Dans cette série de sept articles de blog , j'ai essayé de démystifier le DoE avec des explications simples de certains termes et concepts qui peuvent être déroutants pour les gens lorsqu'ils débutent. Nous avons beaucoup couvert. Nous avons expliqué la signification de la confusion, de l'orthogonalité et de l'inflation de la variance. Nous avons examiné la régression linéaire multiple, la sélection par étapes et l'hérédité des effets. Vous avez vu les factorielles complètes et conceptions de criblage définitives (DSD).
Les plats à emporter :
- La meilleure façon de comprendre et d'optimiser empiriquement un processus ou un système consiste à utiliser des modèles multivariables.
- Le nombre de possibilités dans les systèmes multivariables est écrasant.
- Le DoE vous permet de collecter efficacement les données dont vous avez besoin.
J'espère que tu te sens motivé pour partir et courir expériences conçues maintenant, si vous ne l'étiez pas déjà. Avant de le faire, cependant, je dois ajouter qu'il y a beaucoup de choses que vous voudrez peut-être apprendre et que nous n'avons pas couvertes ici.
Qu'avons-nous manqué ?
Nous avons utilisé un exemple d'expérience pour optimiser la configuration du LVI dans un système d'analyse GC-MS. Nous avons vu pourquoi le DSD à 26 exécutions était une expérience si utile en raison des propriétés de corrélation et du modèle qu'il nous a permis de construire. Cependant, nous n'avons pas parlé de la façon dont cette expérience a été conçue. Les DSD sont très utiles dans de nombreuses situations, mais je crois fermement que vous devriez concevoir pour le problème que vous essayez de résoudre, plutôt que de concevoir votre objectif pour qu'il corresponde à une conception expérimentale. Dans ce billet de blog , Bradley Jones, co-découvreur des DSD, parle de situations où les DSD ne sont pas appropriés.
Avec un logiciel DoE comme JMP , vous pouvez utiliser conception optimale pour créer une expérimentation sur-mesure en fonction de votre objectif et d'éventuelles contraintes particulières. Dans notre exemple, nous avons peut-être été contraints de ne pas pouvoir changer de type de gaine entre chaque passage car cela implique un arrêt difficile et long du système. Dans ce cas, il faudrait le définir comme un difficile à changer facteur et créer quelque chose appelé un parcelle divisée conception. Ou nous aurions pu être contraints de ne pas pouvoir atteindre simultanément une faible pression d'évent et une vitesse d'injection élevée, nous aurions donc besoin de concevoir une expérience qui évite ces paramètres.
Plot of an optimal design with a constraint on factor combinations.Plot of an optimal design with a constraint on factor combinations.Plot of an optimal design with a constraint on factor combinations.Plot of an optimal design with a constraint on factor combinations.Tracé d'un plan optimal avec une contrainte sur les combinaisons de facteurs.
Le livre Conception optimale des expériences : une approche d'étude de cas est une excellente introduction à la conception optimale une fois que vous avez maîtrisé les bases du DoE.
Nous avons également oublié la réflexion importante que vous devez faire avant de commencer à concevoir une expérience. Vous devez réfléchir sérieusement à l'objectif de l'expérience, aux facteurs à inclure et dans quelles plages. Vous devez également avoir confiance dans votre mesure de la réponse de l'expérience : si vous obtenez des résultats de réponse très différents lors d'exécutions répétées avec les mêmes paramètres, vous n'apprendrez pas grand-chose lorsque vous commencerez à modifier les facteurs en fonction d'une expérience conçue.
Et si j'ai plus d'une réponse ?
Jusqu'à présent, dans notre exemple, nous n'avons examiné qu'une seule réponse, PkHt(SUM). La plupart du temps, lorsque vous avez un processus ou un système que vous devez comprendre, il y aura plus d'une réponse à laquelle réfléchir. Avec de nombreuses réponses à comprendre et à optimiser, il y a un besoin encore plus fort d'efficience et d'efficacité du DoE.
Ce cas n'est pas différent. Pour une détection fiable des impuretés avec notre système GC-MS, nous avons besoin de pics à la fois grands et symétriques. Ainsi, en plus de la réponse PkHt(SUM), nous avons également une mesure de la symétrie des pics, PkSymName , pour chaque exécution de l'expérience.
Data table for 26-run experiments with two responses.Data table for 26-run experiments with two responses.Data table for 26-run experiments with two responses.Data table for 26-run experiments with two responses.Tableau de données pour les expériences à 26 exécutions avec deux réponses.
Nous voulons que PkSym soit aussi faible que possible et que la valeur idéale soit 0, ce qui signifierait que les pics de chaque analyte sont parfaitement symétriques.
Après avoir collecté les données de réponse pour chaque exécution, nous pouvons construire des modèles et trouver le meilleur compromis pour atteindre tous les objectifs.
The optimal settings to maximise peak height and quality can be found from modelling the data from the 26-run experiment.The optimal settings to maximise peak height and quality can be found from modelling the data from the 26-run experiment.The optimal settings to maximise peak height and quality can be found from modelling the data from the 26-run experiment.The optimal settings to maximise peak height and quality can be found from modelling the data from the 26-run experiment.Les paramètres optimaux pour maximiser la hauteur et la qualité des pics peuvent être trouvés à partir de la modélisation des données de l'expérience de 26 essais.
Vous pouvez voir comment l'avantage DoE est encore plus grand lorsque vous avez plusieurs objectifs de réponse.
Accélérer l'innovation
Merci encore pour l'exemple ici de Jonathan Dunscombe et Camilla Liscio à Anatune . Fait intéressant, Jonathan ne croyait pas au DoE avant ce projet :
« J'avais lutté pendant un certain temps pour essayer d'obtenir une méthode LVI fonctionnelle pour ce système à double solvant… c'était particulièrement délicat. Je n'étais pas tout à fait sûr des résultats que j'obtiendrais du DoE, d'autant plus qu'il y avait de nombreuses variables et plusieurs facteurs importants à prendre en compte. Ce qui m'a vraiment impressionné, c'est la vitesse à laquelle la méthode LVI a été optimisée et la reproductibilité de la méthode finale.
Comme Jonathan l'a vu, avec DoE, vous pouvez accélérer l'innovation. Vous pouvez développer les meilleurs processus et produits en un minimum de temps et avec une prévisibilité maximale. J'espère que cette série d'articles de blog sera utile pour diffuser ce message, afin que davantage de personnes utilisent DoE comme moyen d'apprentissage par l'expérimentation.
Veuillez commenter ci-dessous, en particulier si vous pensez qu'il y a quelque chose d'important que j'ai manqué dans ces séries .
Merci pour le gentil retour, @BJK . N'hésitez pas à me contacter sur LinkedIn ( linkedin.com/in/drphilkay ) si vous souhaitez en savoir plus sur le DOE. Vous pouvez également suivre mon hashtag personnel pour des réflexions et des conseils réguliers : #DOEbyPhilKay
J'ai commencé à lire et à regarder des vidéos YouTube pour en savoir plus sur le DoE et m'appliquer à mon travail. Je peux dire avec confiance que c'est, de loin, la meilleure explication du DoE. Merci Phil de partager ces messages et bravo pour avoir expliqué cela de manière très cohérente et simple à un débutant comme moi.
