Skip to content
กลับไปยังผลการค้นหา

การออกแบบการทดลอง — DOE

ผู้เสนอ
Ronald A. Fisher
ปี
1935
ประเภท
Experimental planning framework
กลุ่มวิธี
Engineering methods

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การออกแบบการทดลอง (DOE) เป็นกรอบการทำงานที่เป็นระบบสำหรับการวางแผน ดำเนินการ และวิเคราะห์การทดลองที่มีการควบคุม เพื่อระบุว่าปัจจัยนำเข้าหลายอย่างส่งผลต่อผลลัพธ์หนึ่งอย่างหรือมากกว่านั้นพร้อมกันอย่างไร DOE ซึ่งริเริ่มโดย Ronald A. Fisher ในปี 1935 ช่วยให้นักวิจัยและวิศวกรสามารถระบุความสัมพันธ์เชิงสาเหตุ วัดผลกระทบของปัจจัย และค้นหาการตั้งค่าที่เหมาะสมที่สุดได้อย่างมีประสิทธิภาพ โดยใช้จำนวนครั้งที่ทำการทดลองน้อยกว่าแนวทางแบบปัจจัยเดียวที่ละครั้งมาก ถือเป็นพื้นฐานสำคัญในสาขาวิศวกรรม การผลิต เกษตรกรรม และวิทยาศาสตร์ประยุกต์

แนวคิดเบื้องหลังวิธีการ

สมมติว่าคุณต้องการปรับปรุงผลผลิตของกระบวนการทางเคมี และสงสัยว่าอุณหภูมิ ความดัน และเวลาทำปฏิกิริยา ล้วนมีความสำคัญ แต่การทดสอบทุกการผสมผสานทีละอย่างจะใช้เวลาหลายเดือน DOE แก้ปัญหานี้โดยการกำหนดชุดการทดลองที่มีโครงสร้าง ซึ่งเมื่อรวมกันแล้วจะช่วยให้คุณประเมินผลกระทบของแต่ละปัจจัยและปฏิสัมพันธ์ทั้งหมดพร้อมกันได้ ข้อคิดสำคัญคือ การเปลี่ยนแปลงปัจจัยหลายอย่างพร้อมกันในรูปแบบที่กำหนดไว้ล่วงหน้า จะทำให้คุณได้รับข้อมูลต่อการทดลองมากกว่าการเปลี่ยนแปลงเพียงสิ่งเดียวในแต่ละครั้ง และคุณสามารถตรวจจับปฏิสัมพันธ์แบบเสริมฤทธิ์หรือต่อต้านกันที่แนวทางแบบปัจจัยเดียวจะมองข้ามไปโดยสิ้นเชิง

ประวัติศาสตร์

Ronald A. Fisher ได้พัฒนาหลักการพื้นฐานของการออกแบบการทดลอง — การสุ่ม การทำซ้ำ และการแบ่งกลุ่ม — ขณะทำงานที่ Rothamsted Experimental Station และตีพิมพ์ใน The Design of Experiments (1935) Frank Yates และ Oscar Kempthorne ได้ขยายรากฐานทางทฤษฎีในช่วงทศวรรษที่ 1940 และ 1950 George Box และคณะ ได้บุกเบิกวิธีการพื้นผิวการตอบสนองในทศวรรษที่ 1950 โดยปรับ DOE สำหรับการหาค่าที่เหมาะสมที่สุดของกระบวนการ Genichi Taguchi ได้นำเสนอแนวทางอาร์เรย์ตั้งฉากสำหรับการออกแบบทางวิศวกรรมที่ทนทานในทศวรรษที่ 1980 ตำราเรียนของ Douglas Montgomery (ฉบับพิมพ์ครั้งแรกปี 1976 ปัจจุบันอยู่ในฉบับที่เก้า) ได้กลายเป็นเอกสารอ้างอิงมาตรฐานในอุตสาหกรรม

