İçeriğe atla
Arama sonuçlarına dön

Deneysel Tasarım - DT

Ortaya koyan
Ronald A. Fisher
Yıl
1935
Tür
Experimental planning framework
Aile
Engineering methods

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Deneysel Tasarım (DT), birden çok girdi faktörünün aynı anda bir veya daha fazla çıktıyı nasıl etkilediğini belirlemek için kontrollü deneylerin planlanması, yürütülmesi ve analiz edilmesi için sistematik bir çerçevedir.

Ronald A. Fisher tarafından 1935'te tanıtılan DT, araştırmacıların ve mühendislerin nedensel ilişkileri belirlemesine, faktör etkilerini ölçmesine ve tek faktörlü yaklaşımlardan çok daha az deneme kullanarak optimum ayarları verimli bir şekilde bulmasına olanak tanır. Mühendislik, imalat, tarım ve uygulamalı bilimlerde temel bir yöntemdir.

Yöntemin mantığı

Bir kimyasal işlemin verimini iyileştirmek istediğinizi ve sıcaklık, basınç ve reaksiyon süresinin hepsinin önemli olduğunu düşündüğünüzü varsayalım; ancak her kombinasyonu tek tek test etmek aylar sürer. DT, her faktörün etkisini ve tüm etkileşimlerini aynı anda tahmin etmenizi sağlayan yapılandırılmış bir dizi deneysel deneme önererek bu sorunu çözer. Temel fikir, birden çok faktörü kasıtlı bir desende aynı anda değiştirerek, tek seferde yalnızca bir şeyi değiştirerek elde ettiğinizden daha fazla bilgi toplamanız ve tek faktörlü bir yaklaşımın tamamen kaçıracağı sinerjik veya antagonistik etkileşimleri tespit edebilmenizdir.

Tarih

Ronald A. Fisher, deneysel tasarımın temel ilkelerini - rastgeleleştirme, tekrarlama ve bloklama - Rothamsted Deneysel İstasyonu'nda çalışırken geliştirdi ve Deneysel Tasarım (1935) adlı eserinde yayınladı. Frank Yates ve Oscar Kempthorne, 1940'lar ve 1950'ler boyunca teorik temelleri genişlettiler. George Box ve meslektaşları, 1950'lerde yanıt yüzeyi metodolojisini öncülük ederek DT'yi süreç optimizasyonu için uyarladılar. Genichi Taguchi, 1980'lerde sağlam mühendislik tasarımı için dik açılı dizi yaklaşımını tanıttı. Douglas Montgomery'nin ders kitabı (ilk baskı 1976, şimdi dokuzuncu baskısında) standart endüstriyel referans haline geldi.

Ne zaman kullanılır?

Çok sayıda kontrol edilebilir girdisi ve ölçülebilir çıktısı olan bir süreci anlamanız veya optimize etmeniz gerektiğinde ve plansız deney maliyetinin yüksek olduğu durumlarda DT tercih edilen yöntemdir. Süreç geliştirme, ürün formülasyonu, mühendislik optimizasyonu ve kalite iyileştirme için idealdir. Faktör seviyelerini aktif olarak ayarlayabildiğiniz ve deneysel koşulları kontrol edebildiğinizde DT kullanın. Manipüle edilemeyen faktörler olduğunda (yalnızca gözlemsel veriler - bunun yerine regresyon veya gözlemsel çalışma tasarımları kullanın), yalnızca tek bir faktörü değiştirebildiğinizde (basit bir kontrollü deney yeterlidir) veya fiziksel deneyler çok pahalıysa ve önce bir bilgisayar simülasyonu vekil modeli (metamodel) oluşturulmamışsa kullanmayın.

Sınırlar ve dikkat edilmesi gerekenler

  • Faktör seviyelerini aktif olarak kontrol etme ve ayarlama yeteneği gerektirir - tamamen gözlemsel ayarlar kapsam dışındadır.
  • Tam faktöriyel tasarımlar, faktör sayısı ile üssel olarak büyür, bu da onları kesirleştirmeden beş veya altı faktörün ötesinde pratik olmaktan çıkarır.
  • Model geçerliliği, seçilen tasarım çözünürlüğüne bağlıdır; düşük çözünürlüklü kesirli tasarımlar, ana etkileri etkileşimlerle karıştırır ve potansiyel olarak yanıltıcı sonuçlara yol açar.
  • Deney sırasında kararlı bir süreç varsayar; süreç sürüklenmesi veya kontrolsüz kaymalar rastgeleleştirme varsayımını geçersiz kılar.

