1 / 5

六西格玛 工具之 实验设计 DOE 实例 --采用 DOE 方法解决清洗线品质问题 背景 启铭咨询 黑带大师 辅导某公司生产电脑硬盘配件厂商,因对产品清洁度的要求非

六西格玛 工具之 实验设计 DOE 实例 --采用 DOE 方法解决清洗线品质问题 背景 启铭咨询 黑带大师 辅导某公司生产电脑硬盘配件厂商,因对产品清洁度的要求非 常严格,其加工后的产品须经过严格的清洗,才可包装出货. 衡量产品清洁程度的 指标之一为 NVR(Non Vapour Residue)因达不到客户要求(NVR<5ug/cmsq)而导致 产品批经常被拒收,批拒收率高达 10%. 拒收的产品必须整批经过返工(即重新清 洗)以达到客户要求,造成原本就紧张的产能大大降低,及巨额成本浪费. 成立改善项目组应用 DOE 方法进行根源的调查研究及过程优化, 项目组首先使

carnig
Download Presentation

六西格玛 工具之 实验设计 DOE 实例 --采用 DOE 方法解决清洗线品质问题 背景 启铭咨询 黑带大师 辅导某公司生产电脑硬盘配件厂商,因对产品清洁度的要求非

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 六西格玛工具之实验设计DOE实例 --采用DOE方法解决清洗线品质问题 背景 启铭咨询黑带大师辅导某公司生产电脑硬盘配件厂商,因对产品清洁度的要求非 常严格,其加工后的产品须经过严格的清洗,才可包装出货.衡量产品清洁程度的 指标之一为NVR(NonVapourResidue)因达不到客户要求(NVR<5ug/cmsq)而导致 产品批经常被拒收,批拒收率高达10%.拒收的产品必须整批经过返工(即重新清 洗)以达到客户要求,造成原本就紧张的产能大大降低,及巨额成本浪费. 成立改善项目组应用DOE方法进行根源的调查研究及过程优化,项目组首先使 用2水平的部分因子实验设计法从大量因子中筛选出3个关键因子,然后运用2 水平全因子设计(含中心点)和最快下降法寻找优化区域,最后用CCD设计和 RSM方法,确定最佳操作窗口.所获得成果为:NVR平均值降到0.6ug/cmsq;批拒 收率为零;成本节约(主要为返工成本)为200KUSD/年. 2水平因子实验设计 很多公司的品质或工程技术人员解决问题时习惯于使用OFAT方法,即一次只变 动一个因子,而固定其他因子进行实验.原因之一是90%的公司的品质,工程技术 人员没有接受过正规的DOE培训,甚至没有听说这种有力工具(令人痛心);另一原 因是手动分析DOE数据工作量,难度都非常大(现在有很多非常好的DOE软件, 如MINITAB等可解决这个问题). 与DOE相比较,OFAT有两大缺点,一.效率底,要获得相同数量的信息,OFAT 需要的实验次数远远大于DOE;二.结论不准确,OFAT不能发现因子之间的交 互作用,因而OFAT得到优化结果往往与实际的最佳结果有出入.运用DOE,可以 较高的效率获得可靠的结果. 实验设计的种类很多,最常用,效率最高的为2水平因子设计,它简单实用,可用 于因子筛选,量化因子的主效果和交互作用,也常常用于优化过程并取得理想效 果.在2水平因子设计中,每个因子都设定在2个水平,为了建立二次模式或便于 分析因子效果的显著性,有时可以在2水平因子设计中增加中心点进行实验. 项目组运用了两种2水平因子设计:筛选式设计和全因子设计 筛选式设计(L8) 项目组通过头脑风暴识别并选出对NVR有影响的6潜在原因(因子),并确定了各 因子的水平.用MINITAB设计出L8实验方案,因子的水平用-1,+1表示,-1为低 水平,+1为高水平;实验重复2次,所以总实验次数为16次.按随机化次序进行 实验.随机化的主要好处是可以消除某些隐藏因子(如环境温度的逐渐上升,机器 磨损,原料批次转换等)对实验结果的干扰.

  2. 表1:因子和水平选择 因子 -1水平+1水平 A清洗剤1浓度 B清洗剤2浓度 C温度 D超声波频率 E超声波功率 FDI水流量 表2:L8设计及数据结果 2% 0.50% 80C 40KHZ 1000W 20L/M 2.50% 0.60% 90C 68KHZ 2000W 30L/M StdOrder Conc1 Conc2 Temp U/SFreU/S powerDIflowR1 R2 1 2 3 4 5 6 7 8 -1 1 -1 1 -1 1 -1 1 -1 -1 1 1 -1 -1 1 1 -1 -1 -1 -1 1 1 1 1 1 -1 -1 1 1 -1 -1 1 1 -1 1 -1 -1 1 -1 1 1 1 -1 -1 -1 -1 1 1 3.733 5.098 4.49 4.338 2.702 4.126 3.624 3.276 3.678 5.013 4.505 4.281 2.618 4.082 3.591 3.229 实验数据的分析: 对于筛选式设计,只考虑主效果的分析.主效果指单个因子从-1水平变到+1水平 时,响应值改变的程度.以A因子为例,A在-1水平时,响应值的平均值为3.62,A 在+水平时,响应值的平均值为4.18,因子A的主效果即为两者之差,等于0.56. 同样方法可计算其它因子的主效果. 问题是每个因子的主效果都不为零,是否说每个因子对NVR都有显著影响(即每 个都是关键因子)?回答是:否!原因是这种差异有可能是随机变异(或称为普通变 异)造成的.要评估因子的显著性,应将主效果与随机变异进行比较,看主效果是否 显著大于随机变异.使用的统计学分析方法叫做方差分析(手动计算非常复杂), 可通过MINITAB进行计算.根据P值或排列图,可以确定因子XYB是关键因子, 对NVR有显著影响.为了直观地了解因子的主效果,做出主效果图.(一般认 为,P<0.05表明该因子影响显著;或在排列图上,超出红线的因子影响显著). 从排列图可知三因子对NVR有显著影响: 因子C:温度 因子D:超声波频率

