Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Versuchsplanung Literatur Ledolter, Burrill, Statistical Quality Control : Kap.14: Principles of Effective Experi- mental Design; Kap.15: Principles of.

Ähnliche Präsentationen


Präsentation zum Thema: "Versuchsplanung Literatur Ledolter, Burrill, Statistical Quality Control : Kap.14: Principles of Effective Experi- mental Design; Kap.15: Principles of."—  Präsentation transkript:

1 Versuchsplanung Literatur Ledolter, Burrill, Statistical Quality Control : Kap.14: Principles of Effective Experi- mental Design; Kap.15: Principles of Effective Experimental Design; Kap.16: Taguchi Design Methods for Product and Process Improvement. Bergman, Klefsjö, Quality: Kap.7: Design of Experiments; Kap.8: Robust Design.

2 3.11.2004Versuchsplanung2 Experiment Möglichkeit, Wissen über die uns interessierenden Prozesse zu erwerben, etwa um Verbesserungspotentiale zu identifizieren Entscheidung darüber, welche von mehreren in Frage kommenden Erklärungen für ein Qualitätsproblem zutrifft Systematische Methode, Information über das Wirken und Zusammen-wirken von (Prozess-)faktoren zu sammeln

3 3.11.2004Versuchsplanung3 Lernprozesse: Beispiele Kundenbefragung zeigt Notwendigkeit einer Änderung des Bestellprozesses, Bedarf an Schulung der Mitarbeiter, etc. Annahmekontrolle gibt Hinweise auf Mängel in der Produktion eines Lieferanten Prozesskontrolle hilft, special causes der Variation zu identifizieren

4 3.11.2004Versuchsplanung4 Prinzipien und Regeln, nach denen Experimente, d.i. das aktive Sammeln von Information, gestaltet werden damit sie die notwendigen Informationen bei effizientem Einsatz der Ressourcen liefern … a well-planned experiment increases the precision of the results 10- to 12-fold for the same cost … (R.A. Fisher)

5 3.11.2004Versuchsplanung5 Experimente - Fragestellungen Material A oder Material B? Verfahren mit bestem Output? Ertrag verbessern? (Kombination von Temperatur und Druck) Stahl einer bestimmten Härte (Erzqualität, Zusätze, Temperatur, Abkühlgeschwindigkeit, etc.) Produktionsprozess: Zielwert, geringste Variation? (Welche Kombination der Input-Faktoren?)

6 3.11.2004Versuchsplanung6 20 Studierende, Material der Sohle: A, B Plan 1: Je 10 Studierende tragen Schuhe mit A und B; A und B werden zufällig zugeordnet (vollständig randomisiertes Experiment) Plan 2: Jeder Studierende trägt je einen Schuh mit A und B; A wird zufällig am linken oder rechten Schuh getragen (randomisiertes Block-Experiment) Dauerhaftigkeit von Sohlen

7 3.11.2004Versuchsplanung7 Ertrag eines chem. Prozesses hängt ab von Temperatur (500 o, 600 o ) Druck (60kg/cm 2, 80kg/cm 2 ) Katalysator (A, B) 8 Faktorkombinationen je Kombination ein Durchlauf des Experiments (eine Wiederholung) Randomisierung der Reihenfolge!

8 3.11.2004Versuchsplanung8 Aushärtezeit von Gips Variabilität soll kontrolliert werden Große Zahl von potentiellen Einflussfaktoren z.B.: die Wirkung der Kalzinierung (Ausglühen der Mischung von Gipskörnern und Zitronensäure) hängt vermutlich ab von Menge, Temperatur und Säurekonzentration

9 3.11.2004Versuchsplanung9 Experimente: Wichtige Themen Ziele eines Experiments Verallgemeinerbarkeit Response-Variable Faktoren

10 3.11.2004Versuchsplanung10 Ziele eines Experiments Vergleich zweier Methoden (z.B.: Material von Schuhsohlen) Optimierung des Ertrages (Ertrag eines chemischen Prozesses) Minimieren der Variabilität der Response- Variablen (Aushärtezeit von Gips) Adjustieren der Response-Variablen nahe dem Zielwert

11 3.11.2004Versuchsplanung11 Verallgemeinerbarkeit Gültigkeit eines Experiments ist beschränkt auf Bedingungen des Experiments (Faktorwerte, regional, etc.) Achtung! Off-line Experiment vs. on- line Produktion

