398722_zh-TW

liliconcom

使用 JMP Pro 16 分析 Kamyr 蒸煮器連續流動過程流 (2021-US-45MP-880)

級別：高級

 

Stanley Siranovich，Crucial Connection LLC 首席分析師

 

在本次會議中，我們分析了來自加拿大造紙廠 Kamyr 蒸煮器的實際過程數據。我們的數據集包含 23 個變量的 301 個測量值，採集時間超過 12 天。 我們要預測和控制的因變量是 Kappa 數。 它大致與紙漿中殘留的木質素含量成正比，是製漿過程有效性的衡量標準。 對於自變量，我們結合了碎屑、蒸汽、空氣和液體流速，以及溫度、液位和濕度測量值。 幾個特徵使這個數據集特別具有挑戰性：

• 將連續反應器分成獨立的區域，每個區域執行不同的功能。
• 獨立的熱輸入，以及每個區域的液體輸入和輸出。
• 逆流液體流動。

由於上述原因（並且因為我們想了解過程，而不僅僅是預測結果變量），我們使用了預測建模、篩选和多變量方法菜單中的幾個 JMP 平台。 最後，為了演示分析流程和連續發現，我們將大部分會議作為現場演示進行。

 

 

自動生成的成績單...

 

揚聲器	成績單
斯坦·西拉諾維奇	好的，從觀察開始，我們在第一列中有觀察。 馬上，我們發現我們有一點奇怪的格式。
	我們稍後會解決這個問題。 下一列是 Y-Kappa，這就是所謂的目標變量，也就是想要預測的。 這是測量值，我們希望將其保持在一個狹窄的範圍內。
	再過一兩分鐘，我會解釋原因。 當我們滾動瀏覽數據時，我們在這裡看到了幾件事。 我們有一些奇怪的標籤。 我們有 T-upperExt，不管它是什麼。 我們有一個 T-lower，我們有一個 WhiteFlow。 我們注意到
	有些欄目，事實上，大多數電話的末尾都有一個數字。 結果……經過一番調查，我們發現那是滯後時間。
	當我解釋這個過程時，我會談到這一點。 所以我們有像芯片水分、蒸汽熱這樣的東西，我們也看到我們有一些缺失的值。 那裡……這裡那裡有一些，但主要看起來它們僅限於 AAWhite，
	對不起，最後，硫化物。 所以我們注意到這一點。
	現在
	因為我們對這類事情都不熟悉，所以對我們來說，明智的做法可能是……做一些研究，看看我們到底在看什麼。 我們也想知道（讓我把 PowerPoint 放在這裡）
	確切地
	好的。
	讓我們開始。 好吧，kamyr 蒸煮器是紙漿和紙張製造商的連續四步工藝。
	現在這些
	過程……這些過程相當大，你可以把它想像成一個巨大的壓力鍋。 我們所做的是檢查一些熱量、蒸汽和壓力，
	對不起，進入反應堆。 它們的直徑可達 18 英尺，最高可達 200 英尺。 我們想要做的是在控制卡伯值的同時分離木質素。
	而且原料有點不尋常。 我來自化工業，我習慣了和
	一種液體原料，但這裡我們的原料是木屑或來自
	鋸木廠什麼的。 我們沒有關於這些原料是否一起傾倒的任何信息，它們一個接一個地傾倒，它們是否
	運動，但馬上，我們知道我們這裡有一些可變性。 無論物理形式如何，原料都由 50% 的水、25% 的紙漿和 25% 的木質素組成。 而且，當然，木質素是我們想要溶解的東西。
	現在這個過程看起來像這樣。 它很複雜，在這個單一單元內有四個獨立的單元操作。 我們有頂部，在那裡傾倒木片和反應混合物，這是……被稱為液體的地方。
	它有一些腐蝕性……一些鹼性，但你可以把它想像成一種肥皂溶液。 它將木質素從木材中分離出來。
