Definitif Screening Design<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Hola,
un cliente me preguntó si el DSD tener sentido usarlo para mejoramiento ? quiero decir por ese, el óptimo encontró para cada parametro ( p.ej si uno busca a maximizar la respuesta ) es eso tan confiable como un óptimo ¿diseño?
Gracias por tus comentarios, Valerie
Re: Definitif Screening DesignValerie
De acuerdo con todos los puntos hechos por mis estimados colegas.
Mis dos centavos y una breve respuesta.
1.) DSD es para la detección como su nombre indica y permite examinar potencialmente muchos más factores de los que se ofrecían anteriormente, ya que, por ejemplo, se pueden evaluar 10 factores en 21 ejecuciones. Compare eso con un diseño de la Resolución IV (un "estándar de oro" histórico) que requería aproximadamente el mismo gasto de recursos para considerar solo 6 factores.
2.) A veces, debido a la escasez de efectos y la herencia de efectos, uno puede ser bastante afortunado y ser capaz de utilizar el DSD para optimizar el proceso (consulte la historia de éxito de Novomer, donde se investigaron 10 factores y la escasez / herencia llevó a una comprensión significativa). No se requieren más experimentos y la escala de 3000 galones hasta 6 meses después del experimento.
3.) Tenga en cuenta, sin embargo, que los experimentos son secuenciales y se requieren muchas más demarcaciones a través del aumento para mejorar la comprensión del sistema.
4.) No sabemos lo que no sabemos e incluso cuando creemos que sabemos que el sistema es más dimensional que nuestro cerebro y requiere experimentación para que podamos entender y luego explicar por qué.
5.) Finalmente, para mí, "optimización" significa que me he adaptado a mis condiciones operativas y luego perturbo las entradas que se espera que ejerzan una variación a lo largo del tiempo en el proceso y describa y comprenda la solidez de mi espacio operativo.
Re: Definitif Screening DesignValerie: Estoy de acuerdo con todos los comentarios anteriores. Otro pensamiento que quizás todavía no se haya desarrollado completamente es la noción de una ventana de operatividad para el proceso en cuestión. Y en línea con los comentarios de Don, con una gran cantidad de factores / interacciones activas, o quizás respuestas curvilíneas para algunos factores, el DSD podría no proporcionar la precisión / sesgo de la estimación deseada de una interacción llena, espacio de respuesta curvilínea. La mayoría de los ingenieros de diseño o fabricación quieren más que solo un punto óptimo en un espacio de diseño ... quieren conocer la ventana de operatividad alrededor de ese punto de ajuste óptimo. Entonces, para un DSD, obtendrá un punto en el espacio n factor ... pero con interacciones o curvatura, a medida que los factores del proceso se alejan de ese punto, el modelo podría no estimar con el grado deseado de precisión / sesgo. Entonces, cuando las ventanas de operatividad son un tema importante ... no podemos "simplemente hacer que esto funcione", no estoy seguro de que use un DSD para el trabajo de optimización como mi primera opción.
Re: Definitif Screening DesignValerie
Buenos comentarios de don y martin. Me gustaría preguntar "¿Cuántos factores tiene el cliente?" Creo que es muy importante saber esto. Los desalentaría a pensar o votar un problema de 10 factores hasta 5. Dejan la oportunidad de conocer los 5 factores que quedan atrás en la pizarra de la sala de conferencias. Si todo lo que realmente tienen son 5 o menos factores, entonces ir directamente a un diseño RSM tiene más sentido que ir con un DSD. El diseño predeterminado de variable continua de 5 factores es 27 ejecuciones únicas para admitir el modelo de 21 términos.
Si el número de factores es mayor, es más probable que la escasez de efectos sea cierta. Los números que se deben tener en cuenta son que un DSD para 6 o más factores puede colapsar para admitir el modelo cuadrático completo para cualquiera de los 3 factores. Un DSD para 18 o más factores puede admitir el modelo cuadrático completo en cualquiera de los 4 factores. Un DSD con 22 o más factores puede admitir el modelo cuadrático completo para cualquiera de los 5 factores.
