Резюме
Из-за особенностей сахарных агропромышленных компаний с точки зрения технологий, а также ограничений с точки зрения финансовых ресурсов для развития, фундаментальная стратегия должна быть сосредоточена на снижении затрат, и один путь дается путем уменьшения изменчивости. При этом важным элементом, который до сих пор остается на международном уровне, является проблема, которая не решена в основном в обрабатывающих отраслях, где, по словам Джурана, находятся самые большие запасы, поэтому для Кубы это проблема, которая подразумевает выход за рамки традиционного в процедуре для анализа и управления технологическим процессом. Работа начинается с традиционного статистического анализа, который характеризует технологические переменные, оценивает состояние управления процессом, чтобы продолжить с использованием временных рядов,на основе методологии Бокса-Дженкинса, которая позволяет идентифицировать модели, описывающие исследуемые переменные. Наличие назначаемых причин вариации в контрольных диаграммах остатков модели ARIMA позволяет оценить степень их влияния на изменчивость процесса, выявить моменты, когда такое поведение возникает, и возможность ослабления такого эффекта с помощью последующее сокращение изменчивости, также приступили к оценке входов в процесс. Все это с целью оценки эффекта автокорреляции в процессе экстракции сахарной компании "Melanio Hernández".Они позволяют оценить степень его влияния на изменчивость процесса, выявить моменты, когда такое поведение возникает, и возможность ослабления такого эффекта с последующим уменьшением изменчивости, кроме того, были оценены входы в процесс. Все это с целью оценки эффекта автокорреляции в процессе экстракции сахарной компании "Melanio Hernández".Они позволяют оценить степень его влияния на изменчивость процесса, выявить моменты, когда такое поведение возникает, и возможность ослабления такого эффекта с последующим уменьшением изменчивости, кроме того, были оценены входы в процесс. Все это с целью оценки эффекта автокорреляции в процессе экстракции сахарной компании "Melanio Hernández".Все это с целью оценки эффекта автокорреляции в процессе экстракции сахарной компании "Melanio Hernández".Все это с целью оценки эффекта автокорреляции в процессе экстракции сахарной компании "Melanio Hernández".
Ключевые слова: структурированные временные ряды, сахарная промышленность, процесс экстракции, качество.
Введение.
Что касается производственной среды, то практика качественного инжиниринга быстро меняется, многие организации сталкиваются с высокими требованиями, для которых требуется внедрение новых систем и новых продуктов.
Системные преобразования становятся наиболее важной частью общей деятельности, и возрастает необходимость в качественном инжиниринге, а также другой производственной деятельности для поддержки экономических целей и прибыльности предприятия, что требует качественный инжиниринг, использование инструментов для противодействия этим изменениям, а также жесткой международной конкуренции.
В связи с особенностями агропромышленных сахарных компаний с точки зрения технологий, а также ограниченностью финансовых ресурсов для развития, основные стратегии должны быть сосредоточены именно на сокращении затрат. Особое значение для снижения затрат на сахар и его производные имеет рациональное использование ресурсов и мощностей компании.
В разделе «Статистическое управление процессами» Process Control Engineering имеется богатый набор инструментов для мониторинга системы. Шухарт (1926) предложил первые контрольные карты (CG), которые до сих пор наиболее широко используются в промышленных системах.
GC используются для моделирования устойчивости процессов. В этом контексте говорят, что процесс находится под статистическим контролем, если распределение вероятностей, которое представляет характеристику качества, является постоянным во времени. Это традиционное определение SPC с годами было обобщено и теперь включает случаи, в которых базовая статистическая модель характеристики качества стабильна во времени. Эти полезные обобщения включают, например, регрессию, компоненты дисперсии и модели временных рядов.
Автокорреляция давно признана естественным явлением в обрабатывающей промышленности. Только в последние годы автокорреляция стала выходом для приложений SPC, особенно в производстве деталей, где автокорреляция рассматривается как проблема, которая может подорвать интерпретацию контрольных диаграмм. Когда контрольные диаграммы построены с автокоррелированными измерениями, результат может давать много ложных сигналов, из-за чего LC выглядят слишком плотно.
Другие свидетельства представлены в измерениях, проведенных (Alwan and Roberts, 1995), когда было обнаружено, что более 85% средств контроля в обрабатывающей промышленности применяют графические результаты с ошибочными контрольными пределами. Во многих случаях такая ситуация обусловлена наличием автокорреляций наблюдаемых процессов и нарушениями основных предположений, связанных с графиками Шухарта (Woodall, 2000).
