Design of Experiments (DoE), auf Deutsch auch statistische Versuchsplanung (SVP) genannt, ist eine systematische und strukturierte Methode zur Planung, Durchführung und statistischen Auswertung von Versuchen. Das Hauptziel von DoE ist es, mit möglichst geringem Aufwand (Zeit, Kosten, Material) ein Maximum an Informationen über den Einfluss verschiedener Faktoren auf ein bestimmtes Ergebnis (die sogenannte Zielgröße oder Antwortvariable) zu gewinnen.

Anstatt einzelne Faktoren isoliert voneinander zu verändern („One-Factor-At-a-Time“-Methode), ermöglicht DoE die gleichzeitige Variation mehrerer Einflussgrößen (Faktoren) auf verschiedenen Stufen (Levels). Dies hat den entscheidenden Vorteil, dass nicht nur die Haupteffekte der einzelnen Faktoren, sondern auch deren Wechselwirkungen untereinander aufgedeckt werden können. Oftmals ist die kombinierte Wirkung zweier oder mehrerer Faktoren anders als die Summe ihrer Einzeleffekte.

Kernelemente des Design of Experiments:

• Faktoren: Das sind die unabhängigen Variablen, deren Einfluss auf das Prozessergebnis untersucht werden soll (z.B. Temperatur, Druck, Konzentration, Materialtyp).
• Stufen (Levels): Das sind die verschiedenen Einstellungen oder Ausprägungen eines Faktors, die im Experiment getestet werden (z.B. Temperatur bei 100°C, 120°C und 140°C).
• Zielgröße (Response): Das ist die abhängige Variable, die gemessen wird, um den Effekt der Faktoränderungen zu beurteilen (z.B. Ausbeute, Festigkeit, Reinheit, Fehlerquote).
• Versuchslauf (Run): Eine einzelne Durchführung des Experiments unter einer bestimmten Kombination von Faktoreinstellungen.
• Versuchsplan (Experimental Design): Eine vordefinierte Matrix, die festlegt, welche Kombinationen von Faktoreinstellungen in welcher Reihenfolge (oft randomisiert, um systematische Fehler zu minimieren) durchgeführt werden.

Ziele und Vorteile von DoE:

Die Anwendung von DoE verfolgt mehrere Ziele und bietet signifikante Vorteile:

• Identifizierung signifikanter Einflussfaktoren: Herausfinden, welche Faktoren den größten Einfluss auf die Zielgröße haben und welche vernachlässigbar sind.
• Prozessoptimierung: Ermittlung der optimalen Einstellungen der signifikanten Faktoren, um die gewünschte Zielgröße zu erreichen (z.B. Maximierung der Ausbeute, Minimierung von Ausschuss).
• Reduktion der Prozessvariabilität: Prozesse robuster gegenüber Störeinflüssen gestalten.
• Verständnis von Wechselwirkungen: Aufdecken, wie sich Faktoren gegenseitig beeinflussen.
• Effizienzsteigerung: Deutlich weniger Versuche im Vergleich zu unsystematischen Ansätzen oder der „One-Factor-At-a-Time“-Methode, um belastbare Aussagen zu erhalten.
• Kosten- und Zeitersparnis: Durch die reduzierte Anzahl an Versuchen und die schnellere Erreichung optimaler Ergebnisse.
• Fundierte Entscheidungsfindung: Entscheidungen basieren auf statistisch abgesicherten Daten anstatt auf Vermutungen oder „Trial-and-Error“.
• Entwicklung robuster Produkte und Prozesse: Produkte und Prozesse entwickeln, die unempfindlich gegenüber kleinen Schwankungen der Einflussfaktoren sind.

Plackett-Burman Methode zur Ermittlung des Faktoreinflusses auf das Versuchsergebnis:

Schritt 1: Faktoren definieren

• Sie können Faktoren dynamisch hinzufügen. Für jeden Faktor geben Sie Name, Einheit (optional), untere und obere Stufe ein.
• Ein „Faktor entfernen“-Button wird für jeden Faktor (außer dem ersten, falls nur einer da ist) angezeigt.

Schritt 2: Design auswählen & Ergebnisse eintragen

• Sie wählen die Anzahl der Versuchsläufe (N) aus einer Dropdown-Liste.
• Basierend auf N und den definierten Faktoren wird die Plackett-Burman-Matrix generiert und angezeigt. Die tatsächlichen Werte (hohe/niedrige Stufe) der Faktoren werden in der Tabelle dargestellt.
• Dummy-Faktoren werden angezeigt, falls die Matrix mehr Spalten hat als reale Faktoren vorhanden sind.
• Sie geben die Ergebnisse für jeden Versuchslauf in die dafür vorgesehenen Input-Felder ein.
• Es gibt Validierungen, z.B. muss N größer sein als die Anzahl der Faktoren.

Schritt 3: Ergebnisanalyse

• Nachdem die Ergebnisse eingegeben wurden, werden die Effekte für jeden Faktor (und Dummy-Faktor) berechnet.
• Die Effekte werden in einer Tabelle angezeigt, sortiert nach der absoluten Größe des Effekts.