|
Lautsprecher
|
Transkript
|
| Simon Stelzig |
Okay, also hallo zusammen. Mein Name ist Simon Stelzig. Ich bin von Lohmann, den Bonding Engineers. Ich komme aus der Forschungs- und Entwicklungsabteilung und möchte Ihnen heute etwas über den Functional Data Explorer erzählen und wie Sie damit Ergebnisse für Nicht-Datenwissenschaftler visualisieren können. |
| |
Bevor ich anfange, eine kurze Einführung in die Firma Lohmann. Sie haben vielleicht noch nie davon gehört, aber Sie verwenden oder sind vielleicht täglich mit ihren Produkten in Berührung gekommen. |
| |
Also nur ein paar Fakten und Zahlen über Lohmann. Lohmann hat 2019 einen Umsatz von etwa 600 Millionen Euro und der Teil, an dem ich arbeite, ist die Lohmann Tape Group und wir sind ein Hersteller von Klebebändern. Es sind hauptsächlich doppelseitige Klebebänder und wir sind ein reines B2C-Unternehmen, Sie müssen also nur |
| |
Sie können nur unsere Produkte kaufen, wenn Sie in der Industrie arbeiten... für industrielle Anwendungen. Wir sind ziemlich alt, dieses Jahr sind es etwa 170 Jahre seit der Gründung der Firma Lohmann. |
| |
Wir sind im Grunde in zwei Bereiche unterteilt, also einer davon ist das Klebeband, an dem ich arbeite. Das ist der Fokus auf dem |
| |
Klebebänder für industrielle Anwendungen und das ist unsere Hygienemarke. |
| |
Und wir sind global tätig. Wir haben 25 Standorte auf der ganzen Welt mit rund 1.800 Mitarbeitern. Und vielleicht sehr interessant: |
| |
90 % unserer Produkte sind kundenspezifisch, daher verfügen wir über ein recht komplexes Produktportfolio, bei dem sich viele unserer Produkte auf eine sehr kleine Anzahl von Anwendungen für eine sehr kleine Kundengruppe konzentrieren. |
| |
Wir sind der führende Hersteller von Klebebändern bzw. vielen doppelseitigen Klebebändern und haben, wie Sie wissen, viele Anwendungsgebiete. Dies ist das Marktsegment, in dem wir tätig sind. |
| |
Einer unserer Anwendungsbereiche ist die industrielle Anwendung. Das sind vor allem Fenster und Türen oder Innen- und Außenanwendungen im Baubereich. |
| |
Oder Sie begegnen Lohmann-Produkten in Haushaltsgeräten und elektronischen Geräten, zum Beispiel in Klebebändern zur Befestigung der Rückseite von Smartphones. Oder in der |
| |
medizinische Segmente, hauptsächlich für diagnostische Anwendungen, Wundpflege. Im Bereich Transport im...für die Automobilindustrie vielleicht für den Innen- oder Außenbereich |
| |
Aufkleben von Emblemen auf Autos. Wir sind auch in der grafischen Industrie für flexible Druckanwendungen tätig, wo wir Klebebänder liefern |
| |
um die Druckplatte auf den Ärmeln zu befestigen. Eine der...eine Unterabteilung der Lohmann Tape Group ist die Hygienemarke, in der wir Verschlusssysteme für Windeln liefern. |
| |
Das ist also ein sehr breites Anwendungsspektrum. Und ein weiterer Punkt, den ich gerade erwähnt habe, ist, dass etwa 90 % unserer Produkte kundenspezifisch sind. Und eine weitere Tatsache über Lohmann ist |
| |
dass unsere Wertschöpfungskette eine sehr tiefe Wertschöpfungskette ist. Wenn Sie also an ein Klebeband denken, brauchen Sie eine Klebeschicht, die |
| |
wird auf das zu beklebende Objekt geklebt oder aufgeheftet. |
| |
Sie benötigen einen Träger, optional einen Träger, der Ihre Klebeschicht trägt, und auf der anderen Seite, da wir Hersteller der doppelseitigen Klebebänder sind, haben Sie auf der anderen Seite wieder |
