349228_ko-KR

liliconcom

견고한 설계/HACCP 및 신경/부스트 트리 최적화로 보강된 DSD DOE(2021-EU-45MP-761)

레벨: 중급

 

Patrick Giuliano, 수석 품질 엔지니어, Abbott
Mason Chen, 학생, Stanford University OHS
Charles Chen, 수석 데이터 과학자/지속적 개선 전문가, Applied Materials

 

소비자가 사회적 식사에서 멀어져 위성 배달에 의존함에 따라 최적의 음식 준비가 점점 더 중요해지고 있습니다. 만두 사용 – 간단하고 영양가 있고 맛있는 요리, 다학제 DSD DOE, 견고한 디자인 및 HACCP 관리 계획을 활용하여 가장 효율적인 레시피를 준비했습니다. 통제 실험은 처음에 DOE를 사용하여 설계되었지만 일부 실행은 재료 부족으로 인해 다른 고기/채소 유형으로 대체되어야 했습니다. 이상값의 영향을 연구하기 위해 원래 DSD가 대체를 설명하도록 수정되었습니다. 모델 적합성을 평가하기 전에 각 DSD에서 직교성(상관관계에 대한 색상 맵), 설계 균일성(비모수 밀도가 있는 산점도 행렬) 및 검정력(설계 진단)을 확인했습니다. 이것은 응답 표면 모델(RSM) 결과가 데이터 구조의 문제 대신 만두 물리학의 과학적 측면에 기인한다는 것을 보장했습니다. 다음으로, 단계적 회귀를 사용하여 최적의 RSM 모델을 선택하고 t-표준화 잔차와 전역/로컬 민감도를 사용하여 모델 견고성을 조사했습니다. 마지막으로 JMP Pro의 고급 모델링 기능(다층 신경망, 부트스트랩 포리스트, 부스트 트리)을 활용하고 HACCP 프레임워크를 다시 적용하여 데이터 구조를 기반으로 상용 제조에 사용할 최적의 매개변수 피팅을 제안했습니다. 그리고 물리학.

 

 

자동 생성된 대본...

 

