Pascasiswazah

Menu
  • UTAMA
  • PETUA PASCASISWAZAH
  • KEHIDUPAN PASCASISWAZAH
  • PETUA PENULISAN
  • KISAH KEJAYAAN
  • BIASISWA
  • LAIN-LAIN
    • BISNES & KERJAYA
    • BENGKEL
    • BUKU
    • CV & TEMUDUGA
    • JAWATAN KOSONG
    • TV
no comments

Tips Memahami Reka Bentuk Eksperimen

Tips By shuhairy Norhisham 17/01/2019
Reka bentuk eksperimen (DOE) adalah pendekatan yang digunakan dalam pelbagai industri untuk 
menjalankan eksperimen untuk membangunkan produk dan proses baru dengan lebih cepat, dan 
untuk memperbaiki produk dan proses sedia ada. Apabila digunakan dengan betul, ia dapat 
mengurangkan masa ke pasaran, mengurangkan kos pembangunan dan pengeluaran, dan meningkatkan 
kualiti dan kebolehpercayaan.
DOE jauh lebih ketat daripada kaedah percubaan tradisional seperti percubaan-dan-kesilapan 
satu faktor-pada-masa dan pakar. Ketidaksuburan ini membolehkan para pengamal untuk secara 
jelas memodelkan hubungan di antara pelbagai pembolehubah dalam mana-mana sistem, membuat 
keputusan yang lebih bermaklumat di setiap peringkat proses penyelesaian masalah, dan 
akhirnya mencapai penyelesaian yang lebih baik dalam masa yang kurang.
DOE adalah kaedah yang berkuasa yang kelihatannya mudah, tetapi pada hakikatnya ia 
memerlukan pengetahuan yang signifikan untuk menjadikannya berfungsi dengan pasti. 
Percubaan yang paling tidak berjaya untuk memohon DOE boleh dikaitkan dengan salah satu 
segelintir perangkap. Di samping pengetahuan mengenai kaedah statistik, kunci untuk 
menjadikannya berfungsi adalah disiplin dan komunikasi yang berkesan antara ahli statistik 
dan saintis, jurutera, dan pengurus pasukan projek yang paling memahami produk atau proses.
Bagi profesional peningkatan kualiti dan proses, merit DOE adalah topi lama, dan sebarang 
perbincangan mengenai DOE kemungkinan akan berputar di sekitar butir-butir teknikal seperti 
kebaikan dan keburukan kaedah Taguchi atau nilai menganggarkan kesan kuadratik. Kami 
mengambil berat bahawa DOE adalah sangat diperlukan, dan kami melupakan bahawa kebanyakan 
pengurus dan jurutera tidak menyedari nilai DOE atau-bahkan lebih buruk-tidak menyedari 
bahawa ia wujud sama sekali. Sebenarnya terdapat beberapa organisasi yang mengejutkan, 
walaupun organisasi R & D, yang menjalankan eksperimen sepanjang hari, setiap hari, dan 
mereka menggunakan kaedah satu faktor-pada-masa!
Ketika bercakap tentang DOE buat pertama kalinya dengan berbagai rekan kerja, klien, dan, 
tentu saja, para hadirin selama bertahun-tahun, saya dapati bahwa inti dari percakapan 
terdiri dari menangani beberapa pertanyaan umum dan kesalahpahaman. Berikut adalah senarai 
soalan-soalan dan kesilapan-kesilapan yang disusun bersama-sama dengan beberapa jawapan asas. 
Saya harap ia akan membantu anda apabila anda mendapati diri anda bercakap dengan seseorang 
yang ragu-ragu mengenai JAS.
Apakah DOE, dan mengapa organisasi saya menggunakannya?
DOE adalah pendekatan berstruktur untuk menjalankan eksperimen. Ia berguna dalam pembangunan 
produk, pembangunan proses, dan peningkatan proses. Bergantung kepada masalah itu, faedah 
boleh merangkumi lebih banyak masa untuk memasarkan, mengurangkan kos pembangunan, kos 
operasi yang lebih rendah, dan kos rendah kualiti yang rendah.
DOE boleh digunakan dalam sebarang situasi di mana anda perlu memanipulasi beberapa 
pembolehubah bebas (faktor) untuk mengoptimumkan satu atau lebih pembolehubah bergantung. 
Pertimbangkan sebagai contoh proses pembuatan roti. Pembolehubah bebas akan merangkumi 
perkadaran pelbagai ramuan, masa pembakar, dan suhu penaik. Pemboleh ubah bergantung akan 
termasuk tekstur, rasa, ketumpatan, dan kos produk siap, serta proses pembuatan proses. 
Justeru, DOE boleh digunakan untuk menentukan peratusan air ditambah, masa pembakar, dan 
suhu penaik yang mencipta rasa yang optimum sambil mengekalkan keluaran minimum 
yang ditetapkan.
Bagaimanakah kerja DOE?
Untuk menggambarkan bagaimana kerja DOE biasa, pertimbangkan reka bentuk percubaan mudah 
yang ditunjukkan dalam jadual pertama di bawah. Ia terdiri daripada lapan aliran di mana 
empat faktor (A, B, C, dan D) masing-masing berubah dari dua peringkat. Daripada "tinggi" 
dan "rendah," tahap biasanya dikodkan sebagai +1 dan -1, seperti yang ditunjukkan dalam 
jadual kedua.
Kemudian, selepas eksperimen dijalankan, data yang dikumpulkan dianalisis untuk mengukur 
kesan bahawa setiap faktor A, B, C, dan D mempunyai pembolehubah bergantung. Berdasarkan 
kesimpulan percubaan itu, pusingan percubaan tambahan kemudian dilakukan untuk mencapai 
tahap optimum untuk setiap faktor tersebut.
Bagaimana mungkin untuk mengubah lebih daripada satu faktor pada satu masa?

