Re：使用2種優化方法找到最佳的工藝操作條件上面的YouTube視頻鏈接似乎已損壞。這是正確的鏈接： https://www.youtube.com/watch?v=9KZ7Ns3CQzU
我去年在阿姆斯特丹也做了關於這個主題的探索性演講。以下是該錄音的鏈接：
https://community.jmp.com/t5/Discovery-Summit-Europe-2016/Robust-Optimisation-of-Processes-and-Products-by-Using-Monte/ta-p/23746
Re：使用2種優化方法找到最佳的工藝操作條件謝謝豪爾赫，我很高興你發現這些視頻很有幫助。 我的“圖像”菜單實際上並不是一個加載項，它只是一個自定義菜單，其中包含指向包含圖像或某些內容的簡單解釋的日記的鏈接。我認為我在錄製的JMP演示中使用的菜單中唯一的東西就是'最大化的可取性與 模擬實驗'卡通。我在討論區發布了這個問題以回答您的問題。如果您在菜單中看到任何其他內容並想要，請告訴我。
Re：使用2種優化方法找到最佳的工藝操作條件嗨羅伯特，我最近一直在看你的視頻並且學到了很多東西。我注意到你有一個有用的“圖像加載項”，你有一個有用的圖像庫來描繪你的想法。我想知道圖像加載項是否可供我下載？謝謝。
羅伯特安德森寫道：謝謝馬塞洛，我很高興你找到......羅伯特安德森中寫道：
謝謝馬塞洛，我很高興你覺得它很有趣。我會告訴我的女兒你喜歡她的畫。
Marcello寫道：這篇文章很有意思，很明顯......馬塞羅中寫道：
這篇文章非常有趣，清楚地說明了問題以及JMP管理它的方式。謝謝。圖紙非常有說服力！
馬塞羅。
羅伯特安德森寫道：謝謝克里斯特爾。我很高興你喜歡...羅伯特安德森中寫道：
謝謝Christel。我很高興你喜歡它。祝你未來的DoE好運
Christel Kronig寫道：非常有用和有趣的帖子... Christel Kronig 中寫道：
非常有用和有趣的帖子謝謝你。我重新創建了數據表，以便在JMP中查看。我之前沒有使用過模擬部分，但我成功地重新創建了輸出。我將把它用於未來的DOE！
回复：使用2種優化方法找到最佳過程操作條件非常感謝您提供詳細信息。
但是我發現了一個奇怪的情況。當我進行3或4次仿真實驗時，JMP建議我使用不同的因子水平，缺陷率較小。我進行的仿真實驗越多，JMP建議的缺陷率就越小。
我讀了很多書，但我不明白為什麼會這樣。我怎麼能相信JMP仿真實驗為我提供了全球最大的期望因子水平？
回复：使用2種優化方法找到最佳過程操作條件感謝Ellla，我認為可能會發生的是，當您運行模擬實驗時，默認設置為 “要試驗的因子空間的一部分” 是 0.5 。這意味著模擬實驗只能探索整個因子範圍的一半當前分析器因子設置附近。因此，這意味著您可能不會在第一次運行模擬實驗時就獲得給出最低缺陷率的因子設置，但是如果您下次再次運行它，您將再次接近給出最低缺陷率的設置。如果您更改設置 “要試驗的因子空間的一部分” 至 1個然後將進行模擬實驗全因子範圍第一次運行模擬實驗時，應該找到缺陷率最低的設置。然後，您可以使用這些因子設置和降低的值再次運行模擬實驗 “要試驗的因子空間的一部分” 如果您想嘗試更準確地估算出提供最低缺陷率的最佳設置。讓我知道是否可以解決您遇到的問題。羅伯特
回复：使用2種優化方法找到最佳過程操作條件非常感謝您的快速回報和關注。
我也懷疑防護等級會導致這種不穩定的解決方案。
我試圖通過放置部分因子空間實驗1來進行仿真以前和現在。
但是，JMP為我提供了一個更糟糕的解決方案，即與部件級別= 0.5相比，缺陷率更高。
我真的不明白為什麼它不穩定。 @馬克貝利 @羅伯特·安德森
