Projektowanie eksperymentów (DOE) to uporządkowana metoda statystyczna, która jednocześnie zmienia kilka czynników procesu według zaplanowanego schematu, dzięki czemu można zmierzyć wpływ każdego czynnika oraz ich wzajemne oddziaływania, wszystko to na podstawie zwartego zestawu prób.
Zamiast zmieniać po kolei tylko jedną rzecz i liczyć, że wynik się utrzyma, DOE pozwala wyciągnąć jak najwięcej wniosków o procesie przy minimalnej liczbie eksperymentów. W produkcji jest to główne narzędzie fazy Improve w DMAIC , gdzie zespoły dostrajają ustawienia, aby ograniczyć defekty, zwiększyć wydajność i ustabilizować produkcję.
Intuicyjne podejście to OFAT: trzymać wszystko stałe, zmienić jeden czynnik, zapisać wynik, a potem przejść do następnego czynnika. Wygląda to na rygorystyczne, ale ma dwie zasadnicze wady. Po pierwsze, jest nieefektywne, bo każdy czynnik wymaga oddzielnego bloku prób.
Po drugie, i bardziej szkodliwe, OFAT jest ślepe na interakcje , czyli sytuacje, w których wpływ jednego czynnika zależy od poziomu innego. DOE zmienia czynniki jednocześnie według zrównoważonego schematu, więc pojedynczy eksperyment ujawnia zarówno efekty pojedyncze, jak i złożone efekty łączone, których OFAT nigdy nie wykryje.
Trzy terminy definiują każdy eksperyment. Czynnik to wejście, którym możesz sterować, takie jak temperatura pieca, prędkość podawania czy czas przetrzymania. Poziom to konkretne ustawienie, które testujesz dla danego czynnika, na przykład 180°C versus 200°C.
Odpowiedź to mierzony wynik, na którym ci zależy, na przykład wytrzymałość na rozciąganie, czas cyklu czy wskaźnik odpadów . Projekt badający dwa czynniki, każdy na dwóch poziomach, nazywa się projektem 2x2 (lub projektem dwupoziomowym, dwuczynnikowym) i generuje cztery unikalne kombinacje czynników do przeprowadzenia.
Pełny projekt czynnikowy testuje każdą możliwą kombinację poziomów czynników. Dla projektów dwupoziomowych liczba prób to 2 podniesione do potęgi liczby czynników: 2 czynniki wymagają 4 prób, 3 czynniki, 8, ale 7 czynników rozrosłoby się do 128 prób.
Jeśli to staje się niepraktyczne, ułamkowy projekt czynnikowy testuje starannie wybraną podzbiór (połowę, ćwiartkę lub ósmą część), który nadal estymuje efekty główne i najważniejsze interakcje. Kosztem tego jest konfundowanie : niektóre interakcje wyższych rzędów zostają ze sobą zaliasowane, więc kosztem mniejszej rozdzielczości uzyskuje się dużą oszczędność czasu i materiału.
Jeśli chcesz pójść dalej w stronę projektowania odpornego, metody Taguchi opierają się na tej samej logice ułamkowych projektów czynnikowych, wykorzystując znormalizowane ortogonalne macierze, aby utrzymać eksperymenty małe przy jednoczesnym zmniejszeniu wrażliwości procesu na szumy.
Efekt główny to średnia zmiana odpowiedzi, gdy czynnik przechodzi z niskiego poziomu na wysoki, przy ignorowaniu pozostałych czynników. Efekt interakcji mierzy, jak bardzo wpływ jednego czynnika zmienia się w zależności od ustawienia innego czynnika.
To właśnie w interakcjach często ukryte są prawdziwe korzyści: powłoka, która dobrze działa tylko przy jednocześnie wysokiej temperaturze i wysokim ciśnieniu, nigdy nie wyszłaby na jaw w testach OFAT. Znajomość dominujących efektów pozwala priorytetyzować prace usprawniające, podobnie jak analiza Pareto klasyfikuje istotne nieliczne przyczyny ponad trywialną większością.
Załóżmy, że chcesz zwiększyć wytrzymałość na rozciąganie (w megapaskalach) części formowanej. Wybierasz dwa czynniki: temperaturę (A) na 180°C (niski) i 200°C (wysoki) oraz ciśnienie (B) na 40 bar (niski) i 60 bar (wysoki). Cztery próby pełnego projektu czynnikowego dają następujące odpowiedzi:
Efekt główny A (temperatura): uśrednij dwie próby z wysokim A i odejmij średnią dwóch prób z niskim A. Średnia dla wysokiego A = (60 + 80) / 2 = 70. Średnia dla niskiego A = (50 + 54) / 2 = 52. Efekt główny A = 70 minus 52 = 18 MPa. Podniesienie temperatury dodaje średnio około 18 MPa.
