750186_it-IT

liliconcom

Assistenza con DoE

Sto cercando di impostare un DoE nella mia organizzazione. Questa è la prima volta in assoluto che utilizziamo questo approccio, ci sono un paio di persone che guardano e voglio farlo bene per sottolineare il valore di DoE e JMP. Pertanto, spero che sia accettabile postare questa domanda qui. Sono allegate tabelle di esempio.

Questa è la situazione. Abbiamo:

• 4 risposte continue:
  • Resa_A
  • Resa_B
  • Impurità_A
  • Impurità_B
• 4 fattori continui:
  • Concentrazione del reagente
  • Tempo di reazione
  • Temperatura di reazione
  • Rapporto reagente-reagente
• 2 covariate per la materia prima da utilizzare per i test, entrambe continue
  • Concentrazione_composto_X
  • Concentrazione_compund_Y
• Un fattore nominale a 2 livelli, che presumo possa essere interpretato sia come fattore di blocco che come covariata. Si sospetta che influenzi la risposta ed è direttamente collegato a Concentration_compound_X e Concentration_compound_Y tramite un ID batch:
  • Tipo di processo

Vogliamo creare un DoE per un modello che consideri gli effetti principali, tutte le interazioni bidirezionali, le due covariate e il ProcessType . Si noti ancora una volta che la materia prima utilizzata in questo esperimento può provenire da due processi diversi ( Type _1 e Type_2 ). Ogni lotto di materia prima ha il suo set univoco di livelli Concentration_compound_X e Concentration_compound_Y che saranno utilizzati come covariate nella progettazione.

Ho problemi a capire come aggiungere al meglio le covariate e ProcessType al design . Non riesco ad aggiungere ProcessType come variabile di blocco. Dopo un'indagine iniziale abbiamo deciso di optare per un design personalizzato. La mia comprensione mi tradisce dopo aver caricato le quattro risposte continue e i quattro fattori continui nel dialogo DoE. È qui che inizia la saga.

Caso 1 (Aggiungendo sia le covariate che ProcessType come covariate “facili da modificare”):

I fattori e le risposte sono già nella finestra di dialogo. Quindi, premo il pulsante "Select Covariate Factors" e aggiungo le covariate come mostrato di seguito. La tabella delle covariate ha 900 righe e ogni riga rappresenta un batch individuale.

Lascio tutti i fattori con l'impostazione predefinita "Modifiche = Facile":

Dopo aver aggiunto le interazioni, il progetto si conclude con 900 esecuzioni.

Chiaramente, questo è un progetto fasullo. Nessuno eseguirà 900 run, almeno non volontariamente.

Caso 2 (Aggiungendo sia le covariate che ProcessType come covariate “difficili da modificare”)

In questo esempio, le covariate e ProcessType sono stati tutti aggiunti con il ruolo "Covariate" di nuovo, ma il cambiamento di fattore è stato impostato su hard. Questo crea un intero disegno di grafico con 45 esecuzioni predefinite:

JMP consente all'utente di ridurre ulteriormente il numero di esecuzioni, il che è positivo. Tuttavia, non ci sono punti centrali nel design e non posso aggiungere repliche...

Pensieri e domande:

• Il caso n. 2 è un progetto accettabile?
• Tra i due casi sopra, il progetto più sensato è ovviamente il caso n. 2, ma mi chiedo perché JMP non mi consenta di aggiungere punti centrali e/o repliche.
• Impostare le modifiche dei fattori su hard per le due covariate e ProcessType sembra realistico, poiché è possibile che la produzione si blocchi su un singolo lotto di materie prime. Ma questa scelta è corretta? Possiamo scegliere quasi qualsiasi lotto desideriamo per l'esperimento e l'unica ragione per cui la modifica dei fattori è stata impostata su hard è per evitare di generare un design da 900 esecuzioni.
• Sono un po' sorpreso dalle 900 esecuzioni generate nel caso n. 1. Sono forse fuorviato nel credere che l'algoritmo di generazione del design debba scegliere un numero appropriato di batch ed esecuzioni? Oppure è mia responsabilità, in quanto utente, dire a JMP il numero di esecuzioni che ritengo appropriato, valutare il design e decidere se devo migliorarlo aggiungendo altri batch dalla tabella delle covariate?

Grazie per l'illuminazione!

Progettazione degli esperimentiRe: Assistenza con DoE

Ottimo! Congratulazioni per il tuo primo (di molti) esperimenti. Spero che i risultati siano abbastanza incoraggianti da continuare. Ricorda questo punto molto importante: ogni volta che pianifichi e esegui un esperimento, ci sono due opportunità significative:

1. Cosa hai imparato sul "processo" che avvantaggia l'azienda E

2. Cosa hai imparato personalmente dalla sperimentazione?

Il secondo è un approccio a lungo termine, che potrebbe rivelarsi più prezioso.

Re: Assistenza con DoE

@statman , volevo ringraziarti di nuovo per i tuoi consigli. Abbiamo appena terminato il nostro primo DoE nella nostra azienda, osservando attentamente i tuoi consigli per tutto il tempo. Sebbene non abbiamo ricevuto alcun ulteriore contributo da esperti di statistica, è comunque andato molto bene. Così bene, in effetti, che penso che il management sarà ansioso di vedere questo approccio sperimentale applicato a diverse aree.

