Dos Accesos para Mejorar el Mtodo de Respuesta Dual en Diseo de Parmetro Robusto

GUILLERMO MIRO-QUESADA
Eli Lilly Bioproceso de Investigacin y desarrollo, Lilly Technical Center-North, Indianapolis, IN 46221

ENRIQUE DEL CASTILLO

Penn State University, University Park, PA 16802

Las propiedades de prediccin de modelos usados en el acercamiento de respuesta dual al diseo de parmetro robusto son estudiadas, y dos procedimientos que se mejoran proponen al funcionamiento del acercamiento. El primer procedimiento aconseja escalar de las variables ruidosas para reducir el error esperado tacao cuadriculado del modelo de discrepancia, basado en el concepto que la gama de las variables ruidosas usadas en el diseo experimental debera contener la mayor parte de su distribucin. Naturalmente, el escalamiento mejora el ataque de la parte del modelo asociado con los factores ruidosos. Sin embargo, lo muestran que tal escalamiento no cambia la contribucin de discrepancia de los factores ruidosos, que es fundamental para el diseo de parmetro robusto. El segundo procedimiento combina la discrepancia debido a los factores ruidosos con la discrepancia debido al error de prediccin del modelo empotrado (p. ej., esto mira a la discrepancia de las predicciones), as considerando todas las fuentes de presente de variabilidad en el problema. Un perito imparcial de esta discrepancia combinada es desarrollado. Dan a dos ejemplos para cada procedimiento. El segundo el acercamiento propuesto es comparado con el acercamiento de respuesta dual recomendado en la literatura mediante los intervalos de prediccin de las respuestas, como recientemente hablado por Myers et al. (1997). Es encontrado en los ejemplos que el nuevo procedimiento da intervalos ms estrechos (el 50 % y el por ciento del 12 % de ms pequeo) donde el grado de mejora depende, como se esperaba, sobre la calidad de ataque del modelo de superficie de respuesta. Las soluciones de pasar as obtenidas son robustas tanto al factor ruidoso como a la incertidumbre de valoracin de parmetro. Valores de discrepancia negativos, posibles en el acercamiento de respuesta habitual dual en la literatura, son evitados en la nueva formulacin. PALABRAS CLAVES: Factores Ruidosos; Optimizacin de Proceso; Metodologa de Superficie de Respuesta. El diseo de parmetro ROBUSTO (RPD) satisfactoriamente ha sido usado para mejorar la calidad de productos desde mediados delos aos ochenta, en particular despus del trabajo de G. Taguchi en empresas estadounidenses (Taguchi (1986, 1987)). La tcnica consiste en determinar los niveles de algn juego de los factores controlables que reduce la sensibilidad del proceso o el producto a variaciones en otro juego de factores incontrolables o ruidosos, a la baja del aumento de su robustez. Es asumido que los factores ruidosos pueden ser controlados dentro de un entorno de laboratorio, pero no durante la fabricacin. La buena prctica de este acercamiento sugiere el empleo de un perito imparcial de la discrepancia de proceso como la funcin objetiva, que debe ser reducida al mnimo en lo que concierne a los factores controlables (p.ej., mirar Myers y Montgomery (2002, pp. 575-576)).

