談論的是 |
| SEM 和她的模型 |
| 問題。我會做一個簡短的 |
| 討論我們如何建立 |
| 探查器，然後馬庫斯將 |
| 總結一下 |
| 該項目的要點以及 |
| 客戶採取的行動 |
| 根據我們的結果採取。 |
| 謝謝你，克里斯， |
| 介紹。 |
| 在我開始解決問題之前， |
| 我想讓你熟悉 |
| 蒸餾原理。 |
| 蒸餾是一個過程 |
| 分離液體混合物 |
| 大部分時間並且分開 |
| 他們融入他們的個人 |
| 成分。那麼這是如何做到的 |
| 工作？ 在這裡，您可以看到示意圖 |
| 實驗室蒸餾視圖 |
| 設備。你看到這裡是一個 |
| 燒瓶中含有粗混合物， |
| 必須分開的是 |
| 裡面。 你把它加熱，在這裡 |
| 在這種情況下，用油浴 |
| 攪拌然後就開始了 |
| 沸騰。所以沸點最低 |
| 材料首先開始，然後是 |
| 蒸氣在這裡上升並暫停 |
| 這裡的溫度計要達到 |
| 沸騰溫度，然後 |
| 進一步進入這些冷卻器 |
| 在這裡它凝結並且 |
| 然後凝結水滴到這裡 |
| 放入另一個小燒瓶中。 |
| 正如我所說，它已經建成 |
| 來自...用於分離混合物 |
| 不同液體的 |
| 沸點，這些是 |
| 按沸點分開。 |
| 舉個例子，大家都知道 |
| 也許如果你想做 |
| 杜松子酒，你只需 |
| 在裡面搗碎 |
| 燒瓶，加熱，然後你 |
| 在這裡蒸餾酒精 |
| 並得到杜松子酒。 |
| 因為看起來非常簡單 |
| 在實驗室這裡，在 |
| 行業有點多 |
| 複雜的。因為讓我們 |
| 說裝備不行 |
| 不僅更大，而且更多 |
| 複雜，主要是因為 |
| 工程部分的 |
| 的故事。 |
| 所以在本研究中， |
| 蒸餾沒有完成 |
| 正如你之前看到的那樣，分批， |
| 但以連續的方式。 這 |
| 意味著粗混合物是 |
| 泵送至中間某處 |
| 柱，然後是低 |
| 沸騰的物質上升 |
| 蒸氣到達塔頂 |
| 然後它就離開了專欄 |
| 和其他沸點較高的 |
| 物質向下流動並且 |
| 將列留在底部。 |
| 並讓它變得更多一點 |
| 複雜，在我們的例子中 |
| 然後泵送底部流 |
| 進入第二列並且 |
| 再次蒸餾，因此 |
| 分離另一種材料 |
| 從主要..從... |
| 從殘留的東西中。 所以 |
| 實際上我們分開了 |
| 將原始粗混合物轉化為 |
| 三個部分 | 餾出物 1, |
| 餾出物 2 是什麼 |
| 向左，然後是底部流 |
| 第二個靜止的。 |
| 並使其更加 |
| 複雜，我們利用了 |
| 第二塔的餾出物 |
| 加熱第一列 |
| 為此節省能源。 |
| 所以在示意圖中， |
| 這看起來像這樣。 |
| 這裡有 Still 1 和 |
| 還有2個。 在這裡我們 |
| 具有以下原料組合 |
| 實際上是組裝 |
| 餾出物來自 |
| 製造和我們想要的 |
| 要做的就是將值分開 |
| 其餘材料。 所以我們 |
| 將這種粗混合物泵入 |
| 第一張劇照。 正如我在某處所說 |
| 在中間它分開 |
| 低沸點，即 |
| 我們想要的第一個有價值的材料 |
| 有，剩下的就留下了 |
| 首先還在底部。 然後 |
| 它立即存儲在此處 |
| 一輛坦克，然後從這裡開始 |
| 再次泵入第二個 |
| 仍然，再次在某個地方 |
| 中間，它分成 |
| 第二個有價值的材料和 |
