Conférencier | Transcription |
| Bonjour, je m'appelle Chris Gotwalt et |
| aujourd'hui je vais être |
| présentation avec Markus Schafheutle |
| et Laura Castro-Schilo |
| sur une application industrielle de |
| modèles d'équations structurelles, ou |
| SEM. Cette conférence présente l'un des |
| les choses que j'apprécie le plus |
| mon travail avec JMP. Dans JMP |
| développement statistique, nous avons un |
| vue à vol d'oiseau de ce qui est |
| ce qui se passe dans l'analyse des données |
| dans de nombreux domaines, ce qui donne |
| nous l'opportunité de traverser |
| fertiliser les meilleures pratiques à travers |
| disciplines. |
| Dans JMP Pro 15, nous avons ajouté un nouveau |
| modélisation d'équations structurelles |
| plate-forme. C'est la dominante |
| cadre d'analyse de données dans un |
| beaucoup de sciences sociales parce que |
| il modélise de manière flexible des éléments complexes |
| relations en multivariées |
| paramètres. L'une des clés |
| caractéristiques est que les variables peuvent |
| être utilisé à la fois comme régresseur et |
| réponses en même temps qu'un |
| partie du même modèle. |
| De plus, il m'est venu à l'esprit |
| qu'avec ces compliqués |
| modèles avec lesquels ils sont représentés |
| des diagrammes qui, du moins sur le |
| surface, ressemble à des diagrammes |
| représentant la fabrication |
| processus. Je n'étais pas le seul |
| pour établir ce lien. Marc, |
| qui travaillait avec un |
| entreprise chimique, pensait que |
| même chose. Il travaillait sur un |
| problème avec une entreprise chimique |
| avec un jumeau à deux colonnes |
| fabrication de distillation |
| processus là où ils voulaient |
| minimiser les coûts énergétiques qui étaient |
| va en grande partie à la vapeur |
| production, tout en continuant à fabriquer |
| produit qui est resté à l'intérieur |
| spécification. Il a tendu la main à |
| son ingénieur commercial JMP, |
| Martin Demel, qui s'est ensuite connecté |
| Markus à Laura et moi. |
| Nous avons eu une série de réunions |
| où il a montré et décrit |
| les données, le problème et le |
| objectifs de l'entreprise. Nous étions |
| capable de modéliser les données |
| remarquablement bien. Notre modèle était |
| validé en partageant les résultats |
| comme communiqué avec le JMP |
| profileur à l'entreprise |
| experts internes puis avec |
| le premier simulateur de principe |
| puis avec de nouvelles données physiques |
| de la plante. C'était clair |
| succès en tant que science des données |
| projet. Cependant, j'aimerais |
| pour ajouter une mise en garde. Le succès |
| a nécessité l'effort conjoint de |
| Laura, qui est une experte de haut niveau |
| dans les équations structurelles |
| la modélisation. Avant de rejoindre JMP, |
| elle était professeur en quantitatif |
| psychologie à l'Université de |
| Caroline du Nord, Chapel Hill, un |
| des principaux départements du |
| NOUS. Elle est également l'inventrice de |
| la plateforme SEM dans JMP Pro. |
| Cet exercice était difficile |
| même pour elle. Elle a dû écrire un |
| Programme JSL qui a lui-même écrit |
| un programme JSL qui spécifiait |
| ce modèle, par exemple. |
| Le modèle que nous avons adapté était peut-être |
| le plus grand et le plus |
| modèle SEM sophistiqué de tous |
| temps. Je veux appeler le |
| vraiment exceptionnel et |
| un travail révolutionnaire qui |
| Laura a fait les deux avec le SEM |
| plate-forme en général et dans ce domaine |
| étude de cas en particulier. Maintenant |
| je vais le remettre à |
| Markus, qui va donner |
| contexte du problème |
| le client voulait résoudre, alors |
| Laura va parler de |
| SEM et son modèle pour cela |
| problème. je ferai un bref |
| discussion sur la façon dont nous avons mis en place le |
| profileur et Markus le fera |
| conclure et parler de |
| les points à retenir du projet et |
| les actions que le client |
| pris en fonction de nos résultats. |
| Merci, Chris, pour le |
| introduction. |
| Avant de commencer avec le problème, |
| Je veux vous familiariser avec |
| les principes de la distillation. |
| La distillation est un processus qui |
| sépare un mélange de liquides |
| la plupart du temps et se sépare |
| les dans leur individu |
| Composants. Alors, comment ça se passe |
| travail? Ici, vous voyez un schéma |
| vue d'une distillation en laboratoire |
| équipement. Vous voyez, voici un |
| flacon où le mélange brut, |
| qui doit être séparé, est |
| à l'intérieur. Tu fais chauffer ça, ici |
