Onko DSD -koesuunnitelmat vuosisadan merkittävin parannus- ja koesuunnitteluinnovaatio?

Julkaistu 16.06.2017    Kirjoittanut Eero E. Karjalainen  Tilaa RSS


Uusin Minitab 18 tuo merkittävän uudistuksen laadunparannukseen ja Six Sigmaan uuden koesuunnitelma luokan, DSD, Definitive Screening Designs, muodossa. DSD:n voisi kääntää suomeksi vaikkapa "Ratkaisevat erottelevat suunnitelmat", jotka parhaassa tapauksessa erottelevat vaikuttavat tekijät – vital few, trivial many - ja mahdollistavat tuotteen ja prosessin optimoinnin ilman lisäkokeita so. ilman lisäkustannuksia ja aikaa. Laatu- ja koesuunnitteluekspertit "kohisevat" nyt tästä uudesta koesuunnittelun luokasta ja syystä!

Tri Bradley Jones ja prof Chris Nachtsheim /1,2/ esittelivät vuonna 2011 uuden kolmitasoisten suunnitelmien luokan, jota kutsutaan Definitive screening designs (DSD). Alkuperäisessä muodossa suunnitelma ei ollut päätekijöiden osalta ortogonaalinen. Xiao, Lin ja Bai osoittivat (2012), kuinka rakentaa DSD:stä ortogonaalinen käyttämällä hyväksi konferenssimatriisia. Vuosina 2013 ja 2015 Bradley ja Chris viimeistelivät suunnitelmaa. Nyt se on tullut Minitab 18:aan ennätyksellisen nopeasti!

Bradley Jones.jpg     Chris Nachtsheim.jpg
Tri Bradley Jones                                                           Prof Chris Nachtsheim


Mikä on erotteleva/seulova eli screening-koe?

Lähes kaikki tuotteiden ja prosessien innovaatiot ja parannukset perustuvat materiaalien, tekijöiden, parametrien, menetelmien, ihmisten etsimiseen ja luokitteluun vaikuttaviin ja ei vaikuttaviin. Tätä tekevät lääkärit tehdessään diagnooseja, sijoittajat etsiessään kannattavia ja tuottavia yrityksiä ja osakkeita, biologit kehittäessään ja jalostaessaan uusia lajikkeita.

Insinöörityössä keskeistä on etsiä ja kehittää parempia ja tehokkaampia tuotteita ja tuotantotapoja ja asetusarvoja tekemällä testejä ja kokeita. Laatuekspertit, Lean ja Six Sigma Black ja Green Beltit tuovat oman erityisosaamisensa auttaessaan parantamaan tuotteita ja palveluja. Kehitys perustuu viime kädessä kuitenkin erotteluun, lajitteluun ja priorisointiin ja tämän jälkeen optimointiin!

Erotteleva/seulova koe/testi (screening) on yksi tehokkaimmista tavoista rationaalisesti erotella tekijöitä ja menetelmiä. Screening on yksi erittäin tärkeä luokka koesuunnittelun menetelmistä. Laatutekniikassa koesuunnittelun menetelmällä on lukuisia nimiä ja lyhenteitä: Testiympyrä, Koeympyrä, Shewhart-, Demingin ympyrä, PDCA, PDSA, Laatuympyrä, DoE, Design of Experiment, Taguchi, MVT jne. Yhteinen nimi kaikille on "tieteellinen metodi" eli empirismi. Päättelyn tie ilman koetta/testiä ei vie huippulaatuun!

Koesuunnittelumenetelmät yleistyivät länsimaissa ja Suomessa 1980-luvulla, jolloin Taguchin screening-kokeita alettiin käyttämään laajasti. /3,4/. Ensimmäisen kurssin järjestin vuonna 1988 Lahden Messilässä. Nämä kokeet perustuivat ensisijassa Blackett-Burmanin ja Taguchin 1940-luvulla kehittämiin screening-kokeisiin.

