398722_zh-CN

liliconcom

使用 JMP Pro 16 分析 Kamyr 蒸煮器连续流动过程流 (2021-US-45MP-880)

级别：高级

 

Stanley Siranovich，Crucial Connection LLC 首席分析师

 

在本次会议中，我们分析了来自加拿大造纸厂 Kamyr 蒸煮器的实际过程数据。我们的数据集包含 23 个变量的 301 个测量值，采集时间超过 12 天。 我们要预测和控制的因变量是 Kappa 数。 它大致与纸浆中残留的木质素含量成正比，是制浆过程有效性的衡量标准。 对于自变量，我们结合了碎屑、蒸汽、空气和液体流速，以及温度、液位和湿度测量值。 几个特征使这个数据集特别具有挑战性：

• 将连续反应器分成独立的区域，每个区域执行不同的功能。
• 独立的热输入，以及每个区域的液体输入和输出。
• 逆流液体流动。

由于上述原因（并且因为我们想了解过程，而不仅仅是预测结果变量），我们使用了预测建模、筛选和多变量方法菜单中的几个 JMP 平台。 最后，为了演示分析流程和连续发现，我们将大部分会议作为现场演示进行。

 

 

自动生成的成绩单...

 

扬声器	成绩单
斯坦·西拉诺维奇	好的，从观察开始，我们在第一列中有观察。 马上，我们发现我们有一点奇怪的格式。
	我们稍后会解决这个问题。 下一列是 Y-Kappa，这就是所谓的目标变量，也就是想要预测的。 这是测量值，我们希望将其保持在一个狭窄的范围内。
	再过一两分钟，我会解释原因。 当我们滚动浏览数据时，我们在这里看到了几件事。 我们有一些奇怪的标签。 我们有 T-upperExt，不管它是什么。 我们有一个 T-lower，我们有一个 WhiteFlow。 我们注意到
	有些栏目，事实上，大多数电话的末尾都有一个数字。 结果……经过一番调查，我们发现那是滞后时间。
	当我解释这个过程时，我会谈到这一点。 所以我们有像芯片水分、蒸汽热这样的东西，我们也看到我们有一些缺失的值。 那里……这里那里有一些，但主要看起来它们仅限于 AAWhite，
	对不起，最后，硫化物。 所以我们注意到这一点。
	现在
	因为我们对这类事情都不熟悉，所以对我们来说，明智的做法可能是……做一些研究，看看我们到底在看什么。 我们也想知道（让我把 PowerPoint 放在这里）
	确切地
	好的。
	让我们开始。 好吧，kamyr 蒸煮器是纸浆和纸张制造商的连续四步工艺。
	现在这些
	过程……这些过程相当大，你可以把它想象成一个巨大的压力锅。 我们所做的是检查一些热量、蒸汽和压力，
	对不起，进入反应堆。 它们的直径可达 18 英尺，最高可达 200 英尺。 我们想要做的是在控制卡伯值的同时分离木质素。
	而且原料有点不寻常。 我来自化工业，我习惯了和
	一种液体原料，但这里我们的原料是木屑或来自
	锯木厂什么的。 我们没有关于这些原料是否一起倾倒的任何信息，它们一个接一个地倾倒，它们是否
	运动，但马上，我们知道我们这里有一些可变性。 无论物理形式如何，原料都由 50% 的水、25% 的纸浆和 25% 的木质素组成。 而且，当然，木质素是我们想要溶解的东西。
	现在这个过程看起来像这样。 它很复杂，在这个单一单元内有四个独立的单元操作。 我们有顶部，在那里倾倒木片和反应混合物，这是……被称为液体的地方。
	它有一些腐蚀性……一些碱性，但你可以把它想象成一种肥皂溶液。 它将木质素从木材中分离出来。
	我们还有流体流，既有流出物，也有液体，一共有三种。
	它可以是并发的，也可以是逆流的，所以我们引入了另一个变量。 正如我之前提到的，目标变量是 Kappa 数，这是一个 ISO 确定，我们这里有另一个变量，因为流体是再循环和再生的。
	因此，让我们从一些数据探索开始。
	这是我将 JMP 数据表导入 JMP 后的样子。 让我们从观察开始，Y-Kappa，
	我们要测量，然后是筹码率。 这里有一些其他的比率。 我们可以看到我们有一些缺失的数据，其中大部分似乎仅限于那里的那一列，而这边的这一列，即硫化物。
	因此，让我们看一下这些，看看是否有任何我们应该关注的问题。 我认为，做到这一点的最佳方法是在此处查看表格并查看缺失的数据模式。
	我要做的是单击拖动并选择所有这些。 我会把它们加进去。
