DoE-Planer

Überblick

Design of Experiments (DoE, Statistische Versuchsplanung) plant Experimente so, dass mit möglichst wenigen Versuchen maximale Erkenntnis über den Einfluss mehrerer Faktoren entsteht. Während man bei der klassischen „ein Faktor nach dem anderen"-Methode viele Versuche braucht und Wechselwirkungen verpasst, liefert DoE strukturierte Designs, die Haupt- und Wechselwirkungen effizient trennen.

Faktor: Eine Einflussgröße, die bewusst variiert wird — z. B. Temperatur, Druck, Zeit, Materialtyp. Faktoren können stetig (Temperatur in °C) oder kategorial (Lieferant A/B) sein.

Stufe (Level): Die konkreten Werte, auf die ein Faktor im Experiment gesetzt wird. 2 Stufen (−1 / +1) sind Standard für Screening, 3+ Stufen für Optimierung (z. B. Response Surface).

Zielgröße (Response): Die zu optimierende oder zu verstehende Ausgangsgröße — z. B. Ausbeute, Festigkeit, Zykluszeit. Pro Versuch wird sie gemessen.

Vollfaktoriell: Alle Kombinationen aller Stufen werden untersucht. Bei k Faktoren mit 2 Stufen: 2ᵏ Versuche. Genau, aber schnell teuer (6 Faktoren = 64 Versuche).

Teilfaktoriell (Fractional): Ein bewusst gewählter Anteil des vollfaktoriellen Plans — z. B. ein Halber (2ᵏ⁻¹) oder Viertel. Effizient fürs Screening vieler Faktoren, aber bestimmte Wechselwirkungen werden verwechselt (Konfundierung).

Wechselwirkung: Zwei Faktoren wirken nicht unabhängig — der Effekt von A hängt vom Stand von B ab. Wechselwirkungen zu erkennen ist einer der Hauptnutzen von DoE; sie werden in der „ein Faktor nach dem anderen"-Welt komplett übersehen.

Zentralpunkt: Versuch(e) in der Mitte des Designbereichs (alle Faktoren auf 0). Dient zur Prüfung von Krümmung und zur Schätzung der reinen Streuung.

Streuungs-DoE (Dual Response): Bei Designs mit mindestens zwei Replikaten pro Versuchspunkt schätzt der Planner zusätzlich ein Modell für ln(s²). Damit lassen sich Faktoreinstellungen identifizieren, die die Prozessstreuung unabhängig vom Mittelwert reduzieren — sichtbar im Auswertebereich unterhalb der Designqualität.

DoE ist die härteste Waffe der Improve-Phase — wenn man nicht weiß, welche Faktoren wichtig sind, liefert ein Screening-Plan in wenigen Versuchen die Antwort. Wer dagegen seine Faktoren schon kennt und optimieren will, greift zu Response-Surface-Designs.

Vorgehen

• Zielgröße eindeutig festlegen — was soll optimiert oder verstanden werden?
• Faktoren und sinnvolle Stufen bestimmen — mit Prozessfachleuten, nicht am Schreibtisch.
• Störgrößen identifizieren, die konstant gehalten oder randomisiert werden müssen.
• Designtyp wählen: Screening (Plackett-Burman, fractional 2ᵏ⁻ᵖ), Optimierung (Response Surface, Central Composite), Mischungen (Mixture Designs).
• Plan randomisieren — Reihenfolge der Versuche zufällig, nicht systematisch.
• Versuche durchführen, Zielgröße messen, Daten sorgfältig aufzeichnen.
• Modell anpassen, Hauptwirkungen und Wechselwirkungen bewerten.
• Bestätigungsversuche auf den vorhergesagten besten Einstellungen.

Stolperfallen

Ohne Randomisierung: Wer die Versuche in der Reihenfolge der Standardtabelle fährt, vermischt Faktoreffekte mit Drift über die Zeit (Werkzeugverschleiß, Temperaturänderung). Randomisierung ist Pflicht, nicht optional.

Zu enge Stufenwahl: Wenn die Stufen nah beieinander liegen, ist der Effekt im Rauschen versteckt. Lieber mutig breite Stufen wählen — sie müssen nur noch sinnvoll bleiben, nicht „sicher".

Zu viele Faktoren, zu wenig Wissen: Wer 10 Faktoren gleichzeitig untersucht, bekommt ein riesiges Design und wenig Zeit für jeden Effekt. Faustregel: erst Vorwissen und Priorisierung, dann DoE — nicht umgekehrt.

Wechselwirkungen ignoriert: Ein Halbfaktorieller Plan verwechselt bestimmte Hauptwirkungen mit Wechselwirkungen. Vor der Auswertung die Konfundierungsstruktur anschauen, sonst werden falsche Schlüsse gezogen.

Ein Datenpunkt statt mehrerer: Ein einzelner Wert pro Versuchsbedingung liefert keinen Rausch-Schätzer. Entweder mindestens zwei Replikate oder Zentralpunkte, sonst bleibt die reine Streuung unbekannt.

Modell ohne Bestätigung: Das gefundene Optimum ist eine Vorhersage — bis es am echten Prozess gefahren wurde, ist es nur eine Gleichung. Bestätigungsversuche sind der entscheidende letzte Schritt.

Extrapolation: Das Modell gilt innerhalb des untersuchten Bereichs. Vorhersagen außerhalb (z. B. noch höhere Temperatur als je getestet) sind reine Spekulation.

Beispieldaten

Dieses Modul wird mit den folgenden Beispieldatensätzen ausgeliefert — mit einem Klick in der App ladbar.

Verfügbar in folgenden Zyklen

• DMAIC: Improve
• DMADV: Design
• 8D: D5 — Abstellmaßnahmen