<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Steve Olsen, leitender Zuverlässigkeitsingenieur, Autoliv
Zusammenfassung: Die Idee hinter Taguchi Robust Optimization ist sehr wirkungsvoll: Angesichts des Produkts oder Prozesses, das wir optimieren möchten, gibt es einige Faktoren, die wir nicht kontrollieren können (oder die wir nur schwer oder teuer kontrollieren können). Taguchi Robust Optimization-Methoden helfen dabei, den Sweet Spot im Design zu finden, der am robustesten gegenüber Schwankungen dieser Rauschfaktoren ist. Traditionelle Taguchi-Methoden der experimentellen Gestaltung und Analyse, die 50 Jahre alt sind, können mit den in JMP verfügbaren Werkzeugen erheblich verbessert werden. In diesem Artikel wird gezeigt, wie das Custom Design-Tool verwendet werden kann, um effizientere und flexiblere innere und äußere Arrays für Taguchi-DOEs zu erstellen. Es wird gezeigt, wie der Profiler das S/N-Verhältnis und Mittelwertdiagramme automatisieren kann. Wir werden mehrere Methoden demonstrieren, die die statistischen Analysetools in JMP verwenden, um Signale von Variationen aufgrund gemeinsamer Ursache zu trennen – ein wichtiger Schritt, der in der traditionellen Taguchi-Methode fehlt. Abschließend zeigen wir, wie diese neuen Tools auf ein spezifisches Problem bei Autoliv angewendet wurden und wie sie wichtige Erkenntnisse lieferten, die mit der herkömmlichen grafischen Analyse des S/N-Verhältnisses nicht erkennbar waren.
Das Papier finden Sie in der beigefügten PDF-Datei. Die .jmp-Datentabellen für die meisten Beispiele im Dokument sind ebenfalls beigefügt.
Sie können den Autor unter kontaktieren steve.olsen@autoliv.com
