| 스피커 |
성적 증명서 |
| |
안녕하세요, 저는 Chris Gotwalt입니다. |
| |
오늘은 내가 될거야 |
| |
마르쿠스 샤프호이틀레(Markus Schafheutle)와 함께 발표 |
| |
그리고 로라 카스트로-쉴로 |
| |
산업적 응용 분야에서 |
| |
구조 방정식 모델 또는 |
| |
SEM. 이 강연에서는 다음 중 하나를 소개합니다. |
| |
내가 가장 즐기는 것들 |
| |
JMP를 활용한 작업입니다. JMP에서 |
| |
통계적 개발, 우리는 가지고 있습니다 |
| |
무엇에 대한 조감도 |
| |
데이터 분석에서 발생하는 일 |
| |
다양한 분야에 걸쳐 |
| |
우리에게 기회를 건널 수 있게 해줘 |
| |
모범 사례를 널리 알리다 |
| |
학문 분야. |
| |
JMP Pro 15에서는 새로운 기능을 추가했습니다. |
| |
구조 방정식 모델링 |
| |
플랫폼입니다. 이것이 지배적인 |
| |
데이터 분석 프레임워크 |
| |
많은 사회과학 때문에 |
| |
복잡한 것을 유연하게 모델링합니다 |
| |
다변량의 관계 |
| |
설정. 핵심 중 하나 |
| |
특징은 변수가 있을 수 있다는 것입니다. |
| |
회귀자로도 사용할 수 있습니다 |
| |
동시에 응답 |
| |
동일한 모델의 일부입니다. |
| |
게다가, 나는 그것이 생각났다 |
| |
이런 복잡한 것들과 함께 |
| |
그들이 표현되는 모델 |
| |
최소한 다이어그램 |
| |
표면은 다이어그램처럼 보인다 |
| |
제조업을 대표하는 |
| |
프로세스. 나만 그런 게 아니었어 |
| |
이 연결을 만들기 위해. 마르쿠스, |
| |
누구와 함께 일하고 있었나요? |
| |
화학회사는 생각했다 |
| |
같은 일이에요. 그는 |
| |
화학 회사와의 문제 |
| |
2열 트윈 |
| |
증류 제조 |
| |
그들이 원하는 프로세스 |
| |
에너지 비용을 최소화했습니다. |
| |
대부분 증기로 갈 것이다 |
| |
생산하면서도 계속 만들다 |
| |
안에 남아 있던 제품 |
| |
사양. 그는 ~에게 연락했습니다. |
| |
그의 JMP 영업 엔지니어, |
| |
그 후 Martin Demel이 연결되었습니다. |
| |
마르쿠스가 로라와 나에게 보내는 편지. |
| |
우리는 일련의 회의를 가졌습니다 |
| |
그가 보여주고 설명한 곳 |
| |
데이터, 문제 및 |
| |
회사의 목표. 우리는 |
| |
데이터를 모델링할 수 있음 |
| |
놀랍도록 잘. 우리 모델은 |
| |
결과를 공유하여 검증됨 |
| |
JMP와 통신한 대로 |
| |
회사의 프로파일러 |
| |
내부 전문가와 함께 |
| |
첫 번째 원리 시뮬레이터 |
| |
그리고 새로운 물리적 데이터로 |
| |
식물에서. 이것은 분명했습니다 |
| |
데이터 과학으로서의 성공 |
| |
프로젝트입니다. 하지만 저는 |
| |
단서를 하나 더 추가하겠습니다. 성공 |
| |
공동의 노력이 필요했습니다 |
| |
최고 수준의 전문가인 로라 |
| |
구조 방정식에서 |
| |
모델링. JMP에 합류하기 전에는 |
| |
그녀는 양적학 교수였습니다 |
| |
대학교 심리학 |
| |
노스캐롤라이나주 채플힐, 1 |
| |
상위 부서 중 |
| |
미국. 그녀는 또한 ~의 발명가이기도 합니다. |
| |
JMP Pro의 SEM 플랫폼. |
| |
이 운동은 도전적이었습니다 |
| |
그녀를 위해서도. 그녀는 글을 써야만 했다. |
| |
JSL 프로그램이 직접 작성함 |
| |
지정된 JSL 프로그램 |
| |
예를 들어 이 모델. |
| |
우리가 맞춘 모델은 아마도 |
| |
가장 크고 가장 |
| |
모든 정교한 SEM 모델 |
| |
시간. 나는 그것을 불러내고 싶다 |
| |
정말 뛰어나고 |
| |
획기적인 작업 |
| |
Laura는 SEM을 사용하여 두 가지를 모두 완료했습니다. |
| |
플랫폼 일반적으로 그리고 이 |
| |
특히 사례 연구. 지금 |
| |
나는 그것을 넘겨줄 것이다 |
| |
줄 사람은 마르쿠스다. |
| |
문제의 배경 |
| |
고객이 해결하고 싶어했던 문제 |
| |
로라는 ~에 대해 이야기할 것입니다 |
| |
SEM과 이에 대한 그녀의 모델 |
| |
문제입니다. 간단히 설명드리겠습니다. |
| |
우리가 어떻게 설정했는지에 대한 토론 |
| |
프로파일러가 되고 Markus가 됩니다. |
| |
마무리하고 이야기하다 |
| |
프로젝트에서 얻은 교훈과 |
| |
고객이 하는 행동 |
| |
우리의 결과에 따라 취해졌습니다. |
| |
크리스, 고맙습니다. |
| |
소개. |
| |
문제를 시작하기 전에, |
| |
나는 당신에게 친숙해지기를 원합니다 |
| |
증류의 원리. |
| |
증류는 다음과 같은 과정입니다. |
| |
액체 혼합물을 분리하다 |
| |
대부분의 시간과 분리 |
| |
그들을 각자의 개인으로 |
| |
구성 요소. 그럼 이게 어떻게 |
| |
작동합니까? 여기 회로도가 보입니다. |
| |
실험실 증류의 모습 |
| |
장비. 여기 보시다시피 |
| |
조 혼합물이 있는 플라스크, |
| |
분리되어야 하는 것은 |
| |
안에. 여기를 데워요 |
| |
이 경우에는 오일 욕조로 |
| |
그리고 그것을 저어주면 시작됩니다 |
| |
끓는점. 그래서 가장 낮은 끓는점 |
| |
먼저 재료가 시작되고 그 다음에 |