ควรใช้เมื่อใด

DOE เป็นวิธีการที่เลือกใช้เมื่อใดก็ตามที่คุณต้องการทำความเข้าใจหรือปรับปรุงกระบวนการที่มีปัจจัยนำเข้าที่ควบคุมได้หลายอย่างและผลลัพธ์ที่วัดได้ และเมื่อต้นทุนของการทดลองที่ไม่วางแผนไว้สูง เหมาะอย่างยิ่งสำหรับการพัฒนาผลิตภัณฑ์ การกำหนดสูตรผลิตภัณฑ์ การหาค่าที่เหมาะสมที่สุดทางวิศวกรรม และการปรับปรุงคุณภาพ ใช้ DOE เมื่อคุณสามารถกำหนดระดับปัจจัยและควบคุมสภาวะการทดลองได้ อย่าใช้เมื่อไม่สามารถจัดการปัจจัยได้ (ข้อมูลจากการสังเกตเท่านั้น — ใช้การถดถอยหรือการออกแบบการศึกษาจากการสังเกตแทน) เมื่อคุณมีปัจจัยเพียงอย่างเดียวที่จะเปลี่ยนแปลง (การทดลองที่มีการควบคุมอย่างง่ายก็เพียงพอ) หรือเมื่อการทดลองทางกายภาพมีราคาแพงเกินไปและยังไม่ได้สร้างแบบจำลองตัวแทนจากการจำลองด้วยคอมพิวเตอร์ (metamodel) ขึ้นมาก่อน

ข้อจำกัดและข้อควรพิจารณา

  • ต้องการความสามารถในการควบคุมและกำหนดระดับปัจจัยได้จริง — การตั้งค่าจากการสังเกตเท่านั้นอยู่นอกขอบเขต
  • การออกแบบแฟกทอเรียลเต็มรูปแบบเพิ่มขึ้นแบบทวีคูณตามจำนวนปัจจัย ทำให้ไม่สามารถปฏิบัติได้เกินกว่าห้าหรือหกปัจจัยหากไม่มีการแบ่งส่วน
  • ความถูกต้องของแบบจำลองขึ้นอยู่กับระดับความละเอียดของการออกแบบที่เลือก การออกแบบบางส่วนที่มีความละเอียดต่ำจะทำให้ผลกระทบหลักสับสนกับปฏิสัมพันธ์ ซึ่งอาจนำไปสู่ข้อสรุปที่ผิดพลาด
  • สมมติว่ากระบวนการมีความเสถียรระหว่างการทดลอง — การเปลี่ยนแปลงของกระบวนการหรือการเปลี่ยนแปลงที่ไม่สามารถควบคุมได้จะทำให้สมมติฐานการสุ่มเป็นโมฆะ

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ประมาณค่าผลกระทบหลักและปฏิสัมพันธ์ทั้งหมดพร้อมกัน เปิดเผยผลเสริมฤทธิ์ที่การทดลองแบบปัจจัยเดียวพลาดไป
  • ลดจำนวนครั้งที่ทำการทดลองทั้งหมดที่จำเป็นลงอย่างมาก เมื่อเทียบกับการทดสอบแบบปัจจัยเดียวที่ครอบคลุมทั้งหมด
  • การสุ่มและการแบ่งกลุ่มให้พื้นฐานที่เข้มงวดสำหรับการอนุมานเชิงสาเหตุและการทดสอบทางสถิติที่ถูกต้อง
  • ปรับขนาดได้ตั้งแต่การออกแบบการคัดกรองแบบสองระดับอย่างง่ายไปจนถึงการหาค่าที่เหมาะสมที่สุดของพื้นผิวการตอบสนองที่ซับซ้อนภายในกรอบการทำงานเดียวกัน
  • ผลลัพธ์สามารถนำไปปฏิบัติได้โดยตรง: การตั้งค่าที่เหมาะสมที่สุด สมการการคาดการณ์ และช่วงความเชื่อมั่นของผลกระทบ

