Lautsprecher
|
Transkript
|
| Simon Stelzig |
Okay, also hallo alle zusammen. Ich heiße Simon Stelzig. Ich komme aus Lohmann, den Bonding-Ingenieuren. Ich komme aus der Forschungs- und Entwicklungsabteilung und möchte Ihnen heute etwas über den Functional Data Explorer erzählen und wie Sie ihn verwenden können, um Ergebnisse für Nicht-Datenwissenschaftler zu visualisieren. |
| |
Also, bevor ich anfange, eine sehr kurze Einführung in die Firma Lohmann. Sie haben vielleicht noch nichts davon gehört, aber Sie verwenden es oder Sie sind wie täglich auf seine Produkte gestoßen. |
| |
Also nur ein paar Fakten und Zahlen über Lohmann. So hat Lohmann im Jahr 2019 einen Umsatz von rund 600 Millionen Euro. Ich arbeite an der Lohmann Tape Group und wir sind Hersteller von Klebebändern. Es sind hauptsächlich doppelseitige Klebebänder und wir sind ein reines B2C-Unternehmen, also nur Sie |
| |
Sie können unser Produkt nur kaufen, wenn ... wenn Sie industriell sind ... für industrielle Anwendungen. Wir sind ziemlich alt, dieses Jahr ist es ungefähr 170 Jahre her, dass die Firma Lohmann gegründet wurde. |
| |
Wir sind im Grunde genommen in zwei Teile unterteilt, also eines der Bandprodukte, an denen ich arbeite. Das ist der Fokus auf die |
| |
Klebebänder für industrielle Anwendungen und das ist unsere Hygienemarke. |
| |
Und wir sind global aktiv. Wir haben weltweit 25 Standorte mit rund 1.800 Mitarbeitern. Und vielleicht sehr interessant, |
| |
90% unserer Produkte sind kundenspezifisch, so dass wir ein recht komplexes Produktportfolio haben, in dem sich viele Produkte auf eine sehr kleine Anzahl von Anwendungen für eine sehr kleine Kundengruppe konzentrieren. |
| |
Wir sind also der Top-Hersteller von Klebebändern oder vielen doppelseitigen Klebebändern, und Sie wissen, dass wir viele Anwendungen haben, und dies ist unser Marktsegment, in dem wir tätig sind. |
| |
Eine von uns ist also die industrielle Anwendung. Dies gilt hauptsächlich für Fenster und Türen oder für Anwendungen im Innen- und Außenbereich im Gebäude- und Baubereich. |
| |
Oder Sie stoßen auf Lohmann-Produkte in Haushaltsgeräten und elektronischen Geräten, wie z. B. Klebebänder zum Befestigen der hinteren Abdeckung von Smartphones. Oder in der |
| |
medizinische Segmente für hauptsächlich für diagnostische Anwendungen, Wundversorgung. Im Bereich des Transports in der ... für die Automobilindustrie vielleicht für den Innen- oder Außenbereich |
| |
Anhaftung von Emblemen an den Autos. Wir sind zum Beispiel auch in der grafischen Industrie für flexible Druckanwendungen tätig, wo wir Klebebänder liefern |
| |
um die Druckplatte auf den Hüllen zu befestigen. Eine der ... einen Unterabteilungen der Lohmann Tape Group ist die Hygienemarke, bei der wir Verschlusssysteme für Windeln liefern. |
| |
Ein sehr breites Anwendungsspektrum und ein weiterer Punkt, den ich gerade erwähnt habe, ist, dass etwa 90% unserer Produkte kundenspezifisch sind. Und eine andere Tatsache über Lohmann ist |
| |
dass unsere Wertschöpfungskette eine sehr tiefe Wertschöpfungskette ist. Wenn Sie also an ein Klebeband denken, benötigen Sie eine Klebeschicht, die |
| |
klebt oder klebt auf Ihr Motiv, an dem Sie festhalten möchten. |
| |
Sie benötigen einen Träger, optional einen Träger, der Ihre Klebeschicht trägt, und auf der anderen Seite, da wir wieder Hersteller der doppelseitigen Klebebänder sind, die Sie auf der anderen Seite haben. |
