460344_es-ES

liliconcom

Re: Convierta muchas pequeñas decisiones en un gran éxito de optimización de procesos

Únete a Tom @tom_donnelly y colega Phil Kay @Phil_Kay hoy 2-3 pm ET para demostración y discusión. Registro requerido.

Convierta muchas pequeñas decisiones en un gran éxito de optimización de procesos

¿Cómo se aplica el diseño de experimentos (DOE) a un proceso? Únase al ingeniero de sistemas Tom Donnelly el 18 de marzo, cuando presente una demostración concisa de 30 minutos y una discusión sobre Optimización de procesos mediante experimentos diseñados como parte de la serie de seminarios web Mastering JMP.

Tom cubrirá un marco de trabajo de seis pasos para crear un experimento diseñado con éxito que se pueda ejecutar en su entorno de trabajo. ¿Los pasos?

1. Describa el objetivo, los factores y las respuestas.
2. Especifique un modelo supuesto que crea que describe adecuadamente la situación física.
3. Genere y evalúe un diseño que sea consistente con su modelo asumido.
4. Incorpore medidas de ejecución de prueba en el diseño.
5. Determinar el mejor modelo (a menudo un subconjunto del modelo propuesto).
6. Utilice los resultados del modelo para optimizar la configuración de los factores y/o predecir el rendimiento.

 

 

Como parte del equipo de JMP que apoya a los clientes aeroespaciales y de defensa de EE. UU., Tom asiste y/o presenta anualmente en la Simposio de Investigación de Operaciones Militares (MORS) donde demuestra cómo usar JMP para atacar problemas. Él y algunos de sus colegas de JMP también están presentando en un en persona conferencia, DATAWorks 2020 (Taller de Pruebas y Análisis de Defensa y Aeroespacial) del 26 al 28 de abril de 2022. Esas sesiones son:

• Modelos mixtos (Tutorial) por Elizabeth Claassen, JMP Research Statistician Developer
• Modelado de conjuntos de autovalidación por Chris Gotwalt, científico jefe de datos de JMP
• Datos funcionales como entrada y salida de un modelo de respuesta glucémica por Tom Donnelly, ingeniero principal de sistemas de JMP

Demostración de JMP a los asistentes a la conferencia

 

Recientemente hablé con Tom sobre los tipos de desafíos que enfrentan sus clientes y cómo los ayuda a guiarlos a través del proceso DOE. Además, reveló un poco sobre sus exploraciones en el Parque Nacional.

 

 

 

En su próximo seminario web Mastering JMP, Tom utiliza un enfoque de estudio de caso que incorpora algunas de las preguntas y respuestas necesarias que son fundamentales para el éxito de un experimento diseñado. Me enumeró algunas de las preguntas para los primeros tres pasos en el marco. Te invito a pensar en ellos para tu ambiente de trabajo y regístrese para su seminario web Mastering JMP del 18 de marzo .

Describir

1. ¿Cuál es el objetivo de la experimentación?
2. Como mides el exito?
3. ¿Qué variables de respuesta miden?
4. Si es necesario caracterizar más de una respuesta para su proceso, ¿cuáles son los niveles relativos de importancia?
5. ¿Qué tipo de factores de control tienes?
   1. Continuo (cuantitativo): varía en un rango.
   2. Categórico (cualitativo): varía según los diferentes niveles.
   3. Numérico discreto: analiza como un factor continuo, pero solo está disponible en niveles discretos, como un factor categórico ordinal.
   4. Factor de mezcla o formulación: se comporta como un factor continuo, pero todas las proporciones de los componentes de la mezcla están limitadas a sumar (normalmente) 1,00.
   5. Factores de bloqueo: agrupaciones de ensayos como día o lote eso no debería tener efecto. Agregamos factores de bloqueo para ver si el proceso cambia entre grupos como un indicador de factores desconocidos o al acecho que se correlacionan con los bloqueos.
6. ¿Sobre qué rangos tiene sentido operar los factores de control?
1. Demasiado audaz puede romper el proceso.
2. Demasiado tímido puede no generar un efecto suficientemente grande.
3. ¿No sé? Involucrar a expertos en la materia en el proceso.
7. ¿Hay factores potencialmente importantes que no se pueden controlar?
8. ¿Se pueden monitorear los factores incontrolables para que se puedan capturar y registrar los ajustes (p. ej., temperatura ambiente, humedad, operador en el momento de la prueba)?Estos pueden ser tratados como factores covariables.
9. ¿Se desplaza el proceso a lo largo del día o del período que se mide?
10. ¿Cuántas pruebas se pueden ejecutar en un día?¿Se requerirán varios días?
11. ¿Usualmente ejecuta muestras de control para este proceso?
12. ¿Se ejecutarán los ensayos en lotes o grupos?
13. ¿Hay factores difíciles de cambiar y, de ser así, cuáles?
14. ¿Cuántos dispositivos tienes de cada tipo?
15. ¿Tiene datos históricos que puedan ser extraídos de posibles factores y para comprender mejor los rangos de factores?
16. Son estos verdadero experimentos o son simulaciones por computadora ?
17. Si se trata de simulaciones, ¿son deterministas (la misma respuesta cada vez) o estocásticas (aleatoriedad incorporada para que la respuesta sea ligeramente diferente cada vez)?

