481631_de-DE

liliconcom

Wie berücksichtigt man Ereignisse richtig in einem Modell?

Hallo zusammen,
Ich berate Sie gerne für eine Modellierung.

Ich habe einen Prozess mit einer Antwort Y und Parametern X1, X2, X3 usw.
Die Analyse des Prozesses erfolgte über einen langen Zeitraum von 3 Jahren. Ich möchte jetzt alle Daten sammeln, um den Prozess als Ganzes zu analysieren. Das Problem ist, dass die mit dem Prozess verbundene Maschine in diesen 3 Jahren einige Veränderungen und sogar einige Gefahren erfahren hat. Alle wurden zu einem bestimmten Zeitpunkt als Evt_A, Evt_B, Evt_C identifiziert. Um eine gute Modellierung von Y zu erhalten, möchte ich nicht nur die Parameter X1, X2, X3 usw. berücksichtigen, sondern auch die Ereignisse A, B, C usw., um zu wissen, ob sie einen echten Einfluss hatten und ihre Einflüsse zu quantifizieren. Ich habe die Ereignisse vorerst als kategoriale Spalten mit den Werten -1 und +1 eingeführt, wobei -1 "vor dem Ereignis" und +1 "nach dem Ereignis" bedeutet.

 

Ich stelle mir folgende Fragen:
1. Ist dies der einzige Weg, um fortzufahren?
2. Ist dies der richtige Weg?
3. Wie fügt man diese Ereignisse korrekt in die Fit Model-Plattform ein? Soll ich bestimmte Attribute verwenden? Sind Wechselwirkungen möglich?

 

Ich danke Ihnen im Voraus für alle Hilfe, die Sie mir geben können.
Aufrichtig,
Stéphane GEORGES

AnalytikBetreff: Wie berücksichtigt man Ereignisse richtig in einem Modell?

Eine Frage, die ich habe, ist, ob die Ereignisse alle unterschiedlich sind oder können sie aggregiert werden?Persönlich würde ich die Ereignisse als (0,1) codieren, und wenn sie gleich behandelt werden können, kann das Ereignis auf eine einzige Variable reduziert werden, die angibt, ob es sich um eine Ereigniszeit handelte oder nicht.Wenn sie alle unterschiedlich sind, dann vermute ich, dass Sie für jedes Ereignis unterschiedliche Indikatorvariablen benötigen.Eine andere Frage ist, ob das Ereignis auf den Zeitpunkt beschränkt ist, zu dem es eintritt, oder ob Zeiträume vor oder nach dem Ereigniszeitpunkt durch das Ereignis beeinflusst werden.Mit anderen Worten, wenn die Nähe zur Ereigniszeit wichtig ist, würde ich alle Zeiträume dahingehend codieren, wie weit sie von einer Ereigniszeit entfernt sind (z. B. -3, -2, -1, 0, 1,2,3). .Wenn Sie mehr Details über die Art der Ereignisse und ihre Auswirkungen angeben können, wäre es meiner Meinung nach einfacher, geeignete Modellierungsoptionen zu diskutieren.Ich habe die Ereignisanalyse verwendet - aber eher auf regulatorische Ereignisse als auf Maschinenereignisse angewendet.In diesem Zusammenhang ist es wichtig, sich nicht zu sehr auf den tatsächlichen Ereigniszeitpunkt zu konzentrieren, da regulatorische "Ereignisse" oft in hohem Maße vorweggenommen werden.Wenn ein politisches „Ereignis“ eintritt, das nicht vorhersehbar ist, dann ist der Indikatorvariablen-Ansatz sinnvoller.Ich würde vermuten, dass Maschinenereignisse diskreter sind, aber es hängt immer noch von der Art dieser "Ereignisse" ab.

Betreff: Wie berücksichtigt man Ereignisse richtig in einem Modell?

Hallo Dale,

Vielen Dank für Ihre Antwort. Ich werde versuchen, deutlicher zu sein.

 

Ich habe einen Laserschweißprozess, den ich zu modellieren versuche. In den letzten 3 Jahren habe ich über 25 DoEs auf unserer Maschine mit Materialien verschiedener Qualitäten und Dicken durchgeführt. Ich habe all dieses Wissen und diese Erfahrung gesammelt, um ein Schweißmodell zu erstellen, um die Maschine richtig voreinzustellen.

 

In diesen 3 Jahren hat sich die Maschine technologisch in kleinen Schritten weiterentwickelt. Zu verschiedenen Zeiten haben Änderungen (z. B. im Design) stattgefunden, die möglicherweise das Phänomen des Laserschweißens beeinflussen (oder nicht). Daher wurden nicht alle Tests unter den gleichen Bedingungen durchgeführt. Ich möchte sie berücksichtigen, um ihren Einfluss zu bewerten und soweit wie möglich löschen, um auf die Auswirkungen der reinen Schweißparameter zurückzukommen. Selbst wenn die Ereignisse punktuell sind, sind ihre Wirkungen daher zeitlich anhaltend. Deshalb habe ich von vorher und nachher gesprochen. Ich bin damit einverstanden, dass die Effekte in der Form 0/1 (0: Effekt nicht vorhanden, 1: Effekt vorhanden) berücksichtigt werden.

