398722_ko-KR

liliconcom

JMP Pro 16(2021-US-45MP-880)을 사용한 Kamyr Digester 연속 흐름 공정 스트림 분석

레벨: 고급

 

Stanley Siranovich, 주요 분석가, Crucial Connection LLC

 

이 세션에서는 캐나다 제지 공장의 Kamyr 분해조에서 실제 공정 데이터를 분석합니다. 데이터 세트는 12일 이상 동안 23개 변수에 대한 301개의 측정값으로 구성됩니다. 우리가 예측하고 제어하려는 종속 변수는 Kappa Number입니다. 이는 대략 펄프의 잔류 리그닌 함량에 비례하며 펄프화 공정의 효율성을 측정하는 척도입니다. 독립 변수의 경우 온도, 레벨 및 수분 측정값과 함께 칩, 증기, 공기 및 주류 유량의 조합이 있습니다. 이 데이터 세트를 특히 어렵게 만드는 몇 가지 특성이 있습니다.

• 연속 반응기를 별도의 구역으로 나누고 각각 다른 기능을 수행합니다.
• 별도의 열 입력과 각 구역에 대한 액체 입력 및 출력.
• 역류 주류가 흐릅니다.

위와 같은 이유로(그리고 우리는 결과 변수를 예측하는 것이 아니라 프로세스를 이해하기를 원하기 때문에) 예측 모델링, 스크리닝 및 다변량 방법 메뉴에서 JMP의 여러 플랫폼을 사용합니다. 마지막으로 분석 흐름과 연속적인 발견을 시연하기 위해 대부분의 세션을 라이브 데모로 진행합니다.

 

 

자동 생성된 성적표...

 

