724565_de-DE

liliconcom

So führen Sie iterative DoE-Methoden mit der benutzerdefinierten DoE-Plattform durch

Hallo,

Ich habe in der Vergangenheit einige Beiträge über Methoden zur Herangehensweise an DoE und Modellverfeinerung gelesen. Eine Methode, die ich gesehen habe, bestand darin, mit der Augment-Design-Option auf Modellen aufzubauen, und sie wurde als iterativer Prozess beschrieben.

Auf diese Weise würden Sie in der Anfangsphase eher ein benutzerdefiniertes DoE vom Screening-Typ durchführen, das Modell bewerten, das Modell reduzieren und dann das Design zur weiteren Optimierung und Varianzreduzierung erweitern.

1. Scheint dieser Prozess eine sinnvolle Methode zur Modellverfeinerung zu sein?

2. Welche Schritte würden Sie unternehmen, um Ihr Modell mit dieser Methode zu verfeinern?

• Sollten beim Screening sowohl Haupteffekte als auch Wechselwirkungen gleichzeitig bewertet werden, oder sollten Sie mit den Haupteffekten beginnen und dann mit Wechselwirkungen zweiter Ordnung weitermachen?
  • Wenn ein Haupteffekt als „unbedeutend“ eingestuft wird, bedeutet dies, dass auch kein Potenzial für Interaktionseffekte besteht?
  • Sollten Sie Mittelpunkte hinzufügen, um Krümmungen in der Screening-Phase zu erkennen?
  • Sollten Sie in dieser Phase Replikate hinzufügen? (Ich habe gehört, dass dies möglicherweise unnötig ist, wenn große Auswirkungen statt geringer Varianz bewertet werden.)
• Wann sollten Replikate hinzugefügt/der Schwerpunkt auf der Varianzreduzierung gelegt werden?

Dank im Voraus!

VersuchsplanungPrädiktive Modellierung und maschinelles LernenWindowsBetreff: So führen Sie iterative DoE-Methoden mit der benutzerdefinierten DoE-Plattform durch

Ich versuche es mal. Bitte entschuldigen Sie meinen „Vortrag“.

Es gibt keinen „einzigen Weg“, Modelle zu bauen. Einige Methoden können je nach Situation effektiver oder effizienter sein, aber es hängt alles von der Situation ab. Lassen Sie mich auch vorschlagen, dass das Modell nützlich sein muss.

Ein gutes Modell ist eine möglichst einfach zu verwendende Näherung, die die wesentlichen Merkmale des untersuchten Phänomens erfasst und Verfahren erzeugt, die gegenüber wahrscheinlichen Abweichungen von Annahmen robust sind

GEP-Box

Als Grundlage für alle Untersuchungen verwende ich die wissenschaftliche Methode (dh einen iterativen Prozess der Induktion und Deduktion, Beispiele hierfür sind Demings PDSA oder Boxs iterativer Lernprozess).

Der Anstoß oder die Motivation (z. B. Kosten senken, Leistung verbessern, auf Kundenbeschwerden reagieren, Funktionen hinzufügen usw.) sollten angegeben werden, es ist jedoch Vorsicht geboten, da dies lediglich ein Symptom sein kann. Es sollte eine Entscheidung darüber getroffen werden, ob es sich hierbei um eine Studie zur Erklärung dessen handelt, was bereits geschieht, oder ob es sich bei der Studie um das Verständnis der kausalen Struktur handelt (ich bin voreingenommen, wenn es darum geht, die Kausalität zu verstehen). Darüber hinaus müssen die Einschränkungen verstanden werden (z. B. Ressourcen, Gefühl der Dringlichkeit). Beginnen Sie mit der Situationsdiagnose (z. B. Fragen stellen, Beobachtung, Datengewinnung (dies kann verschiedene Verfahren vom Typ Regression umfassen), Zusammenarbeit, mögliche Lösungen, Messsysteme usw.). Was sind die passenden Antworten? Besteht Interesse daran, die zentrale Tendenz, Variation oder beides zu verstehen? Quantifizieren die Antwortvariablen die Phänomene angemessen? Ich habe unzählige Male erlebt, dass das Problem in der Variation lag, die Reaktion aber mittelmäßig war. Das wird nie funktionieren.

