Évtizedeken át ugyanazt ismételték az ipari statisztika órákon: a kísérleti tervek, mindezt a következő munkák között találták ki: Fisher (1926, majd A kísérletek tervezése (1935-ben) és az 1950-es években. Az elméletet teljesnek tekintették.
Ez már nem igaz. Egy nemrégiben tartott beszédében, Maurice Pillet, az Ellistat társalapítója és a minőségbiztosítás, valamint a Six Sigma franciaországi szakértője, két olyan megközelítést mutatott be, amelyek konkrétan megváltoztatják a vállalati tesztelés módját: a Okos tervezés és a’bayesi optimalizálás. Íme, a legfontosabb pontok.
A hagyományos kísérleti tervek korlátai
A kísérleti tervek A hagyományos módszerek óriási szolgálatot tettek. De olyan feltételezéseken alapulnak, amelyeket gyakran elfelejtünk.
A linearitás hipotézise
A két szintből álló terv (egy minimum, egy maximum) azt feltételezi, hogy a válasz a két határérték között lineárisan változik. Ez helyileg igaz, ahogyan a Föld is laposnak tűnik, ha a saját lábunkat nézzük. Amint a vizsgálati tartomány kiszélesedik, vagy a jelenség nem lineáris, a modell félrevezetővé válik. Többszintű modellekre kell áttérni, ami olyan kísérleti tervekhez vezet, amelyeknél a kísérletek száma gyakran elriasztóan magas.
A terminálok kiválasztása
Második buktató: ha a min és a max értékeket rosszul választották meg, előfordulhat, hogy az optimum a vizsgált tartományon kívül helyezkedik el. A terv ekkor ugyan helyes eredményt ad… de rossz helyen.
A szűrési sémák és az aliasok problémája
Számos tényező (például hat) esetén általában szűrőterveket alkalmaznak: a két szintű L12-es táblázatot, vagy a három szintet magában foglaló L18-at. Ezek legnagyobb hátránya, hogy a tényezők hatásai részben összekeverednek (aliasing) a kölcsönhatásokkal. Így lehetetlen egyértelműen megállapítani, hogy a megfigyelt hatás magából a tényezőből származik-e, vagy két tényező közötti kölcsönhatásból.
Smart Design: a főbb hatások, az ívelés és a kölcsönhatások elérése kevés kísérlettel
Egy hosszú ideig megvalósíthatatlan követelménylist
Az ipari vállalatok valójában mindkettőt akarják:
- egyértelműen ismerni a főbb hatásokat; ;
- felismerni az esetleges nemlineáris viselkedést; ;
- a jelentős kölcsönhatások azonosítása; ;
- két szintű kvalitatív tényezők és három szintű kvantitatív tényezők összekapcsolása; ;
- a lehető legkevesebb kísérletet végezni.
Egészen a közelmúltig, hat tényező esetén csak két lehetőség volt: a teljes (irreális) terv, vagy egy legalább 54 kísérletből álló válaszfelületi terv. A teljes modell (főhatások, másodfokú tagok, interakciók) azonban 28 együtthatót tartalmaz, amelyek közül a gyakorlatban a legtöbb nulla. A probléma az, hogy előre nem lehet tudni, melyek ezek.
Mit változtat meg a Smart Design?
Núñez és társai (2020) (2023) legújabb tudományos publikációi alapján egy új tervcsaládot sikerült kidolgozni. Legfontosabb tulajdonságuk: a főhatások sem a másodfokú tagokkal, sem az interakciókkal nem korrelálnak. Ha biztosak vagyunk a főhatásokban, és a fennmaradó korrelációk elég gyengék ahhoz, hogy becsülhessük a másodrendű hatásokat.
A Maurice Pillet által bemutatott példában (egy két szintű katalizátor, öt további három szintű tényező), 18 kísérletből álló terv elegendő ahol 54 kellett volna.
Hogyan elemezzük?
Ahelyett, hogy a hagyományos lépésenkénti kiválasztást alkalmazná (ami lehetetlen, ha a kísérletek száma kevesebb, mint az együtthatók száma), az elemzés a következő keresésen alapul: a kifejezések legjobb részhalmaza : a szoftver minden lehetséges kombinációt kipróbál, és a legmegfelelőbb modellt választja ki. Az eredmény visszaadja a jelenség tényleges szerkezetét, néha egy csekély hatással bíró, felesleges taggal együtt, ami azonban a következtetésekre gyakorlatilag nincs hatással.
Annak érdekében, hogy az eszköz a mindennapi gyakorlatban is használható legyen, több mint 2 000 vetületet előre kiszámítottak és beépítettek az Ellistat szoftverbe. A felhasználó megadja a paramétereit, a szoftver pedig felajánlja a rendelkezésre álló vetületeket azok minőségi kritériumainak feltüntetésével.
Maurice Pillet megállapítása egyértelmű: a vállalatnál szinte kizárólag Smart Design-okat készít.
Bayesi optimalizálás: a működési tartomány meghatározása, ha nem tudjuk, hol keressünk
A tipikus példa: a lézerhegesztés
Egyes eljárások «megakadnak»: egy beállítás működik, de ha megváltoztatunk egy paramétert, máris semmi sem működik. Maurice Pillet egy olyan esetet hoz fel, amikor ugyanazt az alkatrészt két beszállító hegesztette lézerrel, mindkettő teljesen eltérő beállításokkal, és egyiküknél sem volt igazán kielégítő az eredmény. Valószínűleg létezik egy olyan tartomány, ahol a folyamat tökéletesen működik. De hol?
