Points centraux du DOE par rapport aux objectifs de processus historiquesJ'ai une question générale sur l'utilisation des points centraux par rapport aux valeurs cibles de processus historiques dans les études DoE décrites dans le scénario ci-dessous :
Lors de la décision sur les valeurs à utiliser pour les niveaux élevés et bas de facteurs dans une étude du DoE, il a été déterminé que les niveaux hauts/bas qui couvrent la plage d'intérêt ne sont pas exactement symétriques autour des valeurs cibles historiques actuelles pour certains facteurs. Lors de l'ajout de plusieurs points centraux à une telle conception, serait-il acceptable d'utiliser les valeurs cibles actuelles pour certains facteurs plutôt que les points centraux symétriques exacts ?
Ma compréhension est que le but d'inclure plusieurs points centraux est d'obtenir une mesure de la variabilité et également de déterminer s'il y a une courbure présente. Y a-t-il un mal ou un inconvénient à utiliser des "points centraux" légèrement décalés pour certains facteurs afin d'atteindre ces objectifs ?La préférence pour l'utilisation des valeurs cibles historiques plutôt que des points centraux exacts découle du désir de comparer les données historiques.Des idées ou des conseils?
BICHERe : Points centraux du DOE par rapport aux objectifs de processus historiquesMerci pour la réponse très détaillée et les suggestions!Je l'ai trouvé très utile et j'espère que d'autres le feront aussi.
Re : Points centraux du DOE par rapport aux objectifs de processus historiquesBonnes questions. Voici mes réflexions :
1. Le mode de défaillance typique pour le réglage de niveau est TROP ÉTROIT. Une hypothèse est qu'il y a une peur de fabriquer un mauvais produit (ce qu'on nous a appris à ne pas faire). N'oubliez pas que vous essayez de créer une variation et non de choisir le gagnant. Les paramètres de niveau plus audacieux augmentent l'espace d'inférence avec peu de ramifications de ressources. Audacieux, mais raisonnable est mon conseil.
2. L'autre observation que j'ai faite en menant des expériences et en enseignant l'expérimentation pendant 35 ans, c'est qu'il y a, peut-être subconscient, un désir d'avoir le "meilleur" niveau inclus dans l'expérience. Ceci n'est pas nécessaire pour un travail séquentiel et itératif. Je crois que c'est l'effet de la direction qui veut une réponse rapide plutôt que de comprendre le problème et la structure causale. Dites le mot itération à la direction et ils pensent temps et argent...
3. Le conseil que je donne est de PRÉVOIR TOUS les résultats possibles de l'expérience (c'est-à-dire, que ferez-vous s'il n'y a pas de changement pratique dans les variables de réponse ? Que ferez-vous s'il y a un changement significatif dans les variables de réponse, mais qu'aucun des facteurs n'est significatif ? Que ferez-vous s'il y a une variation de cause spéciale pendant l'expérience ? Que ferez-vous si le facteur A est significatif, Et si ce n'est pas le cas ?, etc.). De plus, je suggère de prédire la valeur de la variable de réponse pour chaque traitement. L'un des avantages de cette prédiction est que vous pouvez penser à l'ordre d'exécution. Disons que vous n'êtes pas sûr du réglage de niveau. Vous exécutez les traitements prévus pour avoir la meilleure valeur et le traitement prévu pour avoir la pire valeur lors des 2 premières exécutions de l'expérience. S'il n'y a pas de variation créée, vous repensez la mise à niveau des facteurs. S'il y a une quantité importante de variation créée, continuez l'expérience.
4. J'ai déjà posé cette question au Dr Taguchi il y a de nombreuses années. Il a d'abord déclaré que la combinaison de traitements qui n'a produit aucun résultat pourrait être le traitement le plus informatif de l'expérience. Il a également passé beaucoup de temps à essayer de comprendre ce qui s'est réellement passé lorsque le processus a échoué, et a créé une variable de réponse qui quantifiait ce phénomène. En fait, je pense que la réflexion de Taguchi sur les variables de réponse est l'une de ses contributions les plus importantes dans le domaine.
5. Répliquer uniquement cette combinaison de traitements conduit au problème de l'effet de bloc confondant avec le traitement répliqué, soyez donc prudent avec cette approche.
6. Si vous ne perdez qu'un seul traitement, vous pouvez régresser sur les données restantes pour estimer ce qu'aurait pu être ce résultat et utiliser cette valeur pour sauver le reste de l'expérience. (Ou utilisez la moyenne des données restantes comme valeur de remplacement qui a pour effet de supprimer cet effet de traitement). Si vous utilisez un concept de substitution, mon conseil est de faire plusieurs substitutions et de voir dans quelle mesure elles concordent. Si l'accord est suffisant, alors allez-y. Si ce n'est pas le cas, vous devez penser à des courses supplémentaires.
Re : Points centraux du DOE par rapport aux objectifs de processus historiquesMerci à vous deux pour vos réponses très complètes, très appréciées !
