| Transcripción |
| Hola soy Chris Gotwalt. |
| Hoy vamos a estar |
| Construyendo la historia de |
| paradojas gráficas y oh, espera, |
| Tema equivocado. En realidad, vamos. |
| Estar hablando del candidato |
| diseños de escenografía, sastrería DOE |
| restricciones del problema. |
| Así que la experimentación industrial |
| para producto y proceso |
| La mejora tiene una larga historia |
| con muchos hilos que admito que |
| Sólo conozco una pequeña parte |
| de. La idea de utilizar la observación |
| para producto y proceso |
| La innovación es tan antigua como la humanidad |
| en sí. Recibió renovado |
| enfoque durante el Renacimiento y |
| Revolución científica. Durante la |
| Industrial posterior |
| Revolución, ciencia e industria |
| comenzó a operar cada vez más |
| Al unísono. A principios del siglo XX |
| siglo, el laboratorio de Edison era un |
| innovación industrial en un |
| A escala de fábrica, pero se hizo. |
| que yo sepa, fuera de |
| tradiciones experimentales modernas. |
| No mucho después de RA Fisher |
| introdujo conceptos como |
| bloqueo y aleatorización, su |
| socio y luego yerno, |
| George Box, desarrolló lo que es |
| Ahora probablemente el dominante |
| paradigma en el diseño de |
| experimentos, con los más |
| libro popular siendo Estadística |
| para experimentadores por caja, |
| Cazador y cazador. |
| El método descrito en Box, Hunter |
| y Hunter son lo que yo llamo los |
| Enfoque taxonómico del diseño. |
| Supongamos que tienes un producto |
| o proceso que desea mejorar. |
| Piensas en las cosas que |
| puede cambiar. Las perillas pueden girar |
| como la temperatura, la presión, |
| tiempo, ingredientes que puedes utilizar o |
| métodos de procesamiento que puede |
| usar. Estas cosas se convierten en |
| tus factores. Entonces piensas |
| sobre si lo son |
| continua o nominal, y si |
| son nominales cuantos |
| niveles que toman o el rango |
| Estás dispuesto a variarlos. Si un |
| factor es continuo, entonces |
| averiguar el nombre del |
| Diseño que combina más fácilmente |
| A la altura del problema y de los recursos |
| que tu...que se ajuste a tu presupuesto. |
| Ese diseño tendrá... |
| tendrá un nombre como una Caja |
| Diseño de Behnken, un diseño fraccional |
| factorial, o central |
| signos compuestos, o posiblemente |
| Algo así como una matriz Taguchi. Habrá |
| haber restricciones en los números |
| de carreras, el nivel...los números |
| de niveles de categóricos |
| factores, etcétera, por lo que hay |
| Será algo así como forzarlo |
| Problema en cuestión en el diseño |
| que puedes encontrar. Por ejemplo, |
| factores en el BHH |
| enfoque, Box Hunter y Hunter |
| enfoque, a menudo es necesario |
| reducido a dos o tres |
| valores o niveles únicos. |
| A pesar de sus limitaciones, la |
| El enfoque taxonómico ha sido |
| Un éxito fantástico. |
| Con el tiempo, por supuesto, algunos |
| La gente ha preguntado si podríamos |
| todavía lo hago mejor |
| Y por mejor queremos decir preguntar. |
| Nosotros mismos, ¿cómo diseñamos nuestro |
| estudiar para obtener lo más alto |
| información de calidad pertinente a |
| los objetivos de la mejora |
| ¿Proyecto? Esta línea de |
| El cuestionamiento conduce finalmente a |
| diseño óptimo. El diseño óptimo es |
| un área de investigación académica. Fue |
| Comenzó en paralelo con la Caja |
| la escuela en los años 50 y 60, pero |
| Por diversas razones quedó fuera |
| de la corriente principal de la industria |
| experimentaciones, hasta que |
| Diseñador personalizado y JMP. |
| La filosofía de la costumbre |
| El diseñador es lo que describes. |
| El problema es del software. |
| Luego te devuelve el mejor diseño. |
