514783_fr-FR

liliconcom

DOE de conception de dépistage définitif pour un grand nombre de facteurs

Chers experts JMP,

Je fais un DOE de conception à double lentille pour coupler les lumières dans un réseau de fibres. Mon objectif est d'examiner le rendement du système en tenant compte à la fois des tolérances de fabrication et du décentrage et de l'inclinaison des deux lentilles. J'ai 15 facteurs et 4 réponses dans le DOE. Les 4 réponses CE1, CE2, CE3 et CE4 correspondent au rendement de couplage de chaque fibre du réseau de fibres.

J'ai essayé d'utiliser le Definitive Screening Design pour effectuer le dépistage initial en raison de son avantage unique par rapport au plan factoriel fractionnaire traditionnel.Comme on peut le voir à partir des données de simulation, la différence entre CE1 et CE4 devrait être négligeable et la différence entre CE2 et CE3 devrait être négligeable. Cependant, le dépistage DSD me donne une collection différente de facteurs statistiquement significatifs pour les quatre réponses.

Surtout pour le facteur de l1_tilt_y, je savais pertinemment que c'est un facteur dominant pour la réponse de CE1 et CE4 et qu'il a une relation non linéaire pour les deux réponses, mais le dépistage DSD ne peut même pas capter cela pour CE4.

Le fichier de rapport JMP avec tableau de données intégré est joint.

Pouvez-vous s'il vous plaît partager avec moi votre pensée?

Merci.

Cordialement,

Éric

Conception d'expériencesObjet : DOE de conception de dépistage définitif pour un grand nombre de facteurs

J'ai supprimé mes commentaires sur les stratégies non DSD pour les données de simulation parce que j'ai vu que d'autres avaient fait le même point ... bien que j'exécute souvent mes expériences contre un simulateur avant de le faire dans la vraie vie, c'est peut-être ce que vous faisiez ?

Objet : DOE de conception de dépistage définitif pour un grand nombre de facteurs

Vous pouvez envisager d'utiliser des "conceptions de remplissage d'espace" pour collecter les réponses à partir de simulations informatiques. De plus, tout ce que vous voulez, c'est un interpolateur pour une prédiction rapide, pas pour évaluer l'importance des facteurs. (Il vous suffit de regarder le code de simulation pour voir l'importance et la relation.) JMP fournit la plate-forme Gaussian Process pour la modélisation des données de simulation informatique.

Objet : DOE de conception de dépistage définitif pour un grand nombre de facteurs

Bonjour @hanyu119 ,

D'autres membres de la communauté ont apporté beaucoup de notions très importantes, comme la gestion du bruit dans DoE.

Si vous exécutez une expérience de simulation avec des effets non linéaires, peut-être qu'une conception de remplissage d'espace répondrait à vos besoins : vous pourrez adapter de nombreux modèles différents à travers les points de construction et gérer les effets non linéaires grâce à différentes techniques d'analyse. (Méthodes arborescentes, réseaux de neurones, SVM, etc... en fonction du type de réponse). Je suis cependant un peu sceptique quant au nombre de facteurs que vous avez (15) et au nombre d'expériences que ce type de conception générera avec autant de facteurs (pour 15 facteurs, JMP recommande par défaut 150 exécutions avec différentes conceptions Space-Filling) . Peut-être que le nombre d'exécutions n'est pas si important pour vous, puisque vous n'utilisez pas de matériaux/ressources (c'est seulement une expérience de calcul/simulation) ?

Ce quiz JMP serait un bon point de départ pour avoir une première recommandation sur le type de design à essayer en premier : Quiz DOE (jmp.com)

En espérant que cela vous aidera dans votre expérience de réflexion et de simulation,

Objet : DOE de conception de dépistage définitif pour un grand nombre de facteurs

À moins que l'exécution de la simulation ne prenne beaucoup de temps, vous pouvez tout aussi bien exécuter des factorielles complètes avec autant de niveaux que vous le souhaitez. Bien sûr, le problème est le bruit... vous ne savez pas comment vous simulez cela ? En fait, je ne comprends pas pourquoi vous feriez des expériences de simulation. L'algorithme est déjà connu dans le logiciel. L'ordre du modèle est déjà connu.Si les variables (ou leurs composants non linéaires) ne sont pas dans l'algorithme, elles ne peuvent pas affecter la réponse de l'algorithme.

Dans les expériences du monde réel, nous construisons des modèles dans l'ordre hiérarchique en utilisant les principes fondamentaux de parcimonie, de hiérarchie et d'hérédité. En règle générale, nous commençons par déterminer les effets principaux linéaires et ajoutons une hiérarchie à mesure que l'espace d'expérience se rapproche de ce que nous considérons comme optimal. Ce travail est toujours séquentiel et itératif. Ne dépensez pas beaucoup de temps et d'argent à vous renseigner sur des facteurs sans importance à des niveaux moins qu'optimaux. Les conceptions de point central sont efficaces pour tester la courbure à l'intérieur de l'espace d'expérience.

Objet : DOE de conception de dépistage définitif pour un grand nombre de facteurs

Cette expérience fonctionne entièrement par simulation. C'est une conception conceptuelle. Je n'ai pas de produit réel pour vérifier la simulation. Cela dit, la simulation devrait être assez précise car il s'agit d'une conception très simple.

De toute évidence, le modèle DSD n'est pas adéquat. Et ensuite ?

Disons que vous avez 15 facteurs pour commencer un DOE de dépistage, vous savez que la réponse est non linéaire avec certains des facteurs. Comment allez-vous aborder ce problème ?

Merci.

