扬声器
|
成绩单
|
| 帕特里克·朱利亚诺 |
好的。 嗯，欢迎大家。 |
| |
感谢大家抽出宝贵时间观看本次演示。 |
| |
准备最新鲜的蒸饺。 |
| |
我的名字是 Patrick Giuliano，我的合著者是来自 Applied Materials 的 Mason Chen 和 Charles Chen，以及 Yvanny Chang。 |
| |
好的，今天我将向您介绍我如何利用...我和我的团队利用 JMP 的力量来真正了解 |
| |
煮饺子。 |
| |
因此，这里的普遍问题是大多数食物（例如饺子）的制作都没有精确控制烹饪参数。 |
| |
饺子的味道以及衡量饺子好坏的其他输出都会受到烹饪时间不当的不利影响，这对于每个喜欢食物的人来说都是直观的，所以 |
| |
我们不需要对此谈论太多。 但 |
| |
人工智能和机器人技术迟早将成为食品行业的重要组成部分。 |
| |
我们最近在 Covid 19 方面的经历确实凸显了这一点，所以我将谈谈我们如何 |
| |
可以使用多方面的建模方法更好地了解包饺子的过程，该方法使用了 JMP 的许多建模功能，包括强大的蒙特卡罗设计优化。 |
| |
那么为什么要包饺子呢？ |
| |
嗯，饺子很容易煮。 |
| |
当然，通过烹饪它们，我们可以杀死可能存在于其上的任何异物颗粒。 |
| |
烹饪涉及的人际互动非常有限。 |
| |
当然，与烹饪相关的设计和过程空间是非常直观和可扩展的 |
| |
我们可以考虑与这个问题相关的物理学，并尝试使用JMP来帮助我们更好地真正理解和研究物理学。 |
| |
当然，由于 Covid 19，人工智能确实迟早会到来，而且 |
| |
为什么会出现机器人煮饺子？ 出色地 |
| |
还有其他问题可能是，有什么好处？ 在机器人环境中以自动化方式煮饺子面临哪些挑战？ |
| |
当然，这可能是一个挑战，因为实际上机器人没有鼻子来嗅觉。 正因为如此，这就是一个重要原因，除了 |
| |
尽管这是一种先进的多方面建模方法，但考虑其他一些结构化标准也很重要。 |
| |
在本次演讲的后面部分，我将稍微讨论一下 HACCP 标准以及我们如何整合该标准，以便以更结构化的方式解决我们的问题。 |
| |
可以，然后呢 |
| |
在深入研究许多有趣的 JMP 分析之前，我想简要介绍一下传热物理学、食品科学以及不同的传热机制如何影响饺子的烹饪。 |
| |
正如您在这张幻灯片中看到的，有一个 |
| |
问 |
| |
在图的顶部和右上角，Q 指的是……它指的是热流密度，即热流密度 |
| |
单位时间内流过单位面积的流量，以及温度变化的方向。 |
| |
从物理学的角度来看，蛋白质、生肉和煮肉的能量不同。 必须克服活化能垒，才能将生肉蛋白质结构转变为变性或致密结构，如此处所示。 |
| |
在左边的这张照片中。 |
| |
因此，从物理角度煮肉时，厨师的首要任务是提高整个肉块的温度 |
| |
至少 |
| |
达到变性的温度。 |
| |
稍后，我将讨论这个实验特定阶段最有趣的发现，我们发现温度被切断了。 |
| |
直觉上，你会认为低于一定温度，饺子会煮熟……不会煮熟，它们会太湿，而高于一定温度，也许它们也会太湿，或者可能会被烧焦或结皮。 |
| |
关于这里的物理原理的最后一个注意事项是，在沸腾阈值时，水的表面温度会波动，气泡会上升到锅炉的表面 |
| |
并破裂和塌陷，这可能会导致很难收集……捕获并……对不起……捕获准确的温度读数。 |
| |
那么这引导我们进入一些......我们用来进行实验的一些工具是什么？ |
| |
出色地， |
| |
当然，我们用的是煮锅，这一点非常重要。 |
| |
当然，我们使用了某种东西来测量温度，为此我们使用了红外温度计和计时器，当然，我们使用了质量天平来称量饺子和饺子中的所有成分。 |
