R语言响应面(RSM)、线性模型lm分析生产过程影响因素可视化

全文链接:https://tecdat.cn/?p=33499

响应面(Response Surface Methodology,RSM)分析是一种常用的统计方法,用于研究和优化生产过程中的影响因素。通过建立数学模型来描述因素与响应之间的关系,RSM可以帮助我们识别并优化影响因素的设置,以达到最佳的生产结果点击文末“阅读原文”获取完整代码数据)。

相关视频

在本研究中,我们将帮助客户应用R语言中的响应面分析技术来探索和优化生产过程中的关键影响因素。通过收集实验数据并建立合适的数学模型,我们将评估各个因素对于生产过程的影响,并通过优化因素水平来达到最佳的生产效果。同时,我们将针对交互作用效应进行进一步的分析,以深入理解影响因素之间的相互作用对生产结果的影响。

通过这项研究,我们期望为生产过程的优化和改进提供有价值的信息和指导。通过响应面分析方法,我们可以更好地理解和管理生产过程中的关键影响因素,并为提高生产效率、降低成本和提升产品质量做出贡献。

1、响应面分析与优化设计

试验设计与优化方法,都未能给出直观的图形,因而也不能凭直觉观察其最优化点,虽然能找出最优值,但难以直观地判别优化区域。为此响应面分析法(也称响应曲面法)应运而生。响应面分析也是一种最优化方法,它是将体系的响应作为一个或多个因素的函数,运用图形技术将这种函数关系显示出来,以供我们凭借直觉的观察来选择试验设计中的最优化条件.

显然,要构造这样的响应面并进行分析以确定最优条件或寻找最优区域,首先必须通过大量的测试验数据建立一个合适的数学模型(建模),然后再用此数学模型作图。那么我们来看看响应面分析的主要建模方法。

2、响应面建模数学方法

根据响应逼近函数形式的不同,响应面建模方法主要分为多项式回归法、神经网络法、Kriging函数法和径向基函数法等,各种方法都有一定的局限性。

实例

我们将要使用的一个实例就是:工程师有兴趣在确定在哪些条件下运作的生产过程是最大化。这两个变量可以控制的影响的生产过程:在反应时间(x1)和反应温度(x2)。工程师目前的操作条件是反应时间 35 分钟,温度 155ºF,生产率为 40%。这不可能是最佳区域,因此她拟合了一个一阶模型。

首先,拟合了一个一阶模型,以检验响应变量与温度和时间因素之间的真实函数是否接近于线性函数。

设立一个模型的回应曲面

首先收集并分析 B1 区块的数据,然后添加 B2 区块并进行新的分析。在大多数情况下,可以通过对 k 个自变量的水平进行编码来简化参数估计的计算。为了创建一个编码数据集,我们将使用以下公式:

Chemact, x1 ~(Time - 85)/5, x2 ~(Temp - 175)/5)
CR[1:7,]

49523fdf0d06ef9ca585bb60e6baac28.png

coded.data(转换预测值并用编码版本替换这些变量) 在第一阶段,使用以下命令拟合一阶模型:

rsm(Yield~FO(x1,x2),data =

d0c5522eb2290c7aabc1de5cf09df985.png

由于拟合度明显不足(p 值 = 0.01),因此应使用高阶模型。拟合模型没有任何特征允许我们估计响应变量的值。由于模型拟合中没有二次项或交互项,变量 x1 和 x2 不显著。因此,交互项被包含在内:

CR.rsm1.5 <- update(
summary(CR.rsm1.5)

d82d4c10b762eb34942c0e98c8babb02.png

47ef135800a768179616535a56949c04.png

同样,在这种情况下,拟合度的缺失是显著的,p 值 = 0.005。为了建立二阶模型,我们加入了模块 2 的数据。这可以使用 "SO(x1,x2) "来完成,其中包括二次项和交互项:

CR. Yield ~ Block + SO(x1, x2 
summary(CR.rsm2)

