制糖业的Box Jenkins方法论和过程控制

摘要

由于制糖农用工业公司在技术方面的特殊性，以及在开发财务资源方面的局限性，基本策略必须着眼于降低成本，并且一种方法是通过减少可变性在这一过程中，仍然是当今国际水平的一个基本要素仍然构成了在过程工业中根本无法解决的问题，据朱兰说，那里的储量最大，因此对古巴来说是一个挑战，这意味着要超越传统的程序用于分析和过程控制。这项工作从传统的统计分析开始，该统计分析描述了技术变量的特征，评估了过程控制的状态，并继续使用时间序列，基于Box-Jenkins方法论的方法，该方法可以识别描述所研究变量的模型。 ARIMA模型残差的控制图中存在可确定的变化原因，可以评估其对过程可变性的影响程度，确定发生此类行为的时刻以及通过使用该函数减弱此类影响的可能性。因此减少了变异性，还着手评估了该过程的投入。所有这些目的都是为了评估自相关在“ MelanioHernández”制糖公司的提取过程中的作用。他们可以评估其对过程可变性的影响程度，确定发生这种行为的时刻，以及减弱这种影响并降低可变性的可能性，此外，还可以评估过程的输入。所有这些目的都是为了评估自相关在“ MelanioHernández”制糖公司的提取过程中的作用。他们可以评估其对过程可变性的影响程度，确定发生这种行为的时刻，以及减弱这种影响并降低可变性的可能性，此外，还可以评估过程的输入。所有这些目的都是为了评估自相关在“ MelanioHernández”制糖公司的提取过程中的作用。所有这些目的都是为了评估自相关在“ MelanioHernández”制糖公司的提取过程中的作用。所有这些目的都是为了评估自相关在“ MelanioHernández”制糖公司的提取过程中的作用。

关键字：结构化时间序列，制糖业，提取过程，质量。

介绍。

对于制造环境，实践的质量工程正在迅速变化，许多组织面临着很高的要求，为此需要引入新的系统和新的产品。

系统过渡正成为整体运营中最重要的部分，并且对质量工程以及其他制造活动的压力越来越大，以支持该实体的经济目标和盈利能力，这种情况需要为了进行质量工程，需要使用工具来应对这些变化以及激烈的国际竞争。

由于农用工业制糖公司在技术方面的特殊性，以及在发展财务资源方面的局限性，因此基本策略必须特别着重于降低成本。为了降低糖及其衍生物的成本，特别重要的是合理利用公司的资源和能力。

过程控制工程在统计过程控制中具有丰富的工具集来监视系统。Shewhart（1926）提出了第一张控制图（CG），该图仍然是当今工业系统中使用最广泛的。

GC用于建模过程的稳定性。在这种情况下，如果表示质量特征的概率分布随时间恒定，则称该过程处于统计控制中。多年来，对SPC的这种传统定义已得到概括，以包括质量特征的基本统计模型随时间稳定的情况。这些有用的概括包括，例如，回归，方差成分和时间序列模型。

长期以来，自相关一直是过程工业中的自然现象。仅在最近几年，自相关才成为SPC应用程序的出口，特别是在零件行业中，自相关被视为会破坏对控制图的解释的问题。当使用自相关测量值构建控制图时，结果可能会给出许多错误信号，从而导致LC显得过于紧凑。

当由Alwan和Roberts，1995年进行的测量中还报道了其他证据，当发现过程工业中超过85％的控制采用了错误放置控制极限的图形结果时。在许多情况下，这种情况是由于观察到的过程存在自相关，并且违反了与Shewhart图有关的基本假设（Woodall，2000）。

结构化的时间序列是来自许多过程工业的数据中的常见事件，这使质量研究人员正确放置LC的工作变得复杂。在古巴和世界其他地方查阅的文献中，没有提到在糖业中使用结构化时间序列。

正是导致该工作实现的问题状况，是基于该国通过采用新方法以及在“ Melanio Hernandez”制糖公司先前的研究中发现的困难来适应世界市场的需要。特别是串联。

目的是应用结构化时间序列来评估自相关对减少“ Melanio Hernandez”制糖公司的提取过程中变异性的影响，这可以解释该过程中的现有变异性。

为了进行这项研究，以SanctiSpíritus省的制糖公司“ Melanio Hernandez”为研究对象。作为行动领域，研究提取过程中变异性所涉及的变量。

发展历程

了解质量特征值的变化在统计过程控制中是最重要的，由于过程的固有性质，``共同原因''被认为是一种变化，并且不能通过外部变化来改变过程本身。变化的“可指定或特殊原因”是通常的冲击或中断，可以将其分开。统计过程控制（SPC）的目的是区分这两种类型的变化，以防止发生反应或反应过度。

对于连续的质量特性，在实践中经常给出规格限制。如果产品的质量特性值在规格限制之内，则认为该产品合格，而在外面时，则不合格。

Deming（1986）和其他作者认为，在规格范围内不足以确保良好的质量，必须降低质量特征的可变性。因此，对于许多质量特性，质量改进对应于将质量特性的概率分布集中在目标值上并减小可变性。Taguchi（1981）敦促减少变异性，直到在后来看来降低经济性和不利之处为止。

在这些情况下，如果在数据中存在可分配的原因，则由ARIMA模型对参数进行的估计可能不可靠；如果输入是动态的，则LC的放错位置会显示结构化的时间序列。时间序列解释了独立性和残差的相同分布之外的大多数数据变化。

