Viime viikolla meillä alkoi kokeellinen suunnittelu yrittää saada ajamaan golf-pallo kaukaisin pois tee karakterisoi prosessi ja määritellään ongelma. Seuraava askel meidän DOE ongelmanratkaisun menetelmiä on suunnitella tietojen keruun suunnitelma käytämme tutkia tekijöitä kokeilla.
– Meidän tulee rakentaa full factorial design, fraktioida, että suunnittelu puoliaika numero toimii jokaiselle golfari, ja sitten keskustella hyödyt käynnissä kokeilu kuin factorial design.,
neljä tekijää meidän kokeilu ja low / high asetukset, joita käytetään tutkimuksessa ovat:
- Seuran Kasvot Kallistus (Tilt) – Jatkuva Tekijä : 8.5 astetta & 10.,5 astetta
- Pallo Ominaisuudet (Pallo) – Kategorinen Tekijä : Talous & Kallista
- Klubi-Akseli Joustavuus (Akseli) – Jatkuva Tekijä : 291 & 306 tärinä jaksoa minuutissa
- Tee Korkeus (TeeHght) – Jatkuva Seikka : 1 tuuman & 1 3/4 tuumaa
kehittää täyttä ymmärrystä vaikutukset 2 – 5 tekijät sinun vastemuuttujia, full factorial experiment vaativat 2k toimii ( k = tekijät) on yleisesti käytetty., Monet teolliset factorial mallit tutkimus 2-5 tekijät 4-16 kulkee (25-1 kulkee, puoli murto, on paras valinta tutkia 5 tekijät), koska 4-16 kulkee ei ole kohtuutonta useimmissa tilanteissa. Tiedonkeruu suunnitelma täyden factorial koostuu kaikista yhdistelmät korkea ja matala asetus kunkin tekijän. Kuutio juoni, kuten yksi meidän golf kokeilla alla, on hyvä tapa näyttää suunnittelun tilaa kokeilu kattaa.
on useita hyviä syitä valita tämä tiedonkeruusuunnitelma yli muiden mahdollisten mallien., Yksityiskohtia käsitellään monissa erinomaisissa teksteissä. Tässä ovat viisi parasta.
Factorial ja fractional factorial mallit ovat kustannustehokkaampia.
Kertoma ja fractional factorial design tarjota kaikkein ajaa tehokkaasti (taloudellisesti) tietojen keruun suunnitelma oppia suhdetta vastaus muuttujat ja ennustaja muuttujat. Niillä saavutetaan tehokkuutta, kun oletetaan, että jokainen vaikutus vaste on lineaarinen ja siksi voidaan arvioida tutkimalla vain kaksi tasoa jokainen ennustaja muuttuja.
loppujen lopuksi viivan muodostamiseen menee vain kaksi pistettä.,
Factorial designs arvioi kunkin tulomuuttujan ja jokaisen muun tulomuuttujan yhteisvaikutukset.
Usein vaikutus yhden muuttujan vastaus on riippuvainen tason tai asettaa toisen muuttujan. Yliopistopelaajan tehokkuus on hyvä vertaus. Hyvällä pelinrakentajalla voi olla hyvät taidot omillaan. Suuri pelinrakentaja saavuttaa kuitenkin erinomaisia tuloksia vain, jos hänellä ja hänen laitahyökkääjällään on synergiaa. Yhdistelmänä parin tulokset voivat ylittää kunkin yksittäisen pelaajan taitotason. Tämä on esimerkki synergistisestä vuorovaikutuksesta.,
monimutkaisilla teollisuusprosesseilla on yleisesti sekä synergistisia että antagonistisia vuorovaikutuksia, joita esiintyy tulomuuttujien välillä. Emme voi täysin kvantifioida tulomuuttujien vaikutuksia vasteisiimme, ellemme ole tunnistaneet kaikkia aktiivisia vuorovaikutuksia kunkin muuttujan tärkeimpien vaikutusten lisäksi. Factorial kokeet on erityisesti suunniteltu arvioimaan kaikki mahdolliset vuorovaikutukset.