Box y Jones (1990) y Myers (1991) propusieron el empleo de modelos de superficie de respuesta para explcitamente modelar la discrepancia y tacao de un proceso o el producto como una funcin de factores ruidosos y controlables. Una de las respuestas entonces es optimizada sujeta a coacciones sobre la segunda respuesta. Las coacciones tambin son colocadas sobre los factores controlables para evitar la extrapolacin de los modelos. Saben este acercamiento en la Metodologa de Superficie de Respuesta (RSM) la literatura como el acercamiento de Respuesta Dual (Khatree (1996), Lucas (1994), Myers, Khuri, y Vining (1992), Myers et al. (1997), Neff y Myers (1999), y Vining y Myers (1990)). Por ejemplo, considere que un fabricante de maquinas de paso a paso de la oblea usadas en la fabricacin de semiconductor para alinear capas de circuito en laminas. Una caracterstica de calidad clave del proceso es la cantidad de luz reflejada de una seal de alineacin. El fabricante de la mquina quiere averiguar que ajustes del proceso de alineacin, que son internos a la mquina de stepper, reducen al mnimo el impacto de variaciones en factores de proceso que su cliente puede cambiar usando la mquina (tal uso es descrito por Cantell et al. (1992)). Una respuesta dual RPD la formulacin podra implicar la reduccin al mnimo de la discrepancia de la luz reflejada sujeta a coacciones en la reflectancia esperada y sobre la gama de los ajustes del proceso de alineacin. Borkowski y Lucas (1997) y Borror y Montgomery (2000), entre otros, propusieron diseos experimentales desarrollados expresamente para empleo con el acercamiento de Respuesta Dual. Borror et al. (2002) desarroll una metodologa para evaluar el funcionamiento de un diseo experimental para el empleo en un estudio de RPD usando Grficos de Dispersin de Discrepancia (Giovannitti-Jensen y Myers (1989), Myers, Vining, el Giovannitti-Jensen, y Myers (1992), y Vining (1993)). Nuestro objetivo en este papel es desarrollar una metodologa que tiene la deuda de incertidumbre en cuenta no slo a los factores ruidosos, pero tambin debido a la valoracin de parmetro modela. Proponen a dos accesos. Las primeras tentativas de reducir la incertidumbre en las estimaciones de parmetro por correctamente escalando los factores ruidosos en la etapa de diseo. Tal cual mostrado, este escalamiento no reduce la contribucin a la discrepancia de los factores ruidosos (vital en RPD), y esto tambin evita el problema de obtener valores de discrepancia negativos. El segundo acercamiento usa una funcin totalmente diferente objetiva para RPD, la discrepancia de prediccin estimada. Esta funcin objetiva es usada para evitar soluciones para las cuales los modelos estimados tienen propiedades pobres profticas a favor de soluciones para las cuales el comportamiento esperado puede ser predicho con menos incertidumbre. Las soluciones obtenidas usando una funcin tan alternativa objetiva son no slo robustas en lo que concierne a la incertidumbre en las variables ruidosas, pero ellos son tambin robustos en lo que concierne a la incertidumbre inherente siempre presentan estimando los parmetros de un modelo de superficie de respuesta.

El resto de este papel es organizado as: la siguiente seccin contiene un anlisis de las propiedades de prediccin del acercamiento de respuesta dual propuesto en la literatura RSM. En la tercera seccin, desarrollamos el primer acercamiento, un esquema para de manera apropiada escalar las variables ruidosas para reducir el error esperado tacao cuadriculado del modelo de discrepancia. Esto es ilustrado por ejemplos presentados en la cuarta seccin. Entonces presentamos el segundo acercamiento, donde la discrepancia de prediccin estimada es usada como el objetivo. Dan a dos ejemplos para cada uno de los accesos propuestos. Finalmente, la ltima seccin resume el trabajo y proporcionamos conclusiones. Valoracin de la Discrepancia de Proceso en el Acercamiento de Respuesta Dual a RPD Suponemos hay k factores controlables X= [x1, x2,,xk] y r variable ruidosa Z= [z1, zx2,,zk] Entonces, por lo general recomiendan a un modelo de la forma siguiente en el acercamiento de Respuesta Dual:

Dnde: -Yi(xi, zi) es el valor observado para la respuesta en el experimento dado un valor fijo de las variables ruidosas, zi, y los valores correspondientes de la xi de factores controlable; -{i } es un juego de variables aleatorias normales i.i.d. con el cero tacao y la discrepancia -Y 0, , B, , y son los parmetros modelos. Una de las ventajas principales del modelo en la Ecuacin (1) es la facilidad con la cual el tacao y la discrepancia para una nueva observacin son obtenidos en lo que concierne a las variables ruidosas. Estas funciones de produccin de los factores controlables x slo: ;

Tomando el tacao y la discrepancia sobre los factores ruidosos, es asumido que ellos tienen un tacao igual para poner a cero y una matriz de covariancia representada por Sz. La suposicin de cero tacao puede ser encontrada fcilmente usando una convencin de codificacin apropiada, tal cual mostrado en la tercera seccin. Asumimos que saben Sz, despus de la prctica comn en la literatura RPD (Neff y Myers (1990), Myers y Montgomery (2002), y Myers, Kim, y Griffiths (1997)). Aunque datos en principio histricos puedan ser usados estimar Sz, la posibilidad de errores en esta estimacin indica la necesidad de la remota investigacin sobre este aspecto del problema, que es fuera del alcance del papel presente. En la prctica, todos los parmetros en la Ecuacin (1) son estimados de datos. Ya que la valoracin es realizada bajo este modelo, que es lineal en todos sus parmetros, y los i son i.i.d., todas las suposiciones habituales de regresin lineal son encontradas (Neter et al. (1996, p. 221)). Por lo tanto, la menor parte de cuadrados ordinarios (OLS) los peritos de estos parmetros son los mejores peritos imparciales (mirar a Arnold (1990, p. 68)).

