欢迎各位莅临，感谢您对我们今天演讲的关注。我叫张文迪，今天将与我的同事比尔·沃利共同为大家带来演讲。我们都服务于那些致力于提升能源部（DOE）在各自组织中影响力的客户。这个话题对我们来说意义非凡。
你们当中许多人都是科学家和工程师，在各自的机构中开展设计实验以进行创新。或者，你们的同事可能也在机构中从事这项工作。这些经过统计设计的实验，通常被称为DOE（实验设计），是宝贵的学习资源。我们开展DOE的目的正是为了了解新的系统或流程，并利用这些知识进行改进和创新。我们如何确保与合作者和利益相关者共享这些宝贵的DOE，从而使整个机构能够从中获得最大收益？我们的合作者需要能够轻松便捷地访问、互动、提供反馈并使用这些实验做出决策。在今天的会议中，我们将重点讨论如何利用JMP Live共享、使用和协作DOE，从而扩大我们作为科学家和工程师的影响力。
JMP Live 是 JMP 的补充工具，可实现企业范围内的协作和知识共享。我们将分享两个案例，这两个案例都基于使用 JMP Live 扩展 DOE 协作的组织。这两个案例将以一家虚构的公司——Aquapure——为例进行描述。Aquapure 是一家化工公司，其工业业务部门为其他公司生产原材料，其消费品业务部门则生产消费品。第一个案例讲述了 Aquapure 工业业务部门的产品开发和工艺工程师如何利用 JMP Live 进行协作。产品开发部门负责开发新产品的工艺流程并改进现有产品。他们使用 DOE 来识别重要的工艺变量，并了解这些变量如何协同作用以实现特定的产品特性。当他们确定了生产高质量产品所需的工艺因素和范围后，他们会将这些知识传递给工艺工程部门，由后者在试验阶段建立工艺流程，以进行中试规模的产品生产。让我们更深入地了解一下 Aquapure 的产品开发和工艺工程团队如何协作，将一种新型溶剂 PureSolv 推向市场。
PureSolv 的产品开发负责人使用 JMP 软件进行了多次实验设计 (DOE)，以开发 PureSolv 的最终中试工艺。如果您不熟悉立方体图，它们通常用于表示各种类型的实验设计。立方体代表正在评估的工艺基础，点代表实验运行。开发新工艺时，通常会进行多次实验。第一个实验是筛选实验，旨在识别关键因素。之后，可以扩展该实验，研究各因素之间的相互作用，最终实验则专注于优化工艺空间，以获得最佳性能。Aquapure 产品开发工程师的最终实验设计 (DOE) 专注于优化工艺变量，以实现始终高于 90% 的收率。产品开发团队利用此实验设计 (DOE) 确定了体积、时间、温度和催化剂的设定点和范围，从而使 PureSolv 批次的收率始终高于 90%。让我们仔细看看产品开发工程师是如何实现这一目标的。
谢谢温迪，我现在要共享屏幕了。大家都能看到我的屏幕吗？
是的。
正如Wendy所说，我们完成了优化，或者说优化DOE已经完成。接下来，我们想进行下一步，于是开发了一个最小二乘模型，该模型看起来很有希望生产出收率超过90%的批次。我们打开了一个预测分析器，以证明该工艺可能符合预期，但我们需要进行一些假设情景分析，以了解最佳工艺可能是什么样子。首先，我们需要检查一些事项，首先想使用预测分析器中的外推控制功能。我们很快发现，在较低的原料用量和催化剂组合下，我们的DOE运行次数可能不够，无法确定在这些设置下收率会如何变化。这是产品开发部门希望在工艺成熟后进行研究的问题。我们运行了优化步骤，一切看起来都很顺利，但生产工程师表示，由于工艺变异性，几乎不可能运行优化中预测的精确设置。
他们询问是否有办法在设置上留出一些余地，以确保安全并实现更稳健的流程。为此，我们决定尝试预测分析器中的一项名为“设计空间分析器”的新工具，以验证他们的担忧。我们首先发现，如果使用原始实验设计 (DOE) 的输入范围，则流程的合格率仅为 6.3% 左右。我们希望确保每个人都了解这一点，因此我们与工艺工程师进行了沟通。我们将尽最大努力与他们分享信息。设计空间分析器的下一步功能是，它允许我们使用包含 10,000 个模拟点的蒙特卡罗模拟来调整实验设计的范围，从而使工艺工程师能够以高达 99% 的置信度获得合格批次。
