481631_fr-FR

liliconcom

Comment prendre en compte correctement les événements dans un modèle ?

Bonjour à tous,
Je souhaiterais vous consulter pour une modélisation.

J'ai un processus avec une réponse Y et des paramètres X1, X2, X3, etc.
L'analyse du processus s'est déroulée sur une longue période de 3 ans. Je souhaite maintenant rassembler toutes les données pour analyser le processus dans son ensemble. Le problème est que la machine associée au procédé a connu quelques évolutions et même quelques aléas durant ces 3 années. Tous ont été identifiés comme Evt_A, Evt_B, Evt_C à une date précise. Afin d'obtenir une bonne modélisation de Y, j'aimerais prendre en compte non seulement les paramètres X1, X2, X3, etc. mais aussi les événements A, B, C, etc. pour savoir s'ils ont eu une réelle influence et quantifier leurs influences. Pour l'instant, j'ai introduit les événements sous forme de colonnes catégorielles avec les valeurs -1 et +1, -1 signifiant "avant l'événement" et +1 "après l'événement".

Je me pose les questions suivantes :
1. Est-ce la seule façon de procéder ?
2. Est-ce la bonne façon de procéder ?
3. Comment introduire correctement ces événements dans la plateforme Fit Model ? Dois-je utiliser des attributs spécifiques ? Des interactions sont-elles possibles ?

Je vous remercie d'avance pour toute l'aide que vous pourrez m'apporter.
Sincèrement,
Stéphane GEORGES

Études de consommation et de marchéIngénierie Qualité et ProcédésAnalyse de fiabilitéRe : Comment bien prendre en compte les événements dans un modèle ?

Une question que je me pose est de savoir si les événements sont tous différents ou peuvent-ils être agrégés ?Personnellement, je coderais les événements comme (0,1) et s'ils peuvent être traités de la même manière, alors l'événement peut être réduit à une seule variable indiquant s'il s'agissait d'une heure d'événement ou non.S'ils sont tous différents, je suppose que vous avez besoin de variables indicatrices différentes pour chaque événement.Une autre question est de savoir si l'événement est limité au moment où il se produit, ou si des périodes de temps avant ou après l'événement sont susceptibles d'être influencées par l'événement.En d'autres termes, si la proximité de l'heure de l'événement compte, alors je coderais toutes les périodes de temps en fonction de leur distance par rapport à l'heure de l'événement (par exemple -3, -2, -1, 0, 1,2,3) .Si vous pouvez fournir plus de détails sur la nature des événements et leurs effets, alors je pense qu'il serait plus facile de discuter des choix de modélisation appropriés.J'ai utilisé l'analyse d'événements - mais appliquée aux événements réglementaires plutôt qu'aux événements machine.Dans ce contexte, il est important de ne pas trop se concentrer sur l'heure réelle de l'événement, car les « événements » réglementaires sont souvent anticipés dans une large mesure.Lorsqu'un « événement » politique qui n'est pas prévu se produit, l'approche de la variable indicatrice prend alors plus de sens.Je soupçonnerais que les événements de la machine sont plus discrets, mais cela dépend toujours de la nature de ces "événements".

Re : Comment bien prendre en compte les événements dans un modèle ?

Salut Dale,

Merci pour votre réponse. Je vais essayer d'être plus explicite.

 

J'ai un processus de soudage au laser que j'essaie de modéliser. Au cours des 3 dernières années, j'ai effectué plus de 25 DoE sur notre machine avec des matériaux de différentes qualités et épaisseurs. J'ai rassemblé toutes ces connaissances et cette expérience afin de créer un modèle de soudage pour bien prérégler la machine.

 

Durant ces 3 années, la machine a continué d'évoluer technologiquement par petites étapes. À différents moments, des changements (par exemple dans la conception) ont eu lieu, affectant potentiellement (ou non) le phénomène de soudage au laser. Ainsi, tous les tests n'ont pas été réalisés dans les mêmes conditions. Je souhaite les prendre en compte afin d'évaluer leur impact et, dans la mesure du possible, les gommer pour revenir aux effets des paramètres de soudage purs. Ainsi, même si les événements sont ponctuels, leurs effets sont persistants dans le temps. C'est pourquoi je parlais d'avant et d'après. Je suis d'accord pour prendre en compte les effets sous la forme 0/1 (0 : l'effet n'existe pas, 1 : l'effet existe).

 

Ainsi, avec le temps, nous pourrions avoir :

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

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

R : 000000000000111111111111111111111111111111111111

B: 0000000000000000000000001111111111111111111111

 

Avant T1, les tests sont indépendants des effets des événements A et B. Après T1, l'effet de l'événement A doit être pris en compte dans les tests. Après les dates T1 et T2, les effets de A et B doivent être pris en compte. Les dates ne sont pas importantes en elles-mêmes, ce sont les effets de A, B, etc. qui m'intéressent et que j'aimerais évaluer.

Re : Comment bien prendre en compte les événements dans un modèle ?