| |
eine Klebeschicht. Und die Wertschöpfungskette von Lohmann beginnt im Grunde ganz am Anfang, sodass wir unser eigenes Polymer herstellen können, also das Basispolymer für einen Klebstoff. |
| |
Dann müssen wir das Polymer zu einer Klebstoffformulierung formulieren, die wir dann im nächsten Schritt auf einen Träger auftragen, sei es in Form eines Klebebandes in Form von |
| |
ziemlich große ??? Rollen. Und ganz am Ende, damit wir das in der Form liefern können |
| |
der Kunde möchte es haben. Wenn Sie also Stanzteile haben, vielleicht Embleme für Autos, müssen Sie diese Klebebänder nicht in einer bestimmten Form haben. Wir liefern diese spezielle Form, wie der Kunde sie verlangt. |
| |
Und die Forschung und Entwicklung konzentriert sich hauptsächlich auf die ersten drei Teile davon, also auf die Polymerisation, die Formulierung der Beschichtung und um, wie ich bereits erwähnte, viele unserer Produkte kundenspezifisch zu gestalten, um so schnell wie möglich zum Ziel zu kommen, die Anforderungen unserer Kunden zu erfüllen, wenden wir |
| |
Gestaltung von Experimenten während des gesamten Kurses |
| |
um zum Endprodukt zu gelangen und die Anforderungen unserer Kunden zu erfüllen. |
| |
Und mit viel |
| |
Auch die Versuchsplanung oder die Durchführung vieler Experimente insgesamt liefert viele Daten. |
| |
Und wenn man diese Experimente durchführt oder die Experimente in diesem Kurs entwirft und in einem Chemieunternehmen arbeitet, erhält man in den Experimentergebnissen eine Menge Daten, eine Menge Spektren. |
| |
Die meisten unserer Experimente ergeben also keinen Wert, keine Zahl, sondern ein Spektrum. |
| |
Und in den meisten Fällen, wenn Sie die Experimente durchführen möchten, wie in meinem Fall, bin ich der, sagen wir, Datenwissenschaftler, der den Service der Planung dieser Experimente und der Analyse bereitstellt. |
| |
Experimente und die Durchführung der gesamten Datenanalyse für meine Kollegen, die in diesem Fall möglicherweise keine Datenwissenschaftler sind. |
| |
Sie sind Entwickler des Endprodukts und nehmen mich als Dienstleister für die gesamte Datenanalyse in Anspruch. In den meisten Fällen extrahieren Sie aus diesen Spektraldaten Schlüsselparameter, die Ihre Spektraldaten beschreiben. |
| |
Das könnte im Falle der Polymerisation die Molekulargewichtsverteilung sein, es könnte die Größe Ihres |
| |
Das Polymer, das wir aus der Reaktion erhalten, könnte der Beginn einer Reaktion sein, und wir können die Art der Reaktion durch Messungen oder auf andere Weise feststellen. |
| |
Wenn Sie also die Analyse bei der Datenanalyse durchführen, extrahieren Sie diese Schlüsselparameter und führen die Analyse, meistens bei der klassischen DOE-Analyse, anhand dieser Schlüsselparameter durch. |
| |
Also |
| |
Als Datenwissenschaftler führe ich diese Analyse dieser Schlüsselparameter als Service für meine Kollegen, die Entwickler, durch. |
| |
Sie liefern mir auch die Kundenanforderungen und ich möchte für diese Kundenanforderungen das Optimum erreichen, was meine Rezeptur oder mein Produkt sein soll oder soll. |
| |
Nachdem Sie dies getan haben, nachdem Sie die Analyse durchgeführt haben, nachdem Sie die Optimierung vorgenommen haben, gehen Sie irgendwann zu Ihrem – oder ich gehe zu meinen Kollegen und präsentiere die Ergebnisse. |
