Ciao, Io sono Chris Gotwalt con JMP, E Mio co- presentatore, Giuseppe Di Martino da Topsoe , E I Sono dare a presentazione Quello racconta IL storia Di a dati analisi progetto Quello vetrine IL nuovo wavelet analisi In IL Funzionale Dati Esploratore, uno Di IL maggior parte emozionante nuovo capacità In JMP 17.
IL caso studio inizia con a prodotto formulazione problema Dove Top Sei ricercato A progetto a catalizzatore Quello ottimizza due risposte, Ma IL risposte Sono In conflitto con uno un altro In Quello migliorare uno risposta Spesso viene A IL spese Di IL altro.
A candidato per IL ottimale scambio era trovato con modelli adatto di IL generalizzato regressione piattaforma, E IL ottimale fattore impostazioni erano trovato usando IL desiderabilità funzioni In IL profiler. Questo era a abbastanza standard Dipartimento dell'Energia analisi. Ma In aggiunta A IL misurato risposte, NIR spettri erano preso da Alcuni, Ma non Tutto Di IL campione lotti. Questo È informazioni Quello Potere Essere usato A Dare a traccia A IL Ricerca e sviluppo squadra Di Che cosa IL chimico struttura Di IL ideale formulazione Dovrebbe Aspetto Piace.
In aggiunta A IL GenReg modello Di IL risposte, Noi Anche usato wavelet modelli COME IL base funzione Di a funzionale Dipartimento dell'Energia analisi Di IL spettri usando IL Dipartimento dell'Energia fattori COME input. Noi erano Poi capace A Ottenere a sintetico spettri Di IL ottimale formulazione di tappare In IL ottimale fattore impostazioni trovato In IL iniziale analisi Di IL due critico risposte.
Prima andando in IL presentazione, I Volere A punto fuori Quello A IL inizio Di IL progetto, Giuseppe era molto nuovo A JMP E non l'ho fatto Avere a sfondo In Questo tipo Di statistico analisi. Giuseppe imparato Tutto Lui necessario A Fare IL analisi SU il suo Proprio Dopo a coppia Di rete riunioni con Me.
Questo ovviamente spettacoli lui è a Intelligente tipo, Ma Anche Quello JMP fa apprendimento Come A Fare Alcuni molto sofisticato dati analisi progetti presto E facile. Ora Io sono andando A mano IL spettacolo Sopra A Giuseppe.
Grazie Voi, Cristo. Qui È Alcuni sfondo Di Nostro progetto. Suo a catalizzatore sviluppo progetto. Perciò, Noi Sono in via di sviluppo molti diverso ricette. Ogni ricetta ha a unico impostato Di produzione parametri, E una volta IL campione È preparato, Noi caratterizzare Esso In Nostro analisi laboratorio In Topsoe. E Finalmente, Noi Fare a prestazione test.
Durante IL prestazione test, Noi Aspetto per due valori Quello Qui Noi chiamata Risposta 1 E Risposta 2. In Questo specifico caso, Noi Sono provando A minimizzare risposta 1 mentre massimizzando risposta 2. Quello Volere Guida noi A Questo ideale spazio In IL superiore Sinistra angolo Di IL grafico. Ma COME Voi Potere Vedere, IL 55 campioni Quello noi abbiamo testato Ottenere incollato In IL mezzo Di IL grafico. Quello È Perché Risposta 1 E Risposta 2 Sono inter- correlato, Senso Quello migliorare uno viene con IL spese Di IL altro.
Perciò, Noi mossa A JMP, E Noi Tentativo A Aspetto A Nostro risposta dati E Nostro caratterizzazione dati, Tentativo A Vedere Se Noi Potere mossa lontano da Questo linea In IL mezzo Di IL grafico. Noi identificato due obiettivi aree Quello Noi Volere A portata, E insieme con Chris, Noi Pensiero Di usando JMP A creare a modello Quello volevo collegare IL produzione parametri A IL risposta valori. T gallina Noi ulteriore guardato in Nostro infrarossi spettroscopia dati A Tentativo A convalidare Nostro modello E A Ottenere Alcuni extra informazioni Di IL bersaglio campioni.
