Analyse de la surface de réponse : recherche de paramètres optimisés pour le processusJ'ai donc conçu un RSM avec JMP après avoir fait le screen. J'ai 5 variables d'entrée et 5 variables de sortie qui sont mesurées sur les échantillons produits. Alors maintenant, j'ai ces résultats des réponses et j'ai exécuté le modèle en utilisant Model>Run Script. Cela m'amène bien sûr à l'ajustement des moindres carrés et je suis allé au profileur de prédiction et au profileur de contour et il existe déjà un ensemble de paramètres d'entrée suggérés en fonction de la façon dont j'avais conçu les réponses de sortie, c'est-à-dire s'ils devaient être maximisés, minimisés ou mis en correspondance. vers une cible, etc. Mes questions se divisent donc en deux parties ;
1. Je me suis rendu compte que sur l'une des réponses (densité) j'avais sélectionné l'option maximiser au lieu de mettre un objectif. La densité de ce matériau est d'environ 1 g/cm3 et mes résultats d'expériences se situent dans une plage acceptable (0,7-09), mais le résultat prévu (car j'avais sélectionné maximiser) est affiché de l'ordre de 1000 s. Et aussi le RSME est d'environ 360 ! Existe-t-il un moyen pour moi de revenir en arrière et d'ajuster cela dans mon RSM (et de fixer des limites) et d'évaluer à nouveau le RSM ?
2. Une fois que l'on a obtenu les paramètres souhaités à l'aide du profileur de prédiction, comment le modèle est-il ensuite généré ou comment propose-t-on une équation pour décrire le modèle ? De plus, lorsqu'il s'agit de tester le modèle pour montrer son adéquation, dois-je alors utiliser uniquement cet ensemble de paramètres suggéré, produire environ 10 échantillons et évaluer si le résultat est celui prévu pour chacun d'eux ?
J'espère que quelqu'un ici a vécu des expériences similaires et pourra vous aider. J'apprécierais également d'être orienté vers les bonnes ressources.
Merci.
Conception d'expériencesRe : Analyse de la surface de réponse : recherche de paramètres optimisés pour le processusMerci beaucoup pour les explications et les conseils pour monter le modèle séparément, je vais certainement l'appliquer désormais. Après rétrospection de mon raisonnement derrière "vouloir une équation pour l'ensemble du processus", j'ai réalisé qu'il était erroné car j'ai 5 résultats (Y) par rapport auxquels je mesure. Votre réponse m'a été très utile pour me faire comprendre certaines choses.
@Mark_Bailey Merci pour votre participation; c'est exactement ce que je pensais, mais en tant qu'amateur du DOE et du JMP, je n'en étais pas trop sûr.
@P_Bartel C’est une excellente déclaration ; cela montre à quel point le DOE et les statistiques peuvent être puissants !
Merci encore à tous !
Re : Analyse de la surface de réponse : recherche de paramètres optimisés pour le processus@Mark_Bailey fait valoir un excellent point. L'un des ingénieurs avec qui j'ai travaillé chez Kodak, Dave Niemeyer, avait un dicton qui ressemblait à ceci : "Vous savez que vous avez une cause profonde lorsque vous pouvez activer et désactiver un mode de défaillance."
Re : Analyse de la surface de réponse : recherche de paramètres optimisés pour le processusSi vous souhaitez valider le modèle et pas seulement les paramètres de facteurs optimaux, sélectionnez un ou plusieurs ensembles de paramètres de facteurs qui prédisent de mauvaises réponses et voyez s'ils se confirment.
Re : Analyse de la surface de réponse : recherche de paramètres optimisés pour le processusSalut @Incr_ch22 ,
Génial, c'était donc plus un problème de qualité des données (valeurs aberrantes) qu'un problème de modélisation.
Un commentaire sur la modélisation : lorsque vous cliquez sur "Modèle" pour créer l'analyse, merci de cocher l'option "Ajuster séparément" (en dessous de personnalité et emphase, à droite) lorsque vous avez plusieurs réponses avant de lancer la plateforme : vous aurez pour trier et éliminer les termes pour chaque réponse, mais cela vous permettra d'avoir des modèles personnalisés pour chacune de vos réponses, ce qui peut aider à augmenter la précision de votre modèle (voir capture d'écran ci-jointe pour comparaison ou fichier avec le script "Model_fit-separately")) .
