Hallo, ich bin Laura Higgins. Ich arbeite als Systemingenieurin im Global Technical Enablement Team. Heute möchte ich darüber sprechen, wie Versuchsplanung Ihre Innovationen vorantreiben kann. Sie sind hier, weil Sie sich für Innovation interessieren. Vielleicht möchten Sie ein besseres Produkt oder einen besseren Prozess entwickeln oder etwas Bestehendes verbessern. Oder Sie möchten etwas ganz Neues erschaffen.
Wie können wir im Innovationsprozess größere Fortschritte erzielen? Wie erreichen wir die nächste Stufe mit weniger Zeitaufwand, weniger Kosten und weniger Aufwand? Letztendlich liegt die Schlüssel zur Verbesserung der Innovation darin, mithilfe von Analysen robuste und qualitativ hochwertige Produkte und Prozesse zu entwickeln.
Wenn Innovation einfach wäre, würde sie jeder betreiben. Doch die Komplexität macht sie schwierig. Diese Komplexität liegt in den zugrundeliegenden Faktoren. Es handelt sich dabei um die Dinge, die wir verändern oder anpassen müssen, um unser Ziel zu erreichen.
Wir müssen Neues ausprobieren, und das tun wir durch Experimente. Experimentieren ist unerlässlich für Innovation. Wir werden neue Kombinationen dieser grundlegenden Faktoreinstellungen testen oder neue Dinge, neue Faktoren, die wir noch nie zuvor ausprobiert haben, neue Zutaten, und letztendlich lernen wir durch Experimentieren.
Wie bringen wir diese beiden Aspekte in Einklang? Einerseits erschwert die Komplexität die Dinge, andererseits müssen wir experimentieren, um Innovationen zu erzielen. Analysen schaffen Präzision. Definieren wir daher genau, was wir unter diesen beiden Aspekten verstehen.
Komplexität spielt eine Rolle, und die zugrunde liegenden Komponenten dessen, was wir anpassen, können selbst komplex sein. Sie können sich unerwartet gegenseitig beeinflussen. Es kann eine Vielzahl von Faktoren geben, deren Bedeutung uns vielleicht nicht bewusst ist, die wir aber dennoch berücksichtigen sollten. Diese unerwarteten Einflüsse führen uns über den Bereich unseres Expertenwissens hinaus, und wir müssen dieses Gebiet betreten, um etwas Neues und Besseres zu erreichen.
Andererseits lernen wir als Gruppe, als Organisation, durch Experimentieren. Wir müssen Dinge immer wieder tun. Wir experimentieren schrittweise. Wir bauen auf dem Gelernten auf, brauchen aber einen strukturierten Ansatz. Struktur ist unerlässlich, und was wir wirklich wollen, sind intelligente, strategische Experimente.
Versuchsplanung ist ein Rahmenwerk, das umfassend genug ist, um sowohl Komplexität als auch Experimentierfreude abzubilden. Dieses Rahmenwerk bietet viel Spielraum, und genau diese Botschaft möchte ich Ihnen mitgeben. Es gibt praktisch keine Komplexitätsstufe, die sich nicht in dieses Rahmenwerk integrieren lässt. Der Einstieg ist einfach, und genau das werde ich Ihnen heute zeigen. Die Durchführung eines Versuchsdesigns wird Fortschritt, Effizienz und Effektivität bringen und Ihre Innovationen beschleunigen.
Wir beginnen nicht bei null. Wir werden unser Expertenwissen nutzen, müssen aber über Experimente hinausgehen, bei denen wir jeweils nur einen Faktor verändern. Diese werden traditionell als Ein-Faktor-Experimente bezeichnet. Wir versuchen, die besten Kombinationen von Faktoren zu finden, die Kausalzusammenhänge erklären. Lassen Sie mich Ihnen den Unterschied zwischen einem Ein-Faktor-Experiment und einem Versuchsdesign verdeutlichen.
Hier betrachten wir jeweils nur einen Faktor. Auf der x-Achse tragen wir die Temperatur und auf der y-Achse den pH-Wert ab. In einem Ein-Faktor-Zeit-Experiment gehen wir folgendermaßen vor: Wir wählen einen pH-Wert und probieren verschiedene Temperatureinstellungen aus. Wir ermitteln die optimale Temperatur und verändern dann bei dieser Temperatur den pH-Wert.
