Transcription |
| Bonjour Chris Gotwalt ici. |
| Aujourd'hui, nous allons être |
| construire l'histoire de |
| paradoxes graphiques et oh attendez, |
| mauvais sujet. En fait, nous allons |
| parler de candidat |
| décors, confection de DOE |
| contraintes au problème. |
| Donc expérimentation industrielle |
| pour le produit et le processus |
| l'amélioration a une longue histoire |
| avec de nombreux fils que j'avoue je |
| ne connais qu'un minuscule ruban |
| de. L'idée d'utiliser l'observation |
| pour le produit et le processus |
| l'innovation est aussi vieille que l'humanité |
| lui-même. Il a reçu renouvelé |
| se concentrer pendant la Renaissance et |
| Révolution scientifique. Pendant le |
| industriel ultérieur |
| Révolution, science et industrie |
| a commencé à fonctionner de plus en plus |
| en bloc. Au début du 20e |
| siècle, le laboratoire d'Edison était un |
| l'innovation industrielle sur un |
| échelle d'usine, mais c'était fait |
| à ma connaissance, en dehors de |
| traditions expérimentales modernes. |
| Peu de temps après RA Fisher |
| introduit des concepts comme |
| blocage et randomisation, son |
| associé puis gendre, |
| George Box, a développé ce qui est |
| maintenant probablement le dominant |
| paradigme dans la conception de |
| expériences, avec le plus |
| livre populaire étant Statistics |
| pour les Expérimentateurs par Box, |
| Hunter et Hunter. |
| La méthode décrite dans Box, Hunter |
| et Hunter sont ce que j'appelle le |
| approche taxonomique de la conception. |
| Alors supposons que vous ayez un produit |
| ou processus que vous souhaitez améliorer. |
| Tu penses aux choses que tu |
| Peut changer. Les boutons peuvent tourner |
| comme la température, la pression, |
| temps, ingrédients que vous pouvez utiliser ou |
| méthodes de traitement que vous pouvez |
| utilisation. Ces choses deviennent |
| vos facteurs. Alors tu penses |
| savoir s'ils sont |
| continue ou nominale, et si |
| ils sont nominaux, combien |
| les niveaux qu'ils prennent ou la gamme |
| vous êtes prêt à les varier. Si un |
| le facteur est continu, alors vous |
| trouver le nom du |
| conception qui correspond le plus facilement |
| à la hauteur du problème et des ressources |
| que vous ... qui correspond à votre budget. |
| Cette conception aura ... |
| aura un nom comme une boîte |
| Design Behnken, un fractionné |
| factorielle, ou centrale |
| signes composites, ou éventuellement |
| quelque chose comme un tableau Taguchi. Il y aura |
| être des restrictions sur les nombres |
| de pistes, le niveau ... les chiffres |
| des niveaux de catégorique |
| facteurs, et ainsi de suite, donc là |
| sera un soulier le |
| problème à portée de main dans la conception |
| que vous pouvez trouver. Par exemple, |
| facteurs dans la BHH |
| approche, Box Hunter et Hunter |
| approche, doivent souvent être |
| réduit à deux ou trois |
| valeurs ou niveaux uniques. |
| Malgré ses limites, le |
| l'approche taxonomique a été |
| fantastiquement réussi. |
| Au fil du temps, bien sûr, certains |
| les gens ont demandé si nous pouvions |
| faire encore mieux. |
| Et par mieux, nous voulons demander |
| nous-mêmes, comment concevons-nous notre |
| étudier pour obtenir le plus haut |
| des informations de qualité pertinentes pour |
| les objectifs de l'amélioration |
| projet? Cette ligne de |
| le questionnement conduit finalement à |
| conception optimale. La conception optimale est |
| un domaine de recherche académique. C'était |
| a commencé en parallèle avec la Box |
| école dans les années 50 et 60, mais |
| pour diverses raisons est resté en dehors |
| du courant dominant de l'industrie |
| expérimentations, jusqu'à ce que |
| designer personnalisé et JMP. |
| La philosophie de la coutume |
| le concepteur est ce que vous décrivez |
| le problème au logiciel. Il |
