398722_ja-JP

liliconcom

JMP Pro 16 (2021-US-45MP-880) を使用した Kamyr ダイジェスター連続フロー プロセス ストリームの分析

レベル: 上級

 

Stanley Siranovich 氏、Crucial Connection LLC、主席アナリスト

 

このセッションでは、カナダの製紙工場のカミル蒸解釜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 日間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になります。 独立変数として、チップ、蒸気、空気、液体の流量と、温度、レベル、および水分の測定値の組み合わせが得られます。 いくつかの特性により、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し、それぞれが異なる機能を実行します。
• 各ゾーンの個別の熱入力と液体の入力と出力。
• 酒は向流に流れます。

上記の理由から (そして、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、および多変量手法メニューから JMP のプラットフォームのいくつかを使用します。 最後に、分析フローとその後の発見を実証するために、セッションの大部分をライブ 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	さて、観察から始めます。最初の列には観察があります。 そしてすぐに、少し奇妙なフォーマットになってい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、狭い範囲内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。 奇妙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。 私たちには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
	一部の列では、実際のところ、ほとんどの呼び出しの末尾に番号が付いています。 そして、それは...いくつかの調査の結果、それがラグタイムであることがわかりました。
	それについては、プロセスを説明するときに説明します。 したがって、チップの水分や蒸気の熱などがあり、欠損値もいくつかあることがわかります。 そこ...あちこちにいくつかありますが、主にAAWhiteに限定されているようです、
	すみません、最後の硫化です。 そこで、そのことをメモしておきます。
	今
	私たちはこの種のことには詳しくないので、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って、私たちが見ているものを正確に確認することでしょう。 そして、私たちも知りたいのです（パワーポイントをここに上げさせてください）
	その通り
	よし。
	さぁ、始めよう。 カミル蒸解釜は、紙パルプ製造業者にとって 4 段階の連続プロセスです。
	さて、これら
	プロセス...これらのプロセスは非常に大規模であり、巨大な圧力鍋と考えることができます。 私たちが行うのは、熱、蒸気、圧力を確認することです。
	すみません、原子炉の中へ。 そして、これらは直径18フィート、高さ最大200フィートにもなります。 そして私たちがやりたかったのは、カッパ数を制御しながらリグニンを分離することです。
	そして原料は少し特殊です。 私は化学業界出身で、化学業界での仕事には慣れています。
	液体原料ですが、ここでの原料は木材チップやおがくずです。
	製材所は何でも。 そして、これらの原料が一緒に投入されるのか、互いに重ねて投入されるのか、
	しかし、すぐに、ここには多少のばらつきがあることが分かりました。 物理的形状に関係なく、原料は 50% が水、25% がパルプ、25% がリグニン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 つの単位内に 4 つの個別の単位操作があります。 チップが投入される上部と、リキュールと呼ばれる反応混合物があります。
	若干の腐食性…アルカリ性が含まれていますが、石鹸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。
	流体の流れもあり、排水と酒類があり、そのうち 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、別の変数を導入します。 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 の決定であり、ここには流体が再循環および再生されるという別の変数があります。
	それでは、データの探索から始めましょう。
	そして、これが JMP データテーブルを JMP に取り込んだ直後の様子です。 観察を始めましょう、Y-Kappa、
	測定したいのはチップレートです。 ここでは他の比率をいくつか示します。 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、つまり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、懸念すべき点があるかどうかを確認してみましょう。 そして、それを行うための最良の方法は、ここでテーブルに行き、欠落しているデータのパターンを確認することだと思います。
	そして、クリックしてドラッグし、それらをすべて選択します。 そして、それらを追加します。
	そしてこのテーブルを入手します。
	これで、欠落データテーブルが表示されるはずです。
	私のJMPテーブルの上にあります。
	最初の列を少し拡張してみましょう。 ここで、count と書かれている最初の列を見ると、
