Lautsprecher
|
Transkript
|
| Patrick Giuliano |
In Ordnung. Nun, alle willkommen. |
| |
Vielen Dank, dass Sie sich die Zeit genommen haben, diese Präsentation anzusehen. |
| |
Zubereitung der frischesten gedämpften Knödel. |
| |
Und mein Name ist Patrick Giuliano und meine Co-Autoren sind Mason Chen und Charles Chen von Applied Materials sowie Yvanny Chang. |
| |
Okay, heute werde ich Ihnen erzählen, wie ich … mein Team und ich die Leistungsfähigkeit von JMP genutzt haben, um es wirklich zu verstehen |
| |
Knödel kochen. |
| |
Und so lautet die allgemeine Problemstellung hier, dass die meisten Lebensmittel wie Knödel ohne genaue Kontrolle der Garparameter zubereitet werden. |
| |
Und der Geschmack eines Knödels sowie andere Indikatoren zur Messung der Qualität eines Knödels werden durch eine falsche Garzeit negativ beeinflusst, und das ist für jeden, der das Essen so genossen hat, intuitiv |
| |
Darüber müssen wir nicht allzu viel reden. Aber |
| |
Früher oder später werden KI und Robotik ein wichtiger Bestandteil der Lebensmittelindustrie sein. |
| |
Und unsere jüngste Erfahrung mit Covid 19 hat das wirklich deutlich gemacht, und deshalb werde ich ein wenig darüber sprechen, wie wir |
| |
kann den Dumpling-Prozess mithilfe eines sehr vielschichtigen Modellierungsansatzes besser verstehen, der viele der Modellierungsfunktionen von JMP nutzt, einschließlich der robusten Monte-Carlo-Designoptimierung. |
| |
Warum also Knödel? |
| |
Nun, Knödel sind sehr einfach zuzubereiten. |
| |
Und indem wir sie kochen, töten wir natürlich alle Fremdpartikel ab, die sich möglicherweise auf ihnen befinden. |
| |
Und Kochen kann nur eine sehr begrenzte menschliche Interaktion erfordern. |
| |
Damit ist das Design und der Prozessraum rund um das Kochen natürlich sehr intuitiv und erweiterbar |
| |
und wir können die mit diesem Problem verbundene Physik berücksichtigen und versuchen, JMP zu verwenden, um die Physik wirklich besser zu verstehen und zu untersuchen. |
| |
KI kommt früher oder später natürlich aufgrund von Covid 19 wirklich auf den Markt, und |
| |
Warum sollte es Roboter geben, die Knödel kochen? Also |
| |
Und auch andere Fragen könnten lauten: Was sind die Vorteile? Was sind die Herausforderungen beim automatisierten Kochen von Knödeln in einer Roboterumgebung? |
| |
Und das könnte natürlich eine Herausforderung sein, denn eigentlich haben Roboter keine Nase zum Riechen. Aus diesem Grund ist das ein wichtiger Grund dafür |
| |
Da es sich um einen fortschrittlichen und vielschichtigen Modellierungsansatz handelt, ist es wichtig, einige andere strukturierte Kriterien zu berücksichtigen. |
| |
Und später in dieser Präsentation werde ich ein wenig über die HACCP-Kriterien sprechen und darüber, wie wir diese integriert haben, um unser Problem strukturierter zu lösen. |
| |
Okay, also |
| |
Bevor ich mich ausführlich mit der interessanten JMP-Analyse befasse, möchte ich kurz eine Einführung in die Wärmeübertragungsphysik, die Lebensmittelwissenschaft und die Auswirkungen verschiedener Wärmeübertragungsmechanismen auf das Kochen von Knödeln geben. |
| |
Wie Sie auf dieser Folie sehen können, gibt es eine |
| |
Q |
| |
oben im Diagramm und oben rechts steht Q und bezieht sich auf ... es bezieht sich auf die Wärmeflussdichte, also die Energiemenge, die vorhanden ist |
| |
durchfließt eine Flächeneinheit pro Zeiteinheit und die Richtung der Temperaturänderung. |
