Планирование экспериментов — это мощный и универсальный инструмент анализа, который позволяет исследовать совместное влияние многих факторов на выходные характеристики процесса.
Однако, спланировать успешный эксперимент не так просто. На самом первом этапе планирования зачастую всплывают обстоятельства, из-за которых весь процесс может встать на паузу или вовсе прерваться. К примеру, проведение физических экспериментов может быть слишком дорогостоящим и не давать необходимой информации о процессе. Во многих случаях на этом этапе подобные инициативы и заканчиваются. К счастью, теперь, некоторые аналогичные ситуации можно решить с помощью методов предиктивной аналитики.
Ситуация 1: необходимо провести отсеивающий эксперимент, но останавливать процесс слишком дорого или попросту невозможно.
Отсеивающий эксперимент в методологии DOE используется для выявления наиболее важных факторов в процессе со множеством переменных. В результате данного эксперимента исследователь может выявить подмножество наиболее значимых факторов, чтобы более эффективно проводить дальнейшие исследования. Особенное значение это имеет в ситуациях, когда по каким-либо причинам трудно собирать информацию о процессе. Что же делать в таком случае?
Решение: выявление наиболее важных параметров с помощью машинного обучения.
Одним из возможных решений является использование методов машинного обучения. На основе имеющихся данных, без изменения процесса, без настройки дополнительных уровней для факторов, специалист может в ручном или автоматическом режимах построить модель процесса, одним из результатов которой будет являться график относительной важности переменных. С помощью этого графика в Minitab, Вы сможете сразу перейти к более детальным экспериментам, пропустив этап отсеивания.
Ситуация 2: необходимо провести анализ DOE, но нет понимания, какие рабочие диапазоны выбрать для значений параметров.
При проведении анализа DOE необходимо для каждого из исследуемых факторов задать числовые значения, которые называются уровнями. Для каждой комбинации значений уровней проводится измерение отклика. Например, требуется оптимизировать скорость выходного звена прибора. Для проведения анализа необходимо задать нижнюю и верхнюю границы скорости, в пределах которой будет осуществляться поиск оптимума. Другой пример — температура печи в какой-либо химической реакции. Если процесс существует достаточно давно, то границы можно выставлять исходя из исторического опыта. Но что, если процесс новый? Или сам процесс не менялся, но, например, произошла модернизация оборудования?
Решение: выставление границ по визуализации предиктивной модели.
Предиктивные модели в Minitab позволяют создавать графики, которые демонстрируют влияние одного или нескольких факторов на выходную характеристику процесса. Традиционно, такие графики используются для того, чтобы понять на сколько сильно переменные влияют на процесс и какова природа этого взаимодействия. Однако, эти графики можно использовать и в других целях.
Предположим, цель нашего эксперимента — оптимизировать прочность конструкции. График демонстрирует сильное влияние температуры на прочность. При этом использование максимальных значений температуры нецелесообразно по экономическим и практическим соображениям. Помимо этого, может иметь место совместное влияние нескольких факторов, например, температуры и давления. Исходя из графика можно сделать вывод, что искать оптимальные значения параметров следует в диапазоне температур от 1000 до 1200 градусов. Температура выше 1200 градусов не ведет к значительным увеличениям в прочности, но могут привести к перегреву изделия и/или оборудования. Температура ниже 1000 градусов снижает прочность изделия.
Источник: minitab.com