실험계획법(DOE)
수동적인 데이터 수집은 통계적 모델링에서 많은 문제를 초래합니다. 응답 변수에서 관측된 변화와 개별 인자(공정 변수)에서 관측된 변화 사이에 상관관계는 있지만 인과 관계는 없을 수도 있습니다. 여러 인자에서 동시적으로 발생하는 변화는 개별적인 효과로 분리해 내기 어려운 상호 작용을 일으킬 수도 있습니다. 관측값이 종속 변수인데 데이터의 모델은 이를 독립 변수라고 간주할 수도 있습니다.
실험계획법을 사용하면 이러한 문제를 해결할 수 있습니다. 실험계획법에서는 정보의 품질을 향상시키고 중복된 데이터를 제거하도록 데이터 생성 공정이 능동적으로 조작됩니다. 모든 실험계획법의 공통적인 목표는 모델의 모수를 정확히 추정하기에 충분한 정보를 제공하되, 동시에 가능한 한 효율적으로 데이터를 수집하는 것입니다. 예를 들어, 두 개의 통제 인자 x1과 x2를 갖는 실험에서 응답 변수 y의 간단한 모델은 다음과 같을 수 있습니다.
여기서 ε은 실험 오차와 실험에 포함된 통제되지 않은 인자의 영향을 모두 포함합니다. β1x1 항과 β2x2 항은 주효과이고 β3x1x2는 양방향 상호 작용 효과입니다. 계획된 실험은 β0, β1, β2, β3을 정확하게 추정하는 것을 목표로 y를 측정하면서 x1과 x2를 체계적으로 조작합니다. 실험 인자를 체계적으로 변동시키기 위해 각 인자에 이산적인 수준들의 집합을 할당할 수 있습니다. 인자수준의 각 조합을 처리(treatement)라고 합니다. 완전 인자 설계는 가능한 모든 처리에 대한 실험 실행을 포함하는 반면, 부분 인자 설계는 가장 큰 영향을 미치는 인자 및 상호 작용과 관련된 처리만 포함합니다. 자세한 내용은 Full Factorial Designs 항목과 Fractional Factorial Designs 항목을 참조하십시오.
함수
도움말 항목
- Full Factorial Designs
Create designs for all treatments.
- Fractional Factorial Designs
Create designs for selected treatments.
- Response Surface Designs
Create quadratic polynomial models.
- Taguchi Designs
Create designs to identify and minimize the contribution of noise factors.
- D-Optimal Designs
Minimum variance parameter estimates.
- Improve an Engine Cooling Fan Using Design for Six Sigma Techniques
This example shows how to improve the performance of an engine cooling fan through a Design for Six Sigma approach using Define, Measure, Analyze, Improve, and Control.