| |
Aus physikalischer Sicht unterscheiden sich Proteine sowie rohes und gekochtes Fleisch in ihrer Energiemenge. Eine Aktivierungsenergiebarriere muss überwunden werden, um die Proteinstruktur von rohem Fleisch in eine denaturierte oder verdichtete Struktur umzuwandeln, wie hier gezeigt. |
| |
in diesem Bild links. |
| |
Aus physikalischer Sicht besteht die erste Aufgabe des Kochs beim Kochen von Fleisch darin, die Temperatur im gesamten Volumen des Stücks zu erhöhen |
| |
mindestens |
| |
Um die Temperatur der Denaturierung zu erreichen. |
| |
Später werde ich über das interessanteste Ergebnis dieser speziellen Phase des Experiments sprechen, in der wir entdeckten, dass es eine Temperaturunterbrechung gab. |
| |
Und instinktiv könnte man meinen, dass die Knödel unter einer bestimmten Temperatur gar werden... nicht richtig gar werden, sie zu matschig werden, und oberhalb einer bestimmten Temperatur werden sie vielleicht auch zu matschig oder verbrannt oder verkrustet. |
| |
Ein weiterer letzter Hinweis zur Physik ist, dass an der Siedegrenze die Oberflächentemperatur des Wassers schwankt und Blasen an die Oberfläche des Kessels aufsteigen |
| |
und auseinanderbrechen und zusammenbrechen, und das kann es schwierig machen, genaue Temperaturmessungen zu erfassen... zu erfassen und... entschuldigen Sie.... |
| |
Das führt uns zu einigen der Werkzeuge, die wir zur Durchführung eines Experiments verwendet haben? |
| |
Also, |
| |
Natürlich haben wir einen Kocher verwendet und das ist sehr wichtig. |
| |
Natürlich haben wir etwas zum Messen der Temperatur verwendet und dazu ein Infrarot-Thermometer und natürlich eine Zeitschaltuhr, und wir haben eine Massenwaage verwendet, um den Knödel und alle darin enthaltenen Bestandteile zu wiegen. |
| |
Wir könnten in zukünftigen Studien etwas in Betracht ziehen, das Gare R&R genannt wird und wo wir die Wiederholbarkeit und Reproduzierbarkeit unserer Messwerkzeuge quantifizieren können. |
| |
In diesem Experiment haben wir das nicht getan, aber das ist sehr wichtig, denn so können wir die Präzision unserer Modellschätzungen pro Minute maximieren und die mit unserem Messprozess verbundenen Rauschkomponenten minimieren. |
| |
Und diese Geräuschkomponenten könnten nicht nur sein |
| |
Eine Tatsache...ein Faktor, der zum Beispiel die Genauigkeitstoleranz des Messgeräts betrifft, sie könnte aber auch darauf zurückzuführen sein, wie die Person mit der Messung selbst interagiert. |
| |
Und insbesondere werde ich ein wenig über die Herausforderung sprechen, die die Messung der Siede- und Kochtemperatur bei hohen Temperaturen mit sich bringt. |
| |
Okay, so kurz, |
| |
Das ... wir haben dieses Experiment als geplantes Experiment angelegt. Und so mussten wir uns zunächst für die Werkzeuge entscheiden. |
| |
Wir mussten uns entscheiden, wie wir den Knödel zubereiten würden. Wir brauchten also einen geeigneten Herstellungsprozess |
| |
Rollenspieler in diesem Prozess. Und dann mussten wir ein strukturiertes Experiment entwerfen. Und dazu nutzen wir das definitive Screening-Design |
| |
und untersuchten einige Merkmale des Designs, um sicherzustellen, dass das Design für unser Experiment optimal funktionierte. |
| |
Als nächstes führten wir das Experiment durch. |
| |
Und dann |
| |
Wir haben die Reaktion gemessen und aufgezeichnet. |
| |