| dans ce cas, avec un bain d'huile |
| et remuez-le et puis ça commence |
| ébullition. Donc le point d'ébullition le plus bas |
| le matériau commence en premier, puis le |
| la vapeur monte ici et fait une pause |
| voici le thermomètre à atteindre |
| la température d'ébullition puis |
| va plus loin dans ces refroidisseurs |
| ici où il se condense et |
| puis les condensats tombent ici |
| dans l'autre petit flacon. |
| Donc comme je l'ai dit, c'est construit |
| de...pour séparer un mélange |
| de liquides avec différents |
| points d'ébullition, et ce sont |
| séparés par le point d'ébullition. |
| Par exemple, tout le monde sait |
| que peut-être si tu veux faire |
| du schnaps d'une purée, tu viens |
| faire la purée à l'intérieur |
| flacon, chauffez-le, et puis vous |
| distiller l'alcool ici |
| et prends le schnaps. |
| Comme ça a l'air très simple |
| ici au laboratoire, dans le |
| l'industrie c'est un peu plus |
| compliqué. Parce que |
| dire que l'équipement n'est pas |
| seulement plus grand mais plus |
| complexe et principalement parce que |
| de la partie ingénierie |
| de l'histoire. |
| Ainsi dans cette étude, le |
| la distillation n'a pas été faite |
| par lots, comme vous l'avez déjà vu, |
| mais de manière continue. Ce |
| signifie que le mélange brut est |
| pompé quelque part au milieu de |
| la colonne puis le bas |
| la matière bouillante monte comme un |
| vapeur vers le haut de la colonne |
| et là, ça quitte la colonne |
| et l'autre à ébullition plus élevée |
| le matériau coule vers le bas et |
| laisse la colonne en bas. |
| Et pour le rendre un peu plus |
| compliqué, dans notre cas le |
| le flux de fond est ensuite pompé |
| dans une deuxième colonne et |
| distillé à nouveau, donc pour |
| séparer un autre matériau |
| du principal..de... |
| des trucs résiduels. Donc |
| en fait, nous avons séparé les |
| mélange brut original dans |
| trois parties | Distillat 1, |
| Distillat 2 et quoi |
| à gauche, puis le ruisseau du bas |
| du deuxième encore. |
| Et pour le rendre encore plus |
| complexe, nous avons utilisé la chaleur du |
| distillat de cette deuxième colonne |
| chauffer la première colonne dans |
| afin d'économiser de l'énergie pour cela. |
| Donc, d'une manière schématique, |
| ça ressemble à ça. |
| Ici vous avez Still 1 et |
| il y en a encore 2. Et nous voilà |
| avoir le mélange de matières premières qui |
| est en fait un assemblage de |
| distillats de |
| fabrication et ce que nous voulons |
| faire est de séparer la valeur |
| matériel du reste. Alors on |
| pompé ce mélange brut dans le |
| premières images fixes. Comme je l'ai dit quelque part |
| au milieu, il se sépare en |
| le point d'ébullition bas, qui est le |
| premier matériau de valeur que nous voulons |
| ont, et le reste laisse le |
| d'abord toujours en bas. Alors |
| il est stocké immédiatement ici dans |
| un tank et puis à partir d'ici c'est |
| pompé à nouveau dans le deuxième |
| encore une fois, quelque part dans le |
| milieu, et il se sépare en |
| le matériau de deuxième valeur et |
| courant lointain, qui était alors |
| redéposé. Pour chauffer les choses, |
| nous commençons de ce côté parce que |
| c'est le point d'ébullition le plus élevé |
| matériel, nous avons donc besoin de plus haut |
| températures et cela signifie aussi |
| plus d'énergie. Nous pompons donc dans le |
| faites de la vapeur ici, faites chauffer ça encore ici, |
| et le matériel laissé ici sur |
| le dessus a la température de |
| l'ébullition de cette matière, donc |
| nous avons utilisé la chaleur résiduelle pour |
| chauffer le premier alambic. Et si |
| il y a un petit écart entre |
| qu'est-ce qui vient d'ici et |
| ce dont nous avons besoin pour |
| distillation ici dans le premier |
| on peut quand même en ajouter un peu |
| vapeur supplémentaire pour conserver |
| tout fonctionne. |
| C'est donc un niveau très élevé |
| vue des choses, et si vous |
| je veux entrer un peu plus dans le sujet |
| détails, ici c'est un peu le |
| même image. Mais ici je montre |
| toi avec toutes les différentes balises |
| que nous avons ici pour tous les |
| lectures et contrôle de la qualité et |
| contrôle de la température et ainsi de suite |
| et ainsi de suite. Alors ce que tu vois |
| ici? Nous commençons ici, pour nourrir un |
| dans le premier alambic. |
| Et puis nous nous séparons en haut |
| flux où nous contrôlons le |
| la densité, qui est une qualité |
| caractéristique. Et dans le |
| flux inférieur, le flux inférieur |