| |
증기가 여기로 올라가서 멈춘다 |
| |
여기 온도계가 닿다 |
| |
끓는 온도 그리고 나서 |
| |
더 나아가 이 쿨러로 들어갑니다 |
| |
여기서 응축되고 |
| |
그러면 응축수가 여기로 떨어집니다 |
| |
다른 작은 플라스크에 넣으세요. |
| |
그래서 내가 말했듯이, 그것은 만들어졌습니다. |
| |
...에서 혼합물을 분리하기 위해 |
| |
다양한 액체의 |
| |
끓는점, 그리고 그것들은 |
| |
끓는점에 따라 구분됩니다. |
| |
예를 들어, 모두가 알고 있습니다 |
| |
아마도 당신이 만들고 싶다면 |
| |
으깬 맥주로 만든 슈냅스, 그냥 |
| |
이것 안에 으깬 감자를 만들어라 |
| |
플라스크에 넣고 가열한 다음 |
| |
여기서 알코올을 증류하다 |
| |
그리고 슈냅스를 주문하세요. |
| |
매우 간단해 보이기 때문에 |
| |
여기 실험실에서, |
| |
산업은 좀 더 |
| |
복잡해요. 왜냐하면 |
| |
장비가 아니라고 말하다 |
| |
더 크지만 더 많은 |
| |
복잡하고 주로 때문에 |
| |
엔지니어링 부분의 |
| |
이야기의. |
| |
따라서 이 연구에서는 |
| |
증류가 이루어지지 않았다 |
| |
이전에 본 것처럼 배치별로, |
| |
하지만 지속적으로. 이것은 |
| |
조제된 혼합물이 |
| |
어딘가 중간에서 펌핑됨 |
| |
기둥과 낮은 |
| |
끓는 물질은 위로 올라간다 |
| |
기둥 꼭대기까지의 증기 |
| |
그리고 거기서 기둥을 떠난다 |
| |
그리고 다른 더 높은 끓는점 |
| |
물질은 아래로 흐릅니다 |
| |
기둥을 아래쪽에 둡니다. |
| |
그리고 그것을 조금 더 만들기 위해 |
| |
복잡하다, 우리의 경우에는 |
| |
그런 다음 바닥 스트림이 펌핑됩니다. |
| |
두 번째 열로 |
| |
다시 증류해서, 그래서 |
| |
다른 재료를 분리하다 |
| |
메인에서...에서... |
| |
잔여물에서. 그래서 |
| |
사실 우리는 분리했다 |
| |
원래의 조악한 혼합물 |
| 세 부분 |
증류액 1, |
| |
증류액 2와 그 이유는 무엇입니까? |
| |
왼쪽, 그 다음 바닥 흐름 |
| |
두 번째 스틸. |
| |
그리고 그것을 더욱 더 만들기 위해 |
| |
복잡한, 우리는 열을 사용했습니다 |
| |
이 두 번째 컬럼의 증류액 |
| |
첫 번째 열을 가열하려면 |
| |
이를 통해 에너지를 절약합니다. |
| |
따라서 개략적으로 보면, |
| |
이건 이렇게 생겼어요. |
| |
여기에는 Still 1이 있습니다. |
| |
아직 2개가 있습니다. 그리고 여기 우리는 |
| |
원자재 혼합물이 있습니다 |
| |
실제로는 조립품입니다 |
| |
증류액 |
| |
제조와 우리가 원하는 것 |
| |
해야 할 일은 가치를 분리하는 것입니다 |
| |
나머지 자료에서. 그래서 우리는 |
| |
이 조잡한 혼합물을 펌핑했습니다. |
| |
첫 번째 스틸컷. 내가 어딘가에서 말했듯이 |
| |
중간에서 분리됩니다 |
| |
낮은 끓는점은 |
| |
우리가 원하는 첫 번째 가치 있는 자료 |
| |
가지고 있고 나머지는 그대로 둡니다 |
| |
먼저 바닥에 있어요. 그다음 |
| |
여기 바로 저장돼요 |
| |
탱크 그리고 여기에서부터는 |
| |
두 번째로 다시 펌핑 |
| |
아직도, 다시 어딘가에 |
| |
중간이고, 그것은 분리됩니다 |
| |
두 번째 가치 소재와 |
| |
그때는 멀리 떨어진 흐름이었습니다. |
| |
재침전. 물질을 가열하려면 |
| |
우리는 이쪽에서 시작합니다. |
| |
이게 더 높은 끓는점이에요 |
| |
재료이므로 더 높은 것이 필요합니다. |
| |
온도와 이것은 또한 다음을 의미합니다. |
| |
더 많은 에너지. 그래서 우리는 펌핑합니다 |
| |
여기서 증기를 내고, 여기서 계속 가열합니다. |
| |
그리고 여기로 떠나는 물질 |
| |
위쪽은 온도가 |
| |
이 물질의 끓는점, 그래서 |
| |
우리는 잔여 열을 사용했습니다 |
| |
첫 번째 증류기를 가열합니다. 그리고 만약 |
| |
사이에 약간의 간격이 있어요 |
| |
여기서부터 무슨 일이 일어날까요? |
| |
우리에게 필요한 것 |
| |
여기 첫 번째 증류 |
| |
그래도 우리는 조금 더 추가할 수 있어요 |
| |
유지하기 위한 추가 증기 |
| |
모든 것이 실행 중입니다. |
| |
그래서 이것은 매우 높은 수준입니다 |
| |
사물의 관점, 그리고 당신이 |
| |
좀 더 자세히 알아보고 싶어요 |
| |
자세한 내용은 다음과 같습니다. |
| |
같은 사진입니다. 하지만 여기서 보여드리겠습니다. |
| |
너한테 다양한 태그가 다 있잖아 |
| |
우리는 여기 모든 것을 위해 가지고 있습니다 |
| |
판독 및 품질 관리 및 |
| |
온도 조절 등 |
| |
등등. 그래서 당신이 보는 것은 |
| |
여기요? 여기서 시작해요, 1차 먹이를 위해 |
| |
첫 번째 스틸로. |
| |
그리고 우리는 꼭대기로 분리됩니다 |
| |
우리가 제어하는 스트림 |
| |
밀도는 품질입니다 |
| |
특징입니다. 그리고 |
| |
바텀 스트림, 바텀 스트림 |
| |
이 중간 탱크에 들어갑니다. |
| |
그리고 여기서부터는 맞춰집니다 |
| |
다시 두 번째 스틸로 들어가서 |
| |
