La miniera di rame, oro, molibdeno e argento di Rio Tinto (precedentemente nota come Kennecott Utah Copper Mine), appena fuori Salt Lake City, è in funzione da oltre 120 anni. I metalli prodotti vengono estratti e poi concentrati con una purezza da <1% a >99% attraverso perforazione, brillamento, macinazione, flottazione a schiuma, fusione ed elettroraffinazione. Questo processo di concentrazione comporta lo scarto di circa il 10% del metallo estratto. Un aumento dell'1% nella produzione di metallo può comportare fino a 20 milioni di dollari all'anno di fatturato aggiuntivo, pertanto ogni miglioramento incrementale deve essere definito, misurato, analizzato e controllato. Il software statistico JMP è stato determinante nelle decisioni chiave che influenzano la produzione.
Questa presentazione e dimostrazione JMP mostrano come siamo arrivati ad alcune decisioni importanti, creando una regressione lineare per identificare i fattori chiave e quantificarne l'impatto sul recupero e sulla qualità. Alcune di queste decisioni includono l'acquisto di apparecchiature aggiuntive per un valore di 1 milione di dollari, la spesa di 1 milione di dollari per la manutenzione di vecchie apparecchiature e il passaggio a un reagente più costoso, con un costo di 3 milioni di dollari all'anno.
JMP è stato utilizzato anche per individuare la migliore configurazione dell'impianto di molibdeno e per quantificare l'impatto di varie modifiche ai metodi di macinazione per massimizzare la produttività. Utilizzando JMP, mostriamo anche come sono state prese le decisioni chiave in questi processi.
Ciao. Salve. Mi chiamo Joey Mortensen. Lavoro per Rio Tinto, un'azienda mineraria globale. Sono di stanza nella loro miniera di rame nello Utah, chiamata Kennecott. Condividerò diversi esempi di come è stata utilizzata la funzionalità Fit Model di JMP... Come l'ho utilizzata per aiutare la nostra azienda a prendere decisioni chiave per massimizzare la produttività di recupero e il fatturato complessivo.
Vi darò una breve panoramica di come affronterò questa demo. Innanzitutto, spiegherò brevemente come funziona Kennecott per chi non è un esperto di mining. Poi, le tre affermazioni che devo verificare utilizzando il software statistico. Perché utilizzo il Fit Model o l'importanza di normalizzare o livellare il campo di gioco per rendere il confronto equo. L'idea di essere un data keeper tanto quanto un data scientist. Poi, a seconda del tempo a disposizione, passerò alle mie demo e magari entrerò e uscirò da JMP per poi tornare a questa presentazione.
Innanzitutto, Kennecott. Questa è una vista aerea di Kennecott. Tutto il materiale ai lati di questa miniera, aperta da poco più di 120 anni, è ciò che non è stato selezionato per essere avviato al mulino o al concentratore. Ma potete vedere che negli ultimi 120 anni a Kennecott, nelle Montagne Rocciose, abbiamo creato quasi la nostra montagna.
Ciò che viene considerato minerale o rifiuto dipende dalla quantità di rame, molibdenite – che chiamerò spesso molibdeno in questa presentazione – oro o argento, e dalla quantità di materiale presente. Se il materiale supera il test, viene perforato, fatto brillare, poi spalato e trasportato con un camion fino a un frantoio e inviato tramite un nastro trasportatore appena fuori da questo setaccio al concentratore, dove si svolgeranno i nostri casi di studio.
Concentratore: il motivo per cui si chiama così è perché non solo si macina il minerale fino a ottenere una polvere fine, e dove l'obiettivo è la produttività, ma l'obiettivo successivo è concentrare il minerale per inviarlo a una fonderia. Si passa da circa lo 0,5% di rame al 25% di rame. Si passa anche da circa lo 0,04% di molibdenite all'85%. Si concentra 2.000 volte la concentrazione originale.
Si perde molto in questo processo. Ecco le opportunità di miglioramento, ed è qui che entrano in gioco tutti i fornitori e discutono con me e i miei colleghi di quanto il loro prodotto specifico ci aiuterà e di come dobbiamo usare software statistici per verificarlo in quelle affermazioni.
