DOE w Six Sigma – jak planowanie eksperymentów wspiera doskonalenie procesów?

Wprowadzenie: czym jest DOE i dlaczego jest kluczowe w Six Sigma

Gdy jakość produktu zależy jednocześnie od temperatury, ciśnienia i czasu obróbki, sama obserwacja procesu może nie wystarczyć, by ustalić, co rzeczywiście poprawia wynik. Zmiana jednego parametru przynosi niekiedy korzyść, ale przy innych ustawieniach pozostałych parametrów okazuje się nieskuteczna. W takich sytuacjach potrzebne jest nie kolejne przypuszczenie, lecz uporządkowany sposób sprawdzania zależności.

DOE (ang. Design of Experiments), czyli planowanie eksperymentów, to metodyka celowego zmieniania wybranych czynników procesu i badania ich wpływu na mierzalny wynik. Wynikiem może być na przykład wytrzymałość wyrobu, czas realizacji zadania lub liczba błędów. O wartości DOE decyduje nie samo przeprowadzenie prób, lecz ich zaplanowanie tak, aby uzyskane dane pozwalały wiarygodnie odpowiedzieć na konkretne pytanie dotyczące procesu.

W odróżnieniu od analizy danych historycznych DOE opiera się na świadomej ingerencji w warunki badania. Dane z codziennej pracy pokazują, jakie zjawiska występowały razem, ale nie zawsze pozwalają rozstrzygnąć, które z nich były przyczyną zmiany wyniku. Prawidłowo zaplanowany i przeprowadzony eksperyment daje mocniejsze podstawy do wnioskowania o zależnościach przyczynowo-skutkowych, ponieważ umożliwia kontrolowanie badanych zmian i ograniczanie wpływu czynników zakłócających.

DOE różni się również od podejścia polegającego na zmienianiu tylko jednego parametru naraz. Pozwala badać kilka czynników w ramach wspólnego planu, a także sprawdzać, czy wpływ jednego z nich zależy od ustawienia innego. Dzięki temu może dostarczyć więcej użytecznych informacji z dostępnej liczby prób i ujawnić zależności, które przy pojedynczych korektach pozostałyby niewidoczne.

W Six Sigma ma to szczególne znaczenie: celem doskonalenia jest ograniczanie zmienności i błędów oraz stabilne spełnianie wymagań klienta. DOE pomaga zastąpić intuicyjne regulowanie procesu decyzjami opartymi na danych. Znajduje zastosowanie między innymi przy poprawie właściwości produktów, ograniczaniu braków, skracaniu czasu operacji czy porównywaniu wariantów sposobu pracy — wszędzie tam, gdzie można bezpiecznie zmieniać warunki i rzetelnie mierzyć rezultaty.

DOE nie jest jednak obowiązkowym narzędziem każdego projektu Six Sigma. Największą wartość wnosi wtedy, gdy przyczyny problemu pozostają niejasne, kilka parametrów może oddziaływać jednocześnie, a dostępne obserwacje nie wystarczają do wyboru rozwiązania. Jego kluczowa rola polega na zmniejszaniu niepewności: pozwala sprawdzić, czy proponowana zmiana rzeczywiście działa, zanim stanie się standardem pracy.

Miejsce DOE w cyklu DMAIC: kiedy i po co sięga się po eksperymenty

Po planowanie eksperymentów sięga się w projekcie Six Sigma wtedy, gdy sama analiza dotychczasowych danych nie wystarcza do podjęcia decyzji o zmianie procesu. Dane historyczne mogą wskazywać zależności, ale nie zawsze pozwalają rozstrzygnąć, czy zaobserwowana poprawa wynikała ze zmiany ustawień, innego materiału czy odmiennych warunków pracy. DOE umożliwia celowe zmienianie wybranych parametrów i ocenę skutków tych zmian w zaplanowanych warunkach. W cyklu DMAIC znajduje zastosowanie przede wszystkim w fazach Analyze i Improve, choć jego przygotowanie opiera się na pracy wykonanej wcześniej.

