logo_interquality
| 22. září 2017 |
  Hledat
INTERNÍ KURZY>DOE - Interquality

Co to je statisticky navržený experiment?

Pojmem statisticky navržený experiment označujeme strategii řešení úloh pomocí vhodně navržených a vyhodnocených experimentů. V literatuře bývá takový experiment nejčastěji označován zkratkou DOE - Design of Experiments. DOE je účinným nástrojem optimalizace procesů a významnou měrou jej lze využít i při návrhu nových výrobků. Hlavními oblastmi využití DOE byl tradičně průmysl chemický, farmaceutický a zpracovatelský, v posledních letech se však metod DOE využívá stále častěji i ve strojním inženýrství a v elektronice. Velký potenciál poskytuje DOE v oblastech marketingu, prodeje nebo řízení služeb. Sem proniká DOE hlavně v souvislosti s iniciativou Six Sigma.
    
Příklad:
Při výrobě PET lahví pro náročné zákazníky je důležitá stoprocentní čirost materiálu. Ta závisí na zbytkové vlhkosti polotovarů, z nichž se láhve vyfukují – nesmí být ani moc velká, ani moc malá. Zbytkovou vlhkost ovlivňuje celá řada faktorů – doba skladování, místo skladování atd. Statisticky navržený experiment se ukázal jako nejrychlejší cesta k nalezení optimálního nastavení těchto faktorů.

Jiný příklad:
Dodavatel dětských omalovánek a pastelek chtěl zvýšit návštěvnost svých webových stránek pomocí dopisu, adresovaného rodičům a učitelům. Pomocí experimentu našli nejlepší kombinaci faktorů v textu a provedení dopisu, která se ukázala jako 3,5 krát účinnější než kombinace nejhorší.

DOE se uplatní všude tam, kde se navrhují nebo provozují procesy v prostředí proměnlivosti - počínaje proměnlivostí vstupních surovin, přes proměnlivé vlivy prostředí až po subjektivní vlivy lidí – pracovníků i zákazníků. Kromě optimalizace nastavení vstupních veličin v procesech nebo konstrukčních parametrů při návrhu nových výrobků je největším přínosem DOE možnost navržení robustních procesů a výrobků, to jest takových, které jsou co nejodolnější právě vůči proměnlivosti vstupů. DOE lze s výhodou použít i tam, kde procesy nedokážeme popsat jednoznačnými, deterministickými vztahy.

 

Jaký je princip DOE?

Na proces nebo produkt, který chceme optimalizovat, působí řada vlivů. Některé z nich dokážeme řídit. Těm budeme říkat faktory. Očekáváme, že na výstupu procesu dostaneme to, co jsme chtěli (nebo co požadoval náš zákazník). Takovým měřitelným výstupům říkáme odezvy. Úkolem DOE je najít takovou kombinaci faktorů, aby hodnota odezvy (nebo několika odezev) byla co nejpříznivější. K tomu účelu experimentátor zkoumá odezvu v několika bodech experimentálního prostoru. Uvědomuje si přitom, že pracuje s omezenými prostředky a prozkoumání každého bodu stojí čas a peníze. Proto je důležité umístit „sondy“ v experimentálním prostoru co nejúčelněji.

Jak to všechno vzniklo?