스피커	성적 증명서
스탄 시라노비치	좋습니다. 관찰부터 시작하여 첫 번째 열에 관찰이 있습니다. 그리고 곧바로 약간 이상한 형식이 있음을 알 수 있습니다.
	이에 대해서는 나중에 다루도록 하겠습니다. 다음 열은 Y-Kappa로, 목표 변수로 알려진 것, 예측하고자 하는 것입니다. 그것이 측정된 값이고 우리는 그것을 좁은 범위 내에서 유지하고 싶습니다.
	1~2분 후에 그 이유를 설명하겠습니다. 그리고 데이터를 스크롤하면서 여기에서 몇 가지를 볼 수 있습니다. 이상한 레이블이 있습니다. 그것이 무엇이든 우리는 T-upperExt를 가지고 있습니다. T-lower가 있고 WhiteFlow가 있습니다. 그리고 우리는
	실제로 일부 열에는 대부분의 호출 끝에 번호가 있습니다. 그리고 그것은... 약간의 조사 후에 우리는 그것이 지체 시간이라는 것을 알게 되었습니다.
	그리고 그 과정을 설명할 때 그것에 대해 알게 될 것입니다. 그래서 우리는 칩 수분, 증기 열과 같은 것을 가지고 있고 우리는 또한 우리가 누락된 값을 가지고 있음을 봅니다. 저기... 여기 저기 몇개 있긴 한데 주로 AAWhite에 국한된 것 같고,
	실례합니다, 맨 끝에 황화. 그래서 우리는 그것을 기록합니다.
	지금
	우리는 이런 종류의 일에 익숙하지 않기 때문에 아마도 우리가 할 수 있는 현명한 일은 조사를 하고 우리가 보고 있는 것이 무엇인지 정확히 확인하는 것일 것입니다. 그리고 우리는 또한 알고 싶습니다.
	정확히
	괜찮은.
	의 시작하자. kamyr 소화조는 펄프 및 제지 제조업체를 위한 연속적인 4단계 공정입니다.
	이제 이것들
	프로세스...이러한 프로세스는 상당히 크며 거대한 압력솥으로 생각할 수 있습니다. 우리가 하는 일은 약간의 열, 증기 및 압력을 확인하는 것입니다.
	실례합니다, 원자로로. 그리고 이것은 지름이 18피트이고 높이가 200피트까지 될 수 있습니다. 그리고 우리가 원했던 것은 Kappa 수를 제어하면서 리그닌을 분리하는 것입니다.
	그리고 공급원료는 약간 특이합니다. 나는 화학 산업에서 나왔고 함께 일하는 데 익숙합니다.
	액체 공급원료이지만 여기에서 우리의 공급원료는 나무 조각이나 톱밥입니다.
	무엇이든 제재소. 그리고 우리는 이러한 공급원료가 함께 버려지는지에 대한 정보가 없습니다.
	캠페인을 진행하지만 바로 여기에 약간의 변동성이 있다는 것을 알고 있습니다. 물리적 형태가 무엇이든 공급원료는 물 50%, 펄프 25%, 리그닌 25%로 구성됩니다. 그리고 물론, 리그닌은 우리가 거기에서 녹이고 싶은 것입니다.
	이제 프로세스는 다음과 같습니다. 그것은 복잡하고 이 단일 단위 내에서 4개의 개별 단위 작업이 있습니다. 우리는 칩이 버려지는 상단과 반응 혼합물이 있습니다. 이것은...액체라고 합니다.
	그것은 약간의 부식성... 약간의 알칼리성을 가지고 있지만 비누 용액처럼 생각할 수 있습니다. 그것은 목재에서 리그닌을 분리할 것입니다.
	그리고 우리는 또한 유체의 흐름을 가지고 있습니다. 폐수와 액체도 있습니다. 세 가지가 있습니다.
	동시 또는 역류일 수 있으므로 도입하는 또 다른 변수가 있습니다. 앞에서 언급했듯이 목표 변수는 Kappa 수이고 그것은 ISO 결정이며 유체가 재순환되고 재생된다는 점에서 여기에 또 다른 변수가 있습니다.
	데이터 탐색부터 시작하겠습니다.
	다음은 JMP 데이터 테이블을 JMP로 가져온 직후의 모습입니다. Y-Kappa 관찰부터 시작하겠습니다.
