스피커
|
성적 증명서
|
| 패트릭 줄리아노 |
괜찮은. 자, 모두 환영합니다. |
| |
시간을 내어 이 프레젠테이션을 시청해 주셔서 감사합니다. |
| |
가장 신선한 찐만두를 준비합니다. |
| |
제 이름은 Patrick Giuliano이고 공동 저자는 Applied Materials의 Mason Chen과 Charles Chen, Yvanny Chang입니다. |
| |
자, 오늘은 제가 어떻게 활용했는지 말씀드리겠습니다...저희 팀과 저는 JMP의 힘을 활용하여 |
| |
만두 요리. |
| |
여기서 일반적인 문제 진술은 만두와 같은 대부분의 음식이 조리 매개변수를 정확하게 제어하지 않고 만들어진다는 것입니다. |
| |
그리고 만두의 맛과 만두의 맛을 측정하기 위한 다른 출력뿐만 아니라 부적절한 조리 시간은 부정적인 영향을 미치며 이는 음식을 즐겼던 모든 사람에게 직관적입니다. |
| |
우리는 그것에 대해 너무 많이 말할 필요가 없습니다. 하지만 |
| |
조만간 AI와 로봇 공학은 식품 산업의 중요한 부분이 될 것입니다. |
| |
그리고 Covid 19에 대한 우리의 최근 경험은 그것을 정말로 강조했습니다. 그래서 저는 우리가 어떻게 |
| |
강력한 Monte Carlo 설계 최적화를 포함하여 JMP의 많은 모델링 기능을 사용하는 매우 다면적인 모델링 접근 방식을 사용하여 교자식만두 공정을 더 잘 이해할 수 있습니다. |
| |
그럼 왜 만두인가? |
| |
만두는 요리하기가 매우 쉽습니다. |
| |
그리고 물론 그것들을 요리함으로써 우리는 그 위에 살아 있을 수 있는 이물질을 죽입니다. |
| |
그리고 요리에는 매우 제한된 인간 상호 작용이 포함될 수 있습니다. |
| |
물론 요리와 관련된 디자인과 프로세스 공간은 매우 직관적이고 확장 가능합니다. |
| |
이 문제와 관련된 물리학을 고려하고 JMP를 사용하여 물리학을 더 잘 이해하고 조사하는 데 도움을 줄 수 있습니다. |
| |
AI는 물론 Covid 19 때문에 조만간 실제로 다가오고 있습니다. |
| |
만두의 로봇 요리가 왜 올까요? 잘 |
| |
또한 다른 질문은 이점이 무엇입니까? 로봇 환경에서 자동화된 방식으로 만두를 요리할 때 어떤 어려움이 있습니까? |
| |
그리고 물론 이것은 도전이 될 수 있습니다. 실제로 로봇은 냄새를 맡을 코가 없기 때문입니다. 그리고 그것 때문에, 그것이 더 큰 이유입니다. |
| |
고급 및 다면적 모델링 접근 방식을 사용하려면 다른 구조화된 기준을 고려하는 것이 중요합니다. |
| |
그리고 이 프리젠테이션의 뒷부분에서 저는 HACCP 기준에 대해 조금 이야기하고 문제를 보다 구조화된 방식으로 해결하기 위해 어떻게 통합했는지에 대해 이야기할 것입니다. |
| |
좋아, 그래서 |
| |
흥미로운 JMP 분석을 시작하기 전에 열 전달 물리학, 식품 과학 및 다양한 열 전달 메커니즘이 만두 요리에 미치는 영향에 대해 간략하게 소개하고 싶습니다. |
| |
이 슬라이드에서 볼 수 있듯이 |
| |
큐 |
| |
다이어그램의 상단과 오른쪽 상단에 있는 Q는... 열 유속 밀도를 의미하며, 이는 |
| |
단위시간당 단위면적의 흐름과 온도변화의 방향. |
| |
물리학의 관점에서 볼 때, 단백질과 생고기 및 삶은 고기는 에너지 양이 다릅니다. 여기에 표시된 것처럼 생고기 단백질 구조를 변성되거나 압축된 구조로 전환하려면 활성화 에너지 장벽을 극복해야 합니다. |
