のこの一連の 7 つのブログ投稿、DoE を始めたばかりの人が混乱する可能性のある用語や概念のいくつかを簡単に説明することで、DoE の謎を解き明かそうとしました。 私たちは多くをカバーしてきました。 交絡、直交性、分散インフレーションの意味を説明しました。 多重線形回帰、段階的選択、および効果の遺伝を調べました。 完全な階乗と決定的スクリーニング計画(DSD)。
重要なポイント:
- プロセスまたはシステムを経験的に理解して最適化する最良の方法は、多変数モデルを使用することです。
- 多変数システムの可能性の数は圧倒的です。
- DoE は、必要なデータを効率的に収集できるようにします。
私はあなたがどこかに行って逃げたいと思っていることを願っています設計された実験今、まだしていない場合。 ただし、その前に、ここで取り上げていないことについて知りたいことがたくさんあることを付け加えておきます。
私たちは何を逃しましたか？
GC-MS 分析システムで LVI セットアップを最適化するための実験の例を使用しました。 26 回の DSD が非常に有用な実験である理由は、相関関係のプロパティと、それによって構築できるモデルのおかげであることがわかりました。 ただし、この実験がどのように設計されたかについては話しませんでした。 DSD は多くの状況で非常に役立ちますが、実験計画に合わせて目的を設計するのではなく、解決しようとしている問題に合わせて設計する必要があると強く信じています。 のこのブログ投稿、DSD の共同発見者である Bradley Jones が、DSD が適切でない状況について語っています。
次のようなDoEソフトウェアを使用JMP 、使用できます最適設計目的と特別な制約に合わせた実験を作成します。 この例では、システムのシャットダウンが困難で長時間かかるため、実行ごとにライナーの種類を変更できないという制約があった可能性があります。 この場合、これを次のように定義する必要があります。変更しにくい因数分解して、a と呼ばれるものを作成します。分割プロットデザイン。 または、低いベント圧力と高い射出速度を同時に達成することはできないという制約があった可能性があるため、これらの設定を回避する実験を設計する必要があります。
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.因子の組み合わせに制約がある最適計画のプロット。
本実験の最適計画法: ケーススタディアプローチDoE の基本を習得した後は、最適設計の優れた入門書となります。
また、実験の設計を開始する前に行う必要がある重要な考え方も見逃していました。 実験の目的は何か、どの要素を含めるか、どの範囲で行うかをよく考える必要があります。 また、実験の応答の測定に自信を持っている必要があります。同じ設定で繰り返し実行して非常に異なる応答結果が得られた場合、設計された実験に従って因子を変更し始めても、多くのことはわかりません。
複数の応答がある場合はどうすればよいですか?
これまでの例では、PkHt(SUM) という 1 つの応答のみを調べてきました。 理解する必要のあるプロセスやシステムがある場合、ほとんどの場合、考えるべき対応は複数あります。 理解して最適化するための多くの回答があるため、DoE の効率と有効性がさらに強く求められています。
このケースも例外ではありません。 当社の GC-MS システムで不純物を確実に検出するには、大きくて対称的なピークが必要です。 したがって、PkHt(SUM) 応答だけでなく、ピークの対称性も測定できます。 PkSym 、実験の実行ごとに。
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.2 つの応答がある 26 回の実験のデータ テーブル。
PkSym をできるだけ低くする必要があり、理想的な値は 0 です。これは、すべての分析対象物のピークが完全に対称であることを意味します。
実行ごとに応答データを収集したら、モデルを構築し、すべての目的を達成するための最適な妥協点を見つけることができます。
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.ピークの高さと品質を最大化するための最適な設定は、26 回の実験のデータをモデル化することで見つけることができます。
複数の応答目標がある場合、DoE の利点がさらに大きくなることがわかります。
イノベーションの加速
Jonathan Dunscombe と Camilla Liscio の例をもう一度ありがとうアナチューン. 興味深いことに、Jonathan はこのプロジェクトの前は DoE を信じていませんでした。
「私は、この二重溶媒システムで機能する LVI メソッドを取得しようと、かなり長い間苦労してきました…特にトリッキーでした。 DoE からどのような結果が得られるかはよくわかりませんでした。特に、考慮する必要のある変数や重要な要素が多数あったためです。 私が本当に感銘を受けたのは、LVI メソッドが最適化される速度と、最終的なメソッドの再現性です。」
ジョナサンが見たように、DoE を使用するとイノベーションを加速できます。 最適なプロセスと製品を最小限の時間で最大限の予測可能性で開発できます。 この一連のブログ投稿がこのメッセージを広めるのに役立ち、より多くの人が DoE を実験による主要な学習方法として使用できるようになることを願っています。
以下にコメントしてください。特に、私が見逃している重要な点があると思われる場合は、このシリーズ.
親切なフィードバックをありがとう、 @BJK . LinkedIn でお気軽にお問い合わせください ( linkedin.com/in/drphilkay ) DOE について詳しく知りたい場合は、 また、私の個人的なハッシュタグをフォローして、定期的な考えやヒントを得ることができます: #DOEbyPhilKay
DoE について学び、自分の仕事に応用するために、You Tube ビデオを読んだり見たりするようになりました。 これが DoE の説明としては断トツであると自信を持って言えます。 この投稿を共有してくれたフィルに感謝し、私のような初心者に非常に首尾一貫した簡単な方法でこれを説明してくれたことに感謝します。
