758492_zh-CN

liliconcom

基于模型驱动的稳健设计蒙特卡罗方法烹饪最新鲜、最美味的水饺 (2020-US-30MP-597)

雅培高级质量工程师 PATRICK GIULIANO
Charles Chen，应用材料公司统计辅助工程 (SAE) 持续改进专家
斯坦福在线高中高中生 Mason Chen

饺子等熟食通常在烹制过程中缺乏对烹煮参数的精确控制。本研究旨在根据不同的饺子产品类型定制饺子的烹煮工艺。在饺子烹制过程中，水温和烹煮时间是决定饺子熟度（熟度）的最重要因素。饺子重量、饺子类型和批次大小也是影响烹煮过程的变量。我们构建了一个具有特殊属性的结构化 JMP DSD 平台，用于构建烹煮时间的预测模型。模型采用了国际公认的 ISO 22000 食品安全管理和危害分析关键控制点 (HACCP) 体系。我们将使用现代数据挖掘算法的 JMP 神经拟合技术与响应面法 (RSM) 进行了比较。结果表明，煮沸温度、产品类型、饺子大小/批次等因素的主效应较大，并且受饺子配方中混合物成分限制的交互效应也较大。本设计/分析方法采用了JMP稳健设计优化、蒙特卡罗模拟和HACCP控制限值，以理解和表征饺子烹饪因素对最终烹饪时间的敏感性。整体方法展示了结合具有不同投影特性的模型的协同效益，其中基于递归分区的人工智能模型使用分类模式估计交互效应，而经典（逐步）回归模型则能够解释二阶及更高阶的交互作用，包括二次项中的潜在曲率。本文展示了一种新颖的自动化饺子烹饪流程和分析框架，该框架可以改善整个流程，降低能源成本并减少劳动力成本（使用人工智能模式）。这种新颖的方法有可能重塑餐饮服务行业对业务成本估算和利润建模的思考。

自动生成的成绩单...

扬声器	抄本
帕特里克·朱利亚诺	好的。欢迎大家。
	感谢大家花时间观看本次演示。
	准备最新鲜的蒸饺。
	我叫 Patrick Giuliano，我的合著者是应用材料公司的 Mason Chen 和 Charles Chen，以及 Yvanny Chang。
	好的，今天我将向你们讲述我如何利用……我和我的团队利用 JMP 的强大功能来真正理解
	煮饺子。
	因此，这里的一般问题陈述是，大多数食物（例如饺子）在制作时都没有精确控制烹饪参数。
	饺子的味道，以及衡量饺子好坏的其他指标，都会受到烹饪时间不当的不利影响，这对每个喜欢吃饺子的人来说都是直观的。
	我们不需要谈论太多。但是
	人工智能和机器人技术迟早会成为食品行业的重要组成部分。
	我们最近应对新冠疫情的经历确实凸显了这一点，所以我将稍微谈谈我们如何
	可以使用多方面的建模方法更好地了解饺子制作过程，该方法利用了 JMP 的许多建模功能，包括强大的蒙特卡罗设计优化。
	那么为什么是饺子呢？
	饺子很容易煮。
	当然，通过烹饪，我们可以杀死可能存在于其中的任何外来颗粒。
	而且烹饪所涉及的人际互动非常有限。
	因此，与烹饪相关的设计和流程空间当然非常直观且可扩展
	我们可以考虑与该问题相关的物理原理，并尝试使用 JMP 来帮助我们更好地理解和研究物理原理。
	当然，由于新冠疫情，人工智能迟早会到来，而且
	为什么机器人会煮饺子呢？嗯
	还有其他问题可能包括：这样做有什么好处？在机器人环境下自动化煮饺子有哪些挑战？
	当然，这可能是一个挑战，因为机器人实际上没有鼻子来嗅探。因此，除了
	一种先进且多方面的建模方法，考虑一些其他结构化标准也很重要。
	在本次演讲的后面，我将稍微谈论一下 HACCP 标准，以及我们如何整合这些标准以便以更有条理的方式解决我们的问题。
	好的，那么
