398722_ja-JP

liliconcom

JMP Pro 16 を使用した Kamyr Digester 連続フロー プロセス ストリームの分析 (2021-US-45MP-880)

レベル: 上級

 

Crucial Connection LLC プリンシパル アナリスト、Stanley Siranovich 氏

 

このセッションでは、カナダの製紙工場の Kamyr 蒸解缶からの実際のプロセス データを分析します。私たちのデータ セットは、12 日以上にわたって取得された 23 の変数の 301 の測定値で構成されています。 予測して制御したい従属変数はカッパ数です。 これは、パルプ中の残留リグニン含有量にほぼ比例し、パルプ化プロセスの有効性の尺度です。 独立変数については、温度、レベル、および水分の測定値とともに、チップ、蒸気、空気、および液体の流量の組み合わせがあります。 いくつかの特徴により、このデータ セットは特に困難になります。

• 連続反応器を別々のゾーンに分割することで、それぞれが異なる機能を実行します。
• ゾーンごとに熱の入力と液体の入力と出力を分離します。
• 向流の酒の流れ。

上記の理由から (また、結果変数を予測するだけでなく、プロセスを理解したいため)、予測モデリング、スクリーニング、および多変量法のメニューからいくつかの JMP プラットフォームを使用します。 最後に、分析の流れとその後の発見を示すために、セッションのほとんどをライブ デモとして実施します。

 

 

自動生成されたトランスクリプト...

 