	우리가 측정하고 싶은 칩 속도. 다음은 다른 비율입니다. 그리고 우리는 일부 누락된 데이터가 있음을 볼 수 있습니다. 대부분은 저기 있는 해당 열과 여기 있는 이 열, 황화도에 국한된 것 같습니다.
	그래서 우리가 걱정해야 할 것이 있는지 알아보기 위해 그것들을 살펴봅시다. 가장 좋은 방법은 여기 테이블로 이동하여 누락된 데이터 패턴을 살펴보는 것입니다.
	제가 할 일은 드래그를 클릭하고 모든 항목을 선택하는 것입니다. 그리고 그것들을 추가하겠습니다.
	그리고 우리는 이 테이블을 얻습니다.
	이제 누락된 데이터 테이블이 표시됩니다.
	내 JMP 테이블 바로 위에 있습니다.
	첫 번째 열을 조금 확장하겠습니다. 이제 여기에서 개수라고 표시된 첫 번째 열을 보면
	누락된 열의 수는 0이고 다음 열에서 여기 전체에 0이 표시됩니다. 이것이 우리의 패턴이며 누락된 데이터가 없는 131개의 열이 있지만 132개의 열이 있음을 알려줍니다.
	두 열에 누락된 데이터가 있습니다. 1과 1이 보이는 곳은 데이터가 누락된 곳입니다. 그리고 여기에 19개의 또 다른 패턴이 있지만 나머지는 상당히 채워져 있습니다...
	충분히 채워져 있으며 생산 데이터 또는 품질 모니터링 데이터를 다룬 적이 있다면 이것이 드문 일이 아님을 알 수 있습니다. 사실 이것은 이것이다.
	오히려 이러한 유형의 데이터에 대해 완전합니다. 그럼 조금 더 살펴보겠습니다. 하나가 빠진 131개가 있고 이 두 개의 열이 있다는 것을 알고 있습니다.
	그들이 일치하는지 봅시다. 그게 다야. 누락된 데이터가 있는 동일한 두 개의 열이 있는 동일한 레코드입니다. 그리고 우리가 할 수 있는 것은 첫 번째 행을 선택하는 것입니다.
	여기에서 볼 수 있습니다.
	이 문제를 해결하겠습니다. 스크롤할 수 있습니다.
	그리고 충분히,
	파란색 하이라이트가 보입니다.
	누락되지 않은 데이터가 강조 표시되고 누락된 데이터가 정렬되는 경향이 있음을 알 수 있습니다. 여기에 점이 있고 여기에 점이 있습니다. 따라서 두 열의 누락된 데이터가 모두 같은 행에 있는 것처럼 보입니다.
	그러니 돌아가게 해줘
	공유를 중지합니다.
	이제 데이터 탐색을 하고 창을 닫겠습니다.
	원래 JMP 데이터 테이블로 돌아왔습니다.
	어디에서 시작해야 할까요? 여기에 몇 가지 선택 사항이 있지만 한 가지 할 수 있는 일은 바로 여기 있는 이 아이콘을 클릭하는 것입니다. 헤더 그래프 표시라고 표시됩니다.
	아이콘을 클릭하면 여기에서 몇 가지 헤더 그래프를 볼 수 있습니다. 그리고 그것이 하는 일은 우리에게 분포의 히스토그램을 보여주는 것입니다.
	아래 열에서. 이것들은 끌 수 있어서 어느 방향으로든 더 크게 만들 수 있습니다. 그리고 여기에서 약간의 탐색을 해보는 것이 어떨까요? Y-Kappa를 제어하고 싶기 때문에
	높은 값 중 일부를 선택하고 무엇을 볼 수 있는지 살펴보겠습니다. 이제 스크롤하세요, 스크롤하세요, 마치
	BlowFlow에서 일어나는 일과 다소 관련이 있습니다.
	여기 범위의 맨 위에 있고 T-upperExt-2로 이동하면
	분포의 아래쪽 절반에 있는 경향이 있음을 알 수 있습니다. 그 외에는 특별히 눈에 띄는 것이 없으므로 바로 클릭해 보겠습니다.
	그리고 거기에서 그것을 조금 정리합니다.
	그리고 조금 더 설명을 해보자. 그래프 빌더로 이동합니다.
	그래서 당신은 그래프로 이동 ...
	그래프 빌더와 이 창이 팝업됩니다.
