| Oratore |
Trascrizione |
| Stan Siranovich |
Bene, iniziamo con l'osservazione, che si trova nella prima colonna. E subito notiamo un formato un po' insolito. |
| |
Affronteremo questo aspetto più avanti. La colonna successiva è Y-Kappa, che rappresenta la variabile target, ovvero ciò che si desidera prevedere. Si tratta del valore misurato e vorremmo mantenerlo entro un intervallo ristretto. |
| |
E tra un minuto o due, spiegherò il perché. E mentre scorriamo i dati, vediamo un paio di cose qui. Abbiamo alcune etichette strane. Abbiamo T-upperExt, qualunque cosa sia. Abbiamo un T-lower, abbiamo un WhiteFlow. E abbiamo notato che |
| |
Alcune delle colonne, anzi, la maggior parte delle chiamate hanno un numero alla fine. E si scopre... dopo alcune indagini, che si tratta del tempo di latenza. |
| |
E ci arriverò quando spiegherò il processo. Quindi abbiamo cose come l'umidità del chip, il calore del vapore e vediamo anche che abbiamo alcuni valori mancanti. Ce ne sono alcuni qua e là, ma principalmente sembra che siano confinati all'AAWhite, |
| |
Mi scusi, proprio alla fine, la solfidità. Quindi ne prendiamo nota. |
| |
Ora |
| |
Visto che non abbiamo familiarità con questo genere di cose, probabilmente la cosa più intelligente da fare sarebbe...sarebbe fare qualche ricerca e capire esattamente di cosa si tratta. E vorremmo anche sapere (lasciatemi caricare la presentazione PowerPoint) |
| |
esattamente |
| |
Va bene. |
| |
Cominciamo. Il digestore Kamyr è un processo continuo in quattro fasi per la produzione di pasta di cellulosa e carta. |
| |
Ora questi |
| |
processo...questi processi sono piuttosto ampi e si possono immaginare come una gigantesca pentola a pressione. Quello che facciamo è controllare un po' di calore, vapore e pressione, |
| |
Scusate, nel reattore. E questi possono avere un diametro di 18 piedi e un'altezza fino a 200 piedi. E quello che volevamo fare era separare la lignina controllando il numero Kappa. |
| |
E la materia prima è un po' insolita. Vengo dall'industria chimica e sono abituato a lavorare con |
| |
una materia prima liquida ma qui la nostra materia prima è costituita da trucioli di legno o segatura da un |
| |
segheria qualunque cosa. E non abbiamo alcuna informazione sul fatto che queste materie prime vengano scaricate insieme, che vadano una sopra l'altra, se siano |
| |
campagna, ma fin da subito sappiamo che qui c'è una certa variabilità. Indipendentemente dalla forma fisica, la materia prima è composta per il 50% da acqua, per il 25% da polpa e per il 25% da lignina. E, naturalmente, la lignina è ciò che vogliamo sciogliere. |
| |
Il processo si presenta in questo modo. È complesso e all'interno di questa singola unità si trovano quattro operazioni unitarie separate. Abbiamo la parte superiore, dove vengono versati i chip, e la miscela di reazione, che è... che viene chiamata liquido. |
| |
Ha un che di caustico... e di alcalino, ma si può paragonare a una soluzione saponosa. Serve a separare la lignina dal legno. |
| |
Abbiamo anche i flussi di fluidi, sia effluenti che liquidi, e ce ne sono tre. |
| |
E può essere sia in corrente concorrente che controcorrente, quindi introduciamo un'altra variabile. Come ho detto prima, la variabile target è un numero Kappa, che è una determinazione ISO, e qui abbiamo un'altra variabile, in quanto i fluidi vengono ricircolati e rigenerati. |
| |
Iniziamo quindi con un'esplorazione dei dati. |
| |
Ed ecco come appare la tabella dati JMP subito dopo averla importata in JMP. Iniziamo con l'osservazione, Y-Kappa, |
