Qu'est-ce que l'OFAT ? Quel est le problème ?
L'expérimentation OFAT (One Factor At A Time) consiste généralement à maintenir tous les facteurs sauf un constants, à faire varier le facteur restant et à observer comment cela modifie une réponse. Sans un examen approfondi, OFAT semble être une manière intuitive et « scientifique » de résoudre des problèmes. Personnellement, avant d'apprendre l'approche de conception d'expériences (DOE) pour l'expérimentation, je n'ai jamais remis en question l'OFAT en tant qu'approche par défaut, allant même jusqu'à penser que je ne pouvais pas faire varier plus d'un facteur à la fois chaque fois que j'essayais de résoudre un problème. Je me souviens avoir passé une fois environ trois jours avec un ingénieur de procédé pour essayer d'optimiser un procédé en utilisant les méthodes OFAT. Je pensais être méthodique et scientifique et résoudre le problème de la bonne manière tout en nécessitant le moins de ressources possible. J'avais tort. Après examen, OFAT n'est ni a) bon pour trouver les meilleurs paramètres de procédé - le point idéal, ni b) une utilisation efficace des ressources.
Attendez, OFAT ne trouve pas le bon endroit ?
Non, OFAT ne trouve pas toujours les meilleurs paramètres de processus. Pour le voir, téléchargez et installez le module complémentaire OFAT vs. DOE , qui génère une réponse courbe pour deux facteurs de processus (appelés « x » et « y ») et affiche un graphique de cette réponse ainsi que quelques boutons sur le côté droit du graphique. Le bouton « Nuage de points 3D » génère une manière interactive de visualiser la forme de la réponse. Le bouton « Activer ou désactiver la visibilité » active ou désactive la vue de la surface de réponse entière.
Dans cet exemple, imaginez que vous essayez de trouver le rendement de processus le plus élevé 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 gardant tous les autres facteurs constants (« y » dans ce cas), faites varier le facteur restant (« x ») sur 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 (ce qui n’est pas nécessaire dans ce cas, car il n’y avait que 2 facteurs au total).
- Célébrez-vous, car vous avez trouvé le juste milieu grâce à la science ! Mais attendez, en êtes-vous sûr ?
Essayez par vous-même. Cliquez sur le bouton « Activer/désactiver la visibilité » pour effacer le graphique (pour faire comme si vous ne saviez 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 maximum/le point idéal du processus. Le reste du temps, vous ne trouverez pas le maximum. Parfois, vous vous retrouverez même dans le quadrant inférieur droit, pensant que la sortie maximale du processus est d'environ 1,5 unité. Vous trouverez ci-dessous un exemple d'expérience OFAT chanceuse (à gauche) et d'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 point idéal n'est trouvé qu'environ 30 % du temps (votre nombre peut varier en raison de l'échantillonnage aléatoire).
Le bouton « OFAT 1000x » permet d'exécuter rapidement 1 000 expériences et d'indiquer la fréquence à laquelle OFAT trouve le point idéal. Le fait de ne trouver le point idéal que dans environ 25 % des cas montre que les expériences OFAT ne sont pas fiables.
Mais l'OFAT est sûrement efficace. Cette approche sophistiquée du DOE nécessitera davantage d'essais, n'est-ce pas ?
Faux. DOE signifie moins d'exécutions. Chaque expérience OFAT dans le script interactif nécessite 19 exécutions (10 pour le facteur « x » et 9 pour le facteur « y »). Le bouton DOE sur le côté droit de la fenêtre ouvre un tableau de données qui inclut les résultats d'un DOE réalisé dans le Custom Designer de JMP qui inclut tous les effets principaux, toutes les interactions à 2 voies, tous les termes au carré et tous les termes au cube. JMP en a fait un DOE de 14 exécutions, et il trouve non seulement le point idéal, mais génère également un modèle qui prédit toute la plage des deux facteurs, comme indiqué dans le profileur ci-dessous (pour interagir avec ce profileur, exécutez le script « Modèle » dans le tableau de données du 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 nécessiterait 46 exécutions (10 pour le 1er facteur, 9 pour chacun des facteurs restants) et pourrait même ne pas trouver le point idéal . Le concepteur personnalisé de JMP génère un plan pour les mêmes cinq facteurs qui ne nécessite que 12 exécutions (effets principaux uniquement) ou 27 exécutions (effets principaux, toutes les interactions à 2 voies, tous les termes au carré). Ces plans incluent également des exécutions répétées, ce qui permet de calculer une estimation de la variation de la réponse. 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 les nouvelles circonstances peuvent être traitées sans expérimentation supplémentaire. Par exemple, que se passe-t-il si le client du processus d'échantillon ci-dessus n'a besoin que d'un rendement de processus d'environ 1,5 unité et que l'ingrédient « y » devient extrêmement cher ? Une approche OFAT peut ne pas avoir de réponse à cette question. Une approche DOE dispose d'un modèle qui peut générer un nouveau point idéal de x = 0 et y = 1.
Qu'en est-il de votre expérience ? Avez-vous vu des exemples de ces deux types d'approches expérimentales dans votre travail ? Vous voulez ajouter quelque chose que j'ai oublié ? Veuillez commenter ci-dessous.