| |
eine Klebeschicht. Und die Wertschöpfungskette von Lohmann beginnt im Wesentlichen ganz am Anfang, sodass wir unser eigenes Polymer herstellen können, also das Basispolymer für einen Klebstoff. |
| |
Dann müssen wir das Polymer zu einer Klebstoffformulierung formulieren, die wir dann im nächsten Schritt auf einen Träger auftragen, sei es in Form eines Klebebandes in Form von |
| |
ziemlich groß ??? Rollen. Und ganz am Ende, damit wir das in der Form liefern können |
| |
Der Kunde möchte, dass es so ist. Wenn Sie also einige Stanzungen haben, vielleicht einige Embleme für Autos, müssen Sie das Klebeband haben, das kein bestimmtes Formular benötigt. Wir liefern dieses spezielle Formular, wie es ein Kunde benötigt. |
| |
Und die F & E konzentriert sich hauptsächlich auf die ersten drei Teile davon, also für die Polymerisation, die Formulierung der Beschichtung und um, wie ich bereits erwähnte, viele unserer Produkte kundenspezifisch zu gestalten, um so schnell wie möglich zum Ziel, unsere Kundenanforderungen zu erfüllen, wenden wir an |
| |
Versuchsplanung während des gesamten Kurses |
| |
um zum Endprodukt zu gelangen und unsere Kundenanforderungen zu erfüllen. |
| |
Und viel zu haben |
| |
Wenn Sie Experimente entwerfen oder insgesamt viele Experimente durchführen, erhalten Sie auch viele Daten. |
| |
Und wenn Sie diese Experimente oder die Gestaltung von Experimenten in diesem Kurs durchführen und ein Chemieunternehmen sind, erhalten Sie viele Daten, viele Spektren in den Versuchsergebnissen. |
| |
Die meisten unserer Experimente geben also ... gibt Ihnen keinen Wert, gibt Ihnen keine Zahl, es gibt Ihnen Spektren. |
| |
Und in den meisten Fällen, wenn Sie die Experimente durchführen möchten, wie in meinem Fall, bin ich beispielsweise der Datenwissenschaftler, der den Service für die Planung und Analyse dieser Experimente erbringt |
| |
Experimente und Durchführung der gesamten Datenanalyse für meine Kollegen, die in diesem Fall möglicherweise keine Datenwissenschaftler sind. |
| |
Sie sind Entwickler des Endprodukts und nehmen mich als Service, um die gesamte Zeit der Datenanalyse durchzuführen. In den meisten Fällen extrahieren Sie aus diesen Daten aus diesen Spektren Daten, Schlüsselparameter, die Ihre Spektrendaten beschreiben. |
| |
Das könnte im Fall von Polymerzation die Molekulargewichtsverteilung sein, es könnte die Größe Ihrer sein |
| |
Polymer, das wir aus der Reaktion erhalten, das könnte ein Beginn einer Reaktion sein, um die Art der Reaktion durch irgendwelche Messungen oder etwas anderes zu erfassen. |
| |
Wenn Sie also die Analyse bei der Datenanalyse durchführen, extrahieren Sie diese Schlüsselparameter und führen die Analyse durch, meistens in der klassischen DOE-Analyse dieser Schlüsselparameter. |
| |
So |
| |
Als Datenwissenschaftler mache ich als Service für meine Kollegen, die Entwickler, diese Analyse dieser Schlüsselparameter. |
| |
Sie liefern mir auch die Kundenanforderungen und Sie möchten diese Kundenanforderungen erfüllen, sie sind das Optimum, wo Sie Ihre Formulierung oder Ihr Produkt sein oder erreichen wollen. |
| |
Nachdem Sie dies getan haben, die Analyse durchgeführt haben, die Optimierung durchgeführt haben, gehen Sie irgendwann zu Ihrem oder ich gehe zu meinen Kollegen und präsentiere die Ergebnisse. |