| |
이 그림에서 왼쪽. |
| |
따라서 물리학적으로 고기를 끓일 때 요리사의 첫 번째 임무는 조각의 부피 전체에 걸쳐 온도를 높이는 것입니다. |
| |
적어도 |
| |
변성 온도에 도달합니다. |
| |
나중에 저는 온도 차단이 있다는 것을 발견한 실험의 이 특정 단계에서 가장 흥미로운 발견에 대해 이야기할 것입니다. |
| |
그리고 직관적으로, 여러분은 만두가 특정 온도 이하에서 조리될 것이라고 생각할 것입니다...제대로 조리되지 않고, 눅눅해지며, 특정 온도 이상에서는 아마도 너무 눅눅하거나 타거나 딱딱해질 수 있습니다. |
| |
여기서 물리학에 대한 또 다른 마지막 참고 사항은 끓는 임계값에서 물의 표면 온도가 변동하고 기포가 보일러 표면으로 올라간다는 것입니다. |
| |
부서지고 무너지면 수집하기가 어려워질 수 있습니다...캡처하고...실례합니다...정확한 온도 판독값을 캡처합니다. |
| |
그래서 그것은 우리를 몇 가지... 실험을 수행하는 데 사용한 도구는 무엇입니까? |
| |
잘, |
| |
물론 우리는 끓는 밥솥을 사용했고 그것은 매우 중요합니다. |
| |
물론 우리는 온도를 측정하기 위해 무언가를 사용했고 이를 위해 적외선 온도계를 사용했고 물론 타이머를 사용했고 만두와 만두에 들어가는 모든 구성 요소의 무게를 측정하기 위해 물질 저울을 사용했습니다. |
| |
향후 연구에서 Gare R&R이라는 것을 고려할 수 있으며 측정 도구의 반복성과 재현성을 정량화할 수 있습니다. |
| |
이 실험에서는 하지 않았지만 매우 중요합니다. 이는 측정 프로세스와 관련된 노이즈 구성 요소를 최소화하여 모델 추정의 정확도를 최대화하는 데 도움이 되기 때문입니다. |
| |
그리고 이러한 노이즈 구성요소는 |
| |
사실... 게이지에 대한 정확도 공차라고 할 수 있지만 사람이 측정 자체와 상호 작용하는 방식 때문일 수도 있습니다. |
| |
그리고 특히 높은 온도에서 끓는점과 조리 온도를 측정하는 문제에 대해 조금 이야기하겠습니다. |
| |
좋아, 아주 간단히, |
| |
이것은...우리는 이 실험을 설계된 실험으로 설정했습니다. 그래서 먼저 도구를 결정해야 했습니다. |
| |
우리는 만두를 만드는 방법을 결정해야 했습니다. 그래서 우리는 제조 공정이 필요했고 적절한 |
| |
그 과정에서 역할 플레이어. 그런 다음 구조화된 실험을 설계해야 했습니다. 이를 위해 최종 스크리닝 설계를 사용합니다. |
| |
설계가 실험에 대해 최적의 성능을 발휘하는지 확인하기 위해 설계의 몇 가지 특성을 살펴보았습니다. |
| |
다음으로 실험을 실행했습니다. |
| |
그런 다음 |
| |
응답을 측정하고 기록했습니다. |
| |
그리고 마지막으로 재미있는 부분은 |
| |
데이터와 JMP를 효과적으로 해석해야 했습니다. |
| |
바로 여기에 그래프 기능을 사용하여 JMP에서 생성된 산점도 행렬을 보여주는 그래프가 있습니다. |
| |
그리고 이것들은 실제로 우리에게 예측 공간의 균일성을 나타냅니다. 이에 대해서는 나중에...그 다음에는...다음 슬라이드에서 조금 더 이야기하겠습니다. |
| |
자, 여기 데이터가 있습니다. 여기에 데이터 수집 계획이 있고 오른쪽에는 만두가 익는 시간 또는 요리 시간인 측정한 반응이 있습니다. |
| |
우리는 DSD에서 18개의 런을 수집했고, DSD 플랫폼을 사용하여 JMP와 DOE 메뉴에서 생성했습니다. |
