Skip to content
بازگشت به نتایج جست‌وجو

طراحی آزمایش‌ها — DOE

معرفی‌شده توسط
Ronald A. Fisher
سال
1935
نوع
Experimental planning framework
خانواده
Engineering methods

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

طراحی آزمایش‌ها (DOE) یک چارچوب نظام‌مند برای برنامه‌ریزی، انجام و تحلیل آزمایش‌های کنترل‌شده است تا مشخص شود چگونه چندین عامل ورودی به طور همزمان بر یک یا چند پاسخ تأثیر می‌گذارند.

DOE که در سال ۱۹۳۵ توسط رونالد ای. فیشر معرفی شد، به محققان و مهندسان اجازه می‌دهد تا روابط علی را شناسایی کرده، اثرات عوامل را کمی‌سازی کنند و تنظیمات بهینه را به طور مؤثر بیابند — با استفاده از تعداد بسیار کمتری از اجراها نسبت به رویکردهای تک‌عاملی در هر زمان. این روش در مهندسی، تولید، کشاورزی و علوم کاربردی بنیادی است.

شهود پشت روش

فرض کنید می‌خواهید بازده یک فرآیند شیمیایی را بهبود بخشید و مشکوک هستید که دما، فشار و زمان واکنش همگی مهم هستند — اما آزمایش هر ترکیب به طور جداگانه ماه‌ها طول می‌کشد. DOE با تجویز مجموعه‌ای ساختاریافته از اجراهای آزمایشی که با هم به شما امکان تخمین اثر هر عامل و تمام تعاملات آن‌ها را به طور همزمان می‌دهند، این مشکل را حل می‌کند. نکته کلیدی این است که با تغییر چندین عامل به طور همزمان در یک الگوی عمدی، اطلاعات بسیار بیشتری در هر آزمایش نسبت به تغییر تنها یک چیز در هر زمان جمع‌آوری می‌کنید و می‌توانید تعاملات هم‌افزا یا متضاد را که یک رویکرد تک‌عاملی کاملاً از دست می‌دهد، تشخیص دهید.

تاریخ

رونالد ای. فیشر اصول بنیادی طراحی آزمایش‌ها — تصادفی‌سازی، تکرار و مسدودسازی — را در حالی که در ایستگاه آزمایشی روتهامستد کار می‌کرد، توسعه داد و آن‌ها را در کتاب The Design of Experiments (۱۹۳۵) منتشر کرد. فرانک ییتس و اسکار کمپتورن پایه‌های نظری را در طول دهه‌های ۱۹۴۰ و ۱۹۵۰ گسترش دادند. جورج باکس و همکارانش روش‌شناسی سطح پاسخ را در دهه ۱۹۵۰ پیشگام کردند و DOE را برای بهینه‌سازی فرآیند تطبیق دادند. گنیچی تاگوچی رویکرد آرایه متعامد خود را برای طراحی مهندسی قوی در دهه ۱۹۸۰ معرفی کرد. کتاب درسی داگلاس مونتگومری (اولین ویرایش ۱۹۷۶، اکنون در ویرایش نهم خود) به مرجع استاندارد صنعتی تبدیل شد.

چه زمانی استفاده شود

DOE روش انتخابی است هر زمان که نیاز به درک یا بهینه‌سازی فرآیندی دارید که دارای ورودی‌های قابل کنترل متعدد و خروجی‌های قابل اندازه‌گیری است و هزینه آزمایش‌های برنامه‌ریزی نشده بالا است. این روش برای توسعه فرآیند، فرمولاسیون محصول، بهینه‌سازی مهندسی و بهبود کیفیت ایده‌آل است. زمانی از DOE استفاده کنید که بتوانید سطوح عامل را فعالانه تنظیم کنید و شرایط آزمایشی را کنترل کنید. از آن زمانی که عوامل قابل دستکاری نیستند (فقط داده‌های مشاهده‌ای — از رگرسیون یا طرح‌های مطالعه مشاهده‌ای استفاده کنید)، زمانی که تنها یک عامل برای تغییر دارید (یک آزمایش کنترل‌شده ساده کافی است)، یا زمانی که آزمایش‌های فیزیکی بیش از حد گران هستند و یک جایگزین شبیه‌سازی کامپیوتری (مدل کمکی) ابتدا ساخته نشده است، استفاده نکنید.

