最適なデザインの選び方親愛なるみんな、
5 つの連続因子で実験を行いたいと思います。 私たちのシステムは化学反応です。 要因間に相互作用があることはわかっていますが、どの範囲まで及ぶかはわかりません。 製品の量を最大化したいと考えています。
可能なDOEはたくさんあります。 私は考える
-中央複合デザイン、
-またはその最初の部分 (主効果と中心点) を作成し、次に計画を拡張します。
-OR DSD を実行してから、デザインを拡張します。
-OR 二次元および二次相互作用によるカスタム設計
-またはカスタム設計して RSM を選択します。
最適なデザインを選択するにはどうすればよいですか? 私が選択するのにどの議論が役立つでしょうか?
ありがとう
DOERe: 最適なデザインの選び方ノイズ自体を下げるのではなく、ノイズがプロセスの実際の/実際のノイズを表すようにしたいのです。 もちろん、ノイズがより代表的なものになるにつれて、因子効果の検出精度に悪影響を及ぼす可能性があります。 これは、ノイズを分割するためのノイズ戦略 (ブロック、分割プロットなど) が必要な場合です。
「残念ながら、将来の実験 (将来の試験、明日の生産) は、この実験に影響を与えるものとは異なる環境条件 (温度、材料、人) の影響を受けるでしょう…それは、主題に関する知識のみによるものであり、おそらくさらなる実験 (イタリック体) によって支援されます。より広い範囲の条件をカバーするために、間違っているリスクを冒して、将来の環境条件が現在の環境条件と十分に近いかどうかを判断して、手元の結果を使用できるようにする.」
デミング博士
「できるものはブロックし、できないものはランダム化する」
GEP 箱Re: 最適なデザインの選び方応答に大きな変化をもたらす因子に対して積極的な範囲が必要です。 これは、カテゴリー因子では不可能な連続因子の利点です。 ポイントは、検出力が高く、信頼区間が小さいことです。 テストとは、勝者を見つけることです。 実験はモデリングに関するものです。 モデルが勝者を見つけます。 したがって、良い反応と悪い反応の両方が得られる実験が最適です。 モデルがよりリアルになります。
Re: 最適なデザインの選び方ありがとうマーク。
実際、私はこれらすべての要素が重要であることを知っています。 ただし、それらが値の範囲でどのように相互作用するかはわかりません。
さらに、ある要因については、かなりの量の製品を得るために必要な最小値がわかりません。 したがって、選択した範囲が大きすぎる可能性があります。おそらく、選択した最小値は、他の要因の値に関係なく、低い応答を示します。
あなたが提案するアプローチでは、実験のコストを下げることが目的であることを理解しています。 ただし、効果を逃したくはありません。 したがって、すべての実行を保持することを選択します。 3 つの中心点 (パートナーからの質問) を使用して、2 次項と 2 次項を考慮すると、28 回の実行が得られます。 RSM は 27 回の実行と、より低い予測分散プロファイルを提供します。 したがって、RSM が最適なようです。
Re: 最適なデザインの選び方こんにちはStatman、ポイント1と2は大丈夫だと思います。 測定系の事前テストを行い、ノイズを極力抑えるように準備しました。 他の提案をありがとうございました。
Re: 最適なデザインの選び方デザインを選択する際には、いくつかの考慮事項があります。 テストを実行するまで、どちらが実際に優れたパフォーマンスを発揮するかは誰にもわかりません。 私のアドバイスは、複数のデザインを作成し、それぞれの長所と短所、それぞれから何を学ぶことができるか (分離されているもの、混乱しているもの、制限されているもの) をリストし、得られる可能性のある知識と必要なリソースを比較検討することです。
対処されていないと思われることの 1 つは、ノイズです。 いくつか質問があります:
1. 測定システムにどの程度自信がありますか? 繰り返し実行すると、実験のコンテキストでこれを評価するのに役立つ場合があります。
2. 実験が将来の状況を表す可能性を最大化するための戦略は何ですか? たとえば、化学反応で使用される化学物質は、バッチで分散される連続プロセスからのものである可能性があります。 バッチ内およびバッチ間でどの程度の変動がありますか? 周囲条件は影響しますか? プロセスのセットアップに関心がありますか?
推論空間を損なわずに実験の精度を管理するには、ブロックまたは分割プロットを検討してください。
3. 作成することをお勧めします予想順位2次階乗および2次多項式までのモデル効果。 これは、必要な解像度と、線形モデルからの逸脱が重要であると考えているため、これを推定するためにレベルを追加する必要があるかどうかを判断するのに役立ちます。
4. 最後に、予測するあらゆる可能な結果そして、それぞれの結果から得た情報で何をするかを予測します。 たとえば、実験を実行して実質的に有意な量の変動を作成しても、そのどれも因子効果に割り当てることができない場合、どうしますか? 因子 A が有意で、+ レベルの方が優れている場合、どうしますか? 因子 A が有意で - レベルの方が優れている場合、どうしますか? 因子 A が重要でない場合、あなたはどうしますか? 等
Re: 最適なデザインの選び方5つの要因すべてが重要であり、化学反応の予備知識からそれをすでに知っているに違いありません. もしそうなら、重要なスクリーニングの原則が成り立たない可能性が高いため、スクリーニング実験から始めません。 ただし、因子効果には不確実性があるため、モデル項の推定可能性属性を使用してその不確実性を指定できます。
それはおそらく実行の予算に帰着します。 そのため、5 因子のカスタム デザインを作成します。 (変更が難しい要因はありますか?) モデル セクションの RSM ボタンをクリックします。 考えられるすべての二次相互作用と非線形性について、モデルに項を入力します。 (このアクションにより、基準も I-optimal に変更されます。) 次に、モデル内の各項を調べます。 この用語が必要であることを知っているか、必要でないことを知っているか、または必要かもしれないと考えているかを自問してください。 不要であることがわかっている用語はすべて削除してください。 必要であることがわかっている用語はすべてそのままにしておきます。 残りの項の推定可能性を [可能な場合] に変更します。 このプロセスにより、2 つの変更が行われます。 実行の最小数が減少します。この数は、推定する必要があるパラメーターの数と同じです。 また、設計はすべての可能なモデルに対して I-optimal になります。 次に、次の方法で実行数を増やします。 重要である可能性があるすべての「可能な場合」用語に対して 3 ～ 4 回の実行を追加します。 可能性のあるインタラクションの用語が 10 あるとします。どの用語がアクティブになるかはわかりませんが、そのうちの 2 つがアクティブになると思います。 最低でも 6 ～ 8 回の実行を追加します。
この推論とアプローチは理にかなっていますか?