Più avanti nel processo, abbiamo una fonderia in una raffineria, ma non voglio distrarvi troppo con questo. Passiamo a queste affermazioni. Innanzitutto, quella sulla produttività. L'affermazione è che se inseriamo nuove griglie e/o rivestimenti, aumenteremo la produttività del 5%. Questo è molto importante per noi. Vale 100 milioni di dollari all'anno, quindi dobbiamo assicurarci che sia vero. Come fanno a calcolarlo? Hanno utilizzato un software loro stessi, un software basato sul mining per dimostrare questa affermazione, e lo testeremo nel nostro impianto.
Un set di griglie, che viene sostituito ogni 6 mesi in una sola delle nostre quattro linee, equivale a 1 milione di dollari. Due volte all'anno, quattro linee, equivalgono a 8 milioni di dollari se dovessimo cambiare fornitore di griglie e rivestimenti o cambiare distributore. Sono cifre importanti su cui dobbiamo puntare.
Passiamo alla flottazione. Dopo aver macinato il minerale e averlo inviato alla flottazione per separare i minerali, si sostiene che se usiamo la sostanza chimica X o il widget Y, potremmo aumentare il recupero dell'1%, o i test di laboratorio hanno mostrato addirittura un 5%. Ma stiamo cercando almeno quell'1% per affermare che è reale e che vale anche il costo di una sostanza chimica extra, perché una sostanza chimica extra potrebbe costare 10 milioni di dollari all'anno, mentre l'1% vale 20 milioni di dollari. A volte ci si avvicina.
Infine, l'ultimo caso di studio che vi mostrerò riguarda la continua lotta tra me e me ai miei tempi: la mia configurazione nell'impianto di molibdeno era migliore di quella che state usando ora. Quando si cerca di concentrare così tanto molibdeno, ci sono sei modi diversi per farlo. È come un disegno del Dr. Seuss, in realtà, se foste lì, se lo portassi all'impianto. Molti circuiti diversi che si possono usare e scambiare, e fare prima questo e poi quello un'altra volta. Questo è importante: capire qual è la configurazione migliore. Vale anche milioni di dollari all'anno.
Perché uso il Fit Model? Beh, bisogna davvero normalizzare tutto. Molti direbbero che Floyd Mayweather è stato il miglior pugile di tutti i tempi. Non ha mai perso. Ci sono molti pugili con record simili. Ma la cosa più importante è che non affronterebbe mai Mike Tyson. Sono categorie di peso completamente diverse, e non sarebbe giusto o così interessante. Non vorremmo che fosse un vantaggio aperto.
Ciò che rende le cose interessanti è la parodia, e in questa particolare categoria di peso. Anche gli sport vengono classificati in base al genere. Certo, forse hai sentito parlare di quei casi in cui una volta all'anno si sfidano scimpanzé e umani, o qualcosa del genere, a un luna park. Non è giusto, vero? Non ci si avvicina nemmeno. Bisogna normalizzare per le categorie giuste.
Ecco alcuni esempi nei casi di studio che vedrete. Normalizzazione per durezza in un modello di produttività. Abbiamo classificato e testato 50 diversi tipi di minerale. Perché, innanzitutto, se si sta testando un set di rivestimenti e si ottiene un minerale molto tenero, sembrerà un set di rivestimenti davvero migliore. Ma non è vero. Questo accade solo perché si ottiene un minerale più tenero.
Nel modello di recupero, se ottengo un grado di sedimentazione molto più elevato nell'impianto di flottazione durante la prova, questo darà l'impressione che questa particolare sostanza chimica sia molto migliore di quanto non sia in realtà. Il grado di sedimentazione, persino la granulometria e altri fattori – e analizzerò ogni fattore che normalizziamo – influenzano il risultato complessivo. Dobbiamo mettere a nudo l'influenza della sola sostanza chimica X o del widget Y.
