Progettazione personalizzata basata su dati esistenti con fattore di bloccoCiao,
Sto cercando di ottimizzare i parametri di processo per un'attività di stampa 3D. Ho 6 diversi "impianti" che vorrei trattare come un fattore di blocco. Per ottenere una stima della varianza del processo, ho raccolto 18 campioni del punto centrale per i miei fattori, 3 campioni per impianto. Vorrei progettare un esperimento I-ottimale e vorrei utilizzare questi campioni del punto centrale in tale studio per ridurre il numero di nuovi campioni necessari. Ecco cosa ho provato:
- Imposta la codifica e il ruolo di progettazione per tutte le colonne dei fattori. Ho 4 fattori numerici continui, un fattore numerico discreto e un fattore di blocco.
- Progettazione di potenziamento
- Non seleziono il fattore di blocco, poiché non posso modificare il "numero di corse per blocco" nella progettazione dell'aumento
- Definire i criteri di I-ottimalità
- Aggiungi i livelli appropriati ai fattori (il modello di aumento tratta il mio fattore numerico discreto come continuo, ma questo sembra corretto perché i livelli sono semplicemente 0, 1, 2, che funziona come una variabile continua con livelli 0 e 2).
- Aggiungere gli effetti 2FI e 2nd power al modello, ove applicabile.
- Imposta il numero di ripetizioni a 78 (puntando a un totale di 90 ripetizioni con 12 ripetizioni)
- Genera tabella
- Progettazione personalizzata, è qui che mi blocco
- Aggiungi il fattore di blocco alla tabella
- Assicurarsi che il ruolo di progettazione della colonna del fattore di blocco sia "bloccante".
- Aggiungere 72 run dalla tabella nell'ultimo passaggio come fattori covariati incluso il fattore di blocco
- Aggiungi gli stessi effetti 2FI e 2nd power al modello del passaggio precedente
- Selezionare "Includi tutte le righe delle covariate selezionate nel disegno sperimentale" e "Consenti la ripetizione delle righe delle covariate".
Ecco alcuni problemi che ho riscontrato:
- A quanto pare non posso specificare "12 ripetizioni" quando creo un progetto personalizzato con fattori covariati, posso solo indicare a JMP il numero di prove.
- Se seleziono il fattore di blocco come fattore covariato, non viene trattato come tale, ma semplicemente come un fattore covariato. Se non seleziono il fattore di blocco quando aggiungo i fattori covariati e lo aggiungo come fattore di blocco nel mio disegno personalizzato, quest'ultimo non ha modo di sapere a quale blocco appartiene ciascuno dei miei 18 punti dati.
- Tutti i fattori che aggiungo come covariate appaiono nella mia tabella dei fattori come ruolo "covariata". Non sono sicuro che questo sia un problema, ma significa che non posso distinguere tra blocchi, variabili numeriche continue e variabili numeriche discrete.
- Ricevo l'errore "I termini selezionati nello schema del modello dipendono linearmente dai termini precedenti" ogni volta che inserisco effetti diversi dal fattore di blocco e dall'intercetta. Quando ho provato a creare un progetto personalizzato con 90 punti totali, 18 punti centrali e 12 ripetizioni con tutti gli stessi effetti modellati, ha funzionato correttamente, quindi non capisco perché ricevo questo errore.
Ho l'impressione che questo flusso di lavoro (ottenere dati sui punti centrali per stimare la varianza, quindi costruire un DOE attorno ai dati sui punti centrali già raccolti) sia piuttosto comune, quindi deve esserci un buon modo per farlo. Qualsiasi suggerimento sarebbe molto apprezzato!
Oggetto: Progettazione personalizzata basata su dati esistenti con fattore di bloccoCiao @TimCarrWPI ,
Benvenuto nella community!
Da quanto ho capito, sei in grado di ampliare il tuo progetto, ma stai riscontrando problemi nell'applicare correttamente il fattore di bloccaggio nel progetto ampliato? Per quanto riguarda i tuoi fattori, sembra che il fattore di passaggio di stiratura sia definito erroneamente come continuo e non come numerico discreto (devi anche cambiare il tipo di modellazione in Ordinale).
