揚聲器
|
成績單
|
| 帕特里克·朱利亞諾 |
好的。 嗯，歡迎大家。 |
| |
感謝大家抽出寶貴時間觀看本次演示。 |
| |
準備最新鮮的蒸餃。 |
| |
我的名字是 Patrick Giuliano，我的合著者是來自 Applied Materials 的 Mason Chen 和 Charles Chen，以及 Yvanny Chang。 |
| |
好的，今天我將向您介紹我如何利用...我和我的團隊利用 JMP 的力量來真正了解 |
| |
煮餃子。 |
| |
因此，這裡的普遍問題是大多數食物（例如餃子）的製作都沒有精確控制烹飪參數。 |
| |
餃子的味道以及衡量餃子好壞的其他輸出都會受到烹飪時間不當的不利影響，這對於每個喜歡食物的人來說都是直觀的，所以 |
| |
我們不需要對此談論太多。 但 |
| |
人工智能和機器人技術遲早將成為食品行業的重要組成部分。 |
| |
我們最近在 Covid 19 方面的經歷確實凸顯了這一點，所以我將談談我們如何 |
| |
可以使用多方面的建模方法更好地了解包餃子的過程，該方法使用了 JMP 的許多建模功能，包括強大的蒙特卡羅設計優化。 |
| |
那麼為什麼要包餃子呢？ |
| |
嗯，餃子很容易煮。 |
| |
當然，通過烹飪它們，我們可以殺死可能存在於其上的任何異物顆粒。 |
| |
烹飪涉及的人際互動非常有限。 |
| |
當然，與烹飪相關的設計和過程空間是非常直觀和可擴展的 |
| |
我們可以考慮與這個問題相關的物理學，並嘗試使用JMP來幫助我們更好地真正理解和研究物理學。 |
| |
當然，由於 Covid 19，人工智能確實遲早會到來，而且 |
| |
為什麼會出現機器人煮餃子？ 出色地 |
| |
還有其他問題可能是，有什麼好處？ 在機器人環境中以自動化方式煮餃子麵臨哪些挑戰？ |
| |
當然，這可能是一個挑戰，因為實際上機器人沒有鼻子來嗅覺。 正因為如此，這就是一個重要原因，除了 |
| |
儘管這是一種先進的多方面建模方法，但考慮其他一些結構化標準也很重要。 |
| |
在本次演講的後面部分，我將稍微討論一下 HACCP 標準以及我們如何整合該標準，以便以更結構化的方式解決我們的問題。 |
| |
可以，然後呢 |
| |
在深入研究許多有趣的 JMP 分析之前，我想簡要介紹一下傳熱物理學、食品科學以及不同的傳熱機制如何影響餃子的烹飪。 |
| |
正如您在這張幻燈片中看到的，有一個 |
| |
問 |
| |
在圖的頂部和右上角，Q 指的是……它指的是熱流密度，即熱流密度 |
| |
單位時間內流過單位面積的流量，以及溫度變化的方向。 |
| |
從物理學的角度來看，蛋白質、生肉和煮肉的能量不同。 必須克服活化能壘，才能將生肉蛋白質結構轉變為變性或緻密結構，如此處所示。 |
| |
在左邊的這張照片中。 |
| |
因此，從物理角度煮肉時，廚師的首要任務是提高整個肉塊的溫度 |
| |
至少 |
| |
達到變性的溫度。 |
| |
稍後，我將討論這個實驗特定階段最有趣的發現，我們發現溫度被切斷了。 |
| |
直覺上，你會認為低於一定溫度，餃子會煮熟……不會煮熟，它們會太濕，而高於一定溫度，也許它們也會太濕，或者可能會被燒焦或結皮。 |
| |
關於這裡的物理原理的最後一個注意事項是，在沸騰閾值時，水的表面溫度會波動，氣泡會上升到鍋爐的表面 |
| |
並破裂和塌陷，這可能會導致很難收集……捕獲並……對不起……捕獲准確的溫度讀數。 |
| |
那麼這引導我們進入一些......我們用來進行實驗的一些工具是什麼？ |
| |
出色地， |
| |
當然，我們用的是煮鍋，這一點非常重要。 |
| |
當然，我們使用了某種東西來測量溫度，為此我們使用了紅外溫度計和計時器，當然，我們使用了質量天平來稱量餃子和餃子中的所有成分。 |
