再：2つの最適化アプローチを使用して最良のプロセス操作条件を見つけること上記のYouTubeビデオリンクは破損しているようです。これは正しいリンクです： https://www.youtube.com/watch?v=9KZ7Ns3CQzU
私は昨年アムステルダムでこの話題についてのディスカバリートークも行いました。これがそのレコーディングへのリンクです。
https://community.jmp.com/t5/Discovery-Summit-Europe-2016/Robust-Optimisation-of-Processes-and-Products-by-Using-Monte/ta-p/23746
再：2つの最適化アプローチを使用して最良のプロセス操作条件を見つけることありがとうJorge、私はあなたがビデオが役に立ちましたうれしいです。 私の 'Images'メニューは、実際にはアドインではありません。それは、画像を含むジャーナルへのリンクや特定の事柄に関する簡単な説明を含む、カスタマイズされたメニューです。私が記録したJMPデモで使用したメニューの中で唯一のものは、「最大化された望ましさ対 シミュレーション実験の漫画 私はあなたの質問に答えてそれをディスカッションエリアに投稿しました。メニューに何か他に見たいものがあれば、教えてください。
再：2つの最適化アプローチを使用して最良のプロセス操作条件を見つけることこんにちはロバート、私はあなたのビデオを最近見て、トンを学んでいます。私はあなたがあなたのアイデアを描くためにあなたが役に立つ画像のボールトを持っているところにあなたが役に立つ「画像アドイン」を持っているのに気付いた。 Images Add-Inがどこでダウンロードできるかどうか疑問に思いますか。ありがとう。
ロバートアンダーソンは書きました：ありがとうマルチェロ、私はあなたが見つけてうれしいです...ロバートアンダーソン書きました：
マルチェロさん、ありがとうございます。私はあなたが彼女の絵が好きであることを私の娘に言います。
マルチェロは書いた：この記事は非常に興味深いとはっきり...マルチェロ書きました：
この記事は非常に興味深いもので、問題とJMPがそれを管理する方法を明確に示しています。ありがとうございました。その絵はとても物語っています！
マルチェロ。
Robert Andersonは次のように書いています：ありがとうChristel。私はあなたが好きで嬉しいです...ロバートアンダーソン書きました：
Christelに感謝します。私はあなたがそれを好きうれしい。将来のDoEに頑張ってください
Christel Kronigは、次のように書いています。クリステル・クロニグ書きました：
非常に便利で面白い記事ありがとうございます。JMPでこれを見るために、私はあなたのデータテーブルを作り直しました。これまでシミュレーション部分を使用したことはありませんでしたが、出力を正常に再作成できました。今後のDOEにこれを使用する予定です。
Re：2つの最適化アプローチを使用して最適なプロセス動作条件を見つける詳細情報をありがとうございました。
しかし、私は奇妙な状況を観察しました。3〜4回シミュレーション実験を実行すると、JMPは、不良率が小さい別の因子レベルを提案します。JMPが示唆する不良率が小さいほど、シミュレーションの経験値を大きくします。
たくさん読んだのですが、なぜ起こるのか理解できませんでした。JMPを信頼して、シミュレーション実験により、全体的に最大の望ましい因子レベルが得られることを信頼できますか？
Re：2つの最適化アプローチを使用して最適なプロセス動作条件を見つけるElllaに感謝します。シミュレーション実験を実行すると、 「実験する因子空間の部分」 です 0.5 。つまり、シミュレーション実験では、全因子範囲の半分現在のプロファイラー係数設定の周り。したがって、これは、シミュレーション実験を最初に実行したときに最低の不良率を与える因子設定に到達しない可能性があることを意味しますが、次回それを再度実行すると、最低の不良率を与える設定に再び近づきます。の設定を変更した場合 「実験する因子空間の部分」 に 1 その後、シミュレーション実験が探索されます全因子範囲初めてシミュレーション実験を実行すると、不良率が最も低くなる設定が見つかります。次に、これらの因子設定と削減された値でシミュレーション実験を再度実行できます。 「実験する因子空間の部分」 最低の不良率を与える最適な設定をさらに正確に見積もる場合。それにより、発生している問題が解決したかどうかをお知らせください。ロバート
Re：2つの最適化アプローチを使用して最適なプロセス動作条件を見つける迅速な返品と関心をありがとうございました。
私はまた、protionレベルがこの不安定なソリューションを引き起こす可能性があることを疑います。
