Transcripción |
| Hola Chris Gotwalt aquí. |
| Hoy vamos a ser |
| construyendo la historia de |
| paradojas gráficas y oh espera, |
| tema equivocado. En realidad vamos |
| estar hablando de candidato |
| escenografías, confección DOE |
| limitaciones al problema. |
| Entonces experimentación industrial |
| para producto y proceso |
| la mejora tiene una larga historia |
| con muchos hilos que lo admito |
| solo conozco una pequeña astilla |
| de. La idea de usar la observación |
| para producto y proceso |
| la innovación es tan antigua como la humanidad |
| sí mismo. Recibió renovado |
| enfoque durante el Renacimiento y |
| Revolución científica. Durante el |
| subsecuente industrial |
| Revolución, ciencia e industria |
| comenzó a operar cada vez más |
| al unísono. A principios del 20 |
| siglo, el laboratorio de Edison era un |
| innovación industrial en un |
| escala de fábrica, pero se hizo |
| que yo sepa, fuera de |
| tradiciones experimentales modernas. |
| No mucho después de RA Fisher |
| introdujo conceptos como |
| bloqueo y aleatorización, su |
| asociado y luego yerno, |
| George Box, desarrolló lo que es |
| ahora probablemente el dominante |
| paradigma en el diseño de |
| experimentos, con la mayoría |
| libro popular que es Estadísticas |
| para experimentadores por caja, |
| Hunter y Hunter. |
| El método descrito en Box, Hunter |
| y Hunter son lo que yo llamo |
| enfoque taxonómico del diseño. |
| Entonces suponga que tiene un producto |
| o proceso que desea mejorar. |
| Piensas en las cosas que |
| puede cambiar. Las perillas pueden girar |
| como temperatura, presión, |
| tiempo, ingredientes que puede usar o |
| métodos de procesamiento que puede |
| usar. Estas estas cosas se vuelven |
| tus factores. Entonces piensas |
| sobre si son |
| continuo o nominal, y si |
| son nominales, cuantos |
| niveles que toman o el rango |
| está dispuesto a variarlos. Si un |
| el factor es continuo, entonces tu |
| averiguar el nombre del |
| diseño que se adapta más fácilmente |
| a la altura del problema y los recursos |
| que tu ... que se ajuste a tu presupuesto. |
| Ese diseño tendrá ... |
| tendrá un nombre como una caja |
| Diseño de Behnken, un fraccionario |
| factorial o central |
| signos compuestos, o posiblemente |
| algo así como una matriz de Taguchi. Habrá |
| ser restricciones en los números |
| de carreras, el nivel ... los números |
| de niveles de categórico |
| factores, etc., por lo que hay |
| será un calzador el |
| problema en cuestión en el diseño |
| que puedes encontrar. Por ejemplo, |
| factores en el BHH |
| enfoque, Box Hunter y Hunter |
| enfoque, a menudo necesita ser |
| reducido a dos o tres |
| valores o niveles únicos. |
| A pesar de sus limitaciones, el |
| enfoque taxonómico ha sido |
| fantásticamente exitoso. |
| Con el tiempo, por supuesto, algunos |
| la gente ha preguntado si podríamos |
| todavía lo hago mejor. |
| Y con mejor queremos decir |
| nosotros mismos, ¿cómo diseñamos nuestro |
| estudiar para obtener el más alto |
| información de calidad pertinente a |
| los objetivos de la mejora |
| ¿proyecto? Esta linea de |
| cuestionamiento conduce en última instancia a |
| diseño óptimo. El diseño óptimo es |
| un área de investigación académica. Fue |
| comenzó en paralelo con la Caja |
| escuela en los años 50 y 60, pero |
| por diversas razones quedó fuera |
| de la corriente principal de la industria |
| experimentaciones, hasta que |
| diseñador personalizado y JMP. |
| La filosofía de la costumbre |
| diseñador es que usted describe |
| el problema al software. Eso |
| luego te devuelve el mejor diseño |
