349228_ko-KR

liliconcom

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

레벨: 중급

 

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

 

소비자가 사회적 식사에서 물러나 위성 배달에 의존함에 따라 최적의 음식 준비가 점점 더 중요해지고 있습니다. 만두 활용 – 간단하고 영양만점의 맛있는 요리, 다학제적 DSD DOE, 견고한 디자인, HACCP 관리 계획을 활용하여 가장 효율적인 레시피를 준비했습니다. 처음에는 DOE를 사용하여 제어 실험을 설계했지만 재료 부족으로 인해 일부 실행을 다른 고기/야채 유형으로 대체해야 했습니다. 이상값의 영향을 연구하기 위해 원본 DSD가 대체를 설명하도록 수정되었습니다. 모델 적합도를 평가하기 전에 각 DSD의 직교성(상관 관계에 대한 컬러 맵), 설계 균일성(비모수 밀도가 있는 산점도 매트릭스) 및 검정력(설계 진단)을 확인했습니다. 이를 통해 응답 표면 모델(RSM) 결과가 데이터 구조의 문제가 아니라 교자식만두 물리학의 과학적 측면에 기인할 수 있습니다. 다음으로 단계적 회귀를 사용하여 최적의 RSM 모델을 선택하고 t-표준화 잔차와 글로벌/로컬 민감도를 사용하여 모델 견고성을 조사했습니다. 마지막으로 JMP Pro의 고급 모델링 기능(다층 신경망, 부트스트랩 포레스트, 부스트 트리)을 활용하고 HACCP 프레임워크를 다시 적용하여 데이터 구조를 기반으로 상업 제조에 사용할 최적의 매개변수 피팅을 제안했습니다. 그리고 물리학.

 

 

자동 생성된 성적표...

 