Anche per questa configurazione dell'impianto di molibdeno è necessario fare lo stesso. Non si tratta solo della configurazione, ma di altri fattori che possono far sì che la configurazione migliore si distingua tra tutte le altre che potrebbero influenzare il recupero del molibdeno.
Un'ultima premessa prima di passare alle demo: ci sono due modi per pulire i dati. Puoi usare il filtro dati locale in JMP, e in realtà lo vedrete fare un sacco di volte. Adoro il filtro dati locale perché a volte ci si dimentica di filtrare i dati in anticipo. Poi puoi filtrare i dati anche in anticipo, il che ti fa risparmiare tempo, soprattutto se devi farlo più e più volte. È meglio filtrare i dati in anticipo.
Ma voglio anche presentarvi qualcosa chiamato met table, un tavolo metallurgico, perché il mio background è in realtà l'ingegneria metallurgica, e come potete rendere la vostra risposta qualcosa che abbia più senso prima di realizzare un modello.
Un'ultima cosa, una breve storia. Abbiamo provato a creare un modello di apprendimento automatico per 4 anni con i data scientist, ma il connubio tra ingegneria e data science non ha funzionato, principalmente perché spesso bisogna semplicemente accettare di non avere i dati giusti di cui si ha bisogno. Non si hanno dati sufficienti per creare un modello del genere, soprattutto quando cercavamo di utilizzare snapshot di 20 minuti su un analizzatore on-stream.
È meglio iniziare con questa funzionalità Fit Model che non è così sofisticata, ma almeno è interpretabile e non è in balia di dati errati perché è in tempo reale e posso pulirla, ed è a un livello tale per cui i dati sono affidabili.
Innanzitutto, massimizzando la produttività. L'obiettivo è ottenere il massimo numero di tonnellate macinate all'ora, ma in realtà è quello di battere la tabella di misurazione. Questa è un'istantanea della nostra tabella di misurazione. Ecco una serie di diverse tipologie di lavorazione e le relative velocità di produzione previste in base ai test di laboratorio. Sono come le categorie di peso nel pugilato, ancora una volta. La mia risposta sarà in termini di prestazioni rispetto alla tabella di misurazione, non di prestazioni complessive, perché ci sono enormi oscillazioni tra questo MZ1H molto lento o molto duro. Quindi puoi vedere che puoi ottenere qualcosa che ha quasi il doppio della produttività se si tratta di una porta molto morbida.
Poi, ovviamente, vogliamo normalizzare il nostro impegno. A volte non siamo noi il collo di bottiglia degli impianti di macinazione. Questi impianti sono in attesa nella miniera a monte, quindi rallenteranno di proposito per massimizzare il recupero. Ma ecco SAG 1, SAG 2, SAG 3 e SAG 4. Quando dico SAG, intendo macinazione semi-autogena. Non voglio portarvi a un corso sulla lavorazione dei minerali, ma solo per terminologia, quando vi mostrerò il set di dati, questo è ciò che SAG significherà.
Ora, andrò al mio set di dati qui. Ecco, scoprirò il mio vero... Velocemente. Trovo il set di dati se riesco. Spostalo qui. Il primo set di dati è il throughput. Questi sono dati mensili. Il motivo per cui sono mensili è un'altra importante caratteristica di filtraggio: la mente invia dati a una riserva, e una riserva è enorme. Un tipo o l'altro non vengono elaborati nello stesso giorno o non necessariamente tutti i dati vengono elaborati nello stesso giorno in cui vengono consegnati.
Il modo più corretto per assicurarsi di non confrontare mele con arance è creare un set di dati sufficientemente ampio da catturare la variabilità solo negli input. Vado su Analizza, vado su Adatta Modello. Vado sulla percentuale di prestazioni della tabella met di SAG 1. Ho già un'idea per cui la vita del liner, l'inizio e la fine della vita, debba essere normalizzata. Un altro fattore che non avevo ancora menzionato.