| para su número presupuestado de |
| carreras. Empiezas declarando |
| sus respuestas junto con sus |
| objetivos, como minimizar, maximizar, |
| o coincidir con el objetivo, y luego |
| describir los tipos de factores |
| tienes, continuo, categórico |
| mezcla, etc. Categórico |
| Los factores pueden tener cualquier número de |
| niveles. Le das un modelo que |
| quieres encajar en el resultado |
| datos. El modelo asume al menos |
| análisis de cuadrados y consta de |
| principales efectos e interacciones en |
| términos polinomiales. La costumbre |
| diseñador hacer algunos predeterminados |
| suposiciones sobre la naturaleza |
| de su objetivo, como si |
| estás interesado en la proyección |
| o predicción, que es |
| reflejado en la optimalidad |
| criterio que se utiliza. los |
| los valores predeterminados se pueden anular |
| con un menú triangular rojo |
| opción si quieres |
| hacer algo diferente a |
| lo que pretende el software. |
| El flujo de trabajo en la mayoría |
| aplicaciones es para configurar |
| el modelo. |
| Luego eliges tu presupuesto, |
| haga clic en hacer diseño. Una vez que |
| sucede, JMP usa una mezcla, |
| continuo y categórico |
| algoritmo de optimización, resolución |
| por el número de factores por |
| el número de términos de filas. |
| Entonces obtienes tus datos de diseño |
| mesa con todo lo que necesitas |
| excepto los datos de respuesta. Esta |
| es un gran flujo de trabajo ya que |
| los factores pueden ser variados |
| independientes unos de otros. |
| ¿Y si no puedes? Y si |
| hay limitaciones? Qué |
| si el valor de algunos factores |
| determinar los posibles rangos |
| de otros factores? |
| Bueno, entonces puedes hacer ... entonces |
| puedes definir algún factor |
| restricciones o usarlo |
| combinaciones no permitidas |
| filtrar. |
| Desafortunadamente, mientras estos |
| son herramientas poderosas para |
| limitante experimental |
| regiones, todavía puede ser muy |
| difícil de caracterizar |
| restricciones utilizando estos. |
| El equipo DOE de Brad Jones, Ryan Lekivetz, |
| Joseph Morgan y Caleb |
| King ha agregado un |
| extraordinariamente útil nuevo |
| característica que hace que el manejo |
| restricciones mucho más fáciles en |
| JMP 16. Estos se llaman |
| carreras candidatas o covariables. |
| Lo que puede hacer es, en su |
| propio, crea una tabla de todos |
| posibles combinaciones de |
| ajustes de factor que desee |
| el diseñador personalizado para |
| considerar. Entonces cárgalos |
| aquí y esos serán los |
| solo combinaciones de factor |
| ajustes que el diseñador |
| será... |
| mirará. El original |
| mesa, a la que llamo |
| tabla de candidatos, es como una |
| configuración del factor de menú para |
| el diseñador personalizado. |
| Esto les da a los usuarios de JMP una |
| increíble nivel de control sobre |
| sus diseños. Lo que voy a hacer |
| hacer hoy es repasar varios |
| ejemplos para mostrar cómo puede utilizar |
| esto para hacer la costumbre |
| diseñador cumple su potencial |
| como una herramienta que adapta la |
| diseño al problema en cuestión. |
| Antes de hacer eso, voy a |
| salga del tema por un momento y |
| señalar que en el JMP Pro |
| versión del diseñador personalizado, |
| ahora hay una capacidad que |
| le permite declarar límites de |
| detección en tiempo de diseño. |
| Si quieres valores que no falten |
| por los limites aqui la costumbre |
| el diseñador agregará una columna |
| propiedad que informa al |
| plataforma de regresión generalizada |
| de los límites de detección y |
| entonces obtendrá automáticamente el |
