| Trascrizione |
| Ciao, sono Chris Gotwalt. |
| Oggi saremo |
| costruire la storia di |
| paradossi grafici e oh aspetta, |
| argomento sbagliato. In realtà stiamo andando |
| parlare del candidato |
| scenografie, sartoria DOE |
| vincoli al problema. |
| Quindi sperimentazione industriale |
| per prodotto e processo |
| il miglioramento ha una lunga storia |
| con molti fili che ammetto io |
| conosco solo una piccola parte |
| di. L'idea di utilizzare l'osservazione |
| per prodotto e processo |
| l'innovazione è vecchia quanto l'umanità |
| stesso. Ha ricevuto un rinnovato |
| concentrarsi durante il Rinascimento e |
| Rivoluzione scientifica. Durante la |
| successivo Industriale |
| Rivoluzione, scienza e industria |
| ha cominciato ad operare sempre di più |
| in sincronia. All'inizio del XX secolo |
| secolo, il laboratorio di Edison era un |
| innovazione industriale su un |
| scala di fabbrica, ma è stato fatto |
| a mia conoscenza, al di fuori di |
| tradizioni sperimentali moderne. |
| Non molto tempo dopo RA Fisher |
| ha introdotto concetti come |
| blocco e randomizzazione, il suo |
| socio e poi genero, |
| George Box, ha sviluppato ciò che è |
| ora probabilmente il dominante |
| paradigma nella progettazione di |
| esperimenti, con la maggior parte |
| libro popolare essendo Statistica |
| per gli sperimentatori di Box, |
| Cacciatore e cacciatore. |
| Il metodo descritto in Box, Hunter |
| e Hunter sono quello che io chiamo il |
| approccio tassonomico alla progettazione. |
| Supponiamo quindi di avere un prodotto |
| o processo che vuoi migliorare. |
| Pensi alle cose che fai |
| può cambiare. Le manopole possono girare |
| come temperatura, pressione, |
| tempo, ingredienti che puoi usare o |
| metodi di elaborazione che puoi |
| usare. Queste queste cose diventano |
| i tuoi fattori. Poi pensi |
| sul fatto che siano |
| continuo o nominale, e se |
| sono nominali, quanti |
| livelli che prendono o la gamma |
| sei disposto a variarli. Se un |
| il fattore è continuo, allora tu |
| scoprire il nome del |
| design che si abbina più facilmente |
| all'altezza del problema e delle risorse |
| che tu...che si adatti al tuo budget. |
| Quel progetto avrà... |
| avrà un nome come una scatola |
| Disegno Behnken, un frazionario |
| fattoriale, o centrale |
| segni compositi, o eventualmente |
| qualcosa come un array Taguchi. Ci sarà |
| ci siano restrizioni sui numeri |
| di corse, il livello...i numeri |
| di livelli di categoria |
| fattori, e così via, quindi |
| ci vorrà un po' di forzatura |
| problema in questione nella progettazione |
| che puoi trovare. Ad esempio, |
| fattori nel BHH |
| approccio, Box Hunter e Hunter |
| approccio, spesso è necessario essere |
| ridotto a due o tre |
| valori o livelli univoci. |
| Nonostante i suoi limiti, il |
| l'approccio tassonomico è stato |
| un successo straordinario. |
| Col tempo, naturalmente, alcuni |
| la gente ci ha chiesto se potevamo |
| fare ancora meglio. |
| E per meglio intendiamo chiedere |
| noi stessi, come progettiamo il nostro |
| studiare per ottenere il massimo |
| informazioni di qualità pertinenti a |
| gli obiettivi del miglioramento |
| progetto? Questa linea di |
| l'interrogazione porta infine a |
| progettazione ottimale. La progettazione ottimale è |
| un'area di ricerca accademica. Era |
| iniziato parallelamente al Box |
| scuola negli anni '50 e '60, ma |
| per vari motivi è rimasto fuori |
| della corrente principale dell'industria |
| sperimentazioni, fino alla |
| progettista personalizzato e JMP. |
| La filosofia del costume |
| il progettista è quello che descrivi |
| il problema al software. Esso |