	그리고 제가 할 일은 Y-Kappa를 보는 것입니다.
	자, 그리고 저는...더 매끄러운 선을 넣을 수 있습니다.
	그리고 내가 보는 것은
	프로세스에 약간의 가변성이 있지만 다소 안정적입니다. 여기에서 약간의 상승 추세일 수 있지만 안정적이며 나중에 중요해질 것입니다.
	하지만 관찰이라고 쓰여 있는 여기 아래를 보면 무엇이 보이나요? 나는 그것이 1-00으로 시작하여 01로 시작하고 시간이 계속 올라가는 것을 봅니다. 하지만 여기 데이터 테이블을 보면 31부터 시작합니다. 그래서 그들이 분명히 여기서 한 일은
	단위는 월의 날짜로 시작하고 시간은 그 형식으로 계속되지만 우리가 원하는 것은 아닙니다. 그래서 이것을 닫겠습니다. 공유를 중지하고 다른 JMP 데이터 테이블을 불러오겠습니다.
	좋습니다. 우리가 보고 있는 것은 기본적으로 동일한 데이터입니다. 약간 정리하고 약간의 변경을 했습니다. 그러고 보니 저희 Y-Kappa와 함께 평소에 편곡하고 싶은 마음에 편곡을 하게 되었어요.
	...관찰이 뒤따르는 우리의 목표 값. 여기에 한 시간의 시퀀스를 추가했습니다. 여기서 무슨 일이 일어나는지 보여드리겠습니다.
	그리고 모든 스크립트를 이 데이터 테이블, 동일한 데이터에 저장했습니다. 정리된 다른 테이블을 열었을 뿐입니다. 스크롤을 내리면 여기 있는 모든 테이블에서 소수점 이하 자릿수가 같은 것을 알 수 있습니다.
	그리고 반복하자
	내가 방금 전에 한 것. 그래프, 그래프 빌더로 이동하겠습니다.
	여기에 Y-Kappa를 넣고 이제 Y 시퀀스를 추가했습니다.
	이제 다른 패턴을 얻습니다. 원본을 펼치면
	우리는 다른 더 매끄러운 선을 가지고 있다는 것을 알게 됩니다. 그리고 제가 하려고 하는 것은 제가 성좌라고 부르는 별자리를 찾는 것입니다. 여기 세 개의 데이터 포인트가 있습니다.
	이것을 닫고 두 번째 것을 열겠습니다.
	세 개의 데이터 포인트가 여기에 있습니다.
	닥치게 해줘
	여기 아래에 시간 순서가 있는 것을 주목하세요.
	데이터 포인트가 순서대로 있고 JMP로 할 수 있는 또 다른 일이 있습니다.
	여기로 올라갈 수 있는지,
	스위치
	이전에 관찰했던 것을 여기 아래로 옮깁니다.
	그리고 우리는 더 매끄러운 선을 다시 넣을 것입니다. 보시다시피 패턴은 같지만 이제 시간 시퀀스를 취하면
	여기 아래로 드래그하면 두 세계의 장점을 모두 누릴 수 있습니다. 그것들은 우리가 그것들을 원했던 방식입니다.
	여기 맨 아래에 보시면 시간 순서대로 내림차순으로 정렬된 관찰이 있습니다. 이것이 기본값입니다. 완료를 클릭할 수 있지만 지금은 최소화하겠습니다.
	그리고 다음 단계로 넘어가겠습니다. 메모를 확인하고 빠뜨린 것이 없는지 확인하십시오.
	아, 거기에 새 칼럼을 넣는 방법은 여기서 공유를 중지하고 전체 프로세스를 거치지 않고 PowerPoint로 다시 전환하겠습니다.
	그리고 열에 Hour Sequence라는 새 이름을 지정하고 데이터 유형으로 숫자를 선택했습니다. 을 위한
	모델링 방식은 일정한 시간 간격으로 취하지만 연속적인 데이터이기 때문에 연속형을 선택했습니다. 그리고 인간이 읽기 쉽기 때문에 여기에서 형식을 선택했습니다.
	그리고 열의 데이터를 초기화하기 위해 시퀀스 데이터를 선택하고 1에서 301까지 실행했습니다. 왜냐하면 이것이 우리의 마지막 행이기 때문입니다. 그리고 각 값을 한 번 반복하고 추가할 열 수를 한 번만 보겠습니다.
