Quelle est la conception la plus efficace pour examiner un grand nombre de facteurs avec le moins d'essais possible à l'échelle industrielle et pourquoi ?Par exemple. Si le but d'un plan de dépistage est de tester (en grande partie) les effets principaux avec le moins d'essais possible - et que je souhaite examiner 7 facteurs avec un nombre minimal d'essais, pourquoi n'est-ce pas une bonne idée de simplement changer chacun de ces facteurs 1 fois sur 7 courses ?Si ce n'est pas le moyen le plus efficace, l'exécution d'une conception saturée avec 8 analyses pour 7 facteurs serait-elle le moyen le plus efficace de tester les effets principaux, ou existe-t-il une autre suggestion et pourquoi ? Les conceptions saturées sont-elles préférées pour le DOE industriel où vous n'avez pas la capacité d'effectuer de nombreuses exécutions et devez être aussi efficace que possible ?
Conception d'expériencesRe : Quelle est la conception la plus efficace pour filtrer un grand nombre de facteurs avec le moins d'essais possible à l'échelle industrielle et pourquoi ?Salut @mjz5448 ,
Il n'existe pas de conception parfaite pour chaque dépistage, c'est une question de type de facteurs, de nombre de facteurs, de facilité de changement, de bruit et de variabilité de la réponse, de connaissances préalables, etc...
Si vous envisagez OFAT pour une projection, ce sujet pourrait vous aider à comprendre en quoi cela pourrait être une mauvaise idée : Résolu : Re : Conception de dépistage des effets principaux par rapport à OFAT : quel est le meilleur ? - Communauté d'utilisateurs JMP
Supposons que vous ayez 7 facteurs, aucun facteur de mélange et aucune contrainte :
Le choix de la conception sera fortement influencé par le budget expérimental. Si vous ne pouvez vous permettre que moins de 10 analyses, vous obtiendrez très probablement une conception de dépistage optimale (D/A-). Si vous pouvez vous permettre davantage d'analyses, il pourrait être intéressant d'augmenter la taille des analyses de votre plan optimal, ou même d'essayer un plan de dépistage définitif (pour 7 facteurs continus, un minimum de 17 analyses est requis, et 4 analyses supplémentaires (pour un total de 21 courses) sont recommandées). Vous pouvez essayer différentes tailles et conceptions de tirage et les comparer pour choisir celle présentant le meilleur compromis pour votre sujet.
Plus généralement, vous trouverez peut-être très intéressant cet exposé sur les conceptions de criblage modernes de Bradley Jones, et il peut vous fournir quelques idées et perspectives pour votre cas d'utilisation : Conceptions de projection du 21e siècle (2021-EU-45MP-772)
J'espère que cette première réponse vous aidera,
Re : Quelle est la conception la plus efficace pour filtrer un grand nombre de facteurs avec le moins d'essais possible à l'échelle industrielle et pourquoi ?Wow, merci pour la réponse détaillée Victor_G !
Je n'ai jamais entendu parler de " Group Orthogonal Superatured Design" auparavant, mais nous y réfléchirons.
Je suis largement limité par le nombre d'essais que je peux effectuer, car je n'ai pas la capacité d'effectuer beaucoup d'essais et je ne dispose pas d'usine pilote ou de ressources de R&D facilement disponibles. il semble donc que je vais également examiner les conceptions de dépistage optimales (D/A-).
Je suppose qu'un grand nombre de conceptions de dépistage minimal dépendent également du degré de contrôle du processus afin de détecter les effets, n'est-ce pas ?
Merci encore pour les liens !
Re : Quelle est la conception la plus efficace pour filtrer un grand nombre de facteurs avec le moins d'essais possible à l'échelle industrielle et pourquoi ?De rien, je suis contente que cela vous ait aidé !
GO-SSD peut être peut-être plus pertinent avec un plus grand nombre de facteurs à filtrer, par exemple en présence de plusieurs dizaines de facteurs de processus sur une chaîne de fabrication/processus chimique. Ce type de conception excelle vraiment à identifier les quelques éléments vitaux parmi les nombreux triviaux.
