481631_es-ES

liliconcom

¿Cómo tener en cuenta los eventos correctamente en un modelo?

Hola a todos,
Me gustaria consultarte para un modelado.

Tengo un proceso con respuesta Y y parámetros X1, X2, X3, etc.
El análisis del proceso se llevó a cabo durante un largo período de 3 años. Ahora me gustaría recopilar todos los datos para analizar el proceso en su conjunto. El problema es que la máquina asociada al proceso ha experimentado algunos cambios e incluso algunos peligros durante estos 3 años. Todos ellos fueron identificados como Evt_A, Evt_B, Evt_C en una fecha específica. Para obtener un buen modelado de Y, me gustaría tener en cuenta no solo los parámetros X1, X2, X3, etc. sino también los eventos A, B, C, etc. para saber si tuvieron una influencia real y para cuantificar sus influencias. Por el momento, he introducido los eventos como columnas categóricas con los valores -1 y +1, -1 significa "antes del evento" y +1 "después del evento".

 

Me hago las siguientes preguntas:
1. ¿Es esta la única forma de proceder?
2. ¿Es esta la forma correcta de proceder?
3. ¿Cómo introducir correctamente estos eventos en la plataforma Fit Model? ¿Debo usar atributos específicos? ¿Son posibles las interacciones?

 

Desde ya agradezco toda la ayuda que me puedan brindar.
Sinceramente,
Stéphane GEORGES

AnalíticaRe: ¿Cómo tener en cuenta los eventos correctamente en un modelo?

Una pregunta que tengo es si los eventos son todos diferentes o se pueden agregar.Personalmente, codificaría los eventos como (0,1) y si se pueden tratar de la misma manera, entonces el evento se puede reducir a una sola variable que indique si fue un evento de tiempo o no.Si todos son diferentes, entonces sospecho que necesita diferentes variables indicadoras para cada evento.Otra cuestión es si el evento se limita al momento en que ocurre, o son períodos de tiempo antes o después del evento sujeto a la influencia del evento.En otras palabras, si la proximidad a la hora del evento importa, entonces codificaría todos los períodos de tiempo en términos de qué tan lejos están de la hora del evento (por ejemplo, -3, -2, -1, 0, 1,2,3) .Si puede proporcionar más detalles sobre la naturaleza de los eventos y sus efectos, creo que sería más fácil analizar las opciones de modelado adecuadas.He usado análisis de eventos, pero aplicado a eventos regulatorios en lugar de eventos de máquinas.En ese contexto, es importante no concentrarse demasiado en el tiempo real del evento, ya que los "eventos" reglamentarios a menudo se anticipan en gran medida.Cuando ocurre un "evento" político que no está previsto, entonces el enfoque de la variable indicadora tiene más sentido.Sospecharía que los eventos de la máquina son más discretos, pero aún depende de la naturaleza de esos "eventos".

Re: ¿Cómo tener en cuenta los eventos correctamente en un modelo?

Hola Dale,

Gracias por su respuesta. Intentaré ser más explícito.

 

Tengo un proceso de soldadura láser que estoy tratando de modelar. Durante los últimos 3 años, he realizado más de 25 DoE en nuestra máquina con materiales de varios grados y espesores. Reuní todo este conocimiento y experiencia para crear un modelo de soldadura para preajustar correctamente la máquina.

 

Durante estos 3 años, la máquina siguió evolucionando tecnológicamente a pequeños pasos. En diferentes momentos, se han producido cambios (por ejemplo, en el diseño), que pueden afectar (o no) el fenómeno de la soldadura por láser. Por lo tanto, no todas las pruebas se realizaron en las mismas condiciones. Me gustaría tenerlos en cuenta para evaluar su impacto y, en la medida de lo posible, borrarlos para volver a los efectos de los parámetros puros de soldadura. Así, aunque los hechos sean puntuales, sus efectos son persistentes en el tiempo. Es por eso que estaba hablando de antes y después. Estoy de acuerdo con tener en cuenta los efectos en la forma 0/1 (0: efecto no existe, 1: efecto existe).