Und natürlich zum Abschluss der spaßige Teil: |
| |
Wir konnten die Daten und JMP effektiv interpretieren. |
| |
Und das sind hier die Diagramme, die Streudiagrammmatrizen zeigen, die in JMP erstellt wurden, einfach mit der Diagrammfunktion. |
| |
Und diese geben uns tatsächlich einen Hinweis auf die Einheitlichkeit dieses Vorhersageraums. Ich werde später noch ein bisschen mehr darüber sprechen... und dann als Nächstes... in den kommenden Folien. |
| |
Okay, hier sind unsere Daten. Hier ist unser Datenerfassungsplan und auf der rechten Seite die von uns gemessene Reaktion, nämlich die Teigaufgangszeit oder Kochzeit. |
| |
Wir haben 18 Läufe in einem DSD gesammelt, das wir in JMP über die DSD-Plattform und im DOE-Menü generiert haben. |
| |
Und wir sammelten Informationen über die Masse des Fleisches, die Masse des darin enthaltenen Gemüses, die Masse des ... die Art des Fleisches, vielmehr die Zusammensetzung des Gemüses (entweder Kohl oder Pilze), |
| |
und natürlich das Gesamtgewicht, die Größe der von uns zubereiteten Portionen, die Anzahl der Knödel pro Portion und die Wassertemperatur. |
| |
Diese Folie hebt also nur einige der erstaunlichen Leistungsfähigkeiten eines DSD hervor, und ich werde nicht zu sehr darauf eingehen, aber DSDs werden für ihre flexiblen und leistungsstarken Modellierungseigenschaften sehr gelobt. |
| |
Und sie bieten ein großes Potenzial für die Durchführung eines Blitz-Screenings und die Optimierung der Optimierung in einem einzigen Experiment. |
| |
Dieses Diagramm rechts ist eine Korrelationsmatrix, die in JMP in der entwickelten Diagnoseplattform des DOE-Menüs generiert wurde und besonders leistungsstark zur Darstellung ist |
| |
das Ausmaß des Aliasings oder der Verwechslung aller Faktoreffekte in Ihrem Modell. Und was diese Grafik deutlich zeigt, ist das |
| |
Beim dunkelsten Blau gibt es keine Korrelation, und wenn die Korrelation zunimmt, kommen wir zu Grautönen, und schließlich, wenn wir zu einer sehr positiven Korrelation gelangen, gelangen wir zu Rottönen. Was wir also wirklich sehen, ist das |
| |
Haupteffekte sind völlig unkorreliert miteinander, was wir bei Wechselwirkungen zwischen zwei Faktoren gerne sehen würden. Die Haupteffekte sind unkorreliert. |
| |
Mit quadratischen Effekten, die in diesem rechten Quadranten liegen. Und dann korrelieren die quadratischen Effekte tatsächlich nur teilweise miteinander und dann haben Sie diese Interaktionsterme höherer Ordnung: |
| |
Diese sind tatsächlich teilweise mit Interaktionseffekten korreliert, und diese Arten von Eigenschaften machen dieses spezielle Design überlegen und den typischen fraktionalen faktoriellen Designs von Resolution III und Resolution IV überlegen, die uns früher beigebracht wurden |
| |
vor den DSDs. |
| |
Okay. Ich möchte also kurz ein wenig über die Design-Diagnose diskutieren. Hier ist die gleiche Korrelation ... ein ähnliches Korrelationsdiagramm, außer dass den Faktoren tatsächlich ihre jeweiligen Namen gegeben wurden |
| |
und danach in...in der Ausführung dieses DSD-Designs. Und dies ist nur eine grau-weiße Version einer Korrelationsmatrix, die Ihnen hilft, das Ausmaß der Orthoginalität zu erkennen |
| |
nicht, nicht sein ??? zu den Faktoren. Was Sie also in unserem Experiment sehen können, ist, dass wir tatsächlich ein wenig davon beobachtet haben |
| |