또한 여기에서도 분리되어 있습니다 |
| |
바텀 스트림을 탑 스트림으로. |
| |
그리고 우리는 여기서 다시 테스트하고 있습니다 |
| |
품질 관리를 위한 밀도. |
| |
여기서도 우리는 증기를 추가합니다 |
| |
이 모든 것들을 가열하고 |
| |
그러면 위쪽 흐름은 열을 거쳐서 흐릅니다. |
| |
첫 번째 스틸로 교환기 |
| |
그리고 다시 가열합니다. 그리고 여기 |
| |
우리는 추가할 가능성이 있습니다 |
| |
좀 더 많은 증기를 가질 수 있다 |
| |
여기는 모든 것이 균형을 이루고 있습니다. |
| |
그래서 우리가 보는 것은 지역적으로 |
| |
당신은 많은 것을 가지고 있습니다 |
| |
상관관계이므로 이렇게 하면 됩니다 |
| |
여기에 색상 코드가 있습니다 |
| |
화살표. 예를 들어 피드 |
| |
여기 피드와 함께 |
| |
밀도는 측정 기준입니다. |
| |
여기의 구성은 다음과 같습니다. |
| |
먹이를 주세요. 그래서 이 두 가지와 함께 |
| |
상위 스트림을 정의하고 있습니다 |
| |
여기 품질이 좋고, |
| |
바닥 흐름이 거의 그렇습니다. 그래서 당신은 |
| |
지역별 예측도 있습니다. 또한 |
| |
여기로 재료가 들어갑니다 |
| |
여기와 여기는 무엇인가를 정의합니다. |
| |
여기. 하지만 당신이 원한다면 |
| |
전체에 대한 총체적인 설명 |
| |
장비가 있으면 까다로워집니다 |
| |
왜냐하면 당신은 지역 최소 제곱법을 할 수 있기 때문입니다 |
| |
여기 상관관계가 있습니다. 할 수 있습니다. |
| |
여기요. 따로 할 수도 있어요 |
| |
증기를 위해서든 여기를 위해서든. 하지만 |
| |
보시다시피, 우리는 시작을 했습니다 |
| |
여기로 오는 대량의 흐름 |
| |
첫 번째를 통해 여전히, 통해 |
| |
두 번째로, 여기까지 왔고 우리는 가지고 있습니다 |
| |
시작되는 에너지 흐름 |
| |
여기서 좀 더 나아가서, |
| |
여기서도 열교환기를 통해 |
| |
여기 아래에 있어요. 그래서 일종의 |
| |
우리가 여기 가지고 있는 회로와 |
| |
이 모든 것들은 서로 상관관계가 있다 |
| |
어느 정도 종류별로 |
| |
회로의 그리고 이것은 제공합니다 |
| |
우리가 어려움을 겪는다 |
| |
사실 X가 무엇인지 몰랐어요 |
| |
그리고 Ys가 있었습니다. |
| |
그리고 그것이 우리가 그 이유였습니다 |
| |
다른 것에 대해 생각하기 시작했습니다 |
| |
이를 모델링할 수 있는 가능성이 있습니다. |
| |
따라서 이 연구의 목표는 |
| |
최적의 흐름을 찾고 |
| |
이 모든 것에 대한 스팀 설정 |
| |
다양한 유입 요인 |
| |
여기, 그리고 우리가 하는 방식으로 |
| |
모든 것을 지킬 수 있다 |
| |
사양에 따르면. 그래서 증류액 |
| |
품질은 사양에 맞아야 하지만 |
| |
또한 내부 운영 |
| |
사양 및 사양에 대한 |
| |
최종 폐기물 흐름. |
| |
그리고 가장 흥미로운 부분은, |
| |
최소한 돈 |
| |
현명하게 우리는 최소화하고 싶습니다 |
| |
소비 |
| |
속도...죄송합니다, 증기의 속도입니다. |
| |
그래서 우리에게 실제로 필요한 것은 |
| |
무엇보다도 좋은 모델이었습니다 |
| |
이것과 저것을 설명하는 것 |
| |
로라가 온 지점이었습니다 |
| |
여기 게임에 들어가서 개발했습니다 |
| |
이 구조 방정식 모델. |
| |
그리고 우리에게는 또한 다음과 같은 종류가 필요합니다. |
| |
우리가 할 수 있는 프로파일러 |
| |
무엇이 가장 좋은지 알아보세요 |
| |
설정, 최적의 설정 |
| |
이 모든 유입에 대해 |
| |
우리가 가질 수 있는 변형 |
| |
여기서 모든 것을 유지하기 위해 |
| |
이 사양들. 그리고 그게 |
| |
크리스가 들어온 지점, |
| |
Laura의 모델을 기반으로 하여 |
| |
우리가 사용할 수 있는 프로파일러 |
| |
우리가 하는 모든 예측을 하고 있어요 |
| |
필요해. 그래서 이제 지나가고 싶어 |
| |
로라에게 설명해주세요 |
| |
그녀가 이것으로 만든 모델 |
| |
여기 데이터가 있습니다. 로라, 부탁드려요. |
| |
고마워요, 마르쿠스. 저는 로라예요. |
| |
카스트로-쉴로와 나는 간다 |
| |
당신에게 단계에 대해 알려드리려고 |
| |
우리는 모델로 따라갔습니다 |
| |
증류 공정을 사용하여 |
| |
구조 방정식 |
| |
모델 플랫폼. |
| |
그래서 Markus가 처음 왔을 때 |
| |
그의 프로젝트에 대해 우리에게 이야기했습니다. |
| |
세 가지 구체적인 것이 있었습니다 |
| |
나를 깨닫게 한 특징 |
| |
SEM이 좋은 도구가 될 것 같아요 |
| |
그를 위해. 첫 번째는 |
| |
매우 구체적인 것이 있었습니다 |
| |
프로세스가 어떻게 진행되는지에 대한 이론 |
| |
서로 영향을 미치고 우리는 보았습니다. |
| |
다이어그램에서 그가 |
| |
보여주었습니다. |
| |
그것의 중요한 특징은 |
| |
다이어그램은 모든 변수가 |
| |
이중 역할을 했습니다. 다시 말해, |
| |
화살표가 가리키는 것을 볼 수 있습니다 |
| |
다이어그램의 노드이지만 |
| |
그 노드는 또한 다른 것을 가리킵니다. |
| |
변수가 없으므로 없었습니다. |
| |