6f01d01c4e56c1826d80c7ff8745bdc1.png

9f7b97a2a8f9c14e862bf23c5e73e510.png

现在,拟合不显著(p 值 = 0.69),即二阶模型很好地拟合了数据。还可以看出,拟合模型的静止点位于(0.37; 0.33),即最大值点。

可以使用 lm 函数(线性模型)或 rsm 函数(响应面方法)来构建水平曲线和响应面。

fit.model <- rs me,Temp))
contour(fit.model, " col = inbw(40))

32ebff2e04d73c61e3b37456b7512d68.png


点击标题查阅往期内容

9ea7f187bb6fb61a7e421c75a3084101.png

有限混合模型聚类FMM、广义线性回归模型GLM混合应用分析威士忌市场和研究专利申请数据

outside_default.png

左右滑动查看更多

outside_default.png

01

c56e38ef277703dfd0109ddf7dd1099f.jpeg

02

f587ded2557164d9b8063f2b7085122e.jpeg

03

c39ce2ec6a1d16be1538d162c39d85ab.jpeg

04

f2f5214712668ba411561e568744e410.jpeg

可以看出,当 x1(时间)的值接近 85 分钟和 x2(温度)的值接近 175ºF 时,响应变量的值达到最大。如上所述,我们可以更精确地找到方差分析得出的静止点,即 x1 = 86.86148 和 x2 = 176.67190。

最后是响应面图:

psp(fitodel,~Time+Temp)

cf46cff8a86828e2e2a609e75abe8d21.png


bdbb8ce3fced42eecf69acda1ae1baef.jpeg

点击文末“阅读原文”

获取全文完整代码数据资料。

本文选自《R语言响应面(RSM)、线性模型lm分析生产过程影响因素可视化》。

bd01c7806de0be9c6e6cc0c0f1cfb0af.jpeg

outside_default.png

点击标题查阅往期内容

数据分享|R语言逻辑回归、线性判别分析LDA、GAM、MARS、KNN、QDA、决策树、随机森林、SVM分类葡萄酒交叉验证ROC

Python用PyMC贝叶斯GLM广义线性模型、NUTS采样器拟合、后验分布可视化

数据分享|用加性多元线性回归、随机森林、弹性网络模型预测鲍鱼年龄和可视化

R语言高维数据惩罚回归方法:主成分回归PCR、岭回归、lasso、弹性网络elastic net分析基因数据(含练习题)

Python中LARS和Lasso回归之最小角算法Lars分析波士顿住房数据实例

R语言Bootstrap的岭回归和自适应LASSO回归可视化

R语言Lasso回归模型变量选择和糖尿病发展预测模型

R语言实现贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析

基于R语言实现LASSO回归分析

R语言用LASSO,adaptive LASSO预测通货膨胀时间序列

R语言自适应LASSO 多项式回归、二元逻辑回归和岭回归应用分析

R语言惩罚logistic逻辑回归(LASSO,岭回归)高维变量选择的分类模型案例

Python中的Lasso回归之最小角算法LARS

r语言中对LASSO回归,Ridge岭回归和弹性网络Elastic Net模型实现

r语言中对LASSO回归,Ridge岭回归和Elastic Net模型实现

R语言实现LASSO回归——自己编写LASSO回归算法

R使用LASSO回归预测股票收益

python使用LASSO回归预测股票收益

outside_default.png

outside_default.png

outside_default.png

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/55601.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【C++入门到精通】C++入门 —— 多态(抽象类和虚函数的魅力)

阅读导航 前言一、多态的概念1. 概念2. 多态的特点 二、多态的定义及实现1. 多态的构成条件2. 虚函数3. 虚函数的重写⭕虚函数重写的两个例外1.协变(基类与派生类虚函数返回值类型不同)2.析构函数的重写(基类与派生类析构函数的名字不同) 4. override 和 final&#xff08;C11 …