| puis vous renvoie le meilleur design |
| pour le nombre de |
| s'exécute. Vous commencez par déclarer |
| vos réponses ainsi que leurs |
| objectifs, comme minimiser, maximiser, |
| ou correspondre à la cible, puis vous |
| décrire les types de facteurs |
| tu as, continu, catégorique |
| mélange, etc. |
| les facteurs peuvent avoir un nombre illimité de |
| niveaux. Vous lui donnez un modèle qui |
| vous voulez vous adapter au résultat |
| Les données. Le modèle suppose au moins |
| analyse des carrés et se compose de |
| principaux effets et interactions dans |
| termes polynomiaux. La douane |
| le concepteur fait un défaut |
| hypothèses sur la nature |
| de votre objectif, par exemple si |
| vous êtes intéressé par le dépistage |
| ou prédiction, qui est |
| reflété dans l'optimalité |
| critère utilisé. Le |
| les valeurs par défaut peuvent être remplacées |
| avec un menu triangle rouge |
| option si vous souhaitez |
| faire quelque chose de différent de |
| ce que le logiciel a l'intention. |
| Le flux de travail dans la plupart |
| applications est de mettre en place |
| le modèle. |
| Ensuite, vous choisissez votre budget, |
| cliquez sur faire la conception. Une fois que |
| arrive, JMP utilise un mixte, |
| continu et catégorique |
| algorithme d'optimisation, résolution |
| pour le nombre de facteurs fois |
| le nombre de termes de lignes. |
| Ensuite, vous obtenez vos données de conception |
| table avec tout ce dont vous avez besoin |
| sauf les données de réponse. Ce |
| est un excellent flux de travail car le |
| les facteurs peuvent varier |
| indépendants les uns des autres. |
| Et si tu ne peux pas? Et qu'est-ce qui se passerait si |
| il y a des contraintes? Quoi |
| si la valeur de certains facteurs |
| déterminer les plages possibles |
| d'autres facteurs? |
| Eh bien, vous pouvez le faire ... alors |
| vous pouvez définir un facteur |
| contraintes ou utilisez-le |
| combinaisons interdites |
| filtre. |
| Malheureusement, alors que ces |
| sont des outils puissants pour |
| contraignant expérimental |
| régions, il peut encore être très |
| difficile à caractériser |
| contraintes les utilisant. |
| L'équipe DOE de Brad Jones, Ryan Lekivetz, |
| Joseph Morgan et Caleb |
| King a ajouté un |
| extraordinairement utile nouveau |
| caractéristique qui rend la manipulation |
| contraintes beaucoup plus faciles |
| JMP 16. Ceux-ci sont appelés |
| courses candidates ou covariables. |
| Ce que vous pouvez faire, c'est, sur votre |
| posséder, créer une table de tous |
| combinaisons possibles de |
| paramètres de facteur souhaités |
| le concepteur personnalisé pour |
| considérer. Puis chargez-les |
| ici et ce seront les |
| seulement des combinaisons de facteurs |
| paramètres que le concepteur |
| volonté... |
| va regarder. L'original |
| table, que j'appelle un |
| table candidate, est comme un |
| paramètres de facteur de menu pour |
| le concepteur personnalisé. |
| Cela donne aux utilisateurs JMP un |
| incroyable niveau de contrôle sur |
| leurs créations. Ce que je vais faire |
| faire aujourd'hui c'est passer plusieurs |
| exemples pour montrer comment vous pouvez utiliser |
| ceci pour faire la coutume |
| le designer réalise son potentiel |
| comme un outil qui adapte le |
| conception au problème à résoudre. |
| Avant de faire ça, je vais |
| sortir du sujet pendant un moment et |
| faites remarquer que dans le JMP Pro |
| version du designer personnalisé, |
| il y a maintenant une capacité qui |
| vous permet de déclarer des limites de |
| détection au moment de la conception. |
| Si vous voulez des valeurs non manquantes |
| pour les limites ici la coutume |
| le concepteur ajoutera une colonne |
| propriété qui informe le |
| plateforme de régression généralisée |
| des limites de détection et il |
| obtiendra alors automatiquement le |
