آموزش طراحي آزمايشات DOE

آموزش طراحی آزمایشات و زیر شاخه های آن Design Of Experiments

معرفی طراحی آزمایشات

با سلام خدمت دوستان عزیز

این وبلاگ با هدف شناساندن DOE (طراحی آزمایشات) ایجاد گردید. سعی کردم از بیان تاریخچه این علم خودداری کرده و بیشتر کاربرد های آن را مورد بررسی قرار دهم.

از علم آمار استنباطی در پردازش داده های خام به منظور دستیابی به برنامه ریزی های بهینه و یا تصمیم گیری های علمی و نه احساسی استفاده می شود و روز به روز بر گستره ی این دانش در جهان افزوده می شود. از جمله کاربرد های این علم می توان به کنترل کیفیت آماری ، طراحی آزمایشات ،داده کاوی و پیش بینی اشاره نمود.

دانش طراحی آزمایشات ابزاری قدرتمند برای مهندسین و مدیرانی است  که می خواهند محصولات خود را با کیفیت عالی و کمترین هزینه طراحی و یا تولید نمایند .

 

به عنوان حقیقتی انکار ناپذیر، صنعت به اهمیت روز افزون کیفیت پی برده است.امروزه کیفیت به عنوان یک استراتژی تجاری برای افزایش سهم بازار مطرح است و سازمان ها با به کارگیری آزمایش های طراحی شده به کیفیت جهانی دست می یابند.

طراحی آزمایشها یکی از قوی ترین فنون بهبود کیفیت و افزایش بهره وری است. در این شیوه از طریق انجام برخی آزمایش ها ، آگاهانه تغییراتی در فرایند یا سیستم اعمال می شود تا تاثیر آنها در ویژگی های عملکردی یا پاسخ فرایند یا سیستم به آنها، مورد بررسی قرار گیرد.

طراحی آزمایش ها ، دستکاری سیستماتیک تعدادی از متغیرهاست که در آن، تاثیر این دستکاری ها ارزیابی می گردند و از روی آنها نتیجه گیری شده، نتایج بدست آمده پیاده سازی می شوند.

فرایند یا سیستم تحت مطالعه را می توان به وسیله مدلی که در شکل زیر نشان داده شده معرفی کرد.

 

                                                                            

 

 

 

 

 

به این نمودار ،نمودار P  گفته می شود.

اهداف آزمون می تواند شامل موارد زیر باشد: 

  1. تعیین متغیرهایی که بیشترین تاثیر را در پاسخ  دارند.
  2. تعیین موقعیت متغیر های موثر  به طوری که تقریباً  همیشه نزدیک مقداری اسمی مطلوب باشد.
  3. تعیین موقعیت متغیر های مؤثر  به طوری که تغییرپذیری  کوچک باشد.
  4. تعیین موقعیت متغیرهای مؤثر  به طوری که اثرهای متغیرهای کنترل ناپذیر  مینیمم شوند.

 

روشهای طرح آزمایش در بسط فرایند و تعیین علت آشفتگی(بی نظمی) فرایند به منظور اصلاح عملکرد نقش عمده دارند. در بسیاری موارد ممکن است هدف بسط خود فرایند باشد، یعنی فرایندی که کمترین اثر از منابع خارجی تغییرپذیری ( ها ) را دارا باشد.

به عنوان مثال گیریم یک مهندس مواد به مطالعه اثر دو فرایند مختلف سخت سازی یک آلیاژ آلومینیوم علاقه مند باشد: فرونشانی با روغن و فرونشانی با آب نمک.

در اینجا هدف آزمایشگر تعیین محلول فرونشانی است که برای این آلیاژ خاص، ماکسیمم سختی را ایجاد می کند.مهندس تصمیم می گیرد که تعدادی نمونه های این آلیاژ را با هر محلول فرونشانی کرده و بعد از فرونشانی میزان سختی آنها را اندازه بگیرد.سختی متوسط نمونه ها در اثر هریک از محلولهای فرونشانی،برای تعیین بهترین محلول به کار خواهد رفت.