Структурированные временные ряды часто встречаются в данных из многих перерабатывающих отраслей, что затрудняет попытки исследователей качества правильно разместить LC. В литературе, с которой проводились консультации на Кубе и в остальном мире, нет никаких упоминаний об использовании структурированных временных рядов в сахарной промышленности.
Именно проблемная ситуация, которая привела к реализации этой работы, основана на необходимости адаптации страны к мировому рынку путем принятия новых подходов и трудностей, выявленных в предыдущих исследованиях сахарной компании «Меланио Эрнандес». конкретно в Тандеме.
Цель состоит в том, чтобы применить структурированные временные ряды для оценки влияния автокорреляции на снижение изменчивости в процессе экстракции сахарной компании «Меланио Эрнандес», что позволяет объяснить существующую изменчивость в этом процессе.
Для развития исследования в качестве объекта исследования была взята сахарная компания "Melanio Hernandez" из провинции Санкти-Спиритус. И как поле деятельности, изучение переменных, участвующих в изменчивости процесса экстракции.
развитие
Понимание вариации значений характеристик качества имеет первостепенное значение в статистическом управлении процессами, «Общая причина» считается вариацией из-за внутренней природы процессов и не может быть изменена внешним изменением. самого процесса. «Возможной или особой причиной» отклонения являются обычные потрясения или прерывания, которые можно разделить. Целью статистического управления процессом (SPC) является различение этих двух типов вариаций, чтобы предотвратить реакцию или чрезмерное действие.
Для непрерывных качественных характеристик на практике часто устанавливаются пределы спецификации. Изделие считается соответствующим требованиям, если значение его качественной характеристики находится в пределах спецификации, и не соответствует требованиям, когда находится за пределами.
Деминг (1986) и другие авторы утверждали, что нахождения в пределах спецификации недостаточно для обеспечения хорошего качества и что вариабельность качественных характеристик должна быть уменьшена. Таким образом, для многих характеристик качества улучшение качества соответствует центрированию распределения вероятностей характеристики качества на целевом значении и уменьшению изменчивости. Тагучи (1981) призывает уменьшить изменчивость до тех пор, пока не станет экономически и невыгодно уменьшать ее позже.
Оценка параметров с помощью модели ARIMA может быть ненадежной в этих случаях, если в данных присутствуют назначаемые причины, в дополнение к смещению LC, если входные данные являются динамическими и демонстрируют структурированный временной ряд. Временные ряды объясняют большинство вариаций данных за пределами независимости и идентичного распределения остатков.
Если ряд загрязнен периодами внешних возмущений для процесса, модель ARIMA может быть определена неправильно, изменчивость остатков переоценена, а контрольные пределы установлены неправильно.
Бокс и Тяо (1978) с моделью передаточной функции описывают наблюдаемую характеристику качества () как функцию трех причин изменчивости, задаваемую следующим уравнением:
= Динамический ввод + Вмешательство + ARIMA
Динамические входы, представляющие импульсную функцию, подаются на вход с задержкой периодов времени. Если существует динамическая связь между входом и выходом временного ряда, можно смоделировать запаздывающее значение процесса, что приведет к значительному уменьшению необъяснимой дисперсии.
Термин «вмешательство» определяет периоды времени, когда в процессе присутствуют назначаемые причины. Бокс, Дженкинс и Райзел (1994). Слагаемое вмешательства - это полиномиальное отношение, которое определяет характер нарушения (нестабильности).
Базовая модель ARIMA.
Основная цель, которую преследуют при измельчении тростника, состоит в том, чтобы извлечь как можно больше сахарозы, которая в нем содержится, отсюда важность этой области.
Под экстракцией: общее количество сахара, извлеченного тандемом, в процентах от сахара в тростнике. Согласно определению Международного общества технологов сахарного тростника, сахароза содержится в смешанном соке на каждые сто частей сахарозы в тростнике.
Потери сахарозы из-за отсутствия экстракции варьируются от 4 до 7% от общего количества сахарозы в тростнике, поэтому процесс измельчения должен быть направлен на получение максимально возможной экстракции содержащегося сока с минимальными затратами. Перес де Алехо (1979) показывает, что добыча в тандеме - это то, что больше всего влияет на прибыль сахарного завода, и этот критерий разделяет с Риерой (1996).
Для анализа процесса экстракции были взяты характеристики качества (QC), которые идентифицируют два продукта, полученных в результате этого процесса: багасса (B) и смешанный сок (JM), а также были изучены переменные Pol жмыха, влажность багассы, Brix. смешанного сока, Pol смешанного сока, кислотность смешанного сока и чистота смешанного сока.
