Analiza wpływu czynników na jakość produktu z wykorzystaniem DOE

Wprowadzenie: po co stosować DOE w badaniu jakości procesu

Gdy jakość produktu zmienia się mimo utrzymywania pozornie podobnych warunków produkcji, samo korygowanie nastaw nie wystarcza. Trzeba ustalić, które parametry rzeczywiście wpływają na wynik, jak silny jest ich wpływ i czy skuteczność jednej zmiany zależy od pozostałych ustawień. Właśnie do takich zadań służy DOE (Design of Experiments), czyli planowanie eksperymentów: uporządkowana metoda celowego zmieniania warunków procesu i badania ich wpływu na wybraną cechę jakościową produktu.

DOE pozwala przejść od przypuszczeń do wniosków opartych na zaplanowanych próbach. Zamiast szukać ustawień metodą kolejnych korekt, można sprawdzić, które zmiany sprzyjają uzyskaniu wymaganej jakości, a które nie przynoszą istotnej korzyści. Badanie może dotyczyć na przykład wytrzymałości połączenia, dokładności wymiarowej detalu, przyczepności powłoki lub liczby wad. Jego celem nie musi być maksymalizacja wyniku — często ważniejsze jest osiągnięcie wartości docelowej i ograniczenie rozrzutu.

Podstawowa różnica między DOE a zmianą jednego parametru naraz polega na uwzględnieniu łącznego działania czynników. Przykładowo wpływ temperatury na wytrzymałość połączenia może zależeć od czasu wygrzewania. Próby prowadzone tylko dla jednego czasu mogą więc dać obraz prawdziwy w wąskim zakresie, lecz niewystarczający do podejmowania decyzji o całym procesie. Odpowiednio zaplanowany eksperyment umożliwia zbadanie takich zależności, a nie wyłącznie ocenę pojedynczych nastaw w oderwaniu od pozostałych.

DOE różni się również od analizy historycznych danych produkcyjnych. Dane z bieżącej produkcji pokazują, co wydarzyło się w istniejących warunkach, ale często trudno na ich podstawie rozdzielić wpływ parametrów zmieniających się jednocześnie. W eksperymencie zmiany są wprowadzane celowo, według ustalonego planu. Przy właściwym przygotowaniu i wykonaniu daje to mocniejszą podstawę do oceny zależności przyczynowo-skutkowych niż sama obserwacja współwystępowania zjawisk.

W praktyce DOE stosuje się zarówno podczas uruchamiania nowych procesów, jak i przy doskonaleniu już działającej produkcji. Pomaga wskazać parametry wymagające szczególnej kontroli, znaleźć korzystniejsze warunki pracy oraz zbadać możliwości ograniczenia braków, poprawek i zużycia zasobów bez pogorszenia jakości. Dobrze dobrany plan może też dostarczyć więcej użytecznej informacji z dostępnych prób niż seria nieskoordynowanych testów — choć liczba potrzebnych doświadczeń zależy od celu i złożoności badania.

DOE nie jest jednak automatyczną receptą na optymalne ustawienia. Wartość uzyskanych wniosków zależy między innymi od wiarygodności pomiarów, kontroli przebiegu prób i trafnego określenia badanego obszaru. Wyników nie należy bez dodatkowej weryfikacji przenosić na warunki, których eksperyment nie obejmował. Siłą tej metody jest uporządkowane zdobywanie wiedzy o procesie: takiej, która pozwala uzasadnić decyzje technologiczne i ocenić ich wpływ na jakość produktu.

2. Definicja problemu i wybór czynników: odpowiedź (CTQ), czynniki, poziomy i zakresy

Przygotowanie DOE zaczyna się od przełożenia problemu jakościowego na pytanie, na które można odpowiedzieć pomiarem. Stwierdzenie „produkt ma niestabilną jakość” jest zbyt ogólne. Użyteczna definicja wskazuje konkretną cechę produktu, miejsce jej oceny oraz oczekiwaną zmianę. Przykładowe pytanie może brzmieć: jak temperatura, nacisk i czas łączenia wpływają na wytrzymałość połączenia po określonym czasie kondycjonowania?

W Cognity często słyszymy pytania, jak w praktyce zdefiniować problem jakościowy i dobrać czynniki do eksperymentu DOE — odpowiadamy na nie także na blogu. Punktem wyjścia jest ustalenie, jaki wynik ma się poprawić i po czym rozpoznamy tę poprawę.

Cel eksperymentu powinien rozróżniać poprawę wartości średniej od ograniczenia zmienności. Proces może osiągać średni wynik zgodny z wymaganiami, a mimo to wytwarzać zbyt wiele wyrobów poza tolerancją. Z kolei zwiększanie wartości danej cechy nie zawsze oznacza poprawę jakości — w przypadku wymiaru elementu celem jest zwykle trafienie w wartość nominalną i utrzymanie wyników w dopuszczalnym przedziale.

