SIMCA-P使用说明-第二例

1、 矿物质的分类第 25 页下面这个例子，是从瑞典的的 LKAB 的一个矿物质分类设备中获得的数据。LKAB 的研究员 Kent Tano 负责这项调查在这个工艺过程中，粗铁矿石被磨光称为较好的材料(100 mm, 50% Fe)。经过磨光，材料被分类和浓缩。分离包含几条平行的操作线，并且包括一些反馈系统来得到尽可能高纯度的铁。浓缩的材料被分为两部分，一个是PAR，悬浮式的，另一个是FAR，较好的，是焊接式的。这两部分的较高的铁含量是非常重要的。12 项操作因素被鉴定出来。在这些当中，三个重要的因素被用来建立一个数据统计（RSM）。每一次实验的结果都用 6 个因变量来表示。一些个观察点被采集作为

2、对应的设计关键。这个项目装备了一个 ABB Master 系统和一个 superview 900 连接到数据处理系统。数据从ABB 系统，转移到带有 SIMCA-P 软件的个人电脑设计模型，这些模型在转回 superview 900系统进行在线监测。这项调查是在 1992 年进行的。多元在线监控仍在产品质量方面产生非常良好的结果。第 26 页总共 18 个变量，12 个 X，6 个 Y231 次平行实验也被应用在模型上，每一次实验都有对应的日期和时间。Table 1 中显示的是 231 次平行观察实验的结果第 27 页为表 1第 28 页目的本次调查的目的是研究 12 个自变量和 6 个因变量

3、之间的关系在 SIMCAP 中的操作步骤输入原始数据确定那些是 X，那些是 Y配置一个合适的模型，首先是 PCA，然后是 PLS优化模型，如果必要的话移除异常值用 PLS 模型做预测第 29 页打开 SIMCA-P，输入数据通过 NEW/FILE此页的后半部分与我们的软件不同，可不看第 30 页依次点击 commands，create index，variable 来产生自变量的标记序号，并且要通过 second ID来准确定位这些变量。纵列变量用 PAR标记，用箭头表示其中一个变量，按顺序将他们以此设定为Y点击 NEXT 第 31 页Import wizard 界面打开，你可以设定项目的名称

4、和存储的路径，确保use workset wizard 方框是选中的，点击 Finish，然后 workset wizard 界面打开这个界面包含了所有平行观察实验的所有变量X 与 Y，确定 X 与 Y第 32 页扩展 X 矩阵采用 squares 或者 cross 功能，这一操作是在 advanced mode 界面上，点击 Expand三个变量分别是 TON_IN, HS_1 and HS_2 是变化的根据数据统计系统，我们选择这三个变量扩展 X 矩阵。选中这三个变量 TON_IN, HS_1, HS_2，点击 button Sq & Cross，点击 OK 退出这一界面第 33 页首先为

5、了整体上了解一下因变量，我们选择了一个PC 模型来分析 Y 变量（PCY）当你离开上一届面时，一个不合适的（M1）模型被用PLS的形式创建起来，点击Analysis |Active Model Type并选择PCY。模型转为PCY。点击Analysis | 2 First Components来分析Y的两个主成份点击 model summary line 打开一个数据表，这一数据表包含 R2X，R2X(cum) eigen values，Q2，Q2(cum)，如上一食品例子所述。得分 t1 和 t2 解释了 70.9%第 34 页得分图和载荷图得分图依次点击 Analysis | Scores

6、 | Line Plot，来显示 t1 和 t2，在 Label Types 选择 Obs ID (primary).按钮。第 35 页得分点显示了不同的观察群组，每一组代表了一个实验设计方向。测量是每分钟依次记录的。没有异常值出现。载荷图依次点击Analysis | Loadings | Scatter Plot来表示p1 vs p2.在 Label Types 界面选择 Use Identifier Var ID (Primary)并点击 Save AS Default Options 以永久显示变量名称。第 36 页在这个图里这三个变量 PAR, FAR, %P_FAR 是正相关的；负相