Je pense que vous avez tous les deux soulevé de bons points liés au fait de s'assurer que les fourchettes de facteurs sont suffisamment larges ou simplement d'élargir les niveaux de facteurs pour les rendre équidistants de la cible. Le souci de rendre certains niveaux de facteurs trop larges est, comme vous l'avez peut-être deviné, que certaines combinaisons de facteurs pourraient potentiellement casser le processus à tel point qu'une valeur quantitative pour les réponses ne pourrait pas être obtenue. De telles expériences dans le cadre de la conception deviendraient alors simplement réussite/échec. Je pense que c'est une préoccupation assez courante qui est soulevée lors de la définition des plages pour les études DoE.
Si une telle situation se produit lors d'un DoE, que recommanderiez-vous comme meilleur plan d'action ?Répéter uniquement les expériences ratées avec des plages plus étroites pour les facteurs ?Entrez une valeur extrême comme réponse ou indiquez d'une manière ou d'une autre dans le modèle qu'une telle expérience a échoué ? Recommencer le DoE avec des plages de facteurs plus étroites ? Je crois avoir déjà entendu toutes ces possibilités suggérées lorsque j'essayais de traiter des expériences ratées dans le cadre d'une étude DoE.
D'autres réflexions ?Merci encore pour le conseil!
Re : Points centraux du DOE par rapport aux objectifs de processus historiquesQuelques réflexions supplémentaires à ajouter aux excellentes idées de Mark...
La raison de vouloir comparer aux valeurs cibles historiques peut provenir de la pensée suivante. Étant donné que les niveaux auxquels vous testez sont pas les paramètres actuels , Si l'expérience suggère mieux résultat si vous déplacez un facteur vers le haut (ou le bas), une question courante : est-ce mieux que courant? Vous n'avez pas une telle comparaison dans l'expérience. Par conséquent, lors des conceptions de dépistage initiales, il est recommandé de toujours inclure le paramètre de niveau actuel comme l'un des niveaux.
Les ajouts de points centraux à l'espace d'expérience fournissent un moyen très efficace de tester la courbure, fournissant une estimation de l'erreur qui n'est pas biaisée par les effets du traitement et si vous en exécutez suffisamment au hasard tout au long de l'expérience, une méthode pour examiner la stabilité de l'espace d'expérience . Bien sûr, pour obtenir des points centraux, tous les facteurs doivent être quantitatifs/continus.
Pourquoi ne pouvez-vous pas définir des niveaux équidistants des objectifs historiques ? Vous n'essayez pas de choisir un gagnant, mais de créer une variation qui peut facilement être analysée.
Re : Points centraux du DOE par rapport aux objectifs de processus historiquesVous pouvez faire ce que vous voulez. Vous ne casserez rien.
Vous collectez des données pour ajuster un modèle empirique, soit pour tester des hypothèses sur les effets, soit pour prédire la réponse dans de nouvelles conditions. Ce cas est un problème de régression. Le (seul) but d'une expérience conçue est de fournir les données optimales pour la régression. Les informations contenues dans les données sortent du modèle. Vous pouvez utiliser un ad hoc méthode ou une méthode fondée sur des principes pour concevoir votre collecte de données. Les méthodes de conception basées sur des principes statistiques sont destinées à fournir une collecte de données optimale dans le cadre d'un ensemble de spécifications donné.
La distribution symétrique commune des niveaux de facteurs est le résultat soit d'une méthode de conception combinatoire (par exemple, des plans factoriels) soit d'une méthode de conception optimale lorsque le modèle de régression linéaire est de premier ou de second ordre. Les deux ou trois niveaux, respectivement, sont les niveaux optimaux. Mais si vous concevez une expérience pour une combinaison linéaire du troisième ordre, les quatre niveaux optimaux résultants ne sont pas symétriques. Qui savait? Eh bien, ils sont symétriques par rapport au centre, mais ils ne sont pas uniformément espacés sur la plage.
Ainsi, l'adaptation de la conception réduira son optimalité, mais probablement pas tant que ça. Il ne cassera certainement pas. Les points centraux dans votre cas sont également destinés à servir de pistes de contrôle. Vous ne pouvez pas spécifier cela à la méthode, alors faites la conception optimale, puis déplacez les points centraux là où vous le souhaitez. Les nouveaux points centraux fourniront toujours les informations permettant d'estimer les erreurs aléatoires indépendantes du modèle et, à leur tour, de tester le manque d'ajustement (en supposant que vous ajustez un modèle de premier ordre).
Une autre mise en garde : assurez-vous que les plages de facteurs sont larges. Être audacieux. Vous pourriez penser qu'une large gamme produira des réponses indésirables et, par conséquent, devrait être évitée. C'est un bon résultat ! Le but de l'expérience n'est pas de trouver les conditions désirées. Le but est de fournir les données pour ajuster un modèle qui trouvera les conditions souhaitées. Le jeu consiste donc à utiliser les plages de facteurs pour provoquer des effets importants (changements dans la réponse) faciles à détecter (puissance élevée) avec de faibles erreurs standard (haute précision, stable).