12 3.11.2004Versuchsplanung12 Response-Variable univariat (z.B. Ertrag) oder multivariat (z.B. Ertrag, Reinheit) quantitativ (z.B. Menge) oder qualitativ (z.B. Geschmack, Qualität)

13 3.11.2004Versuchsplanung13 Faktoren interessierende (primäre) Faktoren nicht interessierende (sekundäre) Faktoren Blocken ist gute Strategie, den Effekt von sekundären Faktoren zu eliminieren

14 3.11.2004Versuchsplanung14 Beispiel: Kugelschreiber Ausschussquote hängt ab von Qualität der Tinte (A oder B) Tag der Produktion? Nicht geblockt: Do, Fr: 1.5% (A), Sa, So: 5.8% (B) Blocken hilft gegen Vermengen DoBABABBAAAB FrBBABBAABAA SaAAABBBABBA SoBAABBAABAB

15 3.11.2004Versuchsplanung15 Statistische Prinzipien Verwenden des Blockdesigns Block: Teilmenge der UE, die ähnliche Bedingungen hinsichtlich eines sekundären Faktors aufweist Randomisieren: Zufälliges Zuordnen der UE zu den Behandlungen Eliminiert die Wirkung nicht kontrollier- barer Faktoren "Blocke alles, was zu blocken ist, und randomisiere, was nicht zu blocken ist"

16 3.11.2004Versuchsplanung16 Statistische Prinzipien, Forts. Beachte Wechselwirkung von Faktoren Vermeide change-one-factor-at-a-time Vorgangsweise Strategie des Experimentierens Kleine Schritte, sequentielle Vorgangsweise Beste Zeit, ein Experiment zu planen, ist nach dem Experiment 25%-Regel (Box, Hunter & Hunter)

17 3.11.2004Versuchsplanung17 Begriffe Durchlauf des Experiments Behandlung der UE: Faktorkombination Wiederholung

18 3.11.2004Versuchsplanung18 Vergleich von Mittelwerten Beispiel: Bruchlast von Bleistiftminen Marke A: n A = 6, x-bar A = 45.8, s A = 4.31 Marke B: n B = 6, x-bar B = 39.5, s B = 4.59 Vergleich: x-barA x-barB = 45.8 39.5 = 6.3 unabhängige Stichproben, vollständig randomisiertes Experiment

19 3.11.2004Versuchsplanung19 Statistische Signifikanz Merkmal X Population i (i=1,2): X i, E(X i ) = i, SD(X i ) = i ; Stichprobe: n i, x-bar i, X-bar i N( i, i 2 /n i ) Differenz: d = X-bar 1 X-bar 2 N( d, d 2 ) mit d = 1 2 und d = [ 1 2 /n 1 + 2 2 /n 2 ]

20 3.11.2004Versuchsplanung20 Bruchlast, Forts. s d = [4.31 2 /6 + 4.59 2 /6] = 2.57 Test von H 0 : 1 = 2 gegen H 1 : 1 2 p-Wert = 2*P{Z > 6.3/2.57} = 0.0143 H 0 wird verworfen Ist der Unterschied von praktischer Relevanz?

21 3.11.2004Versuchsplanung21 Vergleich von Schuhsohlen Material A: n A = 20, x-bar A = 5.13, s A = 2.03 Material B: n B = 20, x-bar B = 5.40, s B = 1.94 Vergleich: x-barA x-barB = 5.13 5.40 = - 0.27 s d = [(2.03 2 + 1.94 2 )/20] = 0.628 p-Wert = 2*P{Z < -0.27/0.628} = 0.628; H 0 wird nicht verworfen

22 3.11.2004Versuchsplanung22 Vergleich von Schuhsohlen Randomisiertes Block-Experiment: Jeder Studierende trägt je einen Schuh mit A und B Response-Variable: Differenz d = x A x B d 1,..., d 20 ; d-bar = -0.27; s d = 0.298 SD(d-bar) = s d /n = 0.067 p-Wert = 2*P{Z < -0.27/0.067} = 0.00005; H 0 wird verworfen!

