OFAT とは何ですか? 何が問題なのですか?
1 度に 1 つの要素 (OFAT) の実験では、通常、1 つの要素を除くすべての要素を一定に保ち、残りの要素を変更して、応答がどのように変化するかを観察します。綿密に検討しなければ、OFAT は直感的で「科学的」な問題解決方法のように思えます。個人的には、実験計画法 (DOE) の実験アプローチについて学ぶまでは、OFAT がデフォルトのアプローチであることに疑問を抱いたことはなく、問題を解決する際には 1 度に複数の要素を変更できないとさえ考えていました。かつて、プロセス エンジニアと一緒に 3 日間ほどかけて OFAT 方法を使用してプロセスを最適化しようとしたことを覚えています。私は、系統的かつ科学的であり、最小限のリソースで問題を正しく解決していると思っていました。しかし、それは間違いでした。検討してみると、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) リソースを効率的に使用することもできません。
待ってください、OFAT はスイートスポットを見つけられないのですか?
いいえ、OFAT は常に最適なプロセス設定を見つけるわけではありません。これを確認するには、 OFAT vs. DOE アドインをダウンロードしてインストールしてください。このアドインは、2 つのプロセス要因 (「x」と「y」) の曲線応答を生成し、この応答のグラフとグラフの右側のいくつかのボタンを表示します。「散布図 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。「表示の切り替え」ボタンは、応答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していると想像してください。「OFAT Once」ボタンは、標準的な OFAT アプローチの 1 つを模倣します。
- ランダムにスポットを選択します。
- 他のすべての要因 (この場合は「y」) を一定に保ち、残りの 1 つの要因 (「x」) を許容範囲全体で変化させて、最大値を見つけます。
- 見つかった最大値から、変化させる別の要素を選択し (この実験では 'y' のみが残っています)、他の要素はすべて一定に保ち、最大値を求めます。
- すべての要素がテストされるまで手順 3 を繰り返します (この場合、要素は合計で 2 つしかないため、必要ありません)。
- 科学を活用してスイートスポットを見つけたのでお祝いしましょう!でも、待ってください、本当にそうでしょうか?
自分で試してみてください。グラフをクリアするには、[表示の切り替え] ボタンをクリックします (すでにどのようになっているか知らないふりをするため)。[OFAT 1 回] 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確認します。運が良ければ (約 20% の時間)、プロセスの最大値/スイート スポットを見つけることができます。それ以外の場合は、最大値を見つけられません。場合によっては、右下の象限に行き着き、最大プロセス出力が約 1.5 単位であると考えることもあります。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 回実行するシミュレーションをすばやく実行すると、スイート スポットが見つかる確率は約 30% に過ぎ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。スイート スポットが見つかる確率が約 25% しかないということは、OFAT 実験が信頼できないことを示しています。
しかし、OFAT は確かに効率的です。その高度な DOE アプローチには、より多くの実験の実行が必要になりますよね?
違います。DOE は実行回数が少ないことを意味します。対話型スクリプト内の各 OFAT 実験では、19 回の実行が必要です (「x」因子に 10 回、「y」因子に 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。このデータ テーブルには、すべての主効果、すべての 2 元相互作用、すべての 2 乗項、およびすべての 3 乗項が含まれます。JMP はこれを 14 回の実行 DOE にしましたが、スイート スポットを見つけるだけでなく、下のプロファイラーに示すように、両方の因子の範囲全体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、DOE データ テーブルで「モデル」スクリプトを実行します)。
結果は複雑さが増すほど良くなります。同じ OFAT 法を使用して 5 つの連続因子を持つプロセスを実行すると、46 回の実行 (第 1 因子に 10 回、残りの各因子に 9 回) が必要になり、スイート スポットが見つからない可能性があります。JMP のカスタム設計では、同じ 5 つの因子に対して、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 2 元交互作用、すべての 2 乗項) で済む計画が生成されます。これらの計画には繰り返し実行も含まれるため、応答の変動の推定値を計算できます。明らかに、DOE による実験アプローチは OFAT による実験よりも優れています。DOE では、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。DOE アプローチは、より少ないリソースでより頻繁にソリューションを見つけられるだけでなく、調査対象の要因に関するその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、状況が変わった場合、さらなる実験を行わずに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 ユニットのプロセス出力しか必要とせず、原料 '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、これに答えられない可能性があります。DOE アプローチには、x=0 および 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? 私が見逃した何かを追加したいですか? 以下にコメントしてください。
