Vea cómo:
- Analice los datos de diseño experimental de una manera que pueda ayudar a lograr un comportamiento ideal de tensión-deformación.
- Comprender el estudio de caso donde el objetivo es un plástico nuevo y más duro para un producto
- Los factores experimentales son 1) cantidades aditivas de perlas de vidrio, carbonato de calcio y 2) variables de proceso de presión y temperatura
- Los datos disponibles del laboratorio de pruebas son tensión (fuerza/área) y deformación (cambio en longitud/longitud)
- Los datos resumidos que normalmente se usan para el análisis son el módulo (pendiente de la región elástica), el límite elástico (punto donde el estrés frente a la mancha no es lineal), el estrés de tracción (esfuerzo máximo) y el punto de falla (esfuerzo en el punto de ruptura) Analice la información de un diseño experimento para ayudar a lograr el comportamiento ideal de tensión-deformación para un estudio de caso.
- Utilice el Explorador de datos funcionales de JMP Pro para comprender y modelar la tensión frente a la deformación en toda la curva en lugar de resumir algunos puntos clave de la curva.
- Diseñe un experimento de formulación plástica, recopile datos de tracción en las muestras de prueba, modele los datos de tensión y deformación
- Use Predition Profiler para ayudar a identificar el comportamiento ideal de tensión-deformación
Stress vs. StrainEstrés vs Tensión
Preguntas respondidas por Jason @Jason_Wiggins y pedro @Peter_Hersh después de la demostración.
P: ¿Cuántos niveles se asociaron con cada factor?
R: Tres niveles, por lo que era un Diseño de Screening Definitivo.
Definitive Screening Design Used in the ExampleDiseño de cribado definitivo utilizado en el ejemplo
P: ¿Hay una opción de ajuste automático para usar, en lugar de prueba y error?
R: Functional Date Explorer le brinda un PCA funcional directo que es básicamente una opción de ajuste automático.Sin embargo, en ciertos casos obtendrá un mejor ajuste con diferentes tipos de ajuste.Realmente depende de cuán complejos sean sus datos y cuántos picos y valles tengan.
P: ¿Se puede realizar el análisis si no tiene una función objetivo?
R: Absolutamente. La función objetivo realmente nos ayuda en el problema de optimización, pero no es estrictamente necesaria. Simplemente nos ahorra mucho tiempo en lugar de usar el generador de perfiles de predicción tratando de marcar la forma que queremos.
P: Para el análisis de conveniencia, ¿habría tenido que haber establecido primero la conveniencia?
R: No, no es necesario establecer la deseabilidad primero, porque ya definió la curva ideal usando la función objetivo, y JMP intenta minimizar el aire integrado de esa función objetivo y ese es el fondo.
P: Para el análisis de conveniencia, ¿habría tenido que haber establecido primero la conveniencia?
R: No, no es necesario establecer la conveniencia primero, porque ya definió la forma de la curva ideal usando la función de destino, y JMP intenta minimizar el error integrado de esa función de destino. Si encendiera los gráficos de la función de deseabilidad, solo vería.Si tiene un objetivo diferente, puede establecer también deseabilidad.Vea cómo y cómo controlar eso podría afectar su resultado.
P: Para el análisis de conveniencia, ¿habría tenido que haber establecido primero la conveniencia?
R: No, no es necesario establecer la conveniencia primero, porque ya definió la forma de la curva ideal usando la función de destino, y JMP intenta minimizar el error integrado de esa función de destino. Si encendiera los gráficos de la función de deseabilidad, solo vería. Si tiene un objetivo diferente, también puede establecer Deseabilidad. Vea cómo y cómo controlar eso podría afectar su resultado.
P: ¿Dónde está el modelo real?
R: Es un modelo de regresión generalizado basado en los parámetros numéricos o de forma que tiene. En este caso tenemos tres. JMP los mira, hace una selección de variables para que usted cree lo que JMP llama Best Subset. En este ejemplo, vio que un par de factores no se incluyeron en el modelo. Debido a que no estaban impactando esa forma, no se incluyeron.
Generalized Regression Models for Each ShapeModelos de regresión generalizados para cada forma
P: ¿Cuáles son los propósitos de las opciones ID y Z en el diálogo?
A: ID es lote. Estamos viendo las curvas de tensión frente a deformación para cada uno de estos lotes y deben separarse porque no es uno
curva. Los parámetros Z son los factores DOE que estamos analizando. Son consistentes a lo largo de toda la curva de tensión y deformación y los estamos usando para hacer el análisis funcional, por lo que, si observa los datos, no están cambiando pero están establecidos en un nivel para ese análisis de curva.
ID and Z Value OptionsOpciones de valor ID y Z
P: ¿Cómo eligió P-spline para modelar o fue solo prueba y error?
R: Es un poco de prueba y error y la mejor pista que tienes cuando ejecutas esos modelos para las funciones básicas es observar el ajuste. Si el ajuste describe la forma de sus curvas para cada uno de sus lotes, entonces lo ha hecho, ha hecho un buen trabajo. B-splines dio un resultado un poco extraño. Algunas de esas curvas se aplanaron y se alejaron de los datos reales recopilados, por eso las B-splines no funcionaron. Entonces, iteramos. P-splines fue nuestra siguiente opción y terminaron coincidiendo mucho mejor con los datos de la señal.
P: En sus datos para crear las curvas DOE, ¿cargó sus datos de prueba o solo los 4 puntos de resumen a los que se refirió?
R: Utilizamos todos los datos de la curva de tensión y deformación. Por lo general, vas al laboratorio, ejecutas cada una de mis pruebas y luego obtengo una señal de deformación por estrés como la que mostré con los gráficos en Graph Builder. Entonces debemos hacer coincidir esto con nuestra tabla DOE. Entonces, solo tengo un lote 287, pero si observo los datos de mi curva de tensión y deformación, veo que he recopilado 8 puntos de datos a lo largo de esa curva de tensión y deformación para esa prueba en el DOE. Entonces, debemos fusionar los datos de prueba con la tabla DOE.
P: ¿Existe una función que describa qué parte de la varianza corresponde a cualquiera de las variables Z?
R: Definitivamente podemos exportar eso y ejecutar el modelo por separado en los resúmenes. También podemos evaluar la importancia de las variables desde el perfilador de interacciones. En este caso, desde el informe de resumen de importancia variable, vemos que la cepa va a ser la mejor porque varía a propósito, pero vemos que la presión y el vidrio tienen un gran impacto en general, y casi no hay influencia de ese calcio. carbonato en temperatura. Es un poco diferente de lo que normalmente se vería porque la cepa siempre será la principal contribuyente. Al menos podemos tener una idea de dónde caen los otros factores entre sí e ignorar esa línea superior porque es la respuesta.
