Altavoz
|
Transcripción
|
| albañil chen |
Hola, soy Mason y hoy presentaré el proyecto de cocción de bolas de masa en el que estudiamos la relación entre la estructura de datos, la física de las bolas de masa y los resultados de RSM. |
| |
La motivación detrás de este proyecto es que COVID-19 ha aumentado la demanda de cocina remota e inteligencia artificial y la robótica en la industria alimentaria desempeñará un papel cada vez más importante a medida que la aplicación de la tecnología continúe extendiéndose. |
| |
Pero la mayoría de los alimentos se preparan sin un control preciso de los parámetros de cocción, ya que confiamos en la experiencia del chef para crear platos consistentes. |
| |
Pero el control de calidad y la eficiencia serán mucho más importantes si el robot está cocinando una comida, por lo que decidimos utilizar las albóndigas al vapor como un plato simple, nutritivo pero sabroso para preparar la receta óptima, de acuerdo con el tiempo de fermentación de las albóndigas. |
| |
Así que dije anteriormente, realizamos un experimento de bola de masa, pero debido a la escasez de ingredientes, tuvimos que sustituir un tipo de carne diferente en el proceso experimental. |
| |
Entonces, cuando evaluamos el diseño del DOE, no era ortogonal ya que había algunos factores de confusión importantes. |
| |
Y cuando tratamos de ejecutar el resultado de RSM con estos datos, también hubo un valor atípico potencial, en particular, la ejecución n.º 6, que queríamos estudiar más a fondo. |
| |
Entonces, nuestro primer objetivo de este proyecto es abordar la escasez desde un punto de vista correctivo (?) |
| |
y ver si podemos guardar la estructura DSD. Haremos esto cambiando primero el tipo de carne, que originalmente era una variable categórica de dos niveles que consistía en carne de cerdo o camarones. |
| |
a una variable continua para que podamos usar porcentajes variables de tipo de carne para esas tres corridas que usamos con diferentes mezclas de camarones y cerdo. |
| |
Y luego evaluaremos la estructura de datos para este nuevo diseño DSD usando una variedad de herramientas de evaluación. |
| |
Bueno, dado que la estructura DSD no era problemática en base a esas herramientas, decidimos ejecutar un modelo RSM para ver si sus resultados están en línea con nuestra investigación científica sobre convección y conducción. |
| |
Si la estructura DSD hubiera sido problemática, es posible que hayamos recibido algunas interacciones falsas que la ciencia no puede explicar |
| |
y las interacciones que esperaríamos de la ciencia pueden estar ocultas debido a la ausencia de ortogonalidad. |
| |
Y nuestro segundo objetivo después de encontrar un buen modelo DSD para dar cuenta de la escasez de ingredientes. |
| |
es un enfoque más preventivo, donde queremos estudiar el impacto del valor atípico potencial y un ??? DSD estructurado mediante la revisión de la configuración. |
| |
El impacto de los valores atípicos puede ayudarnos a comprender mejor la importancia del control de la medición y un problema... mientras estudiamos la estructura DSD |
| |
nos permitirá saber cómo afectará la estructura confusa a nuestros resultados incluso antes de ejecutar nuestro experimento en el futuro. |
| |
Así que haremos el segundo objetivo modificando y comparando la configuración de los factores y la respuesta de la Ejecución n.º 6, que es un valor atípico potencial, y la Ejecución n.º 9, que es nuestro punto central, y estudiaremos si los resultados del modelo se deben a datos de confirmación. estructura o si puede ser explicado por la física. |
| |
Entonces, la tabla de diseño original está a la derecha y las que sustituimos son las Ejecuciones n.° 3, 4 y 9, resaltadas en naranja. |
| |
Ejecute #9, nuevamente, este es el punto central, por lo que la sustitución puede afectar la ortogonalidad del modelo, como la varianza de predicción promedio que estamos buscando superponer. La ejecución original usa carne categórica de cerdo y camarones, por lo que mantuvimos la configuración |
| |
camarones, incluso para estas tres carreras en las que tuvimos que sustituir algunos de los camarones por cerdo. |
| |
El mapa coloreado en el lado izquierdo muestra algunos grupos de confusión, por lo que el azul indica que no hay confusión, cero correlación entre esos dos términos. |
| |
y el rojo oscuro indica confusión severa y alta correlación, por lo que la línea diagonal siempre será 1, ya que cada variable está... cada término está 100% correlacionado consigo mismo. Entonces, ¿hay algunas líneas de resolución? que afectan a la confusión. |
| |
y |
| |
el... para el tipo de carne categórico, especialmente alrededor de una correlación de 0,3, y tenemos una resolución IV severa, que es el riesgo de combinación de interacción, ya que algunos de ellos, como los bloques rojos, tienen una correlación superior a 0,5. Entonces no deberíamos |
| |
ejecute un modelo RSM desde aquí, ya que no se puede confiar en nuestros datos en sí mismos para la confusión severa, por lo que antes de proceder a ejecutar un modelo, necesitamos mejorar el RSM... la estructura de datos. Pero, ¿cómo podemos abordar este problema sin recopilar los datos? |
| |
Entonces, dado que el tipo de carne categórico tenía problemas de confusión y deberíamos tener en cuenta la sustitución del tipo de carne, decidimos cambiar el tipo de carne de categórico a continuo. |
| |