| analyse correcte. Cela mène à |
| puissance considérablement plus élevée pour |
| détecter les effets et beaucoup plus bas |
| biais dans les prédictions, mais c'est |
| un sujet pour une autre conférence. |
| Voici un tas d'applications |
| auquel je peux penser pour le |
| scénographe candidat. Le |
| le plus simple est lorsque les plages d'un |
| le facteur continu dépend de la |
| niveau d'une ou plusieurs catégories |
| facteurs. Un autre exemple est quand |
| nous ne pouvons pas contrôler la gamme de |
| facteurs complètement |
| indépendamment, mais le |
| les contraintes sont difficiles à écrire |
| vers le bas. Il existe deux méthodes |
| peut utiliser pour cela. L'un utilise |
| les données de processus historiques en tant que |
| ensemble de candidats, puis le |
| l'autre est ce que j'appelle filtre |
| designs où vous créez un design |
| un ensemble de données initial géant utilisant |
| nombres aléatoires ou un espace |
| conception de remplissage, puis utilisez la ligne |
| sélections dans les nuages de points |
| pour ramasser les points qui |
| ne satisfait pas les contraintes. |
| Il y a aussi la possibilité de |
| mélange vraiment hautement personnalisé |
| problèmes, en particulier les situations |
| où vous avez multicouche |
| mixturing. Ce n'est pas |
| quelque chose que je vais être |
| capable de parler d'aujourd'hui, mais en |
| l'avenir c'est quelque chose |
| que tu devrais chercher à être |
| capable de faire avec ce candidat |
| scénographe. Vous pouvez aussi faire |
| contraintes non linéaires avec |
| méthode de filtrage, la même |
| façons dont vous pouvez faire d'autres types de |
| contraintes. C'est très |
| simple et j'aurai un rapide |
| exemple à la toute fin |
| illustrant cela. |
| Alors considérons notre premier |
| Exemple. Supposons que vous vouliez |
| correspondre à une réponse cible dans un |
| enquête sur deux facteurs. |
| L'un est équipé ... d'un équipement |
| fournisseur, dont il existe deux |
| niveaux et l'autre est le |
| température de l'appareil. Le |
| deux fournisseurs différents ont |
| différentes plages de fonctionnement |
| les températures. Le fournisseur A est plus |
| étroit des deux, allant de |
| 150 à 170 degrés Celsius. |
| Mais c'est contrôlable à un |
| niveau de résolution plus fin |
| environ 5 degrés. Fournisseur B |
| a une plage de fonctionnement plus large |
| passant de 140 à 180 degrés |
| Celsius, mais est seulement |
| contrôlable à 10 degrés |
| Celsius. Supposons que nous voulions faire |
| un design en 12 passages pour trouver le |
| combinaison optimale de ces |
| deux facteurs. |
| Nous énumérons tous les possibles |
| combinaisons des deux |
| facteurs dans 10 courses dans le |
| table ici, il suffit de créer |
| cela manuellement nous-mêmes. |
| Alors voici les cinq possibles |
| valeurs des types de machines A |
| réglages de température. Puis |
| en bas voici les cinq possibles |
| valeurs de température du type B |
| réglages. Nous voulons le meilleur |
| conception en 12 passages, ce qui dépasse |
| le nombre de lignes dans le |
| table des candidats. Ce n'est pas un |
| problème en théorie, mais je |
| recommande de créer une copie du |
| ensemble de candidats juste au cas où |
| que le nombre d'exécutions |
| votre table candidate a dépassé |
| le numéro que vous cherchez |
| pour dans la conception. |
| Puis on passe à la coutume |
| designer. |
| Pousser sélectionner la covariable |
| bouton Facteurs. |
| Sélectionnez les colonnes que nous voulons |
| chargé comme design candidat |
| facteurs. Maintenant le candidat |
| la conception est chargée et montrée. |
| Ajoutons l'effet d'interaction, |
| ainsi que l'effet quadratique |
| de température. Maintenant nous sommes au |
| dernière étape avant de créer le |
| conception. Je veux expliquer le |
