| Lautsprecher |
Transkript |
| Patrick Giuliano |
Alles klar. Also, herzlich willkommen, alle zusammen. |
| |
Vielen Dank an alle, die sich die Zeit genommen haben, diese Präsentation anzusehen. |
| |
Zubereitung der frischesten gedämpften Teigtaschen. |
| |
Und mein Name ist Patrick Giuliano und meine Co-Autoren sind Mason Chen und Charles Chen von Applied Materials sowie Yvanny Chang. |
| |
Okay, heute werde ich Ihnen erzählen, wie ich... mein Team und ich die Leistungsfähigkeit von JMP nutzen, um wirklich zu verstehen, |
| |
Knödel kochen. |
| |
Die allgemeine Problemstellung besteht darin, dass die meisten Lebensmittel wie Knödel ohne genaue Kontrolle der Kochparameter hergestellt werden. |
| |
Und der Geschmack eines Knödels, sowie andere Ergebnisse, um zu messen, wie gut ein Knödel ist, wird durch die falsche Kochzeit negativ beeinflusst und das ist jedem klar, der schon einmal so gutes Essen genossen hat. |
| |
darüber müssen wir nicht viel reden. Aber |
| |
Früher oder später werden KI und Robotik ein wichtiger Bestandteil der Lebensmittelindustrie sein. |
| |
Und unsere jüngsten Erfahrungen mit Covid 19 haben das wirklich hervorgehoben, und deshalb werde ich ein wenig darüber sprechen, wie wir |
| |
können den Dumpling-Prozess mithilfe eines sehr vielschichtigen Modellierungsansatzes besser verstehen, der viele Modellierungsfunktionen von JMP nutzt, darunter eine robuste Monte-Carlo-Designoptimierung. |
| |
Warum also Knödel? |
| |
Nun, Knödel sind sehr einfach zuzubereiten. |
| |
Und indem wir sie kochen, töten wir natürlich alle Fremdpartikel ab, die möglicherweise darauf leben. |
| |
Und beim Kochen kann die menschliche Interaktion sehr eingeschränkt sein. |
| |
Damit ist das Design und der Prozessraum rund ums Kochen natürlich sehr intuitiv und erweiterbar |
| |
und wir können die mit diesem Problem verbundene Physik berücksichtigen und versuchen, JMP zu verwenden, um die Physik wirklich besser zu verstehen und zu untersuchen. |
| |
KI wird früher oder später kommen, natürlich wegen Covid 19, und |
| |
Warum sollte es Roboter geben, die Knödel kochen? Nun |
| |
Weitere Fragen könnten lauten: Was sind die Vorteile? Welche Herausforderungen bringt das automatisierte Kochen von Knödeln in einer Roboterumgebung mit sich? |
| |
Und natürlich könnte dies eine Herausforderung sein, denn Roboter haben keine Nase zum Riechen. Und deshalb ist das ein wichtiger Grund, warum neben |
| |
Bei einem fortgeschrittenen und vielschichtigen Modellierungsansatz ist es wichtig, einige andere strukturierte Kriterien zu berücksichtigen. |
| |
Und später in dieser Präsentation werde ich ein wenig über die HACCP-Kriterien sprechen und wie wir diese integriert haben, um unser Problem strukturierter zu lösen. |
| |
Okay, also |
| |
bevor ich mich in viele interessante JMP-Analysen vertiefe, möchte ich kurz eine Einführung in die Physik der Wärmeübertragung, die Lebensmittelwissenschaft und die Auswirkungen verschiedener Wärmeübertragungsmechanismen auf das Kochen von Knödeln geben. |
| |
Wie Sie auf dieser Folie sehen können, gibt es eine |
| |
Q |
| |
oben im Diagramm und oben rechts und dass Q sich auf ... bezieht. Es bezieht sich auf die Wärmestromdichte, also die Energiemenge, die |
| |
fließt durch eine Flächeneinheit pro Zeiteinheit und die Richtung der Temperaturänderung. |
