110912 Vortrag DOE Hochschule Deggendorf · PDF fileAerospace Engineering, ... management,...

Deggendorf, 13. September 2011

Strukturierte Optimierung

Praxisbegleitende Studienwoche School of Skills

2 von 85Vortrag "Strukturierte Optimierung" – 13.09.2011 – Dr. Axel Härtl

22 Jahre Industrieerfahrung; 9 Jahre selbstständiger Unternehmensberater

Beraterprofil Dr. Axel Härtl

Ausbildung

Sprachen Methodenkompetenz

Schlüsselprojekte (Auszug) Berufliche Erfahrung

1978-1984 Ruhr Universität Bochum, allgemeiner Maschinenbau

1989-19971989 - 19911991 - 19931993 - 19951995 - 1997

BASF AG, Ludwigshafen• technische Entwicklung• Werkstofftechnik• Forschung Kunststoffe• Anwendungstechnik

• Deutsch• Englisch

Branchenkompetenz• Chemische Industrie• Kunststoffproduktion• Maschinen- und Anlagenbau• Verfahrenstechnische Industrie• Automobilzulieferindustrie

branchenübergreifende Kompetenz alsBusiness Coach

• Optimierung von Compoundieranlagen (Durchsatzmaximierung)

• Prozessverbesserung bei einer Produk-tionsanlage für Kunststoffvorprodukte

• Ablauf- und Prozessoptimierung des gesamten Wertstroms im Anlagenbau

• Entwicklung eines Steuerungsmodells für eine Kunststoffrecyclinganlage

• Kostenreduktion bei Einbauleuchten mittels Wertanalyse

• Rüstzeitverminderung in einem Com-poundierbetrieb

• Wirtschaftlichkeitserhöhung in einer Schmiede durch Verschleißminimierung

1984 Texas A&M University, USA, Aerospace Engineering, Master Thesis

1984-1989 Ruhr Universität Bochum, wissenschaftlicher Assistent, Promotion zum Dr.-Ing.

1997-20021997 - 20021999 - 20022000 - 2002

Lehmann&Voss, Hamburg• Entwicklungsleiter• Produktionsleiter (zus.)• Werkleiter (zus.)

• Business Coaching (zertif iziert durch V.I.E.L sowie dvct)

• Wertanalyse (zertif iziert durch VDI)• Debottlenecking; insbesondere in Produk-

tionsabläufen• OEE Analyse und Optimierung• Rüstoptimierung SMED• Six Sigma Methoden• DoE, statistische Versuchsplanung• Projektmanagement (incl. Multiprojekt-

management, TOC)• Prozessanalyse und –optimierung• Verfahrenstechnische Entwicklung• Moderation

seit 2002 selbstständiger Unternehmens-berater, Projektleiter und Interim Manager

Dr. Axel Härtl Telefon : +49 45 33 / 79 778 60zertifizierter Business Coach (V.I.E.L und dvct) Telefax : +49 45 33 / 79 778 61zertifizierter Wertanalytiker (VDI, Verein deutscher Ingenieure) Mobil : +49 1 71 / 38 380 19Steinfeld 110 E-Mail : [email protected] Feldhorst Internet : www.optimierungspartner.de

