Conférencier
|
Transcription
|
| Maçon Chen |
Alors, bonjour, je suis Mason, et aujourd'hui je vais présenter le projet de cuisson des boulettes dans lequel nous avons étudié la relation entre la structure des données, la physique des boulettes et les résultats RSM. |
| |
La motivation derrière ce projet est que COVID-19 a augmenté la demande de cuisine à distance et d'intelligence artificielle et la robotique dans l'industrie alimentaire jouera un rôle de plus en plus important à mesure qu'une application de la technologie continue de se répandre. |
| |
Mais la plupart des aliments sont fabriqués sans contrôle précis des paramètres de cuisson car nous nous appuyons sur l'expertise du chef pour créer des plats cohérents. |
| |
Mais le contrôle de la qualité et l'efficacité seront beaucoup plus importants si le robot cuisine un repas, nous avons donc décidé d'utiliser les boulettes cuites à la vapeur comme un plat simple, nutritif mais savoureux pour préparer la recette optimale, en fonction du temps de levée des boulettes. |
| |
Donc, j'ai dit précédemment, nous avons effectué une expérience de boulette, mais en raison d'une pénurie d'ingrédients, nous avons dû remplacer un type de viande différent dans le processus expérimental. |
| |
Ainsi, lorsque nous avons évalué la conception du DOE, elle n'était pas orthogonale car il y avait une confusion majeure ???. |
| |
Et lorsque nous essayons d'exécuter le résultat RSM avec ces données, il y avait aussi une valeur aberrante potentielle, en particulier l'exécution #6, que nous voulions étudier plus avant. |
| |
Donc, notre premier objectif de ce projet est de répondre à la pénurie d'un point de vue correctif (?) |
| |
et voir si nous pouvons enregistrer la structure DSD. Pour ce faire, nous commencerons par modifier le type de viande, qui était à l'origine une variable catégorielle à deux niveaux composée de porc ou de crevettes. |
| |
à une variable continue afin que nous puissions utiliser des pourcentages variables de type de viande pour ces trois passages que nous utilisons avec différents mélanges de crevettes et de porc. |
| |
Ensuite, nous évaluerons la structure des données pour cette nouvelle conception DSD à l'aide de divers outils d'évaluation. |
| |
Eh bien, puisque la structure DSD n'était pas problématique sur la base de ces outils, nous avons décidé d'exécuter un modèle RSM pour voir si ses résultats sont conformes à nos recherches scientifiques concernant la convection et la conduction. |
| |
Si la structure DSD avait été problématique, nous aurions peut-être reçu de fausses interactions qui ne peuvent être expliquées par la science |
| |
et les interactions que nous attendons de la science peuvent être cachées en raison de l'absence d'orthogonalité. |
| |
Et notre deuxième objectif après avoir trouvé un bon modèle DSD pour tenir compte de la pénurie d'ingrédients |
| |
est une approche plus préventive, où nous voulons étudier l'impact de la valeur aberrante potentielle et un ??? DSD structuré en révisant les paramètres. |
| |
L'impact des valeurs aberrantes peut nous aider à mieux comprendre l'importance du contrôle de la mesure et un problème... tout en étudiant la structure DSD |
| |
nous fera savoir comment la structure confondue affectera nos résultats avant même d'exécuter notre expérience à l'avenir. |
| |
Nous allons donc réaliser le deuxième objectif en modifiant et en comparant les paramètres de facteur et la réponse de l'exécution #6, qui est une valeur aberrante potentielle, et de l'exécution #9, qui est notre point central, et en étudiant si les résultats du modèle sont dus à la confirmation des données. structure ou s'il peut être expliqué par la physique. |
| |
Ainsi, la table de conception d'origine se trouve à droite et celles que nous avons remplacées sont les séries 3, 4 et 9, surlignées en orange. |
| |
Exécutez # 9, encore une fois, c'est le point central, donc la substitution peut affecter l'orthogonalité du modèle, comme la variance de prédiction moyenne sur laquelle nous cherchons à nous superposer. La course originale utilise un type de viande catégorique de porc et de crevettes, nous avons donc conservé le réglage |
| |
crevettes, même pour ces trois passages où nous avons dû remplacer une partie des crevettes par du porc. |
| |
La carte colorée sur le côté gauche montre certains groupes confondants, donc le bleu indique qu'il n'y a pas de confusion, aucune corrélation entre ces deux termes, |
| |
et le rouge foncé indique une confusion grave et une corrélation élevée, c'est pourquoi la ligne diagonale sera toujours 1, puisque chaque variable est ... chaque terme est corrélé à 100% avec lui-même. Il y a donc des lignes de résolution ??? qui affectent la confusion. |
| |
et |
| |
le ... pour le type de viande catégorique, en particulier une corrélation d'environ 0,3, et nous avons une résolution IV sévère, qui est une interaction d'interaction aggravant le risque, car certains d'entre eux, tels que les blocs rouges, ont une corrélation supérieure à 0,5. Nous ne devrions donc pas |
| |
exécutez un modèle RSM à partir d'ici, car nos données elles-mêmes ne peuvent pas être considérées comme une source de confusion grave, donc avant de procéder à l'exécution d'un modèle, nous devons améliorer le RSM... la structure de données. Mais comment pouvons-nous résoudre ce problème sans rappeler les données ? |
| |
Ainsi, puisque le type de viande catégorique présentait des problèmes de confusion et que nous devions tenir compte de la substitution du type de viande, nous avons décidé de changer le type de viande de catégorique à continu. |
| |
