Cómo ejecutar Monte Carlo para la variación de los factores: experimento de simulación/optimización estocásticaHola,
Estoy tratando de entender cómo utilizar el "Experimento de simulación" bajo el Simulador triángulo rojo para evaluar cómo mi respuesta se ve afectada por la variación/distribución aleatoria en mis factores X, pero no estoy seguro de cómo interpretar los resultados. Genera un "Modelo de proceso gaussiano de tasa de defectos Log10" separado:
A continuación se muestran mis factores X en un estado fijo actualmente:
Tengo algunas preguntas:
1. ¿La conveniencia inicial minimiza solo realiza la minimización en la expresión/ecuación de predicción generada y no tiene en cuenta la variación normal aleatoria de los factores X?
2. Cuando ejecuto el experimento de simulación, ¿qué me dice el proceso gaussiano? Quiero generar un análisis de capacidad de la respuesta debido a la variación aleatoria de mis factores X... esto no parece proporcionar esa información (no sé cómo interpretar la tasa de defectos de Log10)
3. ¿Hay recursos/ejemplos de este tipo de problema disponibles en algún lugar al que pueda hacer referencia?
Re: Cómo ejecutar Monte Carlo para la variación de factores - Experimento de simulación/Optimización estocásticaLo siento, no me di cuenta de que estabas trabajando con un conjunto de datos experimentales existente que no creaste.
Con respecto a sus ejemplos situacionales; El ajuste de nivel en el experimento y el ruido asociado que cambia durante el experimento crea el espacio de inferencia o diseño. En su hipotético, " la variación de temperatura no se entiende bien", si la temperatura no se entiende bien, ¡estúdiela! ¿Cuánta confianza tendría en los resultados de una simulación que asume alguna distribución y cierta cantidad de variación total?, O "se cree que es aleatorio dentro de un rango específico (por ejemplo, 35 - 45 C), y solo se probaron los valores bajo, medio y alto del DoE", sugeriría que si el valor bajo fuera 35º y el alto fuera 45º y un tercer nivel en el centro 40º entonces tienes una comprensión bastante buena de ese espacio. Tenga en cuenta que una simulación se basa en un algoritmo (modelo) ya conocido. Quizás el modelo fue creado como resultado de un experimento. El espacio de inferencia del experimento sigue siendo una restricción a la viabilidad del modelo. ¿Puede formular una hipótesis de lo que podría suceder al usar su modelo para predecir fuera del espacio de inferencia? Por supuesto, pero sería mejor que realizara experimentos en un espacio de inferencia más amplio.
Re: Cómo ejecutar Monte Carlo para la variación de factores - Experimento de simulación/Optimización estocásticaUna gran pregunta.
Este es un DOE de la industria que ya se ejecutó y estoy utilizando los datos que tengo que informar. Según tengo entendido, el aceite se elimina a través de una cámara de CO2 supercítico y el extracto se mide a través de un espectro de RMN, convertido a PPM (no estoy completamente detallado en el desglose de esos datos en este momento).
En cuanto a su segundo punto, dado que el estudio del DoE ya se completó, espero comprender que la variación en nuestras X debido a la aleatoriedad podría tener potencialmente en nuestra respuesta y capacidad. Si, por ejemplo, la variación de temperatura no se entiende bien o se cree que es aleatoria dentro de un rango específico (por ejemplo, 35 - 45 C), y solo se probaron los valores bajo, medio y alto del DoE,
Todavía me preguntaría: ¿qué me gana el experimento de simulación para comprender mejor este sistema? ¿O la simulación de las x es lo suficientemente buena para estudiar la variación de las x y su efecto en la respuesta?Re: Cómo ejecutar Monte Carlo para la variación de factores - Experimento de simulación/Optimización estocásticaSolo algunos otros pensamientos:
1. No entiendo lo que quiere decir con cantidad de aceite en PPM. ¿No puede medir la cantidad real de aceite residual (por ejemplo, volumen, peso, concentración, etc.)? Cuanto más continua sea su medición, más eficiente será su estudio (y menos tendrá que depender de transformaciones)
2. ¿Por qué simularías la variación en las x? ¿Por qué no estudiar la variación de las x? Monte Carlo es más efectivo si conoce la distribución, variación y consistencia de la variación en las x. Me parece que necesita algún conocimiento de la variación en las x antes de elegir niveles para su experimento. Si la variación aleatoria en un nivel se superpone a la variación aleatoria en otro nivel, podría resultar difícil asignar la variación.