	欠落している列の数はゼロで、次の列にはずっとゼロが表示されます。これがパターンであり、欠落データがない列が 131 列ありますが、列が 132 あることがわかります。
	この 2 つの列には欠損データがあります。 1 と 1 が表示される場所、つまり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、生産データや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、これは、
	このタイプのデータとしてはむしろ完全です。 それでは、もう少し見てみましょう。 131 個ありますが、1 個が欠けており、これら 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させてください。 そしてスクロールすることもできます。
	そして案の定、
	そこに青いハイライトが見えます。
	これにより、欠損していないデータが強調表示され、欠損データが並ぶ傾向があることがわかります。 ここにドット、ここにもドットがあるため、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。
	それで帰らせてください
	そして共有を停止します。
	次に、データ探索を行うので、そのウィンドウを閉じます。
	そして、ここで元の JMP データ テーブルに戻ります。
	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。
	そこで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。 そして、それは分布のヒストグラムをいくつか表示することです
	下の列にあります。 これらはドラッグできるので、どちらの方向にも大きくすることができます。 ここで少し探検してみませんか。 我々はYカッパを制御したいので、
	これらの高い値のいくつかを選択して、何が表示されるかを見てみましょう。 さあ、スクロールして、スクロールしてください。
	BlowFlow で起こっていることに多少関連しています...
	これはここでは範囲の一番上にあり、T-upperExt-2 に行くと、
	分布の下半分に位置する傾向があることがわかります。 それ以外には特に気になるものはありませんので、そこをクリックしてみましょう
	そこで、それを少し整理します。
	そして、もう少し説明しましょう。 グラフビルダーに行きましょう。
	それでグラフに行きます...
	グラフビルダーが起動すると、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のはY-Kappaを見ることです
	さあ、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変動がありますが、かなり安定しています。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、これは少し後で重要になります。
	しかし、ここで「観察」と書かれているところを見下ろしたら、何が見えるでしょうか? 1-00から始まり、次に01と時間が増えていくのがわかります。 しかし、ここでデータテーブルを見ると、31 から始まります。 それで、彼らがここで明らかに何をしたのか
	ユニットでは月の日付で始まり、次に時間が表示され、その形式がそのまま継続されましたが、それは私たちが望んでいることではありません。 それではこれで閉じさせていただきます。 共有を停止し、別の JMP データ テーブルを起動します。
	さて、私たちが見ているのは基本的に同じデータですが、少しクリーンアップしていくつかの変更を加えました。 そしてそれを見ながら、私がいつもアレンジしたいと思っているように、Y-Kappaとアレンジしてみました。
	...目標値とそれに続く観測値。 ここで 1 時間のシーケンスを追加し、ここで何が起こるかを示します。
	そして、すべてのスクリプトをこのデータ テーブルに同じデータで保存しました。クリーンアップされた別のテーブルを開いただけです。 そして、スクロールしてみると、ここにあるすべての表にわたって、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
	さっきやったこと。 それで、グラフ、グラフビルダーに行きます。
	ここに Y-Kappa を配置し、Y シーケンスを追加しました。
	データテーブルを作成すると、別のパターンが得られます。 原本を開いてみると、
	別のより滑らかな線があることがわかります。そして、私がやろうとしているのは、いくつかの星座、私が星座と呼んでいるものを探すことです。 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。
	それを閉めさせてください。
	ここの時間順に注目してください。
	データ ポイントが順番に揃っています。JMP でできることはもう 1 つあります。
	ここに上ってもいいですか、
	スイッチ
	以前に行った観察をここに移動します。
	そして、より滑らかなラインをもう一度入れます。ご覧のとおり、同じパターンがありますが、ここで時間シーケンスを取ると、
	それをここにドラッグすると、両方の長所が得られます。 それらは順番に並んでいます。それが私たちが望んでいた方法です。
	そして、ここの一番下にお気づきかと思いますが、観測値は時間順に降順に並べられており、これがデフォルトです。 [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することにします。
	そして次のステップに進みます。 メモをチェックして、何も書き残していないことを確認してください。
	ああ、新しい列をどのように配置したかについては、ここで共有を止めて、プロセス全体を説明するのではなく、PowerPoint に切り替えてみましょう。
	そして、列に新しい名前「Hour Sequence」を付け、データ型として数値を選択しました。それが実際のものだからです。 のために
