Запускаем программу статобработки данных (я использовал Minitab). Переходим Stat => DOE => Factorial => Create Factorial Design. Вносим конфигурацию, согласно инструкции ниже:
- Оставляем тип эксперимента (Type of Design) по умолчанию – 2-level factorial (default generator), – а в меню Number of factors (количество факторов) задаем значение 3:
- Нажимаем кнопку Design и в появившемся окне выбираем Full factorial:
И получаем план-матрицу эксперимента типа 23:
Все операции занимают чуть менее минуты. Возникает вопрос: для чего составлять план эксперимента вручную, если с помощью программы это сделать проще, быстрее, удобнее, надежнее?
Ответов может быть несколько. Как насчет “просто ради интереса” или “чтобы понимать откуда берутся все эти “+” и “–” в таблице”.
Составление матриц экспериментов не преподают на курсах шести сигм. По крайней мере, на тех курсах, на которых побывал я, об этом никто и словом не обмолвился. Наверное, считают это лишней информацией. Возможно и так, но лишняя не означает бесполезная.
В своей работе я часто составляю планы сам, а уже потом вношу их в программу. Таким образом, я планирую последовательность опытов, учитывая параметры, значения которых тяжело изменить в сжатые сроки. Такие параметры желательно менять как можно реже в ходе эксперимента – скажем один или два раза. К примеру, это может быть температура пресс-формы весом в тонну или сменная деталь станка, играющая роль одного из параметров и т.д.
- В первом случае из-за веса пресс-формы изменение температуры от опыта к опыту может занимать свыше получаса, следовательно, перерыв между каждым опытом составит то же значение. Кроме того, перед началом опыта необходимо сымитировать рабочие условия для пресс-формы, проведя несколько циклов изготовления изделий, что значительно увеличивает стоимость эксперимента. Во втором – частая замена детали приведет к увеличению времени эксперимента и потребности постоянного участия механика.
Кроме того, принципы составления матрицы опытов помогут выбрать наиболее подходящий тип эксперимента. Иными словами, чем бы Вы ни занимались и в какой бы отрасли не работали, понимание механизма составления плана эксперимента играет важную роль для успешного применения DOE на практике.
Итак, продолжение следует…
![]() |
Добавить комментарий | |
|
|
А если сформулировать так: Как визуализация помогает быстро и наглядно интерпретировать данные.
Ведь каждый график хорош и полезен в определенных случаях. Я, например, очень часто сталкиваюсь на работе с тем, что люди "нарисуют" кучу графиков в Минитабе и занимаются "описательной" статистикой в стиле "что вижу, то пою".
Штука ведь вот в чем: и гистограмма и Stem-and-Leaf помогают визуализироватьданные. При этом глядя на гистограмму мы данные не видим, а глядя на Stem-and-Leaf – видим.