| |
Aus physikalischer Sicht unterscheiden sich Proteine sowie rohes und gekochtes Fleisch in ihrem Energiegehalt. Um die Proteinstruktur von rohem Fleisch in eine denaturierte oder kompaktierte Struktur umzuwandeln, wie hier gezeigt, muss eine Aktivierungsenergiebarriere überwunden werden. |
| |
in diesem Bild links. |
| |
Die erste Aufgabe des Kochs beim Kochen von Fleisch besteht physikalisch darin, die Temperatur im gesamten Volumen des Stücks zu erhöhen |
| |
mindestens |
| |
Um die Denaturierungstemperatur zu erreichen. |
| |
Später werde ich über das interessanteste Ergebnis dieser speziellen Phase des Experiments sprechen, in der wir entdeckten, dass es eine Temperaturgrenze gab. |
| |
Und intuitiv würde man denken, dass die Knödel unter einer bestimmten Temperatur gar sind ... nicht richtig gar sind, sondern zu matschig werden, und dass sie über einer bestimmten Temperatur vielleicht auch zu matschig sind oder angebrannt oder verkrustet werden. |
| |
Eine weitere letzte Anmerkung zur Physik ist, dass an der Schwelle zum Sieden die Oberflächentemperatur des Wassers schwankt und Blasen an die Oberfläche des Kessels steigen. |
| |
und auseinanderbrechen und in sich zusammenfallen, und das kann es schwierig machen, genaue Temperaturwerte zu erfassen... festzuhalten und... entschuldigen Sie... zu ermitteln. |
| |
Das führt uns zu einigen ... Welche Werkzeuge haben wir zur Durchführung eines Experiments verwendet? |
| |
Also, |
| |
natürlich haben wir einen Kochherd verwendet und das ist sehr wichtig. |
| |
Natürlich haben wir etwas zum Messen der Temperatur verwendet, und zwar ein Infrarotthermometer und natürlich einen Timer, und wir haben eine Massenwaage verwendet, um den Knödel und alle Bestandteile, die in den Knödel kommen, zu wiegen. |
| |
Wir könnten in zukünftigen Studien etwas in Betracht ziehen, das Gare R&R genannt wird und bei dem wir die Wiederholbarkeit und Reproduzierbarkeit unserer Messinstrumente quantifizieren können. |
| |
In diesem Experiment haben wir dies nicht getan, aber das ist sehr wichtig, weil es uns hilft, die Präzision unserer Modellschätzungen minutengenau zu maximieren und die mit unserem Messvorgang verbundenen Rauschkomponenten zu minimieren. |
| |
Und diese Rauschkomponenten könnten nicht nur |
| |
eine Tatsache … ein Faktor, sagen wir, die Genauigkeitstoleranz des Messgeräts, aber sie könnten auch daran liegen, wie die Person mit der Messung selbst interagiert. |
| |
Und insbesondere werde ich ein wenig über die Herausforderung sprechen, die mit der Messung der Siede- und Kochtemperatur bei hohen Temperaturen verbunden ist. |
| |
Okay, also kurz, |
| |
Wir haben dieses Experiment als geplantes Experiment angelegt. Deshalb mussten wir uns zunächst für die Werkzeuge entscheiden. |
| |
Wir mussten entscheiden, wie wir den Knödel herstellen würden. Wir brauchten also ein Herstellungsverfahren und entsprechende |
| |
Rollenspieler in diesem Prozess. Und dann mussten wir ein strukturiertes Experiment entwerfen. Und dazu verwenden wir das definitive Screening-Design |
| |
und wir haben uns einige Merkmale des Designs angesehen, um sicherzustellen, dass das Design für unser Experiment optimal funktioniert. |
| |
Als nächstes haben wir das Experiment durchgeführt. |
