Altoparlante
|
Trascrizione
|
| Stan Siranovic |
Ok, quindi iniziando con l'osservazione, abbiamo l'osservazione nella prima colonna. E subito, vediamo che abbiamo un formato un po' strano. |
| |
Detto questo, lo affronteremo più tardi. La colonna successiva è Y-Kappa, ed è ciò che è noto come variabile target, ovvero ciò che vorrebbe prevedere. Questo è il valore misurato e vorremmo mantenerlo entro un intervallo ristretto. |
| |
E in un altro minuto o due, spiegherò perché. E mentre scorriamo i dati, vediamo un paio di cose qui. Abbiamo delle etichette strane. Abbiamo il T-upperExt, qualunque esso sia. Abbiamo un T-lower, abbiamo un WhiteFlow. E lo abbiamo notato |
| |
alcune colonne, infatti, la maggior parte delle chiamate ha alla fine un numero. E si scopre ... dopo alcune indagini, scopriamo che quello è il tempo di ritardo. |
| |
E ci arriverò quando spiegherò il processo. Quindi abbiamo cose come l'umidità del truciolo, il calore del vapore e vediamo anche che abbiamo alcuni valori mancanti. Ecco... ce ne sono alcuni qua e là, ma soprattutto sembra che siano confinati all'AAWhite, |
| |
scusami, alla fine, la solfidità. Quindi ne prendiamo atto. |
| |
Ora |
| |
dal momento che non abbiamo familiarità con nulla di questo genere di cose, probabilmente la cosa intelligente da fare per noi sarebbe ... sarebbe fare qualche ricerca e vedere esattamente cosa stiamo guardando. E vorremmo anche sapere (fammi portare qui il PowerPoint) |
| |
esattamente |
| |
Va bene. |
| |
Cominciamo. Bene, il digestore kamyr è un processo continuo in quattro fasi per il produttore di cellulosa e carta. |
| |
Ora questi |
| |
processo ... questi processi sono piuttosto grandi e puoi pensarli come una gigantesca pentola a pressione. Quello che facciamo è controllare un po' di calore, vapore e pressione, |
| |
mi scusi, nel reattore. E questi possono avere un diametro di 18 piedi e un'altezza fino a 200 piedi. E quello che volevamo fare era separare la lignina controllando il numero Kappa. |
| |
E la materia prima è un po' insolita. Sono uscito dall'industria chimica e sono abituato a lavorare con |
| |
una materia prima liquida ma qui la nostra materia prima è trucioli di legno o segatura da a |
| |
segheria qualunque cosa. E non abbiamo alcuna informazione sul fatto che queste materie prime vengano scaricate insieme, vadano una sopra l'altra, se siano |
| |
campagna, ma sappiamo subito di avere una certa variabilità qui. Indipendentemente dalla forma fisica, la materia prima è composta per il 50% da acqua, per il 25% da polpa e per il 25% da lignina. E, naturalmente, la lignina è ciò che vogliamo dissolvere da lì. |
| |
Ora il processo è simile a questo. È complesso e all'interno di questa singola unità ci sono quattro operazioni di unità separate. Abbiamo la parte superiore, dove vengono scaricati i trucioli e la miscela di reazione, che è...che viene chiamata liquore. |
| |
Ha un po' di caustico... un po' di alcalinità, ma puoi pensarlo come una soluzione di sapone. Separerà la lignina dal legno. |
| |
E abbiamo anche i flussi fluidi, sia effluenti che liquori, e ce ne sono tre. |
| |
E può essere simultaneo o controcorrente, quindi c'è un'altra variabile che introduciamo. Come ho detto prima, la variabile target è un numero Kappa, e questa è una determinazione ISO, e abbiamo un'altra variabile qui, in quanto i fluidi vengono ricircolati e rigenerati. |
| |
Quindi iniziamo con un po' di esplorazione dei dati. |
| |