Especificar

1. ¿Está buscando identificar efectos principales importantes de un gran conjunto (por ejemplo, 6+) de factores?
2. ¿Está buscando construir un modelo predictivo con el que caracterizar y optimizar un proceso? NOTA: Estas dos preguntas determinan si el modelo propuesto será 1 ^{S t} orden o 2 ^{Dakota del Norte} pedido.

Diseño

1. ¿Cual es tu presupuesto?
2. ¿Cuál es tu fecha límite?
3. ¿Todas las pruebas cuestan más o menos lo mismo (es decir, toman la misma cantidad de tiempo para configurarlas y ejecutarlas)?
4. ¿La configuración para ejecutar la primera prueba cuesta sustancialmente más que ejecutar las siguientes? Siempre que la configuración inicial sea grande, considere agregar pruebas adicionales (réplicas o especialmente puntos de control) mientras su ejecución sea económica.
5. ¿Alguna combinación de configuraciones variables causa problemas (p. ej., inseguro, demasiado costoso, rompe el equipo/proceso, imposible de lograr)?
6. ¿Necesitará restringir el espacio de diseño o prohibir ciertas combinaciones de configuración de factores?
7. Si ejecuta el mismo proceso en días separados, ¿alguna vez obtiene resultados obviamente/sorprendentemente diferentes?
8. ¿Tiene registros anteriores de ensayos repetidos para cada respuesta?
1. ¿Los valores de respuesta del ensayo replicado están muy juntos o están dispersos en el tiempo?
2. ¿Qué tan grande es la variabilidad para cada respuesta? Es decir, ¿cuál es la desviación estándar o el error cuadrático medio (RMSE) de la respuesta?
9. ¿Qué tan pequeña diferencia para cada respuesta se considera importante en la práctica?
10. Para cada respuesta, ¿piensa que está buscando pequeñas diferencias en la gran variabilidad (difícil de hacer porque se necesita mucha replicación) o grandes diferencias en la pequeña variabilidad (fácil de hacer)?
11. ¿Cuál es el nivel deseado de confianza en la detección de efectos? Esto suele ser del 95 %, lo que lleva a establecer alfa en 0,05 (error de tipo I).
12. ¿Cuáles son los niveles de potencia aceptables para los diversos tipos de efectos (niveles principales, de interacción, cuadráticos, categóricos)?NOTA: Este es el nivel deseado de confianza en NO perder un efecto si es real. Por lo general, es 0,8 para los efectos principales y las interacciones, y menos para los efectos cuadráticos (error de tipo II).
13. ¿Qué tan difícil es volver más tarde para realizar pruebas de puntos de control? ¿Puede incorporar pruebas de puntos de control ahora, especialmente si su ejecución es económica? ¿Si es así, donde?
    1. Su suposición de dónde se producirá el mejor rendimiento.
    2. Su suposición de dónde se producirá el peor rendimiento.
    3. La opinión de su jefe sobre dónde ejecutar el proceso.
    4. Agregue una versión de prueba para admitir el siguiente modelo superior.
    5. Algunos puntos fuera de la región de diseño.
14. ¿Qué ensayo crees que es más probable que rompa el diseño? NOTA: Tal vez ejecute esa prueba primero.

Implemente un marco que haga que el diseño de experimentos sea eficiente y produzca resultados.

 

 

 

 

Diseño de experimentos