Fortgeschrittenes experimentelles Design mit JMP (2022-KR-30MP-1341)Yonghanju, Sunmoon-Universität
Fortschritte in Big Data, künstlicher Intelligenz und Data Science haben stark zu datenbasierten Entscheidungsfindungsaktivitäten beigetragen. In Branchen, in denen verschiedene Daten gesammelt werden können, oder in der Massenproduktionsphase von Produkten können die erfassten Daten in verschiedenen Formen verarbeitet werden, und Datenanalyseaktivitäten können durchgeführt werden, indem ein geeignetes Analysemodell entwickelt oder angewendet wird. In der F&E-Phase der Entwicklung neuer Technologien oder Prozessbedingungen ist es jedoch aufgrund von Zeit- und Ressourcenbeschränkungen etwas schwierig, verschiedene Arten von Informationen zu erhalten. In dieser auf JMP basierenden Umgebung werden wir etwas über das Design von Experimenten lernen, eine Datenanalysetechnik, mit der verschiedene experimentelle Ergebnisse auf der Grundlage einer kleinen Anzahl von Daten erzielt werden können. In diesem Artikel werden zusammen mit einer kurzen Einführung in die Prinzipien der Versuchsplanung verschiedene Statistiken vorgestellt, die durch die Versuchsplanung von JMP gewonnen werden können. Basierend auf den aus den geplanten experimentellen Designbedingungen gewonnenen experimentellen Variablen, Niveaus und Antwortvariablen wird ein Signifikanztest durchgeführt und die Inhalte der Schätzung des Konfidenzintervalls und der Parameter und Zufallsfaktoren erläutert. Insbesondere das experimentelle Designverfahren von JMP möchte zusammen mit dem allgemein weit verbreiteten vollfaktoriellen experimentellen Verfahren, partiell faktoriellen experimentellen Verfahren und Antwortoberflächenanalyseverfahren ein Verfahren zum kundenspezifischen Design unter Berücksichtigung der Beschränkungen der experimentellen Umgebung vorschlagen. Durch diesen Inhalt wird erwartet, dass die experimentelle Designmethode an der richtigen Stelle in der tatsächlichen Industrie eingesetzt wird.Ausbrechen
