スピーカー
|
成績証明書
|
| パトリック・ジュリアーノ |
わかった。 さて、皆さんようこそ。 |
| |
このプレゼンテーションをご覧いただきありがとうございます。 |
| |
新鮮な蒸し餃子を作ります。 |
| |
私の名前はパトリック ジュリアーノ、共著者はアプライド マテリアルズのメイソン チェンとチャールズ チェン、そしてイヴァニー チャンです。 |
| |
さて、今日は私がどのように活用したかについてお話します...チームと私が JMP の力を活用して、 |
| |
餃子の調理。 |
| |
つまり、ここでの一般的な問題点は、餃子のようなほとんどの食品は、調理パラメーターを正確に制御せずに作られているということです。 |
| |
そして、餃子の味や、餃子の美味しさを測る他の結果は、不適切な調理時間によって悪影響を受けます。これは、食事を楽しんだことのある人であれば誰でも直感的に理解できることです。 |
| |
それについてはあまり話す必要はありません。 しかし |
| |
遅かれ早かれ、AI とロボット工学は食品業界の重要な部分を占めるようになるでしょう。 |
| |
そして、Covid 19 に関する私たちの最近の経験はそのことを本当に浮き彫りにしました。 |
| |
は、堅牢なモンテカルロ設計の最適化を含む、JMP のモデリング機能の多くを使用する非常に多面的なモデリング アプローチを使用して、ダンプリング プロセスをより深く理解できます。 |
| |
では、なぜ餃子なのでしょうか？ |
| |
さて、餃子はとても簡単に調理できます。 |
| |
もちろん、調理することで、それらに付着している可能性のある異物を殺します。 |
| |
そして、料理には人間の関わりが非常に限られている可能性があります。 |
| |
もちろん、調理に関連するデザインとプロセス空間は非常に直感的で拡張可能です。 |
| |
そして、この問題に関連する物理学を検討し、JMP を使用して物理学をより深く理解し、調査することができます。 |
| |
もちろん、新型コロナウイルス感染症 19 のせいで、AI は遅かれ早かれ本格的に登場します。 |
| |
なぜロボットによる餃子調理が登場するのでしょうか？ 良い |
| |
また、利点は何ですか?という質問もあるかもしれません。 ロボット環境で自動化された方法で餃子を調理する際の課題は何ですか? |
| |
そしてもちろん、実際にはロボットには嗅覚を持たないため、これは困難になる可能性があります。 それが大きな理由であり、それに加えて、 |
| |
高度で多面的なモデリング アプローチでは、他の構造化された基準を考慮することが重要です。 |
| |
このプレゼンテーションの後半では、HACCP 基準と、より構造化された方法で問題を解決するために HACCP 基準をどのように統合したかについて少しお話します。 |
| |
そして |
| |
興味深い JMP 分析の多くに入る前に、熱伝達物理学、食品科学、およびさまざまな熱伝達メカニズムが餃子の調理にどのような影響を与えるかについて簡単に説明したいと思います。 |
| |
このスライドからわかるように、 |
| |
Q |
| |
図の上部と右上にあるQは、熱流束密度を指します。これは、熱流束密度を指します。 |
| |
単位時間当たりの単位面積を流れる温度と温度変化の方向。 |
| |
物理学的に見ると、たんぱく質と生肉と茹でた肉ではエネルギー量が異なります。 ここに示すように、生の肉タンパク質構造を変性または緻密化した構造に変えるには、活性化エネルギー障壁を克服する必要があります。 |
| |
この写真の左側にあります。 |
| |
したがって、物理的な観点から肉を茹でるときの料理人の最初の仕事は、肉の体積全体の温度を上げることです。 |
| |
少なくとも |
| |
変性温度に達すること。 |
| |
後ほど、実験のこの特定の段階での最も興味深い発見についてお話します。そこでは、温度がカットオフされていることが判明しました。 |
| |
そして、直感的には、餃子は、一定の温度以下では調理されず、適切に調理されず、ベチャベチャになるだろうと考えるでしょう。また、一定の温度を超えると、おそらく、ベトベトしすぎたり、焦げたり、カチカチになったりする可能性があると考えられます。 |