Screening-kokeessa tutkija yrittää vähäisellä etukäteistiedolla ja pienillä resursseilla, se on: vähillä kokeilla, erotella potentiaaliset tekijät, jotka voivat vaikuttaa yhteen tai useampaan vasteeseen, ulostuloon. Screening-koe perustuu kolmeen keskeiseen oletukseen luonnosta ja sen aktiivisten tekijöiden käyttäytymisvaikutuksista – luonnossa vallitsee niukkuus, hierarkkisuus ja periytyvyys (parsity, hierarchy, heredity):

  • Parsity eli niukkuus-oletus on kaikkein tärkein. Parsityn operatiivinen määritelmä on, että vaikuttavien efektien määrä on pienempi kuin puolet screening-kokeen kombinaatioiden määrästä. Siis kaikki tekijät eivät vaikuta aktiivisesti. Parsitya kutsutaan myös Pareto periaateeksi tai Vital few, trivial many -periaatteeksi .
  • Hierarchy eli hierarkiaoletus: Systeemi muodostuu yleensä pääefekteistä ja ala-asteen (2. aste) keskinäisvaikutuksista. Yleensä oletetaan, että 3. asteen tai korkeammat keskinäisvaikutukset ovat niin harvinaisia, että ne voidaan hylätä (esiintymisen todennäköisyys pieni).
  • Heradity eli perinnöllisyysoletus: Vahvat keskinäisvaikutukset ovat seurausta vahvoista päätekijöistä (vanhemmista). Jos A ja B ovat vahvoja päätekijöitä, niillä voi olla vahva keskinäisvaikutus AxB. Riittää myös jos joko A tai B on vahva. Jos molemmat ovat heikkoja päätekijöitä, ei keskinäisvaikutusta ole (todennäköisesti)!

Mitä uutta tuo DSD -suunnitelmat Plackett-Burman -kokeisiin?

Perinteiset screening-suunnitelmat kuten säännönmukainen osittaistekijäsuunnitelma (III-resoluutio, punaiset kokeet, jotka Box esitteli 1961/5/) tai Plackett-Burman -suunnitelma (12-48 runs) sisältää tekijät vain kahdella tasolla. Vaikka ne ovat ortogonaalisia lineaaristen päätekijöiden suhteen, ja osittain sekoittuvia keskinäisvaikutusten osalta, nämä suunnitelmat eivät voi tunnistaa tekijöitä, jotka ovat voimakkaasti käyriä (curvature) efekteiltään ja näin eivät sovi optimointiin. Optimointi vaatii lisäkokeita vastepinnan muodossa. Minitab 17 DoE Assistantin osalta screening-optimointi yhdistelmä toimii näin kahden tai kolmen kokeen perättäisenä sarjana. Kuva 1

Minitab_Assistant.jpg
Kuva 1.
Minitab Assistant: "Avustettu sarjakoe" – Screening-optimointi

Minitab 14-17 ja 18 esittelevät kyseiset itsenäiset kokeet kuvalla 2.

Screening_kokeet.jpg
Kuva 2.
Säännölliset screening-kokeet (punaiset) ja Plackett-Burman -kokeet

Definitive Screening Designs eli "Ratkaisevilla screening-suunnitelmilla" on lukuisia toivottuja ominaisuuksia, jotka tekevät ne houkutteleviksi vaihtoehdoiksi säännönmukaisten tai Plackett-Burman screening -menetelmille. Minitab 18 antaa suunnitelmat. Kuva 3

DSD_kokeet.jpg
Kuva 3.
DSD -kokeet luokiteltuna tutkittavien tekijöiden (Factors) ja ajojen/testiyhdistelmien (Runs) mukaan.

Suunnitelmassa tekijä voi olla jatkuva (continuous) tai (sekä että) luokiteltu (categorial), jolloin ajojen (runs) eli koeyhdistelmien määrä kasvaa yhdellä.

DSD -suunnitelmat ovat ortogonaalisia pääefektien suhteen. Lisäksi pääefektit ovat ortogonaaliset kaikkien toisen asteen keskinäisvaikutusten suhteen ja toisen asteen keskinäisvaikutukset eivät ole sekoittuneet toistensa kanssa. Lisäksi jokaisen tekijän neliölliset efektit on estimoitavissa.

