Erfahren Sie mehr in unserem kostenlosen Online-Kurs:
Statistisches Denken für die industrielle Problemlösung
In diesem Video zeigen wir, wie vollfaktorielle Experimente mit der Full Factorial-Plattform in JMP entworfen werden.
Dazu wählen wir DOE, dann Classical und dann Full Factorial Design.
Im Bereich „Antworten“ können wir den Antwortnamen und das Ziel der Antwort ändern und wir können Antworten hinzufügen, wenn wir mehrere Antwortvariablen im selben Experiment untersuchen möchten.
Für dieses Beispiel ändern wir den Antwortnamen in Yield. Das Ziel dieses Experiments ist es, den Ertrag zu maximieren, aber Sie können dies bei Bedarf ändern.
Für dieses Beispiel geben wir eine untere Grenze von 90 für die Antwort ein. Sie können dieses Feld jedoch bei Bedarf leer lassen.
Jetzt addieren wir die Faktoren. Wir können eine Kombination aus kontinuierlichen und kategorialen Faktoren hinzufügen.
Zu Beginn fügen wir drei stetige zweistufige Faktoren hinzu.
Wir doppelklicken auf die Namen, um sie zu ändern. Wir ändern X1 in Temp, X2 in Time und X3 in Catalyst. Als nächstes ändern wir die Werte. Der niedrige Temp-Wert beträgt 50 und der hohe Wert 120. Für Time sind die Werte 4 und 24 und für Catalyst sind die Werte 1 und 5.
Jetzt klicken wir auf Weiter.
Sie können sehen, dass dies ein 2x2x2-Design mit acht Läufen oder einer 2 ist 3 vollfaktorielles Design.
Standardmäßig wird das Design in zufälliger Reihenfolge ausgeführt. Die Randomisierung ist wichtig, da sie die Auswirkungen unkontrollierter Variablen mittelt.
Wenn Sie einen Wert in das Feld Anzahl der Mittelpunkte eingeben, werden Designpunkte auf halbem Weg zwischen den niedrigen und hohen Werten für jeden der stetigen Faktoren hinzugefügt. Wenn wir beispielsweise zwei Mittelpunkte hinzufügen, enthält das Design zwei Läufe, in denen Temp 85, Time 14 und Catalyst 3 beträgt. Diese Läufe können verwendet werden, um die Angemessenheit Ihres Modells zu testen.
Wir werden für dieses Beispiel keine Mittelpunkte hinzufügen.
Das Feld Number of Replicates teilt JMP mit, wie oft das Design repliziert werden soll. Wenn dieser Wert Null ist, wird ein Design mit jeder möglichen Behandlung generiert. Wenn Sie diesen Wert auf 1 ändern, wird das gesamte Design einmal repliziert.
Um dies zu sehen, geben wir 1 in das Feld ein und klicken auf Tabelle erstellen.
Sie können sehen, dass dies ein 2x2x2-Design mit 16 Läufen ist.
Die Spalte Muster ist eine Kurzschreibweise für die Faktorstufen, die für jeden Lauf verwendet werden sollen. Beispielsweise wird der erste Versuch mit allen drei Faktoren auf niedrigem Niveau durchgeführt.
Dies ist ein vollständig repliziertes Design, sodass jede der Behandlungen zweimal in zufälliger Reihenfolge ausgeführt wird. Beispielsweise sind die Zeilen 1 und 14 Replikationen. Diese Läufe verwenden die gleichen Faktorstufen.
Drei Skripte werden in der Datentabelle gespeichert.
Nachdem Sie das Experiment durchgeführt haben, können Sie das Modellskript verwenden, um die Analyse auszuführen. Dies ist auch nützlich, um vor dem Sammeln von Daten das Modell anzuzeigen, das Sie schätzen können.
Sie können das Skript Evaluate Design ausführen, um die statistischen Eigenschaften des Designs auszuwerten.
Und Sie können das DOE-Dialogskript verwenden, um zum Fenster für den vollfaktoriellen Entwurf zurückzukehren und Änderungen vorzunehmen.
Fügen wir diesem Design einen weiteren Faktor hinzu. Wir fügen einen vierstufigen kategorialen Faktor hinzu. Dazu wählen wir Kategorial, Ebene 4. Daraus ergibt sich ein 2x2x2x4-Design mit 32 Läufen.
Wir möchten dieses Design nicht replizieren, also ändern wir Number of Replicates auf Null und klicken auf Make Table.
Das resultierende Design ist ein randomisiertes vollfaktorielles Modell mit 32 Läufen und vier Faktoren.
Wenn Sie dieses Experiment durchführen, ist diese Konstruktionstabelle Ihr Leitfaden. Es teilt Ihnen mit, welche Behandlungen ausgeführt werden sollen, und bietet eine Spalte zum Aufzeichnen der Reaktionswerte. Sie sollten diese Tabelle unter einem neuen Namen speichern, um sicherzustellen, dass Sie Ihre Arbeit nicht verlieren.