	我們還有流體流，既有流出物，也有液體，一共有三種。
	它可以是並發的，也可以是逆流的，所以我們引入了另一個變量。 正如我之前提到的，目標變量是 Kappa 數，這是一個 ISO 確定，我們這裡有另一個變量，因為流體是再循環和再生的。
	因此，讓我們從一些數據探索開始。
	這是我將 JMP 數據表導入 JMP 後的樣子。 讓我們從觀察開始，Y-Kappa，
	我們要測量，然後是籌碼率。 這裡有一些其他的比率。 我們可以看到我們有一些缺失的數據，其中大部分似乎僅限於那裡的那一列，而這邊的這一列，即硫化物。
	因此，讓我們看一下這些，看看是否有任何我們應該關注的問題。 我認為，做到這一點的最佳方法是在此處查看表格並查看缺失的數據模式。
	我要做的是單擊拖動並選擇所有這些。 我會把它們加進去。
	我們得到這張桌子。
	現在，您應該會看到丟失的數據表
	就在我的 JMP 表的頂部。
	讓我稍微擴展一下第一列。 現在，如果我們看這裡的第一列 count
	我們缺少的列數為零，我們在下一列中一直看到零，這就是我們的模式，它告訴我們有 131 列沒有丟失數據，但我們有 132 列
	其中兩列有一些缺失的數據。 您看到 1 和 1 的地方就是數據丟失的地方。 我們這裡有另一種模式，有 19 個，但其餘的都相當滿......
	相當完整，如果您曾經處理過生產數據或質量監控數據，您會發現這並不罕見。 事實上，這是
	這類數據相當完整。 因此，讓我們再看一下。 我們有 131 個，缺少一個，我們知道我們有這兩列。
	讓我們看看它們是否匹配。 就是這樣。 它是具有相同兩列但缺少數據的相同記錄。 我們能做的就是選擇第一行
	我們可以看看這裡。
	讓我把它拉開。 我們可以滾動。
	果然，
	我們看到那裡的藍色亮點，
	它突出了非缺失數據，我們看到缺失數據傾向於排列。 這裡有一個點，這裡有一個點，所以看起來這兩列中所有這些缺失的數據都在同一行中。
	所以讓我回去
	並停止共享。
	我們現在要進行一些數據探索，我將關閉該窗口。
	我們回到原始的 JMP 數據表。
	讓我們看看，從哪裡開始？ 好吧，我們在這裡有幾個選擇，但我們可以做的一件事就是點擊這裡的這個圖標，它會顯示顯示標題圖。
	所以我們點擊圖標，我們可以在這裡看到一些標題圖。 它所做的是向我們展示一些分佈的直方圖
	在下面的列中。 這些這些都是可拖動的，所以我們可以在任一方向上使它們變大。 為什麼我們不在這裡做一點探索。 既然我們要控制Y-Kappa，
	讓我們選擇其中一些高值，看看我們能看到什麼。 現在滾動，滾動，它看起來像
	在某種程度上與 BlowFlow 中發生的事情有關......
	這是這裡範圍的頂部，如果我們轉到 T-upperExt-2，
	我們可以看到它往往位於分佈的下半部分。 除此之外，對我們來說沒有什麼特別突出的，所以讓我們點擊那裡
	在那裡，稍微清理一下。
	讓我們做更多的解釋。 讓我們去圖表生成器。
	所以你去圖表...
	圖形生成器並彈出此窗口。
	我要做的是看看 Y-Kappa
	我們開始了，我可以放...我可以放一條更平滑的線在那裡。
	而我看到的是
	我們的過程中有一些可變性，但它相當穩定，這裡可能有輕微的上升趨勢，但穩定，稍後會很重要。
	但如果我往下看，上面寫著觀察的地方，我會看到什麼？ 我看到它從 1-00 開始，然後是 01，時間一直在增加。 但是如果我看這裡的數據表，它是從 31 開始的。 所以他們顯然在這裡做了什麼
