Im fünften Teil meiner „Design of Experiments“ Vorstellung geht es um die Design-Auswahl. Tatsächlich hat sich in den letzten Jahren eine Menge im Bereich der softwareunterstützen Versuchsplanung getan. Wurde vor Jahren noch mit Formblättern gerechnet so bietet die Versuchsplanung heutzutage eine Vielzahl von neunen und weiterentwickelten Möglichkeiten. In diesem Tutorial möchte ich eine Vielzahl von Designs vorstellen die unterschiedlichen Zwecken dienen. Ebenso habe ich diese Auswahl um einige methodische Ansätze ergänzt die einen Einstieg zu späten Zeitpunkten in die Versuchsplanung aufzeigen. Aktuelle Software verlangen vom Anwender keine Programmierkenntnisse oder umfangreiches Wissen in der Statistik mehr, sondern überzeugen durch gute integrierte Benutzerführung. Natürlich ist ein Vorwissen stets von Vorteil im Bereich von Problemformulierung und Durchführung der Versuchsplanung. Es ist jedoch nicht notwendig, dass all die Hintergrund-Berechnungen auch selbst von Hand durchgeführt werden könnten. Dies ist schließlich der Grund, weshalb man sich ggf. für eine validierte Software entscheidet. Natürlich ist "DoE" kein Garant für Prozessverbesserung, aber es bietet Ihnen die Möglichkeit, mit vergleichsweise geringem Aufwand die Grenzen und Möglichkeiten Ihres Prozesses auszuloten. Besonders interessant wird es, wenn Sie nach der Auswertung Ursache und Wirkung sowie Widersprüche und Grenzen Ihres Produkte/Prozesses eindrucksvoll, visuell und nachvollziehbar darstellen können.

1. info@stefan-moser.com
Eine Auswahl von Designs
für die Versuchsplanung /
DoE
Wählen Sie das
richtige DoE-Design
für Ihren Erfolg!

2. info@stefan-moser.com
I. Designs “Robustness”
Robustheitsstudien berücksichtigen kleine, zu erwartende
Schwankungen. In Robustheitsstudien wird geprüft, ob
Spezifikationen trotz dieser Schwankungen sicher
eingehalten werden können. In den meisten Fällen handelt
es sich um reduzierte lineare Designs.
Einige standardmäßige zweistufige lineare Designs sind:
2 Level linear Designs wie: D-Opt., Full Fac, Rechtschaffner,
Plackett Burman, Taguchi Designs, Definitive Screening.
x1
X4
x3
x2 x1
x3
x2

3. info@stefan-moser.com
II. Designs “Screening”
Pre-Screening-Designs Überprüfen die Faktorenauswahl, um
für weitere Folgeexperimente zielgerichtet mit den richtigen
Faktoren und deren zuführender Variation fortzufahren! Sehr
oft sind Versuchspläne identisch mit Robustheits-Plänen
haben jedoch einen ganz anderen Fokus.
Typischerweise sind zweistufige lineare Designs hilfreich, wie
z. B.: opt. D-Opt., Full Fac, Rechtschaffner, Plackett Burman,
Taguchi designs, Definitive Screening.
Main effect plot
X4
x3
x2 x1
x3
x2

4. info@stefan-moser.com
III. Designs “Characterization”
Systemcharakterisierungsdesigns werden verwendet, um die
einflussreichsten Faktoren zu untersuchen, einschließlich ihrer
Zwei-Faktor-Interaktionen sowie möglicher quadratischer
Effekte, um Ursache-Wirkungs-Beziehungen zu modellieren,
sowie um das Systemverhalten zu verstehen.
Einige Standardausführungen sind: D-Optimal-, Doehlert-,Full
Fac., Composite Designs like CCC, CCF,CCO Designs, Box
Behken, Rechtschaffner
Grundannahme
✓ Faktoren sind signifikant!
✓ Faktorbereiche bekannt!
Schätzung von:
✓ Lineare Effekte
✓ Wechselwirkungen
✓ Quadratische Effekte

5. info@stefan-moser.com
IV. Designs “Optimization”
Optimierungsdesigns (RSM) werden zur Optimierung von
Prozessen und Produkten eingesetzt. Sie umfassen die
wichtigsten und bedeutendsten Faktoren. Die Faktorenvariation
wird pragmatisch geschätzt, um die Zielerreichung zu prüfen.
Der Schwerpunkt liegt auf der Erstellung bestmöglicher
Vorhersagen durch gute Ursache-Wirkungs-Modelle.
Derzeit verwendete Standarddesigns sind:
D-Optimal-, Doehlert-,Full Fac., Composite Designs like CCC,
CCF,CCO Designs, Rechtschaffner Designs, Box Behnken
Grundannahme
✓ Faktoren sind signifikant!
✓ Faktorbereiche bekannt!
Schätzung von:
✓ Lineare Effekte
✓ Wechselwirkungen
✓ Quadratische Effekte

6. info@stefan-moser.com
V. Designs “Formulation”
Formulierungsdesigns unterscheiden sich von normalen
Designs durch ihre Faktorabhängigkeiten. Diese
Versuchspläne können zusätzlich mit anderen Faktoren,
z.B. Prozessfaktoren, kombiniert werden.
A
B
C
Formulation
factors
A+B+C=1
0,1
0,2
0,3
0,25
0,15
0,2
0,3 0,25 0,15 0,1
0,7
0,6
0,8
0,75
0,65
B C
A
Min
65
60
55
40
45
40
Standard-Designs sind:
Axial Designs, D-Optimal Designs, Combined Designs
x4
x6
x5

7. info@stefan-moser.com
VI. Designs “Constrains”
Manchmal sind einige Faktorvariationen widersprüchlich
oder nicht anwendbar, in diesen speziellen Fällen kann es
notwendig sein, die Experimente entsprechend den
Möglichkeiten anzupassen.
Software unterstützt dies ist handhabbar durch
mathematische Designs wie das D-Optimal Design.

