패스 생산 데이터의 DOE문서나 클립을 어떻게 얻을 수 있고, 전달 데이터에서 최상의 결과를 얻기 위해 요소를 최적화하는 방법은 무엇입니까?
실험 설계윈도우Re: 패스 생산 데이터의 DOE제가 귀하의 질문을 올바르게 해석했다면, 귀하는 과거 데이터를 사용하여 DOE를 분석하는 방법을 묻고 있는 것입니다.
우리 모두는 역사적 데이터에서 가능한 한 많은 지식을 추출하고 싶어합니다. 하지만 저는 거의 모든 경우에 역사적 데이터가 프로젝트 관련 질문에 대한 답을 쉽게 얻을 수 있는 방식으로 수집되지 않았다는 것을 발견했습니다. 저는 이 간절한 열망에 대해 Tukey의 인용문이 있다고 믿습니다. 하지만 당신이 저보다 더 운이 좋았으면 좋겠습니다.
해당 생산 데이터에 다중 회귀 분석을 적용할 수는 있지만, 제가 우려하는 바는 특정 가정에 실패할 것이라는 것입니다.
Y가 단일 X의 함수일 가능성은 낮습니다. 대신 실험 목표를 설정한 다음 데이터를 수집하여 순차적 실험 접근 방식을 실행하는 것이 좋습니다. 먼저 구조화된 브레인스토밍과 직접적인 프로세스 관찰을 통해 옵션을 확대합니다. 최적화하려는 요소 외에 더 많은 요소를 수집한 후 분수 요인 분석을 실행하여 유의한지 확인합니다. 이 단일 요소가 전체 스토리를 정말로 말해주는지 확신하십니까? 최적에 가까운 반응 표면은 여러 요소와 가능한 상호 작용으로 구성된 복잡할 수 있습니다.
분수가 어떤 요소가 중요할 수 있는지 식별하는 데 도움이 되면 가장 가파른 상승 접근 방식을 적용하여 최적화를 시작합니다. 순차적 실험을 사용하여 최적에 가까워지고 최적에 걸쳐 레벨 설정이 있다고 생각되면 한 번 더 실행하고 5개의 중심점을 포함하여 곡률이 있는지 확인하고 반복성을 확인합니다. 그런 다음 축 지점을 추가하여 최적화를 완료합니다.
물론 이 모든 것은 가정적인 것이고 실제로는 귀하의 구체적인 상황에 달려 있으며, 데이터가 안내할 것입니다. 작고 순차적으로 유지하는 한 결과가 기대치에 맞지 않을 때 피벗할 수 있는 옵션이 있습니다. 그리고 작은 실험을 실행하고 있기 때문에 확실히 놀라서 피벗해야 하기 때문에 그 과정에서 리소스를 낭비하지 않습니다.
이 방법 외에도 많은 실험적 전략이 있지만, 제가 가장 좋아하는 방법은 이 방법이며, 비교적 간단한 편입니다.
행운을 빌어요
Re: 패스 생산 데이터의 DOE정말 고맙습니다. 사실 저는 JMP 웹 세미나에 참여해서 어떤 회사가 수확량이 낮은 문제가 있다는 것을 보여주곤 했습니다. 조미료 문제인 듯하지만 근본 원인을 찾을 수 없었습니다.
그들은 DOE 방식과 같은 통과 데이터와 분석을 사용합니다. 마지막으로 그들은 수율을 극대화하기 위해 프로세스를 최적화할 수 있습니다.
제 경우, 그 과정이 6개월 정도 걸리고, 시간이 오래 걸리고 정확한 제어가 필요하기 때문에 DOE 실험 계획을 세우는 것이 어렵습니다.
생산 데이터를 수집하여 요인과 반응을 수집하고, 변동 데이터를 사용하여 효과 팩토리를 찾고 매개변수를 최적화할 계획입니다.
Re: 패스 생산 데이터의 DOE제가 당신이었다면 생산 데이터의 프로세스 동작 차트를 만드는 것부터 시작하겠습니다. 먼저 프로세스가 안정적인지 여부에 대한 질문에 답하기 위해, 어떤 유형의 변동을 해결하려고 하는지 알아야 합니다. 특수 원인인지 공통 원인인지요. 때로는 "근본 원인"이 없고 발생한 문제는 단순히 무작위적 우연 때문일 수 있습니다. 공통 원인은 무작위적이고 예상되는 변동 유형입니다. 특수 원인은 이름을 붙일 수 있는 어떤 근본 원인에 할당할 수 있습니다. 이 구분은 중요한데, 우리의 행동이 달라지기 때문입니다. 특수 원인은 근본 원인을 찾아 수정하는 것입니다. 공통 원인은 시스템을 연구하고 프로세스나 설계 또는 둘 다를 근본적으로 변경하여 시스템에 내재된 변동을 줄이는 것을 의미합니다. 더 어려운 작업이지만, 여기서 DOE와 비판적 사고가 정말 빛을 발할 수 있습니다.
이것은 가능한 EVOP(Evolutionary Operation) 시나리오처럼 들립니다. 실험을 실행하기 위해 생산에 돌입하기 어려울 때 이것을 사용합니다. 온라인에서 정보를 찾을 수 있을 것입니다. 이 기술은 1950년대에 George Box가 개발했습니다. 일반적인 아이디어는 어차피 물건을 생산하기 위해 프로세스를 실행한다면, 물건을 생산할 뿐만 아니라 프로세스 자체에 대한 지식도 생산할 수 있도록 전략적으로 실행하는 것이 어떻겠습니까? EVOP는 단일 실험이 아니라 생산을 실행하는 동안 학습하고 최적화하는 방법입니다.
프로세스가 실행하는 데 시간이 오래 걸리고 그래서 DOE가 어렵다는 뜻이라면, 저는 이 방법들이 원래 농업을 위해 개발되었다고 반박하고 싶습니다. 수확량에 대한 반응이라면 일년 내내 단 한 번의 실험만 할 수 있을 겁니다. 그래서 프로세스가 실행하는 데 시간이 오래 걸린다면, 의도적인 균형 잡힌 직교적 설계를 실행하여 요소에 대해 가능한 한 많이 배울 수 있는 정당성이 더 크다고 주장하고 싶습니다. 그리고 누군가가 이것이 오랜 시간이 걸릴 것이라고 말할 때 제가 가장 좋아하는 또 다른 대답은 "음, 그럼 오늘부터 시작하는 게 낫겠네요."
다중 회귀를 시도하면 여전히 다중공선성 문제가 생길까 봐 두렵습니다. 하지만 운이 좋으면 중요한 요인이 상관관계가 없을 수도 있습니다.