| |
che vogliamo misurare e poi il tasso di chip. Ecco alcuni altri rapporti. E possiamo vedere che abbiamo alcuni dati mancanti, la maggior parte sembra essere confinata in quella colonna lì e in questa colonna qui, la solfidità. |
| |
Diamo quindi un'occhiata a questi dati per capire se c'è qualcosa di cui dovremmo preoccuparci. Il modo migliore per farlo, a mio parere, è andare qui, alle tabelle, e osservare lo schema dei dati mancanti. |
| |
E quello che farò è cliccare trascina e selezionare tutti questi elementi. E li aggiungerò. |
| |
E otteniamo questa tabella. |
| |
Ora dovresti visualizzare la tabella dei dati mancanti. |
| |
proprio sopra il mio tavolo JMP. |
| |
E permettetemi di espandere un po' la prima colonna. Ora, se guardassimo la prima colonna qui che dice conteggio |
| |
e abbiamo un numero di colonne mancanti pari a zero, e vediamo zeri su tutta la colonna successiva, questo è il nostro schema e questo ci dice che abbiamo 131 colonne senza dati mancanti ma abbiamo 132 colonne |
| |
in cui due colonne presentano dei dati mancanti. Dove vedi 1 e 1, è lì che mancano i dati. E abbiamo un altro schema qui con 19, ma il resto è abbastanza completo... |
| |
abbastanza popolato, e se hai mai avuto a che fare con i dati di produzione o i dati di monitoraggio della qualità, vedrai che questo non è insolito. In effetti, questo è |
| |
Abbastanza completo per questo tipo di dati. Quindi analizziamolo un po' più nel dettaglio. Abbiamo 131 con un valore mancante e sappiamo di avere quelle due colonne. |
| |
Vediamo se corrispondono. Ecco fatto. È lo stesso record con le stesse due colonne con dati mancanti. E quello che possiamo fare è selezionare la prima riga. |
| |
e possiamo guardare da quassù. |
| |
Lasciatemi togliere questo di mezzo. E possiamo scorrere. |
| |
E in effetti, |
| |
lì vediamo i riflessi blu, |
| |
che evidenziano i dati non mancanti, e vediamo che i dati mancanti tendono ad allinearsi. C'è un punto qui, un punto qui, quindi sembra che tutti questi dati mancanti in quelle due colonne siano nella stessa riga. |
| |
Quindi lasciatemi tornare indietro |
| |
e interrompere la condivisione. |
| |
Ora procederemo all'esplorazione dei dati, dopodiché chiuderò questa finestra. |
| |
E siamo tornati alla tabella dati originale di JMP. |
| |
E vediamo, da dove iniziare? Beh, abbiamo un paio di opzioni, ma una cosa che possiamo fare è cliccare su questa icona proprio qui, che dice "Mostra grafici di intestazione". |
| |
Quindi clicchiamo sull'icona e possiamo vedere alcuni grafici di intestazione qui. E quello che fa è mostrarci alcuni istogrammi della distribuzione |
| |
nella colonna sottostante. E questi questi questi sono trascinabili, quindi possiamo ingrandirli in entrambe le direzioni. E perché non facciamo un po' di esplorazione qui. Dato che vogliamo controllare lo Y-Kappa, |
| |
Selezioniamo alcuni di quei valori alti e vediamo cosa riusciamo a vedere. Ora scorriamo, scorriamo, sembra che sia |
| |
in qualche modo correlato a ciò che sta accadendo nel BlowFlow che... |
| |
che si trova nella parte superiore della gamma qui, e se andiamo a T-upperExt-2, |
| |
Possiamo notare che tende a trovarsi nella metà inferiore della distribuzione. A parte questo, non c'è niente di particolarmente rilevante, quindi clicchiamo proprio lì. |
| |
e lì, per dare una sistemata. |
| |
E ora diamo qualche spiegazione in più. Andiamo al generatore di grafici. |
| |
Quindi si passa al grafico... |
| |