Debera ser indicado que la suposicin de discrepancia constante para el ' implico que cualquier no constancia de discrepancia del proceso se deriva de una inhabilidad de controlar las variables ruidosas. Siempre que esta suposicin no sea vlida, los peritos pueden ser encontrados usando la menor parte de cuadrados generalizados.

Donde Y es un vector que contiene todas las observaciones Yi(xi, zi), X* es una matriz conteniendo [(k+ 1)(k+2)/2] + kr + r, columnas que representan los efectos lineales, segundas interacciones de orden y efectos cuadrticos para los factores controlables, la r efectos lineales para las variables ruidosas, e interacciones kr entre el ruido y los factores controlables. Es provechoso de recoger todos los trminos asociados con factores controlables y el interceptar en un vector de manera siguiente:

El vector * contiene todo los parmetros presentes en la Ecuacin (1), Y 0, , B, , y . La menor parte de perito de cuadrados * dan por

Denotamos por una prediccin basada en el modelo empotrado en la Ecuacin (1) cuando tanto x como z son fijados y especificada. La matriz simtrica ( X*X*)-1, representada en la Figura 1, es la matriz de covariancia escalada de * y est compuesto varias sub matrices relevantes a nuestra discusin. Tambin ms lejos tenemos que dividir C(ZX) en sub matrices correspondiente a cada factor controlable. Esta particin es presentada en la Figura 2. Para estimar la EZ(Y(x,z)) y VarZ(Y(x,z)), por lo general le recomiendan simplemente substituir a los parmetros en Ecuaciones (2) (y 3) a sus peritos respectivos OLS obtener Y , para

El perito en la Ecuacin (5) es un perito imparcial de la EZ(Y(x,z)). Sin embargo, el perito en la Ecuacin (6) no es un perito imparcial de VarZ(Y(x,z)) , porque esto es una funcin cuadrtica de y , y, de ah, el "(b) " super escritura. Para mostrar esto, podemos tomar la expectativa de la forma cuadrtica en la Ecuacin (6) sobre el parmetro estima y por ejemplo, Arnold (1981, p. 205)). para obtener (mirar,

FIGURA 1. La Estructura de la Matriz de Covariancia de

FIGURA2. La estructura de C(zx).

Donde P es obtenido dividiendo a modo de columna y asumiendo un diseo ortogonal experimental. Mirar Myers y Montgomery (2002, p. 576) para detalles. Un perito imparcial para la VarZ(Y(x,z)), puede ser encontrado por corrigiendo para el trmino con el rastro en la Ecuacin (7) de manera siguiente:

Esta expresin es el que recomendado por Myers y Montgomery (2002, p. 576) como un perito imparcial para VarZ(Y(x,z)). Un equivalente, pero ms revelado, expresin para P se puede encontrar mediante la particin en modo de fila en lugar de a modo de columna:

Donde cada

es r x 1.

Asumiendo, como antes, que es un diseo ortogonal utilizados y sealando que las matrices de covarianza escalados de y Figura 2 para el C(zx) ), obtenemos dan, respectivamente, por Czx (ve la Figura 1 para Cz y

Donde una matriz de covariancia escalada quiere decir una matriz de covariancia que es dividida por .

La mayor parte de la respuesta reviste diseos experimentales, sobre todo el tipo de resolucin surtido al cual han recomendado para el empleo en el acercamiento de respuesta dual a RPD, dan todas las estimaciones para el ruido - interacciones de control con el mismo error estndar (Borror y Montgomery (2000), Borkowski y Lucas (1997), Myers y Montgomery (2002), y el Zapatero et al. (1991)). Asumimos que sta es la cuestin, entonces todo la misma matriz de covariancia. Por lo tanto, dejamos a represente esta matriz de covariancia comn. Entonces, tenemos tiene ,

Con esto, una expresin alternativa del perito imparcial de la discrepancia puede ser encontrada por