Define i Measure: przygotowanie podstaw do eksperymentu

W fazie Define zespół określa problem, zakres projektu oraz oczekiwany rezultat. To ważne dla DOE: eksperyment powinien odpowiadać na konkretne pytanie dotyczące procesu, a nie służyć poszukiwaniu dowolnych zależności. W fazie Measure trzeba natomiast ustalić stan wyjściowy i sprawdzić, czy sposób pomiaru pozwala wiarygodnie oceniać zmiany. Jeśli wyniki są obciążone zbyt dużym błędem pomiarowym, eksperyment może prowadzić do błędnych wniosków.

Analyze i Improve: dwa różne cele wykorzystania DOE

W fazie Analyze eksperyment służy przede wszystkim weryfikacji hipotez o przyczynach problemu. Zespół ma już wytypowane potencjalne źródła zmienności, lecz potrzebuje mocniejszych dowodów niż obserwowane współwystępowanie zjawisk. DOE pomaga sprawdzić, czy celowa zmiana podejrzewanych czynników rzeczywiście wpływa na wynik procesu.

W fazie Improve nacisk przesuwa się z rozpoznania przyczyn na wybór rozwiązania. Eksperyment pozwala porównać rozważane warianty zmian i ustalić, które warunki pracy sprzyjają osiągnięciu celu projektu. Granica między tymi zastosowaniami nie jest sztywna: jeden eksperyment może zarówno zweryfikować hipotezę, jak i wskazać obiecujący kierunek usprawnienia. Nie oznacza to jednak, że pojedyncza próba wystarczy do zatwierdzenia zmiany.

Kiedy eksperyment jest uzasadniony?

W Cognity często słyszymy pytania, kiedy warto przejść od analizy danych do zaplanowanych prób w procesie – odpowiadamy na nie także na blogu. DOE warto rozważyć, gdy istnieje istotna niepewność dotycząca przyczyn problemu lub skuteczności proponowanego rozwiązania, a proces można bezpiecznie poddać kontrolowanym zmianom. Potrzebne są również wiarygodne pomiary, dostępne zasoby i akceptowalny koszt prób. Eksperyment nie jest obowiązkowym elementem każdego projektu DMAIC — jeśli przyczyna została jednoznacznie potwierdzona, a sposób jej usunięcia jest znany, dodatkowe badanie może nie przynieść proporcjonalnej wartości.

W fazie Control podstawowym zadaniem jest już utrzymanie uzyskanej poprawy, a nie poszukiwanie zależności. Wyniki DOE stanowią wówczas uzasadnienie przyjętych warunków prowadzenia procesu; sam eksperyment nie zastępuje jednak bieżącego nadzoru nad jego stabilnością.

Od problemu Y do przyczyn X: jak DOE identyfikuje kluczowe czynniki i interakcje

Informacja, że proces generuje zbyt wiele braków, opisuje problem, ale nie wyjaśnia jego przyczyn. W Six Sigma przejście od objawu do mechanizmu ujmuje się często zależnością Y = f(X) + ε. Y oznacza mierzalny wynik procesu, X — czynniki, które mogą na niego wpływać, a ε obejmuje niewyjaśnioną zmienność, w tym błędy pomiaru. DOE pozwala sprawdzić, które z podejrzewanych czynników rzeczywiście zmieniają wynik i czy ich działanie zależy od siebie nawzajem.

Y określa problem, X wskazują możliwe źródła jego powstawania

Punktem wyjścia jest jednoznaczne określenie odpowiedzi procesu. Zamiast ogólnego celu „poprawa jakości” potrzebne jest konkretne Y, na przykład wytrzymałość połączenia, odchylenie wymiaru od wartości docelowej albo czas realizacji zlecenia. To ważne, ponieważ czynnik korzystny dla jednego wyniku nie musi poprawiać innego: skrócenie czasu obróbki może zwiększać wydajność, a jednocześnie pogarszać jakość powierzchni.

Potencjalne X wynikają z wiedzy o procesie, wcześniejszych obserwacji i analizy możliwych przyczyn. Mogą nimi być temperatura, ciśnienie, prędkość podawania materiału czy proporcja składników. Lista potencjalnych przyczyn pozostaje jednak zbiorem hipotez, dopóki ich wpływ nie zostanie zweryfikowany. DOE służy właśnie temu rozróżnieniu: oddziela czynniki wpływające na Y od tych, których efekt w badanych warunkach jest niewielki lub niewykrywalny.