Qui È UN panoramica Di IL dati impostato. Noi Avere prodotto 112 campioni. Ogni campione ha a unico impostato Di produzione parametri. Noi Avere analizzato Tutto IL campioni usando infrarossi spettroscopia. Noi Avere uno spettro per ogni campione.
Poi Noi Avere usato molti altro caratterizzazione tecniche Quello Noi Avere In- casa Quello conti per 21 Di più colonne Di dati. Finalmente, Noi Avere testato metà Di IL campioni E Quello conti per IL scorso due colonne Quello Noi chiamato risposta.
A IL inizio Di Nostro progetto, Noi In realtà ricercato A includere IL infrarossi spettroscopico dati In Nostro più grande dati impostato, E quello è Perché Noi ricercato A utilizzo JMP, Perché Ora Noi Avere Questo nuovo wavelet modello possibilità. E Quello volevo abilitare noi A includere IL principale componenti in arrivo da IL wavelet modello In Nostro dati impostato. E Noi Potevo utilizzo Quello A creare modelli In JMP. Ma Prima Noi inizio Nostro analisi, Noi Bisogno A Avere a Aspetto A IL Professionista dati A Trovare valori anomali. Noi Fare Quello di cliccando Analizzare E IL Multivariato Metodi, Multivariato.
H Anche Noi Potere selezionare Nostro produzione parametri E caratterizzazione dati COME Y colonne, E Noi Ottenere Questo diagramma di dispersione matrice. Questo È UN esempio Di Appena guardare A IL produzione parametri A Che cosa Noi volevo identificare COME UN valore anomalo. Noi Potere Vedere Quello Là È a impostato Di punti In produzione parametri pure Quello È lontano lontano per Tutto IL altro punti. Inoltre, Noi Avere sfondo conoscenza Di questi campioni Quello Noi Sapere non lo farei Essere ottimale per Nostro catalizzatore sviluppo, COSÌ Noi deciso A Giusto clic E Dire "Riga, nascondere E escludere."
Noi fatto Questo Anche con altro punti guardare A IL diagramma di dispersione metrica Di Tutto IL caratterizzazione dati. Ora Quello Noi Avere pulito su IL dati, Noi Potere adatto a modello. Noi clic Analizzare E Adatto Modello, E Noi selezionare IL produzione parametri COME variabili In Nostro modello. Noi clic Macro E risposta superficie A creare a secondo polinomio combinazione Di questi variabili. Poi Noi selezionare Nostro risposte COME Y valori.
Poi Noi deciso A utilizzo generalizzato regressione. H Anche Chris Potere aggiungere Alcuni Di più informazioni Di Perché Noi deciso A utilizzo Questo specifico tipo Di modello.
Noi usato a quadratico risposta superficie modello Perché IL progetto avevo tre O Di più livelli per ogni fattore, COSÌ I sapevo Quello Noi volevo Essere capace A adatto curvatura termini Se necessario E Anche Essere capace A adatto abbastanza a varietà Di diverso interazione termini. Noi utilizzo IL generalizzato regressione piattaforma Perché Esso fa modello selezione con non Gaussiana distribuzioni Piace IL tronco d'albero normale. In Mio opinione, Là non sono molti motivi non A utilizzo IL generalizzato regressione piattaforma Se Voi Avere JMP Professionista Perché Esso È COSÌ facile A utilizzo Mentre In molti modi essendo COSÌ tanto Di più potente per Dipartimento dell'Energia analisi di IL altro opzioni In JMP E JMP Professionista
Dopo Quello, Noi Potere selezionare Nostro distribuzione. Noi Sapere Quello IL risposte Sono andando A Essere rigorosamente positivo, COSÌ Noi selezionare IL tronco d'albero normale distribuzione E Poi Noi clic Correre, E Noi Dire NO.
