Lautsprecher
|
Transkript
|
| Simon Stelzig |
Okay, also hallo alle zusammen. Mein Name ist Simon Stelzig. Ich komme von Lohmann, den Klebetechnikern. Ich komme aus der Forschungs- und Entwicklungsabteilung und möchte Ihnen heute etwas über den Functional Data Explorer erzählen und wie Sie damit Ergebnisse für Nicht-Datenwissenschaftler visualisieren können. |
| |
Bevor ich anfange, noch eine ganz kurze Vorstellung der Firma Lohmann. Sie haben vielleicht noch nichts davon gehört, aber Sie nutzen die Produkte oder sind ihnen vielleicht täglich begegnet. |
| |
Also nur ein paar Fakten und Zahlen über Lohmann. Lohmann hat also im Jahr 2019 einen Umsatz von etwa 600 Millionen Euro und der Teil, an dem ich arbeite, ist die Lohmann Tape Group und wir sind ein Hersteller von Klebebändern. Es handelt sich hauptsächlich um doppelseitige Klebebänder und wir sind ein reines B2C-Unternehmen, also nur Sie |
| |
Sie können unser Produkt nur kaufen, wenn...wenn Sie in der Industrie tätig sind...für industrielle Anwendungen. Wir sind schon ziemlich alt, dieses Jahr jährt sich die Gründung der Firma Lohmann zum 170. Mal. |
| |
Wir sind grundsätzlich in zwei Teile geteilt, also eines der Bandprodukte, an denen ich arbeite. Das ist der Fokus auf |
| |
Klebebänder für industrielle Anwendungen und das ist unsere Hygienemarke. |
| |
Und wir sind weltweit aktiv. Wir haben weltweit 25 Standorte mit rund 1.800 Mitarbeitern. Und vielleicht sehr interessant, |
| |
90 % unserer Produkte sind kundenspezifisch, daher verfügen wir über ein recht komplexes Produktportfolio, bei dem sich viele Produkte auf eine sehr kleine Anzahl von Anwendungen für eine sehr kleine Kundengruppe konzentrieren. |
| |
Wir sind also der führende Hersteller von Klebebändern oder vielen doppelseitigen Klebebändern, und Sie wissen, dass wir viele Anwendungen haben, und das ist unser Marktsegment, in dem wir tätig sind. |
| |
Eine unserer Aufgaben ist also die industrielle Anwendung. Hauptsächlich für Fenster und Türen oder Innen- und Außenanwendungen im Bauwesen. |
| |
Oder Sie stoßen auf Lohmann-Produkte, zum Beispiel bei Haushaltsgeräten und elektronischen Geräten, wie etwa Klebebänder zur Fixierung des Backcovers von Smartphones. Oder im |
| |
medizinische Segmente, hauptsächlich für diagnostische Anwendungen, Wundversorgung. Im Transportbereich im ... für die Automobilindustrie, vielleicht für den Innen- oder Außenbereich |
| |
Anbringen von Emblemen an den Autos. Wir sind beispielsweise auch in der grafischen Industrie für flexible Druckanwendungen tätig, wo wir Klebebänder liefern |
| |
zur Fixierung der Druckplatte auf den Hülsen. Einer der...einen Teilbereiche der Lohmann Tape Group ist die Hygienemarke, unter der wir Verschlusssysteme für Windeln liefern. |
| |
Es gibt also ein sehr breites Anwendungsspektrum und ein weiterer Punkt, den ich gerade erwähnt habe, ist, dass etwa 90 % unserer Produkte kundenspezifisch sind. Und noch eine 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 Ihrem Motiv, an dem Sie kleben möchten. |
| |
Sie benötigen einen Träger, ggf. einen Träger, der Ihre Klebeschicht trägt, und auf der anderen Seite, da wir Hersteller der doppelseitigen Klebebänder sind, haben Sie auf der anderen Seite wiederum |
| |
eine Klebeschicht. Und die Wertschöpfungskette von Lohmann beginnt grundsätzlich 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, also in Form eines Klebebandes, auftragen |
