Erfahren Sie, wie Sie:
- Analysieren Sie experimentelle Designdaten auf eine Weise, die dabei helfen kann, ein ideales Spannungs-Dehnungs-Verhalten zu erreichen
- Verstehen Sie die Fallstudie, in der das Ziel darin besteht, neuen, härteren Kunststoff für ein Produkt herzustellen
- Experimentelle Faktoren sind 1) Zusatzmengen an Glasperlen, Calciumcarbonat und 2) Druck- und Temperaturprozessvariablen
- Die vom Testlabor verfügbaren Daten sind Spannung (Kraft/Fläche) und Dehnung (Längenänderung/Längenänderung).
- Zusammenfassende Daten, die normalerweise für die Analyse verwendet werden, sind Modul (Steigung des elastischen Bereichs), Fließspannung (Punkt, an dem Spannung vs. Fleck nicht linear ist), Zugspannung (maximale Spannung) und Versagenspunkt (Spannung am Bruchpunkt). Analysieren Sie Informationen aus einem Entwurf Experimentieren Sie, um das ideale Spannungs-Dehnungs-Verhalten für eine Fallstudie zu erreichen.
- Verwenden Sie den JMP Pro Functional Data Explorer, um Spannung und Dehnung über die gesamte Kurve hinweg zu verstehen und zu modellieren, anstatt sie auf einige Schlüsselpunkte der Kurve zusammenzufassen
- Entwerfen Sie ein Experiment zur Kunststoffformulierung, sammeln Sie Zugdaten an den Testproben und modellieren Sie die Spannungs- und Dehnungsdaten
- Verwenden Sie Predition Profiler, um das ideale Spannungs-Dehnungs-Verhalten zu ermitteln
Stress vs. StrainStress vs. Belastung
Von Jason beantwortete Fragen @Jason_Wiggins und Peter @Peter_Hersh nach der Demo.
F: Wie viele Ebenen waren mit jedem Faktor verbunden?
A: Drei Ebenen, es war also ein endgültiges Screening-Design.
Definitive Screening Design Used in the ExampleDefinitives Screening-Design, das im Beispiel verwendet wird
F: Gibt es eine Option zur automatischen Anpassung anstelle von Versuch und Irrtum?
A: Functional Date Explorer bietet Ihnen eine direkte funktionale PCA, bei der es sich im Grunde um eine Option zur automatischen Anpassung handelt.In bestimmten Fällen erzielen Sie jedoch mit verschiedenen Passformtypen eine bessere Passform.Es hängt wirklich davon ab, wie komplex Ihre Daten sind und wie viele Spitzen und Täler sie aufweisen.
F: Kann die Analyse durchgeführt werden, wenn Sie keine Zielfunktion haben?
A: Absolut. Die Zielfunktion hilft uns wirklich beim Optimierungsproblem, ist aber nicht unbedingt notwendig. Es spart uns einfach viel Zeit, anstatt den Vorhersageprofiler zu verwenden und zu versuchen, die gewünschte Form auszuwählen.
F: Hätten Sie für die Erwünschtheitsanalyse zuerst die Erwünschtheit festlegen müssen?
A: Nein, es ist nicht nötig, zuerst die Erwünschtheit festzulegen, da Sie die ideale Kurve bereits mithilfe der Zielfunktion definiert haben und JMP versucht, die integrierte Luft aus dieser Zielfunktion zu minimieren, und das ist der untere Punkt.
F: Hätten Sie für die Erwünschtheitsanalyse zuerst die Erwünschtheit festlegen müssen?
A: Nein, es ist nicht nötig, zuerst die Erwünschtheit festzulegen, da Sie die ideale Kurvenform bereits mithilfe der Zielfunktion definiert haben und JMP versucht, den integrierten Fehler dieser Zielfunktion zu minimieren. Wenn Sie die Diagramme der Erwünschtheitsfunktion aktiviert hätten, würden Sie nur Folgendes sehen:Wenn Sie ein anderes Ziel haben, können Sie auch die Erwünschtheit festlegen.Sehen Sie, wie und wie sich die Steuerung darauf auf Ihr Ergebnis auswirken kann.
F: Hätten Sie für die Erwünschtheitsanalyse zuerst die Erwünschtheit festlegen müssen?
