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 |
| scénographies, personnalisation du DOE |
| contraintes au problème. |
| Donc l'expérimentation industrielle |
| pour le produit et le processus |
| l'amélioration a une longue histoire |
| avec de nombreux fils que j'avoue que je |
| n'en connais qu'un tout petit peu |
| 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 |
| l'accent pendant la Renaissance et |
| Révolution scientifique. Pendant le |
| industriel ultérieur |
| Révolution, science et industrie |
| a commencé à fonctionner de plus en plus |
| au pas de course. Au début du 20e |
| siècle, le laboratoire d'Edison était un |
| l'innovation industrielle sur un |
| à l'échelle de l'usine, mais c'était fait |
| à ma connaissance, en dehors de |
| traditions expérimentales modernes. |
| Peu de temps après RA Fisher |
| concepts introduits 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 Statistiques |
| pour les Expérimentateurs par Box, |
| Chasseur et chasseur. |
| La méthode décrite dans Box, Hunter |
| et Hunter sont ce que j'appelle le |
| approche taxonomique de la conception. |
| Supposons donc que vous ayez un produit |
| ou processus que vous souhaitez améliorer. |
| Vous réfléchissez aux choses que vous |
| Peut changer. Les boutons peuvent tourner |
| comme la température, la pression, |
| le temps, les ingrédients que vous pouvez utiliser ou |
| méthodes de traitement que vous pouvez |
| utiliser. Ces 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 |
| facteur est continu, alors vous |
| trouver le nom du |
| design 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 |
| Conception de Behnken, un fractionnaire |
| factoriel, ou un central |
| signes composites, ou éventuellement |
| quelque chose comme un tableau Taguchi. Il y aura |
| être des restrictions sur les nombres |
| de runs, le niveau... les chiffres |
| de niveaux de catégorie |
| facteurs, et ainsi de suite, donc il y a |
| il y aura du chausse-pied |
| problème à portée de main dans la conception |
| que vous pouvez trouver. Par exemple, |
| facteurs dans le BHH |
| approche, Box Hunter et Hunter |
| approche, doivent souvent être |
| réduit à deux ou trois |
| valeurs ou niveaux uniques. |
| Malgré ses limites, la |
| 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 entendons demander |
| nous-mêmes, comment concevons-nous notre |
| étude 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 universitaire. C'était |
| commencé en parallèle avec la Box |
| l'école dans les années 50 et 60, mais |
| pour diverses raisons est resté exclu |
| du courant dominant de l'industrie |
| expérimentations, jusqu'à la |
| concepteur personnalisé et JMP. |
| La philosophie de la coutume |
| concepteur est que vous décrivez |
| le problème au logiciel. Il |
| puis vous renvoie le meilleur design |
| pour votre nombre budgété de |
| court. Vous commencez par déclarer |
| vos réponses accompagnées de leurs |
| objectifs, comme minimiser, maximiser, |
| ou correspondre à la cible, puis vous |
| décrire les types de facteurs |
| vous avez, continu, catégorique |
| mélange, etc. |
| les facteurs peuvent avoir n'importe quel nombre de |
| les niveaux. Vous lui donnez un modèle qui |
| vous voulez vous adapter au résultat |
| 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 des défauts |
| hypothèses sur la nature |
| de votre objectif, par exemple si |
| vous êtes intéressé par le dépistage |
| ou la prédiction, qui est |
| reflété dans l'optimalité |
| critère qui est utilisé. Le |
| les valeurs par défaut peuvent être remplacées |
| avec un menu triangle rouge |
| option si vous voulez |
| faire quelque chose de différent de |
| ce que le logiciel prévoit. |
| Le flux de travail dans la plupart |
| applications est de mettre en place |
| le modèle. |
| Ensuite, vous choisissez votre budget, |
| cliquez sur créer un design. Une fois que |
| se produit, JMP utilise un mélange, |
| 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 vous ne pouvez 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 l'utiliser |
| combinaisons non autorisées |
| filtre. |
| Malheureusement, alors que ces |
| sont des outils puissants pour |
| contrainte expérimentale |
| régions, il peut encore être très |
| difficile à caractériser |
| contraintes utilisant celles-ci. |
| L'équipe DOE de Brad Jones, Ryan Lekivetz, |
| Joseph Morgan et Caleb |
| King a ajouté un |
