| 揚聲器 |
抄本 |
| 派崔克·朱利亞諾 |
好的。歡迎大家。 |
| |
感謝大家花時間觀看本次示範。 |
| |
準備最新鮮的蒸餃。 |
| |
我叫 Patrick Giuliano，我的合著者是應用材料公司的 Mason Chen 和 Charles Chen，以及 Yvanny Chang。 |
| |
好的，今天我將向你們講述我如何利用…我和我的團隊利用 JMP 的強大功能來真正理解 |
| |
煮餃子。 |
| |
因此，這裡的一般問題陳述是，大多數食物（例如餃子）在製作時都沒有精確控制烹飪參數。 |
| |
餃子的味道，以及衡量餃子好壞的其他指標，都會受到烹飪時間不當的不利影響，這對每個喜歡吃餃子的人來說都是直觀的。 |
| |
我們不需要談論太多。但是 |
| |
人工智慧和機器人技術遲早會成為食品產業的重要組成部分。 |
| |
我們最近應對新冠疫情的經歷確實凸顯了這一點，所以我將稍微談談我們如何 |
| |
可以使用多方面的建模方法來更好地了解餃子製作過程，該方法利用了 JMP 的許多建模功能，包括強大的蒙特卡羅設計優化。 |
| |
那為什麼是餃子呢？ |
| |
餃子很容易煮。 |
| |
當然，透過烹飪，我們可以殺死可能存在於其中的任何外來顆粒。 |
| |
而且烹飪所涉及的人際互動非常有限。 |
| |
因此，與烹飪相關的設計和流程空間當然非常直觀且可擴展 |
| |
我們可以考慮與此問題相關的物理原理，並嘗試使用 JMP 來幫助我們更好地理解和研究物理原理。 |
| |
當然，由於新冠疫情，人工智慧遲早會到來，而且 |
| |
為什麼機器人會煮餃子呢？嗯 |
| |
還有其他問題可能包括：這樣做有什麼好處？在機器人環境下自動化煮餃子有哪些挑戰？ |
| |
當然，這可能是一個挑戰，因為機器人實際上沒有鼻子來嗅探。因此，除了 |
| |
一種先進且多方面的建模方法，考慮一些其他結構化標準也很重要。 |
| |
在本次演講的後面，我將稍微談論一下 HACCP 標準，以及我們如何整合這些標準以便以更有條理的方式解決我們的問題。 |
| |
好的，那麼 |
| |
在深入研究許多有趣的 JMP 分析之前，我想先簡單介紹一下傳熱物理學、食品科學以及不同的傳熱機制如何影響餃子的烹飪。 |
| |
正如你在這張投影片中看到的， |
| |
Q |
| |
在圖表頂部和右上角，Q 指的是…它指的是熱通量密度，也就是 |
| |
單位時間內流過單位面積的流量，溫度變化的方向。 |
| |
從物理學角度來看，蛋白質與生肉和熟肉的能量有差異。為了將生肉蛋白質結構轉化為如圖所示的變性或緻密結構，必須克服活化能障礙。 |
| |
在左邊這張照片中。 |
| |
因此，從物理學角度來說，廚師在煮肉時的首要任務是提高整塊肉的溫度 |
| |
至少 |
| |
達到變性的溫度。 |
| |
稍後，我將談論實驗這一特定階段最有趣的發現，我們發現存在溫度截止。 |
| |
而且直觀地，你會認為低於某個溫度餃子就會煮熟......不會煮熟，它們會太濕軟，而高於某個溫度，它們可能也會太濕軟，或者可能會燒焦或變硬。 |
| |
關於這裡的物理學，最後要注意的是，在沸騰的閾值上，水的表面溫度會波動，氣泡會上升到鍋爐表面 |
| |
並分裂和崩潰，這可能使其難以收集...捕捉和...對不起...捕捉準確的溫度讀數。 |
| |
那麼這引出了我們一些...我們用來進行實驗的一些工具是什麼？ |
| |
出色地， |
| |
當然，我們使用了煮鍋，這非常重要。 |
| |
當然，我們使用了一些東西來測量溫度，為此我們使用了紅外線溫度計，當然，我們還使用了計時器，並使用了質量天平來稱量餃子和餃子中的所有成分。 |
