Re: Encontrar las mejores condiciones de operación del proceso usando 2 enfoques de optimizaciónEl enlace del video de YouTube anterior parece estar dañado. Este es el enlace correcto: https://www.youtube.com/watch?v=9KZ7Ns3CQzU
También hice una charla sobre Discovery sobre este tema el año pasado en Ámsterdam, que se grabó. Aquí está el enlace a esa grabación:
https://community.jmp.com/t5/Discovery-Summit-Europe-2016/Robust-Optimisation-of-Processes-and-Products-by-Using-Monte/ta-p/23746
Re: Encontrar las mejores condiciones de operación del proceso usando 2 enfoques de optimizaciónGracias Jorge, me alegra que hayas encontrado útiles los videos. Mi menú 'Imágenes' no es realmente un complemento, es solo un menú personalizado con enlaces a revistas que contienen imágenes o explicaciones simples de ciertas cosas. Creo que lo único en ese menú que he usado en una demostración JMP grabada es el 'Maximizar la conveniencia vs. Simulación de dibujos animados de experimento. He publicado eso en el área de discusión en respuesta a su pregunta. Si hay algo más que viste en el menú y te gustaría, solo avísame.
Re: Encontrar las mejores condiciones de operación del proceso usando 2 enfoques de optimizaciónHola Robert, he estado viendo tus videos últimamente y aprendiendo mucho. Me he dado cuenta de que tiene un útil "Complemento de imágenes" donde tiene una gran cantidad de imágenes útiles para retratar sus ideas. Me pregunto si el complemento de imágenes está disponible en algún lugar para que lo descargue. Gracias.
Robert Anderson escribió: Gracias Marcello, me alegro de que encuentres ... Robert anderson escribió:
Gracias Marcello, me alegro de que te resulte interesante. Le diré a mi hija que te gustó su dibujo.
Marcello escribió: Este post es muy interesante y claro ... Marcello escribió:
Esta publicación es muy interesante e ilustra claramente el problema y la forma en que JMP puede manejarlo. Gracias. El dibujo es muy revelador!
Marcello.
Robert Anderson escribió: Gracias Christel. Me alegra que te guste... Robert anderson escribió:
Gracias Christel. Me alegro de que te guste. Buena suerte con esos futuros DoE's.
Christel Kronig escribió: Muy útil e interesante post t ... Christel Kronig escribió:
Muy útil e interesante post gracias. He recreado su tabla de datos para ver esto en JMP. No había usado la parte de simulación antes, pero logré recrear la salida con éxito. ¡Usaré esto para futuras DOE!
Re: Encontrar las mejores condiciones de operación del proceso utilizando 2 enfoques de optimizaciónMuchas gracias por la información detallada.
Pero observé una situación extraña. Cuando ejecuto experimentos de simulación 3 o 4 veces, JMP me sugiere diferentes niveles de factores con tasas de defectos más pequeñas. Cuanto más hago simulación exp., Menor es la tasa de defectos que sugiere JMP.
Leí mucho pero no pude entender por qué sucede. ¿Cómo puedo confiar en JMP porque el experimento de simulación me da niveles máximos de factores deseables a nivel mundial?
Re: Encontrar las mejores condiciones de operación del proceso utilizando 2 enfoques de optimizaciónGracias Ellla, lo que creo que podría estar sucediendo es que cuando ejecutas un experimento de simulación, la configuración predeterminada para 'Parte del espacio factorial para experimentar' es 0.5 0.5 . Esto significa que el experimento de simulación solo explora la mitad del rango completo de factores alrededor de la configuración actual del factor perfilador. Esto significa que es posible que no llegue a la configuración del factor que da la tasa de defectos más baja la primera vez que ejecuta el experimento de simulación, pero si la ejecuta nuevamente la próxima vez, se acercará nuevamente a las configuraciones que dan la tasa de defectos más baja. Si cambia la configuración de 'Parte del espacio factorial para experimentar' a 1 entonces el experimento de simulación explorará el rango completo de factores la primera vez que ejecutas un experimento de simulación y debes encontrar la configuración que da la tasa de defectos más baja. A continuación, puede volver a ejecutar el experimento de simulación con esos ajustes de factor y un valor reducido para 'Parte del espacio factorial para experimentar' si desea probar y obtener una estimación aún más precisa de cuáles son las configuraciones óptimas que dan la tasa de defectos más baja. Avíseme si eso resuelve el problema que está viendo. Robert
Re: Encontrar las mejores condiciones de operación del proceso utilizando 2 enfoques de optimizaciónMuchas gracias por su rápido retorno e interés.