محدودیت‌ها و ملاحظات

  • نیاز به توانایی کنترل و تنظیم فعال سطوح عامل دارد — تنظیمات صرفاً مشاهده‌ای خارج از محدوده هستند.
  • طرح‌های فاکتوریل کامل با تعداد عوامل به صورت نمایی رشد می‌کنند و آن‌ها را فراتر از پنج یا شش عامل بدون کسری‌سازی غیرعملی می‌کنند.
  • اعتبار مدل به وضوح طراحی انتخاب شده بستگی دارد؛ طرح‌های کسری با وضوح پایین، اثرات اصلی را با تعاملات درهم می‌آمیزند و به طور بالقوه منجر به نتایج گمراه‌کننده می‌شوند.
  • فرض می‌کند فرآیند در طول آزمایش پایدار است؛ انحراف فرآیند یا تغییرات کنترل نشده، فرض تصادفی‌سازی را بی‌اعتبار می‌کند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • تمام اثرات اصلی و تعاملات را به طور همزمان تخمین می‌زند و هم‌افزایی‌هایی را آشکار می‌کند که آزمایش‌های تک‌عاملی در هر زمان از دست می‌دهند.
  • تعداد کل اجراهای مورد نیاز را در مقایسه با آزمایش‌های خسته‌کننده تک‌عاملی در هر زمان به طور چشمگیری کاهش می‌دهد.
  • تصادفی‌سازی و مسدودسازی مبنای دقیقی برای استنتاج علی و آزمون‌های آماری معتبر فراهم می‌کنند.
  • از طرح‌های غربالگری دو سطحی ساده تا بهینه‌سازی پیچیده سطح پاسخ در چارچوب یکسان مقیاس‌بندی می‌شود.
  • نتایج مستقیماً عملی هستند: تنظیمات بهینه، معادلات پیش‌بینی و فواصل اطمینان بر روی اثرات.

کاربردها

  • بهینه‌سازی پارامترهای فرآیند تولید (دما، فشار، نرخ تغذیه) برای به حداکثر رساندن بازده و کیفیت محصول.
  • فرمولاسیون محصولات مصرفی — شناسایی سطوح مواد تشکیل‌دهنده و شرایط پردازش که اهداف حسی و پایداری را برآورده می‌کنند.
  • آزمایش قابلیت اطمینان شتاب‌دار — تعیین اینکه کدام عوامل استرس‌زا بیشترین تأثیر را بر عمر محصول دارند.
  • آزمایش‌های میدانی کشاورزی — ارزیابی همزمان انواع کود، سطوح آبیاری و انواع محصولات زراعی.
  • توسعه فرآیند داروسازی و اعتبارسنجی روش تحلیلی تحت دستورالعمل‌های ICH Q8/Q9.
  • بنچمارکینگ عملکرد نرم‌افزار — تغییر سیستماتیک پارامترهای پیکربندی برای شناسایی گلوگاه‌ها.

چگونه کار می‌کند

چگونه کار می‌کند

1

آزمایشگر هدف (به حداکثر رساندن بازده، به حداقل رساندن نقص‌ها، درک روابط) را تعریف می‌کند، متغیر(های) پاسخ که باید اندازه‌گیری شوند را شناسایی می‌کند، و عوامل ورودی و سطوح آن‌ها را انتخاب می‌کند. متغیرهای مزاحم که قابل کنترل نیستند، با مسدودسازی یا تصادفی‌سازی شناسایی و مدیریت می‌شوند. یک گزاره مسئله روشن، از اجرای هدر رفته برای پرسش اشتباه جلوگیری می‌کند.

