DOE-讲师版讲义

1DOEDOE報告人:朱承先品質工程技術發展委員會2朱承先(DanielChu)•品質技委會副主委•iDPBGDSD品保處協理經歷:•Trane產品研發部/生產技術部經理•北科大冷凍空調工程系兼任助理教授•APPSixSigmaDirector•鴻海TAMG工程標準處經理•世匯顧問公司營運長•WLBGNLV全球品保處協理學歷:•成功大學機械工程博士•英國Leicester大學MBA3從英國的炮兵班說起……Ø在第二次世界大戰初期,英國的一個炮兵班有六個班兵,分別是觀測手、彈藥手、裝填手、通信兵、炮長及一個閒置士兵Ø隨著戰事的白熱化,對兵源的需求也日益增多,於是有人注意到為什麼會有一個閒員在每一個炮班中Ø許多權威人士紛紛提出答案,普遍認為合理的解釋是：炮陣地受到攻擊時,此人可以迅速遞補受傷的人員,不致影響戰力Ø但是有一位軍事將領認為這不合理,於是仔細地翻閱了塵封已久的操練手冊,發現……4英國的炮兵班(II)原有的炮班使用馬匹來拉炮,炮固定於陣地後,馬匹總是位於不遠處,為免炮發射時驚嚇到馬匹,所以需要一個專人來拉住馬,就這麼形成了傳統於是從二次大戰中期起每一炮班改為五人管理的真實是---Ø壓力是發現事實真相的動力Ø盲目合理化是一件非常容易的事.而且愈資深的人愈喜歡自以為是地去合理化一件事Ø只從表像去揣摩原因是危險的,能夠真正掌握住Know-how才是做出最佳決定的核心能力Ø保存文件很重要5Agenda•第一單元:DOE概述–被動觀察法與主動實驗–DOE方法與原理•第二單元:DOE方法–改善績效的基本手段:FullFactorialDesign&FractionalFactorialDesign–最佳化:ResponseSurfaceMethod–一次改善多個輸出性能-MultipleResponseOptimization–探索未知的領域:EVOP&PathofSteepestAscent/Descent–兼顧性能與穩健性:RobustEngineering6造紙廠的故事•印尼蘇門答臘巴拉旺紙廠的年輕工程師,才從學校出來兩年,在一個為了優化紙機性能的DOE中,意外發現螢光劑與澱粉間更好的配方,不但可以比原來的性能更好,還可以少用配料,讓紙的生產成本更低……•他不相信,因為……原來的配方是紙業的天王設定的,幾十年來沒人懷疑過配方還有改善的空間•經過逐步向新的參數方向調動,果然一切如實驗數字所預測•一年為公司省下100萬美金7DOE在問題解決過程中的位置……定義問題分析問題(找原因)建構數據收集計劃提出對策驗證對策維持成果衡量問題重要性被動觀察研究主動實驗經驗型因果分析•Trial&Error•OFAT•DOEFailureModes失效模式Effects效應Causes原因RecommendedAction行動8A12.55IA23.51B12.210IIB22.32A10.315IIC22.03A8.910IA18.64B14.315IIA14.55A13.510IIB20.06B11.212IB18.27A12.514IC11.58A13.511IA17.89A13.813IIC25.610B12.59IIB28.311B11.86IA17.712A12.018IB19.013B15.625IIA20.014輸入因子A輸入因子B輸入因子C輸入因子D輸出因子Y1輸出因子Y2Example溫度機台量測系統時間尺寸等級.DataCollection要決定的事:影響結果的關鍵因子為何?RegressionANOVALogisticRegressionChi-square連續型不連續型不連續型連續型9被動觀察的好處與缺點•優點–立刻可以從系統中提出數據(但往往在現實中不能實現)–不干擾流程–成本低•缺點–數據收集不均勻,不Balanced–不好研究交互作用–時程不好控制–數據收集過程中,不易避免干擾因子對於流程的影響10實驗法的種類•TrialandError(試誤法)•每次只改變一因數(One-Factor-at-a-Time,OFAT)•DOE–全因子實驗(FullFactorials)–部分因子實驗(FractionalFactorials)–響應曲面法(ResponseSurfaceMethod)1110-110-1輸入1ContourPlotYxxxxxxxxx目標一次改變一個變數結論輸入2每次只改變一因數(One-Factor-at-a-Time,OFAT)12DOE基本功FullFactorial全因子實驗FractionalFactorial部分因子實驗ResponseSurfaceMethod響應曲面法13DOE起源DOE的起源實驗設計源於1920年代……–研究育種的科學家Dr.Fisher是大家一致公認的DOE方法創始者–Dr.Taguchi(田口玄一博士)後續努力集其大成,使DOE普及並且發揚光大14Fisher’sANOVA原理•收集到兩組以上的數據後,我們關心–表現水準改變了多少?–這個改變是否可以有信心地被承認•Fisher巧妙地利用群組內的變異大小和群組間的變異大小,來鑑別兩個以上的群組性能是否有顯著的差異•ANOVA是DOE方法背後的運算基礎BA20.017.515.012.510.07.55.0DataBoxplotofA,BDC14131211109876DataBoxplotofC,D15DOE的好處•較少實驗次數•可得到變數間交互作用的訊息•實驗設計能擴充或減縮，以符合專案需求•產品及製程之最佳化16實驗設計種類••部分因子設計部分因子設計(FractionalFactorialDesign):(FractionalFactorialDesign):–適用：自不重要的多數中，篩選出“重要的少數”–確認可能的主效應••全因子設計全因子設計(FullFactorialDesign):(FullFactorialDesign):–適用：確認主要變數–研究少量因數(2-6)的主效應及交互作用–幫助瞭解制程••響應曲面法響應曲面法(ResponseSurfaceMethod):(ResponseSurfaceMethod):–適用：最佳化關鍵變數–研究曲率(curvature)，交互作用及主效應17DOE2Kxxxxxxxx輸入因子X輸出因子YX1X218DOE式數據收集特性:1.