| poi ti restituisce il miglior design |
| per il numero di budget di |
| corre. Si inizia dichiarando |
| le tue risposte insieme alle loro |
| obiettivi, come minimizzare, massimizzare, |
| o abbina il bersaglio, e poi tu |
| descrivere i tipi di fattori |
| hai, continuo, categoriale |
| miscela, ecc. Categoriale |
| i fattori possono avere un numero qualsiasi di |
| livelli. Gli dai un modello che |
| vuoi adattarti al risultato |
| dati. Il modello presuppone almeno |
| analisi dei quadrati e consiste in |
| effetti principali e interazioni in |
| termini polinomiali. L'usanza |
| il progettista crea alcuni valori predefiniti |
| ipotesi sulla natura |
| del tuo obiettivo, ad esempio se |
| sei interessato allo screening |
| o previsione, che è |
| riflesso nell'ottimalità |
| criterio utilizzato. Il |
| i valori predefiniti possono essere sovrascritti |
| con un menu a triangolo rosso |
| opzione se vuoi |
| fare qualcosa di diverso da |
| ciò che il software intende fare. |
| Il flusso di lavoro nella maggior parte |
| le applicazioni consistono nell'impostare |
| il modello. |
| Poi scegli il tuo budget, |
| clicca su Crea design. Una volta fatto ciò, |
| succede, JMP utilizza un misto, |
| continuo e categoriale |
| algoritmo di ottimizzazione, risoluzione |
| per il numero di fattori moltiplicato per |
| il numero di termini delle righe. |
| Quindi ottieni i dati di progettazione |
| tavolo con tutto il necessario |
| eccetto i dati di risposta. Questo |
| è un ottimo flusso di lavoro in quanto |
| i fattori possono essere variati |
| indipendenti l'uno dall'altro. |
| E se non ci riesci? E se... |
| ci sono dei vincoli? Cosa |
| se il valore di alcuni fattori |
| determinare gli intervalli possibili |
| di altri fattori? |
| Bene allora puoi farlo....allora |
| puoi definire qualche fattore |
| vincoli o utilizzarlo |
| combinazioni non consentite |
| filtro. |
| Sfortunatamente, mentre questi |
| sono strumenti potenti per |
| vincolante sperimentale |
| regioni, può ancora essere molto |
| difficile da caratterizzare |
| vincoli utilizzandoli. |
| Il team DOE di Brad Jones, Ryan Lekivetz, |
| Joseph Morgan e Caleb |
| Il re ha aggiunto un |
| straordinariamente utile nuovo |
| caratteristica che rende la maneggevolezza |
| vincoli molto più facili in |
| JMP 16. Questi sono chiamati |
| esecuzioni di candidati o covariate. |
| Quello che puoi fare è partire da solo |
| proprio, crea una tabella di tutti |
| possibili combinazioni di |
| impostazioni dei fattori che desideri |
| il progettista personalizzato per |
| considera. Poi caricali |
| qui e quelli saranno i |
| solo combinazioni di fattori |
| impostazioni che il progettista |
| Volere... |
| guarderà. L'originale |
| tavolo, che io chiamo un |
| la tabella dei candidati è come una |
| impostazioni del fattore di menu per |
| il progettista personalizzato. |
| Ciò fornisce agli utenti JMP un |
| incredibile livello di controllo su |
| i loro progetti. Quello che farò |
| quello che faccio oggi è passare in rassegna diversi |
| esempi per mostrare come puoi usare |
| questo per rendere l'abitudine |
| il designer realizza il suo potenziale |
| come strumento che adatta l' |
| progettazione in base al problema in questione. |
| Prima di farlo, voglio |
| andiamo fuori tema per un attimo e |
| sottolineare che in JMP Pro |
| versione del designer personalizzato, |
| ora c'è una capacità che |
| consente di dichiarare limiti di |
| rilevamento in fase di progettazione. |
| Se vuoi un valore non mancante |
| per i limiti qui l'usanza |
| il progettista aggiungerà una colonna |
| proprietà che informa il |
| piattaforma di regressione generalizzata |