También doblé que el nivel de protión puede causar estas soluciones inestables.
He tratado de hacer una simulación poniendo parte del experimento espacial de factores 1 antes y ahora.
Pero JMP me dio una solución peor con una tasa de defectos más alta en comparación con el nivel de porción = 0.5.
Realmente no entiendo por qué es inestable. @markbailey @robert_anderson
Re: Encontrar las mejores condiciones de operación del proceso utilizando 2 enfoques de optimizaciónHola Ella, eso es interesante. ¿En qué modelo está ejecutando el experimento de simulación? ¿Es un modelo polinómico cuadrático con interacciones de 2 factores o algo más complicado? ¿Puedes compartir una versión anónima de la tabla de datos y el modelo? Creo que tendría que ver los datos y el modelo para tener la oportunidad de averiguar cuál podría ser el problema. Puedes enviarme un correo electrónico a robert.anderson@jmp.com si eso es más fácil, Robert
Re: Encontrar las mejores condiciones de operación del proceso utilizando 2 enfoques de optimizaciónHola Ella, una pregunta más, ¿Cuál es el cuadrado R para tu modelo? Robert
Re: Encontrar las mejores condiciones de operación del proceso utilizando 2 enfoques de optimizaciónIntento optimizar 4 modelos.
3 de los cuales se predicen en MATLAB ya que usé fgls, luego creo estas fórmulas en JMP.
El cuarto es la red neuronal.
Es por eso que no conozco los modelos R ^ 2 de 3 fgls. El modelo de trabajo de red neuronal R ^ 2 es aproximadamente% 40 por lo que recuerdo.
Mis modelos son así (tienen efectos principales e interacciones):
El primero:
((((((((-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)
Segundo:
(((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)
el tercero:
(180 - 0.04 *: x1 - 2.3 *: x3) + 138.4 *: x6 + 0.3 *: x7 + 2.2 * (: x1 - 2522) * (: x4
- 13)
El último:
-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 aleatorias: X4, x5, x6
El resto son variables fijas.
espero que esto ayude
Re: Encontrar las mejores condiciones de operación del proceso utilizando 2 enfoques de optimizaciónHola robert
Este es un enfoque extremadamente fascinante. Gracias por compartir. Me gustaría saber si es posible utilizar este enfoque para determinar la ventana de proceso óptima para este proceso. En otras palabras, ¿cuáles son los rangos de las variables de entrada que darían como resultado el mayor ortogonal (volumen) mientras se garantiza que la respuesta esté entre dos límites de especificación?
Estoy usando el término "ortogonal" para implicar que los parámetros del proceso se enumerarán como una tabla de rangos de parámetros, y cualquier combinación de los parámetros del proceso debería dar como resultado una salida del proceso que esté dentro de los límites de especificación. Quiero maximizar el volumen de la ventana del proceso para permitir la mayor variabilidad de los parámetros del proceso.