| va dans ce réservoir intermédiaire. |
| Et puis à partir de là, c'est installé |
| encore une fois dans la deuxième image fixe et |
| aussi et séparé ici dans le |
| flux inférieur pour flux supérieur. |
| Et encore une fois, nous testons ici |
| densité pour le contrôle qualité. |
| Ici aussi, nous ajoutons de la vapeur à |
| réchauffez toutes ces choses et |
| le flux supérieur passe ensuite par la chaleur |
| échangeur dans le premier alambic |
| et réchauffez-le à nouveau. Et ici |
| nous avons la possibilité d'ajouter |
| un peu de vapeur supplémentaire à avoir |
| tout est en équilibre ici. |
| Donc ce que nous voyons est sur un local |
| base, vous avez beaucoup de |
| corrélation, donc c'est fait |
| ici avec le code couleur du |
| flèches. Ainsi par exemple, le flux |
| ici avec le flux |
| la densité, qui est une mesure de |
| la composition ici de ceci |
| alimentation. Alors avec ces deux-là |
| définissent le flux supérieur et |
| la qualité ici, et ça |
| courant de fond plus ou moins. Alors toi |
| avoir quelques prédictions locales. Aussi |
| ici le matériel entrant |
| ici et ici définit les choses |
| ici. Mais si tu veux avoir un |
| description totale de l'ensemble |
| équipement, alors ça devient délicat |
| parce que tu peux faire des moindres carrés locaux |
| corrélations ici. Tu peux le faire |
| ici. Vous pouvez le faire séparément |
| pour la vapeur ou aussi ici. Mais |
| comme vous le voyez, nous avons un début de |
| le flux de masse vient ici, va |
| à travers d'abord encore, à travers le |
| deuxièmement encore, jusqu'ici et nous avons |
| un flux d'énergie qui commence |
| plus ou moins ici, en passant par |
| ici via l'échangeur de chaleur également |
| ici. C'est donc une sorte de |
| circuit, que nous avons ici, et |
| toutes ces choses sont corrélées |
| plus ou moins d'une manière |
| de circuit et cela donne donne |
| nous la difficulté que nous |
| en fait, je ne savais pas ce que signifiaient les X |
| et les Y l’étaient. |
| Et c'est la raison pour laquelle nous |
| commencé à penser à d'autres |
| possibilités de modéliser cela. |
| L’objectif de cette étude était donc |
| pour trouver le débit optimal et |
| réglages de vapeur pour tout cela |
| facteurs entrants variables |
| ici, et d'une manière que nous |
| sont capables de tout rester |
| en spécification. Donc le distillat |
| la qualité devrait rester conforme aux spécifications mais |
| également opérationnel interne |
| les spécifications et aussi les spécifications pour |
| le flux de déchets final. |
| Et la partie la plus intéressante, |
| au moins de l'argent |
| sage, nous voulons minimiser |
| la consommation du |
| vitesse... désolé, de la vapeur. |
| Alors ce dont nous avions réellement besoin |
| c'était avant tout un bon modèle |
| qui décrit ceci et cela |
| C'est à ce moment-là que Laura est arrivée |
| dans le jeu ici et développé |
| ce modèle d'équation structurelle. |
| Et nous avons également besoin du genre de |
| profileur qui nous permet de |
| découvrez quels sont les meilleurs |
| paramètres, les paramètres optimaux |
| pour tous ces entrants |
| variations, que nous pouvons avoir |
| ici pour rester dans tout |
| ces spécifications. Et c'était le |
| point où Chris est entré, |
| en s'appuyant sur le modèle de Laura, |
| un profileur, que nous pouvons utiliser pour |
| faire toutes les prédictions que nous |
| besoin. Alors maintenant je veux passer |
| à Laura pour décrire le |
| modèle qu'elle a construit à partir de ceci |
| données ici. Laura, s'il te plaît. |
| Merci, Markus. je suis Laura |
| Castro-Schilo et moi y allons |
| pour vous parler des étapes |
| nous avons suivi pour modéliser le |
| processus de distillation utilisant |
| l'équation structurelle |
| plateforme de modèles. |
| Alors quand Markus est arrivé pour la première fois et |
| nous a parlé de son projet, |
| il y avait trois spécifiques |
| fonctionnalités qui m'ont fait réaliser |
| que SEM serait un bon outil |
| pour lui. Le premier est que |
| il y avait un problème très spécifique |
| théorie de la façon dont les processus |
| s'affectent mutuellement, et nous avons vu |
| que sur le diagramme qu'il |
| montré. |
| Une caractéristique importante de cela |
| le diagramme est que toutes les variables |
| avait un double rôle. Autrement dit, |
| vous pouvez voir que les flèches pointent vers |
| les nœuds du diagramme, mais |
| ces nœuds pointent également vers d'autres |
| variables, donc il n'y avait pas de |
