【影響體重的關鍵因素】#營養師杯蓋
女生比男生還難減肥…😱
影響體重的因素有非常多,根據不同的因素,所設定的目標及成效也會不同喔‼️
今天就來分享幾個關鍵因素,有的是可變因素,有的是不可變
🔅不可變因素🔅
一、性別
性別來說,女性比男性更難減肥,原因除了荷爾蒙影響外,肌肉量影響也是主因,肌肉量低,相對之下基礎代謝率也低,女性基礎代謝率約比男性低5-10%,所以意味著少燃燒5-10%熱量,所以吃多了就比較容易胖,在飲食控制時,也需要更加注意。
二、年齡
隨著年齡越大,越容易造成增脂減肌的現象,加上功能衰退,也會導致基礎代謝率下降,70歲以上長者,基礎代謝率會比年輕成人低20-25%。
不過,長者往往會有營養素攝取不足,或是肌少症的問題,所以目標不該放在減脂,而是增肌。
三、其他因素:如藥物或是基因
人體在出生時,體脂肪的分布就有四成被決定好了,所以想要改變體脂肪分布的位置很困難,也就是代表有些人肚子就容易胖或是屁股容易大,這是無法改變的因素。
🔅可變因素🔅
一、睡眠
已經有非常多研究證實,睡眠、休息能夠幫助增肌減脂,所以充足睡眠是關鍵的因素之一。
二、活動量
運動能夠增加身體的代謝,增加熱量消耗,進而幫助減重,也可以增加肌肉量,進而幫助增加基礎代謝率,所以運動非常重要。
三、初始體重
初始體重是影響減重「成果」的關鍵
舉例來說,體重100公斤者與體重50公斤者,目標皆設定在減少現有5%體重,以100公斤者來說,減少了5公斤;50公斤者卻只減少2.5公斤,所以成效來說體重較重者減了比較多體重,所以成效比較好在體態改變上也會比較有信心。
👆🏻以上是杯蓋整理的資料,影響體重的因素有非常多,這些關鍵因素,無法改變的我們就不管,著重在其他地方努力吧!
_
👉🏻右滑👉🏻還有加碼圖文可以看喔!
_
▶️標記、分享給需要的朋友
▶️追蹤 @Nutruelife
▶️營養初、營養吃、營養師,讓健康飲食的生活從這開始吧!
_
#營養師杯蓋 #營養 #營養師 #健康 #飲食 #健康飲食 #均衡飲食 #熱量控制 #熱量 #卡路里 #nutrition #增重 #增肌 #減脂 #減肥
「控制變因舉例」的推薦目錄:
- 關於控制變因舉例 在 營養初 Nutrue - 營養師杯蓋 Facebook 的最佳貼文
- 關於控制變因舉例 在 矽谷牛的耕田筆記 Facebook 的最讚貼文
- 關於控制變因舉例 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
- 關於控制變因舉例 在 Re: [問]到底何為應變變因- 看板studyteacher - PTT網頁版 的評價
- 關於控制變因舉例 在 主觀聽感測量/評價之可變因素(子)控制 - Mobile01 的評價
- 關於控制變因舉例 在 操縱變因是什麼意思的推薦與評價,PTT、DCARD和網紅們 ... 的評價
- 關於控制變因舉例 在 操縱變因是什麼意思的推薦與評價,PTT、DCARD和網紅們 ... 的評價
控制變因舉例 在 矽谷牛的耕田筆記 Facebook 的最讚貼文
本篇文章是個經驗分享系列文,作者探討 Kubernetes 內 15 種不被建議的部署策略與模式。
作者之前曾經撰寫過 Contianer 架構底下的部署模式探討,而本系列文(三篇)則是著重於如何將這些 containers 透過 Kubernetes 給部署到生產環境,總共會探討十五種不推薦的模式,接下來的三篇文章將會介紹各五種不好的模式。
Using containers with the latest tag in Kubernetes deployments
