Wie kann ich am besten zwei Störfaktoren in meinem Versuchsdesign berücksichtigen: einen quantifizierbaren (Schwankungen zwischen den Tanks) und einen, der lediglich monatliche/zeitliche Schwankungen berücksichtigt?Wenn ich ein (definitives?) Screening-Design mit 6 kontrollierbaren Faktoren in 17 Läufen durchführen möchte (wobei die DOE keine Schwankungen zwischen den Tanks oder monatliche Variationen berücksichtigt) - wie lässt sich der mögliche Fehler aufgrund dieser 2 potenziellen Störfaktoren am besten erfassen?
Mein Verfahren zielt darauf ab, die Ausbeute in einem Batchreaktor zu steigern. Ich verfüge über vier verschiedene Reaktorbehälter, sodass wir jeweils vier Durchläufe gleichzeitig durchführen können (d. h. alle vier Behälter werden gleichzeitig in einem Batch befüllt). Anschließend müssen wir 10–14 Tage warten, bevor wir den nächsten Versuchsdurchlauf starten können. Auch hier werden wieder vier Durchläufe in vier verschiedenen Behältern durchgeführt, sodass die 17 Durchläufe insgesamt etwa zwei Monate in Anspruch nehmen.
Wie lässt sich die potenzielle Variabilität aufgrund der beiden von mir beschriebenen Störfaktoren am besten erfassen? Split-Plot-Design, Kovariaten usw.? Wir könnten potenziell bis zu 21 Läufe durchführen, aber mehr sind möglicherweise nicht realisierbar – daher müssten wir einige kontrollierbare Variablen eliminieren, um unser Budget einzuhalten (was für mich in Ordnung ist), aber ich möchte die möglichen Störfaktoren auf jeden Fall berücksichtigen.
Eine andere Frage: Was passiert, wenn ein Durchlauf fehlschlägt? Weisen wir ihn einfach dem nächsten Tank zu und machen weiter, als wäre nichts geschehen?
VersuchsplanungBetreff: Wie kann ich am besten zwei Störfaktoren in meinem Versuchsdesign berücksichtigen: einen quantifizierbaren (Schwankungen zwischen den Tanks) und einen, der lediglich monatliche/zeitliche Schwankungen berücksichtigt?Zunächst einmal gibt es keine allgemeingültige Methode, um mit Rauschen in einem Experiment umzugehen. Haben Sie Variationskoeffizienten (CoV) berechnet oder Stichproben der Schwankungen innerhalb und zwischen den Tanks genommen? Dies wäre sehr hilfreich, um die Komponenten mit dem größten Einfluss zu ermitteln und gleichzeitig Stabilitäts- und zeitliche Effekte sowie Messabweichungen zu beurteilen. (Dies kann parallel zu anderen Experimenten erfolgen.)
Haben Sie die vorhergesagten Modelleffekte nach Rang geordnet? Müssen Sie wirklich quadratische Effekte bewerten? Könnten Sie fraktionelle Faktorielle Versuchsreihen mit Mittelpunkten durchführen? Befürchten Sie einen starken Einfluss des Tanks oder Wechselwirkungen zwischen Tank und Faktoren (Effekte der Designfaktoren, die vom Tank abhängen)? Sie könnten den Tank als Block behandeln und unvollständige Blöcke simulieren.
Mein Rat: Entwerfen Sie immer mehrere Experimente (mit JMP ganz einfach). Überlegen Sie bei jedem Experiment, welche Effekte sich schätzen lassen, welche Störfaktoren vorliegen und welche Effekte nicht untersucht werden. Wägen Sie den potenziellen Erkenntnisgewinn gegen den Ressourcenaufwand ab. Wählen Sie ein Experiment aus und führen Sie es durch, wohl wissend, dass Sie es iterativ anpassen müssen.
Betreff: Wie kann ich am besten zwei Störfaktoren in meinem Versuchsdesign berücksichtigen: einen quantifizierbaren (Schwankungen zwischen den Tanks) und einen, der lediglich monatliche/zeitliche Schwankungen berücksichtigt?Vielen Dank für die Antwort.
Ich suche hauptsächlich nach Haupteffekten und Wechselwirkungen. Ich hatte überlegt, ein DSD durchzuführen, um effizient zu sein, falls es direkt in ein RSM übergeht, wenn nur wenige Faktoren signifikant sind. Ich weiß aber nicht genau, ob das der Fall ist, daher sind quadratische Effekte wohl nicht das, was mich interessiert.
Ich beschäftige mich nicht mit den Wechselwirkungen zwischen den einzelnen Faktoren, sondern hauptsächlich mit den Auswirkungen großer Panzer, wie Sie schon sagten, aber das ist eher eine fundierte Vermutung.
Ich bin mit unvollständigen Blöcken nicht vertraut – haben Sie dazu empfehlenswerte Ressourcen? Wie sieht es mit möglichen zeitlich geordneten Effekten aus? Sind diese ebenfalls in einem unvollständigen Block enthalten?
