In diese Serie von sieben Blogbeiträgen , habe ich versucht, DoE mit einfachen Erklärungen einiger Begriffe und Konzepte zu entmystifizieren, die für Anfänger verwirrend sein können. Wir haben viel abgedeckt. Wir haben die Bedeutung von Confounding, Orthogonalität und Varianzinflation erklärt. Wir haben uns die multiple lineare Regression, die schrittweise Selektion und die Effektvererbung angesehen. Sie haben volle Fakultäten gesehen und endgültige Screening-Designs (DSD).
Die wichtigsten Erkenntnisse:
- Der beste Weg, einen Prozess oder ein System empirisch zu verstehen und zu optimieren, sind multivariable Modelle.
- Die Zahl der Möglichkeiten in multivariablen Systemen ist überwältigend.
- DoE stellt sicher, dass Sie die benötigten Daten effizient erfassen können.
Ich hoffe, dass Sie sich motiviert fühlen, wegzugehen und zu rennen entworfene Experimente jetzt, wenn du es nicht schon warst. Bevor Sie dies tun, sollte ich jedoch hinzufügen, dass es eine Menge gibt, worüber Sie vielleicht lernen möchten, die wir hier nicht behandelt haben.
Was haben wir verpasst?
Wir haben ein Beispiel für ein Experiment zur Optimierung des LVI-Aufbaus in einem GC-MS-Analysesystem verwendet. Wir haben gesehen, warum das DSD mit 26 Durchläufen aufgrund der Korrelationseigenschaften und des Modells, das wir damit erstellen konnten, ein so nützliches Experiment war. Wir haben jedoch nicht darüber gesprochen, wie dieses Experiment konzipiert wurde. DSDs sind in vielen Situationen sehr nützlich, aber ich bin der festen Überzeugung, dass Sie für das Problem entwerfen sollten, das Sie zu lösen versuchen, anstatt Ihr Ziel so zu konstruieren, dass es zu einem experimentellen Design passt. In diesen Blogbeitrag , Bradley Jones, Mitentdecker von DSDs, spricht über Situationen, in denen DSDs nicht angebracht sind.
Mit DoE-Software wie JMP , können Sie verwenden optimale Gestaltung um ein Experiment zu erstellen, das auf Ihre Zielsetzung und spezielle Einschränkungen zugeschnitten ist. In unserem Beispiel waren wir möglicherweise gezwungen, den Linertyp nicht zwischen jedem Durchlauf zu wechseln, da dies ein schwieriges und langwieriges Herunterfahren des Systems erfordert. In diesem Fall müssten wir dies als a definieren schwer zu ändern Faktor und erstellen Sie etwas namens a geteiltes Grundstück Design. Oder wir hätten eingeschränkt werden können, dass ein niedriger Entlüftungsdruck und eine hohe Einspritzgeschwindigkeit nicht gleichzeitig erreicht werden können, also müssten wir ein Experiment entwerfen, das diese Einstellungen vermeidet.
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.Diagramm eines optimalen Designs mit einer Beschränkung auf Faktorkombinationen.
Das Buch Optimales Design von Experimenten: Ein Fallstudienansatz ist eine großartige Einführung in optimales Design, sobald Sie die Grundlagen von DoE beherrschen.
Wir haben auch die wichtigen Überlegungen ausgelassen, die Sie machen müssen, bevor Sie mit dem Entwerfen eines Experiments beginnen. Sie müssen gründlich darüber nachdenken, was das Ziel des Experiments ist, welche Faktoren einbezogen werden sollen und in welchen Bereichen. Sie müssen sich auch auf Ihre Messung der Reaktion des Experiments verlassen können: Wenn Sie bei wiederholten Durchläufen mit denselben Einstellungen sehr unterschiedliche Reaktionsergebnisse erhalten, werden Sie nicht viel lernen, wenn Sie beginnen, die Faktoren gemäß einem entworfenen Experiment zu ändern.
Was ist, wenn ich mehr als eine Antwort habe?
Bisher haben wir in unserem Beispiel nur eine Antwort betrachtet, PkHt(SUM). Wenn Sie einen Prozess oder ein System haben, das Sie verstehen müssen, müssen Sie meistens an mehr als eine Antwort denken. Angesichts der vielen Antworten, die es zu verstehen und zu optimieren gilt, besteht ein noch stärkerer Bedarf an der Effizienz und Effektivität von DoE.
Dieser Fall ist nicht anders. Für den zuverlässigen Nachweis von Verunreinigungen mit unserem GC-MS-System benötigen wir Peaks, die sowohl groß als auch symmetrisch sind. So haben wir neben der PkHt(SUM)-Antwort auch ein Maß für die Symmetrie der Peaks, PkSym , für jeden Durchlauf des Experiments.
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.Datentabelle für Experimente mit 26 Durchläufen mit zwei Antworten.
Wir möchten, dass PkSym so niedrig wie möglich ist und der ideale Wert 0 ist, was bedeuten würde, dass die Peaks für jeden Analyten perfekt symmetrisch sind.
Nachdem wir die Antwortdaten für jeden Lauf gesammelt haben, können wir Modelle erstellen und den besten Kompromiss finden, um alle Ziele zu erreichen.
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.Die optimalen Einstellungen zur Maximierung der Peakhöhe und -qualität können aus der Modellierung der Daten aus dem 26-Durchlauf-Experiment ermittelt werden.
Sie können sehen, wie der DoE-Vorteil noch größer ist, wenn Sie mehrere Antwortziele haben.
Beschleunigung von Innovationen
Danke nochmal für das Beispiel hier von Jonathan Dunscombe und Camilla Liscio an Anatun . Interessanterweise glaubte Jonathan vor diesem Projekt nicht an DoE:
„Ich hatte eine ganze Weile damit gekämpft, eine funktionierende LVI-Methode für dieses duale Lösungsmittelsystem zu finden … es war besonders schwierig. Ich war mir nicht ganz sicher, welche Ergebnisse ich mit DoE erzielen würde, zumal es viele Variablen und mehrere wichtige Faktoren gab, die berücksichtigt werden mussten. Was mich wirklich beeindruckt hat, war die Geschwindigkeit, mit der die LVI-Methode optimiert wurde, und wie reproduzierbar die endgültige Methode war.“
Wie Jonathan gesehen hat, können Sie mit DoE Innovationen beschleunigen. Sie können die besten Prozesse und Produkte in kürzester Zeit und mit maximaler Vorhersagbarkeit entwickeln. Ich hoffe, dass diese Reihe von Blogbeiträgen hilfreich ist, um diese Botschaft zu verbreiten, damit mehr Menschen DoE als ihre bevorzugte Methode zum Lernen durch Experimentieren nutzen.
Bitte kommentieren Sie unten, insbesondere wenn Sie der Meinung sind, dass ich etwas Wichtiges vergessen habe diese Serie .
Ich fing an, You-Tube-Videos zu lesen und anzusehen, um mehr über DoE zu erfahren und mich für meine Arbeit zu bewerben. Ich kann zuversichtlich sagen, dass dies bei weitem die beste Erklärung für DoE ist. Danke Phil, dass er diese Beiträge geteilt hat, und Daumen hoch, dass er dies Neulingen wie mir auf sehr kohärente und einfache Weise erklärt hat.