23 3.11.2004Versuchsplanung23 Faktorielle Experimente Die Response hängt von mehr als einem Faktor ab Bei einem (2-stufigen) faktoriellen Experiment interessieren bei jedem Faktor zwei Werte (Niveaus) Beispiel: Ertrag eines chem. Prozesses Temperatur (110 0, 130 0 ) Reaktionszeit (50 min, 70 min)

24 3.11.2004Versuchsplanung24 Ertrag eines chem. Prozesses Ertrag Temp.R.ZeitDSLf 1Lf 2 110 o 50min55.055.554.5 130 o 50min60.660.261.0 110 o 70min64.264.563.9 130 o 70min68.267.768.7

25 3.11.2004Versuchsplanung25 Ertrag eines chem. Prozesses Ertrag TRDSLf 1Lf 2 --55.055.554.5 +-60.660.261.0 -+64.264.563.9 ++68.267.768.7

26 3.11.2004Versuchsplanung26 Notation 2 k -faktorielles Experi- ment: 2-stufiges Experi- ment in k Faktoren Tabellierung (standard form): Jede Spalte entspricht einem Faktor Jede Zeile entspricht einer Faktorkombination (einem Durchlauf) Faktor 123… ---… +--… -+-… ++-… --+… +-+… -++… +++…

27 3.11.2004Versuchsplanung27 Analyse der Ergebnisse graphische Darstellung Schätzen der Effekte der Faktoren (Haupteffekte): Effekt einer Änderung der Temperatur von 110 o auf 130 o T = (60.6 + 68.2)/2 (55.0 + 64.2)/2 = 64.4 59.6 = 4.8 = ( 55.0 + 60.6 64.2 + 68.2)/2 R = (64.2 + 68.2)/2 (55.0 + 60.6)/2 = 66.2 57.8 = 8.4 = ( 55.0 60.6 + 64.2 + 68.2)/2

28 3.11.2004Versuchsplanung28 Wechselwirkung graphische Darstellung Effekt der Temperatur hängt vom Niveau der Reaktionszeit ab TxR = (68.2 64.2)/2 (60.6 55.0)/2 = 0.8 = (+55.0 60.6 64.2 + 68.2)/2

29 3.11.2004Versuchsplanung29 2 3 faktorielles Experiment Ertrag eines chemischen Prozesses interessierende Faktoren: Temperatur (T; : 160 o, +: 180 o ) Konzentration (C; : 20 %, +: 40 %) Katalysator (K; : Typ A, +: Typ B)

30 3.11.2004Versuchsplanung30 2 3 faktorielles Experiment, Fts. Haupteffekte T = (72+68+83+80)/4 (60+54 +52+45)/4 = 75.75 52.75 = 23.0 = (60+7254+6852+8345+80)/4 C = 5.0 K = 1.5

31 3.11.2004Versuchsplanung31 2 3 faktorielles Experiment, Fts. 2-Faktoren Wechselwirkungen T(K:+) = (80+83)/2 (52+45)/2 = 81.5 48.5 = 33.0 T(K:) = (72+68)/2 (60+54)/2 = 70.0 57.0 = 13.0 TxK = (33 13)/2 = 10.0 = (+6072+546852+8345+80)/4 Analog TxC = 1.5, KxC =0.0

32 3.11.2004Versuchsplanung32 2 3 faktorielles Experiment, Fts. 3-Faktoren Wechselwirkung TxKxC: TxK(C:+) = (8045)/2 (6854)/2= 10.5 TxK(C:) = (8352)/2 (7260)/2= 9.5 TxKxC = (10.5 9.5)/2 = 0.5 = (60+72+5468+528345+80)/4

33 3.11.2004Versuchsplanung33 Statistische Signifikanz der geschätzten Effekte Experiment ohne Wiederholungen: Graphische Darstellungen Punkt-Diagramm QQ-Plot (normal probability plot) Experiment mit Wiederholungen: Schätzer für, Berechnung von Konfidenzintervallen

34 3.11.2004Versuchsplanung34 Q-Q Plot Zu einem Datensatz soll überprüft werden, ob die Daten von einem normalverteilten Merkmal stammen Q-Q Plot oder Quantil-Quantil Plot, auch normal probability plot

35 3.11.2004Versuchsplanung35 Ermitteln des Q-Q Plots 1.Stichprobe x 1,…,x n 2.Sortiere die Beobachtungen aufsteigend 3.Bestimme die Rangzahlen 4.Bestimme die Ordnung i /(n +1) [oder (i -0.5)/n], die sich für die Beobachtung mit Rang i ergibt, wenn wir sie als (empirisches) Quantil auffassen 5.Bestimme zur Ordnung i /(n +1) das (erwartete) Quantil der Standard-Normalverteilung (Normal Score) 6.Bestimme zur Ordnung i /(n +1) das (erwartete) Quantil der Normalverteilung mit Parametern 7.Streudiagramm (Normal Scores über X)

