460344_it-IT

liliconcom

Re: Trasforma molte piccole decisioni in un grande successo di ottimizzazione dei processi

Unisciti a Tom @tom_donnelly e il collega Phil Kay @Phil_Kay oggi 14-15 ET per demo e discussione. Registrazione necessario.

Trasforma molte piccole decisioni in un grande successo di ottimizzazione dei processi

Come si applica la progettazione degli esperimenti (DOE) a un processo? Unisciti all'ingegnere di sistema Tom Donnelly il 18 marzo, quando presenterà una concisa demo di 30 minuti e una discussione Ottimizzazione dei processi utilizzando esperimenti progettati come parte della serie di webinar Mastering JMP.

Tom tratterà un framework in sei fasi per la creazione di un esperimento progettato di successo che può essere eseguito nel tuo ambiente di lavoro. I passi?

1. Descrivere l'obiettivo, i fattori e le risposte.
2. Specifica un modello presunto che ritieni descriva adeguatamente la situazione fisica.
3. Genera e valuta un progetto coerente con il tuo modello ipotizzato.
4. Incorpora le misurazioni della corsa di prova nel progetto.
5. Determinare il modello migliore (spesso un sottoinsieme del modello proposto).
6. Utilizzare i risultati del modello per ottimizzare le impostazioni dei fattori e/o prevedere le prestazioni.

 

 

Come parte del team JMP che supporta i clienti della difesa e aerospaziale statunitensi, Tom partecipa e/o presenta ogni anno al Simposio di ricerca sulle operazioni militari (MORS) dove mostra come usare JMP per attaccare i problemi. Lui e alcuni dei suoi colleghi JMP si stanno anche presentando a un di persona conferenza, DATIWorks 2020 (Workshop di analisi e test di difesa e aerospaziale) dal 26 al 28 aprile 2022. Tali sessioni sono:

• Modelli misti (Tutorial) di Elizabeth Claassen, sviluppatore statistico di ricerca JMP
• Modellazione di ensemble autovalidante di Chris Gotwalt, Chief Data Scientist di JMP
• Dati funzionali sia come input che come output da un modello di risposta glicemica di Tom Donnelly, Principal Systems Engineer di JMP

Dimostrazione di JMP al partecipante alla conferenza

 

Di recente ho parlato con Tom dei tipi di sfide che incontrano i suoi clienti e di come li aiuta a guidarli attraverso il processo DOE. Inoltre, ha rivelato qualcosa sulle sue esplorazioni nel Parco Nazionale.

 

 

 

Nel suo prossimo webinar Mastering JMP, Tom utilizza un approccio di case study che incorpora alcune delle domande e delle risposte necessarie che sono fondamentali per il successo di un esperimento progettato. Mi ha elencato alcune delle domande per i primi tre passaggi del framework. Vi invito a pensarci per il vostro ambiente di lavoro e registrati per il suo webinar Mastering JMP del 18 marzo .

Descrivere

1. Qual è l'obiettivo della sperimentazione?
2. Come misuri il successo?
3. Quali variabili di risposta misurate?
4. Se è necessario caratterizzare più di una risposta per il vostro processo, quali sono i livelli di importanza relativi?
5. Che tipo di fattori di controllo hai?
   1. Continuo (quantitativo): varia in un intervallo.
   2. Categorico (qualitativo) – varia a seconda dei livelli.
   3. Numerico discreto: analizza come un fattore continuo, ma disponibile solo a livelli discreti, come un fattore categoriale ordinale.
   4. Miscela o fattore di formulazione: si comporta come un fattore continuo, ma tutte le proporzioni dei componenti della miscela sono vincolate a sommare (tipicamente) 1,00.
   5. Fattori bloccanti: raggruppamenti di prove come giorno o lotto che non dovrebbe avere effetto. Aggiungiamo fattori di blocco per vedere se il processo si sposta tra i gruppi come indicatore di fattori sconosciuti o in agguato correlati ai blocchi.
6. Su quali intervalli ha senso operare i fattori di controllo?
1. Troppo audace potrebbe interrompere il processo.
2. Troppo timido potrebbe non generare un effetto sufficientemente ampio.
3. Non lo so? Coinvolgere esperti in materia nel processo.
7. Ci sono fattori potenzialmente importanti che non possono essere controllati?
8. È possibile monitorare eventuali fattori incontrollabili in modo da acquisire e registrare le impostazioni (ad es. temperatura ambiente, umidità, operatore al momento della prova)?Questi possono essere trattati come fattori covariati.
9. Il processo si sposta nel corso della giornata o del periodo misurato?
10. Quante prove possono essere eseguite in un giorno?Saranno necessari più giorni?
11. In genere esegui campioni di controllo per questo processo?
12. Le prove verranno eseguite in batch o in gruppi?
13. Ci sono fattori difficili da modificare e, in caso affermativo, quali?
14. Quanti dispositivi hai di ogni tipo?
15. Disponi di dati storici che possono essere "estratti" per possibili fattori e per comprendere meglio gli intervalli di fattori?
16. Sono queste vero esperimenti o sono simulazioni al computer ?
17. Se le simulazioni, sono deterministiche (stessa risposta ogni volta) o stocastiche (casualità incorporata, quindi la risposta è leggermente diversa ogni volta)?

