回复：使用2种优化方法找到最佳过程操作条件上面的YouTube视频链接似乎已损坏。这是正确的链接： https://www.youtube.com/watch?v=9KZ7Ns3CQzU
去年，我还在阿姆斯特丹做了一个关于该主题的探索演讲，并进行了录音。这是该记录的链接：
https://community.jmp.com/t5/Discovery-Summit-Europe-2016/Robust-Optimization-of-Processes-and-Products-by-Using-Monte/ta-p/23746
回复：使用2种优化方法找到最佳过程操作条件感谢豪尔赫（Jorge），很高兴您发现这些视频对您有所帮助。 我的“图像”菜单实际上不是外接程序，它只是一个自定义菜单，带有指向包含图像或某些事物的简单说明的期刊链接。我认为我在录制的JMP演示中使用的菜单中唯一的东西是“最大期望值与 仿真实验的卡通。我已将其张贴在讨论区中以回答您的问题。如果您在菜单中看到其他任何想要的信息，请告诉我。
回复：使用2种优化方法找到最佳过程操作条件您好罗伯特，我最近一直在看您的视频并学到很多东西。我注意到您有一个有用的“图像加载项”，其中包含有用的图像库来描述您的想法。我想知道是否可以在任何地方下载“图像加载项”？谢谢。
罗伯特·安德森（Robert Anderson）写道：谢谢马塞洛（Marcello），我很高兴您发现...罗伯特·安德森写道：
谢谢Marcello，很高兴您发现它很有趣。我告诉我女儿你喜欢她的画。
马塞洛（Marcello）写道：这篇文章非常有趣，而且很清楚...马切洛写道：
这篇文章非常有趣，并且清楚地说明了该问题以及JMP对其进行管理的方式。谢谢。这幅画很有说服力！
马塞洛。
罗伯特·安德森（Robert Anderson）写道：谢谢克里斯特尔。我很高兴你喜欢...罗伯特·安德森写道：
谢谢克里斯特尔。很高兴您喜欢它。祝那些未来的美国能源部好运
Christel Kronig写道：非常有用和有趣的帖子...克里斯特尔·克罗尼格（Christel Kronig） 写道：
非常有用和有趣的帖子，谢谢。我重新创建了您的数据表以在JMP中对此进行研究。我以前没有使用过模拟部分，但我设法成功地重新创建了输出。我将在以后的DOE中使用它！
回复：使用2种优化方法找到最佳过程操作条件非常感谢您提供详细信息。
但是我发现了一个奇怪的情况。当我进行3或4次仿真实验时，JMP建议我使用不同的因子水平，缺陷率较小。我进行的仿真实验越多，JMP建议的缺陷率就越小。
我读了很多书，但我不明白为什么会这样。我怎么能相信JMP仿真实验为我提供了全球最大的期望因子水平？
回复：使用2种优化方法找到最佳过程操作条件感谢Ellla，我认为可能会发生的是，当您运行模拟实验时，默认设置为 “要试验的因子空间的一部分” 是 0.5 。这意味着模拟实验只能探索整个因子范围的一半当前分析器因子设置附近。因此，这意味着您可能不会在第一次运行模拟实验时就获得给出最低缺陷率的因子设置，但是如果您下次再次运行它，您将再次接近给出最低缺陷率的设置。如果您更改设置 “要试验的因子空间的一部分” 至 1个然后将进行模拟实验全因子范围第一次运行模拟实验时，您应该找到缺陷率最低的设置。然后，您可以使用这些因子设置和降低的值再次运行模拟实验 “要试验的因子空间的一部分” 如果您想尝试更准确地估算出提供最低缺陷率的最佳设置。让我知道是否可以解决您遇到的问题。罗伯特
回复：使用2种优化方法找到最佳过程操作条件非常感谢您的快速回报和关注。
我也怀疑防护等级会导致这种不稳定的解决方案。
我试图通过放置一部分因子空间实验1来进行仿真以前和现在。
但是，JMP为我提供了一个更糟糕的解决方案，即与零件级别= 0.5相比，缺陷率更高。
我真的不明白为什么它不稳定。 @马克贝利 @罗伯特·安德森