| |
我們可能會在未來的研究中考慮一種稱為 Gare R&R 的東西，並且可以量化我們的測量工具的可重複性和可再現性。 |
| |
在這個實驗中，我們沒有這樣做，但這非常重要，因為這有助於我們最大限度地提高模型估計的精度…最大限度地減少與我們的測量過程相關的噪音成分。 |
| |
這些噪音成分不僅可以 |
| |
事實...可以說這是量規的準確度公差的一個因素，但它們也可能是由於人與測量本身的互動方式而產生的。 |
| |
特別是，我將稍微談談測量高溫沸騰和烹飪溫度的挑戰。 |
| |
好的，簡單來說， |
| |
這個……我們把這個實驗設計成一個設計實驗。所以我們必須先確定工具。 |
| |
我們必須決定如何製作餃子。所以我們需要一個生產流程和適當的 |
| |
在這過程中，參與者必須參與其中。然後，我們必須設計一個結構化實驗。為此，我們使用了確定性篩選設計 |
| |
並研究了設計的一些特點，以確保設計在我們的實驗中表現最佳。 |
| |
接下來我們進行了實驗。 |
| |
進而 |
| |
我們測量並記錄了反應。 |
| |
當然，最後，有趣的部分， |
| |
我們必須有效地解釋數據和 JMP。 |
| |
這些圖表顯示的是使用 JMP 中的圖表函數產生的散佈圖矩陣。 |
| |
這些實際上為我們提供了預測空間均勻性的指示。稍後我會更詳細地討論這一點……接下來……在接下來的幻燈片中。 |
| |
好的，這是我們的數據。這是我們的數據收集計劃，右邊是我們測量的反應，也就是餃子的發酵時間或烹飪時間。 |
| |
我們在 DSD 中收集了 18 次運行，這些運行是我們在 JMP 中使用 DSD 平台和 DOE 選單產生的。 |
| |
我們收集了肉類的品質、蔬菜的品質、肉類的種類，或者說蔬菜的成分（高麗菜或蘑菇）， |
| |
當然還有總重量、我們煮的餃子的數量、每批餃子的數量以及水溫。 |
| |
因此，這張投影片只是強調了 DSD 的一些驚人功能，我不會過多地談論這一點，但 DSD 因其靈活和強大的建模特性而備受讚譽。 |
| |
它們具有在單次實驗中進行閃電篩選和優化的巨大潛力。 |
| |
右邊的圖表是 JMP 產生的相關矩陣，在其設計的 DOE 選單診斷平台中，它特別適合顯示 |
| |
模型中所有因子效應之間的混疊或混雜程度。這張圖清楚地表明 |
| |
最深的藍色表示沒有相關性，隨著相關性的增加，我們得到灰色陰影，最後，當我們達到非常正的相關性時，我們得到紅色陰影。所以我們實際上看到的是 |
| |
主要效應彼此完全不相關，這就是我們希望在兩個因素的交互作用中看到的，主要效應是不相關的。 |
| |
二次效應位於右象限。二次效應實際上只是部分相關的，因此有這些高階交互項。 |
| |
這些與交互作用效應部分相關，這些特徵使得這種設計優於我們先前學習的典型分辨率 III 和分辨率 IV 部分因子設計 |
| |
在 DSD 之前。 |
| |
好的。簡單討論一下設計診斷。這是相同的相關性……類似的相關性圖，只是這些因子實際上被賦予了特定的名稱。 |
| |
在運行這個DSD設計之後。這只是一個灰白版本的相關矩陣，可以幫助你看到正交性的程度，或者 |
| |
不，不屬於因素之一。所以你可以在實驗中看到，我們確實觀察到了一點 |
| |
不出所料，批次大小和肉類之間存在混淆，然後，當然，還有肉與餃子中的蔬菜之間的相互作用。 |
| |
請注意，我們在這裡施加了一個設計約束，我們確實觀察到了一些混淆，這是非常直觀的約束，因為餃子......餃子的總質量是餃子本身每個成分的組成。 |
| |
所以， |
| |
另一個… |
| |
那我們為什麼要這麼做呢？ |