Dalam contoh di atas, dalam perjalanan dari satu larian ke seterusnya, perhatikan bahawa lebih daripada satu faktor berubah. Dalam kelas sains sekolah tinggi, kita semua belajar bahawa untuk menilai faktor yang kita perlukan untuk memegang setiap pemalar pemboleh ubah yang lain dan hanya mengubah faktor yang sedang dipelajari. Ini menunjukkan bahawa mengubah lebih daripada satu faktor pada satu masa akan membuat mustahil untuk membezakan kesan satu faktor dari kesan yang lain. Walau bagaimanapun, itu sememangnya tidak benar. Selagi faktor berbeza secara berasingan antara satu sama lain (iaitu, tidak ada dua lajur yang berkorelasi dengan satu sama lain), kesan setiap faktor dapat diukur secara bebas.

Apa yang salah dengan menggunakan pendekatan satu faktor pada satu masa?
Seperti namanya, pendekatan one-factor-at-a-time (OFAT) adalah betul-betul sah apabila 
hanya menguji satu faktor. Tetapi apa yang berlaku apabila terdapat dua atau lebih faktor?

Jika kita menilai dua faktor (katakan, A dan B), maka kelemahan tertentu dalam kaedah OFAT menjadi jelas. Jika kita menggunakan logik yang sama yang kita gunakan dalam kelas sains, maka kita akan bermula dengan keadaan kawalan, katakan dengan A dan B kedua-duanya ditetapkan ke -1 (tahap rendah). Kemudian, untuk menilai faktor A, kita akan memegang faktor B malar pada -1 dan menetapkan faktor A ke +1. Kemudian, untuk menilai faktor B, kami akan memegang faktor A tetap pada -1 dan menetapkan faktor B ke +1. Reka bentuk ini ditunjukkan dalam jadual dan graf di bawah.

Kelemahan yang jelas dari reka bentuk ini adalah bahawa kawasan di sudut kanan atas grafik, 
sepadan dengan A = +1 dan B = +1, sepenuhnya dikeluarkan daripada kajian. Ini bermakna 
bukan sahaja kita tidak menganggap gabungan tahap faktor tertentu (yang boleh menghasilkan
hasil yang hebat) tetapi kami juga tidak dapat mengukur sebarang kesan interaktif antara 
dua faktor. Dalam erti kata lain, kita hanya tahu kesan A apabila B dipegang pada tahap 
yang rendah, dan kita hanya tahu kesan B ketika A dipegang pada tahap yang rendah.

Dalam menjalankan eksperimen OFAT, kita secara tersirat mengandaikan bahawa kesan A dan B adalah bebas daripada satu sama lain. Ini akan menyebabkan keputusan membuat keputusan yang buruk kerana, dalam banyak sistem dunia sebenar, faktor tidak bertindak secara bebas. Sebagai contoh, kesan kuantiti cahaya matahari pada pertumbuhan tumbuhan bergantung kepada kuantiti air, dan kesan kuantiti air pada pertumbuhan tumbuhan bergantung kepada kuantiti cahaya matahari. Begitu juga, kesan penarafan oktana pada prestasi motor bergantung kepada nisbah mampatan, dan kesan nisbah mampatan pada prestasi motor bergantung kepada penarafan oktana petrol.

