DOE简介(经典方法)-公开课件.ppt

Pg * 筛选试验经常是首轮的试验. 在对系统知之甚少的情况下先进行筛选试验. 优化的第一步就是确定什么变量能够影响因变量. 优化的第一个尝试是在项目的测量和分析阶段. 将潜在的因子还原为可能的因子. 然后运用筛选试验将可能的因子还原为实际因子. 在更详细的试验, 经常是因变量表面轮廓测定设计中, 寻找关键因子的最佳水平. 最后, 用控制阶段中发展的控制系统把因子控制在最佳水平上. Pg * 效果的稀疏性是早前讨论过的 - 即高阶交互作用几乎永远不会发生. 有关投射特征和系列试验构成组合试验的想法是, 可以扩充筛选试验, 即为显著的因子项增加试验组合, 以帮助更好地确定交互作用项.如果需要研究曲率, 也可以用更多的试验组合, 将一个 2k 试验变成一个因变量表面轮廓测定设计. Pg * 记得这个例子吗? 是来自前一课中的分区化试验. 当时我们提及到一个分区如同一个额外的因子. 本例中, 我们以时间来取代可能是同质性的分区, 时间项是有碍两个水平的因子, 因此, 不再是均质的. 这个称之为二分之一部分因子试验, 由于它只用了全因子试验组合的二分之一. Pg * 为了确定哪一个因子与其它因子同名, 你可以将对比差异列相比较. 如果你计算 AD 的对比差异列, 你会看到它与 BC 同名. BD 与 AC 同名, 等等. 不过还有一个更简易的方法. 随后, 在确定同名结构时会继续讨论这个问题. Pg * 为了手工设计一个部分因子试验, 以全因子试验为起点设计比较方便. Pg * Pg * Pg * DOE指一个学习领域的标题,如 “我正在上DOE课程.” 试验本身实际是SDE – 按统计学设计的试验(Statistically Designed Experiments). 不过, 把DOE等同于统计学设计的试验很平常, 如, “我已完成 DOE的第一个试验.” Pg * DOE常有三个以上的因子. 但很难用图展示试验设计. Pg * Pg * 本节我们主要讨论试验烹饪书的定义部分. 随后几节我们会展示几个不同类型的试验设计方案以便实施. Pg * DOE 的目的与6 Sigma 项目的目的一样. 一次试验很少能达到项目的所有目的. 通常, 要依次进行若干试验优化流程才能达到项目目的. 筛选试验识别影响输出的变量是哪些(通常要超过一个筛选试验). 优化试验是寻找最佳参数的(因变量)表面轮廓测定法. DOE 的目的应和项目目的有关. 进行试验的目的是改进流程. 进行DOE不仅仅是为了满足试验者的好奇心. Pg * Pg * 要理解DOE, 清楚区分因变量, 因子及水平极为重要. 因变量是输出变量. 因子是输入变量. 水平是输入的设置 (值). Pg * Pg * 因子的水平如何设置? Pg * 因子的水平如何设置? Pg * 某些试验(特别是验证性试验)是简单的假设检验. “新设置比老的好(或不同)吗?” 其它验证性试验可能要求把单一输入设置在若干水平上. 这类试验可以用以前学过的一元ANOVA加以分析 (我们在下一节会加以回顾). 最终, 筛选试验及优化试验要求把多个因子设置在多个水平. 这要求精心设计DOE. Pg * 统计师能设计高明的试验. 但他们缺乏对流程的了解. 试验者了解流程,因而能更有效进行试验. 这就是为什么工艺专家(黑带和绿带)要进行统计学和DOE的培训. 要利用你的专业知识(如果是基于数据的话). 利用简单的设计. 如果已知某些因子不会与其他因子有交互作用的话, 可以把一个复杂的试验分为两个试验. 试验结果应有实际意义. 如果目的是把成品率从75% 提高到 95%,一个统计学证明能显著提高到77%的结果可能没有多大价值. 最后, 规划试验时应明白你可能要做一个以上的试验. 试图用一蹴而就,“魔弹”的方法做试验常常是个坏主意. Pg * 为每一个DOE写报告是个好主意. 流程负责人应持有其结果以方便他的其他优化及改进项目. 就象量具分析的作用超过一个6 Sigma项目一样, 试验结果也是如此. 如同量具分析, DOE 结果应按实际允许尽快实施. Pg * 尽管这不是包括一切的单子, 它包括了许多现存的实现有效试验的障碍. 过去, 人们对DOE的概念很有戒心. 随着更为广泛的应用, 更多的人看到了DOE的好处, 虽然他们仍不是很懂得它. 6 Sigma文化变革的部分目的是使机构内意识到 DOE不仅是一个有效的方法, 更是进行试验的优选方法. Pg * 本节用到的文件: Golf.mtw Mont286.mtw Mont6_16.mtw Mont258.mtw Pg * 还有其它许多因素与低杆数有关, 才能是第一位的.