| |
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 ein paar Stanzteile haben, vielleicht ein paar Embleme für Autos, brauchen Sie das Klebeband, das keine bestimmte Form benötigt, wir liefern diese spezielle Form, wenn ein Kunde sie benötigt. |
| |
Und die Forschung und Entwicklung konzentriert sich hauptsächlich auf die ersten drei Teile davon, also auf die Polymerisation, die Formulierung der Beschichtung und um, wie ich bereits erwähnt habe, viele unserer Produkte individuell anzupassen, um so schnell wie möglich an die Ergebnisse zu gelangen Unser Ziel ist es, die Anforderungen unserer Kunden zu erfüllen |
| |
Gestaltung von Experimenten im Verlauf des Kurses |
| |
zum Endprodukt zu gelangen und die Anforderungen unserer Kunden zu erfüllen. |
| |
Und viele davon haben |
| |
Die Durchführung von Versuchsplänen oder die Durchführung vieler Experimente insgesamt liefert ebenfalls viele Daten. |
| |
Und wenn man diese Experimente oder die Versuchsplanung in diesem Kurs durchführt und als Chemieunternehmen viele Daten erhält, erhält man in den Experimentergebnissen viele Daten, viele Spektren. |
| |
Die meisten unserer Experimente liefern also ... keinen Wert, keine Zahl, sondern Spektren. |
| |
Und in den meisten Fällen, wenn Sie die Experimente durchführen möchten, wie in meinem Fall, bin ich, sagen wir mal, der Datenwissenschaftler, der die Dienstleistung erbringt, diese Experimente zu planen und zu analysieren |
| |
Experimente durchführen und die gesamte Datenanalyse für meine Kollegen durchführen, die in diesem Fall möglicherweise Nicht-Datenwissenschaftler sind. |
| |
Sie sind Entwickler des Endprodukts und nehmen mich als Dienstleister in Anspruch, der die gesamte Zeit für die Datenanalyse übernimmt. In den meisten Fällen extrahieren Sie aus diesen Spektrendaten Schlüsselparameter, die Ihre Spektrendaten beschreiben. |
| |
Das könnte im Fall der Polymerisation die Molekulargewichtsverteilung sein, es könnte die Größe Ihres Molekulargewichts bedeuten |
| |
Polymer, das wir aus der Reaktion erhalten, könnte ein Beginn einer Reaktion sein, um die Art der Reaktion durch Messungen oder etwas anderes festzustellen. |
| |
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 führe ich als Dienst für meine Kollegen, die Entwickler, diese Analyse dieser Schlüsselparameter durch. |
| |
Sie liefern mir auch die Kundenanforderungen und Sie möchten diesen Kundenanforderungen gerecht werden, indem Sie das Optimum dort erreichen, wo Sie Ihre Formulierung oder Ihr Produkt sein oder erreichen möchten. |
| |
Nachdem Sie dies getan haben, nachdem Sie die Analyse durchgeführt haben, nachdem Sie die Optimierung durchgeführt haben, gehen Sie irgendwann zu Ihnen, oder ich gehe zu meinen Kollegen und präsentiere die Ergebnisse. |
| |
Und da ich die gesamte Analyse zu den Schlüsselparametern durchgeführt habe, präsentiere ich auch die Ergebnisse zu diesen Schlüsselparametern. |
| |
Das Problem ist, dass meine Entwicklungskollegen oder meine Projektteams zwar Experten auf dem Gebiet sind ... die Experten in ihrem Fachgebiet, aber keine Experten der Datenwissenschaft. |
| |
Das Problem hier ist also, dass wenn ich die Analyse der Schlüsselparameter durchführe und auch in der Sprache der Schlüsselparameter spreche, sie aber als Experte auf ihrem Fachgebiet |
| |
Sie denken immer noch an Spektren, denn damals wurden die Experimente durchgeführt, das ist die Analyse, die sie erhalten, sie sehen Spektren, wo ich Zahlen sehe. |