Quanto ci stiamo impegnando o quanto ci stiamo impegnando contro i limiti del motore che stiamo utilizzando. Le griglie, che siano grandi o piccole, la più grande che stiamo utilizzando in questo momento. Poi c'è anche un circuito di frantumazione supplementare, e se è acceso o spento o per quale percentuale di tempo è acceso può essere importante. Tutti questi fattori, credo, sono quelli che contano.
Premo Esegui. Utilizzo le impostazioni predefinite per tutte le funzionalità del modello. Poi inizio da qui e mi chiedo: "Beh, ha senso per me?". Ce l'ha. Sono un po' scioccato dal fatto che il mio frantoio per ciottoli non faccia differenza, ma è quello che è. Lo rimuovo perché la probabilità che faccia differenza è dell'1%, secondo questo riepilogo degli effetti. Lo rimuovo. Ora ho cose che superano il test, ma ci sono vicino. Ho un riepilogo di adattamento piuttosto buono, un RSquare a 0,53. La vita lineare è l'unica cosa che potrebbe non avere una probabilità reale, ma ci è vicino.
Dirò: "Voglio analizzare questi dati ancora più a fondo". Farò un grafico dei minimi quadrati. Questo mi dà un'ottima indicazione, ok, grande contro piccolo, l'88% della tabella dei valori misurati se uso gradi bassi e oltre il 100%. Supero la tabella dei valori misurati se passo a questi gradi alti, un miglioramento del 12% e della produttività. Ma devo verificarlo e vedere se succede davvero sempre così? Controlliamo.
Eccoci qui. Torno indietro e dico: "Questa è la riga 1". Ho già preparato le altre solo per il momento della demo. Ecco come si presentava la riga 2. Anche il frantoio per ciottoli non era presente. Gli altri fattori sì. Ma grande contro piccolo non fa una grande differenza su SAG 2. Perché? Beh, per fortuna ho questo set di dati che mi dice che ci sono solo 3 mesi di dati qui rispetto agli altri 45 mesi in cui si usano voti bassi. È troppo presto nel test per fidarsi davvero.
Un'altra novità che presento per la prima volta è il filtro dati locale a sinistra. Qui, se siete un ingegnere, potreste immaginare un team di ingegneri che deve prendere questa decisione, se modificare le dimensioni delle griglie. Guarderete tutti l'output di JMP e direte: "Bene, aggiungiamo un filtro diverso e ognuno può decidere cosa è giusto". Perché spesso, questi calcoli, a posteriori, portano la gente a lamentarsi perché non avete tenuto conto di questo, quello o quell'altro. Si tratta di 3 mesi in cui la gente direbbe: "Non credo che dovresti includere quei 3 mesi perché stavamo lottando per trovare motori di riserva, e non è un confronto equo". Questo è un modo per filtrare la situazione.
Un altro modo per filtrare lo stesso set di dati è usare categorie in base al fatto che si sia verificato un problema al motore e filtrare semplicemente questo. Ho inserito l'inverso. Escludo tutto ciò che riguarda i mesi in cui abbiamo avuto problemi al motore. Questo è l'output della riga 3, e ora vediamo che la linea di vita conta ancora meno. La rimuoverei. L'ho lasciata solo per mostrare che non fa differenza. Ma il tempo di funzionamento del frantoio fa davvero la differenza, e probabilmente farebbe una differenza maggiore se eliminassi la durata del rivestimento come fattore.
Quanta differenza? Beh, per qualche ragione su questa linea, il frantoio per ciottoli conta il 16%, quindi un miglioramento del 16% rispetto alla tabella dei tempi se è al 100% contro lo 0%. Poi, naturalmente, la modifica della griglia, grande e piccola, una delle decisioni più importanti che volevamo prendere, ci porta a un miglioramento del 14% della produttività. È enorme. Siamo abbastanza sicuri che SAG 2 mostrerà la stessa cosa e dovremmo andare avanti.