무엇 사이의 명확한 구별 |
| |
입력이었고 무엇이었는가 |
| |
출력. 오히려 변수가 |
| |
두 역할 모두요. |
| |
마지막으로 중요한 것은 |
| |
우리가 상대하고 있다는 것을 깨달았다 |
| |
프로세스가 있는 |
| |
반복적으로 측정되었습니다. 다른 |
| |
즉, 우리는 시계열 데이터를 가지고 있었습니다. |
| |
그래서 이 모든 기능들 |
| |
SEM이 나에게 깨닫게 해줬어 |
| |
마르쿠스에게 좋은 도구가 될 수 있을 거예요. 이제, |
| |
SEM에 익숙하지 않은 경우 |
| |
왜 그럴까 궁금할 수도 있습니다. SEM은 매우 |
| |
제공하는 일반적인 프레임워크 |
| |
거래에 있어서 많은 유연성이 있습니다 |
| |
이런 유형의 문제가 있습니다. |
| |
이 슬라이드에 다음을 나열했습니다. |
| |
다양한 기능의 수 |
| |
SEM을 좋은 도구로 만드는 것은 다음과 같습니다. |
| |
우리는 할 수 없을 테니까 |
| |
이 모든 것을 살펴보려면 |
| |
또한 당신이 있는 링크도 포함되어 있습니다 |
| |
SEM에 대해 더 자세히 알아볼 수 있습니다 |
| |
관심이 있다면. 이제 나는 |
| |
두 가지에 초점을 맞출 것입니다 |
| |
내가 여기 있는 점들. 첫 번째 |
| |
SEM을 사용하면 테스트할 수 있다는 것입니다. |
| |
다변량 이론 |
| |
변수들 간의 관계, |
| |
그게 바로 마르쿠스가 한 말이었습니다. |
| |
하고 싶었어요. |
| |
또한 매우 유용합니다 |
| |
SEM에서 경로라고 불리는 도구 |
| |
다이어그램. 이 다이어그램은 |
| |
매우 직관적이고 |
| |
통계적 모델을 표현하다 |
| |
우리가 적합하다는 거죠. |
| |
그럼 그 지점에 대해 이야기해 봅시다. |
| |
조금 더. 여기에 예가 있습니다 |
| |
우리가 할 수 있는 경로 다이어그램 |
| |
SEM 플랫폼에 끌어들이기 |
| |
간단한 선형을 나타냅니다 |
| |
회귀, 그리고 다이어그램은 |
| |
매우 구체적으로 그려짐 |
| |
특징. 예를 들어, 우리는 |
| |
사각형을 사용하여 표현 |
| |
우리가 가지고 있는 변수들 |
| |
측정되었습니다. 여기는 X와 Y입니다. |
| |
또한 일방향 화살표도 있습니다 |
| |
회귀 효과를 나타냅니다. 그리고 |
| |
양쪽으로 향하는 화살표를 주목하세요 |
| |
같은 곳에서 시작하고 끝나는 |
| |
변수는 분산을 나타냅니다. |
| |
이제 이것들이 시작된다면 |
| |
다른 변수로 끝납니다. |
| |
그 두 개의 머리가 있는 화살표는 |
| |
그러면 공분산을 나타냅니다. |
| |
이 경우에는 우리는 단지 다음을 가지고 있습니다. |
| |
X의 분산과 잔차 |
| |
Y의 분산은 부분입니다 |
| |
그것은 설명되지 않습니다 |
| |
X의 예측. |
| |
그래서 이게 경로 다이어그램이에요 |
| |
간단한 표현 |
| |
선형 회귀. 하지만 물론 |
| |
우리는 또한 다음을 볼 수 있습니다. |
| |
표현되는 방정식 |
| |
그 다이어그램으로. 그리고 주목하세요 |
| |
Y에 대해 이 방정식은 다음과 같습니다. |
| |
단순한 선형 회귀 분석입니다. 그리고 |
| |
여기서는 수단을 생략했습니다. |
| |
단순화를 위해 가로채는 것입니다. |
| |
다음 사항을 주의하는 것이 중요합니다. |
| |
모든 매개변수 |
| |
방정식은 다음과 같다 |
| |
경로에 표현됨 |
| |
다이어그램, 그래서 이 다이어그램들 |
| |
정말로 전달한다 |
| |
정확한 통계 모델 |
| |
우리가 적합하다는 거죠. |
| |
이제 SEM에서 다이어그램이나 |
| |
우리가 지정하는 모델은 다음을 의미합니다. |
| |
매우 구체적인 공분산 |
| |
구조입니다. 이것은 |
| |
우리가 가지고 있는 공분산 구조 |
| |
간단한 것을 감안할 때 예상할 수 있습니다 |
| |
선형 회귀 모델. 그래서 당신은 |
| |
우리가 epsilon X를 가지고 있는 것을 볼 수 있습니다 |
| |
X의 분산도 있습니다. |
| |
Y의 분산은 |
| |
분산의 함수 |
| |
X와 잔차 분산 |
| |
Y, 그리고 우리는 또한 |
| |
공분산에 대한 표현 |
| |
X와 Y. 그리고 일반적으로 말해서, |
| |
모델 적합성이 평가되는 방식 |
| |
SEM에서는 모델을 비교하는 것입니다 |
| |
암시적 공분산 구조 |
| |
실제로 관찰된 샘플 |
| |
데이터의 공분산 및 |
| |
이 둘은 꽤 가깝습니다 |
| |
우리는 서로에게 이렇게 말할 것입니다. |
| |
그 모델이 아주 잘 들어맞는군요. |
| |
그래서 다양한 모델이 있어요 |
| |
SEM에 적합할 수 있습니다. |
| |
그리고 오늘 우리의 초점은 다음과 같습니다. |
| |
구체적으로 될 것이다 |
| |
시계열 모델에 대하여. |
| |
시계열에 대해 이야기할 때, |
| |
우리는 구체적으로 ~에 대해 이야기하고 있습니다 |
| |
데이터 수집이 있는 곳 |
| |
이전 데이터에 대한 의존성입니다 |
| |
점, 그리고 이 데이터는 |
| |
일반적으로 균등하게 수집됨 |
| |
분산된 시간 간격. |
| |
그리고 시계열의 방식 |
| |
분석은 다음을 다룬다 |
| |
데이터의 종속성은 다음과 같습니다. |
| |
과거로 회귀하는 것. 그래서 하나 |
