您还没有绑定微信,更多功能请点击绑定

DOE实际案例参考(分步试验)

2006年1月11号,本人第一次受到蚂蚁斑竹的肯定并获得2分奖励。感动,故提出一个实际DOE案例供大家讨论:

我们有一个实际问题,经由M Phase流程分析和特性要因分析后,认为对响应Y的主要影响因子有14个,时间很紧,所以我们没有再个别分析,拟进行试验计划改善:

第一步:析因试验
1)响应变量*4个(Y1、Y2、Y3、Y4),MSA 确认OK;
2)因子*14个(X1……X14),2水平以USL、LSL略微扩大一点点来设置;
3)试验策略:解析度=4、32RUN、复制=5(为方便,取其平均)、无中心点、
具体如下表:
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 StdOrder RunOrder Blocks CenterPt Y1 Y2 Y3 Y4
31 4:07 450 1.1 100 24 50 78 84 5 5 10 10 35 1 1 1 1 -0.290 0.035 0.118 -0.083
21 4:08 550 1.5 110 28 56 86 88 15 15 20 20 40 2 2 1 1 0.365 -0.460 -0.180 -0.280
31 4:07 550 1.1 110 28 50 86 88 5 15 20 10 40 3 3 1 1 0.355 -0.420 -0.170 -0.250
31 4:07 550 1.1 100 28 50 78 88 15 5 20 20 35 4 4 1 1 -0.130 -0.080 0.045 -0.125
21 4:08 550 1.5 100 28 56 78 88 5 5 20 10 35 5 5 1 1 -0.075 -0.130 0.025 -0.155
31 4:08 550 1.5 100 24 50 86 84 15 15 20 10 35 6 6 1 1 -0.245 0.023 0.093 -0.070
31 4:08 450 1.5 100 28 50 86 88 5 15 10 20 35 7 7 1 1 -0.125 -0.110 0.068 -0.178
31 4:07 450 1.5 110 24 56 86 88 15 5 20 20 35 8 8 1 1 0.375 -0.453 -0.145 -0.308
31 4:07 550 1.5 100 28 56 78 84 15 15 10 20 40 9 9 1 1 0.025 -0.223 -0.003 -0.220
31 4:08 450 1.5 110 28 50 78 88 15 5 10 10 40 10 10 1 1 0.250 -0.348 -0.150 -0.198
21 4:07 550 1.5 110 24 50 78 88 15 15 10 10 35 11 11 1 1 0.035 -0.163 -0.045 -0.118
31 4:08 450 1.1 110 28 56 78 84 15 15 20 10 35 12 12 1 1 0.415 -0.535 -0.220 -0.315
31 4:08 550 1.1 100 24 56 86 88 15 5 10 10 40 13 13 1 1 -0.030 -0.165 0.045 -0.210
21 4:07 450 1.1 100 28 56 86 88 15 15 10 10 35 14 14 1 1 -0.025 -0.220 0.013 -0.233
21 4:08 550 1.1 110 28 50 86 84 15 5 10 20 35 15 15 1 1 0.185 -0.293 -0.113 -0.180
21 4:08 450 1.1 110 24 50 86 88 5 5 20 10 35 16 16 1 1 0.005 -0.190 -0.053 -0.137
21 4:07 550 1.5 100 24 50 86 88 5 5 10 20 40 17 17 1 1 0.100 -0.490 -0.028 -0.462
31 4:08 550 1.5 110 24 50 78 84 5 5 20 20 40 18 18 1 1 0.075 -0.185 -0.065 -0.120
31 4:07 550 1.5 110 28 56 86 84 5 5 10 10 35 19 19 1 1 0.520 -0.550 -0.205 -0.345
21 4:07 450 1.5 100 28 50 86 84 15 5 20 10 40 20 20 1 1 -0.280 -0.018 0.073 -0.091
31 4:08 450 1.1 100 28 56 86 84 5 5 20 20 40 21 21 1 1 0.075 -0.268 -0.008 -0.260
31 4:08 550 1.1 110 24 56 78 88 5 15 10 20 35 22 22 1 1 0.345 -0.388 -0.130 -0.258
31 4:07 450 1.1 110 24 50 86 84 15 15 10 20 40 23 23 1 1 0.090 -0.223 -0.100 -0.123
21 4:07 450 1.1 110 28 56 78 88 5 5 10 20 40 24 24 1 1 0.285 -0.383 -0.118 -0.265
21 4:08 550 1.1 100 28 50 78 84 5 15 10 10 40 25 25 1 1 0.000 -0.285 0.005 -0.290
21 4:08 450 1.1 100 24 50 78 88 15 15 20 20 40 26 26 1 1 -0.490 0.198 0.180 0.018
21 4:07 550 1.1 100 24 56 86 84 5 15 20 20 35 27 27 1 1 -0.185 -0.105 0.078 -0.183
21 4:07 450 1.5 110 28 50 78 84 5 15 20 20 35 28 28 1 1 0.095 -0.248 -0.103 -0.145
21 4:07 550 1.1 110 24 56 78 84 15 5 20 10 40 29 29 1 1 0.145 -0.298 -0.113 -0.185
31 4:07 450 1.5 100 24 56 78 88 5 15 20 10 40 30 30 1 1 -0.095 -0.150 0.038 -0.188
21 4:08 450 1.5 100 24 56 78 84 15 5 10 20 35 31 31 1 1 -0.260 0.015 0.103 -0.088
21 4:08 450 1.5 110 24 56 86 84 5 15 10 10 40 32 32 1 1 0.150 -0.308 -0.125 -0.183
结论:X5、X6、X7、X8显著。(具体过程请自主验证)

