Altoparlante
|
Trascrizione
|
| Stan Siranovich |
Ok, iniziando con l'osservazione, abbiamo l'osservazione nella prima colonna. E subito vediamo che abbiamo un formato un po' strano. |
| |
Detto questo ne parleremo più avanti. La colonna successiva è Y-Kappa, ovvero 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 tra un altro minuto o due, spiegherò perché. E mentre scorriamo i dati, vediamo un paio di cose qui. Abbiamo delle etichette stravaganti. Abbiamo il T-upperExt, qualunque cosa sia. Abbiamo un T-inferiore, abbiamo un WhiteFlow. E lo abbiamo notato |
| |
alcune colonne, infatti, la maggior parte delle chiamate hanno un numero alla fine. 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 dei trucioli, 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 nell'AAWhite, |
| |
scusatemi, proprio alla fine, la solfidità. Ne prendiamo quindi atto. |
| |
Ora |
| |
dal momento che non abbiamo familiarità con nulla di questo genere, probabilmente la cosa intelligente da fare sarebbe... fare qualche ricerca e vedere esattamente cosa stiamo guardando. E vorremmo anche sapere (fammi prendere il PowerPoint qui) |
| |
esattamente |
| |
Va bene. |
| |
Cominciamo. Ebbene, il digestore Kamyr è un processo continuo in quattro fasi per il produttore di pasta di legno e carta. |
| |
Adesso questi |
| |
processo... questi processi sono piuttosto grandi e puoi pensarli come una gigantesca pentola a pressione. Quello che facciamo è controllare calore, vapore e pressione, |
| |
scusatemi, 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. Vengo dal settore chimico e sono abituato a lavorare con |
| |
una materia prima liquida, ma qui la nostra materia prima è costituita da trucioli di legno o segatura da a |
| |
segheria qualunque. E non abbiamo alcuna informazione se queste materie prime vengono scaricate insieme, una sopra l'altra, se sono |
| |
campagna, ma sappiamo subito che qui c'è una certa variabilità. 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 assomiglia a questo. È complesso e all'interno di questa singola unità ci sono quattro operazioni unitarie separate. Abbiamo la parte superiore, dove vengono scaricati i trucioli, e la miscela di reazione, che è... 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 di fluidi, sia gli effluenti che i liquori, e ce ne sono tre. |
| |
E può essere simultaneo o controcorrente, quindi introduciamo un'altra variabile. Come ho detto prima, la variabile target è un numero Kappa, e questa è una determinazione ISO, e qui abbiamo un'altra variabile, in quanto i fluidi vengono ricircolati e rigenerati. |
| |
Cominciamo quindi con l'esplorazione dei dati. |
| |
Ed ecco come appare la tabella dati JMP subito dopo averla inserita in JMP. Cominciamo con l'osservazione, Y-Kappa, |
| |
che vogliamo misurare e poi il chip rate. Ecco alcuni altri rapporti. E possiamo vedere che ci sono alcuni dati mancanti, la maggior parte sembra essere confinata in quella colonna lì, e in questa colonna qui, la solfidicità. |
| |
Quindi diamo un'occhiata a quelli per vedere se è qualcosa di cui dovremmo preoccuparci. E il modo migliore per farlo, penso, è andare qui alle tabelle e guardare lo schema dei dati mancanti. |
| |
E quello che farò è fare clic su Trascina e selezionarli tutti. E li aggiungerò. |
| |
E otteniamo questo tavolo. |
| |
Ora dovresti vedere la tabella dei dati mancanti |
| |
proprio sopra il mio tavolo JMP. |
| |
E lasciatemi espandere un po' la prima colonna. Ora, se guardassimo la prima colonna qui che dice conteggio |
| |
e il numero di colonne mancanti è zero e vediamo zero ovunque nella colonna successiva, questo è il nostro schema e ci dice che abbiamo 131 colonne senza dati mancanti ma abbiamo 132 colonne |
| |
in cui due colonne presentano alcuni dati mancanti. An dove vedi 1 e 1, è lì che mancano i dati. E qui abbiamo un altro schema 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 con i dati di monitoraggio della qualità, vedi che questo non è insolito. In effetti, questo è |
| |
piuttosto completo per questo tipo di dati. Quindi esaminiamolo un po' di più. Ne abbiamo 131 con una mancante e sappiamo di avere quelle due colonne. |
| |