Sir Ronald Fisher, vynikající anglický matematik, dostal za úkol zpracovat výsledky šedesáti let experimentální práce v Rothamsteadské královské zemědělské výzkumné stanici. Zde položil teoretické základy analýzy rozptylu (ANOVA) a napsal učebnici statistiky pro výzkumné pracovníky. Společně se svým kolegou Frankem Yatesem zpracovali statistické tabulky pro biology a formulovali základní principy DOE. Z této doby pocházejí některé zvláštní pojmy, používané při statistickém návrhu experimentu: split plot experiment, doslovně „experiment na rozděleném pozemku“.
Další vývoj už jenom v bodech:
Plackett a Burman v roce 1940 přicházejí s řadou experimentálních návrhů s počtem kroků, které jsou násobky čtyř.
Box, Hunter&Hunter vydali v roce 1960 první učebnici DOE. Dodnes poskytuje nejsrozumitelnější úvod do experimentování.
V roce 1976 vstupuje na scénu americký statistik Douglas Montgomery. Jeho klasická učebnice „Design of Experiments“ vyšla již v šestém vydání a vytvořila standard, o který se opírají nejen praktici, ale i tvůrci software.
První komerčně dostupný software pro DOE se objevil v roce 1980.
Ve stejném roce přichází japonský inženýr Genichi Taguchi se svým návrhem experimentů, ale především s myšlenkou robustnosti, která je dobře srozumitelná konstruktérům a technologům.
Okolo roku 1986 přitahuje pozornost k DOE nově vznikající manažerská iniciativa
Six Sigma. Statistický návrh experimentů se stává součástí školení na stupeň Black Belt a experimenty se začínají používat v mnoha projektech nejen v průmyslu, ale například i v marketingu.

Proč mluvíme v souvislosti s DOE o strategii? Nejedná se jen o statistickou metodu?


Při návrhu výrobku nebo optimalizaci procesu budeme nejspíše používat více experimentů. Těmi se budeme snažit odpovědět na otázky, které budou stále přesnější a výstižnější. V průběhu celého procesu se totiž bude neustále zvyšovat naše úroveň poznání. Zásadním cílem je přitom získání co nejvíce informací za co nejméně peněz.
Prvním experimentem bývá zpravidla tzv. screening. Zejména u složitých procesů nebo výrobků máme zpočátku dlouhý seznam vstupních proměnných, u nichž tušíme souvislost s výsledkem procesu. Screening má co nejefektivnějším způsobem vstupní proměnné roztřídit a najít mezi nimi jen těch několik, jejichž vliv na kvalitu výstupu je skutečně významný. (Což nemusí znamenat totéž, co statisticky významný.)
Zadání dalšího experimentu již vychází z naší znalosti procesu nebo výrobku a je tedy mnohem preciznější. Volíme zpravidla experiment o vyšším stupni rozlišení, který nám umožní zkoumat i vzájemné interakce jednotlivých vstupních proměnných. (Katalyzátor A má větší účinek při teplotě X, zatímco katalyzátor B má větší účinek při teplotě Y, nebo ložisko typu A má vyšší hlučnost při otáčkách n1, kdežto ložisko typu B má vyšší hlučnost při otáčkách n2).
Dalším stupněm experimentu může pak být použití metodiky odezvových ploch, která nám umožní s velkou precizností najít optimální nastavení parametrů i hledat takové kombinace řiditelných faktorů, při nichž je proces nejodolnější vůči šumu. Takové nastavení pak nazýváme robustní.


Je použití statisticky navrženého experimentu ve světě běžné? Do jaké míry se používá u nás?


Velké použití DOE vidíme v Japonsku a ostatních nově industrializovaných asijských zemích. To souvisí do značné míry s vysokou úrovní vzdělanosti a zároveň se sociální prestiží pracovníků v technických oborech. Mnoho aplikací DOE je ročně zaznamenáno ve Spojených Státech. Evropské země jsou v tomto směru tradičně poněkud pozadu, i když některé automobilky dokonce předepisují svým dodavatelům, aby metodiky DOE využívali.
První (a hned velice úspěšná) aplikace DOE u nás byla ve výrobě polovodičů. Tak, jak do praxe přichází nová generace pracovníků, nezatížených skepsí a „negativními zkušenostmi“, prosazuje se DOE čím dále více.


Jaké jsou hlavní překážky použití DOE?


Největší překážkou využití DOE je nedůvěra a skepse. Další překážkou je nedostatek systematického přístupu ke zlepšování procesů. Tuto překážku do značné míry překonává Six Sigma. Teprve potom nastupuje nedostatek školení, informací či software.


Průmyslový experiment je pro nás nová disciplína. Jak se podobné úlohy řešily dosud?


