Diseño personalizado en torno a los datos existentes con factor de bloqueoHola,
Estoy intentando optimizar los parámetros del proceso para una tarea de impresión 3D. Tengo 6 "plantas" diferentes que quiero tratar como un factor de bloqueo. Para obtener una estimación de la varianza del proceso, recolecté 18 muestras de punto central para mis factores, 3 muestras por planta. Me gustaría diseñar un experimento I-óptimo y usar estas muestras de punto central en ese estudio para reducir la cantidad de nuevas muestras necesarias. Esto es lo que he intentado:
- Configure la codificación y el rol de diseño de todas las columnas de factores. Tengo 4 factores numéricos continuos, un factor numérico discreto y un factor de bloqueo.
- Diseño de aumento
- No selecciono el factor de bloqueo, ya que no puedo editar el "número de ejecuciones por bloque" en el diseño de aumentos.
- Criterios de optimalidad del conjunto I
- Agregue niveles apropiados a los factores (el diseño de aumento trata mi factor numérico discreto como continuo, pero esto parece estar bien porque los niveles son solo 0, 1, 2, lo que funciona como una variable continua con niveles 0 y 2).
- Agregue los efectos 2FI y de segunda potencia al modelo donde corresponda.
- Establece el número de carreras en 78 (con el objetivo de lograr un total de 90 carreras con 12 repeticiones).
- Generar tabla
- Diseño personalizado, aquí es donde me estoy atascando
- Agregar factor de bloqueo a la tabla
- Asegúrese de que la función de diseño de la columna del factor de bloqueo sea "bloqueante".
- Agregue 72 ejecuciones de la tabla en el último paso como factores covariables, incluido el factor de bloqueo.
- Agregue los mismos efectos 2FI y de segunda potencia al modelo del paso anterior.
- Seleccione "Incluir todas las filas de covariables seleccionadas en el diseño" y "Permitir que las filas de covariables se repitan".
Algunos problemas con los que me he topado:
- Parece que no puedo especificar "12 repeticiones" al crear un diseño personalizado con factores covariables; solo puedo indicarle a JMP el número de ejecuciones.
- Si selecciono el factor de bloqueo como covariable, no se trata como tal, sino simplemente como una covariable. Si no selecciono el factor de bloqueo al añadir covariables y lo incluyo como tal en mi diseño personalizado, este no podrá determinar a qué bloques pertenece cada uno de mis 18 puntos de datos.
- Todos los factores que agrego como covariables aparecen en mi tabla de factores como rol de "covariable". No estoy seguro de si esto es un problema, pero significa que no puedo distinguir entre bloqueo, continuo numérico y discreto numérico.
- Recibo el error "Los términos seleccionados en el esquema del modelo dependen linealmente de los términos anteriores" siempre que aplico algún efecto que no sea el factor de bloqueo ni la intersección. Cuando intenté crear un diseño personalizado con 90 puntos en total, 18 puntos centrales y 12 repeticiones con los mismos efectos modelados, funcionó correctamente, así que no entiendo por qué me aparece este error.
Me parece que este flujo de trabajo (obtener datos del punto central para estimar la varianza y luego construir un diseño de experimentos a partir de esos datos) es bastante común, así que debe haber una buena manera de hacerlo. ¡Agradecería mucho cualquier consejo!
Re: Diseño personalizado en torno a datos existentes con factor de bloqueoHola @TimCarrWPI ,
¡Bienvenidos a la comunidad!
Por lo que entiendo, puedes ampliar tu diseño, pero tienes problemas para aplicar correctamente el factor de bloqueo en el diseño ampliado. En cuanto a tus factores, parece que el factor de pasada de planchado está definido erróneamente como continuo y no como numérico discreto (también tienes que cambiar el tipo de modelado a ordinal).
Lo que podría ser posible es:
- Amplíe sus 18 puntos centrales iniciales a un diseño RSM I-Optimal, especificando un número total de ejecuciones de 90. Sin embargo, esta opción puede no proporcionar exactamente 12 ejecuciones replicadas, por lo que, en su lugar, puede utilizar el Diseño personalizado con los factores que haya definido para crear el diseño alrededor de los puntos centrales y aplicar la condición de 12 ejecuciones replicadas:
- Una vez creado el diseño, puede concatenar su conjunto de datos inicial de 18 ejecuciones a este diseño personalizado para llegar a 90 ejecuciones.
- Finalmente, debes ordenar las ejecuciones por el número de bloque (factor Mandrel) y aleatorizar las ejecuciones dentro de cada bloque, y obtendrás el diseño que esperabas.
Recreé y agregué el script a la tabla de diseño final para evaluar el diseño y lanzar la plataforma de ajuste del modelo. Adjunto la tabla de factores que utilicé para crear la sección "Diseño personalizado", el diseño personalizado y el diseño final con su conjunto de datos de 18 ejecuciones.
Quizás te interese este tema estrechamente relacionado: Forzar que los puntos centrales se distribuyan uniformemente entre los bloques de diseño personalizado.
Espero haber comprendido su situación y que esta respuesta le sea de ayuda.
Re: Diseño personalizado en torno a datos existentes con factor de bloqueoLa plataforma SEO adecuada debería proporcionarte herramientas útiles sin complicar innecesariamente tu flujo de trabajo. Al comparar diferentes soluciones SEO, es importante considerar tanto la funcionalidad como el coste. Revisandoprecios de estímuloPuede ayudarte a explorar las opciones disponibles y a decidir qué plan de SERPSpur es el más adecuado para tu sitio web, negocio o proyectos de SEO.
Re: Diseño personalizado en torno a datos existentes con factor de bloqueo¡Gracias por tu ayuda, @Victor_G ! Creo que has presentado dos posibles soluciones, pero tengo algunas preguntas/inquietudes al respecto:
Ampliar el diseño alrededor de mis 18 puntos centrales con un total de 90 muestras. Esto es lo que estoy intentando con este método:
- Comience con "Augmented Design Input.jmp"
- Seleccione "Aumentar diseño" y agregue todas las columnas excepto la respuesta (fuerza de adhesión) a X con la fuerza de adhesión en Y.
- Agregue niveles a cada factor no bloqueante para que no se traten como constantes.
Este es el problema que tengo:
- No puedo cambiar "carreras por bloque", así que cuando intento expandir a 90 carreras agrega un montón de niveles al factor de bloqueo (mandril).
- Si no puedo especificar el número de repeticiones, ¿JMP elige automáticamente las repeticiones para asegurar una buena estimación del error? Obviamente, necesito algunas repeticiones para realizar una prueba de falta de ajuste.
Utiliza un diseño personalizado con 72 ejecuciones y luego concatena mis puntos centrales. Estas son mis preocupaciones con este método:
- La herramienta de diseño personalizado de JMP no "sabe" que ya he recopilado 18 puntos centrales, por lo que me preocupa que el optimizador elija una distribución subóptima de puntos al intentar rellenar la zona cercana al centro del espacio de parámetros sin saber que ya tengo un montón de puntos allí.
- Si pudiera obligar al solucionador de diseño personalizado a colocar 3 puntos centrales por bloque al generar el diseño, entonces podría simplemente rellenar esos puntos con los datos que ya he recopilado, pero según la discusión a la que enlazaste, no parece que eso sea posible.
Resumen:
- Necesito exactamente 6 bloques y el diseño de aumento no me permite especificar las tiradas por bloque.
- Si el diseño personalizado no "ve" los datos que he recopilado previamente, entonces no generará un diseño óptimo (creo).
Re: Diseño personalizado en torno a datos existentes con factor de bloqueoHola @TimCarrWPI ,
Sí, la ruta de aumento directo del diseño puede ser difícil de manejar en lo que respecta al factor de bloqueo. Una forma de resolver esto es aumentar su diseño inicial sin el factor de bloqueo hasta 90 ejecuciones, y luego usar la plataforma de Diseño Personalizado para incluir todas las ejecuciones del diseño aumentado como covariables, agregando un factor de bloqueo con 15 ejecuciones por bloque:
Como bien dices, durante el proceso de ampliación no tendrás control total sobre el número de ejecuciones replicadas, pero JMP asignará ejecuciones replicadas para reducir la varianza de la predicción donde sea mayor.