وقتی این آزمایش ساده را در نظر می گیریم، سؤالهای مهمی به ذهن خطور می کنند:

1.      آیا این دو محلول تنها محلولهای فرونشانی هستند که باقوه مورد نظرند؟

2.      آیا عوامل دیگری وجود دارند که ممکن است در میزان سختی مؤثر بوده ولازم باشد که در این آزمایش بررسی یا کنترل شوند؟

3.      برای هر محلول فرونشانی امتحان چند نمونه از آلیاژ لازم است؟

4.      چگونه باید نمونه ها را به محلولهای فرونشانی تخصیص داد و به چه ترتیب باید داده ها را جمع آوری کرد؟

5.      از چه روش تحلیل داده ها باید استفاده کرد؟

 

قبل از انجام آزمایش باید جواب رضایتبخشی به تمامی این پرسشها و احتمالاً بسیاری از پرسشهای دیگر داد.

در هر آزمایش نتایجی که می توان استخراج کرد در سطح وسیع وابسته به روشی است که داده ها جمع آوری شده اند. برای روشن شدن موضوع گیریم که مهندس مواد در آزمایش بالا از نمونه هایی با یک حرارت  در فرونشانی با روغن و از نمونه هایی با حرارت دیگر در فرونشانی با آب نمک استفاده کند.حال وقتی میانگین سختی این ها مقایسه می شود مهندس مزبور قادر به بیان این نیست که چقدر از اختلاف مشاهده شده معلول محلول فرونشانی و چقدر معلول اختلاف ذاتی میان حرارتهاست. پس روش جمع آوری داده ها می تواند بر نتایجی که از آزمایش استخراج می شود اثر مخالف داشته باشد.

 

این روش یک روش مبتنی بر سعی و خطا است و با کمترین اطلاعات بیشترین نتایج را ارائه داده و پارامترهای بهینه تولید و طراحی را تعیین می کند.

به طور مثال برای تولید یک کیک که هم طعم بسیار خوبی داشته باشد و هم بیشترین مدت دوام ممکن را داشته باشد و نیز کیفیت آن نسبت به محیط های خشک و مرطوب حساس نباشد ، می بایست ترکیب عوامل تشکیل دهنده ی آن به چه نحو باشد ؟ و یا از چه موادی استفاده شود و از چه موادی مصرف نشود تا به این اهداف برسیم؟

کیک مورد نظر شامل مواد و عوامل تشکیل دهنده زیر می باشد:

 

تخم مرغ(بزرگ-کوچک)

آرد(گندم-جو)

شکلات(نوع ۱-نوع۲)

بیکینگ پودر(شرکت۱-شرکت۲)

شیر(کم چرب-پر چرب)

شکر(چغندر-نیشکر)

نوع ظرف(کم عمق-گود)

مقدار دمای پخت(۱۶۰ درجه - ۲۱۰ درجه)

میزان زمان پخت(۵۵ دقیقه - ۹۵ دقیقه)

نوع روغن(جامد-مایع)

مدت زمان هم زدن(۱۵ دقیقه-۲۵ دقیقه)

 

به طور خلاصه 11 عامل را مورد بررسی قرار می دهیم

و هر کدام از این عوامل را در 2 سطح مورد آزمایش قرار می دهیم.اگر بخواهیم بر اساس سعی و خطای سنتی این کار را انجام دهیم تا ترکیب بهینه را بدست آوریم می بایستی2048 =  آزمایش صورت گیرد و اگر هزینه تولید هر عدد کیک را 1200 تومان د ر نظر بگیرم جدا از زمانی که صرف تهیه این کیک ها و زمان راه اندازی و تنظیمات مورد نظر در کارخانه می شود بایستی 2457600 تومان هزینه شود . و این در صورتی است که مطمئن باشیم  در یکی از این آزمایش ها به پارامتر های بهینه می رسیم ( احتمال کمی وجود دارد )