| análisis correcto. Esto lleva a |
| poder dramáticamente mayor para |
| detectar efectos y mucho menor |
| sesgo en las predicciones, pero eso es |
| un tema para otra charla. |
| Aquí hay un montón de aplicaciones. |
| que puedo pensar para el |
| diseñador de escenarios candidato. los |
| más simple es cuando los rangos de un |
| factor continuo depende de la |
| nivel de uno o más categóricos |
| factores. Otro ejemplo es cuando |
| no podemos controlar el rango de |
| factores completamente |
| independientemente, pero el |
| las restricciones son difíciles de escribir |
| abajo. Hay dos métodos que |
| puede utilizar para esto. Uno está usando |
| datos de proceso históricos como |
| conjunto de candidatos, y luego el |
| otro es lo que yo llamo filtro |
| diseños donde creas ... diseño |
| un conjunto de datos inicial gigante usando |
| números aleatorios o un espacio |
| llenar el diseño y luego usar la fila |
| selecciones en diagramas de dispersión |
| para seleccionar los puntos que |
| no satisfaga las limitaciones. |
| También existe la capacidad de |
| mezcla muy personalizada |
| problemas, especialmente situaciones |
| donde tienes multicapa |
| mezclando. Esto no es |
| algo que voy a ser |
| capaz de hablar de hoy, pero en |
| el futuro esto es algo |
| que deberías estar buscando |
| capaz de hacer con este candidato |
| diseñador de escena. Tu tambien puedes hacer |
| restricciones no lineales con el |
| método de filtrado, el mismo |
| formas en las que puedes hacer otros tipos de |
| limitaciones. Es muy |
| simple y tomaré un rápido |
| ejemplo al final |
| ilustrando esto. |
| Así que consideremos nuestro primero |
| ejemplo. Suponga que quiere |
| coincidir con una respuesta objetivo en un |
| investigación de dos factores. |
| Uno está equipado ... un equipo |
| proveedor, de los cuales hay dos |
| niveles y el otro es el |
| temperatura del dispositivo. los |
| dos proveedores diferentes tienen |
| diferentes rangos de funcionamiento |
| temperaturas. El proveedor A es más |
| estrecho de los dos, pasando de |
| 150 a 170 grados centígrados. |
| Pero es controlable a un |
| nivel más fino de resolución de |
| unos 5 grados. Proveedor B |
| tiene un rango operativo más amplio |
| pasando de 140 a 180 grados |
| Celsius, pero es solo |
| controlable a 10 grados |
| Celsius. Supongamos que queremos hacer |
| un diseño de 12 corridas para encontrar el |
| combinación óptima de estos |
| dos factores. |
| Enumeramos todos los posibles |
| combinaciones de los dos |
| factores en 10 carreras en el |
| tabla aquí, simplemente creando |
| esto manualmente nosotros mismos. |
| Así que aquí están los cinco posibles |
| valores de la máquina tipo A |
| ajustes de temperatura. Y luego |
| aquí abajo están los cinco posibles |
| valores de la temperatura del tipo B |
| ajustes. Queremos lo mejor |
| diseño en 12 corridas, que excede |
| el número de filas en el |
| mesa de candidatos. Esto no es un |
| problema en teoría, pero yo |
| recomiendo crear una copia del |
| candidato establecido por si acaso |
| que la cantidad de carreras que |
| tu tabla de candidatos ha superado |
| el numero que estas buscando |
| para en el diseño. |
| Luego pasamos a la costumbre |
| diseñador. |
| Pulse seleccionar covariable |
| botón de factores. |
| Seleccionar las columnas que queramos |
| cargado como diseño candidato |
| factores. Ahora el candidato |
| el diseño se carga y se muestra. |
| Agreguemos el efecto de interacción, |
| así como el efecto cuadrático |
| de temperatura. Ahora estamos en el |
| paso final antes de crear el |
| diseño. Quiero explicar el |
