DOE简介(经典方法)[参照].pptVIP

OFAT的缺点 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 Pg * 解决方案-因子试验设计 处理多个因子的正确方法是进行因子 试验 即 DOE (Design Of Experiments) 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 Pg * 因子试验 – 实例 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 I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 ? Pg * 因子试验 – 练习 把前例的试验设计方案填如表中 车 低水平: 走 高水平: 开车 啤酒 低水平: 0 高水平: 4 Balls 低水平: Titleist 高水平: Ping Pg * 试验 – 通用处方 定义 陈述实际问题 陈述试验目的 陈述因变量(Y) 选择输入变量 选择输入因子的水平 实施 选择试验设计方案及样本尺寸 进行试验并采集数据 分析数据 得到统计学及实际答案 把结论转化为实际问题的方案 Pg * 试验目的 试验目的和项目目的不同 一个试验通常不够 一系列试验通常导致优化试验 DOE 与项目目的有关 进行试验是为了达到项目目的 进行试验不只是满足试验者的好奇心. Pg * 选择输出变量 试验因变量的例子: 电镀流程 – 厚度, 均匀度, 纯度 开发票流程 – 正确发票数, 周期时间 高球例子: 主要因变量: 总杆数 其它可能因变量: 距发球点及球道中心的距离 (球杆及球的类型试验) Pg * 选择输入因子 输入因子 – 在试验中要研究其对因变量影响的流程输入变量之一 定量 (连续) 输入: 温度,压力,时间等. 定性 (离散) 输入: 操作员, 机器, 工厂, 批次, 触媒等. 应选那些因子? 用6 Sigma 工具! 流程图, C E 矩阵, FMEA 多变量分析, 假设检验 Pg * 选择输入因子 高球实例: 因子: 球杆类型 (商标) 球的类型 (商标) 行走或开车 啤酒瓶数 ? Pg * 选择各因子的水平 水平: 输入变量的值(设置) 例如: 如温度是输入 水平: 125, 150, 175 例如: 如操作员是输入 Mary, Beth, Tom, Saunders 在高球例子中: 因子 水平 球杆 Ping, Titleist 球 Top Flite, Titleist 交通工具 走, 车 啤酒 0, 4 Pg * 选择各因子的水平 选择各因子水平应考虑: 我希望看到多大的变化? 偏差的正常范围是多少? 我能改变多少但仍安全? 机器/工艺的限度在哪里? 本试验的类型是什么? 筛选 – 用跨度大的水平 优化 – 根据以前试验的结果选用适当的水平. 几个水平? 依资源及试验目的而定 两个水平很方便,如随后的章节所示 Pg * 选择试验设计方案 简单的比较型试验 两个均值的检验 1- 和 2-样本 t-检验 配对 t-检验 1- 和 2-方差检验 1- 和 2-比例检验 单因子试验: 方差分析 按统计学设计的试验– DOE Pg * 做试验的一些窍门 利用问题中非统计学的部分 这对正确选择因子和水平极有价值 应用统计学不能代替对问题的思考 尽可能保证设计及分析简便 KISS – Keep it Simple, Stupid!(简单到愚蠢!) 复杂的试验和分析常会有错误 明了统计学重要性与实际重要性的区别 流程变化会导致统计学显著差别,但并不意味着该差别是重要的 试验本身是重复性的 我们的知识与日俱增. 应期望用数个试验才能获得最佳工艺. 一般指导方针: 在第一个试验中使用不超过25% 的资源. Pg * 总结报告 一定为DOE写一个专门的报告 DOE通常涉及多人且耗费大量资源 大多数人希望在项目结束前了解得到的结果怎样 报告/汇报DOE结果能帮助教导更多人关于DOE 的原理. 记住有关临界数量及文化变革的教诲 DOEOutline.doc能帮助你作DOE总结报告的大纲 DOEOutline.doc Pg * 有效进行试验的障碍 问题不清 目的不清 脑力风暴不足 试验结果不清 DOE 太贵 DOE 时间太长 对 DOE策略了解不够 对 DOE工具了解不够 初期信心不足 缺乏管理层支持 要即时看到结果 缺乏适当指导/支持 Pg * 全因子试验 高球例子 – 一个简单的 2x2 因子试验 一位高球手试验两个球杆