Bonjour, Je suis Chris Gotwalt avec JMP, et mon co- présentateur, Joseph De Martino depuis Topsoe , et I sont donner a présentation que raconte le histoire de a données analyse projet que vitrines le nouveau ondelette analyse dans le Fonctionnel Données Explorateur, un de le la plupart passionnant nouveau capacités dans JMP 17.
Le cas étude commence avec a produit formulation problème où Hauts es-tu recherché à conception a catalyseur que optimise deux réponses, mais le réponses sont dans conflit avec un un autre dans que améliorer un réponse souvent vient à le frais de le autre.
A candidat pour le optimal compromis était trouvé avec modèles ajuster par le généralisé régression plate-forme, et le optimal facteur paramètres étaient trouvé en utilisant le désirabilité fonctions dans le profileur. Ce était a assez standard Biche analyse. Mais dans ajout à le mesuré réponses, NIR spectres étaient pris depuis quelques, mais pas tous de le échantillon lots. Ce est information que peut être utilisé à donner a indice à le R&D équipe à propos quoi le chimique structure de le idéal formulation devrait regarder comme.
Dans ajout à le GenReg modèle de le réponses, nous aussi utilisé ondelette modèles comme le base fonction de a fonctionnel Biche analyse de le spectres en utilisant le Biche facteurs comme entrées. Nous étaient alors capable à obtenir a synthétique spectres de le optimal formulation par bouchage dans le optimal facteur paramètres trouvé dans le initial analyse de le deux critique réponses.
Avant en allant dans le présentation, I vouloir à indiquer dehors que à le début de le projet, Joseph était très nouveau à JMP et n'a pas avoir a arrière-plan dans ce taper de statistique analyse. Joseph savant tous il nécessaire à faire le analyse sur son propre après a couple de le web réunions avec moi.
Ce évidemment spectacles il est a intelligent gars, mais aussi que JMP fait apprentissage comment à faire quelques très sophistiqué données analyse projets rapide et facile. Maintenant Je suis en allant à main le montrer sur à Joseph.
Remercier toi, Chris. Ici est quelques arrière-plan à propos notre projet. C'est a catalyseur développement projet. Donc, nous sont développement beaucoup différent recettes. Chaque recette a a unique ensemble de production paramètres, et une fois le échantillon est préparé, nous caractériser il dans notre analyse laboratoire dans Topsoé. Et enfin, nous faire a performance test.
Pendant le performance test, nous regarder pour deux valeurs que ici nous appel Réponse 1 et Réponse 2. Dans ce spécifique cas, nous sont en essayant à minimiser réponse 1 pendant maximiser réponse 2. Que volonté plomb nous à ce idéal espace dans le haut gauche coin de le graphique. Mais comme toi peut voir, le 55 échantillons que nous avons testé obtenir bloqué dans le milieu de le graphique. Que est parce que Réponse 1 et Réponse 2 sont entre- corrélé, signification que améliorer un vient avec le dépenses de le autre.
Donc, nous se déplacer à JMP, et nous essayer à regarder à notre réponse données et notre caractérisation données, essayer à voir si nous peut se déplacer loin depuis ce doubler dans le milieu de le graphique. Nous identifié deux cibles zones que nous vouloir à atteindre, et ensemble avec Chris, nous pensée à propos en utilisant JMP à créer a modèle que serait connecter le production paramètres à le réponse valeurs. T poule nous plus loin regardé dans notre infrarouge spectroscopie données à essayer à valider notre modèle et à obtenir quelques supplémentaire information à propos le cible échantillons.
Ici est un aperçu de le données ensemble. Nous avoir produit 112 échantillons. Chaque échantillon a a unique ensemble de production paramètres. Nous avoir analysé tous le échantillons en utilisant infrarouge spectroscopie. Nous avoir un spectre pour chaque échantillon.
Alors nous avoir utilisé beaucoup autre caractérisation techniques que nous avoir dans- maison que comptes pour 21 plus colonnes de données. Enfin, nous avoir testé moitié de le échantillons et que comptes pour le dernier deux colonnes que nous appelé réponse.
À le début de notre projet, nous en fait recherché à inclure le infrarouge spectroscopique données dans notre plus grand données ensemble, et c'est pourquoi nous recherché à utiliser JMP, parce que maintenant nous avoir ce nouveau ondelette modèle possibilité. Et que serait activer nous à inclure le principal composants à venir depuis le ondelette modèle dans notre données ensemble. Et nous pourrait utiliser que à créer modèles dans JMP. Mais avant nous commencer notre analyse, nous besoin à avoir a regarder à le Pro données à trouver valeurs aberrantes. Nous faire que par en cliquant Analyser et le Multivarié Méthodes, Multivarié.
H aussi nous peut sélectionner notre production paramètres et caractérisation données comme Y colonnes, et nous obtenir ce nuage de points matrice. Ce est un exemple de juste regarder à le production paramètres à quoi nous serait identifier comme un valeur aberrante. Nous peut voir que là est a ensemble de points dans production paramètres aussi que est loin loin pour tous le autre points. En outre, nous avoir arrière-plan connaissance à propos ces échantillons que nous savoir ne serait pas être optimal pour notre catalyseur développement, donc nous décidé à droite cliquez et dire "Rangée, cacher et exclure."
Nous a fait ce aussi avec autre points regarder à le nuage de points métrique de tous le caractérisation données. Maintenant que nous avoir nettoyé en haut le données, nous peut ajuster a modèle. Nous cliquez Analyser et Ajuster Modèle, et nous sélectionner le production paramètres comme variables dans notre modèle. Nous cliquez Macros et réponse surface à créer a deuxième polynôme combinaison de ces variables. Alors nous sélectionner notre réponses comme Y valeurs.
Alors nous décidé à utiliser généralisé régression. H aussi Chris peut ajouter quelques plus informations à propos pourquoi nous décidé à utiliser ce spécifique taper de modèle.
Nous utilisé a quadratique réponse surface modèle parce que le conception avait trois ou plus niveaux pour chaque facteur, donc I savait que nous serait être capable à ajuster courbure termes si nécessaire et aussi être capable à ajuster assez a variété de différent interaction termes. Nous utiliser le généralisé régression plate-forme parce que il fait modèle sélection avec non gaussien distributions comme le enregistrer normale. Dans mon avis, là ne sont pas beaucoup raisons pas à utiliser le généralisé régression plate-forme si toi avoir JMP Pro parce que il est donc facile à utiliser alors que dans beaucoup manières être donc beaucoup plus puissant pour Biche analyse que le autre options dans JMP et JMP Pro.
Après que, nous peut sélectionner notre distribution. Nous savoir que le réponses sont en allant à être strictement positif, donc nous sélectionner le enregistrer normale distribution et alors nous cliquez Courir, et nous dire Non.
Dans ce glisser, nous peut voir que nous avoir maintenant créé a modèle, mais nous avoir aussi le possibilité de création autre taper de modèles en utilisant différent estimation méthodes. Nous décidé à utiliser meilleur sous-ensemble. Ici, Chris peut ajouter quelques plus mots à propos il.
Bien, donc ici nous utiliser meilleur sous-ensemble sélection parce que le complet modèle n'est pas terriblement grand, donc pourquoi pas essayer chaque possible sous-ensemble de que complet modèle et trouver le un que fournit le absolu meilleur compromis entre précision et modèle simplicité?
Sur le autre main, avait là a été huit ou plus facteurs, I serait avoir utilisé a plus rapide algorithme comme avant sélection ou taillé avant sélection parce que avec plus grand base modèles, il serait prendre a très long temps à ajuster chaque possible sous-modèle à le données. Étaient en allant à être en utilisant le AICc modèle sélection critères à comparer GenReg modèles.
Le AICc permet toi à comparer modèles avec différent effets dans eux comme Bien comme différent réponse distributions. Avec le AICc, plus petit valeurs sont mieux et le règle de pouce I utiliser est que si a modèle a un AICc valeur que est dans 4 de le le plus petit AICc valeur vu, alors ceux deux modèles sont pratiquement identique dans qualité de ajuster.
Si le deux modèles avoir AICc valeurs dans 10 de chaque autre, alors ils sont statistiquement similaire à un un autre. Le principal indiquer ici être que si nous avoir deux modèles et leur AICc différer par plus que 10, alors le données sont joli fortement suggérant que le un avec le plus petit AICc est le mieux modèle à être fonctionnement avec.
Comme avec n'importe lequel individuel statistique, toi devrait voir le A ICc comme a suggestion. Si ton sujet matière expérience fortement suggère un modèle sur le autre, toi peut vouloir à confiance ton instincts et ignorer le recommandation de le A CIc.