	열 속성의 경우 드롭다운에서 시간 빈도를 선택하고 매시간도 선택했습니다. 그래서 제가 그 칼럼을 얻었습니다.
	그래서 그것에 대한 공유를 중단하겠습니다.
	최소화하고 JMP 데이터 테이블을 다시 불러옵니다.
	이제 데이터 테이블로 돌아왔습니다. 이제 재미있는 부분부터 시작하여 분석으로 이동합니다.
	갑시다
	분석합니다.
	그리고 데이터 테이블이 잘못되었습니다. 다른 하나를 열어보겠습니다. 시작합니다.
	분석하러 가기,
	다변량 방법
	다변량.
	이 화면이 표시됩니다. 글쎄, 우리는 Y-Kappa를 보고 싶기 때문에 거기에 Y를 넣습니다.
	우리는 가중치와 빈도를 원하지 않습니다.
	드래그를 클릭합니다.
	거기에 모든 것을 넣으십시오. 확인을 클릭하면 다음과 같은 결과가 나타납니다. 그리고 시작하려면... 닫겠습니다...
	산점도 행렬이 표시됩니다. 여기서 우리는 데이터에서 몇 가지 패턴을 찾을 수 있습니다. 많이 볼 수는 없지만 여기 맨 왼쪽 열에 있는 Y-Kappa를 보면
	살펴보기 시작합니다. 여기에 어떤 종류의 패턴이 있는 것 같습니다...
	이 열이 무엇이든. 아래로 스크롤을 조금 내리면 이렇게 보입니다.
	주류 흐름 중 하나 등. 그래서 대략적인 아이디어를 얻기 위해 그렇게 할 수 있습니다. 닫겠습니다.
	여기에서 상관관계를 볼 수 있습니다. 파란색은 양의 상관관계이고 빨간색은 음의 상관관계이며 그 중 어느 것도 실제로 높지 않습니다.
	어떤 면에서는 좋고 어떤 면에서는 좋지 않습니다. 하지만 지금 당장은 그것에 대해 많이 이야기하지 않겠습니다. 그러나 우리는 그것만 봅니다. 경우에 따라 다른 정보보다 더 많은 정보를 얻을 수 있으므로 이만 마치겠습니다.
	다음으로 모델 스크리닝으로 이동하여 분석을 진행합니다.
	상영,
	예측기 스크리닝. 이 창이 표시되고 다시 한 번
	Y-Kappa는 Y 응답입니다. 그리고 여기에 다음 창이 표시됩니다. 지금 당장은 관측값을 무시하겠습니다. 여기에 시간 시퀀스가 있고 읽기가 훨씬 쉽기 때문에 여기에 넣고 확인을 클릭하겠습니다.
	그리고 이것이 우리가 얻는 것입니다.
	그래서 우리는 여기에 우리의 예측 변수를 가지고 있고, 물론 더 높은 값과 더 큰 막대를 가진 것들이 아마도 우리를 위해 순위가 매겨진 가장 중요한 예측 변수가 될 것입니다.
	여기에서 많은 변수를 볼 수 있습니다. 이제 우리는 결정 지점에 도달했습니다. 음, 이 처음 두 개는 분명히
	우리가 보고 싶은 것, 아마도 세 번째도, 네 번째도요. 이제 이들의 나머지 부분은 다소 사소하지만 모두 거의 동일하므로 이렇게 합시다.
	드래그를 클릭하겠습니다. 이 두 열로 이동하기 전에 기여도는 부분의 모델에 대한 기여도입니다. 제가 일반적으로 보는 열은 이것이
	여기서 예측자는 모델에 대해 예측하므로 이 모든 것을 더하면 100%가 됩니다. 그리고 우리는... 여기에 링크가 있습니다. 복사 선택이라고 되어 있습니다.
	그렇게 합시다.
	그 창을 최소화하고 분석 창으로 돌아가겠습니다.
	그리고 보자. 모델을 맞추면 어떨까요? 선형 회귀 모델에 적합합니다.
	이를 클릭하면 선택한 열이 이미 강조표시되어 있습니다.
	그래서 그것들을 추가하고 물론 우리는 Y-Kappa를 다시 원합니다.
	그리고 우리는 그것을 선택할 것이고, 내가 그것을 했을 때 그것은 열렸습니다.