Saludos,
David
Re: Encontrar las mejores condiciones de operación del proceso utilizando 2 enfoques de optimizaciónHola David, creo que si entiendo lo que estás diciendo correctamente, sería llevar el 'Experimento de simulación' al 'siguiente nivel'. Con el experimento de simulación, debe especificar la cantidad de variación que anticipa que tendrá en cada configuración de factor o, en otras palabras, qué tan bien puede controlar cada configuración de factor. Creo que lo que está preguntando es cuánto puede variar cada ajuste de factor antes de que comience a afectar sustancialmente la 'tasa de defectos general'. Para hacer algo así en JMP en este momento, necesitaría ejecutar una serie de 'experimentos de simulación', cada uno con diferentes cantidades de variación en los factores para ver qué impacto tendría en la 'tasa de defectos general'. Para hacerlo de una manera eficiente, es probable que desee ejecutar un DOE de 'relleno de espacio' y modelar los resultados utilizando un proceso gaussiano. Así que creo que de lo que estás hablando efectivamente sería un 'experimento de simulación' en un 'experimento de simulación'. Luego, podría construir un modelo para la 'tasa de defectos general' basada en los valores SD (desviación estándar) en el 'experimento de simulación' original. Algo así podría ser programado, pero desafortunadamente está más allá de lo que podría hacer fácilmente o tener tiempo para trabajar. ¡Quizás alguien más acepte este desafío!
Re: Encontrar las mejores condiciones de operación del proceso utilizando 2 enfoques de optimizaciónGracias por la respuesta, Robert. Resumiste lo que busco bastante bien y me diste algunas cosas interesantes para pensar y jugar. Con mucho gusto publicaré cualquier progreso que haga en este tema, pero hasta su último punto, si alguien en la comunidad comparte interés en este tema, ¡agradecería la colaboración!
Re: Encontrar las mejores condiciones de operación del proceso utilizando 2 enfoques de optimizaciónHola David, me alegro de haber entendido tu idea correctamente. Estoy de acuerdo en que lo que ha sugerido sería una adición y extensión útil al 'Experimento de simulación'. Tal vez podría publicar su idea en la sección 'Lista de deseos de JMP' de la comunidad. En realidad, sugerí hace unos años que más personas usarían el 'Experimento de simulación' si el flujo de trabajo se pudiera simplificar y el proceso de optimización del experimento de simulación se pudiera lograr con solo 'un clic', es decir, de manera similar a 'Maximizar la deseabilidad'. Lamentablemente eso nunca sucedió. Si está de acuerdo, ¿tal vez podría hacer esa sugerencia también? Viniendo de un cliente, probablemente recibirá mayor prioridad. Espero ver a dónde llevas esto. Si puedo ser de alguna ayuda, hágamelo saber. Me encantaría dedicar más tiempo a esto, pero desafortunadamente tengo que concentrarme en mi "trabajo diario".
Re: Encontrar las mejores condiciones de operación del proceso utilizando 2 enfoques de optimizaciónGracias Robert por tus enlaces, estos enlaces siempre son de ayuda para mis estudios.
Si tiene otros documentos o videos sobre, por ejemplo, un perfil de defecto o temas bajo el triángulo rojo basado en el perfil de predicción, estoy muy interesado en exponerlos.
Y hola David
También pensé acerca de su problema en mi estudio antes. Pero me di por vencido ya que tengo un problema más importante que necesito para resolver el puño. Bu acc. Para la explicación de David, veo que no hay una solución de un solo clic en JMP. Si tiene una solución, también me alegra escucharlo y aplicarlo.
Re: Encontrar las mejores condiciones de operación del proceso utilizando 2 enfoques de optimizaciónCualquier persona interesada en este blog también debería ver este video 'JMP On Air' Experimento de simulación grabado hace un par de meses. El video de YouTube anterior tiene aproximadamente 5 años. También hice una charla de descubrimiento sobre este tema hace unos años. Optimización robusta de procesos y productos mediante el uso de experimentos de simulación Monte Carlo
Re: Encontrar las mejores condiciones de operación del proceso utilizando 2 enfoques de optimizaciónGracias Ella, hace un tiempo alguien más albiruni81 También estaba interesado en la idea de que usted y David hablaron anteriormente y hubo una discusión sobre el tema Encontrar los límites permitidos para un factor para garantizar bajas tasas de defectos Sin duda, sería bueno que alguien se le ocurriera una forma automatizada de explorar o comprender cuánta variación puede tolerar en cada factor sin que la tasa general de defectos se vea seriamente afectada. Puede explorar esto 'manualmente' de forma iterativa con las capacidades JMP existentes, como lo comenta el otro hilo, pero una solución de 'un clic' sería excelente. Ambos me han animado a tratar de encontrar algo de tiempo para mirar esto yo mismo. Sin embargo, sospecho que puede requerir mayores habilidades de scripting de las que poseo actualmente, pero voy a intentarlo. Si alguien más logra encontrar una solución más rápido, está bien para mí.