Betreff: Wie kann ich am besten zwei Störfaktoren in meinem Versuchsdesign berücksichtigen: einen quantifizierbaren (Schwankungen zwischen den Tanks) und einen, der lediglich monatliche/zeitliche Schwankungen berücksichtigt?Unvollständige Blöcke (auch BIB: Balanced Incomplete Blocks genannt) sind genau wie gebrochene Fakultäten und entstehen durch die Vermischung (Aliasing) eines Effekts höherer Ordnung mit dem Block.
https://www.jmp.com/support/help/en/19.0/?os=mac&source=application#page/jmp/balanced-incomplete-block-designs.shtml
Meiner Meinung nach lassen sich zeitlich geordnete Effekte effizienter mit gezielten Stichproben/COV-Studien untersuchen.
Sanders, D., Sanders, R. und Leitnaker, M. (1994) „ Die analytische Untersuchung zeitabhängiger Varianzkomponenten “, Qualitätsmanagement
Wenn Sie Hypothesen darüber haben, welche Faktoren sich im Laufe der Zeit verändern, können Sie diese möglicherweise in einem kürzeren Zeitraum manipulieren. In solchen Fällen ist es ratsam, die Auswirkungen dieser Faktoren durch eine fette Darstellung zu verstärken.
Betreff: Wie kann ich am besten zwei Störfaktoren in meinem Versuchsdesign berücksichtigen: einen quantifizierbaren (Schwankungen zwischen den Tanks) und einen, der lediglich monatliche/zeitliche Schwankungen berücksichtigt?Danke. Ich werde es mir ansehen.
Ich habe keine genaue Vorstellung davon, welche Faktoren sich im Laufe der Zeit ändern – es könnten Umweltfaktoren wie Umgebungstemperatur und Luftfeuchtigkeit eine Rolle spielen, Änderungen in der Rohstoffcharge usw. –, deshalb fasse ich alles unter diesem lästigen Faktor „Zeit“ zusammen.
Betreff: Wie kann ich am besten zwei Störfaktoren in meinem Versuchsdesign berücksichtigen: einen quantifizierbaren (Schwankungen zwischen den Tanks) und einen, der lediglich monatliche/zeitliche Schwankungen berücksichtigt?Hallo @MJZ82 ,
Willkommen in der Community!
Unter Berücksichtigung der von Ihnen bereitgestellten Informationen und des begrenzten Kontextes sowie der bereits von @statman bereitgestellten hilfreichen Informationen werde ich mit einem praxisorientierteren Ansatz antworten.
Ich würde im Screening-Design einen Blockfaktor (mit 4 Durchläufen pro Block) verwenden, um die Chargenvariabilität zu berücksichtigen, sowie einen kategorialen Faktor mit 4 Stufen für den verwendeten Tank. Durch die Verwendung dieser Block- und kategorialen Faktoren lassen sich die Experimente homogen auf die Blöcke und Tanks verteilen, wodurch Unterschiede im Zeitverlauf/zwischen Chargen oder Tanks besser erkannt werden können. Die Verwendung des Blockeffekts als fixer Effekt in der Analyse gibt Aufschluss über die Bedeutung dieses „Chargenfaktors“ für die mittlere Antwort (Abweichung der mittleren Antwort in Abhängigkeit von der Zeit: systematischer Fehler). Die Verwendung des Blockeffekts als zufälliger Effekt hingegen zeigt Veränderungen in der Varianz der Antwort an.
- Mithilfe des Blockfaktors lässt sich die Chargenvariabilität vergleichen, indem man den Mittelwert der Experimente jedes Blocks vergleicht, da die Experimente innerhalb eines Blocks möglichst ähnlich sein sollten. Einfache Diagramme sowie Xquer- und R-Diagramme können helfen, diese Variabilität zu visualisieren.
- Bei Verwendung des 4-stufigen kategorischen Faktors wäre die Zuordnung der Stufen der 6 steuerbaren Faktoren zwischen den Tanks homogen und würde dazu beitragen, die Variabilität der Tanks (und etwaige Verzerrungen) zu vergleichen, indem der Mittelwert und die Antwortspanne der Experimente für jeden Tank über die Blöcke hinweg verglichen werden.
Für die Analyse könnte ein zweistufiges Vorgehen interessant sein:
- Identifizieren Sie wichtige aktive Effekte der 6 steuerbaren Faktoren mithilfe der Fit Two Level Screening Platform.
- Passen Sie ein Modell an, indem Sie die zuvor identifizierten Effekte verwenden und den kategorialen Faktor "Tank" sowie den Zufallseffekt "Batch" hinzufügen.
Im Anhang finden Sie ein Beispiel für den Entwurf (erstellt mit der Custom Design Plattform) und die zweistufige Vorgehensweise anhand einer simulierten Antwort.
Wenn Sie sich für das Thema robuste Versuchsplanung gegenüber Zeittrends interessieren, empfehle ich Ihnen die Lektüre von „Optimal Designs of Experiments: A Case Study Approach“ (Kapitel 9) von Peter Goos und Bradley Jones. Ein praktisches Beispiel für diese Methodik finden Sie auch in der Diskussion „Covariates in defined order in custom design“ sowie im JMP-Forschungs- und Entwicklungsblog „How to create an experiment design that is robust to a linear time trend in the ... - JMP User Community“.
Ich hoffe, diese ergänzende Antwort hilft Ihnen weiter.
