Comment exécuter des méthodes DoE itératives avec la plateforme DoE personnaliséeSalut,
J'ai lu quelques articles dans le passé concernant les méthodes d'approche du DoE et d'affinement du modèle. Une méthode que j'ai vue consistait à construire sur des modèles en utilisant l'option de conception augmentée et elle a été décrite comme un processus itératif.
De cette façon, vous effectueriez davantage un DoE personnalisé de type criblage dans les étapes initiales, évalueriez le modèle, réduiriez le modèle, puis augmenteriez la conception pour une optimisation et une réduction supplémentaires de la variance.
1. Ce processus semble-t-il une bonne méthode pour aborder le raffinement du modèle ?
2. Quelles étapes prendriez-vous pour affiner votre modèle à l’aide de cette méthode ?
- Le dépistage doit-il évaluer simultanément les effets principaux et les effets d’interaction ou devez-vous commencer par les effets principaux, puis poursuivre avec les interactions de 2e ordre ?
- Si un effet principal est jugé « insignifiant », cela signifie-t-il qu'il n'y a pas non plus de risque d'effets d'interaction ?
- Devez-vous ajouter des points centraux pour détecter la courbure lors de la phase de dépistage ?
- Devez-vous ajouter des répliques à cette phase ? (J'ai entendu dire que cela pouvait être inutile lorsque des impacts importants sont évalués plutôt qu'une faible variance)
- Quand faut-il ajouter des répétitions/se concentrer sur la réduction de la variance ?
Merci d'avance!
Conception d'expériencesModélisation prédictive et apprentissage automatiqueles fenêtresRé: Comment exécuter des méthodes DoE itératives avec la plateforme DoE personnaliséeVoici mes réflexions. Malheureusement, je n'ai pas une compréhension approfondie de votre processus, alors gardez cela à l'esprit.
« J'aimerais trouver un moyen efficace de minimiser le nombre d'exécutions nécessaires pour affiner un modèle de 9 facteurs continus. »
Réduire au minimum en 1 expérience ? Prévoyez-vous d'itérer ? Quel est le budget global de l'expérience (par exemple, temps et ressources) ? Moins il y a d'exécutions, moins il y a de degrés de liberté disponibles pour séparer et attribuer les effets.
« Nous avons un processus qui a été créé à l'aide de méthodes non statistiques, nous l'évaluons donc maintenant avec JMP pour nous assurer qu'il n'y a pas de surprises . »
En fin de compte, vous souhaitez un modèle prédictif utile et robuste. La manière dont vous parvenez au modèle peut avoir un impact sur les ressources, mais il n'y a pas de magie avec les statistiques. Pour moi, « pas de surprises » signifie un processus stable et cohérent, résistant au bruit. La seule façon d'évaluer la robustesse est de faire varier le bruit dans votre étude. Cela implique également une série temporelle. Ce n'est pas l'accent mis dans l'expérimentation où la série temporelle est volontairement compromise pour accélérer la compréhension du modèle.
« L’objectif est d’évaluer et de supprimer les composants insignifiants, puis de construire un modèle prédictif efficace dans notre espace de conception. »
Un peu de travail sur les mots... L'objectif est de construire un modèle efficace (fonctionnel), efficient (rentable), utile (gérable), prédictif (cohérent et stable) et robuste (au bruit). Bien sûr, vous voudrez peut-être prendre en compte le concept d'amélioration continue. Que se passe-t-il à mesure que la technologie évolue ? À mesure que de nouveaux matériaux sont développés ou adaptés ? À mesure que les mesures et les systèmes de mesure s'améliorent ? À mesure que les exigences des clients changent ?
« Il me semble logique que chaque facteur ait un optimum (un élément quadratique) sur une large plage de tests ».
Pourquoi un modèle quadratique ? Les écarts par rapport à la linéarité ne sont importants que s'ils sont significatifs. Il est beaucoup plus facile de gérer un modèle linéaire. L'objectif n'est pas d'obtenir un modèle qui prédit exactement. Ces modèles sont souvent trop complexes et ne fonctionnent que sur un espace restreint.
« Comment savez-vous quelles interactions sont importantes ? »
Je commencerais par la PME. Quelles interactions ont du sens ? Quelles interactions sont prédites ? Pourquoi ? (hypothèses). Je classerais les effets du modèle par ordre croissant . Au fur et à mesure que les effets du 2e ordre augmentent dans la liste, la nécessité d'augmenter la résolution augmente. Les plans orthogonaux classiques sont très utiles dans le travail séquentiel car la structure d'aliasing est connue et elle n'est pas partielle. Bien que vous puissiez dépenser des ressources sur plus d'exécutions pour commencer, il sera plus facile de supprimer les alias dans les expériences suivantes. Dans tous les cas, concevez plusieurs options pour 9 facteurs (facilement réalisable dans JMP). Évaluez ce que chaque option de conception fera en termes de connaissances potentiellement acquises (par exemple, quels effets seront séparés, lesquels seront confondus, lesquels ne seront pas dans l'étude). Comparez ces options aux ressources nécessaires pour terminer. Prédisez TOUS les résultats possibles de chaque plan. Prédisez les actions que chaque résultat possible entraînera. Sélectionnez le plan qui, selon vous, sera le meilleur compromis entre les connaissances et les ressources. Exécutez-le. Soyez prêt à itérer (ces itérations doivent être prévues).