Une fois nous avoir créé ce nouveau modèle, nous peut voir que le non- zéro paramètres avoir maintenant abandonné depuis 16 à neuf. Si nous vouloir à comparer, si le modèle a amélioré, nous peut regarder à le A ICc valeurs. Nous peut voir que là est un amélioration de plus que 10, lequel est un important différence. Donc, nous décidé à aller avec le meilleur sous-ensemble.
Nous a fait le même pour Réponse 2, et alors nous déplacé sur. Maintenant nous peut cliquez sur le rouge flèche et dire profileur. Dans le profileur, nous peut jouer autour avec le production paramètres et voir comment le modèle est attendant Réponse 1 et Réponse 2 à changement. Ce est déjà a super outil pour le scientifique à comprendre comment le modèle est attendant le réponses à varier, mais nous peut faire plus. Nous peut cliquez sur optimisation et désirabilité et désirabilité fonctions.
Depuis depuis glisser un, nous savoir que nous avoir deux cibles que nous vouloir à atteindre, nous peut changement le désirabilité fonction à correspondre ceux cibles. Donc nous double cliquez sur le Désirabilité fonction et nous dire correspondre cible et sélectionner le cible zone que nous vouloir à atteindre. Enfin, nous peut cliquez encore sur optimisation et désirabilité et dire maximiser désirabilité.
Ici, le profileur volonté essayer à atteindre le optimal points pour le production paramètres. À résumer, nous peut dire que maintenant nous avoir le d'abord modèle, nous aller depuis production paramètres à réponses et nous avoir ensemble deux cibles que nous vouloir à atteindre. Ce chemin nous peut obtenir idéal production paramètres que nous peut communiquer à le développement équipe et ils peut utiliser à se déplacer sur dans leur recherche.
Dans le deuxième partie de le présentation, Je suis en allant à parler à propos comment nous utiliser le ET Spectres. Ici nous avoir a déposer pour chaque spectre et donc nous besoin à cliquez sur déposer et importer multiple fichiers. Alors nous besoin à spécifier que nous vouloir le déposer nom à être de colonne dans le données ensemble et alors nous peut utiliser ce échantillon nom, lequel est le nom de le déposer comme un IDENTIFIANT à connecter il à le autre tableau où nous avoir tous le données. Nous cliquez sur le colonne et dire lien référence.
Maintenant que le deux tables sont connecté, nous peut cliquez Analyser et spécialiser modélisation et fonctionnel données explorateur. Dans le Fonctionnel Données Explorateur, nous vouloir à utiliser le intensité valeur comme le Y sortir. Nous peut utiliser le échantillon nom, matrice nom comme notre IDENTIFIANT fonction.
Alors ce est très important. Nous utiliser le production paramètres comme supplémentaire données. Et le poids nombre est, de cours, le X- axe. Et nous dire, "D'accord, ici nous peut voir que le données est déjà faire le ménage." Nous avons importé tous le Spectres et le données apparence faire le ménage parce que J'ai fait le prétraitement dehors de JMP. I utilisé Python parce que Je suis plus familier avec que et là est a très bon module que est capable à retirer le arrière-plan et réduire le gamme que nous vouloir à regarder à.
JMP était bien à travail avec comme un supplémentaire outil après ce retraitement. Alors nous décider à cliquez sur modèles et ondelettes. Nous se déplacer depuis discret données à continu données. Maintenant nous peut aussi regarder à le diagnostique parcelles. Ce est pour toi, Chris, à prendre la parole à propos de.
C'est a bien idée à regarder à réel par prédit parcelles comme toi procéder à travers a fonctionnel données analyse. Ces avoir le réel observé valeurs dans le données sur le Y axe et le prédit valeurs sur le X axe. Nous vouloir le prédit valeurs à être comme fermer à le réel valeurs comme possible. A parcelle comme ce un que est serré le long de le 45 degré doubler indique que nous avoir a bien modèle.
Maintenant, quelques de toi peut être concerné à propos sur-apprentissage depuis le prédictions ajuster le données donc Bien. Dans mon expérience, I n'ont pas trouvé que à être a problème dans le base fonction convenable et fonctionnel principal composant mesures de fonctionnel Biche analyse. Identifiant aussi comme à indiquer dehors que dans JMP 17, nous avons ajouté a parcelle de nouveau caractéristiques pour spectral prétraitement comme standard normale variante, multiplicatif dispersion correction, et Filtres Savitzky-Golay . Ceux de toi que ne le faites pas savoir Python avoir accéder à ces capacités dans JMP Pro 17.