Generatore di grafici e questa finestra si apre. |
| |
E quello che farò è esaminare l'Y-Kappa |
| |
Ecco fatto, e posso mettere... posso mettere una linea più liscia lì dentro. |
| |
E quello che vedo è |
| |
Il nostro processo presenta una certa variabilità, ma è piuttosto stabile, forse con una leggera tendenza al rialzo, ma rimane stabile e questo sarà importante più avanti. |
| |
Ma se guardo qui sotto, dove c'è scritto "osservazione", cosa vedo? Vedo che inizia con 1-00 e poi 01 e il tempo continua ad aumentare. Ma se guardo la tabella dei dati qui, inizia con 31. Quindi quello che apparentemente hanno fatto qui |
| |
Nell'unità, il formato iniziava con la data del mese, seguita dall'ora, e continuava così, ma non è quello che vogliamo. Quindi chiudo questa finestra. Interrompo la condivisione e apro un'altra tabella dati JMP. |
| |
Okay, quindi quello che stiamo guardando sono fondamentalmente gli stessi dati, che ho ripulito un po' e modificato. E mentre li guardiamo, li ho organizzati come di solito voglio organizzarli con il Y-Kappa, che è il nostro |
| |
...il nostro valore obiettivo, seguito dall'osservazione. E qui ho aggiunto una sequenza oraria, e ora vi mostro cosa succede. |
| |
Ho salvato tutti gli script in questa tabella dati, gli stessi dati, solo che ne ho aperta una diversa, che è stata ripulita. E notate che abbiamo lo stesso numero di cifre decimali in tutte le nostre tabelle, se scorro con il mouse. |
| |
E ripetiamo |
| |
quello che ho appena fatto prima. Quindi andremo al grafico, al generatore di grafici. |
| |
Metti qui Y-Kappa e ora ho aggiunto la sequenza Y a |
| |
la nostra tabella dati, e ora otteniamo uno schema diverso. Se apro l'originale, |
| |
vediamo che abbiamo una linea diversa e più liscia, e quello che cerco di fare è cercare delle costellazioni, quelle che chiamo costellazioni. Quindi qui abbiamo questi tre punti dati. |
| |
Chiuderò questa e aprirò la seconda. |
| |
E i tre punti dati sono qui. |
| |
Lasciatemi chiudere. |
| |
E notate qui sotto la sequenza delle ore, |
| |
abbiamo i punti dati nell'ordine in cui si trovano, e un'altra cosa che potremmo fare con JMP |
| |
se possiamo salire quassù, |
| |
interruttore |
| |
osservazione, che avevamo prima, e ora spostiamola qui sotto. |
| |
E rimetteremo la nostra linea più liscia, come puoi vedere abbiamo lo stesso schema, ma ora se prendo la sequenza delle ore |
| |
e trascinandolo giù, abbiamo il meglio di entrambi i mondi. Sono in ordine, proprio come li volevamo. |
| |
E come potete notare in basso, le osservazioni sono ordinate per ora in ordine decrescente, che è l'impostazione predefinita. Potrei cliccare su "Fine", ma per ora preferisco ridurre a icona questa finestra. |
| |
Passiamo ora alla fase successiva. Controlla i miei appunti, assicurati che non abbia tralasciato nulla. |
| |
Oh, e come ho inserito la nuova colonna, per favore interrompo la condivisione qui, e invece di spiegare l'intero procedimento, torniamo a PowerPoint. |
| |
E ho dato alla colonna un nuovo nome, Sequenza oraria, e per tipo di dati ho scelto numerico, perché è quello che è. Per |
| |
Per quanto riguarda il tipo di modellazione, ho scelto "continuo" perché si tratta di dati continui, sebbene rilevati a intervalli orari regolari. Ho scelto questo formato perché è facilmente leggibile da un essere umano. |
| |
E per inizializzare i dati per la colonna, ho scelto dati sequenziali e li ho eseguiti da 1 a 301, perché questa è la nostra ultima riga. E vediamo, ripeti ogni valore una volta, numero di colonne da aggiungere, solo una. |
