试验设计方法课程综述 - 副本.ppt

工业界最常用 程序 选择 “最佳估计” 的因子组合 Ping 牌球杆, Titleist 牌球, 开车, 四瓶啤酒 进行一次试验 (打一轮) 输出结果与预期值比较 (分数: 94 – 不太好) 如结果不理想, 将其中一个因子的水平改变 – 重新试验 如需要重复试验 缺点 如第一次估计错误, 需要更多次试验– 低效率且时间长 如第一次估计可以接受, 试验会停止下来, “最佳”方案可能永远找不到 “最佳猜测”法 常用于对所研究流程了解有限的情况 程序 选择一个因子水平的组合作基线 在各因子的变化范围每次改变一个因子的水平 选定各因子的最佳水平 对啤酒及走或开车的组合: ? OFAT法– 每次一个因子(One-Factor-At-a-Time) 主要缺点 ? OFAT 未能考虑交互作用 交互作用 – 在另一个因子的不同水平, 一个因子产生的效果不相同 另一个缺点 OFAT 总是比统计 学试验设计效率差 OFAT的缺点 处理多个因子的正确方法是进行因子 试验 即Factorial experiment design 因子试验 各因子一起改变其水平而不是一次一个 试验设计是进行一整套试验且所有试验完成后才进行分析 解决方案-因子试验设计 考虑高球例子的两个因子: 啤酒和开车 一个因子试验会设置如下: 各因子在另一个因子的各水平改变其水平 如加上第三个因子, 球的类型 (Titleist 或Pinnacle), 设计会变成: 车 啤酒 w r 0 4 车 啤酒 w r 0 4 球 T P T ? 因子试验 – 实例 Pg * 记住6 Sigma的焦点是确定流程方程式: Y = f(X) 这个方程式只有通过试验设计才能得到. 有时现有数据能给黑带或绿带指明改进方向. 不过通常现有数据的变化范围不足以宽到所需的整个试验空间. 多数流程需把输入变量设置在正常的操作限度以外以帮助确定由此可能引起的流程偏差. Pg * 输入变量各式各样. 其大小可以按要求设定在指定数值的的那类输入变量称为“固定效果”模型. 另一些从包含所有变化范围的总体中提取一部分作为样本进行研究的输入变量 (例如, 从50批触媒中拿出5批作分析) 称为 “随机效果”模型. 本节及随后章节主要涉及“固定效果”模型. “随机效果”模型将在随后的培训中介绍. 本节开头介绍的教科书也可用于参考. 应用范围:固定效果模型, 固定效果模型与随机效果模型与抽样方略有一定的关系: 固定效果模型基于以母体为基础的抽样: 1)母体完全已知 2)要素可以清楚的确认 3)纯随机选择的可能性 4)可预测的随机概率 随机效果模型基于以流程为基础的抽样: 母体部分已知 2)不可能纯随机的选择 3)随机概率不可预测 从母体到流程抽样的方法: 母体 ----------------------------------------------------------------------? 流程 纯随机抽样 ? 分层随机抽样 ? 系统抽样 ? 样本子集 (适用于小批量流程) (大规模生产以合理分组为基础) 抽样要考虑: 典型性:抽样应该具有代表性 独立性:样本之间应该不相关 经济性:确定样本大小需要考虑经济性 但是要得到一定的结果,同样要考虑统计学上的最小样本容量: 工具与统计量 最小样本容量 平均 5-10 标准偏差 25-30 缺陷率 100 柱状图或柏拉图 50 散点图 25 控制图 20 Pg * 进行试验设计的目的应与6 Sigma 项目的目标紧密结合. Pg * Pg * 多数高尔夫球选手会不断练习其球技. 如果他发现今天击球偏向一边, 他会调整右手位置以减少或消除偏斜. 如果击出的球太高或太低, 他会向前或向后调整站立位置以补偿. Pg * 工程师和科学家常采取这种策略,因为试验者对他们研究的系统有大量技术上的或理论上的专业知识. 有时可接受的结果在一二次估计后就可以达到, 看起来很有效. 另一些时候经过多次试验仍不能保证得到可行方案. 精神病学者曾证实中期强化训练对长期习惯有很强的作用. 换句话说, 奉行“最佳估计”的人有时最难接受统计学试验设计的益处, 因为他们的方法有时实际上更快及更有效得到结果. Pg * 多数高球手用这种方法(或称为最佳估计法)进行试验. 要提高击球水平, 先改变握杆方法. 如果还不行, 改变站位. 若还是不行,减慢挥杆速度. 如真正的问题是各因素的组合, 我们永远不会找到答案. 由图表所知,该高球手应少喝啤酒且开车进行练习. Pg * 本例中, 用OFAT策略,该高球手不会观