| |
我們為什麼要評估這裡的均勻性，以及散佈圖矩陣，這又能告訴我們什麼呢？嗯， |
| |
為了最大化預測器在整個空間中的預測能力，在本例中，在上升時間範圍內，我們希望找到最小化白色區域的因子組合。好的。白色區域是預測精度被認為較弱的區域。 |
| |
這就是為什麼我們將設計放入散點圖矩陣中，這類似於變異數分析中的誤差同質性假設， |
| |
您知道我們在尋找一個空間，預測空間是等機率的，或是線性迴歸中的等方差假設。 |
| |
當我們想要時，我們希望這個空間在預測變數的範圍內具有相同的機率。 |
| |
因此，在這個實驗中，當然，為了減少我們要考慮的因素數量，我們首先利用了工程學以及我們對問題的工程和物理的理解。 |
| |
因此，為了進行識別，我們確定了六個獨立變量或彼此之間混淆最少的變量，然後我們在這些主要變量的基礎上進行分析。 |
| |
好的。 |
| |
因此，我們做的第一件事就是採用生成的設計，並使用逐步迴歸來嘗試簡化模型，僅識別模型中的活躍因素。 |
| |
在這裡，您可以使用前向選擇、後向選擇和混合的組合作為停止標準，以確定能夠解釋回應中最多變化的模型。 |
| |
而且，我可以將肉類類型建模為離散的或數字的或...更確切地說是離散的數字，這樣我就可以使用這個標籤來使因子編碼對應於 |
| |
我們使用的肉類是蝦子或豬肉。 |
| |
那麼，在這種迴歸模型的框架中，你可以使用什麼樣的停止規則呢？嗯， |
| |
不幸的是，當我反覆運行這個模型時，我並沒有能夠完全復現它。而且模型復現結果可能存在一些不一致的情況，因為擬合…這種擬合模式需要透過計算過程來迭代得出最終結果。 |
| |
因此，在這個逐步迴歸中，過度擬合的風險通常較高。 |
| |
通常如果模型中存在曲率 |
| |
或有兩個因素交互作用，例如，解釋變數...在兩個因素之間是共享的，你無法區分與其中一個因素相關的變異性。 |
| |
因此，基於調整後的 R 平方，我們可以清楚地看到，我們得到了非常好的擬合度，甚至可能是太好了。 |
| |
這意味著我們無法根據它們是否適合這個特定模型來預測未來。 |
| |
好的。 |
| |
這就是事情變得非常有趣的地方。所以 |
| |
在逐步運行之後，我們首先要做的事情之一就是為模型中的每個因素分配獨立的統一輸入。 |
| |
這是 JMP 中的一種蒙特卡羅實作。 |
| |
一種不同的蒙特卡洛實現和和和 |
| |
在這個特定的框架中，重要的是要理解主效應和總體效應之間的差異可以顯示交互作用的程度。 |
| |
這是與模型中特定因素相關的交互作用程度。這表明，特別是水溫和肉類， |
| |
除了在整體效應方面具有最具解釋力之外，還可能與該特定模型中的其他因素相互作用。 |
| |
當然，您會看到，我們將水溫、肉類和肉類類型確定為最重要的預測因素，並使用 Paredo 圖表進行變換估計。 |
| |
在開始介紹其他幻燈片之前，我想強調的另一件事是我們可以在這裡調用的敏感度指示指示器， |
| |
在我們分配獨立的統一輸入之後，在分析器下， |
| |
我們可以為輪廓分析器著色，以指示每個輸入因子與反應之間的關係強度。我們也可以使用 |
| |
敏感度指標，用紫色三角形表示，向我們展示敏感度，或者說關係的強度 |
| |
類似線性迴歸係數表示強度，三角形越高，關係越陡峭， |
| |
無論是正向或負向，關係越強，三角形越寬越平，該因素所起的關係就越弱。 |
| |
好的。 |
| |
因此，我們開始簡化我們的模型，並運用一些工程原理和使用逐步平台。 |
| |
我們得到了什麼 |
| |