	モデリング タイプでは、定期的な 1 時間間隔であっても連続データであるため、連続を選択しました。 ここで私がフォーマットを選択したのは、人間が読みやすいからです。
	そして、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、それが最後の行であるため、1 ～ 301 に対して実行しました。 そして、各値を 1 回繰り返し、追加する列の数は 1 つだけにしてみましょう。
	また、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、時間ごとも選択しました。 それでこのコラムを入手したのです。
	それで、それについてのシェアはやめさせてください
	それを最小化すると、再びJMPデータテーブルが表示されます。
	そしてここでデータテーブルに戻ります。 ここからは楽しい部分から始めて、分析に進みます。
	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。 もう一つを開けてみましょう。 さぁ行こう。
	分析に行って、
	多変量法
	多変量。
	そして、この画面が表示されます。 そうですね、Y-Kappa を見たいので、そこに Y を入れます。
	重みや周波数などは必要ありません。
	クリックしてドラッグします。
	それらすべてをそこに入れてください。 「OK」をクリックすると、結果が次のように表示されます。 そして、まず始めに...これを閉じさせてください...
	そして散布図行列が表示されます。 ここで、データ内のいくつかのパターンを見つけることができます。 あまりたくさんは見ることができませんが、ここの一番左の列にいる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...
	このコラムが何であれ。 少し下にスクロールするとこんな感じです
	酒の流れの 1 つなど、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。 それはもう終わりにさせてください。
	ここで相関関係を見ると、青い相関関係は正の相関関係、赤い相関関係は負の相関関係であり、どれも実際には高くありません。
	それはある意味では良いこともあれば、ある意味では悪いこともありますが、それについては今はあまり話しません。 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、他の情報よりもそこから多くの情報が得られるので、これは終わりにさせていただきます。
	次にモデルのスクリーニングに進み、分析に進みます。
	ふるい分け、
	予測子スクリーニング。 そして、このウィンドウが表示され、もう一度、
	Y-Kappa は私たちの Y 応答です。 そしてここで次のウィンドウが表示されます。 ここでは時間の順序があり、非常に読みやすいため、現時点では観察を無視します。そのため、それをここに入力して [OK] をクリックします。
	そしてこれが得られるものです。
	ここに予測変数があり、もちろん、より高い値と大きなバーを持つ予測変数が、おそらく最も重要な予測変数としてランク付けされます。
	そして、ここにはたくさんの変数が見られます。 さて、決定点に来ました。 そうですね、最初の 2 つは明らかに
	おそらく 3 番目と 4 番目も見ていきたいと思います。 残りの部分は多少マイナーですが、どれもほぼ同じなので、これを実行しましょう。
	クリックしてドラッグします。ああ、これら 2 つの列に進む前に、寄与度は部分のモデルへの寄与度です。私が通常見ている列は、この部分の割合です。
	ここでの予測子はモデルに対して予測しているため、これらをすべて合計すると 100% になります。 そして、ここにリンクがあります。コピーが選択されていると表示されます。
	それでは、そうしましょう。
	そして、そのウィンドウを最小化し、分析ウィンドウに戻ります。
	そして見てみましょう。 モデルを当てはめてみたらどうでしょうか？ 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ることがわかります。
	それでは、それらを追加しましょう。そしてもちろん、Y-Kappa が再び必要になります。
	そしてそれを選択します、そして私がそれをしたとき、それは開きました
	ここにはウィンドウの拡張機能と、さらにいくつかの個性があります...ドロップダウンを使用してさらにいくつかの選択肢があります。 最初の人の性格なので、それをクリックすると、ここでいくつかの選択肢が表示されます。 ただし、今のところは標準の最小二乗法に固執してみましょう。 そして、強調するために、
	私たちには3つの選択肢があります。 そして、最初のレポートウィンドウで明らかになることは何に重点を置いているのかということです。 とりあえず今は選択してみます
	最低限のレポート。 それで、次数 2 を見てみましょう。それでは二乗項を調べます。
	見てみましょう...準備は完了したと思いますので、[実行] をクリックします。
	そしてこれが私が得たものです。 この BF-CMratio が最も重要であるようですが、
	続いていくつか
	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、それらは重要です、そしてそれらが重要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、青色です...
	すみません、.01 レベルです。ここの青い線は、重要性を表す .01 レベルです。 そしてその理由...私たちが
	対数ワースを使ってこのようにやっています...ああ、ところで、対数ワースは 10 倍から対数を引いたもので、対数の底が 10 であることを言っておきます。 したがって、青い線が値 2 に等しい場合、ログは...
