Découvrez comment :
- Analyser les données de conception expérimentale d'une manière qui peut aider à obtenir un comportement idéal de contrainte-déformation
- Comprendre l'étude de cas où l'objectif est de créer un nouveau plastique plus dur pour un produit
- Les facteurs expérimentaux sont 1) des quantités additives de billes de verre, de carbonate de calcium et 2) des variables de processus de pression et de température
- Les données disponibles du laboratoire de test sont la contrainte (force/surface) et la déformation (changement de longueur/longueur)
- Les données récapitulatives normalement utilisées pour l'analyse sont le module (pente de la région élastique), la limite d'élasticité (point où la contrainte par rapport à la tache n'est pas linéaire), la contrainte de traction (contrainte maximale) et le point de rupture (contrainte au point de rupture). expérience pour aider à obtenir un comportement de contrainte-déformation idéal pour une étude de cas.
- Utilisez JMP Pro Functional Data Explorer pour comprendre et modéliser la contrainte par rapport à la déformation sur l'ensemble de la courbe plutôt que de résumer à quelques points clés sur la courbe
- Concevoir une expérience de formulation plastique, collecter des données de traction sur les éprouvettes, modéliser les données de contrainte et de déformation
- Utilisez Predition Profiler pour vous aider à identifier le comportement de contrainte-déformation idéal
Stress vs. StrainStress vs souche
Questions répondues par Jason @Jason_Wiggins et Pierre @Peter_Hersh après la démo.
Q : Combien de niveaux étaient associés à chaque facteur ?
R : Trois niveaux, il s'agissait donc d'un plan de dépistage définitif.
Definitive Screening Design Used in the ExampleConception de criblage définitive utilisée dans l'exemple
Q : Existe-t-il une option d'ajustement automatique à utiliser, au lieu d'essais et d'erreurs ?
R : L'explorateur de dates fonctionnelles vous offre une PCA fonctionnelle directe qui est essentiellement une option d'ajustement automatique.Cependant, dans certains cas, vous obtiendrez un meilleur ajustement avec différents types d'ajustement.Cela dépend vraiment de la complexité de vos données et du nombre de pics et de creux dont elles disposent.
Q : L'analyse peut-elle être effectuée si vous n'avez pas de fonction cible ?
R : Absolument. La fonction cible nous aide vraiment dans le problème d'optimisation, mais ce n'est pas strictement nécessaire. Cela nous fait simplement gagner beaucoup de temps plutôt que d'utiliser le profileur de prédiction pour essayer de composer la forme que nous voulons.
Q : Pour l'analyse de désirabilité, auriez-vous dû définir d'abord la désirabilité ?
R : Non, il n'est pas nécessaire de définir d'abord la désirabilité, car vous avez déjà défini la courbe idéale à l'aide de la fonction cible, et JMP essaie de minimiser l'air intégré de cette fonction cible et c'est ce fond.
Q : Pour l'analyse de désirabilité, auriez-vous dû définir d'abord la désirabilité ?
R : Non, il n'est pas nécessaire de définir d'abord la désirabilité, car vous avez déjà défini la forme de courbe idéale à l'aide de la fonction cible, et JMP essaie de minimiser l'erreur intégrée de cette fonction cible. Si vous activiez les graphiques de la fonction de désirabilité, vous verriez simplement.Si vous avez un objectif différent, vous pouvez également définir la désirabilité.Voyez comment et comment contrôler cela pourrait avoir un impact sur votre résultat.
Q : Pour l'analyse de désirabilité, auriez-vous dû définir d'abord la désirabilité ?
R : Non, il n'est pas nécessaire de définir d'abord la désirabilité, car vous avez déjà défini la forme de courbe idéale à l'aide de la fonction cible, et JMP essaie de minimiser l'erreur intégrée de cette fonction cible. Si vous activiez les graphiques de la fonction de désirabilité, vous verriez simplement. Si vous avez un objectif différent, vous pouvez également définir la désirabilité. Voyez comment et comment contrôler cela pourrait avoir un impact sur votre résultat.
Q : Où se trouve le modèle réel ?
R : Il s'agit d'un modèle de régression généralisé basé sur le nombre ou les paramètres de forme dont vous disposez. Dans ce cas, nous en avons trois. JMP les examine, effectue une sélection de variables pour vous afin de créer ce que JMP appelle le meilleur sous-ensemble. Dans cet exemple, vous avez vu que quelques facteurs n'étaient pas inclus dans le modèle. Parce qu'ils n'avaient pas d'impact sur cette forme, ils n'ont pas été inclus.
Generalized Regression Models for Each ShapeModèles de régression généralisés pour chaque forme
Q : À quoi servent les choix ID et Z dans la boîte de dialogue ?
R : L'ID est un lot. Nous examinons les courbes contrainte vs déformation pour chacun de ces lots et elles doivent être séparées car ce n'en est pas un
courbe. Les paramètres Z sont les facteurs DOE que nous examinons. Ils sont cohérents tout au long de cette courbe de contrainte-déformation et nous les utilisons pour faire cette analyse fonctionnelle, donc, si vous regardez les données, elles ne changent pas mais sont définies à un niveau pour cette analyse de courbe.
ID and Z Value OptionsOptions d'ID et de valeur Z
Q : Comment avez-vous choisi P-spline pour la modélisation ou s'agissait-il simplement d'essais et d'erreurs ?
R : C'est un peu d'essais et d'erreurs et le meilleur indice que vous avez lorsque vous exécutez ces modèles pour les fonctions de base est de regarder l'ajustement. Si l'ajustement décrit la forme de vos courbes pour chacun de vos lots, alors vous l'avez fait, vous avez fait du bon travail. Les B-splines ont donné un résultat un peu bizarre. Certaines de ces courbes se sont aplaties et se sont éloignées des données réelles collectées, c'est pourquoi les B-splines n'ont pas fonctionné. Donc, nous avons itéré. Les splines P étaient notre prochain choix et elles ont fini par correspondre beaucoup mieux aux données du signal.
Q : Dans vos données pour créer les courbes DOE, avez-vous téléchargé vos données de test ou seulement les 4 points récapitulatifs auxquels vous avez fait référence ?
R : Nous avons utilisé toutes les données de la courbe de contrainte-déformation. En règle générale, vous allez au laboratoire, exécutez chacun de mes tests, puis j'obtiens un signal de contrainte, un peu comme je l'ai montré avec les graphiques dans Graph Builder. Ensuite, nous devons faire correspondre cela avec notre table DOE. Donc, je n'ai qu'un seul lot 287, mais si je regarde mes données de courbe de contrainte-déformation, je vois que j'ai collecté 8 points de données le long de cette courbe de contrainte-déformation pour cet essai dans le DOE. Nous devons donc fusionner les données de test avec la table DOE.
Q : Existe-t-il une fonction décrivant la part de la variance prise en compte par l'une des variables Z ?
R : Nous pouvons certainement exporter cela et exécuter le modèle séparément dans les résumés. Nous pouvons également évaluer l'importance variable à partir du profileur d'interaction. Dans ce cas, à partir du rapport de synthèse sur l'importance variable, nous voyons cette souche et va être le meilleur parce qu'elle varie exprès, mais nous voyons que la pression et le verre ont un impact global important, et il n'y a pratiquement aucune influence de ce calcium carbonate en température. C'est un peu différent de ce à quoi il ressemblerait normalement parce que la variété sera toujours le principal contributeur. Nous pouvons au moins avoir une idée de la position des autres facteurs les uns par rapport aux autres et simplement ignorer cette ligne supérieure parce que c'est la réponse.
