DOE案例

合集下载

以实例分析 DOE 实验设计在工程优化中的应用

以实例分析 DOE 实验设计在工程优化中的应用

以实例分析 DOE 实验设计在工程优化中的应用实验设计是一个重要的工程优化工具,它能够通过有限的实验次数,系统地确定哪些因素对输出结果具有显著影响,以及这些因素如何相互作用。

设计实验的一种方法是使用正交设计(DOE,Design of Experiments)。

DOE实验设计在工程优化中的应用非常广泛,并在许多领域取得了重要的成果。

下面以两个实际案例来说明DOE实验设计在工程优化中的应用。

案例1:汽车零部件优化设计假设某汽车制造公司希望通过改进后轮制动系统的设计来提高汽车的刹车性能。

该公司想要确定哪些因素(如刹车盘直径、刹车片材料、刹车油温度等)对制动性能最为关键,并研究这些因素之间的相互作用关系。

通过使用DOE实验设计的方法,可以设计一系列实验来测试不同的因素组合。

例如,可以采用正交数组设计(如Taguchi方法)来确定各因素的水平,然后在每个实验中固定某些因素的水平,并对其他因素进行不同水平的组合。

通过对每个实验进行数据收集并进行分析,可以得出结论:刹车盘直径和刹车片材料是主要因素,刹车油温度和刹车片材料之间存在交互作用。

在此基础上,该公司可以通过进一步优化每个因素的水平,以获得最佳的制动性能。

此外,该公司还可以使用DOE实验设计的方法来确定最佳的参数组合,并在制造过程中实现这些参数值的控制,从而提高制动系统的一致性和稳定性。

案例2:电子产品制造流程优化假设某电子产品制造公司希望优化其生产线上的制造流程,以提高产品质量和减少生产时间。

该公司需要确定哪些因素(如温度、湿度、压力、速度等)对产品质量和生产时间有显著影响,并研究这些因素之间的相互作用。

通过使用DOE实验设计的方法,可以设计一系列实验来测试不同的因素组合。

例如,可以使用全因子设计来考虑所有可能的因素水平组合,并对每个实验进行数据收集和分析。

通过分析实验结果,可以得出结论:温度和湿度是主要因素,压力和速度之间存在交互作用。

此外,还可以通过使用回归分析等方法,确定影响产品质量和生产时间的最佳因素水平。

第1章 DOE的经典案例

第1章 DOE的经典案例

第一章田口式实验计划法的经典案例1953年,日本一个中等规模的瓷砖制造公司,花了200万美元,从西德买来一座新的隧道窑,窑本身有80米长,窑内有一部搬运平台车,上面堆放着十几层瓷砖,沿着轨道缓慢移动让瓷砖承受烧烤。

问题是,这些瓷砖尺寸大小有变异,他们发现外层瓷砖有50%以上超出规格要求,内层则正好符合规格要求。

工程师们很清楚,引起产品尺寸变异的原因是窑内各个不同位置的温度偏差导致的,只要更换隧道窑的温度控制系统,提高窑内温度的均匀就能够解决。

使得温度分布均匀,需要重新改进整个窑,需要额外再花50万美元,这在当时是一笔很大的投资,不到万不得已时谁也不愿意这样做,大家都希望寻找其他方法来解决,比如通过改变原料配方,如果能找到对温度不敏感的配方,则不需投入资金就能够化解温度不均匀而导致的尺寸变异和超差。

工程师们决定用不同的配方组合来进行试验,以寻找最佳的配方条件,具体的思路是,对现行配方组合中的每一种原料寻找替代方案,通过实际生产运行筛选能够化解温度变异的最佳配方,对于熟悉瓷砖生产工艺的工程师来说,每一种原料的替代方案其实不难找到(见下表),但每一个因素的替代方案的组合并不一定是最佳组合,最佳组合可能是各种原料现行条件和替代方案的所有组合方式中的一种,到底是哪一种,只有进行实验,对实际效果进行评价才能予以判定。