第二步:优化试验
1)响应变量=5,较原试验增加一个响应变量---副作用指标;(Y1---Y5)
2)因子=4,两水平,以上述析因之反应优化结果作部分调整;
3)试验策略:解析度=4,复制*4、Power=0.9、中心点=4,随机化运行36次:
RunOrder CenterPt Blocks X1 X2 X3 X4 Y1 Y2 Y3 Y4 Y5
1 1 1 106 26 48 76 0.178 0.170 -0.310 -0.003 0.008
2 1 1 100 26 52 76 0.123 0.168 -0.375 -0.023 -0.045
3 1 1 106 26 52 80 -0.090 0.023 -0.065 -0.350 -0.113
4 1 1 100 22 52 80 0.203 0.228 -0.500 0.163 -0.025
5 1 1 100 26 48 80 0.213 0.240 -0.475 0.138 -0.027
6 1 1 106 22 48 80 0.153 0.153 -0.345 0.060 0.000
7 1 1 106 22 48 80 0.163 0.173 -0.380 0.085 -0.010
8 1 1 106 22 52 76 0.098 0.123 -0.290 -0.053 -0.025
9 1 1 100 26 52 76 0.098 0.195 -0.310 -0.058 -0.097
10 1 1 106 26 52 80 -0.043 0.090 -0.120 -0.235 -0.133
11 1 1 106 26 48 76 0.128 0.163 -0.320 -0.033 -0.035
12 1 1 106 26 48 76 0.158 0.143 -0.360 0.000 0.015
13 1 1 100 26 48 80 0.173 0.188 -0.405 0.073 -0.015
14 1 1 100 22 48 76 0.333 0.245 -0.615 0.303 0.088
15 1 1 106 26 48 76 0.013 0.045 -0.135 -0.258 -0.032
16 0 1 103 24 50 78 0.158 0.185 -0.390 0.043 -0.027
17 1 1 100 22 48 76 0.383 0.275 -0.660 0.380 0.108
18 1 1 100 22 52 80 0.223 0.218 -0.505 0.155 0.005
19 1 1 106 22 52 76 0.078 0.135 -0.290 -0.058 -0.057
20 1 1 100 22 52 80 0.243 0.263 -0.510 0.243 -0.020
21 0 1 103 24 50 78 0.173 0.180 -0.410 0.033 -0.007
22 0 1 103 24 50 78 0.153 0.158 -0.460 0.028 -0.005
23 1 1 100 26 52 76 0.118 0.148 -0.365 -0.098 -0.030
24 1 1 106 22 52 76 0.063 0.145 -0.210 -0.073 -0.082
25 1 1 106 26 52 80 -0.075 0.048 -0.075 -0.353 -0.123
26 1 1 100 22 52 80 0.230 0.270 -0.540 0.208 -0.040
27 1 1 106 22 48 80 0.235 0.225 -0.435 0.190 0.010
28 1 1 100 22 48 76 0.390 0.308 -0.700 0.403 0.082
29 1 1 100 26 48 80 0.213 0.235 -0.480 0.113 -0.022
30 1 1 106 26 52 80 -0.065 0.045 -0.090 -0.333 -0.110
31 1 1 100 22 48 76 0.335 0.253 -0.640 0.308 0.082
32 0 1 103 24 50 78 0.210 0.200 -0.440 0.115 0.010
33 1 1 106 22 48 80 0.130 0.113 -0.350 0.013 0.017
34 1 1 100 26 48 80 0.183 0.205 -0.470 0.090 -0.022
35 1 1 100 26 52 76 0.103 0.180 -0.340 -0.068 -0.077
36 1 1 106 22 52 76 0.105 0.123 -0.320 -0.043 -0.018

结论:请自主验证
1)高低水平与中心点成线性;
2)反应优化器运行

第三步:验证试验
……

没时间了,明天继续!