	.02 の p 値のログ...または、申し訳ありませんが、.01 は 2 になるため、そこに行が入っています。
	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には、間違いなく便利です。 ここで概要を見てみましょう
	フィットの R の 2 乗 0.5 を見つけます。これが、そのウィンドウから得られるもののほとんどです。
	ここで推定を行うと、推定値が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、節約のために次のようにします...
	それらを選択して、ここに来て削除します。 これで変数が 2 つ減りました。 おそらくチップレベルを削除することもできますが、R2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。 それがここでのモデルです。 ここに来て、他の窓を開けましょう。
	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。それは今のところはそのままにしておきます。 そこで、そのウィンドウを最小化して、もう 1 つ分析する必要があります。それは時系列です。 そこで、もう一度分析するためにここに来ました。
	ここで特殊なモデリングに戻り、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。
	同じことをします。
	1 つ多すぎます。お待ちください。
	ここにターゲット リストを入力すると、X 時間というボタンが表示されます。読みやすいため、時間シーケンスをもう一度入力します。
	それをそこに入れてください。
	実行をクリックします。
	現時点では、そのようなことはすべて無視して、ここに戻って時系列診断を確認します。 もう少し下にスクロールしてください。 そして、ここの青い線は、
	P 値、これは 0.05 レベルで、さまざまな自己相関と部分的な遅延時間を調べています。
	45 分丸々これについて話すこともできますが、時間がありませんので、簡単に要約します。 私たちがやりたいのは、これらすべてのラグタイムを解消することです
	その青い線の中にあります。 そして、これについては、おそらく 5 か 6、さらには 7 くらいまで上げる必要があるようです。
	そして、部分的なラグタイムで、3、4、5 あたりでそのポイントに到達します。
	それで
	私たちがやることは、ここの赤い三角点まで来ることです
	ARIMA モデルを作成したいと考えています。 そして、このウィンドウが得られます。ARIMA は自動回帰統合移動平均を表します。 ここでは差分を行いたくありません
	なぜなら、すでにいくつかの差異化を行っているからです。 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す。 したがって、ここでの数値を推測してみましょう。
	これを 4 にして、4 ピリオド遅れます。
	ここで移動平均についても同じことを行います。
	そして、それらに対して異なる値を選択して、切片、制約がどのように適合するかを見てみましょう。
	見積もりを達成したら、またここに来ます。
	そしてこれが得られるものです。 以前よりも少しずつ良くなってきています。
	ここに降りましょう。
	そして、これを再度選択します。 時間の都合上、6 つの期間を入れます。
	すべてを確認してください。 もう一度見積もりを打ちます。
	下にスクロールすると、見た目が少し良くなりました。 ここではおそらく 4 または 5 と 6 遅延期間以内にあることが望ましいため、もう 1 つ確認する必要があります。
	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した。 ニック、ちょっと録音を一時停止してもいいですか。
	さて、それを数回行いました。
	そして、ここにモデルの比較の概要があります。
	これで ARMA の最初のモデルが完成しました。 繰り返しますが、違いを作っていないので、ARIMA ではなく ARMA と呼ばれます。 ここに 5 つの期間があります。これを拡張してみましょう
	もう少しすると、これが表です。 私はテーブルで少し作業し、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。 そして
	私たちにできることは結果を見ることです。 つまり、AIC が高く、AIC が低いほど優れていることがわかり、ここでの最良のモデルは次のようです。
	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 と上がり、R が 2 乗されます。ここでは、もちろん大きい方が優れており、(6,6) ラグが最良のものだったようです。 R はわずかに大きくなりますが、確かに重要ではなく、
	ここでは MAPE に注目します。これは平均パーセンテージ誤差であり、もちろん最小化する必要があります。 真ん中のモデルのように見えますが、6 つの時代の脚を備えた 2 番目のモデルが最高で、7.55 を獲得しています。
	そして、さらにいくつかのデータがここにあります。 私たちは見積もりを持っており、そこにあるさまざま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。 これを少し整理させてください。
	ここにあるのは、要約すると、非常に複雑なプラントの日常業務です。 説明して理解していただくことができました。
	データの視覚的な探索から始めて、次に進みました。
	分析で何が起こっているのかを知るために、プロセスについて何を知る必要があるかを調べるために調査を行い、すべてのデータ テーブルを保存することができました。
	簡単に言えることは、データを調査し、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たことです。これでプレゼンテーションは終わりです。

起こる品質と信頼性統計とモデリング