這只是我們基於DSD設計的模型擬合效果的快照，其RSM結構為曲率。您可以看到，這是一個交互圖，它以成對的方式顯示了所有因子之間交互作用的程度。 |
| |
我們已經指出了一些交互存在的位置以及這些交互是什麼樣的。 |
| |
所以這是一個我們真正可以更好地掌握的模型 |
| |
好的，那麼 |
| |
我認為還有一件事要提，那就是我們施加的設計約束類似於你可能認為的混合設計，其中所有組件加在一起並且約束必須總和為 100%。 |
| |
好的，這只是分析器的高階圖，我們可以調整或調整每個輸入因素，然後 |
| |
觀察對反應的影響，我們以手動方式進行 |
| |
只是為了直觀地了解模型的表現 |
| |
當然，為了優化我們的烹飪時間，我們確認烹飪時間必須更快，當然，與烹飪時間相關的變數應該更低。 |
| |
吞吐量和功耗都應該優化，最大化。這是另外兩個 |
| |
我們根據烹飪時間得出的答案。 |
| |
好的，下面我們來更全面地討論優化 |
| |
烹飪過程。正如我之前提到的，我們設計或創建了兩個與物理相關的額外響應變量，以實現最大吞吐量，這取決於餃子的數量… |
| |
不好意思，要看餃子的數量，還要看重量和時間。 |
| |
而節電量則是消耗的電量和烹調時間的乘積，烹調時間是能源的一個組成部分。 |
| |
為了參與這個優化過程， |
| |
我們需要引入與每個輸入因素相關的誤差，這些誤差由底部的分佈表示。 |
| |
我們還需要考慮實際的 HACCP 控制窗口，當然還有測量設備的能力，這是我們希望在未來的研究中關注的內容。 |
| |
這是我們使用的 HACCP 控制計劃的示意圖，它與品質產業的失效模式和影響分析非常相似。這是一種結構化方法， |
| |
實驗或製造製程開發以及關鍵變數的決定， |
| |
以及關鍵負責人，然後衡量的標準是什麼，以及如何驗證這些標準。 HACCP 在食品科學產業中很常見，它代表危害分析和關鍵控制點監控。 |
| |
我認為 |
| |
除了所有這些準備工作之外，我主要以資料收集者的身分參與了這項實驗，資料完整性非常重要。 |
| |
正確地轉錄資料絕對是非常重要的。 |
| |
因此，所有 HACCP 控制點都需要納入蒙特卡羅模擬範圍，最終可以使用 HACCP 公差範圍來推導製程效能要求。 |
| |
好的，那麼 |
| |
我們考慮一系列輸入，其中蒙特卡羅可以確認這個預期範圍對於烹飪時間來說是實用的。 |
| |
我們希望考慮每個輸入因素在每個層級、每個 HACCP 組件層級上的微小變化，並且 |
| |
這是由控制點範圍決定的。基於控制點範圍，我們可以根據 y 回應時間來決定 x 的增量，以及每個輸入的增量。 |
| |
我們可以繼續迭代地增加 delta x， |
| |
同時希望增量足夠小，以便 y 的變化足夠小以滿足規範要求。工業上通常指的是設計公差，在本例中指的是我們的 HACCP 控制點控制參數範圍或控制參數限值。 |
| |
如果這個迭代過程失敗了，我們必須減少增量和 X，我們將這個過程稱為公差分配。好的。 |
| |
我們手動完成了這項工作，並使用了我們自己的特殊配方。雖然這可以在 JMP 中以更自動化的方式完成， |
| |
在這種情況下，你可以看到我們得到了更多的回應。因此，使用多重響應最佳化，以及呼叫期望函數，並在預測刻畫器下最大化期望值 |
| |
以及高斯過程建模， |
| |
也可在預測分析器下使用。 |
| |
好的。接下來，按照使用工具相互補充並嘗試進一步了解我們的產品…我們的流程和實驗的思路，我們使用分析選單下、預測建模工具下的神經建模功能。 |
| |
和 |
| |
我們試圖利用它來促進我們的預測。 |
| |
該模型使用TanH函數，該函數可以更有效地檢測非線性效應中的曲率， |