| |
Es bleibt immer das Problem, dass, wenn ich die Ergebnisse und die Analyse in Schlüsselparametern darstelle, sie immer noch in Spektren denken. |
| |
Man hat also immer das Problem, dass man in verschiedenen Sprachen redet. 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, also die Spektren, übersetzen müssen. |
| |
Oder ich muss diese Schlüsselparameter in ihre Sprache übersetzen, also in die Spektren. Glücklicherweise handelt es sich beim Functional Data Explorer um eine Art Universalübersetzer zur Lösung dieser Art von Problemen. |
| |
Und was ich tue oder Ihnen heute zeigen möchte, ist anhand von drei Beispielen, wie Ihnen der Functional Data Explorer sehr dabei hilft, diese Barriere oder diese Sprachbarriere zwischen den Datenwissenschaftlern, die Zahlen sprechen, und den Entwicklern, die in Spektren denken und sprechen, zu überwinden. |
| |
Bei einem Beispiel, also dem ersten Beispiel, das ich Ihnen zeigen möchte, handelt es sich um ein sehr einfaches, sehr triviales Beispiel, vielleicht um eine 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; Dabei handelt es sich um eine Messung, die das Molekulargewicht eines Polymers angibt |
| |
während einer Polymerisationsreaktion. Ich werde jetzt aufhören, PowerPoint zu verwenden und zu JMP wechseln, ja, da ist es. |
| |
Das erste Beispiel, das ich gezeigt habe ... wie ich Ihnen bereits 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 1. Das Ideal wäre also, wenn Sie das Perfekte erreichen, es ist also eine Messung, dieses Mal die Druckqualität. |
| |
Normalerweise ist das, was man bekommt...normal, es ist eine reale Lebensumgebung. Wir erhalten etwas, das nicht wirklich wie eine gerade Linie aussieht, aber ein wenig in Richtung höherer Werte verschoben ist, also keine Linie ist ... es ist nach oben gebogen. |
| |
Was wollen Sie also mit diesen Informationen machen? Wir möchten sehen oder Sie möchten überprüfen, welche Parameter die Kurve grundsätzlich nach oben verschieben oder verbiegen, sodass sie nicht ideal ist. |
| |
Ich gehe also zu den Schlüsselparametern über, die wir als Schlüsselparameter definieren würden, oder es ist im Grunde der Unterschied zwischen einer geraden Linie und der tatsächlichen Linie, die man erhält. Es ist also ziemlich einfach, Sie verwenden einfach das |
| |
Der Unterschied ... es ist ein Teil des Unterschieds in diesem Punkt. |
| |
Wenn Sie also die Analyse durchführen, dann ist es auch eine sehr einfache Analyse der Schlüsselparameter. Ich verwende einen Entscheidungsbaum, um herauszufinden, welcher Parameter den größten Einfluss hat. Diese Abweichung vom idealen Spektrum ist ziemlich einfach. Wir haben etwa 22 Einflussfaktoren. |
| |
Da sehen Sie einen, der im Grunde Einfluss auf einige hat bzw. diese Abkehr von dieser Idealsituation beeinflusst. |
| |
Und es heißt dieses X 22, was auch immer es ist, ist eigentlich egal. Wenn es sich also irgendwann bewegt ... |
| |
Wenn es größer als ein bestimmter Wert ist, erhalten Sie beispielsweise eine Zahl von 250. Wenn es unter diesen bestimmten Wert fällt, erhalten Sie 196. Das Problem ist, wenn Sie dies der Entwicklung mitgeteilt 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 passend und so in etwa passend? |
| |
Das Problem liegt an der reinen Zahl, das sieht man nicht wirklich, weil er auf eine andere Art spricht ... in einem anderen Bereich mit einer anderen Sprache. |