Ed ecco come appare la tabella dei dati di JMP subito dopo averla inserita in JMP. Iniziamo con l'osservazione, Y-Kappa, |
| |
che vogliamo misurare e poi il chip rate. Ecco alcuni altri rapporti. E possiamo vedere che abbiamo alcuni dati mancanti, la maggior parte sembra essere confinata a quella colonna lì, e questa colonna qui, la solfidità. |
| |
Quindi diamo un'occhiata a quelli per vedere se c'è qualcosa di cui dovremmo preoccuparci. E il modo migliore per farlo, penso, è andare qui alle tabelle e guardare il modello di dati mancanti. |
| |
E quello che farò è fare clic trascinare e selezionare tutti quelli. E li aggiungerò. |
| |
E otteniamo questo tavolo. |
| |
Ora dovresti vedere la tabella dei dati mancanti |
| |
proprio sopra il mio tavolo JMP. |
| |
E lasciami espandere un po' la prima colonna. Ora, se guardassimo la prima colonna qui che dice conteggio |
| |
e abbiamo il numero di colonne mancanti è zero, e vediamo zeri tutto qui nella colonna successiva, questo è il nostro schema e questo ci dice che abbiamo 131 colonne senza dati mancanti ma abbiamo 132 colonne |
| |
in cui due colonne hanno alcuni dati mancanti. Un dove vedi l'1 e l'1, cioè dove mancano i dati. E abbiamo un altro schema qui con 19, ma il resto è abbastanza pieno... |
| |
abbastanza completamente popolato e se hai mai avuto a che fare con i dati di produzione o i dati di monitoraggio della qualità, vedi che questo non è insolito. È un dato di fatto, questo è questo |
| |
piuttosto completo per questo tipo di dati. Quindi diamo un'occhiata un po' di più. Abbiamo 131 con uno mancante e sappiamo di avere quelle due colonne. |
| |
Vediamo se corrispondono. Questo è tutto. È lo stesso record con le stesse due colonne con dati mancanti. E quello che possiamo fare è selezionare quella prima riga |
| |
e possiamo dare un'occhiata qui. |
| |
Fammi togliere di mezzo questo. E possiamo scorrere. |
| |
E abbastanza sicuro, |
| |
vediamo i punti salienti blu lì, |
| |
che evidenziano i dati non mancanti, e vediamo che i dati mancanti tendono ad allinearsi. C'è un punto qui, un punto qui, quindi sembra che tutti questi dati mancanti in quelle due colonne siano nella stessa riga. |
| |
Quindi fammi tornare indietro |
| |
e interrompere la condivisione. |
| |
E ora faremo un po' di esplorazione dei dati, e chiuderò quella finestra. |
| |
E siamo di nuovo qui alla tabella dei dati JMP originale. |
| |
E vediamo, da dove cominciare? Bene, abbiamo un paio di scelte qui, ma una cosa che possiamo fare è fare clic su questa icona qui, e dice mostra i grafici di intestazione. |
| |
Quindi facciamo clic sull'icona e possiamo vedere alcuni grafici di intestazione qui. E ciò che fa è mostrarci alcuni istogrammi della distribuzione |
| |
nella colonna sottostante. E questi questi sono trascinabili, quindi possiamo ingrandirli in entrambe le direzioni. E perché non facciamo un po' di esplorazione qui. Dal momento che vogliamo controllare la Y-Kappa, |
| |
selezioniamo alcuni di quei valori alti e vediamo cosa possiamo vedere. Ora scorri, scorri, sembra che lo sia |
| |
in qualche modo correlato a quello che sta succedendo nel BlowFlow che... |
| |
che è al massimo della gamma qui, e se andiamo a T-upperExt-2, |
| |
possiamo vedere che tende ad essere nella metà inferiore della distribuzione. E a parte questo, niente spicca davvero per noi, quindi facciamo clic proprio lì |
| |
e lì, per ripulirlo un po'. |
| |
E facciamo un po' più di spiegazione. Andiamo al generatore di grafici. |
| |
Quindi vai al grafico... |
| |
generatore di grafici e si apre questa finestra. |