| |
Und dann |
| |
wir haben die Reaktion gemessen und aufgezeichnet. |
| |
Und schließlich kommt natürlich der spaßige Teil: |
| |
Wir müssen die Daten und JMP effektiv interpretieren. |
| |
Und dies hier sind Diagramme, die Streudiagrammmatrizen zeigen, die in JMP mithilfe der Diagrammfunktion generiert wurden. |
| |
Und diese geben uns tatsächlich einen Hinweis auf die Einheitlichkeit dieses Vorhersageraums. Ich werde später noch etwas ausführlicher darauf eingehen ... und dann als Nächstes ... auf den nächsten Folien. |
| |
Okay, hier sind unsere Daten. Hier ist unser Datenerfassungsplan und rechts ist die Reaktion, die wir gemessen haben, nämlich die Gehzeit oder Kochzeit der Knödel. |
| |
Wir haben 18 Läufe in einem DSD gesammelt, das wir mithilfe der DSD-Plattform in JMP und im DOE-Menü generiert haben. |
| |
Und wir sammelten Informationen über die Masse des Fleisches, die Masse des Gemüses, die Masse des... die Art des Fleisches, genauer gesagt, die Zusammensetzung des Gemüses (entweder Kohl oder Pilze), |
| |
und natürlich das Gesamtgewicht, die Größe der von uns gekochten Portionen, die Anzahl der Knödel pro Portion und die Wassertemperatur. |
| |
Diese Folie hebt also nur einige der erstaunlichen Fähigkeiten eines DSD hervor. Ich werde nicht zu sehr ins Detail gehen, aber DSDs werden für ihre flexiblen und leistungsstarken Modellierungseigenschaften sehr gelobt. |
| |
Und sie bieten das große Potenzial, Blitz-Screening durchzuführen und die Optimierung in einem einzigen Experiment zu optimieren. |
| |
Das Diagramm rechts ist eine Korrelationsmatrix, die in JMP in der dafür vorgesehenen Diagnoseplattform des DOE-Menüs erstellt wurde. Es ist besonders leistungsfähig für die Darstellung |
| |
das Ausmaß des Aliasings oder der Störfaktoren unter allen Faktoreffekten in Ihrem Modell. Und was diese Grafik deutlich zeigt, ist, dass |
| |
Beim dunkelsten Blau besteht keine Korrelation. Wenn die Korrelation zunimmt, erreichen wir Grautöne. Und schließlich, wenn wir eine sehr positive Korrelation erreichen, erreichen wir Rottöne. Was wir also wirklich sehen, ist, dass |
| |
Die Haupteffekte sind völlig unkorreliert miteinander, was wir bei Zwei-Faktor-Interaktionen gerne sehen: Die Haupteffekte sind unkorreliert. |
| |
Mit quadratischen Effekten, die sich im rechten Quadranten befinden. Und dann sind die quadratischen Effekte tatsächlich nur teilweise miteinander korreliert, und dann haben Sie diese Interaktionsterme höherer Ordnung, |
| |
die teilweise mit Interaktionseffekten korreliert sind und diese Art von Eigenschaften machen dieses spezielle Design den typischen fraktionalen faktoriellen Designs von Resolution III und Resolution IV überlegen, die uns früher beigebracht wurden |
| |
vor den DSDs. |
| |
Okay. Also kurz zur Designdiagnose. Hier ist die gleiche Korrelation... ein ähnliches Korrelationsdiagramm, nur dass die Faktoren nun ihre eigenen Namen haben. |
| |
und nach der Ausführung dieses DSD-Designs. Und dies ist nur eine grau-weiße Version einer Korrelationsmatrix, die Ihnen hilft, das Ausmaß der Orthoginalität zu erkennen oder |
| |
nicht, nicht ??? unter den Faktoren. Und so können Sie in unserem Experiment sehen, dass wir tatsächlich ein wenig beobachtet haben |
| |