| |
我們可能會在未來的研究中考慮稱為 Gare R&R 的東西，並且我們可以量化我們的測量工具的可重複性和再現性。 |
| |
在這個實驗中，我們沒有這樣做，但這非常重要，因為這有助於我們最大限度地提高模型估計的精確度……最小化與測量過程相關的噪聲分量。 |
| |
這些噪聲成分不僅可能是 |
| |
事實上……可以說是測量儀精度公差的一個因素，但也可能是由於人與測量本身的交互方式所致。 |
| |
而且，特別是，我將談談測量高溫下的沸騰和烹飪溫度所面臨的挑戰。 |
| |
好吧，就這麼簡單， |
| |
這...我們將此實驗設置為設計實驗。 所以我們必須首先決定工具。 |
| |
我們必須決定如何包餃子。 所以我們需要一個製造工藝和適當的 |
| |
這個過程中的角色扮演者。 然後我們必須設計一個結構化的實驗。 為此，我們使用最終的篩選設計 |
| |
並研究了設計的一些特徵，以確保設計在我們的實驗中表現最佳。 |
| |
接下來我們進行實驗。 |
| |
進而 |
| |
我們測量並記錄了響應。 |
| |
當然，最後是有趣的部分， |
| |
我們必須有效地解釋數據和 JMP。 |
| |
此處的這些圖表顯示了僅使用圖形函數在 JMP 中生成的散點圖矩陣。 |
| |
這些實際上向我們表明了預測空間的均勻性。 稍後我將在接下來的幻燈片中詳細討論這一點。 |
| |
好的，這是我們的數據。 這是我們的數據收集計劃，右側是我們測量的響應，即餃子的發酵時間或烹飪時間。 |
| |
我們在 DSD 中收集了 18 個運行，這些運行是我們使用 DSD 平台在 JMP 中和 DOE 菜單下生成的。 |
| |
我們收集了有關肉的質量、加入的蔬菜的質量、肉的類型的質量，更確切地說，蔬菜的成分（捲心菜或蘑菇）的信息， |
| |
當然還有總重量、我們煮的批次大小、每批次餃子的數量以及水溫。 |
| |
因此，這張幻燈片只是強調了 DSD 的一些驚人功能，我不會對此進行過多討論，但 DSD 因其靈活而強大的建模特性而備受讚譽。 |
| |
它們具有在單個實驗中進行閃電篩选和優化的巨大潛力。 |
| |
右側的圖表是在 JMP 中生成的相關矩陣，在其設計的 DOE 菜單診斷平台中，它對於顯示特別強大 |
| |
模型中所有因子效應之間的混疊或混雜程度。 這張圖清楚地表明了這一點 |
| |
通過最深的藍色，沒有相關性，隨著相關性的增加，我們得到灰色陰影，最後，當我們達到非常正相關時，我們得到紅色陰影。 所以我們真正看到的是 |
| |
主效應彼此完全不相關，這就是我們喜歡在兩個因素相互作用中看到的，主效應是不相關的。 |
| |
具有二次效應，位於右象限。 然後二次效應實際上只是部分相關，然後你就有了這些更高階的相互作用項， |
| |
這些實際上與交互作用部分相關，這些類型的特徵使這種特定的設計優於我們過去學過的典型分辨率 III 和分辨率 IV 部分因子設計 |
| |
在 DSD 之前。 |
| |
好的。 因此，快速討論一下設計診斷。 這是相同的相關性...類似的相關性圖，只不過這些因素實際上已被賦予了特定的名稱 |
| |
在……運行這個 DSD 設計之後。 這只是相關矩陣的灰色和白色版本，可幫助您了解正交性或 |
| |
不，不存在？？？因素之中。 所以你可以在我們的實驗中看到我們確實觀察到了一點 |
| |
毫不奇怪，批量大小與肉之間的混淆，當然還有肉與餃子中肉和蔬菜之間的相互作用。 |
| |
請注意，我們在這裡施加了一個設計約束，我們確實觀察到了一些混雜因素，這是非常直觀的約束，因為餃子......而不是餃子的總質量是餃子本身每個成分的組成。 |
| |
所以， |
| |
另一個... |
| |
