398722_zh-TW

liliconcom

使用 JMP Pro 16 分析 Kamyr 消化器連續流動工藝流 (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 次測量，測量時間超過 12 天。 我們想要預測和控制的因變量是卡帕數。 它大致與紙漿中的殘留木質素含量成正比，是製漿過程有效性的衡量標準。 對於自變量，我們結合了木片、蒸汽、空氣和液體流量，以及溫度、液位和濕度測量。 有幾個特徵使該數據集特別具有挑戰性：

• 將連續反應器劃分為不同的區域，每個區域執行不同的功能。
• 每個區域單獨的熱量輸入以及液體輸入和輸出。
• 液體逆流流動。

由於上述原因（並且因為我們想要了解過程，而不僅僅是預測結果變量），我們使用“預測建模”、“篩選”和“多元方法”菜單中的多個 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。 立刻，我們發現我們的格式有點奇怪。
	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，即想要預測的變量。 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，我將解釋原因。 當我們滾動瀏覽數據時，我們會看到一些事情。 我們有一些奇怪的標籤。 我們有 T-upperExt，不管它是什麼。 我們有 T-lower，我們有 WhiteFlow。 我們注意到
	事實上，大多數呼叫的某些列末尾都有一個數字。 事實證明……經過一番調查，我們發現這就是滯後時間。
	當我解釋這個過程時我會談到這一點。 所以我們有諸如芯片濕度、蒸汽熱量之類的東西，我們還發現我們有一些缺失值。 那裡……到處都有一些，但主要看起來它們僅限於 AAWhite，
	對不起，最後是硫化物。 所以我們注意到了這一點。
	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。 卡米爾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高壓鍋。 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。 這些直徑可達 18 英尺，高度可達 200 英尺。 我們想要做的是分離木質素，同時控制卡伯值。
	而且原料有點不尋常。 我是從化工行業出來的，習慣了和
	液體原料，但這裡我們的原料是木片或鋸末
	鋸木廠什麼的。 我們沒有任何關於這些原料是否一起傾倒的信息，它們是否一個接一個地倒入，是否
	競選活動，但我們馬上就知道這裡存在一些可變性。 無論物理形態如何，原料均由 50% 水、25% 紙漿和 25% 木質素組成。 當然，木質素是我們想要從那裡溶解出來的東西。
	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，裡面倒入木片和反應混合物，也就是……被稱為液體。
	它有一些腐蝕性……一些鹼性，但你可以把它想像成肥皂溶液。 它將把木質素從木材中分離出來。
	我們還有流體流，既有廢水，也有液體，總共有三個。
	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 值，這是 ISO 確定的，我們這裡還有另一個變量，即流體的再循環和再生。
	那麼讓我們從一些數據探索開始。
	以下是我將 JMP 數據表導入 JMP 後的樣子。 讓我們從觀察開始吧，Y-Kappa，
	我們要測量的是芯片速率。 以下是一些其他比率。 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，而這裡的這一列是硫化物。
	因此，讓我們看一下這些，看看是否有什麼我們應該關心的。 我認為，最好的方法就是到這裡的表格中查看丟失的數據模式。
	我要做的就是單擊拖動並選擇所有這些。 我會將它們添加進去。
	我們得到了這張桌子。
	現在，您應該看到丟失的數據表
	就在我的 JMP 表格的頂部。
	讓我稍微擴展一下第一欄。 現在，如果我們查看此處顯示計數的第一列
	我們缺失的列數為零，我們在下一列中看到零，這就是我們的模式，它告訴我們有 131 列沒有缺失數據，但我們有 132 列
	其中兩列有一些丟失的數據。 當你看到 1 和 1 的地方，那就是數據丟失的地方。 我們這裡有另一種模式，有 19 個，但其餘的都相當滿了......
	相當完整，如果您曾經處理過生產數據或質量監控數據，您就會發現這並不罕見。 事實上，這就是
	對於此類數據來說相當完整。 讓我們再多看一下。 我們有 131 列，其中缺少一列，我們知道我們有這兩列。
	讓我們看看他們是否匹配。 就是這樣。 這是相同的記錄，具有相同的兩列，但缺少數據。 我們能做的就是選擇第一行
	我們可以看看這裡。
	讓我把這個事情解決掉。 我們可以滾動。
	果然，
	我們看到那裡有藍色亮點，
	它突出顯示了非缺失數據，我們看到缺失數據往往會排列起來。 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。
	所以讓我回去吧
	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。
	我們回到原來的 JMP 數據表。
	讓我們看看，從哪裡開始？ 好吧，我們這裡有幾個選擇，但我們可以做的一件事是單擊此處的此圖標，它顯示顯示標題圖。
	所以我們點擊圖標，我們可以在這裡看到一些標題圖。 它的作用是向我們展示一些分佈的直方圖