スピーカー	成績証明書
スタン・シラノビッチ	では、観察から始めます。最初の列に観察があります。 そしてすぐに、少し奇妙なフォーマットがあることがわかります。
	それについては後で説明します。 次の列は Y-Kappa で、これはターゲット変数として知られているもので、予測したいものです。 これは測定値であり、狭い範囲に収めたいと考えています。
	あと 1、2 分で、その理由を説明します。 データをスクロールすると、いくつかのことがわかります。 変なラベルがいくつかあります。 それが何であれ、T-upperExt があります。 T-lower と WhiteFlow があります。 そして、私たちはそれに気づきました
	いくつかの列には、実際のところ、ほとんどの通話の末尾に番号が付いています。 そして、それは...いくつかの調査の後、それがラグタイムであることがわかりました.
	そして、プロセスを説明するときにそれについて説明します。 したがって、チップの水分、蒸気の熱などがあります。また、いくつかの欠損値があることもわかります。 あれ…ちょこちょこありますが、主にAAWhiteに限定されているようで、
	すみません、最後に硫化度です。 だから私たちはそれをメモします。
	今
	私たちはこの種のことに慣れていないので、おそらく私たちが行うべき賢明なことは...いくつかの調査を行い、私たちが見ているものが何であるかを正確に確認することです. また、知りたいこともあります (パワーポイントをここに上げさせてください)。
	その通り
	わかった。
	さぁ、始めよう。 さて、kamyr 蒸解缶は、パルプと紙の製造業者にとって連続的な 4 段階のプロセスです。
	今これら
	プロセス...これらのプロセスは非常に大きく、巨大な圧力鍋と考えることができます。 私たちがしているのは、熱、蒸気、圧力をチェックすることです。
	すみません、リアクターの中へ。 これらは、直径 18 フィート、高さ 200 フィートにもなります。 そして我々がやりたかったのは、カッパ価を制御しながらリグニンを分離することです。
	そして、原料は少し変わっています。 私は化学産業から出てきたので、一緒に仕事をすることに慣れています
	液体原料ですが、ここでの原料は木材チップまたはおがくずです
	製材所は何でも。 そして、これらの原料が一緒に投棄されているかどうかについての情報はありません。
	キャンペーンですが、すぐに、ここに変動があることがわかります。 物理的な形状が何であれ、原料は水 50%、パルプ 25%、リグニン 25% で構成されています。 そしてもちろん、そこから溶解したいのはリグニンです。
	プロセスは次のようになります。 これは複雑で、この 1 つのユニット内に 4 つの個別のユニット操作があります。 チップが投入される上部と、リカーと呼ばれる反応混合物があります。
	多少の苛性... アルカリ性がありますが、石鹸溶液のようなものと考えることができます。 木材からリグニンを分離します。
	また、流体の流れもあり、流出物と液体の両方があり、そのうちの 3 つがあります。
	そして、それは同時または逆流のいずれかである可能性があるため、導入する別の変数があります. 前に述べたように、ターゲット変数はカッパ数であり、これは ISO の決定です。ここには、流体が再循環および再生されるという点で別の変数があります。
	それでは、データ探索から始めましょう。
	JMPに取り込んだ直後のJMPデータテーブルは次のようになります。 観察から始めましょう、Y-Kappa、
	測定したいものとチップレートです。 その他の比率はこちら。 そして、欠落しているデータがいくつかあることがわかります。そのほとんどは、あそこの列とこちらの列、硫化度に限定されているようです。
	それでは、それらを見て、私たちが心配する必要があるかどうかを確認しましょう. そのための最善の方法は、ここにあるテーブルに行って、欠落しているデータ パターンを調べることだと思います。
	そして、ドラッグをクリックして、それらすべてを選択します。 そして、それらを追加します。
	そして、このテーブルを取得します。
	これで、欠落しているデータ テーブルが表示されます。
	私のJMPテーブルの上に。
	最初の列を少し拡張させてください。 ここで count と書かれている最初の列を見てみると
	欠落している列の数はゼロであり、次の列にはずっとゼロが表示されています。これが私たちのパターンであり、欠落データのない 131 個の列があることを示していますが、132 個の列があります。
	2 つの列にはデータが欠落しています。 1 と 1 が表示される場所は、データが欠落している場所です。 ここには 19 個の別のパターンがありますが、残りはかなり埋まっています...
	かなり完全に入力されており、生産データまたは品質監視データを扱ったことがある場合は、これが珍しいことではないことがわかります。 実はこれ、これ
	このタイプのデータではかなり完全です。 それでは、もう少し見てみましょう。 131 個あり、1 個が欠落しています。この 2 つの列があることがわかります。
	それらが一致するかどうか見てみましょう。 それでおしまい。 これは、データが欠落している同じ 2 つの列を持つ同じレコードです。 そして、私たちができることは、その最初の行を選択することです