| para su número presupuestado de |
| corre. Comienza declarando |
| sus respuestas junto con sus |
| objetivos, como minimizar, maximizar, |
| o coincidir con el objetivo, y luego usted |
| describir los tipos de factores |
| tienes, continuo, categórico |
| mezcla, etc. Categórico |
| Los factores pueden tener cualquier número de |
| niveles. Le das un modelo que |
| Quieres ajustarlo al resultado |
| datos. El modelo supone al menos |
| Análisis de cuadrados y consta de |
| Principales efectos e interacciones en |
| términos polinomiales. La costumbre |
| El diseñador crea algunos valores predeterminados |
| Suposiciones sobre la naturaleza |
| de su objetivo, como por ejemplo si |
| Estás interesado en la evaluación |
| o predicción, que es |
| reflejado en la optimalidad |
| criterio que se utiliza. El |
| Los valores predeterminados se pueden anular |
| con un menú en triángulo rojo |
| Opción si lo deseas |
| hacer algo diferente de |
| Lo que el software pretende. |
| El flujo de trabajo en la mayoría de |
| Las aplicaciones consisten en configurar |
| el modelo. |
| Luego eliges tu presupuesto, |
| Haz clic en "Crear diseño". Una vez que eso ocurra |
| sucede, JMP utiliza un método mixto, |
| continua y categórica |
| algoritmo de optimización, resolución |
| para el número de factores multiplicado por |
| el número de términos de filas. |
| Luego obtendrás tus datos de diseño. |
| mesa con todo lo necesario |
| excepto los datos de respuesta. Esto |
| es un gran flujo de trabajo ya que |
| Los factores pueden variar |
| independientes unos de otros. |
| ¿Y si no puedes? ¿Y si? |
| ¿Existen restricciones? ¿Cuáles? |
| Si el valor de algunos factores |
| determinar los rangos posibles |
| ¿de otros factores? |
| Bueno entonces puedes hacerlo....entonces |
| Puedes definir algún factor |
| restricciones o utilizarlo |
| combinaciones no permitidas |
| filtrar. |
| Desafortunadamente, mientras estos |
| son herramientas poderosas para |
| limitando el experimento |
| regiones, todavía puede ser muy |
| difícil de caracterizar |
| restricciones utilizando estos. |
| El equipo del DOE de Brad Jones, Ryan Lekivetz, |
| Joseph Morgan y Caleb |
| El rey ha añadido un |
| nueva extraordinariamente útil |
| característica que facilita el manejo |
| Las restricciones son mucho más fáciles en |
| JMP 16. Estos se llaman |
| ejecuciones candidatas o covariables. |
| Lo que puedes hacer es, apagarlo. |
| propio, crear una tabla de todos |
| posibles combinaciones de |
| configuraciones de factores que desee |
| El diseñador personalizado para |
| Considérelo. Luego cárguelos. |
| Aquí y esos serán los |
| sólo combinaciones de factores |
| configuraciones que el diseñador |
| voluntad... |
| miraré. El original |
| mesa, a la que llamo una |
| La tabla de candidatos es como una |
| Configuración de factores del menú para |
| El diseñador personalizado. |
| Esto proporciona a los usuarios de JMP una |
| increíble nivel de control sobre |
| sus diseños. Lo que voy a hacer |
| Lo que haremos hoy es repasar varios |
| ejemplos para mostrar cómo puedes utilizar |
| esto para hacer la costumbre |
| El diseñador alcanza su potencial |
| como una herramienta que adapta la |
| Diseño para el problema en cuestión. |
| Antes de hacer eso, voy a... |
| Salir del tema por un momento y |
| Señalar que en el JMP Pro |
| versión del diseñador personalizado, |
| Ahora existe una capacidad que |
| le permite declarar límites de |
| Detección en tiempo de diseño. |
| Si desea que no falten valores |
| Para los límites aquí la costumbre |
| El diseñador agregará una columna |
| propiedad que informa la |
| plataforma de regresión generalizada |
| de los límites de detección y |