« Comment savez-vous quelles interactions sont évaluées lorsque vous utilisez des options de filtrage non personnalisées ? »
JMP fournira la structure d'aliasing pour chaque conception proposée.
Je suis d'accord, en général, plus votre conception est « personnalisée », plus l'aliasing est compliqué. C'est le risque avec l'aliasing partiel. La récompense est moins d'exécutions dans la conception actuelle. Est-ce moins au cours de l'expérimentation séquentielle ? Qui sait.
Ré: Comment exécuter des méthodes DoE itératives avec la plateforme DoE personnaliséeMerci pour cette réponse si réfléchie. Cela me donne matière à réflexion pour aller de l'avant dans ma façon d'aborder les designs.
J'ai quelques questions complémentaires. J'aimerais trouver une manière efficace de minimiser le nombre d'exécutions nécessaires pour affiner un modèle de 9 facteurs continus. Nous avons un processus qui a été créé à l'aide de méthodes non statistiques, nous l'évaluons donc maintenant avec JMP pour nous assurer qu'il n'y a pas de surprises... L'objectif est d'évaluer et de supprimer les composants non significatifs, puis de construire un modèle efficace et prédictif dans notre espace de conception. Je travaille dans la purification, et il y a des réponses finies (récupération/pureté). Pour cette raison, il me semble logique que chaque facteur ait un optimum (un élément quadratique) sur une large plage de tests.
Je pense que le processus de réflexion général consiste à effectuer un écran, à supprimer les facteurs insignifiants (effets principaux et interactions), puis à se concentrer sur les équations quadratiques et la réduction de la variance en augmentant la conception.
- Comment savoir quelles interactions sont importantes ?
- Je travaille sur le raffinement des tampons et il existe de nombreux composants pour lesquels nous ne sommes pas sûrs des interactions
- Avec une application personnalisée, si vous supposez que toutes les interactions doivent être évaluées, alors « l'écran » devient très grand (48 exécutions)
- Comment savez-vous quelles interactions sont évaluées lorsque vous utilisez des options de filtrage non personnalisées ?
- Si vous comptez sur des applications telles que Definitive Screen ou Classic Screens, cela se rapproche de 30 run
- Je suis plus mal à l'aise avec cette option car je ne sais pas quelles interactions sont évaluées et lesquelles ne le sont pas.
Vraiment, il semble que le tri des effets d'interactions constitue l'essentiel des exécutions. Je veux m'assurer que je le fais efficacement.
Merci!
Re : Comment exécuter des méthodes DoE itératives avec la plateforme DoE personnaliséeJe vais essayer. Veuillez excuser ma "conférence".
Il n’existe pas de « manière unique » de créer des modèles. Certaines méthodes peuvent être plus efficaces ou efficientes selon la situation, mais tout dépend de la situation. Permettez-moi également de suggérer que le modèle doit être utile.
Un bon modèle est une approximation, de préférence facile à utiliser, qui capture les caractéristiques essentielles du phénomène étudié et produit des procédures robustes aux écarts probables par rapport aux hypothèses.
Boîte GEP
J'utilise la méthode scientifique (c'est-à-dire un processus itératif d'induction-déduction, les exemples incluent le PDSA de Deming ou le processus d'apprentissage itératif de Box) comme base pour toutes les enquêtes.
L'impulsion ou la motivation (par exemple, réduire les coûts, améliorer les performances, répondre aux plaintes des clients, ajouter des fonctions, etc.) doit être indiquée, mais il faut être prudent car il peut s'agir simplement d'un symptôme. Il convient de décider s'il s'agit d'une étude visant à expliquer ce qui se produit déjà ou si l'étude est destinée à comprendre la structure causale (je suis partisan de comprendre la causalité). De plus, il faut comprendre quelles sont les contraintes (par exemple, ressources, sentiment d'urgence). Commencez par un diagnostic de situation (par exemple, pose de questions, observation, exploration de données (cela peut inclure différentes procédures de type régression), collaboration, solutions potentielles, systèmes de mesure, etc.). Quelles sont les réponses appropriées ? Y a-t-il un intérêt à comprendre la tendance centrale, la variation ou les deux ? Les variables de réponse quantifient-elles correctement les phénomènes ? J'ai vu d'innombrables fois où le problème était la variation, mais la réponse était moyenne. Cela ne marchera jamais.
