Alle termen
ProbleemoplossingBijgewerkt 10 september 2026

Design of Experiments (DOE)

Design of Experiments (DOE) is een gestructureerde statistische methode voor het plannen van testen die inschatten hoe procesinputs een gemeten respons beïnvloeden, inclusief interacties tussen inputs. Er is sprake van een interactie wanneer het effect van de ene input afhangt van de instelling van een andere input. Bij een sealproces kan een team bijvoorbeeld temperatuur en druk testen op elk twee niveaus, wat leidt tot…

Design of Experiments (DOE) is een gestructureerde statistische methode voor het plannen van testen die inschatten hoe procesinputs een gemeten respons beïnvloeden, inclusief interacties tussen inputs. Er is sprake van een interactie wanneer het effect van de ene input afhangt van de instelling van een andere input.

Bij een sealproces kan een team bijvoorbeeld temperatuur en druk testen op elk twee niveaus, wat vier behandelingscombinaties oplevert in een full factorial design. Door elke combinatie te testen, kan het team beoordelen of een hogere temperatuur de sealsterkte anders verbetert bij lage versus hoge druk. Eén-factor-per-keer-testen (OFAT) brengt die interactie tussen de voorgestelde instellingen niet aan het licht. De operationele beslissing betreft een combinatie van instellingen, dus het experiment moet die keuze ondersteunen.

Een DOE-plan definieert de respons en de bijbehorende meetprocedure voordat er productieruns worden toegewezen. Replicatie biedt een schatting van de experimentele fout. Een gerandomiseerde runvolgorde vermindert het risico dat inputeffecten worden verward met tijdsgebonden veranderingen, terwijl blocking rekening houdt met bekende stoorvariabelen zoals materiaalbatches. Vier behandelingscombinaties betekenen daarom niet noodzakelijk vier productieruns. Fractional factorial designs verminderen het initiële aantal runs, maar aliasing kan een afzonderlijke schatting van effecten verhinderen en vervolgtesten noodzakelijk maken.

Binnen DMAIC, DOE ondersteunt over het algemeen beslissingen in de Improve-fase nadat root-cause-analyse mogelijke inputs heeft geïdentificeerd. Gage R&R helpt bij het beoordelen van de geschiktheid van de meting wanneer verschillen tussen operators of herhaalde metingen de resultaten kunnen beïnvloeden. Bevestigingsruns testen de voorgestelde instellingen tegen de voorspellingen van het model vóór de implementatie. Het beheersplan documenteert vervolgens de bevestigde instellingen en het geteste bereik, terwijl control charts het daaropvolgende procesgedrag bewaken.

In één oogopslag
Bijgewerkt10 september 2026
enENarAResESfrFRnlNL