望ましさ最適化

複数応答のDerringer-Suich望ましさを計算. 観測された応答値が仕様をどの程度満たしているかを個別および総合望ましさ関数で評価します。最大化、最小化、目標の各目的と調整可能な形状パラメータをサポートします。

観測された応答値が仕様をどの程度満たしているかを個別および総合望ましさ関数で評価します。最大化、最小化、目標の各目的と調整可能な形状パラメータをサポートします。

Derringer-Suich満足度関数とは？

Derringer-Suich の望ましさ関数（desirability function）は多応答最適化の手法であり、各応答を無次元の望ましさスコア（0 から 1）に変換したうえで、幾何平均によって総合望ましさにまとめる。望ましさ 1 は理想値を表し、0 は応答が許容限界の外にあることを意味する。

各応答の変換方法は 3 つの目標タイプで定められる。最大化（d は下限から上限へ向かって増加する）、最小化（d は下限から上限へ向かって減少する）、そして目標値（d は目標値で最大となり、上下いずれの限界へ向かっても減少する）である。形状パラメータ s₁ と s₂ は曲率を制御し、s=1 は線形の望ましさ、s<1 は凸型（満たしやすい）、s>1 は凹型（満たしにくい）となる。

総合望ましさ D は、個々の望ましさすべての幾何平均である：D = (d₁ × d₂ × ... × dₖ)^(1/k)。これにより、いずれか 1 つの応答がまったく許容できない（dᵢ = 0）場合には総合望ましさも 0 となり、重要な品質特性を犠牲にするトレードオフを防ぐ。

Formula: Maximize: d = ((y - L)/(U - L))^s for L <= y <= U Minimize: d = ((U - y)/(U - L))^s for L <= y <= U Target: d = ((y - L)/(T - L))^s1 for L <= y <= T ((U - y)/(U - T))^s2 for T <= y <= U Overall D = (d₁ x d₂ x ... x dₖ)^(1/k)

計算例

2 つの応答：収率（最大化、L=70、U=95、実測=88、s=1）とコスト（最小化、L=10、U=50、実測=25、s=1）。d_yield = (88-70)/(95-70) = 0.72。d_cost = (50-25)/(50-10) = 0.625。総合 D = (0.72 × 0.625)^(1/2) = √0.45 = 0.671。妥当ではあるが、なお改善の余地がある総合望ましさである。

この計算機を使用する場面

同時にバランスを取る必要がある複数の相反する品質応答で工程を最適化する際（例：強度最大化とコスト最小化）
各成分が複数の応答に異なって影響しトレードオフを体系的に評価する必要がある製品配合時
RSM分析後に複数の応答曲面モデルを単一の最適化目的関数に結合する際
代替的な工程設定を比較する際 — 総合満足度がすべての品質要件を反映する単一スコアを提供
提案されたソリューションが他の代替案に対してすべての仕様要件をどれだけ満たすか定量化する設計レビュー時

よくある間違い

限界を厳しく設定しすぎてD > 0を達成する実現可能な解がない — 工程が歴史的に達成してきたものに基づく現実的な限界から開始し段階的に厳格化
一部がはるかに重要な場合にすべての応答に等しい形状パラメータ（s=1）を使用 — 重要な応答のsを増加させ目標からの逸脱により厳しいペナルティ
個別d = 0で全体D = 0になることを無視 — 1つの応答が完全に許容不可ならば他の応答がどれだけ良くても全体満足度が崩壊；すべての限界が達成可能か確認
因子の交互作用を考慮せずに満足度を最適化 — 満足度スコアは観測値から計算；予測には応答曲面モデルと満足度を結合
満足度を絶対指標として扱う — D = 0.7が本質的に「良い」「悪い」ではない；限界の厳格さと形状パラメータに依存；Dを代替案間の比較に使用し独立した合格基準ではない

結果の解釈方法

全体D = 0 — 少なくとも1つの応答が許容限界を完全に逸脱；ソリューションは現状では実現不可
全体D = 0.01-0.3 — ほとんどの応答が理想値から遠い；相当な工程改善が必要
全体D = 0.3-0.6 — 妥協ソリューションが存在するが大きなトレードオフあり；どの応答がDを引き下げているか調査
全体D = 0.6-0.8 — ほとんどの要件をよく満たす良いソリューション；微調整で個別応答を改善可能
全体D > 0.8 — 卓越；すべての応答が同時に理想値に近い；このソリューションは実装の強力な候補

よくある質問

形状パラメータ（s1、s2）はどのように設定すればよいですか？

形状 s=1 は線形の望ましさ（範囲全体で重要度が一定）を与えます。s<1（例：0.5）は高い望ましさを達成しやすくするため、ばらつきをある程度許容できる場合に使います。s>1（例：2 や 3）は高い望ましさを達成しにくくするため、目標値に近いことが極めて重要な応答に使います。多くの実務者は s=1 から始め、技術的な判断に基づいて調整します。

算術平均ではなく幾何平均を使うのはなぜですか？

幾何平均を使うと、d=0（まったく許容できない）となる応答が 1 つでもあれば、総合望ましさは 0 になります。つまり、ある応答の失敗を他の応答の優秀さで埋め合わせることはできません。算術平均ではそのようなトレードオフが許され、重大な品質不良を覆い隠すおそれがあります。この「拒否権」の性質こそが、多応答最適化において幾何平均が正しい選択である理由です。