Vediamo se coincidono. Questo è tutto. È lo stesso record con le stesse due colonne con dati mancanti. E quello che possiamo fare è selezionare la prima riga |
| |
e possiamo guardare qui. |
| |
Permettimi di toglierlo di mezzo. E possiamo scorrere. |
| |
E infatti, |
| |
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 i dati mancanti in quelle due colonne siano nella stessa riga. |
| |
Quindi lasciami tornare indietro |
| |
e interrompere la condivisione. |
| |
E ora effettueremo un'esplorazione dei dati e chiuderò quella finestra. |
| |
E torniamo alla tabella 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 proprio qui, e dice mostra 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 sono trascinabili, quindi possiamo ingrandirli in entrambe le direzioni. E perché non facciamo un po' di esplorazione qui? Dato che vogliamo controllare l'Y-Kappa, |
| |
selezioniamo alcuni di questi valori elevati e vediamo cosa possiamo vedere. Ora scorri, scorri, sembra che lo sia |
| |
in qualche modo legato a ciò che sta accadendo nel BlowFlow che... |
| |
che qui è al massimo dell'intervallo, e se andiamo a T-upperExt-2, |
| |
possiamo vedere che tende a trovarsi nella metà inferiore della distribuzione. E a parte questo, non ci interessa davvero nulla, quindi clicchiamo proprio lì |
| |
e lì, per ripulirlo un po'. |
| |
E facciamo qualche spiegazione in più. Andiamo al generatore di grafici. |
| |
Quindi vai al grafico... |
| |
generatore di grafici e verrà visualizzata questa finestra. |
| |
E quello che farò è dare un'occhiata all'Y-Kappa |
| |
Eccoci qua, e posso inserire... posso inserire una linea più morbida lì dentro. |
| |
E quello che vedo è |
| |
qualche 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 cosa apparentemente hanno fatto qui |
| |
sull'unità iniziavano con la data del mese, quindi l'ora e continuavano semplicemente con quel formato, ma non è quello che vogliamo. Quindi lasciami chiudere questo. Interromperò la condivisione e visualizzerò un'altra tabella di dati JMP. |
| |
Ok, quello che stiamo guardando sono fondamentalmente gli stessi dati, li ho ripuliti un po' e ho apportato alcune modifiche. E mentre lo guardiamo, l'ho organizzato come di solito voglio organizzarlo con l'Y-Kappa, che è il nostro |
| |
...il nostro valore target, seguito dall'osservazione. E qui ho aggiunto una sequenza oraria, e lascia che ti mostri cosa succede qui. |
| |
E ho salvato tutti gli script in questa tabella dati, stessi dati, 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, al generatore di grafici. |
| |
Metti qui l'Y-Kappa e ora ho aggiunto la sequenza Y |
| |
la nostra tabella dati e ora otteniamo uno schema diverso. Se apro l'originale, |
| |
vediamo che abbiamo una linea diversa, più morbida, e quello che cerco di fare è cercare alcune costellazioni, quelle che io chiamo costellazioni. Quindi qui abbiamo questi tre punti dati. |
| |
Chiudo questo e apro il secondo. |
| |
E i tre punti dati sono qui. |
| |
Lasciamelo chiudere. |
| |
E notate quaggiù con la sequenza delle ore, |
| |
abbiamo i punti dati nell'ordine in cui sono e un'altra cosa che potremmo fare con JMP |
| |
è che possiamo andare quassù, |
| |
interruttore |
| |
osservazione, che avevamo prima, e ora spostala quaggiù. |
| |
E inseriremo di nuovo la nostra linea più morbida, puoi vedere, abbiamo lo stesso schema, ma ora se prendo la sequenza delle ore |
| |
e trascinalo qui, abbiamo il meglio di entrambi i mondi. Sono in ordine, così li volevamo. |
| |
E abbiamo, se notate qui in basso, l'osservazione ordinata per sequenza oraria decrescente, che è l'impostazione predefinita. E potrei fare clic su Fine, ma per ora lo minimizzerò. |
| |
E passeremo allo step successivo. Controlla i miei appunti, assicurati di non aver tralasciato nulla. |
| |
Oh, e come ho inserito la nuova colonna lì, vorrei interrompere la condivisione qui e, invece di ripercorrere l'intero processo, vorrei tornare a PowerPoint. |
| |
E ho dato alla colonna un nuovo nome, Sequenza oraria, e come 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 presi a intervalli orari regolari. E ho scelto il formato qui perché è facile per gli esseri umani leggerlo. |