Efekt główny a interakcja — dwie różne informacje o procesie

Efekt główny opisuje przeciętną zmianę Y związaną ze zmianą danego czynnika, uśrednioną po badanych ustawieniach pozostałych czynników. Odpowiada więc na pytanie: „Czy zmiana tego parametru wpływa na wynik?”. Taka informacja pomaga wskazać parametry, na których warto skoncentrować działania doskonalące.

Interakcja oznacza natomiast, że wpływ jednego czynnika zależy od ustawienia innego. Przykładowo w hipotetycznym procesie klejenia podwyższenie temperatury może zwiększać wytrzymałość połączenia przy krótkim czasie utwardzania, lecz przy długim czasie nie przynosić poprawy lub nawet pogarszać wynik. Nie wystarczy wtedy stwierdzić, że „wyższa temperatura pomaga”. Trzeba ustalić, w połączeniu z jakim czasem daje pożądany efekt.

To istotna przewaga DOE nad podejściem polegającym na zmianie jednego parametru przy stałych ustawieniach pozostałych. Takie pojedyncze próby pokazują działanie czynnika tylko w określonych warunkach i mogą pozostawić interakcje niezauważone. Odpowiednio zaplanowany eksperyment pozwala rozdzielić efekty poszczególnych czynników od skutków ich współdziałania. Nie każdy plan umożliwia jednak rozróżnienie wszystkich efektów — zakres wniosków zależy od możliwości wybranego eksperymentu.

Od współwystępowania do weryfikacji przyczyny

Dane historyczne mogą pokazywać, że wyższej temperaturze towarzyszy mniej wad. Nie rozstrzygają jednak, czy odpowiada za to temperatura, czy na przykład równoczesna zmiana surowca. DOE wzmacnia podstawy wnioskowania przyczynowego, ponieważ opiera się na celowym zmienianiu badanych X i ograniczaniu wpływu innych źródeł zmienności.

Rezultatem jest nie tylko wskazanie ważnych parametrów, lecz także lepsze zrozumienie warunków ich działania. Kluczowy czynnik to taki, którego wpływ ma znaczenie dla badanego Y, a nie tylko taki, który od dawna uchodzi za ważny. Wnioski odnoszą się przy tym do sprawdzonych zakresów i warunków procesu: brak wykrytego efektu nie dowodzi, że dany parametr nigdy nie wpływa na wynik.

Projektowanie eksperymentu w praktyce: dobór czynników, poziomów, planów i randomizacja

Dobry plan DOE musi pogodzić zakres potrzebnych informacji z ograniczeniami procesu: dostępnością materiału, czasem pracy urządzeń i bezpieczeństwem prób. Nie chodzi więc o sprawdzenie wszystkich możliwych ustawień, lecz o takie zaplanowanie doświadczenia, aby uzyskać wiarygodne odpowiedzi przy racjonalnej liczbie przebiegów. Zanim rozpoczną się próby, trzeba ustalić, co będzie zmieniane, w jakim zakresie i w jakiej kolejności. W Cognity omawiamy projektowanie eksperymentów zarówno od strony technicznej, jak i praktycznej – z uwzględnieniem realiów pracy uczestników.

Dobór czynników: co rzeczywiście można zmieniać?

Do eksperymentu warto włączyć czynniki uzasadnione wiedzą o procesie, wcześniejszymi obserwacjami lub analizą techniczną. Każdy z nich powinien mieć jednoznaczną definicję oraz sposób ustawiania i rejestrowania. Zamiast ogólnej „intensywności obróbki” należy wskazać konkretny parametr, na przykład prędkość obrotową albo czas przebywania w urządzeniu.

Na etapie przygotowania należy rozdzielić trzy grupy zmiennych:

• Czynniki badane — celowo zmieniane między próbami, np. temperatura, ciśnienie lub rodzaj materiału.
• Warunki utrzymywane na stałym poziomie — parametry, których wpływ nie jest przedmiotem danego eksperymentu.
• Źródła zmienności zakłócającej — np. partia surowca lub dzień realizacji prób; jeśli nie można ich wyeliminować, należy je rejestrować i odpowiednio uwzględnić w planie.