如果该系列受到该过程的外部干扰周期的污染，则可能会错误地指定ARIMA模型，高估了残差的变异性，并且错误地设置了控制极限。

Box和Tiao（1978）用传递函数模型描述了观察到的质量特征（）作为三个可变原因的函数，由以下等式给出：

=动态输入+干预+ ARIMA

动态输入代表脉冲功能，应用于具有一定时间延迟的输入。如果在时间序列的输入和输出之间存在动态关系，则可以对过程的滞后值进行建模，从而大大减少了无法解释的方差。

干预术语标识过程中存在可分配原因的时间段。Box，Jenkins和Reisel（1994）。干预项是定义干扰性质（不稳定性）的多项式比率。

ARIMA基本模型。

研磨甘蔗时追求的主要目标是提取尽可能多的蔗糖，因此这一领域的重要性。

理解为提取：串联提取的总糖，以甘蔗中糖的百分比表示。根据国际甘蔗技术专家协会的定义，蔗糖是混合汁中的蔗糖，蔗糖中的蔗糖含量为每100份。

由于不提取蔗糖而造成的蔗糖损失在蔗糖总蔗糖的4％至7％之间变化，这就是为什么研磨工艺必须旨在以最低的成本获得尽可能高的提取汁液的目的。佩雷斯·德·阿莱霍（Pérezde Alejo）（1979）指出，串列提取法是最影响制糖厂利润的一种方法，这一标准与里耶拉（1996）相同。

为了分析提取过程，采用了可识别该过程产生的两种产品的质量特征（QC）：蔗渣（B）和混合果汁（JM），并研究了蔗渣的Pol值，蔗渣湿度，白利糖度。混合果汁，混合果汁的Pol，混合果汁的酸度和混合果汁的纯度。

首先，对影响萃取过程的所有技术变量进行了描述性研究。结果如下所示：

表1. 标识B和JM的CC的描述性统计信息。

参数\变量	B中的波尔	B湿度	JM糖度	JM的Pol	JM纯度	JM酸度
ñ	100	99	100	100	100	100
半	2.3804	50.7579	15.4366	13,2092	85.5312	0.5940
时尚	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
不对称（A）	1,243	0.696	-0.069	-0.078	-0.315	0.506
峰度（C）	1,380	4,490	-0,400	-0.788	-0.343	0.441
最低要求	1.97	46.17	13.80	11.82	79.90	0.38
最大值	3.35	55.40	17.31	14.44	88.49	0.87

要使用的GC的类型取决于过程的特征，并根据分布以及分析后的变量来进行详细说明，以通过SPSS获得的信息选择常数。根据从CG获得的图形表示并通过Ishikawa（1992）提出的变异性分析，以明显的方式对过程的控制状态进行评估。

由于Juran（1988），NC 92.11.80关于这些图的应用的建议，所使用的CG是X-Rm类型的（个体值和移动路径），当不可能通过有理图形成有理子群（SGR）时。数据的特性，考虑到过程的性质相对统一（由于生产过程中出现的混合物的影响）。

对于所有已分析的变量（Campos，A.Y，Blanco，GE，E，2004年），都表明存在一个超出统计控制范围的过程，这不仅是由于LC外部存在点，而且还因为观察到了粘附：在较高LC的开始收获的特征，表征此时期和正常运营期间较低LC中的操作不足，这可能是人类干预以实现与评估和刺激计划最接近的价值的结果。

通过识别非随机模式，需要通过ST来加深对过程的研究，这是无法用基本回归技术进行研究的，因为在大多数情况下，该序列的值是自相关的。在（Gómez，1998）的工作中，当使用移动平均GC时，在提取过程中证明存在自相关，因为获得的LC范围很窄，这一元素在文献中被认为是这种现象的体现。

用于确定非季节性TS的Box-Jenkins方法用于确定变量ARIMA模型。使用SPSS进行评估。例如，下面说明混合果汁的纯度可变的处理方法。

1. 系列图。所获得的图形使可视化混合果汁测试（PJM）呈现的非平稳性成为可能，因此需要微分1。

2. 绘制自相关函数（ACF）和部分自相关函数（PACF）。图1所示的相关图可以确认先前步骤提供的平稳性，从而有可能继续进行每个序列遵循的模型的识别。

要查看图表，请从顶部菜单中选择“下载”选项

图1. PJM的ACF和PACF的相关图。

3. 识别模型。通过分析ACF和PACF图，可以识别出表征该系列的模型；对于PJM，所选模型是ARIMA（0,1,1）。

4. ACF和PACF残差图。通过分析白噪声的存在，对图2中获得的残差（ACF，具有与PACF相似的行为）进行绘制，可以知道该系列获得的模型是否足够。

要查看图表，请从顶部菜单中选择“下载”选项

图2. PJM的残差ACF和PACF的图。

对PJM质量特征进行建模后，将制作如下所示的残差控制图：

要查看图表，请从顶部菜单中选择“下载”选项

图3. ARIMA模型残差的控制图。

ARIMA模型残差的GC中存在可确定的变化原因（图3），可以评估其对过程可变性的影响程度，识别此类行为发生的时刻以及减弱此类影响的可能性。从而减少了变异性。为此，进行了干预分析。一旦进行了干预分析，控制图就会显示在下面。

要查看图表，请从顶部菜单中选择“下载”选项

一旦完成了与流程操作相关的可分配原因分析，我们便开始对流程的输入进行评估，仅针对称为JM纯度的模型获得对异物和背甘蔗百分比的依赖。。

获得的模型如下：

如表3所示，所获得的模型可以评估对减少提取过程变异性的贡献。

参数/变量	混合果汁酸度	混合果汁的纯度	蔗渣水分	甘蔗渣
初始标准偏差	0.08854142	1.2195183	1,1346052	0.1391749
最终标准偏差	0.0769999	1.0165379	0.7275653	0.09319682
变异减少百分比	13.04％	16.64％	35.86％	33.04％