| |
이러한 모델의 유형을 다음과 같이 부릅니다. |
| |
자기회귀 과정 또는 |
| |
ARP. 그리고 여기서 볼 수 있는 것은 |
| |
Y는 프로세스를 나타냅니다. |
| |
시간 T에서 측정된 자동 |
| |
회귀 모델은 다음으로 구성됩니다. |
| |
그 과정을 회귀하다 |
| |
그에 대한 이전 관찰 |
| |
시간 T에서 P를 뺀 시간까지의 과정. |
| |
그래서 우리가 이야기하고 있다면 |
| |
특히 ~에 대해서 |
| |
자기회귀적 하나의 과정, |
| |
그러면 우리가 가지고 있는 것을 볼 수 있습니다 |
| |
YT 프로세스가 회귀했습니다. |
| |
YT 바로 옆 |
| |
마이너스 1. |
| |
그리고 우리가 할 수 있는 방법은 |
| |
이것을 SEM에 구현하는 것은 간단합니다. |
| |
이전에 본 것처럼 지정하여, |
| |
YT에서 YT를 뺀 값에 대한 YT의 회귀 |
| |
1. 그래서 여기서 주목하세요 |
| |
회귀 방정식은 매우 |
| |
우리가 본 것과 유사하다 |
| |
이전 슬라이드와 마찬가지로 |
| |
그것은 놀라운 일이 아니다 |
| |
경로 다이어그램은 똑같아 보입니다. |
| |
그리고 우리는 이 AR(1)을 확장할 수 있습니다. |
| |
두 가지를 포함하는 하나의 모델 |
| |
다시 말해서 지연은 |
| |
2차 자기회귀. 그리고 |
| |
여기서 우리는 그 과정을 볼 수 있습니다 |
| |
회귀되고 있는 YT |
| |
T-1과 T-2 모두. |
| |
그리고 우리가 경로를 살펴보면 |
| |
그것을 나타내는 다이어그램 |
| |
모델에서 우리는 다음을 가지고 있음을 알 수 있습니다. |
| |
명시적 표현 |
| |
현재 진행 중이지만 |
| |
또한 1차 지연과 2차 지연에서도 마찬가지입니다. |
| |
이것의 매우 구체적인 측면 |
| |
다이어그램은 경로가 |
| |
인접한 시간 지점은 다음과 같이 설정됩니다. |
| |
서로 동등해야 하며, 이것은 |
| |
의 중요한 부분입니다 |
| |
우리가 할 수 있는 사양 |
| |
모델을 정확하게 지정하세요. 그래서 |
| |
여기서 우리는 베타 1을 사용하고 있습니다. |
| |
이 지연을 표현하려면 1 |
| |
효과와 우리도해야합니다 |
| |
평등 제약 조건을 설정하다 |
| |
잔차 분산. |
| |
마지막으로 우리는 또한 효과를 가지고 있습니다 |
| |
YT에서 2를 뺀 값입니다. |
| |
YT를 예측하고 있습니다. |
| |
지연 2 효과. |
| |
이제 이 모든 모델은 |
| |
단변량 시계열 모델, |
| |
그리고 당신은 그것을 사용하여 맞출 수 있습니다 |
| |
구조 방정식 모델링 |
| |
JMP의 플랫폼 또는 |
| |
시계열도 사용하세요 |
| |
우리가 이용할 수 있는 플랫폼입니다. |
| |
그러나 우리가 겪고 있던 문제는 |
| |
Markus의 데이터 처리 |
| |
더 많은 복잡성이 필요합니다. |
| |
우리가 살펴봐야 했어요 |
| |
다변량 시계열 모델 |
| |
그리고 이러한 모델의 한 유형은 다음과 같습니다. |
| |
벡터 자기회귀라고 불리는 |
| |
모델. 그리고 내가 원하는 것은 |
| |
당신이 이 모델 중 하나라는 것을 보여주세요 |
| |
순서 2. |
| |
그래서 우리는 X에 대한 프로세스를 가지고 있습니다. |
| |
Y에 대한 또 다른 하나, 그리고 동일 |
| |
우리가 말하는 자기회귀 효과 |
| |
이전에 본 내용이 여기에 포함됩니다. |
| |
우리가 평등하다는 것을 알아차리세요 |
| |
실제로 제약 조건은 다음과 같습니다. |
| |
적절한 것에 중요합니다 |
| |
사양. 하지만 우리는 또한 |
| |
교차 지연 효과가 발생함 |
| |
프로세스가 어떻게 되는지 알려주세요 |
| |
서로 영향을 미칩니다. 그리고 알아차리세요 |
| |
여기 감마 1과 감마 1과 |
| |
또한 감마 3, 감마 3, |
| |
여기서 우리가 해야 한다고 제안합니다 |
| |
평등 제약을 두다 |
| |
그 지연 효과는 1에 걸쳐 있습니다. |
| |
프로세스. |
| |
우리는 또한 다음을 통합해야 합니다. |
| |
프로세스 간 공분산 |
| |
그래서 우리는 그들의 공분산을 가지고 있습니다 |
| |
시간 T에서 2를 뺀 시간입니다. 그러나 우리는 또한 |
| |
시간의 잔차 공분산 |
| |
T에서 1을 빼고 T를 주목하세요. |
| |
평등해야 한다 |
| |
적절한 제약 조건을 다시 갖습니다. |
| |
사양. 그래서 나는 갈거야 |
| |
이 영상에서 보여드리려고 합니다 |
| |
우리는 이변수 시간에 맞춰야 합니다. |
| |
시리즈 모델과 동일 |
| |
내가 보여드린 것 중 하나는 JMP를 사용하는 것입니다. |
| |
찬성. 우리는 다음으로 시작할 것입니다. |
| |
우리의 데이터를 조작하여 |
| |
그들은 SEM을 위한 준비가 되었습니다. 첫째, |
| |
우리는 이 두 가지를 표준화합니다 |
| |
프로세스는 다음과 같습니다. |
| |
매우 다른 규모입니다. |
| |
그런 다음 지연 변수를 생성합니다. |
| |
시간을 명확하게 표현하다 |
| |
시간 T 이전의 지점입니다. 그래서 우리는 |
| |
가지게 될 것이다 |
| |
T-1과 T-2. |
| |
SEM 플랫폼을 출시했습니다. |
| |
우리는 X를 입력할 거야 |