Odpowiedź procesu i CTQ — co dokładnie mierzymy?

CTQ (Critical to Quality) to cecha krytyczna dla jakości, wynikająca z wymagań klienta, funkcji produktu lub obowiązujących specyfikacji. W eksperymencie należy przełożyć ją na jednoznacznie zdefiniowaną odpowiedź, czyli mierzalny wynik oznaczany zwykle jako Y. Może to być wytrzymałość na rozciąganie, odchyłka wymiarowa, chropowatość powierzchni albo udział wyrobów niezgodnych.

Odpowiedź ciągła, taka jak masa czy wymiar, informuje również o wielkości różnic między wynikami. Odpowiedź atrybutowa, np. zgodny/niezgodny, opisuje spełnienie przyjętego kryterium, ale nie pokazuje odległości od granicy tolerancji. Wybór powinien odpowiadać rzeczywistemu problemowi jakościowemu i możliwościom pomiarowym, a nie wyłącznie wygodzie zbierania danych.

Dla każdej odpowiedzi trzeba ustalić jednostkę, metodę badania, moment pomiaru, sposób pobierania próbek oraz kryterium akceptacji. Przy udziale niezgodności należy także określić, co uznaje się za niezgodność i ile sztuk podlega ocenie. System pomiarowy musi pozwalać odróżnić interesujące nas zmiany od błędu pomiaru. Warto wskazać jedną odpowiedź główną, a pozostałe traktować jako dodatkowe kryteria lub ograniczenia — na przykład poprawa wytrzymałości nie może odbywać się kosztem przekroczenia dopuszczalnego odkształcenia.

Czynniki — które wejścia procesu warto uwzględnić?

Czynniki to zmienne wejściowe, których wpływ na odpowiedź chcemy zbadać. Ich dobór powinien wynikać z wiedzy o procesie, wcześniejszych obserwacji, dokumentacji technologicznej i analizy potencjalnych przyczyn wad. Sama korelacja w danych historycznych może być wskazówką, ale nie przesądza o związku przyczynowym.

• Czynniki ilościowe, np. temperatura, ciśnienie i czas, mają wartości liczbowe; znaczenie ma zarówno kierunek, jak i wielkość ich zmiany.
• Czynniki jakościowe, np. rodzaj surowca lub wariant narzędzia, reprezentują odrębne kategorie, między którymi nie ma naturalnej odległości liczbowej.
• Zmienne zakłócające, np. wilgotność otoczenia lub różnice między partiami materiału, mogą wpływać na wynik, choć nie są głównym przedmiotem badania. Należy je rozpoznać i zdecydować, które będą utrzymywane możliwie stale, a które rejestrowane.

Nie warto włączać do eksperymentu każdego dostępnego parametru. Pierwszeństwo mają czynniki o uzasadnionym związku z CTQ, możliwe do wiarygodnego ustawienia lub rozróżnienia oraz istotne z punktu widzenia późniejszego sterowania procesem.

Poziomy i zakresy — jakie wartości będą badane?

Zakres czynnika określa obszar badania, a poziomy są konkretnymi ustawieniami wybranymi z tego obszaru. Dla temperatury poziomami będą ustalone wartości liczbowe, a dla rodzaju materiału — wybrane kategorie. Oznaczenia „niski” i „wysoki” powinny zawsze mieć jednoznaczne odpowiedniki w jednostkach procesu.

Zbyt wąski zakres może ukryć wpływ czynnika w naturalnych wahaniach wyników. Zbyt szeroki grozi natomiast badaniem warunków nierealnych, niebezpiecznych lub prowadzących do innego mechanizmu powstawania wad. Granice należy więc oprzeć na ograniczeniach urządzeń, właściwościach materiału, wymaganiach bezpieczeństwa i dopuszczalnym obszarze pracy. Trzeba również sprawdzić wykonalność kombinacji ustawień: wartości bezpieczne osobno nie muszą być bezpieczne łącznie.

Tak zdefiniowane odpowiedzi, czynniki i poziomy wyznaczają granice interpretacji badania. Wniosków uzyskanych w określonym zakresie nie należy automatycznie przenosić poza ten zakres ani na inne materiały czy warunki produkcji.

3. Projekt eksperymentu: plan czynnikowy, randomizacja, replikacje i blokowanie

Projekt eksperymentu określa, jakie kombinacje ustawień procesu zostaną sprawdzone, w jakiej kolejności i ile razy. Od tych decyzji zależy, czy wyniki pozwolą odróżnić wpływ badanych czynników od naturalnej zmienności produkcji. Dobry plan DOE powinien zapewniać potrzebne informacje przy akceptowalnym koszcie prób, ale nie kosztem wiarygodności wniosków.