对于本案例,我最得意的是分步试验思想很清晰、DOE之DMAIC过程清晰。有参考价值
对“好”的回答一定要点个"赞",回答者需要你的鼓励!
已邀请:

蚂蚁 (威望:8) (广东 深圳) 咨询业 咨询顾问

赞同来自: 虎子


先筛选再优化这是很好的逻辑思路,我们一般也都是这样处理问题。
当然有时候中间有个快速上升(下降)的过程,一般根据筛选试验的结论信息进行设置和合理安排试验。

我提到过这种DOE的思路,参见
http://bbs.6sq.net/viewthread. ... 253D1

原文如下:



第一步 确定目标
我们通过控制图、故障分析、因果分析、失效分析、能力分析等工具的运用,或者是直接实际工作的反映,会得出一些关键的问题点,它反映了某个指标或参数不能满足我们的需求,但是针对这样的问题,我们可能运用一些简单的方法根本就无法解决,这时候我们可能就会想到试验设计。对于运用试验设计解决的问题,我们首先要定义好试验的目的,也就是解决一个什么样的问题,问题给我们带来了什么样的危害,是否有足够的理由支持试验设计方法的运作,我们知道试验设计必须花费较多的资源才能进行,而且对于生产型企业,试验设计的进行会打乱原有的生产稳定次序,所以确定试验目的和试验必要性是首要的任务。随着试验目标的确定,我们还必须定义试验的指标和接受的规格,这样我们的试验才有方向和检验试验成功的度量指标。这里的指标和规格是试验目的的延伸和具体化,也就是对问题解决的着眼点,指标的达成就能够意味着问题的解决。

第二步 剖析流程
关注流程,使我们应该具备的习惯,就像我们的很多企业做水平对比一样,经常会有一个误区,就是只讲关注点放在利益点上,而忽略了对流程特色的对比,试验设计的展开同样必须建立在流程的深层剖析基础之上。任何一个问题的产生,都有它的原因,事物的好坏、参数的便宜、特性的欠缺等等都有这个特点,而诸多原因一般就存在于产生问题的流程当中。流程的定义非常的关键,过短的流程可能会抛弃掉显著的原因,过长的流程必将导致资源的浪费。我们有很多的方式来展开流程,但有一点必须做到,那就是尽可能详尽的列出可能的因素,详尽的因素来自于对每个步骤地详细分解,确认其输入和输出。其实对于流程的剖析和认识,就是改善人员了解问题的开始,因为并不是每个人都能掌握好我们所关注的问题。这一步的输出,使我们的改善人员能够了解问题的可能因素在哪里,虽然不能确定哪个是重要的,但我们至少确定一个总的方向。

第三步 筛选因素
流程的充分分析,使我们有了非常宝贵的资料,那就是可能影响我们关注指标的因素,但是到底哪个是重要的呢?我们知道,对一些根本就不或微小影响因素的全面试验分析,其实就是一种浪费,而且还可能导致试验的误差。因此将可能的因素的筛选就有必要性,这时,我们不需要确认交互作用、高阶效应等问题,我们的目的是确认哪个因素的影响是显著的。我们可以使用一些低解析度的两水平试验或者专门的筛选试验来完成这个任务,这时的试验成本也将最小处理。而且对于这一步任务的完成,我们可以应用一些历史数据,或者完全可靠的经验理论分析,来减少我们的试验因子,当然要注意一点就是,只要对这些数据或分析有很小的怀疑,为了试验结果的可靠,你可以放弃。筛选因素的结果,使得我们掌握了影响指标的主要因素,这一步尤为关键,往往我们在现实中是通过完全的经验分析得出,甚至抱着可能是的态度。

第四步 快速接近
我们通过筛选试验找到了关键的因素,同时筛选试验还包含一些很重要的信息,那就是主要因素对指标的影响趋势,这是我们必须充分利用的信息,它可以帮助我们快速的找到试验目的的可能区域,虽然不是很确定,但我们缩小了包围圈。这时我们一般使用试验设计中的快速上升(下降)方法,它是根据筛选试验所揭示的主要因素的影响趋势来确定一些水平,进行试验,试验的目的就像我们在寻找罪犯一样的缩小嫌疑范围,我们得出的一个结论就是,我们的改善最优点就在因素的最终反映的水平范围内,我们离成功更近了一步。

