Dr. Frank Yang 问答专帖

brainchip

杨老师，谢谢您的建议，这次的数据之所以有这些问题，有可能像您提到的那样，可能是试验区域选取的不是很合适。不过如果GLM模型适合我们目前的数据的话，我们会依照预测结果选定一个区间去做一些验证试验，看看具体的误差是不是很大然后再做决定。
再次感谢您的帮助，谢谢您！

思源致远

对了，我注意到该GLM & Log 建模的p-value of Goodness-of-Fit太小，但已经无法增添更高阶的items。 我也试过不同的 link functions 也没有找到更好的模型。我有些担心数据的integrety.  Anyway, 你先去用预告的最优结果验证一下。如果相差甚远，则需要先检查重复性，必要的话改变实验区域范围，或者replicate或者augment 试验，有更多的数据来建模并作仔细的诊断。

brainchip

杨老师，您好！
非常感谢您认真负责的指导。这两天我们根据预测的contour plots，结合我们以往的经验，选取了acid 的范围是4.9-5.1, electri的范围是6-8；从模型上看，这个区域的capacity大概在100以上。我们选取两个比较差的点做了验证分别是acid 4.9, electri 6以及acid 5.1, electri 8；结果5.1，8的响应值同预测的比较接近，高于了100，但是4.9,6的点则在95左右，从contour plot上看，这个点距离100的等高线也比较近，同时和您预测的一致，这个模型的拟合不是很好，因此估计在不同的区域存在着偏差。
不过我们的实验对这个结果也可以接受，所以调整了一下，把今后的响应预期设置在90以上应该是在选定的因子区域可以实现的。
实际上，原始表格中数据的结果我们重复了两次，响应值都差不多，因此很有可能是我们在最初的设计中选定的区域不是很合适导致的，今后如果有机会应该重新验证下选定合适的区域再做这个实验。
再次感谢您的指导，谢谢您！

思源致远

不用客气！ 我很欣赏你的钻研精神。我们公司的工程师很少有像你这样对DOE及其数据分析研究得这么深的。大多数人都说有兴趣，但是工程方面的工作太忙，没有时间钻研。但是我相信你的工程技术方面也一定很忙，大部分是自己利用业余时间读书钻研的，我猜得对不对！
欢迎你的新问题，包括我自己有时也不熟悉的问题。只要是有实用价值的问题，难度再高，我也乐意花时间去把它弄懂。
另外：你的replicate 了两次的数据分析的结果是否有些改进？ 你也可以寄给我看看。

brainchip

杨老师，谢谢您的夸奖。
如您所料，我确实是正在自学DOE，希望能在实际工作中发挥更大的作用，谢谢您一直的耐心指导与帮助。附件是我两次重复的数据，第二次有个点不是很好，可能是操作有问题，不过像我昨天回复您的，我们后来依据等高线图选两个点做了验证，觉得那两个点界定的区域还是可用的，因此就不再继续花时间在这个问题上了。
再次感谢您！
以后有问题希望还能得到您的指导，谢谢您！

admin

杨老师：
这里有些论坛的问题，还请您帮忙解答下,谢谢！
1. http://www.jmpforum.net/forum.ph ... tid=1672&extra=
2. http://www.jmpforum.net/forum.ph ... tid=1669&extra=
3. http://www.jmpforum.net/forum.ph ... tid=1668&extra=

Mujahida

Hi! Frank Yang,

1. 自相关(Autocorrelation),可以帮助检验数据间的是否非随机性的问题，那么，Autocorrelation的值多大时，数据是非随机的呢？用什么标准去判断？
多谢！

思源致远

autocollation 的各阶系数一般是越小，数据就越随机，通常0.2 以下就认为数据的随机性不错。但是自相关系数的p值也是重要的判别根据。 倘若是0.6 但是p值》0.05，我们不能就认为数据的非随机性强。 应该加大数据样本再做分析。
抱歉回复晚了些！

望岳

求教：关于DOE在电动汽车电池系统中的应用，【原帖在本论坛网址：http://www.jmpforum.net/forum.ph ... &page=1#pid4245】

