Re: Trouver les meilleures conditions de fonctionnement de processus en utilisant 2 approches d'optimisationLe lien vers la vidéo YouTube ci-dessus semble être corrompu. C'est le bon lien: https://www.youtube.com/watch?v=9KZ7Ns3CQzU
J'ai également fait une conférence Discovery sur ce sujet l'année dernière à Amsterdam, qui a été enregistrée. Voici le lien vers cet enregistrement:
https://community.jmp.com/t5/Discovery-Summit-Europe-2016/Robust-Optimization-of-Processes-and-Products-by-Using-Monte/ta-p/23746
Re: Trouver les meilleures conditions de fonctionnement de processus en utilisant 2 approches d'optimisationMerci Jorge, je suis content que vous ayez trouvé les vidéos utiles. Mon menu "Images" n'est pas réellement un complément, il s'agit simplement d'un menu personnalisé avec des liens vers des journaux contenant des images ou de simples explications de certaines choses. Je pense que la seule chose que j'ai utilisée dans ce menu dans une démo enregistrée de JMP est l'option "Maximiser le désir contre. Caricature de l'expérience de simulation. J'ai posté cela dans l'espace de discussion en réponse à votre question. S'il y a autre chose que vous avez vu dans le menu et que vous souhaitez, faites le moi savoir.
Re: Trouver les meilleures conditions de fonctionnement de processus en utilisant 2 approches d'optimisationBonjour Robert, Je regarde tes vidéos récemment et j'apprends énormément. J'ai remarqué que vous avez un "complément d'images" utile dans lequel vous avez un coffre-fort d'images utiles pour représenter vos idées. Je me demande si le module complémentaire Images est disponible n'importe où pour que je puisse le télécharger. Merci.
Robert Anderson a écrit: Merci Marcello, je suis content que tu trouves ... Robert Anderson a écrit:
Merci Marcello, je suis content que tu trouves ça intéressant. Je vais dire à ma fille que tu aimes son dessin.
Marcello a écrit: Ce post est très intéressant et clairement ... Marcello a écrit:
Cet article est très intéressant et illustre clairement le problème et la façon dont JMP peut le gérer. Je vous remercie. Le dessin est très révélateur!
Marcello
Robert Anderson a écrit: Merci Christel. Je suis content que tu aimes... Robert Anderson a écrit:
Merci Christel. Je suis content que vous l'aimez. Bonne chance avec ces futurs DoE
Christel Kronig a écrit: Très utile et intéressant post t ... Christel Kronig a écrit:
Post très utile et intéressant merci. J'ai recréé votre table de données pour examiner cela dans JMP. Je n'avais pas utilisé la partie simulation auparavant, mais j'ai réussi à recréer le résultat. Je vais l'utiliser pour les futures DOE!
Re: Trouver les meilleures conditions de fonctionnement des procédés en utilisant 2 approches d'optimisationmerci beaucoup pour les informations détaillées.
Mais j'ai observé une situation étrange. lorsque j'exécute des expériences de simulation 3 ou 4 fois, JMP me suggère différents niveaux de facteurs avec des taux de défauts plus petits. Plus je fais de l'expérience de simulation, plus le taux de défauts suggéré par JMP est petit.
J'ai beaucoup lu mais je ne comprenais pas pourquoi ça se passait. Comment puis-je faire confiance à JMP pour que l'expérience de simulation me donne des niveaux de facteurs souhaitables maximaux au niveau mondial?
