Salut les gars,
Nous disposons d'un processus qui est assez bien caractérisé à ce stade, mais nous réduisons désormais les risques de variabilité potentielle du processus à partir du matériau de départ. L'intention est de maximiser la pureté et de maximiser la récupération de cette opération unitaire.
Nous savons que deux paramètres sont des facteurs importants car ils ont été modélisés dans les DoE précédents et ne sont que des paramètres bien connus (B, C). Un troisième paramètre (A) est à l’étude car il pourrait en théorie avoir un impact. Il s'agit de la pureté de départ du matériau, qui peut être variable (et que nous ne pouvons pas totalement contrôler).
À partir d'expériences fortuites, j'ai montré une purification réussie sur une large gamme de A (~ 30 à 50 % de pureté de départ). Je voulais déterminer où se situe le point d'échec (à quelle pureté du matériau de départ, la pureté finale cible ne peut-il pas être atteint) ? Je voulais également caractériser pleinement notre espace de conception autour de cela afin que nous puissions savoir si la condition optimale de B et C a évolué avec un changement dans A.
J'ai réalisé un modèle RSM qui variait entre B et C sur sa plage normalement testée, et A variait d'environ 5 % de pureté à environ 85 % de pureté. Il a identifié A comme paramètre significatif, mais dans l’ensemble, le modèle est dérivé des données historiques. Ainsi, par exemple, après réduction du modèle, il prédit que 30 % du matériau serait pur à environ 60 % d'ici la fin de l'exploitation, mais nous disposons de plusieurs points de données montrant que ce chiffre est sous-estimé et devrait être plus proche de 85 %.
Un problème est survenu lors de la réalisation de cette étude. Les conditions cibles A étaient les suivantes : 5 %, 40 %, 85 %. Après l'exécution, il a été constaté que la condition intermédiaire réellement testée était plus proche de 55 %, il s'agissait donc d'une erreur de performance. Cela pourrait-il être à l'origine du problème ?
Dans l’ensemble, l’ajustement du modèle était très bon, avec un RSME faible. Les conditions de faible pureté constituaient certainement un test de résistance, et non quelque chose que nous nous attendions à voir en production, mais il semblait bénéfique d'explorer un large espace pour la compréhension des processus. Mes théories sont que l'erreur expérimentale qui s'est produite a conduit à un problème, ou que la plage était trop large et que la condition A inférieure qui avait du mal à se purifier à plusieurs reprises, a abaissé le modèle.
1.) Comment puis-je réparer ce DOE pour améliorer la précision ?
Je peux augmenter les analyses et concentrer l'ensemble de données dans la "plage MFG" à laquelle nous nous attendons
Je pourrais ajouter un terme de troisième ordre pour évaluer plus de conditions de A plutôt que seulement 3.
2.) Comment puis-je éviter un modèle inexact à l’avenir ?
Si je n'avais pas eu de données historiques, je n'aurais pas remis en question cet ensemble de données car il semble à première vue, c'est exact.