Encontrar las mejores condiciones de operación del proceso utilizando 2 enfoques de optimizaciónLos científicos e ingenieros a menudo necesitan encontrar la mejor configuración o condiciones operativas para sus procesos o productos para maximizar el rendimiento o el rendimiento. Le mostraré cómo las capacidades de optimización en JMP puede ayudarlo a encontrar la mejor configuración para usar. Sorprendentemente, las configuraciones particulares que se predice que darán el mayor rendimiento o el mejor rendimiento no siempre serán el mejor lugar para operar ese proceso a largo plazo. La mayoría de los procesos y productos están sujetos a cierto grado de desviación o variación, y las mejores condiciones operativas deben tenerlo en cuenta.
Puede que esté familiarizado con maximizar la deseabilidad en el contexto de la optimización de procesos, pero el experimento de simulación es una joya poco conocida dentro del JMP Prediction Profiler. Si está tratando de encontrar la configuración de factores más robusta para un proceso, entonces necesita conocer el experimento de simulación. Le mostraré lo útil que puede ser el experimento de simulación y cómo va más allá de lo que puede lograr maximizar la deseabilidad.
El objetivo de la mayoría de los experimentos diseñados es identificar y cuantificar cuánto factores o entradas particulares afectan las respuestas o salidas de ese proceso. A menudo, un objetivo secundario es utilizar este conocimiento para elegir la configuración de los factores que dará la respuesta o los valores de salida más deseables.
Una vez que hemos realizado un experimento diseñado y construido un modelo que describe la relación entre los factores y las respuestas, podemos usar ese modelo para encontrar la configuración óptima de los factores que dará los valores más satisfactorios para las respuestas que nos interesan. Hay varias formas diferentes de realizar este proceso de optimización en JMP y estos métodos se describen en detalle en los capítulos 8 y 9 del libro Profilers, que se puede encontrar en Ayuda> Libros dentro de JMP.
Quiero centrarme en dos de estos métodos: maximizar la deseabilidad y el experimento de simulación, ya que en algunas situaciones pueden conducir a soluciones muy diferentes. El ejemplo que voy a utilizar para ilustrar esto es un diseño de cribado definitivo (DSD) de 13 ejecuciones con cinco factores y una respuesta. Estos diseños de cribado definitivo de tres niveles son una nueva clase de diseños de cribado que pueden permitirle identificar de manera muy eficiente los efectos principales importantes. También pueden permitirle construir un modelo de superficie de respuesta completa con interacciones de dos factores y términos cuadráticos si solo hay tres efectos principales activos. Bradley Jones, el inventor de estos diseños, los describe con más detalle en su excelente entrada de blog sobre el tema .
A continuación se muestra un DSD de 13 ejecuciones.
La forma más rápida y sencilla de crear un modelo para este experimento es ejecutar la secuencia de comandos Screening incorporada resaltada en azul en el panel superior izquierdo de la tabla de datos de JMP. El modelo que obtenemos contiene tres efectos principales - Modificador, Temperatura y Tiempo - y un término de interacción de dos factores entre Modificador y Temperatura, más un término cuadrático para Tiempo. El generador de perfiles de predicción para este modelo se muestra a continuación. También encendí el simulador de Monte Carlo y el Contour Profiler.
