Das Multi-Category-Chart Ein neues Werkzeug für die Explorative Analyse von kategorischen Daten

Wie findet man Korrelationen in größeren Mengen kategorischer Variablen?

Logistische Daten aus industriellen Produktionsprozessen, die sich über viele Prozessschritte oder Zwischenprodukte erstrecken, enthalten eine Vielzahl von kategorialen Variablen. Jeder Schritt- oder jedes Zwischenprodukt fügt seine eigenen Daten über verwendete Werkzeuge, Verbrauchsmaterialien, Lieferanten und Bediener der Prozesshistorie eines komplexen Produkts hinzu.

Wenn nachgelagerte Testdaten eine relevante diskrete Struktur wie eine Stratifizierung in mehrere Gruppen aufweisen, besteht die Aufgabe der Ursachenanalyse darin, die wenigen - idealerweise nur eine - kategorialen Variablen zu finden, die diese Struktur am besten erklären. Im einfachsten Fall kann dies formuliert werden als die Frage: Was haben die schlechten Einheiten gemeinsam, dass die guten Einheiten nicht haben?

Dieser Forschungsbericht stellt eine neuartige Visualisierung namens Multi-Category-Chart vor. Er erklärt die Motivation, vergleicht sie mit anderen gängigen Visualisierungen und beschreibt die Vorteile des neuen Ansatzes.

Laden Sie unten das PDF herunter oder Lesen Sie mehr »

Anwendungsbeispiel: Nicht lineare Nebenbedingungen in Cornerstone Versuchsplänen

Wie können auch nichtlineare Nebenbedingungen in Cornerstone Versuchsplänen berücksichtigt werden?

Der Editor für Nebenbedingungen (“constraints”) im Cornerstone Versuchsplanungsmodul erlaubt nur lineare Einschränkungen: die einbezogenen Faktoren werden mit einem Vorfaktor versehen und die resultierende gewichtete Summe kann durch Grenzen eingeschränkt werden. Allgemeinere Nebenbedingungen die auch nichtlineare Funktionen wie log() , exp(), sin(), tan() oder sogar einfachere Situationen wie das Produkt zweier Faktoren werden nicht direkt unterstützt.

In diesem Anwendungsbeispiel wird eine Cornerstone Arbeitsmappe entwickelt, die den Arbeitsablauf zur Konstruktion von Versuchsplänen mit allgemeinen Nebenbedingungen zeigt. Diese werden auch bei der Prozessoptimierung und der Prognose der Zielgrößen berücksichtigt.

Laden Sie unten das PDF herunter oder Lesen Sie mehr »

Forschungsbericht: Cornerstone Big Data Analyse mit Hilfe von Apache Spark

Wie können unterschiedliche Datentöpfe mit Big Data Techniken integriert und flexibel analysiert werden?

Die systematische Auswertung von immer größer werdenden Datensammlung stellt Unternehmen vor immer größere Herausforderungen. Vielen Unternehmen fehlt einfach das Knowhow, um Big-Data-Projekte zu stemmen. Getreu dem Motto „Wir machen erst mal einen Data Lake“ führen sie alle verfügbaren Daten in einem System zusammen. Denn oft unterliegen sie dem Irrglauben, dass man so viele Daten wie möglich in das System stecken sollte, um maximal viele und maximal flexible Auswertungen fahren zu können. So funktioniert das leider nicht, da wir hier ein Performance-Problem erwarten können.

Dieser Forschungsbericht stellt einen Teil der im Rahmen des PRO-OPT SMART-DATA Forschungsprojektes durchgeführten Arbeiten dar. Im Projekt wurde mit unterschiedlichsten Modellierungen von Produktionsdaten eines Automobilzulieferers experimentiert. Hierbei war eine Zielsetzung, sowohl statistisch gesicherte Analyse und Klassifikationsverfahren als auch neue Verfahren aus dem KI Umfeld anwenden zu können und zu vergleichen. Diese Arbeiten sind in diesem Bericht zusammengestellt.

Laden Sie unten das PDF herunter oder Lesen Sie mehr ».

