Bốn Bước Đơn Giản Để Tạo

Mô Phỏng Monte Carlo

với Engage hoặc Workspace
Kể từ thời mà uranium khan hiếm và có rất ít chỗ cho thử nghiệm và sai sót,
mô phỏng Monte Carlo luôn chuyên môn hóa trong việc tính toán các xác suất
đáng tin cậy từ dữ liệu mô phỏng. Ngày nay, dữ liệu mô phỏng được sử dụng
thường xuyên trong nhiều tình huống, từ kỹ thuật vật liệu đến niêm phong gói
thiết bị y tế cho đến sản xuất thép . Nó có thể được sử dụng trong nhiều tình
huống khi nguồn lực bị hạn chế hoặc việc thu thập dữ liệu thực sẽ quá tốn
kém hoặc không thực tế. Với công cụ mô phỏng Monte Carlo của Engage hoặc
Workspace, bạn có khả năng:

•Mô phỏng phạm vi kết quả có thể xảy ra để hỗ trợ việc ra quyết định.
•Dự báo kết quả tài chính hoặc ước tính các mốc thời gian của dự án.
•Hiểu sự thay đổi trong một quá trình hoặc hệ thống.
•Tìm vấn đề trong một quy trình hoặc hệ thống.
•Quản lý rủi ro bằng cách hiểu mối quan hệ chi phí/lợi ích.
4 BƯỚC ĐỂ BẮT ĐẦU CHO BẤT KỲ
MÔ PHỎNG MONTE CARLO NÀO