스피커	성적 증명서
메이슨 첸	안녕하세요 저는 Mason입니다. 오늘 저는 데이터 구조, 만두 물리학 및 RSM 결과 간의 관계를 연구한 만두 요리 프로젝트를 발표할 것입니다.
	이 프로젝트의 동기는 COVID-19로 인해 원격 요리에 대한 수요가 증가하고 식품 산업에서 인공 지능 및 로봇이 기술 적용이 계속 확산됨에 따라 점점 더 중요한 역할을 할 것이라는 점입니다.
	그러나 대부분의 음식은 일관된 요리를 만들기 위해 셰프의 전문성에 의존하기 때문에 요리 매개변수의 정확한 제어 없이 만들어집니다.
	하지만 로봇이 요리를 하고 있다면 품질 관리와 효율성이 훨씬 더 중요하기 때문에 만두가 끓는 시간에 따라 최적의 레시피를 준비하기 위해 만두 찐만두를 간단하고 영양가는 높지만 맛있는 요리로 활용하기로 했습니다.
	그래서 앞서 말씀드린 만두 실험을 진행했는데 재료 부족으로 실험 과정에서 다른 고기로 대체하게 되었습니다.
	그래서 우리가 DOE 설계를 평가했을 때, 몇 가지 주요 교란 ???가 있었기 때문에 직교하지 않았습니다.
	그리고 이 데이터로 RSM 결과를 실행하려고 할 때 잠재적인 이상값, 특히 더 자세히 연구하고 싶은 실행 #6도 있었습니다.
	따라서 이 프로젝트의 첫 번째 목표는 부족한 부분을 수정(?) 관점에서 해결하는 것입니다.
	DSD 구조를 저장할 수 있는지 확인하십시오. 원래 돼지고기 또는 새우로 구성된 2단계 범주형 변수였던 고기 유형을 먼저 변경하여 이 작업을 수행합니다.
	새우와 돼지고기의 다른 혼합물과 함께 사용하는 세 가지 실행에 대해 다양한 고기 유형 비율을 사용할 수 있도록 연속 변수로 변경합니다.
	그런 다음 다양한 평가 도구를 사용하여 이 새로운 DSD 설계에 대한 데이터 구조를 평가할 것입니다.
	음, DSD 구조는 이러한 도구를 기반으로 하는 문제가 아니었기 때문에 결과가 대류 및 전도에 관한 과학적 연구와 일치하는지 확인하기 위해 RSM 모델을 실행하기로 결정했습니다.
	DSD 구조에 문제가 있었다면 과학으로 설명할 수 없는 잘못된 상호 작용을 받았을 수 있습니다.
	그리고 우리가 과학에서 기대할 수 있는 상호작용은 직교성이 없기 때문에 숨겨질 수 있습니다.
	그리고 성분 부족을 설명할 좋은 DSD 모델을 찾은 후의 두 번째 목표
	잠재적인 이상치와 ??? 설정을 수정하여 DSD를 구성했습니다.
	이상값의 영향은 DSD 구조를 연구하는 동안 측정 제어 및 문제의 중요성을 더 잘 이해하는 데 도움이 될 수 있습니다.
	나중에 실험을 실행하기 전에 교란된 구조가 결과에 어떤 영향을 미치는지 알려줄 것입니다.
	따라서 잠재적인 이상치인 Run #6과 중심점인 Run #9의 요인 설정 및 응답을 수정 및 비교하여 두 번째 목적을 수행하고 모델 결과가 확인 데이터에 의한 것인지 여부를 연구합니다. 구조 또는 물리학으로 설명할 수 있는지 여부.
	따라서 원래 설계 테이블은 오른쪽에 있고 우리가 대체한 것은 주황색으로 강조 표시된 실행 #3, 4 및 9입니다.
	#9를 다시 실행합니다. 이것은 중심점이므로 대체는 우리가 계층화하려는 평균 예측 분산과 같은 모델 직교성에 영향을 미칠 수 있습니다. 원래 운영은 고기 유형의 돼지 고기와 새우를 사용하므로 설정을 유지했습니다.
	새우, 심지어 우리가 돼지고기 대신 일부 새우를 대체해야 했던 이 세 번의 실행에 대해서도.
	왼쪽의 컬러 맵은 일부 교란 그룹을 보여주므로 파란색은 교란이 없고 두 용어 사이의 상관 관계가 0임을 나타냅니다.
	진한 빨간색은 심각한 교란과 높은 상관 관계를 나타냅니다. 각 변수는 ...각 용어가 자체적으로 100% 상관 관계가 있기 때문에 대각선이 항상 1이 되는 이유입니다. 그래서 일부 해상도 라인이 있습니까 ??? 혼란에 영향을 미칩니다.
	그리고
	...고기 유형 범주형의 경우 특히 약 0.3의 상관 관계가 있으며 빨간색 블록과 같은 일부는 상관 관계가 0.5보다 크므로 상호 작용 상호 작용 복합 위험인 심각한 해결 IV가 있습니다. 그래서 우리는해서는 안됩니다
	여기에서 RSM 모델을 실행하십시오. 데이터 자체를 심각한 교란에 대해 신뢰할 수 없기 때문에 모델을 실행하기 전에 RSM... 데이터 구조를 개선해야 합니다. 그러나 데이터를 기억하지 않고 어떻게 이 문제를 해결할 수 있습니까?
	따라서 육류 유형 범주형에는 교란 문제가 있고 육류 유형을 대체해야 하므로 육류 유형을 범주형에서 연속형으로 변경하기로 결정했습니다.
	변수를 기본적으로 새우 비율로 변경하여 이전의 모든 새우 고기 유형을 100%로 변경하고 모든 돼지고기 유형을 0%로 변경했습니다.
	세 가지 대체 육류에 대해 그날 슈퍼마켓에서 구매한 총 육류의 주문 내역에 대해 기억할 수 있는 70, 40 및 65%를 기반으로 실제 백분율 값을 추정했습니다.
	그런 다음 상관 관계에 대한 컬러 맵을 다시 실행하고 데이터 구조가 더 직교인지 여부를 평가하기 위해 전력 분석을 살펴보았습니다.
	검정력 분석은 주효과에 대해 모두 0.9보다 크며, 이는 이러한 변수의 유의한 효과를 탐지할 수 있는 확률이 90% 이상임을 의미합니다.
	또한, 색상 맵이 켜져 있으면 특히 육류 유형 연속의 경우 더 파란색으로 음영 처리되므로 약간 감소된 해상도 1 교란을 나타냅니다.
	그리고 해상도 4 교란은 크게 변경되지 않으므로 명백한 직교성이 나쁘지 않기 때문에 이 모델을 고수하기로 선택하고 나중에 RSM을 실행할 때 색상 맵으로 돌아가서 상호 작용이 발생할 수 있는지 확인합니다. 혼란스러운 문제로 인한 것입니다.
	다음으로 다양한 수준의 요인에서 예측 분산을 나타내는 예측 분산 프로필을 살펴보겠습니다.
	이제 실제 예측 프로파일은 설계 및 요인 설정에 따라 달라지는 반응 오차와 수량에 따라 달라집니다.
	그러나 이 예측 분산 프로파일의 경우 Y축은 예측의 상대 분산이며, 이는 실제 분산을 응답 분산으로 나눈 값입니다.
	따라서 응답 분산이 상쇄되고 예측 분산 프로파일은 응답이 아닌 DSD 구조에만 의존합니다.
	따라서 위쪽 그래프는 중심점에서의 평균 분산이고 아래쪽은 최대 분산이므로 평균 분산은 전체 디자인에 대한 더 많은 정보를 나타내기 때문에 둘 다 살펴봐야 합니다.
	최대 분산은 최악의 경우에 대한 정보를 알려줍니다. 따라서 평균 분산은 실행 #9입니다.
	Run #9의 설정에서 고기의 일부를 대체해야 했습니다. 그리고 Run #9에서 분산은 0.06으로 나쁘지 않은 편이고 분산은 중심점을 중심으로 대칭입니다. 이는 대체가 모델 직교성에 심각한 영향을 미치지 않는다는 것을 의미합니다.
	예측 분산은 항상 모서리에서 가장 큽니다. 모서리 주위에 점이 적고 최적의 실행이 일반적으로 중심 주위에 있기 때문에 모서리를 예측하고 싶지 않기 때문입니다.
	가장 작은 예측 분산으로 최대 분산의 경우 만두 무게와 고기 종류에 대해 곡선이 약간 비대칭임을 알 수 있습니다.
	이것은 Run #18이지만 특별한 것은 없으므로 너무 큰 거래는 아닙니다. 따라서 이 DSD 구조에 대해 눈에 띄는 중요한 것이 없었으므로 계속해서 계속 고기 유형에 대해 RSM 모델을 실행할 것입니다.
	그래서 우리는 p 값을 기반으로 단계적 진행 및 혼합 선택을 사용하여 RSM 모델을 실행했습니다. 그리고 우리는 일반적인 최소 제곱 회귀 대신 단계적 진행을 선택했습니다.
	최소한 항과 동일한 수의 런이 필요하고 모든 항을 추정하기에 충분한 런이 없습니다.
	따라서 세 가지 중요한 평균 효과는 수온, 만두 무게 및 배치 크기입니다. 그리고 우리는 수온 곱하기 만두 무게의 상호 작용 항이 있습니다.
	ANOVA는 유의하며 귀무 가설을 기각하고 모형이 있다는 결론을 내릴 수 있음을 나타냅니다. 우리는 과적합 문제가 없습니다
	조정된 R 제곱과 R 제곱은 10% 미만 차이가 납니다. 적합성 결여 창의 경우 적합성 결여 오차와 순수 오차의 합은 ANOVA 표의 총 오차 제곱합입니다.
	그리고 순수 오차는 실험 오차와 같은 모델과 무관하므로 총 잔차 오차가 순수 오차에 비해 큰 경우입니다.
	선형 모델은 적합도 부족이 높기 때문에 비선형 모델을 적합해야 할 수도 있음을 의미합니다. 모든 오차가 순수 오차로 인한 것일 때 적합성 결여는 0입니다.
	R 제곱 값은 최대 R 제곱과 같습니다. 적합성 결여에 대한 p 값은 0.05보다 크므로 순수 오차가 총 잔차 오차에 비해 훨씬 작기 때문에 강력한 비선형 설계로 전환해야 한다는 증거가 없습니다.
	이제 R 제곱은 매우 좋지 않습니다... 우수하지 않습니다. 스튜던트화 잔차에서 볼 수 있는 실행 #6의 가능한 이상치로 인해 한계에 대한 경계에 닿아 있습니다. 실행이 이상값일 수 있는 이유를 살펴보겠습니다.
	따라서 Run #6에 대한 예측 프로파일러를 보면 큰 삼각형이 있음을 알 수 있습니다. 이는 더 큰 로컬 민감도를 나타냅니다.
	그리고 이것은 입력의 작은 변화가 상승 시간의 큰 변화를 야기한다는 것을 나타내며, 이는 Run #6의 요인 설정에서 더 큰 순시 기울기를 의미합니다.