| |
E quello che farò è guardare l'Y-Kappa |
| |
Ci siamo, e posso mettere... posso mettere una linea più liscia lì dentro. |
| |
E quello che vedo è |
| |
una certa variabilità nel nostro processo, ma è piuttosto stabile, forse una leggera tendenza al rialzo qui, ma stabile e sarà importante un po' più tardi. |
| |
Ma se guardo quaggiù, dove c'è scritto osservazione, cosa vedo? Vedo che inizia con 1-00 e poi 01 e il tempo continua a salire. Ma se guardo la tabella dei dati qui, inizia con 31. Quindi quello che apparentemente hanno fatto qui |
| |
sull'unità iniziava con la data del mese, e poi l'ora e continuavano con quel formato, ma non è quello che vogliamo. Quindi fammi chiudere. Interromperò la condivisione e visualizzerò un'altra tabella di dati JMP. |
| |
Ok, quindi quello che stiamo guardando sono fondamentalmente gli stessi dati, e li ho ripuliti un po', e ho apportato alcune modifiche. E mentre lo guardiamo, l'ho arrangiato come di solito voglio arrangiarlo con l'Y-Kappa, che è il nostro |
| |
...il nostro valore obiettivo, seguito dall'osservazione. E qui ho aggiunto una sequenza di un'ora, e lascia che ti mostri cosa succede qui. |
| |
E ho salvato tutti gli script in questa tabella di dati, stessi dati, è solo che ne ho aperto uno diverso, che è stato ripulito. E noti che abbiamo lo stesso numero di cifre decimali, in tutte le nostre tabelle qui, se scorro. |
| |
E ripetiamo |
| |
quello che ho appena fatto prima. Quindi andremo al grafico, costruttore di grafici. |
| |
Metti la Y-Kappa qui e ora ho aggiunto la sequenza Y a |
| |
la nostra tabella dati, e ora otteniamo uno schema diverso. Se apro l'originale, |
| |
vediamo che abbiamo una linea diversa e più liscia, e quello che provo a fare è cercare alcune costellazioni, ciò che io chiamo costellazione. Quindi qui abbiamo questi tre punti dati. |
| |
Chiudo questo e apro il secondo. |
| |
E i tre punti dati sono qui. |
| |
Fammi chiudere. |
| |
E notate quaggiù con la sequenza oraria, |
| |
abbiamo i punti dati nell'ordine in cui sono e un'altra cosa che potremmo fare con JMP |
| |
è che possiamo salire qui, |
| |
interruttore |
| |
osservazione, che avevamo prima, e ora spostatela quaggiù. |
| |
E inseriremo di nuovo la nostra linea più liscia, puoi vedere, abbiamo lo stesso schema, ma ora se prendo la sequenza dell'ora |
| |
e trascinalo qui, abbiamo il meglio di entrambi i mondi. Sono in ordine, ed è così che li volevamo. |
| |
E abbiamo, se notate in fondo qui, è l'osservazione ordinata per sequenza oraria decrescente, che è l'impostazione predefinita. E potrei fare clic su Fine, ma per ora lo ridurrò al minimo. |
| |
E passeremo al passaggio successivo. Controlla i miei appunti, assicurati di non aver tralasciato niente. |
| |
Oh, e come ho inserito la nuova colonna, fammi fermare la condivisione qui, e invece di passare attraverso l'intero processo, fammi tornare a PowerPoint. |
| |
E ho dato alla colonna un nuovo nome, Sequenza oraria, e per il tipo di dati ho scelto numerico, perché è quello che è. Per |
| |
tipo di modellazione, ho scelto continuo perché si tratta di dati continui, anche se sono necessari intervalli orari regolari. E ho scelto il formato qui perché è facile da leggere per gli esseri umani. |
| |
E per inizializzare i dati per la colonna, ho scelto i dati di sequenza e li ho eseguiti da 1 a 301, perché quella è la nostra ultima riga. E vediamo, ripeti ogni valore una volta, numero di colonne da aggiungere, solo una. |
| |