替代方案表参与过产品开发或工艺改进的人都知道,灵感可以在一秒钟内产生,但实际操作却是耗时耗力的事情。

七个可变的因素,每个因素两种选择,用全因素实验法进行筛选,就有128种组合,如果用小型设备做实验,每个实验做一天,买上8个实验用的小炉子,同时做八个实验,8天即可完成,然后在所有128个组合中寻找产品尺寸变异最小的组合即可,但本实验在小型设备中无法模拟,因为所要解决的问题的关键就在于隧道窑的温度变异,只有在该窑里做实验,找到的配方组合才是能够化解该窑温度不均匀的最佳组合(若还有另外一个窑存在类似问题,就得另外再找,因为每个窑的温度不均匀状况是不同的),这样一来,每做一次实验其实就是在不同的条件下生产一窑的瓷砖,需要全体员工折腾整整一天,128种组合就需要全体员工搞四个月,试想,能不能找到可化解温度变异的配方尚不知道,就要停产四个月搞实验,其人工、水电、材料耗费比投资50万美元还多,可行吗?除非能够有办法用几次实验就找到最佳组合方案,尚可以一试,否则就只好花钱买高精度温控系统了。

用最简单的案例带你DOE入门

用最简单的案例带你DOE入门

用最简单的案例带你DOE入门DOE(Design of Experiments),中文意为实验设计,是一种常用于确定影响某一结果的因素和其相互作用的方法。

在工业、医学、农业等领域中都有广泛应用。

本文,天行健咨询通过一个简单的案例,为大家介绍DOE的基本概念和方法。

案例描述假设我们经营一家小型的零食店,目前有5种不同口味的薯片。

我们想要确定哪种口味的销售额最高,以便于下一步的经营决策。

因素识别首先,我们需要确定可能影响销售额的因素。

在这个案例中,显然有一个主要的因素就是薯片的口味。

因此,我们将口味作为因素。

水平确定接下来,我们需要确定每个因素的不同水平。

在这个案例中,我们已经确定了因素,即口味。

而这个因素有5个不同的水平,即5种不同口味的薯片。

实验设计在确定了因素和水平之后,我们需要设计实验。

我们需要对每个因素的每个水平进行实验,以比较它们对销售额的影响。

在这个案例中,我们需要对5种不同口味的薯片进行销售额的记录和比较。

数据分析通过实验记录,我们可以得到每种口味的薯片的销售额。

接下来,我们需要对数据进行分析。

一般来说,我们需要使用统计学方法进行数据分析。

在这个案例中,我们可以使用方差分析(ANOVA)来比较不同口味薯片的销售额是否有显著差别。

结论通过数据分析,我们可以得到不同口味薯片的销售额,并比较它们之间的差异。

最终,我们可以得出结论,哪种口味的薯片销售额最高。

总而言之,DOE是一种非常有用的实验设计方法,可以帮助我们确定影响某一结果的因素和其相互作用。

在实际应用中,我们需要进行因素识别、水平确定、实验设计、数据分析和结论等步骤。

通过这些步骤,我们可以有效地进行实验设计和数据分析,为下一步的决策提供有力支持。

doe单因子试验案例

doe单因子试验案例

doe单因子试验案例
一个典型的单因子试验案例是在农业领域中对不同施肥量对作物产量的影响进行研究。

假设我们想要确定最适合作物生长的肥料用量,我们可以设计一个单因子试验来进行研究。

首先,我们需要选择一个农田作为试验用地,并将其分成若干块,每块用来施不同量的肥料。

然后,我们需要确定不同的肥料用量作为不同的处理组。

比如,我们可以选择不施肥作为对照组,然后分别施用低、中、高三个不同浓度的肥料作为处理组。

接下来,我们需要记录每个处理组的作物生长情况,包括植株高度、叶片数量、果实数量等指标。

通过对比不同处理组的作物生长情况,我们可以得出不同施肥量对作物产量的影响。

在实验进行过程中,我们需要控制其他可能影响作物生长的因素,比如土壤质量、灌溉量等,以确保实验结果的准确性。

最后,通过对实验数据进行统计分析,比如方差分析,我们可以得出不同施肥量对作物产量的影响是否显著,从而确定最适合作物生长的肥料用量。

总之,单因子试验是一种常用的科学实验方法,通过对比不同处理组的实验结果,可以得出对研究对象影响的结论。

在农业领域中,单因子试验可以帮助农民确定最适合作物生长的肥料用量,从而提高作物产量和质量。

DOE案例(minitab实验设计)