| Luego obtendrá automáticamente el |
| Análisis correcto. Esto lleva a |
| potencia dramáticamente mayor para |
| Detectar efectos y mucho más bajos |
| sesgo en las predicciones, pero eso es |
| Un tema para otra charla. |
| Aquí hay un montón de aplicaciones |
| que se me ocurren para el |
| Candidato a diseñador de escenarios. El |
| Lo más simple es cuando los rangos de a |
| El factor continuo depende de la |
| nivel de una o más categorías |
| factores. Otro ejemplo es cuando |
| No podemos controlar el alcance de |
| factores completamente |
| independientemente, pero el |
| Las restricciones son difíciles de escribir |
| abajo. Hay dos métodos que podemos usar |
| se puede usar para esto. Se está usando |
| datos históricos del proceso como |
| conjunto de candidatos y luego el |
| El otro es lo que yo llamo filtro. |
| diseños donde creas...diseño |
| Un conjunto de datos inicial gigante que utiliza |
| números aleatorios o un espacio |
| Rellenar el diseño y luego usar la fila |
| selecciones en gráficos de dispersión |
| para sacar los puntos que |
| no satisfacen las restricciones |
| También existe la posibilidad de |
| Una mezcla realmente altamente personalizable |
| problemas, especialmente situaciones |
| donde tienes multicapa |
| mezclando. Esto no es |
| algo que voy a ser |
| capaz de hablar de hoy, pero en |
| el futuro esto es algo |
| que deberías estar buscando ser |
| capaz de hacer con este candidato |
| diseñador de escenarios. También puedes hacerlo |
| restricciones no lineales con la |
| método de filtrado, el mismo |
| formas en las que puedes hacer otros tipos de |
| restricciones. Es muy |
| Simple y lo haré rápido. |
| ejemplo al final |
| ilustrando esto. |
| Así que consideremos nuestro primer |
| Ejemplo. Supongamos que quieres |
| Coincidir con una respuesta objetivo en un |
| Investigación de dos factores. |
| Uno está equipado...un equipo |
| proveedor, de los cuales hay dos |
| niveles y el otro es el |
| temperatura del dispositivo. El |
| dos proveedores diferentes tienen |
| diferentes rangos de operación |
| temperaturas. El proveedor A es más |
| estrecho de los dos, yendo desde |
| 150 a 170 grados centígrados. |
| Pero es controlable hasta cierto punto. |
| nivel más fino de resolución de |
| unos 5 grados. Proveedor B |
| tiene un rango operativo más amplio |
| pasando de 140 a 180 grados |
| Celsius, pero es sólo |
| controlable hasta 10 grados |
| Celsius. Supongamos que queremos hacer |
| Un diseño de 12 carreras para encontrar el |
| combinación óptima de estos |
| dos factores. |
| Enumeramos todos los posibles |
| combinaciones de los dos |
| factores en 10 carreras en el |
| mesa aquí, solo creando |
| Esto lo hacemos manualmente nosotros mismos. |
| Así que aquí están las cinco posibles |
| valores de la máquina tipo A |
| ajustes de temperatura. Y luego |
| Aquí abajo están los cinco posibles |
| valores de temperatura del Tipo B |
| configuraciones. Queremos lo mejor |
| diseño en 12 ejecuciones, lo que supera |
| el número de filas en el |
| tabla de candidatos. Esto no es una |
| problema en teoría, pero yo |
| Recomendamos crear una copia del |
| Candidato establecido por si acaso |
| que el número de carreras que |
| Su tabla de candidatos ha superado |
| el número que estás buscando |
| para en el diseño. |
| Luego vamos a la aduana |
| diseñador. |
| Empujar seleccionar covariable |
| botón de factores. |
| Seleccionamos las columnas que queremos |
| Cargado como diseño candidato |
| factores. Ahora el candidato |
| El diseño se carga y se muestra. |
| Agreguemos el efecto de interacción, |
| así como el efecto cuadrático |
| de temperatura. Ahora estamos en el |