| |
Und da ich die gesamte Analyse der Schlüsselparameter durchgeführt habe, präsentiere ich auch die Ergebnisse dieser Schlüsselparameter. |
| |
Das Problem ist, dass meine Entwicklungskollegen oder meine Projektteams zwar Experten auf diesem Gebiet sind ... die Experten für ihr Fachwissen, aber keine Experten für Datenwissenschaft. |
| |
Das Problem hierbei ist also, dass, wenn ich die Analyse der Schlüsselparameter durchführe und auch in der Sprache der Schlüsselparameter spreche, diese aber als Experten auf ihrem Fachgebiet auftreten, |
| |
Sie denken immer noch an Spektren, weil zu diesem Zeitpunkt die Experimente durchgeführt wurden. Das ist die Analyse, die sie erhalten. Sie sehen Spektren, in denen ich Zahlen sehe. |
| |
Es bleibt immer das Problem, dass wenn ich die Ergebnisse und die Analyse in Schlüsselparametern präsentiere, sie immer noch in Spektren denken. |
| |
Sie haben also immer das Problem, dass Sie in verschiedenen Sprachen sprechen. Ich spreche in der Sprache der Zahlen, sie sprechen in der Sprache der Spektren, |
| |
was dann zu dem Problem führt, dass sie diese Zahlen in ihr Fachgebiet, dh die Spektren, übersetzen müssen. |
| |
Oder ich muss diese Schlüsselparameter in ihre Sprache übersetzen, die die Spektren bedeutet. Glücklicherweise ist dies mit dem Functional Data Explorer eine Art universeller Übersetzer, um diese Art von Problem zu lösen. |
| |
Und was ich heute mache oder Ihnen zeigen möchte, sind drei Beispiele, wie der Functional Data Explorer Ihnen dabei hilft, diese Barriere oder diese Sprachbarriere zwischen den Datenwissenschaftlern, die Zahlen sprechen, und dem Entwickler, der in Spektren denkt und spricht, zu überwinden. |
| |
In einem Beispiel, also dem ersten Beispiel, das ich Ihnen zeigen möchte, handelt es sich um ein sehr einfaches, sehr triviales Beispiel, möglicherweise anhand einer Messung, die die Druckqualität beim Fraktaldruck beschreibt |
| |
Experiment. Die zweite beschreibt eine Messung, die eine Art chemische Reaktion definiert. Und es gibt noch einen dritten; Es ist eine Messung, die das Molekulargewicht eines Polymers angibt |
| |
während einer Polymerisationsreaktion. Ich werde jetzt aufhören, PowerPoint zu verwenden, und ich gehe zu JMP, ja, da ist es. |
| |
Das erste Beispiel, wie ich Ihnen gezeigt habe ... wie ich Ihnen sagte, ist die Analyse der Druckqualität. Sie führen also die Messung durch, und die idealen und perfekten Spektren wären a |
| |
sehr gerade Linie durch den Ursprung mit der Steigung von 1. Das wäre also ideal, wenn Sie dieses Perfekt erreichen würden. Es ist also eine Messung, diesmal die Druckqualität. |
| |
Normalerweise ist das, was Sie bekommen ... normal, eine reale Umgebung. Wir bekommen etwas, das nicht wirklich wie eine gerade Linie aussieht, aber es ist ein bisschen in Richtung eines höheren Werts verschoben, also ist es keine Linie ... es ist nach oben gebogen. |
| |
Was möchten Sie mit diesen Informationen tun? Wir möchten sehen oder Sie möchten überprüfen, welche Parameter die Kurve grundsätzlich nach oben bewegen oder biegen, sodass sie nicht ideal ist. |
| |
Also gehe ich zu den Schlüsselparametern dessen, was wir als Schlüsselparameter definieren würden, oder es ist im Grunde der Unterschied zwischen einer geraden Linie und der tatsächlichen Linie, die Sie erhalten. Es ist also ziemlich einfach, Sie verwenden einfach die |