| |
그리고 우리는 고기의 양, 들어가는 야채의 양, 고기의 양, 고기의 종류, 오히려 야채의 구성(양배추 또는 버섯)에 대한 정보를 수집했습니다. |
| |
그리고 물론 총 무게, 우리가 요리한 배치의 크기, 배치당 만두의 수, 물의 온도. |
| |
따라서 이 슬라이드는 DSD의 놀라운 기능 중 일부를 강조하고 있으며 이에 대해 너무 많이 다루지는 않겠습니다. 하지만 DSD는 유연하고 강력한 모델링 특성으로 인해 큰 찬사를 받고 있습니다. |
| |
그리고 그들은 단일 실험에서 Blitz 스크리닝을 수행하고 최적화를 최적화할 수 있는 큰 잠재력을 허용합니다. |
| |
오른쪽에 있는 이 차트는 DOE 메뉴의 설계된 진단 플랫폼에서 JMP에서 생성된 상관관계 매트릭스이며 특히 다음을 보여주는 데 강력합니다. |
| |
모델의 모든 요인 효과 간의 별칭 또는 교란 정도. 이 그래픽이 명확하게 보여주는 것은 |
| |
가장 어두운 파란색에서는 상관관계가 없으며 상관관계가 증가함에 따라 회색 음영이 나타나고 마지막으로 매우 긍정적인 상관관계에 도달하면 빨간색 음영이 나타납니다. 그래서 우리가 실제로 보고 있는 것은 |
| |
주효과는 서로 완전히 상관관계가 없습니다. 이는 우리가 두 요인 상호작용에서 보고 싶은 것입니다. 주효과는 상관관계가 없습니다. |
| |
이 오른쪽 사분면에 있는 이차 효과로. 그리고 나서 2차 효과는 실제로 서로 부분적으로만 상관관계가 있으며 이러한 고차 상호 작용 항을 갖게 됩니다. |
| |
상호 작용 효과와 부분적으로 상관 관계가 있으며 이러한 유형의 특성은 이 특정 설계를 우수하게 만들고 우리가 배웠던 일반적인 해상도 III 및 해상도 IV 부분 요인 설계보다 우수합니다. |
| |
DSD 전에. |
| |
좋아요. 따라서 설계 진단에 대해 조금 빠르게 논의합니다. 여기에 동일한 상관 관계가 있습니다. 요인에 실제로 특정 이름이 부여된 것을 제외하고는 유사한 상관 관계 도표입니다. |
| |
이 DSD 설계를 실행한 후. 그리고 이것은 상관관계 매트릭스의 회색과 흰색 버전으로 직교성의 정도 또는 |
| |
아니, 아니 ??? 요인 중. 그래서 우리 실험에서 볼 수 있는 것은 우리가 실제로 약간의 |
| |
배치 크기 사이에서 배치 크기와 고기를 교란하는 것은 당연합니다. 그리고 고기와 만두에 있는 야채 사이의 상호 작용이 있는 고기입니다. |
| |
그리고 우리는 여기에 하나의 설계 제약을 부과했습니다. 우리는 약간의 혼동을 관찰했습니다. 이것은 만두가 만두의 총 질량보다 만두 자체의 각 구성 요소의 구성이라는 매우 직관적인 제약입니다. |
| |
그래서, |
| |
다른... |
| |
그래서 왜, 왜 우리가 이러는 거지? |
| |
왜 우리는 여기에서 이 인용 부호 균일성을 평가하고, 이것은 여기 산점도 행렬이며, 이것이 우리에게 무엇을 말합니까? 잘, |
| |
예측자의 공간 전체에서 예측 능력을 최대화하기 위해 이 경우 상승 시간에서 흰색 영역을 최소화하는 요인의 조합을 찾고자 합니다. 좋아요. 그리고 흰색 영역은 예측 정확도가 더 약하다고 생각되는 영역입니다. |
| |
그리고 이것은 우리가 설계를 취하여 산점도 행렬에 넣는 이유입니다. 이것은 ANOVA에서 일종의 오류 가정의 동질성과 유사합니다. |
| |
여기서 우리는 공간, 예측 공간이 똑같이 가능성이 있거나 선형 회귀에서 등분산 가정을 찾는다는 것을 알고 있습니다. |