K8s Pod 安全认知:从openshift SCC 到 PSP 弃用以及现在的 PSA

写在前面 简单整理,博文内容涉及: PSP 的由来PSA 的发展PSA 使用认知不涉及使用,用于了解 Pod 安全 API 资源理解不足小伙伴帮忙指正对每个人而言,真正的职责只有一个:找到自我。然后在心中坚守其一生,全心全意,永不停息。所有其它的路都是不完整的,是人的逃避方式,是…

成功的行业都需要沉淀

最近一段时间&#xff0c;去外地和朋友交流一下&#xff0c;正好趁着天气不太热&#xff0c;出去转了一圈。 和这些做事的朋友圈子聊天&#xff0c;看到的都是积极向上的状态&#xff0c;不像偶尔遇到的新人或者小白&#xff0c;上来直接问的很多&#xff0c;或者是要一些资料…

什么是JVM ?

目录 一、JVM 简介 1.1 JVM 发展史 1.Sun Classic VM 2.Exact VM 3.HotSpot VM 4.JRockit 5.J9 JVM 6.Taobao JVM&#xff08;国产研发&#xff09; 1.2 JVM 和《Java虚拟机规范》 二、 JVM 运行流程 JVM 执行流程 三、JVM 运行时数据区 3.1 堆&#xff08;线程共享…

SQLSTATE[IMSSP]: The active result for the query contains no fields.

我的是SQL server 报错场景&#xff0c;代码&#xff1a; $psendmx_sql"SET IDENTITY_INSERT PSENDMX ON;INSERT INTO psendmx (DJBH,MIBH,MXBH,SPDM,GG1DM,GG2DM,SL,SL_2,CKJ,ZK,DJ,DJ_1,JE,HH) VALUES {$mx_values};SET IDENTITY_INSERT PSENDMX OFF;"; $a$db_er…

wazuh环境配置和漏洞复现

1.wazuh配置 虚拟机 &#xff08;OVA&#xff09; - 替代安装 (wazuh.com)在官方网页安装ova文件 打开VMware选择打开虚拟机&#xff0c;把下载好的ova文件放入在设置网络改为NAT模式 账号:wazuh-user 密码:wazuh ip a 查看ip 启动小皮 远程连接 账号admin …

kafka和消息队列

https://downloads.apache.org/kafka/3.5.1/kafka_2.13-3.5.1.tgz d kafka依赖与zookeeper kakka配置文件 broker.id1 #每个 broker 在集群中的唯一标识&#xff0c;正整数。每个节点不一样 listenersPLAINTEXT://192.168.74.70:9092 ##监听地址 num.network.threads3 #…

四信5G智慧交通方案

5G是第五代移动通信技术的简称&#xff0c;是具有高速率低时延和大连接特点的新一代宽带移动通信技术&#xff0c;是实现智慧交通中的“车、路、人、环境”等交通要素互联互通的网络基础设施。相比以往的移动通信网络&#xff0c;5G网络以一种灵活部署的架构提供10Gbps以上的带…

有什么react进阶的项目推荐的?

前言 整理了一些react相关的项目&#xff0c;可以选择自己需要的练习&#xff0c;希望对你有帮助~ 1.ant-design Star&#xff1a;87.1k 阿里开源的react项目&#xff0c;作为一个UI库&#xff0c;省去重复造轮子的时间 仓库地址&#xff1a;https://github.com/ant-design/…

家宽用户家庭网的主要质量问题是什么?原因有哪些

1 引言 截至2020年底&#xff0c;我国家庭宽带&#xff08;以下简称“家宽”&#xff09;普及率已达到96%。经过一年多的发展&#xff0c;当前&#xff0c;家庭宽带的市场空间已经饱和。运营商在家宽市场的竞争也随之从新增用户数的竞争转移到家宽品质的竞争。 早期运营商的家…

