~ 안에 이 7개의 블로그 게시물 시리즈 , 사람들이 처음 시작할 때 혼동을 줄 수 있는 일부 용어와 개념에 대한 간단한 설명으로 DoE를 이해하려고 노력했습니다. 우리는 많은 것을 다루었습니다. 혼란, 직교성 및 분산 인플레이션의 의미를 설명했습니다. 다중 선형 회귀, 단계적 선택 및 영향 유전을 살펴보았습니다. 당신은 완전한 계승을 보았고 최종 스크리닝 디자인 (DSD).
핵심 사항:
- 프로세스나 시스템을 경험적으로 이해하고 최적화하는 가장 좋은 방법은 다변수 모델을 이용하는 것입니다.
- 다변수 시스템의 가능성의 수는 압도적입니다.
- DoE는 필요한 데이터를 효율적으로 수집할 수 있도록 보장합니다.
나는 당신이 떠나고 달릴 동기를 느끼길 바랍니다. 설계된 실험 지금, 당신이 아직 아니었다면. 하지만 그 전에 여기에서 다루지 않은 내용에 대해 알고 싶은 내용이 많다는 점을 추가해야 합니다.
우리는 무엇을 놓쳤습니까?
GC-MS 분석 시스템에서 LVI 설정을 최적화하기 위한 실험의 예를 사용했습니다. 우리는 26회 실행 DSD가 우리가 구축할 수 있게 해주는 모델과 상관 관계 속성으로 인해 왜 그렇게 유용한 실험인지 확인했습니다. 그러나 이 실험이 어떻게 설계되었는지에 대해서는 언급하지 않았습니다. DSD는 많은 상황에서 매우 유용하지만 실험 설계에 맞게 목표를 엔지니어링하기보다는 해결하려는 문제에 맞게 설계해야 한다고 강력히 믿습니다. ~ 안에 이 블로그 게시물 , DSD의 공동 발견자인 브래들리 존스는 DSD가 적절하지 않은 상황에 대해 이야기합니다.
다음과 같은 DoE 소프트웨어 사용 JMP , 당신이 사용할 수있는 최적의 디자인 목표와 특별한 제약 조건에 맞게 맞춤화된 실험을 만들 수 있습니다. 이 예에서는 어렵고 긴 시스템 종료가 필요하기 때문에 모든 실행 사이에 라이너 유형을 변경할 수 없다는 제약을 받았을 수 있습니다. 이 경우 다음과 같이 정의해야 합니다. 변경하기 어려운 요소를 만들고 a라고 하는 것을 만듭니다. 플롯 분할 설계. 또는 낮은 벤트 압력과 높은 주입 속도를 동시에 달성할 수 없다는 제약을 받았을 수 있으므로 이러한 설정을 피하는 실험을 설계해야 합니다.
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.요인 조합에 대한 제약 조건이 있는 최적 설계의 도표.
그 책 최적의 실험 설계: 사례 연구 접근법 DoE의 기본 사항을 마스터했다면 최적의 설계에 대한 훌륭한 소개서입니다.
또한 실험 설계를 시작하기 전에 해야 할 중요한 생각을 놓쳤습니다. 실험의 목적이 무엇인지, 어떤 요소를 포함하고 어떤 범위에 걸쳐야 하는지를 깊이 생각해야 합니다. 또한 실험의 반응 측정에 확신이 있어야 합니다. 동일한 설정에서 반복 실행하여 매우 다른 반응 결과를 얻은 경우 설계된 실험에 따라 요인을 변경하기 시작하면 많은 것을 배우지 못할 것입니다.
응답이 두 개 이상인 경우 어떻게 합니까?
지금까지 예제에서는 PkHt(SUM)이라는 하나의 응답만 살펴보았습니다. 대부분의 경우 이해해야 하는 프로세스나 시스템이 있을 때 생각해야 할 응답이 하나 이상 있을 것입니다. 이해하고 최적화해야 할 응답이 많기 때문에 DoE의 효율성과 효과성에 대한 요구가 훨씬 더 강해졌습니다.
이 경우도 다르지 않습니다. GC-MS 시스템으로 불순물을 안정적으로 검출하려면 크고 대칭적인 피크가 필요합니다. 따라서 PkHt(SUM) 응답뿐만 아니라 피크의 대칭 측정도 있습니다. PkSym , 실험의 각 실행에 대해.
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.두 가지 응답이 있는 26회 실행 실험의 데이터 표입니다.
우리는 PkSym이 가능한 한 낮기를 원하며 이상적인 값은 0입니다. 이는 모든 분석 물질의 피크가 완벽하게 대칭임을 의미합니다.
각 실행에 대한 응답 데이터를 수집하면 모델을 구축하고 모든 목표를 충족하는 최상의 절충안을 찾을 수 있습니다.
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.피크 높이와 품질을 최대화하기 위한 최적의 설정은 26회 실행 실험의 데이터 모델링에서 찾을 수 있습니다.
대응 목표가 여러 개인 경우 DoE 이점이 얼마나 더 큰지 확인할 수 있습니다.
혁신 가속화
여기에서 Jonathan Dunscombe와 Camilla Liscio의 예를 들어 주셔서 다시 한 번 감사드립니다. 아나튠 . 흥미롭게도 Jonathan은 이 프로젝트 이전에 DoE를 믿지 않았습니다.
“저는 이 이중 용매 시스템에 대해 작동하는 LVI 방법을 얻으려고 꽤 오랫동안 고심했습니다… 특히 까다로웠습니다. 특히 많은 변수와 고려해야 할 몇 가지 중요한 요소가 있었기 때문에 DoE에서 어떤 결과를 얻을 수 있을지 확신할 수 없었습니다. 저에게 정말 깊은 인상을 준 것은 LVI 방법이 최적화된 속도와 최종 방법의 재현 가능성이었습니다.”
Jonathan이 본 것처럼 DoE를 사용하면 혁신을 가속화할 수 있습니다. 최소한의 시간과 최대한의 예측 가능성으로 최고의 프로세스와 제품을 개발할 수 있습니다. 이 블로그 게시물 시리즈가 이 메시지를 전파하는 데 도움이 되어 더 많은 사람들이 DoE를 실험을 통한 학습 방법으로 사용하기를 바랍니다.
특히 내가 놓친 중요한 것이 있다고 생각되면 아래에 의견을 말하십시오. 이 시리즈 .
친절한 피드백 감사합니다, @BJK . LinkedIn( linkedin.com/in/drphilkay ) DOE에 대해 자세히 알고 싶은 경우. 거기에서 내 개인 해시태그를 따라 일반적인 생각과 팁을 얻을 수도 있습니다. #DOEbyPhilKay
나는 DoE에 대해 배우고 내 작업에 적용하기 위해 튜브 비디오를 읽고 보기 시작했습니다. 이것이 지금까지 DoE에 대한 최선의 설명이라고 자신 있게 말할 수 있습니다. 이 게시물을 공유해 준 Phil에게 감사하고 저와 같은 초보자에게 매우 일관되고 쉬운 방법으로 설명해주셔서 감사합니다.