Równie ważne jest uzgodnienie sposobu pomiaru wyniku: jednostki, momentu pobrania próbki i procedury pomiarowej. Jeżeli pomiar nie pozwala wiarygodnie odróżnić zmian procesu od błędu pomiarowego, nawet starannie dobrany plan nie rozwiąże tego problemu.

Poziomy czynników: wystarczająco różne, ale bezpieczne

Poziomy to konkretne wartości lub warianty badanego czynnika. Dla temperatury mogą to być dwa wybrane ustawienia, a dla czynnika jakościowego — dwa rodzaje materiału. Zakres zmian powinien być technicznie dopuszczalny i istotny z punktu widzenia procesu. Zbyt wąski może utrudnić wykrycie efektów, natomiast zbyt szeroki grozi wyjściem poza warunki bezpiecznej lub użytecznej pracy.

Trzeba sprawdzić nie tylko dopuszczalność pojedynczych ustawień, lecz także ich kombinacji. Temperatura i czas mogą mieścić się w dozwolonych zakresach, ale jednoczesne zastosowanie ich najwyższych wartości może uszkodzić produkt. Takie ograniczenia uwzględnia się przed wyborem planu, zamiast usuwać niewygodne próby już podczas eksperymentu.

W przypadku czynników ilościowych można zaplanować punkty centralne, czyli próby przy ustawieniach pośrednich. Pomagają one sprawdzić, czy zależność w badanym obszarze wykazuje krzywiznę, choć same nie wystarczają do opisania jej pełnego kształtu.

Wybór planu DOE zależy od celu badania

Nie ma jednego planu właściwego dla każdego projektu Six Sigma. Wybór zależy przede wszystkim od liczby czynników, oczekiwanego rodzaju informacji oraz budżetu prób.

Oszczędności nie należy szukać przez przypadkowe pomijanie kombinacji. Jeśli ogranicza się liczbę prób, trzeba świadomie wybrać plan i zaakceptować wynikające z niego ograniczenia informacyjne.

Randomizacja, blokowanie i powtórzenia

Randomizacja oznacza losowanie kolejności realizacji prób. Ogranicza ryzyko, że wpływ badanego ustawienia zostanie pomylony z rozgrzewaniem urządzenia, zużyciem narzędzia lub inną zmianą zachodzącą w czasie. Wykonywanie prób od najniższej do najwyższej temperatury może być wygodne, ale bez odpowiedniego planu utrudnia oddzielenie tych wpływów.

Jeżeli doświadczenie musi objąć kilka dni lub partii materiału, można zastosować blokowanie: podzielić próby na grupy o względnie jednorodnych warunkach i losować kolejność w obrębie bloków. Gdy część ustawień jest trudna lub kosztowna do zmiany, potrzebny jest plan z ograniczoną randomizacją, np. split-plot, a nie dowolne grupowanie prób dla wygody.

W harmonogramie warto również przewidzieć niezależne powtórzenia wybranych warunków. Ponowne wykonanie przebiegu procesu nie jest tym samym co kilkukrotny pomiar tej samej próbki: pierwsze dostarcza informacji o zmienności między przebiegami, drugie — głównie o powtarzalności pomiaru. Gotowy plan powinien określać ustawienia, kolejność, bloki, powtórzenia oraz czas stabilizacji procesu przed pobraniem każdej próbki.

Analiza wyników DOE: modele, istotność efektów, weryfikacja założeń i wnioski

Analiza wyników DOE ma ustalić nie tylko, które czynniki wpływają na wynik procesu, lecz także jak duży jest ten wpływ i na ile można ufać uzyskanym oszacowaniom. Samo porównanie średnich nie wystarcza. Potrzebny jest model, który opisuje zależności między badanymi czynnikami a odpowiedzią procesu, oraz sprawdzenie, czy dane uzasadniają wyciągane wnioski.

Model dopasowany do planu eksperymentu i rodzaju odpowiedzi

W analizie DOE często wykorzystuje się modele regresji, a analizę wariancji (ANOVA) stosuje do oceny źródeł zmienności i testowania określonych efektów. Nie są to konkurencyjne podejścia: tabela ANOVA może być częścią analizy modelu regresyjnego. To, jakie składniki da się wiarygodnie oszacować, zależy od zastosowanego planu eksperymentu.