| 遠流，當時是 |
| 重新存放。為了加熱東西， |
| 我們從這一邊開始，因為 |
| 這是較高沸點 |
| 材料，所以我們需要更高 |
| 溫度，這也意味著 |
| 更多能量。 所以我們泵入 |
| 在這裡蒸汽，仍然在這裡加熱， |
| 和離開這裡的材料 |
| 頂部的溫度為 |
| 這種材料的沸騰，所以 |
| 我們利用餘熱 |
| 加熱第一個蒸餾器。 而如果 |
| 之間有一點差距 |
| 這裡會發生什麼 |
| 我們需要什麼 |
| 首先在這裡進行蒸餾 |
| 不過，我們可以添加一點 |
| 保持額外的蒸汽 |
| 一切都在運行。 |
| 所以這是一個非常高的水平 |
| 對事物的看法，如果你 |
| 想要更深入地了解 |
| 詳細信息，這裡是 |
| 同一張照片。 但我在這裡展示 |
| 帶有各種不同標籤的你 |
| 我們在這里為所有 |
| 讀數和質量控制以及 |
| 溫度控制等 |
| 等等。 所以你所看到的 |
| 這裡？ 我們從這裡開始，為飼料一 |
| 進入第一個靜止圖像。 |
| 然後我們分開到頂部 |
| 我們控制的流 |
| 密度，這是一種質量 |
| 特徵。並且在 |
| 底流, 底流 |
| 進入這個中間罐。 |
| 然後從這裡開始安裝 |
| 再次進入第二張靜止圖像 |
| 也並在這里分離 |
| 底流為頂流。 |
| 我們再次在這裡進行測試 |
| 用於質量控制的密度。 |
| 在這裡我們還將蒸汽添加到 |
| 把所有這些東西加熱然後 |
| 然後頂部流通過熱量 |
| 交換器進入第一個蒸餾器 |
| 並再次加熱。 和這裡 |
| 我們有可能添加 |
| 一些額外的蒸汽 |
| 這裡的一切都處於平衡狀態。 |
| 所以我們看到的是本地的 |
| 基礎上你有很多 |
| 相關性，這樣就完成了 |
| 這裡有顏色代碼 |
| 箭頭。例如，飼料 |
| 這里和飼料一起 |
| 密度，這是衡量 |
| 這裡的組成 |
| 餵養。所以和這兩個一起 |
| 正在定義頂流和 |
| 這裡的質量，以及 |
| 底流或多或少。 那麼你 |
| 有一些當地的預測。 也 |
| 材料在這裡 |
| 這里和這裡定義了東西 |
| 這裡。但如果你想擁有一個 |
| 整個的總描述 |
| 裝備，然後就變得棘手了 |
| 因為你可以做局部最小二乘 |
| 這裡的相關性。 你能行的 |
| 這裡。你可以單獨做 |
| 對於蒸汽或也在這裡。 但 |
| 如你所見，我們有一個開始 |
| 大量的人流來到這裡，去 |
| 通過第一靜止，通過 |
| 其次，到這裡，我們有 |
| 能量流開始 |
| 或多或少在這裡，經歷 |
| 這裡也通過熱交換器 |
| 下面這裡。 所以這是一種 |
| 電路，我們這裡有，和 |
| 所有這些都是相互關聯的 |
| 或多或少是一種 |
| 的電路，這給出了 |
| 我們所面臨的困難 |
| 其實不知道X是什麼 |
| Ys 是。 |
| 這就是我們的原因 |
| 開始考慮其他 |
| 對此進行建模的可能性。 |
| 所以本研究的目標是 |
| 找到最佳流量並 |
| 所有這些的蒸汽設置 |
| 不同的輸入因素 |
| 在這裡，以我們的方式 |
| 能夠留下一切 |
| 在規格中。 所以蒸餾液 |
| 質量應該保持在規格範圍內，但是 |
| 還有內部運營 |
| 規格以及規格 |
| 最終廢物流。 |
| 而最有趣的部分是， |
| 至少有錢 |
| 明智的是，我們希望最小化 |
| 的消費 |