Tùy thuộc vào số lượng các yếu tố liên quan, việc mô phỏng có thể
rất phức tạp. Nhưng ở mức độ cơ bản, tất cả các mô phỏng Monte
Carlo đều có bốn bước đơn giản:
1. XÁC ĐỊNH PHƯƠNG TRÌNH TRUYỀN
Để tạo mô phỏng Monte Carlo, bạn cần một mô hình định lượng về
hoạt động, kế hoạch hoặc quy trình kinh doanh mà bạn muốn khám
phá. Biểu thức toán học của quy trình của bạn được gọi là “phương
trình chuyển giao”. Đây có thể là một công thức kỹ thuật hoặc kinh
doanh đã biết hoặc có thể dựa trên mô hình được tạo từ thử nghiệm
được thiết kế (DOE) hoặc phân tích hồi quy. Các phần mềm
như Minitab Engage và Minitab Workspace cung cấp cho bạn khả năng
tạo các phương trình phức tạp, ngay cả những phương trình có nhiều
phản hồi có thể phụ thuộc lẫn nhau.
2. XÁC ĐỊNH THAM SỐ ĐẦU VÀO
Đối với mỗi yếu tố trong phương trình chuyển giao của bạn, hãy xác
định cách phân phối dữ liệu của nó. Một số đầu vào có thể tuân theo
phân phối chuẩn, trong khi những đầu vào khác tuân theo phân phối
tam giác hoặc đồng đều.
Sau đó, bạn cần xác định các tham số phân phối cho từng đầu vào. Ví
dụ: bạn cần chỉ định giá trị trung bình và độ lệch chuẩn cho các đầu vào
tuân theo phân phối chuẩn. Nếu bạn không chắc chắn về cách phân
phối dữ liệu của mình, Engage và Workspace có một công cụ để giúp
bạn quyết định.
3. THIẾT LẬP MÔ PHỎNG
Để mô phỏng hợp lệ, bạn phải tạo một tập dữ liệu ngẫu nhiên, rất lớn
cho mỗi đầu vào - khoảng 100.000 trường hợp. Những điểm dữ liệu
ngẫu nhiên này mô phỏng các giá trị sẽ được nhìn thấy trong một thời
gian dài cho mỗi đầu vào. Mặc dù có vẻ như có rất nhiều việc phải làm
nhưng đây chính là lúc Engage và Workspace tỏa sáng. Sau khi chúng
tôi gửi thông tin đầu vào và mô hình, mọi thứ ở đây sẽ được xử lý.
4. PHÂN TÍCH ĐẦU RA CỦA QUY TRÌNH
Với dữ liệu mô phỏng đã có, bạn có thể sử dụng phương trình truyền
tải của mình để tính toán kết quả mô phỏng. Việc chạy một số lượng đủ
lớn dữ liệu đầu vào mô phỏng thông qua mô hình của bạn sẽ cung cấp
cho bạn dấu hiệu đáng tin cậy về những gì quy trình sẽ xuất ra theo
thời gian, dựa trên sự thay đổi dự đoán trong đầu vào.
ÁP DỤNG THỰC TẾ
4 BƯỚC ĐỂ MONTE CARLO SỬ DỤNG CÔNG
THỨC KỸ THUẬT ĐÃ BIẾT
Một công ty sản xuất cần đánh giá thiết kế của một sản phẩm được đề
xuất: một máy bơm piston nhỏ phải bơm 12 ml chất lỏng mỗi
phút. Bạn muốn ước tính hiệu suất có thể xảy ra trên hàng nghìn máy
bơm, dựa trên sự thay đổi tự nhiên về đường kính piston (D), chiều
dài hành trình (L) và số hành trình mỗi phút (RPM).
Lý tưởng nhất là lưu lượng bơm qua hàng nghìn máy bơm sẽ có độ
lệch chuẩn không lớn hơn 0,2 ml.
1. XÁC ĐỊNH PHƯƠNG TRÌNH TRUYỀN
• Bước đầu tiên khi thực hiện mô phỏng Monte
Carlo là xác định phương trình truyền. Trong
trường hợp này, bạn chỉ cần sử dụng một công
thức kỹ thuật đã được thiết lập để đo lưu lượng
bơm:
• Lưu lượng (tính bằng ml) = π(D/2)2 ∗ L ∗ RPM
2. XÁC ĐỊNH THAM SỐ ĐẦU VÀO
• Bây giờ bạn phải xác định phân bố và các tham số của từng đầu vào được sử
dụng trong phương trình truyền. Đường kính piston và chiều dài hành trình của
máy bơm đã được biết nhưng bạn phải tính số hành trình mỗi phút (RPM) cần
thiết để đạt được tốc độ dòng chảy mong muốn là 12 ml/phút.
• Khối lượng bơm mỗi hành trình được tính theo phương trình sau: π(D/2)2 * L
• Cho D = 0,8 và L = 2,5, mỗi hành trình dịch chuyển 1,256 ml. Vì vậy, để đạt được
lưu lượng 12 ml/phút thì RPM là 9,549.
• Dựa trên hiệu suất của các máy bơm khác mà cơ sở của bạn đã sản xuất, bạn có
thể nói rằng:
• Đường kính piston có phân phối chuẩn với giá trị trung bình là 0,8 cm và độ
lệch chuẩn là 0,003 cm.
• Chiều dài hành trình có phân phối chuẩn với giá trị trung bình là 2,5 cm và độ
lệch chuẩn là 0,15 cm. Cuối cùng,
• Số nhịp mỗi phút thường được phân phối với giá trị trung bình là 9,549
vòng/phút và độ lệch chuẩn là 0,17 vòng/phút.
 3. THIẾT LẬP MÔ PHỎNG TRONG ENGAGE
HOẶC WORKSPACE
• Bấm vào tab Chèn từ dải băng trên cùng, sau đó chọn Mô phỏng
Monte Carlo .
Chúng tôi đã làm cho việc này
trở nên dễ dàng – chỉ cần đặt
tên cho mỗi biến, chọn phân
phối từ menu thả xuống và
nhập các tham số. Chúng tôi
sẽ tuân theo những gì chúng
tôi đã mô tả ở trên. Nếu bạn
không chắc chắn về cách phân
phối, bạn có thể chọn Sử
dụng dữ liệu để quyết
định . Thao tác này sẽ nhắc
bạn tải lên tệp .csv chứa dữ
liệu của mình và bạn sẽ có
một số tùy chọn để chọn:
 4. MÔ PHỎNG VÀ PHÂN TÍCH ĐẦU RA CỦA
QUY TRÌNH
Bước tiếp theo là đưa ra phương trình. Ở đây,
việc này đơn giản chỉ là đặt tên cho đầu ra của
bạn (tên của chúng tôi là Flow) và nhập phương
trình truyền chính xác mà chúng tôi đã xác định ở
trên. Bạn cũng có thể thêm giới hạn thông số kỹ
thuật trên và dưới để so sánh mô phỏng của bạn.
Sau đó, trong ribbon, chọn
số lượng mô phỏng bạn
muốn chạy (100.000 là mức
cơ bản phù hợp) và nhấp
vào nút để chạy mô phỏng.
Với Monte Carlo Simulator, chúng
tôi có thể giải quyết tất cả những
điều này mà không phải chịu chi
phí sản xuất và thử nghiệm hàng
nghìn nguyên mẫu hoặc đưa nó
vào sản xuất sớm.