Die Verwechslung von Chargengröße und Fleisch ist wenig überraschend, und dann natürlich Fleisch mit der Wechselwirkung zwischen Fleisch und dem Gemüse, das im Knödel enthalten ist. |
| |
Und beachten Sie, dass wir hier eine Designbeschränkung auferlegt haben, bei der wir einige Verwirrungen beobachtet haben, nämlich die sehr intuitive Einschränkung, dass die Knödel ... als die Gesamtmasse des Knödels die Zusammensetzung der einzelnen Komponenten des Knödels selbst ist. |
| |
Also, |
| |
der andere... |
| |
also warum, warum machen wir das? |
| |
Warum bewerten wir diese sogenannte Einheitlichkeit hier, diese Streudiagrammmatrix hier, und was sagt uns das? Nun, |
| |
Um die Vorhersagefähigkeit im gesamten Raum des Prädiktors zu maximieren, in diesem Fall in steigender Zeit, wollen wir die Kombinationen der Faktoren finden, die die weißen Bereiche minimieren. Okay. Und in den weißen Bereichen wird die Vorhersagegenauigkeit als geringer eingeschätzt. |
| |
Und das ist ein Grund, warum wir das Design nehmen und es in eine Streudiagrammmatrix einfügen. Dies ist analog zur Annahme der Fehlerhomogenität in der ANOVA. |
| |
Dabei suchen wir nach einem Raum, dem Raum, in dem Vorhersagen gleich wahrscheinlich sind, oder nach der Annahme gleicher Varianzen bei der linearen Regression. |
| |
Wenn wir wollen, möchten wir, dass dieser Raum über den gesamten Bereich der Prädiktoren hinweg gleich wahrscheinlich ist. |
| |
Um in diesem Experiment die Anzahl der Faktoren, die wir betrachten, zu reduzieren, haben wir zunächst die Technik und unser Verständnis der Technik und der Physik des Problems genutzt. |
| |
Zur Identifizierung haben wir sechs unabhängige Variablen oder Variablen ermittelt, die am wenigsten miteinander vermengt waren, und wir haben die Analyse auf der Grundlage dieser primären Variablen fortgesetzt. |
| |
Okay. |
| |
Als Erstes haben wir unser generiertes Design genommen und mithilfe einer schrittweisen Regression versucht, das Modell zu vereinfachen und nur die aktiven Faktoren im Modell zu identifizieren. |
| |
Und hier können Sie eine Kombination aus Vorwärtsauswahl, Rückwärtsauswahl und gemischten Auswahlen als Abbruchkriterien verwenden, um das Modell zu bestimmen, das die größte Variation in Ihrer Antwort erklärt. |
| |
Und außerdem kann ich den Fleischtyp als diskret und/oder numerisch oder... eher diskret numerisch modellieren, und auf diese Weise kann ich diese Kennzeichnung verwenden, um die Faktorkodierung so anzupassen, dass sie |
| |
Als Fleischsorte haben wir Garnelen oder Schweinefleisch verwendet. |
| |
Welche Art von Abbruchregel können Sie also im Rahmen eines solchen Regressionsmodells verwenden? Nun, |
| |
leider konnte ich dieses Modell nicht exakt reproduzieren, als ich es immer wieder ausführte. Und die Modellreproduktion kann etwas inkonsistent sein, da die Anpassung … diese Art von Anpassungsschema ein Rechenverfahren erfordert, um zu einer Lösung zu iterieren. |
| |
Daher ist bei dieser schrittweisen Regression das Risiko einer Überanpassung normalerweise höher. |
| |
Und oft, wenn es eine Krümmung im Modell gibt |
| |
oder es gibt Wechselwirkungen zwischen zwei Faktoren, beispielsweise die erklärenden Varianten, die beide Faktoren gemeinsam haben, wobei man die Variabilität, die mit dem einen oder dem anderen verbunden ist, nicht auseinanderhalten kann. |