| 速度……抱歉，是蒸汽的速度。 |
| 那麼我們真正需要的是 |
| 首先是一個好的模型 |
| 描述了這個和那個 |
| 正是勞拉來的時候 |
| 在這裡進入遊戲並開發 |
| 這個結構方程模型。 |
| 我們還需要這樣的 |
| 分析器使我們能夠 |
| 找出最好的 |
| 設置，最佳設置 |
| 對於所有這些傳入的 |
| 我們可能有的變化 |
| 在這裡，為了留在一切之中 |
| 這些規格。 那就是 |
| 克里斯進來的地方， |
| 以勞拉的模型為基礎， |
| 一個分析器，我們可以用它來 |
| 做我們所有的預測 |
| 需要。所以現在我想通過 |
| 交給勞拉來描述 |
| 她用這個建立的模型 |
| 數據在這裡。 勞拉，請。 |
| 謝謝你，馬庫斯。 我是勞拉 |
| 卡斯特羅-斯基洛和我要去 |
| 告訴你步驟 |
| 我們遵循建模 |
| 蒸餾過程使用 |
| 結構方程 |
| 模型平台。 |
| 所以當馬庫斯第一次來的時候 |
| 和我們談論他的項目， |
| 有三個具體的 |
| 讓我意識到的功能 |
| SEM 將是一個很好的工具 |
| 為了他。 第一個是 |
| 有一個非常具體的 |
| 過程如何進行的理論 |
| 互相影響，我們看到 |
| 在圖表上他 |
| 顯示。 |
| 其一個重要特點是 |
| 圖表是所有變量 |
| 具有雙重角色。 換句話說， |
| 你可以看到箭頭指向 |
| 圖中的節點，但是 |
| 這些節點也指向其他節點 |
| 變量，所以沒有 |
| 明確區分什麼 |
| 是一個輸入，什麼是 |
| 輸出。相反，變量有 |
| 這兩個角色。 |
| 最後，重要的是 |
| 意識到我們正在交易 |
| 與流程 |
| 反複測量。 其他 |
| 換句話說，我們有時間序列數據 |
| 所以所有這些功能 |
| 讓我意識到 SEM 會 |
| 成為馬庫斯的好工具。 現在， |
| 如果您不熟悉 SEM， |
| 可能想知道為什麼。 SEM 是一個非常 |
| 提供的總體框架 |
| 交易有很大的靈活性 |
| 與這些類型的問題。 |
| 我在這張幻燈片中列出了 |
| 不同特徵的數量 |
| 這使得 SEM 成為一個很好的工具，但是 |
| 因為我們無法 |
| 為了經歷所有這些，我 |
| 還包含一個鏈接，您可以在其中 |
| 可以去了解更多關於SEM的信息 |
| 如果你有興趣的話。 現在我 |
| 將重點關注其中兩個 |
| 我這裡有積分。 首先 |
| SEM 可以讓我們測試 |
| 多元理論 |
| 變量之間的關係， |
| 這正是馬庫斯所說的 |
| 想做。 |
| 另外，還有非常實用的 |
| SEM 中稱為路徑的工具 |
| 圖表。這些圖是 |
| 非常直觀，他們 |
| 表示統計模型 |
| 我們很合適。 |
| 那麼讓我們來談談這一點 |
| 再多一點。 這是一個例子 |
| 的路徑圖，我們可以 |
| 在SEM平台中繪製 |
| 表示一個簡單的線性 |
| 回歸，圖為 |
| 畫得很具體 |
| 特徵。例如，我們是 |
| 使用矩形來表示 |
| 我們擁有的變量 |
| 測量。在這裡，是 X 和 Y。 我們 |
| 還有一個單向箭頭 |
| 代表回歸效應。 和 |
| 注意雙頭箭頭 |
| 開始和結束相同 |
| 變量代表方差。 |
| 現在，如果這些要開始並且 |
| 以不同的變量結束， |
| 那些雙頭箭頭會 |
| 然後表示協方差。 在 |
| 在這種情況下，我們只有 |