Đối với dữ liệu ngẫu nhiên được tạo để viết bài viết này, tốc độ dòng trung bình
là 11,996 dựa trên 100.000 mẫu. Trung bình, chúng tôi đang đạt mục tiêu,
nhưng giá trị nhỏ nhất là 8,7817 và giá trị lớn nhất là 15,7057. Đó là một
phạm vi khá lớn. Sự thay đổi được truyền đi (của tất cả các thành phần) dẫn
đến độ lệch chuẩn là 0,756 ml, vượt xa mục tiêu 0,2 ml.
Có vẻ như thiết kế máy bơm này có quá nhiều biến thể và cần phải được cải
tiến thêm trước khi đưa vào sản xuất. Đây là lúc chúng ta bắt đầu thấy được
lợi ích của việc mô phỏng. Nếu chúng tôi đi thẳng vào sản xuất, rất có thể
chúng tôi đã sản xuất quá nhiều máy bơm bị từ chối.
Để bạn không thắc mắc liệu những kết quả mô phỏng này có đúng hay không, hãy tự mình
thử! Việc chạy các mô phỏng khác nhau sẽ dẫn đến những thay đổi nhỏ, nhưng kết quả
cuối cùng — một lượng biến đổi không thể chấp nhận được trong tốc độ dòng chảy — sẽ
luôn nhất quán. Đó là sức mạnh của phương pháp Monte Carlo.
THÊM MỘT BƯỚC TÙY CHỌN: TỐI ƯU HÓA THAM SỐ

Việc tìm hiểu độ lệch chuẩn quá cao là vô cùng có giá trị, nhưng điểm Engage và
Workspace thực sự nổi bật là khả năng giúp cải thiện tình hình của chúng. Đó là lúc Tối
ưu hóa tham số xuất hiện.
Hãy nhìn vào đầu vào đầu tiên của chúng tôi, đường kính piston. Với mức trung bình là
0,8, hầu hết dữ liệu của chúng tôi sẽ nằm gần giá trị đó hoặc trong phạm vi một hoặc hai
độ lệch chuẩn. Nhưng điều gì sẽ xảy ra nếu piston có đường kính nhỏ hơn sẽ hiệu quả
hơn đối với dòng chảy của chúng ta? Tối ưu hóa tham số giúp chúng tôi trả lời câu hỏi đó.
Để tiến hành tối ưu hóa tham số, chúng ta cần chỉ định phạm vi tìm kiếm cho từng đầu
vào. Trong ví dụ này, để đơn giản, tôi chỉ định phạm vi độ lệch chuẩn +/- 3 cho thuật
toán tìm kiếm. Sau đó, Engage hoặc Workspace sẽ giúp chúng tôi tìm ra cài đặt tối ưu
cho từng đầu vào cần đạt được hoặc mục tiêu, trong trường hợp này là giảm độ lệch
chuẩn. Việc lựa chọn phạm vi thích hợp là quan trọng; đảm bảo rằng toàn bộ phạm vi bạn
nhập có thể chạy được; sẽ không có ích gì khi tìm ra một giải pháp tối ưu không thể
nhân rộng trong sản xuất.
Nếu bạn đã sử dụng Trình tối ưu hóa phản hồi
trong Phần mềm thống kê Minitab thì ý tưởng
cũng tương tự. Đây là kết quả của chúng tôi:
Dựa trên điều này, nếu muốn giảm độ lệch
chuẩn, chúng ta nên giảm quãng đường piston
di chuyển trong xi lanh và cuộc hành trình mỗi
phút. Đường kính piston của chúng tôi có thể ở
một nơi tương tự. Và hãy nhớ chìa khóa của mô
phỏng Monte Carlo – chúng ta có thể tìm ra tất
cả những điều này mà không cần xây dựng và
duy nhất một nguyên mẫu mới hoặc tiến hành
một thử nghiệm mới.
 MONTE CARLO SỬ DỤNG PHƯƠNG TRÌNH PHẢN HỒI THIẾT KẾ THÍ NGHIỆM (DOE)