| deux options que vous voyez dans le |
| noeud de contour de génération de conception. |
| Le premier, qui forcera |
| dans toutes les lignes qui sont |
| sélectionné dans le tableau d'origine |
| ou dans la liste des |
| candidats dans la coutume |
| designer. Donc si vous avez |
| points de contrôle qui ne |
| être favorisé par l'optimalité |
| critère et veulent les forcer |
| dans la conception, vous pouvez |
| utilisez cette option. C'est un peu |
| comme prendre ces mêmes lignes et |
| créer un design augmenté |
| basé uniquement sur eux, sauf que |
| vous contrôlez le possible |
| combinaisons des facteurs dans |
| les lignes supplémentaires. |
| La deuxième option, que je suis |
| vérifier ici exprès, permet |
| les lignes candidates à choisir |
| plus d'une fois. Cela donnera |
| vous avez choisi de manière optimale |
| réplications et est probablement un |
| bonne idée si vous êtes sur le point de courir |
| une expérience physique. Si, sur |
| d'autre part, vous utilisez un |
| sous-ensemble optimal de lignes à trouver |
| essayer dans une nouvelle machine sophistiquée |
| algorithme d'apprentissage comme SVEM, un |
| sujet de l'un de mes autres entretiens |
| à la découverte de mars |
| Conférence. Tu ne voudrais pas |
| pour cocher cette option si c'était |
| l'affaire. Fondamentalement, si vous |
| je n'ai pas toute ta réponse |
| valeurs déjà, je vérifierais |
| cette boîte et si vous avez déjà |
| les valeurs de réponse, alors ne le faites pas. |
| Réinitialisez la taille de l'échantillon à 12 et |
| cliquez sur faire la conception. Le candidat |
| le design dans toute sa splendeur |
| apparaissent comme les autres |
| conception faite par la coutume |
| designer. Comme nous le voyons dans le |
| fenêtre du milieu JMP, JMP également |
| sélectionne les lignes dans l'original |
| table choisie par le candidat |
| algorithme de conception. Notez que 10 |
| pas 12 lignes ont été sélectionnées. |
| Sur la droite, nous voyons le nouveau |
| table design, la plus à droite |
| la colonne du tableau indique |
| la ligne d'origine pour cela |
| Cours. Notez que les lignes d'origine |
| 11 et 15 ont été choisis deux fois |
| et sont des répliques. |
| Voici une vue histogramme du |
| conception. Vous pouvez voir que le |
| différentes valeurs de température |
| ont été choisis par l'ensemble de candidats |
| algorithme pour différentes machines |
| les types. Dans l'ensemble, cette conception est |
| bien équilibré, mais nous ne le faisons pas |
| ont 3 niveaux de température dans |
| type de machine A. Heureusement, |
| nous pouvons sélectionner les lignes que nous |
| veulent forcé dans la conception |
| pour nous assurer que nous avons 3 |
| niveaux de température pour |
| les deux types de machines. |
| Sélectionnez simplement la ligne que vous voulez |
| forcé dans la conception dans le |
| table de covariables. Vérifier inclure |
| toutes les lignes covariantes sélectionnées dans |
| l'option de conception. |
| Et puis si tu passes par |
| tout ça, tu verras |
| que maintenant les deux niveaux de |
| la machine a au moins trois |
| niveaux de température dans le |
| conception. Donc le premier design |
| nous avons créé est à gauche |
| et le nouveau design forçant |
| il doit y avoir 3 niveaux de |
| type de machine A |
| les réglages de température sont terminés |
| ici à droite. |
| Mon deuxième exemple est basé sur un |
| ensemble de données réel à partir d'un |
| fabrication métallurgique |
| traiter. L'entreprise veut |
| contrôler la quantité de retrait |
| pendant l'étape de frittage. Ils |
| avoir beaucoup de données historiques |
| et avoir appliqué la machine |
| modèles d'apprentissage pour prédire |
| rétrécissement et donc avoir une idée |
| quels sont les facteurs clés. |
| Cependant, pour optimiser réellement |
| le processus, vous devriez vraiment |
