富士 Diosynth Biotechnologies 是一家合約開發和製造組織 (CDMO)，擁有專門的製程特性部門，專注於執行製程特性研究 (PCS)。 PCS 的目的是證明我們的客戶流程對於參數設定或正常操作範圍的變化具有很強的適應性。
PCS 通常採用實驗設計 (DOE) 來研究製程輸入對品質屬性 (QA) 和製程效能指標 (PPI) 的影響。 DOE 分析是一種有用的工具，可以識別對 QA/PPI 有影響的輸入，但它主要是定量的。
除了傳統的 DOE 分析之外，計算每個輸入的影響率 (IR) 可以提供定量和定性的評估，並有助於確定某個參數是否為關鍵。 IR 提供了與可接受範圍相關的效果大小的測量。
大家好。我很高興今天能和我的同事 Sam 一起來到這裡。今天，我們將討論影響率。基本上，您的 DoE 因素對您的 DoE 輸出或回應有何影響？我將介紹 JMP 中的概念、計算和範例，然後我將把這些內容傳遞給 Sam，他將指導您如何使用 JSL 自動化該過程，並向您展示他是如何在插件中完成這項操作的。
首先，是坦白的時間。我真的很想把這次演講稱為“過程表徵科學家與 NASA 科學家有什麼共同點？”但這種連結太過脆弱，或許會有點令人費解。儘管如此，我仍然在這裡使用這些概念。這就是為什麼我們在第一張幻燈片上有流星圖片。這是我的比喻。我正在觀察撞擊坑，並將其與撞擊率進行比較，因為我們需要一點樂趣。
這裡發生了什麼事？我們有一顆非常相似的流星，它可能會墜落在地球、火星或月球上，而且情況會有所不同。首先，這裡有大氣層，或非常少的大氣層，或根本沒有大氣層，這會改變爆炸，從而改變流星的行為。如果你在地球上，那麼形成的撞擊坑可能會對周圍發生的事情產生巨大的影響，因為在地球上，我們周圍有人生活。
考慮到這一點，我們今天要經歷什麼？讓我們來看看另一個統計比率。統計學家喜歡他們的比率。然後我們來看看影響率具體衡量的是什麼。然後我們來回答這個問題，“我可以在 JMP 中計算這個嗎？”答案顯然是可以的，而且可以透過多種方式來實現。你可以做到這件痛苦的事，我會手動帶你完成這件事。我將跳過這個步驟，因為我們沒有時間，但是我們已經建立了一個工作流程，使表格管理變得更容易一些。
然後我會將事情轉交給 Sam，他會透過點擊他的 JMP 插件向您展示計算影響率的有效方法。這裡有一張我自己畫的粗糙的手繪圖，向你們展示一些你們可能已經見過很多次的東西，因為那是一個控制圖，它們在統計學家的世界裡無處不在。這裡我們有一個輸出，例如，隨著我們創建更多批次，它會隨著時間而改變。
我們在這張圖表上有區域。我們的產量位於藍紫色區域。因為這是常態分佈的數據，所以我們可以預測隨著時間的推移它會落到哪裡。這裡有統計數據，可以預測這個藍色區域可能會變得多寬。然後在兩個規範之間的綠色區域，我們有一個客戶類型的安全區域。例如，客戶往往會向我們提供規格說明，或者我們可能已經根據開發工作計算了驗收標準。
我們要做的是確保在進行製程控制時，我們的製程處於安全區域內。用於此目的的一個比率是能力指數，例如 CPK、PPK，基本上是將此區域與此綠色區域進行比率計算。這是我發現的最相似的衝擊率。這裡我們有幾乎相同的圖表。您可以看出我重複使用了相同的繪圖。唯一改變的是，這次，我們不再使用統計數據來預測數據的傳播，而是使用統計數據來預測數據的形狀。我們正在模擬當您更改輸入並將其值從低移至高時某個特定輸出會發生什麼情況。
