Steve Olsen, Leitender Zuverlässigkeitsingenieur, Autoliv
Zusammenfassung: Die Idee hinter der Taguchi-Robust-Optimierung ist äußerst leistungsstark: Bei dem zu optimierenden Produkt oder Prozess gibt es Faktoren, die wir nicht beeinflussen können (oder deren Kontrolle schwierig oder teuer ist). Methoden der Taguchi-Robust-Optimierung helfen, den optimalen Punkt im Design zu finden, der am robustesten gegen Schwankungen dieser Störfaktoren ist. Traditionelle Taguchi-Methoden der experimentellen Planung und Analyse, die 50 Jahre alt sind, können durch die in JMP verfügbaren Werkzeuge deutlich verbessert werden. Dieser Artikel zeigt, wie das Tool „Benutzerdefiniertes Design“ verwendet werden kann, um effizientere und flexiblere innere und äußere Arrays für Taguchi-DOEs zu erstellen. Er zeigt, wie der Profiler die S/N-Verhältnis- und Mittelwertdiagramme automatisieren kann. Wir demonstrieren verschiedene Methoden, die die statistischen Analysewerkzeuge von JMP nutzen, um Signale von gemeinsamen Ursachenvariationen zu trennen – ein wichtiger Schritt, der in der traditionellen Taguchi-Methode fehlt. Abschließend zeigen wir, wie diese neuen Werkzeuge auf ein spezifisches Problem bei Autoliv angewendet wurden und wie sie wichtige Erkenntnisse lieferten, die mit der traditionellen grafischen S/N-Verhältnisanalyse nicht möglich waren.
Bitte beachten Sie die beigefügte PDF-Datei des Dokuments. Die JMP-Datentabellen für die meisten Beispiele sind ebenfalls beigefügt.
Sie können den Autor unter steve.olsen@autoliv.com kontaktieren.