那麼為什麼，為什麼我們要這樣做？ |
| |
為什麼我們在這裡評估這個引用不引用的均勻性，這是這裡的散點圖矩陣，這告訴我們什麼？ 出色地， |
| |
為了最大化整個預測器空間的預測能力，在這種情況下的上升時間，我們希望找到最小化白色區域的因素的組合。 好的。 在白色區域中，預測精度被認為較弱。 |
| |
這就是為什麼我們採用設計並將其放入散點圖矩陣中，這類似於方差分析中誤差假設的同質性排序， |
| |
你知道我們尋找一個空間，即等概率的預測空間，或者線性回歸中的等方差假設。 |
| |
當我們需要時，我們希望這個空間在預測變量的範圍內具有相同的概率。 |
| |
當然，在這個實驗中，為了減少我們正在考慮的因素的數量，我們首先使用了工程學以及我們對問題的工程學和物理學的理解。 |
| |
因此，為了識別，我們確定了六個自變量或相互混淆最少的變量，並且我們在這些主要變量的基礎上繼續進行分析。 |
| |
好的。 |
| |
因此，我們做的第一件事就是採用生成的設計，並使用逐步回歸來嘗試簡化模型，僅識別模型中的活躍因素。 |
| |
在這裡，您可以使用前向選擇、後向選擇和混合的組合作為停止標準，以確定解釋響應中最大變化的模型。 |
| |
而且，我可以將肉類類型建模為離散和/或數字或......相當離散的數字，這樣我可以使用此標籤使因子編碼對應於 |
| |
肉的類型是我們用的蝦或豬肉。 |
| |
那麼在這種回歸模型的框架中可以使用什麼樣的停止規則呢？ 出色地， |
| |
不幸的是，當我一次又一次地運行這個模型時，我並不能真正準確地重現它。 並且模型再現可能有些不一致，因為擬合......這種類型的擬合模式涉及迭代解決方案的計算過程。 |
| |
因此，在逐步回歸中，過度擬合風險通常較高。 |
| |
通常如果模型中有任何曲率 |
| |
或者有兩個因素相互作用，例如，...的解釋性變體在這兩個因素之間共享，您無法梳理與其中一個或另一個相關的可變性。 |
| |
因此，根據調整後的 R 平方，我們可以在這裡清楚地看到，我們得到了非常好的擬合，而且可能擬合得太好了。 |
| |
這意味著我們無法根據它們對這個特定模型的擬合程度來預測未來。 |
| |
好的。 |
| |
這就是它變得非常有趣的地方。 所以 |
| |
在逐步運行之後，我們首先要做的事情之一是為模型中的每個因素分配獨立的統一輸入。 |
| |
這是 JMP 中的一種蒙特卡羅實現。 |
| |
一種不同類型的蒙特卡羅實現 and and and |
| |
在這個特定的框架中，重要的是要理解主效應和總效應之間的差異可以表明相互作用的程度。 |
| |
這是與模型中特定因素相關的相互作用的程度。 所以這表明，特別是水溫和肉， |
| |
除了在總效應方面最具解釋性之外，還可能與該特定模型中的其他因素相互作用。 |
| |
當然，您所看到的是，我們使用帕雷多圖進行轉換後的估計，將水溫、肉類和肉類類型確定為我們的首要預測因素。 |
| |
在開始其他一些幻燈片之前，我想強調的另一件事是我們可以在此處調用的靈敏度指示指示器 |
| |
在我們分配獨立的統一輸入後，在分析器下， |
| |
我們可以對輪廓分析器進行著色，以指示每個輸入輸入因子與響應之間的關係強度。 我們還可以使用 |
| |
敏感度指標，由這些紫色三角形表示，向我們展示敏感度，或者你可以說關係的強度 |
| |
類似於線性回歸係數表示強度，其中三角形越高，關係越陡峭， |
| |
正方向或負方向越強，三角形越寬越平，該因素所發揮的關係就越弱。 |
| |
好的。 |
| |
因此，我們開始減少模型並利用一些工程意識並使用逐步平台。 |
| |
我們得到了什麼 |
| |
