Il modello RSM era impreciso (non è d'accordo con i dati storici): come risolverlo e dove è andato stortoCiao ragazzi,
A questo punto disponiamo di un processo abbastanza ben caratterizzato, ma ora stiamo riducendo il rischio di potenziale variabilità del processo dal materiale di partenza. L'intenzione è massimizzare la purezza e massimizzare il recupero del funzionamento di questa unità.
Ci sono 2 parametri che sappiamo essere fattori significativi poiché sono stati modellati in precedenti DoE e sono solo parametri ben noti (B, C). Un terzo parametro (A) è in fase di studio in quanto in teoria potrebbe avere un impatto. Questa è la purezza iniziale del materiale, che può essere variabile (e non possiamo controllarla completamente).
Da esperimenti casuali, ho dimostrato una purificazione riuscita su un ampio intervallo di A (~ 30-50% di purezza iniziale). Volevo indagare dove non è possibile raggiungere il punto di fallimento (a quale purezza iniziale del materiale, non è possibile raggiungere la purezza finale target). Volevo anche caratterizzare completamente il nostro spazio di progettazione attorno a questo in modo da poter sapere se la condizione ottimale di B e C si è spostata con un cambiamento in A.
Ho eseguito un modello RSM che variava tra B e C nell'intervallo normalmente testato e A variava da una purezza del 5% circa a una purezza dell'85% circa. Ha identificato A come un parametro significativo ma, nel complesso, il modello è spostato rispetto ai dati storici. Quindi, ad esempio, dopo aver ridotto il modello, si prevedeva che il 30% del materiale sarebbe stato puro al 60% circa entro la fine dell'operazione, ma abbiamo più dati che mostrano che questo valore è sottostimato e dovrebbe essere più vicino all'85%.
Si è verificato un problema durante lo svolgimento di questo studio. Le condizioni target A erano le seguenti, 5%, 40%, 85%. Dopo l'esecuzione, si è riscontrato che la condizione intermedia effettivamente testata era più vicina al 55%, quindi si trattava di un errore di prestazione. Questo potrebbe aver causato il problema?
Nel complesso, l'adattamento del modello è stato molto buono, con un RSME basso. Le condizioni di bassa purezza rappresentavano sicuramente uno stress test e non qualcosa che ci saremmo mai aspettati di vedere in produzione, ma ci è sembrato utile esplorare un ampio spazio per la comprensione del processo. Le mie teorie sono che l'errore sperimentale che si è verificato ha portato a un problema, oppure l'intervallo era troppo ampio e la condizione A inferiore che ha ripetutamente faticato a purificarsi, ha abbassato il modello.
1.) Come posso riparare questo DOE per migliorare la precisione?
Posso aumentare le esecuzioni e focalizzare il set di dati nella "gamma MFG" che ci aspetteremmo
Potrei aggiungere un termine del terzo ordine per valutare più condizioni di A anziché solo 3.
2.) Come posso evitare un modello impreciso in futuro?
Se non avessi avuto dati storici, non avrei messo in dubbio questo set di dati poiché sembra corretto.
Progettazione di esperimentifinestreOggetto: Il modello RSM era impreciso (non è d'accordo con i dati storici) - Come risolverlo e dove è andato stortoGrazie per la descrizione dettagliata Cosa ha mostrato l'analisi dei residui sul modello nel recente esperimento RSM?
Inoltre, qualcuna delle analisi RSM era in comune con esperimenti o test precedenti e quindi poteva fungere da controllo?
Oggetto: Il modello RSM era impreciso (non è d'accordo con i dati storici) - Come risolverlo e dove è andato storto^ Mi dispiace, il mio computer ha dei problemi e ho accidentalmente accettato il tuo commento come soluzione...
Per rispondere alle tue domande:
Ecco i grafici residui per il parametro A:
Nessuna condizione era completamente controllata dal punto di vista tecnico. I DoE precedenti sono stati eseguiti con circa il 45% di materiale iniziale, il più vicino in questo RSM era del 55%.
Oggetto: Il modello RSM non era accurato (non è d'accordo con i dati storici) - Come risolverlo e dove è andato stortoPer chiarimenti, "A" non è controllabile da te?È una "materia prima" di un fornitore?Se è così, mi sembra che dovresti sviluppare un modello misto con A come variabile casuale (covariata) nel modello.