| |
Per le proprietà della colonna, ho scelto la frequenza temporale dal menu a tendina e ho anche selezionato l'unità oraria. Ecco come ho ottenuto quella colonna. |
| |
Quindi permettetemi di interrompere la condivisione su questo |
| |
e riduco a icona e lo riporterò alla tabella dati JMP. |
| |
Ed eccoci di nuovo nella tabella dei dati. Ora iniziamo la parte divertente: passiamo all'analisi. |
| |
Andiamo |
| |
Analizzare. |
| |
E ho preso la tabella dati sbagliata. Lasciatemi aprire l'altra. Ecco. |
| |
Vai ad analizzare, |
| |
metodi multivariati |
| |
multivariata. |
| |
E ci viene mostrata questa schermata. Bene, vogliamo vedere Y-Kappa, quindi inseriamo la Y. |
| |
Non vogliamo pesi e frequenze o da e lasciamo |
| |
trascinare con il mouse. |
| |
Inserisci tutto lì dentro. Clicca su OK, ed ecco il risultato. E per cominciare... lascia che chiuda... |
| |
e ci viene presentata la matrice del diagramma a dispersione. E qui possiamo cercare alcuni modelli nei dati. Non ne vediamo molti, ma se guardiamo Y-Kappa qui nella colonna più a sinistra, |
| |
Iniziamo a esaminare la situazione, sembra che potremmo avere una sorta di schema qui con... |
| |
con qualunque cosa sia questa colonna. Scorri un po' verso il basso e sembra che sia |
| |
uno dei flussi di liquore, ecc., ecc. Quindi possiamo farlo per farci un'idea approssimativa. Lasciatemi chiudere. |
| |
Possiamo osservare le correlazioni qui: quelle blu sono positive, quelle rosse negative, e nessuna di esse è particolarmente elevata. |
| |
E per certi versi è un bene e per altri un male, ma non ne parleremo molto ora. Consideriamolo. In alcune situazioni, otteniamo più informazioni da questo che da altre fonti, quindi concludo qui. |
| |
Passiamo ora alla selezione del modello, quindi andiamo ad analizzare, |
| |
screening, |
| |
screening predittivo. E ci viene presentata questa finestra e ancora una volta, |
| |
Y-Kappa è la nostra risposta Y. E qui ci viene presentata la finestra successiva. Quindi per ora ignoreremo le osservazioni, perché qui abbiamo la sequenza oraria, ed è molto più facile da leggere, quindi la inseriamo qui e clicchiamo su OK. |
| |
Ed ecco cosa otteniamo. |
| |
Abbiamo quindi qui i nostri predittori e, naturalmente, quelli con i valori più alti e le barre più grandi saranno probabilmente i predittori più importanti, secondo la nostra classificazione. |
| |
E qui vediamo un mucchio di variabili. Ora arriviamo a un punto decisionale. Bene, questi primi due, sono ovviamente |
| |
Qualcosa che vogliamo esaminare, probabilmente anche il terzo e il quarto. Ora, il resto di questi sono un po' minori, ma sono tutti più o meno uguali, quindi facciamolo. |
| |
Faremo clic trascina, oh e prima di passare a queste due colonne, contributo è un contributo al modello nella porzione, che è la colonna che di solito guardo è la percentuale di porzione che questo |
| |
Il predittore qui ha previsto il modello, quindi se sommassimo tutti questi, arriveremmo al 100%. E abbiamo un... abbiamo un link qui, dice copia selezionato. |
| |
Allora facciamolo. |
| |
Ora ridurrò a icona quella finestra e tornerò qui sopra alla finestra di analisi. |
| |
Vediamo un po'. Che ne dite se applico dei modelli? Applico dei modelli di regressione lineare. |
| |
E cliccandoci sopra, noterò che le colonne selezionate sono già evidenziate. |
| |
Quindi aggiungiamoli e, naturalmente, vogliamo di nuovo il Y-Kappa. |
| |
E selezioneremo quello, e quando l'ho fatto, si è aperto |