	여기에 우리 창의 확장과 몇 가지 더 많은 개성이 있습니다...여기에는 드롭다운이 있는 몇 가지 선택 사항이 있습니다. 첫 번째 사람의 성격을 클릭해 보겠습니다. 여기에서 다양한 선택을 할 수 있습니다. 그러나 지금 당장은 표준 최소 제곱을 고수합시다. 그리고 나서 강조하자면,
	우리에게는 세 가지 선택이 있습니다. 그리고 강조점은 초기 보고서 창에서 우리에게 드러나는 것입니다. 지금은 그냥 선택하겠습니다.
	최소한의 보고. 그리고 봅시다, degreee, 2, 좋습니다, 그래서 그것은 제곱 항을 볼 것입니다.
	봅시다... 준비가 되었으니 실행을 클릭하겠습니다.
	그리고 이것이 내가 얻는 것입니다. 이 BF-CM 비율이 가장 중요한 것 같습니다.
	뒤이어 일부
	다른 것들은 여기 덜 중요하지만 그것들은...하지만 그것들은 중요합니다. 그리고 그것들이 중요한 이유는 첫째, p 값입니다. 그건 그렇고, 이것은 .05 수준이고 파란색은...
	실례합니다. .01 수준과 여기에 파란색 선이 있습니다. 의미에 대한 .01 수준입니다. 그리고 그 이유...우리가 이유
	우리는 이것을 로그값으로 하고 있습니다...오, 그런데, 로그값은 10 곱하기 로그 빼기이고 그것은 로그 밑이 10이라는 것을 언급해야 합니다. 따라서 값이 2인 파란색 선이 있으면 로그는...
	.02의 p 값의 로그...실례합니다. .01은 2가 될 것입니다. 그래서 선이 거기에 있는 것입니다.
	여기서는 꼭 필요하지는 않지만 변수 중 하나로 분석을 수행하는 경우 확실히 유용합니다. 그리고 우리는 여기에서 요약을 봅니다.
	R 제곱 0.5를 찾으세요. 그게 바로 저 창에서 얻을 수 있는 것의 대부분입니다.
	추정을 위해 여기로 내려오면 추정이 다중 선형 회귀에 대한 계수임을 알 수 있습니다.
	따라서 이 두 가지가 필요하지 않을 수 있음을 알 수 있으므로 절약을 위해...
	우리는 그것들을 선택하고 여기로 와서 그것을 제거할 것입니다. 이제 변수가 두 개 줄었습니다. 아마도 칩 레벨을 제거할 수 있지만 지금은 R 제곱이 약간 떨어지기 때문에 그대로 두겠습니다.
	그리고 다른 모든 것은 거의 동일하게 유지되었습니다. 이것이 우리의 모델입니다. 여기로 내려와 다른 창을 열 수 있습니다.
	그리고 우리는 개별 용어의 T 비율, 일부 효과 테스트를 봅니다. 바로 지금은 그대로 두겠습니다. 이 창을 최소화하겠습니다. 분석해야 할 것이 하나 더 있는데 바로 시계열입니다. 그래서 우리는 다시 분석하기 위해 여기까지 왔습니다.
	그리고 우리는 여기에서 전문화된 모델링으로 내려갈 것입니다. 그리고 우리는 시계열로 갈 것입니다. 그것을 클릭하면 모든 것이 여전히 선택되어 있습니다.
	선택하겠습니다.
	우리는 거기에 Y를 넣을 것입니다.
	같은 일을 할 것입니다.
	하나가 너무 많습니다. 잠시만요.
	목표 목록을 여기에 넣으면 이 버튼이 있습니다. X 시간, 더 읽기 쉽기 때문에 시간 순서를 다시 입력하겠습니다.
	거기에 넣어.
	실행을 클릭합니다.
	지금 당장은 그러한 모든 것을 무시하고 여기로 내려와서 시계열 진단을 살펴보겠습니다. 이제 조금 더 아래로 스크롤하십시오. 그리고 여기서 파란색 선은
	P 값, 이것은 .05 수준이고 이것은 다른 자기상관과 부분 지연 시간을 보고 있습니다.
	그래서 저는 45분 동안 이것에 대해 이야기할 수 있지만 시간이 부족하므로 간단히 요약하겠습니다. 우리가 원하는 것은 이 모든 지연 시간을 가져오는 것입니다.
	저 파란색 선 안에. 그리고 그것은, 음, 이것의 경우, 우리는 대략 5~6개, 어쩌면 7개까지 올라가야 하는 것 같습니다.