In dieser Abbildung steht die Farbe für den Ertrag. Den besten Ertrag erzielen wir mit diesem Ansatz, bei dem wir jeweils nur einen Faktor untersuchen. Im Gegensatz zu einem geplanten Experiment, bei dem wir dieselben Achsen verwenden, decken wir hier den gesamten Versuchsraum ab und betrachten Kombinationen umfassender als bei der Betrachtung nur eines Faktors. In diesem Beispiel erzielen wir tatsächlich einen höheren Ertrag, und zwar mit Kombinationen, die wir bei der Betrachtung nur eines Faktors nie ausprobiert hätten. Dadurch wird der Bereich deutlich erweitert, und wir beginnen, die Komplexität zu verstehen. Wenn wir die Komplexität verstehen, können wir auch Kausalzusammenhänge erkennen.
So sehen die beiden Ergebnisse aus. Das eine ist eher ein Hügel, das andere ein Hang. Stell dir vor, du stehst in der Natur auf einem Hügel und glaubst, den Gipfel erreicht zu haben. Doch es ist bewölkt, die Wolken reißen auf, du drehst dich um und bemerkst einen viel höheren Gipfel hinter dir, der aber weit entfernt ist und den du niemals durch bloßes Herumlaufen gefunden hättest. Man braucht also einen Wegweiser. Es gibt höhere Orte, an denen wir höhere Erträge erzielen können. In diesem Fall: bessere Ausbeuten.
Unser Ziel ist es, den Zusammenhang zwischen diesen Faktoren und den Reaktionen zu verstehen. Hier ist eine Liste von Faktoren. Dazu gehören beispielsweise Maschinen oder Bediener, Temperatur, Druck und Luftfeuchtigkeit. Typische Ergebnisse sind Kosten, Ausbeute und Verunreinigung. Wir möchten mehrere Reaktionen erfassen. Anstatt den Prozess als Blackbox zu betrachten, wollen wir ein statistisches Modell entwickeln, das ihn charakterisiert. So können wir die unerwarteten Wechselwirkungen der Faktoren aufdecken.
Es gibt im Wesentlichen zwei verschiedene Arten von Experimenten. Die eine ist das Screening, bei dem es darum geht, die wichtigsten Faktoren herauszufiltern. Dadurch können wir eine sehr große Anzahl von Faktoren untersuchen und deren Wichtigkeit in eine Rangfolge bringen. Mit einer kleineren Anzahl von Faktoren können wir die Komplexität besser verstehen und die Beziehungen innerhalb und zwischen den Faktoren sowie zwischen Faktoren und Reaktionen genauer definieren.
Das klingt nach viel Arbeit, und ich habe Ihnen ja gesagt, dass der Einstieg ganz einfach ist. So gehen wir vor: Screening ist wie Schokolade – das Beste vom Besten. Charakterisierung hingegen ist wie Erdnussbutter, etwas komplexer. In JMP gibt es eine Plattform namens Easy DOE. Sie kombiniert Screening und Charakterisierung auf magische Weise und hilft uns, unsere Ziele zu erreichen. Wir müssen uns nicht mehr den Kopf darüber zerbrechen, wann wir was und wann wir was machen. Easy DOE automatisiert das alles. Ich zeige es Ihnen gleich.
Bevor wir dazu kommen, müssen wir kurz über die einzelnen Schritte eines Versuchsablaufs sprechen. Beim Anblick dieser Folie denken Sie vielleicht: „Oh je! Das ist ganz schön viel. Was sollen wir hier bloß tun?“ Aber genau diese Schritte führt uns Easy DOE Schritt für Schritt durch, und es gibt uns für jeden Schritt eine Anleitung. Ich werde hier nicht auf die Details eingehen, da ich es Ihnen in der Easy DOE-Plattform zeigen werde. Dies ist ein sehr klassisches Bild. Viele von Ihnen kennen es vielleicht schon, und genau so werden wir in Easy DOE vorgehen.
Ich werde PowerPoint in wenigen Minuten hinter mir lassen, möchte aber noch über Datenerweiterung sprechen. Ein geplantes Experiment ist zwar sehr wichtig, aber die Bedeutung der Datenerweiterung darf nicht unterschätzt werden. Wenn man jeweils nur einen Faktor untersucht, ist es schwierig, zum nächsten Experiment überzugehen. Man nimmt im Grunde nur ein paar ermittelte Werte und macht dann einfach weiter.