2024年java面试(二)--spring篇

文章目录 1.spring事务传播机制2.spring事务失效原因3.Bean的生命周期4.Bean作用域5.依赖注入三种方式&#xff08;Ioc的三种实现方式&#xff09;6.实例化bean的三种方式7.IOC容器初始化加载Bean流程 1.spring事务传播机制 声明式事务虽然优于编程式事务&#xff0c;但也有不…

【Luogu】 [ABC313Ex] Group Photo

题目链接 Atcoder方向 Luogu方向 题目解法 神仙 d p dp dp 考虑序列 c i m i n ( a i , a i − 1 ) c_imin(a_i,a_{i-1}) ci​min(ai​,ai−1​)&#xff0c; c 1 a 1 , c n 1 a n c_1a_1,c_{n1}a_n c1​a1​,cn1​an​&#xff0c;如果合法&#xff0c;必然满足 b i…

C++构造函数初始化列表

构造函数的一项重要功能是对成员变量进行初始化&#xff0c;为了达到这个目的&#xff0c;可以在构造函数的函数体中对成员变量一一赋值&#xff0c;还可以采用初始化列表。 C构造函数的初始化列表使得代码更加简洁&#xff0c;请看下面的例子&#xff1a; #include <iostre…

检测链表中是否存在环

题目、解析和代码 题目&#xff1a;给定一个单链表&#xff0c;判断其中是否有环的存在 解析&#xff1a;这里使用两个遍历速度不一样的结点进行判断&#xff0c;一个慢结点从首结点开始遍历&#xff0c;这个结点每次只遍历一个结点&#xff1b;一个快结点从第二个结点进行遍历…

交通科技与管理杂志社交通科技与管理编辑部2023年第9期目录

专家论坛 黑龙江省经济高质量发展与生态环境保护耦合协调发展研究 刘降斌;祃玉帅; 1-5142 我国省际数字经济高质量发展水平综合评价研究 耿娟;毕晨曦; 6-8 振兴龙江《交通科技与管理》投稿邮箱&#xff1a;cn7kantougao163.com(注明投稿“《交通科技与管理》”) 数…

首席执行官Adam Selipsky解读“亚马逊云科技的技术产品差异化”

迄今为止&#xff0c;亚马逊云科技已经参与了21世纪几乎所有的大型计算变革&#xff0c;亚马逊云科技是一个很传奇的故事&#xff0c;它始于大约20年前的一项实验&#xff0c;当时亚马逊试图出售其过剩的服务器。人们确实对此表示怀疑。为什么在线书店试图销售云服务&#xff1…

苍穹外卖总结

前言 1、软件开发流程 瀑布模型需求分析//需求规格说明书、产品原型↓ 设计 //UI设计、数据库设计、接口设计↓编码 //项目代码、单元测试↓ 测试 //测试用例、测试报告↓上线运维 //软件环境安装、配置第一阶段&#xff1a;需求分析需求规格说明书、产品原型一般来说…

React Hooks 全解:零基础入门

Hooks 的由来 你还在为该使用无状态组件&#xff08;Function&#xff09;还是有状态组件&#xff08;Class&#xff09;而烦恼吗&#xff1f; ——拥有了hooks&#xff0c;你再也不需要写Class了&#xff0c;你的所有组件都将是Function。 你还在为搞不清使用哪个生命周期钩…

Linux: 使用 ssh 连接其他服务器

通过ifconfig 查看要连接的服务器地址&#xff1a; ubuntuubuntu1804-0172:/media/sangfor/vdc$ ssh ubuntu192.168.11.49 输入要连接的服务器密码: ubuntua192.168.1149 s password: 连接服务器成功&#xff1a;

投递技术类简历的注意事项

简历修改的背景 作为程序员&#xff0c;随着工作年限的增加&#xff0c;要定期的去修改自己的简历中的工作项目&#xff0c;一方面可以促进自己复盘一下工作成果和个人成长&#xff0c;另外也能给自己换工作提供一个前置的便捷性。 注意事项 修改简历的时候有哪些需要注意的…