| |
우리가 원할 때 우리는 이 공간이 예측 변수의 범위에서 동등하게 발생하기를 원합니다. |
| |
그래서 이 실험에서 물론 우리가 보고 있는 요인의 수를 줄이기 위해 먼저 공학을 사용했고 공학에 대한 우리의 이해와 문제의 물리학을 사용했습니다. |
| |
그래서 식별을 위해 우리는 6개의 독립 변수 또는 서로 가장 덜 혼란스러운 변수를 식별하고 이러한 기본 변수를 기반으로 분석을 진행했습니다. |
| |
좋아요. |
| |
그래서 우리가 한 첫 번째 작업은 생성된 디자인을 가져와 단계적 회귀를 사용하여 모델을 단순화하고 모델의 활성 요소만 식별하는 것입니다. |
| |
그리고 여기에서 정방향 선택, 역방향 선택 및 중지 기준으로 혼합의 조합을 사용하여 응답의 가장 큰 변화를 설명하는 모델을 결정할 수 있습니다. |
| |
또한 육류 유형을 이산 및/또는 숫자 또는...이산 숫자로 모델링할 수 있습니다. 이러한 방식으로 이 라벨링을 사용하여 요인 코딩을 해당하는 것으로 만들 수 있습니다. |
| |
고기 종류는 우리가 사용한 새우 또는 돼지 고기입니다. |
| |
그렇다면 이러한 유형의 회귀 모델 프레임워크에서 어떤 종류의 중지 규칙을 사용할 수 있습니까? 잘, |
| |
안타깝게도 이 모델을 몇 번이고 실행했을 때 정확하게 재현할 수 없었습니다. 그리고 모델 재생산은 다소 일관성이 없을 수 있습니다. 적합...이 유형의 적합 스키마에는 솔루션을 반복하기 위한 계산 절차가 포함되기 때문입니다. |
| |
따라서 이 단계적 회귀에서 과적합 위험은 일반적으로 더 높습니다. |
| |
그리고 종종 모델에 곡률이 있는 경우 |
| |
또는 두 가지 요소 상호 작용이 있습니다. 예를 들어 설명 변형은 하나 또는 다른 것과 관련된 변동성을 애타게 할 수 없는 두 요소 모두에서 공유됩니다. |
| |
조정된 R 제곱을 기반으로 여기에서 명확하게 볼 수 있는 것은 우리가 매우 잘 맞는다는 것입니다. 아마도 너무 잘 맞는 것 같습니다. |
| |
이 특정 모델에 대한 적합성을 기반으로 미래를 예측할 수 없음을 의미합니다. |
| |
좋아요. |
| |
그래서 여기가 꽤 흥미로워지는 곳입니다. 그래서 |
| |
단계적으로 실행한 후 처음으로 수행한 작업 중 하나는 모델의 각 요인에 독립적인 균일한 입력을 할당한 것입니다. |
| |
그리고 이것은 JMP에서 일종의 Monte Carlo 구현입니다. |
| |
다른 종류의 Monte Carlo 구현 및 및 및 |
| |
이 특정 프레임워크에서 이해하는 것이 중요한 것은 주요 효과와 전체 효과의 차이가 상호 작용의 정도를 나타낼 수 있다는 것입니다. |
| |
이것은 모델의 특정 요소와 관련된 상호 작용의 범위입니다. 그래서 이것은 특히 물의 온도와 고기가 |
| |
전체 효과 측면에서 가장 설명적일 뿐만 아니라 이 특정 모델의 다른 요인과 상호 작용할 가능성이 있습니다. |
| |
물론 여러분이 보시는 것은 변환된 추정치에 대해 파레도 플롯을 사용하여 물 온도, 육류 및 육류 유형을 상위 예측 변수로 식별했다는 것입니다. |
| |
다른 슬라이드를 시작하기 전에 여기에서 강조하고 싶은 또 다른 사항은 여기에서 호출할 수 있는 민감도 표시 표시기이며 |
| |
독립적인 균일 입력을 할당한 후 프로파일러에서 |
| |
프로필 프로파일러를 색상화하여 각 입력 입력 요소와 응답 사이의 관계 강도를 나타낼 수 있습니다. 그리고 우리는 또한 사용할 수 있습니다 |