36 3.11.2004Versuchsplanung36 Konfidenzintervall für Effekte s i : Schätzer aus Beobachtungen im i- ten von n Läufen eines 2 k -faktoriellen Experiments (i=1,…, 2 k ) s p : Schätzer aus "gepoolten" Daten s p = [(s i ) 2 /2 k ] 95%-iges Konfidenzintervall für T T - (2)SD(T), T + (2)SD(T) mit SD(T) = s p /[(n)2 k-2 ]

37 3.11.2004Versuchsplanung37 Ertrag eines chem. Prozesses iTRDSLf 1Lf 2sisi 1--55.055.554.50.50 2+-60.660.261.00.32 3-+64.264.563.90.18 4++68.267.768.70.50 s p = [(0.50+…+0.50)/4] = 0.61 SD = 0.61 /[(2)2 2-2 ] = 0.44

38 3.11.2004Versuchsplanung38 Ertrag eines chem. Prozesses, Fts. 95%-iges Konfidenzintervall für TxR -0.8 ± 2(0.44), (-1.68, 0.08) 95%-iges Konfidenzintervall für T 4.8 ± 2(0.44), (3.9, 5.7) 95%-iges Konfidenzintervall für R 8.4 ± 2(0.44), (7.5, 9.3)

39 3.11.2004Versuchsplanung39 Suppenwürze "Intermix" Beigefügte Menge soll möglichst gleichmäßig sein. Faktoren Zahl der ports (P; : 1, +: 3) Temperatur (T; : Zimmertemperatur, +: gekühlt) Chargen-Gewicht (W; : 1500 lb, +: 2000 lb) Zeit bis zum Abpacken (D; : 1 Tag, +: 7 Tage)

40 3.11.2004Versuchsplanung40 Fraktionale faktorielle Experimente Reduktion der Zahl der notwendigen Läufe durch Verzicht auf Schätzen der Wechselwirkungen Beispiel 1: 2 3-1 frakti- onales faktorielles Experiment mit drei Faktoren A, B und C (C = A x B) ABC --+ +-- -+- +++

41 3.11.2004Versuchsplanung41 Beispiel 2: 2 7-4 Experiment Kommt mit 8 Läufen aus (2 7 = 128!) ABCD=ABE=ACF=BCG=ABC ---+++- +----++ -+--+-+ ++-+--- --++--+ +-+-+-- -++--+- +++++++

42 3.11.2004Versuchsplanung42 Confounding (Vermengen) Preis für Reduktion der Anzahl der Läu- fe: Es können nicht mehr alle Effekte und Wechselwirkungen unabhängig voneinander geschätzt werden Beispiel 1: Letzte Spalte entspricht C und AxB; der sich ergebende (confounded) Schätzer vermengt die beiden Beispiel 2: Spalte 4 entspricht Faktor D und Wechselwirkung AxB, …, Spalte 7 entspricht Faktor G und Wechselwirkung AxBxC

43 3.11.2004Versuchsplanung43 Suppenwürze "Intermix, Fts. 2 5-1 fraktionales faktorielles Experiment mit fünf Faktoren P, T, W, D und Mischdauer (M; : 60 sec, +:80 sec) Schätzer von M: vermengt mit Wechselwirkung PxTxWxD Beachte: vermengt sind auch P und TxWxDxM, PxT und WxDxM, PxTxW und DxM, etc.

44 3.11.2004Versuchsplanung44 Genichi Taguchi Japanischer Ingenieur; Pionier in der Anwendung von Versuchsplanung zur Verbesserung von Produkten und Prozessen; entwickelt Philosophie der Qualitätsverbesserung Methode der Versuchsplanung Deming-Preisträger Taguchis Methoden seit ca. 1980 auch in den USA sehr populär

45 3.11.2004Versuchsplanung45 Taguchi's Impulse Bücher, seit ca. 1980 auf Englisch Taguchi & Wu (1985), Introduction to Off- Line Quality Control. Taguchi (1986) Introduction to Quality Engineering: Designing Quality into Products and Processes. Konzepte Qualitätskosten Robuste Produkte und Prozesse

46 3.11.2004Versuchsplanung46 Qualitätskosten Verlust durch Abweichung von idealem Produkt/Prozess höherer Aufwand für Gewährleistung geringere Kundenzufriedenheit schlechteres Image high quality Produkt: geringe Abweichung vom Zielwert während der gesamten Lebensdauer unter beliebigen Bedingungen der Verwendung