Es überrascht nicht, dass man eine Chargengröße mit einer Chargengröße und Fleisch verwechselt, und dann natürlich Fleisch mit der Wechselwirkung zwischen Fleisch und dem Gemüse, das im Knödel enthalten ist. |
| |
Und beachten Sie, dass wir hier eine Designbeschränkung auferlegt haben, bei der wir einige Verwechslungen festgestellt haben, nämlich die sehr intuitive Einschränkung, dass die Knödel ... als die Gesamtmasse der Knödel die Zusammensetzung der einzelnen Bestandteile der Knödel selbst sind. |
| |
So, |
| |
das andere... |
| |
Warum also, warum machen wir das? |
| |
Warum bewerten wir hier diese Anführungszeichen-ohne-Anführungszeichen-Einheitlichkeit, hier die Streudiagrammmatrix und was sagt uns das? Also, |
| |
Um die Vorhersagefähigkeit im gesamten Raum des Prädiktors zu maximieren, möchten wir in diesem Fall in steigender Zeit die Kombinationen der Faktoren finden, die die weißen Bereiche minimieren. Okay. Und in den weißen Bereichen wird angenommen, dass die Vorhersagegenauigkeit schwächer ist. |
| |
Und das ist ein Grund, warum wir das Design nehmen und es in eine Streudiagrammmatrix einfügen, und das ist in gewisser Weise analog zur Annahme der Homogenität des Fehlers in der ANOVA. |
| |
Wo Sie wissen, suchen wir nach einem Raum, dem Raum der Vorhersage, der gleich wahrscheinlich ist, oder der Annahme gleicher Varianz in der linearen Regression. |
| |
Wenn wir wollen, wollen wir, dass dieser Raum im gesamten Bereich der Prädiktoren gleich wahrscheinlich ist. |
| |
Um die Anzahl der Faktoren, die wir betrachten, zu reduzieren, haben wir in diesem Experiment natürlich zuerst die Technik und unser Verständnis der Technik und der Physik des Problems genutzt. |
| |
Zur Identifizierung identifizierten wir also sechs unabhängige Variablen oder Variablen, die am wenigsten miteinander verwechselt wurden, und fuhren mit der Analyse auf der Grundlage dieser Primärvariablen fort. |
| |
Okay. |
| |
Als erstes haben wir also unser generiertes Design genommen und mithilfe der schrittweisen Regression versucht, das Modell zu vereinfachen und nur die aktiven Faktoren im Modell zu identifizieren. |
| |
Und hier können Sie eine Kombination aus Vorwärtsauswahl, Rückwärtsauswahl und gemischt als Stoppkriterium verwenden, um das Modell zu bestimmen, das die größte Variation in Ihrer Antwort erklärt. |
| |
Außerdem kann ich den Fleischtyp als diskret und/oder numerisch oder ... eher diskret numerisch modellieren und auf diese Weise diese Kennzeichnung verwenden, um die Faktorcodierung entsprechend anzupassen |
| |
Als Fleischsorte haben wir Garnelen oder Schweinefleisch verwendet. |
| |
Welche Art von Stoppregel können Sie also im Rahmen eines solchen Regressionsmodells verwenden? Also, |
| |
Als ich dieses Modell immer wieder laufen ließ, konnte ich es leider nicht wirklich genau reproduzieren. Und die Modellreproduktion kann etwas inkonsistent sein, da die Anpassung ... diese Art von Anpassungsschema erfordert ein Rechenverfahren, um iterativ zu einer Lösung zu gelangen. |
| |
Daher ist bei dieser schrittweisen Regression das Überanpassungsrisiko typischerweise höher. |
| |
Und oft, wenn das Modell eine Krümmung aufweist |
| |
oder es gibt zwei Faktor-Wechselwirkungen, zum Beispiel die, die erklärenden Varianten über... werden von beiden Faktoren geteilt, bei denen man die Variabilität, die mit dem einen oder anderen verbunden ist, nicht auseinanderhalten kann. |
| |