Plan czynnikowy pełny i ułamkowy — kiedy wybrać każdy z nich?

W pełnym planie czynnikowym bada się wszystkie kombinacje przyjętych poziomów czynników. Jeżeli trzy parametry procesu, na przykład temperatura, ciśnienie i czas, mają po dwa poziomy, plan obejmuje 2³ = 8 kombinacji. Jest to liczba ustawień, a niekoniecznie całkowita liczba prób: replikacje lub dodatkowe punkty planu zwiększają zakres eksperymentu.

Plan pełny sprawdza się zwłaszcza przy niewielkiej liczbie czynników oraz wtedy, gdy ważne jest rozdzielenie ich wpływów i zbadanie, czy działanie jednego parametru zależy od ustawienia innego. Jego ograniczeniem jest szybki wzrost liczby kombinacji — dla sześciu czynników dwupoziomowych trzeba już sprawdzić 64 ustawienia, jeszcze przed uwzględnieniem replikacji.

Plan ułamkowy obejmuje celowo dobraną część kombinacji planu pełnego. Pozwala ograniczyć zużycie materiału, czas pracy urządzeń i koszty pomiarów. Przykładowo dla pięciu czynników dwupoziomowych można zastosować odpowiednio skonstruowaną połowę planu: 16 kombinacji zamiast 32. Nie jest to jednak dowolny wybór połowy ustawień.

Ograniczenie planu ułamkowego wynika z uwikłania efektów, nazywanego też aliasowaniem: niektóre wpływy są w takim planie nierozróżnialne. Przed jego zatwierdzeniem trzeba więc sprawdzić strukturę uwikłań oraz rozdzielczość planu. Oszczędność prób ma sens tylko wtedy, gdy nie uniemożliwia odpowiedzi na najważniejsze pytania badawcze. W razie potrzeby eksperyment można zaplanować etapowo, z możliwością późniejszego dodania prób rozdzielających wybrane efekty.

Randomizacja — ochrona przed wpływem kolejności prób

Randomizacja polega na losowym ustaleniu kolejności realizacji ustawień. Ogranicza ryzyko systematycznego powiązania badanego czynnika ze zmianami zachodzącymi w czasie, takimi jak nagrzewanie maszyny, zużycie narzędzia czy zmiana warunków otoczenia. Gdyby wszystkie próby przy niskiej temperaturze wykonano rano, a przy wysokiej po południu, wpływ temperatury mógłby zostać pomylony z wpływem upływu czasu.

Losowanie kolejności nie zwalnia z przestrzegania warunków technologicznych: po zmianie ustawień proces powinien osiągnąć wymagany stan ustalony. Jeśli pełna randomizacja jest niemożliwa, na przykład z powodu czasochłonnej zmiany temperatury pieca, ograniczenie trzeba uwzględnić w konstrukcji planu. Może to wymagać planu z ograniczoną randomizacją, takiego jak split-plot, a nie jedynie wygodnego uporządkowania prób.

Replikacje — niezależne powtórzenia warunków eksperymentu

Replikacja oznacza ponowne, niezależne przeprowadzenie próby przy tej samej kombinacji poziomów czynników. Dostarcza informacji o zmienności wyników w powtarzanych warunkach i zwiększa precyzję oszacowań. Liczbę replikacji warto dobierać do spodziewanej zmienności procesu oraz najmniejszej różnicy jakości, którą eksperyment ma wykryć.

Wielokrotny pomiar tego samego wyrobu nie zastępuje replikacji procesu. Informuje przede wszystkim o powtarzalności pomiaru. Również kilka sztuk pobranych z jednej partii nie musi stanowić niezależnych replikacji — zależy to od tego, czy ustawienia eksperymentalne nadawano osobnym sztukom, czy całej partii. To rozróżnienie należy ustalić przed rozpoczęciem prób.

Blokowanie — kontrola znanych źródeł zmienności

Blokowanie polega na grupowaniu prób realizowanych w możliwie podobnych warunkach, na przykład w obrębie jednej partii surowca, dnia pracy lub maszyny. Stosuje się je wtedy, gdy takie różnice mogą wpływać na jakość, lecz nie są głównym przedmiotem badania. Pozwala uwzględnić je w planie zamiast pozostawiać jako niekontrolowane źródło zmienności.

Ustawienia czynników należy rozdzielić między bloki według zaplanowanego schematu, a kolejność prób losować w ich obrębie. Trzeba unikać sytuacji, w której jeden poziom badanego czynnika występuje wyłącznie w jednym bloku — nie będzie wtedy można oddzielić jego wpływu od różnicy między blokami. Przed uruchomieniem eksperymentu należy zapisać macierz ustawień, kolejność prób, przypisanie do bloków i sposób realizacji replikacji. Taka dokumentacja zapewnia zgodność wykonania z projektem DOE.