Někteří z nás si vzpomenou na školní léta, kdy nás učili, že dobrý experimentátor mění v jednom kroku jen jedinou vstupní veličinu, protože jinak by se výsledku nedopočítal. I když si takový „tradiční“ experimentátor může často pomoci věcnou znalostí zkoumaných procesů, je výsledek tradičního postupu do značné míry závislý na náhodě. K požadovanému stupni poznání procesu se můžeme dostat po pěti, nebo také po padesáti krocích experimentu.
Statisticky navržený experiment, tak jak jej navrhl Ronald Fisher, využívá současné a předem dokonale naplánované změny několika vstupních proměnných najednou. Fisherovi v oblasti agronomie šlo především o čas, potřebný k vyšlechtění nových odrůd nebo k ověření nových agrotechnických postupů. Japonský statistik Genichi Taguchi pak dokázal metodiku statistického návrhu experimentu prosadit do průmyslové praxe a optimalizovat náklady, potřebné k návrhu procesu nebo výrobku.


Budeme-li chtít optimalizovat proces, který již existuje a ze kterého máme mnoho naměřených hodnot, nešlo by nahradit průmyslový experiment například regresní analýzou na počítači?


Využití tzv. historických dat pro poznání a optimalizaci procesů je vždy riskantní.
Jde-li o data z výrobních procesů, nemůžeme se mnohdy spolehnout na reprodukovatelnost měření a na stálost neměřených vstupních veličin. Prostředkem řízení procesů navíc bývá regulace vstupních veličin v co nejužším rozsahu, která činí analýzu dat velice svízelnou. V „bibli experimentátora“ Statistics for Experimenters (Box, Hunter, Hunter) je podrobně popsáno sedm důvodů, proč je třeba se na regresní analýzu dívat s rezervou. Autoři dospívají k jednoznačnému závěru: Chceme-li zjistit, co se stane, když změníme vstupní proměnné v procesu, nezbývá nám jiná možnost, než je skutečně změnit.

 

Jakou kvalifikaci musíme mít, chceme-li se průmyslovým experimentem zabývat?


Především je potřeba rozumět podstatě zkoumaných procesů. Vlastní postupy statistického návrhu experimentů byly zejména zásluhou Taguchiho zjednodušeny tak, že je snadno zvládneme se středoškolským matematickým aparátem, a to ještě zčásti zapomenutým. Před použitím vzorců se totiž dává jednoznačná přednost grafickým metodám vyhodnocení. Velikou výhodou je možnost plánování a návrhu experimentu v týmu. Tam se mohou vhodně doplňovat zkušenosti jedněch s teoretickými znalostmi druhých členů. Někdo je zase schopen do týmu přinést organizační schopnosti a nutnou dávku nadšení.


Je pro průmyslový experiment nutné používat zvláštní software?

Jednoduché a přitom účinné experimenty můžeme navrhnout, provést a vyhodnotit pomocí Excelu. Budeme-li se chtít pustit do metody odezvových ploch, už se asi bez statistického software neobejdeme. Důležité ale je, abychom v každém okamžiku rozuměli tomu, co za nás počítač dělá. Když vytvoříme empirický model procesu, nabídne nám software řadu prostředků k ověření jeho platnosti. Ty bychom měli bezezbytku využít..


Často se mluví o tzv. Taguchiho metodách. Není to totéž, co zde nazýváme statisticky navrženým experimentem?


Genichi Taguchi, který se využitím průmyslového experimentu začal zabývat počátkem osmdesátých let, přispěl velice významnou měrou k popularizaci DOE v průmyslové praxi. Jeho zásluhou byla široce přijata teze o souvislosti proměnlivosti na výstupu procesu a ekonomických ztrát z tohoto procesu. Taguchi sám provedl a ve svých knihách popsal nespočet experimentů ze všech oblastí průmyslu.
Vlastní Taguchiho postupy se však ukázaly jako statisticky sporné a málo efektivní.
V dnešní době se metodika plánování a vyhodnocování experimentu od Taguchiho přístupu odklonila.


Kdy nelze DOE použít?


Zásadní překážky použití DOE jsou dvě:
  • Proces, který chceme optimalizovat, je nestabilní. Nestabilním procesem ve smyslu statistické regulace rozumíme takový proces, ve kterém čas od času působí nenáhodné a zároveň nežádoucí vlivy, tzv. vymezitelné příčiny proměnlivosti. Takové procesy je nejprve potřeba stabilizovat pomocí metod SPC.
  • Skutečný výstup procesu je zcela nepodobný výstupu požadovanému. Taková situace nastává v případech, kdy je proces ve své podstatě chybně navržen. Je to jako bychom chtěli dostat míč do branky, ten by však vůbec nebyl na hřišti.

Náš proces je tak proměnlivý, že při každém měření dostaneme úplně jiný výsledek. To pak přeci nedokážeme vyhodnotit žádný experiment.

Záleží na tom, jaká je povaha proměnlivosti. Pokud se jedná o nestabilitu procesu (viz předchozí bod), budeme muset proces nejprve stabilizovat. Pokud se ale jedná o experimentální šum, není náš úkol beznadějný. Záleží na tom, jak velká bude odezva procesu na uskutečněné změny faktorů. Pokud bude odezva větší než je experimentální šum, podaří se nám ji snadno odhalit. Pokud bude menší, může být v šumu „ztracena“. K jejímu odhalení budeme potřebovat více kroků experimentu. Taguchi mluvil v této souvislosti o „poměru signál/šum“.

 

Není statisticky navržený průmyslový experiment jen další módní trend, který za pár let opadne?


Průmyslový experiment není všelék a nikoho by nenapadlo jej za všelék vydávat. Průmyslové experimentování se opírá o vytváření empirických modelů procesů. Ty je často jednodušší a rychlejší najít než modely, které jsou založeny na dokonalém teoretickém poznání procesů. Na druhé straně ale nemůžeme chtít, aby empirické modely platily v celém rozsahu vstupních proměnných. Relativní význam DOE bude v příštích letech určitě stoupat. Vždy se ale jedná jen o pomocnou metodu či strategii, která má zprostředkovat poznání a optimalizaci procesů.

Co to je statisticky navržený experiment?

Pojmem statisticky navržený experiment označujeme strategii řešení úloh pomocí vhodně navržených a vyhodnocených experimentů. V literatuře bývá takový experiment nejčastěji označován zkratkou DOE - Design of Experiments. DOE je účinným nástrojem optimalizace procesů a významnou měrou jej lze využít i při návrhu nových výrobků. Hlavními oblastmi využití DOE byl tradičně průmysl chemický, farmaceutický a zpracovatelský, v posledních letech se však metod DOE využívá stále častěji i ve strojním inženýrství a v elektronice. Velký potenciál poskytuje DOE v oblastech marketingu, prodeje nebo řízení služeb. Sem proniká DOE hlavně v souvislosti s iniciativou Six Sigma.
    
Příklad:
Při výrobě PET lahví pro náročné zákazníky je důležitá stoprocentní čirost materiálu. Ta závisí na zbytkové vlhkosti polotovarů, z nichž se láhve vyfukují – nesmí být ani moc velká, ani moc malá. Zbytkovou vlhkost ovlivňuje celá řada faktorů – doba skladování, místo skladování atd. Statisticky navržený experiment se ukázal jako nejrychlejší cesta k nalezení optimálního nastavení těchto faktorů.

Jiný příklad:
Dodavatel dětských omalovánek a pastelek chtěl zvýšit návštěvnost svých webových stránek pomocí dopisu, adresovaného rodičům a učitelům. Pomocí experimentu našli nejlepší kombinaci faktorů v textu a provedení dopisu, která se ukázala jako 3,5 krát účinnější než kombinace nejhorší.

DOE se uplatní všude tam, kde se navrhují nebo provozují procesy v prostředí proměnlivosti - počínaje proměnlivostí vstupních surovin, přes proměnlivé vlivy prostředí až po subjektivní vlivy lidí – pracovníků i zákazníků. Kromě optimalizace nastavení vstupních veličin v procesech nebo konstrukčních parametrů při návrhu nových výrobků je největším přínosem DOE možnost navržení robustních procesů a výrobků, to jest takových, které jsou co nejodolnější právě vůči proměnlivosti vstupů. DOE lze s výhodou použít i tam, kde procesy nedokážeme popsat jednoznačnými, deterministickými vztahy.