| |
我们可能会在未来的研究中考虑称为 Gare R&R 的东西，并且我们可以量化我们的测量工具的可重复性和再现性。 |
| |
在这个实验中，我们没有这样做，但这非常重要，因为这有助于我们最大限度地提高模型估计的精确度……最小化与测量过程相关的噪声分量。 |
| |
这些噪声成分不仅可能是 |
| |
事实上……可以说是测量仪精度公差的一个因素，但也可能是由于人与测量本身的交互方式所致。 |
| |
而且，特别是，我将谈谈测量高温下的沸腾和烹饪温度所面临的挑战。 |
| |
好吧，就这么简单， |
| |
这...我们将此实验设置为设计实验。 所以我们必须首先决定工具。 |
| |
我们必须决定如何包饺子。 所以我们需要一个制造工艺和适当的 |
| |
这个过程中的角色扮演者。 然后我们必须设计一个结构化的实验。 为此，我们使用最终的筛选设计 |
| |
并研究了设计的一些特征，以确保设计在我们的实验中表现最佳。 |
| |
接下来我们进行实验。 |
| |
进而 |
| |
我们测量并记录了响应。 |
| |
当然，最后是有趣的部分， |
| |
我们必须有效地解释数据和 JMP。 |
| |
此处的这些图表显示了仅使用图形函数在 JMP 中生成的散点图矩阵。 |
| |
这些实际上向我们表明了预测空间的均匀性。 稍后我将在接下来的幻灯片中详细讨论这一点。 |
| |
好的，这是我们的数据。 这是我们的数据收集计划，右侧是我们测量的响应，即饺子的发酵时间或烹饪时间。 |
| |
我们在 DSD 中收集了 18 个运行，这些运行是我们使用 DSD 平台在 JMP 中和 DOE 菜单下生成的。 |
| |
我们收集了有关肉的质量、加入的蔬菜的质量、肉的类型的质量，更确切地说，蔬菜的成分（卷心菜或蘑菇）的信息， |
| |
当然还有总重量、我们煮的批次大小、每批次饺子的数量以及水温。 |
| |
因此，这张幻灯片只是强调了 DSD 的一些惊人功能，我不会对此进行过多讨论，但 DSD 因其灵活而强大的建模特性而备受赞誉。 |
| |
它们具有在单个实验中进行闪电筛选和优化的巨大潜力。 |
| |
右侧的图表是在 JMP 中生成的相关矩阵，在其设计的 DOE 菜单诊断平台中，它对于显示特别强大 |
| |
模型中所有因子效应之间的混叠或混杂程度。 这张图清楚地表明了 |
| |
通过最深的蓝色，没有相关性，随着相关性的增加，我们得到灰色阴影，最后，当我们达到非常正相关时，我们得到红色阴影。 所以我们真正看到的是 |
| |
主效应彼此完全不相关，这就是我们喜欢在两个因素相互作用中看到的，主效应是不相关的。 |
| |
具有二次效应，位于右象限。 然后二次效应实际上只是部分相关，然后你就有了这些更高阶的相互作用项， |
| |
这些实际上与交互作用部分相关，这些类型的特征使这种特定的设计优于我们过去学过的典型分辨率 III 和分辨率 IV 部分因子设计 |
| |
在 DSD 之前。 |
| |
好的。 因此，快速讨论一下设计诊断。 这是相同的相关性...类似的相关性图，只不过这些因素实际上已被赋予了特定的名称 |
| |
在……运行这个 DSD 设计之后。 这只是相关矩阵的灰色和白色版本，可帮助您了解正交性或 |
| |
不，不存在？？？因素之中。 所以你可以在我们的实验中看到我们确实观察到了一点 |
| |
毫不奇怪，批量大小与肉之间的混淆，当然还有肉与饺子中肉和蔬菜之间的相互作用。 |
| |
请注意，我们在这里施加了一个设计约束，我们确实观察到了一些混杂因素，这是非常直观的约束，因为饺子......而不是饺子的总质量是饺子本身每个成分的组成。 |
| |
所以， |
| |
另一个... |
| |