	在深入研究许多有趣的 JMP 分析之前，我想简单介绍一下传热物理学、食品科学以及不同的传热机制如何影响饺子的烹饪。
	正如你在这张幻灯片中看到的，
	Q
	在图表顶部和右上角，Q 指的是……它指的是热通量密度，也就是
	单位时间内流过单位面积的流量，温度变化的方向。
	从物理学角度来看，蛋白质与生肉和熟肉的能量存在差异。为了将生肉蛋白质结构转化为如图所示的变性或致密结构，必须克服活化能垒。
	在左边这张照片中。
	因此，从物理学角度来说，厨师在煮肉时的首要任务是提高整块肉的温度
	至少
	达到变性的温度。
	稍后，我将谈论实验这一特定阶段最有趣的发现，我们发现存在温度截止。
	并且直观地，你会认为低于某个温度饺子就会煮熟......不会煮熟，它们会太湿软，而高于某个温度，它们可能也会太湿软，或者可能会烧焦或变硬。
	关于这里的物理学，最后要注意的是，在沸腾的阈值上，水的表面温度会发生波动，气泡会上升到锅炉表面
	并分裂和崩溃，这可能使其难以收集...捕捉和...对不起...捕捉准确的温度读数。
	那么这引出了我们一些...我们用来进行实验的一些工具是什么？
	出色地，
	当然，我们使用了煮锅，这非常重要。
	当然，我们使用了一些东西来测量温度，为此我们使用了红外线温度计，当然，我们还使用了计时器，并使用了质量天平来称量饺子和饺子中的所有成分。
	我们可能会在未来的研究中考虑一种叫做 Gare R&R 的东西，并且可以量化我们的测量工具的可重复性和可再现性。
	在这个实验中，我们没有这样做，但这非常重要，因为这有助于我们最大限度地提高模型估计的精度……最大限度地减少与我们的测量过程相关的噪声成分。
	这些噪声成分不仅可以
	事实...可以说这是量规的准确度公差的一个因素，但它们也可能是由于人与测量本身的互动方式而产生的。
	特别是，我将稍微谈谈测量高温沸腾和烹饪温度的挑战。
	好的，简单来说，
	这个……我们把这个实验设计成一个设计实验。所以我们必须先确定工具。
	我们必须决定如何制作饺子。所以我们需要一个生产流程和合适的
	在这一过程中，参与者必须参与其中。然后，我们必须设计一个结构化实验。为此，我们使用了确定性筛选设计
	并研究了设计的一些特点，以确保设计在我们的实验中表现最佳。
	接下来我们进行了实验。
	进而
	我们测量并记录了反应。
	当然，最后，有趣的部分，
	我们必须有效地解释数据和 JMP。
	这些图表显示的是使用 JMP 中的图表函数生成的散点图矩阵。
	这些实际上为我们提供了预测空间均匀性的指示。稍后我会更详细地讨论这一点……接下来……在接下来的幻灯片中。
	好的，这是我们的数据。这是我们的数据收集计划，右边是我们测量的响应，也就是饺子的发酵时间或烹饪时间。
	我们在 DSD 中收集了 18 次运行，这些运行是我们在 JMP 中使用 DSD 平台和 DOE 菜单生成的。
	我们收集了肉类的质量、蔬菜的质量、肉类的种类，或者说蔬菜的成分（卷心菜或蘑菇），
	当然还有总重量、我们煮的饺子的数量、每批饺子的数量以及水温。
	因此，这张幻灯片只是强调了 DSD 的一些惊人功能，我不会过多地谈论这一点，但 DSD 因其灵活和强大的建模特性而备受赞誉。
	它们具有在单次实验中进行闪电筛选和优化的巨大潜力。
	右边的图表是 JMP 生成的相关矩阵，在其设计的 DOE 菜单诊断平台中，它特别适合显示
	模型中所有因子效应之间的混叠或混杂程度。这张图清楚地表明
	最深的蓝色表示没有相关性，随着相关性的增加，我们得到灰色阴影，最后，当我们达到非常正的相关性时，我们得到红色阴影。所以我们实际上看到的是
	主要效应彼此完全不相关，这就是我们希望在两个因素的相互作用中看到的，主要效应是不相关的。