| |
Und da ich die gesamte Analyse der Schlüsselparameter durchgeführt habe, präsentiere ich auch die Ergebnisse zu diesen Schlüsselparametern. |
| |
Das Problem ist, dass meine Entwicklungskollegen oder meine Projektteams zwar Experten auf dem Gebiet sind … Experten auf ihrem Gebiet, aber keine Experten der Datenwissenschaft. |
| |
Das Problem hierbei ist, dass wenn ich die Analyse der Schlüsselparameter durchführe und auch in der Sprache der Schlüsselparameter spreche, sie aber als Experten auf ihrem Fachgebiet, |
| |
Sie denken immer noch an Spektren, weil die Experimente damals durchgeführt wurden. Das ist das Ergebnis ihrer Analyse. Sie sehen Spektren, wo ich Zahlen sehe. |
| |
Es bleibt immer das Problem, dass sie immer noch in Spektren denken, wenn ich die Ergebnisse und die Analyse in Schlüsselparametern präsentiere. |
| |
Man hat also immer das Problem, dass man in verschiedenen Sprachen spricht. Ich spreche in der Sprache der Zahlen, sie sprechen in der Sprache der Spektren, |
| |
was dann zu dem Problem führt, dass sie diese Zahlen in ihr Fachgebiet, also die Spektren, übersetzen müssen. |
| |
Oder ich muss diese Schlüsselparameter in ihre Sprache übersetzen, also die Spektren. Glücklicherweise gibt es mit dem Functional Data Explorer eine Art Universalübersetzer, der solche Probleme löst. |
| |
Und was ich heute tue oder Ihnen zeigen möchte, ist anhand von drei Beispielen, wie der Functional Data Explorer Ihnen sehr dabei hilft, diese Barriere oder Sprachbarriere zwischen den Datenwissenschaftlern, die über Zahlen sprechen, und den Entwicklern, die in Spektren denken und sprechen, zu überwinden. |
| |
In einem Beispiel, also dem ersten Beispiel, das ich Ihnen zeigen möchte, ist es ein sehr einfaches, sehr triviales Beispiel, vielleicht eine Messung, die die Druckqualität im fraktalen Druck beschreibt |
| |
Experiment. Das zweite beschreibt eine Messung, die eine Art chemische Reaktion definiert. Und es gibt ein drittes; es ist eine Messung, die Ihnen das Molekulargewicht eines Polymers angibt. |
| |
während einer Polymerisationsreaktion. Ich höre jetzt auf, PowerPoint zu verwenden und gehe zu JMP, ja, da ist es. |
| |
Das erste Beispiel, das ich gezeigt habe, ist die Analyse der Druckqualität. Sie führen also die Messung durch und die idealen und perfekten Spektren wären ein |
| |
sehr gerade Linie, die durch den Ursprung geht und die Steigung 1 hat. Das wäre also das Ideal, wenn Sie das perfekt erreichen würden. Es ist also eine Messung, diesmal die Druckqualität. |
| |
Normalerweise erhalten Sie ... normal, es ist eine reale Umgebung. Wir erhalten etwas, das nicht wirklich wie eine gerade Linie aussieht, aber es ist ein wenig in Richtung höherer Werte verschoben, es ist also keine Linie ... es ist nach oben gebogen. |
| |
Was möchten Sie also mit diesen Informationen tun? Wir möchten sehen oder Sie möchten anzeigen, welche Parameter die Kurve grundsätzlich nach oben verschieben oder biegen und sie somit nicht ideal machen. |
| |
Ich gehe also zu den Schlüsselparametern, die wir als Schlüsselparameter definieren würden, oder es ist im Grunde der Unterschied zwischen einer geraden Linie und der tatsächlichen Linie, die Sie erhalten. Es ist also ziemlich einfach, Sie verwenden einfach die |
