Aufzeichnungen DOE Club Q3 2024 - Vermeiden Sie Fallstricke/Fehler bei der Verwendung von DSD/Taguchi-ExperimentenFrage 2: Wie vermeide ich Fallstricke?
Kommentare
@Victor_G :
1. Gehen Sie nicht von Schlussfolgerungen/Interpretationen außerhalb Ihres Designraums aus
2. Und validieren Sie das/die Modell(e) mit Validierungspunkten!
@Stats_Like_Jazz :
Lektion 1: Seien Sie mutig beim Festlegen von Bereichen.
Lektion 2: Es gibt möglicherweise viele „gute“ Modelle für Ihre Antwort(en). Wählen Sie ein relevantes Kriterium (oder mehrere) aus, das mit Ihren Zielen verknüpft ist, um das/die Modell(e) zu bewerten und auszuwählen.
Lektion 3: Wenn Sie Bereiche oder Kombinationen haben, die Sie vermeiden möchten, verwenden Sie den Filter für nicht zulässige Kombinationen.
Ich habe ein 4-minütiges Video, das genau zeigt, wie das geht:
@ryan_cooper:
Ich würde sagen, eine weitere Falle (insbesondere für Anfänger) ist, dass man sich zu viele Gedanken über das DOE macht. Alles ist besser als ein Faktor nach dem anderen. Sie können Ihr DOE-Wissen erweitern, während Sie mehr davon machen – Sie müssen nicht alles wissen, um anzufangen.
Frage 3: Fehler bei der Verwendung von Definitive Screening Designs (DSD)
Kommentare:
@Jonas_Rinne
Versuchen Sie nicht, alles beim ersten Versuch zu lernen. Die Leute neigen dazu, alles in den ersten Entwurf einzubringen. Die meisten großen Entwürfe funktionieren nicht ohne viel Vorwissen.
@Victor_G
Denken Sie auch iterativ. Es ist sehr selten, mit nur einem Entwurf alle Antworten und Schlussfolgerungen zu erhalten.
@KimRas2
Nicht genügend potenzielle Faktoren hinzufügen
@Steph_Georges
Keine zufällige Reihenfolge der Durchläufe: Wenn die Reihenfolge der Versuchsdurchläufe nicht zufällig ist, können versteckte Variablen (wie etwa Zeit- oder Temperaturdrift) zu einer Verzerrung der Ergebnisse führen.
Hier ist ein Artikel von Bradley Jones über „Richtige und unsachgemäße Verwendung von DSD“: https://community.jmp.com/t5/JMP-Blog/Proper-and-improper-use-of-Definitive-Screening-Designs-DSDs/ba-p/30703
Frage 4: Übergang von DoE zu Taguchi-Experimenten – robustes Design
Kommentare:
@Victor_G
Je nachdem, wo und wie Sie ein robustes Prozessdesign finden möchten, gibt es heute möglicherweise bessere Alternativen mit optimalen Designs.
Und wenn Sie mehrere kategorische Faktoren mit zwei Ebenen haben, versuchen Sie stattdessen, OML-Designs zu verwenden:
@KimRas2
Meiner Meinung nach ist Taguchi eine weniger moderne Form des DoE, bei der Sie teure Bücher über standardisierte DoE-Designs kaufen müssen.
Betreff: Aufzeichnungen DOE Club Q3 2024 - Vermeiden Sie Fallstricke/Fehler bei der Verwendung von DSD-/Taguchi-ExperimentenDanke für das Hochladen und das Hinzufügen der Kommentare, @maria_astals !
Einige ergänzende Kommentare und Informationen meinerseits:
Frage 2: Wie vermeide ich Fallstricke?