| |
Und was wir hier anhand des angepassten R-Quadrats deutlich erkennen können, ist, dass wir eine sehr gute Anpassung erhalten, und wahrscheinlich eine Anpassung, die zu gut ist. |
| |
Das bedeutet, dass wir auf dieser Grundlage keine zukünftigen Vorhersagen über die Anpassung an dieses spezielle Modell treffen können. |
| |
Okay. |
| |
Und hier wird es ziemlich interessant. |
| |
Eines der Dinge, die wir als Erstes taten, nachdem wir die schrittweise Ausführung durchgeführt hatten, war, dass wir jedem der Faktoren im Modell unabhängige einheitliche Eingaben zuwiesen. |
| |
Und dies ist eine Art Monte-Carlo-Implementierung in JMP. |
| |
Eine andere Art der Monte-Carlo-Implementierung und und und |
| |
Es ist wichtig zu verstehen, dass in diesem speziellen Rahmen der Unterschied zwischen dem Haupteffekt und dem Gesamteffekt das Ausmaß der Interaktion anzeigen kann. |
| |
Dies ist das Ausmaß der Interaktion, die mit einem bestimmten Faktor im Modell verbunden ist. Dies zeigt, dass insbesondere Wassertemperatur und Fleisch |
| |
zusätzlich dazu, dass es hinsichtlich der Gesamtwirkung am aussagekräftigsten ist, kann es in diesem speziellen Modell wahrscheinlich auch mit anderen Faktoren interagieren. |
| |
Und was Sie natürlich sehen, ist, dass wir die Wassertemperatur, das Fleisch und die Fleischsorte als unsere wichtigsten Prädiktoren identifiziert haben, indem wir das Paredo-Diagramm für transformierte Schätzungen verwendet haben. |
| |
Bevor ich zu den anderen Folien komme, möchte ich noch etwas hervorheben: den Sensitivitätsindikator, den wir hier aufrufen können. |
| |
unter dem Profiler, nachdem wir unabhängige einheitliche Eingaben zugewiesen haben, |
| |
Wir können den Profiler einfärben, um die Stärke der Beziehung zwischen den einzelnen Eingabefaktoren und der Antwort anzuzeigen. Und wir können auch verwenden |
| |
Der Sensibilitätsindikator, der durch diese violetten Dreiecke dargestellt wird, zeigt uns die Sensibilität oder die Stärke der Beziehung |
| |
ähnlich wie der lineare Regressionskoeffizient die Stärke angeben würde, wobei je höher das Dreieck und je steiler die Beziehung ist, |
| |
Je stärker die positive oder negative Richtung ist und je breiter und flacher das Dreieck ist, desto weniger stark ist die Beziehung, in der dieser Faktor eine Rolle spielt. |
| |
Okay. |
| |
Also machten wir uns daran, unser Modell zu reduzieren, etwas Ingenieursgeschick anzuwenden und die schrittweise Plattform zu verwenden. |
| |
Und was wir bekommen |
| |
Dies ist lediglich eine Momentaufnahme unserer Modellanpassung aus dem DSD-Design und hat RSM als Krümmung strukturiert. Und Sie können sehen, dass dies ein Interaktionsdiagramm ist, das das Ausmaß der Interaktion zwischen allen Faktoren paarweise zeigt. |
| |
Und wir haben angegeben, wo einige der Interaktionen vorhanden sind und wie diese Interaktionen aussehen. |
| |
Dies ist also ein Modell, das wir wirklich besser in den Griff bekommen können |
| |
Okay, also |
| |
Ich denke, noch etwas muss erwähnt werden: Die von uns auferlegte Designbeschränkung ähnelt dem, was man sich als Mischungsdesign vorstellen könnte, bei dem alle Komponenten zusammengerechnet werden und die Beschränkung 100 % ergeben muss. |
| |
Okay, hier ist nur eine grobe Darstellung des Profilers. Wir können jeden der Eingabefaktoren anpassen oder modulieren und dann |