• Efekty główne opisują wpływ poszczególnych czynników, uśredniony względem poziomów pozostałych czynników uwzględnionych w doświadczeniu.
• Interakcje pokazują, że wpływ jednego czynnika zmienia się w zależności od ustawienia innego. Przy wyraźnej interakcji interpretowanie samych efektów głównych może prowadzić do błędnych wniosków.
• Składniki kwadratowe pozwalają opisać krzywiznę odpowiedzi, jeśli plan dostarcza informacji potrzebnych do ich oszacowania. Sam plan dwupoziomowy bez dodatkowych punktów nie wystarcza do określenia takiej zależności.

Istotny jest również rodzaj mierzonego wyniku. Dla odpowiedzi ciągłej, takiej jak czas operacji czy wytrzymałość, często odpowiedni będzie klasyczny model liniowy. Liczba defektów lub udział wyrobów niezgodnych mogą wymagać uogólnionego modelu liniowego, np. z rozkładem Poissona albo dwumianowym. Wybór metody powinien wynikać z charakteru danych, a nie z domyślnych ustawień programu.

Istotność statystyczna a znaczenie dla procesu

Wartość p pomaga ocenić, na ile obserwowane dane są zgodne z hipotezą o braku danego efektu, przy przyjętych założeniach modelu. Nie określa jednak wielkości efektu ani prawdopodobieństwa, że czynnik jest nieistotny. Dlatego obok niej należy analizować oszacowanie efektu, przedział ufności oraz znaczenie zmiany w jednostkach użytecznych dla procesu.

Niewielka różnica może być istotna statystycznie, a mimo to nie mieć wartości operacyjnej. Z kolei brak istotności przy szerokim przedziale ufności nie dowodzi braku wpływu — może oznaczać, że eksperyment dostarczył zbyt mało precyzyjnych danych. Przy testowaniu wielu efektów rośnie też ryzyko przypadkowych wskazań. Selekcja składników modelu nie powinna więc sprowadzać się do automatycznego usuwania wszystkiego, co przekracza próg p = 0,05. Zwykle zachowuje się zasadę hierarchii: jeżeli model zawiera interakcję, pozostawia się również odpowiadające jej efekty główne.

Weryfikacja założeń i jakości dopasowania

Podstawowym narzędziem diagnostycznym są reszty, czyli różnice między wartościami zaobserwowanymi a przewidywanymi przez model. Ich wykres względem wartości dopasowanych pomaga wykryć zmienną wariancję lub nieopisaną krzywiznę. Wykres względem kolejności wykonania prób może ujawnić dryf procesu, a wykres normalności — odstępstwa od rozkładu zakładanego w klasycznych testach. Założenie normalności dotyczy błędów modelu, niekoniecznie surowych wyników pomiarów.

Podejrzanych obserwacji nie należy usuwać wyłącznie dlatego, że pogarszają dopasowanie. Najpierw trzeba sprawdzić zapisy z doświadczenia, pomiary i warunki wykonania próby. Jeśli dostępne są niezależne powtórzenia przy tych samych ustawieniach, test braku dopasowania może pomóc ocenić, czy model pomija istotną strukturę zależności. Sam wysoki współczynnik R² nie gwarantuje poprawności modelu; warto uwzględnić także skorygowane R² i ocenę zdolności predykcyjnej, np. na dodatkowych próbach potwierdzających.

Wnioski z uwzględnieniem niepewności

Wniosek z analizy powinien wskazywać kierunek i wielkość wpływu, istotne interakcje, niepewność oszacowań oraz zakres, w którym model został sprawdzony. W planach frakcyjnych trzeba dodatkowo uwzględnić uwikłanie efektów: dane mogą nie pozwalać na rozdzielenie wpływu niektórych czynników i interakcji. Model DOE opisuje zależności w badanym obszarze i warunkach eksperymentu — przewidywania poza tym zakresem wymagają odrębnej weryfikacji. Rzetelna analiza wyraźnie oddziela zatem wyniki potwierdzone danymi od hipotez, które nadal wymagają sprawdzenia.