| distinction claire entre ce que |
| était une contribution et qu'était-ce qu'un |
| sortir. Les variables avaient plutôt |
| ces deux rôles. |
| Enfin, il était important de |
| réaliser que nous avions affaire |
| avec des processus qui ont été |
| mesuré à plusieurs reprises. En d'autre |
| en d'autres termes, nous avions des données de séries chronologiques |
| et donc toutes ces fonctionnalités |
| m'a fait réaliser que SEM |
| être un bon outil pour Markus. Maintenant, |
| si vous n'êtes pas familier avec SEM, |
| on pourrait se demander pourquoi. SEM est un très |
| cadre général qui permet |
| beaucoup de flexibilité pour traiter |
| avec ce genre de problèmes. |
| J'ai répertorié dans cette diapositive un |
| nombre de fonctionnalités différentes |
| cela fait du SEM un bon outil, mais |
| puisque nous ne pourrons pas |
| pour parcourir tout cela, je |
| comprenait également un lien où vous |
| peut aller avec en savoir plus sur SEM |
| si vous êtes intéressé. Maintenant je |
| je vais me concentrer sur deux des |
| points que j'ai ici. La première |
| c'est que SEM nous permet de tester |
| théories du multivarié |
| relations entre variables, |
| c'est exactement ce que Markus |
| voulait faire. |
| Il existe également des outils très utiles |
| outils en SEM appelés chemin |
| des diagrammes. Ces diagrammes sont |
| très intuitif et ils |
| représentent les modèles statistiques |
| que nous convenons. |
| Alors parlons de ce point et |
| un peu plus. Voici un exemple |
| d'un diagramme de chemin que nous pourrions |
| dessiner dans la plateforme SEM pour |
| représente un simple linéaire |
| régression, et le diagramme est |
| dessiné avec des détails très spécifiques |
| caractéristiques. Par exemple, nous sommes |
| utiliser des rectangles pour représenter |
| les variables que nous avons |
| mesuré. Ici, c'est X et Y. Nous |
| ont également une flèche à une tête pour |
| représentent les effets de régression. Et |
| remarquez les flèches à deux pointes |
| qui commencent et finissent de la même manière |
| les variables représentent les variances. |
| Maintenant, si ceux-ci commençaient et |
| terminer sur une variable différente, |
| ces flèches à deux pointes |
| représente alors une covariance. Dans |
| ce cas, nous avons juste le |
| variance de X et le résidu |
| variance de Y, qui est la partie |
| cela ne s'explique pas par le |
| prédiction de X. |
| Voici donc le diagramme du chemin |
| représentation d'un simple |
| régression linéaire. Mais bien sûr |
| nous pourrions également regarder le |
| équations représentées |
| par ce diagramme. Et remarquez que |
| pour Y, cette équation est celle de |
| simplement une régression linéaire. Et |
| J'ai omis ici les moyens et |
| intercepte juste pour plus de simplicité. |
| Il est important de noter que |
| tous les paramètres dans |
| les équations sont |
| représenté dans le chemin |
| diagramme, donc ces diagrammes |
| transmet vraiment le |
| modèle statistique précis |
| que nous convenons. |
| Maintenant en SEM, les diagrammes ou |
| les modèles que nous spécifions impliquent un |
| covariance très spécifique |
| structure. C'est le |
| structure de covariance que nous |
| on s'y attendrait étant donné la simplicité |
| modèle de régression linéaire. Alors toi |
| pouvons voir que nous avons epsilon X comme |
| variance de X. On a aussi la |
| variance de Y, qui est une |
| fonction à la fois de la variance de |
| X et la variance résiduelle de |
| Y, et nous avons aussi un |
| expression de la covariance de |
| X et Y. Et d’une manière générale, le |
| la façon dont l'adéquation du modèle est évaluée |
| en SEM, c'est en comparant le modèle |
| structure de covariance implicite pour |
| l'échantillon réellement observé |
| covariance des données, et si |
| ces deux-là sont assez proches |
| les uns les autres, nous dirions alors |
| que le modèle s'adapte très bien. |
| Donc plusieurs modèles différents |
| peut être intégré au SEM. |
| Et aujourd'hui, notre objectif est |
| va être spécifiquement |
| sur les modèles de séries chronologiques. |
| Quand on parle de séries temporelles, |
| nous parlons spécifiquement de |
| une collection de données où il y a |
| est la dépendance aux données précédentes |
| points, et ces données sont |
| généralement collectés à parts égales |
| intervalles de temps espacés. |
| Et la façon dont ces séries chronologiques |
| l'analyse porte sur |
| les dépendances dans les données sont par |
| régresser sur le passé. Donc un |