任何 container 的 image 都不應該使用 latest,因為 latest 本身沒有任何意義,這會使得維運人員沒有辦法掌握到底當前部署的版本是什麼,更嚴重的情況適當 latest 搭配 PullPolicy:Always 時會產生更為嚴重的問題。因為 Always 的策略導致每次 Pod 部署時都會重新抓取 image,所以一個 deployment 中,多個使用 latest tag 的 Pod 但是其實使用的 image hash 是不同的。
作者認為比較好的做法有
1. 所有 container image 都是不可修改的,一旦建立就禁止覆蓋,有任何改動就進版
2. 部署用的 image tag 使用有意義的版本名稱
補充: 實際上 pull image 也可以使用 sha256,譬如 "docker pull hwchiu/kubectl-tools@sha256:acfb56059e6d60bf4a57946663d16dda89e12bfb1f8d7556f277e2818680e4c8"
Baking the configuration inside container images
任何 contaienr image 建置的時候應該都要往通用的方向去設計,而不是參雜各種設定在裡面。著名的 12-factor app 裡面也有提到類似個概念,建置好的 image 應該要可以 build once, run everywhere,動態的方式傳入不同的設定檔案,而不是把任何跟環境有關的資訊都寫死
舉例來說,如果 image 內包含了下列設定(舉例,包含不限於)
1. 任何 IP 地址
2. 任何帳號密碼
3. 任何寫死的 URL
作者認為比較好的做法有
1. 透過動態載入的方式來設定運行時的設定,譬如Kubernetes configmaps, Hashicorp Consul, Apache Zookeeper 等
2. 根據不同程式語言與框架甚至可以做到不需要重啟容器就可以載入新的設定
Coupling applications with Kubernetes features/services for no reason
作者認為除了很明確專門針對 Kubernetes 使用,或是用來控制 Kubernetes 的應用程式外,大部分的 應用程式包裝成 Container 時就不應該假設只能運行在 Kubernetes 內。作者列舉了幾個常見的使用範例,譬如
1. 從 K8s label/annotation 取得資訊
2. 查詢當前 Pod 運行的資訊
3. 呼叫其他 Kubernetes 服務(舉例,假設環境已經存在 Vault,因此直接呼叫 vault API 來取得資訊)
作者認為這類型的綁定都會使得該應用程式無法於沒有 Kubernetes 的環境運行,譬如就沒有辦法使用 Docker-compose 來進行本地開發與測試,這樣就沒有辦法滿足 12-factor 中的精神。
對於大部分的應用程式測試,除非其中有任何依賴性的服務是跟外部 Kubernetes 綁定,否則這些測試應該都要可以用 docker-compose 來叫起整個服務進行測試與處理。
服務需要使用的資訊應該是運行期間透過設定檔案,環境變數等塞入到 Container 內,這樣也呼應上述的不要將與環境有關的任何資訊都放入 image 內。
Mixing application deployment with infrastructure deployment (e.g. having