Bei einem geplanten Experiment können Sie Ihr gesamtes Wissen nutzen und müssen nicht von vorn beginnen. Sie erweitern das zugrundeliegende statistische Modell um weitere Informationen. Diese Erweiterung ist ein wesentlicher Bestandteil geplanter Experimente, und Sie gewinnen all dieses zusätzliche Wissen, ohne von vorn anfangen zu müssen. Ich denke, das ist einer der überzeugendsten Gründe, geplante Experimente anzuwenden.
Lasst uns ein einfaches DOE in JMP durchführen. Dies ist ein JMP-Journal. Falls ihr es noch nicht kennt: Es dient einfach dazu, Notizen zu machen. Ich habe Datentabellen und andere nützliche Funktionen damit verknüpft. Wo fange ich an? Ich möchte zunächst kurz auf das Verständnis von Beziehungen eingehen. Zur Erklärung: Wenn wir zwei Faktoren haben, die auf der X- und der Y-Achse liegen, kann eine positive oder negative Beziehung bestehen. Manche Beziehungen lassen sich gut durch eine Gerade beschreiben, andere müssen eine Kurve aufweisen. JMP bietet eine kleine Demo. Sie ist integriert und ermöglicht es euch, Datenpunkte hinzuzufügen und per Klick zu erkennen, wie diese Korrelation funktioniert.
Ein weiterer wichtiger Punkt ist das Verständnis einer Regression. Die Korrelation beschreibt den Zusammenhang zwischen Variablen. Die Regression ist im Grunde der Prozess, eine Gerade zu zeichnen. Wie Sie hier sehen, kann ich diesen Zusammenhang verändern. Dies sollte Ihnen helfen, Ihre eigenen Ergebnisse besser zu interpretieren.
Bevor wir zu unserem Beispiel kommen, möchte ich Ihnen noch etwas mitteilen. Wenn wir ein Modell haben – also eine statistische Beziehung –, dann wissen wir alle, dass y gleich mx plus b ist. Wenn wir nur diese Gleichung haben, spricht man von Haupteffekten. Hier haben wir X1 und X2, wobei unsere Zielvariable auf der y-Achse liegt.
Wir sehen hier, dass jedes X einen Einfluss auf die Reaktion hat, X1 und X2 sich aber nicht gegenseitig beeinflussen. Vielleicht sind es keine geraden Linien. Genau das meinte ich vorhin mit dem Unterschied zwischen einer linearen und einer nichtlinearen oder kurvenförmigen Beziehung.
Quadratisch ist die mathematische Methode, um gekrümmte Linien zu beschreiben. X1 und X2 beeinflussen sich zwar nicht gegenseitig, aber ihre Beziehung zur Zielgröße ist komplexer. X1 und X2 können sich gegenseitig verändern. Diese zugrundeliegende Komplexität erschwert Innovationen erheblich, und hier können gezielte Experimente helfen, sie zu verstehen. Wenn wir X1 ändern, ändert sich die Beziehung zwischen X2 und der Zielgröße. Vielleicht haben Sie dies schon unbewusst beobachtet, und es kann sehr frustrierend sein, wenn man es nicht definieren kann. Wir können beides tun: gekrümmte Linien und sich gegenseitig beeinflussende Faktoren.
Das sind alle Komplexitätsstufen, die wir bei der Planung eines Experiments berücksichtigen müssen. Wir machen es Ihnen leicht – mit Easy DOE. Wir beginnen unter DOE und legen mit Easy DOE los. Wie ich Ihnen auf der vorherigen Folie gezeigt habe, sind hier die verschiedenen Schritte. Ich öffne Ihnen gleich ein fertiges Beispiel. Hier sind die Schritte, die ich Ihnen in den Folien gezeigt habe: Definieren, Modellieren, Designen usw. Alles ist hier für Sie übersichtlich dargestellt.
