| 揚聲器 |
抄本 |
| 陳梅森 |
大家好，我是梅森，今天我將介紹餃子烹飪項目，我們在其中研究了資料結構、餃子物理學和 RSM 結果之間的關係。 |
| |
該計畫背後的動機是，COVID-19 增加了對遠端烹飪的需求，並且隨著技術應用的不斷普及，食品業的人工智慧和機器人技術將發揮越來越重要的作用。 |
| |
但大多數食物的製作過程中並沒有精確控制烹飪參數，因為我們依靠廚師的專業知識來製作一致的菜餚。 |
| |
但如果機器人做飯，品質控制和效率將變得更加重要，因此我們決定使用蒸餃作為簡單、營養又美味的菜餚，根據餃子發酵時間來準備最佳食譜。 |
| |
所以我之前說過，我們做了一個餃子實驗，但由於原料短缺，我們不得不在實驗過程中用不同的肉類代替。 |
| |
因此，當我們評估 DOE 設計時，它並不正交，因為存在一些主要的混雜因素???。 |
| |
當我們嘗試使用這些資料來運行 RSM 結果時，也存在一個潛在的異常值，特別是運行 #6，我們想對其進行進一步研究。 |
| |
因此，我們這個計畫的首要目標是從修正的角度解決短缺問題。 |
| |
看看我們能否保留 DSD 結構。我們首先要更改肉類類型，它原本是一個由豬肉或蝦組成的兩級分類變量 |
| |
變成連續變量，這樣我們就可以在三次試驗中使用不同比例的肉類，並使用不同的蝦和豬肉混合物。 |
| |
然後我們將使用各種評估工具來評估這種新 DSD 設計的資料結構。 |
| |
好吧，由於基於這些工具，DSD 結構沒有問題，我們決定運行 RSM 模型來查看其結果是否與我們關於對流和傳導的科學研究一致。 |
| |
如果 DSD 結構有問題，我們可能會收到一些無法用科學解釋的錯誤交互作用 |
| |
由於缺乏正交性，我們期望從科學中看到的相互作用可能會被隱藏起來。 |
| |
在找到一個好的 DSD 模型來解決原料短缺問題之後，我們的第二個目標是 |
| |
是一種更具預防性的方法，我們希望研究潛在異常值的影響以及透過修改設定來建構的??? DSD。 |
| |
異常值的影響可以幫助我們更好地理解測量控制的重要性以及研究DSD結構時遇到的問題… |
| |
甚至在未來進行實驗之前，我們就能知道混淆結構會如何影響我們的結果。 |
| |
因此，我們將透過修改和比較運行 #6（潛在異常值）和運行 #9（中心點）的因子設定和響應來實現第二個目標，並研究模型結果是否歸因於確認資料結構或是否可以用物理學來解釋。 |
| |
因此，原始設計表在右側，我們替換的是運行#3、4 和 9，以橙色突出顯示。 |
| |
運行 #9，同樣，這是中心點，因此替換可能會影響模型的正交性，例如我們希望分層的平均預測變異數。原始運行使用了豬肉和蝦這兩個分類肉類，因此我們保留了設置 |
| |
蝦，甚至在這三次運行中，我們不得不用豬肉代替一些蝦。 |
| |
左側的彩色地圖顯示了一些混雜組，因此藍色表示沒有混雜，這兩個術語之間零相關性， |
| |
深紅色表示混雜因素嚴重且相關性高，因此對角線始終為 1，因為每個變數…每個項目都與其自身 100% 相關。所以有一些分辨線 ??? 會影響混雜因素。 |
| |
和 |
| |
對於肉類類型分類，尤其是大約0.3的相關性，我們有一些嚴重的分辨率IV，即交互作用複合風險，因為其中一些，例如紅色塊，相關性大於0.5。所以我們不應該 |
| |
從這裡開始運行RSM模型，因為我們的資料本身無法完全信任嚴重的混雜因素，所以在繼續運行模型之前，我們需要改進RSM…也就是資料結構。但是，如何在不重新收集資料的情況下解決這個問題呢？ |
| |
因此，由於肉類類型分類存在混雜問題，並且我們應該考慮替代肉類類型，我們決定將肉類類型從分類更改為連續。 |
