Ri: Trovare le migliori condizioni operative del processo utilizzando 2 approcci di ottimizzazioneIl link video di YouTube sopra sembra essere corrotto. Questo è il link corretto: https://www.youtube.com/watch?v=9KZ7Ns3CQzU
Ho anche fatto un discorso su Discovery su questo argomento l'anno scorso ad Amsterdam, che è stato registrato. Ecco il link a quella registrazione:
https://community.jmp.com/t5/Discovery-Summit-Europe-2016/Robust-Optimisation-of-Processes-and-Products-by-Using-Monte/ta-p/23746
Ri: Trovare le migliori condizioni operative del processo utilizzando 2 approcci di ottimizzazioneGrazie Jorge, sono felice che tu abbia trovato utili i video. Il mio menu 'Immagini' non è in realtà un componente aggiuntivo, è solo un menu personalizzato con collegamenti a riviste che contengono immagini o semplici spiegazioni di alcune cose. Penso che l'unica cosa in quel menu che ho usato in una demo JMP registrata sia "Massimizza la desiderabilità vs. Fumetto di esperimento di simulazione. L'ho postato nell'area di discussione in risposta alla tua domanda. Se c'è qualcos'altro che hai visto nel menu e vorresti, fammelo sapere.
Ri: Trovare le migliori condizioni operative del processo utilizzando 2 approcci di ottimizzazioneCiao Robert, ho guardato i tuoi video ultimamente e ho imparato tantissimo. Ho notato che hai un utile "componente aggiuntivo per le immagini" in cui hai un vault di immagini utili per ritrarre le tue idee. Mi chiedo se il componente aggiuntivo Immagini sia disponibile ovunque per il download? Grazie.
Robert Anderson ha scritto: Grazie Marcello, sono contento che tu abbia trovato ... Robert Anderson ha scritto:
Grazie Marcello, sono contento che tu lo abbia trovato interessante. Dirò a mia figlia che ti è piaciuto il suo disegno.
Marcello ha scritto: Questo post è molto interessante e chiaramente ... Marcello ha scritto:
Questo post è molto interessante e illustra chiaramente il problema e il modo in cui JMP può gestirlo. Grazie. Il disegno è molto eloquente!
Marcello.
Robert Anderson ha scritto: Grazie Christel. Sono felice che ti piaccia... Robert Anderson ha scritto:
Grazie Christel. Sono felice che ti piaccia. Buona fortuna con quei futuri DoE
Christel Kronig ha scritto: Post molto utile e interessante ... Christel Kronig ha scritto:
Post molto utile e interessante grazie. Ho ricreato la tua tabella di dati per vederlo in JMP. Non avevo ancora usato la parte di simulazione ma sono riuscito a ricreare l'output. Lo userò per i futuri DOE!
Ri: Trovare le migliori condizioni operative di processo usando 2 approcci di ottimizzazionegrazie mille per informazioni dettagliate.
Ma ho osservato una strana situazione. quando eseguo esperimenti di simulazione per 3 o 4 volte, JMP mi suggerisce diversi livelli di fattore con tassi di difetto più piccoli. Quanto più esplodo la simulazione, tanto minore è la percentuale di difetti suggerita da JMP.
Ho letto molto ma non riuscivo a capire perché succedesse. Come posso fidarmi di JMP che l'esperimento di simulazione mi offre livelli di fattori desiderabili a livello globale?