Und was wir hier anhand des angepassten R-Quadrats deutlich sehen können, ist, dass wir eine sehr gute Anpassung erhalten, und wahrscheinlich eine zu gute Anpassung. |
| |
Das bedeutet, dass wir auf dieser Grundlage nicht vorhersagen können, ob sie zu diesem bestimmten Modell passen. |
| |
Okay. |
| |
Hier wird es also ziemlich interessant. So |
| |
Eines der Dinge, die wir nach der schrittweisen Ausführung zunächst getan haben, ist, dass wir jedem Faktor im Modell unabhängige einheitliche Eingaben zugewiesen haben. |
| |
Und das ist eine Art Monte-Carlo-Implementierung in JMP. |
| |
Eine andere Art der Monte-Carlo-Implementierung und und und |
| |
In diesem speziellen Rahmen ist es wichtig zu verstehen, dass der Unterschied zwischen dem Haupteffekt und dem Gesamteffekt das Ausmaß der Interaktion anzeigen kann. |
| |
Dies ist das Ausmaß der Interaktion, die mit einem bestimmten Faktor im Modell verbunden ist. Dies zeigt also, dass insbesondere die Wassertemperatur und das Fleisch, |
| |
Abgesehen davon, dass es im Hinblick auf den Gesamteffekt am erklärendsten ist, kann es wahrscheinlich auch mit anderen Faktoren in diesem speziellen Modell interagieren. |
| |
Und was Sie sehen, ist natürlich, dass wir die Wassertemperatur, das Fleisch und die Fleischsorte als unsere wichtigsten Prädiktoren identifiziert haben, indem wir das Paredo-Diagramm für transformierte Schätzungen verwendet haben. |
| |
Das andere, was ich hier hervorheben möchte, bevor ich mit einigen der anderen Folien beginne, ist der Sensitivitätsindikator, den wir hier und hier aufrufen können |
| |
unter dem Profiler, nachdem wir unabhängige einheitliche Eingaben zugewiesen haben, |
| |
Wir können den Profilprofiler einfärben, um die Stärke der Beziehung zwischen den einzelnen Eingabefaktoren und der Antwort anzuzeigen. Und wir können es auch nutzen |
| |
Der Sensibilitätsindikator, der durch diese violetten Dreiecke dargestellt wird, zeigt uns die Sensibilität oder besser gesagt die Stärke der Beziehung |
| |
Ähnlich wie der lineare Regressionskoeffizient würde die Stärke angeben, wobei je höher das Dreieck und desto steiler die Beziehung ist. |
| |
Je stärker entweder in positiver oder negativer Richtung und je breiter und flacher das Dreieck ist, desto weniger stark ist die Beziehung, die dieser Faktor spielt. |
| |
Okay. |
| |
Also machten wir uns daran, unser Modell zu verkleinern, etwas technisches Gespür zu nutzen und die schrittweise Plattform zu nutzen. |
| |
Und was wir bekommen |
| |
Dies ist nur eine Momentaufnahme unseres Modells, das aus dem DSD-Design stammt und RSM als Krümmung strukturiert hat. Und Sie sehen, dass es sich um ein Interaktionsdiagramm handelt, das das Ausmaß der Interaktion zwischen allen Faktoren paarweise zeigt. |
| |
Und wir haben angegeben, wo einige der Interaktionen vorhanden sind und wie diese Interaktionen aussehen. |
| |
Das ist also ein Modell, das wir wirklich besser in den Griff bekommen können |
| |
Okay, also |
| |
Ich denke, eine weitere Sache, die ich erwähnen sollte, ist, dass die Designbeschränkung, die wir auferlegt haben, einem Mischungsdesign ähnelt, bei dem alle Komponenten addiert werden und die Einschränkung 100 % ergeben muss. |
| |
Okay, hier ist nur ein allgemeines Bild des Profilers und wir können jeden der Eingabefaktoren anpassen oder modulieren und dann |
| |
