Vielen Dank an alle Teilnehmer! Bitte zögern Sie nicht, weiter unten mehr zu erzählen oder Fragen zu stellen.
Video 1: Welche Konsequenzen hat es (logisch und mathematisch), wenn die DOE nicht in der angegebenen Reihenfolge befolgt wird? – Richard Lacaba
Kommentare
@Victor_G – Sie können die Reihenfolge der Experimente in der Tabelle aufzeichnen und sehen, ob die Reihenfolge der Experimente einen Einfluss auf die Antwort hat.
@bdclark23 - Diese Frage wird mir oft gestellt und ich gebe meinen Kunden Folgendes von Montgomery weiter: Die Randomisierung ist der Grundstein für die Verwendung statistischer Methoden bei der Versuchsplanung. Unter Randomisierung verstehen wir, dass sowohl die Zuteilung des Versuchsmaterials als auch die Reihenfolge, in der die einzelnen Durchläufe des Versuchs durchgeführt werden, zufällig bestimmt werden. Statistische Methoden erfordern, dass die Beobachtungen (oder Fehler) unabhängig verteilte Zufallsvariablen sind. Durch die Randomisierung wird diese Annahme normalerweise bestätigt. Indem wir das Experiment richtig randomisieren, tragen wir auch dazu bei, die Auswirkungen eventuell vorhandener externer Faktoren „herauszumitteln“.
Video 2: Augment Design (Sequentielles DOE) – John Szarka ( @jszarka )
Frage von Thalita Coppini Soares ( @THCS
Könnten Sie in diesem Szenario unterschiedliche Bereiche der Variablen aus dem ersten Experiment ausführen?
Antworten:
@Jonas_Rinne - Ja, Sie können das bei Bedarf auch ändern.
@Victor_G - YSie können die Bereiche der Faktoren ändern. Dies ermöglicht es, sich auf den optimalen Bereich zu konzentrieren (den Bereich zu reduzieren, den experimentellen Raum einzuschränken) oder den Designraum ein wenig weiter zu verschieben, wenn Sie keinen interessanten Bereich zum Suchen/Optimieren haben
@Paul_J – Oder vielleicht mit dem nächsten Set einen neuen Faktor hinzufügen?
@Jonas_Rinne - Hier ist ein Community-Beitrag, in dem Sie nachlesen können, wie das geht: Gelöst: Wie füge ich einem DoE über Design-Augmentation einen neuen kontinuierlichen Faktor hinzu? – JMP-Benutzer-Community . Beachten Sie, dass dieser Faktor in Ihren vorherigen Experimenten konstant sein musste.
Frage von Thalita Coppini Soares ( @THCSalso, Sterntmit einem PB, um die Anzahl der Experimente zu reduzieren, und führen Sie dann ein vollständiges Design nur mit den Hauptfaktoren mit engen Bereichen durch?
Antwort
@Victor_G - Oder mit einem anderen Screening-Design. In diesem Beispiel könnte DSD hilfreich sein: keine Einschränkungen und eine hohe Anzahl kontinuierlicher Faktoren, sodass Haupteffekte besser geschätzt und möglicherweise Wechselwirkungen und quadratische Effekte erkannt werden können.
Und wenn Ihr Screening abgeschlossen ist, warum fügen Sie dann nicht bei der Erweiterung der engen Bereiche Effekte höherer Ordnung (Wechselwirkungen, quadratische Effekte usw.) hinzu, um Ihr Wissen über das System zu erweitern und ein besseres/genaueres Modell zu erhalten?
Video 3: Ist es sinnvoll, Haupteffekte im DoE-Modell beizubehalten, auch wenn sie nicht signifikant sind? Wie zuverlässig ist die Effektgrößenschätzung dieser „unbedeutenden“ Faktoren? – Johann-Christoph Dettmann ( @JohannD124 )
Video 4: Integration von DOE mit anderen Methoden: ML, Chemoinformatik usw. – Victor Guiller ( @Victor_G )
Kommentare
@ruskicar - SVEM (selbstvalidierende Ensemblemodellierung) ist ein Ansatz, der manchmal zur Modellierung raumfüllender DOEs verwendet wird
@Victor_G - Versuchsplanung und maschinelles Lernen mit Anwendung auf industrielle Experimente | Statistische Artikel (springer.com)
Versuchsplanung und maschinelles Lernen mit Anwendung auf industrielle Experimente
Statistische Beiträge - Im Zusammenhang mit Produktinnovationen gibt es einen neuen Trend zur Verwendung von Machine Learning (ML)-Modellen mit Unterstützung von Design Of Experiments (DOE). Der Beitrag zielt zunächst darauf ab...
Designauswahl und Leistung von Modellen des maschinellen Lernens - Arboretti - 2022 - Quality and Reliability Engineering International - Wiley Online Library
@Paul_J – Können „optimale“ JMP-Designs auf mechanischen Modellen basieren?
@maria_astals – Raumfüllende Designs: https://www.jmp.com/support/help/en/18.0/index.shtml#page/jmp/overview-of-spacefilling-designs.shtml
@Victor_G – Beispiel für raumfüllende Designs mit Support Vector Machine-Analyse im Mischungsdesign: https://community.jmp.com/t5/Online-Abstracts/Synergy-Between-Design-of-Experiments-and-Machine-Learning-for/ec-p/708147#M2
Video 5: Modellierung von DoE-Ergebnissen, die ganze Diagramme umfassen, insbesondere der Zufallsfehler, der zum Gesamtdiagrammeffekt hinzukommt. – Drejc Kopač ( @ruskicar )