การประยุกต์ใช้

  • การหาค่าที่เหมาะสมที่สุดของพารามิเตอร์กระบวนการผลิต (อุณหภูมิ ความดัน อัตราการป้อน) เพื่อเพิ่มผลผลิตและคุณภาพของผลิตภัณฑ์ให้สูงสุด
  • การกำหนดสูตรผลิตภัณฑ์สำหรับผู้บริโภค — การระบุระดับส่วนผสมและสภาวะกระบวนการที่ตรงตามเป้าหมายด้านประสาทสัมผัสและความเสถียร
  • การทดสอบความน่าเชื่อถือแบบเร่ง — การระบุว่าปัจจัยความเค้นใดส่งผลต่ออายุการใช้งานของผลิตภัณฑ์มากที่สุด
  • การทดลองภาคสนามทางการเกษตร — การประเมินชนิดปุ๋ย ระดับการให้น้ำ และพันธุ์พืชพร้อมกัน
  • การพัฒนาและตรวจสอบความถูกต้องของวิธีการวิเคราะห์กระบวนการทางเภสัชกรรมภายใต้แนวทาง ICH Q8/Q9
  • การวัดประสิทธิภาพซอฟต์แวร์ — การเปลี่ยนแปลงพารามิเตอร์การกำหนดค่าอย่างเป็นระบบเพื่อระบุคอขวด

วิธีการทำงาน

วิธีการทำงาน

1

ผู้ออกแบบการทดลองกำหนดวัตถุประสงค์ (เพิ่มผลผลิตสูงสุด ลดของเสียให้น้อยที่สุด ทำความเข้าใจความสัมพันธ์) ระบุตัวแปรตอบสนองที่จะวัด และเลือกปัจจัยนำเข้าและระดับของปัจจัยเหล่านั้น ตัวแปรที่รบกวนซึ่งไม่สามารถควบคุมได้จะถูกระบุและจัดการโดยการแบ่งกลุ่ม (blocking) หรือการสุ่ม (randomization) การกำหนดปัญหาที่ชัดเจนจะช่วยป้องกันการทดลองที่สูญเปล่ากับคำถามที่ไม่ถูกต้อง

2

เลือกเมทริกซ์การออกแบบการทดลองตามจำนวนปัจจัย ระดับความละเอียดที่ต้องการ และงบประมาณการทดลองที่มีอยู่ ตัวเลือกมีตั้งแต่การออกแบบแฟกทอเรียลเต็มรูปแบบ (การผสมผสานระดับปัจจัยทั้งหมด) ไปจนถึงแฟกทอเรียลบางส่วน การออกแบบพื้นผิวการตอบสนอง (Central Composite, Box-Behnken) และอาร์เรย์ Taguchi เมทริกซ์จะระบุการผสมผสานระดับปัจจัยที่จะทดสอบและลำดับการสุ่มที่แน่นอน

3

ดำเนินการทดลองตามลำดับที่ระบุโดยการออกแบบแบบสุ่ม การสุ่มช่วยป้องกันอคติที่เป็นระบบจากแนวโน้มตามเวลาหรือผลกระทบจากการเรียนรู้ของผู้ปฏิบัติงาน การทำซ้ำ (replication) — การทำการทดลองเดียวกันมากกว่าหนึ่งครั้ง — ให้การประมาณค่าความคลาดเคลื่อนของการทดลองที่แท้จริง ทำให้สามารถทดสอบนัยสำคัญได้อย่างถูกต้อง

4

ผลลัพธ์จะถูกจำลองแบบเป็นฟังก์ชันเชิงเส้น (หรือกำลังสอง) ของปัจจัยและปฏิสัมพันธ์ของปัจจัย: y = beta_0 + sum(beta_i * x_i) + sum(beta_ij * x_i * x_j) + epsilon การวิเคราะห์ความแปรปรวน (ANOVA) จะแบ่งความแปรปรวนทั้งหมดออกเป็นผลกระทบของปัจจัยและค่าความคลาดเคลื่อน โดยระบุว่าปัจจัยและปฏิสัมพันธ์ใดมีนัยสำคัญทางสถิติ แผนภาพผลกระทบ แผนภาพปฏิสัมพันธ์ และการวินิจฉัยค่าตกค้าง (residual diagnostics) สนับสนุนการตีความ

