Design of Experiments (DOE) wird häufig in Branchen wie der medizinischen Versorgung, der Biotechnologie, der Pharmaindustrie und der High-Tech-Fertigung als Methode zur Reduzierung der Anzahl von Experimenten und Kosten eingesetzt. Was sind die wichtigen Prinzipien und Schritte bei der Durchführung experimenteller Designs? Was sind die Konzepte und Anwendungen des klassischen Screening-Designs und des vollfaktoriellen Designs in traditionellen experimentellen Methoden? In diesem Artikel werden die Grundprinzipien des DOE, die Konzepte und Anwendungsfälle des klassischen Screening-Designs und der Methoden des vollfaktoriellen Designs vorgestellt.
Was ist Design of Experiments (DOE)?
Design of Experiments (DOE) besteht darin, Experimente zu entwerfen, indem experimentelle Bedingungen überprüft und externe Faktoren reduziert werden, um die Auswirkungen auf das Experiment zu verringern. Das Merkmal besteht darin, dass es durch weniger Experimente, weniger experimentelle Kosten und weniger Zeit effizient sein kann. Es kann zum Sammeln verwendet werden Daten oder finden Sie Korrelationen und Probleme zwischen Faktoren usw. Es hat ein breites Anwendungsspektrum.
Drei Haupttreiber des experimentellen Designs
In den 1920er Jahren führte Ronald Fisher das Konzept des experimentellen Designs in der Landwirtschaft ein. Heute wird das experimentelle Design von DOE nicht nur in der Landwirtschaft, sondern auch in der Medizin, Biotechnologie und Pharmazeutik, High-Tech-Fertigung und anderen Branchen eingesetzt. Später, in den 1950er Jahren, veröffentlichte Genichi Taguchi die Taguchi-Methode, führte orthogonale Arrays ein und veröffentlichte Anfang der 1970er Jahre das Konzept der Qualitätsverlustfunktion; 1951 veröffentlichte der britische Statistiker George EP. Box und K. B. Wilson führte 1960 die Response-Surface-Methode George EP ein. Box geht weiter mit Hunter, J. Stuart veröffentlichte den zweistufigen partiellen faktoriellen Entwurf, der es Experimenten und Forschern ermöglichte, schnell Einflussfaktoren zu finden, und führte das Konzept der Auflösung ein.
Traditionelle experimentelle Methoden: Versuch und Irrtum, ein Faktor nach dem anderen und traditionelles Design
- Trial-and-Error-Methode: basiert auf Faustregeln und beschränkt sich auf einfache oder weniger variable Prozesse
- Ein Faktor nach dem anderen: Andere Faktoren werden festgelegt und ein Faktor wird in einem Experiment getestet
- traditionelles Design
- Teilfaktorielles Design der Stufe 1
- Der Zweck besteht darin, wichtige Faktoren zu überprüfen und zu identifizieren. Es wird normalerweise verwendet, wenn zu viele Faktoren vorhanden sind oder der Prozess unbekannt ist.
- Vollfaktorielles Design der Stufe 2
- Der Zweck besteht darin, zu prüfen, ob es Haupteffekte und andere Effekte gibt, die sich auf die Schätzgenauigkeit auswirken, die Haupteffekte und Wechselwirkungseffekte abzuschätzen und die Systemeigenschaften zu verstehen.
- Reaktionsoberfläche der Stufe 3
- Optimierung (Optimierung): Finden der besten Einstellungen für wichtige Primer
- Schätzen Sie Haupteffekte, Interaktionseffekte und nichtlineare Effekte
- Konzentrieren Sie sich auf die Genauigkeit und Präzision der Vorhersagen
Richtlinien für experimentelles Design
- Definieren Sie das Problem und die Ziele
- Identifizieren Sie Antwortvariablen
- * wichtig! Bestätigen Sie das Messsystem (MSA) – ein zu großer Fehler hat einen unbedeutenden Faktoreffekt
- Identifizieren Sie die Anzahl der Faktoren und ihre Stufennummer
- Identifizieren Sie, ob Einschränkungen oder andere Einschränkungen bestehen
- Design erstellen
- Vorbereitung vor dem Experiment
- Führen Sie Experimente durch
- Daten analysieren
- Ziehen Sie Schlussfolgerungen und entscheiden Sie über die nächsten Schritte
Zweck des experimentellen Designs
Bildschirm -> Erkunden -> Optimieren -> Validieren -> Robust
- Screening: Finden Sie die Faktoren, die die Reaktionsvariablen am stärksten beeinflussen. Normalerweise gibt es zu viele Faktoren oder der Prozess ist unbekannt.