Re: Trouver les meilleures conditions de fonctionnement des procédés en utilisant 2 approches d'optimisationMerci Ellla, je pense que ce qui pourrait se passer, c'est que lorsque vous exécutez une expérience de simulation, le paramètre par défaut pour 'Portion de l'espace factoriel à expérimenter' est 0,5 . Cela signifie que l'expérience de simulation explore uniquement la moitié de la plage de facteurs complète autour des paramètres de facteur de profileur actuels. Cela signifie donc que vous ne pourrez peut-être pas accéder aux paramètres de facteur qui donnent le taux de défaut le plus bas la première fois que vous exécutez une expérience de simulation, mais si vous la relancez la prochaine fois, vous vous rapprocherez à nouveau des paramètres qui donnent le taux de défaut le plus bas. Si vous modifiez le paramètre pour 'Portion de l'espace factoriel à expérimenter' à 1 puis l'expérience de simulation explorera la gamme complète des facteurs la première fois que vous exécutez une expérience de simulation, vous devriez trouver les paramètres qui donnent le taux de défaut le plus bas. Vous pouvez ensuite exécuter à nouveau l'expérience de simulation avec ces paramètres de facteur et une valeur réduite pour 'Portion de l'espace factoriel à expérimenter' si vous vouliez essayer d'obtenir une estimation encore plus précise des paramètres optimaux qui donnent le taux de défaut le plus bas. Faites-moi savoir si cela résout le problème que vous rencontrez. Robert
Re: Trouver les meilleures conditions de fonctionnement des procédés en utilisant 2 approches d'optimisationmerci beaucoup pour votre retour rapide et votre intérêt.
Je doute également que le niveau de protion puisse provoquer ces solutions instables.
J'ai essayé de faire de la simulation en mettant une partie de l'expérience d'espace factoriel 1 avant et maintenant.
Mais JMP m'a donné une pire solution avec un taux de défaut plus élevé par rapport au niveau de portion = 0,5.
Je ne comprends vraiment pas pourquoi il est instable. @markbailey @robert_anderson
Re: Trouver les meilleures conditions de fonctionnement des procédés en utilisant 2 approches d'optimisationSalut Ella, c'est intéressant. Quel est le modèle sur lequel vous exécutez une expérience de simulation? Est-ce un modèle polynomial quadratique avec des interactions à 2 facteurs ou quelque chose de plus compliqué? Pouvez-vous partager une version anonyme de la table de données et du modèle? Je pense que je devrais voir les données et le modèle pour avoir une chance de déterminer quel pourrait être le problème. Vous pouvez m'envoyer un e-mail à robert.anderson@jmp.com si c'est plus facile, Robert
Re: Trouver les meilleures conditions de fonctionnement des procédés en utilisant 2 approches d'optimisationSalut Ella, une autre question, quel est le carré R pour votre modèle? Robert
Re: Trouver les meilleures conditions de fonctionnement des procédés en utilisant 2 approches d'optimisationJ'essaye d'optimiser 4 modèles.
Dont 3 est prédit sur MATLAB depuis que j'ai utilisé des fgls, puis je crée ces formules sur JMP.
Le quatrième est le réseau neuronal.
C'est pourquoi je ne connais pas les R ^ 2 des 3 modèles fgls. Le modèle de réseau neuronal R ^ 2 est d'environ 40% pour autant que je me souvienne.
Mes modèles sont comme ça (ils ont des effets et des interactions principaux):
Premier:
((((((-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)
Deuxième:
(((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)
le troisième:
(180 - 0,04 *: x1 - 2,3 *: x3) + 138,4 *: x6 + 0,3 *: x7 + 2,2 * (: x1 - 2522) * (: x4
- 13)
Le dernier:
-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)
)
variables aléatoires: X4, x5, x6
Le repos est des variables fixes.
j'espère que cela aidera
Re: Trouver les meilleures conditions de fonctionnement des procédés en utilisant 2 approches d'optimisationSalut Robert,
C'est une approche extrêmement fascinante. Merci pour le partage. J'aimerais savoir s'il est possible d'utiliser cette approche pour déterminer la fenêtre de processus optimale pour ce processus. En d'autres termes, quelles sont les plages des variables d'entrée qui donneraient la plus grande orthogonale (volume?) Tout en s'assurant que la réponse se situe entre deux limites de spécification?
J'utilise le terme «orthogonal» pour impliquer que les paramètres de processus seront listés sous forme de tableau de plages de paramètres, et toute combinaison des paramètres de processus devrait aboutir à une sortie de processus qui est dans les limites de spécification. Je veux maximiser le volume de la fenêtre de processus pour permettre la plus grande variabilité des paramètres de processus.