| X 的方差和殘差 |
| Y 的方差，它是 |
| 這沒有解釋 |
| X 的預測。 |
| 這就是路徑圖 |
| 一個簡單的表示 |
| 線性回歸。 但是當然 |
| 我們還可以看看 |
| 所表示的方程 |
| 通過該圖。 並註意 |
| 對於 Y，該方程為 |
| 簡單的線性回歸。 和 |
| 我在這裡省略了手段和 |
| 攔截只是為了簡單起見。 |
| 重要的是要注意 |
| 中的所有參數 |
| 方程是 |
| 表示在路徑中 |
| 圖表，所以這些圖表 |
| 確實傳達了 |
| 精確的統計模型 |
| 我們很合適。 |
| 現在在 SEM 中，圖表或 |
| 我們指定的模型意味著 |
| 非常具體的協方差 |
| 結構。這是 |
| 我們的協方差結構 |
| 考慮到簡單的情況 |
| 線性回歸模型。 那麼你 |
| 可以看到我們有 epsilon X 作為 |
| X 的方差。 我們還有 |
| Y 的方差，是 |
| 兩個方差的函數 |
| X 和殘差方差 |
| Y，我們還有一個 |
| 協方差的表達式 |
| X 和 Y。 一般來說， |
| 評估模型擬合的方式 |
| 在SEM中是通過比較模型 |
| 隱含協方差結構 |
| 實際觀察到的樣本 |
| 數據的協方差，如果 |
| 這兩個相當接近 |
| 彼此，然後我們會說 |
| 該模型非常適合。 |
| 所以有很多不同的型號 |
| 可以擬合在 SEM 中。 |
| 而今天我們的重點是 |
| 將具體地 |
| 在時間序列模型上。 |
| 當我們談論時間序列時， |
| 我們正在具體談論 |
| 那裡的數據集合 |
| 依賴於先前的數據 |
| 點，這些數據是 |
| 通常平均收集 |
| 間隔的時間間隔。 |
| 以及時間序列的方式 |
| 分析涉及 |
| 數據中的依賴關係是 |
| 倒退到過去。 那麼一個 |
| 這些模型的類型稱為 |
| 自回歸過程或 |
| ARP。 你可以在這裡看到 |
| Y 代表一個過程 |
| 在時間 T 測量，自動 |
| 回歸模型包括 |
| 將該過程回歸到 |
| 之前對此的觀察 |
| 過程直到時間 T 減去 P。 |
| 所以如果我們正在談論 |
| 特別是關於一個 |
| 自回歸一個過程， |
| 然後你可以看到我們有 |
| 流程 YT 的回歸 |
| 緊鄰過去的 YT |
| 減一。 |
| 我們會用這樣的方式 |
| 在 SEM 中實現這個很簡單 |
| 正如我們之前所見，通過指定， |
| YT 對 YT 的回歸減去 |
| 一。所以請注意，這裡 |
| 回歸方程很 |
| 與我們看到的類似 |
| 上一張幻燈片，等等 |
| 毫不奇怪的是 |
| 路徑圖看起來是一樣的。 |
| 我們可以擴展這個 AR(1) |
| 模型為包含兩個的一個 |
| 滯後，換句話說， |
| 二階自回歸。 和 |
| 在這裡我們看到我們有這個過程 |
| 回歸的 YouTube 時間 |
| T 減 1 和 T 減 2。 |
| 如果我們看一下路徑 |
| 表示該圖 |
| 模型，我們看到我們有一個 |
| 顯式表示 |
| 當前正在處理，但是 |
| 也在滯後一和滯後二處。 |
| 這是一個非常具體的方面 |
| 圖中的路徑是 |
| 相鄰時間點設置為 |
| 彼此相等，並且這 |
| 是其中的重要組成部分 |
| 規範使我們能夠 |
| 正確指定型號。 所以 |
| 注意這裡我們使用的是 beta 1 |
| 來表示這個滯後 1 |
