El diseño de experimentos (DOE) se utiliza a menudo en industrias como la atención médica, la biotecnología, los productos farmacéuticos y la fabricación de alta tecnología como método para reducir la cantidad de experimentos y los costos. ¿Cuáles son los principios y pasos importantes al realizar el diseño experimental? ¿Cuáles son los conceptos y aplicaciones del diseño de cribado clásico y del diseño factorial completo en los métodos experimentales tradicionales? Este artículo presentará los principios básicos de DOE, los conceptos y casos de aplicación del diseño de detección clásico y los métodos de diseño factorial completo.
¿Qué es el diseño de experimentos (DOE)?
El diseño de experimentos (DOE) consiste en diseñar experimentos seleccionando las condiciones experimentales y reduciendo los factores externos para reducir el impacto en el experimento. La característica es que puede ser eficiente a través de menos experimentos, menos costos y tiempo experimentales. Puede usarse para recopilar datos o encontrar correlaciones y problemas entre factores, etc. Tiene una amplia gama de aplicaciones.
Tres impulsores principales del diseño experimental
En la década de 1920, Ronald Fisher introdujo el concepto de diseño experimental en la agricultura. Actualmente, el diseño experimental DOE no sólo se utiliza en la agricultura, sino también en las industrias médica, biotecnológica y farmacéutica, manufacturera de alta tecnología y otras industrias. Más tarde, en la década de 1950, Genichi Taguchi publicó el método Taguchi, introdujo matrices ortogonales y publicó el concepto de función de pérdida de calidad a principios de la década de 1970; en 1951, el estadístico británico George EP. Caja y K. B. Wilson introdujo la metodología de superficie de respuesta, George EP en 1960. Box continúa con Hunter, J. Stuart publicó el diseño factorial parcial de dos niveles, que permitió a los experimentos y a los investigadores encontrar rápidamente factores influyentes e introdujo el concepto de resolución.
Métodos experimentales tradicionales: prueba y error, un factor a la vez y diseño tradicional
- Método de prueba y error: basado en reglas generales y limitado a procesos simples o menos variables.
- Un factor a la vez: otros factores se fijan y un factor se prueba en un experimento.
- diseño tradicional
- Diseño factorial parcial etapa 1.
- El propósito es detectar e identificar factores importantes. Generalmente se usa cuando hay demasiados factores o cuando se desconoce el proceso.
- Diseño factorial completo Stage2
- El propósito es considerar si existen efectos principales y otros efectos que afectarán la precisión de la estimación; estimar los efectos principales y los efectos de interacción; y comprender las características del sistema.
- Superficie de reacción de la etapa 3
- Optimización (optimización): encontrar la mejor configuración para cebadores importantes
- Estimar efectos principales, efectos de interacción y efectos no lineales.
- Centrarse en la exactitud y precisión de las predicciones.
Directrices de diseño experimental.
- Definir el problema y los objetivos.
- Identificar variables de respuesta
- * ¡importante! Confirmar el sistema de medición (MSA): demasiado error tendrá un efecto factorial insignificante
- Identificar el número de factores y su número de nivel.
- Identificar si existen restricciones u otras restricciones.
- crear diseño
- Preparación antes del experimento.
- Realizar experimentos
- Analizar datos
- Sacar conclusiones y decidir los próximos pasos.
Propósito del diseño experimental.
Pantalla --> Explorar --> Optimizar --> Validar --> Robusto
- Cribado: Encuentre los factores que afectan más significativamente las variables de reacción, generalmente hay demasiados factores o se desconoce el proceso.
- Explorar: Descubra si hay nuevos factores o nuevos niveles
- Optimización: encuentre los mejores valores de configuración para factores significativos que correspondan a las variables de respuesta deseadas
- Verificación: Confirme si el sistema o proceso se ajusta al comportamiento esperado. Por ejemplo, use diferentes lotes de materias primas para verificar que los resultados sean del mismo modelo, pero diferentes máquinas para verificar si la configuración de los parámetros se puede aplicar directamente.
- Robusto: minimice la variación de las variables de reacción, incluidas las condiciones de control y la configuración de factores.
Usando JMP Seis pasos para realizar experimentos.
- Paso 1. Describir Definir respuestas, factores y niveles
- Paso 2. Especificar determina qué términos de efecto se incluyen en el modelo.
- Paso 3. El diseño determina si se deben agregar puntos centrales o repeticiones al número de experimentos y proporciona elementos de evaluación experimental relevantes.
- Etapa 4. Collect recopila datos de acuerdo con las condiciones experimentales y el orden.
- Paso 5. Ajustar modelo Ajustar el modelo y descubrir los factores clave
- Paso 6. Predict encuentra un modelo adecuado y lo optimiza según el objetivo
Diseño de cribado clásico contra diseño factorial completo
(1) Diseño de cribado clásico Diseño de cribado
- Detecta si el efecto principal es significativo o lineal. Aunque el punto central puede detectar si existe un efecto de superficie, no puede saber exactamente qué factor es.
- En el diseño factorial parcial es necesario abordar el efecto de confusión, normalmente la resolución se establece en cuatro o más.
- Puede ser que sea imposible distinguir si el término de alias o el término de efecto es significativo debido a la diafonía, y se necesitan experimentos de amplificación adicionales para distinguirlo.
Cuándo utilizar el diseño de proyección clásico y el diseño de efectos principales
Compartir casos: Comparación de diseños de factores parciales y de efectos principales
(2) Diseño factorial completo Diseño factorial completo
- Considere el nivel de cada factor para generar cada combinación.
- Cuantos más niveles o factores, menor será la eficiencia y mayor el costo.
- Ventajas: Todos los términos de interacción se pueden estimar y considerar de manera más integral que los métodos de un factor a la vez y de prueba y error.
- Desventajas: demasiados experimentos, costo demasiado alto
Caso compartido: Experimento de duración de la batería
Miles de ingenieros participaron [ GAMA Curso de introducción]
Lo anterior es una breve introducción al diseño de detección clásico y al diseño factorial completo en el diseño experimental del DOE.
Si desea comprender completamente la aplicación de casos del diseño de detección clásico, le invitamos a ver el curso introductorio del DOE preparado para usted por los consultores profesionales de JMP.
Haga click abajo enlace , puedes verlo gratis.