Entwickeln Sie Hypothesen. Sobald Sie eine Reihe von Hypothesen haben, holen Sie sich Daten, um Einblicke in diese Hypothesen zu gewinnen. Die geeignete Datenerfassungsstrategie ist situationsabhängig. Wenn es viele Hypothesen oder Faktoren gibt (z. B. >15), kann der effizienteste Ansatz darin bestehen, gezielte Stichprobenstudien (z. B. Variationskomponenten, MSE) zu verwenden. Die Daten sollen helfen herauszufinden, welche Komponenten den größten Einfluss haben. Wenn die Liste der „Verdächtigen“ kleiner wird, kann das Experimentieren vielleicht den Lernprozess beschleunigen. Dies wird wahrscheinlich auf eine Folge von Iterationen folgen, aber es ist wahrscheinlich unbekannt, dass die tatsächliche „beste“ Folge beginnt. Fehler auf der Seite, mit einem großen Designraum zu beginnen (z. B. viele Faktoren und fette Ebenen). Dies wird wahrscheinlich eine Art Teilexperiment über diesen Designraum sein. Beachten Sie, dass die Effekte höherer Ordnung (z. B. Wechselwirkungen und nichtlineare Effekte) immer noch vorhanden sind, sie können jedoch verfälscht sein. Lassen Sie sich von den Daten und Ihrer Interpretation der Erkenntnisse leiten, die Ihnen die Daten liefern.

In Bezug auf Lärm (z. B. eingehende Materialien, Umgebungsbedingungen, Messfehler, Bedientechniken, Kundennutzung usw.) ist dies meiner Meinung nach die am häufigsten verpasste Gelegenheit. Intuitiv denke ich, dass unsere Tendenz darin besteht, diese ungetesteten Faktoren konstant zu halten, während wir experimentieren. Das ist völlig falsch. Dies führt zu einem engeren Schlussfolgerungsraum und verringert die Wahrscheinlichkeit, dass die Ergebnisse in Zukunft zutreffen. Das Verständnis von Rauschen kommt dem Verständnis eines Modells erster Ordnung gleich. Denken Sie an das größte Experiment, das Sie jemals entworfen haben. Überlegen Sie, wie viele Faktoren in der Studie berücksichtigt wurden. Welchen Anteil ALLER Faktoren hat das Experiment? Leider ist die Software nicht wirklich in der Lage, Hinweise darauf zu geben, wie das Geräusch angemessen untersucht werden kann.

„Blockieren Sie, was Sie können, randomisieren Sie, was Sie nicht können“, GEP Box

Es wird viel darauf verwendet, die Designfaktoren am effizientesten zu untersuchen (z. B. Benutzerdefiniert, Optimalität, DSD), aber wenig wird darauf verwendet, Rauschen in die Studie einzubeziehen. Ich bin mir nicht sicher, was ein komplexes Modell für Sie bewirkt, wenn Sie am falschen Ort sind. Sie sind sich nicht sicher, ob es in einem Softwareprogramm „automatisiert“ werden kann? es erfordert kritisches Denken.

Zu Ihren konkreten Fragen:

• Sollten beim Screening sowohl Haupteffekte als auch Wechselwirkungen gleichzeitig bewertet werden, oder sollten Sie mit den Haupteffekten beginnen und dann mit Wechselwirkungen zweiter Ordnung weitermachen?

Es empfiehlt sich, Modelle hierarchisch zu entwickeln. Ihre Frage lautet vielleicht nicht „bewerten“, sondern schätzen oder trennen? Alles hängt davon ab, was Sie wissen und was nicht. Irrtum bei der Annahme: Sie wissen nicht viel!

• Wenn ein Haupteffekt als „unbedeutend“ eingestuft wird, bedeutet dies, dass auch kein Potenzial für Interaktionseffekte besteht?

Absolut nicht. Ich gebe Ihnen F=ma (kein Haupteffekt, m oder a, ist signifikant)

• Sollten Sie Mittelpunkte hinzufügen, um Krümmungen in der Screening-Phase zu erkennen?

Situationsabhängig. Befürchten Sie einen nichtlinearen Effekt? Warum? Befinden Sie sich in einem Designbereich, in dem der nichtlineare Effekt nützlich ist?

• Sollten Sie in dieser Phase Replikate hinzufügen? (Ich habe gehört, dass dies möglicherweise unnötig ist, wenn große Auswirkungen statt geringer Varianz bewertet werden.)
• Wann sollten Replikate hinzugefügt/der Schwerpunkt auf der Varianzreduzierung gelegt werden?