El perito imparcial en la Ecuacin (9) explcitamente estados como " la correccin de tendencia llama " aumentos con la distancia cuadriculada del origen en unidades cifradas (x0x). As, para los ajustes de los factores controlables lejos del origen, la estimacin de discrepancia en la Ecuacin (9) puede ser negativa. Como hablado en la tercera seccin, esto no es la nica causa posible de una estimacin de discrepancia negativa. Ofrecen algunas recomendaciones sobre cmo evitar esta situacin en la siguiente seccin. La ecuacin (9) puede ser usada como una funcin objetiva para objetivos de RPD. En la cuarta seccin, esta funcin es comparada a una nueva funcin propuesta objetiva que evita el problema de estimaciones de discrepancia negativas totalmente. Las Propiedades de Prediccin del Modelo de Discrepancia y Escalamiento de los Factores Ruidosos

En esta seccin, mostramos como las propiedades de prediccin del modelo estimado para la discrepancia (la Ecuacin 10) pueden ser mejoradas por mirar el factor de escalamiento usado en la convencin de codificacin seguida para las variables ruidosas en el diseo experimental. Tambin mostramos como este escalamiento no tiene ningn efecto sobre la discrepancia transmitida por el ruido. La toma del operador de discrepancia sobre la Ecuacin (1) implica la realizacin de la operacin siguiente:

En la prctica, ni saben Y(x,z), ni Ez(Y(x,z)), y ellos tienen que ser acercado a , respectivamente. Con estas aproximaciones, obtenemos

Esto sigue, desde de Ecuaciones (1) (y 2)

Sin embargo, ya que la expectativa en la Ecuacin (11) slo es asumida las variables ruidosas, no tiene la variabilidad en cuenta de las estimaciones de parmetro en esto slo representa la variabilidad en los factores ruidosos ellos mismos. En el Apndice A lo muestran esto

Trmino de correccin de tendencia Donde MSE denota el Error Tacao Cuadriculado incurrido debido a la incertidumbre en las estimaciones de parmetro. Por lo tanto, es visto que el trmino de correccin de tendencia es una medida del error esperado cuadriculado hecho usando estimaciones en la Ecuacin (10). De ah este error es restado en la Ecuacin (9) para obtener a un perito imparcial de la discrepancia de la respuesta. En general, el usuario podra estar interesado no slo en la correccin por el error esperado o medio, tal cual hecho en Ecuaciones (8) (y 9), pero tambin en la fabricacin de este error cuanto menos posible. Por lo tanto, esto es una prctica buena para reducir tanto como posible este trmino de correccin de tendencia. Las medidas siguientes pueden ser tomadas para reducirlo: 1. Tener un buen diseo experimental que de manera eficiente estime y , de modo que, para mismo , rastro y el rastro sea pequeo.

2.

Evitar los ajustes de los factores controlables lejos del origen para evitar los valores grandes de xx. 3. Tenga un ataque bueno del modelo de regresin lineal en la Ecuacin (4) para obtener una pequea estimacin de . 4. Tenga una pequea matriz de covariancia de las variables ruidosas .

Ya que la calidad de los los aptos no puede ser garantizada antes de la realizacin de los experimentos y deberan permitir a cualquier valor de los factores controlables dentro de sus regiones experimentales, las nicas opciones que tenemos disponible en la etapa de diseo estn 1 y 4 encima. El Cz y Cd matrices por lo general son fijados del diseo experimental. Esto a su turno depende de otras coacciones como el presupuesto para experimentos, la estructura de alias aceptable, etc. Instrumentos convenientes estn disponibles para con eficacia evaluar el funcionamiento de diseos experimentales para estudios de robustez, como los grficos de dispersin de discrepancia sugeridos por Borror et al. (2002). O bien, la matriz de covariancia de las variables ruidosas, , fcilmente puede ser controlada por suficientemente escalando el 1 niveles de las variables ruidosas en el diseo experimental. Para aliviar los clculos, asumimos que todas las variables ruidosas deben ser escaladas por el mismo mltiple de sus desviaciones respectivas estndar. Dejamos denoto la versin sin codificar de la variable ruidosa Zi, con y denotando la desviacin tacaa y estndar, respectivamente. Usamos la convencin de codificacin siguiente,

Donde c es el factor de escalamiento buscamos. Entonces,

o, en vector notacin,

Donde

es la matriz de correlacin de las variables ruidosas. De ah, observamos que por el factor de escalamiento c.