Vorstellung


Nach dieser Veranstaltung sollten Sie

� eine grobe Vorstellung von der statistischen Versuchsplanung haben

� die Vorteile erkannt haben

� die Erfolgsfaktoren kennen

� den Einsatz in Ihrem Umfeld einschätzen können

... und

� Ihren Zeiteinsatz als lohnend beurteilen

Ziele des Beitrages


� Einstieg: Anforderungen aus der Praxis - Motivation

� Erlebte Anforderungen beim Doing: Live-Optimierung

� Erstellung von Versuchsplänen

� Auswertung von Versuchsplänen

� Projektbeispiel: Verschleißverminderung an einer Transferschmiedepresse

Übersicht







Übersicht


Pro

duktionsaufw

and b

zw

. P

ote

ntial

70% Effizienzin der Nutzung

der Betriebszeit

100% Betriebszeit

Anlagenbetrieb

20% ungenutzte Reserven

56% Effizienzin der Nutzung

der Betriebszeit

5% Ausschuss

Produktherstellung

30% Stillstand

durch Rüstzeiten, Instandhaltung, …

53% Effizienz in der Nutzung der

Betriebszeit

Wert-

schöpfung

Angegebene Zahlen sind stark branchenabhängig, aber industrieüblich

nur

die

se z

ahlt

der

Kunde

Verlust

die

ses z

ahlt

das

Unte

rnehm

en

Typische Einsatzbereiche für methodische Optimierungsverfahren

Maß für die effiziente Nutzung des installierten AnlagenpotentialsOverall Equipment Efficiency oder Effectivness


M.

T

T, p, Füllkörpergeometrie

T

M M

Zusatzstoff

Einsatzstoff

Lösungsmittel

Lösungsmittel

Endprodukt

M.

M.

T, p, Rührergeometrie

Dampf

Dampf

n n

T, p, Rührergeometrie

� Die Wirkung der vielen Einflussgrößen ist in der Praxis nicht mehr zu übersehen!

� Die Betreiber handeln häufig nach dem Prinzip: "Never touch a running system".

� Eine systematische Optimierung wird in der Regel nicht durchgeführt.

Verfahrensfließbild

Mischprozess mit 16 Einflussgrößen auf das Endprodukt







Übersicht


Produktzugabe

Produktablauf nach Reaktionszeit

Variable Prozessparameter:

� Temperatur im Rührkessel [°C]

�Reaktionszeit [h]

�Katalysatormenge [%]

�Rührerdrehzahl [min-1]

Optimierungsziel:

�Maximale Ausbeute [%]

Live-Optimierung: Reaktion im Rührkessel


Anlagensimulation:

Zu Demonstrationszwecken wird im folgenden eine Reaktion in einem Rührbehälter simuliert. Dabei wird eine reale Situation insofern abgebildet, als

a) alle Messungen der Zielgröße von Messfehlern überlagert werden. Bei Wiederholungsmessungen wird sich daher der ermittelte Wert für die Zielgröße ändern.

b) einige Einstellgrößen einen Einfluß in der Größenordnung der Messfehler haben.

Bitte geben Sie jeweils zunächst die Versuchspunkte ein und starten dann die Rechnung durch die Taste <F9>.Versuchen Sie, die Ausbeute zu maximieren, idealer Weise mit geringerer Temperatur (Energieeinsparung), kürzerer Reaktionszeit (Produktivität) und geringerer Katalysatormenge (Kosten).

Zählen Sie dabei die Anzahl Ihrer Versuche.

Live-Optimierung: Reaktion im Rührkessel


Beispiel bei einer Entwicklung mit 4 Versuchsparametern

� Einstellung: "Ich muss doch wissen, wie sich der Parameter auswirkt. Daher darf ich nur einen einzigen Wert von Versuch zu Versuch verändern."

� Es werden drei Parameter festgehalten und nur einer variiert. Diese Methode heißt: "One factor at a time"

Auswirkung

�Versuchsaufwand: Bei nur drei Einstellungen pro Versuchsparameter sind 34= 81

Versuche durchzuführen.

�Wissenszuwachs: Gesamtzusammenhänge und Wechselwirkungen werden nicht erkannt.

�Aussagekraft: Zufallsergebnisse aufgrund von Messfehlern können von echten Effekten nicht getrennt werden.

Typisches Vorgehen bei der "herkömmlichen" Versuchsmethodik


� Zufriedenstellende Lösung mit nur wenig Aufwand

� Aussagekräftige Ergebnisse

� Information über die wesentlichen Einflussgrößen auf unser Problem

� Kenntnis der quantitativen Zusammenhänge

� Optimierung auch bei mehreren (widersprüchlichen) Zielanforderungen

� Angabe über die Verlässlichkeit der Aussagen

Wir suchen ein Verfahren, mit dem wir unsere Probleme wirtschaftlich lösen können und mit dem wir Folgendes erreichen:

Anforderungen


�Historie: Sir Ronald Fisher, 1920 ff, England

�Ziel: Reproduzierbare und verlässliche Versuchsergebnisse mit möglichst geringem experimentellem Aufwand

�Planung: Problemangepasstes Vorgehen, um den Aufwand zu minimieren

�Statistik: Trennung echter Effekte von Zufallsmessungen

(Messfehler, Versuchsstreuungen)

�Vorgehen: Aufteilung in Screening und Optimierung

�Versuchsplan: Mehrfache Ausnutzung von Versuchsergebnissen, Elimination von Störeinflüssen

� Ergebnis: empirisches Modell für den quantitativen Zusammenhang zwischen Einflussgrößen und Zielgrößen

Was ist "statistische Versuchsplanung" oder "Design of Experiments" (DoE)


Einflussgrößen

Störgrößen

Zielgrößen

System(Produkt oder Prozess)

�Rohstoffqualität

�Rezepturbestandteile

�Anlagenparameter

�Bedienpersonal

�Qualitätsschwankungen

� Luftfeuchte

�Verschleiß

�Produktqualität

�Durchsatz

� Eigenschaften

� Energieeinsparung

�Umweltschutz

Begriffsbestimmung


�Die Natur kennt keine Sprünge.

� Jedes System kann durch eine "glatte" Kurve beschrieben werden, wenn man nur den

Ausschnitt richtig wählt.

�Die Zielgröße wird als mathematische Funktion angesetzt.

z.B. Zielgröße = a0 Konstante+ a1 * Faktor1 linear+ a2 * Faktor2 linear+ a3 * Faktor1 * Faktor1 quadratisch+ a4 * Faktor2 * Faktor2 quadratisch+ a5 * Faktor1 * Faktor2 Wechselwirkung+ εεεε Fehlerterm

�Versuche "nur" zur Bestimmung der Koeffizienten ai und der Prozessstabilität

�Die notwendige Anzahl der Versuche ergibt sich somit aus:

• Anzahl der Faktoren, die untersucht werden sollen

• Komplexität des Problems

• Größe der Prozessschwankung

Grundsätzlicher Ansatz


Temperatur

Reaktionszeit

12011010090807060504030

10

9

8

7

6

5

4

3

2

>

–

–

–

–

< 20

20 30

30 40

40 50

50 60

60

Ausbeute

Konturdiagramm von Ausbeute vs. Reaktionszeit; Temperatur

Bereich des Optimums

Aktuelle Produktionseinstellung

Live-Optimierung: Reaktion im Rührkessel; Screening


Durchführung der Versuche nach einem Optimierungsplan

LfdNr Rührerdrehzahl Temperatur Reaktionszeit Katalysatormenge Messung Modell1 nicht variiert 75 5,0 nicht variiert 85,6 85,7

2 nicht variiert 120 5,0 nicht variiert 68,8 68,7








50

60

70

2 3 4

80

1205

30

60

90

Ausbeute

Temperatur

Reaktionszeit

Wirkungsflächendiagramm von Ausbeute

Temperatur

Reaktionszeit

12011010090807060504030

5,0

4,5

4,0

3,5

3,0

2,5

2,0

>

–

–

–

–

–

–

–

–

–

<

80 83

83

56

56 59

59 62

62 65

65 68

68 71

71 74

74 77

77 80

Ausbeute

Konturdiagramm von Ausbeute

AktHoch

Tief0,98721D

Optimal

d = 0,98721

Maximum

Ausbeute

y = 85,8875

2,0

5,0

30,0

120,0ReaktionTemperat

[77,2727] [4,6970]

Aktuelle Einstellungen

Rührerdrehzahl Temperatur Reaktionszeit Katalysatormenge Ausbeute

100 115 10 3 40,9

Zukünftige Einstellungen

Rührerdrehzahl Temperatur Reaktionszeit Katalysatormenge Ausbeute

< 100 77,3 4,7 1 oder ohne??? 85,9 (+210%)

Verschiedene Darstellungsarten des Ergebnisses

Live-Optimierung: Reaktion im Rührkessel; Optimierung


[h]eitReaktionszZ

C][TemperaturT

**048,0*31,1*01,0*6,8*27,18,16 22

=

°=

+−−++= ZTZTZTAusbeute

Simulation DoEKonst 16,0 16,8 Rührerdrehzahl - nicht signifikant

Temperatur 1,30 1,27 Reaktionszeit 9,0 8,6 Katalysatormenge - nicht signifikant

T*T 0,010 - 0,010 - R*R 1,40 - 1,31 - T*R 0,050 0,048

Zufallszahl Ausreißer?