 

Jaký je princip DOE?

Na proces nebo produkt, který chceme optimalizovat, působí řada vlivů. Některé z nich dokážeme řídit. Těm budeme říkat faktory. Očekáváme, že na výstupu procesu dostaneme to, co jsme chtěli (nebo co požadoval náš zákazník). Takovým měřitelným výstupům říkáme odezvy. Úkolem DOE je najít takovou kombinaci faktorů, aby hodnota odezvy (nebo několika odezev) byla co nejpříznivější. K tomu účelu experimentátor zkoumá odezvu v několika bodech experimentálního prostoru. Uvědomuje si přitom, že pracuje s omezenými prostředky a prozkoumání každého bodu stojí čas a peníze. Proto je důležité umístit „sondy“ v experimentálním prostoru co nejúčelněji.

Jak to všechno vzniklo?

Sir Ronald Fisher, vynikající anglický matematik, dostal za úkol zpracovat výsledky šedesáti let experimentální práce v Rothamsteadské královské zemědělské výzkumné stanici. Zde položil teoretické základy analýzy rozptylu (ANOVA) a napsal učebnici statistiky pro výzkumné pracovníky. Společně se svým kolegou Frankem Yatesem zpracovali statistické tabulky pro biology a formulovali základní principy DOE. Z této doby pocházejí některé zvláštní pojmy, používané při statistickém návrhu experimentu: split plot experiment, doslovně „experiment na rozděleném pozemku“.
Další vývoj už jenom v bodech:
Plackett a Burman v roce 1940 přicházejí s řadou experimentálních návrhů s počtem kroků, které jsou násobky čtyř.
Box, Hunter&Hunter vydali v roce 1960 první učebnici DOE. Dodnes poskytuje nejsrozumitelnější úvod do experimentování.
V roce 1976 vstupuje na scénu americký statistik Douglas Montgomery. Jeho klasická učebnice „Design of Experiments“ vyšla již v šestém vydání a vytvořila standard, o který se opírají nejen praktici, ale i tvůrci software.
První komerčně dostupný software pro DOE se objevil v roce 1980.
Ve stejném roce přichází japonský inženýr Genichi Taguchi se svým návrhem experimentů, ale především s myšlenkou robustnosti, která je dobře srozumitelná konstruktérům a technologům.
Okolo roku 1986 přitahuje pozornost k DOE nově vznikající manažerská iniciativa
Six Sigma. Statistický návrh experimentů se stává součástí školení na stupeň Black Belt a experimenty se začínají používat v mnoha projektech nejen v průmyslu, ale například i v marketingu.

Proč mluvíme v souvislosti s DOE o strategii? Nejedná se jen o statistickou metodu?


Při návrhu výrobku nebo optimalizaci procesu budeme nejspíše používat více experimentů. Těmi se budeme snažit odpovědět na otázky, které budou stále přesnější a výstižnější. V průběhu celého procesu se totiž bude neustále zvyšovat naše úroveň poznání. Zásadním cílem je přitom získání co nejvíce informací za co nejméně peněz.
Prvním experimentem bývá zpravidla tzv. screening. Zejména u složitých procesů nebo výrobků máme zpočátku dlouhý seznam vstupních proměnných, u nichž tušíme souvislost s výsledkem procesu. Screening má co nejefektivnějším způsobem vstupní proměnné roztřídit a najít mezi nimi jen těch několik, jejichž vliv na kvalitu výstupu je skutečně významný. (Což nemusí znamenat totéž, co statisticky významný.)
Zadání dalšího experimentu již vychází z naší znalosti procesu nebo výrobku a je tedy mnohem preciznější. Volíme zpravidla experiment o vyšším stupni rozlišení, který nám umožní zkoumat i vzájemné interakce jednotlivých vstupních proměnných. (Katalyzátor A má větší účinek při teplotě X, zatímco katalyzátor B má větší účinek při teplotě Y, nebo ložisko typu A má vyšší hlučnost při otáčkách n1, kdežto ložisko typu B má vyšší hlučnost při otáčkách n2).
Dalším stupněm experimentu může pak být použití metodiky odezvových ploch, která nám umožní s velkou precizností najít optimální nastavení parametrů i hledat takové kombinace řiditelných faktorů, při nichž je proces nejodolnější vůči šumu. Takové nastavení pak nazýváme robustní.