	그리고 부분적인 지연 시간으로 3, 4, 5 정도의 지점에 도달합니다.
	그래서
	우리가 할 일은 여기 빨간 삼각형까지 올라오는 것입니다.
	우리는 ARIMA 모델을 원합니다. 그리고 우리는 이 창을 얻었고 ARIMA는 자동 회귀 통합 이동 평균을 나타냅니다. 이제 우리는 여기서 차분을 원하지 않습니다.
	우리는 이미 약간의 차이점을 수행했기 때문입니다. 열 끝에 추가된 숫자는 지연 시간이므로 모든 데이터가 정렬됩니다. 그래서 우리가 하고 싶은 것은 여기에 있는 숫자로 추측하는 것입니다.
	4로 만들겠습니다. 따라서 4주기를 지연시킵니다.
	이동 평균에 대해서도 동일한 작업을 수행합니다.
	그리고 우리는 그것들에 대해 다른 값을 선택할 수 있고 어떤 절편, 제약 조건이 맞는지 봅시다.
	추정치를 누르고 다시 여기로 내려옵니다.
	그리고 이것이 우리가 얻는 것입니다. 우리는 이전보다 조금 더 잘하고 있습니다.
	여기로 내려갑시다.
	그리고 이것을 다시 선택하겠습니다. 시간 관계상 저는 6개의 기간을 입력하겠습니다.
	모든 것을 확인하십시오. 견적을 다시 누르십시오.
	아래로 스크롤하면 좀 더 보기 좋아집니다. 우리는 여기서 하나가 4~6개의 지연 기간 내에 있기를 원할 것이므로 확인해야 할 것이 하나 더 있습니다.
	그래프를 보자면...
	그리고 스크립트를 테이블에 저장할 수 있습니다. 닉, 녹음을 잠시 중단해도 될까요?
	좋아, 그래서 나는 그것을 두 번했다.
	그리고 여기에 모델 비교에 대한 요약이 있습니다.
	그래서 우리는 ARMA의 첫 번째 모델을 가지고 있습니다. 다시 우리는 차이를 만들지 않았으므로 ARIMA가 아니라 ARMA라고 합니다. 여기 5주기가 있습니다. 이것을 확장하겠습니다.
	조금만 더 하면 이것이 테이블입니다. 나는 테이블에서 약간 일했고, 시간상의 이유로 논의하고 싶지 않은 칼럼을 꺼냈습니다. 그리고
	우리가 할 수 있는 것은 결과를 보는 것입니다. 따라서 AIC가 표시되고 AIC가 낮을수록 더 좋으며 여기에서 가장 좋은 모델은
	첫 번째는 (5,5)를 수행했습니다. 우리는
	1268 그리고 나서 1270, 1271, 1271로 올라갑니다. 그리고 우리는 R 제곱을 얻었고 여기 물론 더 클수록 더 좋고 (6,6) 시차가 거기에서 가장 좋은 것 같습니다. 그들은 약간 더 큰 R을 가지고 있지만 확실히 중요하지 않으며
	여기서 우리는 MAPE를 봅니다. 이것은 평균 백분율 오차이고 물론 우리는 최소화하고 싶습니다. 그리고 거기 중간 모델처럼 보이는데, 6개의 기간 다리가 있는 두 번째 모델이 거기에서 가장 좋은 모델이고 7.55를 얻습니다.
	그리고 여기에 더 많은 데이터가 있습니다. 우리는 견적을 가지고 있고 당신은 거기에서 다양하고 잡다한 그래픽을 볼 수 있습니다. 그리고 이 모든 것이 데이터 테이블에 저장되었습니다. 조금 정리하겠습니다.
	요약하자면, 여기 있는 것은 매우 복잡한 공장의 일상적인 운영입니다. 설명하고 이해할 수 있었습니다.
	우리는 데이터의 시각적 탐색으로 시작한 다음
	프로세스에 대해 알아내는 데 필요한 것을 찾기 위해 일부 조사를 수행하여 분석에 어떤 일이 진행되고 있는지 파악하고 모든 데이터 테이블을 저장할 수 있었습니다.
	한 가지 빠른 점은 우리가 데이터를 탐색하고 분석을 위해 한 플랫폼에서 다른 플랫폼으로 쉽게 이동할 수 있었고 이것으로 프레젠테이션을 마칩니다.

탈주품질과 신뢰성통계 및 모델링