DOE案例(minitab实验设计)
从(c)可以看出强度的最大值为574.5MPa,它对应的各因素水平分别是:热处理温度860℃、处理时间1.6h、升温时间3min、恒温时间60min;即:当选择热热处理温度860℃、处理时间1.6h、升温时间3min、恒温时间60min,可获得较好的强度结果。
(5)作标准化效应的Pareto图和正态图,如图1-2(a)、(b)所示。
(3)按计划表完成试验并将试验结果填入表中。
(4)利用Minitab软件,对结果做因子主效图、交互效应图和立方图。如图1-1(a)、(b)、(c)所示:
从(a)图可以看出:A(热处理温度)、B(升温时间)及D(恒温时间时间)主效应显著。
从(b)图可以看出B(升温时间)跟D(恒温时间)存在明显交互作用。
图1-5
(9)对修订回归方程再做残差诊断,残插图如图1-6所示。
从下图可以看出残差服从正态分布,无异状。
图1-6修订后残插图
P值=0.935>0.05,残插符合正态分布。
(10)调优找出因子最佳方案。
当热处理温度=860℃,升温时间=3min,处理时间=1.6h,恒温时间=60min,强度最大值
Y=573Leabharlann 6.8(1)确定响应变量、试验因子和因子水平,编制因子水平表,见表1-1.
因子
水平
-1
+1
A(恒温时间)/min
50
60
B(热处理温度)/(°)
820
860
C(升温时间)/min
2
3
D(处理时间)/h
1.4
1.6
表1-1
(2)按4因子2水平的全因子试验编制试验计划表(考虑中心点重复和随机化)得到下述试验计划(采用Minitab软件)见表1-2。

DOE多因子实际案例

DOE多因子实际案例

DOE多因子实际案例在实际应用中,DOE(Design of Experiments)多因子实验方法可以用于优化和改进产品和流程。

下面将介绍一个关于优化生产过程的DOE多因子实际案例。

假设一家汽车制造公司的生产过程中的一个关键环节是车身的焊接工艺。

为了提高焊接质量和效率,该公司决定采用DOE多因子实验方法来进行优化。

首先,确定需要考虑的因素。

在车身焊接过程中,可能需要考虑的因素包括焊接电流、焊接时间、电极压力和焊接速度等。

这些因素可能会对焊接强度、焊接质量和生产效率产生影响。

接下来,确定需要考虑的水平。

例如,焊接电流可以在低、中、高三个水平进行选择,焊接时间可以在10秒、20秒、30秒三个水平进行选择,电极压力可以在1000N、2000N、3000N三个水平进行选择,焊接速度可以在10cm/min、20cm/min、30cm/min三个水平进行选择。