| |
un'estensione qui della nostra finestra e un paio di personalità in più... un paio di scelte in più qui con i menu a tendina. E la prima è la personalità, quindi fammi cliccare su quella e ci dà una serie di scelte qui. Ma per ora restiamo con i minimi quadrati standard. E poi per enfasi, |
| |
Abbiamo tre opzioni. E l'enfasi è su ciò che ci viene rivelato nella finestra del report iniziale. Per ora, selezionerò semplicemente |
| |
rapporto minimo. E vediamo, grado, 2, ok, quindi esaminerà i termini al quadrato. |
| |
Vediamo... e credo che siamo pronti, quindi clicco su "Esegui". |
| |
Ed ecco cosa ottengo. E sembra che questo rapporto BF-CM sia di primaria importanza, |
| |
seguito da alcuni |
| |
altri qui di minore importanza, ma sono...ma sono significativi, e il motivo per cui sono significativi è, numero uno, il valore p, tra l'altro, questo è un livello .05 e il blu... |
| |
scusatemi, il livello 0,01 e la linea blu qui, che è il livello 0,01 per la significatività. E il motivo...il motivo per cui noi |
| |
Lo facciamo così con il logaritmo di Worth... oh, a proposito, dovrei precisare che il logaritmo di Worth è 10 volte meno il logaritmo, che è il logaritmo in base 10. Quindi, se abbiamo la linea blu uguale al valore di 2, il logaritmo... |
| |
logaritmo del valore p di 0,02...o scusate, 0,01 sarebbe 2, ecco perché la linea è lì. |
| |
Qui non è strettamente necessario, ma se stai eseguendo un'analisi come una delle variabili, è sicuramente utile. E qui sotto guardiamo i riepiloghi. |
| |
di adattamento, trova un R quadro di 0,5, e questo è... questo è più o meno il massimo che possiamo ottenere da quella finestra proprio lì. |
| |
E scendiamo qui per fare le stime, e possiamo vedere che le stime sono i coefficienti per le nostre regressioni lineari multiple. |
| |
Vediamo quindi che questi due potrebbero non essere necessari, quindi, per amore di parsimonia, li... |
| |
Selezioniamo questi, veniamo qui e li rimuoviamo. E ora abbiamo due variabili in meno. Probabilmente potremmo rimuovere il livello del chip, ma per ora lo lasciamo lì, perché il nostro R quadro si è ridotto un po'. |
| |
E tutto il resto è rimasto praticamente invariato. Questo è il nostro modello. Possiamo scendere qui e aprire altre finestre. |
| |
E vediamo i rapporti T dei singoli termini, alcuni test degli effetti, e per ora ci fermiamo qui. Quindi riduciamo a icona quella finestra, e abbiamo ancora un'analisi da fare, ovvero le serie temporali. Quindi torniamo qui per analizzare di nuovo. |
| |
E ora scendiamo fino alla sezione di modellazione specializzata, e andiamo alle serie temporali. Clicchiamo su questa opzione e tutto rimane selezionato. |
| |
Selezioneremo quello, |
| |
metteremo Y lì dentro. |
| |
Farà la stessa cosa. |
| |
Uno di troppo, aspetta un attimo. |
| |
Mettiamo qui la nostra lista di obiettivi e abbiamo questo pulsante qui, X tempo, metteremo di nuovo la sequenza delle ore perché è più facile da leggere. |
| |
Mettilo lì dentro. |
| |
Fai clic su Esegui. |
| |
E per ora, ignoreremo tutto questo genere di cose e scenderemo qui e guarderemo la nostra diagnostica della serie temporale. Ora scorri ancora un po' verso il basso. E la linea blu qui è la |
| |
Valore P, e questo è a un livello di 0,05, e questo sta esaminando diverse autocorrelazioni e i tempi di ritardo parziali. |
| |
Potrei passare tutti i 45 minuti a parlare di questo, ma non abbiamo tutto questo tempo, quindi farò solo un breve riassunto. Quello che vogliamo fare è eliminare tutti questi tempi di latenza. |