如果您正在進行 DoE 並且系統化地改變了操作條件，那麼您會這樣做。更具體地說，對於過程表徵，這個從低到高將是您想要證明是可以接受的範圍。這裡我們最終得到了一個方程，並且有一個藍色區域，表示預測的響應的最小值到最大值，同時我們還有一個綠色區域，表示在流程結束時為我們提供優質產品的可接受範圍。
我們正在再次檢查偏差是否佔據了我們安全或遊樂區域的可接受比例。這個影響比率可以幫助我們比較不同因素的影響，因為我們將為所有因素獲得這樣的模型。如果這是 DoE 的一部分，它也可以作為對這些因素進行分類的標準。這個影響比率究竟衡量的是什麼？您之前在幻燈片上已經看到了一些線索，但是我們回到隕石的話題。
我們的美國NASA科學家計算了兩件事。我們的隕石將撞擊地球的地點以及撞擊坑的半徑。他們說，只要我們在這個綠色安全區內，住在外面的人就沒事。當然，對於隕石來說情況並非如此，但請大家稍等片刻。我們這裡的比例基本上是隕石坑的半徑與安全區域的半徑。我們希望這個數字比這個小很多。與撞擊坑相比，安全區域非常大。
現在，發生的情況是，我們可能偏離目標，以至於 NASA 的科學家預測隕石會墜落在這裡，但它卻墜落在這裡。儘管安全區域可能足夠大，可以容納中心隕石/過程，但在這種情況下，撞擊坑實際上位於安全區域之外。我希望你不要住在這附近。還有一種可能性，而且還有很多其他的可能性，那就是我們擊中了目標，但是我們錯誤地估計了隕石坑。這個隕石坑比我們想像的要大得多。再說一遍，它位於安全區域之外，並且安全區域的半徑實際上比這裡的隕石坑的半徑還要小。這只是一張圖片，讓我們看看它在圖表上看起來是什麼樣子。同樣的圖表在這裡有一些額外的箭頭和一些方程式。
用簡單的英語來說，你的影響率實際上是將效果大小與距離以及你的規範或驗收標準進行比率化。在這種情況下，效果大小就是那些細長的藍色和橙色箭頭。它是從最小預測到中心或最大預測到中心的距離。我們正在將此與兩側中心距離與您指定的距離進行比率化。在這種情況下，這個距離佔據了我們安全區域的 70％。這不是一個好的影響率。這裡只有 40%，但這仍然是一個相當高的數字。但公平地說，我們必須取這兩個值中的最大值，因此我們在這裡考慮 70%。
這是我的手繪。讓我們來看看實際的 JMP 圖表。這是一個跳轉圖，它只是在完成 DoE 分析後獲得的分析器的一部分。在這種情況下，我們有一點曲率，但是區域是相同的。如果我們想在這裡計算與最小值的影響率，預測是最小值到中心的比例約為最小值到規格的 42%。另一方面，從最小值到最大值或最大值的預測僅占我們安全區域的 7% 左右。
儘管如此，我們還是必須報告這個數字，所以這個數字仍然是一個相當高的數字。我們在這裡試圖回答的問題是，與可接受的程度相比，我們是否以較小的影響達到了目標？現在，我將退出這裡並進入 JMP 向您展示如何以痛苦的方式手動執行此操作。這裡我們有一個盒子標準 DoE，有五個因素。我們在這裡僅分享了四個回應。這些都是匿名的，所以我很抱歉，但是這些數字看起來有點奇怪，因為它們都在負一和一之間。
但我們在這裡尋找的是指定的回應限制，以便我們可以嘗試實現這些回應的目標。對於大多數可能被最小化的雜質之類的東西，我們甚至可能對它們的含量有多高不感興趣。我不打算進行建模，因為這不是我們來這裡的目的。很抱歉。錯誤的腳本。就這樣。我們已經安裝了它，這是我在筆記中舉的例子，所以我將繼續使用這個。
這裡我們使用 Profiler 來取得方程式所需的所有數字。我們將其設置在中心點，並記錄該數字。就這樣。這就是中心點條件。一切都集中在這裡的中心點。我要讓 JMP 記住這個設定。我將其稱為“載荷中心點”，因為我對這裡的載荷很感興趣。這是我的第一個。然後手動地，我真的不需要在這裡向 JMP 尋求幫助。一切都是這兩個人的中心點。我可以將其移動到最小值，然後再次記錄為最小值。這就是我的最小負載。
