Възможности на QstatLab
Оптимизация
С ограничения
и Без ограничения – напълно гъвкаво дефиниране на ограниченията
Една целева
функция – Генетичен алгоритъм, Градиентен на Нютон, Градиентно спускане,
Сканиране, Случайно търсене,
Симплекс метод, Хук и Джийвс,
Флетчер-Дейвидън
Многоцелева
оптимизация – създаване и визуално изследване на Парето фронт на оптималните
решения, като се използва метод базиран на генетичен алгоритъм
(NSGA2)
Предварително
създадени и запомнени последователности от оптимизационни методи
Оптимизация с
използване на дискретни променливи
Оптимизация
на модели за смеси (линейно зависими променливи)
Многомерен анализ на данни и моделиране с повърхнина на отклика
Множествен
регресионен анализ
o
Създаване
на многофакторни регресионни полиноми до 4-ти ред
o
Проверка
за значимост и анализ на приносите
o
Анализ
на остатъците
o
Дисперсионен
анализ на модела (ANOVA)
o
Нормални
и полунормални графики на ефектите
o
Стъпкова
регресия, обратна елиминация и права селекция
Няколко
едномерни метода за апроксимации с криви, включително сплайни, нелинейни
уравнения, полиноми
Дисперсионен
анализ – едномерен и многомерен дисперсионен анализ (ANOVA). Може да се
използва за изследване на ефекта на променливи с количествени и качествени
нива, както и на тяхните взаимодействия върху даден показател на качеството.
Регресионен
анализ за смеси
Робастно оптимално проектиране
Бързо
построяване на стохастични модели.
Моделите са за средната стойност,
стандартното отклонение и дисперсията.
Вариацията на
променливите може да бъде дефинирана чрез стандартните отклонения или като
процент от текущата стойност
Четири метода
за построяване на модели на средното и дисперсията:
o
Аналитичен
(Analytical) – използва математически формули за изчисляване на средното и
дисперсията. Това е най-бързият и най-точен метод, който може да се прилага за
регресионни модели от втори ред.
o
Симулации
(Simulation) – средното и дисперсията се изчисляват като се използва облак от
данни с дефинирани от потребителя разпределение и размер. В зависимост от
проблема може да изисква голям брой данни
o
Тейлър
1 (Тaylor 1) – използва разложение в ред на Тейлър от 1ви ред за създаване на
модели на средното и дисперсията
o
Тейлър
2 (Тaylor 2) – използва разложение в ред на Тейлър от 2ри ред за създаване на
модели на средното и дисперсията
o
В
комбинация с методи за многоцелева оптимизация конструкторите могат лесно да
търсят оптимални и робастни (с минимална дисперсия) решения.
Гъвкаво дефиниране на модела
Могат да се построяват Модели като се използват различни съчетания на:Функции в
електронна таблица
Регресионни
полиноми
Радиални базисни
функции
Кригинг
модели
Невронни
модели на Кохонен
Модели за
интерполации с криви линии
Скриптове -
VBscript,
JavaScript, всеки скрипт поддържан от
WHS
Външни
изпълними програми – позволява интегрирането на всеки търговси или
потребителски софтуер
Стохастични
модели на средното, дисперсията и стандартното отклонение за целите на
робастното проектиране
Дискретни
модели
Пълен
факторен експеримент с брой на нива зададени от потребителя
Дробен
факторен експеримент – използва част от опитите на пълния факторен експеримент
с две нива на факторите с цел да намали броя на експериментите, като запази
ортогоналността на плана. Това осигурява добри статистически свойства на модела
Композиционни
и ротатабелни планове
LPtau – повтаряеми
последователности на Собол които запълват ефективно факторното пространство
D-оптимални
планове – използват
се за създаване на планове, които активно намаляват
несигурността в предсказването. Използват набор от мощни оптимизационни
алгоритми и методи за планиране, които могат да бъдат избирани от потребителя.
Случайни
планове
Надграждане
на съществуващи планове или започване от нула опити
Работа както
с непрекъснати, така и с дискретни променливи
Графична
визуализация на точките на плана и дисперсията на предсказване.
Планове
за смеси (линейно зависими променливи).
Подобряване на качеството чрез статистически методи за управление на процеси (SPC)
Диаграми на
разсейване
Парето диаграми
Хистограми
Анализ на
възможностите на процеса
Контролни карти –
количествени
признаци
и
качествени признаци
Проверка за
нормалност на разпределението
Времеви редове
R&R анализ
– анализ на
възможностите на измервателни системи
Статистически анализ
на данни – оценяване на параметри, доверителни интервали, проверка на хипотези,
корелационен анализ
Разслояване
Трансформации
Бокс-Кокс -
за трансформиране на случайни величини с различно от нормалното разпределение в
нормално.
Анализ
за съгласуваност на експертни оценки -
Двама или повече оператори оценяват визуално определен брой обекти. Представлява
интерес доколко съвпадат оценките на операторите
Допълнителни инструменти
Контурни диаграми
3D
повърхнини
Триъгълни
диаграми (задачи за смеси)
Електронна таблица снабдена
с голям брой функции
Търсене, заместване и
филтриране
Инструменти за
форматиране на клипборда
Генератор на случайни
числа с различни разпределения
Калкулатор на
разпределения
Динамика
на процеса - моделиране на динамичен параметрично зависим модел
Задачи
за смеси - линейно зависими променливи, триъгълни диаграми, оптимизация и
модели.
Автоматично
обновяване
Виж също
· Още за хелпа (в отделен прозорец) · Учебни материали и примери (в отделен прозорец)