4. Analiza efektów: efekty główne i interakcje oraz wykresy efektów

Analiza efektów pozwala ustalić, które zmiany ustawień procesu wiążą się ze zmianą badanej cechy jakościowej oraz czy wpływ jednego czynnika zależy od pozostałych. W DOE rozpatruje się więc nie tylko pojedyncze parametry, lecz także ich współdziałanie. Czynnik o niewielkim efekcie głównym może mieć duże znaczenie dla jakości, jeśli uczestniczy w silnej interakcji.

Efekty główne: przeciętny wpływ pojedynczego czynnika

Efekt główny opisuje zmianę średniej odpowiedzi przy zmianie poziomu danego czynnika, po uśrednieniu wyników względem poziomów pozostałych czynników. W planie dwupoziomowym oblicza się go jako różnicę między średnią odpowiedzią na poziomie wysokim i niskim. Efekt dodatni oznacza wzrost odpowiedzi, a ujemny — jej spadek. Żaden z tych kierunków nie jest automatycznie korzystny: zależy to od tego, czy celem jest zwiększenie wytrzymałości, zmniejszenie liczby wad, czy uzyskanie wartości nominalnej.

Na wykresie efektów głównych (main effects plot) przedstawia się średnie wartości odpowiedzi dla kolejnych poziomów czynnika. Przy wspólnej skali osi odpowiedzi większa różnica wysokości punktów wskazuje na większy efekt w badanym zakresie. Linia niemal pozioma sugeruje niewielki wpływ przeciętny, ale nie wyklucza interakcji. Wnioski dotyczą wyłącznie sprawdzonych poziomów — mały efekt w wąskim zakresie temperatur nie dowodzi, że temperatura jest nieistotna w całym zakresie pracy procesu.

Interakcje: kiedy wpływ czynnika zależy od warunków

Interakcja występuje wtedy, gdy efekt zmiany jednego czynnika jest inny przy różnych poziomach drugiego. Przykładowo, w hipotetycznym badaniu zwiększenie temperatury może poprawiać wytrzymałość przy krótkim czasie obróbki, lecz ją obniżać przy długim. Uśrednienie tych wyników może dać efekt główny bliski zeru, mimo że temperatura wyraźnie wpływa na produkt.

Wykres interakcji (interaction plot) pokazuje odpowiedź w funkcji poziomów jednego czynnika, z oddzielnymi liniami dla poziomów drugiego. Linie zbliżone do równoległych sugerują słabą interakcję; ich rozchodzenie się, zbieganie lub przecinanie wskazuje na możliwe współdziałanie czynników. Przecięcie nie jest warunkiem wystąpienia interakcji, a sama nierównoległość nie przesądza jeszcze o jej istotności statystycznej.

Jeśli interakcja jest wyraźna, nie należy wybierać ustawienia każdego parametru osobno na podstawie wykresów efektów głównych. Trzeba oceniać kombinacje poziomów czynników, ponieważ ustawienie korzystne w jednych warunkach może okazać się niekorzystne w innych. W Cognity omawiamy interpretację efektów głównych i interakcji zarówno od strony technicznej, jak i praktycznej — zgodnie z realiami pracy uczestników.

Wykres Pareto: uporządkowanie efektów według wielkości

Wykres Pareto efektów szereguje efekty główne i interakcje od największych do najmniejszych pod względem wartości bezwzględnej. Ułatwia wskazanie składników wymagających uwagi, szczególnie gdy eksperyment obejmuje wiele czynników. Nie jest to wykres Pareto liczebności wad: słupki reprezentują tutaj oszacowane efekty, a nie częstość występowania problemów.

Przed interpretacją należy sprawdzić, czy pokazano efekty w jednostkach odpowiedzi, czy efekty standaryzowane, uwzględniające niepewność oszacowania. Jeżeli wykres zawiera linię odniesienia dla istotności, jej znaczenie zależy od zastosowanej metody i przyjętego poziomu istotności. Ponieważ słupki zwykle przedstawiają wartości bezwzględne, nie informują o kierunku wpływu — ten trzeba odczytać z oszacowań lub odpowiednich wykresów efektów.

Te trzy wizualizacje pełnią różne funkcje: wykres efektów głównych pokazuje przeciętny kierunek zmian, wykres interakcji ujawnia zależności między czynnikami, a Pareto porządkuje siłę efektów. Ich łączna interpretacja pomaga oddzielić obiecujące zależności od uproszczeń, ale nie zastępuje oceny niepewności ani znaczenia praktycznego zaobserwowanych zmian.