7、关的%Fe_FAR. r_Far 控制着第二主成份，和 PAR是负相关的，而且与 2 组分中的其它变量只有很小的联系。%Fe-Malm 和这两个主成份中的其它变量基本不相关。依次点击Analysis | Next Component，计算一个第三组份，显示出p1 vs. p3。第三组分（解释22%）被%Fe-Malm控制。第三组份的这个变量与%Fe-FAR, r_FAR and FAR正相关，但与其它变量不相关。第 37 页 没有异常点出现，除了%Fe-Malm 以外，所有因变量都和彼此相关PLS模型New Model Type新模型依次点击Analysis | Active Model ty

8、pe，并选择PLS，出现不合适的模型M2Autofit自动配置依次点击Analysis | Autofit，形成一个带有交叉验证的PLS模型模型显示了R2Y(cum)变量Y所占的分数（根据模型中每一组份解释的），Q2(cum)变量Y所占的分数（根据交叉验证的模型预测的）这几个参数。R2Y(cum)，Q2Y(cum)越接近于1，模型的吻合度越高。第 38 页双击model summary line行，显示模型中每一个组分的信息这一模型非常良好的解释了80%的Y变量，实现预测能力Q2到达76%。Summary: X/Y Overview总结依次点击Analysis | Summary | X/Y

9、Overview | Plot显示出R2Y（cum） and Q2Y（cum），除了%Fe-FAR 和 %P-FAR，所有的因变量都有非常好的R2 和 Q2Scores t1 vs. t2得分图依次点击Scores | Scatter plot 和t1 vs. t2，采用标记，标记无关的实验，208个实验与第一主成份偏离较远第 39 页t1 vs. u1得分图点击右键，选择t1 vs u1，在Label Types选择ObsID (Primary)。我们得到了非常好的t1 和 u1的相关性。第 40 页贡献图为了理解208次实验的为什么和其它实验不同，在t1 vs u1图中双击observat

10、ion 208.这个贡献图表示出了不同之处，用w1*表示粗铁矿(TON_IN)等等远远在平均值以下优化模型我们移除208次实验，重组PLS模型Excluding observation 208 using the interactive tool box移除操作采用interactive tool box在t1 vs u1图中，选中208次实验，点击红色箭头。移除后如果想产生一个新的不合适的模型M3，点击yes第 41 页M3模型的Workset bar界面打开了在这一界面按住Ctrl键，选中实验140-146, 173-179,350-379,551-555，点击右键，选择excludeAu

11、tofit自动配置依次点击Analysis | Autofit，来完善PLS模型Summary | Model Overview也在自动更新，伴随着模型的装配，可以看到R2Y(cum) 和 Q2(cum)的提高第42页Summary: X/Y Overview总结依次点击Analysis | Summary |X/Y Overview | Plot来显示每一个因变量的R2Y 和 Q2Y的累计值PAR, FAR and %FE_malm很好的解释了90%，其它的只解释了很少的一部分Scores t1 vs. t2得分图依次点击Analysis | Scores | Scatter t1 vs.

12、t2。我们可以看到实验是分组的，每一组表示一种设计方法第43页Scores t1 vs. u1得分图我们得到非常好的t1和u1关系图，并且没有任何的异常点Loadings w*c1 vs. w*c2载荷图在前两个主成份中，PAR 和 FAR与其他所有载荷变量正相关，而与r_PAR,，%Fe-FaR ，%Fe_Malm三个变量负相关。除了变量HS_2，模型几乎是直线的，主要解释第二主成份第44页Normal Probability plot of residuals依次点击Analysis | Residuals | Normal Probability Plot，观察这个图，发现残差近乎分散式

13、的并且没有异常点，点击右键，进行调整。Coefficients系数依次点击Analysis | Coefficients | Plot来显示PAR的PLS的回归系数，置信区间达到95%，主要因素是TON_IN, KR30_in KR40_in and Ton_S3产生一个积极的影响。第45页Variable Importance变量重要性依次点击Analysis | Variable Importance，显示出与X和Y相关的重要性分析Distance to the Model与模型的距离依次点击Analysis | Distance to the Model | XBlock，来显示与模型的距离在X方向上。这些距离是正常的单位，并且与行的剩余标准差一致第46页Observation Risk观察风险依次点击Analysis | Observation Risk这个图里显示出每一个Y的Observation Risk，并且表示出较差的情况。放大349次实验附近的情况，我们可以看到349次实验存在较大的风险。349次实验存在一个较大的Y的残差，因此它的预测是不确定的，有风险的第47页Predictions预测我们可以用这个模型去预测实验的结果 依次点击Prediction |