En relación con sus inquietudes sobre la optimización del diseño con la segunda opción:
- Los puntos centrales se utilizan principalmente por dos razones: estimar el error puro en la prueba de falta de ajuste y disminuir la predicción de la varianza en el centro del espacio experimental (véase el efecto de los puntos centrales para más detalles). No son útiles para la estimación de los términos del modelo, por lo que no me preocuparía demasiado por la posible pérdida de optimalidad al no considerarlos durante la creación del diseño.
- Por defecto, al especificar un modelo RSM, JMP no propone puntos centrales, sino puntos donde un factor se encuentra en el nivel medio y los demás factores en sus valores mínimo y máximo. Por lo tanto, incluso si crea el diseño personalizado de forma independiente antes de concatenar su conjunto de datos de puntos centrales, no se crearán nuevos puntos centrales. Una forma de comprobarlo es consultar el archivo de diseño final que compartí anteriormente: puede seleccionar una fila de sus puntos centrales para las columnas de 5 factores y usar Filas > Selección de filas > Seleccionar celdas coincidentes. Los puntos centrales resaltados en la tabla provienen únicamente de su conjunto de datos inicial.
No conozco ninguna forma de imponer puntos centrales de manera "homogénea" en todos los bloques, por eso enlacé la discusión anterior que trata el mismo tema.
Espero que esta respuesta te ayude.
Re: Diseño personalizado en torno a datos existentes con factor de bloqueoTu explicación tiene sentido, ¡gracias! Procederé a usar la herramienta de diseño personalizado para crear 72 ejecuciones y simplemente concatenaré los puntos centrales delante de esos datos durante el análisis.
¡Salud!
Re: Diseño personalizado en torno a datos existentes con factor de bloqueoTengo algunos comentarios que podrían ayudarte a reflexionar sobre tu situación. Cabe aclarar que no intento convencerte de qué hacer, sino simplemente que pienses con más detenimiento antes de realizar un experimento.
1. El bloqueo es una estrategia para manejar conjuntos de variables de ruido . Podría decirse que está confundiendo las "plantas" con el bloque. ¿Por qué necesita 6 plantas? Seguramente no consideraría un polinomio de quinto orden que incluya las plantas como un factor en ese modelo. Una mejor pregunta es: ¿por qué las plantas afectarían su respuesta? ¿Qué factores están confundidos con las plantas (qué factores son diferentes o están establecidos en diferentes niveles)? Sea meticuloso al identificar los factores que son diferentes. ¿Tiene hipótesis (explicaciones) sobre por qué esos factores que varían de una planta a otra tendrían un efecto? ¿Qué hará si el bloque tiene un gran efecto? ¿Y si tiene un efecto pequeño? Podría considerar realizar este estudio de forma más iterativa. ¿Podría identificar las plantas que son más diferentes? Tal vez comience con esas (2 niveles) y estime el tamaño del efecto del bloque. Si es grande, replíquelo en otras plantas. Esto también podría permitir estimar la consistencia de los efectos de los factores entre bloques.
Los bloques no son, desde luego, una covariable, que es un factor específico que se puede medir en una escala continua.
Otra estrategia sería elaborar un plan de muestreo de COV en el que las plantas sean uno de los componentes (tema que se abordará en otro momento).
2. Sugieres que estás optimizando factores, y probablemente ese sea el objetivo final, pero ¿qué tan lejos estás de lograrlo? Tienes 5 factores y un bloque (que es un conjunto de X). Creo que aún estás realizando algún tipo de filtrado.