حال تصور کنید بخواهیم این عوامل را در سه سطح مورد بررسی قرار دهیم برای مثال زمانهای پخت در ۱۶۰و۲۱۰و۲۶۰ درجه بررسی شوند که در چنین حالتی نیاز به انجام=177147    آزمایش می باشد که هزینه ی چینین طرحی با احتساب هزینه هر کیک، 212576400 تومان (دویست و دوازده میلیون و پانصد و هفتاده شش هزارو چهارصد تومان) می شود و البته اگر مطمئن باشیم در یکی از این آزمایش ها به پارامتر های بهینه می رسیم یعنی ممکن است بعضی عوامل تاثیری در میزان هدف نداشته باشند و یا ممکن است عوامل دیگری نیز دخیل باشند که ما آنها را در نظر نگرفته ایم برای مثال میزان روغن ٬ نوع همزدن ویا اضافه نمودن وانیل و حتی میزان آن می توانند عوامل جدیدی باشند که در نظر گرفته نشده اند و می توانند روند تحلیل آزمایش را به کلی دگرگون سازند و بسیاری از عوامل دیگر که شاید خودتان بتوانید براحتی آنها را نام ببرید٬ اما با روشهای DOE ٬چون نگرشی کاملا سیستماتیک و یگپارچه به سیستم دارد می توان نوع عوامل و سطوحشان و میزان تاثیر و تعامل (intraction) آنها را بایکدیگر دقیقا تعیین نمود بشرطی که کاملا با این مباحث آشنا باشید در غیر اینصورت نتایج کاملا گمراه کننده خواهند بود و دچار سردرگمی شدیدی خواهید شد خصوصا اینکه روزبه روز روشهای جدیدی در این رابطه ارائه می شود و معمولا نرم افزارهایی که در این رابطه ساخته شده اند در بسیاری از مواقع تحلیل یکسانی از آزمایشات را ارائه می کنند که با توجه به تجارب بنده بهتر است از ترکیبی از نرم افزارها استفاده شود از آنجایی که در این علم خلاقیت ،دقت و شناسایی مساله فاکتورهایی مهم محسوب می شود لذا تحلیلگر نقش بسیار مهمی را در این رابطه ایفا می کند.

 

 

کاربرد های طراحی آزمایشات

روشهای طراحی آزمایشات در بسیاری از نظامها کاربرد وسیع دارند. در دنیای مهندسی، طراحی آزمایشات ابزاری فوق العاده مهم برای اصلاح عملکرد فرایندهای تولید است.همچنین کاربردی وسیع در بسط فرایند های جدید دارد.کاربرد تکنیکهای اولیه طراحی آزمایشات در توسعه فرایند می تواند نتایج زیر را فراهم کند.

 

  1. نتایج فرایند را اصلاح کند.
  2. تغییر پذیری را کاهش داده و مطابقت آن را با نیازهای هدف یا اسمی نزدیکتر کند.
  3. زمان گسترش را کاهش دهد.
  4. کل هزینه را تقلیل دهد.

 

DOE در طرح فعالیتهای مهندسی نیز نقش عمده دارند، که در آن فراورده های جدید تکامل یافته و فراورده های فعلی اصلاح می شوند.بعضی کاربردهای DOE در طرح مهندسی  عبارتند از:

 

  1. ارزیابی و مقایسه پیکر بندیهای طرح پایه ای.
  2. ارزیابی دگرگونیهای مواد.
  3. انتخاب پارامتر های طرح به طوری که محصول به خوبی تحت شرایط محیطی بسیار متنوع کار کند، یعنی به طور که محصول نیرومند باشد.
  4. تعیین پارامترهای طرح کلیدی محصول که بر عملکرد محصول اثر می گذارند.

 

راهنما در   Design Of Experiments

 

  1. شناسایی و بیان مسأله
  2. انتخاب عوامل و سطوح
  3. انتخاب متغیر پاسخ
  4. انتخاب طرح آزمایش
  5. انجام آزمایش
  6. تحلیل داده ها
  7. نتیجه گیریها و توصیه ها(آزمایشهای اطمینانی)

 

که هر کدام دارای مباحث خاص مربوط به خود می باشند و خطا در هر بخش مطمئناً منجر به دستیابی به نتایج گمراه کننده می شود.