- Erkunden: Finden Sie heraus, ob es neue Faktoren oder neue Ebenen gibt
- Optimierung: Finden Sie die besten Einstellwerte für signifikante Faktoren, die den gewünschten Antwortvariablen entsprechen
- Überprüfung: Bestätigen Sie, ob das System oder der Prozess dem erwarteten Verhalten entspricht. Verwenden Sie beispielsweise verschiedene Rohmaterialchargen, um zu überprüfen, ob es sich bei den Ergebnissen um dasselbe Modell handelt, aber unterschiedliche Maschinen, um zu überprüfen, ob die Parametereinstellungen direkt angewendet werden können.
- Robust: Minimieren Sie die Variation von Reaktionsvariablen, einschließlich Kontrollbedingungen und Faktoreinstellungen
Mit JMP Sechs Schritte zur Durchführung von Experimenten
- Schritt 1. Beschreiben Definieren Sie Reaktionen, Faktoren und Ebenen
- Schritt 2. Angeben legt fest, welche Effektterme im Modell enthalten sind
- Schritt 3. Das Design bestimmt, ob der Anzahl der Experimente Mittelpunkte oder Wiederholungen hinzugefügt werden sollen, und stellt relevante experimentelle Bewertungselemente bereit
- Schritt 4. Collect sammelt Daten entsprechend den Versuchsbedingungen und der Reihenfolge
- Schritt 5. Modell anpassen Passen Sie das Modell an und finden Sie die Schlüsselfaktoren heraus
- Schritt 6. Predict findet ein passendes Modell und optimiert es entsprechend dem Ziel
Klassisches Screening-Design VS Vollfaktorielles Design
(1) Klassisches Screening-Design Screening-Design
- Ermitteln Sie, ob der Haupteffekt signifikant oder ein linearer Effekt ist. Obwohl der Mittelpunkt erkennen kann, ob ein Oberflächeneffekt vorliegt, kann er nicht genau wissen, um welchen Faktor es sich handelt.
- Beim partiellen faktoriellen Design muss mit dem Störeffekt umgegangen werden, und die Auflösung wird normalerweise auf vier oder mehr eingestellt.
- Es kann sein, dass es aufgrund des Übersprechens unmöglich ist zu unterscheiden, ob der Alias-Term oder der Effekt-Term signifikant ist, und dass zur Unterscheidung zusätzliche Verstärkungsexperimente erforderlich sind.
Wann sollten klassisches Screening-Design und Haupteffektdesign verwendet werden?
Case Sharing: Vergleich von Teilfaktor- und Haupteffektdesigns
(2) Vollfaktorielles Design Vollfaktorielles Design
- Berücksichtigen Sie die Höhe jedes Faktors, um jede Kombination zu generieren
- Je mehr Ebenen oder Faktoren vorhanden sind, desto geringer ist die Effizienz und desto höher sind die Kosten.
- Vorteile: Alle Interaktionsterme können umfassender geschätzt und berücksichtigt werden als die Ein-Faktor-zu-ein-Zeit- und Trial-and-Error-Methoden.
- Nachteile: zu viele Experimente, zu hohe Kosten
Case Sharing: Batterielebensdauer-Experiment
Tausende Ingenieure nahmen teil [ DAMHIRSCHKUH Einführungskurs]
Das Obige ist eine kurze Einführung in das klassische Screening-Design und das vollfaktorielle Design im DOE-Versuchsdesign.
Wenn Sie die Fallanwendung des klassischen Screening-Designs vollständig verstehen möchten, schauen Sie sich gerne den DOE-Einführungskurs an, der von professionellen JMP-Beratern für Sie vorbereitet wurde.
Klicken Sie unten Verknüpfung , Sie können es kostenlos ansehen.
