20/01/2016 1 Progettazione del processo produttivo Il miglioramento della qualità e della produttività ha maggiore efficacia quando è parte integrante del processo di realizzazione del prodotto. In particolare l’uso del cosid- detto DOE (design of experiments) in uno stadio antecedente allo sviluppo di tutto il ci- clo in fase di progettazione di un nuovo prodotto, o del miglioramento di un processo esi- stente, è talvolta la chiave del successo su tutta la produzione successiva. La progettazione di un esperimento consiste nell’eseguire una serie di test in cui vengono fatte modifiche sostanziali a quelle variabili (dette di controllo) che si pensa influenzino il processo, con l’obbiettivo di individuare e identificare le corrispondenti risposte che queste variazioni comportano sul processo. • determinare quali variabili influenzano maggiormente la risposta; • determinare quali variabili influenzano maggiormente la risposta media; • determinare quali variabili influenzano maggiormente la variabilità della risposta; • determinare come fare a ridurre l’effetto dei fattori Incontrollabili.
29
Embed
Progettazione del processo produttivoold · IL CONTROLLO STATISTICO DIQUALITA’ (on line) è un metodo statistico passivo. Il DOE è un metodo statistico attivo. ... 14 6 1 -1 1
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
20/01/2016
1
Progettazione del processo
produttivo
Il miglioramento della qualità e della produttività ha maggiore efficacia quando è
parte integrante del processo di realizzazione del prodotto. In particolare l’uso del cosid-
detto DOE (design of experiments) in uno stadio antecedente allo sviluppo di tutto il ci-
clo in fase di progettazione di un nuovo prodotto, o del miglioramento di un processo esi-
stente, è talvolta la chiave del successo su tutta la produzione successiva.
La progettazione di un esperimento consiste nell’eseguire una serie di test in cui vengono
fatte modifiche sostanziali a quelle variabili (dette di controllo) che si pensa influenzino il
processo, con l’obbiettivo di individuare e identificare le corrispondenti risposte che
queste variazioni comportano sul processo.
• determinare quali variabili influenzano maggiormente
la risposta;
• determinare quali variabili influenzano maggiormente
la risposta media;
• determinare quali variabili influenzano maggiormente
la variabilità della risposta;
• determinare come fare a ridurre l’effetto dei fattori
Incontrollabili.
20/01/2016
2
Esempio: un ingegnere ha applicato il CSQ al processo che prevede la
saldatura di componenti elettronici su dei circuiti stampati.
Attraverso una u-carta ha stabilito che il flusso del processo di saldatura
è in controllo statistico, con un numero medio di errori per circuito pari
all’1%. Ritiene però che questa percentuale sia troppo alta (poiché un
circuito stampato necessita in media di 2000 saldature).
Il processo ha varie variabili che possono essere controllate come:
la temperatura della saldatrice, la temperatura del preriscaldamento,
la velocità del nastro trasportatore, il tipo di flusso, il coefficiente di
gravità specifico, etc.
Il processo ha anche una serie di variabili che non sono facilmente con-
trollabili: lo spessore del circuito stampato, il tipo di componente usato
sul circuito, l’operatore.
In tal caso un piano degli esperimenti dovrebbe evidenziare la gran-
dezza e la direzione degli effetti di questi fattori.
IL CONTROLLO STATISTICO DI QUALITA’ (on line) è un metodo
statistico passivo. Il DOE è un metodo statistico attivo.
Nuovo approccio… Strategia del Taguchi
20/01/2016
3
> install.packages('qualityTools')
> library('qualityTools')
20/01/2016
4
Note: Il pacchetto qualityTools non è più
disponibile in rete da Ottobre 2015 per
alcuni problemi tecnici che non sono stati
risolti dagli autori.
Per le applicazioni richieste in questo corso,
il pacchetto può essere comunque utilizzato
ma va installato direttamente tra le libraries
disponibili in R e …
Collegandosi ad archive è possibile
visualizzare le versioni disponibili in rete e
scaricare l’ultima.
E’ possibile generare questa matrice manualmente:
20/01/2016
5
Standard Order A B C dati
1 -1 -1 -1 -3
2 1 -1 -1 0
3 -1 1 -1 -1
4 1 1 -1 2
5 -1 -1 1 -1
6 1 -1 1 2
7 -1 1 1 1
8 1 1 1 6
9 -1 -1 -1 -1
10 1 -1 -1 1
11 -1 1 -1 0
12 1 1 -1 3
13 -1 -1 1 0
14 1 -1 1 1
15 -1 1 1 1
16 1 1 1 5
a) Scrivere i fattori in ordine standard (compreso i dati)
b) Generare una permutazione dei numeri da 1 a 16
> sample(1:16,size=16,replace=FALSE)
[1] 8 14 5 9 15 11 13 4 10 12 7 1 2 6 16 3
c) Inserire il vettore relativo a Run Order
b) Generare una permutazione dei numeri da 1 a 16
> sample(1:16,size=16,replace=FALSE)
[1] 8 14 5 9 15 11 13 4 10 12 7 1 2 6 16 3
Standard Order Run Order A B C dati
1 8 -1 -1 -1 -3
2 14 1 -1 -1 0
3 5 -1 1 -1 -1
4 9 1 1 -1 2
5 15 -1 -1 1 -1
6 11 1 -1 1 2
7 13 -1 1 1 1
8 4 1 1 1 6
9 10 -1 -1 -1 -1
10 12 1 -1 -1 1
11 7 -1 1 -1 0
12 1 1 1 -1 3
13 2 -1 -1 1 0
14 6 1 -1 1 1
15 16 -1 1 1 1
16 3 1 1 1 5
20/01/2016
6
d) Ordinare il vettore Run Order
C
A B -1 1
-1 -1 -3,-1 -1;0
1 -1 0;1 1;3
1 1 2;3 6;5
-1 1 -1,0 1;1
Se si è appurata la mancanza di interazioni, è possibile
proseguire (o ripetere) la sperimentazione usando i pia-
ni ortogonali.
ijk i j k ijkY µ α β γ ε= + + + +
> results<-aov(dati~AC*PR*No.,data=anova3)
> summary(results)Df Sum Sq Mean Sq F value Pr(>F)