OFATとは？ どうしたの？
一度に 1 つの因子 (OFAT) 実験では、通常、1 つの因子を除くすべての因子を一定に保ち、残りの因子を変化させ、これが応答をどのように変化させるかを観察します。 よく調べないと、OFAT は問題を解決するための直感的で「科学的」な方法のように見えます。 個人的には、実験計画法 (DOE) による実験へのアプローチについて学ぶ前は、OFAT がデフォルトのアプローチであることを疑問視したことはありませんでした。できなかった問題を解決しようとしているときはいつでも、一度に複数の要因を変化させます。OFAT メソッドを使用してプロセスを最適化しようとしているプロセス エンジニアと約 3 日間過ごしたことを覚えています。 私は自分が几帳面で科学的であり、最小限のリソースしか必要とせずに正しい方法で問題を解決していると思っていました。 私は間違っていた。 調べてみると、OFAT は、a) 最適なプロセス設定 (スイート スポット) を見つけるのが得意ではなく、b) リソースの効率的な使用でもありません。
待ってください、OFAT はスイート スポットを見つけられませんか?
いいえ、OFAT は常に最適なプロセス設定を見つけるとは限りません。 これを説明するために、添付のスクリプトは 2 つのプロセス ファクター (「x」と「y」と呼ばれる) に対する曲線応答を生成し、この応答のグラフをグラフの右側にいくつかのボタンと共に表示します。 「Scatterplot 3D」ボタンは、応答の形状を視覚化するインタラクティブな方法を生成します。 「Toggle Visibility」ボタンは、応答曲面全体の表示をオンまたはオフにします。
この例では、x = 2、y = 8 の正方形にある、可能な限り最高のプロセス出力を見つけようとすることを想像してください。 「OFAT Once」ボタンは、1 つの標準的な OFAT アプローチを模倣しています。
- ランダムにスポットを選択します。
- 他のすべての係数 (この場合は「y」) を一定に保ちながら、残りの 1 つの係数 (「x」) を許容範囲内で変化させ、最大値を見つけようとします。
- 見つかった最大値から、変化させる別の要因を選択し (この実験では 'y' だけが残っています)、他のすべてを一定に保ち、最大値を求めます。
- すべての要因がテストされるまで、手順 3 を繰り返します (この場合、合計で 2 つの要因しかないため、必要ありません)。
- あなたが使用してスイートスポットを見つけたので、祝ってください化学！ でも待って、よろしいですか？
これを自分で試してみてください。 「Toggle Visibility」ボタンをクリックして、グラフをクリアします (物事がどのように見えるかをまだ知らないふりをするため)。 「OFAT Once」ボタンを使用して、実験プロセスがどのように展開するかを見てください。 運が良ければ (約 20% の確率で)、プロセスの最大/スイート スポットを見つけることができます。 残りの時間は、最大値が見つからないことになります。 場合によっては、最大プロセス出力が約 1.5 単位であると考えて、右下の象限に到達することさえあります。 以下は、幸運な OFAT 実験 (左) と不運な実験 (右) の例です。
「OFAT 10x」ボタンを使用して、OFAT 実験を 10 回実行することをすばやくシミュレートすると、スイート スポットが約 30% の確率でしか見つからないことがわかります (ランダム サンプリングのため、数値は異なる場合があります)。
「OFAT 1000x」ボタンは、1,000 回の実験をすばやく実行し、OFAT がスイート スポットを見つける頻度を出力します。 約 25% の確率でしかスイート スポットを見つけられないということは、OFAT 実験が当てにならないことを示しています。
しかし、確かに OFAT は効率的です。 その派手な DOE アプローチには、さらに実験的な実行が必要ですよね?
間違い。 DOE は実行回数が少ないことを意味します。 インタラクティブ スクリプトの各 OFAT 実験では、19 回の実行が必要です (「x」係数で 10 回、「y」係数で 9 回)。 ウィンドウの右側にある DOE ボタンをクリックすると、JMP のカスタム デザイナーで作成された DOE の結果を含むデータ テーブルが開きます。これには、すべての主効果、すべての双方向交互作用、すべての二乗項、およびすべての三乗項が含まれます。 JMP はこれを 14 ランの DOE にし、スイート スポットを見つけるだけでなく、以下のプロファイラーに示すように、両方の因子の全範囲を予測するモデルも生成します (このプロファイラーを操作するには、「モデル」を実行します)。 DOE データ テーブルのスクリプト)。
複雑さが増すほど、結果は良くなります。同じ OFAT 法を使用した 5 つの連続因子を含むプロセスでは、46 回の実行が必要になります (最初の因子で 10 回、残りの各因子で 9 回)、スイートスポットさえ見つけられないかもしれません. JMP のカスタム デザイナーは、12 回の実行 (主効果のみ) または 27 回の実行 (主効果、すべての二元交互作用、すべての二乗項) しかかからない、同じ 5 つの因子の計画を生成します。 これらの計画には反復実行も含まれているため、応答変動の推定値を計算できます。明らかに、実験に対する DOE アプローチは OFAT 実験よりも優れています。DOE はより少ない実験を使用し、より定期的にスイート スポットを見つけます。
これは、DOE を支持する説得力のある議論です。 他に何かありますか？
はい。 より少ないリソースでより頻繁に解決策を見つけることに加えて、DOE アプローチは、調査対象の要因に関する他の質問に答えるために使用できるモデルも生成します。 OFAT では、状況が変化した場合、さらなる実験を行うことなく新しい状況に対処できるかどうかは運次第です。 たとえば、上記のサンプル プロセスの顧客が約 1.5 単位のプロセス アウトプットしか必要とせず、材料 'y' が非常に高価になった場合はどうなるでしょうか。 OFAT アプローチでは、これに対する答えが得られない場合があります。 DOE アプローチには、x=0 と y=1 の新しいスイート スポットを生成できるモデルがあります。
あなたの経験はどうですか？ あなたの仕事で、これら 2 種類の実験的アプローチの例を見たことがありますか? 見逃したものを追加したいですか？ 以下にコメントしてください。