Berbeza dengan rekaan OFAT, kaedah DOE akan memanggil reka bentuk “faktorial”, yang akan merangkumi semua empat kombinasi tahap faktor seperti yang ditunjukkan di bawah.

Dengan memasukkan titik data terakhir, kita kemudian boleh tahu dengan tepat apa yang 
berlaku di bahagian atas kanan ruang sampel, dan kita juga boleh menilai interaksi antara 
A dan B.
Dalam kes tiga faktor-A, B, dan C-kelemahan OFAT menjadi lebih jelas. Eksperimen OFAT 
tipikal ditunjukkan di bawah. Di sini jelas berapa banyak sampul surat beroperasi yang 
diabaikan.

Berbeza dengan rekaan OFAT, reka bentuk faktorial akan merangkumi semua lapan kombinasi peringkat faktor seperti yang ditunjukkan di bawah. Susunan ini menyediakan liputan operasi yang lebih baik.

Proses kami mempunyai sejumlah besar pembolehubah. Menjalankan JAS akan memerlukan sejumlah 
besar larian, bukan?

Dalam contoh terdahulu, kita dapat melihat bahawa setiap kali kita menambah faktor kepada reka bentuk faktorial, bilangan berlipat ganda. Dalam erti kata lain, percubaan faktorial dengan tiga faktor memerlukan lapan larian, eksperimen faktorial dengan empat faktor memerlukan 16 larian, eksperimen dengan lima faktor memerlukan 32 larian, dan sebagainya. Berita baiknya ialah dengan menggunakan kaedah yang sesuai, bilangan larian dalam reka bentuk faktorial yang “penuh” dapat dipotong oleh faktor dua, empat, lapan, dan lain-lain dengan sedikit kehilangan maklumat. Ini dipanggil reka bentuk faktorial “pecahan”.

Mengimbas kembali kes tiga faktor-A, B, dan C-separuh frasa yang sesuai akan kelihatan 
seperti reka bentuk yang ditunjukkan di bawah. Perhatikan bahawa reka bentuk ini mempunyai 
bilangan run yang sama (empat) seperti reka bentuk OFAT yang ditunjukkan di atas, tetapi 
reka bentuk faktorial pecahan menyediakan liputan ruang sampel yang lebih baik.
Reka bentuk OFAT untuk tujuh faktor, seperti yang ditunjukkan di bawah, juga akan mempunyai 
lapan larian, tetapi terdapat perbezaan utama.
Walaupun kedua-dua reka bentuk menilai tujuh faktor menggunakan lapan larian, reka bentuk 
faktorial pecahan mempunyai kelebihan penting untuk seimbang. Perhatikan bahawa dalam reka 
bentuk faktorial, bagi setiap faktor terdapat empat aliran di mana faktor berada pada tahap 
yang tinggi, dan empat berjalan di mana faktor berada pada tahap yang rendah. Membandingkan 
cara kedua-dua kumpulan itu akan memberi kita anggaran kesan faktor tersebut. Dalam reka 
bentuk OFAT, bagaimanapun, setiap faktor dijalankan pada tahap rendah tujuh kali dan pada 
tahap tinggi hanya sekali. Ini bermakna bahawa kesan setiap faktor dinilai berdasarkan satu 
titik data tunggal, yang jelas kurang dipercayai.
Daripada menggunakan JAS, tidakkah kita dapat menyelesaikan masalah dalam masa yang kurang 
dan dengan kos yang kurang menggunakan pengetahuan pakar anda?

