Central Composite Design — การออกแบบการทดลองพื้นผิวการตอบสนอง
- ผู้เสนอ
- George E. P. Box and K. B. Wilson
- ปี
- 1951
- ประเภท
- Response surface experimental design
- กลุ่มวิธี
- Engineering methods
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
Central Composite Design (CCD) คือการออกแบบพื้นผิวการตอบสนองอันดับสองที่ช่วยให้นักวิจัยสามารถปรับแบบจำลองกำลังสองเต็มรูปแบบได้อย่างมีประสิทธิภาพ ซึ่งเชื่อมโยงปัจจัยนำเข้าต่อเนื่องหลายปัจจัยกับตัวแปรการตอบสนองหนึ่งตัวหรือมากกว่า การออกแบบนี้ซึ่งริเริ่มโดย Box และ Wilson ในปี 1951 ได้รวมเอาแกนกลางที่เป็นแฟกทอเรียล (หรือแฟกทอเรียลบางส่วน) จุดแกน (จุดดาว) และการทำซ้ำจุดศูนย์กลางไว้ในการออกแบบแบบรวมเดียว ทำให้เป็นการออกแบบที่ใช้กันอย่างแพร่หลายที่สุดสำหรับการปรับปรุงกระบวนการในสาขาวิศวกรรม เคมี และการผลิต
แนวคิดเบื้องหลังวิธีการ
สมมติว่าคุณกำลังปรับปรุงผลผลิตของปฏิกิริยาเคมีโดยการเปลี่ยนแปลงอุณหภูมิและความดัน การออกแบบแฟกทอเรียลอย่างง่ายจะบอกคุณเกี่ยวกับผลกระทบหลักและอันตรกิริยาที่ระดับเพียงสองระดับต่อปัจจัย แต่จะมองข้ามพื้นผิวโค้งที่มักจะอยู่ใกล้จุดที่เหมาะสม CCD จะเพิ่มจุดพิเศษสองจุดนอกเหนือจากมุมของแฟกทอเรียลตามแกนของแต่ละปัจจัย ซึ่งก็คือจุดแกนหรือจุดดาว เพื่อให้การทดลองเข้าถึงได้ไกลพอในแต่ละทิศทางเพื่อประมาณค่าความโค้ง การเพิ่มการทดลองที่จุดศูนย์กลางสองสามครั้งเพื่อวัดข้อผิดพลาดของการทดลองที่แท้จริงและตรวจสอบว่าความสัมพันธ์นั้นโค้งจริง ๆ ไม่ใช่เป็นเส้นตรงหรือไม่ การรวมกันของจุดทั้งสามชุดนี้ช่วยให้คุณสามารถสร้างแผนที่พื้นผิวการตอบสนองทั้งหมดได้โดยใช้จำนวนครั้งน้อยกว่าการทดลองแฟกทอเรียลสามระดับเต็ม
ประวัติศาสตร์
Central Composite Design ถูกนำเสนอโดย George E. P. Box และ K. B. Wilson ในบทความสำคัญของพวกเขาในปี 1951 ในวารสาร Journal of the Royal Statistical Society ซึ่งได้นำเสนอแนวคิดของระเบียบวิธีพื้นผิวการตอบสนอง (response surface methodology) ไปพร้อมกัน Box และ Wilson แสดงให้เห็นว่าการรวมการออกแบบแฟกทอเรียลกับจุดแกนช่วยให้สามารถประมาณค่าความโค้งของพื้นผิวการตอบสนองและระบุจุดที่เหมาะสมที่สุดได้โดยใช้การทดลองน้อยลงมากเมื่อเทียบกับวิธีการที่มีอยู่ การออกแบบนี้ได้กลายเป็นศูนย์กลางของการปรับปรุงกระบวนการทางอุตสาหกรรมตลอดช่วงทศวรรษ 1950 และ 1960 และได้รับการเผยแพร่โดยหนังสือเรียน Empirical Model-Building and Response Surfaces (1987) ของ Box และ Draper ปัจจุบัน CCD ยังคงเป็นการออกแบบการทดลองอันดับสองที่ถูกอ้างอิงและนำไปใช้มากที่สุดในสาขาวิศวกรรม เคมี และวิทยาศาสตร์ชีวภาพ
ควรใช้เมื่อใด
ใช้ CCD เมื่อคุณต้องการปรับแบบจำลองอันดับสอง (กำลังสอง) เพื่อสร้างแผนที่และปรับปรุงการตอบสนองต่อเนื่องในช่วงของปัจจัยเชิงปริมาณ k (โดยทั่วไปคือ k = 2–6) เป็นตัวเลือกมาตรฐานในการศึกษาการปรับปรุงกระบวนการในสาขาวิศวกรรมเคมี การพัฒนายา วิทยาศาสตร์อาหาร และการผลิต เมื่อคุณคาดหวังความโค้งในความสัมพันธ์ระหว่างปัจจัยและการตอบสนอง หรือเมื่อแบบจำลองอันดับหนึ่งแสดงการขาดความเหมาะสมอย่างมีนัยสำคัญ CCD จะเป็นที่นิยมกว่าการออกแบบ Box-Behnken เมื่อคุณสามารถจัดสรร (หรือต้องการ) การตั้งค่าปัจจัยที่จุดแกนสุดขั้วนอกเหนือจากช่วงแฟกทอเรียล และดีกว่าการออกแบบแฟกทอเรียลเต็ม 3^k เมื่อความประหยัดในการทดลองมีความสำคัญ อย่าใช้ CCD กับปัจจัยเชิงคุณภาพ ตัวแปรการตอบสนองแบบทวิภาคหรือแบบนับ หรือเมื่อพื้นที่การทดลองมีข้อจำกัดทางเรขาคณิตจนทำให้จุดแกนอยู่นอกช่วงการทำงานที่เป็นไปได้ (ในกรณีนี้ การออกแบบ Box-Behnken หรือ D-optimal จะเหมาะสมกว่า) หลีกเลี่ยง CCD หากยังไม่ได้ใช้แบบจำลองอันดับหนึ่งพร้อมกลยุทธ์การไต่ระดับสูงสุด (steepest-ascent) เพื่อย้ายการออกแบบไปยังบริเวณใกล้เคียงจุดที่เหมาะสมที่สุด — การปรับแบบจำลองกำลังสองที่ห่างจากจุดที่เหมาะสมที่สุดเป็นการสิ้นเปลืองการทดลอง
ข้อจำกัดและข้อควรพิจารณา
- ต้องการให้ปัจจัยทั้งหมดเป็นแบบต่อเนื่องและเชิงปริมาณ ไม่สามารถจัดการกับปัจจัยเชิงคุณภาพได้หากไม่มีการปรับเปลี่ยน
- จุดแกนที่ระยะห่าง alpha > 1 จะอยู่นอกเหนือลูกบาศก์แฟกทอเรียล ซึ่งอาจเป็นไปไม่ได้เมื่อระดับปัจจัยมีข้อจำกัดทางกายภาพ
- เมื่อ k เพิ่มขึ้น (k > 5) จำนวนครั้งทั้งหมดจะเพิ่มขึ้นอย่างรวดเร็วและความต้องการทรัพยากรจะสูงขึ้นอย่างมาก
- แบบจำลองกำลังสองเป็นการประมาณค่าเฉพาะที่ หากพื้นผิวการตอบสนองที่แท้จริงมีความไม่เป็นเชิงเส้นอันดับสูงกว่า แบบจำลอง CCD ก็อาจยังแสดงการขาดความเหมาะสมใกล้จุดที่เหมาะสมที่สุด