| |
ここでの物理学に関するもう 1 つの最後の注意事項は、沸騰の閾値では水の表面温度が変動し、泡がボイラーの表面まで上昇するということです。 |
| |
バラバラになったり崩壊したりするため、温度の正確な測定値を収集するのが困難になる可能性があります...キャプチャして...失礼します...。 |
| |
それで、いくつかのことにつながります...実験を行うために使用したツールにはどのようなものがありますか? |
| |
良い、 |
| |
もちろん、沸騰調理器を使用しましたが、それは非常に重要です。 |
| |
もちろん、温度を測定するために何かを使用し、これには赤外線温度計を使用し、もちろんタイマーを使用しました。そして、質量天秤を使用して餃子と餃子に含まれるすべての成分の重量を量りました。 |
| |
今後の研究では、Gare R&R と呼ばれるものを検討し、測定ツールの再現性と再現性を定量化する可能性があります。 |
| |
この実験ではそうしませんでしたが、これは非常に重要です。これにより、モデル推定の精度を分単位で最大化し、測定プロセスに関連するノイズ成分を最小限に抑えることができるからです。 |
| |
そして、それらのノイズ成分は単に |
| |
事実…それはゲージの精度許容差の要因ですが、人が測定自体とどのように対話するかによるものである可能性もあります。 |
| |
そして、特に、高温での沸騰および調理温度の測定に関する課題について少しお話します。 |
| |
さて、手短に、 |
| |
これ...私たちはこの実験を計画された実験として設定しました。 そのため、最初にツールを決める必要がありました。 |
| |
私たちは餃子をどのように作るかを決めなければなりませんでした。 そのため、製造プロセスと適切な方法が必要でした。 |
| |
そのプロセスにおける役割を果たす人たち。 そして、構造化された実験を計画する必要がありました。 そのために、決定的なスクリーニング設計を使用します。 |
| |
そして、設計が実験に対して最適に機能していることを確認するために、設計のいくつかの特性を調べました。 |
| |
次に実験を実行してみました。 |
| |
その後 |
| |
反応を測定して記録しました。 |
| |
そしてもちろん、最後に楽しい部分ですが、 |
| |
データと JMP を効果的に解釈する必要がありました。 |
| |
これらは、グラフ関数を使用して JMP で生成された散布図マトリックスを示しているグラフです。 |
| |
そしてこれらは実際に、予測空間の均一性の指標を与えてくれます。 これについては、後ほど、次に、次のスライドでもう少し詳しく説明します。 |
| |
さて、これが私たちのデータです。 これが私たちのデータ収集計画であり、右側は測定した応答であり、餃子の立ち上がり時間または調理時間です。 |
| |
DSD で 18 回の実行を収集し、DSD プラットフォームを使用して JMP と DOE メニューで生成しました。 |
| |
そして私たちは肉の質量、中に入る野菜の質量、肉の種類、むしろ野菜の組成（キャベツかキノコのいずれか）に関する情報を収集しました。 |
| |
そしてもちろん、総重量、調理したバッチのサイズ、バッチごとの餃子の数、そして水の温度。 |
| |
したがって、このスライドでは DSD の驚くべきパワーの一部を強調するだけなので、これについてはあまり詳しく説明しませんが、DSD はその柔軟で強力なモデリング特性が非常に高く評価されています。 |
| |
また、Blitz スクリーニングを実行し、単一の実験で最適化を行う大きな可能性が可能になります。 |
| |
右側のこのグラフは、DOE メニューの設計された診断プラットフォームである JMP で生成された相関行列であり、以下を表示するのに特に強力です。 |
| |
モデル内のすべての因子効果間のエイリアシングまたは交絡の程度。 この図がはっきりと示しているのは、 |
| |
最も暗い青では相関がなくなり、相関が増加すると灰色の色合いになり、最後に非常に正の相関に達すると赤の色合いになります。 私たちが実際に見ているのは、 |