Điều gì sẽ xảy ra nếu bạn không biết nên sử dụng phương trình nào hoặc bạn đang cố
gắng mô phỏng kết quả của một quy trình duy nhất? Đây là nơi chúng tôi có thể kết
hợp khả năng thử nghiệm được thiết kế của Phần mềm thống kê Minitab với khả năng
mô phỏng của Engage hoặc Workspace.
Một nhà sản xuất thiết bị điện tử đã giao cho bạn cải Để tối ưu hóa quy trình, bạn có thể điều chỉnh hai đầu
tiến hoạt động làm sạch bằng điện, chuẩn bị các bộ vào quan trọng: điện áp (Vdc) và mật độ dòng điện
phận kim loại để mạ điện. Mạ điện cho phép các nhà (ASF). Đối với phương pháp làm sạch bằng điện của bạn,
sản xuất phủ lên nguyên liệu thô một lớp kim loại giới hạn kỹ thuật điển hình cho Vdc là 3 đến 12 volt. Giới
khác để đạt được các đặc tính mong muốn. Lớp mạ hạn cho mật độ dòng điện là 10 đến 150 amps trên mỗi
sẽ không bám dính vào bề mặt bẩn nên công ty có foot vuông (ASF).
hệ thống làm sạch bằng điện dòng chảy liên tục kết
nối với máy mạ điện tự động. Một băng tải nhúng
từng bộ phận vào bồn nước để truyền điện áp qua
bộ phận đó, làm sạch nó. Việc làm sạch không đầy
đủ dẫn đến giá trị Độ nhám trung bình bình phương
trung bình gốc hoặc RMS cao và độ bóng bề mặt
kém. Các bộ phận được làm sạch đúng cách sẽ có bề
mặt nhẵn và RMS thấp.
1. XÁC ĐỊNH PHƯƠNG TRÌNH TRUYỀN
Bạn không thể sử dụng công thức sách giáo khoa đã thiết lập
cho quy trình này, nhưng bạn có thể thiết lập DOE Bề mặt phản
hồi trong Minitab để xác định phương trình chuyển giao. DOE
bề mặt phản hồi thường được sử dụng để tối ưu hóa phản hồi
bằng cách tìm cài đặt tốt nhất cho một số yếu tố quan trọng có
thể kiểm soát được.
Trong trường hợp này, phản hồi sẽ là chất lượng bề mặt của các
bộ phận sau khi chúng được làm sạch.
Để tạo thử nghiệm bề mặt phản hồi trong Minitab, chọn Stat >
DOE > Bề mặt phản hồi > Tạo thiết kế bề mặt phản hồi . Bởi vì
chúng ta có hai yếu tố—điện áp (Vdc) và mật độ dòng điện
(ASF)—chúng ta sẽ chọn thiết kế tổng hợp trung tâm hai yếu
tố, có 13 lần chạy.