5. ANOVA i dopasowanie modelu: estymacja współczynników, istotność, R² i wybór modelu

Analiza wariancji (ANOVA) i dopasowanie modelu regresyjnego pozwalają przełożyć wyniki eksperymentu DOE na ilościowy opis zależności między ustawieniami procesu a badaną cechą jakościową. ANOVA pomaga ocenić, czy zmienność przypisana składnikom modelu jest duża w stosunku do zmienności błędu. Model regresyjny opisuje natomiast kierunek i wielkość zmian odpowiedzi oraz umożliwia przewidywanie jej wartości w badanym zakresie. Oba podejścia uzupełniają się: testy statystyczne dostarczają dowodów na wpływ czynników, a współczynniki modelu pokazują znaczenie tego wpływu dla procesu.

Estymacja współczynników modelu

Dla dwóch czynników model uwzględniający ich interakcję można zapisać jako:

ŷ = b₀ + b₁x₁ + b₂x₂ + b₁₂x₁x₂

Symbol ŷ oznacza przewidywaną wartość cechy jakościowej, b₀ jest wyrazem wolnym, a pozostałe współczynniki opisują wkład poszczególnych składników modelu. Współczynniki najczęściej wyznacza się metodą najmniejszych kwadratów, która minimalizuje sumę kwadratów różnic między wynikami pomiarów a przewidywaniami modelu.

W DOE często stosuje się zmienne kodowane, np. −1 i +1 dla dwóch poziomów czynnika. Ułatwia to porównywanie współczynników czynników mierzonych w różnych jednostkach. W standardowym, zrównoważonym planie dwupoziomowym współczynnik przy czynniku jest równy połowie jego efektu głównego. Nie należy więc utożsamiać wartości współczynnika z pełną zmianą odpowiedzi między poziomem niskim a wysokim. Jeżeli model zawiera interakcję, wpływ zmiany jednego czynnika zależy dodatkowo od ustawienia drugiego.

Oprócz oszacowania współczynnika warto podawać jego błąd standardowy i przedział ufności. Pozwalają one ocenić precyzję wyniku, której nie pokazuje sama wartość punktowa.

ANOVA i ocena istotności statystycznej

Tabela ANOVA przedstawia podział zmienności odpowiedzi na część wyjaśnioną przez model oraz część pozostającą w błędzie. Zawiera zwykle sumy kwadratów, stopnie swobody, średnie kwadraty, statystyki F i wartości p. W typowym modelu z czynnikami stałymi statystyka F porównuje średni kwadrat ocenianego składnika lub całego modelu ze średnim kwadratem błędu.

Wartość p poniżej przyjętego wcześniej poziomu istotności, np. 0,05, przemawia przeciw hipotezie o braku danego efektu, przy spełnieniu założeń analizy. Nie oznacza jednak prawdopodobieństwa, że hipoteza zerowa jest prawdziwa, ani nie określa siły wpływu czynnika. Test istotności całego modelu nie dowodzi też, że każdy jego składnik jest istotny.

Istotność statystyczną trzeba oddzielić od znaczenia technologicznego. Niewielka zmiana odpowiedzi może być istotna statystycznie, lecz nie wpływać zauważalnie na zgodność produktu ze specyfikacją. Z kolei efekt ważny jakościowo może pozostać nieistotny przy małej precyzji oszacowania. Dlatego wartość p należy rozpatrywać razem z wielkością efektu, przedziałem ufności i wymaganiami jakościowymi.

R²: dopasowanie a zdolność przewidywania

Współczynniki determinacji pomagają ocenić model, ale odpowiadają na różne pytania.

Wysokie R² nie gwarantuje małego błędu w jednostkach cechy jakościowej. Warto zestawić je z odchyleniem standardowym reszt i odnieść tę wielkość do tolerancji produktu. Nie istnieje jeden próg R², który oznaczałby wystarczającą jakość modelu dla każdego procesu.

Wybór modelu: prostota bez utraty istotnych zależności

Punktem wyjścia powinien być model uzasadniony wiedzą o procesie i możliwy do oszacowania na podstawie zastosowanego planu DOE. Następnie można porównywać prostsze warianty, uwzględniając istotność składników, precyzję oszacowań, skorygowane i predykcyjne R² oraz użyteczność technologiczną. Automatyczne usuwanie wszystkich składników z p większym od 0,05 nie jest wystarczającą strategią.

Należy zachować hierarchię modelu: pozostawienie interakcji zwykle wymaga zachowania odpowiadających jej efektów głównych, nawet gdy osobno nie osiągają istotności. Analogicznie składnik kwadratowy powinien być uwzględniany wraz ze składnikiem liniowym. Najlepszy model nie jest tym, który ma najwięcej składników lub najwyższe R², lecz tym, który wiarygodnie opisuje proces przy uzasadnionej złożoności. Jego zastosowanie powinno pozostawać w granicach zakresu zbadanego eksperymentalnie.