Beachten Sie, dass es einen geführten und einen flexiblen Modus gibt. Wenn Sie bereits Erfahrung mit Designexperimenten haben, empfiehlt sich der flexible Modus. Er bietet Ihnen zusätzliche Optionen für Designentscheidungen und Analysearten. Falls Sie jedoch neu auf diesem Gebiet sind – und das ist die Zielgruppe, an die ich mich wende –, wählen Sie einfach den geführten Modus.
Ich werde… Hier ist unser leeres Formular. Schauen wir uns die Antworten an. Die Antwort ist das, was Sie messen möchten. Als Erstes erstellen wir ein Screening-Design. Wir möchten lediglich die Rangfolge unserer Faktoren ermitteln. Vielleicht haben Sie bereits ein Ziel vor Augen, vielleicht aber auch nicht. Hier finden Sie Hinweise, falls Sie mehr verstehen möchten, aber das erspart Ihnen… Die Dokumentation ist wirklich gut. Sie führt Sie durch Beispiele, aber Sie können alles hier als Referenz nutzen, um diese Entscheidungen zu treffen.
Ich möchte eine Antwort hinzufügen und ein Ziel erreichen. Ich werde diese Antwort löschen. Wir bereiten gerade Kaffee zu. Ich trinke gerne Kaffee. Wir betrachten die Kaffeestärke. Wir suchen einen Wert zwischen 1,2 und 1,4. Wir könnten auch… Man könnte ein Ziel maximieren oder minimieren wollen. Wenn wir beispielsweise die Kosten hätten, könnten wir die Kosten minimieren wollen. Das sind unsere Antworten.
Wir müssen auch Faktoren hinzufügen. Das sind die Dinge, die wir in unserem Experiment verändern werden. Mir beim Tippen zuzusehen ist etwas langweilig. Ich erkläre Ihnen gleich, was diese verschiedenen Faktoren sind. Aber ich zeige Ihnen gleich, wie… Sie können eine Tabelle mit Faktoren erstellen. Ich lade diese jetzt, damit wir sie uns ansehen können. Wir schauen uns jeden einzelnen an. Hier habe ich den Mahlgrad. Kaffee kann grob oder, wie in diesem Fall, mittel gemahlen sein. Das ist eine kategoriale Antwort. Wenn Sie eine kategoriale Antwort hinzufügen, handelt es sich um etwas, das in diskreten Einheiten vorliegt. Rot/Blau steht für verschiedene Hersteller. In diesem Fall ist es der Mahlgrad.
Meine Temperatur ist eine kontinuierliche Variable. Man stellt den niedrigsten und den höchsten Wert ein. Kontinuierliche Variablen sind alles, was einen Drehknopf hat, der sich stufenlos bewegen lässt. Bei der Temperatur können wir beliebige Temperaturschwankungen einstellen. Unser nächster Faktor ist ebenfalls kontinuierlich: die Zeit. Die Zeit ist immer kontinuierlich. Wir können sie zwischen drei und vier einstellen. Die Ladung hängt mit der Kaffeestärke zusammen. Sie hängt davon ab, wie lange die Maschine läuft oder welche Einstellung an der Maschine die Kaffeestärke beeinflusst.
Wir haben zwei verschiedene Kaffeestationen, weil es vielleicht Unterschiede zwischen ihnen gibt, die mir noch nicht aufgefallen sind. Das führt uns zum wichtigen Thema Störfaktoren. Versuchsdesigns nutzen Randomisierung, um die Ergebnisse zu vereinheitlichen und sich nicht um alles kümmern zu müssen. Es könnte zum Beispiel sein, dass das Heizelement einer Station nicht so gut ist wie das der anderen. Durch die Randomisierung wird dieser Unterschied jedoch verschleiert, und wir können Störfaktoren, die uns nicht interessieren und die wir nicht definieren wollen, besser einschätzen und besser verstehen.
Der andere Typ hier oben ist ein diskreter numerischer Faktor. Dieser kommt zum Einsatz, wenn man beispielsweise einen Backofen hat. Angenommen, der Backofen hat nur wenige Einstellungen. Obwohl die Temperatur eine kontinuierliche Variable sein könnte, wird man sie in der Praxis nicht so behandeln. Man könnte fragen: „Warum sollte ich sie nicht einfach als kategoriale Variable behandeln?“ Weil man mit einem diskreten numerischen Faktor mehr Informationen erhält.