In Questo diapositiva, Noi Potere Vedere Quello Noi Avere Ora creato a modello, Ma Noi Avere Anche IL possibilità Di creazione altro tipo Di modelli usando diverso stima metodi. Noi deciso A utilizzo migliore sottoinsieme. Qui, Chris Potere aggiungere Alcuni Di più parole Di Esso.
BENE, COSÌ Qui Noi utilizzo migliore sottoinsieme selezione Perché IL pieno modello non è terribilmente grande, COSÌ Perché non Tentativo ogni possibile sottoinsieme Di Quello pieno modello E Trovare IL uno Quello fornisce IL assoluto migliore scambio fra precisione E modello semplicità?
SU IL altro mano, avevo Là stato otto O Di più fattori, I volevo Avere usato a Più veloce algoritmo Piace inoltrare selezione O potato inoltrare selezione Perché con più grande base modelli, Esso volevo Prendere a molto lungo tempo A adatto ogni possibile sottomodello A IL dati. Erano andando A Essere usando IL AICc modello selezione criteri A confrontare GenReg modelli.
IL AICc consente Voi A confrontare modelli con diverso effetti In loro COME BENE COME diverso risposta distribuzioni. Con IL AICc, più piccolo valori Sono Meglio E IL regola Di pollice I utilizzo È Quello Se a modello ha UN AICc valore Quello È entro 4 Di IL il più piccolo AICc valore visto, Poi quelli due modelli Sono praticamente identico In qualità Di adatto.
Se IL due modelli Avere AICc valori entro 10 Di ogni altro, Poi Essi Sono statisticamente simile A uno un altro. IL principale punto Qui essendo Quello Se Noi Avere due modelli E loro AICc differire di Di più di 10, Poi IL dati Sono bello fortemente suggerendo Quello IL uno con IL più piccolo AICc È IL Meglio modello A Essere lavorando con.
COME con Qualunque individuale statistica, Voi Dovrebbe visualizzazione IL A ICc COME a suggerimento. Se tuo soggetto questione esperienza fortemente suggerisce uno modello Sopra IL altro, Voi Maggio Volere A Fiducia tuo istinti E ignorare IL raccomandazione Di IL A Icc.
Una volta Noi Avere creato Questo nuovo modello, Noi Potere Vedere Quello IL non- zero parametri Avere Ora caduto da 16 A nove. Se Noi Volere A confrontare, Se IL modello ha migliorato, Noi Potere Aspetto A IL A ICc valori. Noi Potere Vedere Quello Là È UN miglioramento Di Di più di 10, Quale È UN importante differenza. Perciò, Noi deciso A andare con IL migliore sottoinsieme.
Noi fatto IL Stesso per Risposta 2, E Poi Noi mosso SU. Ora Noi Potere clic SU IL rosso freccia E Dire profiler. In IL profilatore, Noi Potere giocare in giro con IL produzione parametri E Vedere Come IL modello È in attesa Risposta 1 E Risposta 2 A modifica. Questo È Già a Grande attrezzo per IL scienziato A capire Come IL modello È in attesa IL risposte A variare, Ma Noi Potere Fare Di più. Noi Potere clic SU ottimizzazione E desiderabilità E desiderabilità funzioni.
Da da diapositiva uno, Noi Sapere Quello Noi Avere due obiettivi Quello Noi Volere A portata, Noi Potere modifica IL desiderabilità funzione A incontro quelli obiettivi. COSÌ Noi raddoppiare clic SU IL Desiderabilità funzione e Noi Dire incontro bersaglio E selezionare IL bersaglio zona Quello Noi Volere A portata. Finalmente, Noi Potere clic Ancora SU ottimizzazione E desiderabilità E Dire massimizzare desiderabilità.
Qui, IL profiler Volere Tentativo A portata IL ottimale punti per IL produzione parametri. A riassumere, Noi Potere Dire Quello Ora Noi Avere IL Primo modello, Noi andare da produzione parametri A risposte E Noi Avere impostato due obiettivi Quello Noi Volere A portata. Questo modo Noi Potere Ottenere ideale produzione parametri Quello Noi Potere comunicare A IL sviluppo squadra E Essi Potere utilizzo A mossa SU In loro ricerca.
