Toegepaste statistiek voor R&D-opleidingen

Toegepaste statistiek is een belangrijke vaardigheid in Onderzoek en Ontwikkeling. Van het opzetten van experimenten met voldoende statistisch vermogen in vroeg onderzoek tot ontwerpverkenning, optimalisatie en tolerantieanalyse in ontwikkeling en engineering - alle fasen in R&D hebben baat bij de juiste toepassing van de juiste statistische hulpmiddelen.

Deze training onderscheidt zich door:

• Praktische R&D-toolkit: combineren van GRR-meetfouten, betrouwbaarheidsintervallen, schatten van steekproefgrootte, DOE, multi-respons optimalisatie, Monte Carlo-tolerantie - aangepast aan onderzoeks- en productontwikkelingscontexten.
• Hands-on Minitab/Excel-oefeningen: zorgt voor onmiddellijke toepassing van vaardigheden.
• Praktische oefening Gage R&R, praktische oefening DOE/optimalisatie
• Uitgewerkte oefeningen met voorbeelden van veelvoorkomende technische berekeningen voor toekomstig gebruik.
• trainer en gerenommeerd expert Wendy Luiten, met uitgebreide domeinkennis door tientallen jaren ervaring in de sector.

In onderzoek en vroege ontwikkeling worden meetstatistieken gebruikt om de meetfout te verkrijgen en vervolgens een steekproefgrootte te berekenen die groot genoeg is om voldoende statistische power te verkrijgen - het vermogen om een effect te zien als het aanwezig is. Als er bijvoorbeeld dubbele metingen worden gebruikt, is de power om een verschil te vinden tussen twee prototypen als het verschil ongeveer gelijk is aan de meetfout minder dan 10%. Underpowered experimenten zijn onwenselijk omdat ze leiden tot verspilling van tijd en geld. Het nastreven van een underpowered experiment heeft geen zin omdat het geen herhaalbaar resultaat oplevert, in plaats daarvan moet ofwel de meting worden verbeterd om de fout te verminderen, of de steekproefgrootte moet worden vergroot, d.w.z. experimenten moeten vaker worden herhaald.

In latere ontwikkeling en in engineering streven activiteiten naar het vervullen van een functie in termen van een specifieke outputparameter die binnen een vereist bereik valt. Failure rate is de proportie van gevallen waarbij de output buiten het gewenste specificatievenster valt en de beoogde functie niet wordt vervuld zoals vereist. Een hoog faalpercentage is ongewenst, het is een kenmerk van slechte kwaliteit en brengt een financiële boete met zich mee.

Een deel van de faalkans is 'ingebouwd' - het is het resultaat van een combinatie van ontwerpkeuzes en ontwerpinputvariaties, wat resulteert in een verdeling van de outputparameter die gedeeltelijk buiten de specificatiegrenzen valt. Een directe meting van deze faalkans om ontwerpbeslissingen te sturen is meestal niet haalbaar omdat hiervoor te veel testen nodig zijn - een faalkans van 1% betekent bijvoorbeeld dat er gemiddeld 100 testen moeten worden uitgevoerd om 1 faalkans te zien. Om de ontworpen faalkans nauwkeurig te zien, zijn veel meer tests nodig en dit is over het algemeen niet haalbaar. Dit zorgt voor een dilemma: tegen de tijd dat je voldoende gegevens hebt over de faalkans, is het tijdvenster voor wijzigingen in het ontwerp al gesloten.

Het dilemma timing is niet ongewoon en niet beperkt tot statistische parameters. De algemene oplossing is om een stand-in te gebruiken en gebruik te maken van modellering, waarbij berekende waarden worden gebruikt in plaats van meetgegevens - CAD modellering, Circuit modellering, FEM modellering en CFD modellering zijn allemaal voorbeelden waarbij een model wordt gebruikt om een ontwerp te beoordelen voordat direct testen mogelijk is. Op dezelfde manier wordt statistische modellering gebruikt om statistisch gedrag van een ontwerp te onderzoeken wanneer testen niet haalbaar is. Statistische modellering vormt de basis voor ontwerpoptimalisatie en robuust ontwerp. Specifieke experimentele ontwerpen worden gebruikt om surrogaatfuncties af te leiden die de verwachte outputwaarden modelleren als functie van de ontwerpingangen. Vervolgens worden de surrogaatfuncties gebruikt om te optimaliseren. Tot slot worden de verwachte verdeling van de outputparameter en de resulterende ontworpen faalkans verkregen uit de surrogaatfunctie en de verdeling van de inputparameters.

Deze training is bedoeld om deelnemers vertrouwd te maken met relevante statistische tools en de manier van werken met gekoppelde statistische tools in hun dagelijkse werk. De trainer is een gecertificeerde Master Black Belt in Design for Six Sigma met meer dan 35 jaar ervaring in R&D. Alle statistieken worden gedemonstreerd met Minitab (industriestandaard) en Excel. De training bevat oefeningen met individuele statistische tools en een groepsoefening waarin de manier van werken wordt geoefend, waarbij de tools in samenhang worden gebruikt. De focus van de training ligt op de juiste toepassing van de juiste statistische tools om ontwikkelingsdoelen te bereiken: "Je hoeft de werking van de motor niet te kennen om met een auto van A naar B te rijden". De training is van toepassing op continue numerieke parameters en omvat zowel fysieke experimenten als virtuele experimenten zoals CFD- of FEM-simulaties.

Deze training is beschikbaar voor open inschrijvingen in Eindhoven en voor in-company sessies over de hele wereld. Voor in-company sessies kan de training worden aangepast aan jouw situatie en speciale behoeften.