回复：使用2种优化方法找到最佳过程操作条件嗨，埃拉，这很有趣。您正在运行模拟实验的模型是什么？它是具有2因子相互作用的二次多项式模型还是更复杂的东西？您可以共享数据表和模型的匿名版本吗？我想我必须查看数据和模型，才能弄清楚问题可能出在哪里。您可以通过以下方式给我发送电子邮件 robert.anderson@jmp.com 如果那更容易，罗伯特
回复：使用2种优化方法找到最佳过程操作条件您好Ella，还有一个问题，您的模型的R平方是多少？罗伯特
回复：使用2种优化方法找到最佳过程操作条件我尝试优化4个模型。
自从我使用fgls以来，其中3个是在MATLAB上预测的，然后在JMP上创建这些公式。
第四个是神经网络。
这就是为什么我不知道3个fgls模型的R ^ 2的原因。据我记得，神经网络模型R ^ 2约为％40。
我的模型就是这样（它们具有主要作用和干扰）：
第一：
（（（（（（（（（-9511）+ 0.1 *：x1 + 0.23 *：x3 + 745 *：x4）-369 *：x6-0.8 *：x7-4.2 *（
：x1-2521）*（：x4-13））+ 2.3 *（：x1-2521）*（：x5-13.32）+ 2 *（：x2-1.36）*（
：x3-60.1））-23.8 *（：x3-60.1）*（：x6-0.82））+ 33535 *（：x4-13）*（：x5-13.32
）+ 11650 *（：x4-13）*（：x6-0.82））-6088 *（：x5-13.32）*（：x6-0.82））+ 3.9 *
（：x5-13.32）*（：x7-5.4）
第二个：
（（（（31.4 *：x2-1.4 *：x3-199 *：x4）+ 203 *：x5 + 0.3 *：x7 + 2.1 *（：x1-2521）*
（：x4-13）+ 760 *（：x2-1.36）*（：x6-0.82）+ 11 *（：x3-60）*（：x4-13）+ 0.01
*（：x3-60）*（：x7-5.5））-4.1 *（：x4-13）*（：x7-5.5））+ 5015 *（：x5-13.3）
*（：x6-0.8）
第三个：
（180-0.04 *：x1-2.3 *：x3）+ 138.4 *：x6 + 0.3 *：x7 + 2.2 *（：x1-2522）*（：x4
-13）
最后一个：
-1.78381405723789 * TanH（
0.5 *（673.879493391115 + 0.00156828939441121 *：x1 + 2.15320544406296 *：x2
+0.11296315865742 *：x3 + -73.8380042960357 *：x4 + 22.4620052527818 *：x5 +
-34.1317569124232 *：x6 + 0.00576272662208232 *：x7）
）
随机变量：X4，x5，x6
其余为固定变量。
我希望这些会有所帮助
回复：使用2种优化方法找到最佳过程操作条件罗伯特你好，
这是一个非常迷人的方法。感谢你的分享。我想知道是否可以使用这种方法来确定此过程的最佳过程窗口。换句话说，在确保响应介于两个规格限制之间的情况下，将导致最大正交（体积？）的输入变量的范围是多少？
我使用术语“正交”来表示过程参数将作为参数范围表列出，并且过程参数的任何组合都应导致过程输出在规格限制之内。我想最大程度地增加过程窗口的容量，以允许最大程度地改变过程参数。
问候，
大卫