| |
der Unterschied ... es ist ein Teil des Unterschieds zu diesem Punkt. |
| |
Wenn Sie also die Analyse durchführen, dann ist es bei den Schlüsselparametern auch ... es ist jetzt eine sehr einfache Analyse. Ich benutze einen Entscheidungsbaum, um die ... zu erhalten, um hier den Bildschirm zu erhalten, welcher Parameter am meisten beeinflusst, diese Biegung vom idealen Spektrum und es ist ziemlich einfach. Wir haben ungefähr 22 Einflussfaktoren. |
| |
Dort sehen Sie eine, die im Grunde einen Einfluss auf einige hat oder diese Biegung von dieser idealen Situation beeinflusst. |
| |
Und es heißt X 22, was auch immer es ist, spielt keine Rolle. Also an einem Punkt, wenn es sich bewegt ... |
| |
Wenn es größer als ein bestimmter Wert ist, erhalten Sie eine Zahl von 250, wenn es unter diesen bestimmten Wert fällt, erhalten Sie 196, das Problem ist, wenn Sie dies der Entwicklung gesagt haben ... wenn Sie es einem gezeigt haben Entwicklungsanalyse, |
| |
er wird dich fragen, ist 196 gut oder ist 254 noch gut oder ist es sehr schlecht oder ist das vielleicht geeignet und diese Art von geeignet. |
| |
Das Problem ist mit der reinen Zahl, das sieht man nicht wirklich, also weil er in einer anderen Art von ... in einem anderen Bereich mit einer anderen Sprache spricht. |
| |
Die Verwendung des Funktionsdaten-Explorers kann Ihnen jedoch bei der Beantwortung der Frage sehr helfen, denn wenn Sie zum Funktionsdaten-Explorer wechseln und dieselbe Analyse der Daten in der Funktion durchführen ... mit dem Funktionsdaten-Explorer, |
| |
Sie bekommen etwas, das sich so zeigt. Also zeigt es Ihnen, es zeigt ihn oder den Entwickler, den Sie ihm gezeigt haben ... Sie zeigen ihm die Grafik. Das Diagramm, an das er mit dem Diagramm gewöhnt ist, ergibt sich normalerweise aus seinen Messungen oder seinen Experimenten, den Experimenten, die er durchführt. |
| |
Das Gleiche gilt jetzt, wenn Sie zum Beispiel den gleichen Parameter haben, der die Form der Kurve beeinflusst, aber wenn Sie das nicht mögen, zeigt dies den mit dem 250, |
| |
Aus der Analyse für den Schlüsselparameter wäre Ihre 250, es wird 196 sein und Sie sehen den Unterschied. Ich meine, das ist nicht wirklich eine gerade Linie. |
| |
Aber wenn es sich wie auf die niedrigere Zahl nach unten bewegt, die die Zahl anzeigt, bevor sie sich fernhalten wollen, 196, |
| |
es sieht nicht schlecht aus, also ... es ist nicht wirklich, ich meine, eine Art perfekte gerade Linie, aber es ist nicht so, nicht so sehr ... es ist nicht weit vom Sein entfernt |
| |
eine gerade Linie und vielleicht an diesem Punkt, wenn Sie diese Art der Analyse den Nicht-Datenwissenschaftlern, dem Entwickler, zeigen, |
| |
Vielleicht ist das schon gut genug für ihn, vielleicht sagst du, dass es keine gerade Linie ist, es ist nicht perfekt, aber es ist gut für den Job. |
| |
Grundsätzlich entspricht es den Kundenbedürfnissen. Und das sieht er nicht an der reinen Zahl, die Sie ihm zeigen. In diesem Fall ist es also ein sehr triviales Beispiel, ein sehr einfaches Beispiel. |
| |
Ich hoffe jedoch, dass Sie mit einem Functional Data Explorer in der Sprache der Experten, der Nicht-Datenwissenschaftler und möglicherweise des Entwicklers des Materials sprechen können. |
| |