這只是我們的模型擬合的快照，源自 DSD 設計，它具有 RSM 結構作為曲率。 你可以看到這是一個交互圖，它以成對的方式顯示了所有因素之間交互的程度。 |
| |
我們已經指出了一些交互存在的位置以及這些交互的樣子。 |
| |
所以這是一個我們真的可以更好地掌握的模型 |
| |
可以，然後呢 |
| |
我認為另一件事要提到的是，我們施加的設計約束類似於您可能認為的混合設計，其中所有組件加在一起並且約束之和必須為 100%。 |
| |
好的，這只是分析器的高級圖片，我們可以調整或調製每個輸入因子，然後 |
| |
觀察對響應的影響，我們以非常手動的方式做到了這一點 |
| |
只是為了對模型的表現有一些直觀的了解 |
| |
當然，為了優化我們的烹飪時間，我們確認時間必須更快，當然，與烹飪時間相關的變量應該更低。 |
| |
吞吐量和功耗應該被優化、最大化。 這是另外兩個 |
| |
我們根據烹飪時間得出的反應。 |
| |
好的，這就是我們更全面地進行優化的地方 |
| |
的烹飪過程。 正如我之前提到的，我們設計或創建了兩個與物理相關的附加響應變量，其中我們具有最大吞吐量，這取決於有多少餃子...... |
| |
對不起，要看包多少個餃子，還有重量和時間。 |
| |
節省的電量是消耗的電量和烹飪時間的乘積，烹飪時間是能源的一部分。 |
| |
因此，為了參與這個優化過程， |
| |
我們需要引入與每個輸入因素相關的誤差，並由底部的這些分佈表示。 |
| |
而且我們還需要考慮實際的 HACCP 控制窗口，當然還有測量設備的能力，這是我們希望在未來的研究中關注的內容。 |
| |
因此，這只是我們使用的 HACCP 控制計劃的一張漂亮圖片，這與質量行業中的故障模式和影響分析非常相似。 這只是一種結構化方法 |
| |
實驗或製造工藝開發以及確定關鍵變量的地方， |
| |
關鍵所有者，然後衡量標準是什麼以及如何驗證該標準。 因此，HACCP 實際上在食品科學行業中很常見，它代表危害分析關鍵控制點監控。 |
| |
我認為 |
| |
除了所有這些準備活動之外，主要是我作為數據收集者參與了這個實驗，並且數據完整性是非常重要的事情。 所以 |
| |
適當地轉錄數據絕對是非常重要的。 |
| |
因此，所有 HACCP 控制點都需要納入蒙特卡羅模擬範圍，最終可以使用 HACCP 容差範圍來推導過程性能要求。 |
| |
可以，然後呢 |
| |
我們考慮了一系列輸入，蒙特卡羅可以確認這個預期範圍對於烹飪時間來說是實用的。 |
| |
我們希望考慮每個 HACCP 組件級別的每個輸入因素的微小變化，並且 |
| |
這是由控制點範圍決定的。 根據控制點範圍，我們可以根據增量 y 響應時間確定每個輸入中的增量 x 和增量。 |
| |
我們可以繼續迭代地增量增加 delta x， |
| |
同時希望增量足夠小，以便 y 的變化足夠小以滿足規範。 通常在工業中，這是一個設計公差，在這種情況下，它是我們的 HACCP 控制點控制參數範圍或控制參數限制。 |
| |
如果迭代過程失敗，那麼我們必須使增量和 X 更小，我們將此過程稱為容差分配。 好的。 |
| |
我們手動進行了這種操作，並使用某種作為我們自己的特殊配方。 儘管這可以在 JMP 中以更自動化的方式完成， |
| |
在這種情況下，您可以看到我們有更多的回复。 因此，使用多重響應優化，以及涉及調用意願函數並在預測刻畫器下最大化意願 |
| |
以及高斯過程建模， |
| |
也可在預測刻畫器下使用。 |
| |
好的。 因此，接下來，您知道，使用相互補充的工具並嘗試進一步了解我們的產品……我們的流程和實驗，我們使用預測建模工具下的分析菜單下的神經建模功能。 |
| |
和 |
| |
我們，我們試圖利用它來促進我們的預測。 |
| |
該模型使用TanH函數，可以更強大地檢測非線性效應中的曲率， |