Si les événements sont en quelque sorte "égaux", j'enregistrerais simplement le nombre d'événements qui s'appliquent à chaque instant.Cependant, il semble probable que chaque événement a ses propres caractéristiques distinctes.Cela signifierait que vous avez besoin d'une fonctionnalité plus complexe qui reconnaît la série d'effets présents à chaque instant.Vous pouvez créer une telle variable en concaténant toutes les données d'événement 0/1 à chaque instant - cependant, je soupçonne que vous n'avez pas assez de données pour modéliser le grand nombre de fonctionnalités qui en résulteraient.Je pense que la clé pour réduire le nombre de fonctionnalités réside dans le fait que les événements sont cumulatifs, c'est-à-dire qu'ils s'ajoutent aux événements précédents.Si vous êtes prêt à ne vous soucier que du nombre d'événements (pour en revenir à mon premier point), il s'agirait simplement du nombre d'événements à chaque instant.Vous pourrez peut-être identifier quelques événements "clés" qui sont différents/plus importants que les autres et utiliser des variables indicatrices pour ces événements clés - en conjonction avec le nombre cumulé d'événements à chaque instant.

 

Quelqu'un d'autre peut avoir une meilleure suggestion pour ce type de données.Je n'ai jamais travaillé avec quelque chose comme ça.

Re : Comment bien prendre en compte les événements dans un modèle ?

Bonjour @stephaneorges ,

 

Si vous souhaitez agréger toutes les données de DoE que vous avez collectées sur cet équipement, mais enregistrer les modifications potentielles des paramètres de la machine (entre DoE/périodes), il peut être possible d'introduire une nouvelle colonne comme "modifier" ou "paramètre" ( catégorique par défaut, sauf si vous avez plus d'informations pour caractériser plus précisément les changements de paramètres par des valeurs numériques continues), et pour chaque DoE ou période de temps, indiquez dans quelle condition il a été exécuté.
Exemple : DoEs 1 à 14 en réglage "A" (réglages initiaux de l'équipement), puis DoEs 15 à 20 en "B", 20 à 24 en "C"...

Je vois deux options pour la modélisation/analyse selon la façon dont vous souhaitez définir ce paramètre de "changement" dans votre modèle (soit en tant qu'effet fixe, soit en tant qu'effet aléatoire) :
- Si vous n'avez que des changements limités qui sont reproductibles (et aucun autre changement de paramètres futur possible), vous pouvez traiter cette nouvelle colonne comme un effet fixe dans votre analyse. Ensuite, vous pouvez l'analyser via "Fit Least Squares", "Stepwise" ou "Generalized Regression" (JMP Pro) avec vos autres effets, et vous aurez des estimations sur chaque niveau de changements possibles que vous avez rencontrés, vous serez donc capable de quantifier assez précisément l'impact des changements sur la ou les réponses (comment un changement de paramètre de A à B augmentera/diminuera la ou les réponses par exemple).
- Si ces changements ne sont qu'une petite partie des changements possibles (et futurs) sur l'équipement, et que vous êtes donc plus intéressé à savoir si un changement de réglage de l'équipement a créé un changement de variance, vous pouvez traiter cette nouvelle colonne comme un aléa effet et analysez vos résultats au travers d'un "Modèle Mixte" ou d'un "Modèle Mixte Généralisé" (JMP Pro) en indiquant que cette variable est un effet aléatoire. Ensuite, JMP vous fournira une analyse REML (analyse de variance pour savoir si cet effet aléatoire est significatif, c'est-à-dire vérifier s'il y a un changement significatif de variance lorsque les paramètres sont modifiés).

Il y a eu une discussion intéressante sur les effets fixes et aléatoires ici : https://community.jmp.com/t5/Discussions/Random-vs-Fixed-Blocking-Factor-in-DOE/td-p/461632?trMode=source

 

Cela pourrait être une première approche d'analyse avant d'entrer dans une modélisation plus complexe si/quand cela est nécessaire.

J'espère que cela vous apportera de nouvelles idées d'analyse

Re : Comment bien prendre en compte les événements dans un modèle ?

Mes pensées...

1. Pourquoi les modifications ont-elles été apportées aux machines ? Vos "nombreuses" expériences précédentes ont-elles indiqué que ces changements devaient être apportés ? Les modifications peuvent-elles être annulées ? Les changements ont-ils eu un effet suffisamment significatif pour changer le « système » ?

2. Si ces changements ont un effet, alors les relations de vos autres facteurs, développées avant les changements, peuvent être complètement différentes. S'il y a une interaction des facteurs de conception avec les modifications apportées, l'utilisation des données avant les modifications peut ne pas être utile (à moins que vous ne souhaitiez revenir en arrière).Essentiellement, vous avez peut-être modifié l'espace d'inférence et les relations précédentes peuvent ne pas être utiles du tout. Dans ce cas, passez votre chemin...

3. Je pourrais essayer de créer une colonne codant les changements au cours de la séquence temporelle (1, 2, 3 ...) et d'adapter le modèle par cette colonne. Les effets des facteurs sont-ils cohérents au cours de ces changements ?

Re : Comment bien prendre en compte les événements dans un modèle ?

