RSM モデルは不正確でした (過去のデータと一致しません) - 修正方法と問題の箇所こんにちは、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。
実験計画法ウィンドウズRe: RSM モデルは不正確でした (履歴データと一致しません) - 修正方法と問題箇所詳細な説明をありがとうございます。 最近の RSM 実験のモデルについて、残差解析によって何が示されましたか?
また、RSM の実行には以前の実験またはテストと共通するものがあり、対照として機能する可能性がありますか?
Re: RSM モデルは不正確でした (履歴データと一致しません) - 修正方法と問題箇所明確にしておきますが、「A」はあなたが制御することはできません?サプライヤーからの「原材料」ですか？そうであれば、モデル内の確率変数 (共変量) として A を使用する混合モデルを開発する必要があるように思えます。
追加の考え:
1. A と純度の測定システムを評価しましたか?
2. 以前の実験で B&C を研究したとき、A はどこにありましたか (たとえば、どのレベルにありましたか)。B や C と相互作用する場合、以前のモデルは条件付きになります。
3. 「」の意味がわかりません。精度を向上させるためにこの DOE を修理しますか?あなたはモデルを改善したいと考えていると思いますが、DOE は目的を達成するための手段です。
4. モデルは近似値であり、使用できることを願っています。 これらは説明または予測の目的で使用できます。予測がどの程度うまくいくかは、研究 (DOE など) が将来をどれだけ代表するかによって決まります。 DOE は設計上、推論空間が狭いです。これは、時系列を削除または大幅に削減するため、DOE 内での要因の変動が防止されるためです。このハンディキャップを克服するには、実験のノイズを誇張し、ノイズを適切に処理する戦略 (反復、反復、ブロック、分割プロット、共変量など) を使用する必要があります。
Re: RSM モデルは不正確でした (履歴データと一致しません) - 修正方法と問題箇所お返事をありがとうございます！
明確にしておきますが、「A」はあなたが制御することはできません。サプライヤーからの「原材料」ですか？そうであれば、モデル内の確率変数 (共変量) として A を使用する混合モデルを開発する必要があるように思えます。
「A」は MFG では制御できませんが、この実験では制御可能です。 高純度および低純度の出発物質の 2 つのプールを組み合わせましたが、中間の目標は純度目標から外れていました (加重平均アプローチを使用しました)。
追加の考え:
1. A と純度の測定システムを評価しましたか?
ここでの純度測定は非常に正確です。 通常は 5% 以内で推定でき、通常はより正確ですが、これは保守的です。
2. 以前の実験で B&C を研究したとき、A はどこにありましたか (たとえば、どのレベルにありましたか)。B や C と相互作用する場合、以前のモデルは条件付きになります。
以前の DoE 実験における「A」は、純度約 40 ～ 45% で一定に保たれました。 大規模な実行では、最終純度に顕著な影響を与えることなく 30% まで低下しました。
3. 「」の意味がわかりません。精度を向上させるためにこの DOE を修理しますか?あなたはモデルを改善したいと考えていると思いますが、DOE は目的を達成するための手段です。
そうですね、用語が間違っていました。 モデルを改善するにはどうすればよいですか、またモデルが不正確である理由についての理論は何ですか。
4. モデルは近似値であり、使用できると幸いです。 これらは説明または予測の目的で使用できます。予測がどの程度うまくいくかは、研究 (DOE など) が将来をどれだけ代表するかによって決まります。 DOE は設計上、推論空間が狭いです。これは、時系列を削除または大幅に削減するため、DOE 内での要因の変動が防止されるためです。このハンディキャップを克服するには、実験のノイズを誇張し、ノイズを適切に処理する戦略 (反復、反復、ブロック、分割プロット、共変量など) を使用する必要があります。
私はこれを完全に理解していますが、問題は、このモデルが、「A」がそうではないことが証明されている空間において重要な要素であることを示唆していることです。 これが DoE 設計で間違った操作を行ったのか、それとも実験的なものなのかなどを判断しようとしています。