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- ประมาณค่าสัมประสิทธิ์ทั้งหมดของพหุนามอันดับสองเต็มรูปแบบได้อย่างมีประสิทธิภาพด้วยจำนวนครั้งน้อยกว่าการออกแบบแฟกทอเรียล 3^k
- การหมุนได้ (Rotatability): CCD แบบศูนย์กลางหน้าหรือแบบหมุนได้ให้ความแปรปรวนของการคาดการณ์ที่เท่ากันที่ทุกจุดซึ่งอยู่ห่างจากศูนย์กลางการออกแบบเท่ากัน ให้ความแม่นยำในการคาดการณ์ที่สม่ำเสมอ
- การทำซ้ำจุดศูนย์กลางให้ค่าประมาณอิสระของข้อผิดพลาดที่แท้จริง ทำให้สามารถทำการทดสอบการขาดความเหมาะสม (lack-of-fit test) ที่ถูกต้องได้
- ความยืดหยุ่น: สามารถสร้างขึ้นตามลำดับได้ — ทำการทดลองแกนกลางแฟกทอเรียลก่อน (เป็นการออกแบบคัดกรอง) จากนั้นจึงเพิ่มจุดแกนและจุดศูนย์กลางหากตรวจพบความโค้ง
- ได้รับการสนับสนุนอย่างดีในซอฟต์แวร์ทางสถิติมาตรฐาน (JMP, Minitab, แพ็กเกจ rsm ของ R, SAS PROC RSREG)
การประยุกต์ใช้
- การพัฒนากระบวนการทางเภสัชกรรม: การปรับแรงอัดเม็ดยา ความชื้นในการแกรนูล และความเข้มข้นของสารช่วยประสาน เพื่อเพิ่มอัตราการละลายและความแข็งสูงสุดไปพร้อมกัน
- วิศวกรรมเคมี: การสร้างแผนที่ผลผลิตและการเลือกสรร (selectivity) ตามฟังก์ชันของอุณหภูมิปฏิกิริยา ความดัน และปริมาณตัวเร่งปฏิกิริยา เพื่อค้นหาจุดที่เหมาะสมที่สุดในการดำเนินงาน
- วิทยาศาสตร์อาหาร: การปรับสภาวะการอบหรือการหมัก (เวลา อุณหภูมิ สัดส่วนส่วนผสม) เพื่อคุณภาพเนื้อสัมผัสและประสาทสัมผัส
- วิศวกรรมสิ่งแวดล้อม: การสร้างแบบจำลองประสิทธิภาพการกำจัดมลพิษตามฟังก์ชันของ pH เวลาสัมผัส และปริมาณสารดูดซับในการศึกษาการบำบัดน้ำ
- การผลิต: การปรับพารามิเตอร์การตัดเฉือน (ความเร็วตัด อัตราป้อน ความลึกตัด) เพื่อลดความหยาบของพื้นผิวและการสึกหรอของเครื่องมือ
- วัสดุศาสตร์: การปรับความแข็งแรงหรือการนำไฟฟ้าตามฟังก์ชันขององค์ประกอบและสภาวะการแปรรูป เพื่อเป็นแนวทางในการกำหนดสูตรโลหะผสมหรือโพลิเมอร์
วิธีการทำงาน
วิธีการทำงาน
ระบุปัจจัยเชิงปริมาณต่อเนื่อง k ที่จะศึกษา และกำหนดระดับแฟกทอเรียลต่ำสุดและสูงสุด (เข้ารหัส -1 และ +1) เลือกระยะห่างแกน alpha — สำหรับการหมุนได้ (rotatability) alpha = (2^k)^(1/4); สำหรับ CCD แบบศูนย์กลางหน้า (face-centered) alpha = 1 กำหนดจำนวนครั้งที่ทำซ้ำจุดศูนย์กลาง n0 (โดยทั่วไปคือ 3–6) เพื่อประมาณค่าข้อผิดพลาดที่แท้จริงและรักษาเสถียรภาพของความแปรปรวน