| paso final antes de crear el |
| diseño. Quiero explicar el |
| dos opciones que ves en el |
| Nodo de esquema de generación de diseño. |
| El primero, que obligará |
| en todas las filas que estan |
| seleccionado en la tabla original |
| o en el listado de la |
| candidatos en la costumbre |
| diseñador. Así que si tienes |
| puestos de control que es poco probable que |
| ser favorecido por la optimalidad |
| criterio y quieren forzarlos |
| Entrando en el diseño, puedes |
| usa esta opción. Es un poco |
| como tomar esas mismas filas y |
| creando un diseño aumentado |
| Basado sólo en ellos, excepto que |
| Estás controlando lo posible |
| combinaciones de los factores en |
| las filas adicionales. |
| La segunda opción que estoy |
| Marcar aquí a propósito, permite |
| las filas candidatas a elegir |
| más de una vez. Esto dará |
| Tú elegiste óptimamente |
| réplicas y es probablemente una |
| Buena idea si estás a punto de correr |
| un experimento físico. Si, en |
| Por otro lado, estás usando un |
| subconjunto óptimo de filas para encontrar |
| para probar en una máquina nueva y elegante |
| algoritmo de aprendizaje como SVEM, un |
| tema de una de mis otras charlas |
| en el Descubrimiento de marzo |
| Conferencia. No querrías |
| para marcar esta opción si así fuera |
| El caso. Básicamente, si tú |
| No tengo toda tu respuesta |
| valores ya, yo comprobaría |
| esta caja y si ya la tienes |
| los valores de respuesta, entonces no. |
| Restablezca el tamaño de la muestra a 12 y |
| Haga clic en "Crear diseño". El candidato |
| El diseño en todo su esplendor será |
| Aparecen igual que cualquier otro |
| Diseño hecho a medida |
| diseñador. Como vemos en el |
| ventana central de JMP, JMP también |
| selecciona las filas en el original |
| mesa elegida por el candidato |
| algoritmo de diseño. Tenga en cuenta que 10 |
| No se seleccionaron 12 filas. |
| A la derecha vemos el nuevo |
| mesa de diseño, la más a la derecha |
| La columna de la tabla indica |
| la fila de origen para eso |
| Ejecutar. Observe que las filas originales |
| Los números 11 y 15 fueron elegidos dos veces. |
| y son réplicas. |
| Aquí se muestra una vista de histograma de la |
| diseño. Puedes ver que el |
| diferentes valores de temperatura |
| fueron elegidos por el grupo de candidatos |
| algoritmo para diferentes máquinas |
| tipos. En general, este diseño es |
| Bien equilibrado, pero no lo somos. |
| tiene 3 niveles de temperatura en |
| máquina tipo A. Afortunadamente, |
| Podemos seleccionar las filas que queramos. |
| querer forzar el diseño |
| para asegurarnos de que tengamos 3 |
| niveles de temperatura para |
| Ambos tipos de máquinas. |
| Simplemente selecciona la fila que quieras |
| forzado en el diseño en el |
| Tabla de covariables. Verificar inclusión. |
| todas las filas covariantes seleccionadas en |
| la opción de diseño. |
| Y luego si pasas por |
| Todo eso lo veréis |
| que ahora ambos niveles de |
| La máquina tiene al menos tres |
| niveles de temperatura en el |
| diseño. Así que el primer diseño |
| Lo que creamos está a la izquierda |
| y el nuevo diseño forzando |
| Habría 3 niveles de |
| máquinas tipo A |
| Los ajustes de temperatura han terminado |
| Aquí a la derecha. |
| Mi segundo ejemplo se basa en un |
| conjunto de datos reales de un |
| fabricación metalúrgica |
| proceso. La empresa quiere |
| controlar la cantidad de contracción |
| durante la etapa de sinterización. Ellos |
| tienen muchos datos históricos |
| y han aplicado la máquina |
| modelos de aprendizaje para predecir |
| contracción y así tener una idea |
| Cuáles son los factores clave. |
| Sin embargo, para optimizar realmente |
| el proceso, realmente deberías |
