En esta serie de siete publicaciones de blog , he tratado de desmitificar DoE con explicaciones simples de algunos de los términos y conceptos que pueden ser confusos para las personas cuando están comenzando. Hemos cubierto mucho. Explicamos el significado de confusión, ortogonalidad e inflación de varianza. Examinamos la regresión lineal múltiple, la selección paso a paso y la herencia del efecto. Has visto factoriales completos y diseños de cribado definitivos (DSD).
Los puntos clave:
- La mejor manera de entender y optimizar empíricamente un proceso o sistema es a través de modelos multivariables.
- El número de posibilidades en los sistemas multivariables es abrumador.
- DoE garantiza que pueda recopilar de manera eficiente los datos que necesita.
Espero que te sientas motivado para irte y correr. experimentos diseñados ahora, si no lo estabas ya. Sin embargo, antes de que lo haga, debo agregar que hay muchas cosas sobre las que quizás desee aprender que no hemos cubierto aquí.
¿Qué nos perdimos?
Usamos un ejemplo de un experimento para optimizar la configuración de LVI en un sistema de análisis GC-MS. Vimos por qué el DSD de 26 ejecuciones fue un experimento tan útil debido a las propiedades de correlación y el modelo que nos permitió construir. Sin embargo, no hablamos sobre cómo se diseñó este experimento. Los DSD son muy útiles en muchas situaciones, pero creo firmemente que debe diseñar para el problema que está tratando de resolver, en lugar de diseñar su objetivo para que encaje con un diseño experimental. En esta entrada de blog , Bradley Jones, co-descubridor de los DSD, habla sobre situaciones en las que los DSD no son apropiados.
Con software DoE como JMP , puedes usar diseño óptimo para crear un experimento hecho a la medida de su objetivo y de cualquier restricción especial. En nuestro ejemplo, es posible que nos hayamos limitado a no poder cambiar el tipo de revestimiento entre cada ejecución porque implica un apagado prolongado y difícil del sistema. En este caso, tendríamos que definir esto como un difícil de cambiar factor y crear algo llamado parcela dividida diseño. O podríamos habernos limitado a que la baja presión de ventilación y la alta velocidad de inyección no se puedan lograr simultáneamente, por lo que tendríamos que diseñar un experimento que evite esas configuraciones.
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.Gráfico de un diseño óptimo con una restricción en las combinaciones de factores.
El libro Diseño óptimo de experimentos: un enfoque de estudio de caso es una excelente introducción al diseño óptimo una vez que haya dominado los conceptos básicos de DoE.
También nos perdimos el pensamiento importante que debe hacer antes de comenzar a diseñar un experimento. Tienes que pensar bien cuál es el objetivo del experimento, qué factores incluir y en qué rangos. También debe tener confianza en su medición de la respuesta del experimento: si obtiene resultados de respuesta muy diferentes de ejecuciones repetidas con la misma configuración, entonces no aprenderá mucho cuando comience a cambiar los factores de acuerdo con un experimento diseñado.
¿Qué pasa si tengo más de una respuesta?
Hasta ahora, en nuestro ejemplo, hemos estado viendo solo una respuesta, PkHt(SUM). La mayoría de las veces, cuando tiene un proceso o sistema que necesita comprender, habrá más de una respuesta en la que pensar. Con muchas respuestas para comprender y optimizar, existe una necesidad aún mayor de eficiencia y eficacia del DoE.
Este caso no es diferente. Para una detección fiable de impurezas con nuestro sistema GC-MS, necesitamos picos grandes y simétricos. Entonces, además de la respuesta PkHt(SUM), también tenemos una medida de la simetría de los picos, PkSym , para cada corrida del experimento.
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.Tabla de datos para experimentos de 26 ejecuciones con dos respuestas.
Queremos que PkSym sea lo más bajo posible y el valor ideal es 0, lo que significaría que los picos de cada analito son perfectamente simétricos.
Habiendo recopilado los datos de respuesta para cada ejecución, podemos construir modelos y encontrar el mejor compromiso para cumplir todos los objetivos.
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.La configuración óptima para maximizar la altura y la calidad del pico se puede encontrar modelando los datos del experimento de 26 ejecuciones.
Puede ver cómo la ventaja del DoE es aún mayor cuando tiene múltiples objetivos de respuesta.
Acelerar la innovación
Gracias nuevamente por el ejemplo aquí de Jonathan Dunscombe y Camilla Liscio en Anatune . Curiosamente, Jonathan no creía en DoE antes de este proyecto:
“Había luchado durante bastante tiempo tratando de obtener un método LVI que funcionara para este sistema de doble solvente... fue particularmente complicado. No estaba muy seguro de qué resultados obtendría del DoE, especialmente porque había muchas variables y varios factores importantes que debían tenerse en cuenta. Lo que realmente me impresionó fue la velocidad a la que se optimizó el método LVI y cuán reproducible fue el método final”.
Como ha visto Jonathan, con DoE puede acelerar la innovación. Puede desarrollar los mejores procesos y productos en un tiempo mínimo y con la máxima previsibilidad. Espero que esta serie de publicaciones de blog sea útil para difundir este mensaje, de modo que más personas usen DoE como su forma de aprender experimentando.
Comente a continuación, especialmente si cree que hay algo importante que me he perdido en estas series .
Gracias por la amable retroalimentación, @BJK . No dude en conectarse conmigo en LinkedIn ( linkedin.com/in/drphilkay ) si desea obtener más información sobre el DOE. También puede seguir mi hashtag personal allí para obtener ideas y consejos regulares: #DOEbyPhilKay
Empecé a leer y ver videos de YouTube para aprender sobre DoE y aplicar a mi trabajo. Puedo decir con confianza que esta es, con mucho, la mejor explicación de DoE. Gracias Phil por compartir esta publicación y me gusta explicar esto de una manera muy coherente y fácil para novatos como yo.
