候选集设计：根据问题定制 DOE 约束 (2021-EU-30MP-784) Christopher Gotwalt，SAS 统计研发总监
实验中，因子之间通常存在一些约束条件，这些约束条件至关重要，不容违反，但却难以用数学形式描述。这些约束条件之所以重要，原因有很多。例如，如果您正在烘烤面包，那么某些时间和温度的组合会导致不可食用的碳块。另一种情况是，某些因子组合在物理上不可能实现，例如在低温下达到高压。在本演示中，我们将演示一个创建候选因子值模拟数据集的简单工作流程。在此基础上，我们将结合使用 JMP 数据可视化平台中的交互式工具和 AutoRecalc 功能，识别一组物理上可实现的潜在因子组合，并将其提供给 JMP 16 中全新的候选集设计功能。然后，这将确定这些筛选因子设置中的最佳子集，以便在实验中运行。我们还将演示候选集设计器如何应用于历史过程数据，从而实现在尊重过程变量内部相关结构的同时，最大化信息量的设计。我们的方法简单易学。它使具有各种 DOE 经验的从业者能够更轻松地设置具有约束的实验。
自动生成的成绩单...
| 抄本 |
| 你好，我是 Chris Gotwalt。 |
| 今天，我们将 |
| 构建历史 |
| 图形悖论，等等， |
| 错了话题。实际上我们要 |
| 谈论候选人 |
| 布景设计、剪裁 DOE |
| 问题的约束。 |
| 因此工业实验 |
| 对于产品和工艺 |
| 改进历史悠久 |
| 我承认我有很多线索 |
| 只知道一小点 |
| 的。利用观察的想法 |
| 对于产品和工艺 |
| 创新与人类一样古老 |
| 它本身。它得到了更新 |
| 文艺复兴时期的焦点和 |
| 科学革命。在 |
| 后续工业 |
| 革命、科学和工业 |
| 开始越来越多地运作 |
| 步调一致。20世纪初 |
| 世纪，爱迪生的实验室是一个 |
| 产业创新 |
| 工厂规模，但已经完成了 |
| 据我所知， |
| 现代实验传统。 |
| RA Fisher 之后不久 |
| 引入了诸如以下的概念 |
| 阻断和随机化，他的 |
| 同事，然后是女婿， |
| George Box 开发了 |
| 现在可能占主导地位 |
| 设计范式 |
| 实验，最 |
| 畅销书《统计学》 |
| 对于 Box 实验者来说， |
| 猎人与猎人。 |
| Box，Hunter 描述的方法 |
| 和 Hunter 就是我所说的 |
| 分类学设计方法。 |
| 假设你有一个产品 |
| 或您想要改进的流程。 |
| 你仔细思考你的事情 |
| 可以改变。旋钮可以转动 |
| 比如温度、压力、 |
| 时间、你可以使用的原料或 |
| 您可以采用的处理方法 |
| 使用。这些这些东西变成 |
| 你的因素。然后你认为 |
| 关于他们是否 |
| 连续或名义的，并且如果 |
| 它们是名义上的，有多少 |
| 他们采取的水平或范围 |
| 你愿意改变它们。如果 |
| 因素是连续的，那么你 |
| 找出 |
| 最容易搭配的设计 |
| 解决问题和资源 |
| 您...这符合您的预算。 |
| 该设计将具有... |
| 会有一个像盒子一样的名字 |
| Behnken 设计，分数 |
| 阶乘，或者中心 |
| 复合体征，或者可能 |
| 类似于田口阵列。 |
| 对数字进行限制 |
| 跑步次数、水平……数字 |
| 分类水平 |
| 因素等等，所以 |
| 将会有一些强行插入 |
| 手头的问题融入设计中 |
| 你可以找到。例如， |
| BHH 中的因素 |
| 方法，Box Hunter 和 Hunter |
| 方法，通常需要 |
| 减少到两三个 |
| 独特的价值或水平。 |
| 尽管存在局限性， |
| 分类学方法 |
| 非常成功。 |
| 当然，随着时间的推移，一些 |
| 人们问我们是否可以 |
| 仍然做得更好。 |
| 我们所说的“更好”是指 |
| 我们自己，我们如何设计我们的 |
| 学习以获得最高 |
| 相关的质量信息 |
| 改进目标 |
| 项目？这一行 |
| 质疑最终导致 |
| 最优设计。最优设计是 |