| |
主効果は互いにまったく相関がありません。これは、2 因子交互作用で見たいものであり、主効果は相関がありません。 |
| |
この右象限にある二次効果を使用します。 そして、二次効果は実際には相互に部分的にのみ相関しており、これらの高次の交互作用項が得られます。 |
| |
これらは実際には交互作用効果と部分的に相関しており、これらのタイプの特性により、この特定の計画は、私たちが以前教えられていた典型的な解像度 III および解像度 IV の一部実施要因計画よりも優れています。 |
| |
DSD以前。 |
| |
わかった。 それでは、簡単に設計診断について少し説明します。 これは同じ相関関係です。因子に実際に特定の名前が付けられている点を除いて、同様の相関プロットです。 |
| |
そして、この DSD デザインを実行した後。 これは、直交性の程度を確認するのに役立つ、相関行列のグレーと白のバージョンです。 |
| |
そうではない、ない？要因の中には。 私たちの実験でわかることは、実際に少しだけ観察したということです。 |
| |
当然のことながら、バッチサイズと肉、そしてもちろん、肉と、餃子の中に入っている肉と野菜の間の相互作用が混同されます。 |
| |
そして、ここで 1 つの設計制約を課したことに注意してください。これは、いくつかの混乱を観察しました。これは、団子の総質量が団子自体の各成分の組成であるというよりも、非常に直観的な制約です。 |
| |
それで、 |
| |
もう一方は... |
| |
それで、なぜ、なぜ私たちはこれをしているのですか？ |
| |
なぜここでこの引用符と引用符のない均一性、これが散布図マトリックスを評価するのか、そしてこの種のことは私たちに何を伝えているのでしょうか? 良い、 |
| |
予測子の空間全体で予測能力を最大化するために、この場合は立ち上がり時間において、白い領域を最小化する要因の組み合わせを見つけたいと考えています。 わかった。 また、白い部分は予測精度が低いと考えられる部分です。 |
| |
これが、計画を取得して散布図行列に入れる理由です。これは、ANOVA における誤差仮定の均一性のようなものに似ています。 |
| |
ここで、空間、確率が等しい予測の空間、または線形回帰における等分散の仮定を探します。 |
| |
必要に応じて、この空間が予測子の範囲全体で確率が等しいようにしたいと考えます。 |
| |
この実験では、もちろん、注目する要素の数を減らすために、まず工学を利用し、問題の工学と物理学についての理解を利用しました。 |
| |
したがって、識別のために、6 つの独立変数、または相互に最も混同の少ない変数を識別し、これらの主変数に基づいて分析を進めました。 |
| |
わかった。 |
| |
そこで最初に行ったのは、生成された計画を取得し、段階的回帰を使用してモデルを単純化し、モデル内のアクティブな因子のみを特定することです。 |
| |
ここでは、応答の変動を最も多く説明するモデルを決定するために、前方選択、後方選択、および混合を停止基準として組み合わせて使用できます。 |
| |
また、肉の種類を離散および/または数値、または...むしろ離散数値としてモデル化することもでき、このようにして、このラベル付けを使用して因子コーディングを対応させることができます。 |
| |
肉の種類はエビか豚肉を使用しました。 |
| |
では、このタイプの回帰モデルのフレームワークでは、どのような停止ルールを使用できるのでしょうか? 良い、 |
| |
残念ながら、このモデルを何度も実行したところ、正確に再現することはできませんでした。 また、近似...このタイプの近似スキーマには、解を得るまで反復する計算手順が含まれるため、モデルの再現には多少の一貫性がなくなる可能性があります。 |
| |
したがって、この段階的回帰では、一般にオーバーフィットのリスクが高くなります。 |
| |
そして多くの場合、モデルに曲率がある場合、 |
| |
または、2 つの因子の相互作用があり、たとえば、... の説明の変異が両方の因子にわたって共有されており、一方または他方に関連付けられた変動を区別することはできません。 |