主動設計2.Balanced3.假設兩個輸出在輸入因子兩個Level之間的變化為線性關係優點:1.可以解析交互作用2.可以用較少的實驗次數取得好的決策缺點:1.從新開始2.成本/時間X1X2X3Y小小小20大小小24小大小21大大小18小小大15大小大16小大大21大大大15必須是連續型數據19MainEffectxxxxxxxx輸入因數X3輸出因數YEffectX小X大20小故事:袋鼠與籠子高度•有一天動物園的管理員們發現袋鼠從籠子裏跑出來了，於是開會討論，一致認為是籠子的高度過低。–籠子的高度由10公尺à20公尺•結果第二天他們發現袋鼠還是跑到外來，–籠子的高度由20公尺à30公尺•沒想到隔天居然又看到袋鼠全跑到外面，於是管理員們大為緊張，決定一不做二不休，–籠子的高度由20公尺à100公尺•一天長頸鹿和幾隻袋鼠們在閒聊，「你們看，這些人會不會再繼續加高你們的籠子？」長頸鹿問。「很難說。」袋鼠說：「如果他們再繼續忘記關門的話！」若沒有好的素養,一般人很容易把改善的力氣花在自己最熟的方法上,而不是最應該採取的方法上21MainEffectComparison主效應比對1510757065605521120100180140757065605563FeedrateMeanCatalystAgitateTempConcMainEffectsPlotforReacted%DataMeans當reacted%=f(feedrate,catalyst,agitate,temp,concentration)……當一群主效應圖放在一起時,每個因子的影響力大小立判22DOE可以進一步觀察交互作用……某個輸入因子對於輸出的影響程度,受到另一個輸入因子設定值的影響我們稱此效應為交互作用交互作用(interaction(interaction))，化學上稱綜效(synergy)AB2parts2parts3parts3parts1.551.451.351.25BlowLevelBlowTypeMeanInteractionPlot(datameans)forDensity23分析能力提升之後,交互作用也被認真探討•極少數的工程團隊認真看待交戶作用•一些精妙超脫的選擇,建立在對交互作用的理解之上Meanof測試阻抗(Ohm)平狀網狀600450300粗紋狀車輪狀HighLow600450300HighLowElastomer形狀GoldPad形狀Elastomer彈力Spring彈力Elastomer形狀粗紋狀車輪狀HighLowHighLow10005000GoldPad形狀10005000Elastomer彈力10005000Spring彈力Elastomer形狀網狀平狀GoldPad形狀車輪狀粗紋狀Elastomer彈力LowHighMainEffectsPlot(datameans)for測試阻抗(Ohm)InteractionPlot(datameans)for測試阻抗(Ohm)主效應/交互作用圖平狀網狀車輪狀粗紋狀GoldpadElastomer24兩個層次的全因子設計的限制如因數增加實驗次數會急速增加執行包含大量變數的全因子設計，成本高且不實際,部分因子實驗為替代對策因數數實驗次數2438416532664712825½部分因子實驗ABCD-1-1-1-11-1-11-11-1111-1-1-1-1111-11-1-111-11111新的實驗設計矩陣看起來像這樣:此為24設計的1/2部分因子設計我們僅需執行8次試驗來評估4個因數，而不需執行16次26部分因子實驗vs.全因子實驗•部分因子實驗可以有效縮減實驗次數•但因為降低了解析度,所以對於交互作用的解讀能力大幅降低•減少的次數愈多,解析度愈差,誤判的風險愈高因子數全因子實驗次數1/2部分因子實驗次數1/4部分因子實驗次數1/8部分因子實驗次數24---384--4168--532168-6643216871286432162710-110-1輸入1ContourPlotYxxxxxxxxx目標怎麼找到這一點?一次改變一個變數結論x輸入2xxx全因子實驗的結論如果不想只做到改善,更想做到優化……勢必要提高實驗的解析度才能抓到最佳設定點àRSM28層次-α-10+1+αFactorial通常只解析2級RSM的解析度提高了!!!29ResponseSurfaceMethod:兩個因子30ResponseSurfaceMethod:三個因子31小結:實驗設計分類法實驗設計種類篩選設計(ScreeningDesign)部分因子實驗全因子實驗探究因數數3-152-62-5估計效應單獨單獨交互作用單獨、交互作用和曲率(Curvature)結果：確認重要因數瞭解系統特性高精確度的預測、最適化響應曲面設計32MultipleResponseOptimization•結合RSM及TheoryofDesirability•同時滿足多個輸出因子的規格需求33MultipleResponseOptimization介紹•幾乎很少流程僅擁有一個輸出•一組輸入因子設定必須滿足多個因子的規格條件•如果同時有許多輸入變數和輸出變數存在，要想達到恰好的平衡點，使所有的輸出都在規格之內無疑是一件很困難的事情•Minitab中的多重輸出最適化的功能使您同時最適化多個輸出變數•這是使用一個稱為desirability的概念，將試驗結果與其規格相結合，創造了一個最適化的組合34案例:輸出規格•Y1：黏著性(Adhesion)–望大值–目前的輪胎的黏著狀況良好，團隊評分為100%，新的輪胎至少要和現在一樣，但理想目標設