Si el cliente tiene 10 factores, entonces el diseño personalizado del DOE RSM personalizado necesita 72 ejecuciones únicas para admitir el modelo de 66 términos. Eso es mucho trabajo y no es algo que la mayoría de la gente persiga. El DSD de 10 factores sería 21 ejecuciones únicas, bastante más pequeño. Si el experimentador tiene suerte y solo 3 factores son importantes, entonces el diseño soportará el modelo cuadrático completo. PERO, si hay más de tres factores importantes, las cosas se ponen un poco más complicadas. Si bien la regresión por pasos y / o el nuevo complemento de análisis DSD de Brad pueden permitirle ajustar un modelo que soporta, por ejemplo, cinco factores y un subconjunto del modelo cuadrático completo, un enfoque más conservador sería aumentar el DSD para respaldar la cuadrática completa. Los 5 factores importantes. Agregar una variable de bloque para probar si el proceso se ha movido entre cuando se ejecutó el DSD y cuando se ejecutarán los ensayos aumentados y pedir que se agreguen 10 ensayos nuevos a los 21 originales; se obtiene un diseño aumentado de 31 ensayos. Esto sigue siendo un poco más pequeño que el diseño RSM en 10 factores. Al solicitar 15 nuevos ensayos en lugar de 10, se obtiene un diseño aumentado de 36 ensayos, la mitad del tamaño del diseño de RSM de 72 factores de 72 ensayos.
¿Qué tan buenos son los diseños aumentados de 31 y 36 ensayos en comparación con el DOE personalizado de 27 ensayos en 5 factores? En el gráfico del Espacio de diseño de fracciones (FDS) debajo de la curva azul se encuentra el diseño óptimo para el DOE I personalizado de 27 intentos. La curva verde discontinua sobre ella es para el diseño aumentado de 31 versiones. La curva negra discontinua y punteada que cae sobre la curva azul es el diseño aumentado de 36 pruebas. Lo que queremos ver aquí es que la curva es baja y plana. Y, por lo tanto, parece que, según la métrica FDS, el DSD aumentado con 36 pruebas es tan bueno como el DOE personalizado de 27 pruebas. También diría que el diseño aumentado de 31 versiones no es tan malo.
Al comparar los diagnósticos de diseño, como las eficiencias D, G y A, también podemos ver que los dos diseños aumentados se comparan bien con el DOE personalizado de 27 versiones.
Volviendo a mi punto anterior, creo que la elección de usar un DSD depende en gran medida de cuántos factores pueda tener el cliente. Cinco o menos van directamente a RSM para hacer la optimización. Más de 5 (10 en mi ejemplo) consideran hacer un DSD y luego, si NO es lo suficientemente afortunado como para que el análisis se colapse para que sea compatible con la cuadrática completa, o si NO es lo suficientemente afortunado como para que la regresión paso a paso le encuentre un modelo adecuado, entonces aumente el DSD para Apoya la cuadrática completa en los factores importantes.
Considere esto como un proceso de dos pasos que le permite tomar una decisión inteligente después del análisis del DSD sobre si el segundo paso es necesario o no. También consideraría hacer algunos puntos de control para probar los modelos después de la etapa DSD. Si puede predecir adecuadamente las observaciones del punto de control, entonces puede brindarle más comodidad si decide no ejecutar la parte aumentada del proceso de dos pasos.
Tom
Re: Definitif Screening DesignValerie
Estoy de acuerdo con Don en que esta no sería mi primera opción. ¿Por qué querría el cliente ir con DSD y no con un diseño personalizado (por ejemplo)? Allí podría agregar exactamente los Términos modelo que le gustaría haber estimado y, si hubiera alguna restricción, por ejemplo, causada por restricciones técnicas, también podría incorporarlas fácilmente. Si no es un proceso típico pero, por ejemplo, la optimización en un área, es posible que desee ir con diseños de relleno de espacio.
Re: Definitif Screening DesignValerie
Puede ser en algunas situaciones, pero no sería mi primera opción en la mayoría de los casos. El problema es que, a menos que haya efectos dispersos, no podrá estimar dos interacciones de factores. Desde un punto de vista de optimización, esto es problemático. Además, las interacciones de dos factores se correlacionan entre sí y los efectos cuadráticos, por lo que incluso si puede estimarlos, la precisión de su estimación puede ser baja. Mucho de esto depende de cuántos factores tenga y cuántos estén activos.
Don