Ulteriori pensieri:
1. Hai valutato i sistemi di misurazione per A e per la purezza?
2. Dov'era A (ad esempio, a quali livelli si trovava) quando hai studiato B&C negli esperimenti precedenti?Se interagisce con B e/o C, i tuoi modelli precedenti sarebbero condizionati.
3. Non capisco cosa intendi con " riparare questo DOE per migliorare la precisione"?Immagino che tu voglia migliorare il modello, il DOE è un mezzo per raggiungere un fine.
4. I modelli sono approssimazioni, si spera utilizzabili. Possono essere utilizzati per scopi esplicativi o predittivi.Il loro rendimento nella previsione dipende dalla rappresentatività dei vostri studi (ad esempio, DOE) per il futuro. I DOE hanno, per progettazione, uno spazio di inferenza ristretto.Questo perché stai rimuovendo/riducendo drasticamente le serie temporali e quindi impedendo che i fattori varino nel DOE.Per superare questo handicap, dovresti esagerare il rumore nel tuo esperimento e utilizzare una strategia per gestirlo in modo appropriato (ad esempio, ripetizioni, repliche, blocchi, grafici divisi, covariate, ecc.)
Oggetto: Il modello RSM era impreciso (non è d'accordo con i dati storici) - Come risolverlo e dove è andato stortoGrazie per la risposta!
Per chiarimenti, "A" non è controllabile da te?È una "materia prima" di un fornitore?Se è così, mi sembra che dovresti sviluppare un modello misto con A come variabile casuale (covariata) nel modello.
"A" non sarà controllabile all'MFG ma è controllabile in questo esperimento. Ho combinato due pool di materiale di partenza con purezza elevata e bassa, sebbene il mio obiettivo intermedio non rientrasse nel target di purezza (ho utilizzato un approccio medio ponderato).
Ulteriori pensieri:
1. Hai valutato i sistemi di misurazione per A e per la purezza?
La misurazione della purezza qui è molto precisa. Di solito possiamo stimare entro il 5%, di solito più accurato ma è prudente.
2. Dov'era A (ad esempio, a quali livelli si trovava) quando hai studiato B&C negli esperimenti precedenti?Se interagisce con B e/o C, i tuoi modelli precedenti sarebbero condizionati.
La purezza "A" nei precedenti esperimenti DoE è stata mantenuta costante a circa il 40-45%. Su scala è sceso fino al 30% senza alcun impatto evidente sulla purezza finale.
3. Non capisco cosa intendi con " riparare questo DOE per migliorare la precisione"?Immagino che tu voglia migliorare il modello, il DOE è un mezzo per raggiungere un fine.
Esatto, la mia terminologia non era corretta. Come posso migliorare il modello e qual è la teoria per cui è impreciso.
4. I modelli sono approssimazioni, si spera utilizzabili. Possono essere utilizzati per scopi esplicativi o predittivi.Il loro rendimento nella previsione dipende dalla rappresentatività dei vostri studi (ad esempio, DOE) per il futuro. I DOE hanno, per progettazione, uno spazio di inferenza ristretto.Questo perché stai rimuovendo/riducendo drasticamente le serie temporali e quindi impedendo che i fattori varino nel DOE.Per superare questo handicap, dovresti esagerare il rumore nel tuo esperimento e utilizzare una strategia per gestirlo in modo appropriato (ad esempio, ripetizioni, repliche, blocchi, grafici divisi, covariate, ecc.)
Lo capisco perfettamente, il problema è che questo modello suggerisce che "A" è un fattore significativo in uno spazio in cui è stato dimostrato che non lo è. Sto cercando di determinare se si tratta di qualcosa che ho fatto in modo errato nella mia progettazione DoE, o se era sperimentale, ecc.
Oggetto: Il modello RSM non era accurato (non è d'accordo con i dati storici) - Come risolverlo e dove è andato storto"A" non sarà controllabile all'MFG ma è controllabile in questo esperimento. Ho combinato due pool di materiale di partenza con purezza elevata e bassa, sebbene il mio obiettivo intermedio non rientrasse nel target di purezza (ho utilizzato un approccio medio ponderato).
Capisco che tu abbia gestito A durante l'esperimento, non è questa la domanda.La domanda è: sei disposto a gestire A in futuro? Ciò che intendo per volere è; hai la capacità, i soldi o il desiderio di gestire A?In caso contrario, A è rumore. Trattare A come un fattore di progettazione non è ciò che consiglierei.