브레이크아웃암사슴예측 모델링Re: 강력한 설계/HACCP 및 신경/부스트 트리 최적화로 보강된 DSD DOE(2021-EU-45MP-761)

내 실수 - 이 작업은 이 위치나 비디오가 아닌 신경망 방법을 포함했습니다.
보다 가장 신선하고 맛있는 삶은 만두 요리를 위한 모델 기반의 견고한 디자인 Monte-Carlo 접근 방식_Patrick Giuliano(2020-US-30MP-597)_DSJ2020
또한 HACCP = 위험 분석 중요 관리점; 슬라이드 #10.

Re: 강력한 설계/HACCP 및 신경/부스트 트리 최적화로 보강된 DSD DOE(2021-EU-45MP-761)

제목에도 불구하고 이 작업에는 Neural/Boosted Tree 방법이 포함되지 않았습니다.또한, 왜 d 최종 선별 설계가 다른 대안과 비교하여 선택되었습니다.주어진 요인에 대한 제곱 항을 포함하는 모델은 없습니다.요인이 5개인 경우 부분 요인 설계가 더 나은 선택이었을 수 있습니다. 

 

기록의 시간=19:24에서 세 가지 다른 데이터 세트에 대해 모두 응답 평균 = 139.4444를 제공했습니다.가능성이 없습니다. . . 아마도 슬라이드를 준비하는 과정에서 오류가 발생한 것 같습니다.   

 

그렇지 않으면 내용에 대한 좋은 토론이었습니다.