Ebben az esetben egy klasszikus kísérleti terv, amely egy már körülhatárolt terület minden szegletét feltárja, nem megfelelő.
Rácsozni? Rossz ötlet
A természetes ösztön az, hogy rácsot rajzoljunk a térre: 4 × 4 = 16 kísérlet. A probléma az, hogy minden tényező minden értékét négyszer teszteljük, és egy kis kedvező terület kicsúszhat a rács szemei közül.
A töltési tervek (térkitöltő tervek) kiegyensúlyozottan osztják el a kísérleteket, és minden kísérlet minden tényező egy-egy különböző értékét vizsgálja. Ugyanannyi kísérlet mellett jelentősen megnő annak a valószínűsége, hogy «eltaláljuk» a megfelelő tartományt. De hogy biztosan ne maradjon ki semmi, kísértésbe eshetünk, hogy 100 kísérletre emeljük a számot… amelyek túlnyomó többsége azonban teljesen felesleges lenne.
A szekvenciális megközelítés: gauss-folyamatok + bayesi optimalizálás
A bayesi optimalizálás két matematikai eszközt ötvöz:
- A gauss-folyamatok, amelyek modellezik a válaszjelet és – ami a legfontosabb – a bizonytalanságot a terület minden egyes pontján. A polinomiális modellektől eltérően ez a bizonytalanság helyenként változik.
- A bayesi optimalizálás, amely két megközelítés között egyensúlyozva választja ki a következő kísérleteket: egyrészt kiaknázza az ígéretes területeket, másrészt feltárja azokat a még kevéssé ismert területeket, ahol a bizonytalanság jobb eredményre ad okot a reményre.
A folyamat lépésről lépésre halad: először körülbelül tíz kitöltési tervvel kapcsolatos kezdeti kísérletet végzünk, majd a szoftver javaslatot tesz a következő kísérletekre, megmagyarázva azok indokait. Ezeket elvégezzük, megfigyeljük a konvergenciát, és akkor állunk le, amikor az optimális területet kellőképpen dokumentáltuk. Ez a logika sokkal közelebb áll a technikusok intuíciójához, mint az a megközelítés, hogy «először elkészítem az egész tervet, majd elemzem».
A módszer megismerése érdekében az Ellistat szoftver tartalmaz egy bemutató módot, amely egy három tényezőből álló folyamatot (hőmérséklet, nyomás, ciklusidő) szimulál.
Smart Design vagy bayesi optimalizálás: mikor melyiket érdemes használni?
A két megközelítés nem áll egymással ellentétben, hanem különböző helyzetekre adnak választ:
- Intelligens tervezés : nagyjából ismeri a működési tartományt, és azt szeretné pontosan modellezni. Legfeljebb három szint, kevés beállítási változtatás – ideális megoldás, ha egy paraméter módosítása költséges.
- Bayesi optimalizálás : még nem ismerik jól a folyamatot, és ki kell deríteniük, hol működik. El kell fogadniuk, hogy gyakran kell módosítaniuk a beállításokat – ez a felfedezés előfeltétele.
Mindkét esetben ugyanaz a cél: az egyre összetettebb ipari problémák megoldása anélkül, hogy a kísérletek számát növelnénk.
Fejlett matematika, amely a felhasználó számára láthatatlan
Ezeknek a módszereknek hátterében bonyolult matematikai eszközök állnak. Az Ellistat célja, hogy ezeket átláthatóvá tegye. Ahogy Maurice Pillet összefoglalja: az eszközt nem statisztikusok, hanem technikusok számára fejlesztették ki.
Következtetés
A kísérleti tervek még nem mondták ki az utolsó szavukat. A Smart Designs segítségével 18 kísérlettel elérhető az, ami korábban 54-et igényelt, a fő hatások tekintetében pedig nincs kétértelműség. A bayesi optimalizálás utat nyit azoknak a folyamatoknak, amelyeket eddig tapogatózva állítottak be. A módszertani, minőségbiztosítási és folyamat-K+F csapatok számára ez kevesebb kísérletet, kevesebb anyagfelhasználást és robusztusabb beállításokat jelent.
GYIK
- Mi az a „Smart Design” a kísérleti tervben? Ez egy olyan, a közelmúltban kifejlesztett kísérleti tervcsalád, amely lehetővé teszi a fő hatások becslését anélkül, hogy azokat összetévesztenénk a kölcsönhatásokkal vagy a négyzethatásokkal, miközben ezeket a másodrendű hatásokat is nagyon kevés kísérlettel kimutathatjuk.
- Mi a különbség a szűrőterv és a Smart Design között? A hagyományos szűrőterv (L12, L18) részben összekeveri a tényezők hatásait és a kölcsönhatásokat. A Smart Design kiküszöböli ezt a kétértelműséget a főhatások tekintetében, és elfogadja a két- és háromszintű vegyes tényezőket.
- Mikor érdemes a bayesi optimalizálást alkalmazni a hagyományos kísérleti terv helyett? Amikor nem tudjuk, hol helyezkedik el egy folyamat működési tartománya, és azt fel kell tárni. Ha a tartományt már hozzávetőlegesen ismerjük, akkor a Smart Design a megfelelőbb megoldás.
- Statisztikusnak kell lenni ahhoz, hogy ezeket a módszereket alkalmazni lehessen? Nem. Az Ellistat szoftverben a számítások nem láthatók: a felhasználó megadja a paramétereket, elvégzi a javasolt vizsgálatokat, majd megtekinti az eredményeket.
