Design of Experiments (DoE): Wirtschaftliche Prozessoptimierung durch statistische Auswahl der Versuchsparameter. "Wenn ich das vorher gewusst hätte, dann hätte ich mir viel Arbeit sparen können.“ So oder so ähnlich bricht es immer wieder einmal aus Experimentatoren hervor, die auf die Möglichkeiten des DoE (Design of Experiments) stoßen. Tatsächlich bietet die Methodik der statistischen Versuchsplanung und -auswertung eine breite Palette an Werkzeugen, mit deren Hilfe sich zahlreiche Fragestellungen rund um die systematische Untersuchung von Ursache-Wirkung-Beziehungen effizient und zielorientiert bearbeiten lassen. Anwendungsfelder finden sich in vielen Branchen, sind sehr vielfältig und betreffen den gesamten Lebenszyklus eines Produktes oder eines Prozesses.

Einige typische Fragestellungen aus der Prozessindustrie im Zusammenhang mit DoE können hierbei lauten:

• Welche Zusammensetzung der Mischung liefert die besten Ergebnisse bzgl. wichtiger Eigenschaften (z. B. einer Gummimischung, eines Klebers, eines Waschmittels)?
• Welche Einstellungen eines Reaktors (z. B. Verhältnis und Zugabezeitpunkte der Reaktanden, Temperaturführung, Druck) liefern die höchste Raum-Zeit-Ausbeute?
• Welchen Zusammenhang gibt es zwischen der Betthöhe eines zu trocknenden Gutes, der Drehgeschwindigkeit und der Temperatur eines Trommeltrockners mit der Restfeuchte, der Korngrößenverteilung und der Kornhärte des getrockneten Produktes?

Konkurrierende Zielgrößen optimieren

Wenn es gilt, den Einfluss mehrerer Versuchsparameter auf zumeist mehrere Antworten, bzw. Zielgrößen empirisch zu untersuchen, kommt man an der Anwendung des DoE nicht vorbei, sofern man nicht – so drückte es jemand sehr zugespitzt aus – Ressourcen seines Unternehmens verschwenden will. Dabei kann sowohl die Anzahl der Versuchsparameter (wie Druck, Temperatur) und der Ziel- / Antwortgrößen (wie Ausbeute, Restfeuchte) jeweils durchaus auch zweistellig werden. Besonders anspruchsvoll sind Aufgabenstellungen, in denen es um das Finden optimaler Kompromissbereiche bei konkurrierenden Zielen geht: Im Beispiel des Trommeltrockners könnte es etwa darum gehen, eine möglichst geringe Restfeuchte zu haben, die Körner dabei aber nicht zu „rösten“, um Oberflächeneigenschaften nicht zu zerstören, und eine bestimmte Korngrößenverteilung einzuhalten. Auch solche häufige Fragestellungen nach dem optimalen Zusammenspiel aller Versuchsparameter in Bezug auf mehrere Zielgrößen können mit DoE angegangen werden. Zum Einsatz kommen dann Methoden der Mehrzieloptimierung.

DoE wird noch unzureichend genutzt

Auch wenn sich DoE insbesondere im Kontext neuerer Technologien (z. B. Hochdurchsatz-Screening, Syntheseroboter) und erfolgreicher Prozessverbesserungs- und Problemlösungsansätze (z. B. Six Sigma) zunehmender Bekanntheit erfreut, bleibt die Anwendung noch immer deutlich hinter den Möglichkeiten zurück.

Ein Grund mag der noch immer unbefriedigende Bekanntheitsgrad vor allem bei jungen Naturwissenschaftlern und Ingenieuren sein. Neben der Unterschätzung der Möglichkeiten ist die Überschätzung der mutmaßlichen Schwierigkeiten beim Einsatz des DoE ein weiterer Hinderungsgrund. Dabei bietet inzwischen sehr bedienerfreundliche und kommerziell verfügbare Software beste Unterstützung bei der Planung und Auswertung von Versuchsstudien. Freilich setzt die Anwendung Disziplin voraus und es ist empfehlenswert, den Einstieg mit einem Experten auf diesem Gebiet vorzunehmen, der mit verhältnismäßig geringem Aufwand in die Methodik einführt, und im Idealfall bei den ersten Projekten mit Rat und Tat zur Seite steht.

