1
DOE-Design of Experiments
DOE-Design of Experiments
Applied to Metrology
Applied to Metrology
Prof. Dr. Messias Borges Silva
Prof. Dr. Messias Borges Silva
1
XI SEMETRA
Junho 2015MESSIAS BORGES SILVA
Faculty member at
UNIVERSITY OF SÃO PAULO-USP
School of Engineering of Lorena- EEL-USP
SÃO PAULO STATE UNIVERSITY-UNESP
School of Engineering of Guaratinguetá Visiting Scientist at
HARVARD UNIVERSITY
School of Engineering And Applied Sciences
Massachusetts Institute of Technology-MIT facilitator in Lean Enterprise – International
33
…We have a large reservoir of
engineers (and scientists) with a vast
background of engineering know-how.
They need to learn statistical methods
that can tap into the knowledge.
Statistics used as a catalyst to
engineering creation will, I believe,
always result in the fastest and most
economical progress…
George Box, 1992
4
Bibliografia de DOE
Projeto de Experimentos
DESIGN OF EXPERIMENTS
DOE
Projeto de Experimentos
DOE
Aplicação de métodos de matemática e estatística
multivariada para dados com os objetivos de:
• obter resultados mais confiáveis fazendo um número mínimo de experimentos
Ferramenta que vem sendo utilizada para
verificar o funcionamento de sistemas ou
processos produtivos, permitindo melhoria
destes,
redução
na
variabilidade,
e
conformidade próxima do resultado desejado,
além de redução no tempo de processo e,
consequentemente, nos custos operacionais.
PROJETO DE EXPERIMENTOS
Benefícios do DOE
• Larga aplicação em todas as áreas
• Mostra as variáveis mais importantes do processo • Permite a otimização
• Requer menor número de experimentos que os métodos convencionais
• Maior controle dos processos • Redução significante dos custos
• Redução no tempo de desenvolvimento de um produto • Redução na variabilidade dos produtos e maior
PLANEJAMENTO EXPERIMENTAL
PLANEJAMENTO EXPERIMENTAL
Objetivo:
Objetivo:
Estabelecer e conduzir o menor número de experimentos necessários para extrair o máximo de informação dos dados coletados de modo a avaliar e/ou otimizar um sistema (produto/processo).
Alterar todos os fatores relevantes simultaneamente (de forma multivariada) em um conjunto de experimentos pré-determinados e então conectá-los e interpretá-los empregando modelos matemáticos.
Método multivariado:
Método multivariado:
10
Nenhum método sofisticado de matemática ou estatistica pode substituir:
1) Conhecimento sobre a natureza do problema sendo investigado.
Metrology
Métodos univariados de otimização.
O valor otimizado de um fator depende
do nível de um outro fator
Os fatores tem interações entre eles !!!
Variar um fator deixando os outros fatores
constante num processo iterativo
MÉTODO UNIVARIADO
MÉTODO UNIVARIADO
Maximizando o rendimento de uma reação química
Ref: George E.P. Box, William G. Hunter and J. Stuart Hunter
Statistics for Experimenters – An introduction to design, data analysis and model building – John Wiley & Sons Inc.
75 g Temperatura (°C) R en di m en to ( g) 210 220 230 240 250 Tmax = 225 60 70 80 75 g Tempo Temperatura 1. Temperatura constante (225 ºC)
Variar o tempo de reação
MÉTODO UNIVARIADO
MÉTODO UNIVARIADO
T em pe ra tu ra ( º C ) Conclusão: 120 90 60 150 Tempo (min) 210 220 230 240 180 250 x Rendimento máximo (75 g): Temperatura = 225 °C tempo = 130 minutosSERÁ MESMO ???
SERÁ MESMO ???
MÉTODO MULTIVARIADO
MÉTODO MULTIVARIADO
Níveis das variáveis alterados de forma simultânea:
T em pe ra tu ra ( º C ) 120 90 60 150 Tempo (min) 210 220 230 240 180 250 x 60 70 80 90 16 Efeito de interação entre as variáveis t120 t150 (T= 225 ºC) t120 t150 (T= 240 ºC) ≠
MÉTODOS UNI E MULTIVARIADOS
MÉTODOS UNI E MULTIVARIADOS
Método Multivariado
Método Multivariado
Funcionam bem na presença de erro experimental;
Permite estimar interações entre os fatores: localização do ótimo efetivo e suas vizinhanças;
Economia de tempo e dinheiro; Método Univariado
Método Univariado
Informações “pontuais”;
Interações entre os fatores não são observadas: ótimo global poderá nunca ser encontrado;
Muitos experimentos para encontrar condições desejadas.
Planejamento e otimização de
experimentos
Interações entre variáveis somente podem ser descobertas empregando métodos multivariados, pois o método clássico é univariado e assim cada fator é otimizado de forma independente.
Todas as respostas analíticas podem ser tratadas simultaneamente com uso de procedimentos estatísticos multivariados.