Tilanteissa, joissa on enemmän kuin viisi tekijää, DSD projektoi millä tahansa kolmella tekijällä niin, että täydellinen neliöllinen malli näille kolmelle tekijälle on estimoitavissa kohtuullisen tehokkaasti. Tuloksena niissä tapauksissa, joissa kolme tekijää osoittautuvat tärkeiksi, on, että ei tarvita välttämättä tätä seuraavia optimointikokeita.

Mitä etuja DSD -suunnitelma antaa?

On olemassa lukuisia syitä, miksi DSD on hyväksytty nopeasti koesuunnittelueksperttien keskuudessa ympäri maailman.

  1. DSD -suunnitelmat vaatii vain vähän koeajoja verrattuna täydellisesti satunnaistettuun perinteiseen kokeeseen. Ajojen määrä samaa luokkaa kuin tekijöiden määrä. Katso kuvaa 3.

  2. Ne mahdollistavat päätekijöiden efektien tehokkaan estimoinnin. Päätekijät ovat ortogonaaliset toistensa kanssa.

  3. Ne mahdollistavat kaikkien neliöllisten efektien tehokkaan estimoinnin (toisin kuin kaksitaso suunnitelmat keskipisteellä) ja lisäksi DSD havaitsee epälineaarisuuden kvantitatiivisten tekijöiden ja vasteen välillä. Suunnitelma on kolmitasoinen.

  4. Päätekijäefektien estimaatit ovat riippumattomat neliöllisten efektien estimaateista.

  5. Päätekijäestimaatit ovat ei-biasoidut, jos on aktiivisia kaksitekijä keskinäisvaikutuksia (toisin kuin päätekijäestimaatit III-resoluution suunnitelmissa). Päätekijät eivät siis sekoitu kaksi-tekijä keskinäisvaikutustekijöiden kanssa (2FI).

  6. Kaksi-tekijä keskinäisvaikutusefektit eivät ole täysin sekoittuneet toinen toisiinsa (toisin kuin IV-resoluution suunnitelmissa).

  7. Jos vain muutama tekijä on aktiivinen, toisen asteen vastepintamalli (sisältäen neliöllisen efektin ja kaksitekijäkeskinäisvaikutuksen) voidaan estimoida tehokkaasti. Tämän seurauksena DSD toimii kuten vastepintasuunnitelma (vastepinta eli RSM on optimointisuunnitelma) ja näin ratkaisee "suoraan" ongelman.

  8. DSD -suunnitelmilla on hyvät projektio-ominaisuudet.

Koesuunnittelumatriisien vertailu - L8III, P-B12, DSD13

Esimerkki 6 tekijän säännöllisestä III-resoluution suunnitelmasta L8III, Plackett-Burman -suunnitelmasta P-B12 ja DSD -suunnitelmasta DSD13. Suunnitelmat on esitetty koodatussa muodossa standardijärjestyksessä. Kuva 4

Rinnakkaiset matriisit.jpg
Kuva 4.
Rinnakkaiset matriisit koodatussa ja ei-satunnaisessa järjestyksessä. Huomaa, että DSD on kolmitasoinen ja rivit pareittain "foldatut" eli taitetut. Lisäksi suunnitelmassa on alinna keskipisteriviyhdistelmä.

Matriisien luonteesta saa parhaiten käsityksen, jos ne esitetään korrelaatiokuvina. Vertailukohtana voi pitää täysin korreloimatonta 6 tekijän suunnitelmaa, joka on VI-resoluution L32 -matriisi. Päätekijät ja keskinäisvaikutukset ovat korreloituneet vain itsensä kanssa (mustat neliöt). Kaikki 1 ja 2. Asteen tekijät voidaan estimoida itsenäisesti ilman sekoittumista. Kuva 5.

L32_Resoluutio.jpg      L8_Resoluutio.jpg
Kuva 5.
L32 VI resoluutio/1/                                           Kuva 6. L8 III resoluutio/1/

L8III resoluution suunnitelma 6 tekijälle (kuva 6) osoittaa, että päätekijät ja toisen asteen tekijät ovat sekoittuneet toistensa kanssa. Alueella ME/2FI (Main Efect/2 Factor Interaction) on mustien neliöiden osoittamia täydellisiä sekoittumisia kuin myös alueella 2FI/2FI. Jos keskinäisvaikutuksia on, estimaatit ovat harhaanjohtavia.