	二次效应位于右象限。二次效应实际上只是部分相关的，因此有这些高阶交互项。
	这些与相互作用效应部分相关，这些特征使得这种设计优于我们以前学习的典型分辨率 III 和分辨率 IV 部分因子设计
	在 DSD 之前。
	好的。简单讨论一下设计诊断。这是相同的相关性……类似的相关性图，只是这些因子实际上被赋予了特定的名称。
	在运行这个DSD设计之后。这只是一个灰白版本的相关矩阵，可以帮助你看到正交性的程度，或者
	不，不属于因素之一。所以你可以在实验中看到，我们确实观察到了一点
	不出所料，批次大小和肉类之间存在混淆，然后，当然，还有肉与饺子中的蔬菜之间的相互作用。
	请注意，我们在这里施加了一个设计约束，我们确实观察到了一些混淆，这是非常直观的约束，因为饺子......饺子的总质量是饺子本身每个成分的组成。
	所以，
	另一个……
	那么我们为什么要这么做呢？
	我们为什么要评估这里的均匀性，以及散点图矩阵？这说明了什么？嗯，
	为了最大化预测器在整个空间中的预测能力，在本例中，在上升时间范围内，我们希望找到最小化白色区域的因子组合。好的。白色区域是预测精度被认为较弱的区域。
	这就是为什么我们将设计放入散点图矩阵中，这类似于方差分析中的误差同质性假设，
	您知道我们在寻找一个空间，预测空间是等概率的，或者线性回归中的等方差假设。
	当我们想要时，我们希望这个空间在预测变量的范围内具有相同的概率。
	因此，在这个实验中，当然，为了减少我们要考虑的因素数量，我们首先使用了工程学以及我们对问题的工程和物理的理解。
	因此，为了进行识别，我们确定了六个独立变量或彼此之间混淆最少的变量，然后我们在这些主要变量的基础上进行分析。
	好的。
	因此，我们做的第一件事就是采用生成的设计，并使用逐步回归来尝试简化模型，仅识别模型中的活跃因素。
	在这里，您可以使用前向选择、后向选择和混合的组合作为停止标准，以确定能够解释响应中最多变化的模型。
	而且，我可以将肉类类型建模为离散的或数字的或...更确切地说是离散的数字，这样我就可以使用这个标签来使因子编码对应于
	我们使用的肉类是虾或猪肉。
	那么，在这种回归模型的框架中，你可以使用什么样的停止规则呢？嗯，
	不幸的是，当我反复运行这个模型时，我并没有能够完全复现它。而且模型复现结果可能存在一些不一致的情况，因为拟合……这种拟合模式需要通过计算过程来迭代得出最终结果。
	因此，在这个逐步回归中，过度拟合的风险通常较高。
	通常如果模型中存在曲率
	或者有两个因素相互作用，例如，解释变量...在两个因素之间是共享的，你无法区分与其中一个因素相关的变异性。
	因此，基于调整后的 R 平方，我们可以清楚地看到，我们得到了非常好的拟合度，甚至可能是太好了。
	这意味着我们无法根据它们是否适合这个特定模型来预测未来。
	好的。
	这就是事情变得非常有趣的地方。所以
	在逐步运行之后，我们首先要做的事情之一就是为模型中的每个因素分配独立的统一输入。
	这是 JMP 中的一种蒙特卡罗实现。
	一种不同的蒙特卡洛实现和和和
	在这个特定的框架中，重要的是要理解主效应和总体效应之间的差异可以表明相互作用的程度。
	这是与模型中特定因素相关的相互作用程度。这表明，特别是水温和肉类，
	除了在总体效应方面具有最具解释力之外，还可能与该特定模型中的其他因素相互作用。
	当然，您会看到，我们将水温、肉类和肉类类型确定为最重要的预测因素，并使用 Paredo 图进行变换估计。
	在开始介绍其他幻灯片之前，我想强调的另一件事是我们可以在这里调用的敏感度指示指示器，