因子空間実験の一部を入れてシミュレーションを作ってみました1 以前と今。
しかし、JMPは、部分レベル= 0.5と比較して欠陥率が高く、より悪い解決策を私に与えました。
なぜ不安定なのか本当にわかりません。 @ markbailey＃@ markbailey＃ @robert_anderson
Re：2つの最適化アプローチを使用して最適なプロセス動作条件を見つけるこんにちはエラ、それは面白いです。シミュレーション実験を実行しているモデルは何ですか？それは、2因子交互作用のある二次多項式モデルですか、それとももっと複雑なものですか？データテーブルとモデルの匿名バージョンを共有できますか？問題が何であるかを理解する機会を得るためには、データとモデルを見なければならないでしょう。あなたは私にメールすることができます robert.anderson@jmp.com それが簡単なら、ロバート
Re：2つの最適化アプローチを使用して最適なプロセス動作条件を見つけるこんにちはエラ、もう1つの質問、あなたのモデルのR-squareは何ですか？ロバート
Re：2つの最適化アプローチを使用して最適なプロセス動作条件を見つける4つのモデルを最適化しようとします。
3つはfglsを使用して以来、MATLABで予測され、次にJMPでこれらの式を作成します。
4つ目はニューラルネットワークです。
これが、3つのfglsモデルのR ^ 2がわからない理由です。ニューラルネットワークモデルR ^ 2は、私が覚えている限り、およそ％40です。
私のモデルはそのようなものです（主な効果と相互作用があります）：
最初の1つ：
（（（（（（（-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）
二つ目：
（（（（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）
三つ目：
（180-0.04 *：x1-2.3 *：x3）+ 138.4 *：x6 + 0.3 *：x7 + 2.2 *（：x1-2522）*（：x4
-13）
最後の一つ：
-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）
）
確率変数：X4、x5、x6
残りは固定変数です。
これらがお役に立てば幸いです
Re：2つの最適化アプローチを使用して最適なプロセス動作条件を見つけるこんにちはロバート、
これは非常に魅力的なアプローチです。共有していただきありがとうございます。このアプローチを使用して、このプロセスに最適なプロセスウィンドウを決定できるかどうかを知りたいのですが。言い換えると、応答が2つの仕様限界の間にあることを保証しながら、最大の直交（ボリューム？）をもたらす入力変数の範囲は何ですか？
私は「直交」という用語を使用して、プロセスパラメーターがパラメーター範囲のテーブルとしてリストされ、プロセスパラメーターの任意の組み合わせにより、仕様の制限内のプロセス出力が得られることを意味します。プロセスウィンドウのボリュームを最大化して、プロセスパラメータのばらつきを最大化したいと考えています。
よろしく、
デビッド
Re：2つの最適化アプローチを使用して最適なプロセス動作条件を見つけるこんにちはデビッド、私があなたが正しく言っていることを理解しているなら、それは「シミュレーション実験」を「次のレベル」に連れて行くことになると思います。シミュレーション実験では、各因子設定で予想される変動量を指定する必要があります。つまり、各因子設定をどれだけうまく制御できるかを指定する必要があります。あなたが求めているのは、「全体的な不良率」に実質的な影響を与え始める前に、各要素の設定がどれだけ変化するかということです。現時点でJMPでそのようなことを行うには、一連の「シミュレーション実験」を実行して、それぞれに要因の変動量を変えて、「全体的な不良率」にどのような影響があるかを確認する必要があります。効率的な方法でこれを行うには、「空間充填」DOEを実行し、ガウスプロセスを使用して結果をモデル化する必要があります。だからあなたが効果的に話しているのは「シミュレーション実験」の「シミュレーション実験」だと思います。次に、元の「シミュレーション実験」のSD（標準偏差）値に基づいて、「全体的な不良率」のモデルを構築できます。そのようなものはスクリプト化される可能性がありますが、残念ながらそれはおそらく私が簡単に行うことができるか、作業する時間がある範囲を超えています。たぶん他の誰かがこの挑戦を引き受けるでしょう！
Re：2つの最適化アプローチを使用して最適なプロセス動作条件を見つける返信ありがとう、ロバート。あなたは私が何を求めているかをかなりうまくまとめ、考えたり遊んだりする興味深いことを教えてくれました。このトピックに関する進捗状況を喜んで掲載しますが、最後に、コミュニティの誰かがこのトピックに関心を共有している場合は、コラボレーションを歓迎します！