| nouvelle extraordinairement utile |
| caractéristique qui rend la manipulation |
| contraintes beaucoup plus faciles dans |
| JMP 16. Ceux-ci sont appelés |
| essais candidats ou covariables. |
| Ce que vous pouvez faire, c'est partir sur votre |
| propre, créer un tableau de tous |
| combinaisons possibles de |
| paramètres de facteur que vous souhaitez |
| le concepteur personnalisé à |
| considérer. Puis chargez-les |
| ici et ce seront les |
| seulement des combinaisons de facteur |
| paramètres que le concepteur |
| sera... |
| va regarder. L'original |
| table, que j'appelle un |
| table des candidats, est comme un |
| paramètres de facteur de menu pour |
| le concepteur personnalisé. |
| Cela donne aux utilisateurs de JMP une |
| niveau incroyable de contrôle sur |
| leurs conceptions. Ce que je vais faire |
| faire aujourd'hui, c'est passer en revue plusieurs |
| des exemples pour montrer comment vous pouvez utiliser |
| ceci pour faire la coutume |
| designer réalise son potentiel |
| comme un outil qui adapte |
| conception au problème posé. |
| Avant de faire ça, je vais |
| s'éloigner un instant du sujet et |
| souligner que dans JMP Pro |
| version du concepteur 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 |
| plate-forme de régression généralisée |
| des limites de détection et il |
| obtiendra alors automatiquement le |
| analyse correcte. Cela mène à |
| une puissance considérablement plus élevée pour |
| détecter les effets et beaucoup plus faible |
| biais dans les prédictions, mais c'est |
| un sujet pour une autre conversation. |
| Voici un tas d'applications |
| auxquels je peux penser pour le |
| candidat scénographe. 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 lorsque |
| nous ne pouvons pas contrôler la gamme de |
| facteurs complètement |
| indépendamment, mais le |
| les contraintes sont difficiles à écrire |
| bas. Il existe deux méthodes que nous |
| peut utiliser pour cela. L'un utilise |
| données de processus historiques en tant que |
| ensemble de candidats, puis le |
| l'autre est ce que j'appelle filtre |
| des designs où vous créez... design |
| un jeu de données initial géant utilisant |
| des nombres aléatoires ou un espace |
| remplir la conception, puis utiliser la ligne |
| sélections dans les nuages de points |
| enlever les points qui |
| ne respecte pas les contraintes. |
| Il y a aussi la possibilité de |
| mélange vraiment très personnalisé |
| problèmes, en particulier les situations |
| où vous avez multicouche |
| mélange. Ce n'est pas |
| quelque chose que je vais être |
| pouvoir parler d'aujourd'hui, mais dans |
| 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 les |
| méthode de filtrage, identique |
| façons dont vous pouvez faire d'autres types de |
| contraintes. C'est très |
| simple et je vais avoir un rapide |
| exemple à la toute fin |
| illustrant cela. |
| Considérons donc notre premier |
| exemple. Supposons que vous vouliez |
| correspondre à une réponse cible dans un |
| enquête sur deux facteurs. |
| L'un est équipé... 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 |
| 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 de |
| environ 5 degrés. Fournisseur B |
| a une plage de fonctionnement plus large |
| allant de 140 à 180 degrés |
| Celsius, mais n'est que |
| contrôlable à 10 degrés |
| Celsius. Supposons que nous voulions faire |
| un plan à 12 passages pour trouver le |
| combinaison optimale de ces |
| deux facteurs. |
| Nous énumérons toutes les possibilités |
| combinaisons des deux |
| facteurs en 10 exécutions dans le |
| table ici, juste en train de créer |
| ceci manuellement nous-mêmes. |
| Voici donc les cinq possibles |
| valeurs des machines de type A |
| réglages de température. Et puis |
| voici les cinq possibles |
| valeurs de la température de type B |
| paramètres. Nous voulons le meilleur |
| conception en 12 passages, ce qui dépasse |
| le nombre de lignes dans le |
| tableau des candidats. Ce n'est pas un |
| problème en théorie, mais je |
| recommande de créer une copie du |
| candidat défini juste au cas où |
| que le nombre d'exécutions qui |
| votre tableau de candidats a dépassé |
| le numéro que vous cherchez |
| pour dans la conception. |
| Ensuite on passe à la coutume |
| designer. |
| Appuyer sur sélectionner covariable |
| bouton des facteurs. |
| Sélectionnez les colonnes que nous voulons |
| chargé en tant que conception candidate |