然后,根据实验设计原则制定实验方案。

这可以采用完全随机化设计(CRD)方法进行实验。

CRD是一种经典的实验设计方法,它可以通过随机安排实验条件来降低其他因素的影响,以评估每个因素对响应变量的影响。

然后,进行实验并收集数据。

根据实验设计方案,设置实验条件,并进行车身焊接实验。

通过测量焊接强度、焊接质量和生产效率等指标来评估不同因素和水平的影响。

最后,进行数据分析并得出结论。

将实验数据输入统计软件或设计专家软件,进行方差分析和回归分析,以评估每个因素对焊接强度、焊接质量和生产效率的影响。

根据分析结果,可以确定最佳的焊接工艺参数组合,以优化生产过程并提高产品质量和生产效率。

除了上述基本步骤外,DOE多因子实验方法还可以应用于其他复杂的实际案例中。

例如,在药物研发过程中,可以采用DOE方法优化药物制剂的配方和制备工艺;在食品加工过程中,可以采用DOE方法优化食品配方和生产工艺等。

总之,DOE多因子实验方法是一种有效的优化和改进产品和流程的工具。

通过合理选择因素和水平,并进行实验设计和数据分析,可以得出科学的结论,并优化生产过程,提高产品质量和生产效率。

DOE案例经典

DOE案例经典

6 2 1 2 2 1 2 1 Y6
7 2 2 1 1 2 2 1 Y7
8 2 2 1 2 1 1 2 Y8
a
9
田口试验
L8直交表
A B CDE
石 粗 蜡蜡加 A B C DE F G灰 细 石 石 料
石 度 量种量


FG 浪长 费石 回量 收
1 23 45671 2 3 4 5
67
1 1 1 1 1 1 1 1 5 粗 43 现 1300 0
7因子,2水平共须做:128次实验。 13因子,3水平就必须做了1,594,323次实验,如果每个实验 花3分钟,每天8小时,一年250个工作天,共须做40年的时 间。
a
7
田口试验
正交表(Orthogonal Array)
3.直交表(正交表)
直交表用于实验计划,它的建构,允许每一个因 素的效果,可以在数学上,独立予以评估。
6 A2 B2 C2 D2 E2 F1
7 A2 B2 C2 D2 E2 F2
8 A2 B2 C2 D2 E2 F2
a
田口试验
G
实验结 果
G1 1
G1 2
G1 3
G1 4
G1 5
G1 6
G1 7
G2 8
6
全因子实验法
田口试验
2.全因子实验法:
这种实验方法,所有可能的组合都必须加以 深究。 但相当耗费时间、金钱,例如
0
7 2 2 1 1 2 2 1 1 细 43 现 1200 4
0
8 2 2 1 2 1 1 2 1 细 43 新 1300 0
5
a
每百件尺寸 缺陷数
51
16

