这正是 Minitab Statistical Software 的试验设计(DOE)功能的用武之地。设计试验是一系列运行或测试,让您可以调整多个变量。这是改进工艺的有效方法,因为您可以一次更改和评估多个因素,然后使用统计分析获得有意义的结果。Minitab 可以帮助您确定哪些因素最重要,并了解它们如何相互作用和推动工艺。凭借这些知识,您可以找到产生最佳工艺性能的因素设置。
Rose 的首要任务是选择并量化正确的响应。提高或至少保持以更快速度生产的零件的质量是主要目标,因此他选择了切割质量作为关键响应。一次试验“运行”包括切割一块钢板。切割质量以 1-5 的评分标准进行排名,其中 5 表示完美切割。为了建立基准,Rose 对现有设置的零件切割进行了初步分析,结果显示,该工艺的切割质量平均得分为 4。
一名热衷于帮助找到更快设置的激光器操作员自发地评估每次运行中生产的零件。像任何研究人员一样,Rose 需要确保测量系统的精度是可靠的,然后才能开始试验。他使用 Minitab 进行属性一致性分析,这项分析可证明操作员能否根据既定标准一致、准确地评估切割质量。根据分析结果,选择一名激光操作员作为唯一评估者。他甚至能够使用更精确的评分系统,该系统以 ¼ (0.25) 为增量,而不是像以往一样使用整数增量。这提高了数据收集的力量。
有了这些因素、关键响应和可靠的数据收集方法,Rose 就可以开始设计试验了。他知道,通过因子试验设计可以研究多个因素对工艺的影响,但他需要找到能够以最少的试验运行次数产生可靠结果的那种因子设计。他使用 Minitab 探索各种方案,然后确定最佳方案。
其中一种方案是全因子试验,这是一种非常彻底的方法,会测量所有因子水平组合的响应。但这种方案可能需要非常大量的运行。例如,5 个因子的两水平全因子设计需要 32 次运行。鉴于试验者可能希望之后添加仿行或者重复运行多次,在许多情况下,全因子试验并非可行方案。
Rose 选择了部分因子设计,通过排除一些因子水平的组合,将运行次数减少到可管理的程度,但仍对因子进行了可靠的分析。执行的运行是全因子设计的选定子集或部分。然而,不运行所有因子水平组合意味着某些影响是混杂的,不能与其他影响分开估计。因此,必须谨慎选择要运行的部分才能获得有意义的结果。为了简化该过程,Minitab 会显示一个别名表,用于指定混杂模式。
在初步试验中,Rose 使用 Minitab 创建了一个 ½ 部分因子设计,只需要 16 次运行(图 1),但仍然能够估计因素及其双向相互作用的影响。Rose 还重复了 3 轮这 16 次运行,以提高数据收集的力量,从而增加了试验识别显著差异的可能性。