E per le proprietà della colonna, ho scelto la frequenza temporale dal menu a discesa e ho anche scelto ogni ora. Quindi è così che ho ottenuto quella colonna. |
| |
Quindi lasciami interrompere la condivisione su questo |
| |
e riducilo a icona e porterò di nuovo alla tabella dei dati JMP. |
| |
Ed eccoci di nuovo nella tabella dei dati. Ora iniziamo con la parte divertente, passiamo all'analisi. |
| |
Andiamo |
| |
analizzare. |
| |
E ho ottenuto la tabella dei dati sbagliata. Fammi aprire l'altro. Eccoci qui. |
| |
Vai ad analizzare, |
| |
metodi multivariati |
| |
multivariato. |
| |
E ci viene presentato questo schermo. Bene, vogliamo dare un'occhiata a Y-Kappa, quindi metti la Y lì dentro. |
| |
Non vogliamo pesi e frequenze o da e andiamo |
| |
fare clic trascinare. |
| |
Mettici dentro tutti quelli. Fare clic su OK ed ecco il risultato. E per iniziare con... permettetemi di chiudere... |
| |
e ci viene presentata la matrice del grafico a dispersione. E qui possiamo cercare alcuni schemi nei dati. Non ne vediamo molti, ma se guardiamo Y-Kappa qui nella colonna più a sinistra, |
| |
inizia a guardare, sembra che potremmo avere una sorta di schema qui con... |
| |
con qualunque cosa sia questa colonna. Scorri un po 'verso il basso e sembra che lo sia |
| |
uno dei flussi di liquore, ecc., ecc. Quindi possiamo farlo per avere un'idea approssimativa. Fammi chiudere. |
| |
E possiamo guardare le correlazioni qui, e quelle blu sono correlazioni positive, e quelle rosse sono negative, e nessuna di esse è veramente alta. |
| |
E per certi versi va bene e, per certi versi è male, ma non ne parleremo molto per ora. Ma guardiamo solo a quello. In alcune situazioni, otteniamo più informazioni da questo che da altre informazioni, quindi permettetemi di chiudere. |
| |
Ora passiamo allo screening del modello, quindi andiamo ad analizzare, |
| |
selezione, |
| |
screening predittivo. E ci viene presentata questa finestra e ancora una volta, |
| |
Y-Kappa è la nostra risposta Y. E qui ci viene presentata la finestra successiva. Quindi per ora, ignoreremo le osservazioni, perché qui abbiamo la sequenza oraria, ed è molto più facile da leggere, quindi la inseriamo qui e facciamo clic su OK. |
| |
E questo è ciò che otteniamo. |
| |
Quindi abbiamo i nostri predittori qui e, naturalmente, quelli con i valori più alti e le barre più grandi saranno probabilmente i predittori più importanti classificati per noi. |
| |
E vediamo un sacco di variabili qui. Ora arriviamo a un punto di decisione. Bene, questi primi due, lo sono ovviamente |
| |
qualcosa che vogliamo guardare, probabilmente anche il terzo e il quarto. Ora il resto di questi, sono in qualche modo minori, ma sono tutti uguali, quindi facciamolo. |
| |
Faremo clic su trascina, oh e prima di passare a queste due colonne, il contributo è un contributo al modello nella porzione, che è la colonna che di solito guardo è la percentuale percentuale che questo |
| |
predittore qui previsto per il modello, quindi se li sommassi tutti, arriveresti al 100%. E abbiamo un... abbiamo un link qui, dice copia selezionata. |
| |
Quindi facciamolo. |
| |
E ridurrò a icona quella finestra e tornerò qui alla nostra finestra di analisi. |
| |
E vediamo. Che ne dici se mi adatto alle modelle? Fit di modelli di regressione lineare. |
| |
E farò clic su di esso e noterò che le colonne selezionate sono già evidenziate per noi. |
| |
Quindi aggiungiamoli e, ovviamente, vogliamo di nuovo l'Y-Kappa. |
| |
E lo selezioneremo, e quando l'ho fatto, si è aperto |