| |
이 보라색 삼각형으로 표시되는 민감도 표시기는 민감도를 보여주거나 관계의 강도를 말할 수 있습니다. |
| |
선형 회귀 계수와 유사하게 삼각형의 키가 크고 관계가 가파르다는 강도를 나타냅니다. |
| |
양의 방향이나 음의 방향으로 더 강하고 삼각형이 더 넓고 평평할수록 그 요소가 작용하는 관계가 덜 강합니다. |
| |
좋아요. |
| |
그래서 우리는 모델을 줄이고 공학적 감각을 사용하고 단계별 플랫폼을 사용했습니다. |
| |
그리고 우리가 얻는 것 |
| |
이것은 DSD 설계에서 비롯된 우리 모델의 스냅샷일 뿐이며 RSM은 곡률로 구조화되어 있습니다. 그리고 이것은 a의 모든 요인들 사이의 상호작용의 정도를 쌍으로 보여주는 상호작용 도표임을 알 수 있습니다. |
| |
그리고 우리는 일부 상호작용이 존재하는 위치와 그러한 상호작용이 어떻게 생겼는지 표시했습니다. |
| |
그래서 이것은 실제로 우리가 더 많은 것을 다룰 수 있는 모델입니다. |
| |
좋아, 그래서 |
| |
언급해야 할 또 다른 사항은 우리가 부과한 설계 제약 조건이 모든 구성 요소가 함께 추가되고 제약 조건의 합계가 100%가 되어야 하는 혼합 설계라고 생각할 수 있는 것과 유사하다는 것입니다. |
| |
자, 여기 프로파일러의 높은 수준의 그림이 있습니다. 우리는 각 입력 요소를 조정하거나 변조할 수 있습니다. |
| |
응답에 미치는 영향을 관찰하고 매우 수동적인 방식으로 수행했습니다. |
| |
모델이 어떻게 수행되고 있는지에 대한 직관을 얻기 위해 |
| |
물론 요리 시간을 최적화하려면 시간이 더 빨라야 하고 요리 시간과 관련된 변형이 더 낮아야 한다는 것을 확인했습니다. |
| |
그리고 처리량과 전력 절감이 최적화되고 최대화되어야 합니다. 그리고 그것들은 두 가지 추가 |
| |
요리 시간을 기준으로 도출한 응답입니다. |
| |
자, 여기에서 우리가 최적화에 대해 더 자세히 알아보겠습니다. |
| |
요리 과정의. 그래서 전에 언급했듯이 물리학에 연결된 두 개의 추가 응답 변수를 설계하거나 생성했습니다. 여기에서 최대 처리량이 있고 만두 수에 따라 달라집니다... |
| |
죄송합니다. 만두 수에 따라 다르지만 무게와 시간도 다릅니다. |
| |
소비 전력과 에너지 구성 요소인 요리 시간의 곱인 전력 절약. |
| |
따라서 이 최적화 프로세스에 참여하려면 |
| |
각 입력 요소와 관련된 오류를 도입해야 하며 여기 하단에 이러한 분포로 표시됩니다. |
| |
그리고 실용적인 HACCP 제어 창과 측정 장치 기능도 고려해야 합니다. 이는 향후 연구에서 살펴보고자 합니다. |
| |
그래서 여기 우리가 사용하는 HACCP 제어 계획의 좋은 그림이 있습니다. 이것은 품질 직업에서 실패 모드 및 영향 분석과 매우 유사합니다. 그리고 그것은 구조화된 접근 방식일 뿐입니다. |
| |
실험 또는 제조 공정 개발 및 주요 변수가 식별되는 경우, |
| |
키 소유자, 측정 대상 기준 및 해당 기준의 유효성 검사 방법. 따라서 HACCP는 실제로 식품 과학 산업에서 일반적이며 Hazard Analysis Critical Control Point 모니터링을 나타냅니다. |
| |
그리고 나는 생각한다 |
| |
이러한 모든 준비 활동 외에도 주로 데이터 수집자로서 이 실험의 맥락에 참여했으며 데이터 무결성은 매우 중요합니다. 그래서 |