 

Somit könnten wir mit der Zeit haben:

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

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

A: 00000000000011111111111111111111111111111111111111

B: 0000000000000000000000000111111111111111111111111

 

Vor T1 sind die Tests unabhängig von den Auswirkungen der Ereignisse A und B. Nach T1 muss die Auswirkung von Ereignis A in den Tests berücksichtigt werden. Nach den Terminen T1 und T2 müssen die Auswirkungen von A und B berücksichtigt werden. Die Daten an sich sind nicht wichtig, es sind die Auswirkungen von A, B usw., die mich interessieren und die ich bewerten möchte.

Betreff: Wie berücksichtigt man Ereignisse richtig in einem Modell?

Wenn die Ereignisse in gewissem Sinne "gleich" sind, würde ich einfach die Anzahl der Ereignisse aufzeichnen, die zu jedem Zeitpunkt zutreffen.Es scheint jedoch wahrscheinlich, dass jedes Ereignis seine eigenen Besonderheiten hat.Dies würde bedeuten, dass Sie eine komplexere Funktion benötigen, die die Reihe von Effekten erkennt, die zu jedem Zeitpunkt vorhanden sind.Sie können eine solche Variable erstellen, indem Sie alle 0/1-Ereignisdaten zu jedem Zeitpunkt verketten. Ich vermute jedoch, dass Sie nicht über genügend Daten verfügen, um die große Anzahl von Merkmalen zu modellieren, die sich ergeben würden.Ich denke, der Schlüssel zur Reduzierung der Anzahl der Features liegt in der Tatsache, dass die Ereignisse kumulativ sind – das heißt, sie wurden zu früheren Ereignissen hinzugefügt.Wenn Sie bereit sind, sich nur um die Anzahl der Ereignisse zu kümmern (zurück zu meinem ersten Punkt), dann wäre es einfach die Anzahl der Ereignisse zu jedem Zeitpunkt.Möglicherweise können Sie einige „Schlüsselereignisse“ identifizieren, die anders/wichtiger sind als die anderen, und Indikatorvariablen für diese Schlüsselereignisse verwenden – in Verbindung mit der kumulativen Anzahl von Ereignissen zu jedem Zeitpunkt.

 

Jemand anderes hat vielleicht einen besseren Vorschlag für diese Art von Daten.Mit sowas habe ich noch nicht gearbeitet.

Betreff: Wie berücksichtigt man Ereignisse richtig in einem Modell?

Hallo @stephanegeorges ,

 

Wenn Sie alle DoE-Daten, die Sie zu diesem Gerät gesammelt haben, aggregieren möchten, aber die potenziellen Änderungen der Maschineneinstellungen (zwischen DoE/Zeiträumen) aufzeichnen möchten, ist es möglicherweise möglich, eine neue Spalte wie "Änderung" oder "Einstellung" ( standardmäßig kategorisiert, es sei denn, Sie haben mehr Informationen, um die Änderungen der Einstellungen durch fortlaufende numerische Werte genauer zu charakterisieren), und geben Sie für jedes DoE oder jeden Zeitraum an, unter welchen Bedingungen es ausgeführt wurde.
Beispiel : DoEs 1 bis 14 bei Einstellung „A“ (Erstausstattung), dann DoEs 15 bis 20 bei „B“, 20 bis 24 bei „C“...

Ich sehe zwei Optionen für die Modellierung / Analyse, je nachdem, wie Sie diesen "Änderungs" -Parameter in Ihrem Modell festlegen möchten (entweder als festen Effekt oder als zufälligen Effekt):
- Wenn Sie nur begrenzte Änderungen haben, die reproduzierbar sind (und keine anderen zukünftigen Einstellungsänderungen möglich sind), können Sie diese neue Spalte in Ihrer Analyse als festen Effekt behandeln. Dann können Sie es durch „Kleinste Quadrate anpassen“, „Schrittweise“ oder „Verallgemeinerte Regression“ (JMP Pro) mit Ihren anderen Effekten analysieren, und Sie haben Schätzungen über jede Ebene möglicher Änderungen, die Sie getroffen haben, also werden Sie es sein in der Lage, die Auswirkungen von Änderungen auf die Antwort(en) ziemlich genau zu quantifizieren (wie zum Beispiel eine Änderungseinstellung von A nach B die Antwort(en) erhöht/verringert).
- Wenn diese Änderungen nur ein kleiner Teil möglicher (und zukünftiger) Änderungen an der Ausrüstung sind und Sie daher mehr daran interessiert sind zu wissen, ob eine Änderung der Ausrüstungseinstellung eine Änderung der Varianz verursacht hat, können Sie diese neue Spalte als zufällig behandeln Effekt und analysieren Sie Ihre Ergebnisse durch ein „Gemischtes Modell“ oder „Verallgemeinertes gemischtes Modell“ (JMP Pro), indem Sie angeben, dass diese Variable ein zufälliger Effekt ist. Anschließend stellt Ihnen JMP eine REML-Analyse zur Verfügung (Varianzanalyse, um festzustellen, ob dieser Zufallseffekt signifikant ist, d. h. es wird überprüft, ob sich die Varianz bei Änderung der Einstellungen signifikant ändert).