Je použití statisticky navrženého experimentu ve světě běžné? Do jaké míry se používá u nás?


Velké použití DOE vidíme v Japonsku a ostatních nově industrializovaných asijských zemích. To souvisí do značné míry s vysokou úrovní vzdělanosti a zároveň se sociální prestiží pracovníků v technických oborech. Mnoho aplikací DOE je ročně zaznamenáno ve Spojených Státech. Evropské země jsou v tomto směru tradičně poněkud pozadu, i když některé automobilky dokonce předepisují svým dodavatelům, aby metodiky DOE využívali.
První (a hned velice úspěšná) aplikace DOE u nás byla ve výrobě polovodičů. Tak, jak do praxe přichází nová generace pracovníků, nezatížených skepsí a „negativními zkušenostmi“, prosazuje se DOE čím dále více.


Jaké jsou hlavní překážky použití DOE?


Největší překážkou využití DOE je nedůvěra a skepse. Další překážkou je nedostatek systematického přístupu ke zlepšování procesů. Tuto překážku do značné míry překonává Six Sigma. Teprve potom nastupuje nedostatek školení, informací či software.


Průmyslový experiment je pro nás nová disciplína. Jak se podobné úlohy řešily dosud?


Někteří z nás si vzpomenou na školní léta, kdy nás učili, že dobrý experimentátor mění v jednom kroku jen jedinou vstupní veličinu, protože jinak by se výsledku nedopočítal. I když si takový „tradiční“ experimentátor může často pomoci věcnou znalostí zkoumaných procesů, je výsledek tradičního postupu do značné míry závislý na náhodě. K požadovanému stupni poznání procesu se můžeme dostat po pěti, nebo také po padesáti krocích experimentu.
Statisticky navržený experiment, tak jak jej navrhl Ronald Fisher, využívá současné a předem dokonale naplánované změny několika vstupních proměnných najednou. Fisherovi v oblasti agronomie šlo především o čas, potřebný k vyšlechtění nových odrůd nebo k ověření nových agrotechnických postupů. Japonský statistik Genichi Taguchi pak dokázal metodiku statistického návrhu experimentu prosadit do průmyslové praxe a optimalizovat náklady, potřebné k návrhu procesu nebo výrobku.


Budeme-li chtít optimalizovat proces, který již existuje a ze kterého máme mnoho naměřených hodnot, nešlo by nahradit průmyslový experiment například regresní analýzou na počítači?


Využití tzv. historických dat pro poznání a optimalizaci procesů je vždy riskantní.
Jde-li o data z výrobních procesů, nemůžeme se mnohdy spolehnout na reprodukovatelnost měření a na stálost neměřených vstupních veličin. Prostředkem řízení procesů navíc bývá regulace vstupních veličin v co nejužším rozsahu, která činí analýzu dat velice svízelnou. V „bibli experimentátora“ Statistics for Experimenters (Box, Hunter, Hunter) je podrobně popsáno sedm důvodů, proč je třeba se na regresní analýzu dívat s rezervou. Autoři dospívají k jednoznačnému závěru: Chceme-li zjistit, co se stane, když změníme vstupní proměnné v procesu, nezbývá nám jiná možnost, než je skutečně změnit.

 

Jakou kvalifikaci musíme mít, chceme-li se průmyslovým experimentem zabývat?