| |
Und die Verwendung des Functional Data Explorer kann Ihnen bei der Beantwortung dieser Frage wirklich sehr helfen, denn wenn Sie zum Functional Data Explorer wechseln und die gleiche Analyse der Daten in der Funktion durchführen ... mit dem Functional Data Explorer, |
| |
Du bekommst etwas, das so aussieht. Es zeigt Ihnen also, es zeigt ihn oder den Entwickler, den Sie ihm gezeigt haben ... Sie zeigen ihm die Grafik. Den Graphen, den er mit dem Graphen gewohnt ist, erhält er 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 Ihnen das nicht gefällt, wird der mit der 250 angezeigt. |
| |
Aus der Analyse ergibt sich für den Schlüsselparameter Ihr Wert von 250, er wird 196 sein und Sie sehen den Unterschied. Ich meine, das ist nicht wirklich eine gerade Linie. |
| |
Aber wenn es sich nach unten bewegt, etwa zur niedrigeren Zahl, die die Zahl anzeigt, bevor sie sich von 196 fernhalten wollen, |
| |
Es sieht nicht so 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 davon entfernt, so zu sein |
| |
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 sagen Sie an diesem Punkt: Okay, es ist keine gerade Linie, es ist nicht perfekt, aber es ist gut für den Job. |
| |
Im Grunde entspricht es den Bedürfnissen des Kunden. Und das ist etwas, was er aus der reinen Zahl, die Sie ihm zeigen, nicht erkennt. In diesem Fall handelt es sich also um ein sehr triviales Beispiel, ein sehr einfaches Beispiel. |
| |
Aber ich hoffe, es vermittelt Ihnen die Essenz, dass die Verwendung eines Functional Data Explorers es Ihnen ermöglicht, in der Sprache der Experten, der Nicht-Datenwissenschaftler, vielleicht des Entwicklers des Materials, zu sprechen. |
| |
Und wenn Sie in seinem Bereich oder in seiner Sprache sprechen, hilft ihm das, diese Einsicht zu gewinnen, und es ist nicht nötig, die Zahl in Einsicht in ein Spektrum zu übersetzen, aber er sieht das und bekommt vielleicht die Antwort, die er braucht. |
| |
Also wieder ein sehr triviales, sehr einfaches Beispiel, aber ich verstehe ... Ich hoffe, es zeigt Ihnen das Wesentliche dessen, was die Daten ... Funktion Data Explorer ist oder Ihnen hilft, sie zu erreichen. |
| |
Kommen wir also zum zweiten Beispiel: Das ist der Beginn der chemischen Reaktion, die Sie nachweisen möchten. |
| |
Und das tun wir, indem wir das ??? 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 ab einem bestimmten Punkt der Modul ändert, geht es steil nach oben. Das ist normalerweise hier, es ist der Beginn der chemischen Reaktion. Der Schlüsselparameter, den Sie aus diesen Spektren extrahieren, ist also der Punkt, an dem der Modul steil anzusteigen beginnt. |
| |
Der |
| |
Der Schlüsselparameter für einen guten Extrakt ist, den Punkt zu finden. Nun könnte es etwas komplizierter sein, einen Punkt aus den ursprünglichen Rohdaten zu berechnen, aber Sie können dies trotzdem tun, indem Sie 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 vorhersagen können, in diesem Beispiel basierend auf fünf Parametern. So, |
| |
Ich werde sehen. Okay, der Punkt ... der Punkt dieser Schlüsselparameter zu Beginn der chemischen Reaktion ist ... hängt möglicherweise von diesen ab ... hängt von diesen drei Parametern ab |
| |
und im Grunde reicht der Bereich von etwa 70 Grad, bei dem die chemische Reaktion beginnt, bis zu etwa 100 Grad Celsius (oh, tut mir leid, das ist der falsche Wert). |
| |
auf etwa 100 Grad, ja. Also reduzieren Sie erneut die Gesamtspektren auf eine Zahl, |