doe实验案例

doe实验案例

doe实验案例Doe实验案例。

Doe实验是一种设计精良的试验方法,可以帮助研究人员有效地识别和分离试验中的各种因素,从而得出准确的结论。

在本文中,我们将介绍一些关于Doe实验的案例,以帮助读者更好地理解和应用这一方法。

案例一,汽车零部件寿命测试。

某汽车零部件制造商希望提高其产品的寿命,以提高客户满意度。

为了找出影响零部件寿命的关键因素,他们进行了一项Doe实验。

首先,他们确定了可能影响零部件寿命的因素,如材料选择、加工工艺、使用环境等。

然后,他们使用Doe 实验的方法,设计了一组实验方案,对不同因素的不同水平进行了测试。

通过对实验数据的分析,他们发现材料选择和加工工艺对零部件寿命的影响最大。

最终,他们成功地优化了零部件的材料和加工工艺,显著提高了产品的寿命。

案例二,药物配方优化。

一家制药公司希望优化一种药物的配方,以提高其疗效和减少副作用。

为了实现这一目标,他们进行了一项Doe实验。

首先,他们确定了可能影响药物疗效和副作用的因素,如药物成分、剂量、制备工艺等。

然后,他们利用Doe实验的方法,设计了一组实验方案,对不同因素的不同水平进行了测试。

通过对实验数据的分析,他们发现药物成分和剂量对药物疗效和副作用的影响最大。

最终,他们成功地优化了药物的配方,使其疗效得到了显著提高,副作用得到了有效控制。

案例三,生产工艺改进。

一家制造企业希望改进其产品的生产工艺,以提高产品质量和降低生产成本。

为了实现这一目标,他们进行了一项Doe实验。

首先,他们确定了可能影响产品质量和生产成本的因素,如原材料选择、工艺参数、设备状态等。

然后,他们利用Doe实验的方法,设计了一组实验方案,对不同因素的不同水平进行了测试。

通过对实验数据的分析,他们发现原材料选择和工艺参数对产品质量和生产成本的影响最大。

最终,他们成功地优化了生产工艺,提高了产品质量,降低了生产成本。

通过以上案例的介绍,我们可以看到Doe实验在不同领域的应用。

无论是改进产品质量,提高疗效,还是降低生产成本,Doe实验都能够帮助研究人员找出关键因素,并优化方案,取得成功。

DOE案例

DOE案例

DOE试验案列
(提高金属热处理后的强度)
作者:龙骏元
【应用示例】
目的:提高金属材料热处理后的强度
经与工程部、品质部及生产部的技术工程师、品质工程师和现场调机人员的充分讨论,影响金属材料热处理后的强度主要有以下4因子,即:恒温时间、热处理温度、升温时间、处理时间。

决定采用4因子2水平的全因子试验来进行分析。

(1)确定响应变量、试验因子和因子水平,编制因子水平表,见表
1-1.
从下图可以看出残差服从正态分布,无异状。

(10)调优找出因子最佳方案。

当热处理温度=860℃,升温时间=3min,处理时间=,恒温时间=60min,强度最大值Y=.10。

《DOE分析案例》课件

《DOE分析案例》课件

执行实验并记录数据 分析实验结果和数据 撰写实验报告和总结
结果分析和解释
确定实验结果: 根据实验数据, 确定实验结果
解释实验结果: 根据实验结果, 解释实验现象
和原因
分析实验结果: 根据实验结果, 分析实验结果 与预期目标的
差异
提出改进措施: 根据实验结果, 提出改进措施
和优化方案
04
DOE分析的案例
软件工具在DOE分析中的应用案例
Minitab: 用于数据 分析和统 计分析, 支持DOE 分析
JMP:用 于数据分 析和统计 分析,支 持DOE分 析
DesignExpert: 专用于 DOE分析 的软件, 支持多种 实验设计
SAS:用 于数据分 析和统计 分析,支 持DOE分 析
R:用于 数据分析 和统计分 析,支持 DOE分析
效果:经过改进,生产效率得到显著提高,降低了生产成本,提高了产品质量
05
DOE分析的软件工具
常见的DOE分析软件工具介绍
Minitab:功能强大,操作简单,适用于各种类型的DOE分析 JMP:SAS公司的产品,具有强大的数据分析和可视化功能 Design-Expert:专门为DOE分析设计的软件,具有丰富的模型和功能 R:开源软件,具有强大的统计和绘图功能,适合进行复杂的DOE分析
DOE可以帮助企业减少实验次数,提高实验效率,降低成本。
DOE广泛应用于制造业、服务业、科研等领域。
DOE分析的目的和意义
优化产品设计:通过DOE分析,可以优化产品设计,提高产品质量和性能。 提高生产效率:通过DOE分析,可以优化生产工艺,提高生产效率,降低生产成本。 减少实验次数:通过DOE分析,可以减少实验次数,缩短实验周期,提高实验效率。 提高产品质量:通过DOE分析,可以及时发现和解决产品质量问题,提高产品质量。

DOE实验设计案例

DOE实验设计案例

以随机顺序抽取和测试的24个数据如下表 以随机顺序抽取和测试的24个数据如下表
木材含量 1 5% 10% 15% 20% 7 12 14 19 2 8 17 18 25 观测值 3 15 13 19 23 4 11 18 17 22 5 9 19 16 17 6 10 15 18 21
如果我们要提高其纸袋的抗张强度性能, 如果我们要提高其纸袋的抗张强度性能, 抗张强度性能 就要找不同的工艺参数, 就要找不同的工艺参数,但工艺参数选 择是个非常复杂问题。 择是个非常复杂问题。我们可以考虑可 能影响抗张强度的4个因子 个因子, 能影响抗张强度的 个因子,确认哪些因 子的影响确实是显著的, 子的影响确实是显著的,进而确定出最 佳的工艺条件。 佳的工艺条件。
DOE实验设计 实验设计源自主讲:聂微DOE实验设计案例 实验设计案例
某个造纸厂想改进一种纸袋的抗张 抗张强度跟纸浆中一种 强度,他们认为抗张强度 强度,他们认为抗张强度跟纸浆中一种 木材含量有关,现行规范含量为10%, 木材含量有关,现行规范含量为 , 平均抗张强度为15psi. 平均抗张强度为 他们进行了四种水平的含量因子研 究:5%、10%、15%、20%,每个水平 、 、 、 , 取得了6个数据 个数据。 取得了 个数据。