Beobachten Sie die Auswirkungen auf die Reaktion und wir haben dies sehr manuell durchgeführt |
| |
Nur um einen Einblick in die Leistung des Modells zu bekommen |
| |
Und um unsere Garzeit zu optimieren, haben wir uns natürlich bestätigt, dass die Zeit schneller sein muss, natürlich sollten die mit der Garzeit verbundenen Varianten kürzer sein. |
| |
Und der Durchsatz, der Durchsatz und die Energieeinsparungen sollten optimiert, maximiert werden. Und das sind noch zwei weitere |
| |
Antworten, die wir basierend auf der Kochzeit abgeleitet haben. |
| |
Okay, hier kommen wir also ausführlicher zur Optimierung |
| |
des Garvorgangs. Und wie ich bereits erwähnt habe, haben wir zwei zusätzliche Antwortvariablen entworfen oder erstellt, die mit der Physik verbunden sind, wo wir den maximalen Durchsatz haben und der davon abhängt, wie viele Knödel ... |
| |
Es tut mir leid, es kommt auf die Anzahl der Knödel an, aber auch auf das Gewicht und die Zeit. |
| |
Und Energieeinsparungen, also das Produkt aus der verbrauchten Energie und der Kochzeit, die eine Energiekomponente darstellt. |
| |
Und um sich an diesem Optimierungsprozess zu beteiligen, |
| |
Wir müssen Fehler einführen, die mit jedem der Eingabefaktoren verbunden sind. Dies wird durch diese Verteilungen unten hier dargestellt. |
| |
Und wir müssen auch das praktische HACCP-Kontrollfenster und natürlich die Messgerätefähigkeit berücksichtigen, die wir in zukünftigen Studien gerne untersuchen würden. |
| |
Und hier ist nur ein schönes Bild des HACCP-Kontrollplans, den wir verwenden, und dieser folgt einer Analyse der Fehlermöglichkeiten und -auswirkungen in der Qualitätsbranche. Und es ist nur ein strukturierter Ansatz |
| |
Experimente oder Herstellungsprozessentwicklung und wo Schlüsselvariablen identifiziert werden, |
| |
und Schlüsseleigentümer und dann, an welchen Kriterien gemessen wird und wie diese Kriterien validiert werden. Und so ist HACCP in der Lebensmittelindustrie tatsächlich weit verbreitet und steht für Hazard Analysis Critical Control Point Monitoring. |
| |
Und ich denke |
| |
Zusätzlich zu all diesen Vorbereitungsaktivitäten war ich hauptsächlich als Datensammler an diesem Experiment beteiligt, und Datenintegrität ist eine sehr wichtige Sache. Und so |
| |
Die korrekte Transkription von Daten ist auf jeden Fall wichtig. |
| |
Daher müssen alle HACCP-Kontrollpunkte in den Monte-Carlo-Simulationsbereich einbezogen werden und letztendlich kann der HACCP-Toleranzbereich zur Ableitung der Prozessleistungsanforderung verwendet werden. |
| |
Okay, also |
| |
Wir berücksichtigen eine Reihe von Eingaben, bei denen Monte Carlo bestätigen kann, dass dieser erwartete Bereich für die Garzeit praktisch ist. |
| |
Wir möchten eine kleine Änderung bei jedem der Inputfaktoren auf jeder Ebene, jeder HACCP-Komponentenebene und berücksichtigen |
| |
und dies wird durch den Kontrollpunktbereich bestimmt. Basierend auf dem Kontrollpunktbereich können wir das Delta x und das Delta in jeder der Eingaben aus der Delta y-Antwortzeit bestimmen. |
| |
Und wir können das Delta x weiterhin schrittweise iterativ erhöhen, |
| |
Dabei wird gehofft, dass der Anstieg klein genug ist, sodass die Änderung in y klein genug ist, um die Spezifikation zu erfüllen. Und normalerweise handelt es sich in der Industrie um eine Designtoleranz und in diesem Fall um unseren HACCP-Kontrollpunkt-Kontrollparameterbereich oder unsere Kontrollparametergrenze. |
