Was ist "DOE (Design of Experiments)"?

DOE (Design of Experiments), auf Deutsch statistische Versuchsplanung, ist eine systematische Methode zur Untersuchung der Zusammenhänge zwischen Einfluss­größen (Faktoren) und Prozess­ergebnissen (Zielgrößen). Im Gegensatz zum weit verbreiteten Ansatz, jeweils nur einen Faktor zu verändern und alle anderen konstant zu halten (One-Factor-at-a-Time), variiert DOE mehrere Faktoren gleichzeitig nach einem statistisch geplanten Versuchsschema. Dadurch lassen sich nicht nur die Haupteffekte der einzelnen Faktoren, sondern auch deren Wechselwirkungen effizient ermitteln. Im Kontext von Six Sigma gilt DOE als das mächtigste Werkzeug im Methodenkoffer, insbesondere in der Improve-Phase des DMAIC-Zyklus (vgl. Leyendecker/Kierdorf 2021).

Grundprinzip der Versuchsplanung

Das Grundprinzip von DOE besteht darin, mit einer möglichst geringen Anzahl von Versuchen ein Maximum an Prozessinformation zu gewinnen. Dazu werden die zu untersuchenden Faktoren auf definierten Stufen (typischerweise zwei: niedrig und hoch) systematisch kombiniert. Bei einem vollfaktoriellen Versuchsplan mit drei Faktoren auf je zwei Stufen ergeben sich 2³ = 8 Versuche. Jede Kombination wird durchgeführt und die Zielgröße gemessen. Aus den Ergebnissen lässt sich berechnen, welcher Faktor den größten Einfluss hat, ob Wechselwirkungen zwischen Faktoren existieren und welche Faktoreinstellung das optimale Ergebnis liefert.

Bei einer größeren Anzahl von Faktoren wächst die Zahl der Versuchskombinationen schnell an. Teilfaktorielle Versuchspläne (Fractional Factorial Designs) reduzieren den Versuchsumfang, indem bewusst auf die Schätzung bestimmter Wechselwirkungen höherer Ordnung verzichtet wird. Screening-Designs wie der Plackett-Burman-Plan erlauben es, mit wenigen Versuchen aus einer großen Zahl potenzieller Faktoren die wenigen wirklich relevanten herauszufiltern. In späteren Iterationen können dann Response-Surface-Designs eingesetzt werden, um die optimale Einstellung der verbleibenden Faktoren präzise zu bestimmen.

Praktische Anwendung in der Produktion

In der industriellen Praxis wird DOE eingesetzt, um Fertigungsprozesse zu optimieren und die Prozessstreuung zu reduzieren. Typische Anwendungsfälle sind die Einstellung von Maschinenparametern (Temperatur, Druck, Geschwindigkeit), die Optimierung von Rezepturen und Materialzusammensetzungen, die Verbesserung von Beschichtungs- und Oberflächenbehandlungsprozessen sowie die Reduzierung von Ausschussraten in der Fertigung.

Der entscheidende Vorteil von DOE gegenüber dem herkömmlichen Trial-and-Error-Vorgehen liegt in der Effizienz und der statistischen Absicherung der Ergebnisse. Wer Faktoren nacheinander variiert, benötigt deutlich mehr Versuche und übersieht möglicherweise Wechselwirkungen, die den Prozess maßgeblich beeinflussen. Eine Wechselwirkung liegt vor, wenn die Wirkung eines Faktors davon abhängt, auf welcher Stufe ein anderer Faktor eingestellt ist. Solche Wechselwirkungen sind in industriellen Prozessen häufig und können nur durch simultane Variation der Faktoren erkannt werden.

Von der Analyse zur Transferfunktion

Das Idealergebnis einer DOE-Studie ist eine Transferfunktion, eine mathematische Gleichung, die den Zusammenhang zwischen den Einfluss­größen und der Zielgröße beschreibt. Ist diese Funktion gefunden, hat das Team die Prozess­zusammenhänge umfassend verstanden und kann den Prozess gezielt steuern. Die Transferfunktion ermöglicht es, Vorhersagen über das Prozessergebnis bei beliebigen Faktoreinstellungen zu treffen und so die optimalen Betriebsbedingungen zu bestimmen (vgl. Leyendecker/Kierdorf 2021).

In der Praxis wird die Transferfunktion häufig als Regressionsgleichung dargestellt. Sie enthält die linearen Effekte der Hauptfaktoren, die Wechselwirkungsterme und gegebenenfalls quadratische Terme für nichtlineare Zusammenhänge. Die Güte der Gleichung wird über statistische Kennzahlen wie das Bestimmtheitsmaß R² bewertet. Eine hohe Modellgüte bedeutet, dass die Transferfunktion die Variabilität des Prozesses gut erklärt und zuverlässige Vorhersagen ermöglicht.

Voraussetzungen für den erfolgreichen Einsatz

Der Erfolg einer DOE-Studie hängt wesentlich von der sorgfältigen Vorbereitung ab. Bevor Versuche durchgeführt werden, sollte der Prozess durch 5S und grundlegende Lean-Maßnahmen stabilisiert sein. Ein chaotischer Prozess mit vielen unkontrollierten Einflussgrößen erzeugt so viel Rauschen, dass selbst starke Effekte statistisch nicht nachweisbar sind. Außerdem muss das Messsystem validiert sein, unpräzise Messungen verfälschen die Versuchsergebnisse und führen zu falschen Schlussfolgerungen.

Praxistipp: Beginnen Sie mit einem Screening-Design, um aus vielen potenziellen Einflussgrößen die wenigen wirklich relevanten Faktoren zu identifizieren. Erst wenn die Schlüsselfaktoren bekannt sind, lohnt sich ein detaillierterer Versuchsplan zur Optimierung. Achten Sie darauf, den Prozess vor der Versuchsplanung mit Lean-Methoden zu stabilisieren, nur dann liefern die statistischen Analysen zuverlässige Ergebnisse.

Quellenangaben

Leyendecker, B.; Kierdorf, M. (2021): Und warum jetzt auch noch Six Sigma?, Zwei Trainer und Experten im Dialog, in: YOKOTEN 02/2021.

Verwandte Konzepte

• DMAIC, Verbesserungszyklus, in dessen Improve-Phase DOE als Schlüsselwerkzeug eingesetzt wird.
• Six Sigma, Übergeordnete Methodik, die DOE als zentrales Analysewerkzeug nutzt.
• Zahlen, Daten, Fakten, Grundprinzip der datenbasierten Entscheidungsfindung.
• PDCA, Iterativer Verbesserungszyklus, der DOE-Ergebnisse in die Umsetzung überführt.
• 5S, Arbeitsplatzorganisation als Voraussetzung für stabile Versuchsbedingungen.
• KVP, Kontinuierlicher Verbesserungsprozess, in den DOE-Projekte eingebettet werden.