Re: Assistenza con DoEGrazie! Probabilmente riuscirò a trasmettere con successo i punti principali di questo messaggio. E sono sollevato; niente OFAT.Re: Assistenza con DoE

Mi dispiace, il mio consiglio è di farti guidare da qualcuno con esperienza nel processo di selezione del design. Questo se non vuoi sprecare tempo e denaro. Mentre la sperimentazione è probabilmente sempre meglio di OFAT, DOE richiede pianificazione. Ricorda che il problema più grande con OFAT è lo spazio di inferenza. Mantenere costanti i fattori mentre ne manipoli uno ti consente di trarre conclusioni su quello che sono subordinate a dove sono impostati gli altri fattori. Se uno di questi cambia in futuro, le tue conclusioni potrebbero essere non valide. Questo vale anche per il rumore.

Non mi farei prendere dalle covariate. Aggiungi semplicemente una colonna per ogni covariata a qualsiasi design tu scelga. Registra un valore di ogni covariata per ogni trattamento. L'analisi può essere eseguita in seguito per gestire la/le covariata/e.

NON CERCARE DI OTTENERE TUTTO IN UN SOLO ESPERIMENTO.

Inizierei l'indagine con un RCBD (Randomized Complete Block Design). Eseguirei un fattoriale frazionario sui 4 fattori di progettazione. Res IV è un buon punto di partenza. Impostali a livelli audaci, ma ragionevoli. Per il blocco, confondi le diverse concentrazioni per X e Y. Per il primo blocco (-1), seleziona uno dei ProcessType e scegli livelli bassi di concentrazione per X e Y (potrebbe essere necessario un campionamento per ottenere una stima della concentrazione prima che l'esperimento venga eseguito). Per il secondo blocco (1), usa l'altro ProcessType e imposta i livelli di concentrazione sul lato alto. Non mi preoccuperei ancora della curvatura. Esegui il primo blocco, analizza i dati. Cosa hai imparato? Esegui il secondo blocco, confronta i risultati del primo e del secondo blocco. Cosa hai imparato? Gli effetti trovati nel primo blocco erano gli stessi del secondo blocco? O cambiano? Se i tuoi risultati sono simili tra entrambi i blocchi, potresti dire che gli effetti dei 4 fattori di progettazione sono robusti alle concentrazioni in arrivo, altrimenti dovrai iterare per creare un processo robusto.

Re: Assistenza con DoE

@statman , come sempre molto utile!

Alcune limitazioni:

• Abbiamo poco tempo e non abbiamo le competenze per confrontare le diverse opzioni di progettazione in termini di punti di forza e di debolezza.
• Per quanto triste possa essere, sono io la persona responsabile di questo sforzo. Ahimè, ho iniziato con il mantra JMP "DoE è sempre meglio di OFAT" nella mia testa. I tuoi commenti mi preoccupano e mi tolgono la sicurezza dal cervello.

In risposta ai tuoi proiettili:

1. In realtà, stiamo cercando di comprendere gli effetti individuali e le interazioni di quattro fattori continui sulla risposta. L'ottimizzazione è un bonus, ma la mia comprensione è che usando DoE almeno una certa ottimizzazione è probabile che sia fattibile quasi indipendentemente dai dettagli della scelta di progettazione una volta che è stata scelta una categoria di progettazione principale (superficie di risposta personalizzata vs.).
2. SÌ.
3. È un pensiero interessante. Per ora, però, vogliamo solo capire l'effetto dei fattori e, possibilmente, ottimizzare a breve termine. Siamo convinti che la variabilità della materia prima abbia un'influenza sulla risposta.
4. Siamo molto fiduciosi che tutti i fattori proposti abbiano un effetto. Non siamo solo sicuri di quanto sia grande in ogni caso. La classifica non è del tutto chiara e volevamo procedere in modo agnostico, motivo per cui inizialmente abbiamo preso in considerazione un design di screening. Un design di screening JMP, tuttavia, non consente covariate o interazioni nella configurazione DoE, motivo per cui siamo passati alla soluzione del coltellino svizzero "design personalizzato".
5. Per quanto riguarda le covariate, le vogliamo nel design perché abbiamo solide ragioni per supporre che ciò influenzerà alcune delle risposte.
   1. Non sarei in grado di trattare con sicurezza i blocchi sperimentali come effetti fissi e casuali (sono necessarie ulteriori letture. Vedere "alcuni vincoli")
   2. Sì, abbiamo pensato di studiare le concentrazioni della materia prima in arrivo. Infatti, ne conosciamo la composizione approssimativa. Se i valori non sono veramente rappresentativi, questa è anche un'informazione interessante perché scopre una fonte di variazione che può aggiungere rumore ai nostri dati DoE. Questo è uno dei motivi per cui vogliamo impostarlo in modo economico e responsabile, così da poter incolpare la mancanza di conoscenza accurata della composizione della nostra materia prima per il rumore in seguito. Per raggiungere questo obiettivo, volevamo includere le covariate.
6. Non che non voglia farlo, ma oltre al vincolo di tempo rispetto alla lettura approfondita consigliata, venderlo e presentarlo come parte del processo decisionale verso il design sperimentale è impegnativo. Non sono così bravo a recitare. Una vendita infinitamente più facile sarebbe suggerire un DoE con vs senza covariate (molte vs poche esecuzioni).

