定義篩選設計<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />你好，
一位客戶問我是否有DSD 合理用它來做優化 ？我的意思是那個，最佳發現對於每個參數 （ 例如如果一個人尋求至最大化響應 ） 是它可靠作為一個最佳設計？
感謝您的評論，Valerie
回复：Definitif篩選設計瓦萊麗，
同意我尊敬的同事提出的所有觀點。
我的兩分錢和一個簡短的答案
1.）DSD用於篩選，因為您的名稱表明並允許人們檢查比以前提供的更多因素，因為例如可以在21次運行中評估10個因子。將其與第IV號決議設計（歷史“黃金標準”）進行比較，該設計需要大致相同的資源支出才能考慮6個因素。
2.）有時候由於影響稀疏性和效果遺傳，人們可能非常幸運並且能夠使用DSD來優化一個過程（參見Novomer成功案例，其中調查了10個因素並且影響稀疏性/群體性導致了重要的理解）。實驗後6個月不需要進一步的實驗和3000加侖的放大。
3.）然而，要意識到實驗是連續的，並且需要多次進一步描述通過增強來提高人們對系統的理解。
4.）我們不知道我們不知道什麼，甚至當我們認為我們知道系統比我們的大腦更具維度並且需要實驗以便我們能夠理解並解釋原因。
5.）最後，對我來說，“優化”意味著我已經確定了我的操作條件，然後擾亂了預期會隨著時間的推移對過程施加變化的輸入，並描繪和理解我的操作空間的穩健性。
回复：Definitif篩選設計瓦萊麗：我同意之前的所有評論。另一個可能尚未完全充實的想法是對手頭過程的可操作性窗口的概念。與Don的評論一致，有許多活躍因素/相互作用，或者對某些因素的曲線響應，DSD可能無法提供相互作用的曲線響應空間所需的估計精度/偏差。大多數設計或製造工程師不僅需要設計空間中的單個最佳點......他們希望了解圍繞該最佳設定點的可操作性窗口。因此對於DSD，您將獲得n因子空間中的一個點...但是由於過程因子遠離該點，因此具有相互作用或曲率，模型可能無法以所需的精度/偏差程度進行估計。因此，當可操作性窗口是一個重要的問題時......我們不能“讓這件事情發揮作用”，我不確定我是否會將DSD用於優化工作作為我的首選。
回复：Definitif篩選設計瓦萊麗，
唐和馬丁的好評。 我會問“客戶有多少因素？”我想這一點非常重要。 我不鼓勵他們將10因素問題考慮或投票到5。 他們有機會了解會議室白板上的5個遺留因素。 如果他們真正擁有的是5個或更少的因素，那麼直接進入RSM設計比使用DSD更有意義。 默認的5因子連續變量設計是27個獨特的運行，以支持21項模型。
如果因子的數量較大，那麼效果的稀疏性更可能是真實的。 要記住的數字是6個或更多因子的DSD可以崩潰以支持任何3個因子的完整二次模型。 18個或更多因子的DSD可以支持任何4個因子中的完整二次模型。 具有22個或更多因子的DSD可以支持任何5個因子的完整二次模型。
如果客戶有10個因素，那麼默認的Custom DOE RSM設計需要72個獨特的運行來支持66項模型。 這是相當多的工作，而不是大多數人會追求的東西。 10因素DSD將是21個獨特的運行 - 相當小一點。 如果實驗者很幸運，只有3個因素很重要，那麼設計將支持完整的二次模型。 但是，如果有三個以上的重要因素，事情會變得有點棘手。 儘管逐步回歸和/或Brad的新DSD分析插件實際上可以讓您擬合支持例如五個因子和完整二次模型子集的模型，但更保守的方法是增加DSD以支持完整二次曲線5個重要因素。 添加一個塊變量來測試該過程是否在DSD運行和增強試驗運行之間發生了變化，並要求將10個新試驗添加到原始21中 - 產生31個試驗的增強設計。 這仍然比10個因素中的RSM設計小得多。 要求進行15次新試驗而不是10次試驗，產生36次試驗增強設計 - 是72試驗10因子RSM設計的一半。
31個試驗和36個試驗的增強設計與5個因子中的27個試驗的自定義DOE相比有多好？在下面的分數設計空間（FDS）圖中，藍色曲線用於27個試驗的自定義DOE I優化設計。 它上面的綠色虛線曲線是31試驗增強設計。 落在藍色曲線頂部的黑色虛線和虛線曲線是36試驗增強設計。 我們在這裡想看到的是曲線低而平坦。因此，通過FDS指標看來，36試驗增強型DSD與27試驗的自定義DOE一樣好。 我還要說31試驗增強設計並不是那麼糟糕。
比較設計診斷，如D，G和A效率，我們還可以看到兩個增強設計與27個試驗的自定義DOE相比較。
回到我之前的觀點，我認為使用DSD的選擇在很大程度上取決於客戶可能有多少因素。 五個或更少的人去RSM做優化。 超過5個（我的例子中有10個）考慮做一個DSD然後如果不夠幸運，讓分析崩潰到支持完整的二次方，或者如果不夠幸運，逐步回歸找到一個適當的模型，那麼將DSD增加到支持完整二次方的重要因素。
將此視為一個兩步過程，允許您在分析DSD後是否有必要做出明智的決定。 在DSD階段之後，我還會考慮做幾個檢查點來測試模型。 如果您能充分預測檢查點觀察，那麼如果選擇不運行兩步過程的增強部分，它可能會讓您更加舒適。
湯姆
回复：Definitif篩選設計瓦萊麗，
我同意唐，這不是我的第一選擇。為什麼客戶想要使用DSD而不是定制設計（例如）。在那裡，他可以準確地添加他想要估計的模型條款，如果有任何限制，例如由技術限制引起的，他也可以輕鬆地將這些加入。如果這不是一個典型的過程，而是例如優化某個區域，那麼您可能希望採用空間填充設計。
回复：Definitif篩選設計瓦萊麗，
它可能在某些情況下，但在大多數情況下它不是我的首選。問題在於，除非有效果稀疏，否則您將無法估計兩個因素的相互作用。從優化的角度來看，這是有問題的。此外，兩個因子相互作用彼此相關並且具有二次效應，因此即使您可以估計它們，它們的估計精度也可能很低。這大部分取決於您擁有多少因素以及有多少因素。
唐
