Projektmanagement-Methode
Alle Methoden

Design of Experiments (DoE)

Synonyme

DoE
statistische Versuchsplanung

Design of Experiments (DoE, Statistische Versuchsplanung) ist eine effiziente Methode, um aus einer Vielzahl von Parametern die relevanten Einflussfaktoren für einen Prozess oder ein Produkt zu ermitteln. Mit Hilfe eines Versuchsplans werden diese Faktoren weitgehend unabhängig voneinander variiert, um deren Effekte auf die Zielgrößen und damit ein Ursache-Wirkungs-Modell abzuleiten. Bei der Auswertung wird abgeschätzt, ob sich alle angestrebten Ziele erreichen lassen oder ob z.B. bestimmte Zielvorgaben widersprüchlich sind. Die zielgerichtete visuelle Aufbereitung der Daten dient als Grundlage für weitere Entscheidungen.

Design of Experiments (DoE)

Design of Experiments (DoE)

Synonyme

DoE
statistische Versuchsplanung

Design of Experiments (DoE, Statistische Versuchsplanung) ist eine effiziente Methode, um aus einer Vielzahl von Parametern die relevanten Einflussfaktoren für einen Prozess oder ein Produkt zu ermitteln. Mit Hilfe eines Versuchsplans werden diese Faktoren weitgehend unabhängig voneinander variiert, um deren Effekte auf die Zielgrößen und damit ein Ursache-Wirkungs-Modell abzuleiten. Bei der Auswertung wird abgeschätzt, ob sich alle angestrebten Ziele erreichen lassen oder ob z.B. bestimmte Zielvorgaben widersprüchlich sind. Die zielgerichtete visuelle Aufbereitung der Daten dient als Grundlage für weitere Entscheidungen.

Design of Experiments (DoE)

Einsatzmöglichkeiten

  • Entwicklung von Produkten und Prozessen
  • Optimierung von Zielgrößen im Hinblick auf Ausbeute und Performance
  • Identifizierung der optimalen Produktions-Einstellung, um Ausschuss zu reduzieren, Prozesse und Produkte sicherer zu machen, Kosten zu senken und die Qualität zu steigern
  • Untersuchung und ggf. Behebung von Fehlern, deren Ursache nicht eindeutig bekannt ist ("Trouble Shooting")
  • Analyse der Robustheit eines Systems gegen äußere Störgrößen
  • Validierung von Prozessen durch ihre methodische Untersuchung

DoE ist eine fachlich sehr anspruchsvolle Methode, da die implementierte Statistik hinter den Berechnungen verstanden werden sollte. Ziel einer DoE-Investigation ist es, mit geringstem Aufwand ein Maximum an Information über die untersuchten Faktoren und deren Variation zu erhalten. Oftmals sind es jedoch nicht die Berechnungen und die Analyse, sondern die Definition der Faktoren, die Planung und Durchführung von Versuchen sowie deren Bewertung, die viel Zeit in Anspruch nehmen. Auch wird häufig unterschätzt, dass die Versuche unter realen Bedingungen durchgeführt werden müssen und somit oftmals die Produktion steht, soweit keine Testanlagen vorhanden sind.

Der Aufwand hängt von der Komplexität des zu analysierenden Systems ab. DoE zielt zwar darauf ab, die Analyse und Modellierung eines Systems so einfach wie möglich zu halten, kann aber dennoch einen erheblichen Aufwand an Zeit und Ressourcen erfordern und den Charakter eines kleinen Projekts annehmen. Deshalb ist die Erstellung eines Business Cases für die Durchführung von DoE empfehlenswert (siehe Abschnitt "Benötigte Informationen").

Vorteile

  • DoE reduziert den Aufwand für Versuche auf ein Minimum. Oft wird dadurch überhaupt erst die systematische Analyse multifaktorieller Systeme möglich.
  • Die klar strukturierte Vorgehensweise reduziert den Zeitaufwand der sich ansonsten wiederholenden Besprechungen und Workshops.
  • Aufwand und Kosten für die Untersuchung können sehr früh abgeschätzt werden.
  • Fehlannahmen durch voreilige Schnellschüsse werden auf ein Minimum reduziert.
  • Weitere, bisher nicht beachtete Faktoren können bei Versuchsdurchführung und Auswertung als wichtige Einflussgrößen identifiziert werden.
  • Der ganzheitliche Ansatz deckt ggf. widersprüchliche Ziele auf und unterstützt bei der Lösungsfindung sowie dem Ableiten von Maßnahmen, wie z.B. Kompromisse, Einsparpotentiale oder Ausschussreduktion.