Verrattaessa vastaavia kuvia P-B12 ja DSD13, (kuvat 7 ja 8) havaitaan, että Plackett-Burman tarjoaa sekoittumisen astetta lievemmän version ja DSD13 sekoittuminen on tapahtunut vain toisen asteen osalta ja sekin vain osittain.

PB_L12.jpg     DSD_13.jpg

Kuva 7. P-B L12/1/                                                      Kuva 8. DSD13/1/

Miten sitten käytännössä? Onko DSD ylivoimainen?

Käytännön kokemuksia DSD -suunnitelmien käytöstä ei ole vielä paljon, mutta ne, joita on, ovat lupaavia.

Seuraavassa DSD:tä on testattu Six Sigma Black Belt -kursseillani käyttämäni simulaatiomallin avulla. Mallissa on 7 jatkuvaa tekijää, joilla malliprosessin suorituskyky on maksimoitava. Asetusparametrit ovat kaikilla kolmella koesuunnitelmalla samat, joten tulokset ovat vertailukelpoiset. (Testissä en erityisesti optimoinut keskiarvoa!)

Suorituskyky_netti.jpg
Kuva 9.
Suorituskyky samoilla lähtöparametreilla. Lähtötilanne Cp= 0,90; L8 III-resoluutio Cp= 0,888; Plackett-Burman Cp= 2,44; DSD Cp= 2,92

Suorituskyvyt ovat: Lähtötilanne Cp=0,9 ja Cpk=0,193, L8 III-resoluutio Cp=0,88 ja Cpk=0,388, Plackett-Burman Cp=2,44 (=Six Sigma -taso >2) ja Cpk=1,12, DSD Cp=2,92 ja Cpk=1,33.

Ainakin tässä simulaatiotutkimuksessa DSD -matriisi osoittautui ylivoimaiseksi ja ratkaisi ongelman. Myös Placket-Burman on hyvä, mutta ei niin hyvä kuin DSD! Näillä kahdella menetelmällä Six Sigma -taso Cp> 2 on "helposti" saavutettavissa.

Yhteenveto

Defenitive Screening Desings (DSD) eli "Ratkaisevat erotteleva suunnitelmat" on todella mielenkiintoinen ja lupaava. Käytännön kokeet tulevat seuraavina vuosina ja vuosikymmeninä osoittamaan, lunastaako DSD -suunnitelmien luokka siihen kohdistuneet suuret toiveet. Yli 50 vuotta taitaa olla edellisestä vastaavasta innovaatiosta!

Pidän DSD:tä merkittävimpänä innovaationa, joka kohdalleni on osunut yli 30 vuoden aikana koesuunnittelusoftien ja Taguchi-menetelmän/3,4/ lisäksi.

Six Sigma -taso eli 0-virhe taso on nyt taas askeleen lähempänä ja helpommin saavutettavissa tuotteiden ja prosessien parannuksessa. Onneksi meillä on softa, jolla analyysi ja optimointi onnistuu helposti.

P.S. Jos mitään muuta syytä ei ole ostaa tai päivittää Minitab 18:aa, niin DSD on hyvä ehdokas hankinnan/päivityksen perustelulle!

 

Eero_E_Karjalainen.jpg
Suomen Laatuyhdistyksen kunniajäsen
DI Eero E. Karjalainen
eero@qk-karjalainen.fi

 

Lähteet:

  1. Dradley Jones: 21st century screening experiments: What, why, and how; Quality Engineering, vol 28, 1/2016
  2. Jones, B., and C. Nachtsheim. 2011. A class of three-level designs for defnitive screening in the presence of second-order efects. Journal of Quality Technology 43:1–15
  3. Eero E. Karjalainen: "Tuotteen ja prosessin optimointi koesuunnittelulla - Taguchi- menetelmä" 1989
  4. Eero E. Karjalainen: "Teollinen koesuunnittelu – Esimerkkejä Suomessa toteutetusta kokeellisesta tuotteen ja prosessin suunnittelusta Taguchi- menetelmällä" 1992
  5. Box, G. E. P., and J. S. Hunter. 1961. The 2k-p fractional factorial designs part I. Technometrics 3:311–51.
  6. Artikkeli: Muutanko yhtä tekijää vai useita tekijöitä? OFAT vai DoE? (Julkaistu 26.2.2013)
  7. Artikkeli: Koesuunnittelu - Tehokas prosessin sekä datankeräys- ja analysointimenetelmä (Julkaistu 20.6.2007)
  8. Artikkeli: Kokeilua vai koetoimintaa? (Julkaistu 29.9.2015)