| |
der Unterschied ... das ist ein Teil des Unterschieds in diesem Punkt. |
| |
Wenn Sie also die Analyse der Schlüsselparameter durchführen, ist es auch ... es ist eine sehr einfache Analyse. Ich verwende einen Entscheidungsbaum, um den ... um hier den Bildschirm anzuzeigen, welcher Parameter diese Abweichung vom idealen Spektrum am meisten beeinflusst, und es ist ziemlich einfach. Wir haben ungefähr 22 Einflussfaktoren. |
| |
Da sehen Sie einen, der grundsätzlich auf einige Einfluss hat bzw. diese Abweichung vom Idealzustand beeinflusst. |
| |
Und es heißt X 22, was auch immer es ist, es ist eigentlich egal. Wenn es sich also irgendwann bewegt ... |
| |
Wenn es größer als ein bestimmter Wert ist, erhalten Sie beispielsweise eine Zahl von 250. Wenn es unter diesen bestimmten Wert fällt, erhalten Sie 196. Das Problem ist, wenn Sie dies der Entwicklung mitteilen ... wenn Sie es einer Entwicklungsanalyse zeigen, |
| |
er wird Sie fragen, ist 196 gut oder ist 254 immer noch gut oder ist es sehr schlecht oder ist das vielleicht geeignet und so weiter. |
| |
Das Problem liegt bei der reinen Zahl, die sieht man nicht wirklich, weil er in einer anderen Art und Weise spricht... in einem anderen Bereich, mit einer anderen Sprache. |
| |
Und die Verwendung des Functional Data Explorer kann Ihnen wirklich dabei helfen, die Frage zu beantworten. Denn wenn Sie zum Functional Data Explorer wechseln und die gleiche Analyse in den Daten in der Funktion durchführen ... mit dem Functional Data Explorer, |
| |
Sie erhalten etwas, das so aussieht. Es zeigt Ihnen also, es zeigt ihm oder dem Entwickler, den Sie ihm gezeigt haben ... Sie zeigen ihm die Grafik. Die Grafik, die er gewohnt ist, erhält er normalerweise aus seinen Messungen oder seinen Experimenten, den Experimenten, die er durchführt. |
| |
Das Gleiche gilt jetzt, wenn Sie zum Beispiel, wenn er den gleichen Parameter hat, der die Form der Kurve beeinflusst, aber wenn Sie nicht wie das zeigt die mit den 250, |
| |
Aus der Analyse für den Schlüsselparameter würden Ihre 250 hervorgehen, es wird 196 und Sie sehen den Unterschied. Ich meine, das ist nicht wirklich eine gerade Linie. |
| |
Aber wenn es nach unten geht, wie auf die niedrigere Zahl, die die Zahl zeigt, bevor sie halten wollen, von 196, |
| |
es sieht nicht so schlimm aus, also... es ist nicht wirklich, ich meine, eine Art perfekte gerade Linie, aber es ist nicht so, nicht so sehr... es ist nicht weit davon entfernt, |
| |
eine gerade Linie und vielleicht an diesem Punkt, wenn Sie diese Art der Analyse den Nicht-Datenwissenschaftlern, den Entwicklern zeigen, |
| |
vielleicht ist ihm das schon gut genug, vielleicht sagen Sie an diesem Punkt: „Okay, es ist keine gerade Linie, es ist nicht perfekt, aber es ist gut für die Aufgabe.“ |
| |
Im Grunde entspricht es den Bedürfnissen des Kunden. Und das ist etwas, was er nicht aus den bloßen Zahlen erkennt, die man ihm zeigt. In diesem Fall ist es also ein sehr triviales Beispiel, ein sehr einfaches Beispiel. |
| |
aber ich hoffe, es vermittelt Ihnen die Essenz, dass die Verwendung eines Functional Data Explorer es Ihnen ermöglicht, in der Sprache der Experten, der Nicht-Datenwissenschaftler oder vielleicht der Entwickler des Materials zu sprechen. |
| |