Und Sie sprechen in seinem Gebiet oder in seiner Sprache, helfen ihm, diese Einsicht zu gewinnen, und es muss die Zahl nicht in Einsicht in ein Spektrum umwandeln, aber er sieht das und bekommt vielleicht die Antwort, die er braucht. |
| |
Also noch einmal, ein sehr triviales, sehr einfaches Beispiel, aber ich verstehe ... Ich hoffe, es zeigt Ihnen die Essenz der Daten ... Function Data Explorer ist oder hilft Ihnen zu erreichen. |
| |
Wenn Sie also zum zweiten Beispiel übergehen, ist dies der Beginn der chemischen Reaktion, die Sie erfassen möchten. |
| |
Und das machen wir mit dem ??? Messung und Sie möchten eine Änderung des Moduls während der ... sehen, wenn Sie eine bestimmte chemische Formulierung erhitzen. Normalerweise gibt es zwei große Spektren; Spektrum würde so aussehen, |
| |
Wo sich an einem bestimmten Punkt der Modul ändert, bewegt er sich steil nach oben. Das ist normalerweise hier, es ist der Beginn der chemischen Reaktion. Also der Schlüsselparameter, den Sie aus diesen Spektren extrahieren, ist der Punkt, an dem der Modul scharf anfängt zu steigen. |
| |
Das |
| |
Schlüsselparameter für einen guten Extrakt ist dieser Punkt, um den Punkt zu finden. Jetzt ist es vielleicht etwas komplizierter, einen Punkt aus den ursprünglichen Rohdaten zu berechnen. Sie können dies jedoch tun, den Punkt überprüfen, an dem die Reaktion beginnt, und dann die Analyse des Schlüsselparameters durchführen. |
| |
Das machen, |
| |
Was Sie aus dieser Analyse des Schlüsselparameters erhalten, ist ein Modell, mit dem Sie die Art der chemischen Reaktion anhand von in diesem Beispiel anhand von fünf Parametern vorhersagen können. So, |
| |
Ich werde sehen. Okay, der Punkt von ... dem Punkt oder diesen diesen Schlüsselparametern zu Beginn der chemischen Reaktion ist ... kann von diesen abhängen ... hängt von diesen drei Parametern ab |
| |
und im Grunde genommen reicht der Bereich von ungefähr 70 Grad, wo die chemische Reaktion beginnt, bis zu ungefähr 100 Grad Celsius (oh, tut mir leid, das ist der falsche.) |
| |
auf ungefähr 100 Grad, ja. Also wieder reduzieren Sie die Gesamtspektren auf eine Zahl, |
| |
Geben Sie der Entwicklung einen Hinweis darauf, wo diese chemische Reaktion beginnt. |
| |
Wenn Sie dieselbe Analyse und auch die Daten durchführen ... haben Sie bereits die Daten. Wenn Sie also die Schlüsselparameter extrahieren möchten, benötigen Sie auch die Rohdaten, sodass Sie auch die Rohdaten zur Verfügung haben. |
| |
Es ist also nicht ... es ist nicht wirklich viel mehr Aufwand ... mehr Aufwand, die Analyse im Functional Data Explorer unter Verwendung einer Standardregressionsmethode für Schlüsselparameter durchzuführen. |
| |
So, |
| |
mit der gleichen Menge oder den gleichen Daten und mit dem Functional Data Explorer zu |
| |
Die Analyse der Daten dauert nur ein paar Sekunden, um das Ergebnis zu berechnen. |
| |
Da ist es. |
| |
Jetzt können Sie wieder das gesamte Spektrum modellieren, und was ... in diesem speziellen Fall habe ich dem Entwickler nicht die Analyse der Schlüsselparameter gezeigt, aber ich habe ihnen zuerst den Functional Data Explore gezeigt, die Ergebnisse aus dem Funktionsdaten-Explorer. |
| |
Und als ich mich gerade bewegte ... begann mich zu bewegen und ihnen dies zu zeigen und mich um die Einflussfaktoren zu bewegen, bemerkten sie sofort |
| |