| realizar un experimento diseñado. |
| Como Laura Castro-Schilo |
| una vez señalado... |
| Como dijo una vez Laura Castro-Schilo |
| Me dijo que la causalidad es una |
| propiedad no de los datos, sino |
| Si la generación de datos |
| mecanismo, y como George Box |
| dice en la portada interior de |
| Estadísticas para experimentadores, |
| Para saber qué pasa cuando |
| Si cambias algo, es |
| Es necesario cambiarlo. |
| Ahora bien, aunque no podemos utilizar el |
| datos históricos para demostrar |
| causalidad, hay |
| información esencial sobre |
| ¿Qué combinaciones de factores? |
| es posible que podamos utilizar |
| en el diseño. |
| Primero tenemos que separar el |
| columnas en la tabla que |
| representan factores controlables |
| De los que son más |
| mediciones de sensores pasivos |
| o impulsar cantidades que |
| no se puede controlar directamente |
| Un vistazo al diagrama de dispersión de |
| los factores continuos potenciales |
| indica que hay |
| restricciones implícitas que podrían |
| sería difícil caracterizarlo como |
| restricciones lineales o no permitidas |
| combinaciones. Sin embargo, estas |
| representan una muestra de la |
| posibles combinaciones que |
| se puede utilizar con el |
| Candidato diseñador bastante |
| fácilmente. |
| Para ello, levantamos el |
| diseñador personalizado. Configurar el |
| respuesta. Me gusta cargar algo |
| factores covariables. Seleccione el |
| columnas que podemos controlar como |
| factor...factores DOE y |
| Haga clic en Aceptar. Ya los tenemos. |
| cargado. Vamos a configurar una ecuación cuadrática |
| modelo de superficie de respuesta como nuestro |
| modelo base. Luego seleccione todos |
| los términos del modelo excepto el |
| interceptar. Luego hacer un control |
| Más clic derecho y convertir |
| todos esos términos en si |
| posibles efectos. Esto, en |
| combinación con respuesta |
| modelo de superficie elegido, significa |
| que vamos a crear un |
| Candidato bayesiano I-óptimo |
| diseño de escenario. |
| Marque la casilla que permite |
| réplicas elegidas de forma óptima. |
| Introduzca el tamaño de la muestra. |
| Luego crea el diseño. |
| para nosotros. Si nos fijamos en el |
| distribución de los factores, |
| Vemos que se ha esforzado mucho |
| para lograr un mayor equilibrio. |
| A la izquierda, tenemos un |
| matriz de diagrama de dispersión de la |
| factores continuos de la |
| datos originales y a la derecha |
| es el diseño de cien filas. Podemos ver |
| que en la sinterización |
| temperatura, tenemos algunos |
| posibles valores atípicos en 1220. |
| Uno querría asegurarse de que |
| Esos son valores reales. En |
| General, vas a necesitar |
| Asegúrese de que la entrada |
| El candidato lo dejó claro |
| valores falsos y valores faltantes |
| Antes de usarlo como candidato |
| Diseño de escenografía. En mi conversación con Ron |
| Kennet esto...en marzo |
| Conferencia Discovery 2021, |
| Te demuestro brevemente cómo puedes utilizarlo |
| El valor atípico y faltante |
| plataformas de cribado para eliminar |
| los valores atípicos y reemplazar el |
| valores faltantes para que puedas |
| Úsalos en una ocasión posterior |
| un escenario como este. |
| Ahora supongamos que tenemos un problema. |
| Similar al primer ejemplo, |
| donde hay dos máquinas |
| tipos, pero ahora tenemos |
| temperatura y presión como |
| factores, y sabemos que |
| La temperatura y la presión no pueden |
| varían independientemente y que la |
| naturaleza de esa dependencia |
| cambios entre tipos de máquinas. |
| Podemos crear un espacio inicial |
| Diseño de relleno y uso del |
| Filtro de datos para eliminar el |
| combinaciones inviables de |