Concernant votre question, en allant dans "Définir la désirabilité", vous pouvez préciser différentes importances à vos réponses ; dans votre cas, si la densité est très importante par rapport aux autres réponses, vous pouvez augmenter son importance. Il peut être difficile de trier toutes les réponses de désirabilité élevée à faible, car certaines de vos réponses peuvent avoir des « intérêts/facteurs conflictuels », mais vous pouvez trier le tableau de sortie en sélectionnant la colonne « Désirabilité », faites un clic droit dessus, cliquez sur « Trier » puis « Décroissant ». Vous aurez ensuite vos expériences simulées triées de la désirabilité globale la plus élevée à la désirabilité globale la plus faible (et si nécessaire, vous pouvez trier d'autres colonnes de réponses spécifiques de la même manière).
Pour les expériences de validation, j'examinerais l'optimum prédit et les valeurs de réponses prédites, pour vérifier l'exactitude du modèle. D'autres points peuvent également être sélectionnés, en fonction de votre objectif (vérifiez si la variance de prédiction est homogène dans la conception ou vérifiez si de petites variations par rapport à l'optimum peuvent encore être acceptables pour votre processus).
Je ne suis pas sûr de ce que vous entendez par « trouver quelque chose de similaire pour l'ensemble du processus » ? Vous pouvez toujours enregistrer chaque formule de prédiction de réponses individuelles afin de cartographier/prédire l'ensemble du processus ?
Si vous souhaitez enregistrer toutes les formules de réponses en un seul clic, appuyez sur CTRL + cliquez sur le triangle rouge d'une des réponses, "Enregistrer les colonnes", puis "Formule de prédiction" (et StdErr Pred Formula pour obtenir les intervalles de confiance pour chaque prédiction de réponse formule).
J'espère que cela vous aidera,
Re : Analyse de la surface de réponse : recherche de paramètres optimisés pour le processusJ'ai donc réussi à identifier où se trouvait l'erreur en termes de valeurs de densité. Il s’avère qu’il s’agissait d’une virgule mal placée dans l’une des entrées. J'ai réglé ce problème et la valeur RMSE est maintenant de 0,02. Je suis retourné au Prediction Profiler et j'ai défini les plages en fonction de l'opportunité. Également lorsque je clique sur Prediction Profiler > Output Grid Table ; Je reçois le tableau avec les résultats prévus. Ma question est; Existe-t-il un moyen automatique pour moi d'analyser ou au moins de regrouper le tableau de telle sorte que j'aie une désirabilité globale élevée au sommet jusqu'à une désirabilité faible ? J'ai quelques valeurs avec une bonne opportunité globale, mais quand je regarde les valeurs de densité prédites, elles ne sont pas idéales. Dans mon cas, ce facteur (densité) joue un rôle important car j'essaie d'avoir des échantillons pas trop poreux.
Pour les expériences de validation, puis-je ensuite sélectionner certains paramètres dans ce tableau (peut-être 5) et comparer les résultats avec ceux prédits ?
@Victor_G le conseil sur l'expression de prédiction et la formule qui ont fonctionné pour les réponses singulières. Cependant, je n'ai pas trouvé quelque chose de similaire pour l'ensemble du processus ?
@P_Bartel J'ai joint deux photos du résumé des effets et du Prediction Profiler.
Re : Analyse de la surface de réponse : recherche de paramètres optimisés pour le processusVous n'avez joint aucun fichier à consulter. Et un avertissement... ne vous embêtez pas à joindre une table de données JMP car je n'ai pas JMP sur mon ordinateur donc je ne peux faire aucune analyse... mais si vous avez des fichiers/images non JMP, cela vous pouvez joindre un document contenant les résultats du rapport de la plateforme d'analyse. Je vais y jeter un œil et vous proposer toutes mes réflexions ou observations.
