& 二水準部分階層實驗設計 (2 k-p )
DESCRIPTION
& 二水準部分階層實驗設計 (2 k-p ). 2 k-p Design 具有 k 個因子,每個因子有兩個水準,共有 2 k-p 次實驗。 2 k Design 所需之實驗次數隨 k( 因子數 ) 之增加而據增,例如 2 4 =16 、 2 6 =64 、 2 8 =256 、、、。然而,以 2 6 為例, 64 個實驗產生 64-1=63 個自由度,其中只有 C 6 1 =6 個自由度是主因子作用, C 6 2 =15 個自由度是給兩因子之交互作用,卻有 63-6-15=42 個自由度是給三個 ( 含 ) 以上的因子交互作用。 - PowerPoint PPT PresentationTRANSCRIPT
&Seven Advanced Statistics_DOE2 1
& 二水準部分階層實驗設計 (2k-p) 2k-p Design 具有 k 個因子,每個因子有兩個水準,共有 2k-p次實
驗。
2k Design 所需之實驗次數隨 k( 因子數 ) 之增加而據增,例如 24=16 、 26=64 、 28=256 、、、。然而,以 26為例, 64 個實驗產生 64-1=63 個自由度,其中只有 C6
1=6 個自由度是主因子作用, C62=
15 個自由度是給兩因子之交互作用,卻有 63-6-15=42 個自由度是給三個 ( 含 ) 以上的因子交互作用。
故,若以專業知識可以假設多因子交互作用是不顯著的,且可以予以忽略 ( 大多數情況是如此 ) ,則吾人只須做此 2k個實驗中的部份實驗,即可瞭解主因子作用以及低階之因子交互作用。
&Seven Advanced Statistics_DOE2 2
2k-p 實驗用途 2k-p Design 主要用於實驗初期的 Screening Experime
nts ,用以從多數可能之因子中篩選出具有顯著作用之因子,以為之後更詳細實驗之依據。
可用於產品與製程之設計。
可用於製程上之問題排除。
&Seven Advanced Statistics_DOE2 3
2k-p 基本理念 多數系統或製程之執行成效皆由主因子作用以及低階
之因子交互作用所決定。
部份階層實驗可被進一步用來投入涵蓋部份重要因子之較大實驗。
兩個以上之部份階層實驗可被整合來估計所有主因子作用以及因子之交互作用 。
&Seven Advanced Statistics_DOE2 4
23-1 設計 23 Design 分成兩個 23-1 Designs 。 符號表 (一 )
&Seven Advanced Statistics_DOE2 5
部分階層設計之產生器 (Generator) ABC 稱為此部份階層之產生器 (Generator) 。
&Seven Advanced Statistics_DOE2 6
23-1 設計之圖示 第一組之 ABC 皆為 + 號,其產生器為 I = ABC 。 第二組之 ABC 皆為 - 號,其產生器為 I = -ABC 。
&Seven Advanced Statistics_DOE2 7
23-1 Design (I=ABC) 在 23-1 Design (I=ABC) 中共有 4 次實驗, 4-1=3 個自
由度,可被用來估算各因子之主作用。
&Seven Advanced Statistics_DOE2 8
23-1 對比差異與平均效應 ContrastA = abc+a-b-c ContrastAB = abc+c-a-b
ContrastB = abc+b-a-c ContrastAC = abc+b-a-c ContrastC = abc+c-a-b ContrastBC = abc+a-b-c
AEA = 1/2(abc+a-b-c) = AEBC
AEB = 1/2(abc+b-a-c) = AEAC
AEC = 1/2(abc+c-a-b) = AEAB
&Seven Advanced Statistics_DOE2 9
Alias 關係 計算 A 平均效應之公式與計算 BC 平均效應之公式相
同;亦即,當吾人利用上述之公式計算 A 之平均效應時,實際上,乃是在做 A+BC 之平均效應計算。此種現象稱之為 Alias ,以 lA A+BC 來表示。
所以,在 23-1 Design (I=ABC) 下之 Aliases 為lA A+BClB B+AClC C+AB
&Seven Advanced Statistics_DOE2 10
23-1 Design (I=-ABC) 下之 Aliases 在 23-1 Design (I=-ABC) 下之 Aliases 為
l`A A-BCl`B B-ACl`C C-AB
WHY?