| dei limiti di rilevamento e |
| otterrà quindi automaticamente il |
| analisi corretta. Questo porta a |
| potenza notevolmente più elevata |
| rilevare gli effetti e molto più basso |
| pregiudizio nelle previsioni, ma questo è |
| un argomento per un altro discorso. |
| Ecco un sacco di applicazioni |
| che mi viene in mente per il |
| candidato scenografo. Il |
| il più semplice è quando gli intervalli di a |
| il fattore continuo dipende dal |
| livello di una o più categorie |
| fattori. Un altro esempio è quando |
| non possiamo controllare la gamma di |
| fattori completamente |
| indipendentemente, ma il |
| i vincoli sono difficili da scrivere |
| giù. Ci sono due metodi che abbiamo |
| può essere utilizzato per questo. Uno sta usando |
| dati di processo storici come |
| set di candidati, e poi il |
| l'altro è quello che chiamo filtro |
| progetti in cui crei...progetta |
| un set di dati iniziale gigante utilizzando |
| numeri casuali o uno spazio |
| riempimento del disegno e quindi utilizzare la riga |
| selezioni nei grafici a dispersione |
| per cogliere i punti che |
| non soddisfano i vincoli. |
| C'è anche la possibilità di |
| miscela davvero altamente personalizzabile |
| problemi, soprattutto situazioni |
| dove hai multistrato |
| mescolanza. Questo non è |
| qualcosa che sarò |
| in grado di parlare di oggi, ma in |
| il futuro è qualcosa |
| che dovresti cercare di essere |
| in grado di fare con questo candidato |
| scenografo. Puoi anche farlo |
| vincoli non lineari con il |
| metodo di filtraggio, lo stesso |
| modi in cui puoi fare altri tipi di |
| vincoli. È molto |
| semplice e ne farò una rapida |
| esempio alla fine |
| che illustrano ciò. |
| Quindi consideriamo il nostro primo |
| esempio. Supponiamo che tu voglia |
| corrispondere a una risposta target in un |
| indagine su due fattori. |
| Uno è equipaggiato...un'attrezzatura |
| fornitore, di cui ce ne sono due |
| livelli e l'altro è il |
| temperatura del dispositivo. Il |
| due diversi fornitori hanno |
| diverse gamme di funzionamento |
| temperature. Il fornitore A è più |
| stretto dei due, andando da |
| Da 150 a 170 gradi Celsius. |
| Ma è controllabile a un |
| livello di risoluzione più fine di |
| circa 5 gradi. Fornitore B |
| ha un raggio d'azione più ampio |
| passando da 140 a 180 gradi |
| Celsius, ma è solo |
| controllabile fino a 10 gradi |
| Celsius. Supponiamo di voler fare |
| un progetto di 12 run per trovare il |
| combinazione ottimale di questi |
| due fattori. |
| Elenchiamo tutti i possibili |
| combinazioni dei due |
| fattori in 10 corse nel |
| tabella qui, sto solo creando |
| questo manualmente noi stessi. |
| Ecco quindi le cinque possibili |
| valori della macchina tipo A |
| impostazioni di temperatura. E poi |
| qui sotto sono i cinque possibili |
| valori della temperatura del tipo B |
| impostazioni. Vogliamo il meglio |
| progettazione in 12 esecuzioni, che supera |
| il numero di righe in |
| tabella dei candidati. Questa non è una |
| problema in teoria, ma io |
| consiglia di creare una copia del |
| candidato impostato per ogni evenienza |
| che il numero di corse che |
| la tua tabella dei candidati ha superato |
| il numero che stai cercando |
| per la progettazione. |
| Poi andiamo alla consuetudine |
| designer. |
| Spingere seleziona covariata |
| pulsante fattori. |
| Selezioniamo le colonne che vogliamo |
| caricato come progetto candidato |
| fattori. Ora il candidato |
| il progetto viene caricato e mostrato. |
| Aggiungiamo l'effetto di interazione, |
| così come l'effetto quadratico |
| della temperatura. Ora siamo al |
| ultimo passaggio prima di creare il |
| progettazione. Voglio spiegare il |