	在我们分配独立的统一输入之后，在分析器下，
	我们可以给轮廓分析器着色，以指示每个输入因子与响应之间的关系强度。我们还可以使用
	敏感度指标，用紫色三角形表示，向我们展示敏感度，或者说关系的强度
	类似于线性回归系数表示强度，三角形越高，关系越陡峭，
	无论是正向还是负向，关系越强，三角形越宽越平，该因素所起的关系就越弱。
	好的。
	因此，我们开始简化我们的模型，并运用一些工程原理和使用分步平台。
	我们得到了什么
	这只是我们基于DSD设计的模型拟合效果的快照，其RSM结构为曲率。您可以看到，这是一个交互图，它以成对的方式显示了所有因子之间交互作用的程度。
	我们已经指出了一些交互存在的位置以及这些交互是什么样的。
	所以这是一个我们真正可以更好地掌握的模型
	好的，那么
	我认为还有一件事要提，那就是我们施加的设计约束类似于你可能认为的混合设计，其中所有组件加在一起并且约束必须总和为 100%。
	好的，这只是分析器的高级图，我们可以调整或调节每个输入因素，然后
	观察对响应的影响，我们以手动方式进行
	只是为了直观地了解模型的表现
	当然，为了优化我们的烹饪时间，我们确认烹饪时间必须更快，当然，与烹饪时间相关的变量应该更低。
	吞吐量和功耗都应该优化，最大化。这是另外两个
	我们根据烹饪时间得出的答案。
	好的，下面我们来更全面地讨论优化
	烹饪过程。正如我之前提到的，我们设计或创建了两个与物理相关的额外响应变量，以实现最大吞吐量，这取决于饺子的数量……
	不好意思，要看饺子的数量，还要看重量和时间。
	而节电量则是消耗的电量和烹饪时间的乘积，烹饪时间是能源的一个组成部分。
	为了参与这个优化过程，
	我们需要引入与每个输入因素相关的误差，这些误差由底部的分布表示。
	我们还需要考虑实际的 HACCP 控制窗口，当然还有测量设备的能力，这是我们希望在未来的研究中关注的内容。
	这是我们使用的 HACCP 控制计划的示意图，它与质量行业的失效模式和影响分析非常相似。这是一种结构化方法，
	实验或制造工艺开发以及关键变量的确定，
	以及关键负责人，然后衡量的标准是什么，以及如何验证这些标准。HACCP 在食品科学行业中很常见，它代表危害分析和关键控制点监控。
	我认为
	除了所有这些准备工作之外，我主要以数据收集者的身份参与了这项实验，数据完整性非常重要。
	正确地转录数据绝对是非常重要的。
	因此，所有 HACCP 控制点都需要纳入蒙特卡罗模拟范围，最终可以使用 HACCP 公差范围来推导流程性能要求。
	好的，那么
	我们考虑一系列输入，其中蒙特卡洛可以确认这个预期范围对于烹饪时间来说是实用的。
	我们希望考虑每个输入因素在每个级别、每个 HACCP 组件级别上的微小变化，并且
	这是由控制点范围决定的。基于控制点范围，我们可以根据 y 响应时间确定 x 的增量，以及每个输入的增量。
	我们可以继续迭代地增加 delta x，
	同时希望增量足够小，以便 y 的变化足够小以满足规范要求。工业上通常指的是设计公差，在本例中指的是我们的 HACCP 控制点控制参数范围或控制参数限值。
	如果这个迭代过程失败了，我们就必须减小增量和 X，我们将这个过程称为公差分配。好的。
	我们手动完成了这项工作，并使用了我们自己的特殊配方。虽然这可以在 JMP 中以更自动化的方式完成，
	在这种情况下，你可以看到我们得到了更多的响应。因此，使用多重响应优化，以及调用期望函数，并在预测刻画器下最大化期望值
	以及高斯过程建模，
	也可在预测分析器下使用。
	好的。接下来，按照使用工具相互补充并尝试进一步了解我们的产品……我们的流程和实验的思路，我们使用分析菜单下、预测建模工具下的神经建模功能。