Usando la configuración del factor inicial (el punto medio del espacio factorial tridimensional), vemos que se predice que la salida crítica tendrá un valor de 75.3, y tenemos el 50 por ciento de los puntos de la simulación de Monte Carlo por debajo de la especificación más baja. límite. El gráfico de contorno nos muestra sentados casi exactamente en ese límite de especificación inferior.
Cuando pasamos a la configuración determinada por la máxima deseabilidad (abajo), la salida crítica aumenta a 82,1 y el porcentaje de puntos por debajo del límite de especificación inferior cae al 4,6 por ciento. La gráfica de contorno muestra que ahora estamos sentados en la esquina superior izquierda donde se predice que estará el valor más alto de la Salida Crítica.
Si ahora miramos la configuración determinada por el experimento de simulación (abajo), nos hemos movido a la esquina superior derecha del gráfico de contorno donde las líneas de contorno están más separadas. No hemos logrado un valor predicho tan alto para el resultado crítico. Ahora es 79,8, pero el porcentaje de puntos por debajo del límite de especificación inferior se reduce sustancialmente al 1,8 por ciento. Cuando comparamos los ajustes para la solución de máxima deseabilidad frente a la solución del experimento de simulación, podemos ver que la principal diferencia es que el experimento de simulación ha elegido un ajuste alto para Modificador, que explota la interacción de dos factores entre Modificador y Temperatura y hace la salida crítica insensible a los cambios de temperatura (la línea de temperatura en el generador de perfiles ahora es plana). La distribución de salida crítica se vuelve mucho más ajustada con considerablemente menos puntos fuera de especificación, lo que lleva a un proceso más robusto.
Echemos un vistazo a cómo el experimento de simulación encontró esta solución más robusta. El experimento de simulación explora el espacio factorial de una manera diferente para maximizar la conveniencia. En lugar de buscar en el espacio de factores las configuraciones que dan el valor más deseable para la salida crítica, se centra en buscar en el espacio de factores para encontrar las configuraciones que minimizan la Tasa de defectos calculada por la simulación de Monte Carlo. Todavía usa el mismo modelo para maximizar la deseabilidad, pero ahora usa ese modelo para ejecutar una serie de simulaciones de Monte Carlo para determinar cómo varía la tasa de defectos dentro del espacio de factores. Utiliza un diseño de relleno de espacio para hacer esto y modela la tasa de defectos usando un proceso gaussiano. Para iniciar el experimento de simulación, vaya al menú del triángulo rojo en el esquema del Simulador dentro de Prediction Profiler.
Cuando ejecuta un experimento de simulación, realiza una simulación Monte Carlo en cada uno de los ajustes de factor especificados por el diseño de llenado de espacio y registra la tasa de defectos obtenida para cada una de esas ejecuciones de simulación en una tabla. Esa tabla se muestra a continuación. Cada fila representa una ejecución de simulación de Monte Carlo con diferentes configuraciones de factor. La tabla también contiene una secuencia de comandos incorporada que modelará la tasa de defectos (en realidad, modela la tasa de defectos de registro, ya que es una mejor respuesta para usar). Luego, podemos encontrar la configuración óptima que minimice la tasa de defectos (utilizando maximizar la deseabilidad en el generador de perfiles de tasa de defectos) y luego guardar esas configuraciones en el perfil de predicción original para la salida crítica.
Para ver el experimento de simulación demostrado con más detalle, mire este video:
La diferencia clave entre maximizar la deseabilidad y el experimento de simulación es que maximizar la deseabilidad no tiene en cuenta la variación natural de los factores al elegir la configuración óptima de los factores. El experimento de simulación tiene en cuenta esa variación natural en la configuración de los factores y encuentra la configuración más sólida para minimizar la tasa de defectos. La diferencia está muy bien ilustrada por un dibujo que me hizo mi hija, que ilustra cómo JMP puede simplificar problemas complejos.