	在單位上是從月份的日期開始，然後是小時，他們只是繼續使用該格式，但這不是我們想要的。 所以讓我關閉它。 我將停止共享並調出另一個 JMP 數據表。
	好的，所以我們看到的是基本相同的數據，我稍微清理了一下，然後做了一些更改。 當我們看到它時，我已經安排好了，就像我通常想用 Y-Kappa 來安排它一樣，這是我們的
	...我們的目標值，然後是觀察。 在這裡我添加了一個小時的序列，讓我告訴你這裡發生了什麼。
	而且我把所有的腳本都保存到這個數據表裡了，一樣的數據，只是我打開了一個不同的，已經清理過了。 如果我滾動，您會注意到我們這裡的所有表格都有相同的小數位數。
	讓我們重複一遍
	我剛才做了什麼。 所以我們要去圖表，圖表生成器。
	將 Y-Kappa 放在這裡，現在我將 Y 序列添加到
	我們的數據表，現在我們得到了一個不同的模式。 如果我打開原件，
	我們看到我們有一條不同的更平滑的線，我嘗試做的是尋找一些星座，我稱之為星座。 所以這裡我們有這三個數據點。
	我將關閉這個並打開第二個。
	三個數據點在這裡。
	讓我閉嘴。
	注意這裡的小時順序，
	我們有數據點的順序，我們可以用 JMP 做另一件事
	我們可以上去嗎
	轉變
	我們之前的觀察，現在把它移到這裡。
	我們將再次放入更平滑的線，你可以看到，我們有相同的模式，但現在如果我採用小時順序
	把它拖到這裡，我們兩全其美。 他們是有序的，這就是我們想要的。
	我們有，如果你注意到這裡的底部，它是按小時順序降序排列的觀察結果，這是默認設置。 我可以點擊完成，但現在，我只是將其最小化。
	我們將繼續下一步。 檢查我的筆記，確保我沒有遺漏任何東西。
	哦，以及我如何將新專欄放在那裡，讓我在這裡停止分享，而不是經歷整個過程，讓我切換回 PowerPoint。
	我給該列起了一個新名稱，Hour Sequence，對於數據類型，我選擇了數字，因為它就是這樣。 為了
	建模類型，我選擇了連續的，因為它是連續的數據，即使它是按固定的小時間隔進行的。 我在這裡選擇格式是因為它很容易讓人閱讀。
	為了初始化該列的數據，我選擇了序列數據並針對 1 到 301 運行它，因為那是我們的最後一行。 讓我們看看，將每個值重複一次，要添加的列數，只有一列。
	對於列屬性，我從下拉列表中選擇了時間頻率，還選擇了每小時。 這就是我得到該專欄的方式。
	所以讓我停止分享
	並將其最小化，我將再次打開 JMP 數據表。
	我們又回到了數據表中。 現在我們從有趣的部分開始，繼續分析。
	我們走吧
	分析。
	我得到了錯誤的數據表。 讓我打開另一個。 開始了。
	去分析，
	多元方法
	多元的。
	我們看到了這個屏幕。 好吧，我們想看看 Y-Kappa，所以把 Y 放在那裡。
	我們不需要任何權重和頻率，或者讓我們
	單擊拖動。
	把所有這些都放在那裡。 單擊“確定”，結果如下。 並開始......讓我結束......
	我們看到了散點圖矩陣。 在這裡我們可以尋找數據中的一些模式。 我們看不到很多，但如果我們在最左邊的欄中查看 Y-Kappa，
	開始查看，看起來我們這裡可能有某種模式...
	無論此列是什麼。 向下滾動一點，看起來像
	其中一種酒流等等，等等。所以我們可以這樣做以獲得一個粗略的想法。 讓我關閉它。
	而且我們可以看這裡的相關性，藍色的是正相關，紅色的是負相關，都不是真正的高。