那么为什么，为什么我们要这样做？ |
| |
为什么我们在这里评估这个引用不引用的均匀性，这是这里的散点图矩阵，这告诉我们什么？ 出色地， |
| |
为了最大化整个预测器空间的预测能力，在这种情况下的上升时间，我们希望找到最小化白色区域的因素的组合。 好的。 在白色区域中，预测精度被认为较弱。 |
| |
这就是为什么我们采用设计并将其放入散点图矩阵中，这类似于方差分析中误差假设的同质性排序， |
| |
你知道我们寻找一个空间，即等概率的预测空间，或者线性回归中的等方差假设。 |
| |
当我们需要时，我们希望这个空间在预测变量的范围内具有相同的概率。 |
| |
当然，在这个实验中，为了减少我们正在考虑的因素的数量，我们首先使用了工程学以及我们对问题的工程学和物理学的理解。 |
| |
因此，为了识别，我们确定了六个自变量或相互混淆最少的变量，并且我们在这些主要变量的基础上继续进行分析。 |
| |
好的。 |
| |
因此，我们做的第一件事就是采用生成的设计，并使用逐步回归来尝试简化模型，仅识别模型中的活跃因素。 |
| |
在这里，您可以使用前向选择、后向选择和混合的组合作为停止标准，以确定解释响应中最大变化的模型。 |
| |
而且，我可以将肉类类型建模为离散和/或数字或......相当离散的数字，这样我可以使用此标签使因子编码对应于 |
| |
肉的类型是我们用的虾或猪肉。 |
| |
那么在这种回归模型的框架中可以使用什么样的停止规则呢？ 出色地， |
| |
不幸的是，当我一次又一次地运行这个模型时，我并不能真正准确地重现它。 并且模型再现可能有些不一致，因为拟合......这种类型的拟合模式涉及迭代解决方案的计算过程。 |
| |
因此，在逐步回归中，过度拟合风险通常较高。 |
| |
通常如果模型中有任何曲率 |
| |
或者有两个因素相互作用，例如，...的解释性变体在这两个因素之间共享，您无法梳理与其中一个或另一个相关的可变性。 |
| |
因此，根据调整后的 R 平方，我们可以在这里清楚地看到，我们得到了非常好的拟合，而且可能拟合得太好了。 |
| |
这意味着我们无法根据它们对这个特定模型的拟合程度来预测未来。 |
| |
好的。 |
| |
这就是它变得非常有趣的地方。 所以 |
| |
在逐步运行之后，我们首先要做的事情之一是为模型中的每个因素分配独立的统一输入。 |
| |
这是 JMP 中的一种蒙特卡罗实现。 |
| |
一种不同类型的蒙特卡罗实现 and and and |
| |
在这个特定的框架中，重要的是要理解主效应和总效应之间的差异可以表明相互作用的程度。 |
| |
这是与模型中特定因素相关的相互作用的程度。 所以这表明，特别是水温和肉， |
| |
除了在总效应方面最具解释性之外，还可能与该特定模型中的其他因素相互作用。 |
| |
当然，您所看到的是，我们使用帕雷多图进行转换后的估计，将水温、肉类和肉类类型确定为我们的首要预测因素。 |
| |
在开始其他一些幻灯片之前，我想强调的另一件事是我们可以在此处调用的灵敏度指示指示器 |
| |
在我们分配独立的统一输入后，在分析器下， |
| |
我们可以对轮廓分析器进行着色，以指示每个输入输入因子与响应之间的关系强度。 我们还可以使用 |
| |
敏感度指标，由这些紫色三角形表示，向我们展示敏感度，或者你可以说关系的强度 |
| |
类似于线性回归系数表示强度，其中三角形越高，关系越陡峭， |
| |
正方向或负方向越强，三角形越宽越平，该因素所发挥的关系就越弱。 |
| |
好的。 |
| |
因此，我们开始减少模型并利用一些工程意识并使用逐步平台。 |
| |
我们得到了什么 |
| |
这只是我们的模型拟合的快照，源自 DSD 设计，它具有 RSM 结构作为曲率。 你可以看到这是一个交互图，它以成对的方式显示了所有因素之间交互的程度。 |