回复：使用2种优化方法找到最佳过程操作条件大卫，您好，我认为，如果我正确理解您说的话，将会使“模拟实验”达到“下一个层次”。在模拟实验中，您必须指定每个因子设置中预期会有多少变化，或者换句话说，您可以控制每个因子设置的程度。我认为您要问的是，在每个因素设置开始对“总体缺陷率”产生实质性影响之前，每个因素设置会发生多大的变化。要在当前的JMP中执行类似的操作，您需要运行一系列的“模拟实验”，每个实验的因素都有不同的变化量，以查看会对“总体缺陷率”产生什么影响。为此，您可能需要运行“空间填充” DOE，并使用高斯过程对结果进行建模。因此，我认为您实际上是在谈论“模拟实验”上的“模拟实验”。然后，您可以基于原始“模拟实验”中的SD（标准偏差）值为“总体缺陷率”建立模型。可能会编写类似的脚本，但不幸的是，它可能超出了我可以轻松完成的工作或有时间进行工作。也许其他人会接受这个挑战！
回复：使用2种优化方法找到最佳过程操作条件感谢您的答复，罗伯特。您对我的追求做了很好的总结，并给了我一些值得思考和玩耍的有趣东西。我很乐意发布在该主题上取得的任何进展，但是到最后，如果社区中有人对这个主题感兴趣，我将非常欢迎您的合作！
回复：使用2种优化方法找到最佳过程操作条件大卫，您好，很高兴我正确理解了您的想法。我同意您的建议将是对“模拟实验”的有益补充和扩展。也许您可以将您的想法发布到社区的“ JMP愿望清单”部分。实际上，我几年前曾建议，如果可以简化工作流程，并且只需单击一下即可完成模拟实验优化过程，也就是使用类似于“最大化期望性”的方式，那么将会有更多的人使用“模拟实验”。不幸的是，这从未发生过。如果您同意，也许您也可以提出建议？来自客户，它可能会获得更高的优先级。我期待着您的到来。如果可以提供帮助，请告诉我。我想花更多的时间在此上，但是不幸的是我必须继续专注于我的“日常工作”。
回复：使用2种优化方法找到最佳过程操作条件感谢罗伯特的链接，这些链接总是对我的学习有所帮助。
如果您还有其他关于缺陷分析器或基于预测分析器的红色三角形下的主题的文档或视频，我非常有兴趣介绍它们。
嗨，大卫，
在我之前的研究中，我也深思过您的问题。但是我放弃了，因为我还有更重要的问题需要解决。Bu acc。对于David的解释，我看到JMP中没有一键式解决方案。如果您有解决方案，我也很高兴听到并应用它。
回复：使用2种优化方法找到最佳过程操作条件任何对此博客感兴趣的人都应该观看“ JMP On Air”视频模拟实验记录了几个月前。上面的YouTube视频已有5年历史了。几年前，我也就此话题做了一次探索讲座使用蒙特卡洛模拟实验对过程和产品进行稳健的优化
回复：使用2种优化方法找到最佳过程操作条件谢谢Ella，不久前有人白化病我也对您和David上面讨论过的想法很感兴趣，并且围绕该主题进行了一些讨论找到一个因素的允许极限以确保低缺陷率如果有人确实提出了一种自动的方法来探索或了解您可以容忍每个因素有多少变化而不会严重影响整体缺陷率，那肯定会很好。您可以使用现有的JMP功能以迭代方式“手动”探索此方法，如其他线程所讨论的那样，但是“一键式”解决方案将是不错的选择。你们俩都鼓励我尝试找些时间自己看看。但是，我怀疑它可能需要比我现在拥有的脚本功能更大的脚本功能，但我将继续尝试。如果有人设法更快地提出解决方案，那对我来说很好。
使用2种优化方法找到最佳工艺操作条件科学家和工程师经常需要为其工艺或产品找到最佳设置或操作条件，以最大化产量或性能。我将向您展示如何优化功能 JMP 可以帮助您确定最佳设置。出乎意料的是，从长远来看，预计将提供最高产量或最佳性能的特定设置并不总是最佳的位置。大多数过程和产品都可能会发生某种程度的漂移或变化，因此最佳操作条件需要考虑到这一点。
您可能熟悉过程优化中的最大化期望，但是模拟实验是JMP Prediction Profiler中鲜为人知的瑰宝。如果您试图为过程找到最可靠的因子设置，那么您需要了解模拟实验。我将向您展示模拟实验有多么有用，以及它如何超出可实现的最大期望。
大多数设计的实验的目的是识别和量化多少特定因素或输入会影响该过程的响应或输出。次要目标通常是使用这种理解来选择将提供最理想的响应或输出值的因子设置。