| |
un'estensione qui della nostra finestra e un paio di personalità in più... un paio di scelte in più qui con i menu a tendina. E la personalità del primo, quindi fammi fare clic su di esso e ci offre una serie di scelte qui. Ma per ora atteniamoci ai minimi quadrati standard. E poi per enfasi, |
| |
abbiamo tre scelte. E qual è l'enfasi è ciò che ci viene rivelato nella finestra del rapporto iniziale. Per ora, mi limiterò a selezionare |
| |
rapporto minimo. E vediamo, degreee, 2, okay, quindi esamineremo i quadrati. |
| |
Vediamo... e immagino che siamo pronti per partire, quindi farò clic su Esegui. |
| |
E questo è quello che ottengo. E sembra che questo BF-CMratio sia di primaria importanza, |
| |
seguito da alcuni |
| |
altri qui di minore importanza, ma sono...ma sono significativi, e il motivo per cui sono significativi è, numero uno, il valore p, tra l'altro, questo è un livello di 0,05 e il blu... |
| |
scusatemi, il livello .01 e la linea blu qui, che è il livello .01 per il significato. E il motivo... il motivo per cui noi |
| |
lo stiamo facendo in questo modo con il logworth ... oh, a proposito, dovrei menzionare che il logworth è 10 volte meno il log e questo è logaritmo in base 10. Quindi se abbiamo la linea blu uguale al valore di 2, il logaritmo... |
| |
log del valore p di .02...o scusatemi, .01 sarebbe un 2, ecco perché la linea è lì. |
| |
Ecco, non ne hai davvero bisogno, ma se stai facendo un'analisi come una delle variabili, torna sicuramente utile. E guardiamo quaggiù ai riassunti |
| |
di adattamento, trova una R^2 0,5, e questo è... è più o meno il massimo che possiamo ottenere da quella finestra proprio lì. |
| |
E veniamo qui per stimare, e possiamo vedere che le stime sono coefficienti per le nostre regressioni lineari multiple. |
| |
Quindi vediamo che questi due potrebbero non essere necessari, quindi, nell'interesse della parsimonia, noi... |
| |
selezioneremo quelli, vieni qui e rimuovilo. E ora abbiamo due variabili in meno. Probabilmente potremmo rimuovere il livello del chip, ma per ora lo lasceremo lì, perché la nostra R al quadrato scende un po'. |
| |
E tutto il resto è rimasto praticamente lo stesso. Quindi questo è il nostro modello qui. Possiamo scendere qui e aprire qualche altra finestra. |
| |
E vediamo i rapporti T dei singoli termini, alcuni test sugli effetti, ed è qui che lo lasceremo per ora. Quindi fammi minimizzare quella finestra, e abbiamo un'altra analisi da fare e questa è la serie temporale. Quindi veniamo qui per analizzare di nuovo. |
| |
E arriveremo qui alla modellazione specializzata, e andremo alle serie temporali. Fare clic su di esso e tutto è ancora selezionato. |
| |
Lo selezioneremo, |
| |
inseriremo Y lì dentro. |
| |
Farà la stessa cosa. |
| |
Uno di troppo, aspetta. |
| |
Metti qui la nostra lista di obiettivi e abbiamo questo pulsante qui, X time, inseriremo di nuovo la sequenza dell'ora perché è più facile da leggere. |
| |
Mettilo lì dentro. |
| |
Fare clic sulla corsa. |
| |
E per ora, ignoreremo tutto quel genere di cose, e verremo qui e guarderemo la nostra diagnostica delle serie temporali. Ora scorri un po' di più. E la linea blu qui è la |
| |
Valore P, e questo è a un livello di 0,05, e questo sta esaminando diverse autocorrelazioni e tempi di ritardo parziali. |
| |
Quindi potrei passare tutti i 45 minuti a parlarne, ma non abbiamo tutto quel tempo, quindi farò solo un breve riassunto. Quello che vogliamo fare è portare tutti questi tempi di ritardo |
| |
