Trascrizione |
| Ciao Chris Gotwalt qui. |
| Oggi lo saremo |
| costruire la storia di |
| paradossi grafici e oh aspetta, |
| argomento sbagliato. In realtà stiamo andando |
| parlare di candidato |
| scenografie, sartoria DOE |
| vincoli al problema. |
| Quindi sperimentazione industriale |
| per prodotto e processo |
| miglioramento ha una lunga storia |
| con molti thread che ammetto io |
| conosco solo una piccola scheggia |
| Di. L'idea di utilizzare l'osservazione |
| per prodotto e processo |
| l'innovazione è antica quanto l'umanità |
| si. Ha ricevuto rinnovato |
| concentrarsi durante il Rinascimento e |
| Rivoluzione scientifica. Durante |
| successivo industriale |
| Rivoluzione, scienza e industria |
| cominciò a funzionare sempre di più |
| in blocco. All'inizio del 20 |
| secolo, il laboratorio di Edison era un |
| innovazione industriale su a |
| scala di fabbrica, ma è stato fatto |
| a mia conoscenza, al di fuori di |
| moderne tradizioni sperimentali. |
| Non molto tempo dopo RA Fisher |
| introdotto concetti come |
| blocco e randomizzazione, il suo |
| socio e poi genero, |
| George Box, ha sviluppato ciò che è |
| ora probabilmente il dominante |
| paradigma nella progettazione di |
| esperimenti, con i più |
| libro popolare essendo Statistiche |
| per gli sperimentatori di Box, |
| Cacciatore e cacciatore. |
| Il metodo descritto in Box, Hunter |
| e Hunter sono quelli che io chiamo i |
| approccio tassonomico al design. |
| Supponiamo quindi di avere un prodotto |
| o processo che vuoi migliorare. |
| Pensi attraverso le cose che tu |
| può cambiare. Le manopole possono girare |
| come temperatura, pressione, |
| tempo, ingredienti che puoi usare o |
| metodi di elaborazione che puoi |
| utilizzo. Queste queste cose diventano |
| i tuoi fattori Poi pensi |
| sul fatto che lo siano |
| continuo o nominale, e se |
| sono nominali, quanti |
| livelli che prendono o la gamma |
| sei disposto a variarli. Se un |
| il fattore è continuo, allora tu |
| capire il nome del |
| design che si abbina più facilmente |
| fino al problema e alle risorse |
| che tu... che rientra nel tuo budget. |
| Quel disegno avrà... |
| avrà un nome come una scatola |
| Design Behnken, un frazionario |
| fattoriale o centrale |
| segni compositi, o forse |
| qualcosa come un array Taguchi. Ci saranno |
| essere restrizioni sui numeri |
| di piste, il livello... i numeri |
| di livelli di categoriale |
| fattori, e così via, così là |
| sarà un po' calzare le scarpe |
| problema a portata di mano nel design |
| che puoi trovare. Per esempio, |
| fattori nel BHH |
| approccio, Box Hunter e Hunter |
| approccio, spesso devono essere |
| ridotta a due o tre |
| valori o livelli univoci. |
| Nonostante i suoi limiti, il |
| approccio tassonomico è stato |
| straordinariamente riuscito. |
| Nel tempo, ovviamente, alcuni |
| la gente ha chiesto se potevamo |
| fare ancora meglio. |
| E per meglio intendiamo chiedere |
| noi stessi, come progettiamo il nostro |
| studiare per ottenere il massimo |
| informazioni di qualità pertinenti a |
| gli obiettivi del miglioramento |
| progetto? Questa linea di |
| mettere in discussione portare alla fine a |
| disegno ottimale. Il design ottimale è |
| un'area di ricerca accademica. Era |
| iniziato in parallelo con il Box |
| scuola negli anni '50 e '60, ma |
| per vari motivi è rimasto fuori |
| della corrente principale dell'industriale |
| sperimentazioni, fino al |
| designer personalizzato e JMP. |
| La filosofia del costume |
| designer è quello che descrivi |
| il problema al software. Esso |
| poi ti restituisce il miglior design |
