5 motive experimente factoriale sunt atât de succes

săptămâna trecută am început un design experimental încercarea de a obține la modul de a conduce mingea de golf cel mai îndepărtat de pe tee prin caracterizarea procesului și definirea problemei. Următorul pas în metodologia noastră de rezolvare a problemelor DOE este de a proiecta planul de colectare a datelor pe care îl vom folosi pentru a studia factorii din experiment.vom construi un design factorial complet, fracționând acel design la jumătate din numărul de rulări pentru fiecare jucător de golf și apoi vom discuta despre beneficiile rulării experimentului nostru ca design factorial.,

Cei patru factori în experimentul nostru și low / high setările utilizate în studiu sunt:

1. Clubul Fata de Înclinare (Tilt) – Continuă Factor : 8.5 grade & 10.,5 grade
2. Minge Caracteristicile (Minge) – Categoric Factor : Economie & Scump
3. Arbore de Club Flexibilitate (Ax) – Continuă Factor : 291 & 306 vibrații cicluri pe minut
4. Tee Înălțime (TeeHght) – Continuă Factor : 1 inch & 1 3/4 inch

Pentru a dezvolta o înțelegere completă a efectelor de 2 – 5 factori pe variabile de răspuns, un experiment factorial necesită 2k ruleaza ( k = de factori) este frecvent utilizat., Multe modele factoriale industriale studiază 2 până la 5 factori în 4 până la 16 runde (25-1 runde, jumătatea fracției, este cea mai bună alegere pentru studierea a 5 factori), deoarece 4 până la 16 runde nu este nerezonabil în majoritatea situațiilor. Planul de colectare a datelor pentru un factorial complet constă în toate combinațiile setării înalte și joase pentru fiecare dintre factori. Un complot cub, precum cel pentru experimentul nostru de golf prezentat mai jos, este o modalitate bună de a afișa spațiul de proiectare pe care experimentul îl va acoperi. există o serie de motive întemeiate pentru alegerea acestui plan de colectare a datelor față de alte modele posibile., Detaliile sunt discutate în multe texte excelente. Aici sunt primele mele cinci.

modelele factoriale și fracționale sunt mai eficiente din punct de vedere al costurilor.

modelele factoriale și fracționale oferă cel mai eficient plan de colectare a datelor (economic) pentru a afla relația dintre variabilele dvs. de răspuns și variabilele predictor. Ei realizează această eficiență presupunând că fiecare efect asupra răspunsului este liniar și, prin urmare, poate fi estimat studiind doar două niveluri ale fiecărei variabile predictoare.la urma urmei, este nevoie de doar două puncte pentru a stabili o linie.,

proiectele factoriale estimează interacțiunile fiecărei variabile de intrare cu orice altă variabilă de intrare.adesea, efectul unei variabile asupra răspunsului dvs. depinde de nivelul sau setarea unei alte variabile. Eficacitatea unui fundas colegiu este o analogie bună. Un fundas bun poate avea abilități bune pe cont propriu. Cu toate acestea, un mare fundas va obține rezultate remarcabile numai dacă el și receptorul său larg au sinergie. Ca o combinație, rezultatele perechii pot depăși nivelul de calificare al fiecărui jucător individual. Acesta este un exemplu de interacțiune sinergică., procesele industriale complexe au în mod obișnuit interacțiuni, atât sinergice, cât și antagoniste, care apar între variabilele de intrare. Nu putem cuantifica pe deplin efectele variabilelor de intrare asupra răspunsurilor noastre decât dacă am identificat toate interacțiunile active în plus față de efectele principale ale fiecărei variabile. Experimentele factoriale sunt concepute special pentru a estima toate interacțiunile posibile.