经典打球器DOE案例

经典打球器DOE案例

橡皮筋*投掷臂位置
0.18975 0.09488
0.01598 5.94 0.010
橡皮筋*底座角度
0.31325 0.15663
0.01598 9.80 0.002
投掷球*固定臂位置
0.08475 0.04238
0.01598 2.65 0.077
Analysis of Variance for y (coded units)
2003年6月22日所作分析
试验影响因素方差分析
Estimated Effects and Coefficients for y (coded units)
Term
Effect
Coef
SE Coef
T
P
Constant
1.62563
0.01598 101.72 0.000
Block
-0.01613
0.01598 -1.01 0.387
Seq SS Adj SS Adj MS
F
P 主因素和两因素
Main Effects
6
7.5223 7.5223 1.2537
*
* 交互作用的P值均
2-Way Interactions 1
Residual Error
0
0.2464 0.0000
0.2464 0.0000
0.2464 0.0000
*
* 未出现
投掷球*固定臂位置 0.08475 0.04238 0.01888 2.25 0.267
投掷球*投掷臂位置 0.01175 0.00588 0.01888 0.31 0.808
Analysis of Variance for y (coded units)
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
DOE试验案列
(提高金属热处理后的强度)
作者:龙骏元
【应用示例】
目的:提高金属材料热处理后的强度
经与工程部、品质部及生产部的技术工程师、品质工程师和现场调机人员的充分讨论,影响金属材料热处理后的强度主要有以下4因子,即:恒温时间、热处理温度、升温时间、处理时间。决定采用4因子2水平的全因子试验来进行分析。
从上两图可以看出A、B、D显着,C不显着,BD交互作用处于临界点,做显着处理。
(6)作残差图,如图1-3所示。
从上图可以看出:残差满足正态分布和随机波动的要求。无异常现象。
(7)增加B*D项,对实验结果最方差和回归分析。如图1-4所示。
图1-4
从上图可以看出C(处理时间)不显着,需重新修订。
(8)去掉C项,作再次回归分析。如图1-5所示。
(3)按计划表完成试验并将试验结果填入表中。
(4)利用Minitab软件,对结果做因子主效图、交互效应图和立方图。如图1-1(a)、(b)、(c)所示:
从(a)图可以看出:A(热处理温度)、B(升温时间)及D(恒温时间时间)主效应显着。
从(b)图可以看出B(升温时间)跟D(恒温时间)存在明显交互作用。
图1-5
(9)对修订回归方程再做残差诊断,残插图如图1-6所示。
从下图可以看出残差服从正态分布,无异状。
图1-6修订后残插图
P值=>,残插符合正态分布。
(10)调优找出因子最佳方案。
当热处理温度=860℃,升温时间=3min,处理时间=,恒温时间=60min,强度最大值
Y=.8
从(c)可以看出强度的最大值为,它对应的各因素水平分别是:热处理温度860℃、处理时间、升温时间3min、恒温时间60min;即:当选择热热处理温度860℃、处理时间、升温时间3min、恒温时间60min,可获得较好的强度结果。
(5)作标准化效应的Pareto图和正态图,如图1-2(a)、(b)所示。
.
因子
水平
-1
+1
A(恒温时间)/min
50
60
B(热处理温度)/(°)
820
860
C(升温时间)/min
2
3
D(处理时间)/h
表1-1
(2)按4因子2水平的全因子试验编制试验计划表(考虑中心点重复和随机化)得到下述试验计划(采用Minitab软件)见表1-2。
相关文档
最新文档