Cos'è OFAT? Che cosa c'è che non va?
La sperimentazione di un fattore alla volta (OFAT) generalmente comporta il mantenimento costante di tutti i fattori tranne uno, la variazione del fattore rimanente e l'osservazione di come questo cambia una risposta. Senza un attento esame, OFAT sembra essere un modo intuitivo e "scientifico" per risolvere i problemi. Personalmente, prima di conoscere l'approccio alla sperimentazione del Design of Experiments (DOE), non ho mai messo in discussione l'OFAT come approccio predefinito, arrivando addirittura a pensare che io non poteva variare più di un fattore alla volta ogni volta che stavo cercando di risolvere un problema.Ricordo che una volta ho trascorso circa 3 giorni con un ingegnere di processo cercando di ottimizzare un processo utilizzando i metodi OFAT. Pensavo di essere metodico e scientifico e di risolvere il problema nel modo giusto richiedendo il minor numero di risorse. Mi sbagliavo. All'esame, OFAT non è né a) bravo a trovare le migliori impostazioni di processo - il punto debole, né b) un uso efficiente delle risorse.
Aspetta, OFAT non trova il punto giusto?
No, OFAT non trova sempre le migliori impostazioni di processo. Per illustrare ciò, lo script allegato genera una risposta curva per 2 fattori di processo (chiamati 'x' e 'y') e visualizza un grafico di questa risposta insieme ad alcuni pulsanti lungo il lato destro del grafico. Il pulsante 'Scatterplot 3D' genera un modo interattivo per visualizzare la forma della risposta. Il pulsante "Toggle Visibility" attiva o disattiva la visualizzazione dell'intera superficie di risposta.
In questo esempio, immagina di provare a trovare l'output di processo più alto possibile, che si trova nel quadrato x=2, y=8. Il pulsante "OFAT Once" imita un approccio OFAT standard:
- Scegli un posto a caso.
- Tenendo costanti tutti gli altri fattori ('y' in questo caso), variare l'unico fattore rimanente ('x') nello spazio consentito, cercando di trovare il massimo.
- Dal massimo trovato, scegli un altro fattore da variare ("y" è l'unico rimasto in questo esperimento), mantieni tutti gli altri costanti e cerca il massimo.
- Ripetere il passaggio 3 finché tutti i fattori non sono stati testati (non necessario in questo caso, in quanto vi erano solo 2 fattori in totale).
- Festeggia, perché hai trovato il punto debole usando scienza! Ma aspetta, sei sicuro?
Provalo tu stesso. Fai clic sul pulsante "Attiva/disattiva visibilità" per cancellare il grafico (per fingere di non sapere già come sono le cose). Utilizzando il pulsante "OFAT Once", osserva come si svolge il processo sperimentale. Se sei fortunato (circa il 20% delle volte) troverai il processo massimo/sweet spot. Il resto del tempo, finirai per non trovare il massimo. A volte, finirai persino nel quadrante in basso a destra, pensando che l'output massimo del processo sia di circa 1,5 unità. Di seguito è riportato un esempio di un esperimento OFAT fortunato (a sinistra) e uno sfortunato (a destra).
Usa il pulsante "OFAT 10x" per simulare rapidamente l'esecuzione di un esperimento OFAT 10 volte e vedrai che il punto debole viene trovato solo circa il 30% delle volte (il tuo numero può variare a causa del campionamento casuale).
Il pulsante "OFAT 1000x" esegue rapidamente 1.000 esperimenti e mostra la frequenza con cui OFAT trova il punto ottimale. Trovare il punto debole solo circa il 25% delle volte dimostra che non si può fare affidamento sugli esperimenti OFAT.
Ma sicuramente OFAT è efficiente. Quel fantastico approccio DOE richiederà più corse sperimentali, giusto?
Sbagliato. DOE significa meno corse. Ogni esperimento OFAT nello script interattivo richiede 19 esecuzioni (10 per il fattore "x" e 9 per il fattore "y"). Il pulsante DOE sul lato destro della finestra apre una tabella di dati che include i risultati di un DOE creato nel Custom Designer di JMP che include tutti gli effetti principali, tutte le interazioni a 2 vie, tutti i termini al quadrato e tutti i termini al cubo. JMP ha reso questo un DOE a 14 esecuzioni e non solo trova il punto ottimale, ma genera anche un modello che prevede l'intera gamma di entrambi i fattori, come mostrato nel profiler di seguito (per interagire con questo profiler, eseguire il 'Modello' script nella tabella dati DOE).
I risultati migliorano solo con l'aumentare della complessità. un processo con 5 fattori continui utilizzando lo stesso metodo OFAT richiederebbe 46 esecuzioni (10 per il 1° fattore, 9 per ciascuno dei restanti fattori), e potrebbe anche non trovare il punto giusto . Custom Designer di JMP genera un progetto per gli stessi 5 fattori che richiede solo 12 esecuzioni (solo effetti principali) o 27 esecuzioni (effetti principali, tutte le interazioni a 2 vie, tutti i termini al quadrato). Questi progetti includono anche esecuzioni ripetute, quindi è possibile calcolare una stima della variazione della risposta.Chiaramente, un approccio DOE alla sperimentazione è migliore della sperimentazione OFAT: DOE utilizza meno esperimenti e trova il punto debole più regolarmente.
Questo è un argomento convincente a favore del DOE. C'è niente altro?
SÌ. Oltre a trovare soluzioni più spesso richiedendo meno risorse, l'approccio DOE genera anche un modello che può essere utilizzato per rispondere ad altre domande sui fattori studiati. Con OFAT, se le circostanze cambiano, la fortuna determina se nuove circostanze possono essere affrontate senza ulteriori sperimentazioni. Ad esempio, cosa succede se il cliente del processo di esempio di cui sopra necessita solo di un output di processo di circa 1,5 unità e l'ingrediente "y" diventa estremamente costoso? Un approccio OFAT potrebbe non avere una risposta a questo. Un approccio DOE ha un modello che può generare un nuovo punto debole di x=0 e y= 1.
E la tua esperienza? Hai visto esempi di questi 2 tipi di approcci sperimentali nel tuo lavoro? Vuoi aggiungere qualcosa che mi sono perso? Si prega di commentare di seguito.