Efekt główny B (ciśnienie): średnia dla wysokiego B = (54 + 80) / 2 = 67. Średnia dla niskiego B = (50 + 60) / 2 = 55. Efekt główny B = 67 minus 55 = 12 MPa.
Efekt interakcji (A x B): oblicz wpływ A przy wysokim B, potem przy niskim B, i weź połowę różnicy. Wpływ A przy wysokim B = 80 minus 54 = 26. Wpływ A przy niskim B = 60 minus 50 = 10.
Interakcja = (26 minus 10) / 2 = 8 MPa . Ta dodatnia interakcja oznacza, że temperatura i ciśnienie się wzmacniają: podniesienie obu na wysoki poziom daje znacznie więcej, niż przewidywałyby same efekty główne. Badanie OFAT całkowicie by to pominęło.
Dwie zasady projektowania chronią twoje wnioski przed fałszywymi wynikami. Replikacja oznacza przeprowadzenie każdej kombinacji więcej niż raz, aby można było odróżnić prawdziwy efekt od losowego rozrzutu pomiarów i oszacować błąd eksperymentalny.
Randomizacja oznacza wykonywanie prób w losowej kolejności zamiast w uporządkowanej sekwencji, tak aby powolne dryfy (ocieplająca się hala, zmęczenie operatora, zużycie narzędzia opisane krzywą wannową ) nie podszywały się pod efekt czynnika. Razem pozwalają ufać, że zmierzona różnica pochodzi od czynnika, a nie od skonfundowanej zmienności tła.
To ta sama dyscyplina, która leży u podstaw solidnego planu kontroli po ustaleniu zwycięskich ustawień.
Fabrico nie przeprowadza za ciebie analizy DOE i nie jest oprogramowaniem statystycznym. Dostarcza natomiast dokładne, opatrzone znacznikiem czasu dane produkcyjne, od których zależy każdy eksperyment.
Fabrico zapewnia monitoring OEE i produkcji w czasie rzeczywistym , w tym monitoring wizyjny oparty na analizie obrazu, który rejestruje zliczenia cykli, zatrzymania i produkcję nawet na maszynach bez PLC.
Podczas eksperymentu zapisywane są automatycznie twoje wartości odpowiedzi (wydajność, czas cyklu, liczba defektów) zamiast ręcznego notowania, dzięki czemu liczby używane w obliczeniach efektów głównych i interakcji są czyste. W połączeniu z solidnym systemem pomiarowym sprawdzonym przez Gauge R&R , to usuwa ważne źródło błędu, zanim trafi do twojego modelu.
Po eksperymencie CMMS Fabrico pomaga utrzymać ulepszone ustawienia i monitorować proces za pomocą statystycznej kontroli procesu (SPC) oraz badań zdolności procesu . DOE dobrze współgra także z FMEA , która wskazuje czynniki o najwyższym ryzyku, warte uwzględnienia w projekcie.
Technicznie wiele, ale praktycznie warto najpierw przeprowadzić selekcję. Przy więcej niż czterech lub pięciu czynnikach zespoły stosują ułamkowy projekt przesiewowy, aby zidentyfikować dwa lub trzy najistotniejsze czynniki, a potem przeprowadzić skoncentrowany pełny projekt czynnikowy lub projekt powierzchni odpowiedzi dla tych czynników. To utrzymuje liczbę prób w ryzach, jednocześnie ujawniając dominujące efekty główne i kluczowe interakcje.
Proste eksperymenty dwupoziomowe, dwuczynnikowe można obliczyć ręcznie, jak pokazuje powyższy przykład. Większe projekty zwykle buduje się i analizuje w pakiecie statystycznym, ponieważ rachunki związane z konfundowaniem, blokowaniem i testowaniem istotności stają się złożone. Fabrico nie jest tym oprogramowaniem; dostarcza rzetelne dane produkcyjne, które te narzędzia analizują, więc twoje dane wejściowe są od początku godne zaufania.
DOE to aktywne, jednorazowe badanie: celowo zmieniasz ustawienia, aby odkryć związki przyczynowo-skutkowe i znaleźć najlepszą konfigurację. SPC jest pasywne i ciągłe: monitoruje działający proces, aby wykryć, kiedy wychodzi poza kontrolę. Używasz DOE, aby osiągnąć dobry stan, a potem używasz SPC i analiz zdolności, aby go utrzymać.
Gotowi przeprowadzać eksperymenty na danych, którym można zaufać? Fabrico dostarcza w czasie rzeczywistym automatycznie zapisywane liczby produkcyjne, które sprawiają, że każde DOE, wykres SPC i badanie zdolności są wiarygodne. Zarezerwuj demo Fabrico, aby zobaczyć podstawę danych stojącą za lepszymi decyzjami.
Zaloguj
Blog