| faire une expérience conçue. |
| Comme Laura Castro-Schilo |
| une fois pointé ... |
| Comme Laura Castro-Schilo une fois |
| m'a dit, la causalité est un |
| propriété non pas des données, mais |
| si les données générant |
| mécanisme, et comme George Box |
| dit sur la couverture intérieure de |
| Statistiques pour les expérimentateurs, |
| pour savoir ce qui se passe quand |
| vous changez quelque chose, c'est |
| nécessaire de le changer. |
| Maintenant, bien que nous ne puissions pas utiliser le |
| données historiques à prouver |
| causalité, il y a |
| informations essentielles sur |
| quelles combinaisons de facteurs |
| est possible que nous puissions utiliser |
| Dans le design. |
| Nous devons d'abord séparer le |
| colonnes du tableau qui |
| représentent des facteurs contrôlables |
| de ceux qui sont plus |
| mesures de capteurs passifs |
| ou conduisent des quantités qui |
| ne peut pas être contrôlé directement. |
| Un coup d'œil sur le nuage de points de |
| les facteurs continus potentiels |
| indique qu'il y a |
| contraintes implicites qui pourraient |
| être difficile à caractériser comme |
| contraintes linéaires ou interdites |
| combinaisons. Cependant, ces |
| représentent un échantillon de |
| combinaisons possibles qui |
| peut être utilisé avec le |
| concepteur candidat tout à fait |
| facilement. |
| Pour ce faire, nous évoquons le |
| designer personnalisé. Configurer le |
| réponse. J'aime en charger |
| facteurs de covariable. Sélectionnez le |
| colonnes que nous pouvons contrôler comme |
| facteur ... facteurs DOE et |
| cliquez sur OK. Maintenant nous les avons |
| chargé. Mettons en place un quadratique |
| modèle de surface de réponse comme notre |
| modèle de base. Ensuite, sélectionnez tout |
| les termes du modèle sauf le |
| intercepter. Ensuite, faites un contrôle |
| plus un clic droit et convertir |
| tous ces termes en si |
| effets possibles. En ce |
| combinaison avec réponse |
| modèle de surface choisi, signifie |
| que nous allons créer un |
| Candidat bayésien I-optimal |
| décor. |
| Cochez la case qui permet |
| répliques choisies de manière optimale. |
| Entrez la taille de l'échantillon. |
| Il crée ensuite le design |
| pour nous. Si nous regardons le |
| répartition des facteurs, |
| on voit qu'on essaie dur |
| pour rechercher un meilleur équilibre. |
| Sur la gauche, nous avons un |
| matrice de nuage de points |
| facteurs continus du |
| données originales et à droite |
| est la conception de cent rangées. Nous pouvons voir |
| que dans le frittage |
| température, nous en avons |
| valeurs aberrantes potentielles à 1220. |
| On voudrait s'assurer que |
| ce sont de vraies valeurs. Dans |
| général, vous allez devoir |
| assurez-vous que l'entrée |
| ensemble de candidats dont il est clair |
| outliars et des valeurs manquantes |
| avant de l'utiliser comme candidat |
| décor. Dans ma conversation avec Ron |
| Kennet ça ... en mars |
| Conférence découverte 2021, |
| Je montre brièvement comment vous pouvez utiliser |
| la valeur aberrante et manquante |
| plates-formes de dépistage à supprimer |
| les valeurs aberrantes et remplacez le |
| valeurs manquantes pour que vous puissiez |
| utilisez-les lors d'un |
| étape comme ça. |
| Supposons maintenant que nous ayons un problème |
| similaire au premier exemple, |
| où il y a deux machines |
| types, mais maintenant nous avons |
| température et pression comme |
| facteurs, et nous savons que |
| la température et la pression ne peuvent pas |
| varient indépendamment et que le |
| nature de cette dépendance |
| change entre les types de machines. |
| Nous pouvons créer un espace initial |
| conception de remplissage et utiliser le |
| filtre de données pour supprimer le |
| combinaisons irréalisables de |
| facteurs définis séparément pour |