&Seven Advanced Statistics_DOE2 11
連續部分階層實驗 若吾人做兩階段之實驗皆為 23-1 Design ,但第一次用
I=ABC ,第二次用 I=-ABC ,則因為lA A+BCl`A A-BC
所以(lA + l`A )/2 A(lA – l`A )/2 BC
吾人可清楚界定出主因子作用與兩因子交互作用之大小,但對 ABC 而言,則無法估算,此為部份階層實驗所必須犧牲。
&Seven Advanced Statistics_DOE2 12
部份階層實驗之解析度 (Resolution) 定義:
一個具有解析度為 R 之設計, p- 因子交互作用之效應不與 R-p 因子交互作用之效應相互 Alias 。
解析度Ⅲ之設計:沒有任何主因子作用與其他主因子作用相互 Alias ;但主因子作用卻和 2 因子交互作用相互 Alias 。如 23-1 Design 。
解析度Ⅳ之設計:沒有任何主因子作用與其他主因子作用或 2 因子交互作用相互 Alias ;但 2 因子交互作用卻相互 Alias 。如 24-1 Design (I=ABCD) 。
解析度Ⅴ之設計:沒有任何主因子作用與其他主因子作用或 2 因子交互作用相互 Alias ;但 2 因子交互作用卻與 3 因子交互作用相互Alias 。如 25-1 Design (I=ABCDE) 。
&Seven Advanced Statistics_DOE2 13
2k-2 Design (1/4 階層設計 ) 2k-1 Design 需要一個 Generator I=ABCDE…. 最高階交互作用
來構建。
2k-2 Design 需要兩個 Generators 。
26-2 Design (I = ABCE = BCDF) ,建構之方式如 2k-1 Design ,下頁之表為利用第二種方式構建而成。
由於取 I=±ABCE 與 I = ±BCDF 共有 4 組,除了 ABCE 與 BCDF 外,應有另一個交互作用會被犧牲掉,此交互作用為
(ABCE)(BCDF) = AB2C2DEF = ADEF所以完整之寫法應為 I=ABCE=BCDF=ADEF
&Seven Advanced Statistics_DOE2 14
26-2 Design 符號表
&Seven Advanced Statistics_DOE2 15
26-2 Design (I = ABCE = BCDF=ADEF) 之 Aliases
A = BCE = DEF = ABCDFB = ACE = CDF = ABDEFC = E = F = AB = BC = ABD =
完整之 Aliases 結構如下頁。
&Seven Advanced Statistics_DOE2 16
&Seven Advanced Statistics_DOE2 17
26-2 Design 之計算 26-2 Design (I = ABCE = BCDF=ADEF) 共有 16 次實驗, 16-1=15
個自由度,可用以估算 6 個主因子作用及多數 2 因子交互作用。
其計算如下:ContrastA = ae+abf+acf+abce+adef+abd+acd+abcdef
-(1)-bef-cef-bc-df-bde-cde-bcdf平均效應:
AEA = ContrastA / 8SSA = ContrastA
2 / 16
其他因子之計算同此方法。
&Seven Advanced Statistics_DOE2 18
26-2 Design_Example 範例: “ 262.DX5”, 26-2 Design
(I = ABCE = BCDF=ADEF) 射出成型製程A 因子:溫度B 因子:轉速C 因子:固定之時間長短D 因子:循環時間E 因子:孔徑大小F 因子:壓力反應變數 Y :收縮程度
&Seven Advanced Statistics_DOE2 19
&Seven Advanced Statistics_DOE2 20
&Seven Advanced Statistics_DOE2 21
一般 2k-p Design 需要 p 個產生器 (Generators) 。
24-1 Design (I=ABCD) 26-2 Design (I = ABCE = BCDF)
每一作用 (Effect) 有 2p個 Aliases 。 23-1 Design (I=ABC) 中, lA A+BC 26-2 Design (I = ABCE = BCDF) 中, lA A+BCE+DEF+ABCDF
只允許 2k-p-1 個作用 ( 及其 Aliases) 被估算出來。
&Seven Advanced Statistics_DOE2 22
在 2k-p 中使用區隔化 (Blocking) 26-2 Design (I = ABCE = BCDF) 中,用 ABD 作區隔化:
&Seven Advanced Statistics_DOE2 23
&Seven Advanced Statistics_DOE2 24
&Seven Advanced Statistics_DOE2 25
&Seven Advanced Statistics_DOE2 26
&Seven Advanced Statistics_DOE2 27
Why/When to Use RSM?