2

یک ماتریس طراحی آزمایشی بر اساس تعداد عوامل، وضوح مورد نظر و بودجه اجرای موجود انتخاب می‌شود. گزینه‌ها از طرح‌های فاکتوریل کامل (تمام ترکیبات سطوح عامل) تا فاکتوریل‌های کسری، طرح‌های سطح پاسخ (مرکزی ترکیبی، باکس-بنکن) و آرایه‌های تاگوچی متغیر هستند. ماتریس دقیقاً مشخص می‌کند که کدام ترکیبات سطح عامل باید آزمایش شوند و با چه ترتیبی تصادفی.

3

آزمایش‌ها به ترتیبی که توسط طرح تصادفی مشخص شده است، انجام می‌شوند. تصادفی‌سازی در برابر سوگیری سیستماتیک ناشی از روندهای زمانی یا اثرات یادگیری اپراتور محافظت می‌کند. تکرار — اجرای مجدد همان تیمار — تخمینی از خطای خالص آزمایشی ارائه می‌دهد و امکان آزمون‌های معناداری معتبر را فراهم می‌کند.

4

پاسخ‌ها به عنوان تابعی خطی (یا درجه دوم) از عوامل و تعاملات آن‌ها مدل‌سازی می‌شوند: y = beta_0 + sum(beta_i * x_i) + sum(beta_ij * x_i * x_j) + epsilon. تحلیل واریانس (ANOVA) واریانس کل را به اثرات عامل و خطا تقسیم می‌کند و مشخص می‌کند کدام عوامل و تعاملات از نظر آماری معنادار هستند. نمودارهای اثر، نمودارهای تعامل و تشخیص باقی‌مانده‌ها از تفسیر پشتیبانی می‌کنند.

فرمول
y = \beta_0 + \sum \beta_i x_i + \sum \beta_{ij} x_i x_j + \varepsilon
5

اثرات معنادار به تصمیمات عملی ترجمه می‌شوند: تنظیمات بهینه عامل شناسایی می‌شوند (احتمالاً با استفاده از بهینه‌سازی سطح پاسخ)، اجراهای تأییدی برای اعتبارسنجی پیش‌بینی‌ها انجام می‌شوند و یافته‌ها مستند می‌شوند. اگر مفروضات کلیدی (نرمال بودن، واریانس ثابت) نقض شوند، قبل از نتیجه‌گیری، تبدیل‌ها یا مدل‌های جایگزین اعمال می‌شوند.

دام‌های رایج

  • حذف عوامل مهم — اگر یک عامل کلیدی حذف شود، تغییر آن ترم خطا را افزایش می‌دهد و می‌تواند اثرات واقعی را پنهان کند؛ تحلیل علت و معلولی کامل قبل از طراحی آزمایش ضروری است.
  • نادیده گرفتن تصادفی‌سازی — اجرای آزمایش‌ها به ترتیب سیستماتیک (غیر تصادفی) به عوامل مخدوش‌کننده مرتبط با زمان اجازه می‌دهد تا به عنوان اثرات عامل ظاهر شوند و آزمون‌های معناداری را بی‌اعتبار می‌کنند.
  • نادیده گرفتن تعاملات — تحلیل تنها اثرات اصلی در حالی که تعاملات قوی وجود دارد، منجر به تنظیمات بهینه نادرست می‌شود؛ همیشه نمودارها و آزمون‌های ترم‌های تعاملی را انجام دهید.
  • تکرار ناکافی — بدون تکرار، تخمینی از خطای خالص وجود ندارد و تمایز اثرات واقعی از نویز را غیرممکن می‌سازد؛ حداقل باید برخی نقاط مرکزی یا اجراهای تکراری گنجانده شوند.
  • بیش‌برازش مدل پاسخ — برازش یک چندجمله‌ای مرتبه بالا به یک مجموعه داده کوچک، معادله‌ای را تولید می‌کند که با داده‌ها مطابقت دارد اما پیش‌بینی ضعیفی دارد؛ از R-squared تعدیل شده و نمودارهای باقی‌مانده برای محافظت در برابر این امر استفاده کنید.

