Augmentation des expériences avec un DOE, effet sur les expériences futuresBonjour,
Je comprends que lorsque vous entrez des paramètres pour un espace expérimental, un DOE est créé pour explorer cet espace le plus efficacement possible. Ma question concerne l'effet des données précédentes sur le DOE.
Si vos données précédentes ont déjà exploré une partie de l’espace des paramètres, le DOE prendra-t-il ces données en considération pour explorer le plus efficacement possible le reste de l’espace des paramètres ? Ou le DOE utilisera-t-il simplement les données pour l’ajustement, mais explorera-t-il l’espace comme si rien n’était encore connu ?
Merci pour votre temps
Modélisation statistique avancéeExploration et visualisation des donnéesConception d'expériencesRe : Augmentation des expériences avec un DOE, effet sur les expériences futuresDavid,
Je n'ai pas entendu cette chanson. Mon coiffeur m'a donné mon surnom lorsque je lui ai décrit mon métier. Il se trouve que c'était à peu près au moment où le film Batman est sorti...
La meilleure façon d’évaluer la stabilité et la cohérence est d’utiliser la méthode d’échantillonnage et de carte de contrôle. Essentiellement, configurez votre processus selon le modèle et exécutez-le dans des conditions changeantes (le temps comme substitut). Évaluez les graphiques de plage ou de plage mobile pour évaluer la cohérence.
Il existe d'autres procédures statistiques que vous pouvez effectuer, par exemple conserver les données lors de la création initiale du modèle, puis tester le modèle par rapport aux points de données qui ont été retenus (arbres boostés, forêt d'amorçage, voisins les plus proches, etc.). Ceux-ci s’appuient toujours sur l’espace d’inférence à partir duquel les données originales ont été obtenues, et non sur les conditions futures. Vous pouvez également consulter la plate-forme de contrôle des processus, qui utilise la méthode de la carte de contrôle.
https://www.jmp.com/support/help/en/17.0/?os=mac&source=application#page/jmp/the-process-screening-report.shtml
Re : Augmentation des expériences avec un DOE, effet sur les expériences futuresSalut statman (ça me rappelle la chanson "Scatman"),
Merci pour votre avis sur nos choix de paramètres - et je suis tout à fait d'accord sur le fait que nous ne prenons pas en compte toutes les variables. Je devrais peut-être partager qu'à titre d'étude préliminaire à notre état actuel, nous avons réalisé une étude de sélection dans le but d'utiliser les données pour choisir les variables les plus « importantes ». Bien sûr, même notre test de dépistage n'incluait pas toutes les variables, et j'admets que nous en avons réduit quelques-unes pour rendre le nombre d'expériences de tests de dépistage plus réalisable (comme vous l'avez dit, guidés par nos propres hypothèses).
Pourriez-vous peut-être m'indiquer comment évaluer la stabilité du modèle ? Ce serait vraiment utile pour nous de comprendre et de pouvoir quantifier.
- David
Re : Augmentation des expériences avec un DOE, effet sur les expériences futuresJ'ai un point de vue alternatif. On dirait que vous croyez que l’espace expérimental est une constante et que tout ce que vous faites est de changer la façon dont vous échantillonnez cet espace. Ce serait peut-être bien, mais malheureusement totalement irréaliste. Quel pourcentage d’expériences industrielles se répètent réellement ? Si vous exécutiez à nouveau la même structure de conception (dans des conditions de bruit changeantes), obtiendriez-vous les mêmes résultats ? Pourquoi ou pourquoi pas? L’une des raisons pour lesquelles ils ne le font pas est due en grande partie au fait que nous ne commençons pas les enquêtes avec TOUTES les variables de l’étude. Nous commençons par un sous-ensemble, souvent un petit sous-ensemble. Il est assez ironique que nous ayons tendance à inclure uniquement les facteurs pour lesquels nous avons des hypothèses qui soutiennent qu’ils ont un effet. Que fait-on avec les autres ? Avons-nous parfois des données pour étayer ces choix ? La conception expérimentale doit évaluer les deux sources de variation. Ceux que nous choisissons en fonction de nos hypothèses (les facteurs d'une expérience) et ceux que nous ne choisissons pas (le bruit). Les stratégies de conception d'optimisation ne sont efficaces que si le système sous-jacent est stable et cohérent. Peut-être que votre prochaine itération devrait être de déterminer la stabilité de votre modèle dans des conditions changeantes plutôt que de créer un modèle complexe qui ne fonctionne qu'hier.
Re : Augmentation des expériences avec un DOE, effet sur les expériences futuresMerci pour votre aide!
Re : Augmentation des expériences avec un DOE, effet sur les expériences futuresSalut @dbu ,
Réponse courte : Oui, la plateforme « Augment Design » prend en compte les expériences et termes précédents dans la conception du modèle pour suggérer de nouvelles exécutions susceptibles d'augmenter le niveau d'information.
Réponse longue : Les résultats de la plateforme "Augment Design" dépendront de ce que vous essayez de réaliser et des modifications que vous effectuez :
- Si vous réduisez l'espace expérimental, les nouveaux points seront générés dans cet espace plus petit (voir capture d'écran "Réduction de l'espace expérimental" réalisée avec la plateforme de conception d'augmentation de remplissage d'espace).
- Si vous augmentez l'espace expérimental, la plupart des exécutions seront autorisées dans cet espace plutôt que dans celui d'origine (voir capture d'écran "Augmentation de l'espace expérimental" réalisée avec une plateforme de conception d'augmentation remplissant l'espace).
Notez que si vous cochez "Regrouper les nouvelles exécutions dans un bloc séparé", JMP effectuera quand même quelques exécutions dans l'espace expérimental précédent (à moins qu'il ne soit pas du tout inclus dans les plages de facteurs) afin de vérifier si cette deuxième série d'expériences a un variance similaire à la première.
De plus, le type d'augmentation créera de nouvelles séries différemment, selon que vous ajoutez plus de termes dans le modèle (via l'option "Augmenter"), ou si vous répliquez, ajoutez des points centraux/axiaux ou repliez votre conception, ou si vous ' faire du remplissage d'espace (pour ce dernier point, vous pouvez voir la capture d'écran réalisée sur des données simulées "Space-Filling augmentation", qui est assez illustrative, ou la capture d'écran précédente pour l'augmentation/réduction de l'espace expérimental). Plus d'infos ici : Exemples supplémentaires de choix d'augmentation (jmp.com)
J'ai réalisé une étude sur cette augmentation sur un cas d'usage concret (de l'ancienne entreprise pour laquelle j'ai travaillé) que vous pouvez retrouver ici : Réparation d'un plan d'expériences incomplet par augmentation - Réunion du groupe... - Communauté d'utilisateurs JMP Désolé que ce soit en français, mais vous verrez assez facilement le point soulevé et l'avantage de l'augmentation sur le cas d'utilisation : cela nous permet d'utiliser efficacement les données du labo précédent (censées provenir d'un DoE, mais ce n'était pas vraiment le cas) ) et augmentez l'ensemble initial d'expériences pour avoir un DoE correct avec moins de nouvelles expériences nécessaires que si nous devions repartir de zéro. A partir de ce cas d'utilisation, vous pouvez regarder la capture d'écran réalisée sur 3 facteurs avec le nuage de points 3D pour voir où se trouvent les nouvelles exécutions dans l'espace expérimental (en vert) par rapport aux exécutions initiales (en bleu).
J'espère que cette réponse vous aidera,