Cordialement,
David
Re: Trouver les meilleures conditions de fonctionnement des procédés en utilisant 2 approches d'optimisationSalut David, je pense que si je comprends bien ce que vous dites, cela amènerait «l'expérience de simulation» au «niveau suivant». Avec une expérience de simulation, vous devez spécifier la variation que vous prévoyez d'avoir dans chaque paramètre de facteur, ou en d'autres termes, dans quelle mesure vous pouvez contrôler chaque paramètre de facteur. Je pense que ce que vous demandez, c'est de combien chaque paramètre de facteur pourrait-il varier avant qu'il ne commence à avoir un impact substantiel sur le «taux global de défauts». Pour faire quelque chose comme ça dans JMP pour le moment, vous auriez besoin d'exécuter une série d '«expériences de simulation», chacune avec différentes quantités de variation dans les facteurs pour voir quel impact cela aurait sur le «taux de défaut global». Pour faire cela de manière efficace, vous voudrez probablement exécuter un DOE de «remplissage d'espace» et modéliser les résultats en utilisant un processus gaussien. Donc, je pense que ce dont vous parlez effectivement serait une «expérience de simulation» sur une «expérience de simulation». Vous pouvez ensuite créer un modèle pour le «taux de défaut global» basé sur les valeurs SD (écart type) dans «l'expérience de simulation» d'origine. Quelque chose comme ça pourrait éventuellement être scénarisé, mais malheureusement, c'est probablement au-delà de ce que je pourrais faire facilement ou avoir le temps de travailler. Peut-être que quelqu'un d'autre relèvera ce défi!
Re: Trouver les meilleures conditions de fonctionnement des procédés en utilisant 2 approches d'optimisationMerci pour la réponse, Robert. Vous avez assez bien résumé ce que je cherchais et vous m'avez donné des choses intéressantes sur lesquelles réfléchir et jouer. Je serai ravi de publier tout progrès que je fais sur ce sujet, mais pour votre dernier point, si quelqu'un dans la communauté partage l'intérêt pour ce sujet, je serais heureux de la collaboration!
Re: Trouver les meilleures conditions de fonctionnement des procédés en utilisant 2 approches d'optimisationSalut David, je suis content d'avoir bien compris votre idée. Je suis d'accord que ce que vous avez suggéré serait un ajout et une extension utiles à «Simulation Experiment». Peut-être pourriez-vous publier votre idée dans la section «Liste de souhaits JMP» de la communauté. J'ai en fait suggéré il y a quelques années que plus de gens utiliseraient `` Simulation Experiment '' si le flux de travail pouvait être simplifié et si le processus d'optimisation de l'expérience de simulation pouvait être accompli en un seul clic, c'est-à-dire d'une manière similaire à `` Maximize Desirability ''. Malheureusement, cela ne s'est jamais produit. Si vous êtes d'accord, vous pourriez peut-être faire cette suggestion aussi? Venant d'un client, il recevra probablement une plus grande priorité. J'ai hâte de voir où vous emmenez cela. Si je peux vous aider, faites-le moi savoir. J'adorerais passer plus de temps là-dessus, mais malheureusement je dois rester concentré sur mon «travail quotidien».
Re: Trouver les meilleures conditions de fonctionnement des procédés en utilisant 2 approches d'optimisationMerci Robert pour vos liens, ces liens sont toujours utiles pour mes études.
Si vous avez d'autres documents ou vidéos sur, disons, le profileur de défauts ou des sujets sous le triangle rouge basés sur le profileur de prédiction, je suis très intéressé à les expulser.
Et salut David,
J'ai aussi pensé à votre problème dans mon étude avant. Mais j'ai abandonné car j'ai un problème plus important que je dois résoudre. Bu acc. à l'expulsion de David, je vois qu'il n'y a pas de solution en un seul clic dans JMP. Si vous avez une solution pour cela, je suis également heureux de l'entendre et de l'appliquer.