Gegenüberstellung von Simulationsparameter mit gefundenen Parametern nach DoE zeigt eine gute Übereinstimmung

Live-Optimierung: Reaktion im Rührkessel; Modell


AktHoch

Tief0,98721D

Optimal

d = 0,98721

Maximum

Ausbeute

y = 85,8875

2,0

5,0

30,0

120,0ReaktionTemperat

[77,2727] [4,6970]

Erkenntnisse zur Stabilität des Produktionsprozesses:

• Abweichungen von der optimalen Reaktionszeit sind unkritisch. Hier wäre evtl. eine Reaktionszeitverkürzung auf Kosten der Ausbeute zur Erhöhung der Anzahl der Ansätze pro Zeiteinheit sinnvoll.

• Abweichungen von der optimalen Temperatur führen sofort zum Ausbeuteverlust. Hier könnte es ggf. sinnvoll sein, eine in eine bessere Temperatursteuerung zu investieren.

Die Abweichungen vom Optimalpunkt haben bei unterschiedlichen Parametern verschiedene Auswirkungen

Live-Optimierung: Reaktion im Rührkessel; Prozess-Stabilität


� Zufriedenstellende Lösung mit nur wenig

Aufwand

� Aussagekräftige Ergebnisse

� Information über die wesentlichen

Einflussgrößen auf unser Problem

� Kenntnis der quantitativen Zusammenhänge

� Optimierung auch bei mehreren

(widersprüchlichen) Zielanforderungen

� Angabe über die Verlässlichkeit der

Aussagen

� Zeit- und Kosteneinsparung;

8+9 Versuche

� Erkenntniszuwachs; transpa-rente Darstellung

� Erkenntniszuwachs; nur zwei Parameter signifikant

� Optimierungsmöglichkeit;

Modellgleichung

� Zeit- und Kosteneinsparung; hier nur Ausbeutemaximierung

� Sicherheit; Modellgüteabschät-zung und Prognosekorridor (nicht gezeigt)

Wir suchen ein Verfahren, mit dem wir unsere Probleme lösen können und mit dem wir folgendes erreichen:

Anforderungen





• Lage der Versuchspunkte

• Unabhängigkeit von Versuchseinstellungen

• Berücksichtigung möglicher Störgrößen

• Aufwandsreduzierung

� Aufteilung in Screening und Optimierung

� Teilversuchspläne (Fraktionierung und Vermengung)



Übersicht


Einflussgröße 1

Einflussgröße 2

Die Verteilung der Versuchspunkte ist nicht ausgewogen!

?

Betriebspunkt

Aufteilung der Versuchspunkte im Parameterraum


Einflussgröße 1

Einflussgröße 2



Einflussgröße 1

Einflussgröße 2

Die Wirkung der beiden Einflussgrößen kann eindeutig bestimmt werden!



Einfluss der Lage der Versuchspunkte (Parameterbereich)

aus: Box & Hunter & Hunter, Statistics for Experimenters, Wiley, 1978

Temperatur [°C]

Ausbeute [%] keine Korrelation feststellbar


Untersuchung zur Wirkung von Bier auf die Konzentrationsfähigkeit

1. Versuch: Versuchsperson trinkt 3 Gläser Bier

Versuchsergebnis: Konzentration 80 %

2. Versuch: Versuchsperson trinkt (noch) 2 Gläser Bier


3. Versuch: Versuchsperson trinkt (noch) 1 Glas Bier


Fazit: Die Konzentration ist umso höher, je mehr Bier getrunken wurde!