6. Diagnostyka modelu i założenia: analiza reszt, normalność, stałość wariancji, obserwacje odstające

Wysokie R² i istotne efekty czynników nie wystarczają, aby uznać model DOE za wiarygodną podstawę decyzji o procesie. Trzeba jeszcze sprawdzić, czy model nie pomija systematycznych zależności oraz czy spełnione są założenia przyjętej analizy statystycznej. Diagnostyka pozwala ocenić, na ile można ufać testom istotności, przedziałom ufności i przewidywaniom jakości produktu.

Analiza reszt: czego model nie wyjaśnia?

Reszta to różnica między zmierzoną wartością odpowiedzi a wartością przewidzianą przez model. W poprawnie opisanym procesie reszty powinny tworzyć nieregularny rozrzut wokół zera, bez wyraźnych wzorców. Łuki, trendy lub skupiska wskazują, że w danych pozostała struktura wymagająca wyjaśnienia.

Podstawową diagnostykę warto oprzeć na kilku uzupełniających się wykresach:

• Reszty względem wartości dopasowanych — pomagają wykryć krzywiznę niewyjaśnioną przez model oraz zmiany rozrzutu błędów.
• Reszty względem poziomów czynników — pokazują, czy dla określonych ustawień model systematycznie zawyża lub zaniża odpowiedź.
• Reszty w kolejności wykonania prób — ujawniają możliwy dryf procesu, skokowe zmiany warunków lub zależność kolejnych pomiarów.
• Wykres normalności Q–Q — służy do oceny zgodności rozkładu reszt z rozkładem normalnym.

Systematyczny wzorzec nie przesądza o przyczynie problemu. Może wynikać z niewłaściwej postaci modelu, pominiętego wpływu warunków procesu albo błędu pomiarowego. Dlatego wykresy należy zestawiać z dokumentacją przebiegu eksperymentu.

Normalność: założenie dotyczy błędów, nie surowych wyników

W klasycznym modelu liniowym zakłada się normalność błędów losowych, którą ocenia się pośrednio na podstawie reszt. Nie oznacza to, że wszystkie wyniki jakościowe z różnych ustawień procesu mają łącznie tworzyć rozkład normalny. Zmiany średniej odpowiedzi między ustawieniami są przecież oczekiwanym rezultatem eksperymentu.

Na wykresie Q–Q punkty powinny układać się w przybliżeniu wzdłuż prostej. Wyraźna asymetria lub duże odchylenia w ogonach rozkładu wymagają uwagi, szczególnie przy małej liczbie prób. Test Shapiro–Wilka może uzupełnić ocenę graficzną, ale nie powinien samodzielnie rozstrzygać o przydatności modelu: małe próby utrudniają wykrycie odstępstw, a duże pozwalają wykrywać także odchylenia o niewielkim znaczeniu praktycznym.

Stałość wariancji i niezależność błędów

Założenie stałej wariancji oznacza, że rozrzut błędów jest zbliżony w całym analizowanym zakresie. Charakterystyczny „lejek” na wykresie reszt względem wartości dopasowanych sugeruje, że zmienność rośnie lub maleje wraz z poziomem odpowiedzi. W takiej sytuacji standardowe błędy oszacowań i wynikające z nich wnioski statystyczne mogą być niewiarygodne.

Po ustaleniu przyczyny można rozważyć transformację odpowiedzi, na przykład logarytmiczną dla dodatnich wartości, albo model uwzględniający różną wariancję. Transformacja zmienia jednak skalę analizy i wymaga ponownej diagnostyki.

Niezależność błędów to odrębne założenie. Trend lub cykliczność reszt w kolejności rzeczywistego wykonania prób może wskazywać na nagrzewanie urządzenia, zużycie narzędzia czy inne zmiany w czasie. Sama zgodność reszt z rozkładem normalnym nie wyklucza takich zależności.

Obserwacje odstające i wpływowe

Duża reszta wskazuje wynik nietypowy względem przewidywania modelu. Do porównywania takich odchyleń wykorzystuje się między innymi reszty studentyzowane. Trzeba jednak odróżnić obserwację odstającą od obserwacji wpływowej: ta druga może istotnie zmieniać oszacowania modelu. Jej ocenę wspierają miary dźwigni oraz odległość Cooka.

Nietypowego wyniku nie należy usuwać tylko dlatego, że pogarsza dopasowanie. Najpierw trzeba sprawdzić zapis pomiaru, ustawienia procesu, stan wyposażenia i ewentualne zakłócenia podczas próby. Wykluczenie obserwacji wymaga udokumentowanego uzasadnienia. Gdy przyczyna pozostaje niejasna, warto porównać wyniki analizy z tą obserwacją i bez niej, aby ocenić stabilność wniosków.

