DOE企业培训资料.pptVIP

(主效果图) (交互作用图) 图形告诉我们什么信息？ Step5：反应优化器 Stat﹥DOE﹥Factorial ﹥ Response Optimizer 三种选择: Minimize Target Maximize 依据反应优化器所选择因子水平设置：Y=3.5m 红线可以拖动来设置该因子水平 得出结论 需回答的问题： 试验结果是否具有统计显著性？ 模型是否合宜？ 残差分析是否有异常？ 因子主效果如何？ 因子交互作用如何？ 因子水平如何设置可达到目标？ 执行验证确认 统计结论→实际问题改进指导→验证实验 执行验证试验来确认你是否真正作出改进非常重要。 在执行验证试验中要根据分析结论对主要因子水平结合实际情况进行合理设置。 可对验证试验结果抽样数据与原数据进行假设检验，以证实你确实做了改进。 知识获取点 明确问题：品质特性、因子水平、试验目标 基本概念：结合实际需要选择所需要的试验类型（分辨度、区组(Block)、复制和重复次数、试验次数、功效(Power)） 分步试验：筛选（分数阶乘）→改进（全因子）→优化（RSM） 因子效应显著性分析判断 分析模型优化 残差诊断 主效应、交互作用 回归模型 反应优化器 Exercise 01: 在压力成型塑胶板生产中，经因子初步筛选后知，影响成型塑胶板强度的因素有：压膜间距、成型压力、压力角度。 请设计试验计划： 1、响应变量？ 2、因子:间距60mm\70mm，压力300Pa/400Pa，角度20°/24° 3、试验计划？ 分步试验思想 分步实验思想是最经济有效的DOE策略： 因子数≥5 2水平分数阶乘实验 2水平全阶乘实验+中心点设置 中心点与高低水平是否线性(Curvature) YES 反应优化器 NO RSM设计 关键因子≤4 DOE基本概念 DOE设计 DOE设计 如何去设计和完成DOE 混淆是如何影响你的DOE的 理解设计的解析度及其含义 区分重复和复制 理解随机化的重要性 模块化战略 为什么/何时使用中心点 如何确定实验的功效 因素水平设置的战略 理解设计的重要性 课程目的 DOE计划设计步骤 试验计划步骤 定义目标 选择反应变量“Y” 对Y、X变量的MSA分析 选择自变量“X” 变量X的水平设置 选择试验类型 进行试验和数据收集 分析数据 得出统计结论并检定 验证试验 定义目标 陈述试验目的： 分析『自变量』对『反应变量』的影响并进行改进 例：1）分析洗涤时间、水温、清洗剂种类、清洗剂浓度对洗衣机 清洗效果的影响，并进行最适设置。 2）分析销售地点、面积、布置、员工对平均销售量的影响。 试验设计前先回答如下问题： 我想解决什么问题？ 现况（Baseline）为何？ 想要得出什么结论？ 是否有意义？以及是否具备相关资源？ 没有回答左述问题之前，不要急于试验设计！ 要明确所想改进的品质特性所对应的响应变量（Y），并定义其量测指标： 同时有多个响应变量（Y）时： 可以同时构建自变量X 与响应变量Y的函数模型。但最终效应需综 合考量； 响应变量Y的量化：属性数据、连续数据 属性数据（gono go）的有效性不及连续数据的63%， 因此需要大量的数据才能得出有效统计结论； 有些情况下对响应变量Y的数据测量是很困难的： 通常可以进行分级、与Limited Sample比较； 选择响应变量（Y） 勿忘 MSA 无论您的Y是何种数据类型，在进行试验前，必须验证相应的量测系统。 量测系统的误差会把您的所有心血都浪费！ 切记对于一切变量：自变量X和因变量Y， Gage RR都很重要 正确选择自变量X 经验表明所有因素中往往只有2-6个少数关键变量起作用。 选择X变量，使用正确的方法，进行研究： 专家意见 头脑风暴 流程分析 因果特性分析 CE Matrix 标杆分析 分析阶段的结论（假设检验、方差分析） 自变量X的水平设置 设置“X”的水平： X变量的水平设置取决于试验目的和响应变量特性 一般选择高、低2水平（试验次数少） 为了防止试验结果（因子效应）是 非线性的，需要设置中心 点来观察。 ▽ ▽ ▽ ▽ ▽ ▽ ▽ ▽ ▽ ▽ ▽ -1 1 ▽ ▽ ▽ ▽ ▽ ▽ ▽ ▽ ▽ ▽ ▽ -1 1 ▽ ▽ 0 要有足够大的水平差异来体现“效应”的差异； 水平不能超出适用范围（一般略微超出当前管制范围）； 应当认识到试验中的某些组合可能产生无法接受的结果，但这是为分析 因子效应所必须的； 选择试验类型 当设计一个试验时，要考虑以下几个关键因素… 试验类型(全阶乘？分数阶乘？RSM？) 干扰因素 效应(Effect)和解析度 随机化和分区组 样本容量 风险(Pow