Poi, per il SAG 4, non abbiamo ancora eseguito un test di griglia grande e piccola con questo set di dati. Lo avevamo testato solo sui SAG 1 e 3 e non lo avevamo ancora spostato. Lo stavamo solo inserendo nel SAG 2 e non siamo ancora pronti a spostarlo sulla linea 4 perché, sulla linea 4, abbiamo scoperto che è una macchina completamente diversa. La potenza non ha importanza per il SAG 4. È un motore avvolgente molto più grande e sembra essere il più sensibile al frantoio a ciottoli, anche più del SAG 3. Tanto che si sta osservando un miglioramento della produttività mantenendo in funzione il frantoio a ciottoli.
Questo ci spinge a fare più studi sul perché la linea 4 sia così diversa dalle linee da 1 a 3. I fattori che influenzano la sua produttività si comportano in modo molto diverso rispetto alle linee da 1 a 3. Quindi dobbiamo approfondire le ricerche sui principi fondamentali di quel mulino, che avevamo intrapreso, rallentandolo, con molti test in questo modo. Ma questo ci spinge ad approfondire ulteriormente, proprio per il risultato che vediamo.
Un'ultima dimostrazione di grinding, poi passerò al recupero. Un fornitore contro un altro. Il modo migliore per ottenere lo stesso set di liner – senza modifiche nelle dimensioni, ma solo con liner diversi – è eseguire un test in coppia. Tutti i test possono essere notevolmente migliorati se si utilizza il test in coppia. Se si ha un circuito identico a un altro circuito, si potrebbe eseguire, in questo caso, SAG 1 contro SAG 3 prima e dopo aver inserito un liner ME in SAG 3 contro un liner Vega.
I fattori che contano sono quanto ci si impegna con SAG 1 e quanto ci si impegna con SAG 3, o quanto si corre ai limiti dell'attrezzatura. Sappiamo che il tempo di funzionamento del frantoio per ciottoli è importante perché è importante per SAG 3, non tanto per SAG 1. Poi, il tipo di rivestimento SAG 3 qui, è sufficiente per dire che probabilmente c'è qualcosa di interessante. Si è passati dal 3% in meno rispetto a SAG 1 a quasi il 6% in più rispetto a SAG 1 in termini di prestazioni. Questa differenza rappresenta un miglioramento del 9% nella produttività, sufficiente per dire: "Beh, probabilmente dovremmo provare un altro set di rivestimenti prodotto da ME".
Ho anche menzionato un test di potenza qui. Un'altra cosa che puoi fare nel diagramma dei minimi quadrati è fare un test di potenza per vedere se è davvero reale. Basta eseguire il test di potenza e ti dirà: "0,8 o superiore non è sicuramente un falso positivo. Se è inferiore, potresti semplicemente vedere un falso positivo. Vuoi fare ulteriori test prima di, per certo, contare i polli, immagino, prima che si schiudano".
Ora passiamo al recupero del rame. Stiamo parlando del widget X e della sostanza chimica Y. Il recupero si riferisce alla quantità di rame immessa nel mulino meno la quantità che abbiamo dovuto scartare quando abbiamo concentrato il minerale. Passiamo alla demo. In realtà, scusate, questo è il prodotto finito. Vado a cercarlo qui. Ecco il set di dati. Scusate. Oh, eccolo qui.
Ecco il set di dati. Si tratta di dati di turni perché disponiamo di dati di turni affidabili per ciascuno di essi. La variabilità viene rilevata ogni 20 minuti dai campioni prelevati dall'alimentazione, dalla coda e dai flussi di concentrato per calcolare il recupero, la granulometria, la quantità di materiale utilizzato, il grado di macinazione, il rame non solforato o quello non recuperabile, la quantità di collettore di rame e di molibdeno utilizzata, la quantità di cianuro utilizzata: tutti questi fattori importanti.
Ora parlerò del modello Fit. Parlerò di... Questi sono due prodotti chimici: 5160, Mo120. Devono essere importanti. In realtà, si tratta di due dispositivi. Si chiamano "foth crowder", ma sono anche "foth crowder" e "magneti" insieme. Li abbiamo installati come un unico pacchetto. Questi sono i dispositivi in uso o in fase di sperimentazione.