	ここを見渡すことができます。
	これを邪魔にならないようにしましょう。 そして、スクロールできます。
	そして案の定、
	そこに青いハイライトが表示されます
	欠落していないデータが強調表示され、欠落しているデータが整列する傾向があることがわかります。 ここにドット、ここにドットがあるので、これら 2 つの列の欠落データはすべて同じ行にあるように見えます。
	だから戻らせて
	共有を停止します。
	データの調査を行いますので、そのウィンドウを閉じます。
	元の JMP データ テーブルに戻ります。
	では、どこから始めればよいでしょうか。 ここにはいくつかの選択肢がありますが、できることの 1 つは、ここにあるこのアイコンをクリックすることです。ヘッダー グラフを表示すると表示されます。
	アイコンをクリックすると、ここにいくつかのヘッダー グラフが表示されます。 これにより、分布のヒストグラムが表示されます。
	下の列にあります。 これらはドラッグ可能なので、どちらの方向にも大きくすることができます。 そして、ここで少し探索してみませんか。 Y-Kappaを制御したいので、
	これらの高い値のいくつかを選択して、何が表示されるか見てみましょう。 スクロールして、スクロールして、
	BlowFlow で起こっていることと多少関係があります...
	ここでは範囲の一番上にあり、T-upperExt-2 に行くと、
	分布の下半分にある傾向があることがわかります。 それ以外には特に目立ったものはないので、そこをクリックしましょう。
	そこで、それを少しきれいにするために。
	そして、もう少し説明を加えましょう。 グラフビルダーに行きましょう。
	それで、あなたはグラフに行きます...
	グラフビルダーとこのウィンドウがポップアップします。
	そして、私がやろうとしていることは、Yカッパを見ることです
	ほら、入れることができます...そこにもっと滑らかな線を入れることができます。
	そして、私が見ているのは
	私たちのプロセスには多少のばらつきがありますが、かなり安定しており、ここではわずかに上昇傾向にあるかもしれませんが、安定しており、それは少し後で重要になります.
	でもここを見下ろすと、観察と書いてありますが、何が見えますか? 1-00 から始まり、01 から始まり、時間はどんどん進んでいきます。 しかし、ここのデータ表を見ると、31 から始まっています。 それで、彼らがここで明らかにしたこと
	ユニットでは、月の日付で始まり、次に時間であり、その形式を続けていましたが、それは私たちが望んでいるものではありません. それでは締めさせていただきます。 共有を停止し、別の JMP データ テーブルを表示します。
	さて、ここで見ているのは基本的に同じデータです。少し整理し、いくつかの変更を加えました。 で、それを見てると、いつもならY-Kappaでアレンジしたい感じでアレンジしてます。
	...私たちの目標値、その後の観察。 ここに時系列を追加しました ここで何が起こるかをお見せしましょう
	そして、すべてのスクリプトをこのデータ テーブルに保存しました。同じデータです。クリーンアップされた別のスクリプトを開いただけです。 スクロールすると、ここにあるすべてのテーブルで、小数点以下の桁数が同じであることがわかります。
	そして繰り返しましょう
	私がちょうど前にしたこと。 それでは、グラフ、グラフビルダーに行きましょう。
	ここに Y-Kappa を配置し、Y シーケンスを追加しました
	私たちのデータテーブル、そして今度は別のパターンを取得します。 原文を開いてみると、
	別のより滑らかな線があることがわかります。私がやろうとしているのは、いくつかの星座を探すことです。これを私は星座と呼んでいます。 ここに、これら 3 つのデータポイントがあります。
	これを閉じて、2 つ目を開きます。
	そして、3 つのデータ ポイントがここにあります。
	私はそれを閉じさせてください。
	ここで時系列に注目してください
	データポイントを順番に並べて、JMP でできるもう 1 つのことを行います。
	ここまで登れるか、
	スイッチ
	ここに移動します。
	そして、より滑らかな線を再び入れます。ご覧のとおり、同じパターンがありますが、今度は時系列を取ります
	ここにドラッグすると、両方の長所が得られます。 それらは整然としており、それが私たちが望んでいた方法です。
	そして、ここの一番下に気づいたら、それはデフォルトである時間シーケンスの降順で並べられた観測です。 [完了] をクリックすることもできますが、今のところは最小化します。
	そして、次のステップに進みます。 メモをチェックして、何も書き忘れていないことを確認してください。
	ああ、新しいコラムをそこにどのように配置したか、ここで共有を停止させてください。プロセス全体を実行するのではなく、PowerPoint に戻します。
	そして、列に新しい名前、Hour Sequence を付け、データ型には数値を選択しました。 ために
	モデリング タイプでは、定期的な 1 時間間隔で取得されますが、連続データであるため、連続を選択しました。 そして、人間が読みやすいという理由で、ここでフォーマットを選択しました。
