Relatore
|
Trascrizione
|
| Muratore Chen |
Quindi ciao sono Mason, e oggi vi presento il progetto di cottura dei gnocchi in cui abbiamo studiato la relazione tra struttura dei dati, fisica dei gnocchi e risultati RSM. |
| |
La motivazione alla base di questo progetto è che il COVID-19 ha aumentato la domanda di cottura a distanza e intelligenza artificiale e la robotica nell'industria alimentare svolgerà un ruolo sempre più importante man mano che l'applicazione della tecnologia continua a diffondersi. |
| |
Ma la maggior parte dei cibi viene prodotta senza un controllo preciso dei parametri di cottura poiché ci affidiamo all'esperienza dello chef per creare piatti coerenti. |
| |
Ma il controllo della qualità e l'efficienza saranno molto più importanti se il robot sta cucinando un pasto, quindi abbiamo deciso di utilizzare gli gnocchi al vapore come piatto semplice, nutriente ma gustoso per preparare la ricetta ottimale, in base al tempo di lievitazione degli gnocchi. |
| |
Quindi ho affermato in precedenza, abbiamo eseguito un esperimento di gnocchi, ma a causa della carenza di ingredienti, abbiamo dovuto sostituire un tipo di carne diverso nel processo sperimentale. |
| |
Quindi, quando abbiamo valutato il design del DOE, non era ortogonale perché c'erano alcune grandi confusioni ???. |
| |
E quando abbiamo provato a eseguire il risultato RSM con questi dati, c'era anche un potenziale valore anomalo, in particolare Run #6, che volevamo studiare ulteriormente. |
| |
Quindi il nostro primo obiettivo di questo progetto è affrontare la carenza da un punto di vista correttivo (?). |
| |
e vediamo se riusciamo a salvare la struttura DSD. Lo faremo cambiando prima il tipo di carne, che in origine era una variabile categoriale a due livelli composta da carne di maiale o gamberetti |
| |
a una variabile continua in modo da poter utilizzare percentuali variabili di tipo di carne per quei tre passaggi che utilizziamo con diversi impasti di gamberi e carne di maiale. |
| |
E poi valuteremo la struttura dei dati per questo nuovo progetto DSD utilizzando una varietà di strumenti di valutazione. |
| |
Ebbene, poiché la struttura del DSD non era problematica sulla base di questi strumenti, abbiamo deciso di eseguire un modello RSM per vedere se i suoi risultati sono in linea con la nostra ricerca scientifica in materia di convezione e conduzione. |
| |
Se la struttura del DSD fosse stata problematica, potremmo aver ricevuto alcune false interazioni che non possono essere spiegate dalla scienza |
| |
e le interazioni che ci aspetteremmo dalla scienza possono essere nascoste a causa dell'assenza di ortogonalità. |
| |
E il nostro secondo obiettivo dopo aver trovato un buon modello DSD per tenere conto della carenza di ingredienti |
| |
è un approccio più preventivo, dove vogliamo studiare l'impatto del potenziale valore anomalo e un ??? DSD strutturato rivedendo le impostazioni. |
| |
L'impatto dei valori anomali può aiutarci a comprendere meglio l'importanza del controllo della misurazione e di un problema... mentre si studia la struttura del DSD |
| |
ci farà sapere in che modo la struttura confusa influenzerà i nostri risultati prima ancora di eseguire il nostro esperimento in futuro. |
| |
Quindi faremo il secondo obiettivo modificando e confrontando le impostazioni dei fattori e la risposta da Run #6, che è un potenziale valore anomalo, e Run #9, che è il nostro punto centrale, e studiando se i risultati del modello sono dovuti alla conferma dei dati struttura o se può essere spiegato dalla fisica. |
| |
Quindi la tabella di progettazione originale è sulla destra e quelle che abbiamo sostituito sono Run # 3, 4 e 9, come evidenziato in arancione. |
| |
Esegui #9, ancora una volta, questo è il punto centrale, quindi la sostituzione può influenzare l'ortogonalità del modello, come la varianza di previsione media su cui stiamo cercando di sovrapporre. La corsa originale utilizza carne di maiale e gamberetti di tipo categorico, quindi abbiamo mantenuto l'impostazione |
| |
gamberetti, anche per queste tre corse dove abbiamo dovuto sostituire alcuni gamberi con carne di maiale. |
| |
La mappa colorata sul lato sinistro mostra alcuni gruppi confondenti, quindi il blu indica nessuna correlazione confondente, zero tra questi due termini, |
| |
e il rosso scuro indica grave confondimento e alta correlazione, motivo per cui la linea diagonale sarà sempre 1, poiché ogni variabile è... ogni termine è correlato al 100% con se stesso. Quindi ci sono alcune linee di risoluzione ??? che influiscono sul confondimento. |
| |
e |
| |
il... per il tipo di carne categoriale, in particolare su una correlazione di 0,3, e abbiamo una risoluzione IV grave, che è l'interazione dell'interazione che aggrava il rischio, poiché alcuni di essi, come i blocchi rossi, sono maggiori di 0,5 di correlazione. Quindi non dovremmo |
| |
eseguire un modello RSM da qui, poiché i nostri dati stessi non possono essere considerati attendibili per il grave confondimento, quindi prima di procedere con l'esecuzione di un modello, è necessario migliorare l'RSM ... la struttura dei dati. Ma come possiamo affrontare questo problema senza ricordare i dati? |
| |
Quindi, poiché il tipo di carne categoriale presentava problemi di confusione e dovremmo considerare la sostituzione del tipo di carne, abbiamo deciso di cambiare il tipo di carne da categoriale a continuo. |
| |