| |
Geben Sie der Entwicklung einen Hinweis darauf, wo diese chemische Reaktion beginnt. |
| |
Wenn Sie die gleiche Analyse und auch die Daten durchführen, verfügen Sie bereits über die Daten. Wenn Sie also die Schlüsselparameter extrahieren möchten, benötigen Sie auch die Rohdaten, sodass Ihnen auch die Rohdaten zur Verfügung stehen. |
| |
Es ist also nicht ... es ist nicht wirklich viel mehr Aufwand ... mehr Aufwand, die Analyse im Functional Data Explorer unter Verwendung einer Standard-Regressionsmethode für Schlüsselparameter durchzuführen. |
| |
So, |
| |
Verwenden Sie die gleiche Menge oder die gleichen Daten und verwenden Sie den Functional Data Explorer |
| |
Die Analyse der Daten dauert nur ein paar Sekunden, um das Ergebnis zu berechnen. |
| |
Da ist es. |
| |
Auch hier können Sie jetzt das gesamte Spektrum modellieren, und was ... In diesem speziellen Fall habe ich dem Entwickler also nicht die Analyse der Schlüsselparameter gezeigt, sondern ihm zuerst den Functional Data Explore gezeigt, die Ergebnisse daraus Funktionsdaten-Explorer. |
| |
Und als ich gerade umgezogen bin ... angefangen habe, mich zu bewegen und ihnen das zu zeigen und angefangen habe, mich um die Einflussfaktoren herum zu bewegen, haben sie es sofort bemerkt |
| |
dass sich der Punkt der Reaktion ändert. Ich musste ihnen also nicht sagen, dass sich die Dinge zu verschieben begannen, denn sie sind die Experten auf dem Gebiet ... der Experte für die Spektrumsdaten, |
| |
Sie erkannten sofort, dass sich im Grunde der Beginn der chemischen Reaktion verschiebt, wie Sie hier sehen können, Sie sehen, dass er sich zu verschieben beginnt. |
| |
Das andere ist, was Sie sehen, denn jetzt haben Sie im Grunde die gesamten Spektren modelliert, Sie modellieren nicht nur den Schlüsselparameter, sondern das, was Sie sehen |
| |
dass sich die Art und Weise, wie die Spektren aussehen, völlig ändert, wenn Sie sie verschieben. So können sie zum Beispiel sehen, dass sich der Gipfel zu bewegen begann und wie hoch der Gipfel ist |
| |
Änderungen. Das war auch etwas, das sofort erkannt wurde, nachdem sie diese Analyse gesehen hatten. |
| |
Und der Unterschied liegt im Schlüsselparameter. Wenn Sie die Chance auf einen Schlüsselparameter extrahieren, der eine Art chemische Reaktion bedeutet, können Sie möglicherweise einen anderen 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 in verschiedene Schlüsselparameter umwandeln, indem Sie diese Schlüsselparameter anschließend analysieren und ihnen zeigen, um ein Optimum zu berechnen. |
| |
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 in ihrer Sprache oder Sie sprechen in ihrer Sprache der Spektraldaten und Sie müssen diese Schlüsselparameter nicht übersetzen mehr in ihre Welt der Spektren eintauchen. |
| |
Ja, und so erhalten Sie im Functional Data Explorer viel mehr Informationen darüber und möglicherweise einen tieferen Einblick in die zugrunde liegenden Prozesse. |
| |
Ja, jetzt komme ich zum allerletzten und letzten Beispiel. Es ist das |
| |
Der Polymerisationsprozess, über den ich gesprochen habe, dient im Wesentlichen dazu, die Molekulargewichtsverteilung zu bestimmen. |
| |
was aus der Polymerisationsreaktion resultiert. Und wie ich bereits erwähnt habe, ist es typischerweise auch schwierig, die molekulare Verteilung zu bestimmen |
| |
