Design of Experiments - DoE - MTS Consulting Partner

Trainingsinformationen

Unter DoE (Design of Experiments) versteht man eine strukturierte, statistische Planung und Durchführung von Versuchen, um relevante Produkt- und Prozessparameter hinsichtlich ihres Einflusses auf interessierende Output-Variablen zu identifizieren und deren Wirkung zu verstehen. DoE liefert ein Datenmodell zum Ursachen-Wirkungs-Gefüge von Produkten oder Prozessen.

Daraus lassen sich signifikante Parameter sowie Wechselwirkungen und schließlich auch die optimalen Einstellungen ermitteln. Erlangen Sie in einer Mixtur aus Schulung und Workshop-Übungen einen Überblick über die Vorgehensweise und Techniken von DoE. Das erlernte Wissen lässt sich gewinnbringend in die betriebliche Praxis umsetzen.

Dauer	3 Tage jeweils von 9.00 Uhr bis 17.00 Uhr
Datum	–
Ort	–
Kosten	–
Teilnahmebescheinigung	Nach Absolvierung des Seminars erhält jeder Teilnehmer eine Teilnahmebescheinigung.
Mindestteilnehmerzahl	3
Voraussetzungen	Jeder Teilnehmer muss über ein Notebook mit der Software Microsoft® Excel ab 2003, MINITAB® ab R14 sowie Adobe® Reader® ab 7.0 verfügen. Die Software MINITAB® kann über uns bezogen werden.
Beschreibung drucken

Zielsetzung:

Sie erlernen mit der Methode der statistischen Versuchsplanung, mit einem möglichst geringen Versuchsaufwand ein Maximum an auswertbaren Ergebnissen über die Wirkungszusammenhänge von Einflussparametern und Resultaten zu gewinnen. Es werden Ihnen Lösungen aufgezeigt, wie Sie die Qualität Ihrer Produkte und Prozesse effizient verbessern können.

Zielgruppe:

Mitarbeiter und Führungskräfte aus den Bereichen Engineering, Qualitätsmanagement, Produktion, KVP, Techniker sowie F&E aus produzierenden Unternehmen und Dienstleistungsunternehmen.

Seminarinhalte:

Einführung in DoE – Design of Experiments – Überblick
Grundlagen der Statistik sowie der Regressions- und Varianzanalyse
Elementare Fähigkeitskennzahlen
Berechnung erforderlicher Stichprobengrößen und Versuchen
Vorbereitung von Versuchsplänen

Systematische Ableitung der relevanten Eingangsinformationen für DoE‘s
Review des Verständnisses von Y –und X –Variablen
Umgang mit Rauschvariabeln
Handhabung stetiger und diskreter Variablen
Aufbau einer Roadmap zur Planung eines DoE‘s
Auswahl von Faktoren
Festlegung der Faktorstufen, Bestimmung des Versuchsraumes
Auswahl des Designs auf der Basis von vorhandenem (datenbasierenden) Wissen
Ermittlung der Anzahl von Replikationen, Stichprobentheorie zu DoE
Vorbereitung der Dokumentation von Ergebnissen und begleitenden Informationen
Entwicklung geeigneter Templates
Berücksichtigung des Versuchsumfeldes
Abstimmung mit den Beteiligten, z.B. in der Fertigung
Einfluss von Messsystemen auf ein DoE

Versuchs-Designs und Auswertung

Einfaktor-Methode (OFAT = One Factor at Time)
Vollfaktorielle Versuchspläne (2^k Full Factorial)
Aufbau eines DoE Versuchsplans
Effekte von Hauptfaktoren und Wechselwirkungen
Graphische Darstellung der Ergebnisse (Haupteffektdiagramm, Wechselwirkungsdiagramm, Würfeldiagramm)
Berechnung der Effekte
Bestimmung der statistisch signifikanten Effekte
DoE – Übung an einem Beispiel

Teilfaktorielle Versuchspläne (fractional factorial designs)

Screening Designs zum Ermitteln der entscheidenden Faktoren
Statistische Analyse von Versuchsergebnissen, Regressionsmodellierung
Residualanalyse mit Interpretation
Weitere Nutzung eines Modells (Output-Prognosen, „best settings“ in der Produktion
Desirability – Funktionen
Erkennen und Interpretieren kritischer Zustände in (Produkt- und Prozess) Designs
Ausloten der Leistungsgrenze eines Designs
Handhabung, Gewichtung und Bedeutung mehrerer Y-Variablen
Simulationsmöglichkeiten, Response Optimization
DoE und Variationsreduzierung
Response surface Designs
Ansatz und Theorie des Central composite Designs (CCD) incl. Varianten
Box Behnken Design
D-optimale Designs (Ansatz, Vorteile und Risiken)
Orthogonalität und Drehbarkeit
Theorie zur statistischen Auswertung von RSD‘s
Behandlung einer vollständigen Roadmap zur Analyse und Modellierung
Nichtlineare Desirability-Funktionen
Evolutionary optimisation (EVOP)

Ausblick

Mischungsexperimente
Anwendungssituationen und Ansatz
Varianten
statistische Modellierung

Taguchi Designs

Anwendungssituationen und Ansatz
Planung, Auswahl und Einbindung von Rauschfaktoren
statistische Analyse
Analyse und Interpretation der Robustheit von Designs

Aufbau einer umfassenden DoE – Roadmap mit allen Verzweigungen
Systematische Ausweitung von erworbenem DoE – Wissen im Unternehmen
Aufstellen und gezielte Nutzung von Prozessalgorithmen (Transferfunktionen)
Optimierung von Prozessketten, Produktionslinien etc.
DoE in DMAIC – und DFSS – Projekten
Gezielte Nutzung von DoE zur Festlegung von Toleranzen
Schnittstelle von DoE zu Data Mining

„DoE“ in Interaktion mit „Neuronalen Netzen“ oder Entscheidungsbäumen

Tipps und Erfahrungsaustausch

Dr. Dietmar Stemann

Managing Partner, Master Black Belt

Dr. Dietmar Stemann verfügt über langjährige Erfahrung in der Produkt- und Prozessoptimierung mit Lean Six Sigma und Design for Six Sigma (DFSS). Seine Stärken liegen im konsequenten Einführungs – und Umsetzungsmanagement für Six Sigma und Lean. Er verfügt über tiefgehende Erfahrungen im internationalen oberen Mittelstand und internationalen Konzernen.

Gebhard Mayer

Master Black Belt

Dipl. Eng. Gebhard Mayer verfügt über langjährige Erfahrungen in den Bereichen Entwicklung, Produktion und
Qualitätsmanagement aus verschiedenen industriellen Branchen. Seine Stärken liegen in der Datenanalytik, der kausalen
Methodik und der Visualisierung. Er gilt als passionierter Coach für Six Sigma und Design for Six Sigma.

Thomas Solecki

Senior Consultant Six Sigma Master Black Belt

Thomas Solecki ist seit 2003 zertifizierter Six Sigma Black Belt und hat eine Ausbildung als Lean Implementer absolviert. Langjährige Berufserfahrung in der Automobilindustrie als Projektleiter und Methodenexperte mit Schwerpunkt Six Sigma sowie Lean prägten sein Gespür für Prozessoptimierungen. Seine Branchenkompetenz umfasst dabei die Automobilindustrie als auch die Eletronikindustrie.