 

Kommentoi

(Sähköpostiosoitettasi ei julkisteta.)
Syötä kuvassa näkyvät kirjaimet ja numerot.
Captcha Code

Klikkaa kuvaa nähdäksesi uuden koodin.

    Tagipilvi

    ohjaussuunnitelmaohjausDesign of Experimentsneukkarikoe5W2H monimuuttujatestiDMADVLaatukonferenssivaihteluasiakasriskinkartoitusdatan keräyslajitteluBlack BeltmittaaminenlainalaisuudetCTPLean Six SigmanollavirhekoesuunnitteluDesign for Six SigmaasiakastyytyväisyysDMAIClaadunparannusDSDDemonstraatiotlaatu SuomessagurutSigmamielenmallitmuutoksen tuskaarvovirtalaatutaulutROIhävikkifunktiostabiilijohtamisjärjestelmäpäämäärämallidataKingmanLaatutyökalutkalanruotoBalanced ScorecardLean HandbookANOVALaatujärjestelmäMarkkinointipuhdistaminenLeanideointiprosessikuvaustoiminnan lainalaisuudetlaadunohjausDOEPDCAparannustoimintaryhmätyöskentelysitoutuminenvaihtelun vaikutusEDAtilastomatematiikkatehdasfysiikkaFeigenbaummallidatan käsittelyHarryinnovaatioFactory PhysicslaatutyökalutValue Stream MappingarvovirtakuvaustiedonkerääminenvalvontaoeesatunnaissyyaivoriihimittausprosessiHall of FameParetoluotettava mittausmenetelmätMarkkinointiprosessiennustaminenhistogrammiISO 9001OFATdatan laatuongelmanratkaisulaatuLean-talohypoteesitestiarvovirta-analyysiIATFhukan muodotMinitablaadunhallintaJatkuva parantaminen0-virhePDSAvuodiagrammiryhmittelykaaviodata-analyysi5SMSAISO 9000DFSSt-testidatan käsittelyohjauskorttiMinitab 18riski8DTaguchiparannusmalliSPC-korttitäystekijäkoepaloautopeliCrosbyparantaminenBig Dataparannuksen johtaminensuorituskykymittaritVOCparannusmenetelmäOpettaminenKingmanin yhtälöFMEAtyökalutControl Plankvantitatiiviset menetelmätBOKlaatu ratkaiseeHukkaLean Six Sigma Black Beltasiakastyytyväisyysjitqfderityissyysyy-seurauskaavioShewhartAsiakastarvemittavirheVSMsatunnainen vaihteluregressioanalyysihyväksymisnäytteenottoSPCtehollinen aikaOpetusmenetelmätLean-visiotilastollinen päätöksentekoTätä on LeanCombanion by MinitabTuottavuusmittaussysteemiläpimenoaikaLittlen lakiWheelertoleranssiISO 9001:2015uutiskirjeoperaatiotutkimuskausaliteettiPDSA-ympyräKaikakudatan luokittelukuvaaminenkustannussäästötprosessiCTQjaksoaikahypoteesitestausKatatilastoIATF 16949datan käsittelyJohtaminenToyotasekoitekoeL8-matriisikorrelaatiotehokkuusreunajidokaIshikawaTPSCDAparannustoiminnan kehittyminenBody of Knowledgeacceptance samplingGageMonte CarloShingoOhnomuutoslaadunkehittäjäASQJuranjärjestäminenstandardointiSix SigmaDemingTPMTOCparannusturvallisuusmonimuuttujakoesysteemimixture

    Arkisto