Steve Olsen, ingénieur principal en fiabilité, Autoliv
Résumé : L'idée derrière l'optimisation robuste de Taguchi est très puissante : étant donné le produit ou le processus que nous cherchons à optimiser, certains facteurs sont incontrôlables (ou 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 de conception et d'analyse expérimentales de Taguchi, vieilles de 50 ans, peuvent être considérablement améliorées grâce aux outils disponibles dans JMP. Cet article démontrera comment l'outil de conception personnalisée peut être utilisé pour créer des tableaux internes et externes plus efficaces et plus flexibles pour les plans d'expériences de Taguchi. Il montrera comment le profileur peut automatiser le rapport signal/bruit et les graphiques de moyenne. Nous présenterons 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 dans 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 apporté des informations importantes qui n'étaient pas apparentes avec l'analyse graphique traditionnelle du rapport signal/bruit.
Veuillez consulter le fichier PDF ci-joint pour l'article. Les tableaux de données .jmp de la plupart des exemples sont également joints.
Vous pouvez contacter l'auteur à steve.olsen@autoliv.com