Re：2つの最適化アプローチを使用して最適なプロセス動作条件を見つけるこんにちはデビッド、私はあなたの考えを正しく理解してよかったです。あなたが提案したことは、「シミュレーション実験」への便利な追加と拡張であることに同意します。コミュニティの「JMPウィッシュリスト」セクションにアイデアを投稿できます。ワークフローを簡素化でき、シミュレーション実験の最適化プロセスを「ワンクリック」で、つまり「望ましさを最大化」と同様の方法で実行できれば、より多くの人々が「シミュレーション実験」を使用することを数年前に提案しました。残念ながらそれは決して起こらなかった。同意すれば、あなたもその提案をすることができますか？顧客から来た場合、おそらくより優先されます。あなたがこれをどこで取るかを楽しみにしています。何かお手伝いできることがありましたら、お知らせください。これにもっと時間を費やしたいのですが、残念ながら私は自分の「日々の仕事」に集中し続けなければなりません。
Re：2つの最適化アプローチを使用して最適なプロセス動作条件を見つけるあなたのリンクを提供してくれたRobertに感謝します。これらのリンクは常に私の研究に役立ちます。
予測プロファイラに基づく赤い三角形の下に、他のドキュメントやビデオ（たとえば、欠陥プロファイラやトピック）がある場合、それらを詳細に説明することに非常に興味があります。
そしてこんにちはデビッド、
私は以前の私の研究であなたの問題についても考えました。しかし、私は拳を解決する必要があるより重要な問題があるので、あきらめました。Bu acc。Davidの説明に戻ると、JMPにはワンクリックソリューションがないことがわかります。あなたがそれについての決意を持っているなら、私もそれを聞いて、適用してうれしいです。
Re：2つの最適化アプローチを使用して最適なプロセス動作条件を見つけるこのブログに興味がある人は、この「JMP On Air」ビデオもチェックしてください。シミュレーション実験数ヶ月前に録音しました。上記のYouTubeビデオは約5年前のものです。私はこのトピックについて数年前にディスカバリートークもしましたモンテカルロシミュレーション実験を使用したプロセスと製品の堅牢な最適化
Re：2つの最適化アプローチを使用して最適なプロセス動作条件を見つけるエラに感謝します albiruni81 あなたとデビッドが上記で話し合ったアイデアにも興味があり、そのトピックについていくつかの議論がありました不良率を低くするための要因の許容限界を見つける全体的な不良率に深刻な影響を与えることなく、各要素で許容できる変動を調査または理解するための自動化された方法を誰かが思いついた場合は、確かに良いでしょう。他のスレッドで説明されているように、既存のJMP機能を使用して反復的に「手動」でこれを探索できますが、「ワンクリック」ソリューションが優れています。あなたは両方とも、私がこれを自分で見る時間を探すように私に勧めました。ただし、私が現在持っているよりも優れたスクリプト機能が必要になる可能性があると思いますが、これから試してみます。他の誰かが解決策をより早く思いついた場合、それは私には問題ありません。
2つの最適化アプローチを使用して最適なプロセス動作条件を見つける科学者やエンジニアは、歩留まりやパフォーマンスを最大化するために、プロセスや製品に最適な設定や操作条件を見つける必要があることがよくあります。最適化機能がどのように JMP 使用するのに最適な設定を見つけるのに役立ちます。やや意外なことに、最高の歩留まりまたは最高のパフォーマンスが得られると予測される特定の設定が、長期的にそのプロセスを操作するのに最適な場所であるとは限りません。ほとんどのプロセスと製品は、ある程度のドリフトまたは変動の影響を受けます。最適な動作条件は、それを考慮する必要があります。
プロセスの最適化のコンテキストで望ましさを最大化することに慣れているかもしれませんが、シミュレーション実験はJMP予測プロファイラー内のあまり知られていない宝石です。プロセスの最も堅牢な因子設定を見つけようとしている場合は、シミュレーション実験について知る必要があります。シミュレーション実験がいかに役立つか、そして望ましさを最大化することができるものを超えてどのようにそれが進むかをお見せします。
ほとんどの設計された実験の目標は、特定の要因または入力がそのプロセスからの応答または出力にどの程度影響するかを特定して定量化することです。二次的な目標は、多くの場合、この理解を使用して、最も望ましい応答または出力値を与える因子設定を選択することです。
設計された実験を実行し、因子と応答の間の関係を説明するモデルを構築したら、そのモデルを使用して、関心のある応答に対して最も満足できる値を与える最適な因子設定を見つけることができます。JMPでこの最適化プロセスを実行するにはいくつかの異なる方法があり、これらの方法については、JMP内の[ヘルプ]> [ブック]にあるプロファイラーブックの8章と9章で詳しく説明されています。