Salut Dale,

Mes événements ne sont en effet pas d'égale importance. Intuitivement, certains peuvent affecter peu ma réponse et d'autres un peu plus. Après quelques tests, la seule prise en compte du nombre d'événements n'aide pas... mais c'était un super point et ça valait la peine d'être testé.

Merci pour votre aide.

Re : Comment bien prendre en compte les événements dans un modèle ?

Salut Viktor,
J'avais initialement introduit plusieurs colonnes car je ne pensais pas qu'une seule colonne pouvait représenter la situation en raison de la nature cumulative des effets. Néanmoins, j'ai procédé comme conseillé (avec vos notations):
DoE_01 A <= situation initiale
DoE_02 A
...
DoE_10 A
DoE_11 A+B <= B est ajouté (effet que je considère limité mais significatif)
DoE_12 A+B
...
DoE_16 A+B+C <= C est ajouté à A et B (même remarque)
...
J'ai présenté la nouvelle colonne comme un effet fixe et j'ai procédé, pour le moment (je dois revoir en détail vos autres suggestions), avec une analyse simple utilisant "Fit Least Squares". Avec cette technique, ce ne sont pas directement les valeurs de chaque modalité qui nous intéressent, mais les grandeurs des changements entre A et (A+B) (pour obtenir l'effet de , entre (A+B) et (A +B+C) (pour obtenir l'effet de C), etc. Bien sûr, s'il y a des interactions entre les événements, cette technique ne fonctionne pas (je considère ne pas en avoir en première approximation).
Pour l'instant, le profileur affiche des résultats cohérents :
- les changements + ou - dans la colonne événement de la réponse sont au moins physiquement explicables
- les paramètres X1, X2, etc qui régissent le procédé, corrigés de ces petits effets, sont également plus cohérents.
C'est une excellente nouvelle ! ... même si, je ne sais pas, mais il y a quelque chose qui me dérange dans le caractère cumulatif des effets. Je n'arrive pas à mettre le doigt dessus, mais je ne suis pas sûr d'en tenir compte correctement de cette façon.
Néanmoins, un grand merci pour votre aide.

Re : Comment bien prendre en compte les événements dans un modèle ?

Salut @stephaneorges ,

Idéal si cette solution peut vous aider à comprendre les impacts possibles des événements sur vos différentes réponses.

La troisième idée de @statman est également très intéressant : si vous analysez et créez un modèle pour chaque sous-ensemble de votre ensemble de données DoE réalisé dans les mêmes conditions (analysez les réponses faites avec le même paramètre A, puis créez un modèle pour le paramètre A+B, puis pour le paramètre A+ B+C...), vos facteurs ont-ils un impact identique ou similaire sur votre réponse selon les paramètres ? Les estimations sont-elles "suffisamment proches" ou constatez-vous un changement d'amplitude et/ou de signe (effets contraires selon le contexte par exemple ?) dans les estimations ?
Vous pouvez comparer chacun de vos modèles avec le "grand" modèle avec "réglage" à effet fixe, pour voir comment les deux types de modèles se comportent et ce qui vous semble physiquement le plus logique.
Et enfin, vous pouvez également essayer de modéliser le "changement de paramètre" comme un effet aléatoire, que vous pouvez comparer avec les deux types de modèles précédents, ce qui devrait vous donner un bon aperçu de la modélisation de ce qui est possible en tant que premières données. analyse/découverte.

S'amuser !

Re : Comment bien prendre en compte les événements dans un modèle ?

Salut statman,

Merci beaucoup pour votre réponse.

1. Concernant les modifications, elles étaient nécessaires du point de vue mécanique pour améliorer la machine à souder. Pour mon plus grand malheur :-), elles sont irréversibles. Pour certains changements, il est raisonnable de penser qu'ils affectent légèrement le processus. L'enjeu est de quantifier ce "légèrement".

2. Je suis entièrement d'accord avec vous. Malheureusement, tous ces tests sont coûteux (en temps et en énergie) et il n'est pas raisonnable d'envisager de les refaire. J'essaie de faire au mieux avec les données disponibles, en essayant d'effacer au maximum les effets indésirables afin d'obtenir un modèle "erroné mais utile".

3. Je dois essayer votre suggestion. Merci beaucoup pour l'idée

Re : Comment prendre en compte correctement les événements dans un modèle ?

La description du problème est étonnamment similaire à celle que Croissance de la fiabilité tente de résoudre. Cliquez sur le lien pour consulter le schéma d'introduction dans la documentation. Ce schéma illustre un long processus de conception, d'amélioration et de test comprenant trois phases : initiale, révisée et finale. Deux modifications de conception ont été apportées au système : les points de transition entre les phases consécutives.

Les données enregistrent le temps jusqu'à l'événement, où les événements dans l'exemple sont des pannes du système. Le modèle résultant peut donc décrire les changements de taux de panne d'une phase à l'autre.

Les événements peuvent être associés à leur gravité. Par exemple, le coût de réparation en cas de panne peut représenter la gravité. Dans ce cas, le modèle résultant peut décrire l'évolution des coûts de maintenance d'une phase à l'autre.

Veuillez jeter un œil à l’outil et nous faire savoir s’il peut résoudre votre problème.