Wenn meine beiden Werte für diskrete numerische Daten 10 und 100 wären, würde das System die Differenz erkennen, also 10, 20 und 100. Die Differenz zwischen 10 und 20 beträgt nur 10, aber 10 und 100 ergeben 90. Das wird berücksichtigt. Wenn ich diese Werte einfach in einen kategorialen Faktor einfüge, werden sie lediglich als A, B und C behandelt, und ich verliere die zusätzlichen Informationen, die ich hätte gewinnen können. Weiter geht's. Wenn ich auf die Navigationssteuerung klicke, gelange ich zum nächsten Tab.
Modell. Ich glaube, hier fangen die Leute an, sich Sorgen zu machen. Hier gibt es eine kurze Erklärung, was einige dieser Dinge bedeuten. Es wird sogar gesagt, dass wir momentan nur eine Vorauswahl treffen. Wir wollen lediglich wissen, welche dieser Elemente am wichtigsten sind. Deshalb habe ich die Abbildung der Wechselwirkungen und quadratischen Funktionen gezeigt, denn wir können diese einsetzen und testen.
Man kann erkennen, dass mehr Informationen über die Vorgänge – beispielsweise ob die Faktoren linear sind oder nicht und ob sie miteinander interagieren – einen höheren Aufwand an Versuchsreihen erfordern. Daher ist es bei einer großen Anzahl von Faktoren ratsam, zunächst ein Screening-Design zu erstellen und anschließend ein Charakterisierungsdesign durchzuführen. In Easy DOE muss ich lediglich entscheiden, welche dieser Fragen ich beantworten möchte.
In diesem Fall möchte ich nur wissen, was wichtig ist. Wir bleiben dabei. Das hat mir die Versuchsplanung vorgegeben. Hier ist mein Versuchsplan. Ich kann die Daten exportieren. Ich erstelle eine JMP-Datentabelle und kann dann weitermachen. Sie müssen jeden Versuch in der angegebenen Reihenfolge durchführen. Beim ersten Versuch führe ich ihn an Station 2 durch. Ich verwende einen groben Mahlgrad, eine Temperatur von 195 °C, eine Zeit von drei Minuten und eine Ladung von 2,4. Beim zweiten Versuch verwende ich ebenfalls Station 2. Ich verwende einen mittleren Mahlgrad. Die anderen Variablen sehen Sie hier. Die Reihenfolge der Versuche ist sehr wichtig. Dies ist Teil der Randomisierung. Wenn Sie die Versuche einfach nur sortieren, haben Sie die Versuchsplanung nicht beachtet.
Das geht etwas über das hinaus, worüber wir heute sprechen werden. Wenn wir zu unserem Modell zurückkehren und… Nein, tut mir leid. Wenn wir zu unseren Faktoren und unserem flexiblen Modus zurückkehren, können wir zusätzliche Informationen über Dinge hinzufügen, die sich nur schwer ändern lassen. Stellen Sie sich vor, Sie tauchen etwas in große Säurebehälter. Das wird das zugrunde liegende statistische Modell, das wir erstellen, verändern. Aber es ist vorhanden, und Sie können es nutzen, und Sie sollten es auch tun. In industriellen Experimenten gibt es häufig Dinge, die sich nur schwer ändern lassen, und wir können nicht die gesamte Randomisierung verwenden. Machen wir weiter.
Ich habe dieses Experiment bereits durchgeführt. Hier sind meine Daten. Sie können die Antworten laden. Wählen Sie einfach eine Spalte aus einer Datentabelle aus. Das ist der beste Weg, Ihre Daten wieder zu importieren. Beim vorherigen Experiment haben Sie die Datentabelle exportiert, ausgefüllt und konnten Ihre Antworten dann wieder in Easy DOE laden. Was ist das für ein kleines Diagramm hier unten? Es zeigt uns eine Vorschau unserer Ergebnisse. Hier ist meine Kaffeestärke, also meine Zielvariable auf der Y-Achse. Jeder Datenpunkt hier repräsentiert eines meiner Experimente. Wir können uns eine Vorschau der Ergebnisse für jeden Faktor ansehen. Ich vergrößere das Diagramm etwas. So.