| type de ces modèles sont appelés |
| processus autorégressifs ou |
| ARP. Et vous pouvez voir ici, où |
| Y représente un processus qui est |
| mesuré à l'instant T, l'auto |
| les modèles régressifs consistent en |
| faire régresser ce processus sur |
| observations précédentes de ce |
| traiter jusqu'au temps T moins P. |
| Donc si nous parlons |
| spécifiquement à propos d'un |
| un processus autorégressif, |
| alors vous pouvez voir que nous avons le |
| le processus YT a régressé sur son |
| immédiatement adjacent après YT |
| moins un. |
| Et la façon dont nous le ferions |
| implémenter cela dans SEM est simplement |
| en précisant, comme nous l'avons vu précédemment, |
| la régression de YT sur YT moins |
| un. Alors remarquez qu'ici le |
| l'équation de régression est très |
| semblable à ce que nous avons vu dans |
| la diapositive précédente, et ainsi de suite |
| il n'est pas surprenant que le |
| Le diagramme de chemin est le même. |
| Et nous pouvons étendre cet AR(1) |
| modèle à un qui comprend deux |
| est en retard, en d'autres termes, un |
| autorégressif d’ordre deux. Et |
| ici nous voyons que nous avons le processus |
| YT sur lequel on régresse |
| à la fois T moins 1 et T moins 2. |
| Et si nous regardons le chemin |
| diagramme qui représente cela |
| modèle, nous voyons que nous avons un |
| représentation explicite pour le |
| processus à l'heure actuelle, mais |
| également au décalage un et au décalage deux. |
| Un aspect très spécifique de cela |
| Le diagramme est que les chemins pour |
| les points temporels adjacents sont définis sur |
| être égaux les uns aux autres, et ce |
| est une partie importante du |
| spécification qui nous permet de |
| spécifiez le modèle correctement. Donc |
| remarquez ici, nous utilisons la version bêta 1 |
| pour représenter ce décalage 1 |
| effets et nous devons également |
| définir des contraintes d'égalité sur |
| les écarts résiduels. |
| Enfin, on a aussi l'effet |
| de YT moins 2 comme c'est le cas |
| prédire YT, et voici donc le |
| décalage 2 effets. |
| Désormais, tous ces modèles sont |
| modèles de séries chronologiques univariées, |
| et vous pouvez les installer en utilisant le |
| modélisation d'équations structurelles |
| plate-forme dans JMP ou vous pourriez |
| utilisez également la série chronologique |
| plateforme dont nous disposons. |
| Cependant, le problème que nous étions |
| gérer les données de Markus |
| nécessitent plus de complexité. Il |
| nous a obligé à examiner |
| modèles de séries chronologiques multivariées |
| et un type de ces modèles sont |
| appelé vecteur autorégressif |
| des modèles. Et ce que j'aimerais |
| je vous montre que c'est un de ces modèles |
| d'ordre deux. |
| Nous avons donc un processus pour X et |
| un autre pour Y, et pareil |
| effets autorégressifs que nous |
| vu avant sont inclus ici. |
| Remarquez que nous avons notre égalité |
| des contraintes qui sont vraiment |
| important pour le bon |
| spécification. Mais nous avons aussi |
| les effets décalés croisés qui |
| dites-nous comment les processus |
| s’influencent mutuellement. Et remarque |
| ici gamma 1 et gamma 1 et |
| également gamma 3, gamma 3, |
| suggérant ici que nous devons |
| imposer des contraintes d'égalité |
| ces effets de décalage 1 à travers |
| processus. |
| Nous devons également intégrer le |
| covariances à travers les processus |
| on a donc leur covariance à |
| temps T moins 2. Mais on a aussi |
| les covariances résiduelles à l'instant |
| T moins 1 et T et remarquez-les |
| il faut avoir l'égalité |
| encore une fois des contraintes pour avoir le bon |
| spécification. Alors je vais |
| pour vous montrer dans cette vidéo comment |
| nous adapterions un temps bivarié |
| modèle de série tout comme le |
| celui que je vous ai montré, en utilisant JMP |
| Pro. Nous allons commencer par |
| manipuler nos données afin que |
| ils sont prêts pour le SEM. D'abord, |
| nous standardisons ces deux |
| processus parce qu'ils sont dans |
| des échelles très différentes. |
| Ensuite, nous créons des variables retardées |
| représenter explicitement le temps |
| points avant le temps T. Nous sommes donc |
| vais avoir |
| T moins 1 et T moins 2. |
| Nous avons lancé la plateforme SEM et |
| nous allons saisir les X |
| puis les Y pour que ce soit |
| plus facile de spécifier nos modèles. |
| Et maintenant j'ai accéléré la vidéo |
| pour que vous puissiez voir rapidement |
| comment le modèle est spécifié. |