回复：使用2種優化方法找到最佳過程操作條件嗨，埃拉，這很有趣。您正在運行模擬實驗的模型是什麼？它是具有2因子相互作用的二次多項式模型還是更複雜的東西？您可以共享數據表和模型的匿名版本嗎？我想我必須查看數據和模型，才能弄清楚問題可能出在哪裡。您可以通過以下方式給我發送電子郵件 robert.anderson@jmp.com 如果那更容易，羅伯特
回复：使用2種優化方法找到最佳過程操作條件您好Ella，還有一個問題，您的模型的R平方是多少？羅伯特
回复：使用2種優化方法找到最佳過程操作條件我嘗試優化4個模型。
自從我使用fgls以來，其中3個是在MATLAB上預測的，然後在JMP上創建了這些公式。
第四個是神經網絡。
這就是為什麼我不知道3個fgls模型的R ^ 2的原因。據我記得，神經網絡模型R ^ 2約為％40。
我的模型就是這樣（它們具有主要作用和乾擾）：
第一：
（（（（（（（（（-9511）+ 0.1 *：x1 + 0.23 *：x3 + 745 *：x4）-369 *：x6-0.8 *：x7-4.2 *（
：x1-2521）*（：x4-13））+ 2.3 *（：x1-2521）*（：x5-13.32）+ 2 *（：x2-1.36）*（
：x3-60.1））-23.8 *（：x3-60.1）*（：x6-0.82））+ 33535 *（：x4-13）*（：x5-13.32
）+ 11650 *（：x4-13）*（：x6-0.82））-6088 *（：x5-13.32）*（：x6-0.82））+ 3.9 *
（：x5-13.32）*（：x7-5.4）
第二個：
（（（（31.4 *：x2-1.4 *：x3-199 *：x4）+ 203 *：x5 + 0.3 *：x7 + 2.1 *（：x1-2521）*
（：x4-13）+ 760 *（：x2-1.36）*（：x6-0.82）+ 11 *（：x3-60）*（：x4-13）+ 0.01
*（：x3-60）*（：x7-5.5））-4.1 *（：x4-13）*（：x7-5.5））+ 5015 *（：x5-13.3）
*（：x6-0.8）
第三個：
（180-0.04 *：x1-2.3 *：x3）+ 138.4 *：x6 + 0.3 *：x7 + 2.2 *（：x1-2522）*（：x4
-13）
最後一個：
-1.78381405723789 * TanH（
0.5 *（673.879493391115 + 0.00156828939441121 *：x1 + 2.15320544406296 *：x2
+0.11296315865742 *：x3 + -73.8380042960357 *：x4 + 22.4620052527818 *：x5 +
-34.1317569124232 *：x6 + 0.00576272662208232 *：x7）
）
隨機變量：X4，x5，x6
其餘為固定變量。
我希望這些會有所幫助
回复：使用2種優化方法找到最佳過程操作條件羅伯特你好，
這是一個非常迷人的方法。感謝你的分享。我想知道是否可以使用這種方法來確定此過程的最佳過程窗口。換句話說，在確保響應在兩個規格限制之間的情況下，將導致最大正交（體積？）的輸入變量的範圍是多少？
我使用術語“正交”來表示過程參數將作為參數範圍表列出，並且過程參數的任何組合都應導致過程輸出在規格限制之內。我想最大程度地增加過程窗口的容量，以使過程參數具有最大的可變性。
問候，
大衛
