Οδηγίες Esy.net Πίνακες (4.1 - 4.2) vol. 2.0

•Download as PPTX, PDF•

0 likes•277 views

bgrigoriadis

Self Improvement

Οδεγίεο ΢πκπιήξωζεο ηνπ Πίλαθα 4.1 & 4.2
ESY.net Με Σελ Βνήζεηα Σνπ Microsoft Excel
2010

Από ηελ βαζηθή νζόλε ηεο εθαξκνγήο,
επηιέγνπκε ηελ θαξηέια “Αλαθνξέο”

΢ηε ζπλέρεηα, θάλνπκε θιηθ ζην
“Εηζαγωγέο - Εμαγωγέο”

΢ηελ νζόλε πνπ εκθαλίδεηαη,
επηιέγνπκε ηα επηζπκεηά θίιηξα.

01.ΣΤΠΟ΢: Εδώ επηιέγνπκε
ηνλ ηύπν γηα ηνλ νπνίν ζέινπκε
λα βγάινπκε ηα ζηαηηζηηθά (π.ρ.
θάξκαθα)

02.΢ηε ζπλέρεηα επηιέγνπκε ην
δηάζηεκα γηα ην νπνίν ζέινπκε
λα ζηείινπκε ζηαηηζηηθά.

03. ΢ην θίιηξν “Είδνο Αλαθνξάο”
επηιέγνπκε ηελ αλαθνξά
“Αλαιώζεηο Αλά Σκήκα (Πξωηόηππα
– Αληίγξαθα ΢πλνπηηθά)”

Ελαιιαθηηθά κπνξείηε λα
επηιέμεηε “Είδνο Αλαθνξάο”
“Αλαιώζεηο Αλά Σκήκα - Γηαηξό
(Πξωηόηππα – Αληίγξαθα
΢πλνπηηθά)” εάλ επηζπκείηε λα
ζηείιεηε ζηαηηζηηθά αλά γηαηξό.

04. ΢ην θίιηξν “Εμαγωγή ΢ε
Excel”, επηιέγνπκε ΝΑΙ.

΢ην παξάζπξν πνπ ζα εκθαληζηεί,
επηιέγνπκε Άλνηγκα κε:
Microsoft Excel, θαη παηάκε ΟΚ,
γηα λα αλνίμνπκε ηα δεδνκέλα
καο ζε επεμεξγάζηκε κνξθή.

Πξηλ αλνίμεη ην Microsoft
Excel, εκθαλίδεηαη έλα παξάζπξν
δηαιόγνπ. ΢ηελ εξώηεζε “Το απχείο
που πποζπαθείηε να ανοίξεηε, Report.xls,
είναι ζε διαθοπεηική μοπθή ……… Θέλεηε να
ανοίξεηε ηο απχείο ηώπα;” παηάκε “Ναη”

Πιένλ ηα δεδνκέλα καο είλαη
έηνηκα πξνο επεμεξγαζία.

΢ην ππνινγηζηηθό θύιιν “cs”,
έρνπκε ηα δεηνύκελα ζηαηηζηηθά.

Γηα ηνλ πίλαθα 4.2
αθνινπζνύκε αθξηβώο ηα
ίδηα βήκαηα, κόλν πνπ ζηνλ
Σύπν, επηιέγνπκε ηνλ
αληίζηνηρν ηύπν πιηθώλ.

ΠΡΟ΢ΟΥΗ!!!

Γηα ηελ ζωζηή εμαγωγή
απνηειεζκάηωλ ζα πξέπεη
ΟΛΑ ηα θάξκαθα – πιηθά λα
έρνπλ εληαρζεί ζε θάπνηα
θαηεγνξία.