Cambiamos la variable esencialmente a porcentaje de camarones, por lo que el tipo de carne anterior que era solo camarones se cambió al 100 % y los que eran solo carne de cerdo cambiaron al 0 %. |
| |
Para tres carnes sustituidas, estimamos los valores porcentuales reales en función de lo que recordamos sobre el historial de pedidos del total de carne que compramos en el supermercado ese día, es decir, 70, 40 y 65 %. |
| |
Luego volvimos a ejecutar el mapa de color en las correlaciones y observamos el análisis de potencia para evaluar si la estructura de datos es más ortogonal o no. |
| |
El análisis de potencia es superior a 0,9 para los efectos principales, lo que significa que existe una probabilidad superior al 90 % de que podamos detectar un efecto significativo de estas variables. |
| |
Además, el mapa de color indica una resolución 1 ligeramente reducida, ya que tiene un tono más azul, especialmente para el tipo de carne continuo. |
| |
Y la resolución 4 de confusión no cambia mucho, por lo que optaremos por apegarnos a este modelo, ya que la ortogonalidad aparente no es mala, y más adelante, cuando ejecute el RSM, volveremos al mapa de colores para verificar si puede haber interacciones. deberse a un problema de confusión. |
| |
Entonces, a continuación, observamos el perfil de varianza de predicción, que indica esa varianza de predicción en diferentes niveles de factores. |
| |
Ahora, el perfil de predicción real depende tanto del error de respuesta como de una cantidad que depende del diseño y la configuración del factor. |
| |
Pero para este perfil de varianza de predicción, el eje Y es una varianza relativa de predicción, que es la varianza real dividida por la varianza de respuesta |
| |
de modo que la varianza de la respuesta se cancela y el perfil de la varianza de la predicción solo depende de la estructura DSD y no de la respuesta. |
| |
Entonces, el gráfico superior es la varianza promedio en el punto central y el inferior es la varianza maximizada, por lo que debemos observar ambos porque la varianza promedio indica más información sobre todo el diseño. |
| |
y la varianza máxima le brinda información sobre el peor de los casos. Entonces la varianza promedio es la Ejecución #9 |
| |
en la configuración de Run #9, que tuvimos que sustituir parte de la carne. Y en la ejecución n.º 9, la varianza es de 0,06, lo que no está nada mal y la varianza es simétrica con respecto al punto central, lo que significa que la sustitución no afecta gravemente a la ortogonalidad del modelo. |
| |
La varianza de la predicción siempre será mayor en las esquinas, ya que no desea hacer predicciones de las esquinas, porque hay menos puntos a su alrededor y la ejecución óptima suele ser alrededor del centro. |
| |
con la menor varianza de predicción. Para obtener la variación máxima, puede ver que la curva es un poco asimétrica para el peso de la bola de masa hervida y el tipo de carne. |
| |
Esta es la ejecución n.º 18, pero no tiene nada de especial, por lo que no debería ser un gran problema. Entonces, dado que no ha habido nada importante que se destaque para esta estructura DSD, continuaremos y procederemos a ejecutar el modelo RSM para el tipo de carne continua. |
| |
Así que ejecutamos el modelo RSM utilizando una progresión paso a paso y una selección mixta, en función del valor p. Y elegimos una progresión por pasos en lugar de la regresión ordinaria de mínimos cuadrados, porque los mínimos cuadrados |
| |
necesitamos al menos el mismo número de corridas que términos y no tenemos suficientes corridas para estimar todos los términos. |
| |
Entonces, tres efectos medios importantes son la temperatura del agua, el peso de la bola de masa hervida y el tamaño del lote. Y tenemos el término de interacción de la temperatura del agua por el peso de la bola de masa hervida. |
| |
El ANOVA es significativo, lo que indica que podemos rechazar la hipótesis nula y concluir que tenemos un modelo. No tenemos un problema de sobreajuste. |
| |
ya que el R cuadrado y el R cuadrado ajustado difieren en menos del 10%. Para la ventana de falta de ajuste, la suma del error de falta de ajuste y el error puro es la suma de los cuadrados del error total de la tabla ANOVA. |
| |
Y el error puro es independiente del modelo, como el error experimental, por lo que si el error residual total es grande en comparación con el error puro. |
| |
Significa que podríamos tener que ajustar modelos no lineales, ya que el modelo lineal tiene una gran falta de ajuste. Cuando todo el error se debe únicamente al error puro, entonces no hay falta de ajuste. |
| |
y el valor de R cuadrado es igual al máximo R cuadrado. El valor de p para la falta de ajuste es superior a 0,05, por lo que realmente no tenemos pruebas de que necesitemos cambiar a un diseño no lineal robusto, ya que el error puro es mucho menor en comparación con el error residual total. |
| |
Ahora bien, la R cuadrada no es muy buena... no excelente, debido al posible valor atípico en la ejecución n.° 6 que se observa en el residuo estudentizado, que toca el límite de cualquier límite. Veamos por qué esa ejecución podría ser un valor atípico. |
| |
Entonces, si observa el generador de perfiles de predicción para la ejecución n.° 6, vemos que hay un triángulo grande, lo que indica una mayor sensibilidad local. |
| |
Y esto indica que un pequeño cambio en la entrada provoca un gran cambio en el tiempo de subida, lo que significa una mayor pendiente instantánea en la configuración del factor para la ejecución n.º 6. |