| due opzioni che vedi nel |
| nodo di schema di generazione del progetto. |
| Il primo, che costringerà |
| in tutte le righe che sono |
| selezionato nella tabella originale |
| o nell'elenco dei |
| candidati nell'usanza |
| designer. Quindi se hai |
| posti di blocco che difficilmente |
| essere favorito dall'ottimalità |
| criterio e vogliono forzarli |
| nel design, puoi |
| usa questa opzione. È un po' |
| come prendere quelle stesse file e |
| creare un design aumentato |
| basato solo su di loro, tranne che |
| stai controllando il possibile |
| combinazioni dei fattori in |
| le righe aggiuntive. |
| La seconda opzione, che io sono |
| controllando qui apposta, permette |
| le righe dei candidati da scegliere |
| più di una volta. Questo darà |
| hai scelto in modo ottimale |
| repliche ed è probabilmente un |
| buona idea se stai per correre |
| un esperimento fisico. Se, su |
| d'altra parte, stai usando un |
| sottoinsieme ottimale di righe da trovare |
| da provare in una nuova macchina di lusso |
| algoritmo di apprendimento come SVEM, un |
| argomento di uno dei miei altri discorsi |
| alla scoperta di marzo |
| Conferenza. Non vorresti |
| per selezionare questa opzione se fosse |
| il caso. In sostanza, se tu |
| non ho tutte le tue risposte |
| valori già, controllerei |
| questa casella e se hai già |
| i valori di risposta, allora no. |
| Reimpostare la dimensione del campione a 12 e |
| Fai clic su Crea design. Il candidato |
| il design in tutto il suo splendore sarà |
| apparire come qualsiasi altro |
| design realizzato su misura |
| progettista. Come vediamo nel |
| finestra centrale JMP, JMP anche |
| seleziona le righe nell'originale |
| tavolo scelto dal candidato |
| algoritmo di progettazione. Nota che 10 |
| non sono state selezionate 12 righe. |
| A destra vediamo il nuovo |
| tavolo di progettazione, quello più a destra |
| la colonna nella tabella indica |
| la riga di origine per quello |
| eseguire. Notare che le righe originali |
| 11 e 15 sono stati scelti due volte |
| e sono repliche. |
| Ecco una vista istogramma del |
| design. Puoi vedere che il |
| diversi valori di temperatura |
| sono stati scelti dal gruppo di candidati |
| algoritmo per macchine diverse |
| tipi. Nel complesso, questo design è |
| ben bilanciato, ma non lo facciamo |
| avere 3 livelli di temperatura in |
| macchina tipo A. Fortunatamente, |
| possiamo selezionare le righe che |
| voler forzare nel design |
| per assicurarci di avere 3 |
| livelli di temperatura per |
| entrambi i tipi di macchina. |
| Seleziona semplicemente la riga che desideri |
| forzato nel design nel |
| tabella delle covariate. Controlla l'inclusione |
| tutte le righe covarianti selezionate in |
| l'opzione di progettazione. |
| E poi se passi attraverso |
| tutto questo, lo vedrai |
| che ora entrambi i livelli di |
| la macchina ne ha almeno tre |
| livelli di temperatura nel |
| design. Quindi il primo design |
| abbiamo creato è sulla sinistra |
| e il nuovo design forzante |
| ci devono essere 3 livelli di |
| tipo di macchina A |
| le impostazioni della temperatura sono terminate |
| qui a destra. |
| Il mio secondo esempio si basa su un |
| set di dati reali da un |
| produzione metallurgica |
| processo. L'azienda vuole |
| controllare la quantità di restringimento |
| durante la fase di sinterizzazione. Loro |
| avere molti dati storici |
| e hanno applicato la macchina |
| modelli di apprendimento per prevedere |
| restringimento e quindi avere qualche idea |
| quali sono i fattori chiave. |
| Tuttavia, per ottimizzare effettivamente |
| il processo, dovresti davvero |
| eseguire un esperimento progettato. |