| 一个学术研究领域。它 |
| 与 Box 同时启动 |
| 五六十年代的学校，但是 |
| 由于各种原因仍未 |
| 工业的主流 |
| 实验，直到 |
| 定制设计器和 JMP。 |
| 习俗哲学 |
| 设计师就是你描述 |
| 问题出在软件上。它 |
| 然后返回给你最好的设计 |
| 您的预算数量 |
| 运行。首先声明 |
| 你的回应以及他们的 |
| 目标，例如最小化、最大化， |
| 或匹配目标，然后你 |
| 描述各种因素 |
| 你有连续的、分类的 |
| 混合物等。分类 |
| 因素可以有任意数量的 |
| 级别。你给它一个模型， |
| 你想要适应结果 |
| 数据。该模型至少假设 |
| 平方分析，包括 |
| 主要影响和相互作用 |
| 多项式项。自定义 |
| 设计师做出一些默认设置 |
| 关于自然的假设 |
| 你的目标，例如 |
| 你对筛查感兴趣 |
| 或预测 |
| 体现在最优性上 |
| 标准。 |
| 默认值可以被覆盖 |
| 带有红色三角形菜单 |
| 如果你想 |
| 做一些不同于 |
| 该软件的用途。 |
| 大多数工作流程 |
| 应用程序是设置 |
| 模型。 |
| 然后选择你的预算， |
| 点击“制作设计”。一旦 |
| 发生这种情况时，JMP 使用混合的 |
| 连续和分类 |
| 优化算法，求解 |
| 因子数乘以 |
| 行数项。 |
| 然后你得到你的设计数据 |
| 桌子上摆满了你需要的一切 |
| 除了响应数据之外。这 |
| 是一个很好的工作流程，因为 |
| 因素可以变化 |
| 彼此独立。 |
| 如果你做不到怎么办？如果 |
| 有什么限制吗？ |
| 如果某些因素的价值 |
| 确定可能的范围 |
| 其他因素？ |
| 那么你可以这样做...然后 |
| 你可以定义一些因素 |
| 限制或使用它 |
| 不允许的组合 |
| 筛选。 |
| 不幸的是，虽然这些 |
| 是强大的工具 |
| 限制实验 |
| 地区，它仍然可以非常 |
| 难以描述 |
| 使用这些约束。 |
| Brad Jones 的 DOE 团队、Ryan Lekivetz、 |
| 约瑟夫·摩根和迦勒 |
| King 增加了 |
| 非常有用的新功能 |
| 功能使得处理 |
| 限制大大容易 |
| JMP 16. 这些被称为 |
| 候选或协变量运行。 |
| 你可以做的是 |
| 自己，创建一个包含所有 |
| 可能的组合 |
| 您想要的因素设置 |
| 定制设计师 |
| 考虑一下。然后加载它们 |
| 这里，那些将是 |
| 只有因素的组合 |
| 设计师的设置 |
| 将要... |
| 会看。原来 |
| 表格，我称之为 |
| 候选表，就像一个 |
| 菜单因素设置 |
| 定制设计师。 |
| 这为 JMP 用户提供了 |
| 令人难以置信的控制水平 |
| 他们的设计。我要 |
| 今天要做的是复习几个 |
| 示例展示如何使用 |
| 这是为了定制 |
| 设计师发挥其潜力 |
| 作为一种定制工具 |
| 针对当前的问题进行设计。 |
| 在此之前，我要 |
| 暂时偏离主题， |
| 指出在 JMP Pro |
| 自定义设计器的版本， |
| 现在有一种能力 |
| 允许你声明限制 |
| 设计时检测。 |
| 如果你想要一个非缺失值 |
| 对于这里的限制习惯 |
| 设计师将添加一列 |
| 财产告知 |
| 广义回归平台 |
| 检测限和 |
| 然后会自动获得 |
| 分析正确。这导致 |
| 显著提高功率 |
| 检测效果并降低得多 |
| 预测中的偏见，但那是 |
| 另一次谈话的主题。 |
| 这里有很多应用程序 |
| 我能想到的 |
| 候选布景设计师。 |
| 最简单的是当 |
| 连续因子取决于 |
| 一个或多个类别的级别 |
| 因素。另一个例子是 |
| 我们无法控制 |
| 完全因素 |
| 独立地，但 |
| 约束很难写 |
| 下来。我们有两种方法 |
| 可以用于此目的。一个是使用 |
| 历史过程数据 |
| 候选集，然后 |
