DOE 設計.pptVIP

DOE 设计 筛选设计 改进设计 局部因素 混淆 解析 复制 重复 从中学到什么? 有效的 DOE 设计能避免代价昂贵的错误 好的计划和设计确保我们的DOE能够探测出我们想要的结果 适当的计划和设计有助于DOE良好运行 应用实例 工程师希望决定生产线上的哪些设置对最终产品的性能影响最大. 设计者希望用DOE 方法来决定哪些产品设计特征影响制造工艺和性能. 销售经理希望检验若干促销主意，以便了解哪些主意确实促进了销售 DOE的类型 筛选 改进 最优化 筛选设计 筛选设计的目的是观察在一个相对大的因素集合中，哪些因素对因变量的影响最大. 对因素数目有几种不同的观点，可以通过筛选设计观察. 我们的方法是在一个 DOE 中观察不超过7或8种因素 管理DOE. 交互作用 更小的部分 选择筛选设计 在选出最佳的筛选设计之前，必须先回答三个问题: 我们将研究多少因素? 要研究多少水平? 关于交互作用我们愿意设定多少假设? 你希望研究的因素数目取决于你想要了解多少不同的因素及可得的资源. 一般在筛选实验中，我们将水平的数目限定在2个. 要明智地选择水平，我们必须对过程有充分了解；否则我们就可能被误导. 选择筛选设计 在筛选实验中，实验者常不研究交互作用，却在后继实验中研究它们；这是很危险的!! 在选择设计时，必须考虑到交互作用的重要性及其存在。经常可能发生信息泄露和丢失的情况. 如果我们希望从数学模型中得到有用的预测，我们必须量化交互作用 在选择设计时应该考虑的另一个主要问题是混淆，我们将在下文描述. 改进设计 改进设计与筛选设计相同，区别在于其仅包括筛选设计中的一部分关键因素. 目的是更加全面地将刻画关键因素与因变量的关系. 利用一个足够大的设计，能够给我们充分的关于交互作用的信息. 改进设计经常也可以检验非线性效果. 如果不存在非线性关系，我们可以通过这些设计创建良好的数学模型. 最优化设计 这些设计使我们能够为一些关键因素创建十分精确的数学模型. 我们也可以为曲率关系建模型. 数学模型使我们能够预测我们将在不同的因素水平设置取得的因变量. 表面反应方式 (RSM＝Response Surface Methodology) 用来最优化. 我们将在第四周介绍RSM. 局部因素 大部分用于筛选和 改进的设计属于称为局部因素 的设计系列. 局部因素仅仅是全因素的一部分:: 1/2 局部因素是全因素的1/2 次实验 1/4局部因素是全因素的1/4 次实验 1/8局部因素是全因素的1/8 次实验 等等… 我们现在更详细地介绍并讨论局部因素. 成功的局部因素试验 根据: 影响最小化原则 系统通常由主要的影响和低阶(双向)交互作用的影响决定. 投射性质 如果证明某些影响不显著，局部因素就可以表示全因素. 次序实验 可以结合局部因素进行更有效的设计. 因素矩阵 因素矩阵 因素矩阵 因素矩阵 交互作用 交互作用 增加一个因素 如果我们在没有增加额外实验的情况下希望在实验中增加第四个因素，将会发生什么? 这将意味着对全因素来说要运行16次，但我们希望在8次运行中完成它. 记得影响最小化原则? 表明大部分的系统主要由主效应和交互作用驱动的 换句话说,为了了解主影响和双向交互作用而放弃高阶交互作用可能更有意义. 我们应用这一原则在我们的DOE中增加一个因素 增加一个因素 增加一个因素 比较各列 混淆 混淆 指有时也称为关联的现象 在 局部因素设计中, 一些因素和交互作用是混合的 混淆表示一些因素的影响和/或交互作用无法分离出来 换句话说,如果两个因素是混合的,DOE显示这些因素对因变量有显著的影响,却无法说明是由哪一个因素造成的影响. 混淆 混淆 这是我们DOE矩阵的关联结构: 关联结构 I + STPM S + TPM T + SPM P + STM M + STP ST + PM SP + TM SM + TP 这表明主影响(主因素)与三向交互作用相混淆.所有的双向交互作用与其它的双向交互作用相混淆. 如果你认为双向交互作用对某一具体的过程来说十分重要,这对该过程来说可能并不是一个很好的设计. 设计同一性 前一页的I + STPM项是设计同一性 由于我们的 DOE 是1/2 的部分, 这意味着其代表一个全因素中轮次的一半,但是哪一半呢? 如果我们计算出SxTxPxM 交互作用栏,该栏中的 (-1) runs 将表示一个 部分. SxTxPxM栏中的(1) runs 表示另一个部分 我们可以选择我们想要的任一部分 I + STPM 项仅仅表示部分是由SxTxPxM栏产生的. 放弃一些信息以取得其它信息 如前所述,为了取得可能重要的信息,我们愿意牺牲可能不重要的信息.