Re : Analyse de la surface de réponse : recherche de paramètres optimisés pour le processusBonjour @Incr_ch22 ,
Si vous ne parvenez pas à avoir un modèle « assez bon » avec les facteurs/variables dont vous disposez (et les différentes puissances/interactions avec et entre ces facteurs), il se peut qu'il manque des variables/facteurs (non présents dans votre DoE) qui peuvent avoir une meilleure capacité prédictive, ou des valeurs aberrantes biaisant/bruitant le modèle.
Concernant votre fichier, assurez-vous que la fin du nom de fichier correspond au format/type/extension. Par exemple, Big_Class.jmp est une table de données JMP. Un projet ou une revue aura une extension différente. Avez-vous essayé de sauvegarder à nouveau votre fichier et de spécifier l'extension ? Ou essayer de l'enregistrer sous un format différent (comme le format Excel) ?
Re : Analyse de la surface de réponse : recherche de paramètres optimisés pour le processusMerci beaucoup @Victor_G . J'ai essayé d'utiliser la fonction de désirabilité et elle fonctionne bien, mais comme vous l'avez dit, cela ne changera pas le RMSE du modèle 
. Je ne sais pas où je me suis trompé pour ma densité. J'ai également essayé de supprimer les termes avec p > 0,05 dans le résumé des effets, mais cela n'aide pas avec les valeurs de densité prédites très élevées. J'ai l'intention de mener des expériences de validation pour mon processus.
Merci @P_Bartel pour votre contribution. Les variations jusqu’à présent se situent dans une fourchette acceptable, sauf pour cette densité.
Pourriez-vous s'il vous plaît jeter un œil à mon modèle et à mon analyse et me faire part de votre avis ?
Il semble que j'ai des problèmes pour télécharger mon fichier :
- Le type de contenu de la pièce jointe ne correspond pas à son extension de fichier et a été supprimé. C'est la notification que je reçois. Qu'est-ce que cela signifie?
Re : Analyse de la surface de réponse : recherche de paramètres optimisés pour le processusLa seule chose que je suggère au-delà des conseils de @Victor_G Ce qu'il faut faire AVANT d'exécuter vos essais de validation est d'examiner les parcelles résiduelles dans la zone d'intérêt pour connaître les paramètres de processus optimaux. Cela vous donnera une idée de la variation minimale que vous pouvez attendre des essais de validation. Si cette quantité de variation est gênante d’un point de vue pratique, passer aux essais de validation pourrait n’être rien de plus qu’un exercice académique.
Re : Analyse de la surface de réponse : recherche de paramètres optimisés pour le processusSalut @Incr_ch22 ,
- Vous pouvez CTRL + clic gauche sur vos fonctions de désirabilité dans votre profileur pour modifier les objectifs et la plage. Vous pouvez également y accéder via le triangle rouge, choisir le sous-menu « Optimisation et désirabilité » puis choisir « Définir la désirabilité ». Voir Options du profileur de prédiction (jmp.com).
Si le RMSE (Root Mean Squared Error) est si important pour cette réponse de densité, modifier la désirabilité ne modifiera pas le RMSE du modèle. Nous n'avons pas votre fichier et vos résultats, mais il y a peut-être quelque chose à faire sur la modélisation : changer le type de modèle, inclure/supprimer certains termes, etc... - Pour chaque réponse, vous pouvez cliquer sur le triangle rouge de la réponse, puis sur « Estimations », puis sur « Afficher l'expression de prédiction » : Afficher l'expression de prédiction (jmp.com) . Vous pouvez également sauvegarder les formules directement dans votre datatable avec le triangle rouge, puis "Save Columns", puis "Prediction Formula" (et "StdErr Pred Formula" pour obtenir les plages de confiance) : Enregistrer les colonnes (jmp.com)
Pour la validation du DoE, il peut exister plusieurs façons de confirmer l'optimum prédit, mais c'est toujours une bonne pratique d'exécuter des expériences de validation et de comparer les valeurs avec les valeurs prédites du modèle. Vous pouvez également utiliser le simulateur pour vérifier si votre réponse est suffisamment robuste aux petites variations de vos entrées : Simulateur (jmp.com)
J'espère que cette première réponse vous aidera,