Factorial mallit ovat ortogonaalisia.,
– analysoimme viimeinen kokeilu tuloksia käyttämällä pienimmän neliösumman regressio sopii lineaarinen malli vasteen funktiona tärkeimmät vaikutukset ja kaksisuuntainen vuorovaikutus jokaisen input-muuttujia. Pienimmän neliösumman regressiossa syntyy keskeinen huoli, jos tulomuuttujien asetukset tai niiden vuorovaikutukset korreloivat keskenään. Jos tämä korrelaatio tapahtuu, yhden muuttujan vaikutus voidaan peittää tai sekoittaa toiseen muuttujaan tai vuorovaikutukseen, minkä vuoksi on vaikea määrittää, mitkä muuttujat todellisuudessa aiheuttavat vasteen muutoksen., Kun analysoidaan historiallista tai havaintoaineistoa, ei ole valvoa, jossa muuttuja-asetukset ovat korreloi muiden input muuttuja-asetukset, ja tämä heittää epäilyksen conclusiveness tuloksia. Ortogonaalisilla kokeellisilla malleilla ei ole mitään korrelaatiota muuttuvien tai vuorovaikutusvaikutusten välillä erityisesti tämän ongelman välttämiseksi. Siksi kunkin vaikutuksen regressiotuloksemme ovat riippumattomia kaikista muista vaikutuksista ja tulokset ovat selkeitä ja ratkaisevia.
Factorial designs kannustaa kokonaisvaltaiseen lähestymistapaan ongelmanratkaisussa.,
ensin intuitio saa monet tutkijat vähentämään luetteloa mahdollisista tulomuuttujista ennen kokeilua kokeen suorittamisen ja analyysin yksinkertaistamiseksi. Tämä intuitio on väärä. Teho kokeilla, millainen vaikutus tulo muuttujan vastaus on alennettu nollaan heti, että muuttuja on poistettu tutkimuksessa (nimi yksinkertaisuus). Käyttämällä fractional factorial design ja kokemus DOE, voit nopeasti oppia, että se on aivan yhtä helppo ajaa 7 tekijä kokeilu 3 tekijä kokeilu, mutta on paljon tehokkaampaa.,
Toiseksi, factorial kokeet tutkimuksessa jokainen muuttuja on vaikutus yli valikoiman asetukset ja muut muuttujat. Siksi tuloksemme koskevat kaikkia prosessiparametriasetuksia eikä vain muiden muuttujien tiettyjä asetuksia. Tuloksemme soveltuvat laajemmin kaikkiin olosuhteisiin kuin yhden muuttujan tutkimisen tulokset kerrallaan.
kaksitasoiset factorial-mallit tarjoavat erinomaisen perustan erilaisille jatkokokeille.
Tämä johtaa ratkaisuun prosessiongelmaasi., Kertaiseksi alkuperäisestä murto factorial voidaan täydentää alkuperäisen alemman resoluution kokeilu, joka tarjoaa täydellisen käsityksen kaikista tulomuuttuja vaikutuksia. Kohensi alkuperäinen muotoilu aksiaalinen pistettä johtaa vastaus pinnan muotoilu optimoimaan vastausta tarkemmin. Alkuperäinen factorial suunnittelu voi tarjota polku jyrkimmän nousu / laskeutuminen siirtyä pois nykyisen suunnittelun tilaa yksi vieläkin parempi vastearvot., Lopuksi, ja ehkä kaikkein yleisesti, toinen factorial design, jossa on vähemmän muuttujia ja pienempi muotoilu tilaa voidaan luoda parempi ymmärtää suurin potentiaali alueen vastauksesta kuluessa alkuperäisen suunnittelun tilaa.
toivon, että tämä lyhyt keskustelu on vakuuttunut siitä, että jokainen tutkija, tutkijat tai alan palkitaan myös, että oppimiseen käytetty aika, suunnitella, toteuttaa, analysoida ja kommunikoida tulokset factorial kokeet. Aiemmin urallasi opit näitä taitoja, se … no, tiedät loput.,
näistä syistä, voimme olla melko varmoja siitä, että meidän valinta full factorial tiedonkeruu tutkia 4 muuttujat golf kokeilla. Jokainen golfaaja on vastuussa vain puolet juoksuista, joita kutsutaan puoli murto-osa, koko factorial. Silti jokaisen golfaajan tulokset voidaan analysoida itsenäisesti täydellisenä kokeiluna.,
– minun ensi postitse, minä vastata kysymykseen: Miten voimme laskea rinnakkaisnäytteiden määrä tarvitaan kunkin joukko ajaa ehtoja jokaisesta golfari niin että tulokset on tarpeeksi suuri voima, että emme voi olla varmoja johtopäätöksiä? Kiitos Toftrees Golf Resort ja Tussey Mountain käyttää niiden tilat suorittaa golf kokeilu.