In questa serie di sette post del blog , ho cercato di demistificare DoE con semplici spiegazioni di alcuni dei termini e dei concetti che possono creare confusione per le persone quando iniziano. Abbiamo coperto molto. Abbiamo spiegato il significato di confondimento, ortogonalità e inflazione della varianza. Abbiamo esaminato la regressione lineare multipla, la selezione graduale e l'ereditarietà degli effetti. Hai visto fattoriali completi e disegni di vagliatura definitivi (DSD).
I punti chiave:
- Il modo migliore per comprendere e ottimizzare empiricamente un processo o un sistema è attraverso modelli multivariabili.
- Il numero di possibilità nei sistemi multivariabili è enorme.
- DoE ti assicura di poter raccogliere in modo efficiente i dati di cui hai bisogno.
Spero che tu ti senta motivato ad andare via e correre esperimenti progettati ora, se non lo fossi già. Prima di farlo, però, dovrei aggiungere che ci sono molte cose che potresti voler sapere che non abbiamo trattato qui.
Cosa ci siamo persi?
Abbiamo usato un esempio di un esperimento per ottimizzare la configurazione LVI in un sistema di analisi GC-MS. Abbiamo visto perché il DSD a 26 run è stato un esperimento così utile a causa delle proprietà di correlazione e del modello che ci ha permesso di costruire. Tuttavia, non abbiamo parlato di come è stato progettato questo esperimento. I DSD sono molto utili in molte situazioni, ma credo fermamente che dovresti progettare per il problema che stai cercando di risolvere, piuttosto che progettare il tuo obiettivo per adattarlo a un progetto sperimentale. In questo articolo del blog , Bradley Jones, co-scopritore dei DSD, parla di situazioni in cui i DSD non sono appropriati.
Con il software DoE come JMP , Puoi usare progettazione ottimale per creare un esperimento su misura per il tuo obiettivo e per qualsiasi vincolo speciale. Nel nostro esempio, potremmo essere stati costretti a non poter cambiare il tipo di liner tra ogni corsa perché comporta un arresto difficile e lungo del sistema. In questo caso, dovremmo definire questo come a difficile da cambiare fattore e creare qualcosa chiamato a trama divisa progetto. Oppure avremmo potuto essere costretti a non poter raggiungere contemporaneamente una bassa pressione di sfiato e un'alta velocità di iniezione, quindi avremmo dovuto progettare un esperimento che evitasse tali impostazioni.
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.Trama di un progetto ottimo con un vincolo sulle combinazioni di fattori.
Il libro Progettazione ottimale degli esperimenti: un approccio di caso di studio è un'ottima introduzione alla progettazione ottimale una volta che hai imparato le basi del DoE.
Abbiamo anche perso l'importante riflessione che devi fare prima di iniziare a progettare un esperimento. Devi pensare attentamente a quale sia l'obiettivo dell'esperimento, a quali fattori includere e su quali intervalli. Devi anche essere sicuro della tua misurazione della risposta dell'esperimento: se ottieni risultati di risposta molto diversi da esecuzioni ripetute con le stesse impostazioni, non imparerai molto quando inizi a modificare i fattori in base a un esperimento progettato.
E se ho più di una risposta?
Finora nel nostro esempio, abbiamo esaminato solo una risposta, PkHt(SUM). La maggior parte delle volte quando hai un processo o un sistema che devi capire, ci sarà più di una risposta a cui pensare. Con molte risposte da comprendere e ottimizzare, c'è un bisogno ancora più forte dell'efficienza e dell'efficacia del DoE.
Questo caso non è diverso. Per un rilevamento affidabile delle impurità con il nostro sistema GC-MS, abbiamo bisogno di picchi grandi e simmetrici. Quindi, oltre alla risposta PkHt(SUM), abbiamo anche una misura della simmetria dei picchi, PkSym , per ogni esecuzione dell'esperimento.
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.Tabella dati per esperimenti a 26 esecuzioni con due risposte.
Vogliamo che PkSym sia il più basso possibile e il valore ideale è 0, il che significherebbe che i picchi per ogni analita sono perfettamente simmetrici.
Dopo aver raccolto i dati di risposta per ogni esecuzione, possiamo costruire modelli e trovare il miglior compromesso per raggiungere tutti gli obiettivi.
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.Le impostazioni ottimali per massimizzare l'altezza e la qualità dei picchi possono essere trovate modellando i dati dell'esperimento a 26 esecuzioni.
Puoi vedere come il vantaggio DoE sia ancora maggiore quando hai più obiettivi di risposta.
Accelerare l'innovazione
Grazie ancora per l'esempio qui da Jonathan Dunscombe e Camilla Liscio a Anatune . È interessante notare che Jonathan non credeva nel DoE prima di questo progetto:
“Ho lottato per un bel po' cercando di ottenere un metodo LVI funzionante per questo sistema a doppio solvente... è stato particolarmente complicato. Non ero del tutto sicuro di quali risultati avrei ottenuto dal DoE, soprattutto perché c'erano molte variabili e diversi fattori importanti che dovevano essere presi in considerazione. Ciò che mi ha davvero colpito è stata la velocità con cui il metodo LVI è stato ottimizzato e la riproducibilità del metodo finale.”
Come ha visto Jonathan, con DoE puoi accelerare l'innovazione. Puoi sviluppare i migliori processi e prodotti in tempi minimi e con la massima prevedibilità. Spero che questa serie di post sul blog sia utile per diffondere questo messaggio, in modo che più persone utilizzino DoE come metodo di apprendimento sperimentale.
Si prega di commentare di seguito, in particolare se si pensa che ci sia qualcosa di importante che mi sia perso questa serie .
Grazie per il gentile feedback, @BJK . Sentiti libero di connetterti con me su LinkedIn ( linkedin.com/in/drphilkay ) se vuoi saperne di più su DOE. Puoi anche seguire il mio hashtag personale lì per pensieri e suggerimenti regolari: #DOEbyPhilKay
Ho iniziato a leggere e guardare i video di you tube per conoscere DoE e applicarmi al mio lavoro. Posso affermare con sicurezza che questa è di gran lunga la migliore spiegazione del DoE. Grazie Phil per aver condiviso questo post e pollice in alto per averlo spiegato in modo molto coerente e semplice ai principianti come me.