Re: Trouver les meilleures conditions de fonctionnement des procédés en utilisant 2 approches d'optimisationToute personne intéressée par ce blog devrait également regarder cette vidéo 'JMP On Air' Expérience de simulation enregistré il y a quelques mois. La vidéo YouTube ci-dessus a environ 5 ans. J'ai également fait un Discovery Talk sur ce sujet il y a quelques années Optimisation robuste des processus et des produits à l'aide d'expériences de simulation de Monte Carlo
Re: Trouver les meilleures conditions de fonctionnement des procédés en utilisant 2 approches d'optimisationMerci Ella, il y a quelque temps quelqu'un d'autre albiruni81 était également intéressé par l'idée dont vous et David avez parlé ci-dessus et il y a eu une discussion autour du sujet Trouver les limites admissibles d'un facteur pour garantir de faibles taux de défauts Il serait certainement bon que quelqu'un trouve un moyen automatisé d'explorer ou de comprendre la variation que vous pouvez tolérer dans chaque facteur sans que le taux global de défauts ne soit sérieusement affecté. Vous pouvez explorer cela «manuellement» de manière itérative avec les capacités JMP existantes comme le discute l'autre thread, mais une solution «en un clic» serait géniale. Vous m'avez encouragé tous les deux à essayer de trouver le temps de regarder moi-même. Cependant, je soupçonne que cela peut nécessiter de plus grandes capacités de script que celles que je possède actuellement, mais je vais essayer. Si quelqu'un d'autre parvient à trouver une solution plus rapidement, cela me convient.
Trouver les meilleures conditions de fonctionnement des procédés en utilisant 2 approches d'optimisationLes scientifiques et les ingénieurs doivent souvent trouver les meilleurs paramètres ou conditions de fonctionnement pour leurs processus ou produits afin de maximiser le rendement ou les performances. Je vais vous montrer comment les capacités d'optimisation JMP peut vous aider à définir les meilleurs paramètres à utiliser. De façon assez surprenante, les paramètres particuliers qui devraient donner le rendement le plus élevé ou les meilleures performances ne seront pas toujours le meilleur endroit pour exécuter ce processus à long terme. La plupart des procédés et produits sont sujets à un certain degré de dérive ou de variation, et les meilleures conditions d'exploitation doivent en tenir compte.
Vous connaissez peut-être la maximisation de la désirabilité dans le contexte de l'optimisation des processus, mais l'expérience de simulation est un joyau peu connu dans le JMP Prediction Profiler. Si vous essayez de trouver les paramètres de facteur les plus robustes pour un processus, vous devez connaître l'expérience de simulation. Je vais vous montrer à quel point l'expérience de simulation peut être utile et comment elle va au-delà de ce que maximiser la désirabilité peut atteindre.
Le but de la plupart des expériences conçues est d'identifier et de quantifier dans quelle mesure certains facteurs ou intrants affectent les réponses ou les extrants de ce processus. Un objectif secondaire est souvent d'utiliser cette compréhension pour choisir les paramètres de facteur qui donneront la réponse ou les valeurs de sortie les plus souhaitables.
Une fois que nous avons mené une expérience conçue et construit un modèle qui décrit la relation entre les facteurs et les réponses, nous pouvons ensuite utiliser ce modèle pour trouver les paramètres de facteurs optimaux qui donneront les valeurs les plus satisfaisantes pour les réponses qui nous intéressent. Il existe plusieurs façons différentes d'exécuter ce processus d'optimisation dans JMP et ces méthodes sont décrites en détail dans les chapitres 8 et 9 du livre Profilers, qui se trouve sous Aide> Livres dans JMP.
Je veux me concentrer sur deux de ces méthodes: maximiser la désirabilité et l'expérience de simulation car elles peuvent dans certaines situations conduire à des solutions très différentes. L'exemple que je vais utiliser pour illustrer cela est un plan de dépistage définitif (DSD) à 13 essais avec cinq facteurs et une réponse. Ces conceptions de criblage définitives à trois niveaux constituent une nouvelle classe de conceptions de criblage qui peuvent très efficacement vous permettre d'identifier les principaux effets importants. Ils peuvent également vous permettre de créer un modèle de surface de réponse complète avec des interactions à deux facteurs et des termes quadratiques s'il n'y a que trois effets principaux actifs. Bradley Jones, l'inventeur de ces dessins, les décrit plus en détail dans son excellent article de blog sur le sujet .
Un DSD à 13 exécutions est illustré ci-dessous.
Le moyen le plus rapide et le plus simple de créer un modèle pour cette expérience consiste à exécuter le script de filtrage intégré surligné en bleu dans le panneau supérieur gauche de la table de données JMP. Le modèle que nous obtenons contient trois effets principaux - Modificateur, Température et Temps - et un terme d'interaction à deux facteurs entre Modificateur et Température, plus un terme quadratique pour le Temps. Le profileur de prédiction de ce modèle est illustré ci-dessous. J'ai également allumé le simulateur Monte Carlo et le Contour Profiler.