Ri: Trovare le migliori condizioni operative di processo usando 2 approcci di ottimizzazioneGrazie Ellla, ciò che penso potrebbe accadere è che quando si esegue la simulazione sperimentare l'impostazione predefinita per "Parte dello spazio fattore con cui sperimentare" è 0.5 . Ciò significa che l'esperimento di simulazione esplora solo metà dell'intera gamma di fattori attorno alle attuali impostazioni del fattore profiler. Quindi questo significa che potresti non arrivare alle impostazioni del fattore che danno la percentuale di difetto più bassa la prima volta che esegui l'esperimento di simulazione, ma se la esegui di nuovo la prossima volta ti avvicinerai nuovamente alle impostazioni che danno la percentuale di difetto più bassa. Se si modifica l'impostazione per "Parte dello spazio fattore con cui sperimentare" per 1 quindi l'esperimento di simulazione esplorerà l'intera gamma di fattori la prima volta che si esegue l'esperimento di simulazione e si dovrebbero trovare le impostazioni che danno la percentuale di difetto più bassa. È quindi possibile eseguire nuovamente l'esperimento di simulazione con tali impostazioni dei fattori e un valore ridotto per "Parte dello spazio fattore con cui sperimentare" se si desidera provare a ottenere una stima ancora più precisa di quali siano le impostazioni ottimali che danno il tasso di difetto più basso. Fammi sapere se questo risolve il problema che stai riscontrando. Roberto
Ri: Trovare le migliori condizioni operative di processo usando 2 approcci di ottimizzazionegrazie mille per il tuo rapido ritorno e interesse.
Dubbio anche che il livello di protezione può causare soluzioni instabili.
Ho provato a fare la simulazione inserendo parte dell'esperimento spazio fattore 1 prima e ora.
Ma JMP mi ha dato una soluzione peggiore con un tasso di difetto più elevato rispetto al livello della porzione = 0,5.
Davvero non capisco perché sia instabile. @markbailey @robert_anderson
Ri: Trovare le migliori condizioni operative di processo usando 2 approcci di ottimizzazioneCiao Ella, è interessante. Qual è il modello su cui stai eseguendo l'esperimento di simulazione? È un modello polinomiale quadratico con interazioni a 2 fattori o qualcosa di più complicato? Puoi condividere una versione anonima della tabella e del modello di dati? Penso che dovrei vedere i dati e il modello per avere la possibilità di capire quale potrebbe essere il problema. Puoi scrivermi a robert.anderson@jmp.com se è più facile, Robert
Ri: Trovare le migliori condizioni operative di processo usando 2 approcci di ottimizzazioneCiao Ella, un'ulteriore domanda, qual è la R-square per il tuo modello? Roberto
Ri: Trovare le migliori condizioni operative di processo usando 2 approcci di ottimizzazioneCerco di ottimizzare 4 modelli.
3 dei quali sono previsti su MATLAB da quando ho usato fgls, quindi creo queste formule su JMP.
Il quarto è la rete neurale.
Ecco perché non conosco R ^ 2 di 3 modelli fgls. Il modello di lavoro a rete neurale R ^ 2 è circa il 40% per quanto mi ricordo.
I miei modelli sono così (hanno effetti e interruzioni principali):
Il primo:
(((((((-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)
Il secondo:
(((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)
il terzo:
(180 - 0,04 *: x1 - 2,3 *: x3) + 138,4 *: x6 + 0,3 *: x7 + 2,2 * (: x1 - 2522) * (: x4
- 13)
L'ultimo:
-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)
)
variabili casuali: X4, x5, x6
Il resto è variabili fisse.
spero che questi possano aiutare
Ri: Trovare le migliori condizioni operative di processo usando 2 approcci di ottimizzazioneCiao Robert,
Questo è un approccio estremamente affascinante. Grazie per aver condiviso. Mi piacerebbe sapere se è possibile utilizzare questo approccio per determinare la finestra ottimale del processo per questo processo. In altre parole, quali sono gli intervalli delle variabili di input che porterebbero al più grande ortogonale (volume?) Garantendo allo stesso tempo che la risposta sia compresa tra due limiti di specifica?
Sto usando il termine "ortogonale" per implicare che i parametri di processo saranno elencati come una tabella di intervalli di parametri e qualsiasi combinazione dei parametri di processo dovrebbe tradursi in un output di processo che rientri nei limiti delle specifiche. Voglio massimizzare il volume della finestra del processo per consentire la massima variabilità dei parametri del processo.