| |
그러면 Ys는 다음과 같습니다. |
| |
모델을 구체화하기가 더 쉽습니다. |
| |
그리고 이제 비디오 속도를 높였습니다 |
| |
그래서 당신이 빨리 볼 수 있도록 |
| |
모델이 어떻게 지정되는지. |
| |
여기서 우리는 다음을 추가하고 있습니다. |
| |
교차 지연 효과 |
| |
팀 1을 위해. |
| |
그리고 직접 사용하여 |
| |
다이어그램의 상호 작용성, 우리는 |
| |
래그 2 효과를 추가합니다. |
| |
그리고 남은 것은 |
| |
모든 평등을 지정하세요 |
| |
필요한 제약 조건 |
| |
이러한 모델에 대해 |
| |
프로세스 및 프로세스 간. |
| |
우리는 모델에 이름을 붙입니다. |
| |
그리고 마지막으로, 우리는 |
| |
실행해보겠습니다. |
| |
보시다시피, 단지 |
| |
이변량 시계열 모델 |
| |
두 가지 프로세스만 통합합니다 |
| |
평등의 숫자가 필요합니다 |
| |
제약과 미묘한 차이 |
| |
그것을 만드는 사양 |
| |
비교적 까다롭습니다. 그러나 |
| |
증류의 경우 |
| |
프로세스 데이터, 우리는 훨씬 더 많은 것을 가지고 있었습니다 |
| |
두 개 이상의 프로세스가 있습니다. 우리는 |
| |
실제로 26개를 다루고 있습니다 |
| |
이러한 과정과 전체적으로 우리는 |
| |
약 45,000개 있었다 |
| |
측정된 것 |
| |
10분 간격으로. |
| |
그래서 우리의 첫 번째 접근 방식은 다음과 같습니다. |
| |
단변량을 탐구하다 |
| |
시계열 모델을 사용하여 |
| |
JMP의 시계열 플랫폼. |
| |
그리고 우리가 이것을 했을 때, 우리는 |
| |
대부분의 경우 깨달았습니다 |
| |
AR(1) 또는 AR(2)를 처리합니다. |
| |
모델이 가장 잘 맞으므로 이것 |
| |
정말 깨달았어요 |
| |
최소한 우리에게 필요한 것은 |
| |
다변량 모델을 맞추려면 |
| |
SEM이 통합됨 |
| |
최소 두 번의 지연이 발생합니다. |
| |
우리는 또한 숫자를 따라야 했습니다 |
| |
전처리 단계의 |
| |
SEM에 데이터를 준비합니다. |
| |
한편, 우리는 많은 것을 가지고 있었습니다 |
| |
데이터가 누락되었지만 |
| |
SEM은 누락된 데이터를 처리할 수 있습니다. |
| |
괜찮아요, 모델이 다음과 같은데요 |
| |
이런 것들이 복잡해졌기 때문에 |
| |
계산적으로 매우 매우 |
| |
집중적이었습니다. 그래서 우리는 결정했습니다. |
| |
우리가 데이터의 하위 집합을 선택합니다 |
| |
모든 것에 대한 완전한 데이터가 있었습니다. |
| |
프로세스와 그것이 우리에게 남긴 것 |
| |
약 13,000개의 관찰 결과. |
| |
또한, 우리가 비디오에서 본 것처럼, |
| |
대규모 차이가 있었다 |
| |
프로세스 전반에 걸쳐서 우리는 |
| |
모든 것을 표준화하고 |
| |
마지막으로 우리는 지연 변수를 생성했습니다. |
| |
우리가 할 수 있도록 하기 위해 |
| |
SEM에서 모델을 지정합니다. |
| |
이제 모델 사양을 살펴보겠습니다. |
| |
평등 제약 조건 |
| |
특히 매우 매우 크다 |
| |
도전이기 때문에 시간이 걸릴 것입니다 |
| |
그것들을 지정하는 데 많은 시간이 걸립니다 |
| |
수동으로 하면 될 것 같아요 |
| |
물론 지루하고 오류가 발생하기 쉽습니다. |
| |
따라서 우리가 대처하기 위한 접근 방식은 다음과 같습니다. |
| |
이는 JSL을 생성하기 위한 것이었습니다. |
| |
그러면 스크립트가 생성됩니다. |
| |
실행을 위한 또 다른 JSL 스크립트 |
| |
SEM 플랫폼. |
| |
그리고 여기서 당신이 보는 것은 다음과 같습니다. |
| |
우리가 맞춘 최종 모델 |
| |
플랫폼과 다행히도, 그 후에 |
| |
이 모델을 추정하면, 우리는 |
| |
공분산을 얻을 수 있다 |
| |
에 의해 암시되는 구조 |
| |
모델이었고 그게 그 조각이었어 |
| |
내가 전달할 수 있는 정보 |
| |
Chris Gotwalt에게 전달합니다. |
| |
그런 다음 정보를 사용했습니다. |
| |
그 매트릭스를 생성하기 위해 |
| |
Markus가 사용할 수 있는 프로파일러 |
| |
그의 목적을 위해서. |
| |
그럼 크리스, 왜 우리에게 말해주지 않니? |
| |
그 프로파일러를 어떻게 만들었나요? |
| |
고마워요, 로라. 이제 가볼게요. |
| |
하이라이트를 보여드리려고 |
| |
모델을 가져갈 수 있었습니다 |
| |
결과를 얻고 이를 |
| |
회사의 프로파일러 |
| |
쉽게 작업할 수 있습니다. |
| |
그래서 Laura는 그녀의 모델을 실행했습니다. |
| |
표준화된 데이터를 보내주셨습니다. |
| |
동일한 모델을 포함하는 테이블 |
| |
가로채기도 했고 그녀도 포함했다 |
| |
원래의 수단과 표준 |
| |
사용되었던 편차 |
| |
데이터를 표준화합니다. |
| |
맞아요, 우리는 시뮬레이션 모델을 가지고 있어요 |
| |
암시된 공분산 행렬, |
| |
공분산을 포함합니다 |
| |
현재 가치와 |
| |
즉각적인 지연된 값 |
| |
과거. 이 정보는 다음을 설명합니다. |
| |
모든 변수가 어떻게 관련되어 있는지 |
| |
서로. 이 형태로, |
| |
모델이 아직 준비되지 않았지만 |
| |
예측에 사용됩니다. 보려면 |