tenemos el control de

Proponemos de considerar la relacin siguiente, poniendo 1 niveles para las variables ruidosas:

Donde rm es la distancia del centro del espacio de diseo al punto ms apartado en la regin experimental para los factores controlables. La interpretacin del el parmetro, que tiene que ser definido por el usuario para solucionar para c en la Ecuacin (14), mejor puede ser entendida por considerando el caso cuando = 1. En tal caso, de Ecuaciones (12) (y 13) tenemos esto

Esto quiere decir que la discrepancia media iguala la discrepancia de error residual. Inmejorablemente, nos gustara tener 0 ya que esto hace la discrepancia media de aquella parte del modelo empotrado tienden a poner a cero. Claramente, esto slo puede ser alcanzado cundo c. Este resultado conviene con la nocin de sentido comn que la extensin de los niveles de factor mejora las propiedades de un modelo empotrado. Que hace el empleo de Ecuacin (14) til en la determinacin de niveles de factor ruidosos en un problema RPD es el resultado siguiente adicional. Consideramos el primer trmino a la derecha de Ecuacin (9). Esto puede ser pensado como la contribucin de discrepancia de las variables ruidosas. En la B de Apndice mostramos como este componente de discrepancia es invariante en lo que concierne a cambios del parmetro de escala c. Por lo tanto, por de manera apropiada escalando las variables ruidosas, slo la correccin de tendencia llama disminuciones por c2, mientras la contribucin de discrepancia de los factores ruidosos no se cambia. Esto quiere decir que mientras las propiedades de prediccin del modelo empotrado estn siendo mejoradas, la discrepancia transmitida por los factores ruidosos, un aspecto clave de cualquier estudio de RPD, deja el mismo. En la prctica, aconsejamos guardar pequeo, quizs en la gama (0.1, 0.3), evitar niveles de factor insiendo realistas extremos ruidosos y guardar, al mismo tiempo, un valor bajo para MSE esperado en la Ecuacin (13). En los ejemplos en la siguiente seccin, un valor de = 0.1 es usado para objetivos de ilustracin.

Ejemplos: Determinacin de los Niveles de los Factores Ruidosos

En esta seccin, ilustramos el empleo de Ecuacin (14) en el ajuste del factor de escalamiento c para determinar los niveles de los factores ruidosos. Despus de los dos ejemplos, ofrecemos algunos comentarios adicionales en el escogimiento y c en la Ecuacin (14). Nos apresuramos para indicar que los niveles de factor de ruido resultantes son simplemente sugerencias y no las condiciones necesarias que deberan ser "hecho cumplir". Ejemplo1: Suponemos el diseo en la Mesa 1 debe ser usado para un estudio de robustez con cuatro factores controlables y tres variables ruidosas (las respuestas Y son usadas ms tarde). Esto es un diseo de resolucin surtido propuesto por Borkowski y Lucas (1997). Esto tiene la resolucin la V entre los factores controlables y la resolucin III entre los factores ruidosos. De ah, todas las segundas interacciones de orden entre los factores controlables son estimables, pero las segundas interacciones de orden entre los factores ruidosos son aliased el uno con el otro. Puede ser observado esto para este diseo . El diseo en la Mesa 1 es ortogonal, y esto estima todos los elementos en la y en la con el mismo error estndar. Por lo tanto, , i= 1,, k. Adems, para este diseo, y Cz son igual y dado por:

Para este ejemplo nos ponemos a 0.1. Entonces, tenemos

Desde

es la matriz de correlacin, los elementos diagonales son todo iguales a 1, y = 3. Solucionando para c, obtenemos C=

tenemos el rastro

Ejemplo2: En este ejemplo analizamos una Caja estndar - Behnken el diseo para cinco factores dados en la Mesa 2. Este diseo experimental fue construido usando la MINIETIQUETA 13.1. Myers y Montgomery (2002) dio una descripcin detallada de cmo construir la Caja - Behnken diseos. Dividimos estos cinco factores sobre tres controlable y dos factores ruidosos. El diseo es la resolucin la V entre todos los factores. La covariancia escalada matrices de las estimaciones de parmetro asociadas con factores ruidosos es

En este experimento todos los puntos, excepto los puntos de centro, son a una distancia cuadriculada de . Entonces, tenemos