| |
all'interno di quella linea blu. E sembra che, beh, per questo, dobbiamo arrivare a circa cinque o sei, forse anche sette, da qualche parte lì intorno. |
| |
E raggiungere quel punto intorno a tre, quattro o cinque con il tempo di ritardo parziale. |
| |
COSÌ |
| |
quello che facciamo è venire qui al triangolo rosso, |
| |
e vogliamo fare un modello ARIMA. E otteniamo questa finestra e ARIMA sta per media mobile integrata autoregressiva. Ora non vogliamo fare differenziazione qui |
| |
perché abbiamo già fatto delle differenze. Quei numeri che sono stati aggiunti alla fine delle colonne erano i tempi di ritardo, in modo che tutti i dati fossero allineati. Quindi quello che vogliamo fare è semplicemente fare una stima con il numero qui. |
| |
Lasciatemi impostare a 4, quindi ritardo di 4 periodi. |
| |
E faremo lo stesso anche qui per la media mobile. |
| |
E potremmo scegliere valori diversi per questi e vediamo come si adattano l'intercetta e il vincolo. |
| |
Raggiungeremo la stima e torneremo qui. |
| |
Ed ecco il risultato. Stiamo andando un po' meglio di prima. |
| |
Scendiamo quaggiù. |
| |
E lo selezioneremo di nuovo. Per questioni di tempo, inserirò sei periodi. |
| |
Controlla tutto. Fai di nuovo il preventivo. |
| |
Scorrendo verso il basso, ora sembra un po' meglio. Probabilmente vorremmo che uno fosse entro quattro, cinque o sei periodi di ritardo, quindi c'è un'altra cosa da controllare. |
| |
Se osserviamo i grafici... |
| |
E potremmo salvare le sceneggiature sul tavolo. Nick, possiamo mettere in pausa la registrazione per un secondo? |
| |
Okay, l'ho fatto un paio di volte. |
| |
E qui ho un riepilogo nel confronto dei modelli. |
| |
Quindi abbiamo il primo modello dell'ARMA. Di nuovo non abbiamo fatto la differenza, quindi si chiama ARMA e non ARIMA. Ed ecco il quinto periodo, e lasciatemi espandere questo |
| |
Ancora un pochino, ed ecco la tabella. Ho lavorato un po' sulla tabella, ho tolto... ho tolto alcune colonne di cui non volevo parlare per motivi di tempo. E |
| |
quello che possiamo fare è guardare i risultati. Quindi ci mostra l'AIC e un AIC più basso è migliore, e sembra che il modello migliore qui sia il |
| |
il primo che abbiamo fatto è il (5,5). Abbiamo |
| |
1268 e poi sale a 1270, 1271, 1271, e poi abbiamo l'R quadro e qui, ovviamente, più grande è meglio, e sembra che il ritardo (6,6) sia stato il migliore lì. Hanno un R leggermente più grande, ma certamente non significativo e |
| |
Qui consideriamo il MAPE, ovvero l'errore percentuale medio, che ovviamente vogliamo minimizzare. Sembra che il modello intermedio, il secondo, con le gambe a sei periodi, sia il migliore e ottenga un valore di 7,55. |
| |
E qui sotto abbiamo altri dati. Abbiamo le stime e potete visualizzare vari grafici. Tutti questi dati sono stati salvati nella tabella. Lasciatemi sistemare un po' la situazione. |
| |
In sintesi, ciò che abbiamo qui è il funzionamento quotidiano di un impianto molto complesso. Siamo stati in grado di spiegarlo e comprenderlo. |
| |
Abbiamo iniziato con l'esplorazione visiva dei dati e poi siamo passati a |
| |
Abbiamo svolto delle ricerche per capire cosa ci serviva sapere sul processo, in modo da comprendere lo svolgimento della nostra analisi, e siamo stati in grado di salvare la nostra tabella dati. |
| |
Un'ultima cosa: abbiamo esplorato i nostri dati e siamo stati in grado di passare facilmente da una piattaforma all'altra per le nostre analisi, e con questo si conclude la presentazione. |