| 影響，我們還必須 |
| 設置等式約束 |
| 殘差方差。 |
| 最後我們還有這樣的效果 |
| YT 減去 2，因為它是 |
| 預測 YT，所以這是 |
| 滯後2效應。 |
| 現在所有這些模型都是 |
| 單變量時間序列模型， |
| 你可以使用 |
| 結構方程建模 |
| JMP 中的平台或者您可以 |
| 也使用時間序列 |
| 我們可用的平台。 |
| 然而，我們遇到的問題是 |
| 處理馬庫斯的數據 |
| 需要更多的複雜性。 它 |
| 要求我們看看 |
| 多元時間序列模型 |
| 這些模型的一種是 |
| 稱為向量自回歸 |
| 楷模。我想要什麼 |
| 向您展示的是這些模型之一 |
| 為二階。 |
| 所以我們有一個針對 X 的流程 |
| Y 的另一個，同樣的 |
| 自回歸效應 |
| 之前看過的都包含在這裡。 |
| 注意我們有平等 |
| 真正的約束 |
| 對於正確的重要 |
| 規格。但我們也有 |
| 交叉滯後效應 |
| 告訴我們流程如何 |
| 互相影響。 並註意 |
| 這裡伽瑪 1 和伽瑪 1 和 |
| 還有伽馬 3、伽馬 3、 |
| 在這裡建議我們必須 |
| 施加平等約束 |
| 這些滯後 1 效應 |
| 流程。 |
| 我們還必須將 |
| 跨過程的協方差 |
| 所以我們有他們的協方差 |
| 時間 T 減 2。 但我們也有 |
| 時間的殘差協方差 |
| T 減 1 和 T 並註意這些 |
| 必須平等 |
| 再次約束以獲得適當的 |
| 規格。所以我要去 |
| 在此視頻中向您展示如何 |
| 我們將擬合雙變量時間 |
| 系列型號就像 |
| 我向您展示了一個，使用 JMP |
| 親。 我們將從 |
| 操縱我們的數據，以便 |
| 他們已準備好進行 SEM。 第一的， |
| 我們將這兩個標準化 |
| 過程，因為它們位於 |
| 規模非常不同。 |
| 然後我們創建滯後變量 |
| 明確表示時間 |
| 時間 T 之前的點。 所以我們是 |
| 將會有 |
| T 減 1 和 T 減 2。 |
| 我們推出了 SEM 平台並 |
| 我們要輸入 X |
| 然後是 Ys，這樣它就是 |
| 更容易指定我們的型號。 |
| 現在我加快了視頻速度 |
| 以便您可以快速看到 |
| 模型是如何指定的。 |
| 在這裡我們添加 |
| 交叉滯後效應 |
| 對於滯後 1。 |
| 然後直接使用 |
| 圖表的交互性，我們 |
| 添加滯後 2 效果。 |
| 剩下的就是 |
| 指定所有相等性 |
| 所需的約束條件 |
| 對於這些模型內 |
| 進程和跨進程。 |
| 我們命名我們的模型。 |
| 最後，我們是 |
| 要去運行它。 |
| 正如你所看到的，即使只是一個 |
| 雙變量時間序列模型 |
| 僅包含兩個過程 |
| 需要一定數量的平等 |
| 的限制和細微差別 |
| 規格 |
| 相對具有挑戰性。 然而， |
| 在蒸餾的情況下 |
| 處理數據，我們還有更多 |
| 比兩個進程。 我們曾經 |
| 實際上處理 26 個 |
| 這些過程以及我們總共 |
| 大約有 45,000 |
| 進行的測量 |
| 每隔 10 分鐘一次。 |
| 所以我們的第一個方法是 |
| 探索單變量 |
| 時間序列模型使用 |
| JMP 中的時間序列平台。 |
| 當我們這樣做時，我們 |
| 意識到對於大多數 |
| 處理 AR(1) 或 AR(2) |