Terraform deploying apps with the Helm provider)
作者認為近年來伴隨者 IaC 概念的熱門,愈來愈多的團隊透過 Terraform/Pulumi 這類型的工具來部署架構,作者認為將部署架構與部署應用程式放到相同一個 Pipeline 則是一個非常不好的做法。
將基礎架構與應用程式同時放在相同 pipeline 可以降低彼此傳遞資訊的困難性,能夠一次部署就搞定全部,然而這種架構帶來的壞處有
1. 通常應用程式改動的頻率是遠大於基礎架構的改變,因此兩者綁在一起會浪費許多時間在架構上
假如部署基礎架構需要 25 分鐘而應用
https://codefresh.io/kubernete.../kubernetes-antipatterns-1/
控制變因舉例 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
【中鋼AI現場2:如何靠微米級控制力年省成本千萬?】熱浸鍍鋅AI應用大解密
微米級鍍鋅厚薄如何控制的恰到好處?既要賦予足夠耐蝕性,又要不超量用鋅降成本,秘訣是用AI達成精準生產控制,再用影像辨識找瑕疵,維持鋅層表面品質
文/翁芊儒 | 2021-03-04發表
攝影/洪政偉
生活中隨處可見鍍鋅類產品,凡是有耐腐蝕需求的鋼鐵加工製品,包括作為建材使用的浪板、擔當汽車門面的汽車鈑金、每天都要打開的電冰箱,還有高階電腦伺服器外殼、傢俱、彩色底板、滑軌、風管等等,都可能是運用中鋼的熱浸鍍鋅鋼捲,加工製作而成。
熱浸鍍鋅鋼捲,是中鋼的塗鍍產品中的其中一項,年產量約有87.5萬噸。中鋼軋鋼三廠第二熱浸鍍鋅課課長羅萬福就指出,每一批出產的鋼捲,都需根據中下游客戶需求,客製化調整鍍鋅膜厚,或是進行化成處理,在鋼捲表面進行鉻酸鹽、耐指紋處理等動作,來因應不同加工製品所需的特性。
比如說,部分高階電腦、伺服器的外殼,不會再進行烤漆,而是直接裸用鍍鋅後的鋼片,對這些廠商來說,就會要求鍍較薄的鋅層,才能維持產品表面品質美觀。相對來說,生產建材浪板的廠商,對鋼捲表面品質的要求就較低,而且考量到浪板恐架設在環境不佳的地方,反而要用越厚的鋅層,來製造高耐蝕性的產品。
由於不同客戶要求的鍍鋅模厚都不同(內行說法會用鍍鋅模重,以「公克/每平方公尺」來計),如何精準控制鋅層厚薄,就成為中鋼熱浸鍍鋅廠的一大挑戰。
中鋼技術部門代理副總經理鄭際昭指出,不同產品有不同規格的鍍鋅膜厚,若鍍的太多、高於客戶需求的厚度,由於鋅是高成本的原料之一,就會造成成本的浪費;若鍍鋅層不符合產品規格,又將導致客戶無法使用或加工後續問題,造成品質客訴。「如何控制的剛剛好,讓客戶審核過關,又能省成本,這是我們的目標。」
開發控制鍍鋅膜厚的自動調參AI,年省成本1,600萬元
為了更精準控制鍍鋅膜厚,來減少生產浪費,中鋼用AI開發了控制鍍鋅膜厚的製程調參AI,試圖解決製程中的大量複雜參數,如何影響鍍鋅膜厚的問題。這類製程調參AI,也正是製造業最典型的AI應用之一。
鄭際昭解釋,要將鍍鋅厚度控制的恰如其分,並不容易,因為鍍鋅層厚薄的生產參數,包括氣刀開口大小、與鋼帶的距離、氣刀的氣壓、鋼帶厚度、鋼帶溫度、產線速度等多重變因,都會影響鍍鋅膜厚。
過去,這些複雜參數的調整,都靠老師傅的經驗來人工調參,羅萬福表示,由於不同老師傅之間又有不同的經驗法則,雖然留存了一本本抄滿生產參數的筆記,但後人看不懂也難以吸收,造成經驗傳承的斷層,「這對於面臨員工退休潮的中鋼來說,是很大的問題。」