| dos opciones que ves en el |
| nodo de esquema de generación de diseño. |
| El primero, que obligará |
| en todas las filas que están |
| seleccionado en la tabla original |
| o en el listado de los |
| candidatos en la costumbre |
| diseñador. Así que si tienes |
| puntos de control que es poco probable que |
| ser favorecido por la optimalidad |
| criterio y quiero forzarlos |
| en el diseño, puede |
| utilice esta opción. Es un poco |
| como tomar esas mismas filas y |
| creando un diseño aumentado |
| basado solo en ellos, excepto que |
| tu estas controlando lo posible |
| combinaciones de los factores en |
| las filas adicionales. |
| La segunda opción, que soy |
| comprobar aquí a propósito, permite |
| las filas candidatas a elegir |
| mas de una vez. Esto le dará |
| tú elegiste de manera óptima |
| réplicas y es probablemente un |
| buena idea si estás a punto de correr |
| un experimento físico. Si, en |
| por otro lado, estás usando un |
| subconjunto óptimo de filas para encontrar |
| para probar en una máquina nueva y elegante |
| algoritmo de aprendizaje como SVEM, un |
| tema de una de mis otras charlas |
| en el descubrimiento de marzo |
| Conferencia. Tu no querrias |
| para marcar esta opción si eso fue |
| el caso. Básicamente, si tu |
| no tengo toda tu respuesta |
| valores ya, comprobaría |
| esta caja y si ya tienes |
| los valores de respuesta, entonces no. |
| Restablezca el tamaño de la muestra a 12 y |
| haga clic en hacer diseño. El candidato |
| el diseño en todo su esplendor |
| aparecer como cualquier otro |
| diseño hecho por la costumbre |
| diseñador. Como vemos en el |
| ventana JMP central, JMP también |
| selecciona las filas en el original |
| mesa elegida por el candidato |
| algoritmo de diseño. Tenga en cuenta que 10 |
| no se seleccionaron 12 filas. |
| A la derecha vemos lo nuevo |
| mesa de diseño, la más a la derecha |
| columna en la tabla indica |
| la fila de origen para eso |
| correr. Observe que las filas originales |
| 11 y 15 fueron elegidos dos veces |
| y son réplicas. |
| Aquí hay una vista de histograma del |
| diseño. Puedes ver que el |
| diferentes valores de temperatura |
| fueron elegidos por el conjunto de candidatos |
| algoritmo para diferentes máquinas |
| tipos. En general, este diseño es |
| bien equilibrado, pero no |
| tener 3 niveles de temperatura en |
| tipo de máquina A. Por suerte, |
| podemos seleccionar las filas que |
| quiero forzado en el diseño |
| para asegurarnos de que tenemos 3 |
| niveles de temperatura para |
| ambos tipos de máquinas. |
| Simplemente seleccione la fila que desee |
| forzado en el diseño en el |
| tabla de covariables. Verificar incluir |
| todas las filas covariantes seleccionadas en |
| la opción de diseño. |
| Y luego si pasas por |
| todo eso, verás |
| que ahora ambos niveles de |
| la máquina tiene al menos tres |
| niveles de temperatura en el |
| diseño. Entonces el primer diseño |
| que creamos está a la izquierda |
| y el nuevo diseño que obliga |
| Habrá 3 niveles de |
| máquina tipo A |
| la configuración de temperatura ha terminado |
| aquí a la derecha. |
| Mi segundo ejemplo se basa en un |
| conjunto de datos reales de un |
| fabricación metalúrgica |
| proceso. La empresa quiere |
| controlar la cantidad de contracción |
| durante el paso de sinterización. Ellos |
| tener muchos datos históricos |
| y han aplicado la máquina |
| modelos de aprendizaje para predecir |
| encogimiento y así tener una idea |
| cuáles son los factores clave. |
| Sin embargo, para optimizar realmente |
| el proceso, realmente deberías |