| |
E per inizializzare i dati per la colonna, ho scelto i dati della sequenza e li ho eseguiti da 1 a 301, perché quella è la nostra ultima riga. E vediamo, ripeti ogni valore una volta, il numero di colonne da aggiungere, solo una. |
| |
E per le proprietà delle colonne, ho scelto la frequenza temporale dal menu a discesa e ho scelto anche l'ora. Ecco come ho ottenuto quella colonna. |
| |
Quindi lasciatemi interrompere la condivisione su questo |
| |
e minimizzalo e visualizzerò nuovamente la tabella 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 dati sbagliata. Fammi aprire l'altro. Eccoci qui. |
| |
Vai ad analizzare, |
| |
metodi multivariati |
| |
multivariato. |
| |
E ci viene presentata questa schermata. Bene, vogliamo dare un'occhiata a Y-Kappa, quindi inserisci la Y lì dentro. |
| |
Non vogliamo pesi e frequenze o andiamo |
| |
fare clic su trascina. |
| |
Mettili tutti lì dentro. Fare clic su OK ed ecco il risultato. E per cominciare... lasciatemi chiudere... |
| |
e ci viene presentata la matrice del grafico a dispersione. E qui possiamo cercare alcuni modelli nei dati. Non ne vediamo molti, ma se guardiamo Y-Kappa qui nella colonna più a sinistra, |
| |
inizia a controllare, 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. Lasciami chiudere. |
| |
E possiamo osservare le correlazioni qui, e quelle blu sono correlazioni positive, e quelle rosse sono negative, e nessuna di queste è davvero alta. |
| |
E per certi versi è positivo e per certi versi è negativo, ma non ne parleremo molto per ora. Ma guardiamo solo questo. In alcune situazioni, otteniamo più informazioni da questo che da altre informazioni, quindi lasciatemi chiudere. |
| |
Poi passiamo allo screening del modello, quindi andiamo ad analizzare, |
| |
selezione, |
| |
screening dei predittori. 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 adesso ignoreremo le osservazioni, perché qui abbiamo la sequenza oraria, ed è molto più facile da leggere, quindi la inseriremo qui e faremo clic su OK. |
| |
E questo è ciò che otteniamo. |
| |
Quindi qui abbiamo i nostri predittori e, naturalmente, quelli con i valori più alti e le barre più grandi saranno probabilmente i predittori più importanti classificati per noi. |
| |
E qui vediamo un sacco di variabili. Ora arriviamo a un punto decisionale. Bene, questi primi due lo sono ovviamente |
| |
qualcosa che vogliamo esaminare, probabilmente anche il terzo e il quarto. Il resto di questi sono in qualche modo minori, ma sono tutti più o meno la stessa cosa, quindi facciamolo. |
| |
Faremo clic su Trascina, oh e prima di passare a queste due colonne, contributo è un contributo al modello nella porzione, che è la colonna che di solito guardo è la porzione percentuale di questa |
| |
Il predittore qui prevede il modello, quindi se sommassi tutti questi fattori, arriverebbe al 100%. E abbiamo... abbiamo un collegamento qui, dice copia selezionata. |
| |
Quindi facciamolo. |
| |
E minimizzerò quella finestra e tornerò qui alla nostra finestra di analisi. |
| |
E vediamo. Che ne dici se mi adatto ai modelli? Adatta 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 discesa. E il primo è la personalità, quindi lasciami fare clic su questo e qui avremo una serie di scelte. Ma per ora atteniamoci ai minimi quadrati standard. E poi per enfatizzare, |
| |
abbiamo tre scelte. E l'enfasi è su ciò che ci viene rivelato nella finestra del report iniziale. Per ora mi limiterò a selezionare |
| |
rapporto minimo. E vediamo, grado, 2, okay, quindi esamineremo i termini al quadrato. |
| |
Vediamo... e immagino che siamo pronti, quindi farò clic su Esegui. |
| |
E questo è quello che ottengo. E sembra che questo rapporto BF-CM 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 0,05 e il blu... |
| |
scusatemi, il livello .01 e la linea blu qui, che è il livello .01 per la significatività. 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 log in base 10. Quindi se abbiamo la linea blu uguale al valore 2, il log... |
| |
log del valore p di .02...o scusatemi, .01 sarebbe un 2, ecco perché la riga è lì. |
| |