8. info@stefan-moser.com
VII. Designs “Subset Designs”
Oft müssen mehrere qualitative oder quantitative
Faktoreinstellungen untersucht werden. Um zielführend zu
bleiben, können Teilmengen von Faktorvariationen systematisch
getestet werden, die aufgrund des komplementären Designs eine
minimale Anzahl von Experimenten erfordern.
Die einzelnen Teilmengen können auch als eigenständige Studie
durchgeführt und analysiert werden. Sowie vielversprechende
Kombinationen, die eigens weiter verfolgt werden sollten.
A
A2
A1
A4
A3
B
B2
B1
B4
B3
…
A5

9. info@stefan-moser.com
VIII. Designs “Stability”
Im Allgemeinen unterstützen DoE Analysen Ergebnissen im
stationären Zustand. Durch systematische Aufteilung der
Versuchspläne lassen sich auch zeitabhängige Ergebnisse wie
Stabilität oder Veränderungen in Abhängigkeit der Zeit
untersuchen.
Time
Die zeitabhängigen Effekte können ebenfalls untersucht
werden mit “generalized subset designs”.

10. info@stefan-moser.com
IX. Designs “Red Mup”
Die "RED-MUP"-Designs sind kundenspezifische Designs, die für
die Verwendung mit 8x12, 16x24 oder 32x48 Well-Platten
entwickelt wurden. Die Designs unterstützen einen effizienten
und zeitsparenden Ansatz für Experimente in z. B. Biochemie,
Mikrobiologie oder pharmazeutischen Anwendungen inkl.
erforderlicher Replikate.
RED-MUP-Designs bestehen aus zwei gemischten Sub-
Designs, zum Beispiel einem RSM- und einem Screening-
Design. Sie sind optimiert auf die Anzahl Probeaufnahmen.
Neuere Designs wie Rechtschaffner oder Doehlert Designs
unterstützen diesen DoE-Ansatz.
DoE 1
DoE 2

11. info@stefan-moser.com
X. Design “From Scores”
Spektraldaten können z.B. mit Daten aus dem Wareneingang,
Ausbeute oder Prozessparametern korreliert werden.
Ausgewählte Beobachtungen können auf Faktorvariationen
heruntergebrochen werden, die in komplementären Designs
untersucht werden können.
Repräsentative Beobachtungen können die Grundlage für ein
komplementäres "D-Optimal Design" sein, das hilft, den
„Design-Space“ strukturiert zu untersuchen.
Cluster
Koeffizi
enten
Cluster
Koeffiziente
n
Cluster
Koeffizi
enten
Complemented
with few Exp.

12. info@stefan-moser.com
XI. Design “OFAT, pre trials”
Bevor über DoE nachgedacht wird, werden in der Regel
Vorversuche durchgeführt, um den Untersuchungsraum
einzugrenzen. An einem bestimmten Punkt sollten jedoch diese
Ansätze ergänzt werden, um die faktorabhängigen Effekte
unabhängig voneinander untersuchen zu können.
Je nach Wissen und Software könnte dies Ansätze mit "D-
Optimal–Design“ auf sehr elegante Weise abgearbeitet werden.

13. info@stefan-moser.com
XII. Design “Importing investigations”
Liegen bereits Testergebnisse vor oder werden diese von
anderen Parteien beigesteuert, können diese wertvollen Daten
in Untersuchungen einfließen. Gute Softwarepakete
unterstützen die Berücksichtigung dieser Daten und ggf. deren
Vervollständigung durch zielgerichtete ergänzende Designs.
Abhängig von der Qualität der zugrunde liegenden Designs
können Ansätze wie Fold-Over, Komplementation oder
individuelle Exp.-Ergänzungen einfließen, um quadratische -,
kubische Effekte oder Wechselwirkungen zu untersuchen.

14. info@stefan-moser.com
XIII. Design “Exploration”
Oft sind erste Untersuchungen nahe dran, decken jedoch nicht
den gewünschten Untersuchungsraum ab. Mit dem DoE-Ansatz
können die Grenzen des Untersuchungsraums mit
vergleichsweise wenigen zusätzlichen Experimenten neu
definiert werden.
Abhängig von der Anzahl der beteiligten Faktoren und dem Grad der
Untersuchung ergibt sich daraus eine unterschiedliche Anzahl
zusätzlicher Versuche. Wichtig ist jedoch, dass der Prüfraum nach
der Nachjustierung, neu skaliert und ausbalanciert wird.

15. info@stefan-moser.com
Möchten Sie Unterstützung erhalten
oder einen Kurs besuchen, um mehr
über QBD-DoE-Methoden zu erfahren?
Kontaktieren Sie mich bitte.
like share connect
www.stefan-moser.com
info@stefan-moser.com

16. info@stefan-moser.com
Finden Sie meine Folien hilfreich?
... möchten Sie diese
verwenden? Dann
nehmen Sie bitte
Kontakt mit mir auf.
Bitte verweisen Sie bei
der Verwendung meines
Schulungsmaterials auf
mich.