Après que, nous peut aussi avoir a regarder à le Fonctionnel PCA analyse. Ici, Bien dépenser quelques plus mots sur il.
Après le ondelette modèle est ajuster, JMP Pro automatiquement fait a fonctionnel principal composants analyse de le ondelette modèle. Ce se décompose le spectres dans un dans l'ensemble signifier spectres et a linéaire combinaison de forme composants et coefficients que sont unique à chaque échantillon spectres. Quand nous faire le fonctionnel Biche analyse, GenReg automatiquement convient modèles à ces coefficients derrière le scènes et combine le résultant modèle avec le signifier fonction et le forme composants à prédire le forme de le spectres à nouveau valeurs de le saisir paramètres.
Si nous regarder à le principal composant analyse, nous peut voir que le ondelette modèle a créé a signifier fonction de tous le spectres que nous avons ensemble comme saisir, et alors il a créé différent forme fonctions. Nous décidé à arrêt à six. Quoi ce forme fonction décrit est le variation de le données que nous sont analyser.
Comme toi peut voir depuis le gauche, le d'abord forme fonction est comptabilité pour 72 % de le variation, alors que le deuxième est comptabilité pour 22 %. Ensemble, le compte appelé six compte pour 99,5 % de le variation. Comme un exemple, nous peut regarder à principal composant 2, et nous peut voir que autour 3 737, là est a réduction. Là est a moins. Que moyens que croissant le principal composant 2 volontés diminuer le culminer à 3 737.
Ce est juste un exemple à dire que déjà depuis ces six forme fonctions, nous peut obtenir a parcelle de information. Si nous avoir sujet matière connaissance, à propos le infrarouge spectroscopie et ce catalyseur système. Déjà ici, nous dépensé assez a parcelle de temps regarder à le principal composants, mais ce est pas quoi nous sont en allant à se concentrer sur dans le suivant diapositives.
Quoi nous vouloir à regarder à plutôt est le fonctionnel Biche analyse. Ici nous avoir comme Bien a profileur, mais nous peut maintenant prise le production paramètres que nous a obtenu depuis le d'abord modèle que nous développé. Donc, connaissance le cible production paramètres que nous vouloir à utiliser, nous peut générer a faux spectre ou un synthétique spectre, nous peut appel il. Ce est a spectre de a échantillon que était jamais produit. Il pourrait être faux, mais il peut donner quelques idées à le scientifiques à propos quoi toi serait attendre à obtenir depuis ces nouveau production paramètres.
À somme en haut, nous peut dire que maintenant nous se déplacer depuis production paramètres à infrarouge spectre. Nous avoir a deuxième modèle que utilisations le ondelette modèle à générer synthétique spectre. I imaginer ce à être comme quand tu es pâtisserie a gâteau, maintenant toi avoir le recette mais toi a obtenu aussi a instantané image de le final gâteau. Il n'a pas expliquer toi comment à faire il mais il ajoute information à propos quoi toi vouloir à atteindre.
Enfin, nous peut se déplacer depuis modèle à test. Que moyens que nous peut donner le R&D équipe a nouveau recette et aussi le synthétique spectre de cette recette. Ensemble avec ce information, ils peut essayer à développer le nouveau catalyseur et voir si le modèle est validé ou est faux.
Un autre chose le groupe peut faire est regarder dos à le précédent échantillons. Maintenant nous avoir moitié de le échantillons que étaient pas testé. Ceux sont le noir points dans le glisser. Nous peut regarder pour valeurs aberrantes. Est là a échantillon que pourrait effectuer vraiment bien que nous n'ont pas regardé à? Nous en fait avoir un. Donc c'est un autre test nous peut faire.
Regarder à avenir travail, I ajouté ce glisser que était à le début juste à dire que nous concentré sur le production paramètres et le ET spectres, mais nous n'ont pas vraiment regardé à ces 21 plus colonnes de caractérisation données.
Dans le avenir, nous pourrait dépenser quelques temps en essayant à identifier le la plupart prédictif paramètres dans ces 21 colonnes et créer peut être a nouveau modèle depuis ce caractérisation données à le réponse et utiliser ce modèle comme a dépistage modèle à éviter essai échantillons que serait pas effectuer comme bien. C'est le fin de le présentation.