| chaque type de machine. Alors nous pouvons |
| utiliser le scénographe candidat |
| pour trouver le plus efficace |
| conception pour cette situation. |
| Alors maintenant j'ai vécu ça, |
| alors maintenant j'ai créé mon espace |
| conception de remplissage. Il en a 1000 |
| s'exécute et je peux faire remonter le |
| filtre de données global dessus et |
| utilisez-le pour vous raser |
| combinaisons de température |
| et la pression pour que nous puissions |
| avoir des contraintes séparées par |
| type de machine. |
| Alors j'utilise le Lasso |
| outil à couper |
| un coin dans la machine B. |
| Et je retourne et j'ai coupé |
| un autre coin de la machine B donc |
| la machine B est la machine qui a |
| sorte de région d'exploitation plus large |
| en température et en pression. |
| Puis on passe à la machine |
| UNE. Et nous allons juste utiliser |
| l'outil Lasso |
| se raser |
| les points qui sont en dehors de son |
| région d'exploitation. Et nous voyons |
| que sa région d'exploitation est un |
| beaucoup plus étroit que celui de la machine A. |
| Et voici notre conception combinée. |
| À partir de là, nous pouvons le recharger |
| dans le concepteur personnalisé. |
| Mettez-y un modèle RSM, puis |
| définir notre nombre de courses à 32, |
| permettant aux lignes de coviariées d'être |
| répété. Et ça va tourner |
| par. Une fois que c'est fait, |
| sélectionne tous les points qui ont été |
| choisi par l'ensemble candidat |
| designer. Et ici nous pouvons voir |
| les points choisis. |
| Ils ont été mis en évidence et le |
| ensemble original de points candidats |
| qui n'ont pas été sélectionnés sont |
| sont gris. |
| Nous pouvons apporter le nouveau design |
| dans Fit Y by X et nous pouvons |
| voir un nuage de points où nous voyons |
| que le |
| les points de conception de la machine A |
| sont en rouge. Ils sont à l'intérieur |
| de l'espace, puis le Type |
| Les pistes B sont en bleu. Il avait le |
| région d'exploitation plus large et |
| c'est comme ça que nous voyons ces points |
| ici, plus loin pour cela. Alors |
| nous avons rapidement atteint un |
| conception avec contraintes linéaires |
| qui changent avec un catégorique |
| facteur sans aller le |
| processus ennuyeux de dérivation du |
| coefficients de combinaison linéaire. |
| Nous avons simplement utilisé le JMP 101 de base |
| visualisation et filtrage |
| outils. Cette idée généralise |
| à d'autres non linéaires |
| contraintes et autres complexes |
| situations assez facilement. |
| Alors maintenant, nous allons utiliser |
| filtrage et multivarié à |
| mettre en place un nouveau type de |
| conception que je vous assure |
| je n'ai jamais vu auparavant. |
| Aller à la |
| Lasso. Allaient |
| pour découper un très inhabituel |
| contrainte. |
| Et nous allons inverser |
| sélection. |
| Nous allons supprimer ces lignes. |
| Ensuite, nous pouvons accélérer cela |
| un petit peu. Nous pouvons passer par |
| et fais la même chose |
| pour d'autres combinaisons de X1 |
| et les autres variables. |
| Découper un très |
| ensemble de candidats de forme inhabituelle. |
| Nous pouvons charger ceci dans |
| le concepteur personnalisé. Même |
| chose comme avant. Apportez notre |
| colonnes sous forme de covariables, |
| mettre en place un design avec tous ... |
| toutes les interactions d'ordre élevé effectuées |
| si possible, avec une centaine |
| s'exécute. Et maintenant nous voyons |
| notre conception pour cela très |
| région contrainte inhabituelle |
| c'est optimal étant donné ces |
| contraintes. |
| Alors je vais vous laisser avec ça |
| image. Je suis très excité de |
| entends ce que tu as pu faire |
| avec le nouvel ensemble de candidats |
| designer. Chapeau au DOE |
| équipe pour avoir ajouté ceci |
| étonnamment utile et |
| nouvelle fonctionnalité flexible. Remercier |
| tu. |