Ho bisogno di una normalizzazione per la grana della testa e la granulometria. Non è corretto stabilire se il materiale sia molto grossolano o fine in un test rispetto a un altro. Questo deve essere parte del test. L'effettivo recupero del rame è ciò che mi interessa di più. Il rame senza zolfo è un altro fattore di cui devo tenere conto. Se è stato ossidato, non scorrerà. Se si verifica una variabilità in questo senso, bisogna tenerne conto.
La quantità di cianuro utilizzata potrebbe influire sul recupero. All'epoca non ne eravamo sicuri, ma alla fine abbiamo ottenuto risultati sorprendenti. Anche il numero di tonnellate all'ora per fila è importante. Questo è un punto decisionale importante. Il resto sono variazioni su un tema e sono modi in cui l'ho classificato per ulteriori test. Ma per quanto riguarda il caso di studio che sto presentando ora, ne aggiungerò solo un altro. Sono abbastanza sicuro che saranno questi a fare la differenza.
Premiamo Esegui. Non abbiamo ancora un modello a griglia. È abbastanza buono, comunque, ma applicherò un filtro sui dati locali e lo migliorerò molto. Recupero effettivo del rame. Quello che trovo qui è che ho un sacco di dati anomali e confusi che potrei ripulire subito dicendo: "Non mi interessa nulla che abbia un recupero inferiore all'80% perché è successo qualcosa di brutto all'impianto". Forse abbiamo perso aria. Questa è una flottazione a schiuma in cui creiamo bolle che si attaccano al minerale che vogliamo recuperare. È un equilibrio molto delicato. Spesso, si possono semplicemente avere cose che sono al di fuori del nostro controllo e che vanno oltre i fattori che possiamo controllare.
Follatori di schiuma. Mi aspettavo molto di meglio. Bene, cosa sta succedendo? Guardo qui e dico: "Bene, qual è la distribuzione qui delle folle di schiuma?". Cosa sta succedendo? Installare al 1100% è impossibile. So che puoi essere installato solo dallo zero al 25%. Questo mi spingerebbe a tornare ai dati e dire: "Probabilmente ho fatto uno di quegli errori di Excel in cui scorri verso il basso di 10 giorni e include 10 giorni di confusione".
Una volta fatto questo, i crowder di schiuma fanno davvero la differenza. Ci sono anche altri fattori. Essendo un ingegnere di processo, so anche come pulire i dati molto meglio. Sto guardando Mo120. Dalle mie stime dei parametri, vedo tre stati diversi. In Mo120, si ha Int. Int non è uno stato che mi interessa. Mi interessa se la sostanza chimica è attiva o disattiva, non nel periodo intermedio di attivazione o disattivazione.
Non ho ancora finito del tutto. Sto guardando le tonnellate all'ora per fila. So che sono dati confusi. Voglio da 500 a 2.500. È il minimo che puoi effettivamente alimentare una fila mantenendone il controllo. È il massimo che puoi alimentare una fila mantenendone il controllo. Si tratta di un'oscillazione di 2.000 tonnellate all'ora.
Puoi ancora eseguire quelle righe con lo swing più grande. Ma cosa succede se lo fai? Passerò alle stime dei parametri e questo mi dirà ciò che devo sapere. Un altro aspetto fantastico della funzionalità "Fit Model" è che è interpretabile. Posso mettere a nudo qual è il problema o l'impatto di tutti questi fattori e quantificarli in modo molto interpretabile.
Con Mo120, che sia attivo o meno, si perde lo 0,5% o si guadagna lo 0,5%, il che equivale a un miglioramento dell'1%. Questa sostanza chimica comporta un miglioramento dell'1,3%. Che si utilizzino o meno sistemi di crowding, il miglioramento è dello 0,7%. Il grigio rame è un fattore di normalizzazione. La differenza tra 0,5 e 0,6 rappresenta una differenza di recupero dell'1% e il nostro intervallo è solitamente compreso tra lo 0,4 e l'1% di rame. Ovviamente, abbiamo fatto bene a normalizzare per il grado di rame.