| |
데이터를 적절하게 기록하는 것은 확실히 중요합니다. |
| |
따라서 모든 HACCP 제어 지점을 Monte Carlo 시뮬레이션 범위에 통합해야 하며 궁극적으로 HACCP 허용 범위를 사용하여 공정 성능 요구 사항을 도출할 수 있습니다. |
| |
좋아, 그래서 |
| |
Monte Carlo가 이 예상 범위가 요리 시간에 실용적이라는 것을 확인할 수 있는 입력 범위를 고려합니다. |
| |
우리는 각 HACCP 구성 요소 수준에서 각 수준에서 각 입력 요소의 작은 변화를 고려하고 싶습니다. |
| |
이것은 제어점 범위에 의해 결정됩니다. 제어점 범위를 기반으로 델타 y 응답 시간의 각 입력에서 델타 x와 델타를 결정할 수 있습니다. |
| |
그리고 계속해서 델타 x를 점진적으로 반복적으로 증가시킬 수 있습니다. |
| |
증가가 충분히 작아서 y의 변화가 사양을 충족할 만큼 충분히 작기를 희망합니다. 그리고 일반적으로 업계에서는 설계 공차이며 이 경우에는 HACCP 제어 지점 제어 매개변수 범위 또는 제어 매개변수 제한입니다. |
| |
그리고 그 반복 절차가 실패하면 증분과 X를 더 작게 만들어야 하며 이 절차를 공차 할당이라고 합니다. 좋아요. |
| |
우리는 이런 종류의 작업을 수동으로 수행했고 일종의 우리 고유의 레시피로 사용했습니다. 이 작업은 JMP에서 보다 자동화된 방식으로 수행할 수 있지만 |
| |
이 경우 더 많은 응답이 있음을 알 수 있습니다. 따라서 다중 응답 최적화를 사용하고 바람직함 함수를 호출하고 예측 프로파일러에서 바람직함을 최대화하는 작업을 포함합니다. |
| |
가우시안 프로세스 모델링, |
| |
예측 프로파일러에서도 사용할 수 있습니다. |
| |
좋아요. 다음으로 도구를 사용하여 서로를 보완하고 우리 제품을 더 이해하려고 노력합니다. 우리의 프로세스와 실험은 예측 모델링 도구 아래의 분석 메뉴 아래에 있는 신경 모델링 기능을 사용합니다. |
| |
그리고 |
| |
우리는 예측을 용이하게 하기 위해 그것을 활용하려고 노력했습니다. |
| |
이 모델은 비선형 효과에서 곡률을 감지하는 데 더 강력할 수 있는 TanH 함수를 사용합니다. |
| |
하지만 그것은 일종의 블랙박스이고 실제로 물리학과 연결되지는 않습니다. 그래서 |
| |
비정규 응답에도 강하고 앨리어싱 교란에도 어느 정도 강합니다. |
| |
여기에는 특히 우리가 여기에 있는 것과 같은 작은 샘플 크기의 경우 한계가 있으며 훈련 세트와 검증 세트 사이의 r 제곱이 특별히 그렇지 않다는 것을 실제로 볼 수 있습니다. |
| |
동일하거나 다양하므로 이 모델은 예측 목적에 대해 특히 일관성이 없습니다. |
| |
마지막으로 JMP의 파티션 플랫폼을 사용하여 |
| |
응답 시간 응답. |
| |
그리고 이 모델은 일반적으로 비교적 해석하기 쉽지만 상승 시간 동안 온도가 약 85°C에서 차단된다는 것을 볼 수 있기 때문에 특히 실험에 적합하다고 생각합니다. |
| |
그리고 최대 처리량과 관련하여 약간의 온도 차이도 있지만 특히 85도 차단이 가장...매우 흥미롭습니다. |
| |
이 모델의 R 제곱 음표는 적어도 상승 온도 응답과 관련하여 약 .7이며 작은 샘플 크기를 고려할 때 이러한 유형의 모델에 꽤 좋습니다. |
| |
그리고 |
| |
이 컷오프와 관련하여 가장 흥미로운 점은 섭씨 85도 이하에서는 물이 실제로 끓지 않는다는 것입니다. 없었다 |
