Re : Analyse des résultats du DoE avec certaines pièces défectueusesSalut @ruskicar ,
Sur la base de votre description, je suppose que votre DoE est basé sur un modèle (plate-forme Custom Design, DSD ou Classical), et non indépendant du modèle comme les conceptions Space-Filling ?
La suppression de points d'une conception basée sur un modèle est complexe et non recommandée, car cela pourrait gravement "endommager" ou biaiser le modèle obtenu, puisque les points ont été créés sur la base des hypothèses/hypothèses d'un modèle spécifique. Vous n'auriez pas autant de complexité/difficulté avec une conception indépendante du modèle, car vous avez plus de flexibilité sur les options de modélisation.
Il y a de belles idées dans vos propositions, voici quelques commentaires ou autres propositions. Comme je ne suis pas un expert du domaine comme vous, veuillez ignorer toute proposition qui peut sembler sans rapport avec votre domaine :
- Clairement déconseillé, car vous supprimeriez complètement des informations (même si elles sont biaisées) de votre modèle et cela pourrait le biaiser gravement.
S'il existe des seuils de valeurs sur les différentes dimensions que vous mesurez (au-dessus ou en dessous d'une certaine valeur de seuil, la donnée est probablement erronée), vous pouvez utiliser la propriété de colonne "Limites de détection" et spécifier le seuil supérieur ou inférieur pour les différentes réponses ? Quelques cas d'utilisation et exemples ici : Utilisation de la régression généralisée pour analyser les expériences conçues avec des limites de détection... - Communauté d'utilisateurs JMP
Concernant 1.a), pouvez-vous repérer quelles dimensions semblent fausses, d'un point de vue de l'expertise du domaine, avec le soutien possible de différentes techniques de valeurs aberrantes : méthode univariée comme les box-plots, analyse multivariée comme T², distances Jacknife/Mahalanobis, PCA ou clustering techniques comme Mélanges normaux/K-Means ? Si oui, vous pouvez introduire une nouvelle colonne numérique continue (Freq/Weight) où vous pouvez mettre un nombre plus élevé pour les mesures "valides" et un nombre inférieur pour les mesures "erronées", et utiliser cette colonne comme propriété "Freq" (fréquence) dans le plate-forme de modélisation utilisée. Cela mettra davantage l'accent sur les mesures valides que sur les mesures non valides, comme si les mesures valides étaient mesurées plusieurs fois plus que les mesures non valides.
Vous pouvez avoir plusieurs façons d'imputer ces valeurs en fonction de l'analyse que vous avez utilisée pour repérer les mesures erronées, mais quelque chose d'intéressant pourrait fonctionner en utilisant par exemple la valeur réciproque des distances Jacknife/Mahalanobis comme fréquences calculées : plus il y a de distance pour une expérience, plus diminuez la fréquence, donc moins cette expérience mettra l'accent sur le modèle.
- En utilisant une réponse binomiale (Safe/Anomalous), vous pouvez utiliser un premier modèle pour voir s'il existe un lien entre certaines valeurs de facteur dans votre conception et la présence de valeurs anormales/étranges. S'il y a un lien, vous pouvez enregistrer les probabilités de prédiction et utiliser ces probabilités comme deuxième réponse dans le profileur d'optimisation : optimiser en fonction de la cible de domaine (votre réponse initiale) avec la probabilité maximale d'être "à l'abri" des valeurs anormales (2e réponse basé sur les probabilités du modèle binomial).
- Cela dépend : Le facteur peut être vu soit comme un effet fixe et/ou aléatoire, car le fait d'avoir des pièces défectueuses pourrait avoir un impact sur la réponse moyenne (effet fixe, même s'il n'est pas reproductible), mais aussi comme un effet aléatoire, car il pourrait avoir un impact sur la variance des réponses. Si vous arrivez à identifier des pièces défectueuses ou non, vous pourrez peut-être réaliser un petit test comparatif avec la plateforme "Fit Y by X" afin d'évaluer si la différence entre pièces est plutôt orientée vers une différence de moyenne de réponse, ou vers une différence de variance de réponse.
J'espère que ce commentaire vous aidera et vous donnera des idées 
Re : Analyse des résultats du DoE avec certaines pièces défectueusesDésolé, je suis un peu confus. Il n'y a pas assez de contexte pour fournir correctement des conseils, mais voici mes réflexions :
Si vous mesurez des dimensions, je suppose que ce sont des mesures continues. Utilisez ces valeurs pour analyser l'expérience. L'un des objectifs d'une expérience est de créer une variation dans les variables de réponse. Dans une certaine mesure, plus vous créez de variations, plus il est facile de voir les relations causales. Le but n'est pas de créer bien les pièces. En fait il s'agit de créer de la variation dans les pièces sur une courte période de temps. Puisque vous avez plusieurs dimensions, je ferais également une analyse multivariée, mais à part cela, utilisez le modèle d'ajustement et chargez toutes les dimensions dans le Y, saturez le modèle pour rechercher des effets de modèle significatifs. Réduire le modèle et analyser les résidus.
Re : Analyse des résultats du DoE avec certaines pièces défectueusesMerci statman, je suis d'accord avec votre argument, cependant:
- les pièces sont mesurées avec la CMM.
- les pièces défectueuses sont déformées de telle manière que pour certaines dimensions la sonde CMM ne peut pas atteindre l'emplacement (point) de mesure.
Re : Analyse des résultats du DoE avec certaines pièces défectueusesMerci Victor, ces idées vont certainement m'aider.
Analyse des résultats du DoE avec certaines pièces défectueusesSalut,
J'essaie de modéliser les résultats de l'expérience conçue où 30 pièces ont été produites. Les caractéristiques mesurées sont différentes dimensions des pièces.
Cependant, 10 de ces pièces présentent un défaut clairement visible, de sorte que certaines dimensions de ces pièces défectueuses sont clairement erronées. Il est possible que d'autres dimensions soient également affectées.
Il y a 3 (4) façons possibles qui me viennent à l'esprit pour faire la modélisation :
1) Retirez les pièces défectueuses de l'analyse (c'est délicat car il y en a 10).
1a) Supprimez uniquement les dimensions qui sont clairement fausses, tout en supposant que les autres dimensions ne sont pas affectées.
2) Ajoutez une autre réponse au modèle qui décrit la qualité (1 pour bon, 0 pour défectueux). Ensuite, ciblez uniquement ceux qui ont une qualité = 1
3) Ajouter un facteur de blocage avec effet aléatoire, et séparer les parties en 2 groupes
Que suggérez-vous? Pensez-vous à une meilleure façon de faire cela?
Merci!
Études de consommation et de marchéConception d'expériencesPartage et communication des résultats