回复：使用2種優化方法找到最佳過程操作條件大衛，您好，我認為，如果我正確理解您說的話，將會使“模擬實驗”達到“下一個層次”。在模擬實驗中，您必須指定每個因子設置中預期會有多少變化，或者換句話說，您可以控制每個因子設置的程度。我認為您要問的是，在每個因素設置開始對“總體缺陷率”產生實質性影響之前，每個因素設置會發生多大的變化。目前，要在JMP中執行類似的操作，您需要運行一系列“模擬實驗”，每個實驗的因素變化量不同，以查看會對“整體缺陷率”產生什麼影響。為此，您可能需要運行“空間填充” DOE，並使用高斯過程對結果進行建模。因此，我認為您實際上是在談論“模擬實驗”上的“模擬實驗”。然後，您可以基於原始“模擬實驗”中的SD（標準偏差）值為“總體缺陷率”建立模型。可能會編寫類似的腳本，但不幸的是，它可能超出了我可以輕鬆完成的工作或有時間進行工作。也許其他人會接受這個挑戰！
回复：使用2種優化方法找到最佳過程操作條件感謝您的答复，羅伯特。您很好地總結了我的追求，並給了我一些值得思考和玩耍的有趣東西。我很樂意發佈在該主題上取得的任何進展，但是到最後，如果社區中有人對這個主題感興趣，我將非常歡迎您的合作！
回复：使用2種優化方法找到最佳過程操作條件大衛，您好，很高興我正確理解了您的想法。我同意您的建議將是對“模擬實驗”的有益補充和擴展。也許您可以將您的想法發佈到社區的“ JMP願望清單”部分。實際上，我幾年前曾建議，如果可以簡化工作流程，並且只需單擊一下即可完成模擬實驗優化過程，也就是使用類似於“最大化期望性”的方式，那麼將會有更多的人使用“模擬實驗”。不幸的是，這從未發生過。如果您同意，也許您也可以提出建議？來自客戶，它可能會獲得更高的優先級。我期待著您的到來。如果可以提供幫助，請告訴我。我想花更多的時間在此上，但是不幸的是我必須繼續專注於我的“日常工作”。
回复：使用2種優化方法找到最佳過程操作條件感謝羅伯特的鏈接，這些鏈接總是對我的學習有所幫助。
如果您還有其他關於缺陷分析器或基於預測分析器的紅色三角形下的主題的文檔或視頻，我非常有興趣介紹它們。
嗨，大衛，
在我之前的研究中，我也深思過您的問題。但是我放棄了，因為我還有更重要的問題需要解決。Bu acc。對於David的解釋，我看到JMP中沒有一鍵式解決方案。如果您有解決方案，我也很高興聽到並應用它。
回复：使用2種優化方法找到最佳過程操作條件任何對此博客感興趣的人都應該查看這個“ JMP On Air”視頻模擬實驗記錄了幾個月前。上面的YouTube視頻已有5年曆史了。幾年前，我也就這個話題做了一次探索講座使用蒙特卡洛模擬實驗對過程和產品進行穩健的優化
回复：使用2種優化方法找到最佳過程操作條件謝謝Ella，不久前有人白化病我也對您和David上面討論過的想法很感興趣，並且圍繞該主題進行了一些討論找到一個因素的允許極限以確保低缺陷率如果有人確實提出了一種自動的方法來探索或了解您可以容忍每個因素有多少變化而不會嚴重影響整體缺陷率，那肯定會很好。您可以使用現有的JMP功能以迭代方式“手動”探索此方法，如其他線程所討論的那樣，但是“一鍵式”解決方案將是不錯的選擇。你們倆都鼓勵我嘗試找些時間自己看看。但是，我懷疑它可能需要比我現在擁有的腳本功能更大的腳本功能，但我將繼續嘗試。如果有人設法更快地提出解決方案，那對我來說很好。
使用2種優化方法找到最佳工藝操作條件科學家和工程師經常需要為其工藝或產品找到最佳設置或操作條件，以最大化產量或性能。我將向您展示如何優化功能 JMP 可以幫助您確定最佳設置。出乎意料的是，從長遠來看，預計將提供最高產量或最佳性能的特定設置並不總是最佳的位置。大多數過程和產品都可能會發生某種程度的漂移或變化，因此最佳操作條件需要考慮到這一點。
您可能熟悉過程優化中的最大化期望，但是模擬實驗是JMP Prediction Profiler中鮮為人知的瑰寶。如果您試圖為過程找到最可靠的因子設置，那麼您需要了解模擬實驗。我將向您展示模擬實驗有多麼有用，以及它如何超出可實現的最大期望。
大多數設計的實驗的目的是識別和量化多少特定因素或輸入會影響該過程的響應或輸出。次要目標通常是使用這種理解來選擇將提供最理想的響應或輸出值的因子設置。