Sau khi Minitab tạo thử nghiệm được thiết kế, bạn cần thực hiện 13 lần chạy thử nghiệm, thu thập dữ liệu và
ghi lại độ nhám bề mặt của 13 bộ phận đã hoàn thiện. Minitab giúp dễ dàng phân tích kết quả DOE, rút ​gọn
mô hình và kiểm tra các giả định bằng cách sử dụng các biểu đồ dư. Sử dụng mô hình cuối cùng và trình tối ưu
hóa phản hồi của Minitab, bạn có thể tìm thấy cài đặt tối ưu cho các biến của mình. Trong trường hợp này, bạn
đặt điện áp thành 7,74 và ASF thành 77,8 để thu được giá trị độ nhám là 39,4.

Bề mặt đáp ứng DOE mang lại phương trình truyền cho mô phỏng Monte Carlo bước sau:
Độ nhám = 957,8 − 189,4(Vdc) − 4,81(ASF) + 12,26(Vdc2) + 0,0309(ASF2)
2. XÁC ĐỊNH THAM SỐ ĐẦU VÀO
• Giờ đây, bạn có thể đặt các định nghĩa tham số cho đầu vào Mô
phỏng Monte Carlo của mình và đưa chúng đến Engage hoặc
Workspace.
• Lưu ý rằng độ lệch chuẩn phải được biết hoặc ước tính dựa trên
kiến ​thức về quy trình hiện có. Điều này đúng với tất cả các đầu vào
Monte Carlo. Vôn thường được phân phối với giá trị trung bình là
7,74 Vdc và độ lệch chuẩn là 0,14 Vdc. Ampe trên mỗi foot vuông
(ASF) thường được phân phối với giá trị trung bình là 77,8 ASF và độ
lệch chuẩn là 3 ASF.
 3. THIẾT LẬP MÔ PHỎNG TRONG ENGAGE
HOẶC WORKSPACE
Thao tác này hoạt động giống hệt như Bước 3. Nhấp
vào Chèn > Mô phỏng Monte Carlo từ dải băng, thêm
đầu vào của bạn và xác định các tham số của chúng,
sau đó nhập mô hình của bạn. Trong trường hợp này,
nếu bạn có phiên bản Minitab mới nhất, bạn có thể
nhấp chuột phải và nhấn Send to Engage hoặc Send to
Minitab Workspace . Nếu không, bạn có thể sao chép
thủ công từ đầu ra Minitab và dán vào trường mô hình
trong Engage hoặc Workspace.
 4. MÔ PHỎNG VÀ PHÂN TÍCH ĐẦU RA CỦA
QUY TRÌNH
• Bản tóm tắt cho thấy rằng mặc dù các đầu vào cơ bản được phân phối bình
thường nhưng sự phân bố độ nhám RMS là không bình thường. Bản tóm
tắt cũng cho thấy rằng sự biến thiên được truyền đi của tất cả các thành
phần dẫn đến độ lệch chuẩn là 0,521 và kiến ​thức về quy trình cho thấy đây
là kết quả quy trình tốt. Dựa trên DOE chỉ với 13 lần chạy, chúng ta có thể
xác định tính thực tế của những gì sẽ thấy trong quy trình. Một lần nữa, vì
điều này dựa trên dữ liệu mô phỏng nên câu trả lời của bạn sẽ hơi khác một
chút, nhưng câu trả lời chung phải chính xác. Nếu cần, chúng ta có thể xem
xét tối ưu hóa tham số để điều chỉnh câu trả lời của mình và tìm ra giải pháp
tối ưu.
• Bài viết này dựa trên bài trình bày của Paul Sheehy, chuyên gia đào tạo kỹ
thuật Minitab, tại Hội nghị ASQ Lean Six Sigma vào tháng 2 năm 2012.
https://blog.minitab.com/en/the-4-simple-steps-for-creating-a-monte-carlo-simulation-with-engage-or-workspace