Per quanto riguarda la granulometria, si può avere una percentuale compresa tra 0 e 20% più 50 mesh, ovvero la quantità di materiale da 400 micron o superiore. L'oscillazione di 0,20 è compresa tra zero perdite dovute alla granulometria e fino a 20 volte lo 0,4,3,2% di perdite. Spero di aver fatto bene i calcoli. Perdite del 28%, scusate.
Rame senza zolfo. In realtà, vedo che potrei bilanciarlo meglio. Ci sono alcuni dati che aggiungo lì. Il mio modello potrebbe essere ancora migliore se dicessi: "Beh, 0,3 non è reale. So che 0,03 è il massimo. È l'intervallo che ha senso". La cosa fantastica è che fornisce degli intervalli. Ti mostra dove si trovano i tuoi dati. Ho ancora 2.300 righe corrispondenti nel mio set di dati delle 2.600 con cui ho iniziato. Mi dice anche quanti punti dati ho filtrato, il che è davvero importante da sapere.
Scendendo nella riga successiva, un altro aspetto che mi dice è, sì, quanto rame non recuperabile sia importante. Devo bilanciarlo per questo. Devo anche considerare il cianuro e dire: "Wow, posso usare 0-20 grammi per tonnellata di cianuro". Di nuovo, 20 volte 0,2, si tratterà di una perdita di recupero del 4% se massimizzo il cianuro. Forse dovrei limitarlo a 5 grammi per tonnellata e vedere se riesco ancora a ottenere la qualità di cui ho bisogno, perché questo è un prodotto chimico di qualità. Il resto sono prodotti chimici basati sul recupero e limitano la quantità di qualità che ottengo per risparmiare sul recupero.
L'influenza del tempo di residenza sembra un fattore poco significativo, ma bisogna tenere conto anche delle unità di misura per cui si sta moltiplicando. Questa è una delle cose più importanti. La differenza tra 500 e 2.500, ancora una volta, è di 2.000 tonnellate. 2.000 moltiplicato per 0,001 è la differenza tra una perdita di recupero del 2% e una perdita di recupero dello 0%.
Quindi la percentuale di cascata è la quantità di tempo in cui si esegue una logica di controllo di processo che massimizza il recupero. 100 volte questo valore è pari allo 0,5%. È dimostrato che l'esecuzione di questa logica di controllo migliora il recupero dello 0,5%. Non è molto. È il più piccolo di tutti questi fattori. Tuttavia, è il più libero di tutti, giusto?
Tutte queste altre cose hanno un costo, in un modo o nell'altro. Alcune di queste sostanze chimiche costano 4 milioni di dollari all'anno, quindi è davvero importante sapere se ti fanno risparmiare l'1%, ovvero 20 milioni di dollari all'anno, ne vale la pena. Ma se non fosse così, non vorresti usarle. Dovresti fare altri test.
Ho ancora un test da verificare, che riguarda l'impianto di molibdeno. Andrò direttamente al mio set di dati sull'impianto di molibdeno e spiegherò che abbiamo molte opzioni diverse per l'impianto di molibdeno. Ma la cosa più importante che voglio mostrarvi è che la media mobile a 3 mesi è il modo migliore per far funzionare la cosa. Sembra ingiusto o strano. Ma la risposta o il ritardo nell'impianto di molibdeno è così grande che è per questo che è così discutibile.
Quando si lavora in un impianto di produzione di molibdeno, si direbbe che è più sicuro parlare di religione o politica piuttosto che di quale configurazione adottare. È un argomento complesso, e proprio perché è difficile valutare l'impatto dell'una sull'altra, le speculazioni abbondano. Per questo motivo, ricorrerei a un modello di adattamento. Utilizzo un set di dati che comprende oltre 10 anni di dati. Posso usare la tabella met recuperata oppure una coda di molibdeno.