A: Nein, es ist nicht nötig, zuerst die Erwünschtheit festzulegen, da Sie die ideale Kurvenform bereits mithilfe der Zielfunktion definiert haben und JMP versucht, den integrierten Fehler dieser Zielfunktion zu minimieren. Wenn Sie die Diagramme der Erwünschtheitsfunktion aktiviert hätten, würden Sie nur Folgendes sehen: Wenn Sie ein anderes Ziel haben, können Sie auch Erwünschtheit festlegen. Sehen Sie, wie und wie sich die Steuerung darauf auf Ihr Ergebnis auswirken kann.
F: Wo ist das tatsächliche Modell?
A: Es handelt sich um ein verallgemeinertes Regressionsmodell, das auf den Zahlen- oder Formparametern basiert, die Sie haben. In diesem Fall haben wir drei. JMP schaut sich diese an und führt für Sie eine Variablenauswahl durch, um das zu erstellen, was JMP „Best Subset“ nennt. In diesem Beispiel haben Sie gesehen, dass einige Faktoren nicht im Modell enthalten waren. Da sie diese Form nicht beeinflussten, wurden sie nicht einbezogen.
Generalized Regression Models for Each ShapeVerallgemeinerte Regressionsmodelle für jede Form
F: Welchen Zweck haben die ID- und Z-Auswahlmöglichkeiten im Dialog?
A: ID ist Batch. Wir betrachten Spannungs-Dehnungs-Kurven für jede dieser Chargen und sie müssen getrennt werden, da es sich nicht um eine einzige Charge handelt
Kurve. Z-Parameter sind die DOE-Faktoren, die wir betrachten. Sie sind über die gesamte Spannungs-Dehnungs-Kurve hinweg konsistent und wir verwenden sie für die funktionale Analyse. Wenn Sie sich also die Daten ansehen, ändern sie sich nicht, sondern sind auf ein Niveau für diese Kurvenanalyse eingestellt.
ID and Z Value OptionsOptionen für ID- und Z-Werte
F: Wie haben Sie P-Spline für die Modellierung ausgewählt oder war es nur Versuch und Irrtum?
A: Es ist ein bisschen Versuch und Irrtum und der beste Hinweis, den Sie haben, wenn Sie diese Modelle für die Basisfunktionen ausführen, ist, sich die Passform anzusehen. Wenn die Anpassung die Form Ihrer Kurven für jede Ihrer Chargen beschreibt, dann haben Sie es geschafft und gute Arbeit geleistet. B-Splines ergaben ein etwas seltsames Ergebnis. Einige dieser Kurven wurden flacher und entfernten sich von den tatsächlich erfassten Daten, weshalb die B-Splines nicht funktionierten. Also haben wir iteriert. P-Splines waren unsere nächste Wahl und sie passten am Ende viel besser zu den Signaldaten.
F: Haben Sie in Ihren Daten zur Erstellung der DOE-Kurven Ihre Testdaten hochgeladen oder nur die 4 Zusammenfassungspunkte, auf die Sie sich bezogen haben?
A: Wir haben alle Daten der Spannungs-Dehnungs-Kurve verwendet. Normalerweise geht man ins Labor, führt jeden meiner Tests durch und dann erhalte ich ein Spannungs-Dehnungs-Signal, genau so, wie ich es mit den Diagrammen im Graph Builder gezeigt habe. Dann müssen wir dies mit unserer DOE-Tabelle abgleichen. Ich habe also nur eine Charge 287, aber wenn ich mir die Daten meiner Spannungs-Dehnungs-Kurve ansehe, sehe ich, dass ich 8 Datenpunkte entlang dieser Spannungs-Dehnungs-Kurve für diesen Versuch im DOE gesammelt habe. Daher müssen wir die Testdaten mit der DOE-Tabelle zusammenführen.
F: Gibt es eine Funktion, die beschreibt, wie viel Varianz auf eine der Z-Variablen zurückzuführen ist?
A: Wir können das definitiv exportieren und das Modell separat in den Zusammenfassungen ausführen. Mit dem Interaktionsprofiler können wir auch die Bedeutung der Variablen beurteilen. In diesem Fall sehen wir im zusammenfassenden Bericht „Variable Wichtigkeit“ diese Belastung und werden an der Spitze stehen, weil sie absichtlich variiert wird, aber wir sehen, dass Druck und Glas insgesamt einen großen Einfluss haben und es kaum einen Einfluss von diesem Kalzium gibt Karbonat in der Temperatur. Es ist ein wenig anders, als es normalerweise aussehen würde, weil die Sorte immer den größten Beitrag leisten wird. Wir können uns zumindest eine Vorstellung davon machen, wo die anderen Faktoren im Verhältnis zueinander liegen, und diese oberste Zeile einfach ignorieren, weil sie die Reaktion darstellt.