Ciò che potrebbe essere possibile è:
- Aggiungi i tuoi 18 punti centrali iniziali a un progetto RSM I-ottimale, specificando un numero totale di prove pari a 90. Questa opzione, tuttavia, potrebbe non fornire esattamente 12 prove replicate; in alternativa, puoi utilizzare il progetto personalizzato con i fattori che hai definito per creare il progetto attorno ai punti centrali e imporre la condizione delle 12 prove replicate.
- Una volta creato il progetto, è possibile concatenare il set di dati iniziale di 18 esecuzioni a questo progetto personalizzato per arrivare a 90 esecuzioni.
- Infine, dovrai ordinare le sequenze in base al numero del blocco (fattore Mandrel) e randomizzare le sequenze all'interno di ciascun blocco, ottenendo così il disegno sperimentale desiderato.
Ho ricreato e aggiunto lo script nella tabella di progettazione finale per valutare il progetto e avviare la piattaforma del modello di adattamento. In allegato trovi la tabella dei fattori che ho utilizzato per creare la "parte di progettazione personalizzata", la progettazione personalizzata e il progetto finale con il tuo set di dati a 18 esecuzioni.
Potrebbe interessarti anche questo argomento strettamente correlato: Forzare la distribuzione uniforme dei punti centrali tra i blocchi di progettazione personalizzata
Spero di aver compreso la sua situazione e che questa risposta le sia d'aiuto,
Oggetto: Progettazione personalizzata basata su dati esistenti con fattore di bloccoLa piattaforma SEO giusta dovrebbe fornirti strumenti utili senza complicare inutilmente il tuo flusso di lavoro. Quando si confrontano diverse soluzioni SEO, è importante considerare sia la funzionalità che il costo. Revisioneprezzi di stimoloPossiamo aiutarti a esplorare le opzioni disponibili e a decidere quale piano SERPSpur è più adatto al tuo sito web, alla tua attività o ai tuoi progetti SEO.
Oggetto: Progettazione personalizzata basata su dati esistenti con fattore di bloccoGrazie per l'aiuto @Victor_G ! Credo che tu abbia presentato due possibili soluzioni, ma ho alcune domande/dubbi al riguardo:
Amplia il disegno attorno ai miei 18 punti centrali con un totale di 90 campioni. Ecco cosa sto provando a fare con questo metodo:
- Inizia con "Augmented Design Input.jmp"
- Seleziona "Aumenta la progettazione" e aggiungi tutte le colonne tranne la risposta (forza di adesione) a X con la forza di adesione in Y
- Aggiungi livelli a ciascun fattore non bloccante in modo che non vengano trattati come costanti
Ecco il problema che sto riscontrando:
- Non posso modificare il numero di "corse per blocco", quindi quando provo ad espandere a 90 corse, vengono aggiunti moltissimi livelli al fattore di blocco (mandrino).
- Se non posso specificare il numero di ripetizioni, JMP le sceglie automaticamente in modo intelligente per garantire una buona stima dell'errore? Ovviamente ho bisogno di alcune ripetizioni per eseguire un test di mancanza di adattamento.
Utilizzare un progetto personalizzato con 72 iterazioni e quindi concatenare i miei punti centrali. Ecco le mie perplessità riguardo a questo metodo:
- Lo strumento di progettazione personalizzata di JMP non "sa" che ho già raccolto 18 punti centrali, quindi temo che l'ottimizzatore sceglierà una distribuzione di punti non ottimale nel tentativo di riempire la zona centrale dello spazio dei parametri, non sapendo che ho già un gruppo di punti in quella posizione.
- Se potessi forzare il risolutore di progettazione personalizzato a inserire 3 punti centrali per blocco durante la generazione del progetto, potrei semplicemente riempire quei punti con i dati che ho già raccolto, ma a giudicare dalla discussione a cui hai fatto riferimento, non sembra possibile.
In breve:
- Ho bisogno esattamente di 6 blocchi e Augment Design non mi permette di specificare il numero di ripetizioni per blocco
- Se la progettazione personalizzata non "vede" i dati che ho raccolto in precedenza, non genererà un progetto ottimale (credo).
Oggetto: Progettazione personalizzata basata su dati esistenti con fattore di bloccoCiao @TimCarrWPI ,
Sì, il percorso di aumento diretto del progetto potrebbe essere difficile da gestire per quanto riguarda il fattore di blocco. Un modo per risolvere questo problema è aumentare il progetto iniziale senza il fattore di blocco fino a 90 prove, e poi utilizzare la piattaforma Progettazione personalizzata per includere tutte le prove del progetto aumentato come covariate, aggiungendo un fattore di blocco con 15 prove per blocco:
Come hai accennato, durante la fase di aumento dei dati non avrai il pieno controllo sul numero di repliche, ma JMP le assegnerà in modo da ridurre la varianza della previsione laddove è più elevata.
