Hallo Leute,
Wir haben einen Prozess, der zu diesem Zeitpunkt ziemlich gut charakterisiert ist, aber wir verringern jetzt das Risiko potenzieller Prozessschwankungen durch das Ausgangsmaterial. Ziel ist es, die Reinheit und die Ausbeute dieser Einheit zu maximieren.
Es gibt zwei Parameter, von denen wir wissen, dass sie wichtige Faktoren sind, da sie in früheren DoEs modelliert wurden und lediglich bekannte Parameter sind (B, C). Ein dritter Parameter (A) wird derzeit untersucht, da er theoretisch Auswirkungen haben könnte. Dies ist die Ausgangsreinheit des Materials, die variabel sein kann (und wir können sie nicht vollständig kontrollieren).
Durch Zufallsexperimente habe ich eine erfolgreiche Reinigung über einen weiten Bereich von A (~30–50 % Ausgangsreinheit) gezeigt. Ich wollte untersuchen, wo der Punkt des Scheiterns liegt (bei welcher Reinheit des Ausgangsmaterials kann die angestrebte Endreinheit nicht erreicht werden) nicht erreicht werden. Ich wollte auch unseren Designraum rund um dieses Thema vollständig charakterisieren, damit wir herausfinden können, ob sich der optimale Zustand von B und C mit einer Änderung in A verschoben hat.
Ich habe ein RSM-Modell durchgeführt, das B und C über den normalerweise getesteten Bereich verteilte, und A reichte von etwa 5 % Reinheit bis ~85 % Reinheit. A wurde zwar als signifikanter Parameter identifiziert, aber insgesamt weicht das Modell von historischen Daten ab. Nach der Reduzierung des Modells wurde beispielsweise vorhergesagt, dass 30 % des Materials bis zum Ende des Betriebs zu etwa 60 % rein sein würden, aber wir haben mehrere Datenpunkte, die zeigen, dass dieser Wert unterschätzt wird und eher bei 85 % liegen sollte.
Bei der Durchführung dieser Studie trat ein Problem auf. Die Ziel-A-Bedingungen waren die folgenden: 5 %, 40 %, 85 %. Nach der Durchführung stellte sich heraus, dass die tatsächlich getestete Zwischenbedingung eher bei 55 % lag, es handelte sich also um einen Leistungsfehler. Könnte dies das Problem verursacht haben?
Insgesamt war die Modellanpassung sehr gut, mit niedrigem RSME. Die Bedingungen mit geringer Reinheit waren definitiv ein Stresstest und nicht etwas, was wir jemals in der Produktion erwarten würden, aber es schien von Vorteil, einen weiten Raum für das Prozessverständnis zu erkunden. Meine Theorien gehen davon aus, dass der aufgetretene experimentelle Fehler zu einem Problem geführt hat, oder dass der Bereich zu groß war und die untere A-Bedingung, die wiederholt Schwierigkeiten bei der Reinigung hatte, das Modell herabsetzte.
1.) Wie kann ich dieses DOE reparieren, um die Genauigkeit zu verbessern?
Ich kann die Läufe erweitern und den Datensatz auf den „MFG-Bereich“ konzentrieren, den wir erwarten würden
Ich könnte einen Term dritter Ordnung hinzufügen, um mehr Bedingungen von A als nur 3 auszuwerten.
2.) Wie kann ich in Zukunft ein ungenaues Modell vermeiden?
Wenn ich keine historischen Daten hätte, hätte ich diesen Datensatz nicht in Frage gestellt, da er auf den ersten Blick korrekt erscheint.
