Betreff: Analyse von DoE-Ergebnissen mit einigen defekten TeilenHallo @ruskicar ,
Basierend auf Ihrer Beschreibung nehme ich an, dass Ihr DoE modellbasiert ist (Plattform Custom Design, DSD oder Classical), nicht modellagnostisch wie Space-Filling-Designs?
Das Entfernen von Punkten aus einem modellbasierten Design ist komplex und wird nicht empfohlen, da es das erhaltene Modell ernsthaft „beschädigen“ oder verzerren könnte, da die Punkte auf der Grundlage der Annahmen/Hypothesen eines bestimmten Modells erstellt wurden. Sie hätten nicht so viel Komplexität/Schwierigkeiten mit modellunabhängigem Design, da Sie mehr Flexibilität bei den Modellierungsoptionen haben.
Es gibt einige großartige Ideen in Ihren Vorschlägen, hier sind einige Kommentare oder andere Vorschläge. Da ich kein Domänenexperte wie Sie bin, ignorieren Sie bitte alle Vorschläge, die für Ihr Fachgebiet irrelevant klingen:
- Eindeutig nicht empfohlen, da Sie Informationen (auch wenn sie verzerrt sind) vollständig aus Ihrem Modell entfernen würden und es stark verzerren könnten.
Wenn es Schwellenwerte für die verschiedenen Dimensionen gibt, die Sie messen (über oder unter einem bestimmten Schwellenwert, sind die Daten wahrscheinlich fehlerhaft), können Sie die Spalteneigenschaft "Erkennungsgrenzen" verwenden und den oberen oder unteren Schwellenwert für die verschiedenen Antworten angeben ? Einige Anwendungsfälle und Beispiele hier: Verwenden der verallgemeinerten Regression zur Analyse entworfener Experimente mit Nachweisgrenzen - JMP-Benutzergemeinschaft
Können Sie in Bezug auf 1.a) erkennen, welche Dimensionen aus Sicht der Fachexpertise falsch erscheinen, mit möglicher Unterstützung durch verschiedene Ausreißertechniken: univariate Methode wie Box-Plots, multivariate Analyse wie T², Jacknife/Mahalanobis-Abstände, PCA oder Clustering Techniken wie Normal Mixtures/K-Means ? Wenn ja, könnten Sie eine neue fortlaufende numerische Spalte (Freq/Weight) einführen, in der Sie eine höhere Zahl für "gültige" Messungen und eine niedrigere Zahl für "fehlerhafte" Messungen eingeben und diese Spalte als Eigenschaft "Freq" (Frequenz) in der verwenden können Modellierungsplattform verwendet. Dies legt mehr Wert auf gültige Messungen als auf nicht gültige Messungen, als ob gültige Messungen mehrmals mehr gemessen würden als nicht gültige Messungen.
Sie haben mehrere Möglichkeiten, diese Werte zu imputieren, je nachdem, welche Analyse Sie verwendet haben, um fehlerhafte Messungen zu erkennen, aber etwas Interessantes könnte funktionieren, indem Sie beispielsweise den reziproken Wert der Jacknife/Mahalanobis-Abstände als berechnete Häufigkeiten verwenden: Je mehr Abstand für ein Experiment, desto Je niedriger die Frequenz, desto weniger Gewicht hat dieses Experiment auf dem Modell.
- Durch die Verwendung einer binomialen Antwort (Safe/Anomalous) könnten Sie ein erstes Modell verwenden, um zu sehen, ob es einen Zusammenhang zwischen einigen Faktorwerten in Ihrem Design und dem Vorhandensein von Anomalie-/seltsamen Werten gibt. Wenn es eine Verbindung gibt, könnten Sie die Vorhersagewahrscheinlichkeiten speichern und diese Wahrscheinlichkeiten als zweite Antwort im Optimierungs-Profiler verwenden: Optimieren Sie basierend auf dem Domänenziel (Ihre erste Antwort) mit der maximalen Wahrscheinlichkeit, vor anomalen Werten "sicher" zu sein (2. Antwort basierend auf Wahrscheinlichkeiten aus dem Binomialmodell).