  3. 因子A:清洗剂1浓度 表3:因子效果的排列图 ParetoChartoftheEffects (responseisR,Alpha=.10) A: Conc1 B: C: D: E: F: Conc2 Temp U/SFre U/Spowe DIflow C D A AF B E F 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 中心点 2水平因子设计只能评估线性效果,而在一些情况下因子的效果实际为二次或其 他曲线模式,例如因子处于或接近优化区域时往往出现二次模式.增加中心点有 助于评估因子效果的曲率,也就是告诉你是否接近优化区域.若发现因子效果的 曲率显著,则使用CCD设计和RSM方法对过程进行优化;若发现因子效果的曲 率不显著,则首先采用最快上升/下降发寻找优化区域,再使用CCD设计和RSM方 法对过程进行优化. 项目组增加中心点,即因子A为避免.25%,因子C为85C进行4次实验;因子D频 率不可调(只能设定在40和68两种状态)根据上述结果设在68.其他因子效果不 显著,根据成本或现有水平固定下来. 数据分析为发现显著曲率.小组采用最快下降法找到优化区域(曲率显著区域)为: 因子A:1.0%(-1),1.5%(+1) 因子C:100C(-1),110C(+1) 在此区域进行CCD实验和过程优化. CCD(中心组合设计)/RSM 虽然含中心的2水平设计可以建立二次模式,达到优化的结果,但这种方法建立的 模式(数学等式)通常较为粗糙.而CCD设计可以建立更准确的模式.CCD设计其 实是2水平设计增加中心点和轴向点,其因子的水平数多达5水平. 本例中有2个因子:浓度和温度,2水平全因子设计的组合数为4,增加中心点5 个;增加轴向点4个.总共实验次数为13次.用MINITAB设计的CCD和实验数据 见下表. 数据分析,首先建立数学模式,通过去除非显著项,再进行减项模式分析得到: NVR = 0.63 –0.12浓度–0.17温度+0.22浓度^2

  4. 注:通过手动计算也可得到此等式,但工作量非常大.注:通过手动计算也可得到此等式,但工作量非常大. 表4:CCD设计及数据结果 StdOrderconc temp NVR 1 2 3 4 5 6 7 8 9 10 11 12 13 1 1.5 1 1.5 0.9 1.6 1.25 1.25 1.25 1.25 1.25 1.25 1.25 100 100 110 110 105 105 97.93 112.07 105 105 105 105 105 0.97 0.95 0.74 0.51 0.95 0.63 0.7 0.48 0.67 0.53 0.67 0.71 0.5 然后作出响应表面图,可以直观地看到各因子对响应值(NVR)的影响:温度的上 升会导致NVR下降(我们希望NVR为零);而浓度的上升先是使NVR下降,到大 约1.3%之后,浓度的继续上升使NVR增加. 表5:响应面图 SurfacePlotofNVR 1.1 1.0 0.9 0.8 0.7 0.6 0.5 NVR 110 0.4 105 temp 0.9 1.0 conc 100 1.1 1.2 1.3 1.4 1.5 1.6

  5. 从响应表面图还可知道大约的因子设定:温度越高越好;而浓度要适中,在1.3%左从响应表面图还可知道大约的因子设定:温度越高越好;而浓度要适中,在1.3%左 右.要较准确设定各因子,可通过过程优化.MINITAB可提供很有效的优化方法. 结果见下图.使用MINITAB时可随意调整红线(相当于模拟各因子的变动情况), 响应值Y会随着改变,因此可获得各因子的最佳设定值和操作窗口. 根据实验中的观察,温度太高虽有利于NVR降低,但是会导致另一种缺陷的急速 上升.温度设定在105+/-3C最理想;然后变动浓度的红线可知,浓度设在1.35% 时,NVR达到最小值,0.6,操作窗设为1.35+/-0.15%可以使NVR小于0.65. 最后的设定为: 因子A:清洗剂1的浓度1.35%+/-0.15% 因子C:温度105+/-3C 因子D:超声波频率:选择68KHZ 其他因子设定为目前水平. 表6:因子优化 conc 1.6036 [1.3416] 0.8964 temp 112.0711 [105.0] 97.9289 New D 1.0000 Hi Cur Lo NVR Minimum y=0.6020 d=1.0000 确认实验 因为实验时实际实验的组合有限,而优化分析的结论来自于统计推理,难免与实际 情况有所偏差.因此进行确认实验非常重要.所谓确认实验就是按得到的最佳设 定运行过程,检验实际结果是否与预期一致. 小组按以上结论设定过程进行确认实验,为期一周,结果NVR平均值为0.63 成果 小组经过为期2周的实验,最后获得成果如下 1,NVR平均为0.62,远远小于客户要求的5ug/cmsq 2,因NVR导致的拒收率降为0 3,成本节约200KUSD/年

More Related