一旦我們運行了設計好的實驗並建立了描述因素與響應之間關係的模型，便可以使用該模型找到最佳的因子設置，從而為我們感興趣的響應提供最令人滿意的值。在JMP中，有幾種不同的方法可以執行此優化過程，這些方法在Profilers手冊的第8章和第9章中有詳細介紹，可以在JMP的“幫助”>“ Books”下找到。
我想重點介紹以下兩種方法：最大化可取性和模擬實驗，因為在某些情況下它們可以導致截然不同的解決方案。我將使用的示例說明這是一個具有5個因素和一個響應的13次運行的最終篩查設計（DSD）。這些三級確定性篩選設計是一類新型的篩選設計，可以非常有效地使您識別重要的主要作用。如果只有三個活動的主要效果，它們還可以使您構建具有兩因素交互作用和二次項的完整響應表面模型。這些設計的發明者布拉德利·瓊斯（Bradley Jones）在其出色的著作中更詳細地描述了它們。關於該主題的博客文章 。
一個13運行的DSD如下所示。
建立此實驗模型的最快，最簡單的方法是運行JMP數據表左上角面板中以藍色突出顯示的內置Screening腳本。我們獲得的模型包含三個主要影響-修改器，溫度和時間-以及修改器和溫度之間的兩因素相互作用項，以及時間的二次項。該模型的Prediction Profiler如下所示。我還打開了Monte Carlo模擬器和Contour Profiler。
使用初始因子設置（三維因子空間的中點），我們可以看到臨界輸出的值預計為75.3，並且蒙特卡洛模擬中的50％的點低於較低規格限制。等高線圖顯示了我們幾乎完全落在該規格下限上。
當我們轉到由最大期望值（如下）確定的設置時，關鍵輸出增加到82.1，低於規格下限的點數百分比下降到4.6％。等高線圖顯示我們現在位於左上角，其中臨界輸出的最高值預計為該值。
現在，如果我們查看由仿真實驗確定的設置（如下），我們將移至等高線圖的右上角，等高線距離更遠。對於臨界輸出，我們還沒有達到很高的預測值。現在是79.8，但是低於規格下限的點數的百分比已大大降低至1.8％。當我們將最大期望解與仿真實驗的設置進行比較時，可以看到主要區別在於仿真實驗為Modifier選擇了較高的設置，該設置利用了Modifier和Temperature之間的兩因素相互作用，從而使關鍵輸出對溫度的變化不敏感（Profiler中的溫度線現在是平坦的）。關鍵輸出分佈變得更緊密，超出規格的點也少得多，從而使過程更穩定。
讓我們看一下仿真實驗如何找到這個更強大的解決方案。仿真實驗以不同的方式探索要素空間，以最大程度地滿足需求。與其在要素空間中搜索為關鍵輸出提供最理想值的設置，不如在要素空間中搜索以最小化由蒙特卡洛模擬計算出的缺陷率的設置。它仍然使用與最大化期望值相同的模型，但是現在使用該模型運行一系列的蒙特卡洛模擬，以確定缺陷率在因子空間內如何變化。它使用空間填充設計來執行此操作，並使用高斯過程對缺陷率進行建模。要啟動仿真實驗，請進入Prediction Profiler中Simulator大綱中的紅色三角形菜單。
運行模擬實驗時，它將在空間填充設計指定的每個因子設置下執行Monte Carlo模擬，並將針對每個模擬運行獲得的缺陷率記錄到表中。該表如下所示。每行代表具有不同因子設置的蒙特卡洛模擬運行。該表還包含一個內置腳本，該腳本將對缺陷率建模（實際上是對日誌缺陷率建模，因為這樣可以更好地響應使用）。然後，我們可以找到最小化缺陷率的最佳設置（在缺陷率事件探查器中使用最大期望值），然後將這些設置保存到關鍵輸出的原始“預測事件探查器”中。
要觀看更詳細演示的模擬實驗，請觀看以下視頻：
最大化期望值與模擬實驗之間的主要區別在於，在選擇最佳因子設置時，最大化期望值並沒有考慮因子的自然變化。仿真實驗考慮了因子設置中的自然變化，並找到了最可靠的設置以最小化缺陷率。我女兒為我畫的一幅畫很好地說明了這種差異，說明了JMP如何使復雜的問題變得簡單。