	我们得到这张桌子。
	现在，您应该会看到丢失的数据表
	就在我的 JMP 表的顶部。
	让我稍微扩展一下第一列。 现在，如果我们看这里的第一列 count
	我们缺少的列数为零，我们在下一列中一直看到零，这就是我们的模式，它告诉我们有 131 列没有丢失数据，但我们有 132 列
	其中两列有一些缺失的数据。 您看到 1 和 1 的地方就是数据丢失的地方。 我们这里有另一种模式，有 19 个，但其余的都相当满......
	相当完整，如果您曾经处理过生产数据或质量监控数据，您会发现这并不罕见。 事实上，这是
	这类数据相当完整。 因此，让我们再看一下。 我们有 131 个，缺少一个，我们知道我们有这两列。
	让我们看看它们是否匹配。 就是这样。 它是具有相同两列但缺少数据的相同记录。 我们能做的就是选择第一行
	我们可以看看这里。
	让我把它拉开。 我们可以滚动。
	果然，
	我们看到那里的蓝色亮点，
	它突出了非缺失数据，我们看到缺失数据倾向于排列。 这里有一个点，这里有一个点，所以看起来这两列中所有这些缺失的数据都在同一行中。
	所以让我回去
	并停止共享。
	我们现在要进行一些数据探索，我将关闭该窗口。
	我们回到原始的 JMP 数据表。
	让我们看看，从哪里开始？ 好吧，我们在这里有几个选择，但我们可以做的一件事就是点击这里的这个图标，它会显示显示标题图。
	所以我们点击图标，我们可以在这里看到一些标题图。 它所做的是向我们展示一些分布的直方图
	在下面的列中。 这些这些都是可拖动的，所以我们可以在任一方向上使它们变大。 为什么我们不在这里做一点探索。 既然我们要控制Y-Kappa，
	让我们选择其中一些高值，看看我们能看到什么。 现在滚动，滚动，它看起来像
	在某种程度上与 BlowFlow 中发生的事情有关......
	这是这里范围的顶部，如果我们转到 T-upperExt-2，
	我们可以看到它往往位于分布的下半部分。 除此之外，对我们来说没有什么特别突出的，所以让我们点击那里
	在那里，稍微清理一下。
	让我们做更多的解释。 让我们去图表生成器。
	所以你去图表...
	图形生成器并弹出此窗口。
	我要做的是看看 Y-Kappa
	我们开始了，我可以放...我可以放一条更平滑的线在那里。
	而我看到的是
	我们的过程中有一些可变性，但它相当稳定，这里可能有轻微的上升趋势，但稳定，稍后会很重要。
	但如果我往下看，上面写着观察的地方，我会看到什么？ 我看到它从 1-00 开始，然后是 01，时间一直在增加。 但是如果我看这里的数据表，它是从 31 开始的。 所以他们显然在这里做了什么
	在单位上是从月份的日期开始，然后是小时，他们只是继续使用该格式，但这不是我们想要的。 所以让我关闭它。 我将停止共享并调出另一个 JMP 数据表。
	好的，所以我们看到的是基本相同的数据，我稍微清理了一下，然后做了一些更改。 当我们看到它时，我已经安排好了，就像我通常想用 Y-Kappa 来安排它一样，这是我们的
	...我们的目标值，然后是观察。 在这里我添加了一个小时的序列，让我告诉你这里发生了什么。
	而且我把所有的脚本都保存到这个数据表里了，一样的数据，只是我打开了一个不同的，已经清理过了。 如果我滚动，您会注意到我们这里的所有表格都有相同的小数位数。
	让我们重复一遍
	我刚才做了什么。 所以我们要去图表，图表生成器。
	将 Y-Kappa 放在这里，现在我将 Y 序列添加到
	我们的数据表，现在我们得到了一个不同的模式。 如果我打开原件，
	我们看到我们有一条不同的更平滑的线，我尝试做的是寻找一些星座，我称之为星座。 所以这里我们有这三个数据点。
	我将关闭这个并打开第二个。
	三个数据点在这里。
	让我闭嘴。
	注意这里的小时顺序，
	我们有数据点的顺序，我们可以用 JMP 做另一件事
	我们可以上去吗
	转变
	我们之前的观察，现在把它移到这里。
	我们将再次放入更平滑的线，你可以看到，我们有相同的模式，但现在如果我采用小时序列
	把它拖到这里，我们两全其美。 他们是有序的，这就是我们想要的。
	我们有，如果你注意到这里的底部，它是按小时顺序降序排列的观察结果，这是默认设置。 我可以点击完成，但现在，我只是将其最小化。
	我们将继续下一步。 检查我的笔记，确保我没有遗漏任何东西。