Specificare

1. Stai cercando di identificare gli effetti principali importanti da un ampio insieme (ad esempio, 6+) di fattori?
2. Stai cercando di costruire un modello predittivo con cui caratterizzare e ottimizzare un processo? NOTA: Queste due domande determinano se il modello proposto sarà 1 ^st ordine o 2 ^nd ordine.

Design

1. Qual è il tuo badget?
2. Qual è la tua scadenza?
3. Ogni prova costa all'incirca lo stesso (vale a dire, richiede la stessa quantità di tempo per l'installazione e l'esecuzione)?
4. La configurazione per eseguire la prima prova costa sostanzialmente di più rispetto all'esecuzione delle successive? Ogni volta che la configurazione iniziale è di grandi dimensioni, considera l'aggiunta di prove aggiuntive (replica o soprattutto checkpoint) mentre sono economiche da eseguire.
5. Eventuali combinazioni di impostazioni variabili causano problemi (ad es., non sicuro, troppo costoso, rompe l'apparecchiatura/il processo, impossibile da ottenere)?
6. Sarà necessario limitare lo spazio di progettazione o impedire determinate combinazioni di impostazioni dei fattori?
7. Se esegui lo stesso processo in giorni separati, ottieni mai risultati ovviamente/sorprendentemente diversi?
8. Hai registrazioni passate di prove replicate per ciascuna risposta?
1. I valori della risposta alla prova replicata sono vicini o sparsi nel tempo?
2. Quanto è grande la variabilità per ciascuna risposta? Cioè, qual è la deviazione standard o l'errore quadratico medio (RMSE) della risposta?
9. Quanta piccola differenza per ogni risposta è considerata praticamente importante?
10. Per ogni risposta, pensi di cercare piccole differenze nella grande variabilità (difficile da fare perché sono necessarie molte repliche) o grandi differenze nella piccola variabilità (facile da fare)?
11. Qual è il livello di fiducia desiderato nel rilevamento degli effetti? Questo è in genere il 95%, il che porta a impostare l'alfa su 0,05 (errore di tipo I).
12. Quali sono i livelli di potenza accettabili per i vari tipi di effetti (livelli principali, di interazione, quadratici, categoriali)?NOTA: Questo è il livello di fiducia desiderato nel NON perdere un effetto se è reale. In genere è 0,8 per gli effetti principali e le interazioni e meno per gli effetti quadratici (errore di tipo II).
13. Quanto è difficile tornare più tardi per eseguire prove ai checkpoint? Puoi creare prove di checkpoint ora, specialmente se sono poco costose da eseguire? Se sì, dove?
    1. La tua ipotesi su dove si verificherà la migliore prestazione.
    2. La tua ipotesi su dove si verificheranno le prestazioni peggiori.
    3. L'opinione del tuo capo su dove eseguire il processo.
    4. Aggiungi una versione di prova per supportare il modello successivo superiore.
    5. Alcuni punti al di fuori dell'area di progettazione.
14. Quale prova pensi sia più probabile che rompa il design? NOTA: Forse esegui prima quella prova.

Implementare un framework che renda efficiente la progettazione di esperimenti e produca risultati.

 

 

 

 

Progettazione di esperimenti