| Come Laura Castro-Schilo |
| una volta indicato... |
| Come disse una volta Laura Castro-Schilo |
| mi ha detto che la causalità è una |
| proprietà non dei dati, ma |
| se i dati generati |
| meccanismo, e come George Box |
| dice sulla copertina interna di |
| Statistiche per sperimentatori, |
| per scoprire cosa succede quando |
| se cambi qualcosa, è |
| necessario cambiarlo. |
| Ora, anche se non possiamo usare il |
| dati storici per dimostrare |
| causalità, c'è |
| informazioni essenziali su |
| quali combinazioni di fattori |
| sono possibili che possiamo usare |
| nella progettazione. |
| Dobbiamo prima separare il |
| colonne nella tabella che |
| rappresentano fattori controllabili |
| da quelli che sono più |
| misurazioni di sensori passivi |
| o guidare quantità che |
| non può essere controllato direttamente. |
| Uno sguardo al diagramma di dispersione di |
| i potenziali fattori continui |
| indica che ci sono |
| vincoli impliciti che potrebbero |
| essere difficile da caratterizzare come |
| vincoli lineari o non consentiti |
| combinazioni. Tuttavia, queste |
| rappresentano un campione del |
| possibili combinazioni che |
| può essere utilizzato con il |
| candidato progettista abbastanza |
| facilmente. |
| Per fare questo, portiamo in primo piano il |
| progettista personalizzato. Imposta il |
| risposta. Mi piace caricare un po' |
| fattori di covariazione. Seleziona il |
| colonne che possiamo controllare come |
| fattore...fattori DOE e |
| clicca su OK. Ora li abbiamo |
| caricato. Impostiamo un quadratico |
| modello di superficie di risposta come il nostro |
| modello base. Quindi seleziona tutto |
| i termini del modello eccetto il |
| intercetta. Quindi fai un controllo |
| più fai clic destro e converti |
| tutti quei termini in se |
| possibili effetti. Questo, in |
| combinazione con risposta |
| modello di superficie scelto, significa |
| che creeremo un |
| Candidato bayesiano I-ottimale |
| scenografia. |
| Seleziona la casella che consente |
| repliche scelte in modo ottimale. |
| Inserisci la dimensione del campione. |
| Quindi crea il design |
| per noi. Se guardiamo al |
| distribuzione dei fattori, |
| vediamo che è stato provato duramente |
| per ricercare un maggiore equilibrio. |
| A sinistra abbiamo un |
| matrice di dispersione del |
| fattori continui dal |
| dati originali e sulla destra |
| è il disegno a cento righe. Possiamo vedere |
| che nella sinterizzazione |
| temperatura, ne abbiamo alcuni |
| potenziali valori anomali a 1220. |
| Bisognerebbe assicurarsi che |
| quelli sono valori reali. In |
| generale, avrai bisogno di |
| assicurarsi che l'input |
| il candidato ha stabilito che è chiaro |
| valori anomali e valori mancanti |
| prima di utilizzarlo come candidato |
| scenografia. Nella mia conversazione con Ron |
| Kennet questo...a marzo |
| Conferenza Discovery 2021, |
| Ti mostro brevemente come puoi utilizzare |
| il valore anomalo e mancante |
| piattaforme di screening per rimuovere |
| i valori anomali e sostituirli |
| valori mancanti in modo che tu possa |
| utilizzarli in un secondo momento |
| palco come questo. |
| Ora supponiamo di avere un problema |
| simile al primo esempio, |
| dove ci sono due macchine |
| tipi, ma ora abbiamo |
| temperatura e pressione come |
| fattori, e sappiamo che |
| temperatura e pressione non possono |
| variano indipendentemente e che il |
| natura di tale dipendenza |
| modifiche tra i tipi di macchina. |
| Possiamo creare uno spazio iniziale |
| riempimento del design e utilizzo del |
| filtro dati per rimuovere il |
| combinazioni irrealizzabili di |
| fattori che impostano separatamente per |