| haz un experimento diseñado. |
| Como Laura Castro-Schilo |
| una vez señalado ... |
| Como Laura Castro-Schilo una vez |
| me dijo, la causalidad es un |
| propiedad no de los datos, sino |
| si los datos generando |
| mecanismo, y como George Box |
| dice en la portada interior de |
| Estadísticas para experimentadores, |
| para saber que pasa cuando |
| cambias algo, es |
| necesario cambiarlo. |
| Ahora, aunque no podemos usar el |
| datos históricos para probar |
| causalidad, hay |
| información esencial sobre |
| que combinaciones de factores |
| son posibles que podamos usar |
| en el diseño. |
| Primero tenemos que separar el |
| columnas en la tabla que |
| representar factores controlables |
| de los que son mas |
| mediciones de sensor pasivo |
| o conducir cantidades que |
| no se puede controlar directamente. |
| Un vistazo al diagrama de dispersión de |
| los posibles factores continuos |
| indica que hay |
| restricciones implícitas que podrían |
| ser difícil de caracterizar como |
| restricciones lineales o no permitidas |
| combinaciones. Sin embargo, estos |
| representar una muestra de la |
| posibles combinaciones que |
| se puede utilizar con el |
| candidato a diseñador bastante |
| fácilmente. |
| Para hacer esto, mostramos el |
| diseñador personalizado. Configurar el |
| respuesta. Me gusta cargar un poco |
| factores covariables. Selecciona el |
| columnas que podemos controlar como |
| factor ... factores DOE y |
| haga clic en Aceptar. Ahora los tenemos |
| cargado. Establezcamos una cuadrática |
| modelo de superficie de respuesta como nuestro |
| modelo base. Luego seleccione todos |
| los términos del modelo excepto el |
| interceptar. Entonces haz un control |
| más clic derecho y convertir |
| todos esos términos en si |
| posibles efectos. Esta en |
| combinación con respuesta |
| modelo de superficie elegido, significa |
| que estaremos creando un |
| Candidato óptimo bayesiano I |
| escenografía. |
| Marque la casilla que permite |
| réplicas óptimamente elegidas. |
| Ingrese el tamaño de la muestra. |
| Luego crea el diseño |
| para nosotros. Si miramos el |
| distribución de los factores, |
| vemos que se intenta mucho |
| para buscar un mayor equilibrio. |
| A la izquierda, tenemos un |
| matriz de diagrama de dispersión del |
| factores continuos del |
| datos originales y a la derecha |
| es el diseño de cien filas. Podemos ver |
| que en la sinterización |
| temperatura, tenemos algo |
| valores atípicos potenciales en 1220. |
| Uno querría asegurarse de que |
| esos son valores reales. En |
| general, vas a necesitar |
| asegúrese de que la entrada |
| conjunto de candidatos está libre de |
| outliars y de valores perdidos |
| antes de usarlo como candidato |
| escenografía. En mi charla con Ron |
| Kennet esto ... en marzo |
| Conferencia Discovery 2021, |
| Demuestro brevemente cómo puedes usar |
| el valor atípico y faltante |
| plataformas de cribado para eliminar |
| los valores atípicos y reemplace el |
| valores perdidos para que puedas |
| utilizarlos en una posterior |
| escenario como este. |
| Ahora suponga que tenemos un problema |
| similar al primer ejemplo, |
| donde hay dos maquinas |
| tipos, pero ahora tenemos |
| temperatura y presión como |
| factores, y sabemos que |
| la temperatura y la presión no pueden |
| varían independientemente y que el |
| naturaleza de esa dependencia |
| cambios entre tipos de máquinas. |
| Podemos crear un espacio inicial |
| llenar el diseño y utilizar el |
| filtro de datos para eliminar el |
| combinaciones inviables de |
| factores que se establecen por separado para |