Torniamo subito al... Certo, questo è quello che faccio. Direi: "È una coda di molibdeno?". L'uso migliore è... Di tutte le configurazioni, qual è la migliore? Il grado di alimentazione, questo è in realtà il grado di alimentazione nell'impianto di molibdeno, che è il grado di conformazione nell'impianto precedente di cui parlavo. Quante tonnellate stanno arrivando, il grado di conformazione finale di molibdeno. Cominciamo da lì perché so che è lì che andrò a parare.
Poi passo ai filtri. Di nuovo, voglio che immaginiate, se siete un ingegnere, altri 10 ingegneri con voi che controllano come filtrate questi dati per assicurarvi che siano corretti. Prima di tutto, una risposta di tipo "coda di molibdeno". Di nuovo, avrei potuto usare il recupero di tabella e il suo modello di recupero, ma ho scelto la coda di molibdeno come risposta perché è più pulita. Lo controllerei se avessi il tempo di mostrarvi i due modelli diversi e perché uno è più pulito dell'altro. Ma il valore di RSquare che sto per ottenere è circa 0,7. Vi mostrerò perché.
Non mi interessa una coda di molibdeno superiore a 1,2 perché in realtà l'avremmo riciclata, recuperata e rimessa nel sistema. Questo avrebbe rappresentato un problema all'impianto. Qualsiasi valore superiore a 1,2 è sicuramente un problema all'impianto e non qualcosa da prendere seriamente in considerazione, altrimenti si bypassa l'impianto di molibdeno. A volte il prezzo del molibdeno, invece di 20 dollari al chilo come oggi, è di 5 dollari, e non si sta nemmeno prendendo sul serio. Inoltre, non si prende sul serio un impianto se si ottiene un grado di alimentazione inferiore a 1,2, quindi è necessario filtrare... Escluderò un grado di alimentazione troppo basso o un grado di coda troppo basso.
Ora, sono già a 0,64. Cos'altro dovrei filtrare? Ho menzionato come fattore di normalizzazione fondamentale, uno dei più importanti per rendere un confronto equo è: quale grado si sta effettivamente cercando nell'impianto di molibdeno? In questo caso, non possiamo vendere molibdeno nel nostro impianto a meno che non sia del 45% o superiore. Poiché sto filtrando questa sezione gigantesca, ora ho un modello con R2 di circa 0,7, e tutti questi fattori contano.
Ancora più importante, esaminerò il grafico dei minimi quadrati e metterò davvero a nudo come le ultime tre configurazioni di questo modello siano di gran lunga superiori alle prime tre. Ognuna di queste configurazioni ha sicuramente avuto la sua giusta dose di influenza. Hanno tutte avuto una durata di circa 10 mesi, perché questo è un... In realtà, sembra che 136 mesi dei circa 170 mesi di dati totali siano stati utilizzati per creare questo modello.
Ci sono molti dati qui e sufficienti per dire che si può tranquillamente supporre che queste configurazioni facciano una differenza apprezzabile nella perdita di molibdeno ogni giorno. Il motivo per cui ho scelto anche il grado di coda come risposta migliore è che è più interpretabile da un punto di vista di marketing, perché posso fare affermazioni in termini di dollari e centesimi quando i calcoli sono più chiari, dicendo: "So che la differenza tra 0,6 o 0,5 e 0,9, o una differenza di 0,1 nel grado di coda è di circa 40.000 dollari al giorno, che è il costo di gestione dell'impianto ogni giorno". La differenza tra questo e questo è di circa 160.000 dollari al giorno.
Un impatto enorme, soprattutto quando qualcuno potrebbe avere abbastanza voti, se nessuno è più saggio di te e torna a questa configurazione. A meno che tu, come ingegnere di processo, non possa usare la scienza dei dati per dimostrarlo, non vuoi tornare a questa configurazione. Era di gran lunga inferiore alle ultime tre configurazioni in questa tabella.
Spero che questo articolo vi sia piaciuto. Spero che ne abbiate tratto qualcosa e che possiate usarlo nella vostra vita quotidiana con JMP. Buon divertimento con JMP e buone esperienze a tutti. Credo di concludere qui. Sono quasi certo di aver ormai esaurito il tempo a disposizione. Ma grazie.