| |
但它有點像黑盒子，跟物理學沒什麼關係。所以 |
| |
同時它對非正常響應也具有魯棒性，並且對混疊混淆具有一定的魯棒性。 |
| |
它有其局限性，特別是在樣本量較小的情況下，例如我們這裡，你實際上可以看到訓練集和驗證集之間的 R 平方並不是特別 |
| |
相同或不同，因此該模型對於預測目的並不是特別一致。 |
| |
最後，我們使用 JMP 中的分區平台對我們的 |
| |
響應時間響應。 |
| |
而且這個模型總體上肯定比較容易解釋，但我認為尤其對於我們的實驗來說，因為我們可以看到，在上升時間內，溫度截止點在攝氏 85 度左右， |
| |
而且，以及與最大吞吐量有關的一些溫度差異，但特別是 85 度截止值是最……非常有趣的。 |
| |
該模型中的 R 平方值約為 0.7，至少對於上升溫度響應而言，考慮到樣本量較小，這對於這種類型的模型來說已經相當不錯了。 |
| |
和 |
| |
關於這個臨界值最有趣的是，低於攝氏85度時，水其實並沒有沸騰。沒有 |
| |
氣泡很多，沒有湍流。讀數非常穩定。然而，隨著溫度升高，水開始循環，水中的湍流導致溫度不均勻，空化氣泡破裂，蒸氣上升，基本上是一個不穩定的溫度環境。 |
| |
在這種環境中，對流占主導地位，而不是傳導。 |
| |
而且蒸氣也會阻擋紅外線溫度計的光線，這也增加了與溫度測量相關的不確定性。 |
| |
而且蒸汽本身有灼傷風險，除了安全性之外，它還可能影響操作員如何調整溫度計以及調整操作員放置溫度計的距離，這對於測量準確性非常重要。 |
| |
所以，事實上，這就是為什麼我們將設計溫度限制在攝氏 95 度，因為超過這個溫度就不可能再準確測量水溫了。 |
| |
好的。 |
| |
那麼……我們到底到了哪裡了？嗯， |
| |
總之，我們...在這個實驗中我們只使用 DSD（DOE）來收集數據。 |
| |
然後，我們使用逐步迴歸來縮小重要影響因素的範圍，但我們並沒有進行太深入的逐步迴歸分析。我們運用常識和工程專業知識來最小化實驗中的因素數量。 |
| |
我們也使用獨立的統一輸入， |
| |
這非常強大 |
| |
讓我們了解效應的大小，例如透過對概況進行著色或查看效應的等級，以及透過查看主效應和整體效應之間的差異，讓我們了解模型中存在的交互作用。 |
| |
我們還在分析器下方添加了敏感度指標，以幫助我們量化全局敏感度，從而實現蒙特卡洛優化 |
| |
我們所採用的模式。 |
| |
模型中的主要影響當然是溫度，物理學確實解釋了為什麼溫度是首要因素，正如我在我們的研究結果中所分享的那樣。 |
| |
此外，在攝氏 80-90 度之間，我們從溫度分析儀上觀察到一種快速轉變，並且上升時間和溫度之間關係的靈敏度增加，這當然與我們的實驗觀察一致。 |
| |
其次，關於相互作用因素的影響，因為實際上有兩種不同類型的物理相互作用，基本物理…相互作用的物理模式是對流和傳導， |
| |
DSD 上的逐步法是一個很好的起點，因為它為我們提供了一個沒有變換的連續模型 |
| |
沒有 |
| |
透過先進的神經或黑盒類型轉換，我們至少可以很好地掌握全局敏感性。 |
| |
而我們的分區模型中的神經模型無法向我們展示這一點，特別是考慮到我們實驗中的樣本量較小。 |
| |
最後，我們使用蒙特卡羅模擬，穩健蒙特卡羅模擬 |
| |
在我們自己的框架中。我們也針對功耗上升時間和吞吐量，以及我們的重要因素，做了一些多重響應最佳化。透過這個實驗，我們開始真正驗證並進一步理解了 |
| |
本實驗中最重要的因素採用了多學科建模方法。 |
| |
最後，我會在這裡分享一些你感興趣的參考資料。非常感謝你的寶貴時間。 |
