嗨，大家好，
目前我们已经有了一个相当明确的工艺，但我们现在正在消除起始材料中潜在的工艺可变性的风险。 目的是最大限度地提高纯度，并最大限度地提高该单元操作的回收率。
我们知道有 2 个参数是重要因素，因为它们已在之前的 DoE 中建模，并且只是众所周知的参数 (B、C)。 第三个参数 (A) 正在研究中，因为它在理论上可能会产生影响。 这是材料的起始纯度，它可以是可变的（并且我们无法完全控制）。
通过偶然的实验，我已经证明了在很宽的 A 范围内（~30-50% 起始纯度）的成功纯化。 我想调查失败点在哪里（起始原料纯度是多少时，是否无法达到目标最终纯度）。 我还想围绕此充分描述我们的设计空间，以便我们可以了解 B 和 C 的最佳条件是否随着 A 的变化而变化。
我执行了一个 RSM 模型，该模型在其正常测试范围内的范围为 B 和 C，A 的纯度范围为约 5% 到约 85% 纯度。 它确实将 A 确定为一个重要参数，但总体而言，该模型是从历史数据向下转移的。 例如，在简化模型后，它预测到操作结束时 30% 的材料将达到约 60% 的纯度，但我们有多个数据点表明这一数字被低估了，应该接近 85%。
这项研究的执行中出现了一个问题。 目标A条件如下：5%、40%、85%。 执行后发现实际测试的中间条件接近55%，所以这是一个性能错误。 这可能是导致问题的原因吗？
总体而言，模型拟合度非常好，RSME 较低。 低纯度条件绝对是一种压力测试，而不是我们期望在生产中看到的情况，但探索广阔的工艺理解空间似乎是有益的。 我的理论是发生的实验错误导致了问题，或者范围太宽，并且反复努力纯化的较低 A 条件降低了模型。
1.) 如何修复此 DOE 以提高准确性？
我可以增加运行并将数据集集中在我们期望的“MFG 范围”中
我可以添加一个三阶项来评估 A 的更多条件，而不仅仅是 3 个条件。
2.) 将来如何避免模型不准确？
如果我没有历史数据，我就不会质疑这个数据集，因为它从表面上看是正确的。