Versuchsergebnis

30

50

80

0

100

0 1 2 3 4

Anzahl Gläser [-]

Konzentration [%]

Unabhängigkeit der Versuchseinstellungen


Beispiel mit versteckter Störgröße "Produktfeuchtigkeit"

Messgröße

ZeitTag 1 Tag 2 Tag 3

Temp: 100 °C Temp: 120 Temp: 120 °°CC Temp: 140 °C

Aussage:Die Temperatur hat einen positiven Effekt auf die Messgröße!

Diese Aussage ist falsch!

Denn …


Beispiel mit versteckter Störgröße "Produktfeuchtigkeit"

Messgröße

ZeitTag 1 Tag 2 Tag 3

Aussage:Die Temperatur hat keinenEffekt auf die Messgröße!

Erklärung:Das Produkt hat im Laufe der Versuchszeit Feuchtigkeit aufgenommen, die die Messergebnisse beeinflusst.

Temp: 100 °C Temp: 120 Temp: 120 °°CC Temp: 140 °C

Versuchspläne müssen diese Fehlerquelle berücksichtigen!Randomisierung oder explizite Berücksichtigung (messbarer) Störgrößen


Einflussgrößen

Effekt

Pareto Prinzip (80/20 Regel)Von 25 Faktoren haben nur 5 einen signifikanten Effekt

Rauschen; Streuung

Aber welche Faktoren sind das?

Anwendung zur Reduzierung von Einflussgrößen


Einflussgrößen

Effekt

kein Faktor hat einen Einfluss

Annahme vor Screening:


Normalverteilungsplot für Var1 (Tabelle2 1v*345c)

-4 -3 -2 -1 0 1 2 3 4

Beobachteter Wert

-4

-3

-2

-1

0

1

2

3

4

The

oret

isc

her W

ert

Die Messwerte sind normalverteilt. Daraus folgt, dass keine Einflussgröße den Prozess wirklich verändert.

Die untersuchten Parameter sind nicht signifikant.

Zufällige, normal verteilte Daten zeigen im Wahrscheinlichkeitsplot eine Gerade

Erwartetes Ergebnis, wenn keine signifikanten Einflussgrößen vorliegen


Einflussgrößen

Effekt

Rauschen; Streuung

Erkenntnis, welche Faktoren welchen Einfluss haben

Ergebnis nach Screening:


Normalverteilungsplot für Var1 (Tabelle2 1v*345c)

-4 -3 -2 -1 0 1 2 3 4

Beobachteter Wert

-4

-3

-2

-1

0

1

2

3

4

The

oret

isc

her

We

rt

Normalverteilungsplot für NeuVar (Tabelle2 2v*345c)

-40 -30 -20 -10 0 10 20 30

Beobachteter Wert

-8

-6

-4

-2

0

2

4

6

The

oret

isc

her

We

rt

Die Messwerte sind normalverteilt. Daraus folgt, dass keine Einflussgröße den Prozess wirklich verändert.

Die untersuchten Parameter sind nicht signifikant.

Die Messwerte weichen von der Normalver-teilung ab. Daraus folgt, dass mindestens eine Einflussgröße den Prozess wirklich verändert.

Die so gefundenen Parameter sind alsosignifikant und können zur Optimierung des Prozesses verwendet werden.

Signifikante Daten zeigen im Wahrscheinlichkeitsplot eine Abweichung von einer Geraden

Test auf signifikante Effekte


Anzahl der Einfluss-faktoren

Anzahl der Versuche komplett

Anzahl der Versuche reduziert

2 4 4

3 8 4

4 16 8

5 32 16

6 64 16

7 128 16

8 256 16

9 512 32

10 1024 32

4

1 2

3

8

6

7

5

Mittels Methoden der DoE-Methode lässt sich der Aufwand für die Versuche drastisch reduzieren

Reduzierung des Versuchsaufwands durch Fraktionierung (Vermengung)






• Signifikanz der Einflussgrößen

• Modellbildung

• Wechselwirkungen

• Plausibilität

• Ergebnisdarstellung

• Optimierung


Übersicht


Einstellung 1 Einstellung 2

Zeitliche Reihenfolge der Versuche

Zielgröße, z.B. Rohstoffverbrauch

Würden Sie eine Investitionsentscheidung bei Kenntnis dieser Versuchsergebnisse treffen?