| |
Beobachten Sie die Auswirkungen auf die Reaktion. Wir haben dies sehr manuell gemacht. |
| |
nur um ein Gefühl dafür zu bekommen, wie das Modell funktioniert |
| |
Und um unsere Kochzeit zu optimieren, haben wir natürlich festgestellt, dass die Zeit schneller sein muss, die mit der Kochzeit verbundenen Varianten sollten natürlich kürzer sein. |
| |
Und der Durchsatz und die Energieeinsparungen sollten optimiert und maximiert werden. Und das sind zwei weitere |
| |
Antworten, die wir auf Grundlage der Kochzeit abgeleitet haben. |
| |
Okay, hier kommen wir näher auf die Optimierung ein. |
| |
des Kochvorgangs. Und wie ich bereits erwähnt habe, haben wir zwei zusätzliche Antwortvariablen entworfen oder erstellt, die mit der Physik verbunden sind. Wo wir den maximalen Durchsatz haben, hängt davon ab, wie viele Knödel ... |
| |
Tut mir leid, kommt auf die Anzahl der Knödel, aber auch auf das Gewicht und die Zeit an. |
| |
Und die Stromeinsparung ist das Produkt aus dem verbrauchten Strom und der Kochzeit, die eine Energiekomponente darstellt. |
| |
Um diesen Optimierungsprozess zu starten, |
| |
wir müssen einen Fehler einführen, der mit jedem der Eingabefaktoren verbunden ist und der durch diese Verteilungen hier unten dargestellt wird. |
| |
Und wir müssen auch das praktische HACCP-Kontrollfenster und natürlich die Leistungsfähigkeit der Messgeräte berücksichtigen, was wir in zukünftigen Studien untersuchen möchten. |
| |
Hier ist ein schönes Bild des HACCP-Kontrollplans, den wir verwenden. Er ähnelt sehr stark einer Fehlermöglichkeits- und Einflussanalyse im Qualitätswesen. Es handelt sich um einen strukturierten Ansatz für |
| |
Experimente oder die Entwicklung von Herstellungsprozessen und wo Schlüsselvariablen identifiziert werden, |
| |
und Schlüsseleigentümer und dann, anhand welcher Kriterien gemessen wird und wie diese Kriterien validiert werden. HACCP ist in der Lebensmittelindustrie tatsächlich weit verbreitet und steht für Hazard Analysis Critical Control Point Monitoring. |
| |
Und ich denke |
| |
Zusätzlich zu all diesen Vorbereitungsaktivitäten war ich im Rahmen dieses Experiments hauptsächlich als Datensammler tätig, und Datenintegrität ist eine sehr wichtige Sache. Und so |
| |
Die ordnungsgemäße Transkription von Daten ist auf jeden Fall wichtig. |
| |
Daher müssen alle HACCP-Kontrollpunkte in den Bereich der Monte-Carlo-Simulation integriert werden. Aus dem HACCP-Toleranzbereich kann schließlich die Anforderung an die Prozessleistung abgeleitet werden. |
| |
Okay, also |
| |
Wir betrachten einen Eingabebereich, bei dem Monte Carlo bestätigen kann, dass dieser erwartete Bereich für die Kochzeit praktisch ist. |
| |
Wir möchten eine kleine Änderung in jedem der Inputfaktoren auf jeder Ebene, auf jeder Ebene der HACCP-Komponenten und |
| |
und dies wird durch den Kontrollpunktbereich bestimmt. Basierend auf dem Kontrollpunktbereich können wir das Delta x und das Delta in jedem der Eingänge aus der Delta y-Reaktionszeit bestimmen. |
| |
Und wir können das Delta x schrittweise iterativ weiter erhöhen, |
| |
in der Hoffnung, dass die Erhöhung klein genug ist, sodass die Änderung in y klein genug ist, um die Spezifikation zu erfüllen. Und normalerweise ist das in der Industrie eine Konstruktionstoleranz und in diesem Fall ist es unser HACCP-Kontrollpunkt-Kontrollparameterbereich oder Kontrollparametergrenzwert. |