Sie brauchen eine Lärmstrategie. Die Replikation ist eine von vielen. Auch hier stellt sich die Frage: Ist der Lärm im Designbereich dem Lärm in der Nähe Ihres gewünschten Standorts ähnlich? Wenn ja, studieren Sie es jetzt.

Die oft unbedacht als Allheilmittel propagierte exakte Standardisierung der Versuchsbedingungen bringt immer den eigentlichen Nachteil mit sich, dass ein hochgradig standardisiertes Experiment direkte Informationen nur über den engen Bereich der durch die Standardisierung erreichten Bedingungen liefert. Daher schwächt die Standardisierung unsere Grundlage für die Schlussfolgerung auf ein ähnliches Ergebnis eher, als dass sie sie stärkt, wenn, wie es in der Praxis immer der Fall ist, diese Bedingungen etwas variieren.

1. RA Fisher (1935), Design of Experiments (S. 99-100)

Betreff: So führen Sie iterative DoE-Methoden mit der benutzerdefinierten DoE-Plattform durch

Vielen Dank für diese ausführliche Antwort. Sie gibt mir viel Stoff zum Nachdenken, wenn ich in Zukunft an Designs herangehen möchte.

Ich habe noch ein paar Anschlussfragen. Ich würde gerne eine effiziente Methode finden, um die Anzahl der Durchläufe zu minimieren, die zur Verfeinerung eines Modells mit 9 kontinuierlichen Faktoren erforderlich sind. Wir haben einen Prozess, der mit nicht-statistischen Methoden erstellt wurde, daher bewerten wir ihn jetzt mit JMP, um sicherzustellen, dass es keine Überraschungen gibt ... Das Ziel besteht darin, unbedeutende Komponenten zu bewerten und zu entfernen und dann ein effektives, prädiktives Modell innerhalb unseres Designbereichs zu erstellen. Ich arbeite im Bereich Reinigung und es gibt endliche Reaktionen (Rückgewinnung/Reinheit). Aus diesem Grund erscheint es mir sinnvoll, dass jeder Faktor über einen breiten Testbereich ein Optimum (ein quadratisches Element) haben sollte.

Ich denke, der allgemeine Denkprozess besteht darin, einen Screen durchzuführen, unbedeutende Faktoren (Haupteffekte und Interaktionen) zu entfernen und sich dann auf Quadrate und Varianzreduzierung durch Erweiterung des Designs zu konzentrieren.

1. Woher wissen Sie, welche Interaktionen wichtig sind?
   • Ich arbeite an der Pufferverfeinerung und es gibt viele Komponenten, bei denen wir uns hinsichtlich der Wechselwirkungen nicht sicher sind.
   • Wenn Sie bei einer benutzerdefinierten Anwendung davon ausgehen, dass alle Interaktionen ausgewertet werden müssen, wird der „Bildschirm“ sehr groß (48 Durchläufe).
2. Woher wissen Sie, welche Interaktionen ausgewertet werden, wenn Sie nicht benutzerdefinierte Screening-Optionen verwenden?
   • Wenn Sie sich auf Anwendungen wie Definitive Screen oder Classic Screens verlassen, liegt es näher bei 30runs
   • Ich fühle mich mit dieser Option unwohler, weil ich nicht sicher bin, welche Interaktionen ausgewertet werden und welche nicht.

Tatsächlich scheint das Sortieren der Interaktionseffekte den Großteil der Läufe auszumachen. Ich möchte sicherstellen, dass ich dies effizient mache.

Danke!

Betreff: So führen Sie iterative DoE-Methoden mit der benutzerdefinierten DoE-Plattform durch

Hier sind meine Gedanken. Leider verstehe ich Ihren Prozess nicht genau, also denken Sie bitte daran.

„Ich möchte einen effizienten Weg finden, um die Anzahl der Durchläufe zu minimieren, die zur Verfeinerung eines Modells mit 9 kontinuierlichen Faktoren erforderlich sind.“

Minimieren in einem Experiment? Planen Sie eine Iteration? Wie hoch ist das Gesamtbudget für das Experiment (z. B. Zeit und Ressourcen)? Je weniger Durchläufe, desto weniger Freiheitsgrade stehen zur Verfügung, um Effekte zu trennen und zuzuweisen.