Především je potřeba rozumět podstatě zkoumaných procesů. Vlastní postupy statistického návrhu experimentů byly zejména zásluhou Taguchiho zjednodušeny tak, že je snadno zvládneme se středoškolským matematickým aparátem, a to ještě zčásti zapomenutým. Před použitím vzorců se totiž dává jednoznačná přednost grafickým metodám vyhodnocení. Velikou výhodou je možnost plánování a návrhu experimentu v týmu. Tam se mohou vhodně doplňovat zkušenosti jedněch s teoretickými znalostmi druhých členů. Někdo je zase schopen do týmu přinést organizační schopnosti a nutnou dávku nadšení.


Je pro průmyslový experiment nutné používat zvláštní software?

Jednoduché a přitom účinné experimenty můžeme navrhnout, provést a vyhodnotit pomocí Excelu. Budeme-li se chtít pustit do metody odezvových ploch, už se asi bez statistického software neobejdeme. Důležité ale je, abychom v každém okamžiku rozuměli tomu, co za nás počítač dělá. Když vytvoříme empirický model procesu, nabídne nám software řadu prostředků k ověření jeho platnosti. Ty bychom měli bezezbytku využít..


Často se mluví o tzv. Taguchiho metodách. Není to totéž, co zde nazýváme statisticky navrženým experimentem?


Genichi Taguchi, který se využitím průmyslového experimentu začal zabývat počátkem osmdesátých let, přispěl velice významnou měrou k popularizaci DOE v průmyslové praxi. Jeho zásluhou byla široce přijata teze o souvislosti proměnlivosti na výstupu procesu a ekonomických ztrát z tohoto procesu. Taguchi sám provedl a ve svých knihách popsal nespočet experimentů ze všech oblastí průmyslu.
Vlastní Taguchiho postupy se však ukázaly jako statisticky sporné a málo efektivní.
V dnešní době se metodika plánování a vyhodnocování experimentu od Taguchiho přístupu odklonila.


Kdy nelze DOE použít?


Zásadní překážky použití DOE jsou dvě:
  • Proces, který chceme optimalizovat, je nestabilní. Nestabilním procesem ve smyslu statistické regulace rozumíme takový proces, ve kterém čas od času působí nenáhodné a zároveň nežádoucí vlivy, tzv. vymezitelné příčiny proměnlivosti. Takové procesy je nejprve potřeba stabilizovat pomocí metod SPC.
  • Skutečný výstup procesu je zcela nepodobný výstupu požadovanému. Taková situace nastává v případech, kdy je proces ve své podstatě chybně navržen. Je to jako bychom chtěli dostat míč do branky, ten by však vůbec nebyl na hřišti.

Náš proces je tak proměnlivý, že při každém měření dostaneme úplně jiný výsledek. To pak přeci nedokážeme vyhodnotit žádný experiment.

Záleží na tom, jaká je povaha proměnlivosti. Pokud se jedná o nestabilitu procesu (viz předchozí bod), budeme muset proces nejprve stabilizovat. Pokud se ale jedná o experimentální šum, není náš úkol beznadějný. Záleží na tom, jak velká bude odezva procesu na uskutečněné změny faktorů. Pokud bude odezva větší než je experimentální šum, podaří se nám ji snadno odhalit. Pokud bude menší, může být v šumu „ztracena“. K jejímu odhalení budeme potřebovat více kroků experimentu. Taguchi mluvil v této souvislosti o „poměru signál/šum“.

 

Není statisticky navržený průmyslový experiment jen další módní trend, který za pár let opadne?


Průmyslový experiment není všelék a nikoho by nenapadlo jej za všelék vydávat. Průmyslové experimentování se opírá o vytváření empirických modelů procesů. Ty je často jednodušší a rychlejší najít než modely, které jsou založeny na dokonalém teoretickém poznání procesů. Na druhé straně ale nemůžeme chtít, aby empirické modely platily v celém rozsahu vstupních proměnných. Relativní význam DOE bude v příštích letech určitě stoupat. Vždy se ale jedná jen o pomocnou metodu či strategii, která má zprostředkovat poznání a optimalizaci procesů.
Zaregistrovat se | Přihlásit se