| |
Und wenn dieses iterative Verfahren fehlschlägt, müssen wir das Inkrement und X kleiner machen und dieses Verfahren nennen wir Toleranzzuweisung. Okay. |
| |
Wir haben dies manuell und nach unserem eigenen Rezept durchgeführt. Obwohl dies in JMP automatisierter erfolgen kann und |
| |
und in diesem Fall sehen Sie, dass wir mehr Antworten haben. Die Verwendung der Mehrfachantwortoptimierung würde den Aufruf der Erwünschtheitsfunktionen und die Maximierung der Erwünschtheit unter dem Vorhersageprofiler beinhalten. |
| |
sowie eine Gaußsche Prozessmodellierung, |
| |
auch unter dem Vorhersageprofiler verfügbar. |
| |
Okay. Als nächstes verwenden wir Tools, die sich gegenseitig ergänzen, um unser Produkt, unseren Prozess und unser Experiment besser zu verstehen. Dazu verwenden wir die neuronale Modellierungsfunktion im Analysemenü unter den Vorhersagemodellierungstools. |
| |
Und |
| |
Wir haben versucht, es zu nutzen, um unsere Vorhersage zu erleichtern. |
| |
Dieses Modell verwendet eine TanH-Funktion, die bei der Erkennung von Krümmungen in nichtlinearen Effekten leistungsfähiger sein kann. |
| |
aber es ist eine Art Blackbox und hat keinen wirklichen Bezug zur Physik. Also |
| |
Gleichzeitig ist es auch robust gegenüber nicht normalen Reaktionen und einigermaßen robust gegenüber Aliasing-Störungen. |
| |
es hat seine Grenzen, insbesondere bei einer kleinen Stichprobengröße, wie wir sie hier haben, und Sie können tatsächlich sehen, dass das R-Quadrat zwischen den Trainings- und Validierungssätzen nicht besonders |
| |
gleich oder sie variieren, sodass dieses Modell für Vorhersagezwecke nicht besonders konsistent ist. |
| |
Schließlich haben wir die Partitionsplattform in JMP verwendet, um rekursive Partitionierung auf unserem |
| |
Reaktionszeit Antwort. |
| |
Und dieses Modell ist im Allgemeinen relativ einfach zu interpretieren, aber ich denke, es ist besonders für unser Experiment geeignet, weil wir sehen können, dass wir für die Anstiegszeit diese Temperaturbegrenzung bei etwa 85 Grad Celsius haben, |
| |
und das sowie einige Temperaturunterschiede in Bezug auf den maximalen Durchsatz, aber insbesondere ist die Abschaltung bei 85 Grad am interessantesten... ist sehr interessant. |
| |
Der R-Quadrat-Wert in diesem Modell beträgt etwa 0,7, zumindest im Hinblick auf die steigende Temperaturreaktion, was für diese Art von Modell angesichts der kleinen Stichprobengröße ziemlich gut ist. |
| |
Und |
| |
Das Interessanteste an diesem Cut-off ist, dass das Wasser unter 85 °C nicht wirklich kochte. Es gab keine |
| |
Starkes Blubbern, keine Turbulenzen. Der Messwert war sehr stabil. Als wir jedoch die Temperatur erhöhten, begann das Wasser zu zirkulieren. Turbulenzen im Wasser führten zu einer ungleichmäßigen Temperatur, Kavitationsblasen platzten, Dampf stieg auf und es entstand im Grunde eine instabile Temperaturumgebung. |
| |
In dieser Art von Umgebung dominiert die Konvektion und nicht die Leitung. |
| |
Außerdem blockiert Dampf das Licht des Infrarotthermometers, was die mit der Temperaturmessung verbundene Unsicherheit ebenfalls erhöht. |
| |