In IL secondo parte Di IL presentazione, Io sono andando A parlare Di Come Noi utilizzo IL E Spettri. Qui Noi Avere a file per ogni spettro E Perciò Noi Bisogno A clic SU file E importare multiplo file. Poi Noi Bisogno A specificare Quello Noi Volere IL file nome A Essere colonnare In IL dati impostato E Poi Noi Potere utilizzo Questo campione nome, Quale È IL nome Di IL file COME UN ID A collegare Esso A IL altro tavolo Dove Noi Avere Tutto IL dati. Noi clic SU IL colonna E Dire collegamento riferimento.
Ora Quello IL due tavoli Sono collegato, Noi Potere clic Analizzare E specializzarsi modellazione e funzionale dati esploratore. In IL Funzionale Dati Esploratore, Noi Volere A utilizzo IL intensità valore COME IL Y produzione. Noi Potere utilizzo IL campione nome, matrice nome COME Nostro ID funzione.
Poi Questo È molto importante. Noi utilizzo IL produzione parametri COME supplementare dati. E IL peso numero È, Di corso, IL X- asse. E Noi Dire, "Va bene, Qui Noi Potere Vedere Quello IL dati È Già pulito." Noi abbiamo importato Tutto IL Spettri E IL dati sembra pulito Perché Io ho Fatto IL pre-elaborazione al di fuori Di JMP. I usato Pitone Perché Io sono Di più familiare con Quello E Là È a molto Carino modulo Quello È capace A rimuovere IL sfondo E ridurre IL allineare Quello Noi Volere A Aspetto A.
JMP era Bene A lavoro con COME UN extra attrezzo Dopo Questo rielaborazione. Poi Noi decidere A clic SU modelli E piccole onde. Noi mossa da discreto dati A continuo dati. Ora Noi Potere Anche Aspetto A IL diagnostic trame. Questo È per Voi, Chris, A parlare Di.
Suo a Bene idea A Aspetto A attuale di previsto trame COME Voi procedere Attraverso a funzionale dati analisi. Questi Avere IL attuale osservato valori In IL dati SU IL Y asse E IL previsto valori SU IL X asse. Noi Volere IL previsto valori A Essere COME vicino A IL attuale valori COME possibile. A complotto Piace Questo uno Quello È stretto lungo IL 45 grado linea indica Quello Noi Avere a Bene modello.
Ora, Alcuni Di Voi Maggio Essere interessato Di sovradimensionato Da IL previsioni adatto IL dati COSÌ BENE. In Mio esperienza, I non ho trovato Quello A Essere a problema In IL base funzione montaggio E funzionale principale componente passi Di funzionale Dipartimento dell'Energia analisi. Id Anche Piace A punto fuori Quello In JMP 17, noi abbiamo aggiunto a quantità Di nuovo caratteristiche per spettrale pre-elaborazione Piace standard normale variante, moltiplicativo spargere correzione, E Filtri di Savitzky-Golay . Quelli Di Voi Quello non Sapere Pitone Avere accesso A questi capacità In JMP Professionista 17.
Dopo Quello, Noi Potere Anche Avere a Aspetto A IL Funzionale PCA analisi. Qui, BENE trascorrere Alcuni Di più parole SU Esso.
Dopo IL wavelet modello È adatto, JMP Professionista automaticamente fa a funzionale principale componenti analisi Di IL wavelet modello. Questo si decompone IL spettri in UN complessivamente Significare spettri e a lineare combinazione Di forma componenti E coefficienti Quello Sono unico A ogni campione spettri. Quando Noi Fare IL funzionale Dipartimento dell'Energia analisi, GenReg automaticamente si adatta modelli A questi coefficienti dietro IL scene E combina IL risultante modello con IL Significare funzione E IL forma componenti A predire IL forma Di IL spettri A nuovo valori Di IL ingresso parametri.