Grenzen, Risiken, Nachteile

  • Grenzen des Machbaren werden lediglich aufgedeckt, oftmals sind für deren Überwindung andere Methoden erforderlich.
  • Für ausschließlich qualitative Einflussfaktoren ist DoE nur eingeschränkt geeignet.
  • Wenn die Faktoren in einem zu breiten Fenster untersucht werden, sind die Effekte oft höherer Ordnung, haben mitunter nichtlineare (quadratische oder kubische Effekte) oder es bestehen Wechselwirkungen zwischen den Faktoren. Werden diese Effekte nicht berücksichtigt, sind die Modelle oftmals nicht ausreichend aussagekräftig.
  • Trotz Software-Unterstützung besteht die Gefahr, weniger relevante Faktoren aus der Problemformulierung zu untersuchen und damit die Effizienz der Methode zu reduzieren.

Ergebnis

  • Dokumentation der Einflussfaktoren, Untersuchungen, Modellierungen und Analysen
  • Ursache-Wirkungsmodell, das den Zusammenhang der Einflussfaktoren und Zielgrößen beschreibt
  • Basis für anschließende, faktenbasierte Diskussionen und Einrichtung von nachvollziehbaren, klaren Entscheidungswegen

 

Voraussetzungen

  • Gute, offene Teamarbeit, um innerhalb der Problemformulierung die richtigen Faktoren mit der angemessenen Variationsbreite für die anschließende Untersuchung zu definieren
  • Einigkeit bei der Zieldefinition, z.B. mit Hilfe eines vereinbarten Business Cases. Oftmals verfolgen verschiedene Interessengruppen unterschiedliche und widersprüchliche Ziele. Eine gezielte Definition mit Priorisierung der Ziele erleichtert die spätere Konsensfindung.
  • Das Umfeld muss es ermöglichen, dass die Versuchsreihe wie geplant durchgeführt werden kann. Zusätzliche Störeinflüsse, die durch unterbrochene oder sequenzielle Versuchsreihen auftreten können, sind mitunter schwer zu erfassen und zu analysieren.

 

Qualifizierung

Die statistische Versuchsplanung findet Verwendung in vielen Bereichen der Entwicklung und Verbesserung. Somit richtet sich die Methode an Techniker, Laborpersonal, Auditoren, Wissenschaftler und Ingenieure aus allen Bereichen der Industrie und Wissenschaft.

Mindestens eine Person im Entwicklungs- oder Optimierungsteam sollte eine Ausbildung für "Design of Experiments" haben. Sie muss dazu befähigt sein, dem Team verständlich zu erklären, wie sich ein Versuchsplan zusammensetzt und warum diese "scheinbar unstrukturierten" Versuche in Ihrer Gesamtheit die zielgerichtete Analyse ermöglichen.

Eine DoE-Ausbildung dauert je nach gewünschtem Umfang zwei bis drei Tage. Am dritten Tag geht es häufig um die anspruchsvolleren Themen wie Untersuchungen zur Robustheit unter Berücksichtigung von Wahrscheinlichkeiten. Innerhalb der meisten Kurse werden die zum Verständnis der Methode erforderlichen statistischen Methoden wiederholt und im Zusammenhang dargestellt. Vorkenntnisse sind daher meist nicht erforderlich.

Innerhalb von zwei Tagen erlernen die Teilnehmer eigenständig, software-unterstützt kleinere Untersuchungen qualifiziert zu planen und durchzuführen. Falls Sie kein Mathematiker oder Statistiker sind, empfehle ich Ihnen, die umfangreiche DoE-Statistik nicht selbst z.B. in Excel, R oder Python abzubilden.

Oftmals finden Einführungen in die statistische Versuchsplanung innerhalb von "Design-for-Six-Sigma"-Schulungen statt. Diese sind zwar meist rudimentär, werden aber durch andere Aspekte wie begleitende Methoden zum Auffinden der richtigen Faktoren oder Qualifizierungspfaden für die Messmittelanalyse bereichert.