ประกอบส่วนประกอบทั้งสามเข้าด้วยกัน: (1) แกนกลางแฟกทอเรียลเต็ม 2^k หรือแกนกลางแฟกทอเรียลบางส่วน 2^(k-p) ที่เหมาะสม ซึ่งให้จำนวนครั้งที่มุม 2^k (หรือน้อยกว่า); (2) จุดแกน (ดาว) 2k ที่วางไว้ที่ระยะห่าง alpha จากจุดศูนย์กลางตามแกนของแต่ละปัจจัย; และ (3) การทดลองที่จุดศูนย์กลาง n0 ที่จุดกำเนิด จำนวนครั้งทั้งหมดคือ N = 2^k + 2k + n0 สำหรับ k=2 ปัจจัย โดยทั่วไปคือ 13 ครั้ง; สำหรับ k=3 ประมาณ 20 ครั้ง
สูตร
N = 2^k + 2k + n_0
ดำเนินการทดลอง N ครั้งตามลำดับแบบสุ่มเพื่อป้องกันอคติที่เป็นระบบจากแนวโน้มตามเวลาหรือการเปลี่ยนแปลงของอุปกรณ์ บันทึกค่าการตอบสนองสำหรับแต่ละครั้ง หากทรัพยากรเอื้ออำนวย การแบ่งบล็อกส่วนแฟกทอเรียลและแกนออกเป็นช่วงการทดลองที่แยกจากกันจะรักษาคุณสมบัติการหมุนได้ (rotatability) ในขณะเดียวกันก็ควบคุมความแปรปรวนระหว่างวัน
ใช้การถดถอยกำลังน้อยที่สุด (least squares regression) เพื่อปรับแบบจำลองพหุนามอันดับสองเต็มรูปแบบ: y = beta0 + sum(beta_i * x_i) + sum(beta_ii * x_i^2) + sum(beta_ij * x_i * x_j) + epsilon แบบจำลองนี้ครอบคลุมผลกระทบหลัก ผลกระทบกำลังสองบริสุทธิ์ (ความโค้ง) และอันตรกิริยาระหว่างสองปัจจัย โครงสร้างจุดของ CCD ทำให้มั่นใจได้ว่าสัมประสิทธิ์อันดับสองทั้งหมดสามารถประมาณค่าได้
สูตร
y = \beta_0 + \sum_{i}\beta_i x_i + \sum_{i}\beta_{ii}x_i^2 + \sum_{i<j}\beta_{ij}x_ix_j + \varepsilonประเมินความเหมาะสมของแบบจำลองผ่านการวิเคราะห์ความแปรปรวน (ANOVA) ค่าสัมประสิทธิ์การตัดสินใจ (R^2 และ adjusted R^2) แผนภาพส่วนที่เหลือ (residual plots) และการทดสอบการขาดความเหมาะสม (lack-of-fit test) (ซึ่งเปิดใช้งานโดยการทำซ้ำจุดศูนย์กลาง) ยืนยันว่าแบบจำลองตรงตามข้อสมมติฐานของการถดถอย — การแจกแจงปกติและความแปรปรวนคงที่ของส่วนที่เหลือ — ก่อนที่จะสรุปผล