En utilisant les paramètres de facteur initiaux (le point médian de l'espace factoriel tridimensionnel), nous voyons que la sortie critique devrait avoir une valeur de 75,3, et nous avons 50% des points de la simulation de Monte Carlo en dessous de la spécification inférieure. limite. Le graphique de contour nous montre assis presque exactement sur cette limite inférieure de spécification.
Lorsque nous passons aux paramètres déterminés par maximiser la désirabilité (ci-dessous), la sortie critique augmente à 82,1 et le pourcentage de points en dessous de la limite de spécification inférieure tombe à 4,6%. Le tracé de contour montre que nous sommes maintenant assis dans le coin supérieur gauche où la valeur la plus élevée de la sortie critique est prévue.
Si nous regardons maintenant les paramètres déterminés par l'expérience de simulation (ci-dessous), nous nous sommes déplacés vers le coin supérieur droit du tracé de contour où les lignes de contour sont plus éloignées. Nous n'avons pas tout à fait atteint une valeur prédite aussi élevée pour la sortie critique. Il est maintenant de 79,8, mais le pourcentage de points sous la limite inférieure des spécifications est considérablement réduit à 1,8%. Lorsque nous comparons les paramètres de la solution de maximisation de la désirabilité par rapport à la solution de l'expérience de simulation, nous pouvons voir que la principale différence est que l'expérience de simulation a choisi un paramètre élevé pour le modificateur, qui exploite l'interaction à deux facteurs entre le modificateur et la température et fait la sortie critique insensible aux changements de température (la ligne de température dans le profileur est maintenant plate). La distribution de la sortie critique devient beaucoup plus étroite avec beaucoup moins de points hors spécifications, conduisant à un processus plus robuste.
Voyons comment l'expérience de simulation a trouvé cette solution plus robuste. L'expérience de simulation explore l'espace des facteurs d'une manière différente pour maximiser la désirabilité. Plutôt que de rechercher dans l'espace des facteurs les paramètres qui donnent la valeur la plus souhaitable pour la sortie critique, il se concentre plutôt sur la recherche de l'espace des facteurs pour trouver les paramètres qui minimisent le taux de défauts calculé par la simulation de Monte Carlo. Il utilise toujours le même modèle pour maximiser la désirabilité, mais il utilise maintenant ce modèle pour exécuter une série de simulations de Monte Carlo afin de déterminer comment le taux de défaut varie dans l'espace des facteurs. Pour ce faire, il utilise une conception de remplissage d'espace et modélise le taux de défaut à l'aide d'un processus gaussien. Pour lancer une expérience de simulation, accédez au menu du triangle rouge dans le contour du simulateur dans Prediction Profiler.
Lorsque vous exécutez une expérience de simulation, il effectue une simulation de Monte Carlo à chacun des paramètres de facteur spécifiés par la conception de remplissage d'espace et enregistre le taux de défaut obtenu pour chacune de ces simulations dans une table. Ce tableau est présenté ci-dessous. Chaque ligne représente une simulation de Monte Carlo exécutée avec différents paramètres de facteur. Le tableau contient également un script intégré qui modélisera le taux de défaut (il modélise en fait le taux de défaut du journal car c'est une meilleure réponse à utiliser). Nous pouvons ensuite trouver les paramètres optimaux qui minimisent le taux de défauts (en utilisant maximiser la désirabilité dans le Profiler de taux de défauts), puis enregistrer ces paramètres dans le Prediction Profiler d'origine pour la sortie critique.
Pour voir l'expérience de simulation démontrée plus en détail, regardez cette vidéo:
La principale différence entre maximiser la désirabilité et l'expérience de simulation est que maximiser la désirabilité ne tient pas compte de la variation naturelle des facteurs lors du choix des paramètres de facteur optimaux. L'expérience de simulation tient compte de cette variation naturelle des paramètres de facteur et trouve les paramètres les plus robustes pour minimiser le taux de défauts. La différence est bien illustrée par un dessin que ma fille a dessiné pour moi, illustrant comment JMP peut simplifier des problèmes complexes.