In manchen Fällen bietet es sich an, Experten hinzuzuziehen, wie z.B.:

  • wenn die Versuchsplanung nur sporadisch benötigt wird,
  • sehr viele Einflussgrößen untersucht werden sollen,
  • die Kosten für Versuche und die Zeit sehr kritisch wird
  • oder wenn die Situation im Team festgefahren ist und es notwendig ist, neue Fragen zu stellen.

In diesen Fällen sollte ein erfahrener Versuchsplaner hinzugezogen werden. Dies kann von Vorteil sein, da dieser meist die Problemformulierung aufgrund des geringeren Tunnelblicks und möglicher Spannungen im Team differenziert und offener angehen kann. In der Regel umfasst diese Begleitung inklusive des Wissenstransfers zwei bis drei Personentage, da der Versuchsplaner nicht zwangsläufig bei aufwendigen, über einen längeren Zeitraum verteilten Versuchen das Team vor Ort begleiten muss.

Benötigte Informationen

  • Fachexpertise des Product bzw. Process Owners oder der Mitarbeiter, die den Prozess oder das Produkt betreuen
  • Business Case für das mit DoE durchzuführende Optimierungsprojekt. Darin sollten die folgenden Themen berücksichtigt werden: die mit DoE zu behandelnde Problemformulierung, Nutzen, Chancen, Risiken, Umfang, Team, Zeitplan, Ressourcen und Budget.

 

Benötigte Hilfsmittel

  • Ausreichend großer Besprechungsraum
  • Arbeitsflächen wie Flipchart, Whiteboard oder Pinnwände. Entsprechende Moderationsmaterialien wie Haftnotizen, Moderationskarten, Filzstifte, Pinn-Nadeln usw.
  • Für DoE geeignete Statistik-Software zur Erstellung der Versuchspläne und deren Auswertung (siehe Durchführung, Abschnitt "Software für DoE"). Die Abarbeitung der Versuche erfolgt meist über ausgedruckte Versuchspläne.
  • Die jeweils spezifisch erforderliche Ausrüstung zur Durchführung der Versuche. Versuche können nur dann erfolgreich in Wissen transferiert werden, wenn deren Ergebnisse in hoher Güte messbar sind. Deshalb sollten auch die Überprüfung der Prüfmittel und ihre Verfügbarkeit gut geplant und sichergestellt sein.

 

Durchführung ...

Praxistipps ...

Aufgabengebiete

Herkunft

Die statistische Versuchsplanung beruht auf der Regressions- und Varianzanalyse, bei der Gruppen eines Faktors meist auf mindestens zwei Leveln betrachtet werden. Sobald in einer Versuchsreihe mehr als ein Faktor gleichzeitig verändert wird, ist es allerdings wichtig darauf zu achten, dass die Faktoren unabhängig voneinander variiert werden. Im Englischen spricht man daher von "Design of Experiments". Das Wort "Design" steht hier für Orthogonalität, Symmetrie und Balance der Versuche in einem Versuchsplan.

Der britische Statistiker und Genetiker Ronald Aylmer Fisher (1890-1962) beschäftigte sich ab ca. 1920 intensiv mit statistischen Auswertungen und entwickelte hierfür eine Reihe von grundlegenden Methoden. Er prägte auch den Begriff "Design of Experiments". Mit der Verbindung von Optimierungsaufgaben und Versuchsplanung in der sog. "Response Surface Methodology" wurde die Versuchsplanung durch George E. P. Box (1919-2013) und K. B. Wilson ab 1951 ein breiteres Anwendungsfeld von zunehmender Bedeutung.

Einen richtigen Hype erfuhr die statistische Versuchsplanung mit der Einführung der nach ihrem Erfinder Genichi Taguchi (1924-2012) benannten Taguchi L-Pläne und den Methoden von Dorian Shainin (1914-2000), die es ermöglichten, Versuchsplanung mit einfachen Bordmitteln strukturiert abzuarbeiten noch bevor Computer und entsprechende Software zur Verfügung standen.

Heute ist die statistische Versuchsplanung wichtiger Bestandteil bei standardisierten Vorgehen in den Bereichen der Optimierung/Entwicklung und wird fast ausschließlich mit Hilfe von Software abgearbeitet.

Bewertungen und Kommentare

Diese Funktion steht nur eingeloggten Nutzern zur Verfügung. Jetzt einloggen
0 Kommentare anzeigen & selbst mitreden!
Gesamt
Bewertungen 1
Kommentare 0