um eine ganze Verteilung in bestimmte Schlüsselparameter zu erhalten oder zu reduzieren. Wie sieht also normalerweise ein typisches Spektrum aus? Stellen wir also Ihr normales typisches Spektraldiagramm dar, das die Molmasse eines Polymers zeigt, und ermitteln Sie so die gesamte Anzahl der Wiederholungseinheiten, die Sie in einer Polymerkette haben. |
| |
Und das bekommen Sie durch die chemische Reaktion und durch die Messung. Also die Schlüsselparameter, die bekannt sind oder ein Schlüsselparameter sind, müssen Sie... |
| |
das ist das Zahlenmittel der Molmasse, das Massenmittel der Molmasse, das Z-Mittel der Molmasse und die Polydispersität, |
| |
Dabei handelt es sich um das Massenmittel der Molmasse dividiert durch das Zahlenmittel der Molmasse. |
| |
Dieser Parameter, der PDI, die Polydispersität, gibt Ihnen einen Hinweis auf die Breite oder Größe der ... oder die Breite Ihrer Molekulargewichtsverteilung. |
| |
Auch hier haben wir diese vier Schlüsselparameter, die Sie aus Ihren Rohdaten oder Spektraldaten berechnen, bereits zur Verfügung |
| |
Berechnen Sie die wichtigsten Parameter. Sie können die Analyse erneut mit Standardtechniken durchführen, also nichts, nichts Besonderes. |
| |
Und dann erhalten Sie ein Modell auf Ihrem...in diesem Fall sind es vier verletzende Parameter auf Ihrem, in diesem Fall drei, ich habe keine Polydispersität eingefügt, |
| |
unter drei Schlüsselparametern. Und Sie sehen ... Sie sehen, dass sich die zahlenmittlere Molmasse nicht wirklich stark ändert, wenn Sie diese vier Faktoren ändern, sodass der Einfluss dieser vier Faktoren auf die zahlenmittlere Molmasse nicht allzu gering ist. Es ist ziemlich groß und ziemlich bedeutsam |
| |
auf dem Massenmittel der Molmasse, wie Sie hier sehen können. Man kann es also ganz schön herumbewegen, der Unterschied ist also ziemlich groß, also etwa 150.000? pro Mol insgesamt die Differenz zwischen der niedrigsten und der höchsten Einstellung. |
| |
Das heißt aber, dass sich diese Zahl ziemlich erheblich ändert, und das bedeutet nicht auch, dass Ihre Streuung variieren sollte oder sein sollte ... oder sich ziemlich stark ändern sollte. |
| |
Das Problem war, dass man aus dieser Zahl nicht erkennen kann, wie die Verteilung aussieht, also gibt sie einem nicht die Form vor, und sagen wir mal, in unserem Fall ist es sehr wichtig, eine Form zu haben, weil sie so ist |
| |
beeinflusst die Verarbeitbarkeit eines Polymers ganz erheblich. So |
| |
Da es nur drei Zahlen und vielleicht die Polydispersität gibt, gibt es einem nicht oder sagt einem nicht, ob die Form ... oder |
| |
wenn die Verteilung diese Monomolverteilung ist, bimodal, trimodal was auch immer. |
| |
Was Sie sehen oder einfach nur über die Dispersität sprechen, gibt Ihnen vielleicht einen Hinweis auf die Breite der Verteilung, sagt Ihnen aber 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 verändern oder die Leistung unseres Klebebandes in der Entwicklung verändern. |
| |
Da Ihnen die Rohdaten bereits zur Verfügung standen, können Sie erneut den Funktionsdaten-Explorer verwenden, um diese Einblicke zu gewinnen oder viel mehr Informationen aus diesen ... all diesen Daten nur aus diesen Schlüsselparametern zu gewinnen. |
| |
Es dauert noch einmal ein paar Sekunden, aber dann sind Sie fertig. |
| |
Und noch einmal: Es gibt nichts Besonderes an der Analyse, also ist auch die Bedienung des Functional Data Explorer nichts Besonderes, nichts Besonderes |
| |