Czy model adekwatnie opisuje odpowiedź?

Jeżeli eksperyment obejmuje niezależne powtórzenia przy tych samych ustawieniach, można oszacować błąd czysty i — przy odpowiedniej liczbie stopni swobody — wykonać test braku dopasowania. Pomaga on ocenić, czy rozbieżności między modelem a wynikami są większe, niż wynikałoby z samej zmienności eksperymentalnej. Brak istotności tego testu nie dowodzi jednak poprawności modelu. O jego użyteczności decydują łącznie diagnostyka reszt, możliwości danego planu DOE i wiedza o badanym procesie.

7. Przykład interpretacji wyników: wnioski z tabeli ANOVA i wykresów oraz rekomendowane ustawienia procesu

Interpretacja wyników DOE powinna prowadzić do decyzji: które parametry procesu zmienić, jakie ustawienia sprawdzić i jak potwierdzić poprawę jakości. Sama informacja o istotności statystycznej nie wystarcza. Trzeba jeszcze ocenić kierunek i wielkość zmian oraz sprawdzić, czy uzyskana poprawa ma znaczenie dla wymagań produktu.

Rozważmy hipotetyczny przykład procesu klejenia, w którym badaną odpowiedzią jest wytrzymałość połączenia. Eksperyment obejmuje temperaturę utwardzania na poziomach 160 i 180°C oraz ciśnienie docisku wynoszące 2 i 4 bar. Celem jest zwiększenie wytrzymałości bez uszkodzeń materiału. Poniższe wyniki służą wyłącznie pokazaniu sposobu interpretacji — nie stanowią zaleceń technologicznych dla konkretnego kleju ani produktu.

Jak odczytać wynik ANOVA w kontekście procesu?

Załóżmy, że tabela ANOVA wskazuje istotny wpływ temperatury oraz interakcji temperatury z ciśnieniem przy przyjętym poziomie istotności 0,05. Efekt główny ciśnienia nie jest natomiast istotny. Nie oznacza to, że docisk można pominąć. Istotna interakcja wskazuje, że wpływ temperatury zależy od ustawionego ciśnienia, dlatego oba parametry należy interpretować łącznie. Zgodnie z zasadą hierarchiczności modelu efekt główny ciśnienia powinien pozostać w modelu zawierającym tę interakcję.

Wniosek praktyczny nie brzmi więc: „temperatura jest ważna, a ciśnienie nie”. Trafniejsza interpretacja to: „dobór temperatury wymaga uwzględnienia docisku”. ANOVA pomaga rozpoznać, które zależności mają oparcie w danych, ale dopiero oszacowane efekty i przewidywane wartości wytrzymałości pokazują, czy zmiana ustawień daje korzyść istotną technologicznie.

Co wnoszą wykresy efektów?

Przyjmijmy, że wykres efektów głównych pokazuje wyższą średnią wytrzymałość przy 180°C. Analizowany osobno mógłby sugerować prostą rekomendację podniesienia temperatury. Wykres interakcji doprecyzowuje jednak obraz: przy docisku 4 bar wzrost temperatury wyraźnie poprawia wytrzymałość, natomiast przy 2 bar zmiana jest niewielka. Oznacza to, że korzyść wynika z określonego połączenia ustawień, a nie z samego zwiększenia temperatury.

Jeżeli wykres Pareto standaryzowanych efektów wskazuje temperaturę i interakcję jako dominujące składniki, wspiera to powyższą interpretację. Nie określa jednak samodzielnie kierunku zmian ani najlepszego ustawienia procesu. Do tego potrzebne są wartości odpowiedzi przewidywane przez model i ich niepewność. Rekomendację można oprzeć na modelu dopiero wtedy, gdy jego diagnostyka nie ujawnia problemów podważających wiarygodność wniosków.

Jak sformułować rekomendację ustawień?

Jeżeli w tym przykładzie kombinacja 180°C i 4 bar daje najwyższą przewidywaną wytrzymałość, a kontrole produktu nie wykazują uszkodzeń, należy wskazać ją jako ustawienie do próby potwierdzającej. Jest to najlepszy wariant spośród zbadanych kombinacji, nie dowód na osiągnięcie globalnego optimum. Wyniki nie uzasadniają też zwiększania temperatury lub ciśnienia poza zakres eksperymentu.