| |
ここで、調整された R の 2 乗に基づいてはっきりとわかるのは、非常に良好な適合が得られており、おそらく適合が良すぎるということです。 |
| |
つまり、この特定のモデルへの適合性に基づいて将来を予測することはできません。 |
| |
わかった。 |
| |
ここからが非常に興味深いことになります。 それで |
| |
段階的実行後に最初に行ったことの 1 つは、モデル内の各因子に独立した一様な入力を割り当てたことです。 |
| |
これは、JMP における一種のモンテカルロ実装です。 |
| |
別の種類のモンテカルロ実装と、そして |
| |
この特定の枠組みで理解することが重要なのは、主効果と全体効果の差が交互作用の程度を示す可能性があるということです。 |
| |
これは、モデル内の特定の要素に関連する相互作用の範囲であることに注意してください。 これは、特に水温と肉、 |
| |
全体的な効果という点で最も説明的であることに加えて、この特定のモデルの他の要素と相互作用する可能性があります。 |
| |
そしてもちろん、変換された推定値にパレド プロットを使用して、水温、肉、および肉の種類が上位の予測因子として特定されたことがわかります。 |
| |
他のスライドに入る前に、ここで強調しておきたいもう 1 つのことは、ここで呼び出すことができる感度表示インジケーターです。 |
| |
独立した均一入力を割り当てた後、プロファイラーの下で、 |
| |
プロファイル プロファイラーを色分けして、各入力因子と応答の間の関係の強さを示すことができます。 そして、私たちも使うことができます |
| |
これらの紫色の三角形で表される感度インジケーターは、感度、つまり関係の強さを示します。 |
| |
線形回帰係数と同様に強度を示します。三角形が高くなるほど関係が急になります。 |
| |
正または負の方向のどちらかが強くなり、三角形が広く平らであればあるほど、その要素が果たす関係の強さは弱くなります。 |
| |
わかった。 |
| |
そこで私たちはモデルを縮小し、エンジニアリングのセンスを活かして段階的プラットフォームを使用することにしました。 |
| |
そして私たちが得るもの |
| |
これは、DSD 設計に由来するモデル フィットの単なるスナップショットであり、曲率として構造化された RSM を持っています。 これは、すべての因子間の相互作用の程度をペアごとに示す交互作用プロットであることがわかります。 |
| |
そして、いくつかの相互作用が存在する場所と、それらの相互作用がどのようなものであるかを示しました。 |
| |
つまり、これは実際に、より多くのことを把握できるモデルです。 |
| |
そして |
| |
もう 1 つ言及しておきたいのは、 で課した設計制約は、すべてのコンポーネントが合計され、制約の合計が 100% になる必要がある混合設計と考えられるものに似ているということです。 |
| |
さて、ここにプロファイラーの概要を示します。各入力要素を調整または調整して、 |
| |
応答への影響を観察し、これを非常に手動で行いました |
| |
モデルのパフォーマンスを直感的に理解するためだけに |
| |
そしてもちろん、調理時間を最適化するには、調理時間を短縮する必要があること、もちろん、調理時間に関連するバリエーションは短くする必要があることを確認しました。 |
| |
そして、スループットと省電力を最適化し、最大化する必要があります。 そして、それらは追加の2つです |
| |
調理時間に基づいて導き出した回答。 |
| |
さて、ここで最適化についてさらに詳しく説明します。 |
| |
調理工程の様子。 そして、前に述べたように、物理学に関連する 2 つの追加の応答変数を設計または作成しました。最大のスループットが得られるのはダンプリングの数によって異なります... |
| |
申し訳ありませんが、餃子の数だけでなく、重さや時間にもよります。 |
| |
節電とは、消費電力と調理時間の積であり、エネルギー成分です。 |
| |
この最適化プロセスに取り組むために、 |
| |
