<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Steve Olsen, ingénieur principal principal en fiabilité, Autoliv
Résumé : L'idée derrière Taguchi Robust Optimization est très puissante : étant donné le produit ou le processus que nous essayons d'optimiser, il existe certains facteurs que nous ne pouvons pas contrôler (ou qui sont difficiles ou coûteux à contrôler). Les méthodes d'optimisation robuste de Taguchi aident à trouver le point idéal dans la conception qui est le plus robuste face aux variations de ces facteurs de bruit. Les méthodes traditionnelles Taguchi de conception et d'analyse expérimentales, vieilles de 50 ans, peuvent être considérablement améliorées à l'aide des outils disponibles dans JMP. Cet article démontrera comment l'outil de conception personnalisée peut être utilisé pour créer des réseaux internes et externes plus efficaces et plus flexibles pour les DOE de Taguchi. Il montrera comment le Profiler peut automatiser le rapport S/B et les graphiques moyens. Nous démontrerons plusieurs méthodes qui utilisent les outils d'analyse statistique de JMP pour séparer les signaux des variations de cause commune – une étape importante qui manque à la méthode Taguchi traditionnelle. Enfin, nous montrerons comment ces nouveaux outils ont été appliqués à un problème spécifique chez Autoliv et démontrerons comment ils ont généré des informations importantes qui ne sont pas apparentes avec l'analyse graphique traditionnelle du rapport S/B.
Veuillez consulter le fichier .pdf ci-joint pour le document. Les tableaux de données .jmp pour la plupart des exemples contenus dans le document sont également joints.
Vous pouvez contacter l'auteur au steve.olsen@autoliv.com