| |
특정 변수가 어떻게 변하는지 |
| |
다른 사람들의 기능으로 우리는 |
| |
이 정보를 사용하려면 |
| |
조건문을 도출하다 |
| |
응답의 분포 |
| |
변수, 변수가 주어짐 |
| |
우리가 입력으로 사용하고 싶은 것입니다. |
| |
따라서 본질적으로 우리에게 필요한 것은 |
| |
조건부 평균 |
| |
입력에 따른 응답. 그래서 |
| |
그렇게 하려면 우리는 다음을 구현해야 합니다. |
| |
바로 이 공식이 여기에 있습니다. |
| |
이를 위해 우리는 SWEEP을 사용합니다. |
| |
JSL의 운영자, SWEEP |
| |
연산자는 수학적 도구입니다 |
| |
SAS CEO가 만든 |
| |
공동 창립자 짐 굿나잇입니다. |
| |
미국에서 출판되었습니다 |
| |
1979년 통계학자. SWEEP |
| |
운영자는 아마도 단일일 것입니다 |
| |
가장 중요한 기여 |
| |
계산 통계 |
| |
지난 100년 동안. 대부분의 JMP 사용자는 |
| |
SWEEP이 뭔지 모르겠어 |
| |
모든 사람이 사용하는 연산자 |
| |
JMP 통계 플랫폼 |
| |
여러 가지 방법이 있습니다. 우리는 그것을 행렬에 사용합니다. |
| |
역산, 계산 |
| |
제곱의 합도 가능합니다 |
| |
단순하고 우아하다고 이용됨 |
| |
조건식을 계산하는 방법 |
| |
알고 있다면 분포 |
| |
올바르게 사용하는 방법. |
| |
열이 있는 테이블을 만들었습니다 |
| |
모든 변수에 대해. 두 |
| |
표의 행은 다음과 같습니다. |
| |
최소값과 최대값 |
| |
원본 데이터를 사용하면 |
| |
프로파일러는 설정 방법을 알고 있습니다 |
| |
범위. 수식 열을 추가했습니다. |
| |
응답 변수에 대해 다음을 사용합니다. |
| |
휩쓸린 버전 |
| |
Laura의 분산 행렬 |
| |
모델과 그 공식을 넣어 |
| |
여기 데이터의 뒤쪽으로 |
| |
테이블이나 가장 오른쪽. |
| |
다음은 공식 중 하나입니다. |
| |
처럼 보였다. 나는 그것을 끌어들였다 |
| |
분석 결과 |
| |
행렬. 로라의 모델이 포함됨 |
| |
추정된 공분산 |
| |
지난 두 번의 현재 Ys |
| |
이전 값은 다음과 같습니다. |
| |
큰 다변량 |
| |
2차 자기회귀 모형. |
| |
현재를 예측하다 |
| |
이전 두 가지를 제어 |
| |
입력 변수의 값 |
| |
매우 번거로울 것 같았다 |
| |
운영화하기 위해서. 그래서 나는 만들었다 |
| |
단순화된 가정 |
| |
이 두 값은 다음과 같습니다. |
| |
동일한, 붕괴된 |
| |
모델을 형태로 변환 |
| |
사용하기가 더 쉽습니다. 이를 위해 |
| |
그냥 같은 열을 사용하면 됩니다 |
| |
내가 주소를 적었을 때의 라벨 |
| |
지연 1로 들어가서 |
| |
용어에 대한 두 개의 항목이 지연되었습니다. |
| |
기계가 없으면 |
| |
나는 프로파일러를 만들었습니다 |
| |
응답 열 |
| |
관심. 내가 설정 |
| |
바람직성 기능은 다음과 같습니다. |
| |
회사의 반영 |
| |
목표. 그래서 그들은 원했습니다 |
| |
타겟과 일치하다 |
| |
A2TopTemp, A2BotTemp 최대화, |
| |
그리고 그렇게 결국 |
| |
합계를 최소화하고 싶어 |
| |
나온 증기의 |
| |
두 개의 열 중. |
| |
따라서 특정 항목을 잠글 수 있습니다. |
| |
프로파일러의 변수 |
| |
통증을 클릭하여 제어합니다. |
| |
잠금 변수는 다음과 같은 특성을 갖습니다. |
| |
빨간색으로 그려진 값 |
| |
줄을 서서, 그리고 우리가 한 번 끝내면 |
| |
우리가 값을 입력할 수 있다는 것 |
| |
그들과 우리가 실행할 때 |
| |
최적화 또는 최대화 |
| |
바람직함, 잠긴 |
| |
변수는 고정됩니다. |
| |
이 방법을 사용하면 설정을 찾을 수 있습니다. |
| |
우리가 통제할 수 있는 변수들 |
| |
제품이 계속 만들어지도록 하는 것 |
| |
사양에 따라 |
| |
에너지 비용 최소화 |
| |
그것이 그럴 것이라고 말하는 것은 공평합니다. |
| |
다른 사람이 하기 어려울 수 있다 |
| |
로라의 모델링 접근 방식을 반복합니다 |
| |
새로운 문제에 대해서, 그리고 그것은 |
| |
다른 사람에게는 어려울 수 있다 |
| |
내가 한 것처럼 프로파일러를 설정하려면 |
| |
여기. 충분한 사람들이 이것을 본다면 |
| |
프레젠테이션을 하고 우리에게 추가해달라고 요청합니다. |
| |
이런 종류의 것을 만드는 플랫폼 |
| |
앞으로 분석이 더 쉬워질 것입니다. |
| |
당신은 우리에게 알려야 합니다 |
| |
기술팀에 연락 |
| |
support@JMP.com으로 지원을 요청하세요. |
| |
이제 돌려주겠습니다 |
| |
마르쿠스에게 이야기해 줄게요 |
| |
고객이 무엇을 했는지에 대해 |
| |
모델과 우리의 결론. |
| |
고맙습니다, 크리스. |
| |
따라서 예측 프로파일러를 사용하면 |
| |
크리스가 방금 제시한 것, 우리는 |
| |
그것을 사용하여 말하자면, |
| |
예측적 풍경, |
| |
우리가 어떻게 이해하는지 이해하게 해준다 |
| |
가장 좋은 설정은 다음과 같아야 합니다. |
| |
모든 것을 달성하기 위해 |
| |