| |
但它有點像一個黑匣子，並沒有真正與物理學聯繫起來。 所以 |
| |
同時它對非正態響應也具有魯棒性，並且對混疊混雜也具有一定的魯棒性。 |
| |
它有其局限性，特別是在樣本量較小的情況下，例如我們這裡的樣本量，您實際上可以看到訓練集和驗證集之間的 r 平方並不特別 |
| |
相同或不同，因此該模型對於預測目的並不是特別一致。 |
| |
最後，我們使用 JMP 中的分區平台在我們的系統上運行遞歸分區 |
| |
響應時間響應。 |
| |
一般來說，這個模型絕對是相對容易解釋的，但我認為特別是對於我們的實驗來說，因為我們可以看到，在上升時間裡，我們的溫度在大約 85 攝氏度處截止， |
| |
以及與最大吞吐量相關的一些溫度差異，但特別是 85 度截止是最……非常有趣。 |
| |
該模型中的 R 平方值約為 0.7，至少相對於溫度上升響應而言，考慮到樣本量較小，這對於此類模型來說相當不錯。 |
| |
和 |
| |
最有趣的是，低於 85°C 時，水實際上並沒有沸騰。 沒有 |
| |
大量冒泡，無湍流。 讀數非常穩定。 然而，隨著溫度的升高，水開始循環，水中的湍流導致溫度不均勻，空化氣泡破裂，蒸汽上升，基本上是一個不穩定的溫度環境。 |
| |
在這種類型的環境中，對流而非傳導占主導地位。 |
| |
而且蒸汽還會阻擋紅外測溫儀的光線，這也增加了與溫度測量相關的不確定性。 |
| |
並且蒸汽本身存在灼傷風險，除了安全性之外，它還可能影響操作員調整溫度計和放置溫度計的方式，調整操作員放置溫度計的距離，這對於測量的準確性非常重要。 |
| |
事實上，這就是我們將設計上限限制在 95°C 的原因，因為在這個溫度以上，確實不可能準確測量水溫。 |
| |
好的。 |
| |
那麼……我們到了哪裡？ 出色地， |
| |
總之，我們...在這個實驗中，我們僅使用 DSD (DOE) 來收集數據。 |
| |
然後我們使用逐步回歸來縮小重要影響的範圍，但我們沒有對逐步回歸進行太深入的研究。 我們利用常識以及工程專業知識來最大限度地減少實驗中的因素數量。 |
| |
我們還使用獨立的統一輸入， |
| |
這是非常強大的 |
| |
讓我們了解效果的大小，例如通過對輪廓進行著色或查看效果的排名，以及通過查看主效果和總效果之間的差異來指示模型中存在的交互作用。 |
| |
我們還在分析器下添加了靈敏度指標，以幫助我們量化全局靈敏度，以實現蒙特卡羅優化 |
| |
我們採用的模式。 |
| |
模型中的主要影響確實是溫度，當然，物理學確實解釋了為什麼溫度是第一因素，正如我在我們的發現中分享的那樣。 |
| |
此外，從 80-90 攝氏度之間，我們從分析儀中看到，我們觀察到了一種快速轉變，並且上升時間和溫度之間關係的敏感性增加，這當然與我們的實驗觀察結果一致。 |
| |
其次，關於相互作用的因素的影響，因為有兩種不同類型的物理真正相互作用，基本物理......相互作用的物理模式是對流和傳導， |
| |
DSD 上的逐步是一個很好的起點，因為它為我們提供了一個無需轉換的連續模型 |
| |
沒有 |
| |
先進的神經或黑盒類型轉換，我們至少可以一開始就很好地處理全局敏感性。 |
| |
我們的分區模型中的神經模型無法向我們展示這一點，特別是考慮到我們實驗中的樣本量較小。 |
| |
最後，我們使用蒙特卡羅模擬，魯棒蒙特卡羅模擬 |
| |
在我們自己的框架中。 我們還針對功耗的上升時間和吞吐量與我們的重要因素進行了一些多重響應優化。 通過這個實驗，我們開始真正限定並進一步理解了 |
| |
使用多學科建模方法來確定本實驗中最重要的因素。 |
| |
最後，我將在這里分享一些參考資料，供大家感興趣。 非常感謝您的寶貴時間和 |