Re: Cómo ejecutar Monte Carlo para la variación de factores - Experimento de simulación/Optimización estocástica¡Estás en lo correcto!
Re: Cómo ejecutar Monte Carlo para la variación de factores - Experimento de simulación/Optimización estocástica¡Gracias por esto!
Tengo entendido que el experimento de simulación es beneficioso para minimizar la tasa de defectos, ya que la optimización realizada en el paso de simulación después de la optimización puede no proporcionar el rendimiento más bajo. ¿Es esa una evaluación precisa a un alto nivel?Re: Cómo ejecutar Monte Carlo para la variación de factores - Experimento de simulación/Optimización estocásticaGracias por la referencia. Ahora entiendo mejor lo que estás haciendo.
El paso de simulación después del paso de optimización evalúa su configuración actual para cada factor con la variación esperada. Simula ejecuciones futuras dada la definición de cada factor y la respuesta. Se trata sólo de capacidad y defectos. Esa información podría ser suficiente para su propósito.
El siguiente paso, Experimento de simulación, no es obligatorio pero ofrece más información. Este paso utiliza su modelo ajustado, no sus datos experimentales. Utiliza un diseño de relleno de espacio para un experimento de computadora dentro del espacio factorial original. Se crea una tabla de datos con el diseño y la tasa general de defectos estimada en función de la respuesta simulada para cada ejecución. Utiliza un modelo de proceso gaussiano con la tasa de defectos del experimento informático como interpolador para predecir y visualizar los resultados del experimento. Las tasas de defectos pueden variar en varios órdenes de magnitud, por lo que la tasa se transforma con la función logarítmica, base 10, para la estabilidad.
La forma en que defina el componente aleatorio de sus factores en la función Simular lo ayudará a evaluar el efecto de qué tan bien puede controlarlos en el proceso.
Re: Cómo ejecutar Monte Carlo para la variación de factores - Experimento de simulación/Optimización estocástica¿Cuál es tu respuesta? Mi respuesta es un proceso de fabricación de una cantidad de aceite residual en un material, en PPM
¿Qué tipo de modelo estás usando? Actualmente estoy usando un modelo cuadrático con interacciones bidireccionales
¿Son significativos los factores? Los términos cuadráticos no son significativos, lo que conduce a una interacción bidireccional más simple y los términos lineales (que son significativos)
¿Qué efectos estás modelando? La cantidad de aceite residual depende de la temperatura, la presión y la cantidad de Co2 utilizada en la cámara en la que se coloca. Intentaba ir más allá de la ecuación de predicción normal y entrar en la optimización estocástica, en la que entiendo que esto me permitirá realizar ejecuciones experimentales adicionales para representar la variación y la imprevisibilidad de mis variables de efecto.
He utilizado el ejemplo de optimización estocástica: https://www.jmp.com/support/help/en/15.1/index.shtml#page/jmp/example-of-stochastic-optimization.shtml#ww375920
Cuando no necesariamente sé con total certeza que mis factores de efecto pueden controlarse o serán un número exacto, ¿la optimización estocástica me brindará ayuda con esta incertidumbre?Re: Cómo ejecutar Monte Carlo para la variación de factores - Experimento de simulación/Optimización estocásticaTengo algunas preguntas y comentarios, y luego intentaré responder a sus preguntas en función de la información que ya proporcionó.
- ¿Cuál es tu respuesta?
- ¿Qué tipo de modelo estás usando?
- ¿Son significativos los factores?
- ¿Qué efectos estás modelando?
Aquí están mis respuestas:
- Sí, la función de deseabilidad representa la respuesta media porque eso es lo que representa el modelo. También podría modelar la varianza de la respuesta y definir ne su conveniencia por separado.
- Hay un control en el esquema de la tabla para guardar los resultados de la simulación en una nueva tabla de datos para el análisis de capacidad.
- ¿Qué recursos has utilizado hasta ahora? Has leído Ayuda > Biblioteca de documentación de JMP > Perfiladores ¿guía?