스피커	성적 증명서
메이슨 첸	안녕하세요 저는 Mason입니다. 오늘 저는 데이터 구조, 만두 물리학 및 RSM 결과 사이의 관계를 연구한 만두 요리 프로젝트를 발표할 것입니다.
	이 프로젝트의 동기는 COVID-19로 인해 원격 요리에 대한 수요가 증가했으며, 기술 적용이 계속 확산됨에 따라 식품 산업에서 인공 지능 및 로봇 공학이 점점 더 중요한 역할을 하게 될 것이라는 점입니다.
	그러나 일관된 요리를 만들기 위해 셰프의 전문성에 의존하기 때문에 대부분의 음식은 조리 매개변수를 정확하게 제어하지 않고 만들어집니다.
	하지만 로봇이 요리를 한다면 품질 관리와 효율성이 훨씬 더 중요할 것이므로 만두가 떠오르는 시간에 따라 최적의 레시피를 준비하기 위해 간단하고 영양가 있지만 맛있는 요리로 찐 만두를 사용하기로 결정했습니다.
	그래서 앞서 말씀드린 대로 만두 실험을 했는데 재료 부족으로 실험 과정에서 다른 고기로 대체해야 했습니다.
	그래서 우리가 DOE 설계를 평가했을 때 몇 가지 중요한 교란이 있었기 때문에 직교적이지 않았습니다.
	그리고 이 데이터로 RSM 결과를 실행하려고 할 때 잠재적인 특이치, 특히 추가 연구를 원했던 실행 #6도 있었습니다.
	그래서 이 프로젝트의 첫 번째 목표는 부족함을 시정(?) 관점에서 해결하는 것입니다.
	DSD 구조를 저장할 수 있는지 확인합니다. 먼저 돼지고기 또는 새우로 구성된 2단계 범주 변수였던 육류 유형을 변경하여 이를 수행합니다.
	새우와 돼지고기의 서로 다른 혼합물에 사용하는 세 가지 실행에 대해 고기 유형의 다양한 백분율을 사용할 수 있도록 연속 변수로 변환합니다.
	그런 다음 다양한 평가 도구를 사용하여 이 새로운 DSD 디자인의 데이터 구조를 평가합니다.
	음, DSD 구조는 이러한 도구를 기반으로 문제가 없었기 때문에 RSM 모델을 실행하여 그 결과가 대류 및 전도에 관한 과학적 연구와 일치하는지 확인하기로 결정했습니다.
	DSD 구조에 문제가 있었다면 과학으로 설명할 수 없는 일부 잘못된 상호 작용을 받았을 수 있습니다.
	직교성이 없기 때문에 과학에서 기대할 수 있는 상호 작용이 숨겨질 수 있습니다.
	그리고 재료 부족을 설명하기 위해 좋은 DSD 모델을 찾은 후 두 번째 목표
	잠재적인 이상값과 ???의 영향을 연구하려는 보다 예방적인 접근 방식입니다. 설정을 수정하여 구성된 DSD.
	이상값의 영향은 DSD 구조를 연구하는 동안 측정 제어 및 문제의 중요성을 더 잘 이해하는 데 도움이 될 수 있습니다.
	향후 실험을 실행하기 전에 혼란스러운 구조가 결과에 어떤 영향을 미치는지 알려줄 것입니다.
	따라서 두 번째 목표는 잠재적 이상값인 Run #6과 중심점인 Run #9의 요인 설정과 반응을 수정 및 비교하고 모델 결과가 확인된 데이터에 의한 것인지 연구하는 것입니다. 구조 또는 물리학으로 설명할 수 있는 경우.
	원래 디자인 테이블은 오른쪽에 있고 우리가 대체한 디자인 테이블은 주황색으로 강조 표시된 Run #3, 4, 9입니다.
	다시 실행 #9, 이것은 중심점이므로 대체는 우리가 계층화하려는 평균 예측 분산과 같은 모델 직교성에 영향을 미칠 수 있습니다. 원래 실행은 돼지 고기와 새우의 범주 고기 유형을 사용하므로 설정을 유지했습니다.
	새우, 우리가 새우의 일부를 돼지 고기로 대체해야했던이 세 번의 실행에도 불구하고.
	왼쪽의 컬러 맵은 교란 그룹을 보여주므로 파란색은 교란이 없고 두 용어 사이의 상관 관계가 0임을 나타냅니다.
	짙은 빨간색은 심각한 교란과 높은 상관관계를 나타냅니다. 각 변수가...각 용어 자체와 100% 상관관계가 있기 때문에 대각선이 항상 1이 되는 이유입니다. 그래서 몇 가지 해상도 라인이 있습니다 ??? 혼란에 영향을 미칩니다.
	그리고
	...육류 유형의 경우, 특히 약 0.3의 상관 관계가 있으며 빨간색 블록과 같은 일부는 상관 관계가 0.5보다 크므로 상호 작용 복합 위험인 일부 심각한 해상도 IV가 있습니다. 그래서 우리는
	여기에서 RSM 모델을 실행합니다. 우리의 데이터 자체는 심각한 혼란에 대해 신뢰할 수 없기 때문에 모델 실행을 진행하기 전에 RSM, 즉 데이터 구조를 개선해야 합니다. 하지만 데이터를 기억하지 않고 어떻게 이 문제를 해결할 수 있을까요?
	따라서 육류 유형 범주에는 혼란스러운 문제가 있고 대체 육류 유형을 고려해야 하므로 육류 유형을 범주형에서 연속형으로 변경하기로 결정했습니다.
	본질적으로 변수를 새우 비율로 변경하여 새우만 있었던 이전 육류 유형은 100%로 변경하고 돼지고기만 포함된 유형은 0%로 변경했습니다.
	3개의 대체 육류에 대해 우리는 그날 슈퍼마켓에서 구입한 전체 육류의 주문 내역에 대해 기억할 수 있는 것을 기반으로 실제 백분율 값을 추정했습니다(70, 40 및 65%).
	그런 다음 상관 관계에 대해 컬러 맵을 다시 실행하고 데이터 구조가 더 직교적인지 여부를 평가하기 위해 검정력 분석을 살펴보았습니다.
	전력 분석은 주효과에 대해 모두 0.9보다 큽니다. 즉, 이러한 변수의 유의미한 효과를 감지할 수 있는 확률이 90% 이상입니다.