„Wir haben einen Prozess, der mithilfe nicht statistischer Methoden erstellt wurde. Deshalb werten wir ihn jetzt mit JMP aus, um sicherzustellen, dass es keine Überraschungen gibt.“

Letztendlich möchten Sie ein Vorhersagemodell, das nützlich und robust ist. Wie Sie zu dem Modell gelangen, kann sich auf die Ressourcen auswirken, aber Statistiken sind keine Zauberei. „Keine Überraschungen“ bedeutet für mich einen stabilen, konsistenten Prozess , der robust gegenüber Rauschen ist. Die einzige Möglichkeit, die Robustheit zu beurteilen, besteht darin, das Rauschen in Ihrer Studie variieren zu lassen. Dies impliziert auch eine Zeitreihe. Dies ist nicht der Schwerpunkt bei Experimenten, bei denen die Zeitreihe absichtlich beeinträchtigt wird, um das Verständnis des Modells zu beschleunigen.

„Das Ziel besteht darin, unbedeutende Komponenten zu bewerten und zu entfernen und dann innerhalb unseres Entwurfsraums ein effektives, prädiktives Modell zu erstellen.“

Ein bisschen Wortklauberei ... Das Ziel ist es, ein effektives (funktionierendes), effizientes (kostengünstiges), nützliches (handhabbares), prädiktives (konsistentes und stabiles) Modell zu erstellen, das robust (gegen Rauschen) ist. Natürlich möchten Sie vielleicht das Konzept der kontinuierlichen Verbesserung in Betracht ziehen. Was passiert, wenn sich die Technologie weiterentwickelt? Wenn neue Materialien entwickelt oder angepasst werden? Wenn sich Messungen und Messsysteme verbessern? Wenn sich die Kundenanforderungen ändern?

„Für mich erscheint es sinnvoll, dass jeder Faktor über einen weiten Testbereich ein Optimum (ein quadratisches Element) haben sollte.“

Warum ein quadratisches Modell? Abweichungen vom linearen Modell sind Ihnen nur dann wichtig, wenn sie signifikant sind. Ein lineares Modell ist viel einfacher zu handhaben. Das Ziel ist nicht, ein Modell zu erhalten, das genaue Vorhersagen macht. Diese Modelle sind oft zu komplex und funktionieren nur in einem engen Bereich.

„Woher wissen Sie, welche Interaktionen wichtig sind?“

Ich würde mit dem KMU beginnen. Welche Interaktionen sind sinnvoll? Welche Interaktionen werden vorhergesagt? Warum? (Hypothesen). Ich würde die Modelleffekte bis zur 2. Ordnung ordnen . Je höher die Effekte 2. Ordnung in der Liste, desto größer wird die Notwendigkeit, die Auflösung zu erhöhen. Klassische orthogonale Designs sind bei sequenzieller Arbeit recht nützlich, da die Aliasing-Struktur bekannt und nicht partiell ist. Während Sie zu Beginn möglicherweise Ressourcen für mehrere Durchläufe aufwenden, wird es in nachfolgenden Experimenten einfacher sein, das Aliasing zu beseitigen. Entwerfen Sie in jedem Fall mehrere Optionen für 9 Faktoren (einfach in JMP). Bewerten Sie, was jede Designoption im Hinblick auf die potenziell erzielbaren Erkenntnisse bewirkt (z. B. welche Effekte getrennt werden, welche verfälscht werden, welche nicht in der Studie vorkommen). Vergleichen Sie diese Optionen mit den zur Fertigstellung erforderlichen Ressourcen. Sagen Sie ALLE möglichen Ergebnisse jedes Designs voraus. Sagen Sie voraus, zu welchen Aktionen jedes mögliche Ergebnis führen wird. Wählen Sie das Design aus, das Ihrer Vorhersage nach den besten Kompromiss zwischen Wissen und Ressourcen darstellt. Führen Sie es aus. Seien Sie auf Iterationen vorbereitet (diese Iterationen sollten vorhergesagt werden).

" Woher wissen Sie, welche Interaktionen ausgewertet werden, wenn Sie nicht benutzerdefinierte Screening-Optionen verwenden? "

JMP stellt die Aliasing-Struktur für jedes vorgeschlagene Design bereit.

Ich stimme zu, dass das Aliasing im Allgemeinen umso komplizierter ist, je „individueller“ Ihr Design ist. Dies ist das Risiko bei partiellem Aliasing. Der Vorteil sind weniger Durchläufe im aktuellen Design. Sind es im Laufe sequenzieller Experimente weniger? Wer weiß.