3. Los puntos centrales pueden ser una estrategia muy útil (los factores deben ser continuos para hacer esto, pero puede que puedas hacer trampa en esto). Sugieres que los estás usando para obtener una estimación de la varianza del proceso. ¿Quieres decir que no lo sabes? ¿Qué te darían 3 puntos de datos por planta para una estimación razonable? Tal vez también deberías obtener una estimación de la estabilidad antes de estimar la varianza y probablemente los 3 CP por planta podrían dar una pista, pero también podría ser mejor ejecutar más puntos centrales dentro de cada bloque, reducir el número de bloques y obtener una estimación de la estabilidad en el espacio de diseño (tal vez 8 por bloque para un total de 16). Además, asegúrate de que los puntos centrales se ejecuten aleatoriamente a lo largo de tu experimento. Esto aumenta la confianza en tratarlos como eventos independientes. Cuando analices los datos, primero ordena los puntos centrales en el orden de ejecución real y obtén un gráfico de rango móvil individual. El gráfico MR proporcionará datos para estimar la varianza y el gráfico individual estimará los cambios y las tendencias en el espacio de diseño. El siguiente uso de los puntos centrales es evaluar el supuesto lineal dentro del espacio de diseño.
4. Por último, nadie en este foro ni en ningún otro sabe cuál es el mejor experimento para ti. Mi consejo es que crees varias opciones y consideres qué conocimiento podrías obtener de cada una. Predice todos los resultados posibles. ¿Cómo te ayudarán a iterar (adquirir conocimiento)? Ten en cuenta los recursos necesarios. Elige una, ejecútala y prepárate para iterar.
Re: Diseño personalizado en torno a datos existentes con factor de bloqueoGracias por tus comentarios, @statman . Responderé en orden:
- Estoy imprimiendo en 3D sobre varillas (llamadas mandriles); cada "planta" es una varilla diferente. En teoría, todas las varillas son idénticas, pero presentan pequeñas variaciones en la geometría de la superficie que se manifiestan como un error sistemático entre ellas. Debido al mecanismo del efecto (básicamente, protuberancias y curvas), el efecto del mandril se ve parcialmente afectado por el efecto de la "altura Z", pero probablemente no por otros efectos principales. Incluyo esto como un factor limitante porque quiero observar los efectos de cada uno de mis parámetros independientemente del mandril sobre el que se impriman. Espero que las tendencias sean similares en todos los mandriles. Creo que esta estrategia es acertada, ¡pero corríjanme si me equivoco!
- He realizado una búsqueda manual de combinaciones de parámetros casi óptimas, lo que define mi espacio de búsqueda para este estudio. En cierto modo, intento combinar la selección y la optimización en un mismo estudio: quiero identificar los efectos más significativos para que la información que recopile sea útil para otros (sospecho que el punto óptimo específico variará según la configuración), pero también quiero encontrar los puntos de ajuste óptimos para mi proceso específico en mi configuración específica.
- Disculpen mi lenguaje vago en mi publicación inicial, solo intentaba explicar mi situación en términos estadísticos en lugar de explicar más sobre mi experimento. Estaba recopilando datos en los puntos centrales (1 para mi parámetro numérico discreto con valores 0, 1, 2) para obtener una estimación del error aleatorio entre cada impresión que no es atribuible a diferencias entre mandriles. Creo que esto es lo que ustedes llaman estabilidad y yo lo llamaba varianza del proceso. No me queda del todo clara la diferencia. Para hacer esto, dividí el error como se haría para ANOVA donde SST = SSM + SSE y lo usé para obtener RMSE. Quiero usar 6 bloques porque me gustaría usar los 6 mandriles (plantas) cuando genero muestras para ahorrar tiempo. Hacer 18 muestras en una planta lleva solo un poco menos de tiempo que hacer 108 muestras en 6 plantas. No me preocupa demasiado dispersar mis muestras al azar a lo largo del tiempo, ya que la impresora 3D es extremadamente repetible impresión tras impresión, aunque obviamente dispersaré mis muestras al azar dentro de bloques para reducir cualquier efecto de error de impresión donde no lo hay.
- Inicialmente no buscaba consejos sobre qué experimento realizar, sino sobre cómo lograr que JMP generara un diseño RMS I-óptimo en torno a puntos fijos con un factor de bloqueo, ¡pero agradezco el consejo!
