六西格玛-完全要因实验.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * ( 再缩小的ANOVA表 ) 把压力因子放在模型的理由是什么? 6阶段: 分析残差图(Residual Plots)确认模型的适合性 Stat Regression Residual Plots 点以0(横线)为中心，任意分布吗? 有脱离USL, LSL 的点吗? 是不是正态分布 Graph上的点表示残差(Residual).假如残差随正态分布没有管理脱离以0为中心 任意分布，就判断其分析结果得出的模型(数学式)是适合的。 7阶段 : 主效果分析 Step 1 Stat DOE Factorial Factorial Plots Click Click 主效果 Plot Step 2 Set-up: 选择Plot包含的因子 ( 主效果 Plot ) 反应温度的效果最大，压力的效果几乎是没有。 倾斜度越大效果也越大。 数 率 8阶段 : 在ANOVA表中分析有影响的交互效果 Step 1 Stat DOE Factorial Factorial Plots Click Click 交互效果 Plot Step 2 Set-up: 选择Plot包含的因子 ( 交互效果 Plot ) 交互作用几乎没有 交互作用存在 交互作用不存在 DATA的视觉化 –立方形Graph DATA的视觉化 – 立方形 Plot Step 1 Stat DOE Factorial Factorial Plots Click Click 立方形 Plot Step 2 Set-up: 选择Plot包含的因子 数率最大化的因子的水准是 ? 立方形 Plot 这个Graph视觉化反应(输出)值的分布情况。 9阶段: 用ANOVA表的Coef叙述数学MODEL 数率 = 64.25+11.5反应温度 - 2.5浓度 + 0.75压力+ 5.0反应温度*压力 欲分析的反应变量 移到 或者 . Stat DOE Factorial Response Optimizer… 利用Response Optimizer 完全要因实验分析方法 阶段10: 数学MODEL的意思转换为Process用语 Step 1 Click 反应变量数率的规格为 79 ~ 81时，在 Goal里选择 Target，Lower 里79, Upper里 81, Target里输入 80. 完全要因实验分析方法 Set-up Step 2 Click Click Search为定义，子钩的始发点 输入因子水准的值。 这个值为输入因子水准的最大值 和最小值之间的值。 输出最佳化 Plot. 完全要因实验分析方法 Option Step 3 Click Click 满足反应变量的目标值80的 code化的三个因子的水准。 完全要因实验分析方法 阶段 11: 再现最佳条件。拟定下一个阶段的实验计划 或适用变化的条件。 结果分析及决定因子的最佳水准 Step 3 移动这个 Line，因子的三个 Setting值有变化，y值及满足度(d)值也改变。 有中心点的完全要因实验的 例 2-水准实验设计时，只考虑输入变量的2个水准， 随时存在忽略曲线效果的危险。 追加“中心点(Center points)”，因此不增加实验次数也能检定曲线效果。 例: 作为Process Engineer想提高相互不同的2个die-castings的数率， 并且对温度及压力的2个输入变量，有关心。 作为Engineer追加对 2x2 模型的5个中心点而执行实验， 决定要对实验误差及曲率效果，进行推定。 输入变量 温度(Temp) 水准: 150(-1), 155(0), 160(+1) 压力(Pressure) 水准: 30 (-1), 35(0), 40 (+1) 1 阶段: 问题记述 作为Process Engineer想提高相互不同的2个die-castings的 数率，并且对温度及压力的2个输入变量，有关心。 2 阶段: 记述因子及水准，生成 Minitab 实验DATA SHEET 温度: 150, 155, 160 压力: