美國能源部工作流程需要預先篩選、篩選、最佳化，然後進行穩健性設計。穩健性設計將告知優化設計所繪製的更廣泛的設計空間內的控制空間。在 JMP 中，是否有（如果有的話在哪裡）從用於優化的初始資料集開始運行穩健性設計的程式？
嗯，菲爾，你對穩健設計的定義和我的定義有很大不同。我認為魯棒性是對噪音不敏感。
田口為普及這個概念做了許多工作：
田口，G. 和 D. 克勞辛，(1990) “堅固的品質” 。 《哈佛商業評論》 ，一月至二月，第 65-75 頁
還有一些關於穩健設計的其他好論文：
Bisgaard, Søren, Murat Kulahei, (2001)，“穩健的產品設計：透過裂區混雜節省試驗”，品質工程，13(3), 525-530
Hunter, Stuart (1985) “統計設計應用於產品設計”， 《品質技術雜誌》 ，卷。 1985年10月17日第4期
Montgomery, Douglas, C., (1999)，“產品和製程設計與開發的實驗設計”， 《統計學家》 ，48，第 2 部分，第 13 頁。 159-177
Box, GEP, Stephen Jones (1992)，“穩健產品實驗的裂區設計”， 《應用統計雜誌》 ，卷。 19號1號
穩健設計與設計結構關係不大，而與實驗中引入雜訊關係較大。
@Victor_G的指導一如既往地非常有用。
我只是認為值得澄清的是，JMP 中沒有用於創建穩健性設計的特定平台或功能（我懷疑其他 DOE 軟體也是如此）。
魯棒性設計通常只是一個簡單的 2 水平設計，其最佳值周圍的因子範圍很窄。
因此（正如維克多所說）你可以使用增強、客製化設計甚至使用經典設計功能來設計它。
就我個人而言，我會使用 Augment，因為這會將實驗不同階段的所有資料保存在同一個資料表中。
菲爾
你好@kjwx109prime ，
您描述的情況與我在前面提到的範例中所做的類似：
我做了一個簡短的演示，使用順序 DoE 在固定資料集上微調演算法（隨機森林），使用篩選設計，然後優化設計，最後使用簡單的因子篩選設計來評估先前發現的因子範圍的穩健性:https://www.linkedin.com/posts/victorguiller_design-of-experiments-machine-learning-activity-7122469...
這種順序方法在 JMP 中當然是可能的。您可以分兩步驟完成：
- 透過先前完成的最佳化響應曲面設計（和模型）和設計空間刻畫器，確定與您的規格相符的因素及其限制範圍。
- 確定因素和範圍後，您可以增強設計（並為新的運行集添加一個區塊，以更好地區分原始 DoE 和新實驗的結果）或使用先前確定的因素和範圍創建新的自訂設計，並檢查第二組實驗的結果是否符合您的反應平均值和變異數可接受性規範：
希望這個補充性的回答能幫助你，
我有點困惑。當然，您可以設定任何您想要的水平，並且可以在 JMP 中進行分析。如果設計點是「平衡的」（例如，CCD、面中心、Box-Behnken），則分析會大大簡化，但可以在任何點使用迴歸。想想空間的幾何形狀。想像一下，您正在嘗試對該空間進行採樣以創建響應的等高線圖。通常，首選對空間進行平衡採樣，因為它的偏差較小。
穩健的設計通常與了解模型在變化的噪音下的工作情況有關。在這些設計中，實驗中的雜訊通常以區塊、裂區或叉積數組的形式變化。目的是找到在變化的噪音下其影響保持一致並且噪音的影響得到減輕的因素。
你好@Victor_G ，
感謝您指出查詢中的歧義。我實際上對所附場景感興趣。
外部立方體與響應面建模相關，它描述了一個設計空間。根據響應面模型，在此立方體內的任何一點進行操作都應完全滿足可接受性要求。
中心點描述了設定點條件。
我對關注內部立方體的設計感興趣。在這種情況下，這與對現有設定點周圍小變化的魯棒性無關，而是外表面的稍微較小的版本。我們確信在外表面內的任何點進行操作都是合適的，但如果操作僅限於較小的表面內，我們更有信心。
在 JMP 中，是否可以透過考慮這種更受限的操作空間的設計來追蹤響應面模型？或者，可以在一開始就更詳細地研究更受限的空間，作為原始響應曲面研究的一部分。
艾倫
嗨@kjwx109prime ，
歡迎來到社區！
穩健性可能有多種定義，並且創建穩健性DoE 的方法也不同，這取決於您想要測試實驗空間/最佳點的穩健性的因素：外部噪音因素、過程/實驗因素的變化或兩個因素的結合。以下是 Stat-Ease 的一系列文章，根據您感興趣的穩健性情況解釋了設計類型：
- 針對外部噪音因素的穩健性： https://statease.com/blog/achieving-robust-processes-via-third-experiment-design-options-part-1/
- 針對過程因素設定點變化的穩健性： https://statease.com/blog/achieving-robust-processes-via- Three-experiment-design-options-part-2/
- 前兩種類型的組合： https://statease.com/blog/achieving-robust-processes-via-third-experiment-design-options-part-3/
我做了一個簡短的演示，使用順序 DoE 在固定資料集上微調演算法（隨機森林），使用篩選設計，然後優化設計，最後使用簡單的因子篩選設計來評估先前發現的因子範圍的穩健性： https 
/www.linkedin.com/posts/victorguiller_design-of-experiments-machine-learning-activity-7122469274148868096-Qhif
一些可能也有幫助的資源：
設計穩健的產品 (2020-US-30MP-539)
如何設計穩健的生產流程|聯合管理計劃
希望第一個討論開始可以幫助您，