一旦我们运行了设计好的实验并建立了描述因素与响应之间关系的模型，便可以使用该模型找到最佳的因子设置，从而为我们感兴趣的响应提供最令人满意的值。在JMP中，有几种不同的方法可以执行此优化过程，这些方法在Profilers手册的第8章和第9章中有详细介绍，可以在JMP的“帮助”>“ Books”下找到。
我想重点介绍以下两种方法：最大化可取性和模拟实验，因为在某些情况下它们可以导致截然不同的解决方案。我将使用的示例说明这是一个具有5个因素和一个响应的13次运行的最终筛查设计（DSD）。这些三级确定性筛选设计是一类新的筛选设计，可以非常有效地使您识别重要的主要作用。如果只有三个活动的主要效果，它们还可以使您构建具有两因素交互作用和二次项的完整响应表面模型。这些设计的发明者布拉德利·琼斯（Bradley Jones）在其出色的著作中更详细地描述了它们。关于该主题的博客文章 。
一个13运行的DSD如下所示。
建立此实验模型的最快，最简单的方法是运行JMP数据表左上角面板中以蓝色突出显示的内置Screening脚本。我们获得的模型包含三个主要影响-修改器，温度和时间-以及修改器和温度之间的两因素相互作用项，以及时间的二次项。该模型的Prediction Profiler如下所示。我还打开了Monte Carlo模拟器和Contour Profiler。
使用初始因子设置（三维因子空间的中点），我们可以看到临界输出的值预计为75.3，并且蒙特卡洛模拟中的50％的点低于较低规格限制。等高线图显示了我们几乎完全落在该规格下限上。
当我们转到由最大期望值（如下）确定的设置时，关键输出增加到82.1，低于规格下限的点数百分比下降到4.6％。等高线图显示我们现在位于左上角，其中临界输出的最高值预计为该值。
现在，如果我们查看由仿真实验确定的设置（如下），我们将移至等高线图的右上角，等高线距离更远。对于临界输出，我们还没有达到很高的预测值。现在是79.8，但是低于规格下限的点数的百分比已大大降低至1.8％。当我们将最大期望解与仿真实验的设置进行比较时，可以看到主要区别在于仿真实验为Modifier选择了一个较高的设置，该设置利用了Modifier和Temperature之间的两因素相互作用，从而使关键输出对温度的变化不敏感（Profiler中的温度线现在是平坦的）。关键输出分布变得更紧密，超出规格的点也少得多，从而使过程更稳定。
让我们看一下仿真实验如何找到这个更强大的解决方案。仿真实验以不同的方式探索要素空间，以最大程度地满足需求。与其在要素空间中搜索为关键输出提供最理想值的设置，不如在要素空间中搜索以最小化由蒙特卡洛模拟计算出的缺陷率的设置。它仍然使用与最大化期望值相同的模型，但是现在使用该模型运行一系列的蒙特卡洛模拟，以确定缺陷率在因子空间内如何变化。它使用空间填充设计来执行此操作，并使用高斯过程对缺陷率进行建模。要启动仿真实验，请进入Prediction Profiler中Simulator大纲中的红色三角形菜单。
运行模拟实验时，它将在空间填充设计指定的每个因子设置下执行Monte Carlo模拟，并将针对每个模拟运行获得的缺陷率记录到表中。该表如下所示。每行代表具有不同因子设置的蒙特卡洛模拟运行。该表还包含一个内置脚本，该脚本将对缺陷率建模（实际上是对日志缺陷率建模，因为这样可以更好地响应使用）。然后，我们可以找到最小化缺陷率的最佳设置（在缺陷率事件探查器中使用最大期望值），然后将这些设置保存到关键输出的原始“预测事件探查器”中。
要观看更详细演示的模拟实验，请观看以下视频：
最大化期望值与模拟实验之间的主要区别在于，在选择最佳因子设置时，最大化期望值并没有考虑因子的自然变化。仿真实验考虑了因子设置中的自然变化，并找到了最可靠的设置以最小化缺陷率。我女儿为我画的一幅画很好地说明了这种差异，说明了JMP如何使复杂的问题变得简单。