Przed wdrożeniem warto wykonać niezależne próby w warunkach reprezentatywnych dla produkcji. Powinny potwierdzić nie tylko wzrost średniej wytrzymałości, lecz także akceptowalny rozrzut wyników i spełnienie wymagań jakościowych. Jeśli kilka ustawień zapewnia porównywalną jakość, o wyborze mogą przesądzić niższe zużycie energii, krótszy cykl lub większy margines bezpieczeństwa technologicznego. Ostateczna rekomendacja powinna zatem łączyć wynik statystyczny z jakością produktu, powtarzalnością procesu i kosztem jego prowadzenia.

8. Wdrożenie i walidacja: potwierdzenie ustawień, eksperyment potwierdzający i monitoring jakości

Ustawienia wskazane przez analizę DOE są rekomendacją do sprawdzenia w procesie, a nie automatyczną zgodą na zmianę parametrów produkcji. Wdrożenie powinno potwierdzić zarówno przewidywaną poprawę jakości, jak i możliwość jej utrzymania w codziennych warunkach pracy. Dobry wynik pojedynczej próby nie wystarcza, jeśli przy kolejnej partii materiału lub po ponownym uruchomieniu procesu pojawiają się niezgodności.

Eksperyment potwierdzający: sprawdzenie rekomendowanych ustawień

Eksperyment potwierdzający polega na wykonaniu nowych prób przy wybranych ustawieniach, niezależnie od danych wykorzystanych do opracowania modelu. Jego zadaniem jest sprawdzenie, czy rzeczywisty wynik odpowiada przewidywaniom oraz czy osiągnięta jakość spełnia wymagania produktu. Samo zbliżenie średniej do wartości docelowej nie oznacza sukcesu — trzeba również ocenić rozrzut wyników i występowanie wyrobów poza specyfikacją.

Przed rozpoczęciem prób należy ustalić kryteria akceptacji: dopuszczalny zakres mierzonej cechy, wymaganą skalę poprawy względem stanu wyjściowego oraz sposób oceny zmienności. Liczbę prób dobiera się do ryzyka decyzji i obserwowanego rozrzutu procesu. Wielokrotny pomiar tego samego wyrobu nie zastępuje niezależnych uruchomień, ponieważ nie pokazuje zmienności między cyklami lub partiami.

Wyniki warto porównać z przewidywaniami modelu, uwzględniając odpowiedni przedział predykcji — dla pojedynczej obserwacji albo średniej z prób potwierdzających. Zgodność z modelem i zgodność ze specyfikacją to dwa odrębne warunki. Model może trafnie przewidywać wynik, który nadal nie spełnia wymagań jakościowych. Jeżeli potwierdzenie się nie powiedzie, należy wyjaśnić rozbieżność przed zatwierdzeniem nowych parametrów.

Walidacja w warunkach produkcyjnych

Eksperyment potwierdzający sprawdza wybrane ustawienia, natomiast walidacja ma szerszy cel: wykazać, że proces działa skutecznie w przewidzianym zakresie użytkowania. Zależnie od zastosowania powinna obejmować reprezentatywne partie surowca, zmiany robocze, ponowne uruchomienia lub typowe warunki otoczenia. Nie chodzi o sprawdzanie wszystkich możliwych sytuacji, lecz o objęcie oceną tych źródeł zmienności, które mogą zagrozić jakości.

Po uzyskaniu akceptowalnych wyników należy przenieść ustalenia do dokumentacji operacyjnej. Potrzebne są jednoznaczne nastawy, dopuszczalne tolerancje ich utrzymania, instrukcje kontroli oraz zasady postępowania przy odchyleniach. Warto także określić, jakie zmiany materiału, wyposażenia lub warunków pracy wymagają ponownego potwierdzenia skuteczności ustawień. W Cognity łączymy teorię z praktyką — dlatego te zagadnienia rozwijamy także w formie ćwiczeń na szkoleniach.

Monitoring jakości po wdrożeniu

Monitoring służy wykrywaniu pogorszenia procesu, zanim przełoży się ono na większą liczbę niezgodnych wyrobów. Plan nadzoru powinien wskazywać mierzoną cechę, częstotliwość pobierania próbek, osobę odpowiedzialną oraz reakcję na niepokojący sygnał. W zależności od charakteru danych można wykorzystywać karty kontrolne, analizę udziału braków lub ocenę zdolności procesu.

Granice kontrolne opisują zachowanie procesu i nie są tym samym co granice specyfikacji. Proces może pozostawać stabilny, a mimo to nie spełniać wymagań klienta; wskaźniki zdolności należy więc interpretować po sprawdzeniu jego stabilności. Trwałym rezultatem DOE jest nie tylko lepsza nastawa, lecz także udokumentowany sposób utrzymania jakości i reagowania na jej pogorszenie.

Metodyka DMAIC – pięć etapów doskonalenia procesów krok po kroku 22 października 2026

AI a Six Sigma – jak sztuczna inteligencja wspiera doskonalenie procesów? 20 października 2026