안녕하세요 여러분,
이 시점에서 상당히 잘 특성화된 프로세스가 있지만 이제 출발 물질에서 발생할 수 있는 잠재적인 프로세스 변동성의 위험을 제거하고 있습니다. 순도를 극대화하고 본 장치 작동의 회복을 극대화하려는 의도입니다.
이전 DoE에서 모델링되었으며 잘 알려진 매개변수(B,C)이므로 중요한 요소인 것으로 알려진 2개의 매개변수가 있습니다. 세 번째 매개변수(A)는 이론적으로 영향을 미칠 수 있으므로 조사 중입니다. 이는 재료의 시작 순도이며 가변적일 수 있습니다(완전히 제어할 수는 없습니다).
우연한 실험을 통해 저는 광범위한 A(~30-50% 시작 순도)에 걸쳐 성공적인 정제를 보여주었습니다. 실패지점(어떤 출발물질 순도에서, 목표 최종 순도에 도달하지 못할 수 있는지)이 어디인지 조사하고 싶었습니다. 또한 B와 C의 최적 조건이 A의 변화에 따라 이동했는지 알아볼 수 있도록 이 주변의 설계 공간을 완전히 특성화하고 싶었습니다.
나는 일반적으로 테스트된 범위에서 B와 C 범위를 갖는 RSM 모델을 수행했으며, A 범위는 약 5% 순도에서 ~85% 순도까지였습니다. A를 중요한 매개변수로 식별했지만 전반적으로 모델은 과거 데이터에서 아래로 이동했습니다. 예를 들어, 모델을 축소한 후 작업이 끝날 때까지 30% 재료가 ~60% 순수할 것으로 예측했지만, 이것이 과소평가되어 85%에 가까워야 함을 보여주는 여러 데이터 포인트가 있습니다.
본 연구를 수행하면서 한 가지 문제가 발생하였다. 목표 A 조건은 5%, 40%, 85%였다. 수행해본 결과 실제로 테스트한 중간조건은 55%에 가까웠던 것으로 확인되어 이는 성능오차였다. 이로 인해 문제가 발생했을 수 있습니까?
전반적으로 모델 적합도는 매우 좋았으며 RSME도 낮았습니다. 저순도 조건은 확실히 스트레스 테스트였으며 생산에서 볼 수 있는 것은 아니지만 공정 이해를 위해 넓은 공간을 탐색하는 것이 유익해 보였습니다. 내 이론은 발생한 실험 오류로 인해 문제가 발생했거나 범위가 너무 넓고 정화에 반복적으로 어려움을 겪는 낮은 A 조건이 모델을 낮추었다는 것입니다.
1.) 정확성을 높이기 위해 이 DOE를 어떻게 수리할 수 있습니까?
실행을 늘리고 우리가 기대하는 "MFG 범위"에 데이터 세트를 집중할 수 있습니다.
A의 조건 3개보다 더 많은 조건을 평가하기 위해 3차 항을 추가할 수 있습니다.
2.) 앞으로 부정확한 모델을 방지하려면 어떻게 해야 합니까?
과거 데이터가 없었다면 액면 그대로 보이는 이 데이터 세트에 의문을 제기하지 않았을 것입니다.