dass sich der Reaktionspunkt ändert. Ich musste ihnen also nicht sagen, dass sich die Punkte zu bewegen begannen, weil sie die Experten auf dem Gebiet sind ... der Experte für die Spektrumsdaten zu sein, |
| |
Sie erkannten sofort, dass sich im Grunde genommen der Beginn der chemischen Reaktion verschiebt, wie Sie hier sehen können, sehen Sie, dass sie sich zu verschieben beginnt. |
| |
Das andere, was Sie sehen, weil Sie jetzt im Grunde genommen die vollständigen Spektren modelliert haben, modellieren Sie nicht nur den Schlüsselparameter, sondern auch das, was Sie sehen |
| |
dass sich die Art und Weise, wie die Spektren aussehen, völlig ändert, wenn Sie sie bewegen. So werden sie zum Beispiel sehen, dass sich der Peak zu bewegen begann und die Höhe des Peaks |
| |
Änderungen. Das wurde auch sofort erkannt, nachdem sie diese Analyse gesehen hatten. |
| |
Und es war der Unterschied, der beim Schlüsselparameter liegt. Wenn Sie die Chance auf einen Schlüsselparameter extrahieren, was eine Art chemische Reaktion bedeutet, können Sie möglicherweise andere Schlüsselparameter verwenden. |
| |
Hier erfahren Sie die Position des Optimums oder die Position des maximalen Peaks oder die Höhe des maximalen Peaks. |
| |
Und dann können Sie die Spektraldaten für verschiedene Arten von Schlüsselparametern verwenden, um diese Schlüsselparameter anschließend zu analysieren und ihnen zu zeigen. Berechnen Sie ein Optimum. |
| |
Aber das Gute ist, wenn Sie den Functional Data Explorer verwenden, erhalten Sie alle diese Informationen in einem |
| |
Analyse. Und Sie, wie ich bereits erwähnt habe, hören auf zu reden oder Sie ... Sie sprechen nicht in Zahlen, sondern Sie sprechen in ihren oder Sie sprechen in ihrer Sprache der Spektraldaten und Sie müssen diese Schlüsselparameter nicht übersetzen in ihre Welt der Spektren mehr. |
| |
Ja, und so erhalten Sie im Functional Data Explorer viel mehr Informationen zu diesen und möglicherweise erhalten sie einen tieferen Einblick in die zugrunde liegenden Prozesse. |
| |
Ja, jetzt komme ich zum allerletzten und letzten Beispiel. Es ist das |
| |
Polymerisationsprozess, über den ich gesprochen habe und der im Grunde genommen die Molekulargewichtsverteilung bestimmt, |
| |
welches aus der Polymerisationsreaktion resultiert. Und wieder, wie ich bereits erwähnt habe, ist es typischerweise schwierig, die molekulare Verteilung zu bestimmen |
| |
eine ganze Verteilung in bestimmte Schlüsselparameter zu bekommen oder zu reduzieren. Wie sieht also normalerweise ein typisches Spektrum aus? Stellen wir also Ihr normales typisches Spektrum ein, das die Molmasse eines Polymers zeigt. Machen Sie also die Anzahl der sich wiederholenden Einheiten, die Sie in einer Polymerkette haben. |
| |
Und das erhalten Sie aus der chemischen Reaktion und aus der Messung. Also die Schlüsselparameter, die es ist ein bekannter oder es ist ein Schlüsselparameter, müssen Sie ... |
| |
das ist die zahlenmittlere Molmasse und die massenmittlere Molmasse, die Z-durchschnittliche Molmasse und die Polydispersität, |
| |
Dies ist die massenmittlere Molmasse geteilt durch die zahlenmittlere Molmasse. |
| |
Dieser Parameter, der PDI, die Polydispersität, gibt Ihnen einen Hinweis auf die Breite oder Größe der ... oder die Breite Ihrer Molekulargewichtsverteilung. |
| |
Mit diesen vier Schlüsselparametern, die Sie aus Ihren Rohdaten oder Ihren Spektraldaten berechnen, stehen uns diese Daten wieder zur Verfügung |
