この規格 プレビューページの目次
※一部、英文及び仏文を自動翻訳した日本語訳を使用しています。
導入
実験計画法 (DOE) は、イノベーション、問題解決、発見を促進します。 DOE は、製品、サービス、プロセスの品質向上を達成するために役立つ戦略と一連の方法で構成されます。統計的品質管理、管理解決、検査、およびその他の品質ツールもこの目標に役立ちますが、実験計画は、複雑で可変のインタラクティブな設定で選択される方法論を表します。歴史的に、実験計画法は農業分野で進化し、繁栄してきました。医学もまた、慎重な実験計画の長い歴史を享受してきました。産業環境は、取り組みの開始の容易さ (ユーザーフレンドリーなソフトウェア パッケージ)、トレーニングの改善、影響力のある支持者、実験計画による成功の蓄積により、この方法論から特に恩恵を受けています。
実験計画法は、継続的な改善と製品開発の基礎となります。実験は多くの場合、学習プロセスの各段階に続いて改善が行われ、順次進化します。目的が応答を最適化することである場合、 応答曲面設計 (3.2.19) が 重要な役割を果たします。重要であると認識されている複数のレベルの要因は、たとえば最適設定付近など、きれいな曲線効果に対応するために考慮されます。
階乗実験 (3.2.1) および 部分階乗実験 (3.2.3) は、 実験者に関心のある複数の因子間の相互関係を研究するための方法論を提供します。この種の実験は、一度に 1 つの要素を直感的に実行する実験よりもはるかにリソース効率が高く、効果的です。階乗実験は、ある因子が他の因子の異なるレベルで異なる動作をする (実験応答に反映されるように) ことを判断するのに特に適しています。多くの場合、品質の「画期的な進歩」は 、「相互作用」の研究で明らかになった相乗効果から生まれます (3.1.17) 。考慮されている要因の数が多い場合、要因実験がリソースを超える可能性があります。ただし、部分要因実験では妥協の可能性があります。実際、最初の目標がさらなる調査を正当化する要因を特定することである場合、 スクリーニング計画 (3.2.8) が 役立つ可能性があります。
実験を計画する際には、実験条件や実験単位への処理の割り当てによってもたらされるバイアスを制限する必要があります。 「ランダム化」(3.1.30) や 「ブロッキング」(3.1.26) などのトピックは、迷惑な要素や無関係な要素の影響を最小限に抑えることを扱います。具体的なブロック戦略には、 ランダム化ブロック設計 (3.2.10) 、 ラテン方格設計 (3.2.11) およびそのバリアント、および バランス型不完全ブロック設計 (3.2.14) が 含まれます。
混合物を用いた実験の計画 [ 混合計画 (3.2.20) ] は、合金の成分など、要素が全体の比率を構成するwhere に適用されます。 ネストされた設計 (3.2.21) は、 研究室間のテストや測定システムの分析に特に役立ちます。
実験が計画に従って実行されていれば、収集されたデータの分析方法は簡単です。 グラフィック手法 (3.3.1) は、 全体的な結論を明らかにするのに特に効果的です。モデルからのパラメータの推定は、一般的に 回帰分析 (3.3.7) を使用して処理されます。回帰分析手法は、欠損データ、外れ値の特定、その他の問題による困難にも対処できます。
付録 A では、さまざまな用語を関連付ける概念図を提供します。 ISO 3534 のこの部分のユーザーを支援するために、付録 B に概念図の説明が記載されています。
実験計画法は 、実験計画を実行するための複雑なプロセスで構成されます (3.1.29) 。付属書 C は、 計画された実験の計画と実施において考慮すべき重要な項目を特定することを目的としたチェックリストを提供します (3.1.27) 。付録 D では、システム モデルの観点から実験計画を説明します。
Introduction
Design of experiments (DOE) catalyses innovation, problem solving and discovery. DOE comprises a strategy and a body of methods that are instrumental in achieving quality improvement in products, services and processes. Although statistical quality control, management resolve, inspection and other quality tools also serve this goal, experimental design represents the methodology of choice in complex, variable and interactive settings. Historically, design of experiments has evolved and thrived in the agricultural area. Medicine has also enjoyed a long history of careful experimental design. Industrial settings particularly benefit from the methodology — due to the ease of initiating efforts (user-friendly software packages), improved training, influential advocates, and accumulating successes with experimental design.
Design of experiments is fundamental to continuous improvement and product development. Experimentation often evolves sequentially with improvements taking place following each stage of the learning process. If the objective is to optimize a response, then response surface designs (3.2.19) play a critical role. Multiple levels of factors recognized to be important are considered to accommodate neatly curvilinear effects, for example in the vicinity of the optimum settings.
Factorial experiments (3.2.1) and fractional factorial experiments (3.2.3) provide a methodology for studying the interrelationships among multiple factors of interest to the experimenter. These types of experiments can be far more resource efficient and effective than intuitive one-factor-at-a-time experiments. Factorial experiments are particularly well-suited for determining that a factor behaves differently (as reflected in the experimental response) at different levels of other factors. Frequently, the “breakthrough” in quality comes from the synergism revealed in a study of “interactions” (3.1.17) . If the number of factors under consideration is large, then factorial experiments could exceed resources. However, fractional factorial experiments offer a possible compromise. Actually, if the initial goal is to identify factors warranting further investigation, then screening designs (3.2.8) can be useful.
In planning an experiment, it is necessary to limit biases introduced by the experimental conditions or in the assignment of treatments to experimental units. Topics such as “randomization” (3.1.30) and “blocking” (3.1.26) deal with minimizing the effects of nuisance or extraneous elements. Specific blocking strategies include randomized block designs (3.2.10) , Latin square designs (3.2.11) and variants, and balanced incomplete block designs (3.2.14) .
Designs for experiments with mixtures [ mixture designs (3.2.20) ] apply in situations where factors constitute proportions of a total, such as ingredients in an alloy. Nested designs (3.2.21) are particularly useful in inter-laboratory testing and in measurement system analyses.
Methods of analysis of the collected data are straightforward, if the experiment has been carried out according to the plan. Graphical methods (3.3.1) can be particularly effective in revealing overall conclusions. Estimation of parameters from a model is commonly handled using regression analysis (3.3.7) . Regression analysis methods can also handle difficulties with missing data, identification of outliers, and other problems.
Annex A provides associated Concept Diagrams that relate the various terms. To assist users of this part of ISO 3534, an explanation of Concept Diagrams is provided in Annex B.
Design of experiments consists of a complex process to implement experimental plans (3.1.29) . Annex C provides checklists that are intended to identify key items to be considered in designing and implementing a designed experiment (3.1.27) . Annex D describes experimental design from the systems model perspective.