各入力因子に関連する誤差を導入する必要があります。これは、ここの下部にある分布で表されています。 |
| |
そして、実際の HACCP 管理ウィンドウと、もちろん測定装置の機能も考慮する必要があり、これについては今後の研究で検討していきたいと考えています。 |
| |
ここに、私たちが使用している HACCP 管理計画の素晴らしい図を示します。これは、品質専門分野における故障モードと影響分析のようなものと非常によく似ています。 そしてそれは単なる構造化されたアプローチです |
| |
実験または製造プロセスの開発、および主要な変数が特定される場所、 |
| |
キー所有者、次にどのような基準に対して測定され、その基準がどのように検証されるか。 したがって、HACCP は食品科学業界では実際に一般的であり、Hazard Analysis Critical Control Point モニタリングの略です。 |
| |
で思うんですけど |
| |
これらすべての準備活動に加えて、私は主にデータ収集者としてこの実験に関与しました。データの整合性は非常に重要です。 など |
| |
データを適切に転記することは間違いなく重要です。 |
| |
したがって、すべての HACCP 制御点をモンテカルロ シミュレーション範囲に組み込む必要があり、最終的には HACCP 許容範囲を使用してプロセス パフォーマンス要件を導き出すことができます。 |
| |
そして |
| |
モンテカルロ法により、この予想範囲が調理時間にとって実用的であることが確認できる入力範囲を検討します。 |
| |
各 HACCP コンポーネント レベルで、各レベルで、それぞれの入力要素の小さな変化を考慮したいと考えています。 |
| |
これは制御点の範囲によって決まります。 制御点の範囲に基づいて、デルタ y 応答時間から各入力のデルタ x とデルタを決定できます。 |
| |
そして、デルタ x を反復的に徐々に増加し続けることができます。 |
| |
ただし、増加が十分小さく、y の変化が仕様を満たすのに十分小さいことを望みます。 通常、業界ではこれが設計許容値であり、この場合は HACCP 管理点の管理パラメータ範囲または管理パラメータ制限です。 |
| |
そして、その反復手順が失敗した場合は、増分と X を小さくする必要があり、この手順を許容誤差割り当てと呼びます。 わかった。 |
| |
私たちはこの種の作業を手動で行い、独自の特別なレシピを使用しました。 これは JMP でより自動化された方法で実行できますが、 |
| |
この場合、すべての応答がさらに増えていることがわかります。 したがって、複数応答の最適化を使用することには、満足度関数を呼び出して予測プロファイラーの下で満足度を最大化することが含まれます。 |
| |
ガウス過程モデリングと同様に、 |
| |
予測プロファイラーでも利用できます。 |
| |
わかった。 次に、ツールを使用して相互に補完し、当社の製品をさらに理解しようとします...当社のプロセスと実験では、分析メニューの予測モデリング ツールの下にあるニューラル モデリング機能を使用します。 |
| |
と |
| |
私たちは、それを利用して予測を容易にしようとしました。 |
| |
このモデルは TanH 関数を使用しており、非線形効果における曲率をより強力に検出できます。 |
| |
しかし、それは一種のブラックボックスであり、実際には物理学とは結びついていません。 それで |
| |
一方、非正規応答に対しても堅牢であり、エイリアシング交絡に対してもある程度堅牢です。 |
| |
これには制限があり、特にここで示したようなサンプル サイズが小さい場合、トレーニング セットと検証セットの間の r の 2 乗が特に大きくないことがわかります。 |
| |
同じか異なるため、このモデルは予測の目的としては特に一貫性がありません。 |
| |
最後に、JMP のパーティション プラットフォームを使用して、再帰的パーティショニングを実行しました。 |
| |
応答時間の応答。 |
| |
そして、このモデルは間違いなく一般に比較的解釈しやすいですが、特に私たちの実験ではそう思います。なぜなら、立ち上がり時間の間、この温度は約 85 ℃ でカットオフされることがわかるからです。 |