| facteurs. Maintenant le candidat |
| le dessin est chargé et affiché. |
| Ajoutons l'effet d'interaction, |
| ainsi que l'effet quadratique |
| de température. Nous sommes maintenant au |
| dernière étape avant la création du |
| conception. Je veux expliquer le |
| deux options que vous voyez dans le |
| nœud 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 à la coutume |
| designer. Donc si vous avez |
| points de contrôle peu susceptibles |
| être favorisé par l'optimalité |
| critère et je veux les forcer |
| dans la conception, vous pouvez |
| utilisez cette option. C'est un peu |
| comme prendre ces mêmes rangées et |
| créer un design augmenté |
| basé uniquement sur eux, sauf que |
| vous contrôlez le possible |
| combinaisons de facteurs dans |
| les rangées 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 de fantaisie |
| algorithme d'apprentissage comme SVEM, un |
| sujet d'une de mes autres conférences |
| à la découverte de mars |
| Conférence. Vous ne voudriez pas |
| pour cocher cette option si c'était |
| l'affaire. En gros, 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 créer un design. Le candidat |
| le design dans toute sa splendeur |
| apparaissent comme les autres |
| conception faite par la coutume |
| designer. Comme on le voit dans le |
| fenêtre JMP centrale, 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. |
| A droite on voit le nouveau |
| table de conception, la plus à droite |
| colonne du tableau indique |
| la ligne d'origine pour cela |
| courir. Notez que les lignes d'origine |
| 11 et 15 ont été choisis deux fois |
| et sont des répliques. |
| Voici une vue d'histogramme de la |
| conception. Vous pouvez voir que le |
| différentes valeurs de température |
| ont été choisis par l'ensemble des candidats |
| algorithme pour différentes machines |
| les types. Dans l'ensemble, cette conception est |
| bien équilibré, mais nous ne |
| avoir 3 niveaux de température dans |
| type d'appareil A. Heureusement, |
| nous pouvons sélectionner les lignes que nous |
| veulent être forcés dans la conception |
| pour s'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 |
| tableau des covariables. Chèque inclus |
| toutes les lignes covariantes sélectionnées dans |
| l'option de conception. |
| Et puis si vous passez par là |
| tout ça tu verras |
| que maintenant les deux niveaux de |
| la machine a au moins trois |
| niveaux de température dans le |
| conception. Donc la première conception |
| nous avons créé est sur la gauche |
| et le nouveau design forçant |
| il doit y avoir 3 niveaux de |
| machine de type A |
| les réglages de température sont terminés |
| ici à droite. |
| Mon deuxième exemple est basé sur un |
| jeu de données réel à partir d'un |
| fabrication métallurgique |
| processus. L'entreprise veut |
| contrôler la quantité de retrait |
| lors de l'étape de frittage. Ils |
| avoir beaucoup de données historiques |
| et ont 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 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, même si nous ne pouvons pas utiliser le |
| données historiques à prouver |
| causalité, il y a |
| informations essentielles sur |
| quelles combinaisons de facteurs |
| sont possibles que nous puissions utiliser |
| Dans le design. |
| Nous devons d'abord séparer les |
| colonnes du tableau qui |
| représentent des facteurs contrôlables |
| de ceux qui sont plus |
| mesures de capteurs passifs |
| ou conduire 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 non autorisées |
| combinaisons. Cependant, ces |
| représentent un échantillon de la |
| combinaisons possibles qui |
| peut être utilisé avec le |
| candidat designer tout à fait |
| facilement. |
| Pour ce faire, nous élevons le |
| concepteur personnalisé. Configurez le |
| réponse. J'aime charger certains |
| facteurs covariables. Sélectionnez le |
| colonnes que nous pouvons contrôler comme |
| facteur...facteurs DOE et |
| cliquez sur OK. Maintenant nous les avons |
| chargé. Construisons un quadratique |
| modèle de surface de réponse comme notre |
| modèle de base. Sélectionnez ensuite tous |
| les termes du modèle à l'exception des |
| intercepter. puis faire un controle |
| plus 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 dessin |
| pour nous. Si nous regardons le |
| répartition des facteurs, |
| on voit que c'est bien essayé |
| pour rechercher un meilleur équilibre. |
| A gauche, nous avons un |