Viewers also liked

Presented in this document is a short discussion on using IMPL’s SLPQPE algorithm to solve process optimization problems in either off- or on-line environments also known as real-time optimization (RTO). Process optimization is somewhat different than production optimization in the sense that there are more “constitutive relations” involving only intensive variables. Both types of optimizations involve “conservation laws” and “correlative equations” which usually involve a mix of extensive and intensive variables (Kelly, 2004). Whereas production optimization deals more with material, meta-material (nonlinear), logic and logistics (discrete) balances (Zyngier and Kelly, 2009 and Kelly and Zyngier, 2015), process optimization is inherently more detailed and includes energy, exergy, momentum, hydraulics, equilibrium, diffusion, kinetics and other types of transport phenomena which involve nonlinear and perhaps discontinuous functions (Pantelides and Renfro, 2012).

Impl slpqp ev-sqp

Alkis Vazacopoulos

Presented in this short document is a description of how to model and solve advanced parameter estimation (APE) problems in IMPL. APE is the term given to the application of estimating, fitting or calibrating parameters in models involving a network, topology, superstructure or flowsheet. When estimating parameters with multiple linear regression (MLR), ordinary least squares (OLS), ridge regression (RR), principal component regression (PCR) and partial least squares (PLS) there is no explicit model but simply an X-block and Y-block of data. Hence, these methods are referred to as “non-parametric” or “data-based” methods as opposed to the “parametric” or “model-based” method used here. To solve these types of problems we use what is commonly referred to as “error-in-variables” (EIV) regression which is conveniently implemented as nonlinear data reconciliation and regression (NDRR) using the technology found in Kelly (1998a; 1998b; 1999) and Kelly and Zyngier (2008a). The primary benefit of using EIV (NDRR) over the other regression methods is that we can easily handle the inclusion of conservation laws and constitutive relations, explicitly, a must for any industrial estimation problem (IEP).

Advanced Parameter Estimation (APE) for Motor Gasoline Blending (MGB) Indust...

Alkis Vazacopoulos

Price Mobile Guide Almati

Mobile Guide

Μετασχηματισμοί

bgrigoriadis

This short note describes a relatively simple methodology, procedure or approach to increase the performance of already installed industrial models used for optimization, control, simulation and/or monitoring purposes. The method is called Excess or X-Model Regression (XMR) where the concept of “excess modeling” or an X-model is taken from the field of thermodynamics to describe the departure or residual behaviour of real (non-ideal) gases and liquids from their ideal state (Kyle, 1999; Poling et. al., 2001; Smith et. al., 2001). It has also been applied to model the non-ideal or nonlinear behaviour of blending motor gasoline octanes with its synergistic and antagonistic interactional effects (Muller, 1992). The fundamental idea of XMR is to calibrate, train, fit or estimate, using actual data and multiple linear regression (MLR) or ordinary least squares (OLS), the deviations of the measured responses from the existing model responses. The existing model may be a glass, grey or black-box model (known or unknown, linear or nonlinear, implicit/open or explicit/closed) depending on the use of the model. That is, for optimization and control the model structure and parameters are available given that derivative information is required although for simulation and monitoring, the model may only be observed through the dependent output variables given the necessary independent input variables.

Xmr im

Alkis Vazacopoulos

Presented in this short document is a description of what is called a “Pipeline Scheduling Optimization Problem” and was first described in Rejowski and Pinto (2003) where they modeled the first-in-first-out (FIFO) and multi-product nature of the segregated pipeline using both discretized space (multi-batches, packs or pipes) and time (multi-intervals, slots or periods). The same MILP model can also be found in Zyngier and Kelly (2009) along with other related production/process objects.

Pipeline optimization Industrial Modeling Framework

Alkis Vazacopoulos

Viewers also liked (6)

Impl slpqp ev-sqp

Advanced Parameter Estimation (APE) for Motor Gasoline Blending (MGB) Indust...