ใช้พื้นผิวการตอบสนองที่ปรับได้เพื่อระบุจุดที่เหมาะสมที่สุด — ค่าสูงสุด ค่าต่ำสุด หรือจุดอานม้า — ผ่านการวิเคราะห์เชิงทฤษฎี (canonical analysis) แผนภาพคอนทัวร์ (contour plots) หรือการปรับให้เหมาะสมด้วยฟังก์ชันความพึงพอใจเชิงตัวเลข (numerical desirability-function optimization) ตรวจสอบจุดที่เหมาะสมที่สุดที่คาดการณ์ไว้ด้วยการทดลองยืนยันหนึ่งครั้งหรือมากกว่าที่การตั้งค่าปัจจัยที่เหมาะสมที่สุดก่อนที่จะดำเนินการเปลี่ยนแปลงการดำเนินงาน
ข้อผิดพลาดที่พบบ่อย
- การทำการทดลองที่ห่างจากจุดที่เหมาะสมที่สุด — CCD เป็นการออกแบบอันดับสองที่มุ่งเน้นการปรับแต่งใกล้จุดที่เหมาะสมที่สุด ไม่ใช่สำหรับการสำรวจในวงกว้าง ควรใช้การออกแบบคัดกรองและกลยุทธ์การไต่ระดับสูงสุดก่อน
- การละเลยการทดสอบการขาดความเหมาะสม — จุดศูนย์กลางมีไว้เพื่อทดสอบว่าแบบจำลองกำลังสองเหมาะสมหรือไม่ สัญญาณการขาดความเหมาะสมที่สำคัญหมายความว่าแบบจำลองไม่เพียงพอและข้อสรุปเกี่ยวกับการปรับปรุงไม่น่าเชื่อถือ
- การไม่สุ่มลำดับการทดลอง — การดำเนินการบล็อกแฟกทอเรียลตามด้วยบล็อกแกนและจุดศูนย์กลางโดยไม่มีการสุ่ม จะทำให้ผลกระทบตามเวลาปะปนกับผลกระทบของปัจจัย
- การเลือก alpha โดยไม่ตรวจสอบความเป็นไปได้ — CCD แบบหมุนได้ (alpha = (2^k)^(1/4)) วางจุดแกนไว้นอกช่วงแฟกทอเรียล ควรตรวจสอบเสมอว่าระดับปัจจัยที่ได้นั้นสามารถทำได้จริงทางกายภาพก่อนที่จะสรุปการออกแบบ
- การตีความพื้นผิวที่ห่างจากบริเวณการออกแบบมากเกินไป — แบบจำลองกำลังสองที่ปรับได้นั้นเชื่อถือได้เฉพาะภายในบริเวณการทดลองเท่านั้น การประมาณค่าภายนอกเพื่อหาจุดที่เหมาะสมที่สุดทั่วโลกนอกบริเวณนั้นจึงไม่สมเหตุสมผลทางสถิติ
คำถามที่พบบ่อย
อะไรคือความแตกต่างระหว่าง CCD แบบศูนย์กลางหน้าและ CCD แบบหมุนได้?
ใน CCD แบบศูนย์กลางหน้า (alpha = 1) จุดแกนจะอยู่ที่หน้าของลูกบาศก์แฟกทอเรียล ดังนั้นการตั้งค่าปัจจัยทั้งหมดจะอยู่ในช่วง [-1, +1] ซึ่งมีประโยชน์เมื่อการเปลี่ยนแปลงแกนไม่สามารถทำได้ ใน CCD แบบหมุนได้ alpha = (2^k)^(1/4) วางจุดแกนไว้นอกเหนือออกไปอีก ซึ่งให้ความแปรปรวนของการคาดการณ์ที่เท่ากันที่ทุกจุดซึ่งอยู่ห่างจากศูนย์กลางเท่ากัน (การหมุนได้) แต่ต้องการระดับปัจจัยนอกเหนือจากช่วงแฟกทอเรียล เลือกแบบศูนย์กลางหน้าเมื่อข้อจำกัดทางกายภาพป้องกันการตั้งค่าสุดขั้ว; เลือกแบบหมุนได้เมื่อความแม่นยำในการคาดการณ์ที่สม่ำเสมอทั่วทั้งทรงกลมของการออกแบบเป็นสิ่งสำคัญอันดับแรก
ฉันควรใช้การทำซ้ำจุดศูนย์กลางกี่ครั้ง?