| |
それと、最大スループットに関するいくつかの温度の違いですが、特に 85 度のカットオフが最も重要です...非常に興味深いです。 |
| |
このモデルの R 2 乗ノートは、少なくとも上昇温度応答に関しては約 0.7 であり、サンプル サイズが小さいことを考慮すると、このタイプのモデルとしてはかなり良好です。 |
| |
と |
| |
このカットオフに関して最も興味深いのは、85℃以下では水は実際には沸騰していないということです。 ありませんでした |
| |
泡立ちが多く、乱流はありません。 読み取りは非常に安定していました。 しかし、温度を上げると水が循環し始め、水中の乱流により温度が不均一になり、キャビテーション気泡が崩壊し、蒸気が上昇するなど、基本的には不安定な温度環境です。 |
| |
このタイプの環境では、伝導よりも対流が支配的になります。 |
| |
また、蒸気は赤外線温度計の光を遮断するため、温度測定に伴う不確実性も高まります。 |
| |
そして、蒸気自体には火傷の危険性があり、安全性に加えて、測定の精度にとって非常に重要である、オペレーターが温度計を調整する方法や、オペレーターが温度計を置く距離の調整方法に影響を与える可能性があります。 |
| |
実際、これが、設計の上限を 95 ℃に設定した理由でした。これを超えると正確に水温を測定するのは実際には不可能だったからです。 |
| |
わかった。 |
| |
それで、何ですか...私たちはここにどこに到着しましたか？ 良い、 |
| |
要約すると、私たちは...この実験では、データを収集するためにのみ DSD (DOE) を使用します。 |
| |
次に、段階的回帰を使用して重要な効果を絞り込みますが、段階的回帰についてはあまり深く掘り下げませんでした。 また、私たちは常識に基づいて、実験における要素の数とエンジニアリングの専門知識を最小限に抑えます。 |
| |
独立した均一入力も使用します。 |
| |
それはとても強力です |
| |
たとえば、プロファイルを色分けしたり、効果のランクを確認したり、主効果と合計効果の差を確認したりして、モデル内に存在する相互作用の指標を得ることで、効果の大きさを把握できます。 |
| |
また、モンテカルロ最適化の目的でグローバル感度を定量化できるように、プロファイラーの下に感度インジケーターを追加しました。 |
| |
私たちが採用したスキーマ。 |
| |
モデルの主な効果は、もちろん温度であり、私が調査結果で共有したように、なぜ温度が最大の要因であるかを物理学が実際に説明しています。 |
| |
さらに、摂氏 80 度から 90 度の間では、プロファイラーから、ある種の急速な移行と、上昇時間と温度の関係の感度の増加が観察されました。これは、もちろん、実験による観察と一致しています。 |
| |
第二に、相互作用する要因の効果に関して、そして実際に相互作用する 2 つの異なるタイプの物理学があるため、基本的な物理学...相互作用する物理モードは対流と伝導です。 |
| |
DSD でのステップワイズは、変換のない連続モデルを提供するため、良い出発点となります。 |
| |
なしで |
| |
高度なニューラルまたはブラック ボックス タイプの変換により、少なくとも最初からグローバルな感度を適切に扱うことができます。 |
| |
そして、特に実験のサンプルサイズが小さいことを考えると、パーティションモデルのニューラルモデルではこれを示すことができませんでした。 |
| |
そして最後に、モンテカルロ シミュレーション、堅牢なモンテカルロ シミュレーションを使用します。 |
| |
私たち独自の枠組みで。 また、重要な要素に対する消費電力の立ち上がり時間とスループットに関して、多重応答の最適化も少し行いました。 そして、この実験を通じて、私たちは実際に適格性を確認し始め、その重要性について理解を深めました。 |
| |
多分野のモデリング アプローチを使用したこの実験の最も重要な要素。 |
| |
最後に、参考になる参考文献をいくつか紹介します。 お時間をいただきまして誠にありがとうございました |