Und der Dampf selbst stellt eine Verbrennungsgefahr dar, die sich neben der Sicherheit auch darauf auswirken kann, wie der Bediener das Thermometer einstellt und den Abstand einstellt, in dem der Bediener das Thermometer platziert, was für die Messgenauigkeit sehr wichtig ist. |
| |
Aus diesem Grund haben wir unser Design auf 95 °C begrenzt, da es darüber hinaus wirklich unmöglich war, die Wassertemperatur genauer zu messen. |
| |
Okay. |
| |
Also, was sind ... wo sind wir hier angekommen? Nun, |
| |
Zusammenfassend verwenden wir in diesem Experiment DSD (DOE) nur zum Sammeln der Daten. |
| |
Anschließend verwenden wir eine schrittweise Regression, um die wichtigen Effekte einzugrenzen. Dabei gehen wir jedoch nicht zu sehr in die Tiefe. Und wir nutzen unseren gesunden Menschenverstand und unser technisches Fachwissen, um die Anzahl der Faktoren in unserem Experiment zu minimieren. |
| |
Wir verwenden auch unabhängige einheitliche Eingaben, |
| |
das ist sehr mächtig |
| |
um uns eine Vorstellung vom Ausmaß der Effekte zu geben, indem wir beispielsweise das Profil einfärben oder die Rangfolge der Effekte betrachten und auch den Unterschied zwischen dem Haupteffekt und dem Gesamteffekt betrachten, um uns einen Hinweis auf die im Modell vorhandene Interaktion zu geben. |
| |
Wir haben außerdem Sensitivitätsindikatoren unter dem Profiler hinzugefügt, um unsere globale Sensitivität für die Zwecke der Monte-Carlo-Optimierung zu quantifizieren. |
| |
Schema, das wir verwendet haben. |
| |
Die Haupteffekte im Modell sind natürlich die Temperatur und die Physik, die wirklich erklärt, warum die Temperatur der wichtigste Faktor ist, wie ich in unseren Ergebnissen dargelegt habe. |
| |
Und außerdem konnten wir anhand der Profilerstellung ab 80–90 Grad Celsius eine Art schnellen Übergang und eine Zunahme der Empfindlichkeit der Beziehung zwischen Anstiegszeit und Temperatur beobachten, was natürlich mit unseren experimentellen Beobachtungen übereinstimmt. |
| |
Zweitens, im Hinblick auf die Auswirkungen der miteinander interagierenden Faktoren und weil es zwei verschiedene Arten physikalischer Vorgänge gibt, die tatsächlich interagieren, sind die grundlegenden physikalischen Vorgänge Konvektion und Leitung. |
| |
Die schrittweise Vorgehensweise auf dem DSD ist ein guter Ausgangspunkt, da sie uns ein kontinuierliches Modell ohne Transformation liefert |
| |
Ohne |
| |
Erweiterte neuronale oder Blackbox-artige Transformation, mit der wir die globale Sensibilität zumindest zunächst gut in den Griff bekommen. |
| |
Und unsere neuronalen Modelle in unseren Partitionsmodellen konnten uns dies nicht zeigen, insbesondere angesichts der kleinen Stichprobengröße in unserem Experiment. |
| |
Und schließlich verwenden wir Monte Carlo Simulation, robuste Monte Carlo Simulation |
| |
in unserem eigenen Rahmen. Außerdem haben wir eine kleine Optimierung der Mehrfachantworten hinsichtlich der Anstiegszeit und des Durchsatzes im Stromverbrauch im Vergleich zu unseren wichtigen Faktoren durchgeführt. Durch dieses Experiment haben wir begonnen, unser Verständnis der Bedeutung von |
| |
die wichtigsten Faktoren in diesem Experiment mithilfe eines multidisziplinären Modellierungsansatzes. |
| |
Abschließend möchte ich Ihnen hier einige interessante Referenzen vorstellen. Vielen Dank für Ihre Zeit und |
