DOETraining实验设(DOE)於制程与品质改善之应用.pptVIP

Horng-Chyi Horng DOE Training 實驗設計(DOE)於製程與品質改善之應用 一般實驗進行方式 Best-guess approach One-factor at a time 之方法 實驗計劃法(DOE) 在一個或連串的試驗中刻意地改變製程輸入參數值, 以便觀察並找出影響製程輸出變數之因素. 應用: 改進製程產出率 降低製程變異, 改善產品品質 降低研發時間 降低總體成本 評估各種可行之設定值 評估各替代原料 確定影響產品特性之因素 基本原則 複製(Replication) 估計自然誤差 中央極限定理 隨機化(Randomization) “Averaging out” the effects from uncontrollable variables 區隔化(Blocking) 增進實驗之精確度 DOE之程序 問題之認知與陳述 選擇因子與其水準 選擇反應變數 選擇適當之實驗設計 執行實驗 資料分析 結論與建議 Follow-up run and confirmation test Iterative No more than 25% of available resources should be invested in the first experiment Notes 使用統計以外之專業知識 實驗之設計與分析應愈簡單愈好 實驗之統計分析結果與現實上之差異 成本 技術 時間 實驗通常是遞迴式的 前幾次實驗通常只是學習經驗而已 實驗設計之種類 單因子實驗設計 Variance Model 單因子區隔設計 二因子實驗設計 二水準階層實驗設計 二水準部分階層實驗設計 三水準階層實驗設計 三水準部分階層實驗設計 反應曲面技術 實驗設計之種類(Another Prospect) 因子篩選(Screening Experiments) 二水準部分階層實驗設計 Plackett-Burman Design Group-Screening Designs 特定區間 二水準階層實驗設計 二水準部分階層實驗設計 三水準階層實驗設計 三水準部分階層實驗設計 混合設計 最佳化(Optimizing) 反應曲面技術 2 變異數分析(ANOVA) 決策模式 若 F0 Fa,a-1,a(n-1) ，則不同之因子水準對反應變數有影響。 反之，則無影響。 a 為相對風險。 Example：紙張強度之研究 3 二因子實驗設計 二因子無交互作用 二因子有交互作用 Example 決策模式： 因為F0(Primer Types) = 28.63 F0.05,2,12 = 3.89 F0(Application Methods) = 61.38 F0.05,1,12 = 4.75 所以此二因子對黏著力皆有顯著影響。 但 F0(Interaction) = 1.5 F0.05,2,12 = 3.89，所以此二因子的交互作用對黏著力無明顯之影響。 殘值分析(略) 2k因子階層設計 k個因子，每個因子2個水準(+,-) ，共2k次實驗（當 n = 1 時）。 在因子數不多的狀況下，常用於實驗初期，來了解因子對反應變數之可能影響。 只能看出因子對反應變數之線性作用(linear effect) ，無法預估高階曲面作用。 23因子階層設計 Example for 23 Design A: 速度 B: 切割深度 C: 切刀角度 ANOVA 表_Example 2k Design with Center Points 增加預估曲線作用之能力 不破壞設計之平衡性(Balanced Design) 只需增加少數幾個實驗 Example ANOVA表_Example 4 二水準部分階層實驗設計(2k-p) 2k-p Design具有k個因子，每個因子有兩個水準，共有2k-p次實驗。 2k Design所需之實驗次數隨k(因子數)之增加而據增，例如24=16、26=64、28=256、、、。然而，以26為例，64個實驗產生64-1=63個自由度，其中只有C61=6個自由度是主因子作用，C62=15個自由度是給兩因子之交互作用，卻有63-6-15=42個自由度是給三個(含)以上的因子交互作用。 故，若以專業知識可以假設多因子交互作用是不顯著的，且可以予以忽略(大多數情況是如此)，則吾人只須做此2k個實驗中的部份實驗，即可瞭解主因子作用以及低階之因子交互作用。 2k-p實驗用途 2k-p Design主要用於實驗初期的Screening Experiments，用以從多數可能之因子中篩選出具有顯著作用之因子，以為之後更詳細實驗之依據。 可用於產品與製程之設計。 可用於製程上之問題排除。 2