필요한 품질 사양. 그래서 |
| |
세 가지 요소는 무엇입니까? |
| |
, 말하자면, ~에 따라 변한다 |
| |
우리의 영향력은 제한적이다 |
| |
그리고 그게 뭐야? |
| |
Still 1 및 |
| |
Still 2용 피드 및 |
| |
품질이나 구성 |
| |
피드를 하나로 합칩니다. |
| |
그리고 우리가 얻은 결과는 다음과 같습니다. |
| |
그들의 모델도 마찬가지다 |
| |
냉각수 온도는 |
| |
또한 중요한 역할을 하고 있다 |
| |
이 시나리오에서는 다른 모든 |
| |
변수의 중요성은 더 낮습니다 |
| |
그래서 우리는 그들을 소홀히 했습니다 |
| |
첫 번째 접근 방식. |
| |
여기 풍경이 보이네요. |
| |
그것은 일종의 변동성이에요 |
| |
차트라고 할 수 있죠. 그래서 우리는 가지고 있어요. |
| |
여기서는 공급 밀도를 |
| |
Still 1, Still 1로의 피드 |
| |
그리고 Still 2로 피드 |
| |
그리고 가능한 모든 조합, |
| |
거의 그렇습니다. 그리고 여기서 당신은 다음을 봅니다. |
| |
예측되는 설정 |
| |
머물기 위해 최선을 다하다 |
| |
사양 내에서. 그리고 |
| |
내가 가지고 있는 것 중 몇 가지는 다음과 같습니다. |
| |
사양도 마찬가지이므로 |
| |
그 안에 머물러야 해요. |
| |
그래서 예를 들어 그것은 다음과 같습니다. |
| |
Still 2의 증기 흐름 |
| |
거기로 환류하고 보일러를 올리고 |
| |
같은 것들에 대해서도 |
| |
아직도 1. 그리고 여기 오른쪽에 |
| |
측면에서 보면 |
| |
예상 결과이므로 |
| |
말하자면 품질 사양이죠. 그래서 |
| |
상부 흐름의 온도 |
| |
아직도 1 밀도 |
| |
증류액의 밀도 |
| |
Still 2의 증류액 중, |
| |
등등. 그래서 뭐 |
| |
여기 보면, 만약 당신이 가지고 있다면 |
| |
여기서 바람직성을 살펴보세요. |
| |
여기 맨 아래 행은 |
| |
큰 지역이 있습니다 |
| |
우리는 실제로 좋은 것을 이룰 수 없습니다 |
| |
우리 시스템의 성능. 그리고 만약 |
| |
당신은 세부 사항을 살펴보세요 |
| |
알다시피, 좋아, 여기서 우리는 사양을 벗어났습니다. |
| |
여기서 우리는 사양을 벗어났습니다. |
| |
어떤 점에서는 우리가 사양을 벗어났고 이런 식이에요. |
| |
등등. 하지만 그 밖에 무엇을 보는가 |
| |
이게 사양에 맞는지/사양에 맞지 않는지 |
| |
또한 다음에 의해서만 지배되는 것은 아닙니다. |
| |
이 세 가지 구성 요소를 아래로 |
| |
여기뿐만 아니라 강가에서도 |
| |
온도, 그리고 순간 |
| |
가장 낮은 부분이 강조되었습니다 |
| |
강 수온은 1도예요 |
| |
학위. 그래서 여기 보시죠 |
| |
그것으로 우리는 대부분을 머물고 있습니다 |
| |
사양에 시간이 있지만, |
| |
오직 드물다 |
| |
이 세 가지의 조합 |
| |
우리가 아닌 요인들. 하지만 만약 |
| |
우리는 강을 늘리고 있습니다 |
| |
예를 들어 24도의 온도 |
| |
학위, 그 다음 우리가 있는 지역 |
| |
사양이 맞지 않아...많이 됩니다 |
| |
더 우세합니다. 또한 여기에도 있습니다 |
| |
이것을 유지하는 것은 매우 어렵습니다 |
| |
사양. 그래서 우리는 |
| |
모델로부터 배웠다 |
| |
우리가 머물러야 할 문제가 있다는 거야 |
| |
우리의 사양에 따르면 |
| |
강 수온이 7도 이상입니다 |
| |
섭씨도. 그럼 그 다음에는 |
| |
질문은 왜인가? |
| |
그게? 그리고 엔지니어들은 |
| |
종종...의심되는 것은 |
| |
이것은 ~ 때문이었습니다 |
| |
냉각 용량 |
| |
냉각수. 하지만 우리가 가기 전에 |
| |
실제 재판에 들어가자 |
| |
우리의 SEM 모델을 다른 모델과 비교했습니다. |
| |
열역학 모델 기반 |
| |
ChemCAD에 관하여. |
| |
그리고 그것이 지적한 것은 |
| |
두 모델 모두 |
| |
같은 것을 가리키다 |
| |
방향이 없어서 없었다 |
| |
실제 불일치 없음 |
| |
둘 사이. |
| |
좋아, 이것으로 우리는 |
| |
낙관적인 분위기였고 그래서 우리는 그렇게 했습니다 |
| |
몇 가지 실제 시련 |
| |
그리고 최고의 |
| |
설정, 그리고 말하자면, |
| |
예상을 승인했다 |
| |
모델에서 나온 것들. |
| |
그래서 내가 말했듯이 그 결과는 다음과 같습니다. |
| |
이미 그게 엔지니어가 하는 일이에요 |
| |
냉각이 의심되었다 |
| |
쿨러 용량이 아닙니다 |
| |
충분합니다. 그래서 당신이 가지고 있을 때 |
| |
강 수온이 더 높을 때, |
| |
그러면 열전달이 너무 심해 |
| |
작은 규모라서 장비도... |
| |
장비가 실제로 작동하지 않습니다 |
| |
더 이상. 그래서 다음 단계는 이제 |
| |
이 데이터를 여기에서 사용하려면 |
| |
여기서 공부해서 다른 것을 정당화하세요 |
| |
구축하는 투자 |
| |
여기 더 나은 쿨러가 있어요 |
| |
열교환 용량. |
| |
그래서 Laura와 Chris 덕분에 우리는 |
| |
여기에 투자를 설정할 수 있습니다. |
| |
질문이 있으시면 |
| |
지금 자유롭게 질문하세요. |
| |
감사합니다. |