	有些方面是好的，有些方面是壞的，但我們現在不會談論太多。 但我們只是看看那個。 在某些情況下，我們從中獲得的信息比其他信息更多，所以讓我結束它。
	接下來我們進行模型篩選，所以我們去分析，
	篩選，
	預測篩選。 我們再次看到這個窗口，
	Y-Kappa 是我們的 Y 反應。 在這裡，我們看到了下一個窗口。 所以現在，我們將忽略觀察結果，因為我們這裡有小時順序，而且它更容易閱讀，所以我們將把它放在這裡並單擊確定。
	這就是我們得到的。
	所以我們在這裡有我們的預測變量，當然，那些具有更高值和更大條形的預測變量可能是為我們排名的最重要的預測變量。
	我們在這裡看到了一堆變量。 現在我們來到一個決策點。 好吧，前兩個，他們顯然是
	我們想看的東西，可能還有第三個，第四個。 現在剩下的這些，它們有點小，但它們都差不多，所以讓我們開始吧。
	我們就點拖動，哦，在我繼續這兩列之前，contribution是對模型的貢獻部分，也就是我平時看的那一列是百分比部分，這個
	這裡的預測器預測到模型，所以如果你把所有這些加起來，它就會達到 100%。 我們有一個...我們這裡有一個鏈接，上面寫著選擇了副本。
	所以讓我們這樣做吧。
	我將最小化該窗口並返回到我們的分析窗口。
	讓我們看看。 如果我適合模型呢？ 擬合線性回歸模型。
	我將單擊它，並註意到所選列已經為我們突出顯示。
	所以讓我們添加它們，當然，我們再次需要 Y-Kappa。
	我們將選擇它，當我這樣做時，它打開了
	這裡是我們窗口的擴展和更多的個性……這裡有更多的選擇和下拉菜單。 還有第一個的個性，所以讓我點擊它，它給了我們很多選擇。 但是現在讓我們堅持使用標準最小二乘法。 然後為了強調，
	我們有三個選擇。 重點是在初始報告窗口中向我們透露的內容。 現在，我只選擇
	最少的報告。 讓我們看看，degree，2，好吧，所以它會看平方項。
	讓我們看看……我想我們已經準備好了，所以我將單擊“運行”。
	這就是我得到的。 看起來這個 BF-CMratio 是最重要的，
	其次是一些
	這裡其他的不那麼重要，但是它們……但是它們很重要，它們很重要的原因是，第一，p 值，順便說一下，這是一個 .05 水平，藍色……
	打擾一下，0.01 水平，這裡的藍線是 0.01 水平的顯著性。 而原因……我們的原因
	我們正在用 logworth 這樣做...哦，順便說一句，我應該提到 logworth 是 10 倍減去 log，那是以 10 為底的對數。 因此，如果我們的藍線等於 2 的值，則日誌...
	0.02 的 p 值的日誌...或者對不起，0.01 將是 2，所以這就是該行在那裡的原因。
	在這裡，您並不是真的需要它，但如果您將分析作為變量之一，它肯定會派上用場。 我們在這裡查看摘要
	合適的，找到一個 R 平方 0.5，那是......這就是我們可以從那個窗口中得到的大部分內容。
	我們來到這裡進行估計，我們可以看到估計是我們的多元線性回歸的係數。
	所以我們看到可能不需要這兩個，所以，為了簡潔起見，我們將...
	我們會選擇那些，過來把它刪除。 現在我們少了兩個變量。 我們可能會刪除籌碼級別，但現在，我們將把它留在那裡，因為我們的 R 平方下降了一點。
	其他一切幾乎保持不變。 這就是我們的模型。 我們可以下來，打開其他一些窗口。
	我們看到了個別條款的 T 比率，一些效果測試，這就是我們現在將要離開的地方。 所以讓我最小化那個窗口，我們還有一個分析要做，那就是時間序列。 所以我們又上來分析一下。
