| Conférencier |
Transcription |
| Mason Chen |
Alors bonjour, je suis Mason, et aujourd'hui je vais présenter le projet de cuisson de boulettes dans lequel nous avons étudié la relation entre la structure des données, la physique des boulettes et les résultats RSM. |
| |
La motivation derrière ce projet est que la COVID-19 a augmenté la demande de cuisine à distance et que l'intelligence artificielle et la robotique dans l'industrie alimentaire joueront un rôle de plus en plus important à mesure que l'application de la technologie continue de se répandre. |
| |
Mais la plupart des aliments sont préparés sans contrôle précis des paramètres de cuisson, car nous comptons sur l'expertise du chef pour créer des plats cohérents. |
| |
Mais le contrôle de la qualité et l'efficacité seront beaucoup plus importants si le robot prépare un repas, nous avons donc décidé d'utiliser des boulettes cuites à la vapeur comme un plat simple, nutritif mais savoureux pour préparer la recette optimale, en fonction du temps de levée des boulettes. |
| |
Comme je l'ai déjà dit, nous avons réalisé une expérience de boulettes, mais en raison d'une pénurie d'ingrédients, nous avons dû remplacer la viande par un autre type dans le processus expérimental. |
| |
Ainsi, lorsque nous avons évalué la conception du DOE, elle n'était pas orthogonale car il y avait des facteurs de confusion majeurs ???. |
| |
Et lorsque nous avons essayé d'exécuter le résultat RSM avec ces données, il y avait également une valeur aberrante potentielle, en particulier l'exécution n° 6, que nous voulions étudier plus en détail. |
| |
Notre premier objectif de ce projet est donc de remédier à la pénurie d’un point de vue correctif (?). |
| |
et voir si nous pouvons conserver la structure DSD. Pour ce faire, nous commencerons par modifier le type de viande, qui était initialement une variable catégorielle à deux niveaux (porc ou crevettes). |
| |
à une variable continue afin que nous puissions utiliser des pourcentages variables de type de viande pour ces trois séries que nous utilisons avec différents mélanges de crevettes et de porc. |
| |
Nous évaluerons ensuite la structure des données pour cette nouvelle conception DSD à l’aide de divers outils d’évaluation. |
| |
Et bien, comme la structure DSD n’était pas problématique sur la base de ces outils, nous avons décidé d’exécuter un modèle RSM pour voir si ses résultats sont conformes à nos recherches scientifiques concernant la convection et la conduction. |
| |
Si la structure DSD avait été problématique, nous aurions peut-être reçu de fausses interactions qui ne peuvent pas être expliquées par la science |
| |
et les interactions que nous attendons de la science peuvent être cachées en raison de l’absence d’orthogonalité. |
| |
Et notre deuxième objectif après avoir trouvé un bon modèle DSD pour tenir compte de la pénurie d'ingrédients |
| |
est une approche plus préventive, où nous voulons étudier l'impact de la valeur aberrante potentielle et un ??? DSD structuré en révisant les paramètres. |
| |
L'impact des valeurs aberrantes peut nous aider à mieux comprendre l'importance du contrôle des mesures et un problème... tout en étudiant la structure DSD |
| |
nous permettra de savoir comment la structure confondue affectera nos résultats avant même de mener notre expérience à l'avenir. |
| |
Nous allons donc réaliser le deuxième objectif en modifiant et en comparant les paramètres des facteurs et la réponse de l'exécution n° 6, qui est une valeur aberrante potentielle, et de l'exécution n° 9, qui est notre point central, et en étudiant si les résultats du modèle sont dus à la confirmation de la structure des données ou s'ils peuvent être expliqués par la physique. |
| |
Ainsi, la table de conception d'origine se trouve à droite et celles que nous avons remplacées sont les séries n° 3, 4 et 9, comme indiqué en orange. |
| |
Exécution n° 9 : il s'agit là encore du point central. La substitution peut donc affecter l'orthogonalité du modèle, notamment la variance moyenne de prédiction que nous cherchons à superposer. L'exécution initiale utilisait des viandes de porc et de crevettes de type catégoriel ; nous avons donc conservé ce paramètre. |
| |
crevettes, même pour ces trois courses où nous avons dû remplacer certaines crevettes par du porc. |
| |
La carte colorée sur le côté gauche montre quelques groupes de confusion, donc le bleu indique aucune confusion, aucune corrélation entre ces deux termes, |
| |
et le rouge foncé indique une confusion importante et une forte corrélation, c'est pourquoi la diagonale sera toujours à 1, puisque chaque variable est… chaque terme est corrélé à 100 % avec lui-même. Il existe donc des lignes de résolution ??? qui affectent la confusion. |
| |
et |
| |
Pour le type de viande, la corrélation est catégorique, notamment autour de 0,3, et nous avons une résolution IV sévère, qui est un risque d'interaction aggravant, car certains d'entre eux, comme les blocs rouges, ont une corrélation supérieure à 0,5. Nous ne devrions donc pas |
| |
Exécutez un modèle RSM à partir d'ici, car nos données elles-mêmes ne sont pas fiables en raison de la confusion importante. Avant de lancer un modèle, nous devons donc améliorer le RSM… la structure des données. Mais comment résoudre ce problème sans récupérer les données ? |
| |
Ainsi, étant donné que le type de viande catégorique présentait des problèmes de confusion et que nous devions tenir compte de la substitution du type de viande, nous avons décidé de changer le type de viande de catégorique à continu. |
| |
