Was ist "DoE"?

DoE (Design of Experiments), auf Deutsch statistische Versuchsplanung, ist eine systematische Methode zur Untersuchung von Einflussfaktoren auf einen Prozess oder ein Produkt. Anstatt einzelne Parameter isoliert zu verändern und zu beobachten, ermöglicht DoE die gleichzeitige Variation mehrerer Faktoren in einem strukturierten Versuchsplan. Dadurch lassen sich nicht nur die Haupteffekte jedes Faktors bestimmen, sondern auch Wechselwirkungen zwischen den Faktoren aufdecken, ein entscheidender Vorteil gegenüber der herkömmlichen „Trial-and-Error“-Vorgehensweise (vgl. Leyendecker/Kierdorf 2021, S. 22).

Grundprinzip der statistischen Versuchsplanung

Das Ziel von DoE ist es, mit möglichst wenigen Versuchen möglichst viel über einen Prozess zu lernen. Im Kern geht es darum, die sogenannte Transferfunktion zu ermitteln, also den mathematischen Zusammenhang zwischen den Eingansgrößen (Einflussfaktoren) und den Ausgangsgrößen (Prozessergebnisse). Sobald diese Funktion bekannt ist, kann der Prozess gezielt auf optimale Ergebnisse eingestellt werden.

Ein DoE-Versuchsplan definiert, welche Faktoren in welchen Stufen (Einstellungen) kombiniert werden. Bei einem vollfaktoriellen Plan werden alle möglichen Kombinationen untersucht. Hat man beispielsweise drei Faktoren mit jeweils zwei Stufen, ergeben sich 2³ = 8 Versuche. Bei vielen Faktoren wächst die Anzahl der Kombinationen jedoch schnell an. Hier kommen teilfaktorielle Pläne zum Einsatz, die durch gezielte Auswahl einer Teilmenge der Kombinationen den Versuchsaufwand reduzieren, ohne wesentliche Informationen zu verlieren.

Vorgehensweise in der Praxis

Die Durchführung eines DoE folgt einem strukturierten Ablauf:

• Zieldefinition: Welche Ausgangsgröße soll optimiert werden? Typische Zielgrößen sind Qualitätsmerkmale, Ausschussraten, Zykluszeiten oder Festigkeitswerte.
• Faktorauswahl: Welche Einflussgrößen werden untersucht? Hier fließen Prozesswissen, FMEA-Ergebnisse und Erfahrungswerte ein.
• Versuchsplanerstellung: Art und Umfang des Plans werden festgelegt, vollfaktoriell, teilfaktoriell oder nach speziellen Designs wie Taguchi oder Response-Surface-Methodik.
• Versuchsdurchführung: Die Versuche werden in randomisierter Reihenfolge durchgeführt, um systematische Störungen auszuschließen.
• Statistische Auswertung: Mittels Varianzanalyse (ANOVA) und Regressionsmodellen werden signifikante Faktoren und Wechselwirkungen identifiziert.
• Bestätigungsversuch: Die ermittelte optimale Einstellung wird in einem Bestätigungslauf verifiziert.

Einordnung im Kontext von Six Sigma und Lean

DoE ist ein zentrales Werkzeug der Analyze- und Improve-Phase im DMAIC-Zyklus von Six Sigma. Während Lean-Methoden den Fokus auf die Beseitigung von Verschwendung und die Optimierung des Materialflusses legen, zielt DoE darauf ab, Prozessschwankungen zu verstehen und zu minimieren. Beide Ansätze ergänzen sich: Lean schafft stabile, verschwendungsarme Prozesse, und DoE liefert die statistische Grundlage, um die verbleibende Variation gezielt zu reduzieren.

Leyendecker und Kierdorf betonen, dass die statistische Versuchsplanung insbesondere dann ihre Stärke ausspielt, wenn ein Prozess trotz Standardisierung und KVP-Maßnahmen noch zu hohe Schwankungen aufweist. Durch DoE können die Zusammenhänge zwischen Einflussgrößen und Prozessergebnissen mathematisch beschrieben und der Prozess auf ein robustes Optimum eingestellt werden (vgl. Leyendecker/Kierdorf 2021, S. 22).

Typische Anwendungsfelder

DoE findet in zahlreichen Branchen Anwendung:

• Fertigungstechnik: Optimierung von Maschinenparametern wie Temperatur, Druck, Geschwindigkeit und Werkzeuggeometrie zur Reduzierung von Ausschuss und Nacharbeit.
• Produktentwicklung: Ermittlung der optimalen Materialzusammensetzung oder Bauteilgeometrie in frühen Entwicklungsphasen.
• Chemie und Pharma: Bestimmung der idealen Reaktionsbedingungen (Temperatur, Konzentration, Verweilzeit) für maximale Ausbeute.
• Lebensmittelindustrie: Optimierung von Rezepturen und Verarbeitungsparametern hinsichtlich Geschmack, Textur und Haltbarkeit.

Abgrenzung zum klassischen Experimentieren

Beim herkömmlichen Experimentieren wird häufig nur ein Faktor verändert, während alle anderen konstant gehalten werden (One-Factor-at-a-Time, OFAT). Diese Vorgehensweise hat zwei gravierende Nachteile: Erstens steigt der Versuchsaufwand linear mit der Anzahl der Faktoren, und zweitens bleiben Wechselwirkungen zwischen Faktoren unentdeckt. DoE überwindet beide Limitierungen, indem mehrere Faktoren gleichzeitig variiert werden. Dadurch sinkt die Gesamtzahl der Versuche, während die Informationsausbeute steigt.

Besonders in der industriellen Praxis, wo Versuche zeit- und kostenintensiv sind, ist dieser Effizienzgewinn entscheidend. Ein gut geplanter DoE-Versuch kann mit 16 Durchläufen mehr Erkenntnisse liefern als 50 unsystematische Einzelversuche.

Praxistipp: Beginnen Sie mit einem Screening-Design (z. B. Plackett-Burman), um aus einer großen Anzahl möglicher Einflussfaktoren die wenigen wirklich signifikanten herauszufiltern. Vertiefen Sie anschließend nur die relevanten Faktoren mit einem feineren Design.

Quellenangaben

Leyendecker, B.; Kierdorf, M. (2021): Und warum jetzt auch noch Six Sigma?, in: YOKOTEN 02/2021, S. 22.

Verwandte Konzepte

• FMEA, Risikoanalyse, deren Ergebnisse als Grundlage für die Faktorauswahl im DoE dienen.
• KVP, Kontinuierliche Verbesserung, die durch DoE-Ergebnisse gezielt unterstützt wird.
• Standardisierte Arbeit, Stabile Prozessgrundlage als Voraussetzung für aussagekräftige Versuche.
• TPM, Ganzheitliches Produktivitätskonzept, das auf datenbasierte Optimierung setzt.
• ZDF, Faktenbasierte Entscheidungskultur als Voraussetzung für systematische Versuchsplanung.
• OEE, Kennzahl, deren Verluste durch DoE gezielt reduziert werden können.