Apprenez-en plus dans notre cours en ligne gratuit :
Pensée statistique pour la résolution de problèmes industriels
Dans cette vidéo, nous montrons comment analyser une expérience avec des réponses multiples, et comment optimiser les réponses multiples, en utilisant le fichier Anodiser.jmp .
Dans cet exemple, un plan personnalisé à 12 essais avec cinq facteurs a été réalisé. L'objectif expérimental est de trouver des paramètres des facteurs pour optimiser les quatre réponses : Épaisseur, L*, a* et b*.
Pour ce faire, nous exécutons le script de modèle qui a été enregistré dans la table de données. Avec ces données, nous pouvons estimer cinq effets principaux et quatre interactions à double sens.
Différents effets peuvent être importants pour les différentes réponses, nous voulons donc analyser les quatre réponses séparément. Pour ce faire, nous sélectionnons la case Ajuster séparément et cliquez sur Exécuter.
Cela produit quatre analyses distinctes qui sont regroupées dans une fenêtre.
Maintenant, nous utilisons le tableau Résumé des effets pour réduire le modèle pour chaque réponse. Nous supprimerons les effets avec des valeurs de p supérieures à 0,10.
Pour chaque réponse, un profileur de prédiction est fourni. Mais nous voulons optimiser toutes les réponses en même temps.
Pour ce faire, nous sélectionnons Profiler dans le triangle rouge pour Fit Group.
Cela ouvre un nouveau profileur de prédiction, avec les cinq facteurs en bas et les quatre réponses sur le côté.
Pour chaque réponse, vous voyez la valeur prédite et la marge d'erreur aux valeurs de départ pour chacun des facteurs. Ici, les valeurs de départ sont les valeurs médianes pour chaque facteur.
Lors de la conception de l'expérience, les limites de réponse et l'objectif de réponse ont été enregistrés en tant que propriétés de colonne dans le tableau de données. Pour les quatre réponses, nous voulons faire correspondre une cible.
Ces informations sont utilisées dans le Prediction Profiler pour l'optimisation.
Pour voir les limites de réponse et l'objectif pour l'épaisseur, nous double-cliquons dans le panneau de désirabilité. L'objectif est de correspondre à la cible et la valeur la plus souhaitable de l'épaisseur est de 0,9. Les valeurs basse et haute fournissent une plage acceptable pour l'épaisseur, mais vous pouvez voir que ces valeurs ne sont pas aussi souhaitables que la correspondance avec la cible.
Cela se reflète dans la courbe de désirabilité. La désirabilité est de 1 pour la cible et de zéro au-delà des limites de réponse.
Pour chaque réponse, vous pouvez spécifier l'importance de la réponse par rapport aux autres réponses. Par exemple, si l'optimisation de l'épaisseur est trois fois plus importante que l'optimisation des autres réponses, nous saisirions 3 dans le champ Importance.
Pour ce scénario, les quatre réponses ont la même importance.
Voyons comment trouver les paramètres optimaux pour les cinq facteurs.
Pour ce faire, nous sélectionnons Optimiser la désirabilité dans le triangle rouge pour le profileur de prédiction, puis Maximiser la désirabilité.
Les paramètres optimaux sont fournis, ainsi que les valeurs prévues pour les réponses à ces paramètres.
En regardant les courbes de désirabilité, vous pouvez voir qu'à ces paramètres, nous pouvons nous rapprocher de la cible pour les quatre réponses.
Notez qu'il existe de nombreuses façons d'optimiser les réponses, et si vous exécutez à nouveau Maximiser la désirabilité, JMP trouvera une nouvelle solution.
Voici un scénario courant. Vous voudrez peut-être verrouiller un facteur à une valeur spécifique et ré-optimiser.