	哦，以及我如何将新专栏放在那里，让我在这里停止分享，而不是经历整个过程，让我切换回 PowerPoint。
	我给该列起了一个新名称，Hour Sequence，对于数据类型，我选择了数字，因为它就是这样。 为了
	建模类型，我选择了连续的，因为它是连续的数据，即使它是按固定的小时间隔进行的。 我在这里选择格式是因为它很容易让人阅读。
	为了初始化该列的数据，我选择了序列数据并针对 1 到 301 运行它，因为那是我们的最后一行。 让我们看看，将每个值重复一次，要添加的列数，只有一列。
	对于列属性，我从下拉列表中选择了时间频率，还选择了每小时。 这就是我得到该专栏的方式。
	所以让我停止分享
	并将其最小化，我将再次打开 JMP 数据表。
	我们又回到了数据表中。 现在我们从有趣的部分开始，继续分析。
	我们走吧
	分析。
	我得到了错误的数据表。 让我打开另一个。 开始了。
	去分析，
	多元方法
	多元的。
	我们看到了这个屏幕。 好吧，我们想看看 Y-Kappa，所以把 Y 放在那里。
	我们不需要任何权重和频率，或者让我们
	单击拖动。
	把所有这些都放在那里。 单击“确定”，结果如下。 并开始......让我结束......
	我们看到了散点图矩阵。 在这里我们可以寻找数据中的一些模式。 我们看不到很多，但如果我们在最左边的栏中查看 Y-Kappa，
	开始查看，看起来我们这里可能有某种模式......
	无论此列是什么。 向下滚动一点，看起来像
	其中一种酒流等等，等等。所以我们可以这样做以获得一个粗略的想法。 让我关闭它。
	而且我们可以看这里的相关性，蓝色的是正相关，红色的是负相关，都不是真正的高。
	有些方面是好的，有些方面是坏的，但我们现在不会谈论太多。 但我们只是看看那个。 在某些情况下，我们从中获得的信息比其他信息更多，所以让我结束它。
	接下来我们进行模型筛选，所以我们去分析，
	筛选，
	预测筛选。 我们再次看到这个窗口，
	Y-Kappa 是我们的 Y 反应。 在这里，我们看到了下一个窗口。 所以现在，我们将忽略观察结果，因为我们这里有小时顺序，而且它更容易阅读，所以我们将把它放在这里并单击确定。
	这就是我们得到的。
	所以我们在这里有我们的预测变量，当然，那些具有更高值和更大条形的预测变量可能是为我们排名的最重要的预测变量。
	我们在这里看到了一堆变量。 现在我们来到一个决策点。 好吧，前两个，他们显然是
	我们想看的东西，可能还有第三个，第四个。 现在剩下的这些，它们有点小，但它们都差不多，所以让我们开始吧。
	我们就点拖动，哦，在我继续这两列之前，contribution是对模型的贡献部分，也就是我平时看的那一列是百分比部分，这个
	这里的预测器预测到模型，所以如果你把所有这些加起来，它就会达到 100%。 我们有一个...我们这里有一个链接，上面写着选择了副本。
	所以让我们这样做吧。
	我将最小化该窗口并返回到我们的分析窗口。
	让我们看看。 如果我适合模型呢？ 拟合线性回归模型。
	我将单击它，并注意到所选列已经为我们突出显示。
	所以让我们添加它们，当然，我们再次需要 Y-Kappa。
	我们将选择它，当我这样做时，它打开了
	这里是我们窗口的扩展和更多的个性……这里有更多的选择和下拉菜单。 还有第一个的个性，所以让我点击它，它给了我们很多选择。 但是现在让我们坚持使用标准最小二乘法。 然后为了强调，
	我们有三个选择。 重点是在初始报告窗口中向我们透露的内容。 现在，我只选择
	最少的报告。 让我们看看，degree，2，好吧，所以它会看平方项。
	让我们看看……我想我们已经准备好了，所以我将单击“运行”。
	这就是我得到的。 看起来这个 BF-CMratio 是最重要的，
	其次是一些
	这里其他的不那么重要，但是它们……但是它们很重要，它们很重要的原因是，第一，p 值，顺便说一下，这是一个 .05 水平，蓝色……
	打扰一下，0.01 水平，这里的蓝线是 0.01 水平的显着性。 而原因……我们的原因
	我们正在用 logworth 这样做...哦，顺便说一句，我应该提到 logworth 是 10 倍减去 log，那是以 10 为底的对数。 因此，如果我们的蓝线等于 2 的值，则日志...