| |
我们已经指出了一些交互存在的位置以及这些交互的样子。 |
| |
所以这是一个我们真的可以更好地掌握的模型 |
| |
可以，然后呢 |
| |
我认为另一件事要提到的是，我们施加的设计约束类似于您可能认为的混合设计，其中所有组件加在一起并且约束之和必须为 100%。 |
| |
好的，这只是分析器的高级图片，我们可以调整或调制每个输入因子，然后 |
| |
观察对响应的影响，我们以非常手动的方式做到了这一点 |
| |
只是为了对模型的表现有一些直观的了解 |
| |
当然，为了优化我们的烹饪时间，我们确认时间必须更快，当然，与烹饪时间相关的变量应该更低。 |
| |
吞吐量和功耗应该被优化、最大化。 这是另外两个 |
| |
我们根据烹饪时间得出的反应。 |
| |
好的，这就是我们更全面地进行优化的地方 |
| |
的烹饪过程。 正如我之前提到的，我们设计或创建了两个与物理相关的附加响应变量，其中我们具有最大吞吐量，这取决于有多少饺子...... |
| |
对不起，要看包多少个饺子，还有重量和时间。 |
| |
节省的电量是消耗的电量和烹饪时间的乘积，烹饪时间是能源的一部分。 |
| |
因此，为了参与这个优化过程， |
| |
我们需要引入与每个输入因子相关的误差，并由底部的这些分布表示。 |
| |
而且我们还需要考虑实际的 HACCP 控制窗口，当然还有测量设备的能力，这是我们希望在未来的研究中关注的内容。 |
| |
因此，这只是我们使用的 HACCP 控制计划的一张漂亮图片，这与质量行业中的故障模式和效果分析非常相似。 这只是一种结构化方法 |
| |
实验或制造工艺开发以及确定关键变量的地方， |
| |
关键所有者，然后衡量标准是什么以及如何验证该标准。 因此，HACCP 实际上在食品科学行业中很常见，它代表危害分析关键控制点监控。 |
| |
我认为 |
| |
除了所有这些准备活动之外，主要是我作为数据收集者参与了这个实验，并且数据完整性是非常重要的事情。 所以 |
| |
适当地转录数据绝对是非常重要的。 |
| |
因此，所有 HACCP 控制点都需要纳入蒙特卡罗模拟范围，最终可以使用 HACCP 容差范围来推导过程性能要求。 |
| |
可以，然后呢 |
| |
我们考虑了一系列输入，蒙特卡罗可以确认这个预期范围对于烹饪时间来说是实用的。 |
| |
我们希望考虑每个 HACCP 组件级别的每个输入因素的微小变化，并且 |
| |
这是由控制点范围决定的。 根据控制点范围，我们可以根据增量 y 响应时间确定每个输入中的增量 x 和增量。 |
| |
我们可以继续迭代地增量增加 delta x， |
| |
同时希望增量足够小，以便 y 的变化足够小以满足规范。 通常在工业中，这是一个设计公差，在这种情况下，它是我们的 HACCP 控制点控制参数范围或控制参数限制。 |
| |
如果迭代过程失败，那么我们必须使增量和 X 更小，我们将此过程称为容差分配。 好的。 |
| |
我们手动进行了这种操作，并使用某种作为我们自己的特殊配方。 尽管这可以在 JMP 中以更自动化的方式完成， |
| |
在这种情况下，您可以看到我们有更多的回复。 因此，使用多重响应优化，以及涉及调用意愿函数并在预测刻画器下最大化意愿 |
| |
以及高斯过程建模， |
| |
也可在预测刻画器下使用。 |
| |
好的。 因此，接下来，您知道，使用相互补充的工具并尝试进一步了解我们的产品……我们的流程和实验，我们使用预测建模工具下的分析菜单下的神经建模功能。 |
| |
和 |
| |
我们，我们试图利用它来促进我们的预测。 |
| |
该模型使用TanH函数，可以更强大地检测非线性效应中的曲率， |
