Erfahren Sie mehr in unserem kostenlosen Online-Kurs:
Statistisches Denken für die industrielle Problemlösung
In diesem Video zeigen wir, wie Sie ein Experiment mit mehreren Antworten analysieren und mehrere Antworten mithilfe der Datei optimieren Anodize.jmp .
In diesem Beispiel wurde ein kundenspezifisches Design mit 12 Durchläufen mit fünf Faktoren durchgeführt. Das experimentelle Ziel besteht darin, Einstellungen der Faktoren zu finden, um die vier Antworten zu optimieren: Dicke, L*, a* und b*.
Dazu führen wir das Modellskript aus, das in der Datentabelle gespeichert wurde. Mit diesen Daten können wir fünf Haupteffekte und vier wechselseitige Wechselwirkungen abschätzen.
Für die verschiedenen Antworten können unterschiedliche Effekte wichtig sein, daher wollen wir die vier Antworten separat analysieren. Dazu aktivieren wir das Kontrollkästchen Fit Separately und klicken auf Run.
Dies erzeugt vier separate Analysen, die in einem Fenster gruppiert sind.
Jetzt verwenden wir die Effektzusammenfassungstabelle, um das Modell für jede Reaktion zu reduzieren. Wir entfernen die Effekte mit p-Werten größer als 0,10.
Für jede Antwort wird ein Prediction Profiler bereitgestellt. Aber wir wollen alle Antworten gleichzeitig optimieren.
Dazu wählen wir Profiler aus dem roten Dreieck für Fit Group aus.
Dadurch wird ein neuer Prediction Profiler geöffnet, mit allen fünf Faktoren unten und allen vier Antworten an der Seite.
Für jede Antwort sehen Sie den vorhergesagten Wert und die Fehlerspanne bei den Startwerten für jeden der Faktoren. Ausgangswerte sind hier die Mittelwerte für jeden Faktor.
Beim Entwerfen des Experiments wurden die Reaktionsgrenzen und das Reaktionsziel als Spalteneigenschaften in der Datentabelle gespeichert. Für alle vier Antworten möchten wir ein Ziel abgleichen.
Diese Informationen werden im Prediction Profiler zur Optimierung verwendet.
Um die Antwortgrenzen und das Ziel für die Dicke anzuzeigen, doppelklicken wir auf das Erwünschtheitsfeld. Das Ziel ist es, dem Ziel zu entsprechen, und der wünschenswerteste Wert für die Dicke ist 0,9. Die niedrigen und hohen Werte bieten einen akzeptablen Bereich für die Dicke, aber Sie können sehen, dass diese Werte nicht so wünschenswert sind wie das Anpassen an das Ziel.
Dies spiegelt sich in der Erwünschtheitskurve wider. Die Erwünschtheit ist 1 für das Ziel und null jenseits der Antwortgrenzen.
Für jede Antwort können Sie die Wichtigkeit der Antwort im Verhältnis zu den anderen Antworten angeben. Wenn beispielsweise die Optimierung der Dicke dreimal wichtiger ist als die Optimierung der anderen Antworten, würden wir 3 in das Feld Wichtigkeit eingeben.
Für dieses Szenario sind alle vier Antworten gleich wichtig.
Sehen wir uns an, wie Sie optimale Einstellungen für die fünf Faktoren finden.
Dazu wählen wir Erwünschtheit optimieren aus dem roten Dreieck für den Prediction Profiler und dann Erwünschtheit maximieren.
Die optimalen Einstellungen werden zusammen mit den vorhergesagten Werten für die Reaktionen bei diesen Einstellungen bereitgestellt.
Wenn Sie sich die Erwünschtheitskurven ansehen, können Sie sehen, dass wir bei diesen Einstellungen dem Ziel für alle vier Antworten nahe kommen können.
Beachten Sie, dass es viele Möglichkeiten gibt, die Antworten zu optimieren, und wenn Sie Erwünschtheit maximieren erneut ausführen, findet JMP eine neue Lösung.
Hier ist ein allgemeines Szenario. Möglicherweise möchten Sie einen Faktor auf einen bestimmten Wert festlegen und erneut optimieren.
Hervorragendes Video, das die Schritte erläutert, die zur Optimierung mehrerer Antworten aus einem geplanten Experiment erforderlich sind. Danke dafür!