| Ici, nous ajoutons le |
| effets décalés croisés |
| pour la couche 1. |
| Et puis directement en utilisant le |
| interactivité du diagramme, nous |
| ajoutez les effets de décalage 2. |
| Et il ne reste plus qu'à |
| préciser toute l'égalité |
| contraintes requises |
| pour ces modèles dans |
| processus et entre les processus. |
| Nous nommons notre modèle. |
| Et enfin, nous sommes |
| je vais l'exécuter. |
| Comme vous avez pu le constater, même juste un |
| modèle de série chronologique bivarié qui |
| n'intègre que deux processus |
| nécessite un certain nombre d'égalité |
| contraintes et nuances dans le |
| spécification qui le rend |
| relativement difficile. Cependant, |
| dans le cas de la distillation |
| traiter les données, nous avions beaucoup plus |
| que deux processus. Nous étions |
| en fait, il s'agit de 26 des |
| ces processus et au total nous |
| il y avait environ 45 000 |
| mesures qui ont été prises |
| à intervalles de 10 minutes. |
| Et donc notre première approche a été |
| pour explorer l'univarié |
| modèles de séries chronologiques utilisant le |
| plateforme de séries chronologiques dans JMP. |
| Et quand nous avons fait cela, nous |
| réalisé que pour la plupart |
| traite un AR(1) ou un AR(2) |
| le modèle convient le mieux, et donc ça |
| m'a fait réaliser que vraiment |
| au moins nous avions besoin |
| pour adapter des modèles multivariés dans |
| SEM qui s'est constituée à |
| au moins deux décalages. |
| Nous avons également dû suivre un certain nombre |
| des étapes de prétraitement pour |
| préparer les données dans SEM. |
| D'une part, nous avons eu beaucoup de |
| données manquantes, et même si |
| SEM peut gérer les données manquantes simplement |
| bien, avec des modèles aussi |
| aussi complexe que ceux-ci, il est devenu |
| informatiquement très très |
| intensif. Et donc nous avons décidé de |
| sélectionner un sous-ensemble de données où nous |
| possédait des données complètes pour tous les |
| processus et cela nous a laissé avec |
| environ 13 000 observations. |
| De plus, comme nous l'avons vu dans la vidéo, nous |
| présentait des différences à grande échelle |
| à travers les processus, nous avons donc dû |
| pour les normaliser tous. Et |
| enfin nous avons créé des variables de décalage |
| pour nous assurer que nous pourrions |
| préciser les modèles dans SEM. |
| Passons maintenant aux spécifications du modèle, |
| contraintes d'égalité dans |
| en particulier, ils sont très très gros |
| défi parce qu'il faudrait |
| beaucoup de temps pour les préciser |
| manuellement et ce serait, de |
| bien sûr, fastidieux et sujet aux erreurs. |
| Notre approche pour traiter |
| c'était pour générer un JSL |
| script qui générerait ensuite |
| un autre script JSL pour le lancement |
| la plateforme SEM. |
| Et ce que vous voyez ici, c'est le |
| modèle final que nous insérons dans le |
| plateforme et heureusement, après |
| en estimant ce modèle, nous sommes |
| capable d'obtenir une covariance |
| structure qu'implique le |
| modèle et c'était le morceau de |
| informations que je pourrais transmettre |
| à Chris Gotwalt, qui |
| puis utilisé les informations de |
| cette matrice afin de créer un |
| profileur que Markus pourrait utiliser |
| à ses fins. |
| Alors Chris, pourquoi tu ne nous le dis pas |
| comment as-tu créé ce profileur ? |
| Merci, Laura. Maintenant je m'en vais |
| pour montrer les points saillants de la façon dont |
| J'ai pu prendre le modèle |
| résultats et les transformer en un |
| profileur que l'entreprise |
| pourrait facilement travailler avec. |
| Alors Laura a exécuté son modèle sur le |
| données standardisées et m'a envoyé un |
| tableau contenant le même modèle |
| interceptions et elle a également inclus |
| les moyens et la norme d'origine |
| les écarts qui ont été utilisés pour |
| normaliser les données. Sur le |
| c'est vrai, nous avons le modèle sim |
| matrice de covariance implicite, qui |
| inclut les covariances entre |
| les valeurs actuelles et les |
| valeurs décalées par rapport à l'immédiat |
| passé. Ces informations décrivent |
| comment toutes les variables sont liées à |
| un autre. Sous cette forme, |
| bien que le modèle ne soit pas prêt à |
| être utilisé pour la prédiction. Voir |
| comment certaines variables changent |
| en fonction des autres, nous avons |
| utiliser ces informations pour |
| dériver le conditionnel |
| distribution de la réponse |
| variables, étant donné les variables |
| que nous voulons utiliser comme entrées. |