	在下面的列中。 這些都是可拖動的，因此我們可以使它們在任一方向上變大。 我們為什麼不在這裡做一些探索呢？ 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，看起來就像是
	與 BlowFlow 中發生的事情有些相關......
	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，沒有什麼對我們來說真正突出的，所以讓我們點擊那裡
	在那裡，稍微清理一下。
	讓我們再做一點解釋。 讓我們轉到圖形生成器。
	所以你去圖表...
	圖形生成器並彈出此窗口。
	我要做的就是看看 Y-Kappa
	我們開始了，我可以放……我可以在那裡放一條更平滑的線。
	我看到的是
	我們的流程存在一些變化，但它相當穩定，這裡可能有輕微的上升趨勢，但穩定，這在稍後會很重要。
	但如果我往下看，那裡寫著“觀察”，我會看到什麼？ 我看到它從 1-00 開始，然後是 01，時間不斷增加。 但如果我看一下這裡的數據表，它是從 31 開始的。 那麼他們顯然在這裡做了什麼
	單位上的日期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。 那麼讓我關閉這個。 我將停止共享並調出另一個 JMP 數據表。
	好的，所以我們看到的數據基本上是相同的，我稍微清理了一下，並做了一些更改。 當我們看到它時，我把它安排得像我通常想用 Y-Kappa 來安排它，這是我們的
	...我們的目標值，然後是觀察結果。 在這裡我添加了一個小時的序列，讓我向您展示這裡發生了什麼。
	而且我把所有的腳本都保存到了這個數據表中，同樣的數據，只是我打開了一個不同的，已經被清理掉了。 如果我滾動鼠標，您會發現這裡所有表格的小數位數都是相同的。
	讓我們重複一遍
	我之前剛剛做了什麼。 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，現在我們得到了不同的模式。 如果我打開原版的話
	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。
	三個數據點都在這裡。
	讓我關閉它。
	請注意這裡的時間順序，
	我們有按順序排列的數據點，還有我們可以使用 JMP 做的另一件事
	我們可以上去這裡嗎
	轉變
	觀察，我們之前有過，現在把它移到這裡。
	我們將再次放置更平滑的線條，你可以看到，我們有相同的模式，但現在如果我按小時順序
	把它拖到這裡，我們兩全其美。 它們是有序的，這就是我們想要的。
	如果您注意到這裡的底部，我們有按小時順序降序排列的觀察，這是默認值。 我可以單擊“完成”，但現在我將最大限度地減少它。
	我們將繼續下一步。 檢查我的筆記，確保我沒有遺漏任何內容。
	哦，還有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：小時序列，對於數據類型，我選擇了數字，因為它就是這樣。 為了
	在建模類型中，我選擇了連續，因為它是連續數據，即使它是按每小時定期間隔進行的。 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運行 1 到 301，因為這是我們的最後一行。 讓我們看看，重複每個值一次，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，並且還選擇了每小時。 這就是我獲得該專欄的方式。
	所以讓我停止分享這個
	並將其最小化，我將再次調出 JMP 數據表。
	現在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
	來分析。
	我得到了錯誤的數據表。 讓我打開另一張。 開始了。
	去分析一下，
	多變量方法
	多變量。
	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。
	把那些都放進去。 單擊“確定”，這是結果。 首先...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，但如果我們看看最左邊一欄中的 Y-Kappa，
	開始查看，看起來我們這裡可能有某種模式......
	無論本專欄是什麼。 向下滾動一點，看起來就像這樣
	其中一種液體的流動，等等，等等。所以我們可以這樣做來得到一個粗略的想法。 讓我關閉它。
	我們可以看一下這裡的相關性，藍色的是正相關，紅色的是負相關，而且它們都不是真正的高相關性。
	在某些方面這是好的，在某些方面是壞的，但我們現在不會談論太多。 但我們只是看看這一點。 在某些情況下，我們從中獲得的信息比其他信息更多，所以讓我結束這一點。
	接下來我們去模型篩選，所以我們去分析，
	篩選、
	預測因子篩選。 我們再次看到這個窗口，
	Y-Kappa 是我們的 Y 響應。 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序列，而且它更容易閱讀，所以我們將其放在這裡並單擊“確定”。
	這就是我們得到的。
	所以我們這裡有我們的預測變量，當然，具有較高值和較大條形的預測變量可能是對我們排名最重要的預測變量。
	我們在這裡看到了很多變量。 現在我們到了一個決策點。 嗯，前兩個，他們顯然是
	我們想看的東西，可能也是第三個，還有第四個。 現在剩下的這些，雖然有些次要，但它們都差不多，所以讓我們這樣做。
	我們點擊拖動，哦，在我繼續這兩列之前，貢獻是對模型中的貢獻部分，也就是我通常看的那一列是這個百分比部分
	這裡的預測器對模型進行了預測，所以如果你把所有這些加起來，它會達到 100%。 我們有一個...我們這裡有一個鏈接，上面寫著複製已選擇。