 

دکتر گنیچی تاگوچی  (Dr. Genichi Taguchi) بر گستره این دانش افزوده و به طور خاص مفهوم تابع زیان (loss function) را مطرح کرده است. تابع زیان، هزینه، هدف(target) ، و تنوع (variation) را ترکیب کرده، از آن یک معیار سنجش  به دست می آورد و حدود مشخصات (specification) را در درجه دوم اهمیت قرار می دهد.افزون بر این وی مفهوم استحکام (Robustness) را نیز گسترش داده است.

تاگوچی کیفیت را زیانی تعریف می کند که از لحظه ی حمل محصول به جامعه منتقل می شود.

مورد کاشی اینا، نمونه بسیار خوبی برای طراحی با ثبات است.شکل زیر برشی از کوره ی 80 متری پخت کاشی را نشان می دهد.

 

 

 این کوره که از کشور آلمان خریداری شده بود یک مشکل کیفی داشت.

مشکل این بود که کاشی هایی که در ردیف های درونی قرار داشتند با دمای کمتری نسبت به کاشی های بیرون پخته می شدند که این منجر به ایجاد ناهماهنگی در ابعاد د مشخصات کاشی ها می شد. به منظور کشف کاشی هایی که ابعاد نامنطبق داشتند، بازرسی صد در صد انجام می گرفت که طبیعتاً هزینه ی بسیاری را در برداشت. کوره باید از نو طراحی می شد ولی این کار بسیار پر هزینه بود. افزون بر این هیچ تضمینی هم وجود نداشت که طراحی دوباره مشکل را حل کند.قرار بر این شد که آزمایشی با استفاده از طراحی OA8 با هفت متغیر در دو سطح انجام شود.

 نتایج نشان دادند که با افزایش درصد آهک گل کاشی از 1% به 5% مشکل تغییر ابعاد از بین می رفت.آهک ماده ای ارزان قیمت است.همچنین کارشناسان دریافتند که می توان درصد یک ماده ی گران قیمت را در ترکیب کاشی کاهش داد.

 

 

بنیان فلسفه تاگوچی، طراحی مستحکم و با ثبات است. شکل زیر سه جزء طراحی، یعنی طراحی سیستم ،طراحی پارامتر و طراحی تلرانس را نشان می دهد. طراحی با ثبات ، دو جزء آخر را در بر می گیرد.طراحی سیستم،همان تحقیق و توسعه ی ((R&D سنتی است.تا همین اواخر ژاپن تقریباً 40%،40% و 20% و آمریکا 70%،2%و28% از زمان و سرمایه شان را روی هر یک از این سه جزء طراحی متمرکز می کردند.

 

 

 

 

به طور کلی بر اساس تجربیات اینجانب DOE در حال حاضر به  چهار روش زیر قابل انجام است:

1.      کلاسیک

2.      تاگوچی

3.      شنین

4.      روش RSM

 

هر کدام از روشهای زیر طرفدارانی دارد بالااخص روش تاگوچی که نسبت به روشهای دیگر تحلیل آسانتری دارد.نرم افزارهایی هم که در این زمینه وجود دارد روشهای محاسباتی خاص خود را  دارند گرچه تقریباَ دارای جواب های نزدیک به هم هستند.

قضاوت در مورد هر کدام از این روشها در نوبت بعدی مورد بررسی قرار می گیرد.

متاسفانه هنوز در کارخانجات کشورمان شناخته شده نیست امید است کتابها و مقالات بیشتری در این زمینه از سوی مهندسین ایرانی تالیف شود.

ضمناْ بنده دوره هایی را در این زمینه برگذار می کنم که شرح آن در قسمت آموزش(عناوین مطالب وبلاگ) آمده است.

