d e f es 
Búsqueda
Go
Informaciones > Diseño de experimentos (DoE)

Diseño de experimentos (Design of Experiments, "DoE")

DoE sistemático en vez de Trial y Error

Realizar experimentos dentro de un marco controlado es indispensable si se quiere encontrar los ajustes óptimos para que la variable de respuesta (p.ej. rendimiento) alcance su mejor valor. Si se realizan experimentos sistemáticamente, variando simultáneamente los posibles factores de influencia, se puede obtener mucha información de un número sorprendentemente pequeño de experimentos. De esto trata el diseño de experimentos (Design of Experiments, "DoE").

 

Diseño de experimentos (DoE) secuencial

Una manera eficiente de usar el diseño de experimentos (DoE) es de trabajar con un enfoque secuencial del diseño de experimentos (DoE): fases de screening y modelación del diseño de experimentos (DoE) para reducir el número de los factores a examinar; y después una nueva serie de experimentos para el paso definitivo de optimización del diseño de experimentos (DoE) tan pronto como se haya alcanzado un número suficientemente pequeño de factores. La elección de la fase del diseño de experimentos depende por un lado del número de los factores que hay que tomar en consideración y por el otro lado de la cantidad de la información deseada.

  • Fase screening del DoE (> 8 factores): Relativamente pocos experimentos en relación al número de los factores, es decir también relativamente poca información. Pero el propósito en este paso del DoE es reducir el número de factores.
  • Fase modelación del DoE (aprox. 4-8 factores): Un número medio de experimentos en relación al número de factores. Un modelo linear con interacciones se adapta en este caso. El propósito de esta fase del DoE es reducir el número de factores aún más.
  • Fase optimización del DoE (aprox. 1-3 factores): Aquí un modelo cuadrático es adaptado. Este modelo permite calcular los mínimos (puntos más bajos de una "fuente")  y los máximos ("cumbres de montañas"). Es decir que en esta fase del DoE se encuentra el grado óptimo. Este no se puede alcanzar en la fase modelación del DoE, ya que en esta fase el modelo no es cuadrático sino linear.

No se deje confundir por los mejores valores en el análisis de la fase modelación del DoE. Un modelo linear (con o sin interacciones) puede ser utilizado para un primer cálculo de la variable de respuesta con la mejor combinación de factores. Pero si se quiere optimizar un producto o un proceso es necesario proceder a la fase de optimización del DoE. Solamente en esta fase un modelo cuadrático es adaptado. Este modelo permite calcular la "cumbre de la montaña" o el "punto más bajo de la fuente". Solamente de esta manera se pueden obtener pronósticos fiables.

Mayor flexibilidad gracias al diseño de experimentos (DoE) secuencial

Una de las muchas ventajas del enfoque secuencial del diseño de experimentos es que la "Region of interest" (es decir el ámbito de factores) puede ser adaptada cada vez que se empieza un nuevo ciclo del diseño de experimentos.
Este ámbito no se debería elegir demasiado grande para aún obtener una buena aproximación. Pero si uno se da cuenta de que una temperatura más alta, por ejemplo, llevará a mejores resultados, la próxima serie de experimentos se podrá efectuar en un ámbito de 60-80°C en vez de la temperatura previa 30-60°C.

 

Más ventajas del diseño de experimentos (DoE):

  • Número limitado, fijo (y pequeño) de experimentos
  • El mejor método de manejar la variación experimental es de examinarla sistemáticamente
  • El diseño de experimentos (DoE) puede incluir interacciones (a diferencia del one-factor-at-a-time por ejemplo)
  • Existen DoE-Software-Tools (p.ej. el sistema de expertos STAVEX) que también permiten usar DoE bajo restricciones prácticas (p.ej. ausente independencia de los factores, factores de mezcla, factores alternativos, experimentos fracasados...)
  • DoE-Software-Tools (p.ej. el sistema de expertos STAVEX) realizan automáticamente el análisis de datos estadísticos de los resultados de los experimentos, así el usuario no necesita tener muchos conocimientos previos de estadística

 

powered by Swisscom AG
c