DOE à partir des données de production de passesComment puis-je obtenir un document ou un clip, comment procéder pour optimiser le facteur pour obtenir les meilleurs résultats à partir des données de passage.
Plan d'expériencesFenêtresRé: DOE à partir des données de production de passesSi j'interprète correctement votre question, vous demandez comment analyser un DOE à l'aide de données historiques.
Nous souhaitons tous extraire autant de connaissances que possible des données historiques. J'ai constaté que dans presque tous les cas, les données historiques n'étaient pas recueillies de manière à faciliter la réponse aux questions liées au projet. Je crois qu'il existe une citation pertinente de Tukey concernant ce désir douloureux. Je vous souhaite néanmoins d'avoir plus de chance que moi.
Vous pourriez essayer d’appliquer une régression multiple sur ces données de production, mais je crains que cela ne contredise certaines hypothèses.
Il est peu probable que votre Y soit une fonction d'un seul X. Je suggérerais plutôt d'établir un objectif expérimental, puis de rassembler des données pour exécuter une approche d'expérimentation séquentielle. Commencez par élargir vos options avec un brainstorming structuré et une observation directe du processus. Une fois que vous avez rassemblé plus de facteurs en plus de celui que vous souhaitez optimiser, exécutez une factorielle fractionnaire pour voir s'ils sont significatifs. Êtes-vous vraiment sûr que ce facteur unique raconte toute l'histoire ? Près de l'optimum, la surface de réponse peut être complexe et composée de plusieurs facteurs et d'interactions possibles.
Une fois que le fractionnaire vous aide à identifier les facteurs qui pourraient être importants, commencez à optimiser en appliquant une approche de montée la plus raide. Utilisez des expériences séquentielles pour vous rapprocher de l'optimum et lorsque vous pensez que vos paramètres de niveau chevauchent l'optimum, exécutez-en une de plus et incluez 5 points centraux pour déterminer s'il y a une courbure et vérifier la répétabilité. Ajoutez ensuite des points axiaux pour terminer l'optimisation.
Bien sûr, tout ceci est hypothétique et dépend vraiment de votre situation spécifique, les données vous guideront. Tant que vous restez petit et séquentiel, vous avez la possibilité de pivoter lorsque les résultats ne correspondent pas aux attentes. Et comme vous effectuez de petites expériences, vous ne gaspillez pas de ressources en cours de route, car vous serez sûrement surpris et devrez pivoter.
Il existe de nombreuses stratégies expérimentales en plus de celle-ci, mais c'est ma préférée et elle a tendance à être relativement simple.
Bonne chance
Ré: DOE à partir des données de production de passesMerci beaucoup. En fait, j'avais l'habitude de participer au webinaire JMP pour montrer qu'il y avait une entreprise qui avait un problème de faible rendement, cela ressemblait à un problème d'assaisonnement mais ils n'ont pas pu trouver la cause profonde.
Ils utilisent leurs données de passage et leurs analyses comme la méthode DOE. Enfin, ils peuvent optimiser leur processus pour maximiser le rendement.
Dans mon cas, le processus est long, environ 6 mois, puis il est difficile d'élaborer un plan d'expérience DOE car cela prend beaucoup de temps et doit être contrôlé avec précision.
Je prévois d'utiliser les données de production avec des facteurs de collecte et de réponse et d'utiliser les données de variation pour trouver notre usine d'effets et optimiser les paramètres.
Ré: DOE à partir des données de production de passesSi j'étais vous, je commencerais par créer des graphiques de comportement de processus à partir des données de production. Pour répondre d'abord à la question de savoir si le processus est stable, vous devez savoir quel type de variation vous essayez de résoudre, cause spéciale ou cause commune. Parfois, il n'y a pas de « cause fondamentale » et le problème qui s'est produit est simplement dû au hasard. La cause commune est le type de variation aléatoire et attendue. La cause spéciale est attribuable à une cause fondamentale que vous pouvez nommer. La distinction est importante car nos actions seraient différentes. La cause spéciale consiste à trouver et à corriger la cause fondamentale. La cause commune signifie étudier le système et modifier fondamentalement le processus, la conception ou les deux pour réduire la variation inhérente au système. C'est un travail plus difficile, mais c'est là que la DOE et la pensée critique peuvent vraiment briller.
Cela ressemble à un scénario possible d'EVOP (Evolutionary Operation). Nous l'utilisons lorsqu'il est difficile de passer à la production pour mener une expérience. Vous pouvez trouver des informations en ligne, j'en suis sûr, la technique a été développée par George Box dans les années 1950. L'idée générale était que si nous exécutons le processus de toute façon pour produire des choses, pourquoi ne pas le faire de manière stratégique pour qu'il produise non seulement des choses, mais aussi des connaissances sur le processus lui-même. L'EVOP n'est pas une expérience unique, mais une façon de gérer la production pour apprendre et optimiser pendant qu'elle est en cours d'exécution.
Si vous voulez dire que le processus prend beaucoup de temps à exécuter et que c'est pourquoi le DOE est difficile, je répondrais que ces méthodes ont été initialement développées pour l'agriculture. Elles ne pouvaient exécuter qu'une seule expérience toute l'année si la réponse était le rendement de la récolte. Je dirais donc que si le processus prend beaucoup de temps à exécuter, c'est simplement une justification supplémentaire pour exécuter des plans intentionnels équilibrés et orthogonaux afin que vous puissiez en apprendre autant que possible sur les facteurs. Et ma réponse préférée lorsque quelqu'un dit que cela va prendre beaucoup de temps, c'est : "Eh bien, nous ferions mieux de commencer aujourd'hui alors".
Si vous essayez la régression multiple, je crains toujours que vous ayez des problèmes de multicolinéarité. Mais peut-être aurez-vous de la chance et les facteurs importants ne seront pas corrélés.