Saluti,
David
Ri: Trovare le migliori condizioni operative di processo usando 2 approcci di ottimizzazioneCiao David, penso che se capissi cosa stai dicendo correttamente, porteresti "Simulation Experiment" al "livello successivo". Con l'esperimento di simulazione devi specificare quanta variazione prevedi di avere in ciascuna impostazione di fattore. In altre parole, quanto puoi controllare ciascuna impostazione di fattore. Penso che ciò che stai chiedendo sia di quanto può variare ogni impostazione di un fattore prima che inizi a influire sostanzialmente sul "tasso di difetto complessivo". Per fare qualcosa del genere in JMP al momento, è necessario eseguire una serie di "esperimenti di simulazione" ciascuno con diverse variazioni dei fattori per vedere quale impatto avrebbe sul "tasso di difetto complessivo". Per farlo in modo efficiente, probabilmente vorrai eseguire un DOE di "riempimento dello spazio" e modellare i risultati usando un processo gaussiano. Quindi penso che ciò di cui stai effettivamente parlando sarebbe un "esperimento di simulazione" su un "esperimento di simulazione". È quindi possibile creare un modello per il "tasso di difetto complessivo" basato sui valori di SD (deviazione standard) nell'esperimento di simulazione originale. Qualcosa del genere potrebbe essere scritto, ma sfortunatamente è probabilmente al di là di quello che potrei fare facilmente o avere il tempo di lavorare. Forse qualcun altro accetterà questa sfida!
Ri: Trovare le migliori condizioni operative di processo usando 2 approcci di ottimizzazioneGrazie per la risposta, Robert. Hai riassunto abbastanza bene quello che sto cercando e mi hai dato alcune cose interessanti a cui pensare e con cui giocare. Pubblico volentieri tutti i progressi che ho fatto su questo argomento, ma fino all'ultimo punto, se qualcuno nella comunità condivide l'interesse per questo argomento, accetterei con favore la collaborazione!
Ri: Trovare le migliori condizioni operative di processo usando 2 approcci di ottimizzazioneCiao David, sono contento di aver capito bene la tua idea. Concordo sul fatto che ciò che hai suggerito sarebbe un'utile aggiunta ed estensione a "Esperimento di simulazione". Forse potresti pubblicare la tua idea nella sezione "Lista dei desideri JMP" della community. In realtà ho suggerito alcuni anni fa che un numero maggiore di persone userebbe "Esperimento di simulazione" se il flusso di lavoro potesse essere semplificato e il processo di ottimizzazione dell'esperimento di simulazione potesse essere realizzato in un solo "clic", ovvero in modo simile a "Massimizza la desiderabilità". Purtroppo non è mai successo. Se sei d'accordo, forse potresti dare anche quel suggerimento? Proveniente da un cliente, probabilmente riceverà una priorità maggiore. Non vedo l'ora di vedere dove lo porti. Se posso esserti di aiuto, fammi sapere. Mi piacerebbe dedicare più tempo a questo, ma sfortunatamente devo concentrarmi sul mio "lavoro diurno".
Ri: Trovare le migliori condizioni operative di processo usando 2 approcci di ottimizzazioneGrazie Robert per i tuoi collegamenti, questi collegamenti sono sempre di aiuto per i miei studi.
Se hai altri documenti o video su, diciamo, profiler di difetto o argomenti sotto il triangolo rosso basato sul profiler di previsione, sono molto interessato a espellerli.
E ciao David,
Ho anche pensato al tuo problema nel mio studio prima. Ma ho rinunciato poiché ho un problema più importante che ho bisogno di risolvere il pugno. Bu acc. alla spiegazione di David, vedo che non esiste una soluzione con un clic in JMP. Se hai una soluzione, sono anche felice di ascoltarla e applicarla.
Ri: Trovare le migliori condizioni operative di processo usando 2 approcci di ottimizzazioneChiunque sia interessato a questo blog dovrebbe anche guardare questo video "JMP On Air" Esperimento di simulazione registrato un paio di mesi fa. Il video di YouTube sopra ha circa 5 anni. Ho anche tenuto un discorso di scoperta su questo argomento alcuni anni fa Robusta ottimizzazione di processi e prodotti mediante esperimenti di simulazione Monte Carlo
Ri: Trovare le migliori condizioni operative di processo usando 2 approcci di ottimizzazioneGrazie Ella, qualche tempo fa qualcun altro albiruni81 era anche interessato all'idea di cui tu e David avete parlato sopra e ci sono state delle discussioni sull'argomento Individuazione dei limiti consentiti per un fattore per garantire tassi di difetto bassi Sarebbe certamente positivo se qualcuno avesse escogitato un modo automatizzato per esplorare o comprendere quanta variazione è possibile tollerare in ciascun fattore senza che il tasso di difetto complessivo venga seriamente influenzato. Puoi esplorare questo 'manualmente' in modo iterativo con le funzionalità JMP esistenti mentre l'altro thread discute ma una soluzione 'one click' sarebbe ottima. Mi avete entrambi incoraggiato a cercare di trovare un po 'di tempo per guardare questo da solo. Tuttavia, sospetto che potrebbe richiedere maggiori capacità di scripting rispetto a quelle che possiedo attualmente, ma ho intenzione di provare. Se qualcun altro riesce a trovare una soluzione più velocemente, per me va bene.