Manchmal fürchten kreative Forscher, in ihrer schöpferischen Kraft eingeschränkt zu werden. Die Praxis zeigt jedoch, dass kreative Köpfe mit technisch-wissenschaftlichem Sachverstand, der freilich die unabdingbare Basis für den Erfolg bleibt, in die Lage versetzt werden, ihre Ideen zu strukturieren und systematisch zu bearbeiten, so dass auch Kollegen und Entscheidungsträger Strategien und vor allem Ergebnisse nachvollziehen können.

Es gibt kaum Einschränkungen beim Einsatz von DoE. Die Anwendung ist dort fragwürdig, wo das systematische Experimentieren, um Erkenntnisse aufzubauen, generell zu überdenken ist: Wenn sich etwa ein System oder ein Prozess noch in einem sehr frühen Stadium befindet und man sich noch sehr grundlegend mit dem Material oder Equipment vertraut machen muss oder wenn der Untersuchungsgegenstand noch häufigen und unkontrollierbaren Störungen mit großen Auswirkungen unterliegt oder wenn das Ergebnis eines Experiments noch nicht bzw. völlig unzureichend mess- / bewertbar ist.

Andererseits sind Versuchsstreuungen, die sich aus der Überlagerung von vielen möglichen Versuchs- und Umgebungsbedienungen und nicht zuletzt auch durch die Messstreuung ergeben und somit bei jedem realen Experiment – trotz identischer Versuchseinstellungen – mehr oder weniger stark auftreten, kein Hinderungsgrund. Im Gegenteil: DoE beruht auf statistischen Prinzipien, die einen objektiven und nicht zuletzt auch ehrlichen Umgang mit streuenden Versuchsergebnissen erlauben. Auf diese Weise werden Fehlinterpretationen von Versuchsergebnissen, die meist auch Fehlentscheidungen nach sich ziehen, vermieden.

Führt man Experimente an Simulationsmodellen im Rechner durch, gibt es freilich keine Versuchsstreuung. Aber auch hier kann DoE insbesondere bei Sensitivitätsstudien sinnvoll eingesetzt werden. In solchen Studien geht es darum, zu untersuchen, wie empfindlich ein System / Prozess auf Veränderungen von Versuchsparametern reagiert.

Versuche sind letztlich Anfragen an ein System oder einen Prozess. Von deren Antworten hängen meist Entscheidungen ab. Im industriellen Umfeld sind unternehmerische Zielsetzungen die Basis für konkrete Aufgabenstellungen, die die Beantwortung von nur experimentell zu klärenden Fragen zum Ziel haben. Experimentieren in diesem Kontext heißt also, die Versuchsstrategie an den Zielen auszurichten und Experimente durchzuführen, deren Ergebnisse verlässliche Entscheidungsgrundlagen bieten können.

GDCh-Kurs: Qualitätsverbesserung und Kostenreduzierung durch statistische Versuchsmethodik

Für das kundenorientierte, wettbewerbsfähige Design von Produkten und Prozessen setzen erfolgreiche Unternehmen leistungsfähige Methoden des Quality Engineering ein. Eine der wirksamsten Methoden ist die statistische Versuchsmethodik (DoE Design of Experiments). Durch die Bestimmung optimaler und robuster Produkteigenschaften und Prozessbedingungen wird insbesondere die Prozessfähigkeit erhöht und damit die Qualität der erzeugten Produkte verbessert.
Alle in Betracht gezogenen Versuchsparameter werden hierbei auf systematische Weise derart ausgewogen variiert, dass bei der Auswertung der Versuchsergebnisse ein Höchstmaß an Informationen und Erkenntnissen aus den durchgeführten Experimenten gewonnen wird. Anhand von Beispielen werden die für die industrielle Praxis relevanten Aspekte des DoE beleuchtet und die wichtigsten Methoden vorgestellt, ohne auf mathematische Details einzugehen. Der GDCh-Fortbildungskurs vermittelt so die grundlegenden Prinzipien des DoE, gibt einen Einblick in die Leistungsfähigkeit der Methodik und vermittelt Anhaltspunkte, wann der Einsatz von DoE sinnvoll ist. Der Kurs findet vom 23. – 24. April 2009 in Frankfurt/Main statt. Kursleiter ist Dipl.-Math. Sergio Soravia von Evonik Degussa. Anmeldung bei der GDCh.

GDCh Gesellschaft Deutscher Chemiker e.V.
Tel.: 069/7917-364
fb@gdch.de
www.gdch.de/fortbildung

Kontakt:
Dipl.-Math. Sergio Soravia
Evonik Degussa GmbH, Hanau-Wolfgang
sergio.soravia@evonik.com
www.evonik.com