Qui non ti serve davvero, ma se stai facendo un'analisi come una delle variabili, torna sicuramente utile. E guardiamo qui i riassunti |
| |
di adattamento, trova una R al quadrato 0,5, e questo è... questo è più o meno il massimo di ciò che possiamo ottenere da quella finestra proprio lì. |
| |
E veniamo qui per fare una stima, 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,... |
| |
li selezioneremo, verremo qui e lo rimuoveremo. 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 scenderà leggermente. |
| |
E tutto il resto è rimasto più o meno lo stesso. Quindi questo è il nostro modello qui. Possiamo venire 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 permettimi di ridurre al minimo quella finestra e abbiamo un'altra analisi da fare e questa è la serie temporale. Quindi veniamo qui per analizzare di nuovo. |
| |
E qui arriveremo alla modellazione specializzata, e 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 il nostro elenco di obiettivi e abbiamo questo pulsante qui, X time, inseriremo di nuovo la sequenza delle ore perché è più facile da leggere. |
| |
Mettilo lì. |
| |
Fare clic sulla corsa. |
| |
E per ora, ignoreremo tutto questo genere di cose, e verremo qui e esamineremo la nostra diagnostica delle serie temporali. Ora scorri ancora un po' verso il basso. E la linea blu qui è la |
| |
Valore P, che è a un livello di 0,05, e sta esaminando diverse autocorrelazioni e tempi di ritardo parziali. |
| |
Quindi potrei dedicare tutti i 45 minuti a parlarne, ma non abbiamo tutto questo 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 arrivare fino a circa cinque o sei, forse anche sette, da qualche parte lì intorno. |
| |
E raggiungi quel punto intorno alle tre o quattro o cinque con il tempo di ritardo parziale. |
| |
COSÌ |
| |
quello che facciamo è venire quassù 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 venivano aggiunti alla fine delle colonne, erano i tempi di ritardo, in modo che tutti i dati fossero allineati. Quindi quello che vogliamo fare è semplicemente fare un'ipotesi con il numero qui. |
| |
Fammi fare un 4, quindi ritarda 4 periodi. |
| |
E faremo lo stesso qui per la media mobile. |
| |
E potremmo scegliere valori diversi per questi e vedere cosa si adatta all'intercettazione e al vincolo. |
| |
Raggiungeremo la stima e verremo di nuovo qui. |
| |
E questo è ciò che otteniamo. Stiamo andando un po' meglio di prima. |
| |
Veniamo 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 qui ne vogliamo uno entro quattro o cinque o sei periodi di ritardo, quindi c'è ancora una 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, l'ho fatto un paio di volte. |
| |
E qui ho un riassunto qui nel confronto dei modelli. |
| |
Quindi abbiamo il primo modello di ARMA. Ancora una volta non abbiamo fatto la differenza, quindi si chiama ARMA e non ARIMA. Ed ecco il periodo di cinque, e permettetemi di espanderlo |
| |
ancora un po' e questo è il tavolo. Ho lavorato un po' sul tavolo, ho tolto… tolto alcune colonne di cui non volevo discutere per ragioni di tempo. E |
| |
quello che possiamo fare è guardare i risultati. Quindi ci mostra che l'AIC e l'AIC inferiore sono migliori, e sembra che il modello migliore qui sia il |
| |
per primo 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 il MAPE, che è l'errore percentuale medio e che, ovviamente, vogliamo minimizzare. E sembra che il modello di mezzo lì, il secondo, con le gambe in sei periodi sia il migliore lì e 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 dati. Lasciami ripulire un po' la situazione. |
| |
E quindi quello che abbiamo qui, in sintesi, sono le operazioni quotidiane di un impianto molto complicato. Siamo riusciti a spiegare e capire. |
| |
Siamo partiti con l'esplorazione visiva dei dati e poi siamo passati a questa |
| |
alcune ricerche per scoprire cosa ci serviva per scoprire il processo in modo da sapere cosa stava succedendo con la nostra analisi e siamo stati in grado di salvare tutta la nostra tabella dati. |
| |
E una cosa rapida è stata che abbiamo esplorato i nostri dati, siamo stati in grado di spostarci facilmente da una piattaforma all'altra per la nostra analisi e questo conclude la presentazione. |
