Diseño de robustezUn flujo de trabajo del DoE requiere una selección previa, una selección, una optimización y luego un diseño robusto. El diseño de robustez informaría alrededor de un espacio de control dentro de un espacio de diseño más amplio trazado por el diseño de optimización. En JMP, ¿existe (y, de ser así, dónde) un procedimiento para ejecutar diseños robustos a partir de un conjunto de datos inicial utilizado para la optimización?
Diseño de experimentosRe: Diseño de robustezMmmm, Phil, tu definición de diseño robusto y la mía son bastante diferentes. Pienso que la robustez es insensible al ruido.
Taguchi hizo mucho para popularizar este concepto:
Taguchi, G. y D. Clausing, (1990) “ Calidad robusta” . Harvard Business Review , enero-febrero, págs. 65-75
Hay otros buenos artículos sobre diseño robusto:
Bisgaard, Søren, Murat Kulahei, (2001), “ Diseño de producto robusto: ahorro de pruebas con confusión de trama dividida ”, Ingeniería de calidad , 13(3), 525-530
Hunter, Stuart (1985) “Diseño estadístico aplicado al diseño de productos”, Journal of Quality Technology , vol. 17, núm. 4, octubre de 1985
Montgomery, Douglas, C., (1999), “Diseño experimental para el diseño y desarrollo de productos y procesos”, The Statistician , 48, Parte 2, pág. 159-177
Box, GEP, Stephen Jones (1992), “ Diseños de parcelas divididas para una experimentación sólida de productos ”, Journal of Applied Statistics , vol. 19, n° 1
El diseño robusto tiene menos que ver con la estructura del diseño y más con la introducción de ruido en sus experimentos.
Re: Diseño de robustezLa guía de @Victor_G es muy útil, como siempre.
Simplemente pensé que valía la pena aclarar que no existe una plataforma o característica específica en JMP para crear diseños robustos (sospecho que este también es el caso en otro software DOE).
Un diseño de robustez suele ser simplemente un diseño simple de 2 niveles con rangos de factores estrechos alrededor del óptimo.
Entonces (como dice Victor) puedes diseñar esto con Augment, Custom Design o incluso usando las capacidades de diseño clásicas.
Personalmente, usaría Augment ya que mantendrá todos los datos de las diferentes etapas del experimento en la misma tabla de datos.
filo
Re: Diseño de robustezHola @kjwx109prime ,
La situación que describiste es similar a lo que hice en el ejemplo mencionado anteriormente:
Hice una breve presentación usando DoE secuencial para el ajuste fino de un algoritmo (Random Forest) en un conjunto de datos fijo, usando un diseño de detección, luego un diseño de optimización y finalmente usando un diseño de detección factorial simple para evaluar la solidez del rango de factores encontrado anteriormente. :https://www.linkedin.com/posts/victorguiller_design-of-experiments-machine-learning-activity-7122469...
Esta metodología secuencial es, por supuesto, posible en JMP. Puedes hacerlo en 2 pasos:
- Identifique los factores y sus rangos restringidos que coinciden con sus especificaciones gracias al diseño (y modelo) de superficie de respuesta de optimización previo realizado y al Design Space Profiler.
- Una vez identificados los factores y rangos, puede aumentar los diseños (y agregar un bloque para el nuevo conjunto de ejecuciones para diferenciar mejor los resultados del DoE original y los nuevos experimentos) o crear un nuevo diseño personalizado con los factores y el rango identificados anteriormente. y verifique que los resultados de su segundo conjunto de experimentos estén de acuerdo con sus especificaciones de aceptabilidad de varianza y media de respuesta:
Espero que esta respuesta complementaria te ayude.
Re: Diseño de robustezEstoy un poco confundido. Por supuesto, puede establecer los niveles que desee y se puede analizar en JMP. El análisis se simplifica enormemente si los puntos de diseño están "equilibrados" (por ejemplo, CCD, centrado en las caras, Box-Behnken), pero la regresión se puede utilizar en cualquier punto. Pensemos en la geometría del espacio. Imagine que está intentando tomar muestras de ese espacio para crear un mapa de contorno de la respuesta. Generalmente se prefiere un muestreo equilibrado del espacio ya que está menos sesgado.
Los diseños robustos suelen estar relacionados con la comprensión de qué tan bien funciona el modelo ante el ruido cambiante. En estos diseños, el ruido se varía en el experimento, generalmente en forma de bloques, parcelas divididas o matrices de productos cruzados. El objetivo es encontrar factores cuyos efectos sean consistentes sobre el cambio de ruido y se mitigue el efecto del ruido.
Re: Diseño de robustezHola @Victor_G ,
Gracias por señalar la ambigüedad en la consulta. De hecho, estoy interesado en el escenario adjunto.
El cubo exterior se relaciona con el modelado de superficies de respuesta y describe un espacio de diseño. Operar completamente en cualquier punto dentro de este cubo debe cumplir con los requisitos de aceptabilidad, según el modelo de superficie de respuesta.
El punto central describe la condición del punto de ajuste.
Estoy interesado en un diseño que mire el cubo interior. En este caso, esto no se refiere a la robustez ante pequeñas variaciones alrededor del punto de ajuste existente, sino que es una versión ligeramente más pequeña de la superficie exterior. Estamos seguros de que operar en cualquier punto dentro de la superficie exterior es adecuado, pero estamos aún más seguros si la operación se limita a una superficie más pequeña.
En JMP, ¿es posible seguir un modelo de superficie de respuesta con un diseño que tenga en cuenta este espacio operativo más restringido? Alternativamente, ¿se puede estudiar el espacio más restringido con más detalle desde el principio, como parte del estudio de la superficie de respuesta original?
alan
Re: Diseño de robustezHola @kjwx109prime ,
¡Bienvenidos a la Comunidad!
Puede haber varias definiciones de robustez y diferentes formas de crear un DoE de robustez, dependiendo de qué factores desea probar la robustez de su espacio experimental/punto óptimo: contra factores de ruido externos, contra variación en los factores del proceso/experimento, o contra un combinación de ambos factores. Aquí hay una serie de artículos de Stat-Ease que explican el tipo de diseños según la situación de robustez que le interesa:
- Robustez frente a factores de ruido externos: https://statease.com/blog/achieving-robust-processes-via-tres-experiment-design-options-part-1/
- Robustez frente a la variación en nuestros puntos de ajuste para los factores del proceso: https://statease.com/blog/achieving-robust-processes-via-tres-experiment-design-options-part-2/
- Una combinación de los dos primeros tipos: https://statease.com/blog/achieving-robust-processes-via-tres-experiment-design-options-part-3/
Hice una breve presentación usando DoE secuencial para el ajuste fino de un algoritmo (Random Forest) en un conjunto de datos fijo, usando un diseño de detección, luego un diseño de optimización y finalmente usando un diseño de detección factorial simple para evaluar la solidez del rango de factores encontrado anteriormente. : https://www.linkedin.com/posts/victorguiller_design-of-experiments-machine-learning-activity-7122469274148868096-Qhif
Algunos recursos que también pueden resultar útiles:
Diseño de productos robustos (2020-US-30MP-539)
Cómo diseñar para procesos de producción robustos | JMP
Espero que este primer iniciador de discusión pueda ayudarte.