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

ผลกระทบที่มีนัยสำคัญจะถูกแปลเป็นการตัดสินใจที่นำไปปฏิบัติได้: ระบุการตั้งค่าปัจจัยที่เหมาะสมที่สุด (อาจใช้การหาค่าที่เหมาะสมที่สุดของพื้นผิวการตอบสนอง) ทำการทดลองยืนยันเพื่อตรวจสอบการคาดการณ์ และบันทึกผลการค้นพบ หากข้อสมมติฐานหลัก (ความเป็นปกติ ความแปรปรวนคงที่) ถูกละเมิด จะมีการแปลง (transformation) หรือใช้แบบจำลองทางเลือกก่อนที่จะสรุปผล

ข้อผิดพลาดที่พบบ่อย

  • การละเว้นปัจจัยสำคัญ — หากปัจจัยสำคัญถูกละเว้น การเปลี่ยนแปลงของปัจจัยนั้นจะเพิ่มค่าความคลาดเคลื่อนและสามารถบดบังผลกระทบที่แท้จริงได้ การวิเคราะห์สาเหตุและผลกระทบอย่างละเอียดก่อนออกแบบการทดลองเป็นสิ่งจำเป็น
  • การข้ามการสุ่ม — การทำการทดลองตามลำดับที่เป็นระบบ (ไม่ใช่แบบสุ่ม) ช่วยให้ปัจจัยรบกวนที่เกี่ยวข้องกับเวลาสามารถปลอมตัวเป็นผลกระทบของปัจจัย ทำให้การทดสอบนัยสำคัญเป็นโมฆะ
  • การละเลยปฏิสัมพันธ์ — การวิเคราะห์เฉพาะผลกระทบหลักเมื่อมีปฏิสัมพันธ์ที่รุนแรงอยู่ จะนำไปสู่การตั้งค่าที่เหมาะสมที่สุดที่ไม่ถูกต้อง — ควรพล็อตและทดสอบเทอมปฏิสัมพันธ์เสมอ
  • การทำซ้ำไม่เพียงพอ — หากไม่มีการทำซ้ำ จะไม่มีการประมาณค่าความคลาดเคลื่อนที่แท้จริง ทำให้ไม่สามารถแยกแยะผลกระทบที่แท้จริงออกจากสัญญาณรบกวนได้ ควรมีจุดกึ่งกลางหรือการทดลองซ้ำอย่างน้อยบางส่วน
  • การปรับแบบจำลองการตอบสนองมากเกินไป (Overfitting) — การปรับพหุนามอันดับสูงให้กับชุดข้อมูลขนาดเล็ก จะได้สมการที่เหมาะสมกับข้อมูล แต่คาดการณ์ได้ไม่ดี — ใช้ R-squared ที่ปรับแล้วและแผนภาพค่าตกค้างเพื่อป้องกันสิ่งนี้

คำถามที่พบบ่อย

DOE แตกต่างจากการลองผสมผสานต่างๆ อย่างไร

การทดลองแบบเฉพาะกิจจะเปลี่ยนแปลงปัจจัยทีละอย่าง ซึ่งไม่สามารถตรวจจับปฏิสัมพันธ์ได้และต้องใช้จำนวนครั้งที่มากกว่ามากในการครอบคลุมพื้นที่การทดลองเดียวกัน DOE ใช้เมทริกซ์การออกแบบที่สมดุลทางสถิติซึ่งรับประกันว่าแต่ละปัจจัยจะถูกทดสอบที่ทุกระดับร่วมกับปัจจัยอื่น ๆ ทั้งหมด (หรือส่วนที่เลือกไว้อย่างระมัดระวัง) ทำให้สามารถประมาณค่าผลกระทบทั้งหมดพร้อมกันได้โดยใช้จำนวนครั้งที่น้อยที่สุดและการประมาณค่าความคลาดเคลื่อนที่ถูกต้อง