Price Mobile Guide Almati

Μετασχηματισμοί

Xmr im

Pipeline optimization Industrial Modeling Framework

Οδηγίες Esy.net Πίνακες (4.1 - 4.2) vol. 2.0

1. Οδεγίεο ΢πκπιήξωζεο ηνπ Πίλαθα 4.1 & 4.2 ESY.net Με Σελ Βνήζεηα Σνπ Microsoft Excel 2010

2. Από ηελ βαζηθή νζόλε ηεο εθαξκνγήο, επηιέγνπκε ηελ θαξηέια “Αλαθνξέο”

5. ΢ηε ζπλέρεηα, θάλνπκε θιηθ ζην “Εηζαγωγέο - Εμαγωγέο”

7. ΢ηελ νζόλε πνπ εκθαλίδεηαη, επηιέγνπκε ηα επηζπκεηά θίιηξα.

9. 01.ΣΤΠΟ΢: Εδώ επηιέγνπκε ηνλ ηύπν γηα ηνλ νπνίν ζέινπκε λα βγάινπκε ηα ζηαηηζηηθά (π.ρ. θάξκαθα)

10.

11. 02.΢ηε ζπλέρεηα επηιέγνπκε ην δηάζηεκα γηα ην νπνίν ζέινπκε λα ζηείινπκε ζηαηηζηηθά.

12.

13. 03. ΢ην θίιηξν “Είδνο Αλαθνξάο” επηιέγνπκε ηελ αλαθνξά “Αλαιώζεηο Αλά Σκήκα (Πξωηόηππα – Αληίγξαθα ΢πλνπηηθά)”

14.

15. Ελαιιαθηηθά κπνξείηε λα επηιέμεηε “Είδνο Αλαθνξάο” “Αλαιώζεηο Αλά Σκήκα - Γηαηξό (Πξωηόηππα – Αληίγξαθα ΢πλνπηηθά)” εάλ επηζπκείηε λα ζηείιεηε ζηαηηζηηθά αλά γηαηξό.

16.

17. 04. ΢ην θίιηξν “Εμαγωγή ΢ε Excel”, επηιέγνπκε ΝΑΙ.

18.

19. 05. Σέινο παηάκε “Πξνβνιή”.

20.

21. ΢ην παξάζπξν πνπ ζα εκθαληζηεί, επηιέγνπκε Άλνηγκα κε: Microsoft Excel, θαη παηάκε ΟΚ, γηα λα αλνίμνπκε ηα δεδνκέλα καο ζε επεμεξγάζηκε κνξθή.

22.

23. Πξηλ αλνίμεη ην Microsoft Excel, εκθαλίδεηαη έλα παξάζπξν δηαιόγνπ. ΢ηελ εξώηεζε “Το απχείο που πποζπαθείηε να ανοίξεηε, Report.xls, είναι ζε διαθοπεηική μοπθή ……… Θέλεηε να ανοίξεηε ηο απχείο ηώπα;” παηάκε “Ναη”

24.

25. Πιένλ ηα δεδνκέλα καο είλαη έηνηκα πξνο επεμεξγαζία.

26. ΢ην ππνινγηζηηθό θύιιν “cs”, έρνπκε ηα δεηνύκελα ζηαηηζηηθά.

27.

28. Γηα ηνλ πίλαθα 4.2 αθνινπζνύκε αθξηβώο ηα ίδηα βήκαηα, κόλν πνπ ζηνλ Σύπν, επηιέγνπκε ηνλ αληίζηνηρν ηύπν πιηθώλ.

29. ΠΡΟ΢ΟΥΗ!!! Γηα ηελ ζωζηή εμαγωγή απνηειεζκάηωλ ζα πξέπεη ΟΛΑ ηα θάξκαθα – πιηθά λα έρνπλ εληαρζεί ζε θάπνηα θαηεγνξία.

Οδηγίες Esy.net Πίνακες (4.1 - 4.2) vol. 2.0

Recommended

Recommended

More Related Content

Viewers also liked

Viewers also liked (6)

Οδηγίες Esy.net Πίνακες (4.1 - 4.2) vol. 2.0