all'interno di quella linea blu. E sembra che, beh, per questo, dobbiamo salire a circa cinque o sei, forse anche sette, da qualche parte lì intorno. |
| |
E raggiungi quel punto intorno a tre o quattro o cinque con il tempo di ritardo parziale. |
| |
COSÌ |
| |
quello che facciamo è salire qui al triangolo rosso, |
| |
e vogliamo realizzare un modello ARIMA. E otteniamo questa finestra e ARIMA sta per media mobile integrata regressiva automatica. Ora non vogliamo fare differenze qui |
| |
perché abbiamo già fatto alcune differenze. Quei numeri che sono stati aggiunti alla fine delle colonne, erano i tempi di ritardo, in modo che tutti i dati fossero allineati. Quindi quello che vogliamo fare è solo fare un'ipotesi con il numero qui. |
| |
Fammi fare un 4, quindi ritarda 4 periodi. |
| |
E faremo lo stesso quaggiù per la media mobile. |
| |
E potremmo scegliere valori diversi per quelli e vediamo cosa si adatta all'intercetta, al vincolo. |
| |
Raggiungeremo il preventivo e verremo di nuovo qui. |
| |
E questo è ciò che otteniamo. Stiamo andando un po' meglio di prima. |
| |
Scendiamo qui. |
| |
E lo selezioneremo di nuovo. Nell'interesse del tempo inserirò sei periodi. |
| |
Controlla tutto. Colpisci di nuovo la stima. |
| |
E scorrerò verso il basso, e ora sembra un po' meglio. Probabilmente vogliamo che uno sia entro quattro o cinque e sei periodi di ritardo qui, quindi c'è un'altra cosa da controllare. |
| |
Se guardiamo i grafici... |
| |
E potremmo salvare gli script sul tavolo. Nick, possiamo mettere in pausa la registrazione per un secondo. |
| |
Ok, quindi l'ho fatto un paio di volte. |
| |
E qui ho un riassunto qui nel confronto del modello. |
| |
Quindi abbiamo il primo modello dell'ARMA. Ancora una volta non abbiamo fatto la differenza quindi si chiama ARMA non ARIMA. Ed ecco cinque punti, e fammi espandere questo |
| |
ancora un po' e questo è il tavolo. Ho lavorato un po' sul tavolo, ho tolto... tolto alcune colonne di cui non volevo parlare per motivi di tempo. E |
| |
quello che possiamo fare è guardare i risultati. Quindi ci mostra che AIC e AIC inferiore sono migliori, e sembra che il miglior modello qui sia il |
| |
prima abbiamo fatto il (5,5). Abbiamo |
| |
1268 e poi sale a 1270, 1271, 1271, e poi abbiamo la R al quadrato e qui, ovviamente, più grande è meglio, e sembra che il ritardo (6,6) fosse il migliore lì. Hanno una R leggermente più grande, ma certamente non significativa e |
| |
qui guardiamo al MAPE, che è quell'errore percentuale medio, e che, ovviamente, vogliamo minimizzare. E sembra che il modello di mezzo lì, il secondo, con le sei gambe del periodo sia il migliore lì e che ottiene un 7,55. |
| |
E poi abbiamo altri dati quaggiù. Abbiamo le stime e puoi guardare vari e vari grafici laggiù. E tutti questi sono stati salvati nella tabella dei dati. Fammi pulire un po'. |
| |
E quindi quello che abbiamo qui, in sintesi, sono le operazioni quotidiane di un impianto molto complicato. Siamo stati in grado di spiegare e capire. |
| |
Abbiamo iniziato con l'esplorazione visiva dei dati e poi siamo passati a |
| |
alcune ricerche per scoprire ciò di cui avevamo bisogno per scoprire il processo in modo da sapere cosa stava succedendo con la nostra analisi e siamo stati in grado di salvare tutto nella nostra tabella di dati. |
| |
E una cosa veloce è stata che abbiamo esplorato attraverso i nostri dati, siamo stati in grado di spostarci facilmente da una piattaforma all'altra per la nostra analisi e questo conclude la presentazione. |