| 另一个是我所说的过滤器 |
| 设计，您可以创造...设计 |
| 使用巨大的初始数据集 |
| 随机数或空格 |
| 填充设计然后使用行 |
| 散点图中的选择 |
| 挑选出 |
| 不满足约束。 |
| 还有能力 |
| 真正高度定制的混合物 |
| 问题，特别是情况 |
| 多层 |
| 混合。这不是 |
| 我将会成为 |
| 能够谈论今天，但在 |
| 未来这是 |
| 你应该寻找 |
| 能和这个候选人合作 |
| 布景设计师。你也可以 |
| 非线性约束 |
| 过滤方法相同 |
| 你可以做其他类型的 |
| 限制。这非常 |
| 简单，我会快速 |
| 最后的例子 |
| 说明这一点。 |
| 那么让我们考虑一下第一个 |
| 例如。假设你想 |
| 匹配目标响应 |
| 调查两个因素。 |
| 一个装备...一个设备 |
| 供应商，其中有两个 |
| 水平，另一个是 |
| 设备的温度。 |
| 两个不同的供应商 |
| 不同的操作范围 |
| 温度。供应商A的 |
| 两者之间比较狭窄，从 |
| 150至170摄氏度。 |
| 但这是可以控制的 |
| 更精细的分辨率 |
| 约5度。供应商B |
| 具有更宽的操作范围 |
| 从 140 度到 180 度 |
| 摄氏度，但只有 |
| 可控制至10度 |
| 摄氏度。假设我们想做 |
| 进行 12 次试验设计，以找到 |
| 这些的最佳组合 |
| 两个因素。 |
| 我们列举所有可能的 |
| 两者的结合 |
| 在 10 次运行中 |
| 此处的表格，只是创建 |
| 我们自己手动进行。 |
| 以下是五种可能的情况 |
| 机器类型 A 的值 |
| 温度设置。然后 |
| 以下是五种可能 |
| B型温度值 |
| 设置。我们想要最好的 |
| 设计进行了 12 次运行，超过了 |
| 行数 |
| 候选表。这不是 |
| 理论上的问题，但我 |
| 建议创建 |
| 候选集只是为了以防万一 |
| 运行次数 |
| 您的候选表已超出 |
| 你要找的号码 |
| 用于设计中。 |
| 然后我们去海关 |
| 设计师。 |
| 推送选择协变量 |
| 因素按钮。 |
| 选择我们想要的列 |
| 加载为候选设计 |
| 因素。现在候选人 |
| 设计已加载并显示。 |
| 让我们添加交互效果， |
| 以及二次效应 |
| 温度。现在我们处于 |
| 创建之前的最后一步 |
| 设计。我想解释一下 |
| 您在 |
| 设计生成轮廓节点。 |
| 第一个，这将迫使 |
| 在所有行中 |
| 在原始表中选定 |
| 或在列表中 |
| 海关候选人 |
| 设计师。所以如果你有 |
| 检查站不太可能 |
| 受到最优性的青睐 |
| 标准，并想强迫他们 |
| 融入设计中，你可以 |
| 使用此选项。这有点 |
| 就像取相同的行， |
| 创建增强设计 |
| 仅基于它们，除了 |
| 你正在控制可能 |
| 因素的组合 |
| 附加行。 |
| 第二种选择，我 |
| 特意检查此处，允许 |
| 要选择的候选行 |
| 不止一次。这将 |
| 你最佳选择 |
| 复制，并且可能是一个 |
| 如果你要跑步的话，这是个好主意 |
| 一个物理实验。如果 |
| 另一方面，你正在使用 |
| 要查找的最优行子集 |
| 试用新奇的机器 |
| 学习算法，例如 SVEM， |
| 我的另一次演讲的主题 |
| 在三月发现 |
| 会议。你不会想 |
| 检查此选项是否 |
| 基本上，如果你 |
| 没有得到你所有的回应 |
| 值已经存在，我会检查 |
| 这个盒子，如果你已经 |
| 响应值，那么就不要。 |
| 将样本大小重置为 12，并 |
| 点击“制作设计”。候选人 |
| 设计的全部荣耀将 |
| 看起来就像其他 |
| 定制设计 |
| 设计师。正如我们在 |
| 中间的 JMP 窗口，JMP 也 |
| 选择原始行 |
| 候选人选择的表格 |
| 设计算法。注意 10 |
| 没有选择 12 行。 |
| 在右边我们看到了新的 |