Außergewöhnliches: Sie ziehen Ihre Exporte als Y ein, Sie geben Ihre Proben-ID ein und dann geben Sie Ihre Faktoren aus Ihrem DOE ein. |
| |
Einsetzen, Startknopf drücken, fertig. Und im Grunde können Sie es jetzt mit den Modellparametern anpassen. |
| |
Aber es ist ein sehr einfaches, sehr unkompliziertes Verfahren, und auch hier erhält man viel mehr Einblick in die zugrunde liegenden Teile von Interesse, indem man einfach alle diese Daten auf einige Schlüsselparameter reduziert. In diesem Fall, |
| |
Ich meine, ich habe Ihnen gezeigt, dass sich der eine Schlüsselparameter nicht wirklich stark ändert, der andere schon, aber er gibt Ihnen nicht die Form, sodass Sie keinen Hinweis oder ein Gefühl für die Verteilung erhalten. |
| |
In diesem Fall erhalten Sie durch die erneute Verwendung dieses Tools diese Einsicht, denn wenn Sie sehen, wie ... bevor Sie den einen Punkt sehen, der sich stark ändert, hat sich der andere nicht geändert. |
| |
Wenn Sie jedoch beispielsweise in diesem Fall eine Art Änderung kennen. |
| |
Dieser Höhepunkt ähnelt eher einer Schulter, es ist nicht wirklich ein Höhepunkt, aber wenn man die Einflussfaktoren ändert, kommt man an den Punkt, an dem es tatsächlich einen Höhepunkt gibt. |
| |
Ja, es gibt also tatsächlich einen zweiten Peak, und das verrät vielleicht etwas über den Polymerisationsmechanismus oder den zugrunde liegenden Polymerisationsmechanismus |
| |
Was man aus den Schlüsselparametern nicht herausbekommt, wenn man sich nur diese drei Zahlen ansieht, ja. |
| |
Aber hier könnte es Ihnen einen Hinweis geben oder Sie könnten beim 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 machen, oder hilft ihm, den nächsten Schritt besser zu machen, um die nächsten nächsten Experimente noch besser als zuvor zu planen, nur weil er diese Zahlen gesehen hat. |
| |
Richtig, ich bin am Ende meines ... Ich präsentiere mein Beispiel und hoffe, dass ich Ihnen zeigen kann, dass der Functional Data Explorer wirklich die Visualisierung ermöglicht |
| |
Ergebnisse an Entwickler in ihrem Fachgebiet weitergeben. Ich meine, bedenken Sie, dass die meisten Entwickler, sagen wir in unserem Fall, keine Datenwissenschaftler sind |
| |
Sie |
| |
Ich glaube nicht oder bin vielleicht nicht so sehr daran interessiert, wie man zu den Ergebnissen kommt, aber sie interessieren sich mehr für die Ergebnisse und das |
| |
Problem gibt es ... oder wenn der Functional Data Explorer es Ihnen beispielsweise erlaubt, in ihrer Sprache oder in ihrem Fachgebiet zu sprechen, bedeutet das in unserem Fall, dass wir ein Chemieunternehmen sind, Spektraldaten, und Sie haben keine Zu |
| |
Werfen Sie wertvolle Daten weg, um Spektraldaten auf einige Schlüsselparameter zu reduzieren und die Analyse der Schlüsselparameter durchzuführen. |
| |
Man muss erklären, welche Schlüsselparameter eigentlich sind ... wie sie sich auf Spektren auswirken, auf die Spektrenformen, auf die Form der Spektren, aber man kann einfach die Daten verwenden und dann |
| |
Sie werden ihnen zeigen, welchen Einfluss die von Ihnen untersuchten Faktoren auf die Form und Form der Spektren haben und wie sich die Spektren verändern. |
| |
Und in vielen Fällen erhalten Sie vielleicht die gleichen Erkenntnisse, aber in vielen Fällen liefert Ihnen die Analyse mit der FDE oft viel mehr Einblick, sie gibt Ihnen 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 eure Aufmerksamkeit. Wenn Sie Fragen haben, können Sie diese gerne stellen. Vielen Dank. |