Und Sie sprechen auf seinem Gebiet oder in seiner Sprache, das hilft ihm, diese Einsicht zu gewinnen. Die Zahlen müssen nicht in Spektren übersetzt werden, aber er sieht sie und bekommt vielleicht die Antwort, die er braucht. |
| |
Also noch einmal, ein sehr triviales, sehr einfaches Beispiel, aber ich verstehe … ich hoffe, es zeigt Ihnen die Essenz dessen, was der Daten- …Funktionsdaten-Explorer ist oder was Sie erreichen können. |
| |
Kommen wir also zum zweiten Beispiel. Das ist der Beginn der chemischen Reaktion, die Sie erkennen möchten. |
| |
Und das tun wir, indem wir die ???-Messung durchführen. Sie möchten eine Änderung des Moduls während der... sehen, wenn Sie eine bestimmte chemische Formulierung erhitzen. Normalerweise gibt es zwei große Spektren. Das Spektrum würde so aussehen: |
| |
wo sich ab einem bestimmten Punkt der Modul ändert, er steigt steil an. Das ist normalerweise der Beginn der chemischen Reaktion. Der Schlüsselparameter, den Sie aus diesen Spektren extrahieren, ist also der Punkt, an dem der Modul steil anzusteigen beginnt. |
| |
Der |
| |
Der Schlüsselparameter für eine gute Extraktion ist der Punkt, an dem der Punkt gefunden werden muss. Es ist vielleicht etwas komplizierter, einen Punkt aus den ursprünglichen Rohdaten zu berechnen, aber Sie können das trotzdem tun, indem Sie den Punkt überprüfen, an dem die Reaktion beginnt, und dann die Analyse des Schlüsselparameters durchführen. |
| |
Wenn Sie das tun, |
| |
Was Sie aus dieser Analyse des Schlüsselparameters erhalten, ist ein Modell, mit dem Sie die Art der chemischen Reaktion basierend auf, in diesem Beispiel, fünf Parametern vorhersagen können. Also, |
| |
Ich werde sehen. Okay, der Punkt dieser Schlüsselparameter zu Beginn der chemischen Reaktion ist … hängt möglicherweise von diesen drei Parametern ab. |
| |
und im Grunde genommen reicht der Bereich von etwa 70 Grad, wo die chemische Reaktion beginnt, bis zu etwa 100 Grad Celsius (oh, entschuldigen Sie, das ist falsch.) |
| |
auf etwa 100 Grad, ja. Also, noch einmal, man reduziert die Gesamtspektren auf eine Zahl, |
| |
Dies gibt der Entwicklung einen Hinweis darauf, wo diese chemische Reaktion beginnt. |
| |
Führen Sie die gleiche Analyse durch und auch die Daten … Sie haben die Daten bereits. Wenn Sie also die Schlüsselparameter extrahieren möchten, benötigen Sie auch die Rohdaten, sodass Ihnen auch die Rohdaten zur Verfügung stehen. |
| |
Es ist also nicht wirklich viel mehr Aufwand erforderlich, die Analyse im Functional Data Explorer mithilfe einer Standardregressionsmethode für Schlüsselparameter durchzuführen. |
| |
Also, |
| |
mit der gleichen Menge oder den gleichen Daten und mit dem Functional Data Explorer, um |
| |
Die Analyse der Daten und die Berechnung des Ergebnisses dauern nur wenige Sekunden. |
| |
Da ist es. |
| |
Auch hier können Sie jetzt das gesamte Spektrum modellieren, und was... also in diesem speziellen Fall habe ich dem Entwickler die Analyse der Schlüsselparameter nicht gezeigt, sondern ihm zuerst den Functional Data Explore gezeigt, die Ergebnisse des Functional Data Explorer. |
| |
Und als ich mich einfach bewegte... anfing, mich zu bewegen und ihnen das zu zeigen und anfing, die Einflussfaktoren zu bewegen, bemerkten sie sofort |
| |