ฉันสามารถรวมปัจจัยได้กี่อย่างในการทำ DOE

ในทางปฏิบัติ การออกแบบการคัดกรอง (Plackett-Burman, Fractional factorials Resolution III) สามารถจัดการปัจจัย 7–30+ อย่างได้อย่างมีประสิทธิภาพเพื่อระบุปัจจัยสำคัญเพียงไม่กี่อย่าง เมื่อระบุปัจจัยที่ทำงานแล้ว จะใช้การออกแบบติดตามผลขนาดเล็ก (response surface หรือ full factorial สำหรับ 2–5 ปัจจัย) เพื่อหาค่าที่เหมาะสมที่สุด การเริ่มต้นด้วยปัจจัยมากเกินไปในการออกแบบโดยละเอียดจะสิ้นเปลืองทรัพยากร — เริ่มต้นจากวงกว้างและคัดกรองก่อน

Resolution ในการออกแบบแฟกทอเรียลบางส่วนคืออะไร

Resolution อธิบายระดับที่ผลกระทบถูกทำให้สับสน (confounded) การออกแบบ Resolution III ทำให้ผลกระทบหลักสับสนกับปฏิสัมพันธ์สองปัจจัย — เหมาะสำหรับการคัดกรองเบื้องต้น การออกแบบ Resolution IV ทำให้ปฏิสัมพันธ์สองปัจจัยสับสนกันเอง แต่ไม่สับสนกับผลกระทบหลัก — ดีกว่าสำหรับการทำความเข้าใจปฏิสัมพันธ์ การออกแบบ Resolution V ทำให้ผลกระทบหลักและปฏิสัมพันธ์สองปัจจัยทั้งหมดสามารถประมาณค่าได้ — เป็นที่ต้องการสำหรับการหาค่าที่เหมาะสมที่สุด ควรเลือกระดับความละเอียดขั้นต่ำที่เหมาะสมกับเป้าหมายของคุณเสมอ

ฉันต้องใช้ซอฟต์แวร์พิเศษในการรัน DOE หรือไม่

ซอฟต์แวร์ช่วยให้การสร้างการออกแบบ การสุ่ม และการวิเคราะห์ง่ายขึ้นอย่างมาก JMP, Minitab, Design-Expert และแพ็คเกจ R (FrF2, rsm) เป็นที่นิยมใช้กันอย่างแพร่หลาย อย่างไรก็ตาม การทำความเข้าใจหลักการพื้นฐาน — ความสมดุล การสุ่ม การทำให้สับสน — เป็นสิ่งจำเป็นในการเลือกการออกแบบที่ถูกต้องและตีความผลลัพธ์ได้อย่างถูกต้อง ซอฟต์แวร์เพียงอย่างเดียวไม่สามารถทดแทนความรู้นั้นได้

เมื่อใดที่ฉันควรใช้การออกแบบพื้นผิวการตอบสนองแทนการออกแบบแฟกทอเรียล

ใช้การออกแบบแฟกทอเรียลเมื่อคุณต้องการคัดกรองหรือเปรียบเทียบปัจจัยที่ระดับที่ไม่ต่อเนื่อง เปลี่ยนไปใช้การออกแบบพื้นผิวการตอบสนอง (Central Composite หรือ Box-Behnken) เมื่อคุณต้องการจำลองแบบความโค้งในการตอบสนองและค้นหาจุดปฏิบัติงานที่เหมาะสมที่สุด เนื่องจาก การออกแบบเหล่านี้รวมถึงจุดกึ่งกลางและระดับระหว่างกลางที่จำเป็นในการปรับพหุนามอันดับสอง

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

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

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119492443
    คัดลอกแล้ว