¿Qué es OFAT? ¿Qué tiene de malo?
La experimentación de un factor a la vez (OFAT) generalmente implica mantener constantes todos los factores excepto uno, variar el factor restante y observar cómo esto cambia una respuesta. Sin un examen minucioso, OFAT parece ser una forma intuitiva y "científica" de resolver problemas. Personalmente, antes de aprender sobre el enfoque de experimentación del Diseño de Experimentos (DOE), nunca cuestioné OFAT como el enfoque predeterminado, llegando incluso a pensar que yo no pude variar más de un factor a la vez cada vez que estaba tratando de resolver un problema.Recuerdo que una vez pasé unos 3 días con un ingeniero de procesos tratando de optimizar un proceso usando métodos OFAT. Pensé que estaba siendo metódico y científico, y que estaba resolviendo el problema de la manera correcta con la menor cantidad de recursos. Me equivoqué. Tras el examen, OFAT no es ni a) bueno para encontrar la mejor configuración de proceso: el punto óptimo, ni es b) un uso eficiente de los recursos.
Espera, ¿OFAT no encuentra el punto óptimo?
No, OFAT no siempre encuentra la mejor configuración de proceso. Para ilustrar esto, el script adjunto genera una respuesta curva para 2 factores de proceso (llamados 'x' e 'y') y muestra un gráfico de esta respuesta junto con algunos botones a lo largo del lado derecho del gráfico. El botón 'Scatterplot 3D' genera una forma interactiva de visualizar la forma de la respuesta. El botón 'Alternar visibilidad' activa o desactiva la vista de toda la superficie de respuesta.
En este ejemplo, imagine tratar de encontrar la salida de proceso más alta posible, que está en el cuadrado x=2, y=8. El botón 'OFAT Once' imita un enfoque OFAT estándar:
- Elige un lugar al azar.
- Manteniendo todos los demás factores constantes ('y' en este caso), varíe el único factor restante ('x') en el espacio permitido, buscando encontrar el máximo.
- Del máximo encontrado, elija otro factor para variar ('y' es el único que queda en este experimento), mantenga todos los demás constantes y busque el máximo.
- Repita el paso 3 hasta que se hayan probado todos los factores (no es necesario en este caso, ya que solo había 2 factores en total).
- Celebre, porque ha encontrado el punto ideal usando ¡ciencia! Pero espera, ¿estás seguro?
Pruebe esto por sí mismo. Haga clic en el botón 'Alternar visibilidad' para borrar el gráfico (para fingir que aún no sabe cómo se ven las cosas). Con el botón 'OFAT Once', observe cómo se desarrolla el proceso experimental. Si tiene suerte (alrededor del 20 % de las veces), encontrará el punto óptimo/máximo del proceso. El resto del tiempo, terminarás sin encontrar el máximo. A veces, incluso terminará en el cuadrante inferior derecho, pensando que la salida máxima del proceso es de aproximadamente 1,5 unidades. A continuación se muestra un ejemplo de un experimento OFAT afortunado (izquierda) y uno desafortunado (derecha).
Use el botón 'OFAT 10x' para simular rápidamente la ejecución de un experimento OFAT 10 veces, y verá que el punto óptimo solo se encuentra alrededor del 30% de las veces (su número puede variar debido al muestreo aleatorio).
El botón 'OFAT 1000x' ejecuta rápidamente 1000 experimentos y muestra la frecuencia con la que OFAT encuentra el punto óptimo. Encontrar el punto óptimo solo alrededor del 25 % de las veces muestra que no se puede confiar en los experimentos OFAT.
Pero seguramente OFAT es eficiente. Ese elegante enfoque DOE requerirá más ejecuciones experimentales, ¿verdad?
Equivocado. DOE significa menos carreras. Cada experimento OFAT en el script interactivo requiere 19 ejecuciones (10 para el factor 'x' y 9 para el factor 'y'). El botón DOE en el lado derecho de la ventana abre una tabla de datos que incluye los resultados de un DOE realizado en el Diseñador personalizado de JMP que incluye todos los efectos principales, todas las interacciones bidireccionales, todos los términos al cuadrado y todos los términos al cubo. JMP hizo de esto un DOE de 14 ejecuciones, y no solo encuentra el punto óptimo, sino que también genera un modelo que predice el rango completo de ambos factores, como se muestra en el generador de perfiles a continuación (para interactuar con este generador de perfiles, ejecute el 'Modelo' script en la tabla de datos del DOE).
Los resultados solo mejoran a medida que aumenta la complejidad. un proceso con 5 factores continuos utilizando el mismo método OFAT requeriría 46 ejecuciones (10 para el primer factor, 9 para cada uno de los factores restantes), y puede que ni siquiera encuentre el punto dulce . El diseñador personalizado de JMP genera un diseño para los mismos 5 factores que requiere solo 12 ejecuciones (solo efectos principales) o 27 ejecuciones (efectos principales, todas las interacciones bidireccionales, todos los términos al cuadrado). Estos diseños también incluyen ejecuciones repetidas, por lo que se puede calcular una estimación de la variación de la respuesta.Claramente, un enfoque DOE para la experimentación es mejor que la experimentación OFAT: DOE usa menos experimentos y encuentra el punto ideal con mayor regularidad.
Ese es un argumento convincente a favor del DOE. ¿Hay algo mas?
Sí. Además de encontrar soluciones con mayor frecuencia y requerir menos recursos, el enfoque del DOE también genera un modelo que se puede usar para responder otras preguntas sobre los factores que se están estudiando. Con OFAT, si las circunstancias cambian, la suerte dicta si las nuevas circunstancias pueden abordarse sin más experimentación. Por ejemplo, ¿qué sucede si el cliente del proceso de muestra anterior solo necesita una producción de proceso de aproximadamente 1,5 unidades y el ingrediente 'y' se vuelve extremadamente costoso? Un enfoque OFAT puede no tener una respuesta a esto. Un enfoque DOE tiene un modelo que puede generar un nuevo punto óptimo de x=0 e y=1.
¿Qué hay de tu experiencia? ¿Has visto ejemplos de estos 2 tipos de enfoques experimentales en tu trabajo? ¿Quieres agregar algo que me perdí? Por favor comente abajo.