47 3.11.2004Versuchsplanung47 Verlustfunktion enthält Kosten (pro Einheit) des Produzenten und Konsumenten L(y) = A(y-) 2 / 2 A: erwartete Kosten bei Abweichung vom Zielwert Bei Kosten B für Ausschuss: maximal tolerierte Abweichung = [B/A]

48 3.11.2004Versuchsplanung48 Robuste Produkte und Prozesse Effekte von ungünstigen Faktoren während der Produktion und während des Gebrauchs minimiert Produkt wird beschrieben in Produkt-Charakteristika: Variable, die das Produkt am Markt positionieren Qualitäts-Charakteristika: Variable, in denen Abweichungen vom idealen Produkt auftreten

49 3.11.2004Versuchsplanung49 Negative Faktoren Äußere Störungen (Umgebung während der Verwendung; Temperatur-, Spannungsschwankungen, etc.) Innere Störungen (innerhalb des Produktes; Abnutzung, etc.) Variationen der Produktion (Vorprodukte, Kompetenz der Mitarbeiter, Qualität der Ausrüstung, etc.)

50 3.11.2004Versuchsplanung50 Reduktion der Variabilität des Produktes und des Produktionsprozesses durch Verbesserung des Designs des Produktes und Verbesserung des Designs des Produktionsprozesses

51 3.11.2004Versuchsplanung51 Taguchis Designmethode Für Experimente (orthogonale Versuchspläne) Analyse der Variation der Responsevariablen Produkt Design Prozess System Design Parameter Design Toleranz Design

52 3.11.2004Versuchsplanung52 System Design Entwurf des Produktes entsprechend den Anforderungen der Konsumenten den Möglichkeiten der Produktion Ergebnis ist ein Prototyp; Identifizierung möglicher Störfaktoren in Produktion und Verwendung kontrollierte Faktoren (Parameter) nicht kontrolliert Faktoren (noise)

53 3.11.2004Versuchsplanung53 Parameter Design Festlegung jener Zielwerte der kontrol- lierten Faktoren, bei denen die Variabi- lität minimal ist; Experimente Behandlung von noise: Behandlung als kontrollierter Faktor, wenn Ursache für Fehler Wahl der Werte der kontrollierten Faktoren so, dass Effekt des noise minimiert; Robustifizieren des Produktes!

54 3.11.2004Versuchsplanung54 Parameter Design, Forts. Aufgabe des Design Prozesses ist die Festlegung, welche Faktoren kontrolliert werden sollen und welche nicht, die Festlegung der Werte der Faktoren so, dass der Effekt des noise minimiert wird

55 3.11.2004Versuchsplanung55 Toleranz Design Festlegung von reduzierten Toleranzbereichen für die einzelnen Faktoren, um die Variabilität des Produktes zu verkleinern höherer Aufwand teurere Maschinen etc.

56 3.11.2004Versuchsplanung56 Versuchsplan inner array: Versuchsplan für die kontrollierten Faktoren; deckt relevanten Wertebereich ab (zwei bis vier Niveaus) outer array: Versuchsplan für ausgewählte noise Faktoren orthogonale Versuchspläne (faktorielle Designs, fraktional faktorielle Designs, Lateinische Quadrate Design)

57 3.11.2004Versuchsplanung57 Ziel des Versuchs Kombination von Faktorenwerten so, dass der Produktionsprozess ein Produkt liefert nahe dem gewünschten Output mit minimaler Variation oder maximalem signal-to-noise Verhältnis

58 3.11.2004Versuchsplanung58 signal-to-noise Verhältnis SN small, wenn y möglichst klein sein soll SN small = -10 log 10 [y i 2 /n] SN large, wenn y möglichst groß sein soll SN large = -10 log 10 [(1/y i ) 2 /n] SN target, wenn y möglichst nahe einem Zielwert sein soll SN target = 10 log 10 [y-bar 2 /s 2 – 1/n] oder SN target = 10 log 10 [y-bar 2 /s 2 ]

59 3.11.2004Versuchsplanung59 Kritik an Taguchi Versuchspläne der vorgeschlagenen Experimente sind oft nicht effizient Interpretation der signal-to-noise Verhältnisse oft schwierig


Herunterladen ppt "Versuchsplanung Literatur Ledolter, Burrill, Statistical Quality Control : Kap.14: Principles of Effective Experi- mental Design; Kap.15: Principles of."

Ähnliche Präsentationen


Google-Anzeigen