这样一来，我们就能获得每次生产运行合格率达到 90% 或更高的工艺设置。您可以看到，我们最初的规格下限是 90%，然后通过调整设计空间分析器或修改设置，我们能够将这个值提高到大约 99%，从而确保每次都能获得合格批次。现在我来快速演示一下。我先退出这个窗口，然后最小化窗口，再把数据表拖过来。这是设计实验的数据。我们利用这些数据几乎完成了所有需要的操作，并根据需要将其传达给工艺工程师。我想建立一个模型，我们这里使用的是标准最小二乘法。我们已经设置好了所有因素，现在要运行模型，而且我们得到了一个相当不错的设置。我快速清理一下，以便我们更好地进行操作。
我把它去掉。可能再去掉几个，然后就应该可以了。我们的模型、预测分析器和期望值都设置好了。我们把这个拉低一点，这样看得更清楚些。首先，我们要检查一下外推控制。它在预测分析器里。这是 JMP Pro 的工具，但我们觉得应该让你们了解一下它的功能。它对交互分析器很重要。这部分我负责。好了，交互外推控制。我们先打开警告，看看哪些地方可能有点问题。看看我们的体积，把它拉低一点，温度也拉低一点。然后我们就能看出有些地方不太对劲，催化剂也是如此，如果我们把它降到 5 左右。
当然，它不起作用。好了，它显示的是外推结果。我们在较低层级得到了可能的外推结果。这是我们接下来需要调查的内容。我们把它关掉。回到预测分析器，启用设计空间分析器。如果我们手动操作或者让 JMP 自动完成，这可能会有点耗时。我将向您展示一些可以启用的功能，我们将创建一个随机表并连接它。我们将使用 10,000 个点，并嵌入因子空间散点图。现在我们可以看到……我们不需要这个表格。当然，这会很麻烦。好了。抱歉。我们搞定了。现在我们要试试这些工具。我们有 10,000 个点的空间。
我们想看看如何才能让 InSpec 部分达到我们非常有信心至少 99% 的情况下都能获得 90% 或更高的收益率。我们来稍微调整一下。微调一下。如果我们真的想的话，我们其实可以直接输入我们知道有效的值。我们只是来演示一下。正如你所看到的，散点图和因子空间中的空间越来越小。随着我们进一步调整，你可以看到情况越来越好。我们已经达到了 58%，接近 59%。我们可以再调整一下，以便更深入地了解。我们来试试。我们把催化剂稍微往外移一点。我们已经达到了 86%，也许还能再高一点。我们最终将收益率提高到了 95% 甚至更高，99%。
我们看看能不能再提高一点，达到我承诺的 99% 的值。不行，方向错了。好了，我们快到了。现在我们得到了这些值，比之前精确多了。这些值就是我们要调整的，或者说，我们会通过 JMP Live 与工程师分享的值。接下来，我把话筒交还给 Wendy。
太好了。让我来抢一下屏幕。比尔的演示展示了产品开发工程师如何使用 JMP 来推导工艺范围。这项工作完成后，产品开发负责人可以直接从 JMP 将这些结果分享到 JMP Live 中的工艺工程师。除了分享具体的工艺参数和推荐范围外，他们还以交互式输出的形式向工艺工程师提供了 DOE 的结果。您在 JMP 预测分析器中看到的交互式输出也同样会分享给工艺工程师，他们可以通过浏览器访问此交互式输出和 JMP Live。
在 Aquapure 尚未启用 JMP Live 之前，工艺工程师只能通过电子邮件和 PowerPoint 接收有限的静态信息。现在，让我们进入 JMP Live，深入了解工艺工程师如何利用交互式 DOE 结果进行数据驱动决策。我们使用网络浏览器访问 Aquapure 的 JMP Live 门户。接下来，我们将查看其工业业务部门文件夹中 PureSolv 专用文件夹内的 DOE 文件。所有参与 PureSolv 项目的工程师都拥有此文件夹的访问权限。
让我们像工艺工程师那样，来看看最终的良率优化实验设计 (DOE)。设计空间分析器展示了工艺范围的确定方式，并有助于增强对这些范围的信心。例如，通过查看设计空间分析器，我们可以了解为什么建议的体积范围在 2.5 到 5.2 之间。下图专门展示了体积的图表，我们可以看到垂直虚线代表了建议的 2.5-5.2 范围。我们可以看到，在这个范围内，InSpec 的百分比最高。在这种情况下，InSpec 实际上体现了产品良率始终高于 90% 的目标。向上滚动查看预测分析器。预测分析器使工艺工程师能够探索由实验设计 (DOE) 绘制的工艺空间。对于那些不熟悉预测分析器的人来说，它是一种模型表示。您有机会看到 Bill 使用拟合模型和标准最小二乘法构建了这个模型。在这种情况下，该模型表示了 DOE 的结果，即体积、时间、温度和催化剂如何与产量相关。
这使得工艺工程师能够向实验设计（DOE）提出问题，并了解更改工艺变量所带来的权衡取舍。让我们来看看性能分析器，看看能从中了解到什么。例如，从斜率可以看出，温度和催化剂的变化比体积和时间的变化要陡峭得多。这意味着与体积和时间相比，收率对温度和催化剂的变化非常敏感。我们不仅可以从斜率上看出这一点，还可以通过鼠标移动来改变温度值，并观察其如何影响预测的收率值。现在，让我们像工艺工程师一样，使用性能分析器来解决遇到的两个具体挑战。第一个挑战出现在中试生产 PureSolv 的初始工艺设置阶段。工艺工程师希望将起始体积从推荐的上限 5.2 提高，以便在单次运行中生产更多产品。现在，我正在使用性能分析器移动滑块来改变体积值。
他们发现，即使将催化剂用量提高到 6 左右（高于推荐的 5.5），收率仍能保持在 90% 以上。第二个挑战出现在工艺工程部门即将把工艺移交给生产部门时。由于工艺中使用的催化剂价格大幅上涨，领导层要求工艺工程部门尝试在不显著影响收率的情况下减少反应中催化剂的用量。他们再次利用性能分析仪，降低了催化剂的用量，并预测了收率的变化。结果表明，即使将催化剂用量降低到低于推荐值 8.5，同时提高反应温度，也能保持接近 90% 的收率。
让我们总结一下工艺工程师如何在 JMP Live 中利用 DOE 结果。借助设计空间分析器，他们可以看到工艺输入范围是如何确定的，该分析器将工艺范围与规格百分比关联起来。他们还可以了解产量对产量增量变化的敏感性，并自信地独立进行调整。
他们还可以迅速做出基于数据的决策，降低催化剂用量，因为他们可以看到催化剂用量每单位变化对产量的影响，以及催化剂对温度的依赖性。在公司采用 JMP Live 之前，考虑替代方案和进行更改的过程十分缓慢，因为工艺工程师无法查看 DOE 结果中超出他们所获范围的部分。他们想要进行的任何调整都必须主要依靠与产品开发部门的电子邮件沟通，因此，工艺工程师缺乏决策权。让我们回到 JMP Live，看看这两个团队是如何在 JMP Live 中进行沟通的。我们回到 JMP Live，查看最终的优化 DOE。如果我们点击这些注释，就可以看到在试点工艺设置期间产品开发和工艺工程部门之间的对话。
您可以提及您的合作者，他们会收到电子邮件通知，告知您有人提出了问题。让我们回顾一下第一个故事。
在第一个案例中，产品开发工程师在 JMP Live 中与工艺工程师互动，共同分享了 DOE 结果。工艺工程师深入研究了 DOE，并能够高效地做出决策，因为他们可以独立进行假设分析并理解各种权衡取舍。产品开发工程师和工艺工程师在 JMP Live 中协作，所有团队成员都能清晰地了解他们的工作进展。第二个案例来自 Aquapure 消费品业务的研发配方师。研发配方师利用 DOE 开发新产品并改进现有产品配方，而 JMP Live 则将这些 DOE 转化为知识来源和协作平台。要了解第二个案例，请点击二维码链接观看点播网络研讨会。本次演讲到此结束。