| |
거품이 많고 난기류가 없습니다. 읽기가 매우 안정적이었습니다. 그러나 온도를 높이면 물이 순환하기 시작하고 물의 난류로 인해 온도가 일정하지 않고 캐비테이션 기포 붕괴, 증기 상승 등 기본적으로 불안정한 온도 환경입니다. |
| |
이러한 유형의 환경에서는 전도보다는 대류가 지배적입니다. |
| |
또한 증기는 적외선 온도계의 빛을 차단하여 온도 측정과 관련된 불확실성도 증가시킵니다. |
| |
그리고 증기 자체는 안전 외에도 작업자가 온도계를 조정하고 작업자가 온도계를 배치하는 거리를 조정하는 방법에 영향을 미칠 수 있는 화상 위험이 있으며 이는 측정 정확도에 매우 중요합니다. |
| |
그래서 사실 이것이 우리가 설계 상한을 섭씨 95도로 제한한 이유입니다. 그 이상은 정확하게 수온을 측정하는 것이 정말 불가능하기 때문입니다. |
| |
좋아요. |
| |
그래서 우리가 여기에 도착한 곳은 무엇입니까? 잘, |
| |
요약하면, 우리는...이 실험에서 DSD(DOE)를 사용하여 데이터만 수집합니다. |
| |
그런 다음 단계적 회귀를 사용하여 중요한 효과의 범위를 좁히지만 단계적 회귀에 너무 깊이 들어가지는 않았습니다. 그리고 우리는 상식을 사용하여 실험의 요소 수와 엔지니어링 전문성을 최소화합니다. |
| |
우리는 또한 독립적인 균일 입력을 사용합니다. |
| |
그것은 매우 강력합니다 |
| |
예를 들어 프로필에 색상을 지정하거나 효과의 순위를 확인하고 주 효과와 전체 효과 간의 차이를 확인하여 모델에 존재하는 상호 작용의 표시를 제공함으로써 효과의 크기에 대한 아이디어를 제공합니다. |
| |
또한 프로파일러 아래에 민감도 표시기를 추가하여 Monte Carlo 최적화를 위해 전역 민감도를 정량화하는 데 도움을 주었습니다. |
| |
우리가 사용한 스키마. |
| |
모델의 주요 효과, 물론 온도, 그리고 물리학에서 실제로 설명하는 것은 내가 우리 연구 결과에서 공유한 것처럼 온도가 가장 중요한 요인인 이유를 설명합니다. |
| |
또한 섭씨 80-90도 사이에서 우리가 관찰한 프로파일러에서 관찰한 것은 상승 시간과 온도 사이의 관계에 대한 민감도 증가와 급속한 전이를 관찰한 것입니다. 이는 물론 우리의 실험적 관찰과 일치합니다. |
| |
둘째, 서로 상호 작용하는 요인의 효과와 관련하여 실제로 상호 작용하는 두 가지 다른 유형의 물리학이 있기 때문에 기본 물리학 ... 상호 작용하는 물리학 모드는 대류와 전도입니다. |
| |
DSD의 단계별 방식은 변환이 없는 연속 모델을 제공하므로 좋은 출발점입니다. |
| |
없이 |
| |
고급 신경 또는 블랙 박스 유형 변환, 적어도 전역 민감도를 잘 다룰 수 있습니다. |
| |
파티션 모델의 신경 모델은 특히 실험에서 작은 샘플 크기를 고려할 때 이를 보여주지 못했습니다. |
| |
마지막으로 Monte Carlo 시뮬레이션, 견고한 Monte Carlo 시뮬레이션을 사용합니다. |
| |
우리 자신의 틀 안에서. 또한 전력 소비의 상승 시간 및 처리량과 중요한 요소에 대해 다중 응답 최적화를 약간 수행했습니다. 그리고 이 실험을 통해 우리는 진정한 자격을 갖추기 시작했고 |
| |
다중 분야 모델링 접근 방식을 사용하는 이 실험에서 가장 중요한 요소. |
| |
마지막으로 관심 있는 참고 자료를 여기에서 공유하겠습니다. 시간 내주셔서 대단히 감사합니다. |