| per il numero preventivato di |
| corre. Inizi dichiarando |
| le tue risposte insieme alle loro |
| obiettivi, come minimizzare, massimizzare, |
| o abbina il bersaglio, e poi tu |
| descrivere i tipi di fattori |
| hai, continuo, categorico |
| miscela, ecc. Categorico |
| i fattori possono avere qualsiasi numero di |
| livelli. Gli dai un modello che |
| vuoi adattarti al risultato |
| dati. Il modello assume almeno |
| analisi quadrati e si compone di |
| principali effetti e interazioni in |
| termini polinomiali. L'usanza |
| designer crea alcuni valori predefiniti |
| ipotesi sulla natura |
| del tuo obiettivo, ad esempio se |
| sei interessato allo screening |
| o previsione, che è |
| riflesso nell'ottimalità |
| criterio utilizzato. IL |
| le impostazioni predefinite possono essere ignorate |
| con un menu triangolo rosso |
| opzione se lo desideri |
| fare qualcosa di diverso da |
| cosa intende il software. |
| Il flusso di lavoro in più |
| applicazioni è quello di impostare |
| il modello. |
| Quindi scegli il tuo budget, |
| fare clic su crea design. Una volta che |
| accade, JMP utilizza un misto, |
| continuo e categorico |
| algoritmo di ottimizzazione, soluzione |
| per il numero di fattori volte |
| il numero di righe termini. |
| Quindi ottieni i tuoi dati di progettazione |
| tavolo con tutto il necessario |
| ad eccezione dei dati di risposta. Questo |
| è un ottimo flusso di lavoro come il |
| i fattori possono essere variati |
| indipendenti l'uno dall'altro. |
| E se non puoi? Cosa succede se |
| ci sono vincoli? Che cosa |
| se il valore di alcuni fattori |
| determinare i possibili intervalli |
| di altri fattori? |
| Bene, allora puoi farlo .... allora |
| puoi definire qualche fattore |
| vincoli o usarlo |
| combinazioni non consentite |
| filtro. |
| Sfortunatamente, mentre questi |
| sono strumenti potenti per |
| sperimentale vincolante |
| regioni, può ancora essere molto |
| difficile da caratterizzare |
| vincoli utilizzando questi. |
| Il team DOE di Brad Jones, Ryan Lekivetz, |
| Joseph Morgan e Caleb |
| King ha aggiunto un |
| nuovo straordinariamente utile |
| caratteristica che rende la maneggevolezza |
| vincoli molto più facili da inserire |
| PMP 16. Questi sono chiamati |
| corse candidate o covariate. |
| Quello che puoi fare è partire sul tuo |
| possedere, creare una tabella di tutti |
| possibili combinazioni di |
| impostazioni del fattore desiderate |
| il designer personalizzato a |
| prendere in considerazione. Quindi caricali |
| qui e quelli saranno i |
| solo combinazioni di fattori |
| impostazioni che il progettista |
| Volere... |
| guarderò. L'originale |
| tabella, che io chiamo a |
| tabella dei candidati, è come a |
| impostazioni del fattore di menu per |
| il progettista personalizzato. |
| Ciò offre agli utenti di JMP un |
| incredibile livello di controllo su |
| i loro disegni. Cosa sto per fare |
| fare oggi è ripassare diversi |
| esempi per mostrare come è possibile utilizzare |
| questo per fare l'usanza |
| designer realizzare il suo potenziale |
| come uno strumento che adatta il |
| progettazione al problema in questione. |
| Prima di farlo, lo farò |
| uscire dall'argomento per un momento e |
| sottolineare che in JMP Pro |
| versione del designer personalizzato, |
| ora c'è una capacità che |
| consente di dichiarare i limiti di |
| rilevamento in fase di progettazione. |
| Se vuoi un valore non mancante |
| per i limiti qui la consuetudine |
| designer aggiungerà una colonna |
| proprietà che informa il |
| piattaforma di regressione generalizzata |
| dei limiti di rilevabilità ed esso |