| |
Und wenn dieses iterative Verfahren fehlschlägt, müssen wir das Inkrement und X kleiner machen und nennen dieses Verfahren Toleranzzuweisung. Okay. |
| |
Wir haben dies manuell gemacht und sozusagen unser eigenes Spezialrezept verwendet. Obwohl dies in JMP und auf automatisiertere Weise erfolgen kann |
| |
und in diesem Fall sehen Sie, dass wir alle unsere Antworten mehr haben. Also die Verwendung einer Multiple-Response-Optimierung, die auch den Aufruf der Erwünschtheitsfunktionen und die Maximierung der Erwünschtheit unter dem Vorhersageprofiler beinhalten würde |
| |
sowie eine Gaußsche Prozessmodellierung, |
| |
auch unter dem Vorhersageprofiler verfügbar. |
| |
Okay. Als nächstes nutzen wir Tools, um einander zu ergänzen und zu versuchen, unser Produkt, unseren Prozess und unser Experiment besser zu verstehen, die neuronale Modellierungsfunktion im Analysemenü unter den Vorhersagemodellierungstools. |
| |
Und |
| |
Wir haben versucht, es zu nutzen, um unsere Vorhersage zu erleichtern. |
| |
Dieses Modell verwendet eine TanH-Funktion, die leistungsfähiger sein kann, um Krümmungen bei nichtlinearen Effekten zu erkennen. |
| |
Aber es ist eine Art Blackbox und hat nicht wirklich etwas mit der Physik zu tun. So |
| |
Gleichzeitig ist es auch robust gegenüber nicht normalen Antworten und einigermaßen robust gegenüber Aliasing-Verfälschungen. |
| |
Es hat seine Grenzen, insbesondere bei einer kleinen Stichprobengröße, wie wir sie hier haben, und Sie können tatsächlich sehen, dass die r-Quadrate zwischen den Trainings- und Validierungssätzen nicht besonders sind |
| |
gleich oder sie variieren, sodass dieses Modell für Vorhersagezwecke nicht besonders konsistent ist. |
| |
Schließlich haben wir die Partitionsplattform in JMP verwendet, um eine rekursive Partitionierung auf unserem Computer auszuführen |
| |
Reaktionszeit Reaktion. |
| |
Und dieses Modell ist auf jeden Fall im Allgemeinen relativ einfach zu interpretieren, aber ich denke, insbesondere für unser Experiment, weil wir sehen können, dass wir für die Anstiegszeit diesen Temperaturgrenzwert bei etwa 85 °C haben. |
| |
und das sowie ein gewisser Temperaturunterschied in Bezug auf den maximalen Durchsatz, aber insbesondere die 85-Grad-Grenze ist am meisten ... ist sehr interessant. |
| |
Der R-Quadrat-Wert liegt in diesem Modell bei etwa 0,7, zumindest im Hinblick auf die Reaktion auf steigende Temperaturen, was angesichts der geringen Stichprobengröße für diesen Modelltyp ziemlich gut ist. |
| |
Und |
| |
Das Interessanteste an diesem Grenzwert ist, dass das Wasser unter 85 °C wirklich nicht kochte. Das gab es nicht |
| |
viel Blasenbildung, keine Turbulenzen. Der Messwert war sehr stabil. Als wir jedoch die Temperatur erhöhten, begann das Wasser zu zirkulieren, Turbulenzen im Wasser führten zu einer ungleichmäßigen Temperatur, dem Zusammenbruch der Kavitationsblasen und dem Aufsteigen von Dampf, und es handelt sich im Grunde genommen um eine Umgebung mit instabiler Temperatur. |
| |
In einer solchen Umgebung dominiert die Konvektion statt der Leitung. |
| |
Und Dampf blockiert auch das Licht des Infrarot-Thermometers, was auch die mit der Temperaturmessung verbundene Unsicherheit erhöht. |
| |
