247114_it-IT

liliconcom

Analisi dei risultati della simulazione Opt DOE

Caro JMPer,

 

Attualmente, sono in fase di analisi i risultati di una simulazione Opt DOE. Tuttavia, non ottengo simulazioni di moduli di risultati coerenti e ottengo anche tendenze diverse durante l'analisi del profilo del contatore. Mi chiedo se qualsiasi metodologia o analisi potrebbe essere utilizzata per capire quale risultato della simulazione è valido.

Ecco il mio processo di simulazione. La matrice DOE è nella tabella 1

1. Modello adatto (Simulazione 1):
   1. Inserisci 4 ingressi in Simulazione 1 e seleziona la modalità di risposta della superficie nelle funzioni macro.
   2. Rimuovere l'opzione di interazione dallo stesso fattore, ad esempio input A * input A
   3. Esegui la simulazione con i minimi quadrati standard e l'effetto leva.
   4. La tabella 2 mostra Rsquare del riepilogo dell'adattamento e dell'andamento dell'output in base all'A/C di input (l'A/C di input è un fattore chiave per il processo)
2. Adatta lo screening a due livelli (Simulazione 2):
   
   1. Selezionare Output A per eseguire lo screening fit a due livelli.
   2. Utilizzare fattori importanti definiti, come l'interazione dell'output e gli output individuali.
   3. Esegui la simulazione con minimi quadrati standard e leva a effetto.
   4. La tabella 2 mostra Rsquare del riepilogo dell'adattamento e dell'andamento dell'output in base all'A/C di input (l'A/C di input è un fattore chiave per il processo)

L'output B e l'output C sono in grado di prevedere la tendenza in base a un input più elevato o a un input più basso (a causa della fisica). Tuttavia, l'output A è la risposta importante che vorrei vedere quale simulazione mostrerebbe la tendenza. Basato su Rsquare di Summary Of Fit, la Simulazione 1 sembra più battuta della Simulazione 2. Tuttavia, l'andamento dell'output di Simulazione 2 è più logico per me rispetto a Simulazione 1. Pertanto, mi chiedo se qualcuno potrebbe condividere alcuni input per avere un'analisi migliore per entrambi i risultati della simulazione. Per favore, condividimi i tuoi input. Apprezzo molto il tuo tempo e il tuo aiuto.

 

Grazie,

 

migliori,
Andy

 

 

Tabella 1. matrice DOE

Gamba#	Modello	Ingresso A	Ingresso B	Ingresso C	Ingresso D	Ingresso E	Ingresso F	Uscita A	Uscita B	Uscita C
1	+−−++−	300	200	100	3	25	1	0,0%	2.463	61
2	−+−+−+	200	400	100	3	15	5	0,0%	3.572	45
3	++−−++	300	400	100	1	25	5	0,0%	3.990	47
4	−−−−−−	200	200	100	1	15	1	0,0%	3.245	31
5	+−−−−−+	300	200	100	1	15	5	0,0%	3.017	34
6	−−−++++	200	200	100	3	25	5	0,0%	3.842	76
7	−+−−+−	200	400	100	1	25	1	0,0%	3.431	48
8	++−+−−	300	400	100	3	15	1	0,0%	2.409	51
9	000000	250	300	110	2	20	3	0,0%	3.336	66
10	000000	250	300	110	2	20	3	0,0%	2.564	66
11	−++++−	200	400	120	3	25	1	0,0%	3.289	62
12	−−+−++	200	200	120	1	25	5	0,0%	2.698	53
13	+−++−+	300	200	120	3	15	5	0,0%	3.017	47
14	+++---	300	400	120	1	15	1	0,0%	3.460	31
15	−++−−+	200	400	120	1	15	5	2,8%	3.503	28
16	−−++−−	200	200	120	3	15	1	0,0%	2.835	42
17	+−+−+−	300	200	120	1	25	1	0,0%	2.304	42
18	++++++	300	400	120	3	25	5	0,0%	3.431	69
19	POR	150	300	120	0	0	0	7,1%	3.642	16
20	POR	150	300	120	0	0	0	8,3%	3.093	15

 

Tavolo 2. Risultati della simulazione 1 e della simulazione 2.

Analisi JMP	Simulazione 1	Simulazione 1	Simulazione 1	Simulazione 2	Simulazione 2	Simulazione 2
Matrice	Uscita A	Uscita B	Uscita C	Uscita A	Uscita B	Uscita C
Ingresso A alto	Ridurre	ridurre	due tendenze	aumento	Aumento	ridurre
Ingresso A basso	aumento	aumento	due tendenze	ridurre	Ridurre	Aumento
Ingresso C alto	Aumento	Aumento	ridurre	ridurre	Aumento	Ridurre
Ingresso C basso	ridurre	ridurre	aumento	aumento	ridurre	aumento
Riepilogo dell'adattamento Rquadrato	0,96	0,78	0,84	0,95	0,59	0,85

Re: Analisi dei risultati della simulazione Opt DOE

Un approccio alternativo al metodo di costruzione del modello di Mark (iniziando con il 1° ordine e poi aggiungendo il 2° in base agli eccellenti principi di scarsità, gerarchia ed eredità) consiste nell'iniziare con un modello saturo. Usa le trame di Daniel (normale/metà normale), le trame di Pareto (assicurandoti che le stime abbiano un significato pratico) e le trame di Bayes (se ti piacciono queste cose). Rimuovi i termini insignificanti (considera i delta Rsquare vs. Rsquare rettificati) ed esegui nuovamente il modello prestando particolare attenzione ai residui per assicurarti che il tuo modello soddisfi i soliti presupposti.  