| Factores que se establecen por separado para |
| cada tipo de máquina. Entonces podemos |
| Utilice el escenógrafo candidato |
| para encontrar la forma más eficiente |
| Diseño para esta situación. |
| Así que ahora que he pasado por esto, |
| Así que ahora he creado mi espacio. |
| Diseño de relleno. Tiene 1000 |
| corre y puedo subir el |
| filtro de datos global sobre él y |
| Úselo para afeitarse diferentes |
| combinaciones de temperatura |
| y presión para que podamos |
| tienen restricciones separadas por |
| tipo de máquina. |
| Entonces uso el lazo. |
| herramienta para cortar |
| una esquina en la máquina B. |
| Y vuelvo y corto |
| otra esquina en la máquina B así |
| La máquina B es la máquina que tiene |
| una especie de región operativa más amplia |
| en temperatura y presión. |
| Luego pasamos a la máquina. |
| A. Y solo vamos a utilizar |
| la herramienta Lazo |
| afeitarse |
| los puntos que están fuera de su |
| región operativa. Y vemos |
| que su región operativa es una |
| Mucho más estrecho que el de la máquina A. |
| Y aquí está nuestro diseño combinado. |
| Desde allí podemos cargarlo de nuevo. |
| hasta el diseñador personalizado. |
| Coloque un modelo RSM allí, luego |
| Establezcamos nuestro número de carreras en 32, |
| permitiendo que las filas coviariadas sean |
| repetido. Y arrancará |
| A través de. Una vez hecho eso, |
| selecciona todos los puntos que fueron |
| elegido por el conjunto de candidatos |
| diseñador. Y aquí podemos ver |
| los puntos que fueron elegidos. |
| Se han destacado y el |
| conjunto original de puntos del candidato |
| que no fueron seleccionados son |
| son grises |
| Podemos sacar el nuevo diseño |
| en Fit Y por X y podemos |
| ver un diagrama de dispersión donde vemos |
| que el |
| Los puntos de diseño de la máquina A |
| Están en rojo. Están en el interior. |
| del espacio, y luego el Tipo |
| Las pistas B están en azul. Tenía el |
| región operativa más amplia y |
| Así es como vemos estos puntos |
| Aquí afuera, más allá de eso. Así que |
| Hemos logrado rápidamente un |
| diseño con restricciones lineales |
| que cambian con una categórica |
| factor sin pasarse |
| proceso molesto de derivar la |
| coeficientes de combinación lineal. |
| Simplemente hemos utilizado el JMP 101 básico. |
| visualización y filtrado |
| herramientas. Esta idea se generaliza |
| a otros no lineales |
| restricciones y otros complejos |
| situaciones con bastante facilidad. |
| Así que ahora vamos a utilizar |
| filtrado y multivariante a |
| establecer un nuevo tipo de muy singular |
| Diseño que te aseguro |
| Nunca lo había visto antes. |
| Ir a la |
| Herramienta lazo. Vamos. |
| Para recortar algo muy inusual |
| restricción. |
| Y vamos a invertir |
| selección. |
| Vamos a eliminar esas filas. |
| Entonces podemos acelerar esto un poco. |
| un poquito. Podemos pasar por |
| y hacer lo mismo |
| para otras combinaciones de X1 |
| y las demás variables. |
| Forjando un muy |
| Conjunto de candidatos con formas inusuales. |
| Podemos cargar esto en |
| El diseñador personalizado. Lo mismo |
| cosa como antes. Trae nuestro |
| columnas como covariables, |
| Configurar un diseño con todos... |
| todas las interacciones de alto orden realizadas |
| Si es posible, con cien |
| corre. Y ahora vemos |
| Nuestro diseño para esto mismo |
| región restringida inusual |
| Eso es óptimo dados estos |
| restricciones. |
| Así que os dejo con esto |
| imagen. Estoy muy emocionado de |
| Escucha lo que pudiste hacer |
| con el nuevo candidato establecido |
| diseñador. ¡Felicitaciones al Departamento de Energía! |
| Gracias al equipo por agregar esto |
| sorprendentemente útil y |
| Nueva función flexible. Gracias. |
| tú. |
