„Lieber auf neuen Wegen stolpern,
als auf alten Wegen stehen bleiben." - aus China
Was ist statistische Versuchsplanung?
Die statistische Versuchsplanung (engl. Design of Experiment, DoE) ist ein Verfahren zur Planung von Versuchen, das damit rechnet, dass alle Versuchsergebnisse von unvermeidbaren Zufallsfehlern überlagert sind. Die Zufallsfehler werden mit statistischen Methoden nicht erst bei der Auswertung, sondern bereits bei der Versuchsplanung, also vor Beginn der oft langwierigen und kostenintensiven experimentellen Phase, berücksichtigt.
Die statistische Versuchsplanung (DoE) verfolgt dabei mehrere Ziele:
- DoE ist so konzipiert, dass mit minimalem Versuchsaufwand maximale Informationen gewonnen werden. Kurz: Man will nur so viele Versuche wie notwendig durchführen, um alle benötigten Informationen zu erhalten. Es soll kein Versuch zu viel, aber auch keiner zu wenig durchgeführt werden. Zu viele Versuche bedeuten im Sinne der Optimierung Verschwendung von Ressourcen (Zeit, Material, Personal, etc.) und Erhöhung der Kosten. Es soll auch kein Versuch zu wenig durchgeführt werden, da dann das Risiko groß wird, dass die benötigten Informationen nicht ermittelt werden können.
- DoE ist das einzige Verfahren, mit dem es möglich ist, Wechselwirkungen zu ermitteln.
- Zudem ist DoE das einzige Verfahren, um zielgerichtet ein Optimum im System (Materialeigenschaften, Produktionsprozess, Ausbeute, Kosten, etc.) zu finden.
Nutzen der Statistischen Versuchsplanung
Der Einsatz und die Verwendung der DoE-Methodik erlauben es, alle Informationen über das System zu ermitteln, wobei dies in kürzerer Zeit als bei herkömmlichen Versuchsplanungen geschieht.
Der konsequente und fehlerfreie Einsatz der DoE-Methodik führt in allen Fällen zur beträchtlichen Zeitersparnis von einigen Wochen bis einigen Monaten.
Aufwand bei der Statistischen Versuchsplanung
Der Aufwand zur Durchführung von Versuchen mit der DoE-Methodik ist deutlich geringer als bei herkömmlichen Methoden, wie „Versuch und Irrtum“ oder OFAT („One factor at a time“).
Die 6 Stufen einer Versuchsplanung
Der Beginn einer jeden Versuchsplanung besteht in der exakten Definition und Beschreibung der Aufgabenstellung (Phase 1). Daran schließt sich die Analyse z. B. in Form einer detaillierten Prozess-Landkarte an (Phase 2). Ziel der Phase 2 ist es, alle Regelgrößen und Störgrößen, die das System beeinflussen, zu finden. In der Phase 3 werden die Einflussgrößen bewertet und auf ein sinnvolles Maß reduziert. Dabei wird vor allem die Ursache-Wirkungs-Matrix eingesetzt. In der Phase 3 wird auch der eigentliche Versuchsplan aufgestellt und bewertet. Erst nach dieser Planungsphase sind die Vorbereitungen für die experimentellen Arbeiten abgeschlossen. Die Phase 4 ist dann die eigentliche Versuchsdurchführung, die nach dem zuvor erstellten Plan durchzuführen ist. Daran schließt sich die Phase 5 mit der Auswertung der ermittelten Daten an (Output-Variablen, Co-Variablen, etc.). Hier kommen grafische Methoden und statistische Methoden zum Einsatz (Varianz- und Regressionsanalyse). Abschließend findet in der Phase 6 ein Wiederholungsversuch statt, um z. B. eine bestimmte gewünschte Materialeigenschaft zu reproduzieren und zu bestätigen.
In aller Regel sind die Phasen 1, 2, 3 und 5 die kürzesten und somit kostengünstigsten Phasen. Die experimentelle Phase 4 ist die Phase mit dem höchsten Aufwand (Zeit, Material, Ressourcen, Kosten, etc.). Eine gute Planung (Phasen 1 – 3) reduziert den Aufwand der Phase 4, verbunden mit deutlichen Kostenreduktionen.
Das Schulungskonzept
Das Schulungskonzept sieht vor, dass die Teilnehmer/-innen am Ende der Schulung die erlernten Werkzeuge direkt in ihren Projekten einsetzen können. Um dieses Ziel zu erreichen, gibt es zu jedem Thema/Werkzeug/Methodik:
- ein Referat mit didaktisch ausgearbeiteten Power-Point-Folien,
- mindestens ein Praxis-Beispiel, welches im Detail erklärt und mit der verwendeten Software vorgerechnet wird
- und mindestens je ein Praxis-Beispiel, welches die Teilnehmer/-innen anschließend selber durchrechnen, wobei die Teilnehmer/-innen dabei methodisch und fachlich vom Trainer unterstützt werden.