| Nous avons donc essentiellement besoin du |
| moyenne conditionnelle du |
| réponses compte tenu des entrées. Donc |
| pour ce faire, nous devons mettre en œuvre |
| cette formule ici. |
| Et pour ce faire, nous utilisons le SWEEP |
| Opérateur en JSL, le SWEEP |
| L'opérateur est un outil mathématique |
| qui a été créé par le PDG de SAS et |
| co-fondateur Jim Goodnight. C'est |
| a été publié dans le journal américain |
| Statisticien en 1979. Le SWEEP |
| L'opérateur est probablement le seul |
| contribution la plus importante à |
| statistiques informatiques dans le |
| 100 dernières années. La plupart des utilisateurs de JMP |
| je ne sais pas que le SWEEP |
| L'opérateur est utilisé par chaque |
| Plateforme statistique JMP en |
| plusieurs façons. Nous l'utilisons pour la matrice |
| inversion, les calculs qui |
| sommes de carrés et peut également être |
| exploité comme simple et élégant |
| façon de calculer le conditionnel |
| distributions si vous savez |
| comment l'utiliser correctement. |
| J'ai créé un tableau avec des colonnes |
| pour toutes les variables. Les deux |
| les lignes du tableau sont les |
| minimums et maximums de |
| données originales, ce qui permet au |
| le profileur sait comment configurer le |
| gammes. J'ai ajouté des colonnes de formules |
| pour les variables de réponse en utilisant |
| la version balayée du |
| matrice de variance de Laura |
| modéliser et mettre ces formules |
| à l'arrière ici dans les données |
| table ou l’extrême droite. |
| Voici ce qu'est l'une des formules |
| ressemblait. J'ai tiré dans le |
| résultats de l'analyse comme |
| matrices. Le modèle de Laura inclus |
| la covariance estimée entre |
| les Y actuels dans les deux derniers |
| valeurs précédentes car c'était |
| un grand multivarié |
| modèle autorégressif d’ordre 2. |
| Prédire le présent en |
| contrôler les deux précédents |
| valeurs des variables d'entrée |
| ça allait être très encombrant |
| à opérationnaliser. Alors j'ai fait |
| une hypothèse simplificatrice selon laquelle |
| ces deux valeurs devaient être |
| le même, ce qui a fait s'effondrer le |
| modéliser sous une forme qui a été |
| plus facile à utiliser. Pour ce faire, je |
| utilisez simplement la même colonne |
| étiquette quand je m'adressais |
| dans le décalage, et |
| retard de deux entrées pour le terme. |
| Sans machinerie en place, |
| J'ai créé un profileur pour le |
| colonnes de réponse de |
| intérêt. j'ai mis en place |
| fonctions de désirabilité qui |
| reflétait la société |
| objectifs. Alors ils voulaient |
| correspondre à une cible |
| A2TopTemp, maximiser A2BotTemp, |
| et ainsi de suite, finalement |
| vouloir minimiser la somme |
| de la vapeur qui sortait |
| des deux colonnes. |
| Vous pouvez donc verrouiller certains |
| variables dans le profileur par |
| contrôler en cliquant sur une douleur. Le |
| les variables de verrouillage auront leur |
| valeur dessinée via un rouge uni |
| ligne, et puis une fois que nous avons terminé |
| que nous pouvons entrer des valeurs pour |
| eux, et quand nous exécutons le |
| optimiseur ou maximiser |
| désirabilité, le verrouillé |
| les variables resteront fixes. |
| De cette façon, nous trouvons les paramètres du |
| variables que nous pouvons contrôler |
| qui maintiennent le produit fabriqué |
| aux spécifications tandis que |
| minimiser les coûts énergétiques. |
| Il est juste de dire que ce serait |
| être difficile pour quelqu'un d'autre de |
| répéter l'approche de modélisation de Laura |
| sur un nouveau problème, et ce serait |
| être difficile pour une autre personne |
| pour configurer un profileur comme je l'ai fait |
| ici. Si suffisamment de gens voient ça |
| présentation et je souhaite que nous ajoutions un |
| plateforme qui fait ce genre de |
| l'analyse sera plus facile à l'avenir, |
| tu devrais nous le faire savoir par |
| contacter le service technique |
| Assistance via support@JMP.com. |
| Maintenant je vais le rendre |
| à Markus qui parlera |
| sur ce que le client a fait avec |
| le modèle et nos conclusions. |
| Merci, Chris. |
| Ainsi, avec le Profiler de prédiction, |
| que Chris vient de présenter, nous |
| utilisé ça pour, disons, faire un |
| paysage prédictif, qui |
| nous fait comprendre comment |
| les meilleurs réglages devraient être dans |
| afin de réaliser tous les |
| spécifications de qualité nécessaires. Et ainsi |
| quels sont les trois facteurs qui |
| sont, disons, varient selon |