In merito alle sue perplessità circa l'ottimalità del progetto con la seconda opzione:
- I punti centrali vengono utilizzati principalmente per due motivi: stimare l'errore puro per il test di mancanza di adattamento e ridurre la varianza della previsione al centro dello spazio sperimentale (vedere l'effetto dei punti centrali per maggiori dettagli). Non sono utili per la stima dei termini del modello, quindi non mi preoccuperei troppo di un'eventuale perdita di ottimalità derivante dal non considerarli durante la creazione del progetto.
- Per impostazione predefinita, quando si specifica un modello RSM, JMP non propone punti centrali, ma piuttosto alcuni punti in cui un fattore si trova al livello intermedio e gli altri fattori ai valori minimo e massimo. Quindi, anche se si crea il progetto personalizzato in modo indipendente prima di concatenare il set di dati dei punti centrali, non verranno creati nuovi punti centrali. Un modo per verificarlo è esaminare il file di progetto finale che ho condiviso in precedenza: è possibile selezionare una riga dei punti centrali per le 5 colonne dei fattori e utilizzare Righe > Selezione righe > Seleziona celle corrispondenti. I punti centrali evidenziati nella tabella provengono solo dal set di dati iniziale.
Non sono a conoscenza di un modo per imporre punti centrali in modo "omogeneo" tra i blocchi, ecco perché ho linkato la discussione precedente relativa allo stesso problema.
Spero che questa risposta ti sia d'aiuto.
Oggetto: Progettazione personalizzata basata su dati esistenti con fattore di bloccoLa tua spiegazione è chiara, grazie! Procederò utilizzando lo strumento di progettazione personalizzata per creare 72 sequenze e concatenerò semplicemente i punti centrali davanti a quei dati durante l'analisi.
Saluti!
Oggetto: Progettazione personalizzata basata su dati esistenti con fattore di bloccoHo alcuni spunti di riflessione che potrebbero esserti utili. Attenzione, non sto cercando di influenzare la tua decisione, ma solo di invitarti a una maggiore ponderazione prima di intraprendere un esperimento.
1. Il blocco è una strategia per gestire insiemi di variabili di disturbo . Si potrebbe dire che si stanno confondendo le "piante" con il blocco. Perché servono 6 piante? Di certo non si prenderebbe in considerazione un polinomio di quinto grado che includa le piante come fattore in quel modello. Una domanda migliore è: perché le piante dovrebbero influenzare la risposta? Quali fattori sono confusi con le piante (quali fattori sono diversi o impostati a livelli diversi)? Siate scrupolosi nell'identificare i fattori che sono diversi. Avete delle ipotesi (spiegazioni) sul perché quei fattori che variano da pianta a pianta dovrebbero avere un effetto? Cosa farete se il blocco ha un effetto grande? E se ha un effetto piccolo? Potreste considerare di condurre questo studio in modo più iterativo. Potreste identificare le piante che sono più diverse? Magari iniziate con quelle (2 livelli) e stimate l'entità dell'effetto del blocco. Se è grande, replicate su altre piante. Questo potrebbe anche consentire di stimare la coerenza degli effetti dei fattori tra i blocchi.
I blocchi non sono certamente una covariata, ovvero un fattore specifico misurabile su una scala continua.
Un'altra strategia potrebbe essere quella di realizzare un piano di campionamento COV in cui le piante siano una delle componenti (argomento che verrà discusso in seguito).
2. Suggerisci di voler ottimizzare i fattori, e questo probabilmente sarà l'obiettivo finale, ma quanto sei lontano da quello "spazio"? Hai 5 fattori e un blocco (che è un insieme di X). Penso che tu stia ancora facendo una sorta di screening.