| otterrà automaticamente il file |
| analisi corretta. Questo porta a |
| potenza notevolmente superiore a |
| rilevare effetti e molto più bassi |
| bias nelle previsioni, ma questo è |
| un argomento per un altro discorso. |
| Ecco un mucchio di applicazioni |
| che posso pensare per il |
| candidato scenografo. IL |
| più semplice è quando gli intervalli di a |
| il fattore continuo dipende dal |
| livello di uno o più categorici |
| fattori. Un altro esempio è quando |
| non possiamo controllare la gamma di |
| fattori completamente |
| indipendentemente, ma il |
| i vincoli sono difficili da scrivere |
| giù. Ci sono due metodi noi |
| può usare per questo. Uno sta usando |
| dati di processo storici come a |
| insieme candidato, e poi il |
| l'altro è quello che io chiamo filtro |
| disegni in cui crei...progetti |
| un gigantesco set di dati iniziale utilizzando |
| numeri casuali o uno spazio |
| disegno di riempimento e quindi utilizzare la riga |
| selezioni nei grafici a dispersione |
| per raccogliere i punti che |
| non soddisfano i vincoli. |
| C'è anche la possibilità di |
| miscela davvero altamente personalizzata |
| problemi, soprattutto situazioni |
| dove hai multistrato |
| miscelazione. Questo non lo è |
| qualcosa che sarò |
| in grado di parlare di oggi, ma in |
| il futuro questo è qualcosa |
| che dovresti cercare di essere |
| in grado di fare con questo candidato |
| scenografo. Puoi anche farlo |
| vincoli non lineari con il |
| metodo di filtraggio, lo stesso |
| modi in cui puoi fare altri tipi di |
| vincoli. È molto |
| semplice e avrò un veloce |
| esempio alla fine |
| illustrando questo. |
| Quindi consideriamo il nostro primo |
| esempio. Supponiamo che tu voglia |
| corrispondere a una risposta target in an |
| ricerca di due fattori. |
| Uno è dotato... un'attrezzatura |
| fornitore, di cui ce ne sono due |
| livelli e l'altro è il |
| temperatura del dispositivo. IL |
| due diversi fornitori hanno |
| diverse gamme di funzionamento |
| temperature. Il fornitore A è di più |
| stretto dei due, andando da |
| Da 150 a 170 gradi Celsius. |
| Ma è controllabile da a |
| livello più fine di risoluzione di |
| circa 5 gradi. Fornitore B |
| ha un raggio d'azione più ampio |
| passando da 140 a 180 gradi |
| Celsius, ma è solo |
| controllabile a 10 gradi |
| Centigrado. Supponiamo di voler fare |
| un design a 12 corse per trovare il |
| combinazione ottimale di questi |
| due fattori. |
| Enumeriamo tutto il possibile |
| combinazioni dei due |
| fattori in 10 corse nel |
| table qui, sto solo creando |
| questo manualmente noi stessi. |
| Quindi ecco i cinque possibili |
| valori delle macchine di tipo A |
| impostazioni di temperatura. Poi |
| qui sotto ci sono i cinque possibili |
| valori della temperatura di tipo B |
| impostazioni. Vogliamo il meglio |
| design in 12 tirature, che supera |
| il numero di righe in |
| tavolo dei candidati. Questo non è un |
| problema in teoria, ma io |
| consiglia di creare una copia del file |
| candidato impostato per ogni evenienza |
| che il numero di corse che |
| la tua tabella dei candidati ha dei superamenti |
| il numero che stai cercando |
| per nel disegno. |
| Poi andiamo alla consuetudine |
| progettista. |
| Premi seleziona covariata |
| pulsante Fattori. |
| Seleziona le colonne che vogliamo |
| caricato come progetto candidato |
| fattori. Ora il candidato |
| il design viene caricato e mostrato. |
| Aggiungiamo l'effetto di interazione, |
| così come l'effetto quadratico |
| di temperatura. Ora siamo al |
| passaggio finale prima di creare il file |
| progetto. Voglio spiegare il |