| une mesure limitée de notre influence, |
| et quel est le |
| alimentation pour le Still 1 et le |
| nourrir le Still 2 et aussi |
| la qualité ou la composition |
| de l'aliment en un seul. |
| Et ce que nous avons découvert comme dans |
| leur modèle également est le |
| la température de l'eau de refroidissement était |
| joue également un rôle important |
| dans ce scénario. Tous les autres |
| les variables sont de moindre importance |
| de sorte que nous les avons négligés dans |
| cette première approche. |
| Ici vous voyez le paysage. |
| C'est une sorte de variabilité |
| graphique, pour ainsi dire, nous avons donc |
| ici la densité d'alimentation pour le |
| Still 1, l'alimentation dans Still 1 |
| et le flux dans Still 2 |
| et toutes les combinaisons possibles, |
| plus ou moins. Et ici tu vois alors |
| les paramètres qui sont prédits |
| être le meilleur pour rester |
| dans le cadre du cahier des charges. Et |
| voici quelques-uns d'entre eux que j'ai |
| spécifications également, donc nous |
| il faut rester à l'intérieur d'eux. |
| C'est donc, par exemple, c'est le |
| débit de vapeur pour Still 2, le |
| reflux là-bas, la chaudière monte et |
| les mêmes choses pour le |
| Toujours 1. Et ici à droite |
| côté, vous voyez le |
| résultats prévus, donc le |
| spécifications de qualité, pour ainsi dire. Alors le |
| température du flux supérieur dans |
| Encore 1 que la densité |
| du distillat, la densité |
| du distillat du Still 2, |
| et ainsi de suite. Et alors |
| vous voyez, c'est ici, si vous avez un |
| regarde ici sur l'opportunité, |
| qui est la rangée du bas ici, |
| il y a de grandes zones où |
| nous ne pouvons pas vraiment réaliser un bien |
| performances de notre système. Et si |
| tu regardes les détails |
| tu vois, OK, ici nous sommes hors spécifications, |
| ici, nous sommes hors spécifications, ici |
| certains points, nous sommes hors spécifications, et ainsi de suite |
| et ainsi de suite. Mais que voit-il d'autre |
| est-ce que c'est une chose dans les spécifications/hors spécifications |
| est également régi non seulement par |
| ces trois composants vers le bas |
| ici, mais aussi au bord de la rivière |
| température, et pour le moment |
| il est mis en évidence le plus bas |
| température de la rivière ; il est 1 |
| degré. Donc tu vois ça ici |
| avec cela, nous restons la plupart du temps |
| l'heure est dans les spécifications, mais il y en a |
| seulement sont rares |
| combinaisons de ces trois |
| facteurs là où nous ne le sommes pas. Mais si |
| nous augmentons la rivière |
| température, par exemple pendant 24 |
| degrés, puis les domaines dans lesquels nous |
| sont hors spécifications sont... devenus beaucoup |
| plus prédominante. Ici aussi, c'est |
| très difficile de rester là-dedans |
| Caractéristiques. Alors ce que nous |
| appris du modèle |
| c'est que nous avons du mal à rester |
| dans notre cahier des charges lorsque le |
| la température de la rivière est supérieure à 7 |
| degrés C. Alors alors le |
| la question était pourquoi |
| que? Et les ingénieurs |
| souvent... on soupçonne que |
| c'était à cause du |
| capacité de refroidissement du |
| liquide de refroidissement. Mais avant de partir |
| dans le véritable procès, nous |
| comparé notre modèle SEM à un |
| basé sur un modèle thermodynamique |
| sur Chem CAD. |
| Et ce qu'il a souligné, c'est |
| que les deux modèles sont |
| pointant dans le même |
| direction, donc il n'y avait pas |
| pas de réels écarts |
| entre les deux. |
| OK, cela nous a mis dans un |
| humeur optimiste et c'est ce que nous avons fait |
| quelques vrais essais |
| et avec les meilleurs |
| paramètres, et disons, |
| a approuvé le prévu |
| choses des modèles. |
| Et c'est ce qui s'est passé, comme je l'ai dit |
| déjà, c'est ce que l'ingénieur |
| soupçonné que le refroidissement |
| la capacité du refroidisseur n'est pas |
| suffisant. Et donc quand tu as |
| à une température de rivière plus élevée, |
| alors le transfert de chaleur est aussi |
| petit, et donc l'équipement... |
| l'équipement ne fonctionne pas vraiment |
| plus. La prochaine étape est donc maintenant |
| pour utiliser ces données à partir de ceci |
| étudier ici pour en justifier un autre |
| investissement qui construit |
| une glacière ici avec un meilleur |
| capacité d’échange thermique. |
| Alors grâce à Laura et Chris, nous |
| pourrait installer ici l'investissement. |
| Si vous avez des questions alors |
| n'hésitez pas à demander maintenant. |
| Merci. |