| |
但它有点像一个黑匣子，并没有真正与物理学联系起来。 所以 |
| |
同时它对非正态响应也具有鲁棒性，并且对混叠混杂也具有一定的鲁棒性。 |
| |
它有其局限性，特别是在样本量较小的情况下，例如我们这里的样本量，您实际上可以看到训练集和验证集之间的 r 平方并不特别 |
| |
相同或不同，因此该模型对于预测目的并不是特别一致。 |
| |
最后，我们使用 JMP 中的分区平台在我们的系统上运行递归分区 |
| |
响应时间响应。 |
| |
一般来说，这个模型绝对是相对容易解释的，但我认为特别是对于我们的实验来说，因为我们可以看到，在上升时间里，我们的温度在大约 85 摄氏度处截止， |
| |
以及与最大吞吐量相关的一些温度差异，但特别是 85 度截止是最……非常有趣。 |
| |
该模型中的 R 平方值约为 0.7，至少相对于温度上升响应而言，考虑到样本量较小，这对于此类模型来说相当不错。 |
| |
和 |
| |
最有趣的是，低于 85°C 时，水实际上并没有沸腾。 没有 |
| |
大量冒泡，无湍流。 读数非常稳定。 然而，随着温度的升高，水开始循环，水中的湍流导致温度不均匀，空化气泡破裂，蒸汽上升，基本上是一个不稳定的温度环境。 |
| |
在这种类型的环境中，对流而非传导占主导地位。 |
| |
而且蒸汽还会阻挡红外测温仪的光线，这也增加了与温度测量相关的不确定性。 |
| |
并且蒸汽本身存在灼伤风险，除了安全性之外，它还可能影响操作员调整温度计和放置温度计的方式，调整操作员放置温度计的距离，这对于测量的准确性非常重要。 |
| |
事实上，这就是我们将设计上限限制在 95°C 的原因，因为在这个温度以上，确实不可能准确测量水温。 |
| |
好的。 |
| |
那么……我们到了哪里？ 出色地， |
| |
总之，我们...在这个实验中，我们仅使用 DSD (DOE) 来收集数据。 |
| |
然后我们使用逐步回归来缩小重要影响的范围，但我们没有对逐步回归进行太深入的研究。 我们利用常识以及工程专业知识来最大限度地减少实验中的因素数量。 |
| |
我们还使用独立的统一输入， |
| |
这是非常强大的 |
| |
让我们了解效果的大小，例如通过对轮廓进行着色或查看效果的排名，以及通过查看主效果和总效果之间的差异来指示模型中存在的交互作用。 |
| |
我们还在分析器下添加了灵敏度指标，以帮助我们量化全局灵敏度，以实现蒙特卡罗优化 |
| |
我们采用的模式。 |
| |
模型中的主要影响确实是温度，当然，物理学确实解释了为什么温度是第一因素，正如我在我们的发现中分享的那样。 |
| |
此外，从 80-90 摄氏度之间，我们从分析仪中看到，我们观察到了一种快速转变，并且上升时间和温度之间关系的敏感性增加，这当然与我们的实验观察结果一致。 |
| |
其次，关于相互作用的因素的影响，因为有两种不同类型的物理真正相互作用，基本物理......相互作用的物理模式是对流和传导， |
| |
DSD 上的逐步是一个很好的起点，因为它为我们提供了一个无需转换的连续模型 |
| |
没有 |
| |
先进的神经或黑盒类型转换，我们至少可以一开始就很好地处理全局敏感性。 |
| |
我们的分区模型中的神经模型无法向我们展示这一点，特别是考虑到我们实验中的样本量较小。 |
| |
最后，我们使用蒙特卡罗模拟，鲁棒蒙特卡罗模拟 |
| |
在我们自己的框架中。 我们还针对功耗的上升时间和吞吐量与我们的重要因素进行了一些多重响应优化。 通过这个实验，我们开始真正限定并进一步理解了 |
| |
使用多学科建模方法来确定本实验中最重要的因素。 |
| |
最后，我将在这里分享一些参考资料，供大家感兴趣。 非常感谢您的宝贵时间和 |