DOE tidak selalu jawapannya. Banyak masalah sains dan kejuruteraan yang mencabar telah 
diselesaikan dengan menggunakan percubaan dan kesilapan digabungkan dengan pengetahuan 
pakar. Malah, itulah bagaimana semua masalah diselesaikan sebelum penciptaan DOE pada awal 
abad ke-20. Walau bagaimanapun, perlu diingatkan bahawa banyak masalah tersebut mengambil 
masa beberapa dekad untuk diselesaikan.
Sekiranya masalah itu cukup sederhana atau pakar perkara memahami prosesnya dengan cukup 
baik, maka percubaan-dan-kesilapan boleh membantu anda mencapai matlamat anda dengan cepat. 
Namun, pendekatan percubaan-dan-kesalahan adalah berisiko. Jika, pada mana-mana titik 
tertentu dalam masa, masalah itu belum diselesaikan, maka itu bermakna sepanjang masa dan 
usaha yang dilaburkan sehingga ke tahap itu telah terbuang. Apa yang anda tahu pada ketika 
itu ialah beberapa konfigurasi reka bentuk berfungsi dengan baik dan ada yang tidak, tetapi 
anda tidak akan mempunyai idea yang jelas mengapa.

Bagi masalah yang dihadapi oleh syarikat-syarikat sebenar yang berkaitan dengan pembangunan produk, pembangunan proses, dan peningkatan proses, kos waktu kerja kejuruteraan tidak signifikan berbanding dengan kos masa kalendar. Dengan setiap minggu yang berlalu dengan produk baru yang belum bersedia untuk dilepaskan ke pasaran, anda kehilangan pendapatan tambahan yang ketara. Dengan setiap minggu yang berlalu dengan isu kualiti produk yang tidak dapat diselesaikan, anda menanggung kos yang ketara yang boleh anda elakkan. Apabila menghadapi masalah yang rumit, kaedah DOE membolehkan anda secara jelas memodelkan hubungan di antara pembolehubah yang berkaitan dan mengetahui dengan tepat arah yang hendak dipindahkan dan mengapa.

Pendekatan percubaan-dan-kesilapan, di sisi lain, biasanya menghasilkan banyak gerakan yang dibuat dalam arah yang salah dan masa berharga yang terbuang. Mengambil kira kos masa kalendar, pendekatan DOE yang betul jauh lebih murah daripada percubaan dan kesilapan.
 Kami mencuba DOE pada masa lalu tanpa kejayaan. Mengapa tidak berfungsi?
Dengan pelbagai pakej perisian titik-dan-klik yang tersedia untuk merancang eksperimen, nampaknya terlalu mudah untuk membuat JAS dan menganalisis data yang dihasilkan. Hakikatnya, untuk mendapatkan hasil yang boleh dipercayai daripada DOE, pengetahuan dan pengalaman penting diperlukan. Berikut adalah beberapa sebab yang paling umum mengapa percubaan yang direka tidak membawa kepada hasil yang diinginkan:
Kesalahan pengukuran berlebihan
Selalunya, sistem pengukuran menambah begitu banyak variasi rawak kepada data yang akhirnya 
DOE menghasilkan kesimpulan yang salah. Kerana bunyi bising yang berlebihan dalam data, 
anda mungkin menyimpulkan bahawa faktor penting sebenarnya tidak penting, atau anda mungkin 
mengejar kebisingan, mengejar konfigurasi reka bentuk yang kelihatan menjanjikan semasa 
percubaan tetapi benar-benar hanya kebetulan.
Kurangnya pemahaman prinsip sains dan kejuruteraan dalam sistem
DOE adalah cawangan statistik, dan walaupun beberapa langkah dalam proses DOE bergantung 
kepada pengetahuan tentang kaedah statistik, langkah-langkah lain tidak berkaitan dengan 
statistik dan mempunyai segala-galanya untuk memahami fenomena fizikal dan kimia yang 
berlaku dalam sistem. Pengetahuan mendalam mengenai sains dan kejuruteraan adalah penting 
untuk memilih faktor dan tahap yang digunakan dalam percubaan dan menafsirkan hasil 
analisis statistik.
Kekurangan keupayaan dalam menganalisis data
Selalunya, data yang keluar dari JAS tidak digunakan. Salah satu strategi yang biasa tetapi 
salah adalah dengan memilih satu hasil terbaik daripada eksperimen dan menggunakannya 
sebagai titik permulaan untuk percubaan seterusnya. Ini bermakna bahawa keputusan mengenai 
tempat untuk diteruskan adalah berdasarkan pada titik data tunggal, dan semua maklumat yang
terkandung di dalam titik data lain diabaikan. Satu lagi strategi biasa ialah melihat plot 
kesan utama bagi setiap faktor dan kemudian menetapkan setiap faktor ke tahap yang 
menghasilkan hasil terbaik. Ini akhirnya bermakna bahawa interaksi antara faktor-faktor 
diabaikan. Satu lagi strategi yang tidak betul adalah untuk membolehkan perisian 
menghasilkan model statistik mewah tanpa mengesahkan andaian asas. Untuk memanfaatkan 
sepenuhnya data dari eksperimen anda, anda perlu melakukan pemodelan statistik yang betul.
Cuba untuk menjalankan satu percubaan besar
DOE bertujuan untuk menjadi proses berulang. Sekiranya anda memulakan dengan banyak faktor, 
maka kemungkinan "anda tidak tahu apa yang anda tidak tahu." Daripada melaburkan semua 
sumber anda dalam satu eksperimen besar yang sepatutnya menjawab semua soalan, anda harus 
menjalankan satu siri eksperimen yang lebih kecil, menggunakan pelajaran yang dipelajari 
dari setiap eksperimen untuk membimbing anda dalam percubaan seterusnya. Strategi ini akan 
membolehkan anda menghapuskan faktor-faktor yang tidak penting dan mengenal pasti masalah 
yang tidak dijangka pada awal. Ia juga akan membimbing anda secara beransur-ansur ke arah 
kawasan yang paling menjanjikan ruang sampel supaya anda dapat mengenal pasti "tempat yang 
manis" dan mengkajinya dengan lebih terperinci.
Tidak sabar
Seperti yang disebutkan di atas, DOE adalah proses berulang, dan ia memerlukan ketegaran. 
Dengan tarikh akhir yang semakin meningkat dan pelanggan menuntut keputusan serta-merta, 
ada godaan yang kuat untuk mengambil keputusan dari eksperimen pertama dan kemudian 
melompat kembali ke mod percubaan dan kesilapan. Dari saat itu dalam proses penyelesaian 
masalah, anda merasakan jalan anda dalam kegelapan. Anda mungkin bertuah dan mencari 
penyelesaian yang hebat, tetapi anda lebih cenderung untuk mencari penyelesaian suboptimal, 
dan dalam mana-mana kes anda tidak akan tahu bagaimana anda sampai di sana.
Apa yang perlu saya lakukan untuk memulakan?