Во-первых, было проведено описательное исследование всех технологических переменных, влияющих на процесс экстракции. Результаты показаны ниже:
Таблица 1. Описательная статистика CC, идентифицирующая B и JM.
|
Параметры \ переменные |
Pol in B |
B влажность |
JM Brix |
Пол из JM |
JM чистота |
JM кислотность |
|
N |
100 |
99 |
100 |
100 |
100 |
100 |
|
половина |
2,3804 |
50,7579 |
15,4366 |
13,2092 |
85,5312 |
0,5940 |
|
мода |
2,20 |
50,08 |
15,56 |
12,79 |
84,02 |
0,55 |
|
DT |
0,25379 |
1,21619 |
0,69993 |
0,63007 |
1,81035 |
0,09081 |
|
Асимметрия (А) |
1243 |
0,696 |
-0,069 |
-0,078 |
-0,315 |
0,506 |
|
Эксцесс (С) |
1380 |
4490 |
-0400 |
-0,788 |
-0,343 |
0,441 |
|
минимальный |
1,97 |
46,17 |
13,80 |
11,82 |
79,90 |
0,38 |
|
максимальная |
3,35 |
55,40 |
17,31 |
14,44 |
88,49 |
0,87 |
Тип CG, который будет использоваться, зависит от характеристик процесса, и его разработка выполняется на основе распределения, за которым следуют анализируемые переменные, для выбора констант с информацией, полученной SPSS. Оценка состояния управления процессом осуществляется очевидным образом в соответствии с графическим представлением, полученным с помощью компьютерной графики, и анализом вариабельности, предложенным Ishikawa (1992).
Используемые CG были типа X-Rm (индивидуальные значения и мобильные пути) из-за предложения Джурана (1988), NC 92.11.80, о применении этих графиков, когда невозможно сформировать рациональные подгруппы (SGR) с помощью характеристики данных, учитывая характер процесса, который является относительно однородным (из-за влияния смесей, возникающих в процессе производства).
Для всех проанализированных переменных (Campos, A.Y, Blanco, G.E, 2004) проявился процесс, выходящий за рамки статистического контроля, не только из-за наличия точек за пределами LC, но также из-за того, что наблюдались спайки: в более высоком LC в начале урожая, характеризующий недостаточную работу в этот период и в нижнем LC в нормальном периоде эксплуатации, что может быть результатом вмешательства человека для достижения значений, наиболее близких к планам, с помощью которых они оцениваются и стимулируются.
Выявляя неслучайные закономерности, необходимо углубить изучение процесса с помощью ЗБ, которые невозможно изучить с помощью основных методов регрессии, поскольку в большинстве случаев значения ряда автокоррелированы. В работах (Gómez, 1998) при использовании скользящего среднего GC присутствие автокорреляции было доказано в процессе извлечения, поскольку были получены очень узкие LC, элемент, который в литературе идентифицируется как проявление этого явления.
При определении модели переменных ARIMA используется методология Бокса-Дженкинса для исследования несезонных TS. Оценка проводилась с помощью SPSS. В качестве примера ниже объясняется обработка переменной чистоты смешанного сока.
1. Сюжет из сериала. Полученный график дает возможность визуализировать нестационарность, представленную тестом смешанного сока (PJM), и, следовательно, необходимость дифференциации первого порядка.
2. Построение функции автокорреляции (ACF) и функции частичной автокорреляции (PACF). Коррелограммы, показанные на Рисунке 1, позволяют нам еще раз подтвердить стационарность, обеспеченную предыдущим шагом, поэтому можно перейти к идентификации модели, которой следует каждая серия.
Чтобы увидеть график, выберите в верхнем меню опцию «Загрузить».
Рис. 1. Коррелограммы ACF и PACF PJM.
3. Идентификация модели. При анализе графиков ACF и PACF были определены модели, характеризующие ряды, в случае PJM выбранной моделью является ARIMA (0,1,1).
4. График остатков ACF и PACF. Построение невязок, полученных на рисунке 2 (ACF, поведение которого аналогично PACF), позволяет узнать, является ли модель, полученная для ряда, адекватной или нет, посредством анализа наличия белого шума.
Чтобы увидеть график, выберите в верхнем меню опцию «Загрузить».
Рис. 2. График остатков ACF и PACF PJM.
После того, как характеристика качества PJM была смоделирована, были построены контрольные графики остатков, показанные ниже:
Чтобы увидеть график, выберите в верхнем меню опцию «Загрузить».
Рис 3. Контрольные графики остатков модели ARIMA.