Varianten Minimal

Whitepaper: Varianten minimale Versuchspläne

Wie kann die Anzahl der Versuchsläufe eines Versuchsplans durch Reduzierung der Varianten minimiert werden?

Die Kosten für die Versuchsläufe eines Versuchsplans werden durch einige der Faktoren maßgeblich
bestimmt. In diesem Whitepaper werden als Beispiel 7 Faktoren betrachtet, von denen die Variation von 4 Faktoren den Löwenanteil der Kosten bzw. Versuchsaufwände ausmachen.

Typische Beispiele für aufwendige Faktoren sind solche, die bei der Prototypenfertigung variiert
werden. Einfach zu variierende Faktoren können dann Bedingungen (Temperatur, Druck,
Spannung,...) sein, unter denen die genannten Hardwarevarianten getestet werden.

Laden Sie unten das PDF herunter oder Lesen Sie mehr »

Whitepaper: Einstellungen für D-optimale Versuchspläne

Wie kann man in Cornerstone die Einstellungen für D-Optimale Versuchspläne optimal wählen?

Versuchsplanungsprojekte in Cornerstone beruhen häufig auf D-optimalen Versuchsplänen, da diese sehr flexibel auf Sondersituationen angepasst werden können. Das Kriterium für die Optimierung, nämlich die Determinante der Informationsmatrix nach Reskalierung der Faktoren passt darüber hinaus gut in die einbettende statistische Theorie und ihr Kehrwert wird häufig verallgemeinerte Varianz genannt. Des weiteren werden durch eine Maximierung der Determinante die Vertrauensbereiche der Koeffizienten minimiert. Die Erstellung D-optimaler Versuchspläne basiert auf einem Algorithmus der durch eine Reihe von Einstellungen und Bedingungen gekennzeichnet ist.

Laden Sie unten das PDF herunter oder Lesen Sie mehr »

Anwendungsbeispiel: Faktor - Optimierung in Versuchsplanungsprojekten

Wie man Cornerstone Versuchsplanung und Regression nutzen kann, um eine Optimierung bzgl. eines Faktors durchzuführen

Bei vielen Versuchsplänen werden Faktoren mit variiert, die einen bekanntermaßen dominanten Einfluss auf die Zielgröße(n) haben. Als Beispiel wird der Faktor Durchsatz einer Erntemaschine herangezogen. Die betrachteten Zielgrößen sollen der Verlust an Erntegut oder deren Qualität sein. Andere Faktoren sind Einstellungen an der Maschine und/oder technische Varianten, die gegenüber dem Durchsatz in der Regel nur einen deutlich kleineren Einfluss auf die Zielgrößen besitzen. In Cornerstone kann man in Regressionsmodellen standardmäßig Ziele für Zielgrößen definieren, die durch die Variation der Faktoren erreicht werden sollen. In dem hier betrachteten Umfeld soll jedoch der Faktor Durchsatz für ein definiertes Niveau der Zielgrößen maximiert werden. Hebel dafür sind die verbleibenden Faktoren.

Laden Sie unten das PDF herunter oder Lesen Sie mehr »

Product retrospective: Cornerstone Statistics for Engineers

A brief history and a summary of the most beneficial functionalities

Cornerstone is a proprietary software of the independent software vendor camLine GmbH. The software has a long tradition reaching back to the year 1991. It primarily is designed for engineers in research and development or in manufacturing who need a tool for applied statistics. Cornerstone has a special focus on the fields of Analyses by Regression, Exploratory Data Analysis (EDA), quality control (control charts, process capability), and Design of Experiments (DoE).

Read more »

Bitte wählen Sie die gewünschte PDF-Datei aus. Sie wird anschließend via E-Mail zu Ihnen gesendet.

Cornerstone Download

Download
Option:*

Die mit Sternchen (*) gekennzeichneten Felder sind obligatorisch. Durch Klicken auf "Submit (Anfordern)" stimmen Sie zu, dass Ihre eingegebenen Daten (Name und E-Mail-Adresse) von camLine für Kundenbetreuung und interne Analysen verwendet werden. Die Daten werden auf einem Server in Deutschland gehalten. Keinesfalls werden diese Informationen an Dritte weitergegeben.