こんにちは、みんな、
現時点ではプロセスの特性がかなりよくわかっていますが、出発原料から潜在的なプロセス変動のリスクを排除しています。 目的は、純度を最大化し、この単位操作の回収を最大化することです。
以前の DoE でモデル化されており、よく知られているパラメータであるため、重要な要素であることがわかっているパラメータが 2 つあります (B、C)。 3 番目のパラメーター (A) は、理論的には影響を与える可能性があるため、現在調査中です。 これは材料の開始時の純度であり、変化する可能性があります (完全に制御することはできません)。
偶然の実験により、広範囲の A (出発純度約 30 ～ 50%) で精製が成功したことを示しました。 どこに障害点があるのか（出発物質の純度がどの程度になると、目標の最終純度に到達できないのか）を調査したかったのです。 また、A の変化に伴って B と C の最適な条件が変化したかどうかを知ることができるように、これに関する設計空間を完全に特徴付けたいと考えていました。
通常のテスト範囲全体で B と C を範囲とする RSM モデルを実行し、A の純度は約 5% から約 85% の範囲でした。 A が重要なパラメータとして特定されましたが、全体として、モデルは過去のデータから下方にシフトされています。 たとえば、モデルを縮小した後、30% の材料が操作終了までに ~60% の純度になると予測しましたが、これが過小評価されており、85% に近づくはずであることを示す複数のデータ ポイントがあります。
この研究のパフォーマンスで 1 つの問題が発生しました。 対象となるAの条件は、5%、40%、85%です。 実行後、実際にテストした中間状態は 55% に近いことが判明したため、これはパフォーマンス エラーでした。 これが問題の原因でしょうか?
全体的に、モデルの適合性は非常に良好で、RSME は低くなりました。 低純度条件は間違いなくストレス テストであり、本番環境では決して期待できないものでしたが、プロセスを理解するために広い領域を探索することは有益であるように思えました。 私の理論は、発生した実験エラーが問題を引き起こした、または範囲が広すぎて、浄化に何度も苦労した下位の A 条件によってモデルが低下した、というものです。
1.) 精度を向上させるためにこの DOE を修復するにはどうすればよいですか?
実行を拡張し、予想される「MFG 範囲」のデータセットに焦点を当てることができます。
3 次の項を追加して、A の 3 つだけではなく、より多くの条件を評価することもできます。
2.) 今後不正確なモデルを回避するにはどうすればよいですか?
過去のデータがなかったら、額面通りに見えるこのデータセットに疑問を抱くことはなかったでしょう。