已知此反應變數 (Response Variable) 受數個因子之影響 .
必須經由實驗設計所證實 .
吾人想知道此反應變數之最佳值 目標值 最大值 最小值
目的 : 如何設定因子之水準 ( 區間 ), 使反應變數 達到最佳值 .
&Seven Advanced Statistics_DOE2 28
RSM 之基本原理 真正的函數關係 Y = f(x1, x2) +
反應曲面 (Response Surface) = f(x1, x2)
若因子之區間縮小 , 則 f(x1, x2) 可用多項式來趨近 . 如 :Y = 0+1x1+2x2+…+kxk+first order)Y = 0+ixi+iix2
i+ ijxixj+second order)
&Seven Advanced Statistics_DOE2 29
反應曲面 - Example
&Seven Advanced Statistics_DOE2 30
The Method of Steepest Ascent
目的 : 為能快速達到最佳反應變數值之鄰近區域 . 假設 : 在遠離最佳反應變數值的地方 , 一般而言 , 使
用 First-order Model 已經足夠 . Steepest Ascent 是一種沿著最陡峭的路徑 ( 亦即反應
變數增加最快之方向 ), 循序往上爬升的方法 . 若用以求極小值 , 則稱為 Steepest Descent.
&Seven Advanced Statistics_DOE2 31
Steepest Ascent - 圖解
&Seven Advanced Statistics_DOE2 32
Steepest Ascent - Example
“525.DX5” 因子 : 1: 反應時間 (35 min.)
2: 反應溫度 (155 oF)反應變數 Y: 平均產出水準 (40%)
Coded Variable (X1;X2) = (-1 ~ 1; -1 ~ 1) Natural Variable ( 1; 2) = (30 ~ 40; 150 ~ 160)
&Seven Advanced Statistics_DOE2 33
Example 525 之實驗數據 重複中心點
Error 之估算 First-order Model
是否合適 ( Fit? )
&Seven Advanced Statistics_DOE2 34
Example 之 ANOVA Table
&Seven Advanced Statistics_DOE2 35
Example 之分析結果 實驗所得之回歸模式 (Regression Model) 為
y = 40.44 + 0.775x1 + 0.325x2
x1與 x2之係數 (0.775 and 0.325) 相對於係數之 standard error = sqrt(MSE/d.f.e) = 0.10 大的多 ; 故兩係數均顯著 .
下次實驗之移動方向 : 以移動係數最大之因子一個單位 ( 以 Coded Variable 為基礎 ), 故
選擇 x1 = 1, 則 x2 = (0.325/0.775) x1 = 0.42
&Seven Advanced Statistics_DOE2 36
Example 之後續實驗結果 ( 一 )
&Seven Advanced Statistics_DOE2 37
Example 之後續實驗結果 ( 二 )
&Seven Advanced Statistics_DOE2 38
Example 之後續實驗結果 ( 三 )-ANOVA 實驗所得之回歸模式 (Regression Model) 為
y = 78.97 + 1.00x1 + 0.50x2
需進一步之實驗以求取最佳點 .
&Seven Advanced Statistics_DOE2 39
Steepest Ascent 步驟 2k + nc center point 或 CCD 或 其他 First-order Model 顯著 , 且 Curvature 不顯著 ; 否則
已在最佳點附近 . 取係數之絕對值最大者 ; 選定其 Step Size xi. 其他因子之 Step Size =>
xi / i = xk / k
將 xi換算成 Natural Variable; 回到第一步驟 .
&Seven Advanced Statistics_DOE2 40
Second-order Model 之分析
當非常接近最佳點時 , First-order Model便不再適用 ; 此時應用 Second-order Model 或更高階之 Model 來趨近真實反應曲面的曲線 ( 曲面 ) 情形 .
&Seven Advanced Statistics_DOE2 41
Central Composite Design (CCD) - Example
“534.DX5”
&Seven Advanced Statistics_DOE2 42
CCD 結構圖
&Seven Advanced Statistics_DOE2 43
CCD Example 之 ANOVA
&Seven Advanced Statistics_DOE2 44
CCD Example 之反應曲面
&Seven Advanced Statistics_DOE2 45
CCD Example 之反應曲面 _Contour Plot