Przełożenie DOE na Improve i Control: optymalizacja ustawień, tolerancje i plan kontroli procesu

Wynik eksperymentu staje się usprawnieniem dopiero wtedy, gdy można przełożyć go na powtarzalny sposób prowadzenia procesu. W fazie Improve DOE pomaga wybrać i potwierdzić nowe ustawienia. W fazie Control jego ustalenia służą do określenia, co należy nadzorować, w jakich granicach i jak reagować na odchylenia. Różnica jest zasadnicza: najpierw sprawdzamy, czy zmiana działa, a następnie tworzymy warunki, aby jej efekt utrzymał się w codziennej pracy.

Improve: wybór ustawień, które sprawdzą się w produkcji

Optymalizacja nie zawsze oznacza maksymalizację pojedynczego wyniku. Proces może jednocześnie wymagać ograniczenia liczby wad, utrzymania wydajności i zmniejszenia zużycia materiału. Model uzyskany z DOE pozwala porównać dostępne warianty i wybrać ustawienia zgodne z tymi celami oraz ograniczeniami technicznymi.

Najlepszy przewidywany wynik nie musi oznaczać najlepszego rozwiązania operacyjnego. Ustawienie zapewniające bardzo dobrą jakość, ale wrażliwe na niewielkie wahania temperatury lub właściwości surowca, może być mniej użyteczne niż wariant dający nieco słabszy wynik średni, lecz większą odporność na codzienną zmienność. Taką odporność należy jednak potwierdzić — samo znalezienie optimum w modelu jej nie dowodzi.

Przed wdrożeniem wykonuje się próby potwierdzające przy wybranych nastawach, najlepiej w warunkach reprezentatywnych dla normalnej pracy. Ich zadaniem jest sprawdzenie, czy rzeczywisty rezultat odpowiada przewidywaniom i czy poprawa nie odbywa się kosztem innych ważnych parametrów. Nie należy przy tym bez dodatkowej weryfikacji przenosić wniosków poza zakres zbadany w eksperymencie.

Od wartości zadanych do dopuszczalnych zakresów

Operator potrzebuje nie tylko wartości docelowej, lecz także informacji, jakie odchylenia są dopuszczalne. DOE może pomóc wyznaczyć okno procesowe, czyli zakres kombinacji ustawień, dla których oczekiwane wyniki spełniają wymagania. Przy jego ustalaniu trzeba uwzględnić niepewność przewidywań, naturalną zmienność procesu oraz możliwości pomiaru i regulacji.

Jeżeli czynniki oddziałują na siebie, niezależne przedziały dla każdego z nich mogą być niewystarczające. Dopuszczalna temperatura może przykładowo zależeć od czasu obróbki. W takim przypadku instrukcja powinna określać zatwierdzone kombinacje nastaw lub regułę ich doboru, zamiast sugerować, że dowolne połączenie wartości z podanych zakresów jest bezpieczne.

Warto rozdzielić trzy pojęcia: tolerancje wyrobu wynikają z wymagań klienta lub dokumentacji, zakresy nastaw opisują dopuszczalny sposób prowadzenia procesu, a granice kontrolne służą do wykrywania zmian jego zachowania. DOE wspiera dobór zakresów nastaw, ale samo w sobie nie uzasadnia rozszerzenia tolerancji wyrobu.

Control: nadzór powiązany z wynikami eksperymentu

Plan kontroli powinien koncentrować się na parametrach istotnych dla jakości, a nie na pomiarze wszystkiego z jednakową częstotliwością. Dla każdego nadzorowanego parametru należy określić:

• wartość docelową i zatwierdzony zakres lub kombinację ustawień;
• metodę pomiaru, częstotliwość kontroli oraz odpowiedzialność;
• kryteria uruchomienia reakcji i konkretne działania po wykryciu odchylenia;
• sposób dokumentowania wyników i zasady zatwierdzania zmian.

Nadzór nad kluczowymi wejściami procesu nie zastępuje kontroli jego wyników. Po wdrożeniu należy sprawdzić stabilność procesu, a następnie ocenić jego zdolność do spełniania wymagań. Nowe nastawy, instrukcje i plan reakcji muszą trafić do dokumentacji stanowiskowej. Warto również wskazać, jakie zmiany — na przykład materiału, wyposażenia lub zakresu pracy — wymagają ponownego potwierdzenia przyjętych ustawień.