Es sieht so aus, als ob der Mahlgrad eine wichtige Rolle spielen könnte. Bei einigen anderen Parametern ist es schwer einzuschätzen. Wir werden das nicht nur oberflächlich betrachten, aber es zeigt die Streuung der Daten für jeden einzelnen Datenpunkt. Wenn ich hier in meiner Navigationsleiste auf „Weiter“ klicke, gelange ich zur Analysefunktion.
Das ist wirklich interessant. Es gibt hier zwei verschiedene Dinge. Wir können uns das gesamte Modell ansehen. Die durchgezogene Linie bedeutet, dass der Effekt signifikant ist, die gestrichelte Linie, dass er nicht signifikant ist. Um es ganz klar zu sagen: In geplanten Experimenten bedeutet „nicht signifikant“ nicht, dass der Effekt unwichtig ist. Es bedeutet lediglich, dass etwas nicht nachgewiesen wurde. Vielleicht hätte man es bei doppelt so vielen Durchläufen entdeckt. In diesem Fall haben wir keine Hinweise darauf, dass der Effekt wichtig ist. Das vollständige Modell umfasst alle Informationen. Wenn wir das sehen wollen, können wir uns die entsprechenden Ergebnisse ansehen.
Wir suchen hier nach einer Möglichkeit, sicherzustellen, dass unser Schätzwert nicht von Null abweicht. Dies überprüfen wir anhand der Konfidenzintervalle. Bei unserem Mahlgrad ist dies ersichtlich und wird grafisch dargestellt. Im Gegensatz dazu ist der Zusammenhang bei anderen Parametern nicht signifikant. Man sieht, dass der Wert die Nulllinie schneidet. Wenn ich auf „Bestes Modell“ klicke, wird angezeigt, dass das beste Modell zur Erklärung unserer Versuchsdaten den Mahlgrad und möglicherweise die Temperatur berücksichtigt. Die Temperatur liegt an der Grenze. Wir sollten sie daher vorerst beibehalten. Zeit, Ladung und Station sind nicht relevant, daher können wir fortfahren und überlegen, wie wir als Nächstes vorgehen.
Es gibt einen Vorhersage-Profiler. Vorhersage-Profiler dienen der Visualisierung von Gleichungen in JMP. Hier sehen Sie die y-Achse, die blauen Bereiche stellen Konfidenzintervalle dar. Jedes Quadrat repräsentiert die Zielvariable. Die Visualisierung ist interaktiv. Sie können nicht einfach herumklicken, sondern finden überall dort, wo in JMP ein rotes Dreieck angezeigt wird, zahlreiche Optionen und Optimierungsmöglichkeiten. Das ist besonders hilfreich, um die Ergebnisse zu überprüfen. So können Sie beispielsweise noch einmal Kaffee kochen und prüfen, ob die aktuelle Version optimal ist. Es gibt auch einen übersichtlichen Bericht zum Ausdrucken, der alle relevanten Informationen enthält. Dies ist ein Beispiel für ein Versuchsdesign (DOE).
Jetzt erstellen wir ein Charakterisierungsdesign. In diesem Fall sind unsere Faktoren pH-Wert, Temperatur und Hersteller. Unsere Zielgrößen sind das Erreichen des Zielwerts und die Erfassung von Verunreinigungen. Hier können wir die Zielgröße maximieren oder minimieren. Da es langweilig ist, mir beim Tippen zuzusehen, lade ich die Daten einfach in Easy DOE. Ich verwende dazu dieses kleine rote Dreieck. Zielgrößen und Faktoren laden. Wie Sie sehen, ist es dasselbe, als hätte ich Zielwert und Verunreinigungen über die Plus-Schaltfläche ausgewählt. Ich möchte den Zielwert maximieren und die Verunreinigungen minimieren. Ich habe drei Faktoren: pH-Wert (kontinuierlich), Temperatur (kontinuierlich) und Hersteller (kategorisch).
Ich versuche, die Komplexität der Beziehung hier zu charakterisieren. Ich weiß nicht, ob es sich um gerade oder gekrümmte Linien handelt, und ich weiß auch nicht, ob diese beiden Aspekte interagieren. Genau das möchte ich herausfinden. Sehen Sie, das ist das Tolle daran: Wenn man weniger Faktoren hat, kann ich jedes dieser drei Versuchsdesigns verwenden, um diese Modelle mit der gleichen Anzahl an Durchläufen zu schätzen.