- Es kommt darauf an: Der Faktor könnte entweder als fester und/oder zufälliger Effekt angesehen werden, da fehlerhafte Teile einen Einfluss auf die mittlere Antwort haben könnten (fester Effekt, auch wenn nicht reproduzierbar), aber auch als zufälliger Effekt, wie er es haben könnte einen Einfluss auf die Antwortvarianz. Wenn Sie fehlerhafte oder nicht defekte Teile identifizieren können, können Sie möglicherweise einen kurzen Vergleichstest mit der Plattform "Fit Y by X" durchführen, um zu beurteilen, ob sich der Unterschied zwischen den Teilen eher an einem Unterschied im Antwortmittelwert orientiert, oder hin zu einem Unterschied in der Antwortvarianz.
Ich hoffe, dieser Kommentar hilft dir und gibt dir ein paar Ideen 
Betreff: Analyse von DoE-Ergebnissen mit einigen defekten TeilenEntschuldigung, ich bin etwas verwirrt. Es gibt nicht genug Kontext, um richtig Ratschläge zu geben, aber hier sind meine Gedanken:
Wenn Sie Abmessungen messen, gehe ich davon aus, dass es sich um kontinuierliche Messungen handelt. Verwenden Sie diese Werte, um das Experiment zu analysieren. Ein Zweck eines Experiments besteht darin, Variationen in den Antwortvariablen zu erzeugen. Je mehr Variation Sie erstellen, desto einfacher ist es bis zu einem gewissen Grad, kausale Zusammenhänge zu erkennen. Der Zweck ist nicht zu erstellen Gut Teile. Tatsächlich soll es über einen kurzen Zeitraum Variationen in den Teilen erzeugen. Da Sie mehrere Dimensionen haben, würde ich auch eine multivariate Analyse durchführen, aber ansonsten verwenden Sie das Anpassungsmodell und laden Sie alle Dimensionen in das Y, sättigen Sie das Modell, um nach signifikanten Modelleffekten zu suchen. Reduzieren Sie das Modell und analysieren Sie die Residuen.
Betreff: Analyse von DoE-Ergebnissen mit einigen defekten TeilenDanke Statman, ich stimme Ihrer Argumentation jedoch zu:
- Die Teile werden mit dem CMM gemessen.
- defekte Teile sind so verformt, dass bei manchen Abmessungen der KMG-Messtaster den Messort (Punkt) nicht erreichen kann.
Betreff: Analyse von DoE-Ergebnissen mit einigen defekten TeilenDanke Victor, diese Ideen werden mir definitiv helfen.
Analyse der DoE-Ergebnisse mit einigen defekten TeilenHallo,
Ich versuche, die Ergebnisse des geplanten Experiments zu modellieren, bei dem 30 Teile hergestellt wurden. Die gemessenen Merkmale sind verschiedene Abmessungen der Teile.
Allerdings weisen 10 dieser Teile einen deutlich sichtbaren Defekt auf, sodass einige Abmessungen dieser defekten Teile eindeutig falsch sind. Es ist möglich, dass auch andere Dimensionen betroffen sind.
Mir fallen drei (4) Möglichkeiten ein, wie man die Modellierung durchführt:
1) Entfernen Sie die defekten Teile aus der Analyse (das ist schwierig, da es 10 davon sind).
1a) Entfernen Sie nur die Abmessungen, die eindeutig falsch sind. Gehen Sie dabei davon aus, dass andere Abmessungen nicht betroffen sind.
2) Fügen Sie dem Modell eine weitere Antwort hinzu, die die Qualität beschreibt (1 für gut, 0 für fehlerhaft). Nehmen Sie dann nur diejenigen ins Visier, deren Qualität = 1 ist
3) Fügen Sie einen Blockierungsfaktor mit zufälliger Wirkung hinzu und teilen Sie die Teile in 2 Gruppen auf
Was schlagen Sie vor? Fällt Ihnen eine bessere Möglichkeit ein, dies zu bewerkstelligen?
Danke!
Verbraucher- und MarktforschungVersuchsplanungErgebnisse teilen und kommunizieren