Re: RSM モデルは不正確でした (履歴データと一致しません) - 修正方法と問題箇所「A」は MFG では制御できませんが、この実験では制御可能です。 高純度および低純度の出発物質の 2 つのプールを組み合わせましたが、中間の目標は純度目標から外れていました (加重平均アプローチを使用しました)。
実験中にあなたが A を管理したことは理解していますが、それは問題ではありません。問題は、あなたが将来 A を管理する意思があるかどうかです。 私が喜んでという意味は次のとおりです。あなたにはAを管理する能力、お金、または意欲がありますか？そうでない場合、A はノイズです。 A をデザイン要素のように扱うことはお勧めできません。
ここでの純度測定は非常に正確です。 通常は 5% 以内で推定でき、通常はより正確ですが、これは保守的です。
あなたの用語を理解できるかどうかわかりません。精度と精度には違いがありますが、同じ意味で使用しているように見えますか?精度は、測定値が測定対象の量 (参照標準など) の真の値または許容値にどの程度近いかを示す尺度です。 精度は、一連の測定値が互いにどれだけ近いかを示す尺度です (つまり、再現性と再現性)。しかし、いずれにせよ、測定は問題ではないとあなたは示唆しています。
以前の DoE 実験における「A」は、純度約 40 ～ 45% で一定に保たれました。 大規模な実行では、最終純度に顕著な影響を与えることなく 30% まで低下しました。
これは潜在的な問題です。以前の実験では A が一定であったため、A と他の要因の間の潜在的な相互作用効果の推定はありません。また、モデルは A が 40 ～ 45% の純度レベルで一定であることを条件としています。A が変更された場合、モデルがどのように動作するかはわかりません。
私はこれを完全に理解していますが、問題は、このモデルが、「A」がそうではないことが証明されている空間において重要な要素であることを示唆していることです。 これが DoE 設計で間違った操作を行ったのか、それとも実験的なものかどうかを判断しようとしています。
私あなたの論理に従っているかわかりません...A が設計空間において重要ではないことをどのように「証明」しましたか?A が重要ではないことがすでにわかっている場合、なぜそれを実験するのでしょうか?適切な設計を実行したのか、それとも実験中に他の問題があったのか、私には推測することしかできません。すでに B と C のモデルがあり、そのモデルに A を追加したいだけだった場合、なぜ応答曲面タイプの設計を実行したのかわかりません。また、最適化タイプの設計では、統計的有意性はそれほど重要ではありません。 モデルはすでに確立されているはずです。ここでは、応答を最適化するためにモデル内の因子のレベルを選択するだけです。 ある種の等高線マッピングが一般的です。 繰り返しますが、A が本当にノイズである場合、設計要因として (おそらく共変量として) 分析および解釈されるべきではありません。
Re: RSM モデルは不正確でした (履歴データと一致しません) - 修正方法と問題箇所こんにちは@MetaLizard62080
実験的アプローチとデータ品質に焦点を当てた他の回答とは異なるアプローチでこれに取り組むつもりです。私の理解が正しければ、中間状態は意図された40％ではなく55％でした？ もしそうなら、これは一歩下がって A に対する制御の精度を評価するケースかもしれません。設計で選択した 5、40、および 85% で制御できるという確信が必要です。固有の変動性により、設計の不確実性が増大します。 各ポイントを何回繰り返し実行しましたか?
使用したモデリングの種類は何ですか? 残念ながら、標準的な最小二乗回帰の限界は、因子範囲にわたる大きな変化や外れ値に敏感であることです (これは多くの場合、データの「微妙な」変化を見逃すことを意味し、ここで説明する過小評価につながる可能性があります)。私も、RSM の予測モデルが理論/履歴データからの理解と一致しないという同様の問題を抱えていました。それは結局、データ セットの外れ値に起因していました。これを解決するために、データ ポイントの Cooks D Influence スコアを調べました。外れ値を見つけるには、ポイントの値が 4/n より大きいことが良い経験則です。 もう 1 つのオプションは、GenReg などのさまざまな予測モデリング形式を検討することです。
もう 1 つの考慮事項は、以前の実験で A が一定に保たれ、現在それを変化させている場合、A の品質/タイプが変化したかどうかです (前回の実験と今回の実験の間の時間差はどれくらいでしたか?)。 A に関連して、プロセスに影響を与えている潜在的な「隠れた要因」も存在するのでしょうか?