| 模型最適合，所以這個 |
| 讓我意識到真的 |
| 至少我們需要 |
| 擬合多元模型 |
| SEM 合併於 |
| 至少有兩次滯後。 |
| 我們還必須遵循一些數字 |
| 的預處理步驟 |
| 將數據準備好放入 SEM。 |
| 一方面，我們有很多 |
| 缺少數據，即使 |
| SEM 可以處理缺失數據 |
| 很好，模型如下 |
| 像這些一樣複雜，它變成了 |
| 計算上非常非常 |
| 密集的。 所以我們決定 |
| 選擇我們的數據子集 |
| 擁有所有的完整數據 |
| 流程，這給我們留下了 |
| 大約 13,000 個觀察結果。 |
| 另外，正如我們在視頻中看到的，我們 |
| 有很大的規模差異 |
| 跨流程，所以我們有 |
| 將它們全部標準化。 和 |
| 最後我們創建了滯後變量 |
| 確保我們能夠 |
| 在 SEM 中指定模型。 |
| 現在對於型號規格， |
| 等式約束 |
| 特別是非常非常大 |
| 挑戰，因為這需要 |
| 有很多時間來指定它們 |
| 手動，這將是 |
| 當然，乏味且容易出錯。 |
| 所以我們的處理方法是 |
| 這是為了生成一個 JSL |
| 然後會生成的腳本 |
| 另一個用於啟動的 JSL 腳本 |
| SEM 平台。 |
| 你在這裡看到的是 |
| 我們適合的最終模型 |
| 值得慶幸的是，之後 |
| 估計這個模型，我們 |
| 能夠獲得協方差 |
| 隱含的結構 |
| 模型，那就是 |
| 我可以傳遞的信息 |
| 克里斯·戈特瓦爾特 (Chris Gotwalt) |
| 然後使用來自的信息 |
| 該矩陣以便創建一個 |
| Markus 可以使用的分析器 |
| 為了他的目的。 |
| 所以克里斯，你為什麼不告訴我們 |
| 你是如何創建那個分析器的？ |
| 謝謝你，勞拉。 現在我要走了 |
| 展示如何的亮點 |
| 我能夠接受模型 |
| 結果並將其轉化為 |
| 該公司的概況分析員 |
| 可以輕鬆合作。 |
| 所以勞拉在 |
| 標準化數據並向我發送了 |
| 包含相同型號的表 |
| 攔截，她還包括 |
| 原來的手段和標準 |
| 曾經的偏差 |
| 標準化數據。 上 |
| 對了，我們有 sim 模型 |
| 隱含協方差矩陣，其中 |
| 包括之間的協方差 |
| 現值和 |
| 即時值的滯後值 |
| 過去的。該信息描述了 |
| 所有變量如何相關 |
| 另一個。 在這種形式下， |
| 儘管模型還沒有準備好 |
| 用於預測。 查看 |
| 某些變量如何變化 |
| 作為他人的函數，我們有 |
| 使用此信息 |
| 導出條件 |
| 響應的分佈 |
| 變量，給定變量 |
| 我們想用作輸入。 |
| 所以本質上我們需要 |
| 的條件均值 |
| 給定輸入的響應。 所以 |
| 為此，我們需要實施 |
| 這個公式就在這裡。 |
| 為此，我們使用 SWEEP |
| JSL 中的操作員 SWEEP |
| 運算符是一種數學工具 |
| 由 SAS 首席執行官創建 |
| 聯合創始人吉姆·古德奈特。 它是 |
| 發表在美國 |
| 1979年任統計學家。 橫掃 |
| 運營商可能是單身 |
| 最重要的貢獻 |
| 計算統計中 |
| 過去100年。 大多數 JMP 用戶 |
| 不知道掃 |
| 每個人都使用運算符 |
| JMP統計平台 |
| 很多方法。 我們用它來做矩陣 |
| 反演，計算 |
