Metallindustrie, Galvanik, etc.

Ein Techniker hat eine von mehreren Großmaschinen modifiziert. Er behauptet, dass die Ausbeute nach der Modifikation höher ist. Er will nun auch alle anderen Großmaschinen nachrüsten. Hierzu ist ein Aufwand von 50.000 € / Maschine notwendig. Die Steigerung der Ausbeute um 1%-Punkt erspart dem Unternehmen jährlich 75.000 € / Maschine. Zum Beweis hat der Techniker die Ausbeute an jeweils 10 Tagen vor und nach der Modifikation bestimmt.

Der Techniker hat den Fehler gemacht, sich nur auf die Mittelwerte der Maschinenausbeute zu konzentrieren. Die Streuung hat er nicht berücksichtigt.

Ergebnis: die angeblich beobachtete Prozessverbesserung konnte mit einer Wahrscheinlichkeit von etwa 40% auch zufällig zustande gekommen sein. Die Datenbasis war deutlich zu gering. Die anderen Maschinen wurden nicht nachgerüstet: Dies käme möglicherweise einer Investitionsruine gleich. Erst eine statistisch abgesicherte Erhöhung der Datenbasis führt zu eindeutigen Schlußfolgerungen.

Eingesetzte Werkzeuge: Vertrauensbereiche von Mittelwerten, Streuung, t-Test für 2 Stichproben

Eine Firma stellt Metallstifte für die Flugzeugindustrie her. Der Kunde verlangt eine Streuung, die nicht größer ist als σ² = 0,001 cm². Die Firma nimmt eine Stichprobe von 100 Metallstiften. Die Ingenieure gehen davon aus, dass das Messsystem schon in Ordnung ist und dass die Daten normal verteilt sind.

Der Kunde hat die Ware reklamiert, da die Streuung der Metallteile größer als die Vorgabe war.

Eine Messsystemanalyse war notwendig, um zunächst die Streuung des Messsystems feststellen zu können. Eine einfache Analyse zeigte, dass die Daten nicht normal-verteilt waren. Dies führte zu der Erkenntnis einer speziellen Fehlerquelle im Fertigungsprozess. Nachdem diese behoben war, konnte die Streuung auf ein deutlich geringeres Maß reduziert werden. Statistische Methoden führten zur Wiederherstellung von Liefertreue und Kundenzufriedenheit.

Ein Unternehmen aus der Galvanik-Branche will eine spezielle galvanische Schutzbeschichtung optimieren. Die Anzahl an möglichen Einflussparametern ist unüberschaubar groß. Mit der klassischen Versuchsplanung (OFAT: einen Faktor nach dem anderen durchzutesten) ist das Auffinden des Optimums eine unlösbare Aufgabe.

Mit den Werkzeugen einer Prozess-Landkarte, einer Ursache-Wirkungs-Matrix konnte die Anzahl der möglichen Einflussparameter von etwa 100 auf 7 reduziert werden. Mit Hilfe der statistischen Versuchsplanung (DoE) wurde ein teilfaktorieller Versuchsplan mit Zentralpunkten erstellt, der einen Versuchsumfang von lediglich 20 Einzelversuchen beinhaltete. Mit diesen 20 Teilversuchen konnten alle Einflussparameter und 2-fach-Wechselwirkungen quantitativ bewertet werden. Da zusätzlich in mehreren Blöcken gearbeitet wurde, konnten die Einflüsse wichtiger „schwer“ zu greifender Störgrößen, wie z. B. das Alter des galvanischen Bades, quantitativ ermittelt werden.

Eingesetzte Werkzeuge: Prozess-Landkarte, Ursache-Wirkungs-Matrix, Stör- und Regelgrößen, Statistische Versuchsplanung (DoE, teilfaktoriell mit Zentralpunkten), Blockbildung, Varianzanalyse mit Covariablen, grafische Werkzeuge