dass sich der Punkt der Reaktion ändert. Ich musste ihnen also nicht sagen, dass sich die Punkte zu bewegen begannen, weil sie die Experten auf dem Gebiet sind ... die Experten für die Spektrumdaten, |
| |
sie haben sofort erkannt, dass sich im Grunde der Beginn der chemischen Reaktion verschiebt, wie Sie hier sehen können. Sie sehen, dass er sich zu verschieben beginnt. |
| |
Das andere, was Sie sehen, weil Sie jetzt im Grunde die gesamten Spektren modelliert haben, modellieren Sie nicht nur den Schlüsselparameter, sondern was Sie sehen |
| |
dass sich das Erscheinungsbild des Spektrums völlig ändert, wenn man es bewegt. So werden sie beispielsweise sehen, dass sich der Peak zu bewegen begann und die Höhe des Peaks |
| |
Änderungen. Das wurde auch sofort erkannt, nachdem sie diese Analyse gesehen hatten. |
| |
Der Unterschied liegt im Schlüsselparameter. Wenn Sie die Möglichkeit auf einen Schlüsselparameter extrahieren, also eine Art chemische Reaktion, können Sie vielleicht einen anderen Schlüsselparameter verwenden. |
| |
Dies gibt Aufschluss über die Position des Optimums bzw. die Position des maximalen Peaks bzw. die Höhe des maximalen Peaks. |
| |
Und dann können Sie die Spektraldaten in verschiedene Schlüsselparameter umwandeln, diese Schlüsselparameter anschließend analysieren und ihnen ein Optimum berechnen. |
| |
Aber das Gute ist, wenn Sie den Functional Data Explorer verwenden, erhalten Sie alle diese Informationen in einem |
| |
Analyse. Und Sie hören, wie ich bereits erwähnt habe, auf zu sprechen, oder Sie... Sie sprechen nicht in Zahlen, sondern Sie sprechen in ihrer Sprache der Spektraldaten und Sie müssen diese Schlüsselparameter nicht mehr in ihre Welt der Spektren übersetzen. |
| |
Ja, und daher erhalten Sie im Functional Data Explorer viel mehr Informationen darüber und vielleicht auch einen tieferen Einblick in die zugrunde liegenden Prozesse. |
| |
Ja, jetzt komme ich zum allerletzten und abschließenden Beispiel. Es ist das |
| |
Polymerisationsprozess, von dem ich gesprochen habe, und der im Wesentlichen darin besteht, die Molekulargewichtsverteilung zu bestimmen, |
| |
Das ist das Ergebnis einer Polymerisationsreaktion. Und wie bereits erwähnt, ist es auch bei der Bestimmung der Molekülverteilung normalerweise schwierig |
| |
um eine Gesamtverteilung auf bestimmte Schlüsselparameter zu reduzieren oder zu erhalten. Wie sieht also ein typisches Spektrum normalerweise aus? Nehmen wir also Ihr normales typisches Spektrum, das die Molmasse eines Polymers zeigt, also die Anzahl der sich wiederholenden Einheiten, die Sie in einer Polymerkette haben. |
| |
Und das ist, was Sie aus der chemischen Reaktion und aus der Messung erhalten. Die Schlüsselparameter, die bekannt sind oder Schlüsselparameter, müssen Sie also ... |
| |
das ist die zahlendurchschnittliche Molmasse, die massendurchschnittliche Molmasse, die Z-durchschnittliche Molmasse und die Polydispersität, |
| |
Dies ist die massendurchschnittliche Molmasse geteilt durch die zahlendurchschnittliche Molmasse. |
| |
Dieser Parameter, der PDI, die Polydispersität, gibt Ihnen einen Hinweis auf die Breite oder die Größe der... oder die Breite Ihrer Molekulargewichtsverteilung. |
| |
Mit diesen vier Schlüsselparametern, die Sie aus Ihren Rohdaten oder Ihren Spektraldaten berechnen, haben wir diese Daten bereits zur Verfügung, um |
| |