| 平方和也可以是 |
| 被利用為簡單而優雅 |
| 條件計算方法 |
| 如果你知道分佈 |
| 如何正確使用它。 |
| 我創建了一個包含列的表 |
| 對於所有變量。 他們倆 |
| 表中的行是 |
| 的最小值和最大值 |
| 原始數據，這讓 |
| profiler 知道如何設置 |
| 範圍。我添加了公式列 |
| 對於響應變量使用 |
| 的掃掠版本 |
| Laura 的方差矩陣 |
| 模型並輸入這些公式 |
| 進入後面的數據 |
| 表或最右邊。 |
| 這是其中一個公式 |
| 看起來像。 我拉了進去 |
| 分析結果為 |
| 矩陣。包括勞拉的模型 |
| 之間的估計協方差 |
| 過去兩個中的當前 Y |
| 前面的值，因為它是 |
| 一個大的多元變量 |
| 2 階自回歸模型。 |
| 預測現在 |
| 控制前兩個 |
| 輸入變量的值 |
| 會很麻煩 |
| 來實施。 所以我做了 |
| 一個簡化的假設 |
| 這兩個值是 |
| 同樣的，它崩潰了 |
| 模型轉化為一種形式 |
| 更容易使用。 為了做到這一點，我 |
| 只需使用同一列 |
| 我講話時的標籤 |
| 進入滯後一，並且 |
| 滯後兩個術語條目。 |
| 如果沒有適當的機械設備， |
| 我創建了一個分析器 |
| 的響應列 |
| 興趣。 我設置了 |
| 意願函數 |
| 反映了公司的 |
| 目標。所以他們想要 |
| 匹配目標 |
| A2TopTemp，最大化 A2BotTemp， |
| 等等，最終 |
| 想要最小化總和 |
| 出來的蒸汽 |
| 兩列的。 |
| 這樣你就可以鎖定某些 |
| 分析器中的變量 |
| 控制點擊疼痛。 這 |
| 鎖變量將有它們的 |
| 通過純紅色繪製的值 |
| 線，然後一旦我們完成 |
| 我們可以輸入值 |
| 他們，當我們運行 |
| 優化器或最大化 |
| 慾望，鎖定 |
| 變量將保持固定。 |
| 這樣我們就找到了設置 |
| 我們可以控制的變量 |
| 讓產品繼續生產 |
| 符合規格同時 |
| 最大限度地減少能源成本。 |
| 公平地說，它會 |
| 對其他人來說是困難的 |
| 重複勞拉的建模方法 |
| 在一個新問題上，它會 |
| 對另一個人來說很難 |
| 像我一樣設置一個分析器 |
| 這裡。如果有足夠多的人看到這個 |
| 演示並希望我們添加一個 |
| 使這種類型的平台 |
| 將來分析更容易， |
| 您應該通過以下方式告知我們 |
| 聯繫技術人員 |
| 通過 support@JMP.com 提供支持。 |
| 現在我要把它還給你 |
| 交給馬庫斯，他會說話 |
| 關於客戶做了什麼 |
| 模型和我們的結論。 |
| 謝謝你，克里斯。 |
| 因此，通過預測分析器， |
| 克里斯剛剛介紹的，我們 |
| 比方說，用它來做一個 |
| 預測景觀，其中 |
| 讓我們了解如何 |
| 最好的設置應該是 |
| 為了實現所有的 |
| 必要的質量規格。 所以 |
| 哪三個因素 |
| 比方說，是隨 |
| 我們的影響力有限， |
| 什麼是 |
| Still 1 和 |
| Still 2 的飼料以及 |
| 質量或成分 |
| 進料到一個。 |
| 我們的結果是 |
| 他們的模型也是 |
| 冷卻水溫度為 |
| 也發揮著重要作用 |
| 在這種情況下。 所有其他的 |
| 變量的重要性較小 |
| 以至於我們忽略了他們 |