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Tek tek faktör denemelerinin kaçırdığı sinerjileri ortaya çıkararak tüm ana etkileri ve etkileşimleri aynı anda tahmin eder.
  • Tükenen tek faktörlü denemelere kıyasla gereken toplam deneme sayısını önemli ölçüde azaltır.
  • Rastgeleleştirme ve bloklama, nedensel çıkarım ve geçerli istatistiksel testler için sağlam bir temel sağlar.
  • Aynı çerçeve içinde basit iki seviyeli tarama tasarımlarından karmaşık yanıt yüzeyi optimizasyonuna kadar ölçeklenir.
  • Sonuçlar doğrudan eyleme geçirilebilir: optimum ayarlar, tahmin denklemleri ve etkiler üzerindeki güven aralıkları.

Uygulama alanları

  • Üretim süreci parametrelerinin (sıcaklık, basınç, besleme hızı) ürün verimini ve kalitesini maksimize etmek için optimize edilmesi.
  • Tüketici ürünlerinin formülasyonu - duyusal ve stabilite hedeflerini karşılayan bileşen seviyelerinin ve işlem koşullarının belirlenmesi.
  • Hızlandırılmış güvenilirlik testi - ürün ömrünü en çok etkileyen stres faktörlerinin belirlenmesi.
  • Tarla denemeleri - gübre türlerinin, sulama seviyelerinin ve ürün çeşitlerinin aynı anda değerlendirilmesi.
  • Farmasötik süreç geliştirme ve ICH Q8/Q9 yönergeleri uyarınca analitik yöntem doğrulama.
  • Yazılım performansı kıyaslaması - darboğazları belirlemek için yapılandırma parametrelerinin sistematik olarak değiştirilmesi.

Nasıl çalışır?

Nasıl çalışır?

1

Deneyci, amacı (verimi maksimize etmek, kusurları minimize etmek, ilişkileri anlamak) tanımlar, ölçülecek çıktı değişkenini belirler ve girdi faktörlerini ve seviyelerini seçer. Kontrol edilemeyen rahatsız edici değişkenler belirlenir ve bloklama veya rastgeleleştirme ile ele alınır. Açık bir problem ifadesi, yanlış soru üzerinde boşa harcanan denemeleri önler.

2

Deneysel tasarım matrisi, faktör sayısı, istenen çözünürlük ve mevcut deneme bütçesine göre seçilir. Seçenekler, tam faktöriyel tasarımlardan (faktör seviyelerinin tüm kombinasyonları) kesirli faktöriyel, yanıt yüzeyi tasarımlarına (Merkezi Kompozit, Box-Behnken) ve Taguchi dizilerine kadar uzanır. Matris, hangi faktör-seviye kombinasyonlarının test edileceğini ve hangi rastgeleleştirilmiş sırada yapılacağını tam olarak belirtir.

3

Deneyler, rastgeleleştirilmiş tasarım tarafından belirtilen sıraya göre yürütülür. Rastgeleleştirme, zaman eğilimlerinden veya operatör öğrenme etkilerinden kaynaklanan sistematik yanlılığı önler. Tekrarlama - aynı işlemi birden fazla kez çalıştırmak - saf deneysel hata tahmini sağlar ve geçerli anlamlılık testlerini mümkün kılar.

4

Çıktılar, faktörlerin ve etkileşimlerinin doğrusal (veya karesel) bir fonksiyonu olarak modellenir: y = beta_0 + toplam(beta_i * x_i) + toplam(beta_ij * x_i * x_j) + epsilon. Varyans analizi (ANOVA), toplam değişkenliği faktör etkilerine ve hataya ayırarak hangi faktörlerin ve etkileşimlerin istatistiksel olarak anlamlı olduğunu belirler. Etki grafikleri, etkileşim grafikleri ve artık tanılamalar yorumlamayı destekler.

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

Anlamlı etkiler eyleme geçirilebilir kararlara dönüştürülür: optimum faktör ayarları belirlenir (yanıt yüzeyi optimizasyonu kullanılarak), tahminleri doğrulamak için doğrulama denemeleri yapılır ve bulgular belgelenir. Ana varsayımlar (normallik, sabit varyans) ihlal edilirse, sonuçlara varmadan önce dönüşümler veya alternatif modeller uygulanır.