Neben den hervorragenden Punkten, die in der Diskussion und den Kommentaren erwähnt wurden, fasst der Artikel „ Acht Schlüssel zu erfolgreichem DOE “ von Quality Digest die wichtigsten Aspekte, die bei der Erstellung von Entwürfen zu berücksichtigen sind, wirklich gut zusammen und erklärt sie:
- Setzen Sie sich gute Ziele
- Antworten quantitativ messen
- Replizieren, um unkontrollierbare Abweichungen (Rauschen) zu dämpfen
- Zufällige Ausführungsreihenfolge
- Blockieren Sie bekannte Variationsquellen
- Wissen, welche Effekte (falls vorhanden) Aliasing erfahren
- Führen Sie eine Reihe von Experimenten durch
- Kritische Befunde stets bestätigen
Frage 3: Fehler bei der Verwendung von Definitive Screening Designs (DSD)
Eine spezielle Analyseplattform für DSD, die Fit Definitive Screening Platform , wurde entwickelt, um die spezifische Foldover-Struktur des DSD zu nutzen, die Analyse zu vereinfachen und die Erkennung von 2-Faktor-Interaktionen und quadratischen Effekten nach dem Prinzip der Effektvererbung zu ermöglichen. Diese Analyse kann erweitert und für jedes Design mit einer Foldover-Struktur verwendet werden, nicht nur für DSDs, siehe Artikel von Bradley Jones: Eine überraschende Verwendung der Fit Definitive Screening Platform (2022-EU-45MP-1066)
Auch wenn diese Analysemethode sehr leistungsfähig ist, kann es dennoch vorkommen, dass einige Terme nicht erkannt werden, obwohl sie aktiv sein könnten. Grund dafür ist die geringe Leistung für Effekte höherer Ordnung und die mögliche geringe Effektstärke. Beispiel: Fit Definitive Screening vs. Stepwise (min. AICC) für die Modellauswahl
Andere Plattformen wie die Fit Two Level Screening Platform oder verallgemeinerte Regressionsmodelle (mit unterschiedlichen Schätzmethoden wie „Best Subset“, „Pruned“/„2-stage“/„Forward selection“ usw.) können hilfreich sein, da sie Ihnen beim Erstellen unterschiedlicher Modelle helfen können, indem Sie unterschiedliche Methoden zum Erkennen aktiver Effekte und zum Schätzen von Parametern verwenden.
Wie das Sprichwort sagt: „ Alle Modelle sind falsch, manche sind nützlich“, also liegt der Schlüssel wirklich darin, verschiedene Modelle zu vergleichen und zu bewerten, um ein gutes Verständnis des Systems zu erlangen. Unterschiedliche Methoden zur Auswahl eines Modells können zu unterschiedlichen Lösungen führen. Die Auswahl einer relevanten Bewertungsmetrik zum Vergleich der verschiedenen Modelle (je nach Ziel), das Vergleichen der verschiedenen Modelle und die Auswahl und/oder Kombination verschiedener Modellierungsmethoden mit Fachwissen können Ihnen helfen, einen breiteren und präziseren Überblick über das zu erhalten, was am wichtigsten ist. Und von da an können Sie Ihre nächsten Experimente planen, um Ihr Modell zu verfeinern, und/oder einige Validierungspunkte vorbereiten, um die Leistung Ihres Modells zu bewerten.
(Ich habe ein Abstract für JMP Europe Discovery 2025 eingereicht, bei dem ich ein Mixed-Level-Screening-Design und die verschiedenen genannten Modellierungsplattformen für die Analyse der Antworten verwendet habe. Ich hoffe, für die Präsentation dieses Plattform- und Modellvergleichs ausgewählt zu werden.)
Frage 4: Übergang von DoE zu Taguchi-Experimenten – robustes Design
Es kann mehrere Definitionen von Robustheit und verschiedene Möglichkeiten zum Erstellen eines Robustheits-DoE geben, je nachdem, anhand welcher Faktoren Sie die Robustheit Ihres Versuchsraums/Optimumpunkts testen möchten: anhand externer Störfaktoren, anhand von Prozess-/Versuchsfaktorenvariationen oder anhand einer Kombination beider Faktoren. Hier ist eine Artikelserie von Stat-Ease, die die Art der Designs je nach der Robustheitssituation, an der Sie interessiert sind, erklärt:
- Robustheit gegenüber externen Störfaktoren: https://statease.com/blog/achieving-robust-processes-via-three-experiment-design-options-part-1/
- Robustheit gegenüber Abweichungen in unseren Sollwerten für Prozessfaktoren: https://statease.com/blog/achieving-robust-processes-via-three-experiment-design-options-part-2/
- Eine Kombination der ersten beiden Typen: https://statease.com/blog/achieving-robust-processes-via-three-experiment-design-options-part-3/
Einige Ressourcen, die ebenfalls hilfreich sein könnten:
Robuste Produkte entwerfen (2020-US-30MP-539)
So entwerfen Sie robuste Produktionsprozesse | JMP
Ich hoffe, diese Informationen helfen JMP-Benutzern. Viel Spaß beim Experimentieren!
Betreff: Aufzeichnungen DOE Club Q3 2024 - Vermeiden Sie Fallstricke/Fehler bei der Verwendung von DSD-/Taguchi-ExperimentenIch dachte, ich wäre dem Club beigetreten, wurde aber nicht über das „Treffen“ informiert?