| due opzioni che vedete in |
| nodo del contorno di generazione del disegno. |
| Il primo, che costringerà |
| in tutte le righe che sono |
| selezionato nella tabella originale |
| o nell'elenco dei |
| candidati nel costume |
| progettista. Quindi se hai |
| posti di blocco che è improbabile |
| favorito dall'ottimalità |
| criterio e vogliono forzarli |
| nel design, puoi |
| usa questa opzione. È un po' |
| come prendere quelle stesse righe e |
| creazione di un design aumentato |
| basato solo su di loro, tranne quello |
| stai controllando il possibile |
| combinazioni dei fattori di |
| le righe aggiuntive. |
| La seconda opzione, che sono |
| controllando qui apposta, permette |
| le file candidate da scegliere |
| più di una volta. Questo darà |
| hai scelto in modo ottimale |
| repliche ed è probabilmente a |
| buona idea se stai per correre |
| un esperimento fisico. Se, su |
| d'altra parte, stai usando un file |
| sottoinsieme ottimale di righe da trovare |
| da provare in una macchina nuova e stravagante |
| algoritmo di apprendimento come SVEM, a |
| argomento di uno dei miei altri discorsi |
| alla scoperta di marzo |
| Conferenza. Non vorresti |
| per controllare questa opzione se lo era |
| il caso. Fondamentalmente, se tu |
| non avere tutta la tua risposta |
| valori già, vorrei controllare |
| questa scatola e se l'hai già |
| i valori di risposta, quindi non farlo. |
| Ripristina la dimensione del campione a 12 e |
| fare clic su crea design. Il candidato |
| design in tutto il suo splendore |
| apparire come qualsiasi altro |
| design realizzato dall'usanza |
| progettista. Come vediamo nel |
| finestra centrale di JMP, anche JMP |
| seleziona le righe nell'originale |
| tavolo scelto dal candidato |
| algoritmo di progettazione. Nota che 10 |
| non sono state selezionate 12 righe. |
| A destra vediamo il nuovo |
| tavolo di design, l'estrema destra |
| colonna nella tabella indica |
| la riga di origine per quello |
| correre. Si noti che righe originali |
| 11 e 15 sono stati scelti due volte |
| e sono repliche. |
| Ecco una vista dell'istogramma del |
| progetto. Puoi vedere che il |
| diversi valori di temperatura |
| sono stati scelti dal gruppo di candidati |
| algoritmo per macchina diversa |
| tipi. Nel complesso, questo design è |
| ben bilanciato, ma noi no |
| avere 3 livelli di temperatura in |
| macchina tipo A. Fortunatamente, |
| possiamo selezionare le righe noi |
| vuole forzato nel design |
| per garantire che abbiamo 3 |
| livelli di temperatura per |
| entrambi i tipi di macchina. |
| Basta selezionare la riga desiderata |
| costretto nel design nel |
| tabella delle covariate. Controlla includi |
| tutte le righe covarianti selezionate in |
| l'opzione progettuale. |
| E poi se passi attraverso |
| tutto questo, vedrai |
| che ora entrambi i livelli di |
| macchina ne ha almeno tre |
| livelli di temperatura nel |
| progetto. Quindi il primo progetto |
| che abbiamo creato è sulla sinistra |
| e la nuova forzatura progettuale |
| ci devono essere 3 livelli di |
| macchine di tipo A |
| le impostazioni della temperatura sono terminate |
| qui a destra. |
| Il mio secondo esempio è basato su a |
| set di dati reali da a |
| manifattura metallurgica |
| processi. L'azienda vuole |
| controllare la quantità di restringimento |
| durante la fase di sinterizzazione. Essi |
| avere molti dati storici |
| e hanno applicato la macchina |
| modelli di apprendimento da prevedere |
| restringimento e quindi avere qualche idea |
| quali sono i fattori chiave. |
| Tuttavia, per ottimizzare effettivamente |
| il processo, dovresti davvero |