La misurazione della purezza qui è molto precisa. Di solito possiamo stimare entro il 5%, di solito più accurato ma è prudente.
Non sono sicuro di capire la tua terminologia.C'è una differenza tra accuratezza e precisione, ma sembra che tu li usi in modo intercambiabile?L'accuratezza è una misura di quanto una misurazione è vicina al valore vero o accettato della quantità da misurare (ad esempio, uno standard di riferimento). La precisione è una misura di quanto una serie di misurazioni sono vicine tra loro (ovvero, ripetibilità e riproducibilità).Ma in ogni caso suggerisci che la misurazione non sia un problema.
La purezza "A" nei precedenti esperimenti DoE è stata mantenuta costante a circa il 40-45%. Su scala è sceso fino al 30% senza alcun impatto evidente sulla purezza finale.
Questo è un potenziale problema.Poiché A era costante, durante gli esperimenti precedenti non sono stati stimati i potenziali effetti di interazione tra A e altri fattori.Inoltre, il tuo modello dipende dal fatto che A sia costante ai livelli di purezza del 40-45%.Se A cambia, non abbiamo idea di come funzionerà il tuo modello.
Lo capisco perfettamente, il problema è che questo modello suggerisce che "A" è un fattore significativo in uno spazio in cui è stato dimostrato che non lo è. Sto cercando di determinare se si tratta di qualcosa che ho fatto in modo errato nella mia progettazione DoE, o se era sperimentale, ecc
IO non sono sicuro di seguire la tua logica... Come hai "dimostrato" che A non era significativo nello spazio di progettazione?Se sai già che A è insignificante, perché lo stai sperimentando?Se hai eseguito la progettazione appropriata o se ci sono stati altri problemi nel tuo esperimento, posso solo fare supposizioni.Se disponi già di un modello per B&C e desideri semplicemente aggiungere A al modello, non sono sicuro del motivo per cui hai eseguito un tipo di progettazione con superficie di risposta.Inoltre, per i progetti di ottimizzazione, la significatività statistica è meno importante. Dovresti aver già stabilito il modello, ora stai semplicemente selezionando i livelli per i fattori nel modello per ottimizzare la risposta. Una sorta di mappatura dei contorni è tipica. Ancora una volta, se A è veramente rumore, allora non dovrebbe essere analizzato e interpretato come un fattore di progettazione (magari come una covariata).
Oggetto: Il modello RSM non era accurato (non è d'accordo con i dati storici) - Come risolverlo e dove è andato stortoCIAO @MetaLizard62080
Lo affronterò con un approccio diverso rispetto ad altre risposte concentrandomi sull'approccio sperimentale e sulla qualità dei dati: se ho capito bene, la tua condizione intermedia era del 55% anziché del 40% come era intesa? Se è così, potrebbe essere il caso di fare un passo indietro e valutare l'accuratezza del tuo controllo su A: hai bisogno della certezza di essere in grado di controllare al 5, 40 e 85% che hai selezionato nel tuo progetto, se hai variabilità intrinseca, ciò aumenterà l'incertezza nel progetto. Quante repliche di ciascun punto hai eseguito?
Qual è stato il tipo di modellazione che hai utilizzato? Sfortunatamente una limitazione delle regressioni dei minimi quadrati standard è che sono sensibili a grandi cambiamenti negli intervalli dei fattori e ai valori anomali (questo spesso significa che si perdono i cambiamenti "sottili" nei dati, portando probabilmente alle sottovalutazioni che descrivi qui).Ho avuto problemi simili in cui il mio modello predittivo in un RSM non corrispondeva alla mia comprensione dai dati teorici/storici, che si riducevano a valori anomali nel mio set di dati - per aiutarmi in questo ho guardato i punteggi di Cooks D Influence dei miei punti dati - una buona regola pratica è che i punti abbiano un valore > 4/n per trovare valori anomali. Un'altra opzione è esplorare diversi moduli di modellazione predittiva come GenReg.
Un'altra considerazione è se A è stato mantenuto costante nei tuoi esperimenti precedenti e lo stai variando ora: la qualità/tipo di A è cambiato (qual è stato l'intervallo di tempo tra l'esperimento precedente e questo? Esiste anche potenzialmente un "fattore nascosto" associato ad A che sta causando un effetto sul processo?