就最大值而言，這有點棘手。我可以嘗試這麼做。我可以把它放大，並儘量確保達到最大值。但這次我會相信JMP。我將單擊 Control + Alt，然後單擊此處的另外兩個圖表，然後將因子設定鎖定在中心點。因為我只對負載在做什麼以及當其他所有因素都保持不變時負載的最大值是多少感興趣。然後我將使用 JMP 中的最大化器。
就這樣。我本來可以手動達到這個值，但現在我知道這已經是最大值了。我也要保存這個。我們有最大值。現在我幾乎已經擁有我需要的一切了。如果您手動執行此操作，則會針對每個回應對此清單中的每個因子或方程式參數執行此操作。如果您有相當大的模型，並且可能有 5-10 個回應，那麼這很快就會變成大量工作。
然後您必須將所有這些數據匯出到表中。如果您已經完成很多，您會使用這個，但我只有一個，所以我要這樣做。這裡有您需要的所有信息，但格式錯誤。我們需要保留的是這些在哪裡？那我們想要的是這個數字。現在，您可以在這裡使用表格中的轉置，但我不會這樣做，因為我已經提前完成了。我只是想快速與你們分享這一點。為什麼不開心呢？這裡我們有轉置數據。我們有這張表中的所有標籤。
我們必須手動新增我們的下限和上限規格。透過這些以及最小值、最大值和 CP，我們可以計算出這裡比率的分子、比率的分母以及比率本身。由於距離較小，所以衝擊比較大。然後您只需使用公式來獲取兩者的最大值，並且必須對每一個重複操作。現在我將發言權交給 Sam，他可以向您展示一旦您擁有插件，這件事會變得多麼容易。山姆？
謝謝，格溫。正如格溫所提到的，我們決定創建一個外掛程式來自動執行這項任務。我現在將快速演示一下該插件的工作原理。我正在使用格溫剛剛使用的相同數據表。我們決定製作插件的原因只是因為它比直接從腳本視窗運行腳本更容易。擁有插件的另一個好處是，當您將滑鼠懸停在插件名稱上時，您可以添加工具提示。在這種情況下，工具提示只會告訴您必須從哪個正確的視窗執行加載項。
事實上，如果我嘗試單擊它，您會發現什麼都沒有發生，因為我不在正確的位置。如果我現在使用我們之前製作的模型打開腳本，您會看到我現在可以運行該腳本，然後它將正常運行。首先，系統會向使用者顯示一些包含一些說明的窗口，然後顯示一些供使用者輸入的區域。第一個視窗只是包含一些關於底層資料表要求的說明。
例如，因子列必須進行編碼，任何單位也必須作為列屬性輸入。如果任何列不是這種情況，您可以點擊“取消”，然後我可以返回並進行那些更改。但在這種情況下，我知道它們都是正確編碼的。我將再次點擊運行然後單擊確定。然後下一個視窗就有用於輸入因子設定的區域。您會注意到我們在這裡輸入了分類因素。
無法計算分類因素的影響率。但是，模型中包含的任何分類因素都必須固定在特定設定下，因此這只允許使用者在此輸入。對於在 DoE 中評估的其餘連續因素，您可以看到我們有一個用於輸入這些設定的區域。您可以看到，腳本只需從表中讀取即可自動讀取最小值和最大值。它所做的就是僅通過查看最小值和最大值之間的中間值來計算中心點。
但在某些情況下，中心點可能不在範圍的正中心。在這種情況下，這是負載的情況，所以我將其更改為 20。能夠在此處更改輸入的好處是，如果我們運行添加，我們會得到對於某些因素來說過高的影響率。然後我們可以再次運行添加，我將在這裡更改值，例如，嘗試評估減少的因子範圍。然後看看在新的範圍內衝擊率是否有改善。