Przykład projektu Six Sigma z DOE: etapy DMAIC, przebieg eksperymentu i rezultaty

Rozważmy proces zgrzewania opakowań, w którym część wyrobów nie przechodzi testu szczelności. Operatorzy korygują ustawienia maszyny, ale poprawa jest nietrwała: parametry skuteczne podczas jednej zmiany nie zawsze sprawdzają się podczas następnej. Poniższy przykład jest hipotetyczny, a wszystkie liczby służą wyłącznie zilustrowaniu przebiegu projektu — nie opisują wyników konkretnego przedsiębiorstwa.

Define: problem opisany wynikiem procesu

Zespół definiuje problem jako zbyt wysoki udział nieszczelnych opakowań. W przyjętym scenariuszu kontrola początkowa wykazała 60 niezgodnych sztuk na 1000 sprawdzonych, czyli 6%. Cel projektu to zejście poniżej 2% bez wydłużania cyklu maszyny i bez uszkadzania folii. Zakres obejmuje jedną linię oraz jeden wariant opakowania, aby nie mieszać wpływu ustawień z różnicami konstrukcyjnymi wyrobów.

Measure: wiarygodna ocena szczelności

Przed eksperymentem zespół ujednolica sposób pobierania próbek i wykonywania testu. Sprawdza również, czy ponowna ocena tych samych opakowań prowadzi do zgodnych wyników. Do zapisów produkcyjnych dodaje identyfikację partii folii, rzeczywiste parametry zgrzewania oraz czas wystąpienia niezgodności. Dzięki temu późniejsze porównania nie opierają się wyłącznie na nastawach widocznych na panelu maszyny.

Analyze: eksperyment zamiast kolejnych korekt intuicyjnych

Na podstawie wiedzy technologicznej i obserwacji procesu zespół wybiera trzy czynniki: temperaturę, docisk oraz czas zgrzewania. Dla każdego ustala dwa poziomy mieszczące się w bezpiecznym zakresie pracy. Pełny plan obejmuje osiem kombinacji, a jego dwukrotne wykonanie daje 16 niezależnych prób procesowych. Kolejność prób jest losowana; po zmianie ustawień przewidziany jest czas na ustabilizowanie procesu.

W każdej próbie badana jest taka sama liczba opakowań. Zespół ocenia szczelność i kontroluje, czy folia nie ulega uszkodzeniu. W tym scenariuszu analiza wskazuje na interakcję temperatury i czasu zgrzewania: podwyższenie temperatury ogranicza nieszczelności przy krótszym czasie, ale przy dłuższym zwiększa ryzyko uszkodzeń materiału. Sama rekomendacja „podnieść temperaturę” byłaby więc niewystarczająca. Wniosek dotyczy wspólnego ustawienia parametrów, a nie pojedynczej nastawy.

Improve: potwierdzenie ustawień w produkcji

Zespół wybiera kombinację zapewniającą szczelność bez przekroczenia dopuszczalnego czasu cyklu. Następnie przeprowadza próby potwierdzające na kolejnych partiach folii i podczas różnych zmian produkcyjnych. W ilustracyjnej próbie 1000 opakowań stwierdza 18 nieszczelności, czyli 1,8% wobec początkowych 6%.

To obiecujący wynik, lecz pojedyncza próba nie dowodzi jeszcze trwałego osiągnięcia celu. Decyzja o wdrożeniu wymaga uwzględnienia niepewności oszacowania, porównywalności warunków oraz wyników kolejnych serii. Zespół potwierdza też, że poprawa szczelności nie została okupiona spadkiem wydajności.

Control: utrzymanie efektu po zakończeniu projektu

Po zatwierdzeniu rozwiązania nowe ustawienia trafiają do standardu pracy. Plan kontroli określa dopuszczalne zakresy parametrów, częstotliwość testów szczelności oraz reakcję na odchylenia. Operatorzy nie wracają do dowolnego korygowania temperatury — korzystają z ustalonej procedury sprawdzania przyczyn problemu.

Wartością DOE w tym projekcie jest nie tylko wskazanie korzystniejszych nastaw. Eksperyment wyjaśnia, dlaczego wcześniejsze korekty dawały niespójne efekty, i dostarcza podstaw do świadomego sterowania procesem w zbadanym zakresie warunków.