Und der Dampf selbst stellt ein Verbrennungsrisiko dar, das neben der Sicherheit auch Auswirkungen darauf haben kann, wie der Bediener das Thermometer einstellt und wie er den Abstand einstellt, in dem der Bediener das Thermometer platziert, was für die Genauigkeit der Messung sehr wichtig ist. |
| |
Aus diesem Grund haben wir unser Design auf 95 °C begrenzt, weil es darüber hinaus wirklich unmöglich war, die Wassertemperatur mehr genau zu messen. |
| |
Okay. |
| |
Was sind also ... wo sind wir hier angekommen? Also, |
| |
Zusammenfassend lässt sich sagen, dass wir in diesem Experiment DSD (DOE) nur zur Datenerfassung verwenden. |
| |
Dann verwenden wir die schrittweise Regression, um die wichtigen Auswirkungen einzugrenzen, sind jedoch nicht zu tief in die schrittweise Regression eingestiegen. Und wir nutzen gesunden Menschenverstand, um die Anzahl der Faktoren in unserem Experiment zu minimieren, sowie technisches Fachwissen. |
| |
Wir verwenden auch unabhängige einheitliche Eingaben, |
| |
Das ist sehr mächtig |
| |
um uns eine Vorstellung von der Größe der Effekte zu geben, indem wir beispielsweise das Profil einfärben oder die Rangfolge der Effekte betrachten und auch den Unterschied zwischen dem Haupteffekt und dem Gesamteffekt betrachten, um uns einen Hinweis auf die im Modell vorhandene Interaktion zu geben. |
| |
Wir haben außerdem Sensitivitätsindikatoren unter dem Profiler hinzugefügt, um uns bei der Quantifizierung unserer globalen Sensitivität für die Zwecke der Monte-Carlo-Optimierung zu helfen |
| |
Schema, das wir verwendet haben. |
| |
Die Haupteffekte im Modell sind natürlich die Temperatur, und die Physik erklärt wirklich, warum die Temperatur der wichtigste Faktor ist, wie ich in unseren Ergebnissen mitgeteilt habe. |
| |
Und darüber hinaus haben wir bei Temperaturen zwischen 80 und 90 Grad Celsius, was wir von den Profilern sehen, eine Art schnellen Übergang und eine Zunahme der Empfindlichkeit der Beziehung zwischen Anstiegszeit und Temperatur beobachtet, was natürlich mit unseren experimentellen Beobachtungen übereinstimmt. |
| |
Zweitens, in Bezug auf die Auswirkungen von Faktoren, die miteinander interagieren, und weil es zwei verschiedene Arten von Physik gibt, die tatsächlich interagieren, die grundlegende Physik ... die interagierenden physikalischen Modi sind Konvektion und Leitung, |
| |
Die schrittweise Betrachtung des DSD ist ein guter Ausgangspunkt, da sie uns ein kontinuierliches Modell ohne Transformation liefert |
| |
Ohne |
| |
Fortgeschrittene neuronale oder Black-Box-Transformation, mit der wir zumindest zunächst die globale Empfindlichkeit gut in den Griff bekommen können. |
| |
Und unsere neuronalen Modelle in unseren Partitionsmodellen konnten uns dies nicht zeigen, insbesondere angesichts der geringen Stichprobengröße in unserem Experiment. |
| |
Und schließlich verwenden wir die Monte-Carlo-Simulation, eine robuste Monte-Carlo-Simulation |
| |
in unserem eigenen Rahmen. Und wir haben auch ein wenig Multiple-Response-Optimierung hinsichtlich steigender Zeit und Durchsatz beim Stromverbrauch im Vergleich zu unseren wichtigen Faktoren durchgeführt. Und durch dieses Experiment haben wir begonnen, unser Verständnis für die Bedeutung von zu vertiefen und zu vertiefen |
| |
Die wichtigsten Faktoren in diesem Experiment mithilfe eines multidisziplinären Modellierungsansatzes. |
| |
Abschließend möchte ich hier noch einige Referenzen für Sie veröffentlichen, die Sie interessieren könnten. Vielen Dank für Ihre Zeit und |