پرسش‌های متداول

DOE چگونه با تلاش صرف برای یافتن ترکیبات مختلف متفاوت است؟

آزمایش‌های ad hoc یک عامل را در هر زمان تغییر می‌دهند، که نمی‌تواند تعاملات را تشخیص دهد و به اجراهای بسیار بیشتری برای پوشش دادن فضای آزمایشی یکسان نیاز دارد. DOE از یک ماتریس طراحی آماری متعادل استفاده می‌کند که تضمین می‌کند هر عامل در هر سطح در ترکیب با هر عامل دیگر (یا کسری از آن که به دقت انتخاب شده است) آزمایش می‌شود و امکان تخمین همزمان تمام اثرات را با حداقل اجراها و تخمین‌های خطای معتبر فراهم می‌کند.

چند عامل را می‌توانم در DOE بگنجانم؟

عملاً، طرح‌های غربالگری (پلاتکت-برمن، فاکتوریل‌های کسری وضوح III) می‌توانند به طور مؤثر ۷ تا ۳۰+ عامل را برای شناسایی عوامل حیاتی مدیریت کنند. هنگامی که عوامل فعال شناسایی شدند، از یک طرح پیگیری کوچک‌تر (سطح پاسخ یا فاکتوریل کامل بر روی ۲-۵ عامل) برای بهینه‌سازی استفاده می‌شود. شروع با تعداد زیادی عامل در یک طرح دقیق، منابع را هدر می‌دهد؛ ابتدا گسترده شروع کنید و سپس غربالگری کنید.

وضوح در یک طرح فاکتوریل کسری چیست؟

وضوح درجه درهم‌آمیختگی اثرات را توصیف می‌کند. طرح‌های وضوح III اثرات اصلی را با تعاملات دو عاملی درهم می‌آمیزند — برای غربالگری اولیه قابل قبول است. طرح‌های وضوح IV تعاملات دو عاملی را با یکدیگر درهم می‌آمیزند اما نه با اثرات اصلی — برای درک تعاملات بهتر است. طرح‌های وضوح V تمام اثرات اصلی و تعاملات دو عاملی را قابل تخمین نگه می‌دارند — برای بهینه‌سازی ترجیح داده می‌شوند. همیشه حداقل وضوح مناسب برای اهداف خود را انتخاب کنید.

آیا برای اجرای DOE به نرم‌افزار خاصی نیاز دارم؟

نرم‌افزار تولید طرح، تصادفی‌سازی و تحلیل را به طور قابل توجهی آسان می‌کند. JMP، Minitab، Design-Expert و بسته‌های R (FrF2، rsm) به طور گسترده‌ای استفاده می‌شوند. با این حال، درک اصول اساسی — تعادل، تصادفی‌سازی، درهم‌آمیختگی — برای انتخاب طرح مناسب و تفسیر صحیح نتایج ضروری است؛ نرم‌افزار به تنهایی نمی‌تواند جایگزین آن دانش شود.

چه زمانی باید به جای طرح فاکتوریل از طرح سطح پاسخ استفاده کنم؟

هنگامی که می‌خواهید عوامل را در سطوح گسسته غربالگری یا مقایسه کنید، از طرح فاکتوریل استفاده کنید. هنگامی که نیاز به مدل‌سازی انحنا در پاسخ دارید و نقطه عملیاتی بهینه را پیدا می‌کنید، به طرح سطح پاسخ (مرکزی ترکیبی یا باکس-بنکن) بروید، زیرا این طرح‌ها شامل مرکز و سطوح میانی مورد نیاز برای برازش یک چندجمله‌ای درجه دوم هستند.

روش‌های مرتبط

منابع

  1. Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.

    باز کردن مرجع انتشار
    کپی شد.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    شابک: 978-1119492443
    کپی شد.