目前网上有这样一篇文章《Tesla的新纪元：数据分析+创新研发》，里边讲到：
      “TESLA经过反复对比和研究，最终采用了来自JMP的高级DOE平台及数据分析套件。通过JMP提供的高级实验设计、数据分析套件及数据挖掘方法，Tesla成功解决了电池温度与快速充电问题，并且成功实现对每个单个电池的温度与工作环境监控，成功解决了电动车界几大难题：1、高效能充电；2、高效能放电；3、电池工作安全且可靠；4、电池容量的突破”。
      因为我以前做的DOE大部分是参数优化、多因子分析等，模型比较简单，所以对TESLA所做的电池系统DOE模型没有思路，只是大概感觉他们采用的可能是针对连接方式、排布结构的多因子、多响应的定制设计，但是我以前做的都是关于配方、工艺条件等DOE，对于做结构方面的DOE，思维就比较受限制。
大家有这方面经验吗？希望能够提供一些这方面的相关案例或是分析思路。

Tesla文章的网址http://www.vsharing.com/k/BI/2014-3/695665_3.html
参考：“第二件事情就是电压控制和温度控制。电池越小，可以测量的分辨率就越高，控制就越容易精确。当然这个时候有人自然会问：7000个电池太多太复杂了吧?怎么控制呢?但是在网络控制领域，一个简单程序就能通过router控制上万台甚至几百万台服务器，而Marc更是这个领域的技术专家并且成功的卖过一个公司。因此，在底特律传统车商不熟悉的领域，Tesla的团队抓住了电池问题的关键，利用自己的聪明才智解决了这个问题。我第一次见到Marc的时候就急不可耐的问：大哥，您那些串并联的数字，69并联99串联11并联是怎么得来的啊?Marc大叔摸了摸自己在海滩上游泳时被太阳晒得通红的光头，淡淡的道：DOE (design of experiment)。我一口鲜血差点就喷了出来。搞工程的人对这个概念应该都很熟悉，就是穷举所有的可能数字排列组合，然后选取其中一部分组合进行仿真和实测，比较输出的结果。6831个电池，无穷无尽的DOE，他们做了一年的时间。”

思源致远

不好意思，我才看到你的问题。迟复为歉！
你的问题是不是想从Tesla 的文章了解结构方面的DOE经验？关于后面一段（桔黄色的一段）好像是你的评论，不是一个明确的问题。如果你有问题，请再把你的问题从另一个角度提出来， 我们再讨论？
关于这篇文章提到的DOE，唯一有关的一段是：
“研发流程中，不论汽车、制药、化工还是半导体行业，实验是绕不过去的坎。实验成本与周期，构成了整个研发过程中的绝大多数成本、时间损耗。人类在如何让实验计划合理化的过程中，研发出了一系列的方法和技术，其中最神奇的数据分析方法就是DOE(实验设计)。这套统计手段可以帮助研发专业人员大幅度降低实验次数，使得实验的安排既满足最合理试验次数与研发参数需要，又能够匹配实验成本及时间要求。在世界众多实验设计与数据分析方法中，CUSTOMER DESIGN（定制实验设计）又是其中只有极少数分析方法厂家可以提供的高端工具。Tesla经过反复对比和研究，最终采用了来自JMP的高级DOE平台及数据分析套件。” 我的评论是： DOE是一个以优化为目的的试验设计和分析的方法，不单纯只是数据分析方法。
关于你提的的结构问题，我想这和该工程专业有关。 DOE领域里没有这样的一个与结构有关的统计学分支。 我们和不熟悉工程领域的工程师合作时，或者该工程师把工程问题表达为一个DOE问题，我们便可以提出针对性的问题进行合适的试验设计，试验后再对数据进行分析以及针对目标的优化，或者找到进一步改进的方向。 如果工程师一定不懂DOE， 我们便需要向该工程师深入了原理细节，自己把工程问题归纳为统计问题，然后进行合适的试验设计，等等。
因为我不懂你领域的工程问题，所以我建议你把结构问题深入了解一下，将问题转换为一个试验设计的问题，我们再往下讨论。
你看怎么样？