 كلمات كليدي جستجو:
طراحي آزمايشات
طرح آزمايشات
آموزش تاگوچي
مهندسي كيفيت تاگوچي
مهندسي تاگوچي
آموزش روش تاگوچي
آموزش طراحي آزمايشات كلاسيك
آموزش كلاسيك طراحي آزمايشات

 

به 90% ایمیل ها ظرف 12 ساعت و 10% دیگر ظرف 24 ساعت جواب داده خواهد شد.

نرم افزاری جهت انتخاب بهترین طرح برای شرایط آزمایش شما

There are several ways to conduct an experimental design for optimizing your product or process, but it is difficult for many engineers to select the best procedure for their works, that is you should consult with at least a statistical consultant to be able to advance your work a bit, and then you should consult with a mathematician in order to optimize your response formula that is gained by experimental design, incidentally you don’t even sure your way is right or not. That’s why you are not a DoE expert.

We decided to produce an expert software to guide process engineers to be able to step in a right way, however this software is a beta version, but we will try to enhance it rapidly and more accuracy.

We are going to introduce you with the principles of DoE by this illustration.




How do you select an experimental design?

As you see in this shape, every DoE project needs to be performed 3 steps.

Planning an experiment properly is very important in order to ensure that the right type of data and a sufficient sample size and power are available to answer the research questions of interest as clearly and efficiently as possible. We are talking with you that don't know which design is more proper for your project from available designs such as Taguchi design, response surface designs or RSM designs , classic designs , mixture designs and etc. We intend to assist engineers to pick an experimental design for their projects.

Many engineers have heard about response surface methodology but they don't know if they can use them in their projects or not. Engineers or researchers first should understand which design is the best for them then focus about other things.

Data collection, and data analysis refer to a statistical consultant and the another section that is optimizing dependent variable or variables refer to a mathematician but you yourself should decide about Type I and type II errors .

This software has collected many procedures and has determined relationships between variables of a project with a specific design on DoE in order to perform a right DoE project. It guides you to select the best design for your project. Indeed, we filled the gap between engineers at all fields and the optimization designs. Its manner is tracing conditions of your design step by step until reach your customized design then you can use the another software for example Minitab, SAS, JMP, design-expert and etc for your design.

You can order our software by sending an email, please give us your address or your phone number.

We are hopeful then you buy its next version by only $ 5.

This software is produced by Process Strategic Design, Ltd.

Our website is currently under construction.

طرح های کلاسیک

به آن دسته از طرح هایی که کاملا بر پایه روش های آمار استنباطی ایجاد شده اند طرح های کلاسیک DoE گفته می شود.

طرح های کلاسیک مباحثی همچون تحلیل واریانس متعادل و نامتعادل، طرح های بلوک بندی، طرح های عاملی، طرح های کسری، طرح مربع لاتین و طرح های آشیانی را شامل می شوند. البته طرح های RSM از طرح های عاملی نیز می توانند ساخته شوند. تفاوت طرح های کلاسیک با طرح های تاگوچی در این است که روش تاگوچی قابلیت فهم راحتتری دارد و در هنگام تحلیل طرح آزمایشی، تحلیل راحتتری دارد، اما در طرح های کلاسیک ما تحلیل مفصل تر و پیچیده تری داریم.

روش RSM

روش سطح پاسخ

RSM methodology

روش سطح پاسخ یا روش RSM از جمله روش های بهینه سازی می باشد که با استفاده از مجموعه ای از تکنیکهای ریاضی و آماری مسائل را مدل می کند و نه تنها باعث می شود اجراهای پرهزینه ی شبیه سازی کاهش یابد بلکه روند طبیعی بهینگی فرایند را که اغلباً غیر خطی می باشد را پیش بینی کرده و نشان خواهد داد.

در خلال یادگیری فرایند بهینه سازی RSM شما یاد خواهید گرفت چگونه:

1.از طرح های Box-Behnken و CCD استفاده کنید.

2.بهترین رگرسیون را برای مدل خود انتخاب نمایید.

3.ویژگی طرح خود را ارزیابی کنید.