Abbiamo cambiato la variabile essenzialmente in percentuale di gamberetti, quindi il tipo di carne precedente che era tutto gambero è stato cambiato al 100% e quelli che erano tutti carne di maiale sono stati cambiati a 0%. |
| |
Per tre carni sostituite, abbiamo stimato i valori percentuali reali in base a ciò che potevamo ricordare sulla cronologia degli ordini per la carne totale che abbiamo acquistato al supermercato quel giorno, quindi 70, 40 e 65%. |
| |
Abbiamo quindi eseguito nuovamente la mappa dei colori sulle correlazioni e abbiamo esaminato l'analisi della potenza per valutare se la struttura dei dati è o meno più ortogonale. |
| |
L'analisi della potenza è tutta maggiore di 0,9 per gli effetti principali, il che significa che esiste una probabilità superiore al 90% di poter rilevare un effetto significativo di queste variabili. |
| |
Inoltre, la mappa dei colori indica una risoluzione 1 leggermente ridotta in quanto è ombreggiata in blu, specialmente per il tipo di carne continua. |
| |
E il confondimento della risoluzione 4 non cambia molto, quindi sceglieremo di attenerci a questo modello, poiché l'apparente ortogonalità non è male, e in seguito quando eseguirai l'RSM, torneremo alla mappa dei colori per verificare se eventuali interazioni possono essere dovuto a un problema di confusione. |
| |
Quindi esaminiamo il profilo di varianza della previsione, che indica la varianza della previsione a diversi livelli di fattori. |
| |
Ora il profilo di previsione effettivo dipende sia dall'errore di risposta che da una quantità che dipende dalla progettazione e dall'impostazione del fattore. |
| |
Ma per questo profilo di varianza di previsione, l'asse Y è una varianza relativa della previsione, che è la varianza effettiva divisa per la varianza di risposta |
| |
in modo che la varianza della risposta si annulli e il profilo della varianza della previsione dipenda solo dalla struttura DSD e non dalla risposta. |
| |
Quindi il grafico in alto è la varianza media nel punto centrale e quello in basso è la varianza massimizzata, quindi dobbiamo guardare entrambi perché la varianza media indica più informazioni sull'intero progetto, |
| |
e la varianza massima fornisce informazioni sul caso peggiore. Quindi la varianza media è Run #9 |
| |
alle impostazioni di Run #9, che abbiamo dovuto sostituire parte della carne. E alla corsa n. 9, la varianza è 0,06, il che non è male e la varianza è simmetrica rispetto al punto centrale, il che significa che la sostituzione non ha un impatto grave sull'ortogonalità del modello. |
| |
La varianza di previsione sarà sempre massima in curva, poiché non vuoi fare previsioni sugli angoli, perché ci sono meno punti intorno ad essa e la corsa ottimale è solitamente intorno al centro |
| |
con la minima varianza di previsione. Per la massima variazione, puoi vedere che la curva è un po' asimmetrica per il peso degli gnocchi e il tipo di carne. |
| |
Questa è la corsa n. 18 ma non c'è niente di speciale, quindi non dovrebbe essere un grosso problema. Quindi, poiché non c'è stato nulla di importante in questa struttura DSD, andremo avanti e procederemo con l'esecuzione del modello RSM per il tipo di carne continua. |
| |
Quindi abbiamo eseguito il modello RSM utilizzando la progressione graduale e la selezione mista, in base al valore p. E abbiamo scelto una progressione graduale invece della normale regressione dei minimi quadrati, perché i minimi quadrati |
| |
abbiamo bisogno almeno dello stesso numero di esecuzioni dei termini e non abbiamo abbastanza esecuzioni per stimare tutti i termini. |
| |
Quindi tre importanti effetti medi sono la temperatura dell'acqua, il peso degli gnocchi e le dimensioni del lotto. E abbiamo il termine di interazione della temperatura dell'acqua moltiplicato per il peso dello gnocco. |
| |
L'ANOVA è significativa, il che indica che possiamo rifiutare l'ipotesi nulla e concludere che abbiamo un modello. Non abbiamo un problema di overfitting |
| |
poiché la R al quadrato e la R al quadrato regolate differiscono di meno del 10%. Per mancanza di finestra di adattamento, la somma dell'errore di mancanza di adattamento e dell'errore puro è la somma dell'errore totale dei quadrati della tabella ANOVA. |
| |
E l'errore puro è indipendente dal modello, come cose come l'errore sperimentale, quindi se l'errore residuo totale è grande rispetto all'errore puro. |
| |
Significa che potremmo dover adattare un modello non lineare, poiché il modello lineare ha un'elevata mancanza di adattamento. Quando tutto l'errore è dovuto solo all'errore puro, allora non c'è nessuna mancanza di adattamento |
| |
e il valore di R al quadrato è uguale al massimo R al quadrato. Sul valore p per la mancanza di adattamento è maggiore di 0,05, quindi non abbiamo davvero prove della necessità di passare a un design non lineare robusto poiché l'errore puro è molto più piccolo rispetto all'errore residuo totale. |
| |
Ora la R al quadrato non è molto buona... non eccellente, a causa del possibile outlier nella corsa n. 6 visto nel residuo studentizzato, che sta toccando il limite per qualsiasi limite. Vediamo perché quella corsa potrebbe essere un valore anomalo. |
| |
Quindi, se guardi il profilo di previsione per la corsa n. 6, vediamo che c'è un grande triangolo, che indica una maggiore sensibilità locale. |
| |
E questo indica che un piccolo cambiamento nell'input provoca un grande cambiamento nel tempo di salita, il che significa una maggiore pendenza istantanea alle impostazioni del fattore per Run #6. |