| ogni tipo di macchina. Quindi possiamo |
| utilizzare il candidato scenografo |
| per trovare il più efficiente |
| progettato per questa situazione. |
| Quindi ora ho attraversato tutto questo, |
| quindi ora ho creato il mio spazio |
| design di riempimento. Ha 1.000 |
| corre e posso portare su il |
| filtro dati globale su di esso e |
| usalo per radere diversi |
| combinazioni di temperatura |
| e pressione affinché possiamo |
| hanno vincoli separati da |
| tipo di macchina. |
| Quindi uso il lazo |
| strumento per tagliare |
| un angolo nella macchina B. |
| E torno indietro e taglio |
| un altro angolo nella macchina B quindi |
| la macchina B è la macchina che ha |
| una sorta di regione operativa più ampia |
| in temperatura e pressione. |
| Poi passiamo alla macchina |
| A. E useremo semplicemente |
| lo strumento Lazo |
| radersi |
| i punti che sono fuori dal suo |
| regione operativa. E vediamo |
| che la sua regione operativa è una |
| molto più stretto di quello della Macchina A. |
| Ed ecco il nostro progetto combinato. |
| Da lì possiamo ricaricarlo |
| fino al progettista personalizzato. |
| Metti lì un modello RSM, quindi |
| impostiamo il numero di corse a 32, |
| consentendo alle file di coviariate di essere |
| ripetuto. E si avvierà |
| attraverso. Una volta fatto questo, |
| seleziona tutti i punti che erano |
| scelto dal set di candidati |
| progettista. E qui possiamo vedere |
| i punti che sono stati scelti. |
| Sono stati evidenziati e il |
| set originale di punti candidati |
| che non sono stati selezionati sono |
| sono grigi. |
| Possiamo portare avanti il nuovo design |
| in Fit Y per X e possiamo |
| vedere un diagramma di dispersione dove vediamo |
| che il |
| i punti di progettazione della macchina A |
| sono in rosso. Sono all'interno |
| dello spazio, e poi il Tipo |
| Le piste B sono in blu. Aveva il |
| regione operativa più ampia e |
| è così che vediamo questi punti |
| qui fuori, più lontano per questo. Quindi |
| abbiamo raggiunto rapidamente un |
| progettazione con vincoli lineari |
| che cambiano con una categoria |
| fattore senza andare al |
| fastidioso processo di derivazione del |
| coefficienti di combinazione lineare. |
| Abbiamo semplicemente utilizzato le nozioni di base di JMP 101 |
| visualizzazione e filtraggio |
| strumenti. Questa idea si generalizza |
| ad altri non lineari |
| vincoli e altri complessi |
| situazioni abbastanza facilmente. |
| Quindi adesso useremo |
| filtraggio e multivariato a |
| creare un nuovo tipo di |
| design che ti assicuro |
| non avevo mai visto prima. |
| Vai al |
| Strumento Lazo. Stiamo andando |
| per ritagliare qualcosa di molto insolito |
| vincolo. |
| E invertiremo |
| selezione. |
| Elimineremo quelle righe. |
| Quindi possiamo accelerare questo un po' |
| un po'. Possiamo passare attraverso |
| e fai la stessa cosa |
| per altre combinazioni di X1 |
| e le altre variabili. |
| Ritagliando un molto |
| set di candidati dalla forma insolita. |
| Possiamo caricarlo in |
| il designer personalizzato. Lo stesso |
| come prima. Porta il nostro |
| colonne come covariate, |
| imposta un progetto con tutti... |
| tutte le interazioni di ordine superiore effettuate |
| se possibile, con un centinaio |
| corre. E ora vediamo |
| il nostro progetto per questo |
| regione insolitamente limitata |
| che è ottimale dati questi |
| vincoli. |
| Quindi vi lascio con questo |
| immagine. Sono molto emozionato di |
| ascolta cosa sei riuscito a fare |
| con il nuovo candidato impostato |
| designer. Tanto di cappello al DOE |
| squadra per aver aggiunto questo |
| sorprendentemente utile e |
| nuova funzionalità flessibile. Grazie |
| Voi. |