4.خطوط تراز پاسخ و خطای استاندارد را ایجاد نمایید.

5.شرایط اجرای نیرومند را پیدا کنید.

6.پاسخ های عددی چندگانه را بهینه کنید.

تذکر: اگر شما با فرمولاسیون کار می کنید، طرح های مختلط Mixture Designs  ممکن است مناسبتر باشند،داشتن دانش ابتدایی آمار استنباطی و تحلیل واریانس پیش نیاز DOE می باشد.در غیر اینصورت درک مقاهیم مشکل می باشد.

با این علت که متدولوژی RSM  از مدل های آماری استفاده می کند از اینرو لازم  است کارآموزان آگاه باشند که حتی بهترین مدل های آماری تنها یک تخمینی از واقیعت هستند.با این وجود متدولوژی سطح پاسخ یک ابزار موثر برای محققان در بهبود محصولات و خدمات است.برای مثال طرح Box-Behnken مهندسان شیمی را قادر ساخت که یک فرایندی را که سالها در نقطه زینی قرار داشت(بهینه نمی شد و جواب قطعی برای آن مساله وجود نداشت ) را بهبود بخشند .

یک راه آسان برای تخمین یک مدل چند جمله ای درجه یک استفاده از طرح های عاملی و یا عاملی کسری شده است. که برای تعیین متغیر(های) ابتدایی که روی متغیر(های) پاسخ تاثیر دارند کافی است.بعداز آنکه متغیرهای مهم شناسایی شدند(screening) باید از طرحهای پیچیده تری مانند CCD  برای مدل چند جمله ای درجه 2 استفاده کرد و همینطور در صورت نیاز ،طرح را با مدل های درجه 3 و بالاتر مدل کرد..البته بررسی کفایت مدل از نکات مهمی می باشد که می بایست حتما مورد توجه قرار گیرد(متاسفانه اکثر تحلیل گران به این قسمت توجه نمی کنند و از آنجایی که به هر حال مساله ای که به نرم افزار داده می شود یک خروجی خواهد داشت ممکن است جواب نادرستی از طرح بدست آید در صورتی که طرح به طور نادرست به نرم افزار داده شده و مطمئناً جواب و تحلیل نتایج نیز به طور اشتباه حاصل خواهند شد و موجب سردرگمی تحلیلگر می شود هر چند که تا حددوی هم برای مساله تا 30% طرح بهینه شود و تحلیلگر آزمایش تصور می کند که بهترین جواب را بدست آورده در صورتی که چنین نیست.)برای مدل کردن طرح می توانید از نرم افزار های شبیه سازی همانند arena نیز استفاده کنید.برای حل نهایی مساله نیز می توانید از نرم افزار matlab استفاده نمایید.

تقریباً تمامی نرم افزارهای موجود جواب نسبتاً یکسانی برای یک مساله خاص ارائه می کنند اما در بیان بعضی از ویژگی های طرح با هم متفاوتند و توصیه می شود از دو نرم افزار برای طرح خود استفاده نمایید تا ابعاد ناشناخته طرحتان بیشتر برایتان نمایان گردد.


کلمات کلیدی:

آموزش روش سطح پاسخ

روش سطح پاسخ

آموزش RSM

روش rsm

آموزش روش rsm

کلمات کلیدی

طراحی آزمایشات

تاگوچی

مهندسی کیفیت

آموزش تاگوچی

آموزش طراحی آزمایشات

طرح آزمایش

توضیح روش آماری تاگوچی

طرح آزمايش در minitab

آموزش طراحی آزمایشات کلاسیک

 آموزش minitab experimental design

آموزش

DOE

 طرح های RSM

آموزش rsm

rsm training

RSM training

روش rsm

rsm طراحی آزمایشات

rsm صنایع غذایی

پروژه rsm صنایع غذایی

طرح های Orthogonal design

طرح هاي متعامد

response surface designs

مهندسي كيفيت تاگوچي

آموزش طراحي آزمايشات minitab

طرح های سطح پاسخ

تاگوچی

طرح های پاسخ سطح RSM

مهندسي پليمر

مهندسي صنايع

مهندسي متالوژي

نانوفناوري

نانو كامپوزيت

نانو سيلور

نانو

محسن همام

مهندسي كيفيت تاگوچي

آموزش مهندسي كيفيت

ZQC آموزش

روش سطح پاسخ

طرح سطح پاسخ

آموزش روش سطح پاسخ

ZQC

خلاصه فهرست مطالب آموزشی دوره پیشرفته تاگوچی :

