| 導購 | 订阅 | 在线投稿
分享
 
 
 

JMP和Minitab的比較(試驗設計DOE)

2008-11-05 12:29:11  編輯來源:互聯網  简体版  手機版  移動版  評論  字體: ||

近來越來越多的六西格瑪愛好者(或者說統計愛好者)喜歡在網上比較JMP和Minitab兩種六西格瑪統計軟件,結果都是JMP明顯勝出。確實,事實上先進企業從Minitab慢慢轉向JMP就有很多,如希捷科技Seagate,美國銀行BOA等等。我是做工程應用的,覺得技術層面JMP比Minitab確實強很多。我試驗設計(DOE)方法用得特別多,對兩種軟件也都比較熟,我想就比較一下JMP和Minitab的試驗設計功能吧。試驗設計(DOE)在我們的日常工作中也是統計分析技術實際應用的一個重要分支。

說到DOE,很多人就會想起完全因子設計Full Factorial Design、部分因子設計Fractional Factorial Design、響應面設計Response Surface Design、田口設計Taguchi Design和混料設計Mixture Design這些名詞來。沒錯,這些都屬于傳統試驗設計DOE的範疇,一般的統計分析軟件都能實現。如果按這個分類標准去一一比較,結果肯定是大同小異,實在無法看出JMP和Minitab的本質區別。所以,我們還是遵循「解決實際問題」的思路,從工具集的完整性、因子設置的便捷性、試驗次數的靈活性、試驗因子的量化鑒別和試驗結果的模擬預測這五個方面來看看JMP和Minitab的試驗設計功能吧。

對比項目一:工具集的完整性。

正如前面所講的,諸如Full Factorial Design、Response Surface Design之類的傳統試驗設計方法,JMP和Minitab都能做,區別不大。但是完整的DOE方法論並不只有這些內容,還包括空間填充設計Space Filling Design、非線性設計Nonlinear Design和定制設計Custom Design等更豐富的內容。這時,差別就顯現出來,JMP的工具類型遠遠多于Minitab,這可以通過兩者的DOE菜單直接發現(見圖一)。有人可能覺得這些方法聽都沒有聽說過,到底有什麽用?要解釋這個問題,得花不少時間。我在這裏長話短說:它們都是高級試驗設計中的重要組成部分,在化工、生物、醫藥、半導體和汽車等精密度要求很高的行業中應用廣泛,而且應用範圍正在逐步擴大。也許你覺得現在用不上,但是「書到用時方恨少」,統計軟件又何嘗不是如此呢?

圖一 JMP(左)和Minitab(右)的DOE類別菜單

對比項目二:因子設置的便捷性。

在做試驗設計之前,首先要對試驗中因子的類型、水平做一個設定。傳統的因子類型有連續型Continuous、分類型Categorial兩種;水平Level數量一般不超過8個。這兩點,JMP和Minitab都做得到。但是從圖二的對比中不難發現,JMP的因子設置與Minitab至少有兩點不同。一是JMP整合了混料Mixture、區組Blocking等概念,使DOE的理論顯得更簡單化;二是增加了協變量Covariate、不受控Uncontrolled等新類型,每個因子還可以細分爲簡單Easy、Hard困難和Very Hard極難三種情況。不要小看了這些改進,它們使我們在因子的設定時更加靈活方便,而且與實際情況十分貼切。再舉個例子,在半導體行業常用的一種試驗設計叫裂區設計Split Plot Design(由于篇幅有限,它的具體意義就不展開了),在Minitab裏根本無法實現,在JMP裏因子有「簡單」和「困難」之分,所以JMP就可以輕松實現。這也是爲什麽絕大多數半導體企業(包括Intel)都選擇JMP的原因之一。

-

圖二 JMP(左)和Minitab(右)的因子設置對話框

對比項目三:試驗次數的靈活性。

根據傳統的DOE方法論設計出來的試驗運行次數Runs常常顯得很有規律,但缺乏彈性,如8次、16次、32次,等等。當我們擁有充足的試驗資源,而且也沒有時間限制的壓力時,這一點並不存在什麽問題。然而,現實生活沒有這麽理想,真正允許的試驗次數往往會小于完全因子設計的理論值,但又大于部分因子設計的理論值。怎樣才能充分利用現有條件獲得盡可能准確的試驗分析結果?對于這個問題,JMP通過「用戶指定User Specified」這個選項來解決,而Minitab則根本沒有加以考慮(參見圖三)。這使我想起網上的一篇文章中寫的:Minitab純粹是統計教學軟件,要說在實際工作中起作用的,還得用JMP。看來還真有道理。