Trovare le migliori condizioni operative di processo utilizzando 2 approcci di ottimizzazioneScienziati e ingegneri hanno spesso bisogno di trovare le migliori impostazioni o condizioni operative per i loro processi o prodotti per massimizzare la resa o le prestazioni. Ti mostrerò come le funzionalità di ottimizzazione in JMP può aiutarti a definire le migliori impostazioni da utilizzare. Sorprendentemente, le impostazioni particolari che si prevede forniscano il massimo rendimento o le migliori prestazioni non saranno sempre il posto migliore per eseguire quel processo a lungo termine. La maggior parte dei processi e dei prodotti sono soggetti a un certo grado di deriva o variazione e le migliori condizioni operative devono tenerne conto.
Potresti avere familiarità con la massimizzazione della desiderabilità nel contesto dell'ottimizzazione del processo, ma l'esperimento di simulazione è un gioiello poco conosciuto all'interno di JMP Prediction Profiler. Se stai cercando di trovare le impostazioni dei fattori più affidabili per un processo, devi conoscere l'esperimento di simulazione. Ti mostrerò quanto può essere utile un esperimento di simulazione e come va oltre ciò che può ottenere la massima desiderabilità.
L'obiettivo della maggior parte degli esperimenti progettati è identificare e quantificare quanto fattori o input particolari influenzano le risposte o gli output di quel processo. Un obiettivo secondario è spesso quello di utilizzare questa comprensione per scegliere le impostazioni dei fattori che forniranno la risposta oi valori di output più desiderabili.
Dopo aver eseguito un esperimento progettato e costruito un modello che descrive la relazione tra i fattori e le risposte, possiamo quindi utilizzare quel modello per trovare le impostazioni ottimali dei fattori che forniranno i valori più soddisfacenti per le risposte a cui siamo interessati. Esistono diversi modi per eseguire questo processo di ottimizzazione in JMP e questi metodi sono descritti in dettaglio nei capitoli 8 e 9 del libro Profiler, che si trova in Guida> Libri all'interno di JMP.
Voglio concentrarmi su due di questi metodi: massimizzare la desiderabilità e sperimentare la simulazione in quanto possono portare in alcune situazioni a soluzioni molto diverse. L'esempio che userò per illustrare questo è un progetto di screening definitivo (DSD) a 13 sessioni con cinque fattori e una risposta. Questi progetti di screening definitivi a tre livelli sono una nuova classe di progetti di screening che possono consentire in modo molto efficiente di identificare gli effetti principali importanti. Possono anche consentire di costruire un modello di superficie a risposta completa con interazioni a due fattori e termini quadratici se ci sono solo tre effetti principali attivi. Bradley Jones, l'inventore di questi modelli, li descrive in modo più dettagliato nel suo eccellente post sul blog sull'argomento .
Di seguito è mostrato un DSD a 13 sessioni.
Il modo più rapido e semplice per creare un modello per questo esperimento è eseguire lo script Screening integrato evidenziato in blu nel riquadro in alto a sinistra della tabella dati JMP. Il modello che otteniamo contiene tre effetti principali - Modificatore, Temperatura e Tempo - e un termine di interazione a due fattori tra Modificatore e Temperatura, più un termine quadratico per Tempo. Di seguito è mostrato il Prediction Profiler per questo modello. Ho anche attivato il simulatore Monte Carlo e il Contour Profiler.