	我們將在這裡進行專業建模，然後我們將轉到時間序列。 單擊它，所有內容仍處於選中狀態。
	我們會選擇那個，
	我們將把 Y 放在那裡。
	它會做同樣的事情。
	太多了，等等。
	將我們的目標列表放在這裡，我們在這裡有這個按鈕，X 時間，我們將再次放入小時序列，因為它更容易閱讀。
	把它放在那裡。
	單擊運行。
	現在，我們將忽略所有此類事情，我們將來到這裡，查看我們的時間序列診斷。 現在再向下滾動一點。 這裡的藍線是
	P 值，這是在 0.05 的水平，這是在研究不同的自相關和部分滯後時間。
	所以我可以用整整 45 分鐘來討論這個問題，但我們沒有那麼多時間，所以我只做一個簡短的總結。 我們要做的是把所有這些滯後時間
	在那條藍線之內。 看起來，好吧，對於這個，我們必須增加到大約五六歲，甚至七歲左右。
	並在部分滯後時間達到大約三、四或五點。
	所以
	我們要做的是來到紅色三角形，
	我們想做一個 ARIMA 模型。 我們得到這個窗口，ARIMA 代表自回歸綜合移動平均線。 現在我們不想在這裡做差分
	因為我們已經做了一些差分。 那些附加到列末尾的數字，它們是滯後時間，因此所有數據都排成一行。 所以我們要做的就是用這裡的數字來猜測一下。
	讓我把它設為 4，所以滯後 4 個週期。
	我們將在這裡對移動平均線做同樣的事情。
	我們可以為這些選擇不同的值，讓我們看看攔截、約束適合什麼。
	我們將達到估計，然後再次來到這裡。
	這就是我們得到的。 我們做得比以前好一點。
	我們下來吧。
	我們將再次選擇它。 為了節省時間，我將分為六個時期。
	檢查一切。 再打估計。
	我將向下滾動，現在看起來好多了。 我們可能希望其中一個在四個或五個和六個滯後周期內，所以還有一件事要檢查。
	如果我們看圖表...
	我們可以將腳本保存到表中。 尼克，我們可以暫停一下錄音嗎？
	好的，所以我做了幾次。
	在這裡，我在模型比較中有總結。
	所以我們有了 ARMA 的第一個模型。 同樣，我們沒有做差異，所以它被稱為 ARMA 而不是 ARIMA。 這是五個時期，讓我擴展一下
	再多一點，這是桌子。 我在桌子上做了一點工作，我拿出了……因為時間原因我不想討論的一些專欄。 和
	我們能做的就是看看結果。 所以它向我們展示了 AIC，AIC 越低越好，看起來這裡最好的模型是
	第一個我們做了 (5,5)。 我們有
	1268，然後上升到 1270、1271、1271，然後我們得到 R 平方，當然，越大越好，看起來 (6,6) 滯後是那裡最好的。 它們的 R 略大，但肯定不顯著
	在這裡，我們查看 MAPE，即平均平均百分比誤差，當然，我們希望將其最小化。 看起來像那裡的中間模型，第二個，有六個週期腿是那裡最好的一個，它得到了 7.55。
	然後我們這裡有更多的數據。 我們有估算值，您可以查看下面的各種圖形。 而這些都已經保存到數據表中了。 讓我稍微清理一下。
	因此，總而言之，我們這裡有一個非常複雜的工廠的日常運作。 我們能夠解釋和理解。
	我們從數據的視覺探索開始，然後我們繼續
	一些研究來找出我們需要了解的過程，這樣我們就知道我們的分析發生了什麼，並且我們能夠保存我們的數據表中的所有內容。
	一件快速的事情是，我們通過數據進行了探索，我們能夠輕鬆地從一個平台轉移到另一個平台進行分析，並結束了演示。

爆發質量和可靠性統計和建模