| matrice de nuage de points de la |
| facteurs continus de la |
| données d'origine et à droite |
| est le plan à cent rangées. Nous pouvons voir |
| que dans le frittage |
| température, nous avons quelques |
| 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 |
| candidat défini il est clair de |
| valeurs aberrantes et de valeurs manquantes |
| avant de l'utiliser comme candidat |
| décor. Dans ma conversation avec Ron |
| Kennet ce... en mars |
| Conférence Découverte 2021, |
| Je montre brièvement comment vous pouvez utiliser |
| la valeur aberrante et manquante |
| plates-formes de criblage pour éliminer |
| les valeurs aberrantes et remplacer les |
| valeurs manquantes afin que vous puissiez |
| les utiliser lors d'une prochaine |
| stade comme celui-ci. |
| Supposons maintenant que nous ayons un problème |
| semblable 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 |
| varient indépendamment et que le |
| nature de cette dépendance |
| changements entre les types de machines. |
| Nous pouvons créer un espace initial |
| conception de remplissage et utiliser le |
| filtre de données pour supprimer |
| combinaisons impossibles de |
| facteurs définissant séparément pour |
| chaque type de machines. Alors nous pouvons |
| utiliser le scénographe candidat |
| pour trouver le plus efficace |
| conception pour cette situation. |
| Alors maintenant je suis passé par là, |
| alors maintenant j'ai créé mon espace |
| conception de remplissage. Il y en a 1 000 |
| s'exécute et je peux afficher le |
| filtre global de données dessus et |
| utilisez-le pour raser différents |
| combinaisons de température |
| et la pression pour que nous puissions |
| ont des contraintes distinctes par |
| type de machines. |
| Alors j'utilise le Lasso |
| outil pour couper |
| un coin dans la machine B. |
| Et je reviens et je coupe |
| un autre coin dans la machine B donc |
| la machine B est la machine qui a |
| une sorte de région d'exploitation plus large |
| en température et en pression. |
| Ensuite, nous passons à la machine |
| UN. 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 une |
| beaucoup plus étroit que celui de la machine A. |
| Et voici notre conception combinée. |
| De là, nous pouvons recharger cela |
| jusqu'au concepteur personnalisé. |
| Mettez-y un modèle RSM, puis |
| fixer notre nombre de runs à 32, |
| permettant aux lignes coviariées d'être |
| répété. Et ça va démarrer |
| à travers. Une fois que c'est fait, il |
| sélectionne tous les points qui étaient |
| choisi par l'ensemble de candidats |
| 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 l'on voit |
| 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 |
| zone d'exploitation plus large et |
| c'est ainsi que nous voyons ces points |
| ici, plus loin pour cela. Donc |
| nous avons rapidement atteint un |
| conception avec contraintes linéaires |
| qui changent avec un catégorique |
| facteur sans aller le |
| processus ennuyeux de dériver le |
| coefficients de combinaison linéaire. |
| Nous avons simplement utilisé JMP 101 de base |
| visualisation et filtrage |
| outils. Cette idée se généralise |
| à d'autres non linéaires |
| contraintes et autres complexes |
| situations assez facilement. |
| Alors maintenant, nous allons utiliser |
| filtrage et multivariée à |
| mettre en place un nouveau type tout à fait unique de |
| conception que je vous assure vous |
| jamais vu auparavant. |
| Allez 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 |
| un petit peu. Nous pouvons traverser |
| et faire la même chose |
| pour les autres combinaisons de X1 |
| et les autres variables. |
| Se tailler un très |
| ensemble de candidats de forme inhabituelle. |
| Nous pouvons charger cela dans |
| le concepteur personnalisé. Même |
| chose comme avant. Apportez notre |
| colonnes en tant que covariables, |
| mettre en place un design avec tous... |
| toutes les interactions d'ordre élevé effectuées |
| si possible, avec une centaine |
| court. Et maintenant nous voyons |
| notre conception pour cela très |
| région restreinte inhabituelle |
| qui est optimal compte tenu de ces |
| contraintes. |
| Alors je vous laisse avec ça |
| image. Je suis très excité de |
| écoutez ce que vous avez pu faire |
| avec le nouvel ensemble de candidats |
| designer. Chapeau au DOE |
| équipe pour l'ajout de ceci |
| étonnamment utile et |
| nouvelle fonctionnalité flexible. Remercier |
| toi. |