	列のデータを初期化するために、シーケンス データを選択し、1 から 301 まで実行しました。これが最後の行だからです。 見てみましょう、各値を 1 回繰り返します。追加する列の数は 1 つだけです。
	列のプロパティについては、ドロップダウンから時間頻度を選択し、時間単位も選択しました。 それが私がそのコラムを手に入れた方法です。
	では、その共有を停止させてください
	最小化して、JMP データ テーブルを再度表示します。
	ここで、データ テーブルに戻ります。 それでは、楽しい部分から始めて、分析に移りましょう。
	さあ行こう
	分析します。
	そして、間違ったデータテーブルを取得しました。 もう一方を開いてみましょう。 どうぞ。
	分析に行き、
	多変量法
	多変量。
	そして、この画面が表示されます。 では、Y-Kappa を見たいので、そこに Y を入れます。
	重みや頻度は必要ありません。
	ドラッグをクリックします。
	それらすべてをそこに入れます。 [OK] をクリックすると、結果が表示されます。 まず始めに...締めさせてください...
	散布図マトリックスが表示されます。 ここで、データ内のいくつかのパターンを探すことができます。 あまり多くは見られませんが、こちらの一番左の列のY-Kappaを見ると、
	調べてみると、ここにはある種のパターンがあるようです...
	この列が何であれ。 少し下にスクロールすると、そのように見えます
	酒の流れの1つなどなど。大まかなアイデアを得るためにそれを行うことができます。 締めさせてください。
	ここで相関関係を見ることができます 青色のものは正の相関関係であり 赤色のものは負の相関関係であり どれも実際に高いものではありません
	良いこともあれば、悪いこともあるが、今はそれについて多くを語ることはしない. しかし、私たちはそれを見ているだけです。 状況によっては、他の情報よりも多くの情報が得られることがありますので、これで終わりにします。
	次にモデルのスクリーニングに行きましょう 分析に行きます
	ふるい分け、
	予測スクリーニング。 このウィンドウが表示されます もう一度
	Y-Kappa は私たちの Y 応答です。 そして、次のウィンドウが表示されます。 現時点では観測値を無視します ここには時系列があり 読みやすいので ここに入力して [OK] をクリックします
	そして、これが私たちが得るものです。
	ここに予測子があります。もちろん、値が高く棒グラフが大きいものが、ランク付けされた最も重要な予測子になります。
	そして、ここにはたくさんの変数があります。 今、私たちは決定点に来ています。 最初の 2 つは明らかに
	私たちが見たいもの、おそらく 3 番目のもの、そして 4 番目のものです。 これらの残りの部分は、ややマイナーですが、ほぼ同じなので、これを実行しましょう。
	ドラッグをクリックします。この 2 つの列に進む前に、貢献度とはモデルへの貢献度のことです。
	ここでの予測子はモデルに予測されているため、これらすべてを合計すると 100% になります。 ここにリンクがあり、コピーが選択されていると表示されています。
	では、そうしましょう。
	そのウィンドウを最小化して、分析ウィンドウに戻ります。
	そして見てみましょう。 モデルにフィットしたらどうですか？ 線形回帰モデルを当てはめます。
	それをクリックすると、選択した列がすでに強調表示されています。
	それでは、それらを追加してみましょう。もちろん、Y-Kappa が再び必要になります。
	それを選択すると、それが開きました
	ここにウィンドウの拡張機能があり、いくつかのパーソナリティがあります...ドロップダウンでさらにいくつかの選択肢があります。 最初のパーソナリティをクリックすると、いくつかの選択肢が表示されます。 しかし、今のところは、標準の最小二乗法に固執しましょう。 そして、強調のために、
	3 つの選択肢があります。 そして、重要なのは、最初のレポート ウィンドウで明らかにされることです。 今のところ、私はちょうど選択します
	最小限のレポート。 では、degreee 2 を見てみましょう。
	見てみましょう...準備が整ったので、[実行] をクリックします。
	そして、これが私が得たものです。 そして、この BF-CMratio が最も重要であるように見えます。
	続いていくつか
	ここにある他のものはそれほど重要ではありませんが、それらは...しかし、それらは有意であり、それらが有意である理由は、第一に、p値です。ちなみに、これは.05レベルであり、青です...
	すみません、0.01 レベル、そしてここの青い線は有意性の 0.01 レベルです。 そしてその理由は...私たちの理由
	対数価値を使ってこのようにしています... ところで、対数価値は 10 倍から対数を引いたもので、底が 10 の対数です。 したがって、青い線が値 2 に等しい場合、対数は...
	.02 の p 値の対数...またはすみません、.01 は 2 になるので、その行がそこにあります。
	ここでは、実際には必要ありませんが、変数の 1 つとして分析を行う場合は、間違いなく重宝します。 そして、私たちはここで要約を見下ろします
	R の 2 乗 0.5 を見つけてください。これが、そのウィンドウから得られるほとんどのものです。
	そして、推定するためにここに来ました。推定値が多重線形回帰の係数であることがわかります。