Nous avons changé la variable essentiellement en pourcentage de crevettes, donc le type de viande précédent qui était entièrement composé de crevettes a été changé à 100 % et ceux qui étaient entièrement composés de porc ont été changés à 0 %. |
| |
Pour trois viandes substituées, nous avons estimé les vraies valeurs en pourcentage en fonction de ce dont nous pouvions nous souvenir de l'historique des commandes pour la viande totale que nous avons achetée au supermarché ce jour-là, soit 70, 40 et 65 %. |
| |
Nous avons ensuite exécuté à nouveau la carte des couleurs sur les corrélations et examiné l'analyse de puissance pour évaluer si la structure des données est ou non plus orthogonale. |
| |
L'analyse de puissance est supérieure à 0,9 pour les effets principaux, ce qui signifie qu'il y a plus de 90 % de chances que nous puissions détecter un effet significatif de ces variables. |
| |
De plus, la carte des couleurs indique une résolution légèrement réduite, ce qui est déroutant car elle est plus ombrée en bleu, en particulier pour le type de viande continue. |
| |
Et la résolution 4 ne change pas grand chose, nous choisirons donc de nous en tenir à ce modèle, car l'orthogonalité apparente n'est pas mauvaise, et plus tard, lorsque vous exécuterez le RSM, nous reviendrons à la carte des couleurs pour vérifier si des interactions peuvent être dues à un problème de confusion. |
| |
Nous examinons ensuite le profil de variance de prédiction, qui indique la variance de prédiction à différents niveaux de facteurs. |
| |
Le profil de prédiction réel dépend désormais à la fois de l’erreur de réponse et d’une quantité qui dépend de la conception et du paramètre factoriel. |
| |
Mais pour ce profil de variance de prédiction, l'axe Y est une variance relative de prédiction, qui est la variance réelle divisée par la variance de réponse |
| |
de sorte que la variance de réponse s'annule et que le profil de variance de prédiction ne dépend que de la structure DSD et non de la réponse. |
| |
Ainsi, le graphique du haut représente la variance moyenne au point central et celui du bas représente la variance maximisée. Nous devons donc examiner les deux, car la variance moyenne indique plus d'informations sur l'ensemble de la conception. |
| |
La variance maximale renseigne sur le pire scénario. La variance moyenne correspond donc à l'exécution n° 9. |
| |
Aux paramètres de l'exécution n° 9, nous avons dû remplacer une partie de la viande. À l'exécution n° 9, la variance est de 0,06, ce qui n'est pas trop mauvais, et elle est symétrique par rapport au point central, ce qui signifie que la substitution n'a pas d'impact majeur sur l'orthogonalité du modèle. |
| |
La variance de prédiction sera toujours la plus grande dans les virages, car vous ne voulez pas faire de prédictions sur les virages, car il y a moins de points autour et la course optimale se déroule généralement autour du centre. |
| |
avec la plus faible variance de prédiction. Pour la variance maximale, on constate que la courbe est légèrement asymétrique pour le poids des boulettes et le type de viande. |
| |
Il s'agit de l'exécution n° 18, mais elle ne présente aucune particularité et ne devrait donc pas poser de problème majeur. Comme cette structure DSD n'a pas été particulièrement remarquable, nous allons procéder à l'exécution du modèle RSM pour le type de viande continue. |
| |
Nous avons donc exécuté le modèle RSM en utilisant une progression par étapes et une sélection mixte, en fonction de la valeur p. Nous avons également choisi une progression par étapes plutôt que la régression par les moindres carrés ordinaires, car les moindres carrés |
| |
il faut au moins le même nombre d'exécutions que de termes et nous n'avons pas assez d'exécutions pour estimer tous les termes. |
| |
Les trois principaux effets moyens sont la température de l'eau, le poids des raviolis et la taille du lot. Nous avons également une interaction entre la température de l'eau et le poids des raviolis. |
| |
L'ANOVA est significative, ce qui indique que nous pouvons rejeter l'hypothèse nulle et conclure que nous disposons d'un modèle. Nous ne sommes pas confrontés à un problème de surapprentissage. |
| |
car le R au carré et le R au carré ajusté diffèrent de moins de 10 %. Pour la fenêtre d'inadéquation, la somme de l'erreur d'inadéquation et de l'erreur pure est la somme totale des carrés de l'erreur du tableau ANOVA. |
| |
Et l'erreur pure est indépendante du modèle, comme par exemple l'erreur expérimentale, donc si l'erreur résiduelle totale est grande par rapport à l'erreur pure. |
| |
Cela signifie que nous pourrions devoir ajuster des modèles non linéaires, car le modèle linéaire présente un manque d'ajustement élevé. Lorsque toute l'erreur est due uniquement à l'erreur pure, le manque d'ajustement est nul. |
| |
et la valeur R au carré est égale au R au carré maximum. Sur la valeur p pour le manque d'ajustement est supérieure à 0,05, nous n'avons donc pas vraiment de preuve que nous devons passer à une conception non linéaire robuste car l'erreur pure est beaucoup plus petite par rapport à l'erreur résiduelle totale. |
| |
Le R au carré n'est pas très bon, ni excellent, en raison de la possible valeur aberrante de l'exécution n° 6 observée dans le résidu studentisé, qui touche la borne pour toute limite. Voyons pourquoi cette exécution pourrait être une valeur aberrante. |
| |
Donc, si vous regardez le profileur de prédiction pour l'exécution n°6, nous voyons qu'il y a un grand triangle, ce qui indique une plus grande sensibilité locale. |
| |
Et cela indique qu'un petit changement dans l'entrée provoque un grand changement dans le temps de montée, ce qui signifie une pente instantanée plus grande aux paramètres de facteur pour l'exécution n°6. |