而且,過去調整完參數後,需要等鋼帶經過100~200公尺的冷卻,才有辦法進行線上鋅層厚度量測,若量測當下發現鋅層過厚或過薄,回頭調整生產參數時,中間就已經多生產了上百公尺的鋼捲,換句話說,從參數調整到成品量測之間,存在冷卻的時間差,「中間多鍍的鋼帶,就會造成浪費。」鄭際昭說。
為了克服這兩大問題,中鋼約從2年前開始投入製程調參AI的研發,先自動化蒐集生產參數,累積上萬筆大數據資料後,建立了一個AI模型,來歸納在不同參數組合下,所造成的鍍鋅膜厚變化。
去年初上線這項應用後,將參數帶入AI模型中,就能即時預測出鍍鋅膜厚,雖然比不上直接量測的數據精準,但是,以此來即時修正生產參數,能避免冷卻期間造成的鋅層浪費,對於鍍鋅膜厚的控制,也比人為設定更準確。
羅萬福指出,傳統人工調參仍然有約20%會失準,但投入AI後,約只有3%結果失準,準確率達到97%左右,更能減少約4.5%的鋅層的浪費。換算下來,一年就能省下1,600萬元的成本,帶來上千萬元的效益。
建立檢驗區瑕疵辨識AI,降低人工目檢負擔
除了鍍鋅膜厚的生產控制面臨挑戰,熱浸鍍鋅廠的另一大難題,則位於檢驗室中,以人工檢測鍍鋅鋼捲的表面缺陷時,具有一定程度的漏檢率。
實際走訪檢驗室,可以了解到員工過去要查驗鋼捲,需要在快速傳輸的鋼帶上,識別出鋼捲表面的缺陷,而且,不只要識別鋼捲單面的缺面,更要透過鏡面反射,同步識別雙面的缺陷,格外考驗員工眼力,「所以我們都找年輕人來看,眼力比較好。」羅萬福笑著說。
但是,人力識別缺陷的方法,仍有其侷限,除了不是所有缺陷都能肉眼識別,人也一定會眨眼,無法不間斷盯著鋼捲檢驗,加上鋼帶一直在動態傳輸,都提升了識別缺陷的難度。羅萬福舉例:「以前比較誇張的狀況,檢驗員還會因為沒有檢查完全,把鋼捲送到處理線慢慢看,但這樣會增加出貨的時間,造成產線的負擔。」
為此,中鋼導入了另一個同為製造業的典型AI應用,訓練出瑕疵檢測模型,透過影像辨識技術,在即時的鋼帶影像畫面中自動標記缺陷的位置、形狀、大小、嚴重程度,抓出缺陷後,再經由人工複查是否確實。換句話說,過去要由人工全檢所有鋼捲的查驗流程,現在能以AI自動辨識來取代,人工只需複查經AI標示出缺陷的鋼帶區域即可,不僅大幅省下查驗人力,更提升了缺陷識別的的準確率。
羅萬福指出:「過去用人工檢驗,會有一定的漏檢率,可能5%~10%,真的很難每一個缺陷都看到。」但在加入AI後,幾乎不再發生漏檢,瑕疵辨識準確率提升到95%以上,進一步提升了鋼捲品質。
人工查驗除了有漏檢的風險,更大的問題,則是在於沒有一套記錄的機制,將鋼帶表面的查驗記錄保存下來。
「以前遇到客戶說,在100公尺的地方有一個缺陷,你們怎麼沒看到?我們就只能認了,因為沒有記錄。」羅萬福指出,沒有記錄機制,就無法得知缺陷到底是發生在自家工廠,還是客戶的工廠中。
但現在,透過AI檢查鋼捲表面,自動標示出缺陷位置與種類後,將這些紀錄留存下來,未來遇到客戶反應類似情形,就能提供當初查驗留存的缺陷地圖(Defect Map),來證明工廠出貨時的品質無虞。
「所以我們不只是導入AI,還把整套記錄建立起來。」羅萬福說。
目前,檢驗區的瑕疵辨識AI已經在去年正式上線,但這項技術,還不足以完全取代人工查驗,除了缺陷處需人工複查,部分非表面瑕疵的缺陷,比如鋼片側面成波狀等形狀缺陷,還是需要靠人眼來識別。
進料區也設瑕疵辨識AI,找出上游廠缺陷鋼捲
除了在後段的檢驗區導入瑕疵辨識AI,中鋼也正在將該技術導入前段進料區。這是因為,部分在後段檢驗到的鋼捲表面瑕疵,可能不是在熱浸鍍鋅廠造成,而是在前一廠區製成鋼捲時,就已經生成。
