460344_zh-CN

liliconcom

将许多小决策转化为一项重大的流程优化成功

如何将实验设计 (DOE) 应用于流程？ 3 月 18 日与系统工程师 Tom Donnelly 一起观看，他将针对以下问题进行 30 分钟的简明演示和讨论：使用设计的实验优化流程作为掌握 JMP 网络研讨会系列的一部分。

Tom 将介绍一个六步框架，用于创建可在您的工作环境中运行的成功设计的实验。 步骤？

1. 描述目标、因素和响应。
2. 指定一个您认为充分描述物理情况的假设模型。
3. 生成并评估与您假设的模型一致的设计。
4. 将试运行测量纳入设计中。
5. 确定最佳模型（通常是建议模型的子集）。
6. 使用模型结果来优化因子设置和/或预测性能。

 

 

作为支持美国国防和航空航天客户的 JMP 团队的一员，Tom 每年都会出席和/或出席军事运筹学研讨会(MORS)，他演示了如何使用 JMP 来解决问题。 他和他的一些 JMP 同事也在一次会议上发表演讲亲自会议，数据工场 2020 （国防和航空航天测试与分析研讨会），2022 年 4 月 26-28 日。 这些会议是：

• 混合型号（教程）作者：Elizabeth Claassen，JMP 研究统计学家开发人员
• 自验证集成建模作者：Chris Gotwalt，JMP 首席数据科学家
• 功能数据作为血糖反应模型的输入和输出作者：Tom Donnelly，JMP 首席系统工程师

Demonstrating JMP to conference attendeeDemonstrating JMP to conference attendeeDemonstrating JMP to conference attendeeDemonstrating JMP to conference attendeeDemonstrating JMP to conference attendee向与会者演示 JMP

 

我最近与 Tom 讨论了他的客户遇到的挑战类型以及他如何帮助指导他们完成 DOE 流程。 另外，他还透露了一些关于他的国家公园探索的信息。

 

 

 

在即将举行的掌握 JMP 网络研讨会中，Tom 使用案例研究方法，其中包含了一些对设计实验成功至关重要的必要问题和答案。 他为我列出了该框架前三个步骤的一些问题。 我邀请您考虑一下您的工作环境和报名参加 3 月 18 日的 Mastering JMP 网络研讨会。

描述

1. 实验的目标是什么？
2. 你如何衡量成功？
3. 您测量哪些响应变量？
4. 如果您的流程需要表征多个响应，那么其相对重要性级别是多少？
5. 你有哪些控制因素？
   1. 连续（定量）——在一定范围内变化。
   2. 分类（定性）——随着级别的不同而变化。
   3. 离散数值 – 类似于连续因子的分析，但仅在离散级别可用，例如序数分类因子。
   4. 混合物或配方因子 - 表现得像一个连续因子，但所有混合物成分比例的总和都限制为（通常）1.00。
   5. 阻断因素——试验分组，例如天或者批那不应该有影响。 我们添加阻塞因素来查看过程是否在组之间转移，作为与阻塞相关的未知或潜伏因素的指标。
6. 在什么范围内操作控制因子才有意义？
1. 太大胆可能会破坏这个过程。
2. 太胆怯可能不会产生足够大的效果。
3. 不知道吗？ 让主题专家参与该过程。
7. 是否存在无法控制的潜在重要因素？
8. 是否可以监控任何不可控因素，以便捕获和记录设置（例如，环境温度、湿度、试验时的操作员）？这些可以被视为协变量因素。
9. 在测量的一天或一段时间内，该过程是否会发生漂移？
10. 一天可以进行多少次试验？需要多天吗？
11. 您通常会为此过程运行控制样本吗？
12. 试验会分批或分组进行吗？
13. 是否存在难以改变的因素？如果有，是哪些？
14. 每种类型您有多少台设备？
15. 您是否拥有可以针对可能因素进行“数据挖掘”并更好地了解因素范围的历史数据？
16. 这些是真实的实验还是它们计算机模拟？
17. 如果是模拟，它们是确定性的（每次都有相同的答案）还是随机性的（内置随机性，因此每次的答案都略有不同）？

指定

1. 您是否希望从大量（例如 6 个以上）因素中识别重要的主效应？
2. 您是否希望建立一个预测模型来表征和优化流程？ 笔记：这两个问题决定了所提出的模型是否为 1^英石订单或 2 ^ND命令。

设计

1. 您的预算是多少？
2. 你的截止日期是什么时候？
3. 每次试验的成本是否大致相同（即，设置和运行所需的时间相同）？
4. 设置运行第一个试验的成本是否比运行接下来的几个试验要高得多？ 每当初始设置很大时，请考虑添加额外的试验（重复或特别是检查点），同时运行成本低廉。
5. 变量设置的任何组合是否会导致问题（例如，不安全、成本太高、破坏设备/流程、无法实现）？
6. 您是否需要限制设计空间或不允许某些因子设置组合？
7. 如果您在不同的日子运行相同的过程，您是否会得到明显/令人惊讶的不同结果？
8. 您是否有每个反应的重复试验的过去记录？
1. 重复试验的响应值是接近还是随着时间的推移而分散？
2. 每个响应的变异性有多大？ 也就是说，响应的标准差或均方根误差 (RMSE) 是多少？
9. 每个响应的微小差异被认为是实际重要的？
10. 对于每个响应，您认为您正在寻找大变异性中的微小差异（很难做到，因为需要大量复制）还是小变异性中的大差异（容易做到）？
11. 检测效果所需的置信度是多少？ 通常为 95%，这导致将 alpha 设置为 0.05（I 类错误）。
12. 各种类型的效应（主要效应、相互作用效应、二次效应、分类效应）可接受的功效水平是多少？笔记：这是理想的置信水平，确保不会错过效果（如果效果是真实的）。 主效应和交互作用的值通常为 0.8，二次效应的值通常较小（II 类错误）。
13. 稍后回来进行检查点试验有多难？ 您现在可以构建检查点试验吗？尤其是如果运行成本低廉的话？ 如果是的话，在哪里？
    1. 您对最佳表现位置的猜测。
    2. 您对性能最差的地方会发生的猜测。
    3. 您的老板对于在何处运行该流程的意见。
    4. 添加试用版以支持下一个更高的型号。
    5. 一些点在设计区域之外。
14. 您认为哪种试验最有可能破坏设计？ 笔记：也许首先进行该试验。

实施一个框架，使设计实验变得高效并产生结果。

 

 

 

 

实验设计回复：将许多小决策转变为一项重大的流程优化成功

加入汤姆@汤姆唐纳利和同事菲尔·凯@菲尔_凯美国东部时间今天下午 2-3 点进行演示和讨论。 登记必需的。