| |
Berechnen Sie die Schlüsselparameter. Sie können die Analyse erneut mit Standardtechniken durchführen, die nichts, nichts Besonderes sind. |
| |
Und dann bekommen Sie ein Modell über Ihre ... in diesem Fall sind es vier verletzende Parameter für Ihre, in diesem Fall drei, in die ich keine Polydispersität eingesetzt habe, |
| |
unter drei Schlüsselparametern. Und Sie sehen ... was Sie sehen, dass sich die durchschnittliche Molmasse nicht wirklich stark ändert, wenn Sie diese vier Faktoren ändern. Der Einfluss auf diese vier Faktoren auf die durchschnittliche Molmasse ist also nicht allzu gering. Es ist ziemlich groß und ziemlich bedeutsam |
| |
auf der Masse durchschnittliche Molmasse, wie Sie hier sehen können. Sie können es also ziemlich bewegen, also ist der Unterschied ziemlich groß, also sind es ungefähr 150.000? pro Mol insgesamt die Differenz zwischen der niedrigsten und der höchsten Einstellung. |
| |
Dies bedeutet jedoch, dass sich diese Zahl erheblich ändert und dies nicht auch bedeutet, dass Ihre Dispersität variieren sollte oder sollte ... oder sich ziemlich stark ändern sollte. |
| |
Das Problem war, dass Sie anhand dieser Zahl nicht sehen können, wie die Verteilung aussieht, sodass Sie nicht die Form erhalten. Nehmen wir an, in unserem Fall ist es sehr wichtig, eine Form zu haben, weil sie so ist |
| |
beeinflusst die Verarbeitbarkeit eines Polymers ziemlich dramatisch. So |
| |
mit nur drei Zahlen und vielleicht der Polydispersität gibt es Ihnen nicht oder sagt Ihnen nicht, ob die Form ... oder |
| |
Wenn die Verteilung diese Monomolverteilung ist, bimodal, trimodal. |
| |
Was Sie sehen oder nur über die Streuung sprechen könnten, gibt Ihnen vielleicht einen Hinweis auf die Breite der Verteilung, aber es sagt Ihnen nicht, ob Sie einen Peak, zwei Peaks oder drei Peaks haben. |
| |
Aber es gibt einen ziemlich großen Unterschied in den endgültigen Materialeigenschaften, die wir erhalten |
| |
des Polymers oder ändern Sie die Leistung unseres Klebebandes in der Entwicklung. |
| |
Jetzt, da Sie bereits über die Rohdaten verfügten, können Sie den Funktionsdaten-Explorer erneut verwenden, um diese Erkenntnisse zu erhalten oder viel mehr Informationen daraus zu erhalten ... all diese Daten nur aus diesen Schlüsselparametern. |
| |
Noch einmal, dauert ein paar Sekunden, aber dann sind Sie fertig. |
| |
Und noch einmal, die Analyse ist also nichts Besonderes, also auch zu Beginn von ... um den Functional Data Explorer zu bedienen, ist es nichts Besonderes, nichts |
| |
Außergewöhnlich, was Sie in Ihren Exporten als Y ziehen, geben Sie Ihre Proben-ID ein und geben dann Ihre Faktoren aus Ihrem DOE ein. |
| |
Setzen Sie sie ein, drücken Sie die Starttaste und im Grunde ist es das. Und Sie können im Grunde Sie jetzt ... Sie können es mit den Modellparametern anpassen. |
| |
Aber es ist ein sehr einfaches, sehr unkompliziertes Verfahren, und Sie erhalten wieder viel mehr Einblick in die zugrunde liegenden Teile von Interesse, indem Sie einfach alle diese Daten auf einige Schlüsselparameter reduzieren. In diesem Fall, |
| |
Ich meine, ich habe Ihnen gezeigt, dass sich der eine Schlüsselparameter nicht wirklich stark ändert, der andere jedoch, aber er gibt Ihnen nicht die Form, sodass Sie weder einen Hinweis noch ein Gefühl für die Verteilung erhalten. |
