嗨，大家好，
目前，我們的製程已得到很好的表徵，但我們現在正在消除起始材料中潛在的製程可變性的風險。 目的是最大限度地提高純度，並最大限度地提高該單元操作的回收率。
我們知道有 2 個參數是重要因素，因為它們已在先前的 DoE 中建模，並且只是眾所周知的參數 (B、C)。 第三個參數 (A) 正在研究中，因為它在理論上可能會產生影響。 這是材料的起始純度，它可以是可變的（而且我們無法完全控制）。
透過偶然的實驗，我已經證明了在很寬的 A 範圍內（~30-50% 起始純度）的成功純化。 我想調查失敗點在哪裡（起始原料純度是多少時，是否無法達到目標最終純度）。 我還想圍繞此充分描述我們的設計空間，以便我們可以了解 B 和 C 的最佳條件是否隨著 A 的變化而變化。
我執行了一個 RSM 模型，該模型在其正常測試範圍內的範圍為 B 和 C，A 的純度範圍為約 5% 到約 85% 純度。 它確實將 A 確定為一個重要參數，但總體而言，該模型是從歷史資料向下轉移的。 例如，在簡化模型後，它預測到操作結束時 30% 的材料將達到約 60% 的純度，但我們有多個數據點表明這一數字被低估了，應該接近 85%。
這項研究的執行出現了一個問題。 目標A條件如下：5%、40%、85%。 執行後發現實際測試的中間條件接近55%，所以這是效能錯誤。 這可能是導致問題的原因嗎？
整體而言，模型適配度非常好，RSME 較低。 低純度條件絕對是一種壓力測試，而不是我們期望在生產中看到的情況，但探索廣闊的工藝理解空間似乎是有益的。 我的理論是發生的實驗錯誤導致了問題，或者範圍太寬，並且反覆努力純化的較低 A 條件降低了模型。
1.) 如何修復此 DOE 以提高準確性？
我可以增加運行並將數據集集中在我們期望的“MFG 範圍”中
我可以添加一個三階項來評估 A 的更多條件，而不僅僅是 3 個條件。
2.) 未來如何避免模型不準確？
如果我沒有歷史數據，我就不會質疑這個數據集，因為它從表面上看是正確的。