3. I punti centrali possono essere una strategia molto utile (i fattori dovrebbero essere continui per farlo, ma si potrebbe aggirare questo requisito). Suggerisci di usarli per ottenere una stima della varianza del processo. Vuoi dire che non lo sai? Quale stima ragionevole otterresti con 3 punti dati per impianto? Forse dovresti anche ottenere una stima della stabilità prima di stimare la varianza e probabilmente i 3 punti centrali per impianto potrebbero fornire un indizio, ma potrebbe anche essere meglio eseguire più punti centrali all'interno di ciascun blocco, ridurre il numero di blocchi e ottenere una stima della stabilità nello spazio di progettazione (magari 8 per blocco per un totale di 16). Assicurati inoltre che i punti centrali vengano eseguiti in modo casuale durante l'esperimento. Questo aumenta la fiducia nel trattarli come eventi indipendenti. Quando analizzi i dati, ordina prima i punti centrali nell'ordine di esecuzione effettivo e ottieni un grafico dell'intervallo mobile individuale. Il grafico dell'intervallo mobile fornirà i dati per stimare la varianza e il grafico individuale stimerà gli spostamenti e le tendenze nello spazio di progettazione. Il prossimo utilizzo dei punti centrali è quello di valutare l'ipotesi di linearità all'interno dello spazio di progettazione.
4. Infine, nessuno in questo forum, né in nessun altro, sa quale sia l'esperimento migliore da condurre. Il mio consiglio è di creare diverse opzioni, valutare quali conoscenze potresti potenzialmente acquisire da ciascuna. Prevedi tutti i possibili risultati delle opzioni. In che modo ti aiuteranno a iterare (acquisire conoscenza)? Valuta tutto ciò in relazione alle risorse necessarie. Scegline una, eseguila e preparati a iterare.
Oggetto: Progettazione personalizzata basata su dati esistenti con fattore di bloccoGrazie per le tue considerazioni, @statman . Risponderò in ordine:
- Sto eseguendo la stampa 3D su barre (chiamate mandrini); ogni "impianto" è una barra diversa. In teoria, le barre sono tutte identiche, ma presentano piccole deviazioni nella geometria della superficie che si manifestano come un errore sistematico tra le barre. A causa del meccanismo d'azione (essenzialmente sporgenze e curvature), l'effetto del mandrino è almeno in parte confuso con l'effetto dell'"altezza Z", ma probabilmente non con altri effetti principali. Ho incluso questo fattore come elemento di blocco perché voglio osservare gli effetti di ciascun parametro indipendentemente dal mandrino su cui viene stampato. Mi aspetto che le tendenze siano simili tra i vari mandrini. Credo che questa strategia sia valida, ma correggetemi se sbaglio!
- Ho effettuato una ricerca manuale di combinazioni di parametri quasi ottimali, che definisce lo spazio di ricerca per questo studio. In un certo senso, sto cercando di fare sia screening che ottimizzazione in un unico studio: voglio identificare gli effetti più significativi in modo che le informazioni che raccolgo siano utili ad altri (sospetto che il punto ottimale specifico varierà da configurazione a configurazione), ma voglio anche trovare i setpoint ottimali per il mio processo specifico sulla mia configurazione specifica.
- Scusate la vaghezza del mio linguaggio nel post iniziale, stavo cercando di spiegare la mia situazione in termini statistici invece di approfondire l'esperimento. Stavo raccogliendo dati nei punti centrali (1 per il mio parametro numerico discreto con valori 0, 1, 2) per ottenere una stima dell'errore casuale tra ogni stampa che non è attribuibile alle differenze tra i mandrini. Credo che questo sia ciò che voi chiamate stabilità e io lo chiamavo varianza di processo. Non mi è del tutto chiara la differenza. Per fare ciò, ho suddiviso l'errore come si fa per l'ANOVA dove SST = SSM + SSE e l'ho usato per ottenere l'RMSE. Voglio usare 6 blocchi perché vorrei usare tutti e 6 i mandrini (piante) quando genero i campioni per risparmiare tempo. Fare 18 campioni su una pianta richiede solo un po' meno tempo rispetto a fare 108 campioni su 6 piante. Non mi preoccupa troppo la distribuzione casuale dei miei campioni nel tempo, dato che la stampante 3D è estremamente ripetibile da una stampa all'altra, anche se ovviamente distribuirò casualmente i miei campioni all'interno dei blocchi per ridurre al minimo eventuali errori di stampa che potrebbero creare effetti laddove non ce ne siano.
- Inizialmente non cercavo consigli su quale esperimento eseguire, ma solo su come far sì che JMP generasse un progetto RMS I-ottimale attorno a punti fissi con un fattore di blocco, ma apprezzo comunque il consiglio!