| 這第一種方法。 |
| 在這裡你可以看到風景。 |
| 這是一種變化 |
| 圖表，可以這麼說，所以我們有 |
| 這裡的飼料密度為 |
| Still 1，輸入 Still 1 |
| 並輸入 Still 2 |
| 以及所有可能的組合， |
| 或多或少。 然後你就看到了 |
| 預測的設置 |
| 為了留下來做到最好 |
| 在規格範圍內。 和 |
| 這是我有的一些 |
| 規格也是如此，所以我們 |
| 必須留在他們裡面。 |
| 所以，舉個例子，這是 |
| Still 2 的蒸汽流量， |
| 在那裡回流，鍋爐升起並 |
| 同樣的事情 |
| 還是1。 在右邊 |
| 側面，你看到 |
| 預測的結果，因此 |
| 可以這麼說，質量規格。 所以 |
| 頂部流動溫度 |
| 仍為 1 表示密度 |
| 餾出物的密度 |
| 蒸餾器 2 的餾出物， |
| 等等等等。 所以呢 |
| 你看就在這裡，如果你有 |
| 看看這裡的願望， |
| 這是這裡的底行， |
| 有很大的區域 |
| 我們無法真正取得好的成績 |
| 我們系統的性能。 而如果 |
| 你看看細節 |
| 你看，好吧，我們不符合規格， |
| 我們不符合規格，在這裡 |
| 有些問題，我們不符合規格，等等 |
| 等等。 但它還看到了什麼 |
| 這是符合規格/不符合規格的東西嗎 |
| 也不僅受 |
| 這三個組件下來 |
| 在這裡，也在河邊 |
| 溫度，目前 |
| 它突出顯示最低的 |
| 河流溫度；是 1 |
| 程度。所以你在這裡看到的 |
| 有了它，我們就呆在了大部分 |
| 規格中的時間，雖然有 |
| 只是很少見 |
| 這三者的組合 |
| 我們不存在的因素。 但如果 |
| 我們正在增加河流 |
| 溫度，例如24 |
| 度，然後是我們所在的領域 |
| 不符合規格……變得很多 |
| 更占主導地位。 也在這裡 |
| 很難留在這個範圍內 |
| 規格。那麼我們 |
| 從模型中學到的 |
| 是我們留下來有問題 |
| 在我們的規格中，當 |
| 河水溫度在7℃以上 |
| 度 C。 那麼那麼然後 |
| 問題是為什麼 |
| 那？ 還有工程師們 |
| 經常...懷疑的是 |
| 這是因為 |
| 的冷卻能力 |
| 冷卻劑。但在我們去之前 |
| 進入真正的審判，我們 |
| 將我們的 SEM 模型與 |
| 基於熱力學模型 |
| 在化學 CAD 上。 |
| 它指出的是 |
| 這兩個模型都是 |
| 指向同一個 |
| 方向，所以沒有 |
| 沒有真正的差異 |
| 兩者之間。 |
| 好吧，這讓我們陷入了困境 |
| 樂觀的心情，所以我們做到了 |
| 一些真實的試驗 |
| 並與最好的 |
| 設置，比方說， |
| 批准了預測的 |
| 來自模型的東西。 |
| 結果正如我所說 |
| 已經，工程師就是這麼做的 |
| 懷疑散熱 |
| 冷卻器的容量不 |
| 充足的。所以當你有 |
| 當河水溫度較高時， |
| 那麼傳熱太 |
| 很小，所以設備... |
| 設備並沒有真正運行 |
| 不再了。所以現在下一步是 |
| 使用來自此的這些數據 |
| 在這裡學習是為了證明另一個 |
| 投資建設 |
| 這裡有一個冷卻器和一個更好的 |
| 熱交換能力。 |
| 感謝勞拉和克里斯，我們 |
| 可以在這裡設立投資。 |
| 如果你有這樣的疑問 |
| 請隨時詢問。 |
| 謝謝。 |
爆發數據探索預測建模