但我會保留其餘的值不變並單擊“確定”。然後，最後一個視窗僅包含響應接受標準的輸入。我現在就把這些價值觀輸入進去。如果只有一個標準，那麼您只需輸入一個，將另一個留空。如果您沒有標準，您可以將兩個方塊留空，它仍然能夠計算影響率。在這種情況下，它只是設定點響應與最小或最大預測之間的百分比差異。它在實際意義上並不提供完全相同的測量，但仍將由腳本進行計算。
現在，如果我按一下“確定”，您就可以看到摘要表已產生。但如果我回到運行插件的窗口，你會看到在每個預測分析器下面，設定都已經被記住了。這些設定用於獲取模型中每個因素的最小和最大預測值。這很有用，這樣您就可以回頭查看計算是如何進行的。能夠回顧這一點真是太好了。
但現在我僅對腳本的實際運作方式進行非常概括的概述。首先，腳本循環遍歷視窗中的每個回應模型。然後它設定最大化響應的願望。然後腳本循環遍歷模型中的每個術語。對於第一個項目（在本例中為負載），它會解鎖因子設置，因此它可以自由移動。然後，所有其他因素都被鎖定在其設定點設定。然後腳本執行最大化和記住功能。現在您可以看到該設定現已保存在 Profiler 下方，並且您可以看到，在這種情況下，我們僅透過更改負載因子就最大化了該回應。
然後，它對模型中的每個項目繼續該操作，然後設定可取性以最小化響應，然後再次重複該過程。然後再次評估每個術語以獲得最小預測。最後，所有記住的設定都會被更新，以便名稱有意義。然後我們顯示因素名稱以及目標是最小化還是最大化反應。最後，對視窗中包含的每個響應模型重複整個過程。這就是腳本的工作原理。我現在將返回到輸出的摘要表。
您可以在此處看到所有資料均被收集並輸出到該表中。我們每一行都包含每個被評估的反應模型的一個特定因素。我們有使用者輸入的驗收標準的欄位。然後有列顯示設定點設定的預測，然後顯示該回應模型中包含的每個因素的最小和最大預測。其餘的列只是公式。這裡我們得到了最小預測值和設定點預測值的差異，同樣，也得到了最大預測值和設定點預測值的差異。
最後兩列就是計算出的影響率。我們有較低的影響率和較高的影響率。您會注意到，我們只有一個標準，因此對於這種情況下雜質，由於我們只有一個上限接受標準，因此我們只計算上限影響率。那麼最後一列就是整體影響率。這只是下部和上部衝擊比的最大值。我將透過總結使用插件自動執行此任務和跳轉的好處來結束這部分演講。
首先，使用插件比手動操作快得多。其次，這使得任務可以更輕鬆地重複。正如我所提到的，如果您運行插件並獲得被認為過高的影響率，那麼您可以重新運行插件，更改因子設置，看看是否可以獲得可接受的影響率。最後，發生錯誤的可能性會大大降低，因為您不需要進行任何資料轉錄或資料處理。該腳本將所有資料收集在一起，然後將其全部放入最後輸出的表中。
好的，謝謝。我的演講部分到此結束。我將交給格溫來總結事情。謝謝。
除了 Sam 所說的之外，該插件的一個很大的優點是您可以重複計算並更改前幾個表中輸入的內容。如果您願意，可以更改因子設置，例如，引入您已設定的內容來顯示已證明的可接受範圍，大概是超出正常操作範圍一點。您可以改變的另一件事是修改您的規範或驗收標準。如果您的影響率真的很高，那麼您的安全區可能會太小而無法舒適地操作。
您可以推遲規格並檢查所有影響率是否都小一些。您實際上可能可以將此作為改變這些驗收標準的理由。您可以利用這些影響率做的另一件事是，您可以將它們集體用作對測試過程參數進行分類的標準。某個製程參數在 DoE 結束時可能是關鍵的、高度關鍵的或非關鍵的，因為其影響非常小。我想這就是我們今天關於影響率所要討論的。如果您有任何疑問，我們都可以為您解答。非常感謝。