 

  • معرفی طراحی آزمایشات
  • معرفي كاربردهای طراحی آزمایشات
  • اهداف طراحی آزمایشات
  • چند مثال از آزمون فرضهای آماری جهت مقدمه مبحث DOE
  • تحلیل واریانس و ارائه فرمول های آن
  • طرح های هر بار یک عامل ( OFAT)
  • طراحی متعامد ( (Orthogonal design
  • معرفی مهندسی کیفیت تاگوچی(به استثناء تاریخچه آن)
  • معرفی توابع زیان کیفیت
  • معرفی آرایه متعامد به صورت جامع تر
  • انتخاب آرایه متعامد و جداول تعامل
  • تعامل ها
  • معرفی بی نظمی ها
  • نسبت پیام به بی نظمی(S/N)
  • طراحی پارامتر
  • بررسی چند مثال کاربردی در صنعت همراه با نرم افزار
  • معرفی روشهای نوین در طراحی آزمایشات

 

 

خلاصه فهرست مطالب آموزشی دوره پیشرفته کلاسیک DOE :

 

  • معرفی طراحی آزمایشات
  • معرفي كاربردهای طراحی آزمایشات
  • اهداف طراحی آزمایشات
  • چند مثال از آزمون فرضهای آماری جهت مقدمه مبحث DOE
  • تحلیل واریانس و ارائه فرمول های آن- تحلیل مدل اثرهای تثبیت شده
  • تحلیل واریانس و ارائه فرمول های آن- تحلیل مدل اثرهای تصادفی
  • پذیره های طراحی آزمایشات
  • طرح بلوک کامل تصادفی شده
  • مبانی طرحهای عاملی
  • طرح عاملی کلی
  • طرح عاملی دو سطحی
  • طرح عاملی سه سطحی
  • تصویر کردن طرح و بازبینی تشخیصی
  • طرحهای عاملی کسری دو سطحی
  • سایر طرحهای عاملی

  • خلاصه فهرست مطالب آموزشی دوره RSM :

  • برازش منحنیها و رویه پاسخ
  • طرح RSM  ( روشهای رویه پاسخ و طرحها )
  • تحلیل مدل مرتبه دوم
  • آزمایشهای آمیزه ای و ...                                                      

 



نتایج طراحی آزمایشات در صنعت

چندی از نتایجی  که از اجرای طراحی آزمایشات حاصل می شود عبارتند از:
  • کاهش چشمگیر ضایعات
  • کاهش قیمت تمام شده محصولات
  • افزایش کیفیت محصولات
  • طراحی محصول با ثبات
  • کاهش پراکندگی در مشخصه های کیفی محصول
  • صرفه جویی فزاینده در مواد اولیه

البته باید توجه داشت که این دانش تا حدود زیادی ابتکاری می باشد و تقریبا تمامی مراحل پیاده سازی آن به نوعی به خلاقیت کارشناس طرح مربوط می شود و حتی کوچکترین اشتباه در کل طرح منجر به دستیابی به نتایج گمراه کننده می شود.

این علم در تمامی صنایع اعم از صنایع فلزی، پتروشیمی ، غذایی ، هواپیما سازی ، اتومبیل سازی ، برق و ..... کاربرد دارد به این دلیل که هر فرایندی در صنعت نیاز به بهینه سازی دارد پس در می یابیم که حوزه فعالیت این دانش بسیار گسترده است و هر روزه تعمیم های زیادی به آن داده می شود.