	したがって、これら 2 つは必要ない可能性があることがわかります。
	それらを選択し、ここに来て削除します。 これで、変数が 2 つ少なくなりました。 おそらくチップ レベルを削除することもできますが、R の 2 乗が少し低下するため、現時点ではそのままにしておきます。
	そして、他のすべてはほとんど同じままでした。 これが私たちのモデルです。 ここに来て、他のウィンドウを開くことができます。
	そして、個々の項の T 比、いくつかの効果テストが表示されます。ここでは、それをそのままにしておきます。 そのウィンドウを最小化させてください。もう 1 つ分析する必要があります。それは時系列です。 ここに来て、もう一度分析します。
	ここから特殊なモデリングに移り、時系列に進みます。 それをクリックすると、すべてが選択されたままになります。
	それを選択します
	そこに Y を入れます。
	それは同じことをします。
	1 つ多すぎます。ちょっと待ってください。
	目標リストをここに置き、ここにこのボタンがあります。X 時間、読みやすいので、時間の順序をもう一度入れます。
	そこに入れてください。
	実行をクリックします。
	そして今のところ、そのようなことはすべて無視して、ここに来て、時系列の診断を見ていきます。 次に、もう少し下にスクロールします。 そして、ここの青い線は
	P 値で、これは .05 レベルで、さまざまな自己相関と部分的なラグ タイムを調べています。
	ですから、これについて話すのに 45 分も費やすことができますが、それだけの時間がないので、簡単に要約します。 私たちがやりたいことは、これらすべてのラグタイムをもたらすことです
	その青い線の中に。 そして、まあ、これについては、おそらく5つか6つ、おそらく7つまで行かなければならないようです。
	そして、部分的なラグタイムで、3、4、または 5 前後でそのポイントに到達します。
	それで
	私たちがすることは、ここの赤い三角形に来ることです。
	ARIMAモデルを作りたいです。 そして、このウィンドウを取得し、ARIMA は自動回帰統合移動平均を表します。 ここでは差分を取りたくありません
	すでにいくつかの差異化を行っているためです。 列の最後に追加された数字はラグタイムであり、すべてのデータが並んでいました。 ですから、私たちがやりたいことは、ここの数字で推測することです。
	これを 4 にしましょう。4 ピリオド遅れます。
	そして、移動平均についても同じことをここで行います。
	そして、それらに異なる値を選択して、切片、制約が適合するものを見てみましょう。
	見積もりをヒットし、ここに戻ってきます。
	そして、これが私たちが得るものです。 私たちは以前よりも少し上手にやっています。
	ここに降りましょう。
	そして、これをもう一度選択します。 時間の都合上、6 ピリオドにします。
	すべてをチェックしてください。 見積もりを再度ヒットします。
	下にスクロールすると、少し見やすくなりました。 ここではおそらく 4 つまたは 5 つまたは 6 つのラグ期間内に 1 つが必要なので、もう 1 つ確認することがあります。
	グラフを見てみると…
	そして、スクリプトをテーブルに保存できます。 ニック、録音を一時停止できますか。
	わかりました、それで私はそれを数回行いました。
	そして、ここにモデル比較の要約があります。
	それで、ARMAの最初のモデルができました。 繰り返しますが、違いはありませんでしたので、ARIMA ではなく ARMA と呼ばれています。 ここに 5 つのピリオドがあります。
	もう少しだけ、これが表です。 私はテーブルに少し取り組みました.時間の理由で議論したくないいくつかのコラムを取り出しました. と
	私たちにできることは、結果を見ることです。 したがって、AIC が示され、AIC が低いほど優れていることがわかります。ここでの最良のモデルは
	最初に (5,5) を実行しました。 我々は持っています
	1268 から 1270, 1271, 1271 に上がり、R を 2 乗します。もちろん、大きいほど良いです。(6,6) ラグが最適なようです。 それらはわずかに大きいRを持っていますが、確かに重要ではなく、
	ここで、MAPE を見てみましょう。これは、平均パーセンテージ エラーであり、もちろん最小化する必要があります。 そして、そこにある中間モデルのように見えます.6つのピリオドレッグを備えた2番目のモデルが最高のもので、7.55を取得します.
	そして、ここにいくつかのデータがあります。 見積もりがあり、そこにあるさまざまな雑多なグラフィックを見ることができます. これらはすべてデータ テーブルに保存されています。 これを少し掃除させてください。
	要するに、ここにあるのは非常に複雑なプラントの日々の操作です。 説明と理解ができました。
	データの視覚的な調査から始め、次に進みました。
	プロセスについて何を知る必要があるかを調べるためのいくつかの調査により、分析で何が起こっているかを把握し、すべてのデータテーブルを保存することができました。
	そして、1 つの簡単なことは、データを調査したことです。分析のために、あるプラットフォームから別のプラットフォームに簡単に移動でき、プレゼンテーションを終了しました。

起こる品質と信頼性統計とモデリング