Je ne suis pas sûr de la pertinence de cette conception pour 7 facteurs, ma valeur sûre serait peut-être davantage sur les conceptions (D/A-) optimales, car elles permettent une certaine flexibilité sur la taille de l'exécution.
Cela dépend de ce que vous sous-entendez derrière « en supposant que le processus est sous contrôle ». Pour la mesure des réponses, votre processus de mesure doit être aussi contrôlé et stable que possible, afin que les principaux effets détectés par le DoE soient réellement actifs, et non les conséquences de mesures instables (ou alternativement, que vous n'ayez pas trop de bruit/ variabilité qui « cacherait » les principaux effets actifs). En fonction de la variabilité des mesures et du nombre d'expériences dans le DoE, la facilité de détection des effets principaux actifs (puissance) sera différente : une variabilité de mesure plus faible et une taille d'exécution plus élevée améliorent la puissance de détection des effets principaux.
Concernant la plage des facteurs, n'hésitez pas à être un peu plus audacieux que d'habitude, afin de définir des plages où elles constitueraient une variation possible due à vos facteurs. Si vos plages de facteurs sont étroites et que votre processus est entièrement sous contrôle, vous risquez de ne détecter aucun facteur significatif.
J'espère que cette réponse complémentaire pourra vous aider,
Re : Quelle est la conception la plus efficace pour filtrer un grand nombre de facteurs avec le moins d'essais possible à l'échelle industrielle et pourquoi ?Quelques autres réflexions :
1. Vous pouvez d'abord essayer l'échantillonnage dirigé (composantes des études de variation) pour comprendre quelles composantes ont le plus d'impact et évaluer les systèmes de mesure en même temps.Cela permet d'évaluer la cohérence/stabilité du processus tout en déterminant les composants exploités.Je ne peux pas vous dire combien d'expériences j'ai vues dans lesquelles l'expérimentateur expérimentait sur les mauvais composants.
2. Une question... voulez-vous « choisir un gagnant » dans votre étude ou essayez-vous de comprendre la structure causale ? Dans ce dernier cas, vous devrez itérer.La première expérience est destinée à vous aider à concevoir une meilleure expérience.Cela impliquera probablement de filtrer un grand nombre de facteurs à l'aide de paramètres de niveau gras (généralement une faible résolution).Une fois que vous avez déterminé les facteurs actifs/significatifs, vous pouvez alors travailler au développement d’un modèle utile.
3. Ne négligez pas le bruit (par exemple, répétitions pour le bruit à court terme et répétitions pour le bruit à long terme).C’est souvent le mode d’échec qui condamne l’expérimentation.L'expérience est exécutée une fois dans un espace d'inférence étroit (le bruit est maintenu constant).Les conclusions de telles expériences sont rarement utiles lorsque le bruit change inévitablement dans le futur.Ainsi, l’efficacité de la conception ne se limite pas à la structure/à l’espace de conception.
4. Dans tous les cas, il existe un certain nombre de considérations pour sélectionner les conceptions les plus efficaces et les plus efficientes, compte tenu de vos connaissances actuelles, le nombre de facteurs n'en est qu'un.Ma suggestion est de concevoir plusieurs expériences, de réfléchir aux informations qui peuvent être obtenues de chacune.Comparez cela aux contraintes de ressources, puis choisissez-en une.
Re : Quelle est la conception la plus efficace pour filtrer un grand nombre de facteurs avec le moins d'essais possible à l'échelle industrielle et pourquoi ?Salut statman,
Merci pour votre réponse.
Pour votre question 2. J'essaie de filtrer les facteurs afin de les affiner pour une conception plus factorielle complète et possible de la surface de réponse.
Merci pour vos conseils au point numéro 4. Je vais y jeter un œil et essayer de peser les différentes options du mieux que je peux.