 

Así, con el tiempo podríamos tener:

............................T1................................. T2..................................................

-------------------------------------------------- -------------------------------

R: 0000000000001111111111111111111111111111111111111111

B: 000000000000000000000000001111111111111111111111111

 

Antes de T1, las pruebas son independientes de los efectos de los eventos A y B. Después de T1, se debe tener en cuenta el efecto del evento A en las pruebas. Después de las fechas T1 y T2, se deben tener en cuenta los efectos de A y B. Las fechas no son importantes en sí mismas, son los efectos de A, B, etc. los que me interesan y que me gustaría evaluar.

Re: ¿Cómo tener en cuenta los eventos correctamente en un modelo?

Si los eventos son en cierto sentido "iguales", simplemente registraría la cantidad de eventos que se aplican en cada momento.Sin embargo, parece probable que cada evento tenga sus propias características distintivas.Esto significaría que necesita una función más compleja que reconozca la serie de efectos presentes en cada momento.Puede crear una variable de este tipo concatenando todos los datos de eventos 0/1 en cada punto de tiempo; sin embargo, sospecho que no tiene suficientes datos para modelar la gran cantidad de características que resultarían.Creo que la clave para reducir la cantidad de funciones radica en el hecho de que los eventos son acumulativos, es decir, se agregan a los eventos anteriores.Si está dispuesto a preocuparse solo por la cantidad de eventos (volviendo a mi primer punto), entonces sería simplemente la cantidad de eventos en cada punto de tiempo.Es posible que pueda identificar algunos eventos "clave" que son diferentes o más importantes que los demás y usar variables indicadoras para esos eventos clave, junto con el número acumulado de eventos en cada momento.

 

Alguien más puede tener una mejor sugerencia para este tipo de datos.No he trabajado con nada como esto.

Re: ¿Cómo tener en cuenta los eventos correctamente en un modelo?

Hola @stephanegeorges ,

 

Si desea agregar todos los datos del DoE que ha recopilado en este equipo, pero registrar los posibles cambios en la configuración de la máquina (entre DoE/períodos de tiempo), puede introducir una nueva columna como "cambio" o "configuración" ( categórico por defecto, a menos que tenga más información para caracterizar con mayor precisión los cambios en la configuración a través de valores continuos numéricos), y para cada DoE o período de tiempo, indique en qué condición se ejecutó.
Ejemplo: DoEs 1 a 14 en la configuración "A" (configuración inicial del equipo), luego DoEs 15 a 20 en "B", 20 a 24 en "C"...

Veo dos opciones para la modelización/análisis dependiendo de cómo desee configurar este parámetro de "cambio" en su modelo (ya sea como un efecto fijo o un efecto aleatorio):
- Si solo tiene cambios limitados que son reproducibles (y no es posible realizar otros cambios de configuración futuros), puede tratar esta nueva columna como un efecto fijo en su análisis. Luego puede analizarlo a través de "Ajustar mínimos cuadrados", "Paso a paso" o "Regresión generalizada" (JMP Pro) con sus otros efectos, y tendrá estimaciones sobre cada nivel de cambios posibles que haya alcanzado, por lo que estará capaz de cuantificar con bastante precisión el impacto de los cambios en la(s) respuesta(s) (cómo un cambio de configuración de A a B aumentará/disminuirá la(s) respuesta(s) por ejemplo).
- Si estos cambios son solo una pequeña parte de los cambios posibles (y futuros) en el equipo y, por lo tanto, está más interesado en saber si un cambio en la configuración del equipo ha creado un cambio en la varianza, puede tratar esta nueva columna como una columna aleatoria. efecto y analice sus resultados a través de un "Modelo Mixto" o "Modelo Mixto Generalizado" (JMP Pro) indicando que esta variable es un efecto aleatorio. Luego, JMP le proporcionará un análisis REML (análisis de varianza para saber si este efecto aleatorio es significativo, es decir, verificar si hay un cambio significativo en la varianza cuando se cambia la configuración).