圖三 JMP(左)和Minitab(右)的試驗次數設置對話框

對比項目四:試驗因子的量化鑒別。

在試驗設計DOE的前期策劃階段,需要做選擇合適的試驗因子。傳統的方法有魚骨圖、腦力風暴、FMEA等等,這些方法都可以用,但也存在一個共同的缺點:缺乏量化特性,因此有時會導致最終的結果不盡理想。同樣的,Minitab在這方面還是無能爲力,但是JMP則發揮了它統計分析權威的本色,運用了數據挖掘Data Mining這樣的高級分析工具來支持試驗因子的量化鑒別。圖四顯示的是一家制藥企業通過JMP數據挖掘工具集中的決策樹Decision Tree,發現篩選尺寸Screen Size、研磨時間Mill time和噴射率Spray Rate是在提高藥品溶解度的試驗設計中最需要考慮的三個因子。整個過程推理缜密,邏輯性強,非常具有說服力,但可惜的是,這個過程卻根本無法在Minitab裏再現。

圖四 JMP決策樹分析過程的圖形表達

對比項目五:試驗結果的模擬預測。

對照「三次設計」(即功能設計、參數設計和公差設計)的說法,傳統試驗設計DOE的結論還只停留在參數設計階段,公差到底是多少還無法確定。隨著産品技術要求的不斷提高,我們對公差設計的需求也越來越強烈。其實確定公差範圍有一個簡單可行的辦法,那就是根據已經通過有效性檢驗的統計模型進行模擬,以推測出來的輸出特性的總體分布規律來判斷輸入端因子的公差設計範圍是否合理。還是那句話,Minitab在這方面是無能爲力的,它的公開解決方案是借助它的全球合作夥伴——Crystal Ball軟件來實現。幸運的是,JMP就不用那麽麻煩,直接調用它內置的模擬器Simulator就可以做模擬預測了。圖五顯示的就是一家汽車企業在應用JMP軟件中的模擬器進行機械部件裝配工藝的優化改進。Minitab的用戶想實現這樣的功能,就得再花點銀子買Crystal Ball啰!

圖五 JMP內置模擬器的運行界面

看完上面的各個比較,我想大家對哪個軟件的試驗設計(DOE)更強已經有了自己的答案。剩下的問題是:我們應該怎樣充分挖掘高端統計分析軟件JMP的強大功能,爲我所用呢?希望更多的人能一起來討論這個更有價值的問題。