	和
	我们试图利用它来促进我们的预测。
	该模型使用TanH函数，该函数可以更有效地检测非线性效应中的曲率，
	但它有点像黑匣子，跟物理学没什么关系。所以
	同时它对非正常响应也具有鲁棒性，并且对混叠混淆具有一定的鲁棒性。
	它有其局限性，特别是在样本量较小的情况下，比如我们这里，你实际上可以看到训练集和验证集之间的 R 平方并不是特别
	相同或不同，因此该模型对于预测目的来说并不是特别一致。
	最后，我们使用 JMP 中的分区平台对我们的
	响应时间响应。
	而且这个模型总体上肯定比较容易解释，但我认为尤其对于我们的实验来说，因为我们可以看到，在上升时间内，温度截止点在 85 摄氏度左右，
	而且，以及与最大吞吐量有关的一些温度差异，但特别是 85 度截止值是最……非常有趣的。
	该模型中的 R 平方值约为 0.7，至少对于上升温度响应而言，考虑到样本量较小，这对于这种类型的模型来说已经相当不错了。
	和
	关于这个临界值最有趣的是，低于85摄氏度时，水实际上并没有沸腾。没有
	气泡很多，没有湍流。读数非常稳定。然而，随着温度升高，水开始循环，水中的湍流导致温度不均匀，空化气泡破裂，蒸汽上升，基本上是一个不稳定的温度环境。
	在这种环境中，对流占主导地位，而不是传导。
	而且蒸汽还会阻挡红外温度计的光线，这也增加了与温度测量相关的不确定性。
	而且蒸汽本身存在灼伤风险，除了安全性之外，它还可能影响操作员如何调整温度计以及调整操作员放置温度计的距离，这对于测量准确性非常重要。
	所以，事实上，这就是为什么我们将设计温度限制在 95 摄氏度，因为超过这个温度就不可能再准确测量水温了。
	好的。
	那么……我们到底到了哪里了？嗯，
	总之，我们...在这个实验中我们仅使用 DSD（DOE）来收集数据。
	然后，我们使用逐步回归来缩小重要影响因素的范围，但我们并没有进行太深入的逐步回归分析。我们运用常识和工程专业知识来最小化实验中的因素数量。
	我们还使用独立的统一输入，
	这非常强大
	让我们了解效应的大小，例如通过对概况进行着色或查看效应的等级，以及通过查看主效应和总体效应之间的差异，让我们了解模型中存在的相互作用。
	我们还在分析器下添加了敏感度指标，以帮助我们量化全局敏感度，从而实现蒙特卡洛优化
	我们所采用的模式。
	模型中的主要影响当然是温度，物理学确实解释了为什么温度是首要因素，正如我在我们的研究结果中所分享的那样。
	此外，在 80-90 摄氏度之间，我们从温度分析仪上观察到一种快速转变，并且上升时间和温度之间关系的灵敏度增加，这当然与我们的实验观察一致。
	其次，关于相互作用因素的影响，因为实际上有两种不同类型的物理相互作用，基本物理……相互作用的物理模式是对流和传导，
	DSD 上的逐步法是一个很好的起点，因为它为我们提供了一个没有变换的连续模型
	没有
	通过先进的神经或黑盒类型转换，我们至少可以很好地掌握全局敏感性。
	而我们的分区模型中的神经模型无法向我们展示这一点，特别是考虑到我们实验中的样本量较小。
	最后，我们使用蒙特卡罗模拟，稳健蒙特卡罗模拟
	在我们自己的框架中。我们还针对功耗上升时间和吞吐量，以及我们的重要因素，做了一些多重响应优化。通过这个实验，我们开始真正验证并进一步理解了
	本实验中最重要的因素采用了多学科建模方法。
	最后，我会在这里分享一些你感兴趣的参考资料。非常感谢你的宝贵时间。

高级统计建模自动化和脚本基础数据分析与建模消费者和市场研究实验设计预测模型和机器学习质量与工艺工程可靠性分析分享和交流结果