Le metodologie statistiche avanzate, in particolare la progettazione degli esperimenti, forniscono risposte scientifiche a queste domande, consentendo così di prendere decisioni corrette.

 

La potenza dell’approccio DOE (Design of Experiments) è dato dal fatto che le sue tecniche, consentono di

• Progettare e validare la Qualità del progetto
• abbassare drasticamente il tasso di difettosità di processi, portandoli fino a parti per milione.

 

Per questo motivo, nei settori più competitivi, traguardare  elevati livelli di Qualità richiede l’adozione diffusa del Design of Experiments.

 

Nel corso del seminario vengono presentati i metodi di sperimentazione di diversa complessità (in funzione del numero di parametri da sperimentare) e i criteri operativi per testare correttamente le tecniche di elaborazione e di integrazione dei dati.

 

La presentazione delle tecniche prevede la trattazione di numerosi casi reali e lo svolgimento di esercitazioni pratiche relative sia alla realtà di produzione (come migliorare le prestazioni dei processi esistenti), sia alla realtà dello sviluppo prodotto, della ricerca e della progettazione (come progettare prodotti di alta Qualità a costi e tempi ridotti).
 

A chi é rivolto:

A Manager e Professional e Responsabili e Tecnici dei settori Ricerca e Sviluppo, Progettazione, Qualità e Produzione.

 

PROGRAMMA DEL CORSO

 Introduzione

• Il ruolo dell’approccio DOE per il miglioramento di Qualità e Affidabilità
• Elementi distintivi rispetto ad altri approcci
• L’approccio scientifico
• Progrettare la Qualità
• Definire e modellare  il comportamento del prodotto:  Knowledge Space e Design Space

  Principi di fondo della variabilità   Il metodo sperimentale

• DOE vs. metodo empirico (One factor At time)
• Il modello di riferimento (risposta, parametri di controllo, noise, segnale)

                                          La progettazione degli esperimenti – concetti e logiche applicative

• Macro Sequenza di applicazione: screening, caratterizzazione, ottimizzazione
• Interazione tra fattori
• Valutazione dell’effetto delle componenti con l’Analisi della varianza (ANOVA)
• Gestione del noise: randomizzazione e blocking
• Dimensionamenti campionario
• Le attività sperimentali di ogni fase: roadmap
• Schemi di sperimentazione

    Metodo Fattoriale Completo (Caratterizzazione)

• Scelta dei fattori e dei livelli di sperimentazione
• Piani 2^K
• Analisi e Riduzione del modello

  Metodo Fattoriale Frazionato (Screening) - cenni

• Derivazione dei piani frazionati
• Risoluzione dei piani frazionati
• Ortogonal Array a 16 prove

  Metodo delle superfici di risposta (Ottimizzazione)

• I piani di affinamento
• Confronto tra piani di affinamento (fattoriale e tre livelli, Center Composite Design, Box Behnken)
• La superficie di risposta
• Ottimizzazione e Soluzione Robusta

    Caso: “La messa a punto di una nuova linea produttiva in tempi ridotti”   Doe della catapulta: Statapult game   La regressione

• L’analisi di regressione
• Formulazione del modello: tipo e ordine del modello
• Stima del modello: Il metodo dei minimi quadrati
• Valutazione del modello: significatività, accuratezza, adeguatezza
• L’applicazione della multiregressione. Metodo stepwise

 

Caso: Costruzione di un modello di controllo predittivo: caso Polyfreddo