คำแนะนำมาตรฐานคือ 3–6 ครั้ง การทำซ้ำสามครั้งเป็นจำนวนขั้นต่ำที่ใช้งานได้จริงเพื่อให้ได้การทดสอบการขาดความเหมาะสมที่มีความหมายและค่าประมาณข้อผิดพลาดที่แท้จริงที่เสถียร การใช้จุดศูนย์กลาง 5–6 ครั้งช่วยเพิ่มเสถียรภาพของค่าประมาณความแปรปรวน และแนะนำให้ใช้เมื่อคาดว่าจะมีสัญญาณรบกวนจากการทดลองสูง การทำซ้ำจุดศูนย์กลางมากกว่าหกครั้งมักไม่ค่อยให้ประโยชน์ที่สอดคล้องกันและเพิ่มจำนวนครั้งทั้งหมด
ฉันสามารถใช้ CCD เมื่อฉันมีปัจจัยมากกว่าหกปัจจัยได้หรือไม่?
ได้ แต่ความประหยัดในการทดลองจะลดลง สำหรับ k > 5 แกนกลางแฟกทอเรียลเต็ม 2^k จะมีค่าใช้จ่ายสูง ดังนั้นผู้ปฏิบัติงานมักจะใช้แฟกทอเรียลบางส่วนที่มีความละเอียด V แทน ซึ่งเป็นการสร้าง Central Composite Design แบบบางส่วน ซอฟต์แวร์เช่น JMP หรือ Minitab จะทำการสร้างนี้โดยอัตโนมัติ สำหรับ k > 6 การออกแบบที่สร้างด้วยคอมพิวเตอร์แบบ D-optimal หรือ I-optimal มักจะให้ทางเลือกที่มีประสิทธิภาพในการทดลองมากกว่า CCD แบบดั้งเดิมใดๆ
CCD เปรียบเทียบกับ Box-Behnken design อย่างไร?
ทั้งสองเป็นการออกแบบพื้นผิวการตอบสนองอันดับสองสำหรับปัจจัย k >= 3 CCD ประกอบด้วยจุดมุม (แฟกทอเรียล) บวกจุดแกน บวกจุดศูนย์กลาง; Box-Behnken ใช้เฉพาะจุดกึ่งกลางขอบและจุดศูนย์กลาง ดังนั้นจึงไม่ต้องการการรวมปัจจัยที่มุมสุดขั้วของพื้นที่การออกแบบ Box-Behnken จะเป็นที่นิยมเมื่อการตั้งค่าที่มุมเป็นอันตรายหรือไม่สามารถทำได้ทางกายภาพ และเมื่อไม่สามารถบรรลุจุดแกน alpha > 1 ได้ CCD จะเป็นที่นิยมเมื่อการตั้งค่าที่มุมสามารถทำได้ และเมื่อต้องการกลยุทธ์การสร้างตามลำดับ (augmentation) เนื่องจากบล็อกแฟกทอเรียลสามารถทำหน้าที่สองอย่างเป็นการทดลองคัดกรองก่อนหน้านี้ได้
ฉันสามารถใช้ซอฟต์แวร์ใดในการตั้งค่าและวิเคราะห์ CCD?
แพ็กเกจทางสถิติหลักทั้งหมดรองรับ CCD: Minitab (Response Surface > Central Composite), JMP (Custom Design หรือแพลตฟอร์ม Response Surface), SAS PROC RSREG และ R พร้อมแพ็กเกจ rsm (ฟังก์ชัน ccd()) แพ็กเกจ rsm มีให้ใช้งานฟรีและมีกระบวนการทำงานทั้งหมดสำหรับการสร้างการออกแบบ การปรับแบบจำลอง และการสร้างแผนภาพพื้นผิว
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Box, G. E. P., & Wilson, K. B. (1951). On the experimental attainment of optimum conditions. Journal of the Royal Statistical Society: Series B, 13(1), 1–45.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้วMontgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.
ISBN: 978-1119492443คัดลอกแล้ว