Hier gab es eine interessante Diskussion über feste vs. zufällige Effekte: https://community.jmp.com/t5/Discussions/Random-vs-Fixed-Blocking-Factor-in-DOE/td-p/461632?trMode=source

 

Dies könnte ein erster Ansatz in der Analyse sein, bevor Sie bei Bedarf in eine komplexere Modellierung einsteigen.

Ich hoffe, das bringt Ihnen neue Ideen für die Analyse

Betreff: Wie berücksichtigt man Ereignisse richtig in einem Modell?

Meine Gedanken...

1. Warum wurden die Änderungen an den Maschinen vorgenommen? Haben Ihre vorherigen "zahlreichen" Experimente darauf hingewiesen, dass diese Änderungen vorgenommen werden sollten? Können die Änderungen rückgängig gemacht werden? Hatten die Änderungen eine ausreichend große Auswirkung, um das „System“ zu ändern?

2. Wenn sich diese Änderungen auswirken, dann können die Beziehungen Ihrer anderen Faktoren, die sich vor den Änderungen entwickelt haben, völlig anders sein. Wenn es eine Wechselwirkung zwischen den Gestaltungsfaktoren und den vorgenommenen Änderungen gibt, ist es möglicherweise nicht sinnvoll, die Daten vor den Änderungen zu verwenden (es sei denn, Sie sind bereit, die Änderung rückgängig zu machen).Im Wesentlichen haben Sie möglicherweise den Inferenzraum geändert, und die vorherigen Beziehungen sind möglicherweise überhaupt nicht nützlich. In diesem Fall weitermachen...

3. Ich könnte versuchen, eine Spalte zu erstellen, die die Änderungen über die Zeitsequenz (1, 2, 3 ...) codiert, und ein Anpassungsmodell zu erstellen von diese Spalte. Sind die Faktoreffekte über diese Änderungen konsistent?

Betreff: Wie berücksichtigt man Ereignisse richtig in einem Modell?

Hallo Dale,

Meine Ereignisse sind in der Tat nicht von gleicher Bedeutung. Intuitiv können einige meine Antwort wenig beeinflussen und andere etwas mehr. Nach einigen Tests hilft es nicht, die Anzahl der Ereignisse allein zu berücksichtigen ... aber es war ein großartiger Punkt und einen Test wert.

Danke für deine Unterstützung.

Betreff: Wie berücksichtigt man Ereignisse richtig in einem Modell?

Hallo Victor,
Ich hatte ursprünglich mehrere Säulen eingeführt, weil ich aufgrund der kumulativen Natur der Effekte nicht der Meinung war, dass eine Säule die Situation darstellen könnte. Trotzdem bin ich wie empfohlen vorgegangen (mit Ihren Notationen):
DoE_01 A <= Ausgangssituation
DoE_02 A
...
DoE_10 A
DoE_11 A+B <= B wird hinzugefügt (Effekt, den ich für begrenzt, aber signifikant halte)
DoE_12 A+B
...
DoE_16 A+B+C <= C wird zu A und B hinzugefügt (gleiche Bemerkung)
...
Ich habe die neue Spalte als festen Effekt eingeführt und vorerst (ich muss Ihre anderen Vorschläge im Detail überprüfen) mit einer einfachen Analyse mit "Fit Least Squares" fortgefahren. Bei dieser Technik sind nicht direkt die Werte jeder Modalität von Interesse, sondern die Größe der Änderungen zwischen A und (A+B) (um die Wirkung von B zu erhalten), zwischen (A+B) und (A +B+C) (um den Effekt von C zu erhalten) usw. Wenn es Wechselwirkungen zwischen den Ereignissen gibt, funktioniert diese Technik natürlich nicht (ich denke, dass es in erster Näherung keine gibt).
Im Moment zeigt der Profiler konsistente Ergebnisse:
- Die + oder - Änderungen in der Ereignisspalte auf der Antwort sind zumindest physikalisch erklärbar
- Die Parameter X1, X2 usw., die den Prozess steuern, sind ebenfalls konsistenter, korrigiert um diese kleinen Effekte.
Das sind hervorragende Neuigkeiten! ... selbst wenn, ich weiß es nicht, aber es gibt etwas, das mich an der kumulativen Natur der Effekte stört. Ich kann es nicht genau sagen, aber ich bin mir nicht sicher, ob ich es auf diese Weise richtig berücksichtige.
Trotzdem vielen Dank für deine Hilfe.