Berechnen Sie die wichtigsten Parameter. Sie können die Analyse erneut mit Standardtechniken durchführen, die nichts Besonderes sind. |
| |
Und dann erhalten Sie ein Modell über ... in diesem Fall sind es vier verletzende Parameter, in diesem Fall drei. Ich habe die Polydispersität nicht eingegeben. |
| |
unter drei Schlüsselparametern. Und Sie sehen... Sie sehen, dass sich die durchschnittliche Molmasse nicht wirklich stark ändert, wenn Sie diese vier Faktoren ändern. Der Einfluss dieser vier Faktoren auf die durchschnittliche Molmasse ist also nicht zu gering. Er ist ziemlich groß und ziemlich signifikant. |
| |
auf der durchschnittlichen Molmasse, wie Sie hier sehen können. Sie können es also ganz schön verschieben, der Unterschied ist also ziemlich groß, also insgesamt sind es ungefähr 150.000 ? pro Mol, der Unterschied zwischen der niedrigsten Einstellung und der höchsten Einstellung. |
| |
Das bedeutet aber, dass sich diese Zahl ziemlich stark ändert, und das bedeutet nicht, dass Ihre Dispersität variieren sollte oder sein sollte ... oder sich ziemlich stark ändern sollte. |
| |
Das Problem war, dass man aus dieser Zahl nicht erkennen konnte, wie die Verteilung aussieht. Sie gibt also keine Form an, und in unserem Fall ist es sehr wichtig, eine Form zu haben, denn sie |
| |
beeinflusst die Verarbeitbarkeit eines Polymers ganz erheblich. |
| |
nur drei Zahlen und vielleicht die Polydispersität zu haben, gibt es Ihnen nichts oder sagt Ihnen nichts darüber, ob die Form... oder |
| |
ob die Verteilung eine Monomolverteilung, Bimodalverteilung, Trimodalverteilung oder was auch immer ist. |
| |
Was Sie sehen oder was Sie einfach über die Dispersität sagen könnten, gibt Ihnen vielleicht einen Hinweis auf die Breite der Verteilung, aber es sagt Ihnen nicht, ob Sie einen, zwei oder drei Peaks haben. |
| |
Aber es gibt einen ziemlich großen Unterschied in den endgültigen Materialeigenschaften, die wir erhalten. |
| |
des Polymers oder die Leistungsfähigkeit unseres Klebebandes in der Entwicklung verändern. |
| |
Da Ihnen die Rohdaten bereits zur Verfügung stehen, können Sie erneut den Functional Data Explorer verwenden, um diese Erkenntnisse zu erhalten oder aus all diesen Daten allein anhand dieser Schlüsselparameter viel mehr Informationen zu gewinnen. |
| |
Auch hier dauert es ein paar Sekunden, aber dann sind Sie fertig. |
| |
Und noch einmal, es gibt nichts Ausgefallenes an der Analyse, also auch am Anfang... die Bedienung des Functional Data Explorers ist nichts Ausgefallenes, nichts |
| |
Außergewöhnliches, das Sie in Ihren Exporten als Y angeben, Sie geben Ihre Proben-ID ein und anschließend Ihre Faktoren aus Ihrem DOE. |
| |
Reinstecken, Startknopf drücken und im Prinzip wars das. Und im Prinzip kannst du es jetzt... du kannst es mit den Modellparametern anpassen. |
| |
Aber es ist ein sehr einfaches, sehr unkompliziertes Verfahren und man erhält viel mehr Einblick in die zugrunde liegenden Teile von Interesse, indem man all diese Daten einfach auf einige Schlüsselparameter reduziert. In diesem Fall |
| |
Ich meine, ich habe Ihnen gezeigt, dass sich der eine Schlüsselparameter nicht wirklich stark ändert, der andere jedoch schon, aber er gibt Ihnen keine Form und somit keinen Hinweis oder kein Gefühl hinsichtlich der Verteilung. |
| |