Développer des hypothèses. Une fois que vous avez un ensemble d’hypothèses, obtenez des données pour donner un aperçu de ces hypothèses. La stratégie appropriée de collecte de données dépend de la situation. S'il existe de nombreuses hypothèses ou facteurs (p. ex. > 15), l'approche la plus efficace peut consister à utiliser des études par échantillonnage dirigé (p. ex. composantes de variation, MSE). Les données devraient aider à déterminer quels composants ont le plus de poids. À mesure que la liste des « suspects » diminue, l’expérimentation peut peut-être accélérer l’apprentissage. Cela suivra probablement une séquence d’itérations, mais la « meilleure » séquence réelle est probablement inconnue pour démarrer. Erreur du fait de commencer avec un grand espace de conception (par exemple, beaucoup de facteurs et des niveaux gras). Il s’agira probablement d’une sorte d’expérience fractionnée sur cet espace de conception. Sachez que les effets d'ordre supérieur (par exemple, interactions et non-linéaires) sont toujours présents, ils peuvent simplement être confondus. Laissez les données et votre interprétation de ce que les données vous fournissent vous guider.
Concernant le bruit (par exemple, les matériaux entrants, les conditions ambiantes, l'erreur de mesure, les techniques des opérateurs, l'utilisation du client, etc.), je pense que c'est l'opportunité la plus souvent manquée. Intuitivement, je pense que notre parti pris est de maintenir constants ces facteurs non testés pendant que nous expérimentons. C'est complètement faux. Cela crée un espace d'inférence étroit et réduit la probabilité que les résultats soient vrais à l'avenir. La compréhension du bruit vient juste après la compréhension d’un modèle de premier ordre. Pensez à la plus grande expérience que vous ayez jamais conçue. Pensez au nombre de facteurs impliqués dans l’étude. Quelle proportion de TOUS les facteurs représente l’expérience ? Malheureusement, le logiciel n’est pas vraiment capable de fournir des indications sur la manière d’étudier correctement le bruit.
"Bloquez ce que vous pouvez, randomisez ce que vous ne pouvez pas", GEP Box
Beaucoup est consacré à la manière la plus efficace d'étudier les facteurs de conception (par exemple, personnalisation, optimalité, DSD), mais peu est consacré à l'intégration du bruit dans l'étude. Je ne suis pas sûr de ce qu'un modèle complexe fait pour vous si vous n'êtes pas au bon endroit. Vous n'êtes pas sûr que cela puisse être « automatisé » dans un logiciel ? cela nécessite une pensée critique.
Concernant vos questions spécifiques :
- Le dépistage doit-il évaluer simultanément les effets principaux et les effets d’interaction ou devez-vous commencer par les effets principaux, puis poursuivre avec les interactions de 2e ordre ?
Le conseil est de développer des modèles de manière hiérarchique. Votre question n'est peut-être pas « évaluer » mais estimer ou séparer ? Tout dépend de ce que vous savez et de ce que vous ne savez pas. Erreur sur l'hypothèse : vous ne savez pas grand chose !
- Si un effet principal est jugé « insignifiant », cela signifie-t-il qu'il n'y a pas non plus de risque d'effets d'interaction ?
Absolument pas. Je vous donne F=ma (aucun effet principal, m ou a, n'est significatif)
- Devez-vous ajouter des points centraux pour détecter la courbure lors de la phase de dépistage ?
En fonction de la situation. Vous soupçonnez un effet non linéaire ? Pourquoi? Êtes-vous dans un espace de conception où l'effet non linéaire est utile ?
- Devez-vous ajouter des répliques à cette phase ? (J'ai entendu dire que cela pouvait être inutile lorsque des impacts importants sont évalués plutôt qu'une faible variance)
- Quand faut-il ajouter des répétitions/se concentrer sur la réduction de la variance ?
Vous avez besoin d’une stratégie contre le bruit. La réplication en est une parmi tant d’autres. Encore une fois, la question sera la suivante : le bruit dans l’espace de conception est-il similaire au bruit à proximité de l’endroit où vous souhaitez être ? Si c'est le cas, étudiez-le maintenant.
La standardisation exacte des conditions expérimentales, qui est souvent préconisée à la légère comme une panacée, comporte toujours le véritable inconvénient qu'une expérience hautement standardisée ne fournit des informations directes que sur la gamme étroite de conditions obtenues par la standardisation. La normalisation affaiblit donc plutôt qu'elle ne renforce les bases permettant de déduire un résultat similaire lorsque, comme c'est invariablement le cas dans la pratique, ces conditions sont quelque peu variées.
- RA Fisher (1935), Plan d'expériences (p.99-100)