Utilizzando le impostazioni dei fattori iniziali (il punto medio dello spazio dei fattori tridimensionali), vediamo che si prevede che l'output critico abbia un valore di 75,3 e abbiamo il 50 percento dei punti della simulazione Monte Carlo al di sotto della specifica inferiore limite. Il contour plot ci mostra seduti quasi esattamente su quel limite di specifica inferiore.
Quando si passa alle impostazioni determinate dalla massimizzazione della desiderabilità (sotto), l'output critico aumenta a 82,1 e la percentuale di punti al di sotto del limite inferiore delle specifiche scende al 4,6 percento. Il contour plot mostra che ora ci troviamo nell'angolo in alto a sinistra dove si prevede che sia il valore più alto dell'output critico.
Se ora guardiamo le impostazioni determinate dall'esperimento di simulazione (sotto), ci siamo spostati nell'angolo in alto a destra del diagramma di contorno dove le linee di contorno sono più distanti. Non abbiamo raggiunto un valore così elevato previsto per l'output critico. Ora è 79,8, ma la percentuale di punti al di sotto del limite inferiore delle specifiche è sostanzialmente ridotta all'1,8%. Quando confrontiamo le impostazioni per la soluzione di massimizzazione desiderabilità con la soluzione dell'esperimento di simulazione, possiamo vedere che la differenza principale è che l'esperimento di simulazione ha scelto un'impostazione alta per Modificatore, che sfrutta l'interazione a due fattori tra Modificatore e Temperatura e rende l'output critico insensibile ai cambiamenti di temperatura (la linea della temperatura nel profiler è ora piatta). La distribuzione dell'output critico diventa molto più stretta con un numero considerevolmente inferiore di punti fuori specifica, portando a un processo più robusto.
Diamo un'occhiata a come l'esperimento di simulazione ha trovato questa soluzione più robusta. L'esperimento di simulazione esplora lo spazio dei fattori in un modo diverso per massimizzare la desiderabilità. Piuttosto che cercare nello spazio dei fattori le impostazioni che danno il valore più desiderabile per l'output critico, si concentra invece sulla ricerca nello spazio dei fattori per trovare le impostazioni che riducono al minimo il tasso di difetto calcolato dalla simulazione Monte Carlo. Utilizza ancora lo stesso modello per massimizzare la desiderabilità, ma ora utilizza quel modello per eseguire una serie di simulazioni Monte Carlo per determinare come varia il tasso di difetto all'interno dello spazio dei fattori. Utilizza un design Space Filling per fare ciò e modella il tasso di difetti utilizzando un processo gaussiano. Per avviare l'esperimento di simulazione, vai nel menu del triangolo rosso nella struttura del simulatore all'interno del profiler di previsione.
Quando si esegue un esperimento di simulazione, viene eseguita una simulazione Monte Carlo in ciascuna delle impostazioni di fattore specificate dal progetto di riempimento dello spazio e registra in una tabella la percentuale di difetti ottenuta per ciascuna di tali esecuzioni di simulazione. Quella tabella è mostrata di seguito. Ciascuna riga rappresenta una simulazione Monte Carlo eseguita con diverse impostazioni dei fattori. La tabella contiene anche uno script integrato che modellerà il tasso di difetto (in realtà modella il tasso di difetto del registro poiché questa è una risposta migliore da utilizzare). Possiamo quindi trovare le impostazioni ottimali che riducono al minimo la percentuale di difetti (utilizzando la massima desiderabilità nel Profiler della frequenza di difetti) e quindi salvare tali impostazioni nel Prediction Profiler originale per l'output critico.
Per vedere l'esperimento di simulazione dimostrato in modo più dettagliato, guarda questo video:
La differenza fondamentale tra massimizzare la desiderabilità e l'esperimento di simulazione è che la massimizzazione della desiderabilità non tiene conto della variazione naturale dei fattori quando si scelgono le impostazioni ottimali dei fattori. L'esperimento di simulazione tiene conto di quella variazione naturale nelle impostazioni dei fattori e trova le impostazioni più robuste per ridurre al minimo il tasso di difetti. La differenza è ben illustrata da un disegno che mia figlia ha disegnato per me, che illustra come JMP può rendere semplici problemi complessi.