近來越來越多的六西格瑪愛好者(或者說統計愛好者)喜歡在網上比較JMP和Minitab兩種六西格瑪統計軟件,結果都是JMP明顯勝出。確實,事實上先進企業從Minitab慢慢轉向JMP就有很多,如希捷科技Seagate,美國銀行BOA等等。我是做工程應用的,覺得技術層面JMP比Minitab確實強很多。我試驗設計(DOE)方法用得特別多,對兩種軟件也都比較熟,我想就比較一下JMP和Minitab的試驗設計功能吧。試驗設計(DOE)在我們的日常工作中也是統計分析技術實際應用的一個重要分支。 說到DOE,很多人就會想起完全因子設計Full Factorial Design、部分因子設計Fractional Factorial Design、響應面設計Response Surface Design、田口設計Taguchi Design和混料設計Mixture Design這些名詞來。沒錯,這些都屬于傳統試驗設計DOE的範疇,一般的統計分析軟件都能實現。如果按這個分類標准去一一比較,結果肯定是大同小異,實在無法看出JMP和Minitab的本質區別。所以,我們還是遵循「解決實際問題」的思路,從工具集的完整性、因子設置的便捷性、試驗次數的靈活性、試驗因子的量化鑒別和試驗結果的模擬預測這五個方面來看看JMP和Minitab的試驗設計功能吧。 對比項目一:工具集的完整性。 正如前面所講的,諸如Full Factorial Design、Response Surface Design之類的傳統試驗設計方法,JMP和Minitab都能做,區別不大。但是完整的DOE方法論並不只有這些內容,還包括空間填充設計Space Filling Design、非線性設計Nonlinear Design和定制設計Custom Design等更豐富的內容。這時,差別就顯現出來,JMP的工具類型遠遠多于Minitab,這可以通過兩者的DOE菜單直接發現(見圖一)。有人可能覺得這些方法聽都沒有聽說過,到底有什麽用?要解釋這個問題,得花不少時間。我在這裏長話短說:它們都是高級試驗設計中的重要組成部分,在化工、生物、醫藥、半導體和汽車等精密度要求很高的行業中應用廣泛,而且應用範圍正在逐步擴大。也許你覺得現在用不上,但是「書到用時方恨少」,統計軟件又何嘗不是如此呢? 圖一 JMP(左)和Minitab(右)的DOE類別菜單 對比項目二:因子設置的便捷性。 在做試驗設計之前,首先要對試驗中因子的類型、水平做一個設定。傳統的因子類型有連續型Continuous、分類型Categorial兩種;水平Level數量一般不超過8個。這兩點,JMP和Minitab都做得到。但是從圖二的對比中不難發現,JMP的因子設置與Minitab至少有兩點不同。一是JMP整合了混料Mixture、區組Blocking等概念,使DOE的理論顯得更簡單化;二是增加了協變量Covariate、不受控Uncontrolled等新類型,每個因子還可以細分爲簡單Easy、Hard困難和Very Hard極難三種情況。不要小看了這些改進,它們使我們在因子的設定時更加靈活方便,而且與實際情況十分貼切。再舉個例子,在半導體行業常用的一種試驗設計叫裂區設計Split Plot Design(由于篇幅有限,它的具體意義就不展開了),在Minitab裏根本無法實現,在JMP裏因子有「簡單」和「困難」之分,所以JMP就可以輕松實現。這也是爲什麽絕大多數半導體企業(包括Intel)都選擇JMP的原因之一。 - 圖二 JMP(左)和Minitab(右)的因子設置對話框 對比項目三:試驗次數的靈活性。 根據傳統的DOE方法論設計出來的試驗運行次數Runs常常顯得很有規律,但缺乏彈性,如8次、16次、32次,等等。當我們擁有充足的試驗資源,而且也沒有時間限制的壓力時,這一點並不存在什麽問題。然而,現實生活沒有這麽理想,真正允許的試驗次數往往會小于完全因子設計的理論值,但又大于部分因子設計的理論值。怎樣才能充分利用現有條件獲得盡可能准確的試驗分析結果?對于這個問題,JMP通過「用戶指定User Specified」這個選項來解決,而Minitab則根本沒有加以考慮(參見圖三)。這使我想起網上的一篇文章中寫的:Minitab純粹是統計教學軟件,要說在實際工作中起作用的,還得用JMP。看來還真有道理。 圖三 JMP(左)和Minitab(右)的試驗次數設置對話框 對比項目四:試驗因子的量化鑒別。 在試驗設計DOE的前期策劃階段,需要做選擇合適的試驗因子。傳統的方法有魚骨圖、腦力風暴、FMEA等等,這些方法都可以用,但也存在一個共同的缺點:缺乏量化特性,因此有時會導致最終的結果不盡理想。同樣的,Minitab在這方面還是無能爲力,但是JMP則發揮了它統計分析權威的本色,運用了數據挖掘Data Mining這樣的高級分析工具來支持試驗因子的量化鑒別。圖四顯示的是一家制藥企業通過JMP數據挖掘工具集中的決策樹Decision Tree,發現篩選尺寸Screen Size、研磨時間Mill time和噴射率Spray Rate是在提高藥品溶解度的試驗設計中最需要考慮的三個因子。整個過程推理缜密,邏輯性強,非常具有說服力,但可惜的是,這個過程卻根本無法在Minitab裏再現。 圖四 JMP決策樹分析過程的圖形表達 對比項目五:試驗結果的模擬預測。 對照「三次設計」(即功能設計、參數設計和公差設計)的說法,傳統試驗設計DOE的結論還只停留在參數設計階段,公差到底是多少還無法確定。隨著産品技術要求的不斷提高,我們對公差設計的需求也越來越強烈。其實確定公差範圍有一個簡單可行的辦法,那就是根據已經通過有效性檢驗的統計模型進行模擬,以推測出來的輸出特性的總體分布規律來判斷輸入端因子的公差設計範圍是否合理。還是那句話,Minitab在這方面是無能爲力的,它的公開解決方案是借助它的全球合作夥伴——Crystal Ball軟件來實現。幸運的是,JMP就不用那麽麻煩,直接調用它內置的模擬器Simulator就可以做模擬預測了。圖五顯示的就是一家汽車企業在應用JMP軟件中的模擬器進行機械部件裝配工藝的優化改進。Minitab的用戶想實現這樣的功能,就得再花點銀子買Crystal Ball啰! 圖五 JMP內置模擬器的運行界面 看完上面的各個比較,我想大家對哪個軟件的試驗設計(DOE)更強已經有了自己的答案。剩下的問題是:我們應該怎樣充分挖掘高端統計分析軟件JMP的強大功能,爲我所用呢?希望更多的人能一起來討論這個更有價值的問題。
󰈣󰈤
王朝萬家燈火計劃
期待原創作者加盟
 
 
 
>>返回首頁<<
 
 
 
 
 熱帖排行
 
王朝網路微信公眾號
微信掃碼關註本站公眾號 wangchaonetcn
 
 
靜靜地坐在廢墟上,四周的荒凉一望無際,忽然覺得,淒涼也很美
© 2005- 王朝網路 版權所有