	那麼讓我們這樣做吧。
	我將最小化該窗口並返回到我們的分析窗口。
	讓我們看看。 如果我適合模型怎麼樣？ 擬合線性回歸模型。
	我將單擊它，並註意到所選列已為我們突出顯示。
	因此，讓我們添加它們，當然，我們再次想要 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個性...這裡有更多選擇和下拉菜單。 第一個是個性，所以讓我點擊它，它給了我們很多選擇。 但現在我們只使用標準最小二乘法。 然後為了強調，
	我們有三個選擇。 而重點是什麼，就是在最初的報告窗口中向我們揭示的內容。 現在，我只選擇
	最小的報告。 讓我們看看，學位，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-CM 比率是最重要的，
	接下來是一些
	這裡的其他不太重要，但它們......但它們很重要，它們重要的原因是，第一，p值，順便說一句，這是一個 0.05 水平，藍色......
	對不起，0.01 水平，這裡的藍線是 0.01 水平的顯著性。 原因...我們的原因
	我們用對數值做這樣的事情...哦，順便說一句，我應該提到對數值是 10 倍減去對數，即以 10 為底的對數。 所以如果我們讓藍線等於 2 的值，那麼 log...
	.02 的 p 值的對數...或者對不起，.01 將是 2，所以這就是該行在那裡的原因。
	在這裡，您實際上並不需要它，但如果您將其作為變量之一進行分析，那麼它肯定會派上用場。 我們往下看這裡的總結
	擬合，找到 R 平方 0.5，這就是……這就是我們可以從該窗口得到的大部分內容。
	我們來這裡進行估計，我們可以看到估計值是多元線性回歸的係數。
	所以我們看到這兩個可能不需要，所以，為了節儉，我們將......
	我們將選擇它們，過來這裡並將其刪除。 現在我們少了兩個變量。 我們可能可以刪除芯片級別，但現在，我們將其保留在那裡，因為我們的 R 平方下降了一點。
	其他一切都幾乎保持不變。 這就是我們的模型。 我們可以下來這裡打開一些其他的窗戶。
	我們會看到各個項的 T 比率、一些效果測試，這就是我們現在將其保留的地方。 因此，讓我最小化該窗口，我們還有一項分析要做，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門的建模，然後我們將進行時間序列。 單擊該按鈕，所有內容仍處於選中狀態。
	我們會選擇，
	我們將把 Y 放在那裡。
	它也會做同樣的事情。
	太多了，等一下。
	將我們的目標列表放在這裡，我們在這裡有這個按鈕，X次，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，看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，這是考慮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。 我們想要做的就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，我們必須上升到大約五到六個，甚至可能是七個，就在附近的某個地方。
	並在部分滯後時間的情況下在三、四或五左右達到該點。
	所以
	我們要做的就是來到這裡的紅色三角形，
	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異化
	因為我們已經做了一些區分。 那些附加到列末尾的數字是滯後時間，以便所有數據對齊。 所以我們要做的就是用這裡的數字進行猜測。
	讓我把它定為 4，這樣就滯後 4 個週期。
	我們將對移動平均線做同樣的事情。
	我們可以為它們選擇不同的值，讓我們看看截距、約束擬合是什麼。
	我們會達到預期，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。
	我們到這裡來吧。
	我們將再次選擇它。 為了節省時間，我將分成六個時段。
	檢查一切。 再次打估價。
	我將向下滾動，現在看起來好一點了。 我們可能希望其中一個處於四或五六個滯後周期內，因此還有一件事需要檢查。
	如果我們看一下圖表...
	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，所以我這樣做了幾次。
	在這裡我在模型比較中進行了總結。
	這樣我們就有了 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，這就是桌子。 我在桌子上做了一點工作，我拿出了一些由於時間原因不想討論的專欄。 和
	我們能做的就是看看結果。 所以它向我們展示了 AIC，較低的 AIC 更好，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) 滯後是最好的。 它們的 R 稍大，但肯定不顯著，並且
	在這裡，我們查看 MAPE，即平均百分比誤差，當然，我們希望將其最小化。 看起來中間的模型，第二個，有六個時期的腿是最好的模型，得到了 7.55。
	然後我們這裡還有更多數據。 我們有估計值，您可以在下面查看各種不同的圖形。 而這些都已經保存到了數據表中。 讓我稍微清理一下。
	總而言之，我們這裡所看到的是一個非常複雜的工廠的日常運營。 我們能夠解釋和理解。
	我們從數據的可視化探索開始，然後我們繼續
	一些研究來找出我們需要了解該過程的內容，以便我們知道我們的分析發生了什麼，並且我們能夠保存數據表的所有內容。
	一件快速的事情是，我們通過數據進行探索，我們能夠輕鬆地從一個平台轉移到另一個平台進行分析，然後就結束了演示。

爆發質量和可靠性統計和建模