Najczęstsze pułapki i dobre praktyki wdrożenia DOE w projektach Six Sigma

O powodzeniu DOE decyduje nie tylko poprawność planu eksperymentu, lecz także jakość jego wykonania w rzeczywistym procesie. Nawet dobrze zaprojektowane badanie może prowadzić do błędnych decyzji, jeśli pomiary są niewiarygodne, warunki prób zmieniają się bez dokumentacji albo zespół wybiera wyłącznie wyniki zgodne z oczekiwaniami. Eksperyment ma sprawdzać hipotezy, a nie potwierdzać z góry przyjęte rozwiązanie.

Zbyt szeroki cel i niewiarygodne pomiary

Próba jednoczesnego rozwiązania wszystkich problemów procesu zwykle nadmiernie rozbudowuje badanie i utrudnia interpretację rezultatów. Przed rozpoczęciem DOE warto uzgodnić, jaką konkretną decyzję mają umożliwić wyniki oraz jaka skala poprawy będzie uzasadniała zmianę. Innego zakresu badania wymaga wstępne rozpoznanie wpływowych parametrów, a innego dopracowanie ustawień procesu — nie każdy eksperyment powinien od razu służyć pełnej optymalizacji.

Równie ważna jest ocena systemu pomiarowego. Jeżeli sposób pobierania próbek, operator lub przyrząd wprowadzają zmienność porównywalną z badanym efektem, rzeczywista poprawa może pozostać niewidoczna. Dobrą praktyką jest wcześniejsze sprawdzenie przydatności pomiarów oraz ustalenie jednolitej instrukcji ich wykonywania.

Rozbieżności między planem a wykonaniem

W warunkach produkcyjnych częstą pułapką są nieuzgodnione korekty nastaw, zamiany materiału lub pomijanie czasu potrzebnego na ustabilizowanie procesu. W efekcie zapisane warunki nie odpowiadają temu, co rzeczywiście badano. Dlatego osoba odpowiedzialna za próby powinna rejestrować rzeczywiste wartości parametrów, odstępstwa i zdarzenia towarzyszące, a nie tylko potwierdzać realizację planu.

Nie należy też automatycznie uznawać wielu pomiarów z jednej próby za niezależne powtórzenia eksperymentu. Takie podejście może stworzyć pozorne wrażenie dużej ilości informacji i nadmiernej pewności wniosków. Sposób pobierania próbek oraz jednostkę eksperymentalną trzeba jednoznacznie ustalić przed badaniem.

Wybiórcze traktowanie wyników

Usuwanie niewygodnych obserwacji bez udokumentowanej przyczyny, zmiana kryterium sukcesu po obejrzeniu danych czy zakończenie prób po pierwszym korzystnym wyniku podważają wiarygodność DOE. Zasady postępowania z brakami danych, zakłóceniami i przerwanymi próbami warto określić z wyprzedzeniem. Wynik niezgodny z oczekiwaniami również jest użyteczny: może uchronić organizację przed wdrożeniem nieskutecznej zmiany.

Brak uzgodnień operacyjnych

DOE nie powinno być zadaniem realizowanym wyłącznie przez analityka. Udział operatorów, właściciela procesu, przedstawicieli działu jakości i — gdy jest to potrzebne — utrzymania ruchu pomaga ocenić wykonalność prób oraz ograniczenia stanowiska. Przed startem należy uzgodnić dopuszczalne warunki pracy, zasady postępowania z wyrobami z eksperymentu i kryteria bezpiecznego przerwania badania. Poprawność statystyczna nie zastępuje bezpieczeństwa ani zgodności z wymaganiami jakościowymi.

Jasny podział odpowiedzialności i wspólne zasady realizacji prób ograniczają improwizację oraz zwiększają szansę, że wyniki będą wiarygodną podstawą decyzji procesowej. Podczas szkoleń Cognity pogłębiamy te zagadnienia w oparciu o konkretne przykłady z pracy uczestników.

Diagram Ishikawy i metoda 5 Why – jak znaleźć przyczynę problemu? 25 października 2026

Optymalizacja parametrów produkcyjnych – praktyczne zastosowanie DOE i Minitab 23 października 2026