Hubo una discusión interesante sobre efectos fijos versus aleatorios aquí: https://community.jmp.com/t5/Discussions/Random-vs-Fixed-Blocking-Factor-in-DOE/td-p/461632?trMode=source

 

Este podría ser un primer enfoque en el análisis antes de pasar a un modelado más complejo si/cuando sea necesario.

Espero que esto te traiga una nueva idea para el análisis

Re: ¿Cómo tener en cuenta los eventos correctamente en un modelo?

Mis pensamientos...

1. ¿Por qué se hicieron los cambios en las máquinas? ¿Sus "numerosos" experimentos anteriores indicaron que estos cambios deberían hacerse? ¿Se pueden deshacer los cambios? ¿Tuvieron los cambios un efecto lo suficientemente significativo como para cambiar el "sistema"?

2. Si estos cambios tienen un efecto, entonces las relaciones de sus otros factores, desarrolladas antes de los cambios, pueden ser completamente diferentes. Si hay alguna interacción de los factores de diseño con los cambios realizados, es posible que no sea útil usar los datos antes de los cambios (a menos que esté dispuesto a volver a cambiar).En esencia, es posible que haya cambiado el espacio de inferencia y las relaciones anteriores pueden no ser útiles en absoluto. En cuyo caso, adelante...

3. Podría intentar crear una columna que codifique los cambios en la secuencia de tiempo (1, 2, 3...) y hacer un modelo de ajuste por esa columna ¿Son consistentes los efectos de los factores sobre esos cambios?

Re: ¿Cómo tener en cuenta los eventos correctamente en un modelo?

Hola Dale,

Mis eventos no son de hecho de igual importancia. Intuitivamente, algunos pueden afectar poco mi respuesta y otros un poco más. Después de algunas pruebas, tener en cuenta la cantidad de eventos solo no ayuda ... pero fue un gran punto y valió la pena probarlo.

Gracias por su apoyo.

Re: ¿Cómo tener en cuenta los eventos correctamente en un modelo?

Hola Víctor,
Originalmente había introducido varias columnas porque no creía que una columna pudiera representar la situación debido a la naturaleza acumulativa de los efectos. Sin embargo, procedí como me aconsejaron (con sus anotaciones):
DoE_01 A <= situación inicial
DoE_02 A
...
DoE_10 A
Se agrega DoE_11 A+B <= B (efecto que considero limitado pero significativo)
DoE_12 A+B
...
DoE_16 A+B+C <= C se agrega a A y B (mismo comentario)
...
Introduje la nueva columna como un efecto fijo y procedí, por el momento (necesito revisar en detalle sus otras sugerencias), con un análisis simple usando "Ajustar mínimos cuadrados". Con esta técnica, no son directamente los valores de cada modalidad los que interesan, sino las magnitudes de los cambios entre A y (A+B) (para obtener el efecto de , entre (A+B) y (A +B+C) (para conseguir el efecto de C), etc. Por supuesto, si hay interacciones entre los eventos, esta técnica no funciona (considero que no tiene ninguna como primera aproximación).
Por ahora, el perfilador muestra resultados consistentes:
- los cambios + o - en la columna de eventos en la respuesta son al menos físicamente explicables
- los parámetros X1, X2, etc que gobiernan el proceso, corregidos por estos pequeños efectos, también son más consistentes.
¡Esta es una excelente noticia! ... incluso si, no lo sé, pero hay algo que me molesta sobre la naturaleza acumulativa de los efectos. No puedo precisarlo, pero no estoy seguro de estar tomándolo en cuenta correctamente de esta manera.
No obstante, muchas gracias por tu ayuda.