| |
我們將變數基本上改為蝦子的百分比，因此之前全是蝦的肉類類型變為 100%，而全是豬肉的肉類類型變為 0%。 |
| |
對於三種替代肉類，我們根據對當天在超市購買的肉類總訂單歷史記錄的回憶，估算出真實的百分比值，即 70%、40% 和 65%。 |
| |
然後，我們再次執行相關性顏色圖，並查看功率分析以評估資料結構是否更加正交。 |
| |
主效應的功效分析均大於 0.9，這表示我們有超過 90% 的機會可以偵測到這些變數的顯著影響。 |
| |
此外，色彩圖顯示解析度 1 的混雜效應略有降低，因為它的陰影顏色較藍，尤其是對於肉類類型連續而言。 |
| |
並且分辨率 4 混雜變化不大，因此我們將選擇堅持使用此模型，因為明顯的正交性還不錯，稍後當您運行 RSM 時，我們將返回到顏色圖以檢查是否有任何交互可能是由於混雜問題引起的。 |
| |
接下來我們來看看預測變異數概況，它顯示不同因素水準的預測變異數。 |
| |
現在，實際預測概況取決於反應誤差以及取決於設計和因子設定的數量。 |
| |
但對於此預測方差曲線，Y 軸是預測的相對方差，即實際方差除以響應方差 |
| |
這樣響應方差就會抵消，預測方差曲線只取決於 DSD 結構，而不取決於響應。 |
| |
因此，上圖是中心點的平均方差，下圖是最大化方差，因此我們需要同時查看兩者，因為平均方差可以表示有關整個設計的更多信息， |
| |
最大方差告訴你最壞情況的資訊。所以平均方差是第 9 次運行 |
| |
在運行#9的設定下，我們不得不替換一些肉。在運行#9時，變異數為0.06，這還不算太糟糕，而且變異數關於中心點對稱，這意味著替換不會嚴重影響模型的正交性。 |
| |
預測方差在拐角處總是最大的，因為你不想對拐角進行預測，因為拐角周圍的點較少，而最佳運行通常在中心附近 |
| |
預測方差最小。對於最大方差，您可以看到曲線對於餃子重量和肉類型有點不對稱。 |
| |
這是第18次運行，但沒有什麼特別之處，所以應該不會有太大問題。既然這個DSD結構沒有什麼特別突出的地方，我們將繼續運行連續肉類類型的RSM模型。 |
| |
因此，我們基於p值，採用逐步遞增和混合選擇的方法，運行了RSM模型。我們選擇逐步遞增而不是普通的最小平方法迴歸，因為最小平方法 |
| |
至少需要與項數相同的運行次數，但我們沒有足夠的運行次數來估計所有項。 |
| |
因此，三個重要的平均效應是水溫、餃子重量和批量大小。而我們有一個水溫與餃子重量的交互項。 |
| |
變異數分析顯著，表示我們可以拒絕零假設，並得出結論：我們有一個模型。我們沒有過擬合問題。 |
| |
因為 R 平方和調整後的 R 平方相差小於 10%。對於失擬窗口，失擬誤差與純誤差總和即為變異數分析表中的總誤差平方和。 |
| |
純誤差與模型無關，例如實驗誤差，因此如果總殘差誤差與純誤差相比很大。 |
| |
這意味著我們可能需要擬合非線性模型，因為線性模型的失擬度很高。當所有誤差都歸因於純誤差時，失擬度為零。 |
| |
且 R 平方等於最大 R 平方。失擬的 P 值大於 0.05，因此我們並沒有證據表明需要切換到穩健非線性設計，因為純誤差與總殘差誤差相比要小得多。 |
| |
現在，R 平方值不太好……不是特別好，因為第 6 次運行中學生化殘差可能存在異常值，該值已經觸及任何極限的邊界。讓我們看看為什麼那次運行可能是異常值。 |
| |
因此，如果您查看運行＃6的預測分析器，我們會看到有一個大三角形，這表示局部敏感度更高。 |
| |
這表明輸入的微小變化會導致上升時間的巨大變化，這意味著運行#6 的因子設定具有更大的瞬時斜率。 |