| |
In diesem Fall gibt Ihnen die erneute Verwendung dieses Tools diesen Einblick, denn wenn Sie sehen, wie ... bevor Sie diesen einen Punkt sehen, der sich stark ändert, hat der andere dies nicht getan. |
| |
Wenn Sie jedoch eine Art von Änderung kennen, zum Beispiel in diesem Fall. |
| |
Dieser Peak ist eher wie eine Schulter, es ist nicht wirklich ein Peak, aber wenn Sie Ihre Einflussfaktoren ändern, kommen Sie zu einem Punkt, an dem es tatsächlich wirklich einen Peak bekommt. |
| |
Ja, es wird also wirklich ein zweiter Peak, und das sagt etwas über den Polymerisationsmechanismus oder den zugrunde liegenden Polymerisationsmechanismus aus |
| |
was man nicht von den Schlüsselparametern bekommt, wenn man sich nur diese drei Zahlen ansieht, ja. |
| |
Aber hier könnte es Ihnen einen Hinweis geben oder Sie könnten im Entwickler etwas auslösen, weil das sein Fachgebiet ist. Sie könnten etwas auslösen, das ihm hilft, den zugrunde liegenden Mechanismus zu verstehen, und dann |
| |
hilft ihm, den nächsten Schritt zu tun, oder hilft ihm, den nächsten Schritt besser zu machen, um die nächsten nächsten Experimente noch besser als zuvor zu planen, nachdem er nur diese Zahlen gesehen hat. |
| |
Richtig, ich bin am Ende meiner ... Präsentation meines Beispiels, also könnte ich hoffen, dass ich Ihnen zeigen kann, dass der Functional Data Explorer wirklich die Visualisierung des ermöglicht |
| |
Ergebnisse für Entwickler in ihrem Fachgebiet. Ich meine, denken Sie daran, dass die meisten Entwickler, sagen wir in unserem Fall, die meisten Entwickler keine Datenwissenschaftler sind |
| |
Sie |
| |
glaube nicht oder bin vielleicht nicht so interessiert daran, wie ich zu den Ergebnissen komme, aber sie sind mehr an den Ergebnissen und den Ergebnissen interessiert |
| |
Problem gibt es ... oder wenn der Functional Data Explorer es Ihnen beispielsweise ermöglicht, in ihrer Sprache oder in ihrem Fachgebiet zu sprechen, bedeutet dies in unserem Fall, ein Chemieunternehmen zu sein, Spektraldaten, und Sie haben keine zu |
| |
Werfen Sie wertvolle Daten weg, um die Spektraldaten auf einige Schlüsselparameter zu reduzieren und die Analyse der Schlüsselparameter durchzuführen. |
| |
Sie müssen erklären, welche Schlüsselparameter tatsächlich ... wie sie die Spektren, die Formen der Spektren und die Form der Spektren beeinflussen, aber Sie können einfach die Daten verwenden und dann |
| |
Sie werden ihnen diesen Einfluss auf die Faktoren zeigen, die Sie auf die Form und Gestalt der Spektren untersuchen und wie sich die Spektren ändern. |
| |
In vielen Fällen erhalten Sie in einigen Fällen möglicherweise den gleichen Einblick, aber in vielen Fällen bietet Ihnen die Analyse mit der FDE häufig viel mehr Einblick und einen tieferen Einblick in den zugrunde liegenden Mechanismus. |
| |
Und Sie müssen beispielsweise nicht viele wertvolle Daten wegwerfen, während Sie die Spektraldaten auf einige Schlüsselparameter reduzieren. |
| |
Damit möchte ich mich bei Ihnen, meinen Kollegen aus der Forschungs- und Entwicklungsabteilung, für die gesamte experimentelle Arbeit bedanken, damit ich hier vor Ihnen stehen und die schönen Ergebnisse präsentieren kann. Und |
| |
Ich bin mit meiner Präsentation fertig. Vielen Dank für Ihre Aufmerksamkeit. Wenn Sie Fragen haben, können Sie diese gerne stellen. Vielen Dank. |