これらの方法の2つに焦点を当てたいと思います。状況によっては非常に異なる解決策につながる可能性があるため、望ましさを最大化し、シミュレーション実験を行います。これを説明するために使用する例は、5つの因子と1つの応答を含む13回の最終的なスクリーニングデザイン（DSD）です。これらの3レベルの最終的なスクリーニング計画は、重要な主効果を非常に効率的に特定できる新しいクラスのスクリーニング計画です。また、アクティブな主効果が3つしかない場合は、2因子交互作用と2次項を含む完全な応答曲面モデルを構築することもできます。これらのデザインの発明者であるブラッドリージョーンズは、彼の優れた件名に関するブログ投稿 。
13ランDSDを以下に示します。
この実験のモデルを作成する最も簡単な方法は、JMPデータテーブルの左上のパネルで青くハイライトされている組み込みのスクリーニングスクリプトを実行することです。私たちが取得するモデルには、3つの主要な効果（モディファイア、温度、時間）とモディファイアと温度の間の2因子相互作用項、および時間の2次項が含まれています。このモデルの予測プロファイラーを以下に示します。モンテカルロシミュレータと輪郭プロファイラもオンにしました。
初期の因子設定（3次元因子空間の中間点）を使用すると、クリティカル出力が75.3の値を持つと予測され、モンテカルロシミュレーションからの点の50％が下部スペックの下にあることがわかります。制限。等高線図は、スペックの下限にほぼ正確に座っていることを示しています。
望ましさを最大化することによって決定された設定に移動すると（下記）、クリティカル出力が82.1に増加し、仕様の下限を下回るポイントのパーセンテージが4.6％に低下します。等高線図は、クリティカル出力の最高値が予測される左上隅に座っていることを示しています。
ここで、シミュレーション実験で決定された設定（下）を見ると、等高線がさらに離れている等高線図の右上隅に移動しています。重要な出力の予測値としては、それほど高くはありません。現在は79.8ですが、スペックの下限を下回るポイントの割合は1.8％に大幅に減少しています。最大望ましさソリューションとシミュレーション実験ソリューションの設定を比較すると、主な違いは、シミュレーション実験がモディファイアの高い設定を選択していることであることがわかります。これは、モディファイアと温度の間の2因子相互作用を利用し、重要な出力は温度の変化に影響されません（プロファイラーの温度ラインはフラットになりました）。クリティカル出力分布は、仕様外のポイントがかなり少なくなり、より厳密になり、より堅牢なプロセスにつながります。
シミュレーション実験がこのより堅牢なソリューションをどのように見つけたかを見てみましょう。シミュレーション実験は、望ましさを最大化するために異なる方法で因子空間を探索します。クリティカルアウトプットに最も望ましい値を与える設定について因子空間を検索するのではなく、モンテカルロシミュレーションによって計算された不良率を最小化する設定を見つけるために因子空間を検索することに重点を置きます。望ましい状態を最大化するために同じモデルを使用していますが、現在はそのモデルを使用して一連のモンテカルロシミュレーションを実行し、因子空間内での欠陥率の変化を決定しています。これは空間充填設計を使用してこれを行い、ガウス過程を使用して不良率をモデル化します。シミュレーション実験を開始するには、予測プロファイラー内のシミュレーターアウトラインの赤い三角形のメニューに移動します。
シミュレーション実験を実行すると、空間充填設計で指定された各因子設定でモンテカルロシミュレーションが実行され、シミュレーション実行ごとに得られた不良率がテーブルに記録されます。その表を以下に示します。各行は、異なる因子設定で実行されたモンテカルロシミュレーションを表します。この表には、欠陥率をモデル化する組み込みスクリプトも含まれています（実際には、ログの欠陥率がモデル化されています。これは、使用に対する応答が優れているためです）。次に、欠陥率を最小化する最適な設定を見つけ（欠陥率プロファイラーで最大の望ましさを使用）、重要な出力のためにそれらの設定を元の予測プロファイラーに保存します。
シミュレーション実験の詳細を確認するには、次のビデオをご覧ください。
望ましさの最大化とシミュレーション実験の主な違いは、望ましさの最大化は、最適な因子設定を選択するときに因子の自然な変動を考慮しないことです。シミュレーション実験では、因子設定のその自然な変動を考慮に入れて、欠陥率を最小限に抑えるための最も堅牢な設定を見つけます。違いは、娘が私のために描いた絵によってうまく示され、JMPが複雑な問題を簡単にする方法を示しています。