Objet : DOE de conception de dépistage définitif pour un grand nombre de facteurs

Je suis confus par votre déclaration: " J'ai validé mes données avec la simulation et toutes les données sont réelles.". Comment pouvez-vous éventuellement valider les données réelles avec la simulation ? Cette expérience est-elle entièrement gérée par simulation ?  

 

Il existe deux éléments inhabituels distincts de votre situation :

1. Il peut y avoir des points de données inhabituels pour chaque traitement, tels qu'identifiés par l'analyse multivariée (ceux-ci sont probablement influencés par le bruit). Votre DSD n'a aucune stratégie pour gérer le bruit (blocage, répétitions, split-plots, etc.). Je vous suggère de passer un peu de temps à comprendre le bruit.

2. Le modèle n'est pas adéquat (ceci est identifié par les problèmes résultants avec les résidus comme le souligne Mark). Il y a des moments où le modèle ne fait pas un très bon travail pour prédire les résultats. Pourquoi? C'est là que votre enquête devrait se diriger.

Objet : DOE de conception de dépistage définitif pour un grand nombre de facteurs

C'est une belle trouvaille Marc ! Je ne fais jamais trop attention aux tracés des résidus des effets principaux, maintenant je sais comment les utiliser.

J'ai validé mes données de simulation et toutes ces valeurs aberrantes semblent être réelles, donc je ne peux pas vraiment les supprimer de mon DOE.

Quelle est la prochaine étape sensée que vous recommandez ?

Existe-t-il une approche de dépistage plus fiable que vous pouvez partager avec moi ?

Merci.

 

Objet : DOE de conception de dépistage définitif pour un grand nombre de facteurs

Le multivarié est une excellente méthode pour détecter les valeurs aberrantes. Merci d'avoir partagé!

J'ai validé mes données avec la simulation et toutes les données sont réelles.

Rangée 15 & Rangée 16 : puisque l1_tilt y est le facteur le plus dominant dans le système, lorsque l1_tilt_y est égal à 0, ce qui est le cas pour les rangées 15 et 16, l'efficacité de couplage de CE1 et CE4 devient très élevée par rapport aux autres exécutions. C'est pourquoi JMP pense qu'il s'agit de valeurs aberrantes.

Rangée 37 est le point central. Encore une fois, puisque l1_tilt_y est 0, CE1 et CE4 sont élevés.

Rangée 14 est un cas particulier. j'ai revérifié mon simulation et cela a du sens, donc je ne peux pas non plus supprimer ce point.

Sur cette base, cela signifie-t-il que DSD n'est pas la bonne approche à utiliser pour ce cas spécifique ?

Quelle est la prochaine étape sensée que vous recommandez ?

Merci.

Objet : DOE de conception de dépistage définitif pour un grand nombre de facteurs

Tout comme Mark l'a découvert, il existe des points de données inhabituels. Ceux-ci peuvent être dus au bruit plutôt qu'aux effets du traitement.

 

Objet : DOE de conception de dépistage définitif pour un grand nombre de facteurs

Vous avez des observations inhabituelles pour les CE1 et CE4. Les résidus sont inhabituels. Voici par exemple le début des tracés pour le CE1 :

Ces observations peuvent avoir une influence inhabituellement élevée sur les estimations des paramètres du modèle et, par conséquent, l'hypothèse vérifie que les estimations ne sont pas nulles.

Objet : DOE de conception de dépistage définitif pour un grand nombre de facteurs

Cher Statman,

Merci beaucoup d'avoir partagé votre pensée.

J'ai rattaché le bon fichier de rapport JMP avec le tableau de données intégré. Pouvez-vous s'il vous plaît jeter un coup d'œil?

Comme vous pouvez le voir, la réponse de CE1 et CE4 n'est pas très différente, mais JMP donne en quelque sorte un résultat de dépistage différent. Cela n'a pas de sens pour moi.

Quelle est votre opinion à ce sujet ?

Merci.

Objet : DOE de conception de dépistage définitif pour un grand nombre de facteurs

Cher Mark,

Merci beaucoup pour la réponse rapide.

Excusez-vous d'avoir joint le mauvais fichier JMP.

J'ai joint un fichier de rapport JMP avec la table de données intégrée.

J'espère que ça va maintenant.

Hâte d'entendre votre pensée.

Acclamations.

 

Objet : DOE de conception de dépistage définitif pour un grand nombre de facteurs

Les points de Mark sont valides. Quelques réflexions supplémentaires : Avant d'analyser les relations entre les facteurs et les réponses, regardez les variables de réponse. Les valeurs sont-elles raisonnables ? Ont-ils un sens ? La variation des variables de réponse était-elle pratiquement significative ? Regardez les relations multivariées (Analyze>Multivariate Methods>Multivariate). Les relations/corrélations ont-elles un sens ? Je recommande toujours que les expérimentateurs prédisent les données avant d'exécuter l'expérience pour établir le contexte des résultats. La capacité à déterminer les relations peut être affectée par la quantité de variation capturée dans l'étude.

Objet : DOE de conception de dépistage définitif pour un grand nombre de facteurs

La table de données que vous avez fournie contient les colonnes de conception mais pas de données de réponse. L'évaluation de la conception est comme prévu. L'évaluation du modèle n'est cependant pas possible.

 

Je ne connais pas cette conception d'objectif, mais j'ai souvent rencontré des idées préconçues sur ce qui était ou n'était pas connu de l'expérience précédente. Beaucoup de ces situations étaient basées sur des histoires anecdotiques qui n'étaient pas réellement vérifiables ou examinées avec une approche statistique. Je ne suis donc pas encore inquiet que le résultat vous ait surpris. Voyons tout de même ce que nous pouvons faire pour régler le problème.