| fare un esperimento progettato. |
| Come Laura Castro-Schilo |
| una volta puntato... |
| Come una volta Laura Castro-Schilo |
| mi ha detto, la causalità è a |
| proprietà non dei dati, ma |
| se i dati che generano |
| meccanismo, e come George Box |
| dice sulla copertina interna di |
| Statistiche per sperimentatori, |
| per scoprire cosa succede quando |
| cambi qualcosa, lo è |
| necessario cambiarlo. |
| Ora, anche se non possiamo usare il |
| dati storici da provare |
| causalità, c'è |
| informazioni essenziali su |
| quali combinazioni di fattori |
| sono possibili che possiamo usare |
| nel disegno. |
| Per prima cosa dobbiamo separare il |
| colonne nella tabella che |
| rappresentano fattori controllabili |
| da quelli che sono di più |
| misure di sensori passivi |
| o guidare quantità che |
| non può essere controllato direttamente. |
| Uno sguardo al grafico a dispersione di |
| i potenziali fattori continui |
| indica che ci sono |
| vincoli impliciti che potrebbero |
| essere difficile da caratterizzare come |
| vincoli lineari o non consentiti |
| combinazioni. Tuttavia, questi |
| rappresentano un campione di |
| possibili combinazioni che |
| può essere utilizzato con il |
| progettista candidato abbastanza |
| facilmente. |
| Per fare questo, portiamo in primo piano il |
| progettista personalizzato. Imposta il |
| risposta. Mi piace caricarne un po' |
| fattori covariati. Seleziona il |
| colonne che possiamo controllare come |
| fattore...Fattori DOE e |
| fare clic su OK. Ora li abbiamo |
| caricato. Impostiamo una quadratica |
| modello di superficie di risposta come il nostro |
| modello base. Quindi seleziona tutto |
| i termini del modello tranne il |
| intercettare. Quindi fai un controllo |
| più fare clic destro e convertire |
| tutti quei termini in if |
| possibili effetti. Questo, dentro |
| combinazione con la risposta |
| modello di superficie scelto, mezzi |
| che creeremo un |
| Candidato bayesiano I-ottimale |
| scenografia. |
| Seleziona la casella che consente |
| repliche scelte in modo ottimale. |
| Inserisci la dimensione del campione. |
| Quindi crea il design |
| per noi. Se guardiamo il |
| distribuzione dei fattori, |
| vediamo che è provato duramente |
| perseguire un maggiore equilibrio. |
| A sinistra abbiamo a |
| matrice del grafico a dispersione di |
| fattori continui dal |
| dati originali e sulla destra |
| è il disegno delle cento righe. Possiamo vedere |
| che nella sinterizzazione |
| temperatura, ne abbiamo un po' |
| potenziali valori anomali a 1220. |
| Uno vorrebbe assicurarsene |
| quelli sono valori reali. In |
| generale, ne avrai bisogno |
| assicurarsi che l'input |
| set di candidati da cui è chiaro |
| outliars e di valori mancanti |
| prima di usarlo come candidato |
| scenografia. Nella mia chiacchierata con Ron |
| Kennet questo... a marzo |
| Conferenza Scoperta 2021, |
| Dimostro brevemente come puoi usare |
| valore anomalo e mancante |
| piattaforme di screening da rimuovere |
| i valori anomali e sostituire il |
| valori mancanti in modo che tu possa |
| usali in un secondo momento |
| palcoscenico come questo. |
| Supponiamo ora di avere un problema |
| simile al primo esempio, |
| dove ci sono due macchine |
| tipi, ma ora abbiamo |
| temperatura e pressione come |
| fattori, e lo sappiamo |
| la temperatura e la pressione non possono |
| variare indipendentemente e che il |
| natura di tale dipendenza |
| modifiche tra i tipi di macchina. |
| Possiamo creare uno spazio iniziale |
| riempire il design e utilizzare il |
| filtro dati per rimuovere il file |
| combinazioni irrealizzabili di |