Se Noi Aspetto A IL principale componente analisi, Noi Potere Vedere Quello IL wavelet modello ha creato a Significare funzione Di Tutto IL spettri Quello noi abbiamo impostato COME ingresso, E Poi Esso ha creato diverso forma funzioni. Noi deciso A fermare A sei. Che cosa Questo forma funzione descritto È IL variazione Di IL dati Quello Noi Sono analizzare.
COME Voi Potere Vedere da IL Sinistra, IL Primo forma funzione È contabilità per 72 % Di IL variazione, Mentre IL secondo È contabilità per 22 %. Insieme, IL account chiamato sei account per 99,5 % Di IL variazione. COME UN esempio, Noi Potere Aspetto A principale componente 2, E Noi Potere Vedere Quello in giro 3.737, Là È a riduzione. Là È a meno. Quello significa Quello crescente IL principale componente 2 volontà diminuire IL picco A 3.737.
Questo È Appena UN esempio A Dire Quello Già da questi sei forma funzioni, Noi Potere Ottenere a quantità Di informazioni. Se Noi Avere soggetto questione conoscenza, Di IL infrarossi spettroscopia E Questo catalizzatore sistema. Già Qui, Noi speso abbastanza a quantità Di tempo guardare A IL principale componenti, Ma Questo È non Che cosa Noi Sono andando A messa a fuoco SU In IL Prossimo diapositive.
Che cosa Noi Volere A Aspetto A Invece È IL funzionale Dipartimento dell'Energia analisi. Qui Noi Avere COME BENE a profilatore, Ma Noi Potere Ora tappo IL produzione parametri Quello Noi avuto da IL Primo modello Quello Noi sviluppato. Perciò, sapendo IL bersaglio produzione parametri Quello Noi Volere A utilizzo, Noi Potere generare a impostore spettro O un sintetico spettro, Noi Potere chiamata Esso. Questo È a spettro Di a campione Quello era Mai prodotto. Esso Potevo Essere sbagliato, Ma Esso Potere Dare Alcuni idee A IL scienziati Di Che cosa Voi volevo aspettarsi A Ottenere da questi nuovo produzione parametri.
A somma su, Noi Potere Dire Quello Ora Noi mossa da produzione parametri A infrarossi spettro. Noi Avere a secondo modello Quello usi IL wavelet modello A generare sintetico spettro. I immaginare Questo A Essere Piace Quando tu sei cottura al forno a torta, Ora Voi Avere IL ricetta Ma Voi avuto Anche a istantanea immagine Di IL finale torta. Esso non lo fa spiegare Voi Come A Fare Esso Ma Esso aggiunge informazioni Di Che cosa Voi Volere A raggiungere.
Finalmente, Noi Potere mossa da modello A test. Quello significa Quello Noi Potere Dare IL Ricerca e sviluppo squadra a nuovo ricetta E Anche IL sintetico spettro Di quella ricetta. Insieme con Questo informazioni, Essi Potere Tentativo A sviluppare IL nuovo catalizzatore E Vedere Se IL modello È convalidato O È sbagliato.
Un altro cosa IL gruppo Potere Fare È Aspetto Indietro A IL precedente campioni. Ora Noi Avere metà Di IL campioni Quello erano non testato. Quelli Sono IL nero puntini In IL diapositiva. Noi Potere Aspetto per valori anomali. È Là a campione Quello Potevo eseguire Veramente Bene Quello Noi non ho guardato A? Noi In realtà Avere uno. COSÌ quello è un altro test Noi Potere Fare.
Guardare A futuro lavoro, I aggiunto Questo diapositiva Quello era A IL inizio Appena A Dire Quello Noi concentrato SU IL produzione parametri E IL E spettri, Ma Noi non ho Veramente guardato A questi 21 Di più colonne Di caratterizzazione dati.
In IL futuro, Noi Potevo trascorrere Alcuni tempo provando A identificare IL maggior parte predittivo parametri In questi 21 colonne E creare Forse a nuovo modello da Questo caratterizzazione dati A IL risposta E utilizzo Questo modello COME a screening modello A Evitare test campioni Quello volevo non eseguire COME Bene. Questo è IL FINE Di IL presentazione.