| cada tipo de máquina. Entonces podemos |
| utilizar el diseñador de escenarios candidato |
| para encontrar el más eficiente |
| diseño para esta situación. |
| Así que ahora he pasado por esto |
| así que ahora he creado mi espacio |
| diseño de relleno. Tiene 1,000 |
| corre y puedo sacar el |
| filtro de datos global en él y |
| Úselo para afeitarse diferentes |
| combinaciones de temperatura |
| y presión para que podamos |
| tener restricciones separadas por |
| tipo de máquina. |
| Entonces uso el lazo |
| herramienta para cortar |
| una esquina en la máquina B. |
| Y vuelvo y me corto |
| otra esquina en la máquina B así que |
| La máquina B es la máquina que tiene |
| una especie de región operativa más amplia |
| en temperatura y presión. |
| Luego cambiamos a máquina |
| UNA. Y solo vamos a usar |
| la herramienta Lazo |
| para afeitarse |
| los puntos que están fuera de su |
| región operativa. Y vemos |
| que su región operativa es una |
| mucho más estrecho que la máquina A. |
| Y aquí está nuestro diseño combinado. |
| A partir de ahí podemos cargar eso de vuelta |
| en el diseñador personalizado. |
| Ponga un modelo RSM allí, luego |
| establecer nuestro número de carreras en 32, |
| permitiendo que las filas coviariadas sean |
| repetido. Y se pondrá en marcha |
| a través de. Una vez hecho eso, |
| selecciona todos los puntos que fueron |
| elegido por el conjunto de candidatos |
| diseñador. Y aqui podemos ver |
| los puntos que fueron elegidos. |
| Se han resaltado y el |
| conjunto original de puntos candidatos |
| que no fueron seleccionados son |
| son grises. |
| Podemos traer a colación el nuevo diseño. |
| en Ajustar Y por X y podemos |
| ver un diagrama de dispersión donde vemos |
| que el |
| los puntos de diseño de la máquina A |
| están en rojo. Estan en el interior |
| del espacio, y luego el Tipo |
| Las carreras B están en azul. Tenía el |
| región operativa más amplia y |
| así es como vemos estos puntos |
| aquí, más lejos. Asi que |
| hemos logrado rápidamente un |
| diseño con restricciones lineales |
| que cambia con un categórico |
| factor sin ir al |
| molesto proceso de derivar el |
| coeficientes de combinación lineal. |
| Simplemente usamos JMP 101 básico |
| visualización y filtrado |
| instrumentos. Esta idea se generaliza |
| a otros no lineales |
| restricciones y otros complejos |
| situaciones con bastante facilidad. |
| Entonces ahora vamos a usar |
| filtrado y multivariado para |
| configurar un nuevo tipo de |
| diseño que te aseguro |
| nunca he visto antes. |
| Ve a la |
| Herramienta Lazo. Iban |
| para cortar un muy inusual |
| restricción. |
| Y vamos a invertir |
| selección. |
| Vamos a eliminar esas filas. |
| Entonces podemos acelerar esto |
| un poquito. Podemos pasar |
| y haz lo mismo |
| para otras combinaciones de X1 |
| y las otras variables. |
| Tallando un muy |
| conjunto de candidatos de forma inusual. |
| Podemos cargar esto en |
| el diseñador personalizado. Mismo |
| cosa como antes. Trae nuestro |
| columnas como covariables, |
| configurar un diseño con todos ... |
| todas las interacciones de alto orden realizadas |
| si es posible, con cien |
| carreras. Y ahora vemos |
| nuestro diseño para esto muy |
| región restringida inusual |
| que es óptimo dados estos |
| limitaciones. |
| Así que te dejo con esto |
| imagen. Estoy muy emocionado de |
| escucha lo que pudiste hacer |
| con el nuevo conjunto de candidatos |
| diseñador. Me quito el sombrero ante el DOE |
| equipo por agregar esto |
| sorprendentemente útil y |
| nueva característica flexible. Agradecer |
| usted. |