	또한 의 컬러 맵은 특히 연속 고기 유형의 경우 더 파란색으로 음영 처리되므로 해상도 1 교란이 약간 감소했음을 나타냅니다.
	그리고 Resolution 4 교란은 많이 변경되지 않으므로 명백한 직교성이 나쁘지 않기 때문에 이 모델을 고수하고 나중에 RSM을 실행할 때 색상 맵으로 돌아가 상호 작용이 발생할 수 있는지 확인합니다. 혼란스러운 문제 때문입니다.
	다음으로 다양한 수준의 요인에서 예측 분산을 나타내는 예측 분산 프로파일을 살펴봅니다.
	이제 실제 예측 프로파일은 반응 오류와 설계 및 요인 설정에 따라 달라지는 양에 따라 달라집니다.
	그러나이 예측 분산 프로파일의 경우 Y 축은 예측의 상대적 분산이며 실제 분산을 응답 분산으로 나눈 값입니다.
	따라서 응답 분산이 상쇄되고 예측 분산 프로파일은 응답이 아닌 DSD 구조에만 의존합니다.
	따라서 상단 그래프는 중심점의 평균 분산이고 하단 그래프는 최대 분산이므로 평균 분산이 전체 설계에 대한 더 많은 정보를 나타내기 때문에 두 그래프를 모두 살펴봐야 합니다.
	최대 분산은 최악의 경우에 대한 정보를 알려줍니다. 따라서 평균 분산은 실행 #9입니다.
	Run #9의 설정에서 일부 고기를 대체해야 했습니다. 그리고 실행 #9에서 분산은 0.06으로 그다지 나쁘지 않으며 분산은 중심점에 대해 대칭이므로 대체가 모델 직교성에 심각한 영향을 미치지 않습니다.
	코너 주변에 더 적은 포인트가 있고 최적의 실행은 일반적으로 중심 주변에 있기 때문에 코너 예측을 원하지 않기 때문에 예측 분산은 항상 코너에서 가장 큽니다.
	예측 편차가 가장 적습니다. 최대 분산의 경우 만두 무게와 고기 유형에 대해 곡선이 약간 비대칭임을 알 수 있습니다.
	이것은 Run #18이지만 특별한 것이 없으므로 너무 큰 문제는 아닙니다. 따라서 이 DSD 구조에 대해 크게 눈에 띄는 것이 없었기 때문에 계속해서 연속 고기 유형에 대한 RSM 모델을 실행하겠습니다.
	그래서 우리는 p 값을 기반으로 단계별 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 런이 충분하지 않습니다.
	따라서 세 가지 중요한 평균 효과는 수온, 만두 무게 및 배치 크기입니다. 그리고 우리는 물 온도 곱하기 만두 무게의 상호 작용 항을 가지고 있습니다.
	ANOVA는 유의하며 귀무 가설을 기각하고 모델이 있다고 결론을 내릴 수 있음을 나타냅니다. 과적합 문제가 없습니다.
	조정된 R 제곱과 R 제곱이 10% 미만으로 차이가 나기 때문입니다. 적합성 결여 창의 경우 적합성 결여 오차와 순수 오차의 합은 ANOVA 테이블의 총 오차 제곱합입니다.
	그리고 순수 오차는 실험 오차와 같은 모델과 무관하므로 총 잔차 오차가 순수 오차에 비해 큰 경우입니다.
	이는 선형 모델의 적합도가 높기 때문에 비선형 모델을 적합해야 할 수도 있음을 의미합니다. 모든 오류가 순수한 오류로 인한 것일 때 적합성 부족이 없습니다.
	R 제곱 값은 최대 R 제곱과 같습니다. 적합성 부족에 대한 p 값이 0.05보다 크므로 순수 오차가 전체 잔차 오차에 비해 훨씬 작기 때문에 견고한 비선형 설계로 전환해야 한다는 증거가 없습니다.
	이제 R 제곱은 그다지 좋지 않습니다... 우수하지 않습니다. 스튜던트화 잔차에서 볼 수 있는 실행 #6의 가능한 특이치 때문에 모든 극한에 대한 경계에 닿고 있습니다. 해당 실행이 이상치일 수 있는 이유를 살펴보겠습니다.
	따라서 실행 #6에 대한 예측 프로파일러를 보면 더 큰 로컬 민감도를 나타내는 큰 삼각형이 있음을 알 수 있습니다.
	그리고 이것은 입력의 작은 변화가 상승 시간의 큰 변화를 야기한다는 것을 나타내며, 이는 Run #6에 대한 요인 설정에서 더 큰 순시 기울기를 의미합니다.

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

내 실수 - - 이 작업에는 신경망 방법이 포함되었지만 이 위치나 비디오에는 없었습니다.
보다 Model-Driven Robust Design Monte-Carlo Approach to Cooking the 신선하고 맛있는 삶은 만두_Patrick Giuliano(2020-US-30MP-597)_DSJ2020
또한, HACCP = 위험 분석 중요 제어 지점; 슬라이드 #10.

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

제목에도 불구하고 작업에는 Neural/Boosted Tree 방법이 포함되지 않았습니다.또한 왜 d인지에 대한 논의가 없었습니다. 최종 스크리닝 디자인이 다른 대안과 비교하여 선택되었습니다.어떤 모델도 주어진 요인에 대한 제곱항을 포함하지 않았습니다.요인이 5개인 경우 부분 요인 설계가 더 나은 선택일 수 있습니다. 

 

기록에서 시간=19:24에 세 가지 다른 데이터 세트에 대해 모두 응답 평균 = 139.4444를 제공했습니다.가능성이 없습니다. . . 슬라이드를 준비하는 과정에서 오류가 발생했을 수 있습니다.   

 

그렇지 않으면 내용에 대한 좋은 토론이었습니다.