Grazie a tutti i partecipanti! Non esitate a lavorare di più o porre domande di seguito.
Video 1: Quali sono le conseguenze (logicamente e matematicamente) se non si segue il DOE nell'ordine specificato? -Richard Lacaba
Commenti
@Victor_G - Puoi registrare l'ordine degli esperimenti nella tabella e vedere se hai un effetto dell'ordine degli esperimenti sulla risposta.
@bdclark23 - Ricevo spesso questa domanda e la fornisco da Montgomery ai miei clienti: La randomizzazione è la pietra angolare alla base dell'uso di metodi statistici nella progettazione degli esperimenti. Per randomizzazione intendiamo che sia l'allocazione del materiale sperimentale che l'ordine in cui devono essere eseguite le singole esecuzioni dell'esperimento sono determinati in modo casuale. I metodi statistici richiedono che le osservazioni (o gli errori) siano variabili casuali distribuite in modo indipendente. La randomizzazione di solito rende valida questa ipotesi. Randomizzando adeguatamente l'esperimento, aiutiamo anche a “calcolare la media” dell'effetto di fattori estranei che potrebbero essere presenti.
Video 2: Progettazione potenziata (DOE sequenziale) - John Szarka ( @jszarka )
Domanda da Thalita Coppini Soares ( @THCS
Potresti eseguire intervalli diversi di variabili dal primo esperimento in questo scenario?
Risposte:
@Jonas_Rinne - Sì, puoi cambiare anche quello, se necessario.
@Victor_G - Ysì, puoi modificare gli intervalli dei fattori. Ciò consente di concentrarsi sull'area ottimale (ridurre l'intervallo, limitare lo spazio sperimentale) o spostare un po' più lontano lo spazio di progettazione se non si dispone di un'area interessante da cercare/ottimizzare
@Paul_J - O forse aggiungendo un nuovo fattore con il prossimo set?
@Jonas_Rinne - Ecco un post della community in cui puoi verificare come farlo: Risolto: come posso aggiungere un nuovo fattore continuo a una DoE tramite il potenziamento della progettazione? - Comunità di utenti JMP . Nota che questo fattore doveva essere costante nei tuoi esperimenti precedenti.
Domanda da Thalita Coppini Soares ( @THCSquindi, stellatcon un PB per ridurre il numero di esperimenti, quindi eseguire un progetto completo solo con i fattori principali con intervalli ristretti?
Risposta
@Victor_G - Oppure con un altro disegno di screening, nell’esempio qui DSD potrebbe essere utile: nessun vincolo e un numero elevato di fattori continui, quindi potrebbe aiutare a stimare meglio gli effetti principali e possibilmente a rilevare interazioni ed effetti quadratici.
E una volta terminato lo screening, perché non aggiungere effetti di ordine superiore (interazioni, effetti quadratici, ...) nell'aumento sugli intervalli ristretti per espandere la tua conoscenza del sistema e avere un modello migliore/più accurato?
Video 3: È ragionevole mantenere gli effetti principali nel modello DoE anche quando non sono significativi? Quanto è affidabile la stima della dimensione dell'effetto di questi fattori "insignificanti"? - Johann-Christoph Dettmann ( @JohannD124 )
Video 4: Integrazione del DOE con altri metodi: ML, chemioinformatica, ecc... - Victor Guiller ( @Victor_G )
Commenti
@ruskicar - SVEM (modellazione di ensemble auto-validante) è un approccio che a volte viene utilizzato per modellare DOE che riempiono lo spazio
@Victor_G - Progettazione di esperimenti e machine learning con applicazione a esperimenti industriali | Documenti statistici (springer.com)
Progettazione di esperimenti e machine learning con applicazione a esperimenti industriali
Documenti statistici - Nel contesto dell'innovazione di prodotto, esiste una tendenza emergente all'utilizzo di modelli di Machine Learning (ML) con il supporto di Design Of Experiments (DOE). Il documento si propone innanzitutto di...
Scelta progettuale e prestazioni del modello di machine learning - Arboretti - 2022 - Quality and Reliability Engineering International - Wiley Online Library
@Paul_J - I progetti "ottimali" di JMP possono essere basati su modelli meccanici?
@maria_astals - Disegni per l'archiviazione dello spazio: https://www.jmp.com/support/help/en/18.0/index.shtml#page/jmp/overview-of-spacefilling-designs.shtml
@Victor_G - Esempio di progetti di riempimento dello spazio con analisi Support Vector Machine sulla progettazione di miscele: https://community.jmp.com/t5/Online-Abstracts/Synergy-Between-Design-of-Experiments-and-Machine-Learning- per/ec-p/708147#M2
Video 5: modellazione dei risultati DoE che includono interi grafici, in particolare l'errore casuale aggiunto all'effetto Whole Plot. - Drejc Kopač ( @ruskicar )