第五步 析因试验
在筛选试验时我们没有强调因素间的交互作用等的影响,但给出了主要的影响因素,而且快速接近的方法,使我们确定了主要因素的大致取值水平,这时我们就可以进一步的度量因素的主效应、交互作用以及高阶效应,这些试验是在快速接近的水平区间内选取得,所以对于最终的优化有显著的成效,析因试验主要选择各因素构造的几何体的顶点以及中心点来完成,这样的试验构造,可以帮助我们确定对于指标的影响,是否存在交互作用或者那些交互作用,是否存在高阶效应或者哪些高阶效应,试验的最终是通过方差分析来检定这些效应是否显著,同时对以往的筛选、快速接近试验也是一个验证,但我们不宜就在这样的试验基础上就来描述指标与诸主效应的详细关系,因为对于3个水平点的选取,试验功效会有不足的可能性。

第六步 回归试验
我们在析因试验中,确定了所有因素与指标间的主要影响项,但是考虑到功效问题,我们需要进一步的安排一些试验来最终确定因素的最佳影响水平,这时的试验只是一个对析因试验的试验点的补充,也就是还可以利用析因试验的试验数据,只是为了最终能够优化我们的指标,或者说有效全面的构建因素与水平的相应曲面和等高线,我们增加一些试验点来完成这个任务。试验点一般根据回归试验的旋转性来选取,而且它的水平应该根据功效、因子数、中心点数等方面的合理设置,以确保回归模型的可靠性和有效性。这些试验的完成,我们就可以分析和建立起因素和指标间的回归模型,而且可以通过优化的手段来确定最终的因子水平设定。当然为了保险起见,我们最后在得到最佳参数水平组合后进行一些验证试验来检验我们的结果。

第七步 稳健设计
我们知道,试验设计的目的就是希望通过设置我们可以调控的一些关键因素来达到控制指标的目的,因为对于指标来讲我们是无法直接控制的,试验设计提供了这种可能和途径,但是在现实中却还存在一类这样的因素,它对指标影响同样的显著,但是它很难通过人为的控制来确保其影响最优,这类因素我们一般称为噪声因素,它的存在往往会使我们的试验成果功亏一篑,所以对待它的方法,除了尽量的控制之外可以选用稳健设计的方法,目的是这些因素的影响降低至最小,从而保证指标的高优性能。事实上这些因素是普遍存在的,例如我们的汽车行驶的路面,不可能保证都是在高级公路上,那么对于一些差的路面,我们怎样来设计出高性能呢?这时我们会选择出一些抗干扰的因素来缓解干扰因素的影响,这就是稳健设计的意图和途径。通常我们会经常使用在设计和研发阶段,但有时也会随着问题的产生而暴露出来,但我们会提出一个问题了,重新选定主要因素的水平会不会带来指标的振荡和劣化,这是完全有可能的,但我们可以通过EVOP等途径来重新设定以保证因素更改后的输出效果。

一些总结
1.试验设计需要成本的投入,我们必须确定试验进行的必要性,以及选取最优的设计方案。
2.水平的选取可能直接影响试验设计的结果,要谨慎的选取,最后有专业知识和历史数据的支持。
3.尽可能的利用一些历史数据,在确认可靠后提取对我们试验有用的信息,来尽量减少试验投资和缩短试验周期。
4.试验设计并不能提供解决所有问题的途径,现实当中的局限验证了这一点,我们要全面考虑解决问题的方式,选取最有效、最经济的解决途径。
5.注意充分的分析流程,不要遗漏关键的因素,不要被一些经验论的不可能结论左右。
6.除了试验设计涉及的因素外,要尽量确定所有的环境因素是稳定和符合现实的,往往会做不到这一点,我们可以用随机化、区组化来尽量避免。
7.注意结果的验证和控制,不要轻信结果。
8.尽量保证试验的仿真性,避免一些理想的试验环境,比如试验室,理想不现实的环境是的试验可能根本就没有作用。
9.试验设计者要关注试验过程,保证试验意图和方案的彻底执行。
10.如果实现一步到位的试验设计是可能的,那就不要犹豫的开展吧,上面的七步只是针对普通的情况。

11 个回复,游客无法查看回复,更多功能请登录注册