パス生産データからのDOEドキュメントまたはクリップを取得する方法、パス データから最良の結果を得るために係数を最適化する方法を教えてください。
実験計画法ウィンドウズRe: パス生産データからの DOEあなたの質問を正しく解釈していれば、履歴データを使用して DOE を分析する方法を尋ねていることになります。
私たちは皆、履歴データからできるだけ多くの知識を抽出したいと考えています。しかし、ほとんどの場合、履歴データはプロジェクト関連の質問に回答しやすい方法で収集されていないことがわかりました。この切実な願いに関して、Tukey の引用文が当てはまると思います。ただし、皆さんが私よりも幸運であることを願います。
その生産データに多重回帰を適用することもできますが、特定の仮定が満たされないのではないかと心配しています。
Y が単一の X の関数である可能性は低いです。代わりに、実験の目的を設定し、いくつかのデータを収集して、連続的な実験アプローチを実行することをお勧めします。まず、構造化されたブレインストーミングと直接的なプロセス観察でオプションを広げます。最適化したい要素以外の要素を集めたら、一部実施要因を実行して、それらが重要であるかどうかを確認します。この単一の要素ですべてがわかると確信していますか? 最適に近い応答面は、複数の要素と可能な相互作用で構成される複雑なものになる可能性があります。
分数法によって重要な要因を特定できたら、最急上昇法を適用して最適化を開始します。連続した実験を使用して最適値に絞り込み、最適値をまたぐレベル設定になったと思われる場合は、もう 1 回実行して 5 つの中心点を含め、曲率があるかどうかを判断し、再現性を確認します。次に、軸点を追加して最適化を完了します。
もちろん、これはすべて仮説であり、実際の状況によって異なりますが、データが指針となります。規模を小さくし、連続的に進めていれば、結果が期待どおりでない場合は方向転換することができます。また、小規模な実験を行っているため、途中でリソースを無駄にすることもありません。きっと驚くようなことが起きて方向転換しなければならないからです。
これ以外にも実験的な戦略はたくさんありますが、これが私のお気に入りで、比較的簡単な傾向があります。
幸運を
Re: パス生産データからの DOEありがとうございます。実は、私は JMP ウェブ セミナーに参加して、ある会社が低収率の問題を抱えていることを知りました。それは熟成の問題のようですが、根本的な原因は見つけられませんでした。
彼らは、DOE 法のようなパスデータと分析を使用します。最終的に、プロセスを最適化して収量を最大化できます。
私の場合、プロセスは約 6 か月と長く、長い時間と正確な制御が必要なため、DOE 実験計画を作成するのは困難です。
生産データを要因と応答の収集とともに使用し、変動データを使用して効果ファクトリーを見つけてパラメータを最適化する予定です。
Re: パス生産データからの DOE私なら、生産データのプロセス動作チャートの作成から始めます。まず、プロセスが安定しているかどうかという質問に答えます。解決しようとしている変動の種類が特殊原因か共通原因かを知る必要があります。時には「根本原因」がなく、発生した問題は単なる偶然によるものである場合があります。共通原因は、ランダムで予測される変動の種類です。特殊原因は、名前を付けることができる何らかの根本原因に割り当てることができます。この区別は重要です。なぜなら、私たちの行動が異なるからです。特殊原因とは、根本原因を見つけて修正することです。共通原因とは、システムを調査し、プロセス、設計、またはその両方を根本的に変更して、システムに固有の変動を減らすことです。これはより困難な作業ですが、DOE と批判的思考が真価を発揮できるのはここです。
これは、EVOP (Evolutionary Operation) シナリオの可能性があります。これは、実験を実行するために本番環境に割り込むのが難しい場合に使用します。オンラインで情報を見つけることができると思います。この手法は、1950 年代に George Box によって開発されました。基本的な考え方は、とにかくプロセスを実行して何かを生産するのであれば、それを戦略的に実行して、単に生産するだけでなく、プロセス自体に関する知識も生み出すようにするべきではないかというものでした。EVOP は単一の実験ではなく、本番環境を実行して、実行中に学習および最適化する方法です。
プロセスの実行に時間がかかるため、DOE が難しいという意味であれば、これらの方法はもともと農業用に開発されたと反論します。応答が収穫高である場合、年間を通じて 1 つの実験しか実行できません。したがって、プロセスの実行に時間がかかる場合、意図的にバランスのとれた直交設計を実行して、要因について可能な限り多くのことを学ぶことが正当化されるだけだと主張します。そして、誰かがこれには長い時間がかかるだろうと言ったときの私のお気に入りの答えは、「それなら、今日から始めたほうがいいでしょう」です。
多重回帰を試みると、やはり多重共線性の問題が発生するのではないかと心配です。しかし、運が良ければ、重要な要因が相関していない可能性があります。