 

Una delle mie citazioni preferite:

"Due investigatori ugualmente competenti che si presentano con lo stesso problema inizierebbero in genere da punti di partenza diversi, procederebbero per percorsi diversi e tuttavia potrebbero raggiungere la stessa risposta. Ciò che si cerca non è l'uniformità ma la convergenza" (Riquadro, Hunter Hunter "Statistiche per sperimentatori").

Re: Analisi dei risultati della simulazione Opt DOEGrazie per la correzione. Ancora una volta, grazie per il tuo suggerimento.Re: Analisi dei risultati della simulazione Opt DOE

Hai chiesto " Sulla base della tua esperienza, la simulazione dovrebbe essere incentrata sugli effetti principali definiti dallo screening di due livelli di adattamento? "

 

Prima di tutto, questa NON è una simulazione. È un'analisi di regressione per adattarsi a un modello lineare.

 

Esistono diversi modi comuni per affrontare l'analisi di un esperimento basato su un disegno fattoriale frazionario. Puoi affrontarlo, come ho detto, utilizzando due fasi in cui prima selezioni gli effetti principali, credendo che valgano i principi della gerarchia, e quindi aggiungi termini di interazione per i fattori attivi, credendo che valga il principio di ereditarietà. Questo approccio è spesso un modo efficace per selezionare il modello. Questo modello, come tutti gli altri, deve essere verificato con nuove osservazioni empiriche (augmented run).

 

Hai chiesto " Potresti condividermi lo script per s simulazione della piattaforma tepwise? "

 

Non hai bisogno di uno script. Inizia la tua analisi con Fit Model come al solito. Specificare la colonna dei dati di risposta nel ruolo Y. Specificare i termini nel predittore lineare per gli effetti. Ma cambia la personalità da Standard minimi quadrati a Stepwise ..

 

Si prega di consultare il capitolo JMP > Libri > Fitting Linear Models > Stepwise.

Re: Analisi dei risultati della simulazione Opt DOE

@Mark_Bailey Grazie mille per la tua spiegazione dettagliata. Ho riconosciuto gli input per l'attuale design della matrice.

La matrice DOE è progettata per fattoriali frazionari con alcune interazioni a 2 fattori e ho cercato di definire i fattori chiave per il processo.

Una domanda veloce. Sulla base della tua esperienza, la simulazione dovrebbe essere incentrata sugli effetti principali definiti dallo screening di due livelli di adattamento? Ho notato che analizzeresti gli effetti definiti e il profilo di previsione della trama.

 

Inoltre, non ho mai usato la piattaforma stepwise prima. Potresti condividermi lo script per s simulazione della piattaforma tepwise?

 

Ancora una volta, grazie per i tuoi pensieri e input.

 

Grazie,

 

migliori,
Andy

Re: Analisi dei risultati della simulazione Opt DOE

Quindi hai progettato un esperimento per una simulazione al computer? Cioè, i livelli dei fattori sono usati come valori dei parametri nella simulazione al computer?

 

Interpreto invece la tua domanda per riguardare regressione risultati. Il disegno fattoriale frazionario a due livelli in 16 corre con 2 punti centrali e 2 ad hoc run non supporta la stima del modello quadratico completo. In questo caso, non devi provare a stimare i parametri per i termini quadratici.

 

La piattaforma Screening è intesa solo per fattori a due livelli. Hai usato un design a due livelli ma hai aggiunto un terzo o quarto livello con i punti centrali e ad hoc corre. Questa piattaforma non ti darà necessariamente informazioni sbagliate ma non ti darà necessariamente informazioni corrette quando ci sono più di due livelli.

 

Tuttavia, può essere utile come strumento di esplorazione e punto di partenza per un'analisi di regressione completa. L'ho usato per trovare un modello per l'output A con il predittore lineare che include Input E, Input D, Input A e Input E* Input E. Quindi ha rilevato una risposta non lineare ma attribuirla all'Input E è arbitraria. Si basa sul principio di ereditarietà e niente di più. Non può essere stabilito con questo esperimento. L'output B non sembra avere effetti fissi da questi fattori. L'output C ha il modello più complesso. Include due effetti quadratici, che è il massimo che può essere stimato e la scelta di quali termini è ancora arbitraria. L'azione usuale in questa fase è aumentare il design a due livelli in modo specifico per stimare tutti i termini quadratici per una decisione finale.

 

Un altro approccio consiste nell'utilizzare la piattaforma Stepwise partendo da tutti i potenziali termini (effetti principali e interazioni) che potrebbero essere stimati. Ecco il profilatore di previsione lanciato con le formule del modello salvate per Output A e Output C utilizzando la regressione graduale per selezionare il modello.

 

 

Un altro approccio consiste nell'iniziare solo con gli effetti principali, rimuovere i fattori non importanti, quindi aggiungere e testare le interazioni che coinvolgono i fattori importanti. Questo approccio si basa sui principi della gerarchia e dell'ereditarietà.

 

Ricorda solo che ci sono molti effetti confusi e correlati usando questo design.Fornisce informazioni incomplete sulla risposta. Quindi l'aumento potrebbe essere il miglior passo successivo per chiarire gli effetti importanti. Indipendentemente da ciò, il modello finale selezionato qui o dopo l'aumento deve essere verificato empiricamente con nuove esecuzioni indipendenti per trattamenti non ancora testati.