proiectele factoriale sunt ortogonale.,

analizăm rezultatele experimentului nostru final folosind regresia celor mai mici pătrate pentru a se potrivi unui model liniar pentru răspuns în funcție de efectele principale și interacțiunile bidirecționale ale fiecăreia dintre variabilele de intrare. O preocupare cheie în regresia celor mai mici pătrate apare dacă setările variabilelor de intrare sau interacțiunile lor sunt corelate între ele. Dacă apare această corelație, efectul unei variabile poate fi mascat sau confundat cu o altă variabilă sau interacțiune, ceea ce face dificilă determinarea variabilelor care determină de fapt schimbarea răspunsului., La analizarea datelor istorice sau observaționale, nu există niciun control asupra setărilor variabile care sunt corelate cu alte setări variabile de intrare și acest lucru pune la îndoială concludența rezultatelor. Proiectele experimentale ortogonale au o corelație zero între orice efecte variabile sau de interacțiune în mod specific pentru a evita această problemă. Prin urmare, rezultatele noastre de regresie pentru fiecare efect sunt independente de toate celelalte efecte, iar rezultatele sunt clare și concludente.

proiectele factoriale încurajează o abordare cuprinzătoare a rezolvării problemelor.,în primul rând, intuiția îi determină pe mulți cercetători să reducă lista variabilelor de intrare posibile înainte de experiment, pentru a simplifica execuția și analiza experimentului. Această intuiție este greșită. Puterea unui experiment pentru a determina efectul unei variabile de intrare asupra răspunsului este redusă la zero în minutul în care variabila este eliminată din studiu (în numele simplității). Prin utilizarea modelelor factoriale fracționate și a experienței în DOE, aflați rapid că este la fel de ușor să rulați un experiment cu 7 factori ca un experiment cu 3 factori, fiind în același timp mult mai eficient.,în al doilea rând, experimentele factoriale studiază efectul fiecărei variabile într-o serie de setări ale celorlalte variabile. Prin urmare, rezultatele noastre se aplică întregului domeniu de aplicare al tuturor setărilor parametrilor de proces, mai degrabă decât doar setările specifice ale celorlalte variabile. Rezultatele noastre sunt mai larg aplicabile tuturor condițiilor decât rezultatele studierii unei variabile la un moment dat.

modele factoriale pe două niveluri oferă o bază excelentă pentru o varietate de experimente follow-up.acest lucru va duce la rezolvarea problemei dvs. de proces., Un fold-over al factorialului fracțional inițial poate fi utilizat pentru a completa Un experiment inițial de rezoluție mai mică, oferind o înțelegere completă a tuturor efectelor variabile de intrare. Augmentarea design-ul original, cu puncte axiale rezultate într-un design de suprafață de răspuns pentru a optimiza răspunsul cu o mai mare precizie. Designul factorial inițial poate oferi o cale de urcare / coborâre cea mai abruptă pentru a vă deplasa din spațiul de proiectare actual într-unul cu valori de răspuns și mai bune., În cele din urmă, și poate cel mai frecvent, poate fi creat un al doilea design factorial cu mai puține variabile și un spațiu de proiectare mai mic pentru a înțelege mai bine Regiunea cu cel mai înalt potențial pentru răspunsul dvs. în spațiul original de proiectare.sper că această scurtă discuție v-a convins că orice cercetător din mediul academic sau din industrie va fi bine răsplătit pentru timpul petrecut învățând să proiecteze, să execute, să analizeze și să comunice rezultatele experimentelor factoriale. Mai devreme în cariera ta ai învățat aceste abilități, ei bine, știi restul.,din aceste motive, putem fi destul de încrezători în alegerea unei colecții complete de date factoriale pentru a studia cele 4 variabile pentru experimentul nostru de golf. Fiecare jucător de golf va fi responsabil pentru executarea doar o jumătate din ruleaza, numit o jumătate de fracțiune, din factorial complet. Chiar și așa, rezultatele pentru fiecare jucător de golf pot fi analizate independent ca un experiment complet.,în următoarea mea postare, voi răspunde la întrebarea: cum calculăm numărul de replici necesare pentru fiecare set de condiții de rulare de la fiecare jucător de golf, astfel încât rezultatele noastre să aibă o putere suficient de mare încât să putem avea încredere în concluziile noastre? Multe mulțumiri Toftrees Golf Resort și Tussey Mountain pentru utilizarea facilităților lor pentru a efectua experimentul nostru de golf.