A3. Previsão da propriedade de interesse:
Planejamento Composto Central Box-Behnken,
Fatorial em 3 níveis Planejamento Doehlert
B. Variáveis estatisticamente dependentes:
A2. Cálculo dos efeitos dos fatores, deslocamentos na superfície de resposta:
Planejamento Fatorial
Planejamento Fatorial com Ponto Central
Planejamentos de Misturas
19
O PROCESSO MULTIVARIADO DE OTIMIZAÇÃO
20
Engineering Experiments
• Reduce time to design/develop new products & processes
• Improve performance of existing processes
• Improve reliability and performance of products • Achieve product & process
robustness
• Evaluation of materials, design alternatives, setting component & system tolerances, etc.
Etapas do DOE
• Planejamento
• Execução dos experimentos
• Análise dos dados
• Experimento de confirmação
• Conclusão
Definições
• Fatores : são as variáveis (independentes) do
processo que podem ser controladas. Ex:
temperatura, pressão, agitação, etc
• Resposta : são as variáveis de saída do processo
(dependentes). Ex: rendimento, resistência, vida
útil, etc
• Nível : os níveis de um fator são os valores do
fator examinado. Ex : temperatura ( 273K e 373K )
• Replicação : é a repetição de um experimento ou
Matriz de Experimento
Exp. A B C Resposta 1 - - -2 + - -3 - + -4 + + -5 - - + 6 + - + 7 - + + 8 + + +Interpretação
• Cálculo dos Efeitos dos Fatores
• Análise de Variância
• Gráficos Tridimensionais (Superfície
de Resposta) e de Contorno
Superfície de Resposta
-574.348 -256.895 60.557 378.009 695.461 1012.913 1330.366 1647.820 1965.270 2282.720 2600.175 2917.627 3235.080 3552.530 3869.984 4187.436 3D Surface Plot (TAGUCHI.STA 32v*18c)1964.870 2184.126 2403.380 2622.636 2841.890 3061.147 3280.400 3499.657 3718.913 3938.170 4157.423 4376.680 4595.934 4815.190 5034.444 5253.700 3D Surface Plot (TAGUCHI.STA 32v*18c)
z = 2.335e3-3.199e3*x+3.937e3*y+904.167*x*x-335.625*x*y-656.833*y*y T0_M25 T0 T0_P25 S0_M100 S0_M50 S0 2500 3500 4500 5500 6500 E sp e ss u ra Temperatura Silano
Gráfico de Contorno
-574.348 -256.895 60.557 378.009 695.461 1012.913 1330.366 1647.820 1965.270 2282.720 2600.175 2917.627 3235.080 3552.530 3869.984 4187.436 3D Contour Plot (TAGUCHI.STA 32v*18c)z = 4.489e3-1.629e3*x-4.492e3*y+851.417*x*x-270.5*x*y+1.246e3*y*y TEMPERAT S IL A N E S0_M100 S0_M50 S0 T0_M25 T0 T0_P25
Análise de Variância
Analysis of Variance (taguchi.sta)
Mean = 3621.94 Sigma = 1207.08 SS df MS F p SED_1 592961. 1 592961. 7.66058 .109510 {2}TEMPERAT 4042231. 2 2021115. 26.11120 .036885 {3}PRESSURE 7744105 2 3872053. 50.02383 .019599 {4}NITROGEN 3632181. 2 1816090. 23.46244 .040879 {5}SILANE 6610248 2 3305124 42.69956 .022884 {6}SETT_TIM 401897. 2 200949. 2.59610 .278079 {7}UNUSED_2 68022. 2 34011. .43940 .694736 {8}CLEANING 1523430. 2 761715. 9.84075 .092245 Residual 154808. 2 77404.
Método de Taguchi
• Arranjos Ortogonais • Razão Sinal/Ruído
• Maior-é-melhor => S/N = -10 log ( 1/y2)/n • Menor-é-melhor => S/N = -10 log ( y2)/n • Nominal-é-melhor => S/N = 10 log (y2)/(S2)
• Análise de Variância
• Bases da Robust Engineering (busca da robustez)
30
Engineering Experiments
Independent Variables
(Factors)-Controllable Variables
X variables
Factor Level (1) Level (2)
A-Voltage 90 kV 150 kV
B- Sensor Flat panel 2D Linear
C - Angle 0.4 degrees 0.5 degrees
D- Surface extration Adaptative local threshold 3D Canny
E-
Noise or Uncontrollable
Noise Level (1) Level (2)
H-I-Lab Environment Conditioning air No Conditioning air J-Your contribution
Arranjos Ortogonais Cruzados
• Arranjo Interno para Fatores
• Arranjo Externo para Ruídos
J 1 2 2 1 I 1 1 2 2 H 1 2 1 2 A B C D E F G Sc Sc Sc Sc Av g S/N 1 1 1 1 1 1 1 1 I V IX XIII 2 1 1 1 2 2 2 2 II VI X XIV 3 1 2 2 1 1 2 2 I V IX XIII 4 1 2 2 2 2 1 1 II VI X XIV 5 2 1 2 1 2 1 2 III VII XI XV
6 2 1 2 2 1 2 1 IV VIII XII XVI
7 2 2 1 1 2 2 1 III VII XI XV
8 2 2 1 2 1 1 2 IV VIII XII XVI
FACTORS Inner Array N o I outer array S e
Taguchi Inner L8 and Outer L4 Orthogonal Array
I, II…XVI are different
measurements submitted to different levels of noises