羅萬福指出,一般來說,鋼品表面的缺陷可能是在傳送鋼帶的過程中,因下方滾輪沾附不明物體,而在鋼帶表面殘留印跡,「不外乎是壓痕、刮痕、或是一些污染,」當發現這些缺陷,就得去找出造成缺陷的來源,並確實清除乾淨,確保下一捲鋼捲的生產過程不會留下缺陷。
然而,在後段檢驗區查驗出缺陷,回頭在製程中查找缺陷來源時,若缺陷並不是在熱浸鍍鋅廠區生成,可能需要花費更多時間來判定缺陷來源。不只如此,熱浸鍍鋅產線從頭到尾大約要經歷2,000公尺的加工運送,若是在前一廠就已經產生嚴重缺陷,原本就不合格的鋼捲,又多進行了近2,000公尺的製程,對鍍鋅原料來說也是種浪費。
「如果可以在進料區就先檢測出來,就能馬上可以判斷,這一捲鋼捲還要不要繼續生產。」羅萬福說。
而且,越早發現缺陷,也能越快通知上游工廠找出生產流程的問題,不只能避免產出更多有瑕疵的鋼捲,快速撤查出同一批生產的瑕疵品,也能減少其他下游廠誤用瑕疵品的可能性。
因此,中鋼正在開發前段進料的瑕疵辨識AI系統,但不是只用於找出缺陷而已,而是要與後段檢驗區瑕疵辨識系統所拍到的畫面,進行整合比對,來檢視前端所發現的缺陷,是否就是造成後段缺陷的原因,藉此建立缺陷演化分析的AI模型。
這個AI模型,能用來判斷進料時不同類型的瑕疵,經鍍鋅製程後是否還會留存下來,當模型越準確,就能判斷前段缺陷的危害程度,來節省更多的浪費。
「這就是我們的產業專業知識,去定義出這個缺陷類型是不是刮痕、這道刮痕鍍鋅後還能不能看得見、這捲鋼捲能不能繼續生產?」羅萬福說。
羅萬福表示,若在後段檢驗區發現鋼捲瑕疵,一噸鋼捲就要損失200美元以上,一捲鋼捲約20噸重,換算成臺幣,就會損失12萬元以上,「能即時找出缺陷,預先判斷要不要繼續生產,就是成本控管的關鍵。」
若用一句話來解釋熱浸鍍鋅方法,就是將鋼捲放入鋅槽,使其雙面都沾附鋅液,讓鋼片表面附著一層薄薄的鋅,能耐腐蝕。不過,實際上要生產出一捲捲數噸的熱浸鍍鋅鋼捲,需要經過一連串複雜的處理流程,先後進入進料區、退火區、鍍鋅區、調質整平區、塗覆區、檢驗區、出料區,才能完成熱浸鍍鋅的作業。
中鋼開發的AI應用,位於生產流程中的進料區、鍍鋅區與檢驗區。在進料區與檢驗區,運用了AI瑕疵檢測技術,來取代部分人工查驗作業,在鍍鋅區,則運用了AI製程調參的技術,找出不同生產條件下的最佳化製程調參作法。
1 進料區:進行的解捲、剪裁、焊接的步驟,先運用解捲機,將入料的鋼捲攤開,剪裁後,再利用焊接機,把兩個鋼捲接在一起,形成一個連續鋼捲,類似於將兩個捲筒式衛生紙的紙面連起來的樣子。
2 退火區:透過溫度變化,達成特定產品所需的機械性質,比如高強度鋼,需要在特定製程條件下才能生產而成。
3 鍍鋅區:鍍鋅區主要配備一個鋅槽,並透過氣刀來將多餘的鋅液刮除,藉此來控制鋅的膜厚(公克/每平方公尺),中鋼可生產單面每平方公尺40~200公克的熱浸鍍鋅鋼捲,越薄的鍍鋅層,用於越高階的產品,也越考驗鍍鋅的技術。
4 調質整平區:運用調質軋延機將剛鍍完鋅的光滑鋼板,依據客戶的需求,加上特定的表面紋路,比如部分要求高粗糙度的鋼板,就會以調質軋延機賦予特殊的表面。
5 塗覆區:在鋼品表面進行特殊處理,比如在用於家電外殼的鋼板上,進行耐指紋處理;又或是在用於抽屜滑軌的鋼板上,塗上高潤滑塗劑,確保鋼板能承受超過一萬次的拖拉。
6 檢驗區:查驗每一捲鋼捲表面是否有瑕疵。檢驗室內設置了鋼捲的垂直檢驗區及水平檢驗區,前者需透過鏡面反射,同步識別鋼捲雙面缺陷,後者則能從不同角度發掘瑕疵。
7 出料區:依據客戶對鋼捲寬度與重量的需求,將鋼捲裁邊修改成特定尺寸,再分捲成不同噸數的鋼捲,或是將鋼捲焊接成超過原尺寸的鋼捲來出貨。
AI瑕疵辨識如何取代人工目檢
作業流程?