Наличие назначаемых причин вариации в GC остатков модели ARIMA (рисунок 3) позволяет оценить степень их влияния на изменчивость процесса, выявить моменты, когда такое поведение происходит, и возможность ослабления таких эффектов. с последующим уменьшением изменчивости. Для этого был проведен интервенционный анализ. Контрольные диаграммы показаны ниже после того, как будет проведен анализ вмешательств.
Чтобы увидеть график, выберите в верхнем меню опцию «Загрузить».
После того, как был проведен анализ приписываемых причин, связанных с работой процесса, мы приступили к оценке входов в процесс, получив только для модели, относящейся к чистоте JM, зависимость от посторонних веществ и процентного содержания обратного тростника., Полученная модель была следующей:
Полученные модели позволили оценить вклад в снижение вариабельности процесса экстракции, как показано в таблице 3.
|
Параметры / переменные |
Кислотность смешанного сока |
Чистота смешанного сока |
Влажность багассы |
Багасса польская |
|
Начальное стандартное отклонение |
0.08854142 |
1.2195183 |
1,1346052 |
0.1391749 |
|
Окончательное стандартное отклонение |
0.0769999 |
1.0165379 |
0.7275653 |
0.09319682 |
|
Процент снижения вариабельности |
13,04% |
16,64% |
35,86% |
33,04% |
Таблица 3.1. Резюме снижения вариабельности для каждой переменной.
С помощью разработанных инструментов конкретизируется модель, характеризующая анализируемый процесс, что позволяет использовать ее в мониторинге качества. Недостатком такого моделирования является потеря простоты графиков Шухарта, но оно гарантирует большую точность при вычислении изменчивости процесса и, следовательно, сводит к минимуму проблему неправильного размещения ЖК и, следовательно, вклад в улучшение.
Выводы
Структурированные временные ряды были впервые применены в сахарной промышленности Кубы для оценки влияния автокорреляции на снижение вариабельности процесса экстракции сахарной компании «Меланио Эрнандес».
Был проведен автокорреляционный анализ, который позволил получить модели, объясняющие изменчивость процесса, для корректировок которых были определены приписываемые причины, которые позволяют снизить изменчивость: 13,04% для кислотности JM; 16,64% для JM Purity; 35,84% для влаги B; 33,04% для Pol del B.
Библиография.
Алван, Л.С. и Робертс, HV (1988). Моделирование исследований временных рядов для управления статистическими процессами. Journal of Business and Economic Statistical 6, стр. 87-95.
Алван, Л.С. и Робертс, HV (1995). «Проблема с неправильными контрольными пределами». Прикладная статистика. 44. стр. 269-278.
Box, GEP, Jenkins, GM и Reinsel, GC (1994). «Анализ временных рядов. Прогнозирование и контроль. Preentice Hall. Englewood Clitls, NJ, pp 392-478.
Берр, В.И. Влияние ненормальности на константы для диаграмм X и R. Промышленный контроль качества. Май 1967. С. 563-568.
Кампос, А. Ю., Бланко, Г. Э. Влияние автокорреляции в сахарной промышленности. TD, CUSS. 2004
Куба. Министерство сахара. Руководство по эксплуатации помольных цехов / MINAZ. - Гавана, 1996. - 91 с.
Гомес А, Бисмайда. Повышение качества процессов в сахарной промышленности. / Б. Гомес А; Рамон Понс Мургуиа, преподаватель, ___ магистерская работа; UCLV, 1998, ___ 80ч.
Gómez A, B. et al. Разработка ситуационного исследования процессов сахарного завода через процедуру повышения качества. Журнал Centro Azúcar, № 4, 2002 г. UCLV.
Gómez A, B. et al. Представленный доклад: «Экспериментальный дизайн с использованием метода поверхности отклика для процесса». "53-я канадская конференция по химическому машиностроению и PRES'03". Гамильтон, Онтарио, Канада - 26-29 октября 2003 г.
Грау, Р.А., Конференция временных рядов. UCLV, 1995.
Исикава, Кауро. Введение в контроль качества. 3-е издание, редакция 3-й корпорации. Токио, Япония, 1992 год.
NIST. Национальный институт стандартов и технологий. Статистический отдел. 2/7/2001.
Пелаэс, Г., Милейди. Применение статистического контроля процессов в анализе переменных подготовки сахарного тростника и сухой экстракции в ¨Melanio Hernández. / M. Peláez; Бисмайда Гомес А., репетитор. - ТД; UCLV, 1999, -80ч.
Вест Д. и Деллана С. "Моделирование передаточной функции процессов с динамическими входами" Журнал качественных технологий. Т. 34. № 3 июля 2002 г.
Вудалл, HW Споры и противоречия в статистическом управлении процессами. Журнал качественных технологий. Том 32. №4. Октябрь 2000. С. 341–350.