DOE adalah satu proses keseluruhan, dan untuk mengikuti proses itu dengan jayanya, anda memerlukan tiga perkara: pengetahuan ilmiah dan kejuruteraan pakar, pengetahuan pakar mengenai kaedah statistik, dan komunikasi yang berkesan di kalangan pakar tersebut. Malangnya, terdapat beberapa individu yang, dengan sendirinya, mempunyai pengetahuan yang diperlukan. Anda mungkin sudah mempunyai sumber sains atau kejuruteraan yang berkaitan dengan kakitangan, yang mana kekurangan anda adalah pengetahuan statistik. Cobaan adalah untuk mengambil seorang jurutera kimia atau pakar lain dan menghantarnya ke kursus selama seminggu dalam DOE atau Six Sigma. Eksperimen akan dijalankan, dan kadang-kadang eksperimen akan membawa kepada penambahbaikan yang ketara, tetapi kali lain keputusan akhir akan menjadi ahli pasukan yang berdiri di sekitar menggaru kepala mereka dan bertanya-tanya apa yang berlaku.

Penyelesaian yang paling berkesan adalah untuk mengupah jurutera perindustrian sepenuh masa 
atau ahli statistik. Keutamaan tidak harus berdasarkan kemahiran teknikal tulen atau 
kelayakan akademik. Sebaliknya, sifat yang paling penting adalah keupayaan untuk 
berkomunikasi, seperti yang ditunjukkan oleh pengalaman dalam projek-projek terkemuka dan
bekerja dengan jurutera, saintis, dan pengurus lain. Sekiranya bajet anda tidak membenarkan 
sumber tambahan sepenuh masa, maka pertimbangkan untuk membawa sumber sementara, sama ada 
seseorang daripada firma perunding, institusi akademik, atau Perkongsian Tambahan 
Perkilangan tempatan anda.

Sumber : QUALITY INSIDER

KOMEN ANDA

Artikel Berkaitan

5 Tips Untuk Menghasilkan ‘Literature Review’ Yang Bagus

shuhairy Norhisham

Ujian Yang Mana: Analisis Faktor (FA, EFA, PCA, CFA)

shuhairy Norhisham

Partial Least Squares Node Data Set Result

shuhairy Norhisham

Komen

Cancel reply

Ikut Kami di Facebook

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL
Pascasiswazah Copyright © 2021.
Dibangunkan oleh Pascasiswazah