- oder –

Wo bleibt eigentlich die Statistik?


Einstellung 1


Zielgröße

Wiederholung von Messungen ohne Veränderung der Einflussgröße


Anzahl der Beobachtungen

Messgröße

0,8 0,9 1,0 1,1 1,2 1,3

Messgröße


1,31,21,11,00,90,8

20

15

10

5

0

Mean 0,9925

StDev 0,1136

N 100

HistogrammFit: Normalverteilung

Wiederholung von Messungen ohne Veränderung der Einflussgröße




Zielgröße

Mittelwerte

Wiederholung von Messungen mit Veränderung einer nicht signifikantenEinflussgröße



Messgröße

0,8 0,9 1,0 1,1 1,2 1,3Messgröße


1,31,21,11,00,90,8

20

15

10

5

0

Mean 0,9925

StDev 0,1136

N 100

HistogrammFit: Normalverteilung

Wiederholung von Messungen mit Veränderung einer nicht signifikantenEinflussgröße




Zielgröße

Mittelwerte

Wiederholung von Messungen mit Veränderung einer signifikanten Einflussgröße



Messgröße

0,8 0,9 1,0 1,1 1,2 1,3

Messgröße


25

20

15

10

5

0

Mean 3,006

StDev 3,101

N 200

Fit: Normalverteilung Histogramm

Wiederholung von Messungen mit Veränderung einer signifikanten Einflussgröße


Messgröße


2 5

2 0

1 5

1 0

5

0

Mean 3,006

St Dev 3,101

N 200

Fi t: Normalvert eilu ng Histogramm

• Durch Verwendung von Statistik bekommen wir die Erkenntnis, ob gemessene Unterschiede wirklich signifikant, oder ob sie zufällig sind.

• Nur Einflussparameter, die das betrachtete Problem wirklich

signifikant verändern können, sind für eine Optimierung zu gebrauchen.

• Nicht signifikante Parameter brauchen nicht betrachtet zu werden. Dadurch lässt sich der Aufwand für Versuche erheblich einsparen.

Leistung der Statistik


Faktor 1

Faktor 2

1086420

10

8

6

4

2

0

Z ielg röße

-25 - -15

-15 - -5

-5 - 5

5 - 15

15 - 25

<

25 - 35

35 - 45

45 -

-35

55

55 - 65

> 65

-35 - -25

Höhenliniendiagramm: Zielgröße=f(Faktor1, Faktor2)

Fakto

r 2 n

egativer

Ein

fluss

Fakto

r 2 p

osi

tiver

Ein

fluss

-4

-34

14

64

Wechselwirkungen zwischen den Faktoren


Ornithologische Monatsberichte, 44, Nr. 2 (1936), 48, Nr. 1 (1940), Berlin

Nonsense Correlation

Plausibilitätsprüfung: reicht die rein mathematische Theorie?


Ergebnisdarstellung


Beispiel einer Zielfunktion


Stufe 1: Modellierung des Prozesses

MM

Einflussgrößen

Störgrößen

Zielgrößen

Zielgrößen = Funktion (Einflussgrößen) + Berücksichtigung der Störgrößen

-> Das Verhalten des Prozesses ist bekannt -> Prozessmodell (empirisch)

PROZESS

Grundsätzliches Vorgehen bei der Optimierung


[h]eitReaktionszZ

C][TemperaturT

**048,0*31,1*01,0*6,8*27,18,16 22

=

°=

+−−++= ZTZTZTAusbeute

Simulation DoEKonst 16,0 16,8 Rührerdrehzahl - nicht signifikant

Temperatur 1,30 1,27 Reaktionszeit 9,0 8,6 Katalysatormenge - nicht signifikant

T*T 0,010 - 0,010 - R*R 1,40 - 1,31 - T*R 0,050 0,048

Zufallszahl Ausreißer?