| fattori che impostano separatamente per |
| ogni tipo di macchina. Allora possiamo |
| usa il candidato scenografo |
| per trovare il più efficiente |
| progettare per questa situazione. |
| Quindi ora ho passato tutto questo, |
| così ora ho creato il mio spazio |
| disegno di riempimento. Ne ha 1.000 |
| corre e posso far apparire il |
| filtro dati globale su di esso e |
| usalo per raderti diversi |
| combinazioni di temperatura |
| e pressione in modo che possiamo |
| hanno vincoli separati da |
| tipo di macchina. |
| Quindi uso il lazo |
| strumento per tagliare |
| un angolo nella macchina B. |
| E torno indietro e taglio |
| un altro angolo nella macchina B così |
| la macchina B è la macchina che ha |
| una sorta di regione operativa più ampia |
| in temperatura e pressione. |
| Quindi passiamo alla macchina |
| UN. E useremo solo |
| lo strumento Lazo |
| radersi |
| i punti che sono al di fuori di esso |
| regione operativa. E vediamo |
| che la sua regione operativa è a |
| molto più stretto di quello della macchina A. |
| Ed ecco il nostro design combinato. |
| Da lì possiamo ricaricarlo |
| fino al designer personalizzato. |
| Metti lì un modello RSM, allora |
| impostare il nostro numero di corse a 32, |
| permettendo alle file coviariate di essere |
| ripetuto. E girerà |
| Attraverso. Una volta fatto ciò, esso |
| seleziona tutti i punti che erano |
| scelto dal gruppo candidato |
| progettista. E qui possiamo vedere |
| i punti scelti. |
| Sono stati evidenziati e il |
| serie originale di punti candidati |
| che non sono stati selezionati sono |
| sono grigi. |
| Possiamo far apparire il nuovo design |
| in Fit Y per X e possiamo |
| vedere un grafico a dispersione dove vediamo |
| che il |
| i punti di progettazione della macchina A |
| sono in rosso. Sono all'interno |
| dello spazio, e poi il Tipo |
| Le corse B sono in blu. Aveva il |
| regione operativa più ampia e |
| ecco come vediamo questi punti |
| qui fuori, più lontano per questo. COSÌ |
| abbiamo rapidamente raggiunto a |
| progettazione con vincoli lineari |
| che cambiano con un categorico |
| fattore senza andare il |
| fastidioso processo di derivazione del |
| coefficienti di combinazione lineare. |
| Abbiamo semplicemente utilizzato JMP 101 di base |
| visualizzazione e filtraggio |
| utensili. Questa idea generalizza |
| ad altri non lineari |
| vincoli e altri complessi |
| situazioni abbastanza facilmente. |
| Quindi ora useremo |
| filtraggio e multivariato a |
| creare un nuovo tipo davvero unico di |
| design che vi assicuro |
| mai visto prima. |
| Vai al |
| Strumento lazo. Stavamo andando |
| per ritagliare un molto insolito |
| vincolo. |
| E stiamo per invertire |
| selezione. |
| Elimineremo quelle righe. |
| Quindi possiamo accelerare questo a |
| un po. Possiamo passare |
| e fai la stessa cosa |
| per altre combinazioni di X1 |
| e le altre variabili. |
| Ritagliarsi molto |
| set di candidati dalla forma insolita. |
| Possiamo caricarlo in |
| il progettista personalizzato. Stesso |
| cosa come prima. Porta il nostro |
| colonne come covariate, |
| impostare un design con tutti... |
| tutte le interazioni di ordine elevato effettuate |
| se possibile, con cento |
| corre. E ora vediamo |
| il nostro design proprio per questo |
| insolita regione vincolata |
| che è ottimale dato questi |
| vincoli. |
| Quindi ti lascio con questo |
| Immagine. Sono molto entusiasta di |
| senti cosa sei riuscito a fare |
| con il nuovo set di candidati |
| progettista. Tanto di cappello al DOE |
| team per aver aggiunto questo |
| sorprendentemente utile e |
| nuova funzione flessibile. Grazie |
| Voi. |
