Qu'est-ce que l'OFAT ? Qu'est ce qui ne va pas avec ça?
L'expérimentation d'un facteur à la fois (OFAT) implique généralement de maintenir constants tous les facteurs sauf un, de faire varier le facteur restant et d'observer comment cela modifie une réponse. Sans examen approfondi, OFAT semble être un moyen intuitif et "scientifique" de résoudre des problèmes. Personnellement, avant d'apprendre l'approche Design of Experiments (DOE) de l'expérimentation, je n'ai jamais remis en question l'OFAT comme approche par défaut, allant même jusqu'à penser que je ne pouvait pas varier plus d'un facteur à la fois chaque fois que j'essayais de résoudre un problème.Je me souviens d'avoir passé environ 3 jours avec un ingénieur de procédés essayant d'optimiser un procédé en utilisant les méthodes OFAT. Je pensais que j'étais méthodique et scientifique, et que je résolvais le problème de la bonne manière tout en nécessitant le moins de ressources. J'ai eu tort. Après examen, OFAT n'est ni a) bon pour trouver les meilleurs paramètres de processus - le point idéal, ni b) une utilisation efficace des ressources.
Attendez, OFAT ne trouve pas le sweet spot ?
Non, OFAT ne trouve pas toujours les meilleurs paramètres de processus. Pour illustrer cela, le script ci-joint génère une réponse courbe pour 2 facteurs de processus (appelés 'x' et 'y') et affiche un graphique de cette réponse avec quelques boutons sur le côté droit du graphique. Le bouton 'Scatterplot 3D' génère une manière interactive de visualiser la forme de la réponse. Le bouton « Basculer la visibilité » active ou désactive la vue de toute la surface de réponse.
Dans cet exemple, imaginez que vous essayez de trouver la sortie de processus la plus élevée possible, qui se trouve dans le carré x=2, y=8. Le bouton "OFAT Once" imite une approche OFAT standard :
- Choisissez un endroit au hasard.
- En maintenant tous les autres facteurs constants (« y » dans ce cas), faites varier le facteur restant (« x ») dans l'espace autorisé, en cherchant à trouver le maximum.
- À partir du maximum trouvé, choisissez un autre facteur à faire varier ('y' est le seul qui reste dans cette expérience), maintenez tous les autres constants et recherchez le maximum.
- Répétez l'étape 3 jusqu'à ce que tous les facteurs aient été testés (pas nécessaire dans ce cas, car il n'y avait que 2 facteurs au total).
- Célébrez, car vous avez trouvé le bon endroit en utilisant science! Mais attends, tu es sûr ?
Essayez ceci par vous-même. Cliquez sur le bouton "Basculer la visibilité" pour effacer le graphique (pour prétendre que vous ne savez pas déjà à quoi ressemblent les choses). À l'aide du bouton "OFAT Once", observez le déroulement du processus expérimental. Si vous avez de la chance (environ 20 % du temps), vous trouverez le processus maximum/sweet spot. Le reste du temps, vous finirez par ne pas trouver le maximum. Parfois, vous vous retrouverez même dans le quadrant inférieur droit, pensant que la sortie maximale du processus est d'environ 1,5 unités. Vous trouverez ci-dessous un exemple d'une expérience OFAT chanceuse (à gauche) et d'une expérience malchanceuse (à droite).
Utilisez le bouton "OFAT 10x" pour simuler rapidement l'exécution d'une expérience OFAT 10 fois, et vous verrez que le sweet spot n'est trouvé qu'environ 30 % du temps (votre nombre peut varier en raison de l'échantillonnage aléatoire).
Le bouton 'OFAT 1000x' exécute rapidement 1 000 expériences et affiche la fréquence à laquelle OFAT trouve le point idéal. Trouver le sweet spot seulement environ 25% du temps montre que les expériences OFAT ne sont pas fiables.
Mais sûrement OFAT est efficace. Cette approche sophistiquée du DOE nécessitera plus d'essais expérimentaux, n'est-ce pas ?
Faux. DOE signifie moins de courses. Chaque expérience OFAT dans le script interactif prend 19 exécutions (10 pour le facteur « x » et 9 pour le facteur « y »). Le bouton DOE sur le côté droit de la fenêtre ouvre une table de données qui inclut les résultats d'un DOE créé dans le concepteur personnalisé de JMP qui inclut tous les effets principaux, toutes les interactions bidirectionnelles, tous les termes au carré et tous les termes au cube. JMP en a fait un DOE à 14 exécutions, et non seulement il trouve le point idéal, mais il génère également un modèle qui prédit l'ensemble de la plage des deux facteurs, comme indiqué dans le profileur ci-dessous (pour interagir avec ce profileur, exécutez le 'Modèle' script dans la table de données DOE).
Les résultats ne font que s'améliorer à mesure que la complexité augmente. un processus avec 5 facteurs continus utilisant la même méthode OFAT prendrait 46 exécutions (10 pour le 1er facteur, 9 pour chacun des facteurs restants), et pourrait même ne pas trouver le sweet spot . Le concepteur personnalisé de JMP génère un plan pour les 5 mêmes facteurs qui ne nécessite que 12 exécutions (effets principaux uniquement) ou 27 exécutions (effets principaux, toutes les interactions à 2 facteurs, tous les termes au carré). Ces plans comprennent également des essais répétés, de sorte qu'une estimation de la variation de la réponse peut être calculée.De toute évidence, une approche DOE de l'expérimentation est meilleure que l'expérimentation OFAT : le DOE utilise moins d'expériences et trouve le point idéal plus régulièrement.
C'est un argument convaincant en faveur du DOE. Y a-t-il autre chose?
Oui. En plus de trouver des solutions plus souvent tout en nécessitant moins de ressources, l'approche DOE génère également un modèle qui peut être utilisé pour répondre à d'autres questions sur les facteurs étudiés. Avec OFAT, si les circonstances changent, la chance dicte si de nouvelles circonstances peuvent être traitées sans autre expérimentation. Par exemple, que se passe-t-il si le client de l'exemple de processus ci-dessus n'a besoin que d'une sortie de processus d'environ 1,5 unité et que l'ingrédient « y » devient extrêmement coûteux ? Une approche OFAT peut ne pas avoir de réponse à cela. Une approche DOE a un modèle qui peut générer un nouveau sweet spot de x=0 et y= 1.
Qu'en est-il de votre expérience ? Avez-vous vu des exemples de ces 2 types d'approches expérimentales dans votre travail ? Voulez-vous ajouter quelque chose que j'ai manqué? Veuillez commenter ci-dessous.