Sık yapılan hatalar

  • Önemli faktörlerin atlanması - kilit bir faktör hariç tutulursa, varyasyonu hata terimini şişirir ve gerçek etkileri maskeleyebilir; deney tasarlamadan önce kapsamlı neden-sonuç analizi esastır.
  • Rastgeleleştirmenin atlanması - deneyleri sistematik (rastgele olmayan) bir sırada çalıştırmak, zamana bağlı karıştırıcıların faktör etkileri gibi görünmesine izin vererek anlamlılık testlerini geçersiz kılar.
  • Etkileşimlerin göz ardı edilmesi - güçlü etkileşimler varken yalnızca ana etkilerin analizi, yanlış optimum ayarlara yol açar; her zaman etkileşim terimlerini çizin ve test edin.
  • Yetersiz tekrarlama - tekrarlama olmadan saf hata tahmini olmaz, gerçek etkileri gürültüden ayırt etmeyi imkansız hale getirir; en azından bazı merkez noktaları veya tekrar denemeleri dahil edilmelidir.
  • Yanıt modelinin aşırı uyumu - küçük bir veri kümesine yüksek dereceli bir polinom uydurmak, veriye uyan ancak kötü tahmin eden bir denklem üretir; bunun önlenmesi için ayarlanmış R-kare ve artık grafikler kullanın.

Sık sorulan sorular

DT, farklı kombinasyonları denemekten nasıl farklıdır?

Ad hoc denemeler tek seferde bir faktörü değiştirir, bu da etkileşimleri tespit edemez ve aynı deneysel alanı kapsamak için çok daha fazla deneme gerektirir. DT, her faktörün her seviyede diğer her faktörle (veya dikkatlice seçilmiş bir kesriyle) kombinasyon halinde test edilmesini sağlayan istatistiksel olarak dengeli bir tasarım matrisi kullanır, bu da minimum deneme ve geçerli hata tahminleriyle tüm etkilerin eş zamanlı tahminini sağlar.

Bir DT'ye kaç faktör dahil edebilirim?

Pratikte, tarama tasarımları (Plackett-Burman, Çözünürlük III kesirli faktöriyeller) hayati öneme sahip olanları belirlemek için 7-30+ faktörü verimli bir şekilde işleyebilir. Aktif faktörler belirlendikten sonra, optimizasyon için daha küçük bir takip tasarımı (yanıt yüzeyi veya 2-5 faktör üzerinde tam faktöriyel) kullanılır. Detaylı bir tasarıma çok fazla faktörle başlamak kaynak israfıdır; önce geniş başlayın ve tarayın.

Kesirli bir faktöriyel tasarımda çözünürlük nedir?

Çözünürlük, etkilerin ne derecede karıştığını tanımlar. Çözünürlük III tasarımları, ana etkileri iki faktörlü etkileşimlerle karıştırır - ilk tarama için kabul edilebilir. Çözünürlük IV tasarımları, iki faktörlü etkileşimleri kendi aralarında karıştırır ancak ana etkilerle karıştırmaz - etkileşimleri anlamak için daha iyidir. Çözünürlük V tasarımları, tüm ana etkileri ve iki faktörlü etkileşimleri tahmin edilebilir tutar - optimizasyon için tercih edilir. Hedefleriniz için uygun olan minimum çözünürlüğü her zaman seçin.

DT çalıştırmak için özel yazılıma ihtiyacım var mı?

Yazılım, tasarım oluşturma, rastgeleleştirme ve analizi önemli ölçüde kolaylaştırır. JMP, Minitab, Design-Expert ve R paketleri (FrF2, rsm) yaygın olarak kullanılmaktadır. Ancak, doğru tasarımı seçmek ve sonuçları doğru yorumlamak için temel ilkeleri - denge, rastgeleleştirme, karışıklık - anlamak gereklidir; yazılım tek başına bu bilginin yerini tutamaz.

Neden bir yanıt yüzeyi tasarımı yerine faktöriyel tasarım kullanmalıyım?

Faktörleri ayrık seviyelerde taramak veya karşılaştırmak istediğinizde bir faktöriyel tasarım kullanın. Yanıtta eğriliği modellemek ve optimum bir çalışma noktası bulmak istediğinizde bir yanıt yüzeyi tasarımına (Merkezi Kompozit veya Box-Behnken) geçin, çünkü bu tasarımlar ikinci dereceden bir polinom uydurmak için gereken merkez ve ara seviyeleri içerir.

İlgili yöntemler

Kaynaklar

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

    Yayın kaynağını aç
    Kopyalandı.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119492443
    Kopyalandı.