Zur Zielerreichung – sofortiger und direkter Einsatz von DoE in den Projekten der Teilnehmer, um damit mehr Informationen unter gleichzeitiger Zeitersparnis zu gewinnen – ist ein Aufwand von 5 Tagen notwendig, wobei es sinnvoll sein kann, den gesamten Zeitraum in 2 Blöcke aufzuspalten. Dies wird in Vorgesprächen mit dem Kunden festgelegt.
Eine Reduktion des Aufwandes führt zu dem beträchtlichen Risiko, dass die Methoden ohne das notwendige Training unzureichend bis falsch eingesetzt oder die ermittelten Daten falsch ausgewertet werden. Beides ist nicht zielführend, weder aus der Sicht der Kunden noch aus der Sicht von QSW und seiner Trainer.
Tag 1:
- Einführungen in DoE-Methodik
- Einführung in die verwendete Software Minitab
- Grundlagen der Statistik: Lage- und Streuungsmaße, Normalverteilung, Wahrscheinlichkeitsnetz
- grafische Werkzeuge und Datenvisualisierung
- Vertrauensbereiche
- Hypothesentest, Signifikanz, p-Wert, scheinbare Effekte, wahre Effekte
- Definition von Stör- und Regelgrößen
- Effekte, Wechselwirkungen
- Abgrenzung und Vorteile von DoE gegenüber anderen Methoden
- Fallbeispiele DoE vs. OFAT: Maschinenparameter mit 3 Input-Variablen
Tag 2:
- Varianzanalyse (ANOVA) mit mehreren unabhängigen Variablen
- Regressionsanalyse
- Vollfaktorielle Versuchspläne mit Blockbildung, Randomisierung
- Residuenanalyse
- Prognose
- Standardfehler und mathematisches Modell
- Wirkungsflächenversuchspläne (RSD = response surface design) zur Ermittlung nicht-linearer Effekte
- Zentralpunkte
- Orthogonalität, Drehbarkeit
- Axialpunkte
- Zielgrößenoptimierung
- Kontur- und Wirkungsflächendiagramme
- Statistische Bewertungskriterien: Bestimmtheitsmaße, PRESS-Wert
Tag 3:
- Vertiefung der Zielgrößenoptimierung (Optimierung von 2 Zielgrößen gleichzeitig)
- überlagertes Konturdiagramm
- Vertrauens- und Prognosebereiche
- teilfaktorielle Versuchspläne
- mit/ohne Blockbildung
- mit/ohne Zentralpunkte
- Generator und Alias-Struktur
- Vermengung und Auflösung
- DoE zum Einsatz zur Reduzierung der Streuung in Prozessen
- DoE: Methode des steilsten Anstieges
- EVOP: Evolutionary Operations
- DoE mit Covariablen (ANCOVA)
- Beispiele aus der Praxis: Ausbeute chemischer Synthese-Reaktionen, Faserstärke von Polymerfasern; Therapieerfolge bei Medikamenten
Tag 4:
- Prozess-Landkarte
- Ursache-Wirkungs-Matrix
- Ishikawa-Diagramme
- Trendschärfe und Stichprobengröße
- Umgang mit Ausreißern
- Variablenvergleich nach Shainin
- Trendanalyse
- Beispiele aus der Praxis: Beschichtungen, Galvanik
Tag 5:
- Statistische Versuchsplanung für Mischungen und Rezepturen
- Grundlagen von Mischungsversuchsplänen
- Simplex Design, Grad,
- Varianz-Inflationsfaktor (VIF)
- Ergebnisspurendiagramm nach Cox
- Zielgrößenoptimierung
- Mischungsversuchspläne mit Beschränkungen
- Pseudokomponenten
- multiple Regressionsanalyse
- Beispiele aus der Praxis: Dehnung von Polymerfasern, Lackformulierungen
Beispiele und Erweiterungsmöglichkeiten zur Vertiefung
- Alle Stichworte und Werkzeuge werden mit aktuellen praxisnahen Beispielen geübt.
- Bei Notwendigkeit oder auf Wunsch des Kunden kann das Seminar/Training mit weiteren wichtigen Themen erweitert werden: Umgang mit binären Output-Daten, Logistische Regressionsanalyse: 1 zusätzlicher Tag; Taguchi-Design für robuste Prozesse: 1 zusätzlicher Tag
- 5 Tage
- ausführliche Schulungsunterlagen in gedruckter Form
- Fotodokumentation der vorgestellten Flipcharts & Workshops
- Praxisbeispiele aus Forschung, Produktion, Qualitätssicherung
- Bewirtung während der Pausen, inklusiv Mittagessen und Getränke
- Zielgerichtetes Ansteuern von optimalen Produkteigenschaften
- Zeit- und Kostenersparnis in Entwicklungsprozesses
- Verstehen von Wirkzusammenhängen bei komplexen Systemen mit mehreren Input-Variablen
- Ermittlung und sichere Bewertung von Haupteffekten und Wechselwirkungen
Laptop und Minitab-Lizenz, erworben oder als 30-Tage-Gratis-Lizenz