Erinnerung: Prozessmodell bei der Reaktion im Rührkessel


Stufe 2: Optimierung des Prozesses

MM

Gütekriterium, z.B.� hoher Durchsatz� gute Produktqualität� minimale Nebenreaktionen

Prozessmodell

Einstellvorschrift

PROZESS

Grundsätzliches Vorgehen bei der Optimierung


Anwendung der Prozessmodellierung: stabile und instabile Betriebspunkte

16171819 15

Druck

Temperatur

stabil bzgl. Druckschwankungen

instabil bzgl. Druckschwankungen

geforderteEigenschaft

17 ≤ ≤ 18


�Problem- und Zieldefinition

�Sammlung von Zielgrößen (abhängige Messgrößen)

�Sammlung von Einflussgrößen (unabhängige Einstellparameter)

�Auswahl von Einflussgrößen (Anzahl je nach Versuchsphase)

�Auswahl eines geeigneten Versuchsplantyps

�Generierung der Versuchspunkte nach diversen Kriterien

�Durchführung der Versuche

�Auswertung der Ergebnisse

�Plausibilitätsüberprüfung

�Schlussfolgerungen und Konsequenzen

Teamarbeit

Versuchsplaner

Betrieb

Teamarbeit

Teamarbeit

Teamarbeit

Versuchsplaner

Versuchsplaner

Teamarbeit

Teamarbeit

Zusammenfassung: prinzipielles Vorgehen im DoE-Projekt


� Entwicklung einer neuen Rezeptur für Masterbatche

�Durchsatzsteigerung einer laufenden Produktion

�Stabilisierung einer Produktion zur Verminderung von Reklamationen

�Steigerung der Wirksamkeit von Dienstleistungsprozessen

� Ersatz eines teuren Rohstoffs durch eine kostengünstigere Alternative

� Erhöhung der Ausbeute bei einer chemischen Umsetzung (Verminderung von

Nebenreaktionen)

�Veränderung der Zusammensetzung einer Kuchenmischung zur Geschmacks-verbesserung

�Neueinstellung einer Laserschneidmaschine zur Verhinderung von Bartbildung

�Untersuchung von historischen Daten zur Verbesserung der Produktion

�Modellbildung zur Vorhersage der Produktqualität (forward control)

�…

Die Beispiele kommen aus allen Branchen – die Methode ist universell anwendbar!

Beispiele für vorteilhafte Anwendung statistischer Versuchsplanung in Optimierungs- und Entwicklungsprojekten







Übersicht


Problemstellung bei Projektstart

Symptom:• Hoher Verschleiß der Werkzeuge

Folgen:• Drei Werkzeugwechsel täglich (je 8.000,- €/Werkzeugsatz)• Zusätzlich Stillstand der Anlage• Geschätzte Verschleißkosten: 30.000,- €/Tag

Umfeld:• Komplexe Zusammenhänge im Fertigungsprozess

Vorversuche:• Längere Versuche durch Betriebsmannschaft• Im Tagesgeschäft konnten Ursachen nicht erkannt werden.

Projektbeispiel


Funktion einer Transferschmiedepresse

Projektbeispiel

Werkzeug Werkstück


prinzipielle Funktion der Kühlung

Projektbeispiel

Sprühstrahl

Sprühdüsen

Werkzeug

Werkzeug

Zuführung des Werkstücks nach Beendigung der Sprühkühlung


Projektbeispiel


Projektablauf:

1. Was ist die physikalische Ursache für Verschleiß?

2. Wie lässt sich der Verschleiß messen?

3. Welche Einflussgrößen könnten die Zielgrößen beeinflussen?

4. Welche Daten müssen während der Versuchsdurchführung dokumentiert werden?

5. Versuchsdurchführung- erster Versuchsplan- zweiter Versuchsplan

6. Welche Konsequenzen folgen aus den Versuchsergebnissen?

Projektbeispiel


Darstellung aus Datenschutzgründen verwischt

Moderation und Brainstorming im Team

Projektbeispiel



Ergebnis der Phase 1 (physikalische Ursachen)

Projektbeispiel


Sprü

hm

itte

lauft

rag

auf die

Gese

nke

Sprühdauer

Sta

rt

Hypothese zum Kühlmittelauftrag

Projektbeispiel