| 设计表，最右边 |
| 表中的列表示 |
| 原点行 |
| 运行。请注意，原始行 |
| 11 和 15 被选中两次 |
| 并且是重复的。 |
| 这是 |
| 设计。你可以看到 |
| 不同的温度值 |
| 被候选集选中 |
| 针对不同机器的算法 |
| 类型。总体而言，这种设计 |
| 平衡得很好，但我们没有 |
| 有 3 个温度等级 |
| A型机。幸运的是， |
| 我们可以选择行 |
| 想要强制进入设计 |
| 确保我们有 3 |
| 温度水平 |
| 两种机器类型。 |
| 只需选择您想要的行 |
| 强制进入设计中 |
| 协变量表。检查包括 |
| 所有选定的协变行放入 |
| 设计选项。 |
| 如果你通过 |
| 所有这些，你会看到 |
| 现在两个层面 |
| 机器至少有三个 |
| 温度水平 |
| 设计。所以第一个设计 |
| 我们创建的是在左边 |
| 以及新的设计强制 |
| 有三个层次 |
| A型机器 |
| 温度设置结束 |
| 此处右侧。 |
| 我的第二个例子基于 |
| 来自的真实数据集 |
| 冶金制造 |
| 流程。公司希望 |
| 控制收缩量 |
| 在烧结过程中。它们 |
| 拥有大量历史数据 |
| 并已应用机器 |
| 学习模型来预测 |
| 收缩等有一些想法 |
| 关键因素是什么。 |
| 然而，要真正优化 |
| 这个过程，你真的应该 |
| 做一个设计实验。 |
| 劳拉·卡斯特罗-斯基洛 |
| 一旦指出... |
| 正如 Laura Castro-Schilo 曾经 |
| 告诉我，因果关系是 |
| 不是数据的财产，而是 |
| 如果数据生成 |
| 机制，正如乔治·博克斯 |
| 内页上写着 |
| 实验人员统计数据， |
| 了解当 |
| 你改变了一些东西，它是 |
| 有必要改变它。 |
| 现在，虽然我们不能使用 |
| 历史数据证明 |
| 因果关系，存在 |
| 关于的重要信息 |
| 哪些因素的组合 |
| 我们可以使用 |
| 在设计中。 |
| 我们首先必须分离 |
| 表中的列 |
| 代表可控因素 |
| 从那些更 |
| 被动传感器测量 |
| 或驱动量 |
| 无法直接控制。 |
| 散点图一览 |
| 潜在的连续因素 |
| 表示有 |
| 隐含的约束 |
| 很难被描述为 |
| 线性约束或不允许 |
| 组合。然而，这些 |
| 代表 |
| 可能的组合 |
| 可以与 |
| 候选人设计师相当 |
| 容易地。 |
| 为了做到这一点，我们提出了 |
| 自定义设计师。设置 |
| 回应。我喜欢加载一些 |
| 协变量因素。选择 |
| 我们可以控制的列 |
| 因素...DOE因素和 |
| 点击“确定”。现在我们得到了它们 |
| 加载。让我们建立一个二次方程 |
| 响应曲面模型作为我们的 |
| 基础模型。然后选择所有 |
| 除以下条款外的示范条款 |
| 拦截。然后进行控制 |
| 加上右键单击并转换 |
| 所有这些术语都适用于 if |
| 可能产生的影响。这 |
| 与响应的组合 |
| 选择表面模型意味着 |
| 我们将创建一个 |
| 贝叶斯 I 最优候选 |
| 布景设计。 |
| 勾选允许 |
| 最佳选择的重复。 |
| 输入样本大小。 |
| 然后创建设计 |
| 对我们来说。如果我们看看 |
| 因素的分布， |
| 我们看到它正在努力 |
| 追求更大的平衡。 |
| 在左边，我们有一个 |
| 散点图矩阵 |
| 连续因素 |
| 原始数据和右侧 |
| 是百行设计。我们可以看到 |
| 在烧结过程中 |
| 温度，我们有一些 |
| 1220 处存在潜在异常值。 |
| 人们希望确保 |
| 这些都是真正的价值观。 |
| 将军，你需要 |
| 确保输入 |
| 候选集已清除 |
| 异常值和缺失值 |
| 在将其用作候选之前 |
| 布景设计。在我和罗恩的谈话中 |
| Kennet 今年三月 |
| 2021 年 Discovery 大会， |
| 我简要演示了如何使用 |
| 异常值和缺失值 |