Ich wähle die Methode, die mir die meisten Informationen liefert. Ich betrachte Wechselwirkungen und quadratische Funktionen. Man nennt das auch Response-Surface-Design. Jetzt startet die Simulation und erstellt das Modell. Hier sind meine 18 Versuche. Ich exportiere meine Daten. Hier ist meine Datentabelle.
Hoffentlich funktioniert meine Simulation. Ich steige in meine Zeitmaschine und sammle meine Daten. Da sind sie. Die Zeitmaschine ist nicht in Easy DOE enthalten. Wir klicken auf „Weiter“. Jetzt lade ich meine Messwerte. Wenn wir uns diese Faktordiagramme ansehen, bekommen wir eine Vorstellung davon, wie unsere Ergebnisse aussehen. Hier habe ich zwei Ergebnisse: Zielwert und Verunreinigung. Es scheint einen Zusammenhang mit dem pH-Wert zu geben. Bei den anderen Werten ist es etwas schwieriger zu beurteilen. Die Verunreinigung könnte mit meinem Lieferanten zusammenhängen.
Lassen Sie uns das Modell ausführen. Wir haben hier eine hohe Aussagekraft, da unsere Fehlerbalken klein sind. Wir sehen viele durchgezogene grüne Linien und einige wenige gepunktete. Wenn ich auf „Bestes Modell“ klicke, erscheint die Meldung: „Ich glaube nicht, dass diese Werte signifikant sind.“ Die Art und Weise, wie hier pH*pH geschrieben ist, dient dazu, zu prüfen, ob die Linie gekrümmt ist. Laut Anzeige ist sie es nicht. Auch die Temperaturkurve ist wahrscheinlich nicht gekrümmt, aber es gibt definitiv Wechselwirkungen. Wechselwirkungen werden so geschrieben: pH*temp. Weiter unten finden wir weitere Informationen, falls wir genauer hinschauen möchten. Wir können uns jede einzelne Antwortmöglichkeit ansehen, da uns vielleicht nur bestimmte Aspekte interessieren… Dies gilt für den Zielwert, und bei der Verunreinigung würden wir möglicherweise etwas anderes finden. Wir möchten diese Werte in einem ähnlichen Modell betrachten können.
Jetzt können wir zu „Vorhersage“ wechseln. In unserem Profiler sehen wir oben das Ziel und darunter die Verunreinigung. Beide Werte beziehen sich auf den pH-Wert. Wir erkennen hier möglicherweise eine Krümmung in Bezug auf pH-Wert und Temperatur. Beim Hersteller kehren sich diese Werte definitiv um. Ich klicke jetzt auf „Optimieren“, um die Einstellungen zu finden, die mein Ziel maximieren und die Verunreinigung minimieren. Mit diesen Einstellungen sollte ich die Versuche mit diesem pH-Wert, dieser Temperatur und diesem Hersteller wiederholen. Sie sollten unbedingt überprüfen, ob Sie ein aussagekräftiges Versuchsdesign (DOE) durchgeführt haben. Mein Bericht ist hier verfügbar und kann exportiert werden.
Das ist Easy DOE in JMP. Kurz gesagt, wer noch? Es gibt noch andere Arten von Versuchsplanungen (DOE). Es gibt hier eine Menge Material. Letztendlich handelt es sich um etwas speziellere Arten von DOE. Es gibt Designs für die Vermittlung klassischer Methoden, Designs zum Verständnis der Verbraucherwünsche. Wenn Sie ein Computerexperiment durchführen, gibt es raumfüllende Designs. Wir haben Abdeckarrays, wenn Sie Software entwickeln. Sie können Formulierungen und Mischungen erstellen. Es gibt viele Möglichkeiten, mit Mischungen zu arbeiten. Es gibt Designs für die Zuverlässigkeits- und Messsystemanalyse sowie fortgeschrittene Blockierungstechniken für zusätzliche Komplexität.
Es ist wirklich wichtig, dass wir bei Innovationsbemühungen Vertrauen in die Komplexität unseres Designs haben. Wir haben es mit komplexen Interaktionen zu tun, und die Versuchsplanung hilft uns, diesen Bereich intelligent zu nutzen und unsere Innovationsfähigkeit zu steigern. Vielen Dank dafür.