Nous avons changé la variable essentiellement en pourcentage de crevettes, de sorte que le type de viande précédent qui n'était que des crevettes a été changé à 100 % et ceux qui étaient tous du porc ont été changés en 0 %. |
| |
Pour trois viandes de substitution, nous avons estimé les vraies valeurs en pourcentage sur la base de ce dont nous pouvions nous souvenir de l'historique des commandes pour la viande totale que nous avons achetée au supermarché ce jour-là, soit 70, 40 et 65 %. |
| |
Nous avons ensuite exécuté à nouveau la carte des couleurs sur les corrélations et examiné l'analyse de puissance pour déterminer si la structure des données est plus orthogonale ou non. |
| |
L'analyse de puissance est supérieure à 0,9 pour les effets principaux, ce qui signifie qu'il y a plus de 90 % de chances que nous puissions détecter un effet significatif de ces variables. |
| |
De plus, la carte des couleurs indique une confusion légèrement réduite de la résolution 1 car elle est ombrée plus bleue, en particulier pour le type de viande continu. |
| |
Et la confusion de la résolution 4 ne change pas grand-chose, nous choisirons donc de nous en tenir à ce modèle, car l'orthogonalité apparente n'est pas mauvaise, et plus tard lorsque vous exécuterez le RSM, nous reviendrons à la carte des couleurs pour vérifier si des interactions peuvent être dû à un problème confondant. |
| |
Ensuite, nous examinons le profil de variance de prédiction, qui indique cette variance de prédiction à différents niveaux de facteurs. |
| |
Maintenant, le profil de prédiction réel dépend à la fois de l'erreur de réponse et d'une quantité qui dépend de la conception et du paramètre de facteur. |
| |
Mais pour ce profil de variance de prédiction, l'axe Y est une variance relative de prédiction, qui est la variance réelle divisée par la variance de réponse |
| |
de sorte que la variance de réponse s'annule et que le profil de variance de prédiction ne dépend que de la structure DSD et non de la réponse. |
| |
Ainsi, le graphique du haut est la variance moyenne au point central et le bas est la variance maximisée, nous devons donc examiner les deux car la variance moyenne indique plus d'informations sur l'ensemble de la conception, |
| |
et la variance maximale vous donne des informations sur le pire des cas. La variance moyenne est donc Run #9 |
| |
aux paramètres de Run # 9, où nous avons dû remplacer une partie de la viande. Et à Run #9, la variance est de 0,06, ce qui n'est pas trop mal et la variance est symétrique par rapport au point central, ce qui signifie que la substitution n'affecte pas gravement l'orthogonalité du modèle. |
| |
La variance de prédiction sera toujours la plus grande aux coins, puisque vous ne voulez pas faire de prédictions des coins, car moins de points sont autour et la course optimale est généralement autour du centre |
| |
avec le moins de variance de prédiction. Pour la variance maximale, vous pouvez voir que la courbe est un peu asymétrique pour le poids de la boulette et le type de viande. |
| |
Celui-ci est Run # 18 mais il n'y a rien de spécial à ce sujet, donc ne devrait pas être trop important. Donc, comme il n'y a rien de majeur qui ressort de cette structure DSD, nous allons continuer et exécuter le modèle RSM pour le type de viande continue. |
| |
Nous avons donc exécuté le modèle RSM en utilisant une progression pas à pas et une sélection mixte, basée sur la valeur p. Et nous avons choisi une progression par étapes au lieu de la régression ordinaire des moindres carrés, car les moindres carrés |
| |
besoin d'au moins le même nombre d'exécutions que de termes et nous n'avons pas assez d'exécutions pour estimer tous les termes. |
| |
Ainsi, trois effets moyens importants sont la température de l'eau, le poids de la boulette et la taille du lot. Et nous avons un terme d'interaction entre la température de l'eau et le poids de la boulette. |
| |
L'ANOVA est significative, ce qui indique que nous pouvons rejeter l'hypothèse nulle et conclure que nous avons un modèle. Nous n'avons pas de problème de surajustement |
| |
car le R au carré et le R au carré ajusté diffèrent de moins de 10 %. Pour la fenêtre d'absence d'ajustement, la somme de l'erreur d'absence d'ajustement et de l'erreur pure correspond à la somme totale des erreurs des carrés de la table ANOVA. |
| |
Et l'erreur pure est indépendante du modèle, comme des choses comme l'erreur expérimentale, donc si l'erreur résiduelle totale est grande par rapport à l'erreur pure. |
| |
Cela signifie que nous devrons peut-être ajuster un modèle non linéaire, car le modèle linéaire présente un manque d'ajustement élevé. Lorsque toute l'erreur est uniquement due à une erreur pure, alors il n'y a aucun manque d'ajustement |
| |
et la valeur R au carré est égale au R carré maximum. Sur la valeur p pour le manque d'ajustement est supérieur à 0,05, nous n'avons donc pas vraiment de preuves que nous devons passer à une conception non linéaire robuste car l'erreur pure est beaucoup plus petite par rapport à l'erreur résiduelle totale. |
| |
Maintenant, le R au carré n'est pas très bon... pas excellent, à cause de la valeur aberrante possible dans la course #6 vue dans le résidu studentisé, qui touche la limite de toute limite. Voyons pourquoi cette course pourrait être une valeur aberrante. |
| |
Donc, si vous regardez le profileur de prédiction pour l'exécution #6, nous voyons qu'il y a un grand triangle, ce qui indique une plus grande sensibilité locale. |
| |
Et cela indique qu'un petit changement dans l'entrée provoque un grand changement dans le temps de montée, ce qui signifie une plus grande pente instantanée aux paramètres de facteur pour l'exécution #6. |