Domande e altri pensieri (se mi è concesso):

Se possibile, con riferimento diretto ai tuoi proiettili.

1. In seguito ai tuoi commenti, non sono più convinto che ciò che avevo pianificato per il caso n. 2 sia valido. Ora sto pensando a "superficie di risposta" ma:
   1. ciò sembra anche impedire l'utilizzo delle covariate nella progettazione (almeno in JMP).
   2. con quattro fattori continui il disegno minimo predefinito (Box-Behnken) ha 27 esecuzioni (senza considerare le covariate come fattori a sé stanti)

6. Ora sono tentato di realizzare un progetto personalizzato per uno solo dei due tipi di materia prima (che, ovviamente, avevo etichettato un po' stupidamente come ProcessType , poiché la loro differenza deriva da differenze nel processo di produzione).
Ciò consentirebbe l'inclusione delle covariate e la stima di tutte le interazioni bidirezionali in "soli" 22 esecuzioni. Ma d'altronde, l'inclusione delle covariate non consente punti centrali...
Senza considerare le covariate, saremmo in grado di stimare tutti gli effetti principali e le interazioni bidirezionali per un materiale grezzo bx in un numero di esecuzioni ancora inferiore, consentendo forse uno o due punti centrali per l'adattamento della curvatura. Ciò è relativamente economico e potrebbe aiutare a riscaldare la direzione all'idea di ulteriori sperimentazioni una volta che avrà sviluppato un gusto per il profiler di progettazione.
Probabilmente sarei in grado di venderlo, sostenendo che a.) abbiamo solo un budget limitato e b.) possiamo in seguito provare a replicare questi risultati con alcuni lotti selezionati di materie prime dal secondo ProcessType.

• La mia preoccupazione più grande: il morale. Dovremmo rinunciare e tornare all'OFAT!? Spero che questa sia la cosa peggiore che potremmo fare. Altrimenti, sono spacciato.

Re: Assistenza con DoE

Non comprendo il processo o la situazione abbastanza bene per poter fornire consigli specifici, ma ecco alcune cose su cui riflettere:

1. Stai cercando di scegliere un vincitore o sei interessato alla struttura causale che influenza le 4 variabili di risposta?

2. Hai compreso la variazione/capacità del sistema di misurazione per ciascuna delle 4 risposte?

3. Se sei interessato a comprendere la struttura causale e la robustezza alle concentrazioni di materiale in arrivo, probabilmente consiglierei la sperimentazione sequenziale. Inizia con un ampio spazio di progettazione (molti fattori impostati a livelli in grassetto, ampio spazio di inferenza).

4. Qual è l'ordine di classificazione previsto degli effetti del modello (inclusi gli effetti lineari di 1° e 2° ordine e quelli non lineari di 2° ordine)?

5. In particolare per quanto riguarda le covariate. Se hai seguito questa strada, creerai un modello misto (modello a effetti fissi e casuali). Potrei suggerirti di iniziare con il blocco (tipo di processo). Potresti provare a trattare questo blocco sia come un effetto fisso che come un effetto casuale. Mentre puoi ancora misurare le concentrazioni e registrare quei valori per un'analisi successiva, non inizierei con le covariate nel modello. Aggiungere covariate può aumentare notevolmente il numero di DF di cui "hai bisogno". Hai pensato di studiare le concentrazioni dei materiali in arrivo con il campionamento? Sapere quanto variano è utile per determinare quanto possono essere utili le covariate. Ricorda che stai inserendo 1 valore per ogni trattamento. E se quel valore non fosse rappresentativo della concentrazione? E se ci fossero errori di misurazione aggiuntivi? E se ci fosse l'effetto ritardo?

6. Progettare più opzioni, ad esempio:

• 4 fattori in mezza frazione res IV design eseguito in due blocchi completi, 16 trattamenti
• 4 fattori eseguiti in 2 blocchi incompleti, res III, 8 trattamenti
• 4 fattori eseguiti in 2 blocchi incompleti res V, 16 trattamenti
• 4 fattori fattoriale completo in 2 blocchi completi, risoluzione completa, 32 trattamenti
• Aggiungere più punti centrali a uno qualsiasi degli elementi sopra (un DF per testare la curvatura nello spazio di progettazione e possibilmente per valutare la stabilità sullo spazio di progettazione)
• Aggiungere ripetizioni a quanto sopra (all'interno del rumore di trattamento, errori di misurazione)

Per ogni possibile progettazione, determina cosa può essere appreso (qual è il modello, cosa è confuso, dimensione dello spazio di inferenza) e confrontalo con le risorse richieste. Prevedi tutti i possibili risultati e cosa farai in ogni caso. Scegli una progettazione che soddisfi i tuoi criteri e preparati a iterare.