Versuchspläne (DOE) haben beträchtliche Vorteile. Sie können in unterschiedlichen Situationen eingesetzt werden und ermöglichen es im Wesentlichen, mehrere Eingabefaktoren gleichzeitig zu ändern, um ihre Auswirkungen auf eine bestimmte Antwortvariable zu ermitteln. Sie decken außerdem wichtige Wechselwirkungen auf, die möglicherweise übersehen werden, wenn ein Experiment jeweils nur einen Faktor berücksichtigt.
Die Planungsphase eines Versuchsplans ist wesentlich für den Erfolg. Die Ausarbeitung von Versuchsplänen wird häufig abrupt gestoppt, wenn während der Planungsphase Hinderungsgründe entdeckt werden. Versuchspläne werden beispielsweise oft verworfen, bevor sie in der Praxis zum Einsatz kommen, wenn sie zu kostenintensiv oder kompliziert erscheinen oder wenn wichtige Informationen fehlen. Die gute Nachricht ist, dass es mit erweiterten prädiktiven Analysen einen leistungsstarken Ansatz gibt, der nicht nur leicht zugänglich ist, sondern auch dabei hilft, Hindernisse beim Erstellen eines Versuchsplans zu beseitigen oder sogar die Erfolgschancen zu steigern.
Screening-Versuchspläne werden verwendet, um aus vielen potenziell relevanten Variablen in einem Prozess die wichtigsten Variablen zu ermitteln. So kann der Umfang eines Experiments reduziert werden, was Zeit und Geld spart. Dies gilt insbesondere, wenn die Datenerfassung schwierig oder kostenintensiv ist.
Was geschieht, wenn Sie ein System oder einen Prozess nicht anhalten können, um ein Screening-Experiment durchzuführen? Oder wenn die Erfassung von Datenpunkten für das Screening so teuer ist, dass dies nur schwer zu rechtfertigen ist?
Lösung 1: Prädiktive Analysen können ganz einfach dabei helfen, die wichtigsten Variablen zu ermitteln.
Keine Sorge, prädiktive Analysen greifen Ihnen unter die Arme! Bei der Analyse von Daten aus Ihrem System oder Prozess können Sie Ihren bevorzugten Algorithmus für das maschinelle Lernen oder das automatisierte maschinelle Lernen nutzen, um die Prädiktoren zu ermitteln, die potenziell Auswirkungen auf Ihre Antwortvariable haben. Mit dem Diagramm der relativen Variablenwichtigkeit in Minitab, das eigens zum Identifizieren der wichtigsten Variablen geschaffen wurde, geht dies ganz einfach.
Bei Experimenten mit einem Versuchsplan erfolgen die einzelnen Durchläufe bei unterschiedlichen Faktorwerten, die als Stufen bezeichnet werden. Diese Stufen sind die unabhängigen Variablen, für die wir Werte der Antwortvariablen – üblicherweise als abhängige Variable bezeichnet – erfassen. Wenn Sie beispielsweise eine Drehzahl in einem Gerät optimieren möchten, müssen Sie durch Festlegen der Grenzwerte für die höchste und die niedrigste Drehzahl einen Bereich angeben, in dessen Rahmen der Prozess optimiert wird. Ein weiteres Beispiel wäre die Ofentemperatur, wenn Sie einen Kuchen backen. Aufgrund Ihrer Erfahrung ist Ihnen vielleicht bekannt, dass der Kuchen unter 150 °C nicht bäckt und über 200 °C verbrennt, sodass Sie diese Zahlen als Grenzwerte festlegen können. Aber was ist, wenn Sie noch nie einen Kuchen gebacken haben? Oder wenn Sie eine neue Maschine haben und daher nicht wissen, wo die Grenzwerte liegen?
Lösung 2: Prädiktive Analysen ergeben Visualisierungen, mit denen Sie angemessene Grenzwerte festlegen können.
Wenn Sie in Minitab prädiktive Analysen durchführen, generieren Sie Visualisierungen, die den Effekt einer oder mehrerer Variablen auf das prognostizierte Ergebnis veranschaulichen. Beim Prognostizieren von Ergebnissen zeigen diese Diagramme, ob die Beziehung zwischen der Antwortvariablen und einer Variablen linear, monoton oder komplexer ist. Auch in der Versuchsplanung sind diese Visualisierungen sehr nützlich.
Lassen Sie uns für das Beispiel oben annehmen, dass Sie ein Experiment durchführen möchten, mit dem die Festigkeit optimiert wird. Ihnen ist möglicherweise bekannt, dass es eine Beziehung zwischen der Formtemperatur und der Festigkeit gibt. Sie wissen jedoch auch, dass die Maschine nicht einfach auf die höchste Temperatur eingestellt werden kann, da dies nachteilige Konsequenzen wie Überhitzung oder eine unnötige Steigerung der Produktionskosten nach sich ziehen kann. Darüber hinaus wissen Sie, dass es Wechselwirkungen mit anderen Variablen im Experiment (z. B. Druck) geben könnte. Aus dem Diagramm lässt sich ablesen, dass eine Temperatur über 1200 zu einer geringfügigen Erhöhung der Festigkeit führt. In einem Experiment, in dem das Ziel die Maximierung der Festigkeit ist, könnten Sie die Stufen der Formtemperatur im Versuchsplan auf 1000 und 1200 festlegen. Wenn das Ziel jedoch die Minimierung der Festigkeit ist, können Sie im Diagramm sehen, dass Tests in einem niedrigeren Bereich von Formtemperaturen angemessener wären.
Die prädiktive Analytik ist nur eines der vielen Werkzeuge, die die Versuchsplanung ergänzen.
Versuchspläne sind unverzichtbare Werkzeuge für viele Experten und sollten nicht getrennt von anderen Hilfsmitteln eingesetzt werden. Wie bereits erwähnt, ist die Planung wesentlich für den Erfolg eines Experiments auf der Grundlage eines Versuchsplans. Daher hat Minitab ein Arbeitsblatt für die DOE-Planung speziell zur Unterstützung des Planungsprozesses erarbeitet. Wenn Sie noch keine Erfahrungen mit DOE haben oder Ihre Fähigkeiten verbessern möchten, bietet Minitab Support, Ressourcen, und Lösungen, um Sie dabei zu unterstützen.