| 筛选平台移除 |
| 异常值并替换 |
| 缺少值，以便你可以 |
| 在后续使用它们 |
| 像这样的舞台。 |
| 现在假设我们有一个问题 |
| 与第一个例子类似， |
| 有两台机器 |
| 类型，但是现在我们有 |
| 温度和压力 |
| 因素，我们知道 |
| 温度和压力不能 |
| 独立变化，并且 |
| 这种依赖的性质 |
| 机器类型之间的变化。 |
| 我们可以创建一个初始空间 |
| 填充设计并使用 |
| 数据过滤器删除 |
| 不可行的组合 |
| 分别设定因素 |
| 每种机器类型。然后我们可以 |
| 使用候选集设计器 |
| 找到最有效的 |
| 针对这种情况进行设计。 |
| 现在我已经经历了这一切， |
| 所以现在我创建了我的空间 |
| 填充设计。它有 1,000 |
| 运行，我可以提出 |
| 对其进行全局数据过滤， |
| 用它来刮掉不同的 |
| 温度组合 |
| 和压力，以便我们能够 |
| 有单独的约束 |
| 機器類型。 |
| 所以我使用套索 |
| 切断工具 |
| 机器 B 的一个角落。 |
| 我回去并切断 |
| 机器 B 的另一个角落 |
| 机器 B 是具有 |
| 更广泛的运营区域 |
| 在温度和压力方面。 |
| 然后我们切换到机器 |
| 答：我们只需要使用 |
| 套索工具 |
| 剃掉 |
| 其之外的点 |
| 操作区域。我们看到 |
| 其经营区域是 |
| 比机器 A 的窄很多。 |
| 这是我们的组合设计。 |
| 从那里我们可以将其加载回来 |
| 进入定制设计器。 |
| 然后把 RSM 模型放在那里 |
| 将运行次数设置为 32， |
| 允许协变量行 |
| 重复。它会 |
| 通过。一旦完成，它 |
| 选择所有点 |
| 由候选集选择 |
| 设计师。在这里我们可以看到 |
| 所选择的点。 |
| 他们被重点强调， |
| 原始候选点集 |
| 未被选中的是 |
| 是灰色的。 |
| 我们可以提出新的设计 |
| 在“以 X 拟合 Y”中，我们可以 |
| 看散点图，我们看到 |
| 即 |
| 机器A设计要点 |
| 是红色的。它们在内部 |
| 空间，然后是类型 |
| B 轮为蓝色。它有 |
| 更广泛的运营区域和 |
| 这就是我们看待这些观点的方式 |
| 就在这里，再远一点。所以 |
| 我们很快就实现了 |
| 具有线性约束的设计 |
| 随类别而变化 |
| 因素而不去 |
| 恼人的过程推导 |
| 线性组合系数。 |
| 我们只是使用了基本的 JMP 101 |
| 可视化和过滤 |
| 工具。这个想法概括了 |
| 对其他非线性 |
| 约束和其他复杂因素 |
| 情况相当容易。 |
| 现在我们要使用 |
| 过滤和多变量 |
| 建立一个非常独特的新型 |
| 我向你保证 |
| 从未见过。 |
| 前往 |
| 套索工具。我们要 |
| 剪掉一个非常不寻常的 |
| 约束。 |
| 我们要反转 |
| 选择。 |
| 我们将删除这些行。 |
| 然后我们可以加快速度 |
| 一点点。我们可以 |
| 做同样的事情 |
| 对于 X1 的其他组合 |
| 以及其他变量。 |
| 雕刻出一个非常 |
| 不寻常形状的候选集。 |
| 我们可以将其加载到 |
| 定制设计师。相同 |
| 和以前一样。把我们的 |
| 作为协变量的列， |
| 建立一个包含所有...的设计 |
| 所有高阶相互作用 |
| 如果可能的话，一百 |
| 运行。现在我们看到 |
| 我们的设计 |
| 异常约束区域 |
| 这是最佳的 |
| 限制。 |
| 所以我给你留下这个 |
| 图片。我很高兴 |
| 听听你能做什么 |
| 新的候选集 |
| 设计师。向 DOE 致敬 |
| 团队添加此 |
| 出奇地有用， |
| 灵活的新功能。谢谢 |
| 你。 |
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内容组织数据混合和清理数据探索与可视化实验设计大规模定制质量与工艺工程分享和交流结果