In diesem Fall erhalten Sie durch die erneute Verwendung dieses Tools diese Einblicke, weil Sie sehen, wie … bevor Sie den einen Punkt sehen, der sich stark verändert hat, der andere sich nicht stark verändert hat. |
| |
Wenn Sie jedoch beispielsweise in diesem Fall eine Art Änderung kennen. |
| |
Dieser Gipfel ähnelt eher einer Schulter, es ist kein richtiger Gipfel, aber wenn Sie Ihre Einflussfaktoren ändern, kommen Sie an einen Punkt, an dem es tatsächlich einen Gipfel gibt. |
| |
Ja, es gibt also wirklich einen zweiten Peak, und das sagt Ihnen vielleicht etwas über den Polymerisationsmechanismus oder den zugrunde liegenden Polymerisationsmechanismus. |
| |
die Sie aus den Schlüsselparametern nicht erfahren, wenn Sie nur diese drei Zahlen betrachten, ja. |
| |
Aber hier könnte es Ihnen einen Hinweis geben oder Sie könnten beim Entwickler etwas auslösen, weil das sein Fachgebiet ist. Sie könnten etwas auslösen, das ihm hilft, den zugrunde liegenden Mechanismus zu verstehen und dann |
| |
hilft ihm, den nächsten Schritt zu tun oder hilft ihm, den nächsten Schritt besser zu tun, um die nächsten Experimente noch besser als zuvor zu planen, allein nachdem er diese Zahlen gesehen hat. |
| |
So, ich bin am Ende meiner... Vorstellung meines Beispiels, also hoffe ich, dass ich Ihnen zeigen konnte, dass der Functional Data Explorer wirklich die Visualisierung der |
| |
Ergebnisse an Entwickler in ihrem Fachgebiet weitergeben. Ich meine, bedenken Sie, dass die meisten, sagen wir in unserem Fall, die meisten Entwickler keine Datenwissenschaftler sind, also |
| |
Sie |
| |
glauben nicht oder sind vielleicht nicht so sehr daran interessiert, wie man zu den Ergebnissen kommt, aber sie sind mehr an den Ergebnissen interessiert und an der |
| |
Problem gibt es ... oder wenn der Functional Data Explorer, sagen wir, es Ihnen ermöglicht, in ihrer Sprache oder in ihrem Fachgebiet zu sprechen, was in unserem Fall bedeutet, dass wir ein Chemieunternehmen sind, Spektraldaten, und Sie müssen nicht |
| |
Werfen Sie wertvolle Daten weg, um die Spektraldaten auf einige Schlüsselparameter zu reduzieren und die Analyse auf der Grundlage der Schlüsselparameter durchzuführen. |
| |
Man muss erklären, welche Schlüsselparameter tatsächlich... wie sie Spektren beeinflussen, die Formen der Spektren, die Gestalt der Spektren, aber man kann einfach die Daten verwenden und dann |
| |
Sie werden beginnen, ihnen den Einfluss der von Ihnen untersuchten Faktoren auf die Form und Gestalt der Spektren und die Veränderungen der Spektren aufzuzeigen. |
| |
In vielen Fällen gelangen Sie vielleicht zu den gleichen Erkenntnissen, aber in vielen Fällen verschafft Ihnen die Analyse mithilfe der FDE oft viel mehr Erkenntnisse, sie verschafft Ihnen einen tieferen Einblick in den zugrunde liegenden Mechanismus. |
| |
Und Sie müssen beim Reduzieren der Spektraldaten auf einige Schlüsselparameter beispielsweise nicht viele wertvolle Daten wegwerfen. |
| |
Damit möchte ich mich bei Ihnen, meinen Kollegen aus der Forschungs- und Entwicklungsabteilung, für die ganze experimentelle Arbeit bedanken, damit ich hier vor Ihnen stehen und die schönen Ergebnisse präsentieren kann. Und |
| |
Ich bin mit meiner Präsentation fertig. Vielen Dank für Ihre Aufmerksamkeit. Wenn Sie Fragen haben, können Sie diese gerne stellen. Vielen Dank. |