	0.02 的 p 值的日志...或者对不起，0.01 将是 2，所以这就是该行在那里的原因。
	在这里，您并不是真的需要它，但如果您将分析作为变量之一，它肯定会派上用场。 我们在这里查看摘要
	合适的，找到一个 R 平方 0.5，那是......这就是我们可以从那个窗口中得到的大部分内容。
	我们来到这里进行估计，我们可以看到估计是我们的多元线性回归的系数。
	所以我们看到可能不需要这两个，所以，为了简洁起见，我们将...
	我们会选择那些，过来把它删除。 现在我们少了两个变量。 我们可能会删除筹码级别，但现在，我们将把它留在那里，因为我们的 R 平方下降了一点。
	其他一切几乎保持不变。 这就是我们的模型。 我们可以下来，打开其他一些窗口。
	我们看到了个别条款的 T 比率，一些效果测试，这就是我们现在将要离开的地方。 所以让我最小化那个窗口，我们还有一个分析要做，那就是时间序列。 所以我们又上来分析一下。
	我们将在这里进行专业建模，然后我们将转到时间序列。 单击它，所有内容仍处于选中状态。
	我们会选择那个，
	我们将把 Y 放在那里。
	它会做同样的事情。
	太多了，等等。
	将我们的目标列表放在这里，我们在这里有这个按钮，X 时间，我们将再次放入小时序列，因为它更容易阅读。
	把它放在那里。
	单击运行。
	现在，我们将忽略所有此类事情，我们将来到这里，查看我们的时间序列诊断。 现在再向下滚动一点。 这里的蓝线是
	P 值，这是在 0.05 的水平，这是在研究不同的自相关和部分滞后时间。
	所以我可以用整整 45 分钟来讨论这个问题，但我们没有那么多时间，所以我只做一个简短的总结。 我们要做的是把所有这些滞后时间
	在那条蓝线之内。 看起来，好吧，对于这个，我们必须增加到大约五六岁，甚至七岁左右。
	并在部分滞后时间达到大约三、四或五点。
	所以
	我们要做的是来到红色三角形，
	我们想做一个 ARIMA 模型。 我们得到这个窗口，ARIMA 代表自回归综合移动平均线。 现在我们不想在这里做差分
	因为我们已经做了一些差分。 那些附加到列末尾的数字，它们是滞后时间，因此所有数据都排成一行。 所以我们要做的就是用这里的数字来猜测一下。
	让我把它设为 4，所以滞后 4 个周期。
	我们将在这里对移动平均线做同样的事情。
	我们可以为这些选择不同的值，让我们看看拦截、约束适合什么。
	我们将达到估计，然后再次来到这里。
	这就是我们得到的。 我们做得比以前好一点。
	我们下来吧。
	我们将再次选择它。 为了节省时间，我将分为六个时期。
	检查一切。 再打估计。
	我将向下滚动，现在看起来好多了。 我们可能希望其中一个在四个或五个和六个滞后周期内，所以还有一件事要检查。
	如果我们看图表...
	我们可以将脚本保存到表中。 尼克，我们可以暂停一下录音吗？
	好的，所以我做了几次。
	在这里，我在模型比较中有总结。
	所以我们有了 ARMA 的第一个模型。 同样，我们没有做差异，所以它被称为 ARMA 而不是 ARIMA。 这是五个时期，让我扩展一下
	再多一点，这是桌子。 我在桌子上做了一点工作，我拿出了……因为时间原因我不想讨论的一些专栏。 和
	我们能做的就是看看结果。 所以它向我们展示了 AIC，AIC 越低越好，看起来这里最好的模型是
	第一个我们做了 (5,5)。 我们有
	1268，然后上升到 1270、1271、1271，然后我们得到 R 平方，当然，越大越好，看起来 (6,6) 滞后是那里最好的。 它们的 R 略大，但肯定不显着
	在这里，我们查看 MAPE，即平均平均百分比误差，当然，我们希望将其最小化。 看起来像那里的中间模型，第二个，有六个周期腿是那里最好的一个，它得到了 7.55。
	然后我们这里有更多的数据。 我们有估算值，您可以查看下面的各种图形。 而这些都已经保存到数据表中了。 让我稍微清理一下。
	因此，总而言之，我们这里是一个非常复杂的工厂的日常运营。 我们能够解释和理解。
	我们从数据的视觉探索开始，然后我们继续
	一些研究来找出我们需要了解的过程，这样我们就知道我们的分析发生了什么，并且我们能够保存我们的数据表中的所有内容。
	一件快速的事情是，我们通过数据进行了探索，我们能够轻松地从一个平台转移到另一个平台进行分析，并结束了演示。

爆发质量和可靠性统计和建模