實際走訪檢驗室,可以了解到員工過去要查驗鋼捲,需要在快速傳輸的鋼帶上,識別出鋼捲雙面的缺陷。但是,過去的作業流程,存在一定漏檢率,更可能因為沒有檢查完全,把鋼捲送到處理線重複檢驗,而延遲出貨時間,造成產線負擔。(如圖示:人工目檢1、2)
導入AI後,透過影像辨識技術,員工現在已經可以坐在控制室,看系統自動抓出鋼捲表面缺陷,再進行人工複查。如此一來,不僅大幅省下查驗人力,更降低了缺陷識別的漏檢率。(如圖示:AI作法1、2)
除了在檢驗區導入,中鋼也正在開發進料區的瑕疵檢測AI,要提前檢驗出上游鋼廠造成的瑕疵,攔截瑕疵品進入產線加工,來減少鍍鋅原料浪費。(如圖示:AI作法3)
人工目檢1
人工垂直檢驗鋼捲
人工目檢2
人工水平檢驗鋼捲
AI作法1
以攝影機蒐集鋼帶表面影像
AI作法2
系統自動標示缺陷位置與種類
AI作法3
訓練進料區瑕疵辨識AI
附圖:過去得靠老師傅依據經驗法則來人工調參的作法,現在已經看不到了。以前,老師傅需將每一次的參數設定抄寫到筆記中(如圖所示),但現在透過AI,能更精準掌控特定生產參數下的鍍鋅膜厚。(攝影/洪政偉)
圖解熱浸鍍鋅生產流程
攝影-洪政偉
過去要查驗鋼捲,員工需要在快速傳輸的鋼帶上,識別出鋼捲表面的缺陷,且不只要檢查單面,透過鏡面反射,還得同步識別鋼捲另一面的缺陷。圖為垂直檢驗區的實際檢查流程。(攝影/洪政偉)
除了垂直檢驗,查驗人員也需水平檢驗鋼捲,從不同角度發掘鋼捲表面缺陷,比如沖模過程中,可能產生類似於污點的缺陷,即可在此檢驗出來。(攝影/洪政偉)
為了取代人工目檢,中鋼將攝影機裝設在垂直檢驗區的鋼帶底部,也就是圖中綠色雷射光點的位置;拍攝到的鋼帶表面影像,則會顯示到控制室的螢幕畫面中,同步進行影像辨識來查找瑕疵。(攝影/洪政偉)
在控制室內,員工可以直接從螢幕看見鋼捲表面檢查情形,若AI偵測到任何瑕疵,系統會同步標註出缺陷位置、形狀、大小、嚴重程度,提供明確的缺陷資訊,節省人力目檢的負擔。(攝影/洪政偉)
左邊螢幕是檢驗區瑕疵檢測系統,右邊螢幕則是進料區瑕疵檢測系統。目前,中鋼正在開發進料區瑕疵辨識AI,更要藉由與後段瑕疵辨識所拍攝畫面的比對,來建立缺陷演化AI分析模型。(攝影/洪政偉)
資料來源:https://www.ithome.com.tw/news/142941
控制變因舉例 在 主觀聽感測量/評價之可變因素(子)控制 - Mobile01 的推薦與評價
控制變因 :實驗中其它不能改變(維持不變)的因素。 (實驗組及對照組皆相同的因素) ... 實驗設計/實驗的變因) 將之擬化如下 舉例:以「綠豆生長」為主題 ... <看更多>
控制變因舉例 在 Re: [問]到底何為應變變因- 看板studyteacher - PTT網頁版 的推薦與評價
總之想得到的都要控制操縱變因:一株有葉子一株沒有葉子應變變因:植物行光合作用需要葉子(只是舉例不是所有的植物都一樣~) 我知道的大概是這樣有錯請 ... ... <看更多>